Dr. Teresa Fidalgo Fonseca ist Professorin für Forstwissenschaften an der Universidade de Trás-os-Montes e Alto Douro (UTAD) in Portugal, wo sie Waldressourcentechnik und Waldbau studiert und sich dabei auf die Praxis konzentriert, das Waldwachstumsmanagement mit den Werten der Gemeinschaft in Einklang zu bringen und Bedürfnisse. Sie ist stellvertretende Koordinatorin der Abteilung 1 für Waldbau bei der International Union of Forest Research Organizations (IUFRO) und Gastredakteurin wissenschaftlicher Zeitschriften Wälder Und Grenzen in der Waldbewirtschaftung .
Ihre jüngste Veröffentlichung, Bewirtschaftung der Seekiefer: Energetische Potenziale mit alternativen waldbaulichen Leitlinien , wurde gemeinsam mit José Lousada verfasst und in veröffentlicht Waldbiomasse: Von Bäumen zur Energie im Februar 2021. Darin stellt Teresa neue Leitlinien für den Umgang mit Seekiefernarten vor, die sie mithilfe von Simulationen entwickelt und verifiziert hat ModisPinaster Modell. Letztendlich haben die Ergebnisse dieser Studie, wenn sie umgesetzt werden, das Potenzial, den Ertrag von Biomasse, einer kostengünstigen und nachhaltigen Quelle erneuerbarer Energie, zu optimieren.
Teresa ist eine statistische Evangelistin JMP seit vielen Jahren, sowohl im Unterricht als auch in ihrer eigenen Forschung.
Forest of maritime pine in Portugal where data for statistical analysis and modeling is collectedForest of maritime pine in Portugal where data for statistical analysis and modeling is collectedForest of maritime pine in Portugal where data for statistical analysis and modeling is collectedForest of maritime pine in Portugal where data for statistical analysis and modeling is collectedSeekiefernwald in Portugal, in dem Daten für statistische Analysen und Modellierungen gesammelt werden Meg: Was war zuerst da – Ihr Interesse an der Forstwirtschaft oder Ihr Interesse an Statistik?
Teresa: Als Student an der UTAD belegte ich einen hervorragenden Forstingenieurstudiengang für Dendrometrie, der von einem brillanten Professor gehalten wurde, der mich in die Waldbiometrie und -modellierung einführte. Damals hatte ich das Gefühl, dass mir Statistik sehr viel Spaß macht, und es war so aufregend herauszufinden, dass ich Statistiken in der Forstwirtschaft anwenden kann!
Nach meinem Abschluss schloss ich meinen Master in Forstressourcentechnik ab und arbeitete an der Modellierung der Stammverjüngung von Eukalyptus [dem Durchmesser des Baumstamms als Funktion der Höhe über dem Boden]. Dann habe ich – ebenfalls im Bereich Modellierung – promoviert und ein Modell erstellt, das jetzt über die französische Plattform frei verfügbar ist Capsis , das die Dynamik von Seekiefern simuliert, einschließlich Sterblichkeit, Wachstum und Durchmesserverteilungen.
Dieses Modell, ModisPinaster, entstand als Antwort auf ein Problem: Zu dieser Zeit hatten wir kein Waldmodell für die am häufigsten vertretenen Nadelbaumarten in Nordportugal, das für die Waldplanung verwendet werden konnte! Wir haben mehrere permanente Plots vor Ort implementiert, Daten gesammelt und diese dann zu einer zunächst konzeptionellen Kreation weiterentwickelt. Jetzt ist es nicht nur auf portugiesische Wälder beschränkt, sondern kann auch von anderen Forschern aus anderen Orten genutzt werden.
A design plan for ModisPinasterA design plan for ModisPinasterA design plan for ModisPinasterA design plan for ModisPinasterEin Designplan für ModisPinaster Meg: Welche potenziellen Auswirkungen sehen Sie in der Umsetzung der Waldbaurichtlinien, die Sie mit ModisPinaster entwickelt haben?
Teresa: Die Waldbewirtschaftung sollte immer auf wissenschaftlichen Erkenntnissen basieren. Traditionell haben Manager Richtlinien verwendet, die aus empirischen Studien abgeleitet wurden, die jedoch nicht über die Stärke verfügen, die wir mit statistischen Modellen bieten können. Im Fall von [meiner letzten Arbeit in Wälder , Größen-Dichte-Trajektorie in regenerierten Seekiefernbeständen nach einem Brand ] zeigt unser Modell, wie von Waldbränden betroffene Kiefernbestände natürlichen Ursprungs am besten durch natürliche Regeneration bewirtschaftet werden können.
Dieses Modell ermöglicht es Forstverwaltern, die optimale Standarddichte von Pflanzen sowie die Entwicklungsstadien der Arten zu ermitteln. Es ist so wichtig, dass Manager ihre Arbeit nicht ausschließlich auf numerische Ziele wie „Wie viele Bäume sollen wir haben?“ stützen. sondern auf einem sehr guten Datensatz und geeigneten Modellen, die einfach wie ein lineares oder ein quadratisches Modell sein können, wofür die Beschreibung der Linie maximaler Dichte ein Beispiel ist.
