[论文解读] Hierarchical log Gaussian Cox process for regeneration in uneven-aged forests

Mikko Kuronen, Aila Särkkä+2 more|arXiv (Cornell University)|May 5, 2020

Forest ecology and management参考文献 72被引用 5

一句话总结

该论文提出了一种分层对数高斯 Cox 过程（LGCP），将不均龄林中幼苗再生建模为大型树木空间影响的函数，使用参数化信号表示树木对幼苗密度的影响。该方法对观测窗口外未观测到的树木实施了边界校正，并采用贝叶斯 MCMC 结合拉普拉斯近似进行参数估计，当影响范围较广时，相较于无边界校正的模型，其推断性能显著提升。

ABSTRACT

We propose a hierarchical log Gaussian Cox process (LGCP) for point patterns, where a set of points x affects another set of points y but not vice versa. We use the model to investigate the effect of large trees to the locations of seedlings. In the model, every point in x has a parametric influence kernel or signal, which together form an influence field. Conditionally on the parameters, the influence field acts as a spatial covariate in the intensity of the model, and the intensity itself is a non-linear function of the parameters. Points outside the observation window may affect the influence field inside the window. We propose an edge correction to account for this missing data. The parameters of the model are estimated in a Bayesian framework using Markov chain Monte Carlo (MCMC) where a Laplace approximation is used for the Gaussian field of the LGCP model. The proposed model is used to analyze the effect of large trees on the success of regeneration in uneven-aged forest stands in Finland.

研究动机与目标

• 将不均龄林中幼苗的空间分布建模为大型树木位置和大小的条件依赖关系。
• 解决仅由大型树木位置无法解释的幼苗模式中的未解释聚集现象。
• 开发一种灵活的参数化影响核模型，以捕捉大型树木对幼苗密度的空间影响。
• 基于泊松过程假设，通过贝叶斯边界校正方法，处理观测窗口外缺失的大型树木数据。
• 通过在完整贝叶斯 MCMC 框架中引入潜变量高斯随机场并结合拉普拉斯近似，改进参数估计与模型拟合。

提出的方法

• 该模型使用大型树木的标记点过程（X），其中每棵树的标记为胸径（dbh）。
• 每棵大型树木发射一个参数化影响核（如指数或高斯核），其强度随距离衰减，总影响场为各信号的叠加。
• 幼苗过程（Y）的对数强度被建模为叠加影响场与模型参数的非线性函数。
• 潜变量高斯随机场代表潜在的强度表面，通过拉普拉斯近似进行逼近，以避免高维 MCMC 采样。
• 边界校正方法在假设大型树木过程为齐次泊松过程的前提下，对观测窗口外未观测到的大型树木进行插补。
• 采用贝叶斯推断，通过 MCMC 实现，参数先验分布设定，后验计算通过 Metropolis-Hastings 更新完成。

实验结果

研究问题

• RQ1 在不均龄北方森林中，大型树木的空间位置和大小在多大程度上影响幼苗的密度与聚集模式？
• RQ2 当研究区域边界外存在未观测到的大型树木活动时，这种缺失数据在多大程度上会偏差幼苗密度模型的参数估计？
• RQ3 具有可加叠加结构的参数化影响核模型是否足以准确捕捉大型树木对幼苗再生的空间影响？
• RQ4 当大型树木部分未被观测到时，所提出的边界校正方法在改善参数估计方面有多有效？
• RQ5 与简单模型（如非齐次泊松过程）相比，分层 LGCP 模型是否在捕捉实际观测到的幼苗聚集模式方面表现更优？

主要发现

• 所提出的分层 LGCP 模型成功捕捉了仅由大型树木位置无法解释的幼苗模式中的未解释聚集现象。
• 当影响范围较广时，基于泊松过程假设的边界校正方法显著改善了参数估计结果。
• 拉普拉斯近似通过降低潜变量高斯随机场的维度，实现了高效的 MCMC 采样，使完整贝叶斯推断成为可能。
• 模拟研究显示，即使真实大型树木过程为规则分布而非泊松过程，该边界校正方法仍表现良好。
• 模型在真实数据上表现出良好的拟合度，经包络检验验证，且为首个在点过程框架下显式建模不均龄林中幼苗聚集现象的研究。