The forest dynamics are usually explained by the precipitation and temperature through fixed effects models using ordinary least squares and geographically weighted regression methods. However, forest dynamics were found insufficiently explained by meteorological factors as the fixed effects models were not designed to account for random effects. In this study, we utilized three types of forests located in the Gulf of Mexico Coast region, including softwood, hardwood, and mixed forests to investigate the underlying forest dynamics to meteorological variations by incorporating random effects into fixed effects models. Four types of linear mixed effects models (LMMs) were developed for regressing the normalized difference of vegetation index (NDVI) against two explanatory variables: precipitation and temperature. By assuming that the intercept and slope parameters estimated from LMMs would vary randomly, we intended to explore if the amount of variation in the NDVI variables could be reduced by the use of random effects variables. The results suggested that the random intercept and random slope model fitted the data better than the random intercept model with higher R2, lower Akaike information criterion, and Bayesian information criterion values. The R2 value indicated that the explanatory power of the LMM varies between forest types. Moreover, this study revealed that a linear mixed effects model could significantly reduce the unexplained variance by introducing random effects variables, and forest dynamics is a synthetic result of the mixed effects of temperature and fixed effects of precipitation.

中文翻译：

---

应用随机效应探索与气象因素相关的墨西哥湾沿岸森林动态

森林动态通常通过使用普通最小二乘法和地理加权回归方法的固定效应模型由降水和温度来解释。然而，由于固定效应模型并未设计为考虑随机效应，因此气象因素未能充分解释森林动态。在这项研究中，我们利用位于墨西哥湾沿岸地区的三种类型的森林，包括软木、硬木和混交林，通过将随机效应纳入固定效应模型来研究潜在的森林动态对气象变化的影响。开发了四种类型的线性混合效应模型 (LMM)，用于对植被指数 (NDVI) 的归一化差异与两个解释变量进行回归：降水和温度。通过假设从 LMM 估计的截距和斜率参数会随机变化，我们打算探索是否可以通过使用随机效应变量来减少 NDVI 变量的变化量。结果表明，随机截距和随机斜率模型比具有较高R2、较低Akaike信息准则和贝叶斯信息准则值的随机截距模型更适合数据。R2 值表明 LMM 的解释力因森林类型而异。此外，本研究表明，线性混合效应模型可以通过引入随机效应变量显着降低无法解释的方差，森林动态是温度和降水固定效应混合效应的综合结果。我们打算探索是否可以通过使用随机效应变量来减少 NDVI 变量的变化量。结果表明，随机截距和随机斜率模型比具有较高R2、较低Akaike信息准则和贝叶斯信息准则值的随机截距模型更适合数据。R2 值表明 LMM 的解释力因森林类型而异。此外，本研究表明，线性混合效应模型可以通过引入随机效应变量显着降低无法解释的方差，森林动态是温度和降水固定效应混合效应的综合结果。我们打算探索是否可以通过使用随机效应变量来减少 NDVI 变量的变化量。结果表明，随机截距和随机斜率模型比具有较高R2、较低Akaike信息准则和贝叶斯信息准则值的随机截距模型更适合数据。R2 值表明 LMM 的解释力因森林类型而异。此外，本研究表明，线性混合效应模型可以通过引入随机效应变量显着降低无法解释的方差，森林动态是温度和降水固定效应混合效应的综合结果。结果表明，随机截距和随机斜率模型比具有较高R2、较低Akaike信息准则和贝叶斯信息准则值的随机截距模型更适合数据。R2 值表明 LMM 的解释力因森林类型而异。此外，本研究表明，线性混合效应模型可以通过引入随机效应变量显着降低无法解释的方差，森林动态是温度和降水固定效应混合效应的综合结果。结果表明，随机截距和随机斜率模型比具有较高R2、较低Akaike信息准则和贝叶斯信息准则值的随机截距模型更适合数据。R2 值表明 LMM 的解释力因森林类型而异。此外，本研究表明，线性混合效应模型可以通过引入随机效应变量显着降低无法解释的方差，森林动态是温度和降水固定效应混合效应的综合结果。R2 值表明 LMM 的解释力因森林类型而异。此外，本研究表明，线性混合效应模型可以通过引入随机效应变量显着降低无法解释的方差，森林动态是温度和降水固定效应混合效应的综合结果。R2 值表明 LMM 的解释力因森林类型而异。此外，本研究表明，线性混合效应模型可以通过引入随机效应变量显着降低无法解释的方差，森林动态是温度和降水固定效应混合效应的综合结果。