27 Congreso Nacional de Estadstica e Investigacin Operativa Lleida, 8-11 de abril de 2003

MODELOS ESTOCASTICOS EN CRECIMIENTO FORESTAL

Mario Rivas M.
Departamento de Ingeniera de Sistemas Universidad de Talca e-mail: mrivasm@pehuenche.utalca.cl

RESUMEN
El modelamiento de sistemas dinmic os conduce en variadas situaciones a una ecuacin diferencial ordinaria del tipo

donde g es una funcin, y un parmetro o vector de parmetros desconocido que debe estimarse a partir de observaciones. Para tomar en cuenta las fluctuaciones del medio ambiente y una multitud de factores incontrolables, se incorpora un proceso de ruido estocstico t aditivame nte a la ecuacin mencionada, obtenindose as, la ecuacin diferencial estocstica

En este trabajo se presenta un mtodo y un procedimiento para estimar parmetros en una ecuacin diferencial estocstica, que permita predecir el crecimiento en un conjunto de rboles de la especie pino radiata; el cul est basado en el modelo de Richards. La idea esencial del mtodo consiste en suponer que el crecimiento de un rbol est regido por una ecuacin diferencial determinista y que la aleatoriedad entra en el tiempo de observacin. El mtodo es debido a Bassan et al. y fue usado con el modelo logstico para estudiar la evolucin de una plaga agrcola provocada por un virus.

Palabras Claves: Ecuacin Diferencial Estocstica, Modelo de Richards, Transformacin Aleatoria del Tiempo, Estimacin de Mxima Verosimilitud.

1. Introduccin
El manejo forestal eficiente es muy complejo. Un bosque natural est compuesto de rboles de distintas edades, terrenos de diversas calidades, y en bosques nativos habr diferentes especies. Una buena planificacin del manejo forestal requiere proyecciones confiables de crecimiento y rendimiento. En muchas situaciones, es suficiente el ajuste de curvas de crecimiento simples que describen el curso de variables de rodal en el tiempo. Con manejo ms intensivo, sin embargo, estas variables son manipuladas a travs de intervenciones silvcolas que pueden variar en fechas e intensidad, y se hace necesario predecir el comportamiento de rodales en una variedad de circunstancias diferentes. Para comprender y controlar sistemas tan complejos como los bosques, se suele recurrir a representaciones simplificadas, llamadas modelos. En este trabajo se presenta un procedimiento de estimacin para predecir el crecimiento en altura de rboles, basado en el modelo de Richards.

2. Modelo de Richards
La forma usual de escribir el modelo de Richards es

Una parametrizacin ms conveniente es

donde es la tasa de crecimiento, fija el punto de inflexin, y es la altura mxima que alcanza el rbol.

3. Estimacin del Modelo de Richards

White y Brisbin (1980), consideran la estimacin del modelo de Richards basndose en una aproximacin discreta del trmino de error. La estimacin la realizan por mnimos cuadrados no lineales. Por otra parte Garca (1983), considera conveniente usar ecuaciones diferenciales ordinarias como base para modelar el crecimiento de rboles, especficamente ecuaciones de la forma

donde H es la altura y t es el tiempo. Garca afirma que el crecimiento es afectado por las fluctuaciones del medio ambiente e incorpora aditivamente un trmino de error aleatorio en la ecuacin, resultando una ecuacin diferencial estocstica (EDE). Posteriormente integra la EDE, cuya solucin discretiza, para luego estimar los parmetros usando mxima verosimilitud. En esta experiencia la estimacin de los parmetros de inters parece ser insensible a cambios en la varianza. Tambin indica que las propiedades de estos estimadores son inciertas, y posiblemente inconsistentes. Como alternativa de estimacin proponemos un mtodo de transformacin aleatoria del tiempo (RTT), debido a Bassan, Marcus, Talpaz y Meilijson (1994), que fue usado con el modelo logstico para estudiar la evolucin de una plaga agrcola.

4. Transformacin Aleatoria del Tiempo

La idea esencial del mtodo consiste en suponer que el crecimiento de un rbol est regido por una ecuacin diferencial determinista y que la aleatoriedad entra en el tiempo de observacin. Presentaremos el mtodo en nuestro contexto de modelamiento de rboles, mediante la ecuacin de Richards. Suponemos que cada rbol crece de acuerdo con la ecuacin diferencial ordinaria

donde la funcin Ai depende de algn parmetro desconocido i que ser estimado a partir de una realizacin del proceso ti ligado con Yti, pero que incorpora errores de medicin. Para nosotros ti =Y(T(ti )).

