Nghiên cứu sinh khối và khả năng hấp thụ carbon của rừng trồng keo lai (acacia auriculiformis x acacia mangium) tại ban quản lý rừng phòng hộ xuân lộc, tỉnh đồng nai

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ NÔNG NGHIỆP VÀ PTNT TRƯỜNG ĐẠI HỌC LÂM NGHIỆP NGUYỄN TUẤN VŨ NGHIÊN CỨU SINH KHỐI VÀ KHẢ NĂNG HẤP THỤ CARBON CỦA RỪNG TRỒNG KEO LAI (Acacia auriculiformis x Acacia mangium) TẠI BAN QUẢN LÝ RỪNG PHÒNG HỘ XUÂN LỘC, TỈNH ĐỒNG NAI LUẬN VĂN THẠC SĨ QUẢN LÝ TÀI NGUYÊN RỪNG Đồng Nai, 2022 BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ NÔNG NGHIỆP VÀ PTNT TRƯỜNG ĐẠI HỌC LÂM NGHIỆP NGUYỄN TUẤN VŨ NGHIÊN CỨU SINH KHỐI VÀ KHẢ NĂNG HẤP THỤ CARBON CỦA RỪNG TRỒNG KEO LAI (Acacia auriculiformis x Acacia mangium) TẠI BAN QUẢN LÝ RỪNG PHÒNG HỘ XUÂN LỘC, TỈNH ĐỒNG NAI CHUYÊN NGÀNH: QUẢN LÝ TÀI NGUYÊN RỪNG MÃ SỐ: 862 02 11 LUẬN VĂN THẠC SĨ QUẢN LÝ TÀI NGUYÊN RỪNG NGƯỜI HƯỚNG DẪN KHOA HỌC TS TRẦN THỊ NGOAN i CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh Phúc LỜI CAM ĐOAN Tôi cam đoan công trình nghiên cứu riêng tơi Các số liệu, kết nghiên cứu luận văn trung thực chưa công bố công trình nghiên cứu khác Nếu nội dung nghiên cứu tơi trùng lặp với cơng trình nghiên cứu cơng bố, tơi xin hồn tồn chịu trách nhiệm tuân thủ kết luận đánh giá luận văn Hội đồng khoa học Đồng Nai, ngày 01 tháng năm 2022 Người cam đoan Nguyễn Tuấn Vũ ii LỜI CẢM ƠN Sau trình học tập, để có kết nghiên cứu hồn thành luận văn này, tác giả xin chân thành cảm ơn: - Ban Giám hiệu Trường Đại học Lâm nghiệp, phòng đào tạo Sau đại học, Ban Giám đốc Phân hiệu Trường Đại học Lâm nghiệp tỉnh Đồng Nai, phòng Khoa học công nghệ Hợp tác quốc tế quý thầy, cô Trường Đại học học Lâm nghiệp tạo điều kiện, truyền đạt cho kiến thức cần thiết q trình tơi học tập thực đề tài - Tôi xin gửi lời cảm ơn chân thành tình cảm tốt đẹp đến TS Trần Thị Ngoan tận tình giúp đỡ, hướng dẫn tơi q trình thực hồn thành luận văn tốt nghiệp - Xin trân trọng cảm ơn lãnh đạo toàn thể cán bộ, viên chức, người lao động quan nơi công tác tạo điều kiện, giúp đỡ trình thực luận văn - Xin trân trọng cảm ơn quý lãnh đạo Ban Quản lý rừng phịng hộ Xn Lộc, tỉnh Đồng Nai tồn thể cán bộ, nhân viên Phân trường Gia Huynh nhiệt tình giúp đỡ, tạo điều kiện, cung cấp số liệu suốt thời gian thực luận văn - Tôi xin gửi lời cảm ơn đến gia đình, người thân bạn bè ln giúp đỡ, động viên tơi suốt q trình học tập thực đề tài Trân trọng cảm ơn! Đồng Nai, ngày 01 tháng năm 2022 TÁC GIẢ iii Nguyễn Tuấn Vũ BỘ NƠNG NGHIỆP & PTNT CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC LÂM NGHIỆP Độc lập – Tự – Hạnh phúc BẢN NHẬN XÉT Của người hướng dẫn luận văn thạc sĩ Họ tên người hướng dẫn: TS Trần Thị Ngoan Họ tên học viên: Nguyễn Tuấn Vũ Chuyên ngành: Quản lý tài nguyên rừng Khóa học: 2020 - 2022 Nội dung nhận xét: Tinh thần, thái độ làm việc, ý thức tổ chức kỷ luật: Học viên có tinh thần thái độ học tập nghiêm túc, ham học hỏi Trong trình nghiên cứu, học viên xếp khoa học để hoàn thành nội dung luận văn Về lực trình độ chun mơn: Học viên có lực trình độ chun mơn tốt lĩnh vực quản lý tài nguyên rừng Học viên chủ động thu thập tài liệu liên quan lĩnh vực nghiên cứu, tiếp cận phương pháp nghiên cứu đại, tổng hợp phân tích số liệu khoa học tin cậy Về trình thực đề tài kết luận văn: iv Học viên chủ động, tích cực thu thập xử lý số liệu, viết báo cáo, hoàn thành nội dung theo tiến độ Kết nghiên cứu luận văn đáp ứng mục tiêu đề tài Kết cấu bố cụ logic, đảm bảo khoa học Số liệu thu thập phong phú, phương pháp xử lý số liệu khoa học Nhìn chung, đóng góp có giá trị mặt lý luận thực tiễn Đồng ý cho học viên bảo vệ luận văn trước Hội đồng: Có Đồng Nai, ngày 01 tháng năm 2022 Người nhận xét v MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii BẢN NHẬN XÉT iii MỤC LỤC v DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT