基于分位数回归法的杉木可变指数削度方程构建

  目的  采用非线性分位数回归法构建不同分位点的杉木可变指数削度方程,与非线性模型进行比较,以提高杉木干形的预测精度。  方法  利用福建省将乐国有林场的73 株（793组）杉木解析木数据,选取4个可变指数削度方程,基于5折交叉验证,分别采用非线性分位数回归与非线性回归构建削度方程。选用调整后决定系数（R2）、均方根误差（RMSE）、平均误差（ME）、相对误差（RE）和平均绝对误差（MAE）5个模型评价指标,结合图形对各模型的拟合结果和预测结果进行评价。  结果  （1）4个可变指数削度方程在5个分位点（t = 0.1, 0.3, 0.5, 0.7, 0.9）处均能收敛,说明分位数回归可以建立不同分位点的估测模型,能更全面地描述杉木干形的变化。（2）4个削度方程在分位点为0.5处的精度最高,R2均在0.97左右。对于削度方程M1和M3,基于中位数回归（t = 0.5）的拟合精度与预测精度均高于非线性回归,且M1的预测值更加集中。（3）在不同分位点下,各模型对树干不同位置的预测精度不同,分位值为0.9和0.3的模型分别对梢头部分和树干基部的预测精度最高。  结论  基于分位数回归的可变指数削度方程不仅能精确预测平均条件下杉木的树干直径,而且能预测任意分位条件下杉木干形的变化趋势。不同分位点模型对树干不同位置的预测精度不同,基于M1削度方程,建立多分位点回归模型能进一步提高研究区杉木干形的预测精度。      

2020-02ml 目录

目的采用非线性分位数回归方法构建樟子松树干削度方程，并对比分析9个分位数（τ = 0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9）模型和传统的非线性回归削度方程的预测精度。方法以七台河市林业局金沙林场154株人工樟子松干形数据为研究对象，选取简单削度方程、分段削度方程和可变指数削度方程，利用非线性回归和非线性分位数回归方法构建樟子松树干削度方程。采用确定系数（R2）、平均误差（MAB）、相对误差（MPB）、均方根误差（RMSE）为统计指标对构建的削度方程进行对比分析。结果（1）在9个分位点（τ = 0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9）下的各削度方程都可以收敛，分位数回归方法可以灵活预测各分位点树干曲线的变化。（2）与非线性回归相比，基于中位数（τ = 0.5）时的各削度方程在拟合过程中表现最好，其中以可变指数削度方程表现最优。（3）检验结果也表明:相对于非线性回归的各削度方程，基于中位数（τ = 0.5）的简单削度模型的MAB和MPB均下降26.7%，RMSE下降19.9%；基于中位数（τ = 0.5）的分段削度方程和可变指数方程预测能力较强。（4）中位数回归的各削度方程在树干大部分的预测能力都优于相应的非线性削度方程。结论分位数回归方法是一种稳健的建模方式，基于中位数（τ = 0.5）的可变指数削度方程的预测精度最高，适合该区域樟子松树干干形的预测。      

人工杉木林单株径阶材种出材率表的编制

对树干开展削度方程的研究,既有利于基础性工作的需要,也是编制出材量和出材率表的需要。选择人工杉木林作为对象,用1 389株伐倒样木数据,通过干形分析和多指标比较,选定能拟合树干任意直径限处的材长、任意高度处的直径的最佳削度方程;通过计算机理论造材,编制出杉木单株径阶材种出材率表。该方法提高了材种数表的精度和可靠性。     

3种标准树高曲线建立方法的比较

【目的】比较3种标准树高曲线建立方法的优劣,为选择适宜的标准树高曲线建立方法提供依据。【方法】以福建省将乐县国有林场29块杉木人工林实测数据为依据,采用传统非线性模型、BP神经网络模型、非线性混合模型分别建立杉木标准树高曲线模型,以决定系数R2、均方根误差RMSE以及平均绝对残差|珚E|作为模型评价和检验指标,对比分析三者的拟合效果。【结果】从拟合精度来看,非线性混合模型、BP神经网络模型、传统模型的决定系数分别为0.916 1,0.904 8和0.889 7,RMSE分别为1.652 9,1.761 2和1.895 4,|珚E|分别为1.205 9,1.291 7和1.400 1;从预测精度来看,三者的决定系数分别为0.941 5,0.935 2和0.918 3,RMSE分别为1.361 8,1.432 2和1.609 0,|珚E|分别为0.989 8,1.030 5和1.142 8。【结论】3种方法均能较好地模拟杉木树高的生长,BP神经网络模型与非线性混合模型的拟合精度和预测能力均较传统的非线性模型好,但非线性混合模型略优于BP神经网络模型。     