5. Funcin de verosimilitud
En el caso particular del modelo de Richards = (1, ..., ) es el vector de p , , , parmetros, mientras que son las alturas de los rboles en distintos instantes. La funcin de verosimilitud puede ser escrita

donde

6. Resultados
Se analizaron la bondad del mtodo (RTT) aplicado al modelo Richards bajo dos perspectivas datos simulados y datos reales. Datos Simulados : Se analizaron 9 casos con parmetros conocidos para estudiar como se comporta el mtodo, esto es, si hay sesgo o no. En cada uno, se hicieron 20 corridas considerando q = 8 rboles y p = 8 observaciones por cada rbol. Algunos de estos casos simulados son Simu1: Alfa=20 (todos los rboles), Kapa=0.2, Delta=0.2, sigma=0.1

Grfico 1: Estimacin de Alfa

En el grfico 1 se observa que el mtodo estima bien los valores de (alturas mximas). El rango de variacin es de 1.98 mts. a 20.1 mts. El sesgo es mnimo en la mayora de los casos simulados. Grfico 2: Estimacin de Kappa

En el grfico 2 se aprecia que el mtodo recupera bien los valores de (parmetro decimiento). El sesgo no es importante en la mayora de los casos. El grfico 3 revela un comportamiento adecuado de a aunque existen algunos casos en que subestima (casos 8,9, y 10) y en otros sobreestima (casos 2, 10, y 13). Grfico 3: Estimacin de Delta

En el grfico 4, se aprecia claramente que el mtodo subestima el valor de , no presentando un sesgo importante. Grfico 4: Estimacin de Sigma

Simu2: Alfa=20 ( todos los rboles ), Kapa=0.2, Delta=0.2, sigma=0.5 Los grficos 5 y 6 muestran que en este caso el mtodo no recupera bien los parmetros, subestima , y en cambio sobreestima . Esto muestra que esta tcnica es sensible a valores grandes de la varianza. Grfico 5: Estimacin de Sigma

Grfico 6: Estimacin de Kappa

7. Datos Reales
Los datos consisten en observaciones hechas a 69 rboles de la especie Pino Radiata, distribuidos en 6 zonas. Las zonas 1, 3, y 5 corresponden a zona costera y las 2, 4, y 6 son zonas interiores. En cada zona algunos rboles tienen disposicin NE y otros SW. Mediante un anlisis de tallo, se estudiaron los dimetros de anillos a distintas alturas obtenindose, mediante interpolacin, observaciones sobre altura y dimetro a la altura del pecho (Dap) para 8 aos. El mtodo se aplic a dos conjuntos de datos considerando el tipo de exposicin: NE (exposicin 1) y SW (exposicin 2). Uno consistente de 36 rboles con 8 observaciones por rbol para la exposicin 1. El otro contiene 33 rboles con 8 observaciones por rbol para la exposicin 2. El modelo considera algunos parmetros globales (, , ) y otros locales, como es el caso de las alturas mximas ( i ). Los resultados se muestran en la tabla siguiente Tabla 1 Zona Expo1 Expo2 Seccos Secint Kappa 0.1365 0.0930 0.1271 0.0830 Delta 0.3538 0.3263 0.3798 0.2395 Sigma 0.4460 0.4223 0.4221 0.4525

El anlisis de los resultados de la tabla 1 muestra que el mtodo no se comporta bien para ambos conjuntos de datos, siendo levemente mejor para los datos de la exposicin 2, para el cual se obtiene una menor varianza ( = 0.4223), esto es concordante con la simulacin donde queda de manifiesto que al aumentar la varianza a valores cercanos a 0.5 aumenta el sesgo de los estimadores. La inspeccin de los grficos 7 y 8 muestra una comparacin de las alturas reales y alturas estimadas (alturas topes) para los datos de la exposicin 1 y exposicin 2. El mtodo es levemente mejor para los datos de la exposicin 2, para el cual se obtiene una menor varianza ( = 0.4223).

Grfico 7: Alturas reales vs. alturas topes Expo 1

Grfico 8: Alturas reales vs. alturas topes Expo 2

8. Implementacin Computacional
El programa fue implementado en Matlab y consta de dos mdulos. El primero (Simula) realiza la simulacin en base al modelo de Chapman-Richards y el mtodo RTT, el segundo (Estima) maximiza L minimizando el denominador de la verosimilitud resultante, para ello se utiliza la rutina CONSTR del Matlab.

9. Conclusiones
Como un aporte en este trabajo, se ha aplicado por primera vez el mtodo Random Time al modelo de Richards para estimar crecimiento de rboles. La aplicacin del modelo de Richards para estimar crecimiento en un conjunto de rboles constituye un desafo en lo que respecta a la estimaci n de los parmetros, pues permite una mayor flexibilidad. El anlisis de los resultados obtenidos nos muestra que, el mtodo Random Time es altamente sensible a cambios en la varianza. Para valores de sobre 0.5, esta tcnica no es confiable. Una dificultad del mtodo es que la funcin de verosimilitud no es acotada. La convergencia del mtodo es satisfactoria cuando se tiene un punto de partida razonable. En algunos casos existen dificultades numricas en ptimos locales, dado que no se tiene idea de como es la funcin de verosimilitud. Tambin debemos destacar que el mtodo de optimizacin utilizado para minimizar la verosimilitud es sensible a los valores de partida i. La precisin utilizada en los clculos es importante. (Instruccin Option del Matlab). El uso de este tipo de tcnicas es una alternativa atractiva para modelar el crecimiento de rboles, pues permite considerar la variacin ambiental aleatoria que afecta el crecimiento.

