Advertisement

Forstwissenschaftliches Centralblatt

, Volume 106, Issue 1, pp 57–68 | Cite as

Statistische Auswertungsmodelle für Waldschadensinventuren —Methodische Überlegungen—

  • E. Kublin
Article

Zusammenfassung

Ursachenforschung auf der Basis von Waldschadensinventuren macht die modellmäßige Formulierung von Zusammenhangsstrukturen und zu prüfender Hypothesen notwendig. Die Analyse komplexer Datenstrukturen erfolgt vorzugsweise mit Hilfe von Regressionsmodellen.

Für die Zuverlässigkeit und Übertragbarkeit der im Modell abgeleiteten Folgerungen ist entscheidend, ob die Modellannahmen wenigstens annähernd zu rechtfertigen sind und ob eine gute Modellanpassung gewährleistet ist.

Mit dem mittleren Nadelverlustprozent als Zielgröße ist das klassische lineare Regressions-modell in Kombination mit einer visuellen Aufbereitung der Daten und Ergebnisse ein von der Theorie her zulässiges und darüber hinaus effektives Verfahren zur Untersuchung der Abhängigkeitsstrukturen. Wegen der z. T. beträchtlichen Reststreuung sind Modellmodifikationen notwendig.

Als Ansatzpunkt zur Verfeinerung des Modells kommen vor allem solche Modelle in Frage, die eine differenzierte Beschreibung des Schadens vor Ort ermöglichen. Mit der lokalen Schadklassenverteilung als Zielgröße wird die Abhängigkeitsstruktur in den Inventurdane 1985 im LOGIT-bzw. kumulativen LOGIT-Modell untersucht. Es zeigt sich, daß die bereits im linearen Modell gefundenen Zusammenhänge inhaltlich im wesentlichen bestätigt werden. Unter dem Aspekt der Modellanpassung an die Daten und der Angabe von Signifikanzwahrschein-lichkeiten ist das verallgemeinerte lineare Modell dem klassischen vorzuziehen. Die Berücksichtigung eines subjektiven Ansprachefehlers und die Aufnahme von standörtlichen Belastungswerten als zusätzliche Einflußgrößen in das Modell werden das Problem der räumlichen Fehlerkorrelationen lösen und zu einem insgesamt akzeptablen Modell führen, das als Basis für weitere Überlegungen zu Verfeinerungen dienen kann.

Statistical models for the evaluation of forest damage inventories—methodical considerations

Summary

For causal research based on forest damage inventories, interdependence structures and hypotheses to be examined need to be expressed by models. Preferably, complex data structures are analyzed using regression models.

For reliability and applicability of conclusions derived from the model, it is decisive that its assumptions are at least approximately justified and a good model fit guaranteed.

With the average needle loss percentage as dependent variable, the classical linear regression model in combination with a visual inspection of the data and results is a theoretically admissible and also effective procedure for the investigation of interdependencies. Modifications of the model are necessary because of the residual variation which in some cases may be considerable.

As starting point for making the model more sensitive, especially such models may be considered which permit a differentiated on-the-spot description of the damage. With the local damage class distribution as response variable, the interdependence structure of the 1985 inventory data are investigated with the help of the LOGIT and cumulative LOGIT model, respectively. It can be seen that relationships already found in the linear model are essentially confirmed. Under the aspect of model fitting and the calculation of significance probabilities, the generalized linear model rather than the classical one is to be preferred. Considering a subjective error and incorporating stress factors of the site as additional parameters into the model will solve the problem of spatial error correlations; it will lead to an overall acceptable model which may serve as the basis for further considerations concerning refinements.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Draper, N. R.;Smith, H., 1981: Applied regression analysis. Wiley, New York, 2. Aufl.Google Scholar
  2. Fahrmeier, L.;Kredler, C., 1984: Verallgemeinerte lineare Modelle. In:Fahrmeier, L.;Hamerle, A. (Hrsg.): Multivariate statistische Verfahren. De Gruyter, Berlin.Google Scholar
  3. Huber, P. J., 1981: Robust statistics. Wiley, New York.CrossRefGoogle Scholar
  4. McCullagh, P.;Nelder, J. A., 1983: Generalized linear models. Chapman and Hall, London.CrossRefGoogle Scholar
  5. Schöpfer, W.; Hradetzky, J., 1983: Zielsetzungen, Methoden und Probleme der terrestrischen Waldschadensinventur Baden-Württemberg 1983. Mitteilungen der FVA, Heft 107.Google Scholar
  6. Schöpfer, W.; Hradetzky, J., 1983 a: Ausmaß und räumliche Verteilung der Walderkrankung in Baden-Württemberg. Mitteilungen der FVA, Heft 109.Google Scholar
  7. Schöpfer, W.;Hradetzky, J., 1984: Der Indizienbeweis: Luftverschmutzung maßgebliche Ursache der Walderkrankung. Forstw. Cbl.103, 4/5.CrossRefGoogle Scholar
  8. Seber, G. A. F., 1977: Linear regression analysis. Wiley, New York.Google Scholar

Copyright information

© Verlag Parey 1987

Authors and Affiliations

  • E. Kublin
    • 1
  1. 1.Abt. Biometrie und InformatikForstliche Versuchs- und ForschungsanstaltFreiburg i. Br

Personalised recommendations