Es hat mir schon immer großen Spaß gemacht, meine Forschung mit der praktischen Anwendung zu verbinden, und wann immer ich kann, versuche ich, Modelle zu entwickeln, die den Forstverwaltern zugute kommen. Wenn wir sie bei der Waldbewirtschaftung gut unterstützen können, bin ich mir sicher, dass dies Auswirkungen auf die Nachhaltigkeit der Waldressourcen haben wird.
Example of ModisPinaster interface showing output options and simulation of growthExample of ModisPinaster interface showing output options and simulation of growthExample of ModisPinaster interface showing output options and simulation of growthExample of ModisPinaster interface showing output options and simulation of growthBeispiel einer ModisPinaster-Schnittstelle mit Ausgabeoptionen und Wachstumssimulation Meg: Welche anderen Forschungsfragen verwenden Sie zur Untersuchung des Modells?
Teresa: Zuletzt haben meine Kollegen und ich das radiale Durchmesserwachstum einer anderen Kiefer analysiert – der Europäischen Schwarzkiefer, die in Portugal nicht heimisch ist. Wir hatten Daten von sechs verschiedenen Standorten und untersuchten mithilfe der Schumacher-Wachstumsgleichung die Unterschiede zwischen den Schwarzkiefernpopulationen. Wir wollten das erwartete Verhalten der Art außerhalb ihres natürlichen Verbreitungsgebiets verstehen, und die Modellierung war ein entscheidender Weg, dies zu erreichen.
Mit der Modellierung können wir viel mehr tun, als nur Durchschnittswerte und Standardabweichungen zu berechnen. Zuerst haben wir die Streuung des Durchmessers mit dem Baumalter grafisch dargestellt und dann das Modell angepasst, um einige Unterschiede je nach Standort zu identifizieren. Wie Sie sehen, lächle ich immer, wenn ich über das Modeln spreche, weil es wirklich etwas ist, was ich mag!
Wenn ich ein Muster erkenne, könnte ich problemlos sieben Tage die Woche und 24 Stunden am Tag damit verbringen, zu modellieren. Es ist so schön, über all die Informationen nachzudenken, die aus guten Daten generiert werden können, und darüber, wie wir sie in einer mathematischen Gleichung zusammenfassen können, die Informationen liefert, die für Forstmanager wichtig sein können.
Examples of visual data analysisExamples of visual data analysisExamples of visual data analysisExamples of visual data analysisBeispiele für visuelle Datenanalyse Meg: Wie können Sie sicher sein, dass Ihre Daten gut sind?
Teresa: Erstens gehe ich sehr streng mit Daten um, weil ich glaube, dass man kein gutes Modell haben kann, wenn es nicht durch gute Daten gut unterstützt wird. Es ist wichtig, über angemessene Mess- und Datenauswahlkriterien zu verfügen, damit Ihre Daten für die Stichprobenpopulation hoch repräsentativ sind, wie beispielsweise die Bedingungen für die natürliche Regeneration einer Art in einem der genannten Beispiele.
Die Liste der Herausforderungen, mit denen wir in Bezug auf die Datenqualität konfrontiert sind, ist ziemlich lang. Während meiner Doktorarbeit hatte ich ein Erlebnis, bei dem ich einen Fehler entdeckte, allerdings erst nachdem ich mehrere Modelle erstellt hatte. Ich musste alles neu anpassen, was einige Zeit gekostet hat. Deshalb analysiere ich jetzt die Daten sehr sorgfältig, bevor ich etwas modelliere!
Und es gibt noch etwas ganz Wichtiges: Sie müssen die Qualität des Modells analysieren. Sie müssen sehen, ob und wann die Annahmen erfüllt werden. Das sage ich allen meinen Studierenden: Wir sind dafür verantwortlich, ein gutes Modell bereitzustellen, also müssen wir sicherstellen, dass das Modell alle richtigen statistischen Tests und Analysen durchläuft.
Typical datasets: Anscombe´s quartetTypical datasets: Anscombe´s quartetTypical datasets: Anscombe´s quartetTypical datasets: Anscombe´s quartetTypische Datensätze: Anscombes Quartett Meg: Welche Art von Kontrollen verwenden Sie, um festzustellen, ob ein Modell gut ist oder nicht?
Teresa: Normalerweise führe ich visuelle Analysen mit verschiedenen Diagrammen durch, um nicht nur die Beziehung zwischen der Antwortvariablen und jedem Faktor, sondern zwischen allen Faktoren zu überprüfen. Ich schlage meinen Schülern oft vor, Farben zu verwenden, denn manchmal können wir allein durch die Verwendung einer anderen Farbe zur Trennung eines Datensatzes sowohl das Gesamtmuster als auch einzelne Muster besser verstehen.
