利用rFIA简化小区域估计：工具与技术的演示
应用统计
2022-03-01 v2
摘要
美国林务局森林清查与分析（FIA）项目负责运营美国的国家森林清查。传统上，FIA项目依赖基于样本的方法——固定样地网络及相关的基于设计的估计量——来估计大地理区域和长时间段内的森林变量。这些方法通常能对大域提供无偏推断，但由于样本量小，无法为小域提供可靠估计。因此，对小域估计日益增长的需求将要求FIA项目采用非传统的估计方法，这些方法能够在提高时空分辨率的情况下提供可靠的森林变量估计，而无需增加额外的野外数据采集成本。鉴于这一挑战，针对FIA数据的小区域估计（SAE）方法开发已成为一个活跃且高产的研究领域。然而，由于FIA项目使用的复杂数据结构和清查设计，SAE方法仍然难以应用于FIA数据。因此，我们认为需要一套新的估计工具（即软件）来适应从大地理区域和长时间段推断向小空间和/或时间域推断的需求转变。在此，我们介绍rFIA，一个旨在提高FIA数据可访问性的开源R包，作为这样一种工具。具体而言，我们展示了两个案例研究，用以演示rFIA简化将广泛的SAE方法应用于FIA数据的潜力：（1）使用空间Fay-Herriot模型估计美国本土当代县级森林碳储量；（2）使用贝叶斯混合效应模型对缅因州华盛顿县多年代际商品材蓄积量趋势进行时间显式估计。
引用
@article{arxiv.2109.03863,
title = {Simplifying small area estimation with rFIA: a demonstration of tools and techniques},
author = {Hunter Stanke and Andrew O. Finley and Grant M. Domke},
journal= {arXiv preprint arXiv:2109.03863},
year = {2022}
}