基于NIR-PLS的土壤碳含量预测模型研究

以东北小兴安岭林区带岭林业局东方红林场的土壤为研究对象,对120个土壤样品近红外光谱做去噪、Savitzky-Golay平滑和多元散射校正预处理,利用偏最小二乘（PLS）法建立关于土壤碳含量和吸光度之间的定量分析模型,并进行模型校、验证及部分预测集样品碳含量预测.结果表明：主成分数为4时,模型最优.校正模型的决定系数R2和均方根误差（RMSE）分别为0.784和5.752;验证模型的决定系数R2和均方根误差（RMSE）分别为0.621和7.521,预测集样品的实测值和预测值的决定系数R2达到0.735,均方根误差RMSE为7.202,预测标准差SEP为10.356.应用近红外技术可以实现对小兴安岭次生林土壤碳含量的有效预测,为大面积快速测定土壤碳含量提供理论依据与技术支撑,进而为林分土壤碳循环的相关研究提供新的思路.     

基于偏最小二乘法的近红外光谱定量分析模型测定八角茴香中莽草酸含量

采用偏最小二乘法(PLS)建立测定八角茴香中莽草酸含量的近红外(NIR)光谱定量分析模型.应用多种光谱预处理方法分别对八角茴香固体粉末样品的NIR光谱进行预处理,并采用预处理后的光谱建立定量分析模型,每个模型均经过选择最有效的光谱区域和最适主因子数进行优化.经过比较各个模型的内部交互验证均方根误差(RMSECV)和交互验证预测值与真实值间的相关系数(RV),外部预测均方根误差(RMSEP),选取最优的模型,结果表明定量分析模型稳健性好和测定精度高,在中药有效成分定量分析方面有很好的应用前景.     

基于近红外光谱与BP神经网络预测落叶松木屑的含水率

利用近红外光谱(NIR)技术结合BP神经网络定量预测了落叶松木屑的含水率。首先对采集的落叶松木屑原始近红外光谱进行9点平滑及多元散射校正预处理,然后利用主成分分析法提取光谱数据主成分作为BP神经网络的输入,最后建立BP神经网络预测模型并采用交叉验证法对模型进行验证。所建模型校正集的相关系数R为0.98,校正集的均方根误差RMSEC为0.001 7;预测集的相关系数R为0.99,预测集的均方根误差RMSEP为0.001 5。研究表明,此方法可以实现对落叶松木屑含水率的快速预测。     

基于BP神经网络的凌云县森林碳储量遥感反演研究

森林碳储量的正确估算是研究全球碳通量和气候变化的关键。本研究采用2014年森林资源连续清查数据和同时期Landsat 8遥感影像,对凌云县森林碳储量进行遥感反演研究,并分析其空间分布。从遥感影像中提取154个光谱因子和纹理因子,结合逐步回归和方差扩大因子法进行因子筛选,分别构建线性逐步回归、Logistic回归和BP神经网络模型,估算研究区的森林碳储量。结果表明:BP神经网络模型反演森林碳储量精度最高,设置隐含层神经元个数为10时,决定系数最大,均方根误差最小,分别为0.636和16.671 t·hm~(-2);Logistic回归模型估算精度次之,决定系数和均方根误差分别为0.528和17.082 t·hm~(-2);线性逐步回归模型估算精度最低,决定系数最小,均方根误差最大,分别为0.452和17.722 t·hm~(-2)。研究区森林碳储量空间特点表现为山区碳储量大,低海拔人口分布密集地区碳储量小,与实际森林分布一致。     

基于SPOT-7影像的马尾松生物量估测模型研究

森林生物量的定量估算为全球碳储量循环及气候变化研究提供了重要的参考依据。以肇庆市马尾松生物量为研究对象,基于SPOT-7影像数据,提取出单波段、波段比值、纹理特征、地形等因子并进行优选,对优选后的变量因子进行分组,生成光谱特征、纹理特征、光谱和纹理特征相结合的3种自变量集,采用偏最小二乘回归法和3种自变量集构建马尾松生物量估测模型并进行优选。结果显示:基于光谱特征构建的马尾松生物量估测模型的决定系数R2为0.81,均方根误差为15.30 t/hm2,误差平均值为-5.65 t/hm2,总预报偏差的相对误差为9.30%;基于纹理特征构建的马尾松生物量估测模型的决定系数R2为0.84,均方根误差为15.69 t/hm2,误差平均值为-4.73 t/hm2,总预报偏差的相对误差为7.78%;基于光谱和纹理特征相结合构建的马尾松生物量估测模型的决定系数R2为0.83,均方根误差为15.24 t/hm2,误差平均值为-5.27 t/hm2,总预报偏差的相对误差为8.67%。由此可知,基于纹理特征构建的马尾松生物量模型要好于其他两种方法,估算精度更高。     

