A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä
Hierarchical log Gaussian Cox process for regeneration in uneven-aged forests (2022)


Kuronen, M., Särkkä, A., Vihola, M., & Myllymäki, M. (2022). Hierarchical log Gaussian Cox process for regeneration in uneven-aged forests. Environmental and Ecological Statistics, 29(1), 185-205. https://doi.org/10.1007/s10651-021-00514-3


JYU-tekijät tai -toimittajat


Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajatKuronen, Mikko; Särkkä, Aila; Vihola, Matti; Myllymäki, Mari

Lehti tai sarjaEnvironmental and Ecological Statistics

ISSN1352-8505

eISSN1573-3009

Julkaisuvuosi2022

Ilmestymispäivä20.08.2021

Volyymi29

Lehden numero1

Artikkelin sivunumerot185-205

KustantajaSpringer Science and Business Media LLC

JulkaisumaaBritannia

Julkaisun kielienglanti

DOIhttps://doi.org/10.1007/s10651-021-00514-3

Julkaisun avoin saatavuusAvoimesti saatavilla

Julkaisukanavan avoin saatavuusOsittain avoin julkaisukanava

Julkaisu on rinnakkaistallennettu (JYX)https://jyx.jyu.fi/handle/123456789/77454

Julkaisu on rinnakkaistallennettuhttps://arxiv.org/abs/2005.01962


Tiivistelmä

We propose a hierarchical log Gaussian Cox process (LGCP) for point patterns, where a set of points xx affects another set of points yy but not vice versa. We use the model to investigate the effect of large trees on the locations of seedlings. In the model, every point in xx 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 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.


YSO-asiasanatmatemaattiset mallitbayesilainen menetelmäMonte Carlo -menetelmätMarkovin ketjutmetsänhoitopuustoregeneraatio (biologia)

Vapaat asiasanatBayesian inference; competition kernel; Laplace approximation; MCMC; spatial random effects; tree regeneration


Liittyvät organisaatiot


OKM-raportointiKyllä

Raportointivuosi2022

JUFO-taso1


Viimeisin päivitys 2024-03-04 klo 19:56