基于随机森林的温瑞塘河总氮模拟与预测

为快速获得水体中总氮含量,采用随机森林方法建立总氮预测回归模型。结果显示,较少的数据异常值仍会造成随机森林模型较大的误差,去除4.6%的异常值后,模型均方根误差(MSE)降低了42.4%。随机森林模型可对自变量的相对重要性做出评估,对总氮而言,最重要的变量是氨氮,模型2个主要参数随机树数量(ntree)和随机分割变量数(mtry)的值分别为400和2。在选择合适的参数值时,随机森林模型不易出现过拟合显示,建立的随机森林模型可以快速预测水体中总氮的含量。     

森林景观价值评估的实证分析——以青海西宁湟水森林公园森林景观为例

采用问卷调查法和条件价值评估法,对青海西宁湟水森林公园森林景观进行了经济价值评估。估算出湟水森林公园森林景观的价值,并通过建立多元线性回归模型,对与支付意愿有关的因素的相关性进行了分析。     

机器学习算法在森林生长收获预估中的应用

森林生长收获预估是森林经理学的一个重要方向,采用模型技术进行森林生长收获估计是森林经营决策的重要前提。传统的统计模型如线性及非线性回归模型、混合效应模型、分位数回归、度量误差模型等统计方法已被广泛应用于研究林木生长,但这些统计方法在应用时常常需满足一定的统计假设前提,诸如数据独立、正态分布和等方差等。由于森林生长数据的连续观测和层次性,上述假设通常难以满足。近年来随着人工智能技术的发展,机器学习算法为森林生长收获预估提供了一种新的手段,它具有对输入数据的分布形式没有假设前提、能够揭示数据中的隐含结构、预测结果好等优点,但在森林生长收获预估中的应用仍十分有限。文章对分类和回归树、多元自适应样条、bagging回归、增强回归树、随机森林、人工神经网络、支持向量机、K最近邻等方法在森林生长收获预估中的应用、软件及调参等进行了综述,讨论了机器学习方法的优势和挑战,认为机器学习方法在森林生长收获预估方面有很大的潜力,必将得到广泛应用,并和传统统计模型相结合成为生长收获模型发展的一种趋势。      

基于随机森林算法的管道缺陷预测方法

根据国内外管道缺陷预测模型与随机森林(Random Forests)模型的研究现状,分析其优势与存在的问题,并基于陕京管道GIS系统对某段管道的监控和记录数据,建立并优化随机森林模型,对该管段进行缺陷等级预测。随机森林模型可用于分析各指标对管道缺陷的影响程度,具有指标重要度评估功能,模型的评判精度、分级结果准确,数据挖掘能力很强。将随机森林模型与GIS技术结合,能更好地预测管道缺陷,从而采取相应的控制措施。(图4,表2,参20)     

基于机载激光雷达点云的桉树林分蓄积量估算模型构建

  目的  通过2018年1—2月广西国有高峰林场机载激光雷达数据及地面调查数据,采用参数方法和非参数方法建立回归模型,反演桉Eucalyptus树人工林森林蓄积量。  方法  通过点云提取点云高度参数、点云密度参数、林分郁闭度等点云特征变量,采用参数方法(逐步回归、偏最小二乘回归)和非参数方法(随机森林回归、支持向量机回归)进行林分蓄积量构建,通过与样地实测数据对比,进行模型回归预测性能评估,进而选择出表现最优蓄积量反演模型。  结果  采用留一法对以上4种模型进行验证,结果显示:逐步回归模型R2为0.85、均方根误差(RMSE)为23.93 m3·hm?2、平均绝对误差(MAE)为18.18 m3·hm?2;偏最小二乘回归模型R2为0.81、RMSE为26.52 m3·hm?2、MAE为19.94 m3·hm?2;核函数为RBF的支持向量回归模型R2为0.88、RMSE为21.35 m3·hm?2、MAE为16.62 m3·hm?2;随机森林回归模型R2为0.84、RMSE为24.53 m3·hm?2、MAE为17.41 m3·hm?2。  结论  采用随机森林进行变量筛选后,RBF-SVR模型拟合优度及泛化能力最优;通过逐步筛选法结合方差膨胀因子(VIF)方法优选变量的逐步回归模型次之;最后为随机森林回归模型与偏最小二乘回归模型。可见,在解决林业激光雷达领域中的回归预测问题时,采用非参数方法构建RBF-SVR模型更有优势。本研究建立的4种森林类型蓄积量模型,各模型均有较高精度且符合森林资源调查相关技术规定要求。图6表6参25     