基于RBF组合模型的山地红壤有机质含量光谱估测

【目的】探讨组合模型在山地红壤有机质含量高光谱估算中应用的可行性,以期为土壤有机质含量估测提供基础数据和科学依据。【方法】基于山地红壤光谱的全波段(400~2 450 nm)研究范围,选择偏最小二乘回归(PLSR)、BP神经网络(BP)和支持向量机回归分析(SVMR)3种单一高光谱估测模型,分别获得预测结果,并重构预测结果数据,以绝对误差和最小为目标,计算固定权重与不固定权重两种组合模型的权重值,并基于径向基函数(RBF)神经网络法建立组合模型,探讨不同赋权方法与是否重构数据条件下的最优组合模型。通过均方根误差(RMSE)、预测偏差比(RPD)和决定系数(R2)评价山地红壤有机质含量的预测精度。【结果】单一预测模型中的SVMR估测精度最高,验证决定系数(R2)为0.64,均方根误差为9.76 g·kg-1,测定值标准差与标准预测误差的比值为1.67;在组合模型数据不重构的条件下,不定权组合模型要优于定权组合模型;在组合模型数据重构的条件下,定权组合模型要略优于不定权组合模型,估测精度相差不大;最优模型是数据重构定权组合模型,模型验证决定系数(R2)为0.87,均方根误差为7.91 g·kg-1,测定值标准差与标准预测误差的比值为2.06;组合模型验证精度优于单一模型,说明利用RBF组合模型估算山地红壤有机质含量是可行的。【结论】对山地红壤有机质含量的快速估测而言,单一模型具有操作简单、运算速度快等特点,因而具有较大应用价值,但组合模型能较大限度地利用各种预测样本信息,从而能有效减少应用单一模型时所受随机因素的影响,从而提高山地红壤有机质含量的估测精度。     

基于不同预处理的椴树木材基本密度近红外光谱估测及模型优化

【目的】木材的基本密度在木材质量等级评定中起着重要的作用,是木材分流及精细化利用的重要依据。利用近红外光谱技术,实时监测木材性质,掌握木材性质的变化,为进一步制定和改善林木培育方法提供理论依据。【方法】借助树木生长锥对椴树活立木取样,以椴树样品基本密度真值和近红外光谱数据为输入,分别通过卷积平滑、一阶导数和二阶导数预处理方法来实现近红外光谱数据的预处理,建立了基于偏最小二乘法(PLS)的椴树木材基本密度的近红外估测模型。【结果】在350~2 500 nm波段范围内,一阶导数预处理的椴树木材基本密度模型是最优的,校正集相关系数为0.964 8,校正均方根误差为0.002 7,验证集相关系数为0.943 2,预测均方根误差为0.003 3。在对近红外光谱数据进行去噪优化处理,构建椴树木材基本密度模型后,在500~2 300 nm波段范围内,一阶导数预处理椴树木材基本密度模型依旧最优,其校正集相关系数为0.987 1,校正均方根误差为0.001 6,验证集的相关系数是0.948 6,预测的均方根误差是0.002 1。【结论】选择特定的预处理方法,结合样本特征,建立椴树木材基本密度模型,可以显著降低建模成本,提高模型预测精度,快速测定椴树木材的基本密度。     