viii DANH MỤC BẢNG BIỂU x DANH MỤC HÌNH ẢNH xii MỞ ĐẦU 1 Tính cấp thiết đề tài Ý nghĩa đề tài CHƯƠNG 1: TỔNG QUAN 1.1 Ý nghĩa thống kê sinh khối dự trữ carbon rừng 1.2 Những nghiên cứu sinh khối khả hấp thụ Carbon rừng 1.2.1 Trên giới 1.2.2 Ở Việt Nam 10 1.3 Thảo luận chung 14 CHƯƠNG 2: ĐỐI TƯỢNG, PHẠM VI, MỤC TIÊU, NỘI DUNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU 16 2.1 Đối tượng nghiên cứu 16 2.2 Phạm vi nghiên cứu 16 2.2.1 Phạm vi nội dung 16 2.2.2 Phạm vi không gian 16 2.3 Mục tiêu nghiên cứu 16 2.3.1 Mục tiêu tổng quát 16 2.3.2 Mục tiêu cụ thể 16 2.4 Nội dung phương pháp nghiên cứu 17 2.4.1 Nội dung nghiên cứu 17 2.4.1.1 Sinh khối tích lũy carbon cá thể Keo lai 17 vi 2.4.1.2 Sinh khối lâm phần Keo lai 17 2.4.1.3 Sự tích lũy carbon hấp thụ CO2 lâm phần Keo lai 17 2.4.2 Phương pháp nghiên cứu 17 2.4.2.1 Phương pháp luận 17 2.4.2.2 Phương pháp thu thập số liệu 18 2.4.2.3 Phương pháp xử lý số liệu 20 2.4.2.4 Công cụ xử lý số liệu 23 CHƯƠNG 3: ĐIỀU KIỆN TỰ NHIÊN KHU VỰC NGHIÊN CỨU 24 3.1 Đặc điểm điều kiện tự nhiên 24 3.1.1 Vị trí địa lý, địa hình 24 3.1.2 Khí hậu 24 3.1.3 Thủy văn 26 3.1.4 Địa chất thổ nhưỡng 27 3.2 Dân sinh, kinh tế, xã hội 28 3.2.1 Dân số, dân tộc, lao động 28 3.2.2 Kinh tế 30 3.2.3 Xã hội 31 3.3 Hiện trạng sử dụng đất 32 3.4 Hiện trạng tài nguyên rừng 33 3.4.1 Hiện trạng diện tích, trạng thái, chất lượng loại rừng thuộc phạm vi quản lý chủ rừng 33 3.4.2 Tổng trữ lượng, trữ lượng bình quân loại rừng 36 CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN 38 4.1 Sinh khối tích lũy carbon cá thể Keo lai 38 4.1.1 Kết cấu sinh khối cá thể Keo lai 38 4.1.1.1 Kết cấu sinh khối tươi cá thể Keo lai 38 4.1.1.2 Kết cấu sinh khối khô cá thể Keo lai 41 4.1.2 Tích lũy carbon cá thể Keo lai 44 4.1.3 Những hàm ước lượng sinh khối khô cá thể Keo lai với nhân tố điều tra 46 vii 4.1.3.1 Những hàm ước lượng tổng sinh khối khô cá thể Keo lai 46 4.1.3.2 Những hàm ước lượng sinh khối khô thân cá thể Keo lai 48 4.1.3.3 Những hàm ước lượng sinh khối cành khô cá thể Keo lai 50 4.1.3.4 Những hàm ước lượng sinh khối khô cá thể Keo lai 52 4.1.3.5 Những hàm ước lượng sinh khối khô cành Keo lai 54 4.1.3.6 Tương quan sinh khối khô với sinh khối tươi cá thể Keo lai 56 4.1.3.7 Kiểm nghiệm hàm ước lượng sinh khối cá thể Keo lai 58 4.2 Sinh khối khô lâm phần rừng trồng Keo lai 59 4.2.1 Sinh khối khô tầng gỗ rừng trồng Keo lai 59 4.2.2 Sinh khối khô bụi thảm tươi vật rơi rụng tán rừng trồng Keo lai 61 4.2.3 Sinh khối khô lâm phần Keo lai 62 4.2.4 Những hàm ước lượng sinh khối khơ tồn lâm phần Keo lai với nhân tố điều tra 64 4.3 Sự tích lũy carbon hấp thụ CO2 lâm phần Keo lai 66 4.3.1 Trữ lượng carbon lâm phần Keo lai 66 4.3.2 Sự hấp thụ dioxit carbon lâm phần Keo lai 67 4.3.3 Lượng hóa giá trị hấp thụ CO2 lâm phần Keo lai 68 KẾT LUẬN VÀ KIẾN NGHỊ 71 Kết luận 71 Kiến nghị 72 TÀI LIỆU THAM KHẢO PHỤ LỤC viii DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT CÁC KÝ HIỆU BK-C Sinh khối cành khô vỏ (Kg) BK-CL Sinh khối cành khô (Kg) BK-L Sinh khối khô (Kg) BK-T Sinh khối thân khô vỏ (Kg) BK-T0 Tổng sinh khối khô mặt đất (Kg) BT-C Sinh khối cành tươi vỏ (Kg) BT-CL Sinh khối cành tươi (Kg) BT-L Sinh khối tươi (Kg) BT-T Sinh khối thân tươi vỏ (Kg) BT-T0 Tổng sinh khối tươi mặt đất (Kg) D1.3 Đường kính vị trí 1.3m thân (cm) f Hình số G Tiết diện ngang (m2) H Chiều cao (m) MAE Sai số trung bình tuyệt đối (Kg) M Trữ lượng (m3) N Số (Cây/ha) R2 Phương sai bình phương (%) SEE Sai số chuẩn giá trị ước tính SSR Số dư Estimation stopped due to convergence of parameter estimates Number of iterations: 18 Number of function calls: 68 Estimation Results Asymptotic 95.0% Asymptotic Confidence Interval Parameter Estimate Standard Error Lower Upper a 0.321175 0.0563945 0.20422 0.438131 b 1.08037 0.0475977 0.981659 1.17908 Analysis of Variance Source Sum