Forest yield prediction under different climate change scenarios using data intelligent models in Pakistan

Abstract This study aimed to develop and evaluate data driven models for prediction of forest yield under different climate change scenarios in the Gallies forest division of district Abbottabad, Pakistan. The Random Forest (RF) and Kernel Ridge Regression (KRR) models were developed and evaluated using yield data of two species (Blue pine and Silver fir) as an objective variable and climate data (temperature, humidity, rainfall and wind speed) as predictive variables. Prediction accuracy of both the models were assessed by means of root mean squared error (RMSE), mean absolute error (MAE), correlation coefficient (r), relative root mean squared error (RRMSE), Legates-McCabes (LM), Willmotts index (WI) and Nash-Sutcliffe (NSE) metrics. Overall, the RF model outperformed the KRR model due to its higher accuracy in forecasting of forest yield. The study strongly recommends that RF model should be applied in other regions of the country for prediction of forest growth and yield, which may help in the management and future planning of forest productivity in Pakistan.

Resumo Este estudo teve como objetivo desenvolver e avaliar modelos baseados em dados para previsão da produção florestal em diferentes cenários de mudanças climáticas na divisão florestal Gallies do distrito de Abbottabad, Paquistão. Os modelos Random Forest (RF) e Kernel Ridge Regression (KRR) foram desenvolvidos e avaliados usando dados de produção de duas espécies (pinheiro-azul e abeto-prateado) como uma variável objetiva e dados climáticos (temperatura, umidade, precipitação e velocidade do vento) como preditivos variáveis. A precisão da previsão de ambos os modelos foi avaliada por meio de erro quadrático médio (RMSE), erro absoluto médio (MAE), coeficiente de correlação (r), erro quadrático médio relativo (RRMSE), Legates-McCabes (LM), índice de Willmott (WI) e métricas Nash-Sutcliffe (NSE). No geral, o modelo RF superou o modelo KRR devido à sua maior precisão na previsão do rendimento florestal. O estudo recomenda fortemente que o modelo RF seja aplicado em outras regiões do país para previsão do crescimento e produtividade florestal, o que pode ajudar no manejo e planejamento futuro da produtividade florestal no Paquistão.

Forest yield prediction under different climate change scenarios using data intelligent models in Pakistan / Previsão de produção florestal em diferentes cenários de mudanças climáticas usando modelos inteligentes de dados no Paquistão

Abstract This study aimed to develop and evaluate data driven models for prediction of forest yield under different climate change scenarios in the Gallies forest division of district Abbottabad, Pakistan. The Random Forest (RF) and Kernel Ridge Regression (KRR) models were developed and evaluated using yield data of two species (Blue pine and Silver fir) as an objective variable and climate data (temperature, humidity, rainfall and wind speed) as predictive variables. Prediction accuracy of both the models were assessed by means of root mean squared error (RMSE), mean absolute error (MAE), correlation coefficient (r), relative root mean squared error (RRMSE), Legates-McCabe's (LM), Willmott's index (WI) and Nash-Sutcliffe (NSE) metrics. Overall, the RF model outperformed the KRR model due to its higher accuracy in forecasting of forest yield. The study strongly recommends that RF model should be applied in other regions of the country for prediction of forest growth and yield, which may help in the management and future planning of forest productivity in Pakistan.

Resumo Este estudo teve como objetivo desenvolver e avaliar modelos baseados em dados para previsão da produção florestal em diferentes cenários de mudanças climáticas na divisão florestal Gallies do distrito de Abbottabad, Paquistão. Os modelos Random Forest (RF) e Kernel Ridge Regression (KRR) foram desenvolvidos e avaliados usando dados de produção de duas espécies (pinheiro-azul e abeto-prateado) como uma variável objetiva e dados climáticos (temperatura, umidade, precipitação e velocidade do vento) como preditivos variáveis. A precisão da previsão de ambos os modelos foi avaliada por meio de erro quadrático médio (RMSE), erro absoluto médio (MAE), coeficiente de correlação (r), erro quadrático médio relativo (RRMSE), Legates-McCabe's (LM), índice de Willmott (WI) e métricas Nash-Sutcliffe (NSE). No geral, o modelo RF superou o modelo KRR devido à sua maior precisão na previsão do rendimento florestal. O estudo recomenda fortemente que o modelo RF seja aplicado em outras regiões do país para previsão do crescimento e produtividade florestal, o que pode ajudar no manejo e planejamento futuro da produtividade florestal no Paquistão.