基于偏最小二乘法的近红外光谱测定八角中反式茴香脑和莽草酸

采用偏最小二乘法(PLS)建立八角中反式茴香脑和莽草酸含量的近红外光谱定量分析模型。利用近红外光谱技术采集八角粉末的近红外光谱图(NIR),以高效液相色谱法测定的八角中反式茴香脑和莽草酸质量分数作为参考值，经过光谱处理软件将近红外光谱图与质量分数参考值进行关联，反式茴香脑的定量分析模型采用二阶导数作为预处理方法，以7 502～5 446.2和4 601.5～4 246.7 cm^-1为波数范围，维数为10;莽草酸的定量分析模型采用一阶导数加直线减法作为预处理方法，以7 502～6 098.1和5 450.1～4 597.6 cm^-1为波数范围，维数为8。结果表明：建立的八角中反式茴香脑和莽草酸含量的快速无损定量检测模型的决定系数(R²)分别为90.86%和93.13%,校正集的内部交叉检验均方根误差(RMSECV)分别为0.158和0.285,验证集的均方根误差(RMSRP)分别是0.068 7和0.171,配对T检验P值分别为0.761和0.194,均大于0.05,测量值与参考值偏差较小，建立的模型能较准确地测定八角中反...     

基于Landsat8 OLI遥感影像的森林蓄积量估测模型研究

本次试验以湖南省湘潭县为研究区,提取Landsat 8 OLI影像数据的56个遥感因子作为候选因子,结合皮尔逊相关系数和主成分分析两种方法对变量进行降维,构建多元线性回归模型(MLR)、误差反向传播神经网络(BP-ANN)、K最近邻模型(KNN)和随机森林模型(RF)进行蓄积量反演,并采用决定系数(R²)、均方根误差(RMSE)以及相对均方根误差(RRMSE)三个指标对模型进行精度评价。结果表明:三种机器学习模型的拟合结果均优于多元线性回归模型,其决定系数(R²)均大于0.6,其中RF最高,为0.67;四种模型中,三种机器学习模型的估测精度均比传统线性模型高出10%以上,其中随机森林模型(RF)精度最高,其均方根误差为57.5 m 3·hm^-2,相对均方根误差为24.2%。     

基于近红外光谱及 BP 神经网络分析法磁预测森林土壤有机碳含量

为快速测定森林土壤的有机碳含量,从取自小兴安岭带岭林业局东方红林场的120个土壤样品中采集350～2500 nm的土壤近红外光谱数据,对光谱做一定的预处理后,运用主成分分析法压缩提取前8个主成分,结合BP神经网络非线性方法建立土壤有机碳含量的预测模型并进行验证。结果表明,验证集的相关系数为0.78002,均方根误差为0.5002,预测集的相关系数为0.84941,均方根误差为0.4538。应用近红外光谱技术及BP神经网络非线性方法建模可以有效地预测土壤的有机碳含量,为野外大面积快速测定森林土壤碳含量提供了技术依据。     

Total tree,merchantable stem and branch volume models for miombo woodlands of Malawi

The objective of this study was to develop general (multispecies) models for prediction of total tree, merchantable stem and branch volume including options with diameter at breast height (dbh) only, and with both dbh and total tree height (ht), as independent variables. The modelling data set was based on destructively sampled trees and comprised 74 trees from 33 tree species, collected from four forest reserves located in different ecological zones of Malawi. The dbh and ht ranges for the data set were 5.3–111.2?cm and 3.0–25.0?m, respectively. A number of alternative model forms were tested and the final model selection was based on root mean square error (RMSE) values calculated using a leave-one-out cross-validation procedure. The model performances and the evaluations of the finally selected models (R? 2 range 0.72 to 0.92; RMSE range 38% to 71%; mean prediction errors range ?1.4% to 1.3%) suggest that all models can be used over a wide range of geographical and ecological conditions in Malawi with an appropriate accuracy in predictions. The appropriateness of the developed models was also supported by the fact that the mean prediction errors of these models were much lower than the mean prediction errors (range ?23.6% to 48.9%) of some previously developed models tested on our data.     

帽儿山林区主要树种树高与胸径之间的关系分析

为了进一步探索树高与胸径的相关关系,本研究以黑龙江省帽儿山林场为样地,选取林区中杨树（Polar）、白桦（Birch）、紫椴（Tilia）、枫桦（Betula costata）、水曲柳（Fraxinus mandshurica）林等5种主要树种为研究对象,通过SPSS17.0对胸径（D）和树高（H）的数据进行处理,应用7个常见树高-胸径模型来模拟相关关系,通过决定系数R2评价出了每个树种树高-胸径最优模型形式,所有树种最优模型的相关系数都达到了0.9以上,模型拟合的精度高.结论表明：①杨树的树高-胸径最优模型形式为幂函数曲线模型,方程式为：H=4.383D0.418;②白桦树、紫椴树、枫桦树的树高-胸径最优模型形式为三次曲线模型,方程式分别为：白桦树：H=4.785 ＋0.721D-0.008D2-0.00005D3;紫椴树：H =3.985＋0.787D-0.013D2-0.00009D3;枫桦树：H=6.345＋0.769D-0.010D2-0.000047D3;③水曲柳的树高-胸径最优模型形式为幂函数曲线模型,方程式为：H=e1.992＋0.043D.     

