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。      

2020-12期目录

  目的  基于广义加性模型理论，构建樟子松的广义加性树干削度方程，并和林业上精度较高的变指数削度方程曾伟生等（1997）、Bi（2000）以及Kozak（2004）进行预测精度比较。  方法  以大兴安岭樟子松为研究对象，使用胸径、树高和不同部位高度及该部位树干直径及其变形构建广义加性削度方程，利用R软件mgcv软件包gamm函数对广义加性模型进行拟合，拟合过程中采用6种样条函数:B样条函数（BS）、三次回归样条函数（CR）、Duchon样条函数（DS）、高斯过程平滑样条函数（GP）、P样条函数（PS）和薄板回归样条函数（TP）。使用留一交叉检验法对模型进行检验。  结果  （1）将相对直径作为因变量，将胸径的平方、相对树高的算术平方根和树高作为自变量构建了最优的广义加性削度方程结构。（2）拟合结果表明，除CR外，其他光滑样条函数表现了相似的拟合结果，且均优于变指数削度方程的统计指标。（3）交叉检验结果表明，除CR光滑样条函数外，广义加性模型（BS，DS，GP，PS，TP）总体与拟合结果基本一致，即预测精度都优于曾伟生等（1997）、Bi（2000）和Kozak（2004）模型，其中广义加性模型中BS模型的预测精度最高，变指数削度方程中Kozak（2004）预测精度最高。（4）通过对比BS和Kozak（2004）模型的干曲线模拟发现，Kozak（2004）在预测小树树干上部时误差较大，而BS在模拟小树和大树上都具有较高的精度。  结论  广义加性模型是构建削度方程的一种非参数方法，基于BS样条函数的广义加性削度方程预测精度最高，适合大兴安岭地区樟子松的干形预测。      

基于分位数回归的针阔混交林树高与胸径的关系

  目的  基于包含哑变量的非线性分位数回归方法，构建华北落叶松Larix principis-rupprechtii与白桦Betula platyphylla针阔混交林树高与胸径关系的预测模型，对研究混交林中树种结构及立地生产力预测具有重要意义。  方法  以河北省塞罕坝机械林场华北落叶松与白桦针阔混交林为研究对象，利用83块标准地调查数据，基于哑变量分别采用最小二乘法和非线性分位数回归方法，构建不同树种树高与胸径关系模型。  结果  基于包含哑变量的非线性分位数回归预测模型精度高于最小二乘法，其中利用最小二乘法拟合不同树种模型，其确定系数、平均差及平均绝对误差分别为0.787~0.814、1.581~1.877、2.447~2.654；而利用非线性分位数回归不同树种不同分位点模型，其确定系数、平均差及平均绝对误差分别为0.839~0.921、0.213~1.469、0.561~2.322，经过残差分析确定，当分位点τ=0.7时，不同树种树高与胸径关系预测模型精度较高。  结论  与最小二乘法相比，基于非线性分位数构建的包含哑变量不同树种树高与胸径关系的预测模型精度更高。图3表3参33     

金沟岭林场天然云冷杉林冠幅模型和估计方法比较

  目的  对比不同冠幅预测方法对云冷杉幼树不同方向冠幅（东、西、南、北、东西、南北、平均冠幅）的预测精度的差异，为天然云冷杉林经营提供一定的理论依据。  方法  利用2013年金沟岭云冷杉3块1 hm2固定样地中云冷杉幼树各向冠幅实测数据，以逻辑斯蒂模型为基础模型，以非线性最小二乘法为基础方法进行模型初步拟合。以1/D、1/D0.5、1/D2作为模型的权函数进行模型异方差的消除。以不加权非线性似乎不相关法、加权非线性似乎不相关法、分位数回归法、非线性最小二乘法分别构建了云冷杉幼树冠幅各组分预测模型。  结果  模型拟合结果显示，分位数回归模型的拟合效果在云冷杉幼树冠幅预测模型中拟合精度最低；相较于分位数回归而言，加权非线性似乎不相关回归模型拟合效果与加权最小二乘模型拟合效果相当。模型拟合效果排序为:加权NSUR ≈ 加权OLS > OLS > QR。以1/D2作为模型的权函数时，模型残差图的异方差趋势被消除最明显，该权函数为最优权函数。  结论  本文中非线性分位数回归模型拟合效果不一定比非线性最小二乘法更好。加权NSUR模型（权函数为1/D2）可以为金沟岭林场云冷杉幼树冠幅的预测提供一定的理论基础。      

