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。      

落叶松立木材积方程非线性和对数转换的对比

以兴安落叶松立木材积方程为研究对象,采用Ballantyne提出的似然分析法判断落叶松立木材积方程是否需要进行对数转换。结果表明:经似然分析法判断,落叶松立木材积方程需要进行对数转换。然而对非线性和对数转换线性模型拟合和检验统计量的比较表明:非线性和对数转换线性立木材积模型拟合评价指标非常接近。非线性立木材积模型的拟合和检验精度略高于对数转换的线性模型。立木材积模型的主要应用是用来预测,建议选择非线性回归分析。     

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。