基于BP神经网络预测林内PM2.5浓度

[目的]利用BP神经网络预测林内PM_(2.5)浓度。[方法]利用人工神经网络理论,采用2013年7月—2014年5月野外实时监测数据,建立了以气象参数、污染源强变量和林分结构特征为输入因子,林内PM_(2.5)小时平均浓度为输出因子的预测模型,并对其预测精度进行了评价。[结果]BP人工神经网络模型能够很好地捕捉污染物浓度与气象因素和林分结构间的非线性影响规律,预测结果的平均相对误差为1.71×10~(-3),均方根误差为6.77,拟合优度达0.98,模型具有很高的预测精度。而传统的多元线性回归(MLR)模型预测结果的平均相对误差、均方根误差和拟合优度分别为0.27、22.92和0.93。[结论]研究成果印证了应用BP人工神经网络模型预测林内PM_(2.5)浓度的可行性和准确性。     

基于简单模型的华北落叶松树干削度方程研究

该文通过调查塞罕坝坝上地区华北落叶松样木不同位置的直径,利用2个简单削度方程拟合出华北落叶松树干曲线,拟合精度均较高,特别是Kozak(1969)提出的削度方程,决定系数为0.9642。     

三角函数干形方程与广义Brink干形方程的比较

利用来自澳大利亚新南威尔士州不同生长条件下的辐射松人工林样木干形数据,比较三角函数干形方程与广义Brink干形方程对估计树干任意高度处对应去皮直径的效果;利用非线性回归拟合干形方程中的参数,将拟合残差、预测均方误差、绝对偏差、决定系数等作为评判准则。结果表明:通过样本数据回归拟合得到方程中的参数后,用三角函数干形方程预测新的干形数据集中给定树干上任意高度对应的去皮直径时,估计结果更准确;三角函数干形方程对树干底部直径的估计结果要优于广义Brink干形方程,且三角函数干形方程对树干整体拟合结果更稳定。另外,依据三角函数干形方程参数估计结果将其化简并检验化简后的拟合效果,从而证明三角函数干形方程的易变形性及灵活性。      

基于品质指标预测北京烤鸭的中心温度

【目的】解决烤鸭传统挂炉烤制过程中中心温度难以在线精确监测的问题。【方法】通过测定烤鸭的品质指标,利用多元线性回归、偏最小二乘回归、支持向量回归、人工神经网络等方法对北京烤鸭中心温度进行在线客观预测。【结果】烤鸭胸肉的L~*、a~*、b~*、脱氧肌红蛋白、氧合肌红蛋白、高铁肌红蛋白、水分含量、脂肪含量、蛋白二级结构等指标均可用于有效识别北京烤鸭的中心温度;线性模型多元线性回归和偏最小二乘回归的预测集决定系数R_C~2分别为0.9543和0.9384,均方根误差SEC分别为5.8205℃和6.7634℃,MLR模型预测效果优于偏最小二乘回归模型;非线性模型支持向量回归优于人工神经网络模型,其预测集决定系数R_C~2和交叉验证决定系数R_(CV)~2分别为0.9837和0.9496,均方根误差SEC和交叉验证均方根误差SECV分别为3.5215℃和6.1236℃,北京烤鸭中心温度预测模型构建以支持向量回归模型效果最好;支持向量回归验证集的决定系数R_V~2较高,达到0.9748,均方根误差SEV为5.5204℃,结合建模结果得出支持向量回归模型预测挂炉烤制北京烤鸭的中心温度效果最佳。【结论】北京烤鸭胸肉的色度、肌红蛋白、水分含量、脂肪含量、蛋白二级结构等可有效识别北京烤鸭的中心温度;基于品质指标的SVR模型可准确预测烤鸭的中心温度。     

基于k-NN非参数模型的高山松生物量遥感估测研究

以香格里拉高山松为研究对象,Landsat8/OLI为信息源,在前期进行香格里拉市高山松遥感特征光谱提取的基础上,结合地面50个实测样地数据,建立了研究区高山松地上生物量k-最近邻法(k-NN)遥感估测模型。结果表明,采用欧式距离度量特征变量间的相似度,距离分解因子t、最近邻数k值分别取2和4的模型参数结构下拟合精度达到最佳,决定系数(R~2)为0.71,均方根误差(RMSE)为18.21 t/hm~2;基于像元尺度的优化模型估测得到香格里拉市的生物量约为0.22亿t,研究结果可为低纬度高海拔地区的森林生物量遥感估测提供案例。     

不同产地马铃薯主要成分的近红外无损测定模型

收集全国6个省(区)不同品种和分级的36份马铃薯(Solanum tuberosum L.)样品,以精确化学方法测定的成分含量值为依据,利用偏最小二乘回归法(PLS)建立马铃薯水分、还原糖和淀粉含量的近红外无损测定模型。结果表明,建立的马铃薯水分、还原糖和淀粉模型的决定系数(R2)分别为0.88、0.84和0.92,交互验证均方根误差(RMSCV)均小于1,验证集标准偏差与预测标准偏差的比值(RPD)均大于2.5。通过外部验证发现,模型预测的各成分含量决定系数R2均大于0.9,预测值与实测值的相对偏差较小。