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。      

依据机器学习算法的杉木干形模拟

利用福建省将乐国有林场46株杉木(Cunninghamia lanceolata)的793组干形数据,根据十折交叉验证,采用最近邻法(KNN)、随机森林(RF)和人工神经网络(ANN)3种机器学习算法对杉木干形进行模拟,并与传统削度模型(TM)进行比较分析.采用决定系数(R2)、均方根误差(ERMS)、平均误差(EM)和平均绝对误差(EMA)4个评价指标对模型的拟合结果和预测结果进行排序,并结合残差图和相对偏差图等进行分析.研究表明:(1)4个模型的决定系数均大于0.95,最近邻法、传统削度模型和人工神经网络的均方根误差小于1 cm,能较好地描述杉木树干形状.(2)人工神经网络对绝大部分树干的估计最精确,R2分别在0.98以上.其检验集的绝大部分残差都在-2～1 cm,训练集的相对偏差在-50％～50％.(3)其次是最近邻法模型,其训练集的残差范围在4个模型间最小,但泛化预测能力不如人工神经网络模型.(4)随机森林模型精度最低,且其预测集残差分布有随直径(di)增大而增大的趋势.传统削度模型模型表现居中.结果表明:人工神经网络模型与最近邻法模型的拟合精度与预测精度均高于传统削度模型模型,能更精确地模拟杉木干形,且机器学习算法可以不满足传统回归的统计学假设前提.利用机器学习预测林木干形是一种可靠的方法,在生产经营中值得考虑.     

福建杉木树冠外轮廓和树冠体积相容性模型

  目的  树冠外轮廓模型不仅能够描述任意位置处树冠半径，而且能够推导预测树冠体积与树木地上部分生物量。根据福建地区98块杉木Cunninghamia lanceolata人工林样地的413株杉木调查数据，构建了具有同一套模型参数的树冠外轮廓模型和树冠体积预测联立方程组系统。  方法  选取4种常用的可积分树冠外轮廓备选模型，利用积分法对备选模型进行推导，得到树冠体积预测模型；将模型方程分别两两联立建立树冠外轮廓与体积相容性联立方程组，并利用SAS软件模块中的似乎不相关回归过程估计联立方程组模型系统的参数。为了消除模型异方差，采用加权回归方法拟合模型，并对不同模型系统的拟合精度、预测精度进行对比分析。  结果  基于模型4的联立方程组拟合精度高、预测性能好，其树冠外轮廓和体积拟合精度分别达到0.829 5和0.861 0，预测结果精度分别为0.803 9和0.856 0；通过似乎不相关回归法解决了联立方程组共线性问题，加权回归方法一定程度上消除了模型中存在的异方差性。  结论  所构建的树冠外轮廓-体积一致性模型方程实现了树冠外轮廓与体积模型之间互相推导，为进一步估测树木地上部分生物量提供了理论依据。     

