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 toimittajat: Kuronen, Mikko; Särkkä, Aila; Vihola, Matti; Myllymäki, Mari

Lehti tai sarja: Environmental and Ecological Statistics

ISSN: 1352-8505

eISSN: 1573-3009

Julkaisuvuosi: 2022

Ilmestymispäivä: 20.08.2021

Volyymi: 29

Lehden numero: 1

Artikkelin sivunumerot: 185-205

Kustantaja: Springer Science and Business Media LLC

Julkaisumaa: Britannia

Julkaisun kieli: englanti

DOI: https://doi.org/10.1007/s10651-021-00514-3

Julkaisun avoin saatavuus: Avoimesti saatavilla

Julkaisukanavan avoin saatavuus: Osittain avoin julkaisukanava

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

Julkaisu on rinnakkaistallennettu: https://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-asiasanat: matemaattiset mallit; bayesilainen menetelmä; Monte Carlo -menetelmät; Markovin ketjut; metsänhoito; puusto; regeneraatio (biologia)

Vapaat asiasanat: Bayesian inference; competition kernel; Laplace approximation; MCMC; spatial random effects; tree regeneration


Liittyvät organisaatiot


OKM-raportointi: Kyllä

Raportointivuosi: 2022

Alustava JUFO-taso: 1


Viimeisin päivitys 2022-20-09 klo 13:46