Was die Datenbereinigung betrifft, müssen alle Ausreißer oder einflussreichen Beobachtungen – sofern es sich nicht um Fehler handelt – im Datensatz verbleiben, um Informationen über den Prozess bereitzustellen. Einmal hatte ich einen Ausreißer, der mit einer ungewöhnlichen Anzahl von Seekiefern zusammenhing, aber es war ein wahrer Wert, als ich ihn im Feld maß. Da sie sich so sehr von den anderen Datenpunkten unterschieden, war mir bewusst, dass dies die Ergebnisse beeinflussen würde. Ich habe mehrere Modelle erstellt – eines mit dem Gesamtdatensatz und ein anderes, das ich ohne den Ausreißer getestet habe. Letztendlich habe ich es jedoch nicht ausgeschlossen, denn wie ich bereits sagte, erfordern gute Modelle gute Datensätze, einschließlich aller Ausreißer, die eine echte Variation in einer Stichprobe darstellen.
Meg: Welche falschen Vorstellungen haben Studierende, wenn es um Statistik geht?
Teresa: Einige Studenten glauben, dass es bei der Modellierung nur darum geht, Trends in den Daten zu erzeugen. Andere finden es zu kompliziert. Sie sind zunächst nicht gut vorbereitet, aber sobald ich ihnen mehr über statistische Analysen beibringe, erkennen sie das Potenzial der Modellierung. Es kann viel Zeit und Übung erfordern, ein sehr gutes Modell zu bauen, deshalb versuche ich immer, die Schüler zu motivieren, mich Schritt für Schritt auf dieser Modellierungsreise zu begleiten! Tatsächlich hatte ich Studenten, die auch nach Abschluss des Kurses weiterhin als Model tätig waren – was für mich sehr lohnend ist.
Students in the Forest Management course at UTAD working with ModisPinasterStudents in the Forest Management course at UTAD working with ModisPinasterStudents in the Forest Management course at UTAD working with ModisPinasterStudents in the Forest Management course at UTAD working with ModisPinasterStudierende des Studiengangs Waldmanagement an der UTAD arbeiten mit ModisPinaster Meg: Das muss sein! Zweifellos hilft es, einen Professor wie Sie zu haben, dessen Leidenschaft für Statistik ansteckend ist. Und Statistik in einem angewandten Umfeld wie der Forstwissenschaft zu lernen, wo es nicht nur um reine Modellierung geht, sondern wo man die realen Anwendungen sehen kann.
Teresa: Bewerbungen sind so wichtig. Der Kurs, den ich unterrichte, basiert auf JMP , und in den ersten Vorträgen geht es um die Bedienung der Software. Sobald die Schüler mit JMP vertraut sind, beginnen sie mit der Erstellung kleiner Modelle, die in der Forstwirtschaft verwendet werden. Von da an erhöhe ich langsam den Schwierigkeitsgrad. Ich beginne beispielsweise mit der linearen Regressionsmodellierung und unterrichte am Ende des Kurses nichtlineare Modelle. Da die Themen immer schwieriger werden, ist es wichtig, dass meine Vorlesungen nicht nur theoretisch, sondern auch praktisch mit realen wissenschaftlichen Beispielen sind.
Die erste Vorlesung ist die wichtigste, denn dann wecke ich das Interesse der Studierenden an Daten. Zunächst geht es nicht um ein Interesse an der Modellierung, sondern um ein Interesse an der Datenanalyse. Ich stelle ihnen Grafiken aus meiner Recherche oder im Internet zur Verfügung und bitte sie, das Gesehene zu analysieren, ohne etwas über Statistik oder Modellierung zu wissen. Zuerst denken die Schüler vielleicht nicht, dass sie etwas sehen, aber nachdem wir darüber gesprochen haben, erkennen sie, dass sich Trends abzeichnen. (Manchmal präsentiere ich, bevor ich die Grafiken zeige, eine Buchstabensuppe, um die Schüler einzubeziehen und auch ihre Augen zu schulen.)
Eines der wichtigsten Dinge, die ich ihnen sage, ist, dass wir in Zukunft nur noch mehr Daten in wissenschaftlichen Bereichen verwenden werden. Die nächste Generation wird sich stärker auf statistische Analysen und Modellierungen verlassen als ich. Wir müssen also investieren, um künftigen Wissenschaftlern die Fähigkeiten zu vermitteln, die sie zum Bau von Modellen benötigen. Es ist unglaublich wichtig, Statistik als Teil der Wissenschaft zu fördern. Nicht nur Wissenschaft, nicht nur Datenanalyse, sondern beides.
Wir müssen die Schüler dazu anhalten, grundlegende Fähigkeiten für den Umgang mit Daten zu entwickeln – sie müssen das Potenzial der Datenanalyse verstehen, die Welt durch Entdeckungen zu vereinfachen, die zuvor nie möglich waren.