Referencias
[1] Borders, B. (1989). System of Equations in Forest Stand Modeling. Forest Sciences 35, 548-556.

[2] Bonnor, G.,and Magnussen, S.(1987) Predicting Stem Diameter Distributions from Growth Probability Equations. IUFRO Forest Growth Modelling and Prediction Conference, Minneapolis, MN, August 24-28, 1987. [3] Bruce, D., and Wensel, L. Approaches, Definitions, and Problems. IUFRO Forest Growth Modelling and Prediction.Conference, Minneapolis, MN, August 24-28, 1987. [4] Dixon, B., and Howwitt, R.(1979). Continuous Forest Inventory Using a Linear Filter. Forest Science 25, 675-689. [5] Gleit, Alan.(1978). Optimal Harvesting in Continuous Time with Stochastic Growth. Mathematical Biosciences 41, 111 -123. [6] Heyde, C. Quasi- Likelihood And Its Application. Springer 1997. [7] Husch, B. Forest Mensuration. Wiley 1982. [8] Garcia, O.(1983). A Stochastic Differential Equation:Model for the Height Growth of orest Stand. Biometrics 39, 1059-1072. [9] Gushchin, A.,Kuchler, U.(1999). Asymptotic inference for a linear stochastic differential equation with time delay. Bernoulli 5(6), 1059-1098. [10] Houllier, M.(1990). Modles de croissance en hauteur: remarques sur les relations entre la nature des donnes et le type de modle ajust Bull.Rech.Agron. Gembloux 25, 65-75. [11] Husch, B. Miller, C.,and Beers, T. forest Mensurations. John Wiley 1982. [12] Hyink, D., and Moser, J.(1983). A Generalized Framework for Projecting Forest Yield and Stand Structure using Diameter Distributions. Forest Science 29, 85-95. [13] Kashyap, R., and Ramachandra Rao, A. Dynamic Stochastic Models from Empirical Data. [14] Kloeden, P., and Platen E. Numerical Solution of Stochastics. Springer-Verlag 1992. [15] Kloeden et al.(1996). On effects of Discretization on Estimators of Drift Parameters for Diffusion Processes.Applied Probability Trust, 1061-1076. [16] Knoebel, B., and Burkhart, H.(1991). A Bivariate Distribution Approach to Modeling Forest Diameter Distributions at Two Points in Time. Biometrics 47, 241253. [17] Mangel, M. Decision and Control in Urcertain Resource Systems. Mathematics in Science and Engineering Vol. 172. Academic Press 1985. [18] Meilijson, I., et al. Parameter Estimation in Dife rential Equations, using Random Time Transformation. Econometrics Institute at Erasmus University 1994. [19] Lowell, K., and Mitchell, R.(1987). Modeling Growth and Mortality Probabilistically using Logistic Regression. IUFRO Forest Growth Modelling and Prediccion. Conference, Minneapolis, MN, August 24-28, 1987. [20] Pienaar, L., and Turnbull, K.(1973). The Chapman-Richards Generalizations of Von Bertalanffys Growth Model for Basal Area Growth and Yield in Even-Aged Stand. Forest Science 19, 2-21.

[21] Roberts, M., and Hruska, A.(1985). Predicting Diameters Distributions : a test of the tationary Markov model. Can.J.For.Res 16, 130-135. [22] Richards F.J. (1959). A Flexible Growth for Empirical Use. Jour.Of experimentalBotany, Vol.10, No 29, pp.290-300. [23] Rivas M.(1995). Modelos Estocsticos en Crecimiento Forestal. Tesis de Magster en Estadstica. Universidad de Concepcin. [24] Seber, G.A.E, and Wild C.J. Nonlinear Regression. Wiley 1989. [25] Sandland, R., and McGilchrist, C.(1979). Stochastic Growth Curve Analysis. Biometrics 35, 255-271. [26] Valentine, H., and Furnival, G.(1989). Proyections with Ingrowth by Markov Chains. Forest Science 35, 245-250. [27] White,G.C.,and Brishin,I,L.(1980). Estimation and comparison of parameters in stochastic growth models for barn owls. Growth.44,97-111. [28] Von Bertalanffy, L.(1938). A Quantitative Theory of Organic Growth. Human Biology 10, 181-213. [29] Von Bertalanffy, L.(1957). Quantitative laws in Metabolism and Grow th. Quartely Review of Biology 32, 217-231.