全身振动训练对老年人姿势控制能力影响的实验研究

主要通过8周全身振动训练练习,探讨对老年人姿势控制能力的改善效应。24名老年人被随机分为实验组和对照组,分别进行8周,每周3次,每次30min的全身振动训练和常规阻力训练。研究结果表明,8周全身振动力量练习,能够有效改善老年人的姿势控制能力水平,其中对于本体感觉和前庭功能的改善作用尤其明显,有利于老年人在行走过程中维持身体的动态平衡,降低跌倒的风险。     

应用机器学习模型对中国云贵川区域林火风险预测

加强云贵川区域林火管理,预测云贵川地区森林火灾的发生概率,对保护森林资源和森林生态系统结构和功能具有重要意义。利用MCD64A1火灾数据集、气象数据、地形数据和可燃物含水率数据构建模型训练数据集,结合逻辑回归、随机森林与极端梯度提升等机器学习模型,对中国云贵川区域日尺度林火燃烧概率进行预测。结果表明：单独使用气象数据集对林火燃烧概率进行预测时,极端梯度提升模型表现最好,预测精度为88.6%,其次为随机森林模型与逻辑回归模型,预测精度分别为86.0%与76.7%。地形因素及植被水分指数的引入对机器学习模型有一定的优化效果,极端梯度提升模型与随机森林模型的预测精度的提升均超过1%。     

宜良县云南松林生物量遥感估测方法研究

利用landsat5影像和通过蓄积量-生物量转换方法获得的样地生物量数据,从宜良县云南松林遥感特征、地形特征、郁闭度等方面选取自变量,采用随机森林回归和偏最小二乘法进行生物量遥感估测建模。结果表明:随机森林回归估测模型调整决定系数R2为0.881,模型估测精度为82.3%;偏最小二乘模型的调整决定系数R2为0.753,模型估测精度为78.43%。随机森林回归在模型拟合效果和检验精度上均优于偏最小二乘模型。     

基于遥感反演的森林生态系统呼吸研究

陆地生态系统碳循环是全球气候变化研究的核心内容之一,森林生态系统作为陆地生态系统中面积最多、最重要的自然生态系统,在维持全球碳平衡和调节全球气候等方面有着举足轻重的地位。本文采用3类MODIS数据(叶面积指数、地表温度数据、地表水份数据)结合Ameri Flux通量观测网络中位于加拿大亚寒带气候区的4个通量塔站点观测数据建立1个遥感反演模型,利用该模型对常绿针叶林生态系统呼吸进行估算,并使用独立的通量站点观测数据评估模型的准确性。结果表明,遥感反演模型在估算森林生态系统呼吸方面具有很大的潜力,为大区域尺度上定量评估森林生态系统对区域碳平衡及全球碳循环的影响,制定合理的森林生态管理方案提供数据支持。     

基于Rapideye影像的林木地上生物量估测

以石台县为研究地,结合Rapideye高分遥感影像和不同森林类型样地林木地上生物量调查数据,采用Pearson双变量相关分析方法筛选模型变量,分别用多元线性回归和随机森林算法建立不同森林类型的遥感地上生物量估测模型,并进行模型估测精度对比分析。结果表明,叶绿素红边模型(CRM)与叶绿素绿波模型(CGM)2个指数与针叶林、阔叶林生物量在0.01水平上的相关性极显著,且在其多元线性回归模型和随机森林模型中两者均被挑选为建模变量。另外,与生物量相关性较强的纹理特征主要集中的红光波段和红边波段,且仅MEAN、VAR、SM3个滤波对生物量估测贡献较大,可作为建模变量。阔叶林、针叶林和针阔混交林3种森林类型的地上生物量模型估测精度均表现为随机森林模型优于多元线性回归模型。随机森林模型生物估测绝对均方误差在12.8760~36.5363之间,相对均方误差在20.20%~45.95%之间;多元线性回归生物量估测绝对均方误差在22.0425~46.4494之间,相对均方误差在34.58%~58.42%之间。     