of Squares Df Mean Square Model 3453.41 1726.71 Residual 17.9268 22 0.814853 Total 3471.34 24 Total (Corr.) 554.125 23 R-Squared = 96.7649 percent R-Squared (adjusted for d.f.) = 96.6178 percent Standard Error of Est = 0.902692 Mean absolute error = 0.655579 Durbin-Watson statistic = 1.48168 Lag residual autocorrelation = 0.244959 Residual Analysis Estimation n 24 MSE 0.814853 MAE 0.655579 MAPE 6.7898 ME -0.0136431 MPE -1.2072 Validation The StatAdvisor The output shows the results of fitting a nonlinear regression model to describe the relationship between BKcanhla and independent variables The equation of the fitted model is BKcanhla = 0.321175*BTcanhla^1.08037 In performing the fit, the estimation process terminated successully after 18 iterations, at which point the residual sum of squares appeared to approach a minimum Phụ lục 9.4: HÀM CÀNH SINH KHỐI KHÔ VỚI SINH KHỐI TƯƠI Simple Regression - BKcanh vs BTcanh Dependent variable: BKcanh Independent variable: BTcanh Linear model: Y = a + b*X Coefficients Least Squares Standard T Parameter Estimate Error Statistic P-Value Intercept -0.503724 0.362645 -1.38903 0.1787 Slope 0.491649 0.0189814 25.9017 0.0000 Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 337.511 337.511 670.90 0.0000 Residual 11.0676 22 0.503074 Total (Corr.) 348.578 23 Correlation Coefficient = 0.983997 R-squared = 96.8249 percent R-squared (adjusted for d.f.) = 96.6806 percent Standard Error of Est = 0.709277 Mean absolute error = 0.489518 Durbin-Watson statistic = 1.47039 (P=0.0667) Lag residual autocorrelation = 0.257043 The StatAdvisor The output shows the results of fitting a linear model to describe the relationship between BKcanh and BTcanh The equation of the fitted model is BKcanh = -0.503724 + 0.491649*BTcanh Since the P-value in the ANOVA table is less than 0.05, there is a statistically significant relationship between BKcanh and BTcanh at the 95.0% confidence level The R-Squared statistic indicates that the model as fitted explains 96.8249% of the variability in BKcanh The correlation coefficient equals 0.983997, indicating a relatively strong relationship between the variables The standard error of the estimate shows the standard deviation of the residuals to be 0.709277 This value can be used to construct prediction limits for new observations by selecting the Forecasts option from the text menu The mean absolute error (MAE) of 0.489518 is the average value of the residuals The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file Since the P-value is greater than 0.05, there is no indication of serial autocorrelation in the residuals at the 95.0% confidence level Nonlinear Regression - BKcanh Dependent variable: BKcanh Independent variables: BTcanh Function to be estimated: a*BTcanh^b Initial parameter estimates: a = 0.1 b = 0.1 Estimation method: Marquardt Estimation stopped due to convergence of residual sum of squares Number of iterations: Number of function calls: 30 Estimation Results Asymptotic 95.0% Asymptotic Confidence Interval Parameter Estimate Standard Error Lower Upper a 0.386835 0.0619997 0.258255 0.515415 b 1.06098 0.0511195 0.954968 1.167 Analysis of Variance Source Sum of Squares Df Mean Square Model 1915.19 957.593 Residual 11.2742 22 0.512466 Total 1926.46 24 Total (Corr.) 348.578 23 R-Squared = 96.7657 percent R-Squared (adjusted for d.f.) = 96.6186 percent Standard Error of Est = 0.715867 Mean absolute error = 0.494945 Durbin-Watson statistic = 1.44825 Lag residual autocorrelation = 0.266798 Residual Analysis Estimation n 24 Validation MSE 0.512466 MAE 0.494945 MAPE 6.48924 ME -0.0111754 MPE -1.24556 The StatAdvisor The output shows the results of fitting a nonlinear regression model to describe the relationship between BKcanh and independent variables The equation of