Teresa Fidalgo Fonseca 박사는 포르투갈의 Universidade de Trás-os-Montes e Alto Douro(UTAD) 산림 과학 교수로 재직하며 산림 자원 공학 및 조림을 연구하고 산림 성장 관리를 지역사회 가치에 맞추는 관행에 중점을 두고 있습니다. 그리고 필요합니다. 그녀는 국제산림연구기구연맹(IUFRO)의 식목 부문 1부 부조정관이자 학술지의 객원 편집자로 활동하고 있습니다. 숲 그리고 산림경영의 개척지 .
그녀의 최근 출판물, 해상 소나무 관리: 대체 식목 지침을 통한 활력 넘치는 잠재력 , José Lousada와 공동 저술했으며 다음에서 출판되었습니다. 산림 바이오매스: 나무에서 에너지로 2021년 2월. 여기에서 Teresa는 시뮬레이션을 사용하여 개발 및 검증된 해양 소나무 종 관리에 대한 새로운 지침을 제시합니다. 모디스피나스터 모델. 궁극적으로, 이 연구의 결과는 실행될 때 비용 효율적이고 지속 가능한 재생 에너지원인 바이오매스의 생산량을 최적화할 수 있는 잠재력을 갖습니다.
통계 전도사인 Teresa는 다음과 같이 말했습니다. JMP 교실과 자신의 연구에서 수년 동안.
Forest of maritime pine in Portugal where data for statistical analysis and modeling is collected통계 분석 및 모델링을 위한 데이터가 수집되는 포르투갈의 해상 소나무 숲 메그: 임업에 대한 관심과 통계에 대한 관심 중 어느 것이 먼저였나요?
테레사: 제가 UTAD에서 학부생으로 수강한 훌륭한 임업 공학 과정인 덴드로메트리(dendrometry) 과정이 있었는데, 그 과정을 저에게 산림 생체인식과 모델링을 소개해준 훌륭한 교수가 가르쳤습니다. 당시 통계를 정말 좋아한다는 느낌을 받았는데, 통계를 임업에 적용할 수 있다는 사실을 알고 너무 신났어요!
졸업 후 저는 산림자원공학 석사 학위를 취득하고 유칼립투스의 줄기 테이퍼(지면 위 높이에 따른 나무 줄기의 직경) 모델링 작업을 했습니다. 그런 다음 모델링 분야에서 박사 학위를 취득하고 이제 프랑스 플랫폼을 통해 무료로 사용할 수 있는 모델을 만들었습니다. 캡시스 , 이는 사망률, 성장 및 직경 분포를 포함하여 해양 소나무의 역학을 시뮬레이션합니다.
그 모델인 ModisPinaster는 문제에 대한 답으로 나왔습니다. 당시에는 포르투갈 북부에서 가장 대표적인 침엽수 종에 대한 산림 계획에 사용할 수 있는 산림 모델이 없었습니다! 우리는 현장에서 여러 개의 영구 플롯을 구현하고 데이터를 수집한 다음 이를 처음에는 개념적 생성으로 발전시켰습니다. 이제는 포르투갈 숲에만 국한된 것이 아니라 다른 지역의 다른 연구자들도 사용할 수 있습니다.
A design plan for ModisPinasterModisPinaster의 디자인 계획 Meg: ModisPinaster를 사용하여 개발한 식목 지침을 구현하면 잠재적인 영향이 무엇이라고 보시나요?
테레사: 산림경영은 항상 과학에 기초해야 합니다. 전통적으로 관리자들은 통계적 모델링을 통해 제공할 수 있는 강점이 없는 경험적 연구에서 파생된 지침을 사용해 왔습니다. [내 최근 논문의 경우 숲 , 화재 후 재생된 해양 소나무 스탠드의 크기-밀도 궤적 ], 우리 모델은 자연 재생을 통해 산불의 영향을 받는 자연 유래 소나무 임분을 가장 잘 관리하는 방법을 보여줍니다.
이 모델을 통해 산림 관리자는 종의 발달 단계와 함께 식물의 최적 표준 밀도를 식별할 수 있습니다. 관리자가 "나무 수는 몇 그루나 있어야 하는가?"와 같은 숫자 목표에만 업무를 기반으로 하지 않는 것이 매우 중요합니다. 그러나 대신에 선형 또는 2차 모델처럼 간단할 수 있는 매우 좋은 데이터 세트와 적절한 모델을 사용합니다. 이에 대한 설명은 최대 밀도 선에 대한 예입니다.
