云冷杉天然林林分年龄预测——以金沟岭林场为例

应用BP神经网络模型、PPR神经网络模型以及多元逐步回归模型,依据林分因子预测了金沟岭林场云冷杉天然林林分年龄。对比分析了人工神经网络计算模型算法与多元逐步回归分析模型预测结果的精度以及稳定性。结果表明:3种模型均可用于天然林林分年龄的预测,BP神经网络模型的预测平均相对误差为0.04,模型稳定性差;PPR神经网络模型的预测相对误差为0.06,模型稳定性好;多元逐步回归模型的预测相对误差为0.08,模型稳定性好。     

基于MATLAB神经网络的温室草皮腾发量预测研究

[目的]明确基于MATLAB的BP神经网络预测温室草皮腾发量的可行性。[方法]在9月温室实测气象资料的基础上,对温室内的平均气温、相对湿度、光照强度和草皮日腾发量(ET)进行回归分析,建立了BP网络ET预报模型(BP-ET)。[结果]气温、光照强度与草皮腾发量呈显著正相关(P<0.05),相对湿度与草皮腾发量呈显著负相关(P<0.05)。BP神经网络模型具有极高的拟合精度,9月资料检验预报模型的平均相对误差为5.58%,模拟与检验均有很高的拟合精度。BP网络可以用于草皮日腾发量的预测,是对传统草皮日腾发量计算的补充。[结论]该研究为气象数据缺测条件下温室草皮日腾发量的估算提供了新思路。     

气候对云南松林分生物量的影响研究

基于云南省森林资源连续清查数据和气象站点数据,以为云南松林为研究对象,利用13种基础模型对林分生物量生长进行拟合,选取最优模型引入气象因子,分析林分生物量与不同气象因子的相关性。结果表明:年平均降水量(MAP)和年平均日照时数(MASD)与云南松林分生物量的相关性不显著;年平均温度(MAT)和年平均生物学温度(BT)与云南松林分生物量存在极显著的负相关关系(P0.01);以决定系数(R2)和均方根误差(RMSE)为指标,选出最优模型为Gompertz模型,R2达到了0.461,RMSE为23.184 t/hm2;分别将MAT、WI、BT、HI气象因子引入最优模型后,模型RMSE和绝对平均相对误差(RMA)均有所降低,R2分别达到0.524、0.532、0.520、0.521;预估精度(P)分别达到73.349%、71.792%、72.863%、62.354%。因此引入气象因子将提高云南松林分生物量生长模型的拟合精度。     

香格里拉高山松天然林林分蓄积混合效应模型构建

以云南省香格里拉的高山松天然林为研究对象,构建林分蓄积的混合效应模型;引入林分、海拔等环境因子的影响,构建含环境因子的林分蓄积混合效应模型,所有模型均采用拟合指标和独立样本检验进行评价。结果表明:混合效应模型相对于一般回归模型在林分蓄积拟合中有较高较好的拟合效果;引入环境因子的混合效应模型的拟合效果比一般混合效应模型要好;其中,引入林分因子的混合效应模型拟合效果最好;从模型独立性检验来看,一般混合效应模型的预估精度最高,绝对平均相对误差最小;引入环境因子后,混合效应模型的总相对误差以及平均相对误差有所减小,其中又以引入林分因子的混合效应模型的误差最小,表现最佳;一般回归模型无论在误差方面还是在精度方面都与混合效应模型有很大差距。     

基于灰色关联下神经网络在南果梨始花期预报中的应用

为探寻更精确有效的南果梨始花期预报方法,采用灰色关联分析法确定与始花期关联较大的冬季气象因子,以此作为BP(Black Propagation)神经网络与RBF(Radial Basis Function)神经网络建模的输入因子并预测南果梨始花期,利用均方根误差(RMSE)和相对误差(RE)评价该模型的预测效果,同时对比与南果梨始花期显著相关的冬季气象因子建立逐步回归方程并进行回代后的预测结果。结果表明：（1）与南果梨始花期灰色关联较大的气象因子为冬季日均气温、日最高气温、日最低气温、日均相对湿度,关联度均在0.6以上,故将这4个因子作为BP和RBF神经网络模型的输入层来预测南果梨始花期;（2）与始花期显著相关的气象因子有日均气温、日均5 cm地温、日最低气温、日最高气温,相关系数分别为-0.646、-0.628、-0.638、-0.663,所建回归模型均通过了显著性检验且具有统计学意义;（3）BP和RBF方法建立的模型拟合精度总体上较接近;（4）基于灰色关联下BP神经网络和RBF神经网络预测结果误差分别为1 d和2.25 d,BP神经网络预测的开花日期更接近实际开花日期;（5）基于灰色关联下BP神经网络模型RMSE为1、RE为6.34%、R²为0.7,而RBF神经网络模型RMSE为2.25、RE为13.13%、R²为0.568。综上,灰色关联分析法建立的BP神经网络模型较RBF模型预测南果梨始花期更精确。     

