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。      

检测猪传染性胃肠炎病毒RT-PCR的建立及应用

根据GenBank上猪传染性胃肠炎病毒S基因的保守序列,设计1对引物,建立了检测猪群中的猪传染性胃肠炎病毒的RT-PCR方法.试验结果表明,该RT-PCR方法敏感、特异,适于临床样品检测,为猪传染性胃肠炎病毒的临床诊断和流行病学调查奠定了基础.     

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.     

基于树冠和竞争因子的杉木胸径估测

【目的】无人机遥感的迅速发展为胸径预估提供了新方向，本研究适用于通过无人机遥感技术提取样地单木树冠因子后，估算胸径及林分每公顷断面积等指标，实现精准高效的森林资源监测与管理。【方法】根据福建省将乐国有林场33块杉木人工林地面调查数据，利用10种传统模型与2种机器学习方法分别对单木胸径进行估测，并基于不同的自变量组合形式来分析不同因子对胸径估测的影响。【结果】根据传统模型参数拟合结果可以看出，树冠半径与胸径呈显著正相关，林分密度、偏冠因子及竞争指数与胸径均呈显著负相关。传统模型建模过程中所引入最优竞争指数为树冠重叠内角相关的CI2，模型逻辑斯蒂模型拟合结果最优，幂函数(有截距)模型次之。而在使用检验数据进行估测时，幂函数(有截距)有着最好的估测效果。随机森林模型均具有较好的拟合效果，使用检验数据进行估测，不同竞争指数对模型拟合提升程度不同，与树冠重叠面积相关的竞争指数CI3取得了最好的效果。支持向量回归模型拟合优度小于随机森林，略大于传统模型。对胸径进行估测时，包含与竞争木大小相关的竞争指数CI4的模型为最优模型。【结论】传统模型和机器学习模型在拟合与估测单木胸径上均取得了一定的效果，利...