나는 항상 내 연구를 실제 사용과 연결하는 것을 정말 좋아했으며, 가능할 때마다 산림 관리자에게 도움이 될 모델을 구축하려고 노력합니다… 이들에게 산림경영에 대한 좋은 지원을 제공할 수 있다면 산림자원의 지속가능성에 영향을 미칠 것이라고 확신합니다.
Example of ModisPinaster interface showing output options and simulation of growth출력 옵션과 성장 시뮬레이션을 보여주는 ModisPinaster 인터페이스의 예 메그: 조사하기 위해 모델을 사용하고 있는 다른 연구 질문에는 어떤 것이 있나요?
테레사: 가장 최근에 저와 동료들은 포르투갈이 원산지가 아닌 유럽 흑송(European black Pine)의 방사형 직경 성장을 분석해 왔습니다. 우리는 6개 지역의 데이터를 보유하고 있으며 Schumacher 성장 방정식을 사용하여 흑송 개체군 간의 차이를 조사했습니다. 우리는 자연 범위 밖의 종의 예상되는 행동을 이해하고 싶었고, 모델링은 이를 달성하는 중요한 방법이었습니다.
모델링을 사용하면 평균과 표준 변동을 계산하는 것보다 훨씬 더 많은 작업을 수행할 수 있습니다. 먼저 우리는 나무 나이에 따른 직경의 분산을 그래프로 그린 다음 모델을 적합시켜 현장별 몇 가지 차이점을 식별했습니다. 보시다시피 저는 모델에 관해 이야기할 때면 늘 웃고 있어요. 제가 정말 좋아하는 일이거든요!
패턴을 식별하면 일주일 내내, 하루 24시간 모델링을 쉽게 보낼 수 있습니다. 좋은 데이터에서 생성될 수 있는 모든 정보와 산림 관리자에게 중요할 수 있는 정보를 제공하는 수학 방정식으로 이를 어떻게 요약할 수 있는지 생각해 보는 것은 정말 멋진 일입니다.
Examples of visual data analysis시각적 데이터 분석의 예 메그: 데이터가 좋은지 어떻게 확신할 수 있나요?
테레사: 우선, 저는 좋은 데이터가 뒷받침되지 않으면 좋은 모델을 가질 수 없다고 믿기 때문에 데이터에 대해 매우 엄격합니다. 언급된 예 중 하나에서 종의 자연 재생 조건과 같이 데이터가 표본 집단을 잘 대표할 수 있도록 적절한 측정 및 데이터 선택 기준을 갖는 것이 중요합니다.
데이터 품질과 관련하여 우리가 직면하는 과제는 상당히 많습니다. 박사 과정을 밟을 때, 여러 모델을 구축한 후에야 오류를 발견한 경험이 있습니다. 모든 것을 다시 고쳐야 했고 시간이 좀 걸렸습니다. 이제 모델링하기 전에 데이터를 매우 주의 깊게 분석합니다!
그리고 매우 중요한 것이 한 가지 더 있습니다. 모델의 품질을 분석해야 한다는 것입니다. 가정에 따라 실행되는지, 언제 실행되는지 확인해야 합니다. 저는 모든 학생들에게 이렇게 말합니다. 우리는 좋은 모델을 제공할 책임이 있으므로 모델이 올바른 통계 테스트와 분석을 모두 거치도록 해야 합니다.
Typical datasets: Anscombe´s quartet일반적인 데이터세트: Anscombe's Quartet 메그: 모델이 좋은지 아닌지를 판단하기 위해 어떤 종류의 점검을 사용하시나요?
테레사: 저는 주로 반응변수와 각 요인 간의 관계뿐만 아니라 전체 요인 간의 관계를 확인하기 위해 다양한 그래프를 활용하여 시각적인 분석을 합니다. 저는 종종 학생들에게 색상을 사용하도록 제안합니다. 왜냐하면 때로는 다른 색상을 사용하여 데이터 세트를 분리하는 것만으로도 전체 패턴과 개별 패턴을 더 잘 이해할 수 있기 때문입니다.