利用混合模型模拟树冠特征对兴安落叶松树干干形的影响

以黑龙江省七台河市林业局金沙林场114 株人工兴安落叶松树干干形数据为例,利用非线性混合模型技术 拟合Max鄄Burkhart 分段削度方程。结果表明:当利用SAS 软件的PROC NLMIXED 模块对Max-Burkhart 模型进行拟 合时,引入随机参数b1 、b2 、b3 时模型拟合最好;随机参数b1 与冠长率和冠长呈负相关,与树冠高度呈正相关;随机 参数b2 与冠长率和冠长呈正相关,与树冠高度呈负相关;随机参数b3 与冠长率、冠长、树冠高度没有显示出相关 性。利用随机参数b1 、b2 、b3 与树冠特征的相关性构建了含有冠长率、冠长和树冠高度变量的3 个模型,并且所有 模型的参数估计值都是显著的,这充分说明冠长率、冠长和树冠高度对兴安落叶松干形的变化有显著影响。用含 有冠长率的削度模型模拟干曲线,结果表明:冠长率越大,树干削度变化越大, 干形质量越差。      

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。     

峦大杉与杉木人工林的生长形质、林分分化和空间利用比较

以福建省来舟国有林场31年生人工林为研究对象,通过样地的调查数据,分析了峦大杉和杉木生长性状指标。结果表明:峦大杉的平均树高、胸径、单株材积、林分蓄积等生长性状指标显著高于杉木;树种间分级木比例无显著差异,但峦大杉分化略大;峦大杉胸高形数显著高于杉木,枝下高比例显著低于杉木,但树种间的枝下高无显著差异;应用改进可变指数削度方程可以很好地拟合两个树种的干形曲线与干形形状,峦大杉比杉木有着更小的削度、更优的干形和更好的干材品质;峦大杉的平均冠幅、冠长、冠长率、树冠体积、树冠表面积、生长空间指数和竞争指数等显著大于杉木,但峦大杉的树冠圆满度显著小于杉木,树冠更狭长。     

基于机器学习的落叶松树皮厚度预测

  目的  研究多个机器学习算法在树皮厚度预测中的应用,对比分析不同单木因子对树皮厚度预测的影响,为树皮厚度预测提供新的方法。  方法  以大兴安岭天然林落叶松为研究对象,基于树皮厚度数据,构建4个机器学习算法（神经网络ANN、支持向量回归SVR、决策树CART、随机森林RF）,并将其在预测树皮厚度方面的性能与6个传统树皮厚度模型比较。采用决定系数（R2）、均方根误差（RMSE）、平均绝对误差（MAE）和赤池信息准则（AIC）来评价不同模型和算法。  结果  （1）在6个基础模型中Model5预测效果较好。基础模型与机器学习模型比较中,除CART4模型,其他机器学习模型拟合精度均好于传统模型Model5;（2）机器学习模型中ANN4和SVR3拟合和预测精度相似,RF4拟合效果最好。（3）RF4的输入变量为胸径（DBH）、树高（H）、相对树高（H_r）。基于训练样本,与Model5相比,随机森林的R2从0.675 2提高到0.723 4,RMSE从0.575 5降低到0.531 0。随机森林检验结果与Model5相比R2从0.666 9调高到0.710 5,RMSE从0.616 9降低到0.544 6。  结论  相对于基础树皮厚度模型,机器学习算法中的随机森林,支持向量回归和人工神经网络都能提高树皮厚度的预测精度,其中随机森林的预测效果最好,适合该区域落叶松树皮厚度的预测。      

基于BP神经网络的马尾松人工林胸径-树高模型预测

  目的  马尾松Pinus massoniana是中国南方主要用材树种，建立高效的马尾松人工林胸径-树高预测模型，可为马尾松人工林经营提供理论指导。  方法  以贵州省黔中地区马尾松人工林为研究对象，基于82块样地(25 m×25 m)的4 284株马尾松单木数据，选取6个常用的广义非线性模型进行拟合，从中筛选出拟合效果最好的模型。使用相同的数据确定最佳隐层节点数量后，经过反复训练建立基于BP神经网络的马尾松胸径-树高预测模型。  结果  在6个广义非线性模型中，拟合效果最佳为Korf模型(R2=0.650)；马尾松适宜的隐藏层节点数为2，适宜的模型结构(输入层节点数∶隐藏层节点数∶输出层节点数)为1∶2∶1，模型预测精度达0.717。  结论  广义非线性模型能较好地拟合马尾松人工林胸径-树高关系，但与BP神经网络模型相比，BP神经网络不需要依赖经验模型，也不用模型筛选，而且BP神经网络模型具有较高的决定系数和较低的均方根误差，拟合精度优于广义非线性模型。图5表5参35     

