Development of the BN modelNetica s

Development of the BN model

Netica software version 3.25 was used to construct the BN
model. The graphical structure of a BN is a map of causal
dependence and independence among variables. The causal
dependencies among reforestation success indicators and drivers
were determined from statistical analysis conducted on data collected from reforestation projects in the study area (Le et al., 2014).
In order to keep the BN model as simple as possible, only those
drivers that were identified in the statistical analysis as being significantly related to reforestation success indicators were included.
The states (categories) of variables included in the BN were
determined in two ways (Online Appendix 2). First, for discrete
variables, states were based on those categories used in the data
collection interviews or field surveys (e.g. was grazing management
applied at the reforestation site? Yes or No). Second, for continuous
variables, states were based on previously established cut-offs (e.g.
the requirement in the Philippines is that after 1 year of planting,
reforestation projects must obtain a minimum threshold of 80% tree
survival in order to be eligible for CBFMA tree planting payments),
or statistical cut-offs (e.g. the median elevation of surveyed reforestation sites was 204 m), or cut-offs estimated by local forestry
experts (e.g. MAI of tree volume for trees with DBH ≥5 cm is considered low if less than 20 m3 ha−1 yr−1, and high if greater than or
equal to 20 m3 ha−1 yr−1).
To parameterise the BN model (populate the conditional
probability tables for variables), we used Netica’s default counting-
learning algorithm (Spiegelhalter et al., 1993). The data used for
parameter learning was the raw interview and field survey data
collected from the 43 reforestation projects in the study area

Kết quả (Việt) 1:

Sự phát triển của các mô hình BNNetica Phiên bản phần mềm 3,25 được sử dụng để xây dựng BN Mô hình. Cấu trúc đồ họa của một BN là một bản đồ của causal sự phụ thuộc và độc lập giữa các biến. Causal quan hệ phụ thuộc giữa các trồng thành công các chỉ số và các trình điều khiển đã được xác định từ phân tích thống kê được tiến hành trên dữ liệu thu thập từ các dự án trồng rừng ở khu vực nghiên cứu (Le và ctv., năm 2014). Để giữ cho các mô hình BN càng đơn giản càng tốt, chỉ có những trình điều khiển đã được xác định trong các phân tích thống kê như một cách đáng kể liên quan đến trồng thành công các chỉ số được đính kèm.Các tiểu bang (loại) của các biến được bao gồm trong BN xác định theo hai cách (trực tuyến phụ lục 2). Đầu tiên, cho rời rạc biến, Kỳ đã dựa trên các loại được sử dụng trong các dữ liệu bộ sưu tập các cuộc phỏng vấn hoặc lĩnh vực khảo sát (ví dụ như chăn thả quản lý áp dụng tại địa điểm trồng? Yes or No). Thứ hai, cho liên tục biến, kỳ dựa trên cut-offs được thành lập trước đó (ví dụ: Các yêu cầu tại Việt Nam là sau 1 năm trồng, dự án trồng rừng phải có được một ngưỡng tối thiểu 80% cây sự sống còn để đủ điều kiện cho CBFMA cây trồng thanh toán), hoặc thống kê cut-offs (ví dụ như độ cao trung bình của các trang web khảo sát trồng rừng là 204 m), hoặc cắt-offs theo ước tính của địa phương lâm Các chuyên gia (ví dụ: MAI lượng cây cho cây với DBH ≥5 cm được coi là thấp khi chưa đầy 20 m3 ha−1 yr−1, và cao nếu lớn hơn hoặc bằng 20 m3 ha−1 yr−1).Để parameterise các mô hình BN (cư sự có điều kiện xác suất bảng cho các biến), chúng tôi sử dụng mặc định của Netica đếm -học thuật toán (Spiegelhalter và ctv., 1993). Dữ liệu được sử dụng cho tham số học là nguyên cuộc phỏng vấn và dữ liệu khảo sát trường thu thập từ các dự án trồng rừng 43 trong lĩnh vực nghiên cứu

Kết quả (Việt) 2:

Sự phát triển của BN mô hình

phiên bản phần mềm Netica 3,25 đã được sử dụng để xây dựng các BN
mô hình. Các cấu trúc đồ họa của một BN là một bản đồ của nhân quả
phụ thuộc và độc lập giữa các biến. Các nguyên nhân
phụ thuộc giữa chỉ số thành công trồng rừng và trình điều khiển
đã được xác định từ phân tích thống kê được thực hiện trên dữ liệu thu thập được từ các dự án trồng rừng tại khu vực nghiên cứu (Le et al., 2014).
Để giữ cho các mô hình BN đơn giản như có thể, chỉ có những
trình điều khiển đã được xác định trong phân tích thống kê như là liên quan đáng kể đến chỉ số thành công trồng rừng đã được bao gồm.
các bang (loại) của các biến trong các BN được
xác định theo hai cách (online Phụ lục 2). Đầu tiên, cho rời rạc
biến, tiểu bang này được dựa trên những loại được sử dụng trong các dữ liệu
các cuộc phỏng vấn thu thập, khảo sát thực địa (ví dụ như được chăn thả quản lý
áp dụng tại địa điểm trồng rừng? Có hoặc Không). Thứ hai, với liên tục
biến, tiểu bang này được dựa trên thiết lập trước đó cut-off (ví dụ như
yêu cầu ở Philippines là sau 1 năm trồng cây,
dự án trồng rừng phải có một ngưỡng tối thiểu là 80% cây
sống sót để có đủ điều kiện cho cây CBFMA thanh toán trồng),
hay thống kê cut-off (ví dụ như độ cao trung bình của các trang web trồng rừng khảo sát là 204 m), hoặc cắt-off ước tính của lâm nghiệp địa phương
chuyên gia (ví dụ MAI khối lượng cây cho cây có đường kính ≥5 cm được coi là thấp nếu ít hơn 20 m3 ha-1 năm-1, và cao nếu lớn hơn hoặc
bằng 20 m3 ha-1 năm-1).
để parameterise mô hình BN (cư có điều kiện
bảng xác suất cho các biến), chúng tôi sử dụng counting- mặc định Netica của
học tập thuật toán (Spiegelhalter et al., 1993). Dữ liệu sử dụng cho
học tập tham số là phỏng vấn và khảo sát thực tế nguyên liệu
thu thập từ 43 dự án trồng rừng tại khu vực nghiên cứu