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
VIRTA-lähetysvuosi: 2022
JUFO-taso: 1