广东省含参数分级的阔叶林分生物量生长模型

  目的  建立区域尺度林分生物量生长模型,为预测未来某一时段广东省天然阔叶林生物量和碳储量提供方法学支持。  方法  基于广东省1997—2017年5期森林清查数据,选择栎类、木荷和其他软阔类等6个阔叶树种为优势树种的203个天然林样地,以参数分级反映立地质量差异,以竞争指数表示密度影响,以分步建模（一元非线性回归法）和联合建模（非线性联立方程组法）区别建模方式,采用理论生长方程构建胸径生长模型估计林龄进而构建多种林分生物量生长模型,以决定系数和平均预估误差等4个指标评价模型拟合优度;对拟合优度较高的模型,以2002—2017年4期连清的183块样地为检验样本,用总相对误差来验证其应用效果。  结果  对比模型拟合效果和区域尺度及样地水平上的估计精度,以探究林分密度、不同参数分级、分级方法和建模方法共4项影响因素对生物量生长模型的效果,结果表明:非线性联立方程组法优于分步建模法;与生长速度有关的参数b分级模型优于与生长潜力有关的参数a分级模型;考虑林木竞争和分级方程中加入竞争指数对优化模型性能影响不大。参数b分级、自变量和分级方程皆不含竞争指数的联合模型（模型10）为最优模型,其生物量生长模型确定系数R2为0.970 1;预测4期生物量时,估计效果较好,后期估计误差明显低于前期,如采用模型10预估栎类2002—2017年区域尺度生物量时,4期的估计误差分别为6.22%、15.27%、4.80%、?1.84%。  结论  以Richards理论生长方程为基础构建林分生物量生长模型来估测区域尺度生物量是一种可行的方法,为评估未来某一时段区域尺度森林生态系统的固碳能力提供依据,也为其他区域的林分生物量生长模型研建提供参考。      

基于贝叶斯模型平均法的森林火灾预测模型构建研究

  目的  本文基于贝叶斯模型平均法,结合二项逻辑斯蒂回归模型,构建云南省大理州森林火灾发生预测模型,以期提高林火预测精度,为研究地区林火管理提供技术支持。  方法  利用2000—2013年大理州林火数据及对应的气象数据,分别运用二项逻辑斯蒂回归模型和贝叶斯模型平均法,对该地区森林火灾对气象因子的响应进行实证分析。二项逻辑斯蒂回归模型为单一模型,建模前通过对各解释变量进行多重共线性检验,剔除有显著共线性的解释变量,然后通过逐步回归法,筛选最终变量并进行参数拟合。贝叶斯平均模型为组合模型,基于贝叶斯模型平均法建模时,采用奥卡姆窗的方法来适当调整模型空间,并以5个最优模型的后验概率作为权重进行加权建模。将全样本数据随机分成80%的训练样本和20%的测试样本,基于训练样本建立模型,对测试样本进行预测,通过对比观测值和预测值计算模型的准确率。  结果  通过二项逻辑斯蒂模型拟合,优度为0.783,预测精度为0.718。通过贝叶斯平均模型拟合,优度为0.868,预测精度为0.807。2个模型预测结果对比显示,在训练集中,贝叶斯平均模型的预测准确率比二项逻辑斯蒂回归模型高9.3%;在测试集中,贝叶斯平均模型的预测准确率比二项逻辑斯蒂回归模型高8.9%。  结论  在基于气象因子的大理州林火发生预测模型构建研究中,贝叶斯平均模型的拟合优度和预测精度均高于二项逻辑斯蒂模型,表明贝叶斯模型平均法具有一定的现实应用意义,可用于提高研究地区林火预测精度,有利于森林火灾的决策管理。