the fitted model is BKcanh = 0.386835*BTcanh^1.06098 In performing the fit, the estimation process terminated successully after iterations, at which point the estimated coefficients appeared to converge to the current estimates Phụ lục 9.5: HÀM LÁ SINH KHỐI KHÔ VỚI SINH KHỐI TƯƠI Simple Regression - BKla vs BTla Dependent variable: BKla Independent variable: BTla Linear model: Y = a + b*X Coefficients Least Squares Standard T Parameter Estimate Error Statistic P-Value Intercept -0.206987 0.186268 -1.11123 0.2785 Slope 0.356786 0.0198046 18.0153 0.0000 Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 35.4562 35.4562 324.55 0.0000 Residual 2.40343 22 0.109247 Total (Corr.) 37.8596 23 Correlation Coefficient = 0.967738 R-squared = 93.6517 percent R-squared (adjusted for d.f.) = 93.3632 percent Standard Error of Est = 0.330525 Mean absolute error = 0.249722 Durbin-Watson statistic = 2.55903 (P=0.8970) Lag residual autocorrelation = -0.295533 The StatAdvisor The output shows the results of fitting a linear model to describe the relationship between BKla and BTla The equation of the fitted model is BKla = -0.206987 + 0.356786*BTla Since the P-value in the ANOVA table is less than 0.05, there is a statistically significant relationship between BKla and BTla at the 95.0% confidence level The R-Squared statistic indicates that the model as fitted explains 93.6517% of the variability in BKla The correlation coefficient equals 0.967738, indicating a relatively strong relationship between the variables The standard error of the estimate shows the standard deviation of the residuals to be 0.330525 This value can be used to construct prediction limits for new observations by selecting the Forecasts option from the text menu Nonlinear Regression - BKla Dependent variable: BKla Independent variables: BTla Function to be estimated: a*BTla^b Initial parameter estimates: a = 0.1 b = 0.1 Estimation method: Marquardt Estimation stopped due to convergence of parameter estimates Number of iterations: Number of function calls: 29 Estimation Results Asymptotic 95.0% Asymptotic Confidence Interval Parameter Estimate Standard Error Lower Upper a 0.280481 0.0455998 0.185913 0.37505 b 1.07641 0.0674741 0.936477 1.21634 Analysis of Variance Source Sum of Squares Df Mean Square Model 240.215 120.107 Residual 2.3953 22 0.108877 Total 242.61 24 Total (Corr.) 37.8596 23 R-Squared = 93.6732 percent R-Squared (adjusted for d.f.) = 93.3856 percent Standard Error of Est = 0.329966 Mean absolute error = 0.250379 Durbin-Watson statistic = 2.50115 Lag residual autocorrelation = -0.267646 Residual Analysis Estimation n 24 MSE 0.108877 MAE 0.250379 MAPE 9.37434 ME 0.000230021 MPE -1.25404 Validation The StatAdvisor The output shows the results of fitting a nonlinear regression model to describe the relationship between BKla and independent variables The equation of the fitted model is BKla = 0.280481*BTla^1.07641 In performing the fit, the estimation process terminated successully after iterations, at which point the residual sum of squares appeared to approach a minimum PHỤ LỤC 10 KẾT QUẢ HÀM SINH KHỐI LÂM PHẦN RỪNG KEO LAI Multiple Regression - log(Blp) Dependent variable: log(Blp) Independent variables: log(D) log(H) Standard T Parameter Estimate Error Statistic P-Value CONSTANT 0.173997 0.81935 0.212361 0.8668 log(D) 2.33305 2.01318 1.15889 0.4532 log(H) -0.51711 1.97841 -0.261377 0.8372 Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 0.64138 0.32069 60.04 0.0897 Residual 0.00534125 0.00534125 Total (Corr.) 0.646721 R-squared = 99.1741 percent R-squared (adjusted for d.f.) = 97.5223 percent Standard Error of Est = 0.0730839 Mean absolute error = 0.0362853 Durbin-Watson statistic = 2.01088 Lag residual autocorrelation = -0.256148 The StatAdvisor The output shows