以樣區層級而非個體層級的預測表現來選擇估算森林生物量的異速生長方程式Selecting allometric equations to estimate forest biomass from plot- rather than individual-level predictive performance

研究問題

這篇想回答用來把森林清查資料換算成生物量的異速生長方程式，到底該以個體樹層級還是樣區層級的預測表現來選擇，而樣區大小又如何影響這個選擇。

材料與方法

作者用 Fayolle 2018 剛果盆地 844 棵樹的生物量資料當基礎，建立一個以反 J 形指數分布描述森林直徑結構的虛無森林模型，由中非平均林分密度 467 棵每公頃與斷面積 29.8 平方公尺每公頃推得指數參數 0.0689；接著用蒙地卡羅方法重抽樣產生 0.1 到 50 公頃的模擬樣區，計算觀測與預測樣區生物量差異的均方和 MSS，並用變異數分析把它拆成平方偏差、樣區變異與係數變異三項。他們比較五個異速方程式和一個先由胸徑預測樹高再代入生物量式的兩步模型鏈，所有模型都用對數轉換線性迴歸擬合，全部以 R 計算。

結論

結論是異速方程式的樣區層級表現會隨樣區大小改變，可被偏差加樹級殘差加係數不確定這三項近似。小樣區由樹級殘差主導，最佳模型和樹級選模一致；但樣區一大，樹級殘差以面積反比消失，偏差最小的模型反而勝出，這時用通用生物量式搭配在地樹高對胸徑模型的模型鏈能在偏差與係數不確定之間取得好的折衷。

討論與我的觀察

這對我很重要，因為它告訴我選異速方程式沒有一個放諸四海皆準的最佳答案，最佳模型會隨我要估的樣區尺度而變，FDT 的碳儲量層在不同空間解析度下必須把偏差、樹級殘差與係數不確定這三項分開顯式建模，而不是套單一公式。限制也要記得，這篇是用模擬森林而不是真實清查資料產生樣區，作者自己也說真實資料下偏差的貢獻可能更大，所以結論對偏差角色其實偏保守；MSS 也沒納入量測誤差，1 公頃以下偏好通用方程式的結論還需要其他資料集確認。對台灣的可移轉性是中等的，方法學可直接搬，但林分密度、斷面積與物種別異速係數都得用台灣本地資料重新估。

重要科學發現

• 原文確認，樣區層級預測表現 MSS 可被三項公式 (NbF)2 加 (N/A)MSEF 加 N2MEF 良好近似，分別對應偏差、樹級殘差與模型係數不確定。
• 原文確認，0.1 公頃小樣區由樹級殘差主導，最佳為式 4 並與樹級選模一致；10 公頃大樣區殘差項消失，偏差最小的式 7 勝出。
• 原文確認，模型鏈在 1 公頃不如僅用胸徑的模型，但樣區夠大時模型鏈表現較佳。

關鍵短引用

844 棵剛果盆地樹，52 屬 49 種p.1416 Sec 2.1

大樣區偏差最小的式 7 勝出p.1418 Results

博士生的話

這篇支撐我把異速方程式選模的尺度依賴當成 FDT 碳儲量層必須處理的核心問題，不同樣區尺度要分開建模偏差與殘差；對 TJFS review，它提供選模準則隨樣區尺度改變的可引用論證與三項誤差拆解框架。