A hybrid model for predicting spatial distribution of soil organic matter in a bamboo forest based on general regression neural network and interative algorithm

A general regression neural network model,combined with an interative algorithm(GRNNI) using sparsely distributed samples and auxiliary environmental variables was proposed to predict both spatial distribution and variability of soil organic matter(SOM) in a bamboo forest. The auxiliary environmental variables were: elevation, slope, mean annual temperature, mean annual precipitation, and normalized difference vegetation index. The prediction accuracy of this model was assessed via three accuracy indices, mean error(ME), mean absolute error(MAE), and root mean squared error(RMSE) for validation in sampling sites. Both the prediction accuracy and reliability of this model were compared to those of regression kriging(RK) and ordinary kriging(OK). The results show that the prediction accuracy of the GRNNI model was higher than that of both RK and OK. The three accuracy indices(ME, MAE, and RMSE) of the GRNNI model were lower than those of RK and OK. Relative improvements of RMSE of the GRNNI model compared with RK and OK were 13.6% and 17.5%, respectively. In addition, a more realistic spatial pattern of SOM was produced by the model because the GRNNI model was more suitable than multiple linear regression to capture the nonlinear relationship between SOM and the auxiliary environmental variables. Therefore, the GRNNI model can improve both prediction accuracy and reliability for determining spatial distribution and variability of SOM.     

基于地统计学与GIS技术的森林土壤养分空间变异性研究

以云浮市云城区和云安区森林土壤为研究对象,应用传统统计学和地统计学方法结合 GIS 技术分析其土壤养分的空间变异性,预测土壤养分空间分布。地统计学主要从空间插值模型和人工神经网络模型的角度对土壤养分的空间变异性进行诠释,并利用平均绝对误差(MAE)和均方根误差(RMSE)两个指标以及模型预测点与实测点间的相关系数作为判断模型好坏的标准。研究结果认为插值模型中泛克里格插值法在样点密度较小时显示出明显优势,而 BP-ANN 在模型的稳定性和推广性表现尤为突出,最后对泛克里格插值模型和 BP-ANN 下的有机碳、全氮、全磷、全钾4种养分空间预测分布特征进行描述。     

基于近红外光谱的紫丁香叶片叶绿素含量的估测研究

近红外具有快速无损检测特点,利用该特点能够对紫丁香叶片叶绿素的含量进行估测。采用的试验方法是采取东北林业大学城市示范实验林场中的紫丁香叶片60片,从中随机抽取40片作为建模集,其余20片为验证集,并用偏最小二乘法建立建模集的叶片的近红外光谱和叶绿素含量的关系模型。再利用该模型来估测验证集紫丁香的叶绿素含量。本次试验,建模集的预测集和校验集的R2分别达到0.86和0.73,相关系数均达到85%以上,并且验证集的R2值达到0.82,相关系数为90.85%,说明近红外技术具有应用于叶片叶绿素含量估测的潜力。     

山茶花品种六角红在不同配比基质上的扦插试验

对山茶花品种六角红在不同配比基质上进行扦插试验,发现插穗在不同配比基质上的成活率、生根数和根长均存在极显著差异。方差分析结果表明:1)插穗在2/3黄心土+1/3腐熟松针土配比基质上的成活率最高,达92%;生根数最多,为7.20;根长最长,达10.13 cm;2/3黄心土+1/3腐熟松最适宜用于山茶花扦插。2)1/3黄心土+1/3河沙+1/3腐熟松针土也可以作为扦插基质,插穗的成活率达到84.33%。3)插穗在1/2黄心土+1/2河沙上的成活率也达80%,但生根数较少,根系不长。4)插穗在1/2黄心土+1/2草木灰和1/3黄心土+1/3草木灰+1/3河沙这2种配比基质上成活率都很低,并且生根数少,根系生长慢,不适合用作扦插基质。