the results of fitting a multiple linear regression model to describe the relationship between log(Blp) and independent variables The equation of the fitted model is log(Blp) = 0.173997 + 2.33305*log(D) - 0.51711*log(H) Since the P-value in the ANOVA table is greater or equal to 0.05, there is not a statistically significant relationship between the variables at the 95.0% or higher confidence level The R-Squared statistic indicates that the model as fitted explains 99.1741% of the variability in log(Blp) The adjusted R-squared statistic, which is more suitable for comparing models with different numbers of independent variables, is 97.5223% The standard error of the estimate shows the standard deviation of the residuals to be 0.0730839 This value can be used to construct prediction limits for new observations by selecting the Reports option from the text menu The mean absolute error (MAE) of 0.0362853 is the average value of the residuals The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file In determining whether the model can be simplified, notice that the highest P-value on the independent variables is 0.8372, belonging to log(H) Since the P-value is greater or equal to 0.05, that term is not statistically significant at the 95.0% or higher confidence level Consequently, you should consider removing log(H) from the model Multiple Regression - log(Blp) Dependent variable: log(Blp) Independent variables: log(D) log(A) Standard T Parameter Estimate Error Statistic P-Value CONSTANT 1.01867 0.0170737 59.663 0.0107 log(D) 0.990234 0.0127995 77.3649 0.0082 log(A) 0.540101 0.00826929 65.3141 0.0097 Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 0.64672 0.32336 241800.98 0.0014 Residual 0.0000013373 0.0000013373 Total (Corr.) 0.646721 R-squared = 99.9998 percent R-squared (adjusted for d.f.) = 99.9994 percent Standard Error of Est = 0.00115642 Mean absolute error = 0.000498452 Durbin-Watson statistic = 3.3375 Lag residual autocorrelation = -0.713445 The StatAdvisor The output shows the results of fitting a multiple linear regression model to describe the relationship between log(Blp) and independent variables The equation of the fitted model is log(Blp) = 1.01867 + 0.990234*log(D) + 0.540101*log(A) Since the P-value in the ANOVA table is less than 0.05, there is a statistically significant relationship between the variables at the 95.0% confidence level The R-Squared statistic indicates that the model as fitted explains 99.9998% of the variability in log(Blp) The adjusted R-squared statistic, which is more suitable for comparing models with different numbers of independent variables, is 99.9994% The standard error of the estimate shows the standard deviation of the residuals to be 0.00115642 This value can be used to construct prediction limits for new observations by selecting the Reports option from the text menu The mean absolute error (MAE) of 0.000498452 is the average value of the residuals The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file In determining whether the model can be simplified, notice that the highest P-value on the independent variables is 0.0097, belonging to log(A) Since the P-value is less than 0.05, that term is statistically significant at the 95.0% confidence level Consequently, you probably don't want to remove any variables from the model Multiple Regression - log(Blp) Dependent variable: log(Blp) Independent variables: log(H) log(A) Standard T Parameter Estimate Error Statistic P-Value CONSTANT 0.980386 0.456866 2.14589 0.2776 log(H) 0.78966 0.266023 2.96838 0.2069 log(A) 0.662216 0.174889 3.7865 0.1644 Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 0.645905 0.322953 395.80 0.0350 Residual 0.000815947 0.000815947 Total (Corr.) 0.646721 R-squared = 99.8738 percent R-squared (adjusted