데이터 정리의 경우 프로세스에 대한 정보를 제공하려면 오류가 아닌 이상 이상값이나 영향력 있는 관측값을 데이터 세트에 보관해야 합니다. 한번은 해송의 수량이 특이하여 이상치가 있었는데, 현장에서 측정해보니 참값이었습니다. 다른 데이터 포인트와 너무 다르기 때문에 이것이 결과에 영향을 미칠 것이라는 것을 알고 있었습니다. 저는 여러 모델을 구축했습니다. 하나는 전체 데이터 세트를 사용했고 다른 하나는 이상값 없이 테스트했습니다. 그러나 궁극적으로 나는 이를 배제하지 않았습니다. 왜냐하면 앞서 말했듯이 좋은 모델에는 표본의 실제 변동을 나타내는 모든 이상값을 포함하여 좋은 데이터 세트가 필요하기 때문입니다.
메그: 학생들은 통계에 관해 어떤 오해를 갖고 있나요?
테레사: 일부 학생들은 모델링이 단지 데이터에 몇 가지 추세를 만들어내는 것이라고 생각합니다. 다른 사람들은 그것이 너무 복잡하다고 생각합니다. 처음에는 준비가 잘 되어 있지 않지만 통계 분석에 대해 더 자세히 가르치면 모델링의 잠재력을 깨닫게 됩니다. 매우 좋은 모델을 구축하는 데는 많은 시간과 연습이 필요할 수 있으므로 저는 항상 학생들이 이 모델링 여정에 단계별로 저와 함께 하도록 동기를 부여하려고 노력합니다! 실제로 과정을 마친 후에도 모델 일을 계속하는 학생들이 있었는데, 이는 나에게 매우 보람 있는 일이었습니다.
Students in the Forest Management course at UTAD working with ModisPinasterModisPinaster를 사용하는 UTAD 산림 관리 과정의 학생들 메그: 그럴 거예요! 통계에 대한 열정이 전염성이 있는 당신 같은 교수가 있다는 것은 의심의 여지가 없습니다. 그리고 단순한 모델링이 아닌 실제 적용을 볼 수 있는 산림 과학과 같은 응용 환경에서 통계를 학습합니다.
테레사: 응용 프로그램은 매우 중요합니다. 제가 가르치는 강좌는 다음을 기반으로 합니다. JMP , 그리고 처음 몇 강의는 소프트웨어 사용 방법에 관한 것입니다. 학생들이 JMP에 익숙해지면 임업에 사용되는 작은 모델을 만들기 시작합니다. 거기서부터 천천히 난이도를 높여갑니다. 예를 들어, 저는 선형 회귀 모델링으로 시작하여 과정이 끝날 무렵에는 비선형 모델을 가르치고 있습니다. 주제가 점점 어려워질수록 제 강의는 이론적인 것뿐만 아니라 실제 과학 사례를 통해 실용적인 강의를 하는 것이 중요합니다.
첫 번째 강의는 데이터에 대한 학생들의 관심을 포착하는 시간이기 때문에 가장 중요합니다. 처음에는 모델링에 대한 관심이 아니라 데이터 분석에 대한 관심입니다. 나는 그들에게 내가 연구한 그래프나 웹에서 얻을 수 있는 그래프를 제공하고 통계나 모델링에 대해 아무것도 모르는 상태에서 보는 것을 분석하도록 요청합니다. 처음에 학생들은 아무것도 보지 못했다고 생각할 수도 있지만, 토론을 하고 나면 추세가 나타나는 것을 보기 시작합니다. (때때로 그래프를 보여주기 전에 학생들의 참여를 유도하고 눈을 훈련시키기 위해 알파벳 수프를 제시합니다.)
제가 그들에게 말하는 가장 중요한 것 중 하나는 미래에는 과학 분야에서만 더 많은 데이터를 사용할 것이라는 것입니다. 다음 세대는 나보다 통계 분석과 모델링에 더 많이 의존하게 될 것입니다. 따라서 우리는 미래의 과학자들이 모델을 구축하는 데 필요한 기술을 제공하는 데 투자해야 합니다. 통계를 과학의 일부로 홍보하는 것은 매우 중요합니다. 과학뿐만 아니라 데이터 분석뿐만 아니라 둘 다입니다.
우리는 학생들이 데이터를 다루는 기본 기술을 개발하도록 참여시켜야 합니다. 즉, 이전에는 불가능했던 발견을 통해 세상을 단순화할 수 있는 데이터 분석의 잠재력을 학생들이 이해하도록 해야 합니다.