基于机器学习和经验模态分解的跨期套利研究

采用滚动经验模态分解(EMD)方法对沪深300股指期货当月和下月合约的价差波动进行分解,分别利用Elman网络、随机森林(RF)、支持向量回归(SVM)3种机器学习模型及自回归移动平均模型(ARIMA)对不同频率信号进行分析,合成最终的预测结果,并根据预测结果设计跨期套利策略.研究结果表明:SVM,RF和ARIMA模型...     

基于高光谱成像技术的辣椒叶片叶绿素含量估算

叶绿素是植被光合作用的重要物质,能够间接反映植被的健康状况和光合能力.高光谱技术的发展为大面积、快速检测植被叶绿素含量变化提供了可能.选取150组不同生长期的辣椒叶片作为研究对象,分别采集辣椒叶片的高光谱图像和叶绿素含量.利用随机森林特征选择算法进行数据筛选,结合线性回归、偏最小二乘回归、梯度提升回归树、随机森林回归等4种模型分别构建回归模型.结果表明:(1)利用随机森林特征选择算法筛选后波段建立的模型决定系数(r2)均大于0.8,说明该方法具有较高的稳定性和预测精度;(2)利用随机森林特征选择算法筛选的波段结合随机森林回归,其验证集的r2为0.9、均方根误差(RMSE)为1.87、平均绝对误差(MAE)为1.43.可以较为准确地预测辣椒叶片叶绿素含量,为后期利用高光谱成像技术大面积检测辣椒的生长状况提供了理论依据.     

基于回归决策树和ASTER卫星影像的城市森林研究

城市森林已成为城市生态环境研究和城市规划的热点问题之一。介绍了一种运用遥感影像分析城市森林的方法。分析过程分为两大内容：①运用回归决策树模型和ASTER影像分析城市森林丰度,即根据分类训练区内ASTER影像的光谱与实际森林丰度之间的对应关系,建立回归决策树模型,然后用该模型计算整个研究区域内各像元的森林丰度。②运用CITYgreen模型分析该地区城市森林生态功能,即运用CITYgreen模型,估算研究区域内城市森林的覆盖率、碳储量和清除空气污染物的能力,以及在清除空气污染物方面的生态价值。以北京市通州新城为研究区域,根据估算得出,该地区森林覆盖面积约为11．62km^2,碳储量约为12．36万t,清除污染物总量为267．1t·a^-1。讨论了该方法的优缺点以及需要改进的方面。图2表1参12     

基于机器学习的焦油预测模型研究

为研究卷烟焦油预测模型,以焦油的释放量为研究对象,运用不同的回归方法进行焦油预测研究,以各个模型的标准化均方误差为评判尺度,对各个模型的预测效果进行了比较.结果表明,各模型的预测精度差别较大,整体来看机器学习方法对于焦油的预测精度较高,其中以随机森林算法回归对于焦油的预测精度最高,表现出较高的预测精度和良好的稳定性,其次表现较好的机器学习算法为支持向量机回归方法.因此,在焦油预测应用或研究中可以运用随机森林或其他机器学习方法对焦油进行建模预测.     

我国经济周期状态划分的影响因素分析

本文利用B-B法对一致合成指标序列进行转折点识别,以此为依据将各经济周期划分为"收缩"和"扩张"两个状态,使用1995年至2019年的宏观经济指标数据,通过建立逻辑回归、决策树、随机森林三种模型对经济周期状态判定的影响因素进行分析。研究结果表明,三种模型均能取得较好的分类效果,其中随机森林模型准确率最高,分类效果最好。综合三种分类模型对于影响因素及其重要性的判断,得到居民消费价格指数是所选指标中影响经济周期状态划分的最重要因素。     