for d.f.) = 99.6215 percent Standard Error of Est = 0.0285648 Mean absolute error = 0.0120672 Durbin-Watson statistic = 3.02197 Lag residual autocorrelation = -0.589947 The StatAdvisor The output shows the results of fitting a multiple linear regression model to describe the relationship between log(Blp) and independent variables The equation of the fitted model is log(Blp) = 0.980386 + 0.78966*log(H) + 0.662216*log(A) Since the P-value in the ANOVA table is less than 0.05, there is a statistically significant relationship between the variables at the 95.0% confidence level The R-Squared statistic indicates that the model as fitted explains 99.8738% of the variability in log(Blp) The adjusted R-squared statistic, which is more suitable for comparing models with different numbers of independent variables, is 99.6215% The standard error of the estimate shows the standard deviation of the residuals to be 0.0285648 This value can be used to construct prediction limits for new observations by selecting the Reports option from the text menu The mean absolute error (MAE) of 0.0120672 is the average value of the residuals The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file In determining whether the model can be simplified, notice that the highest P-value on the independent variables is 0.2069, belonging to log(H) Since the P-value is greater or equal to 0.05, that term is not statistically significant at the 95.0% or higher confidence level Consequently, you should consider removing log(H) from the model Multiple Regression - log(Blp) Dependent variable: log(Blp) Independent variables: log(A) log(N) Standard T Parameter Estimate Error Statistic P-Value CONSTANT 4.64809 47.544 0.0977638 0.9380 log(A) 1.02718 2.84049 0.361619 0.7791 log(N) -0.282391 5.75588 -0.0490614 0.9688 Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 0.638735 0.319368 39.99 0.1096 Residual 0.00798629 0.00798629 Total (Corr.) 0.646721 R-squared = 98.7651 percent R-squared (adjusted for d.f.) = 96.2953 percent Standard Error of Est = 0.089366 Mean absolute error = 0.0438556 Durbin-Watson statistic = 2.01187 Lag residual autocorrelation = -0.260764 The StatAdvisor The output shows the results of fitting a multiple linear regression model to describe the relationship between log(Blp) and independent variables The equation of the fitted model is log(Blp) = 4.64809 + 1.02718*log(A) - 0.282391*log(N) Since the P-value in the ANOVA table is greater or equal to 0.05, there is not a statistically significant relationship between the variables at the 95.0% or higher confidence level The R-Squared statistic indicates that the model as fitted explains 98.7651% of the variability in log(Blp) The adjusted R-squared statistic, which is more suitable for comparing models with different numbers of independent variables, is 96.2953% The standard error of the estimate shows the standard deviation of the residuals to be 0.089366 This value can be used to construct prediction limits for new observations by selecting the Reports option from the text menu The mean absolute error (MAE) of 0.0438556 is the average value of the residuals The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file In determining whether the model can be simplified, notice that the highest P-value on the independent variables is 0.9688, belonging to log(N) Since the P-value is greater or equal to 0.05, that term is not statistically significant at the 95.0% or higher confidence level Consequently, you should consider removing log(N) from the model Multiple Regression - log(Blp) Dependent variable: log(Blp) Independent variables: log(D) log(N) Standard T Parameter Estimate Error Statistic P-Value CONSTANT 9.68603 2.04624 4.73358 0.1325 log(D) 1.02105 0.169732 6.01568 0.1049 log(N) -1.05397 0.222206 -4.74322 0.1323 Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 0.646479 0.323239 1331.11 0.0191 Residual 0.000242835 0.000242835 Total (Corr.) 0.646721 R-squared = 99.9625 percent R-squared (adjusted for d.f.) = 99.8874 percent Standard Error of Est = 0.0155832 Mean absolute error = 0.00675262 Durbin-Watson statistic = 3.3652 Lag residual autocorrelation = -0.717435 The StatAdvisor The output shows the results of fitting a multiple linear regression model to describe the relationship between log(Blp) and independent variables The equation of the fitted model is log(Blp) = 9.68603 + 1.02105*log(D) - 1.05397*log(N) Since the P-value in the ANOVA table is less than 0.05, there is a statistically significant relationship between the variables at the 95.0% confidence level The R-Squared statistic indicates that the model as fitted explains 99.9625% of the variability in log(Blp) The adjusted R-squared statistic, which is more suitable for comparing models with different numbers of independent variables, is 99.8874% The standard error of the estimate shows the standard deviation of the residuals to be 0.0155832 This value can be used to construct prediction limits for new observations by selecting the Reports option from the text menu The mean absolute error (MAE) of 0.00675262 is the average value of the residuals The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file In determining whether the model can be simplified, notice that the highest P-value on the independent variables is 0.1323, belonging to log(N) Since the P-value is greater or equal to 0.05, that term is not statistically significant at the 95.0% or higher confidence level Consequently, you should consider removing log(N) from the model Multiple Regression - log(Blp) Dependent variable: log(Blp) Independent variables: log(H) log(N) Standard T Parameter Estimate Error Statistic P-Value CONSTANT 11.8637 6.00774 1.97473 0.2984 log(H) 0.802975 0.476722 1.68437 0.3411 log(N) -1.31959 0.635074 -2.07785 0.2856 Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 0.644368 0.322184 136.90 0.0595 Residual 0.00235351 0.00235351 Total (Corr.) 0.646721 R-squared = 99.6361 percent R-squared (adjusted for d.f.) = 98.9083 percent Standard Error of Est = 0.048513 Mean absolute error = 0.0197246 Durbin-Watson statistic = 3.19281 Lag residual autocorrelation = -0.640898 The StatAdvisor The output shows the results of fitting a multiple linear regression model to describe the relationship between log(Blp) and independent variables The equation of the fitted model is log(Blp) = 11.8637 + 0.802975*log(H) - 1.31959*log(N) Since the P-value in the ANOVA table is greater or equal to 0.05, there is not a statistically significant relationship between the variables at the 95.0% or higher confidence level The R-Squared statistic indicates that the model as fitted explains 99.6361% of the variability in log(Blp) The adjusted R-squared statistic, which is more suitable for comparing models with different numbers of independent variables, is 98.9083% The standard error of the estimate shows the standard deviation of the residuals to be 0.048513 This value can be used to construct prediction limits for new observations by selecting the Reports option from the text menu The mean absolute error (MAE) of 0.0197246 is the average value of the residuals The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file In determining whether the model can be simplified, notice that the highest P-value on the independent variables is 0.3411, belonging to log(H) Since the P-value is greater or equal to 0.05, that term is not statistically significant at the 95.0% or higher confidence level Consequently, you should consider removing log(H) from the model PHỤ LỤC 11 MỘT SỐ HÌNH ẢNH ĐIỀU TRA VÀ PHÂN TÍCH MẪU