我国森林生态价值评估研究进展

从环境价值观出发，归纳总结目前我国森林生态价值评估的理论依据、方法、计量模型及主要评估研究成果，并对现阶段评估中存在的问题进行讨论．     

浅谈森林采运技术对生态体系构建与发展的影响

如何保护森林才能够使国家和人民的利益得到保障是我国乃至全世界正在讨论的热门话题。我国经济飞速发展的同时也带来许多问题。由于大量使用林木资源却无法使生态快速平衡,因此我国必须长久地走可持续发展路线,根据森林目前状况制定出新时期采运技术计划,并加强对生态体系的建构以确保我国森林生态环境能够得到改善。本文将根据以上话题进行探讨分析。     

花生黄曲霉毒素平衡取样-随机森林风险预警模型的应用研究

【目的】 花生极易受到黄曲霉毒素污染,本研究拟在前期创建的花生黄曲霉毒素平衡取样-随机森林预测预警模型基础上,通过系统性应用研究,明确模型主要技术参数与实际应用效果,为预测评估我国产后花生黄曲霉毒素风险提供关键技术支撑。【方法】 利用前期建立的花生黄曲霉毒素平衡取样-随机森林风险预警模型,选择1个地理变量（纬度）和3个气候变量（收获前一个月8：00—20：00降水量、平均气压和日平均气温）作为模型数据的关键输入参数,预测2019和2020年我国花生主产区153个主产市（县）黄曲霉毒素污染风险。采用免疫亲和层析-高效液相色谱-荧光检测法,测定上述产区共2 164份花生的黄曲霉毒素含量,获得这些产区花生黄曲霉毒素污染数据。根据模型预测风险与实际测定结果,计算模型应用的准确率、精准率、灵敏度和假阳性率,明确应用效果。【结果】 累计预测的153个市（县）中,共预测出125个低风险区,其中116个与实际测定评估结果相吻合,有9个实测评估高风险产区被预测误判为低风险产区（假阴性）。共预测出28个花生黄曲霉毒素污染高风险产区,其中15个与实际测定评估结果相吻合,有13个实测评估低风险产区被预测误判为高风险产区（假阳性）。该模型预测结果的总体准确率达到85.61%,假阴性率为8.49%,假阳性率为5.88%。【结论】 花生黄曲霉毒素平衡取样-随机森林风险预警模型能够较好地预测出我国产后花生黄曲霉毒素污染风险,为科学指导我国产后花生收储与利用,减少黄曲霉毒素污染损失和保障农产品质量安全提供技术支撑。     

土壤水分模拟与墒情预报模型研究进展

土壤墒情预报是在土壤水分模拟模型的基础上对农田耕作层土壤水分的增长和消退程度所进行的预报.墒情预报是灌溉预报的基础,对于水资源短缺条件下农田水分的合理调控具有重要意义.墒情预报模型可以分为确定性模型与随机性模型两大类,其中确定性模型包括水量平衡模型、土壤-植物-大气连续体(SPAC)水分传输模型、SPAC水热耦合传输模型等,随机性模型包括数理统计模型(包括回归模型、时间序列模型、人工神经网络模型等)、随机水量平衡模型与随机土壤水动力学模型等.本文对各类墒情预报模型进行比较,并对其发展趋势进行了展望.     

高山松地上生物量遥感估算的不确定性分析

  目的  采用遥感数据估算森林地上生物量仍存在一些不确定性问题,研究估算过程中的误差来源及其占比,对提高森林地上生物量的估测精度具有重要意义。  方法  从遥感影像提取因子,结合高山松Pinus densata外业调查数据,建立多元线性回归、梯度提升回归树、随机森林等3种地上生物量估测模型,对样地尺度与3种模型的不确定性进行分析和度量。  结果  ①高山松单株生物量模型不确定性为16.43%,样地尺度的不确定性为7.07%;②多元线性回归模型残差不确定性为34.86%,参数不确定性为21.30%,与样地不确定性合成后总不确定性为41.45%;③非参数模型中,梯度提升回归树估测高山松地上生物量的总不确定性为23.12%,随机森林为19.42%。  结论  3种遥感估算模型中,非参数模型的不确定性明显低于参数模型。相较于样地尺度,遥感估算模型的不确定性对地上生物量估算精度的影响较大。图3表3参26