典型天气条件下哈尔滨城市森林不同林型对PM2.5的调控作用研究

[目的]探究不同林型对PM_(2.5)的调控作用和净化效应,进而研究气象因子与PM_(2.5)质量浓度的相关性。[方法]以哈尔滨城市森林3种不同林型为主要研究对象,选择3种典型天气条件,PM_(2.5)质量浓度进行连续12 h的观测。[结果]晴天时PM_(2.5)质量浓度最小;而在降水之后的阴天条件下,其质量浓度是晴天时的1.34倍,日变化幅度不大;多云天气时,PM_(2.5)质量浓度的增加明显,日变化幅度较大,其质量浓度是晴天时的1.69倍。3种不同林型对PM_(2.5)均会起到一定的净化效应,各天气条件下净化效应从大到小依次为晴天、阴天、多云。晴天时,PM_(2.5)质量浓度与气压达到极显著正相关;多云时,PM_(2.5)质量浓度与气温呈极显著负相关,而与相对湿度和气压呈极显著正相关,与风速的相关性不显著;阴天时,PM_(2.5)质量浓度与气象因子的相关性较低,与风速呈负相关,与气压、气温和相对湿度呈正相关,但均未达到显著性水平。[结论]建议人们选择晴天条件下在樟子松林内进行休闲活动,且活动时间选择在午后;PM_(2.5)质量浓度变化趋势因天气条件差异而不同。     

时间序列组合预测模型研究:以农业机械总动力为例

[目的]本文旨在提出更有效的时间序列组合预测模型的构建方法,建立预测精度较高的时间序列组合预测模型。[方法]以1978—2013年新疆农业机械总动力为数据源,建立了源序列的曲线回归、自回归积分滑动平均、3次指数平滑和灰色模型,并构建了预测对象和预测模型的关系数据库。提出了基于百分误差的计算属性重要度方法,依据该方法计算单一模型在组合模型中的权重,构建了单一模型预测值及其权重为输入的组合预测模型,使输出结果中完整的涵盖了时间序列不同单一预测模型的输出值特征。以误差分布特征为指标,对组合预测模型和各单一模型的预测性能进行分析。以组合预测模型拟合优度和预测值平均绝对百分误差(MAPE)作为评价指标,对基于百分误差、粗糙集、Shapley和熵权法的组合预测模型构建方法进行定量分析。[结果]预测周期内提出的组合预测模型的最大及平均误差与各单一模型最优值相比,分别降低了27.35和6.43,误差平方和(SSE)减少了73%,平均绝对百分误差降低了1.56%。基于百分误差的组合预测模型的拟合优度与基于粗糙集、Shapley和熵权法的组合预测模型拟合优度相比,分别提高了2.40%、5.10%和2.27%,粗糙集、Shapley和熵权法的预测值的平均绝对百分误差分别为1.673 0、3.726 1和2.702 4,而本文提出的模型的平均绝对百分误差为1.298 4。[结论]基于百分误差的组合预测模型在农业机械总动力和类似时间序列预测分析中,降低预测误差波动幅度及提高预测精度方面与其他单一模型和组合模型相比具有显著优势。     

云南松林分平均高生长模型及模型参数环境解释

目的云南松作为我国西南地区的主要建群树种,在西南地区占有重要地位,研建其林分平均高生长模型以及对模型参数进行环境解释,可为气候变暖背景下研究云南松林分的生长动态提供经验模型。方法基于云南省森林资源连续清查数据和气象数据,以云南松林为研究对象,结合7种理论生长模型,采用非线性回归方法构建林分平均高生长模型,并对最优模型的参数进行环境解释。结果对选定的7种理论生长模型进行拟合,以调整R2和均方根误差(RMSE)为模型拟合精度指标,从中选出林分平均高最优生长模型,将标准化的环境影响因子引入到最优生长模型参数中,对最优模型的参数进行环境解释。经方差分析可知,引入环境影响因子后的模型与基础模型之间有显著差异,研究取得了较好的结果,模型具有一定的适用性。结论(1) 从7个理论生长方程中选定林分平均高最优生长模型为逻辑斯蒂(Logistic)模型,调整R2达到0.616,均方根误差RMSE为2.328 m。(2)将环境影响因子引入到不同参数组合位置时表现最优的模型形式,作为该环境因子对林分平均高生长模型的参数环境解释,各环境因子引入后,模型拟合效果明显提高。调整R2后,提高最显著的是将湿润指数同时引入到参数a、b、c位置上时的模型形式,其拟合效果提高了5.375%;提高最低的是将土壤厚度因子同时引入到参数a、b、c位置上时的模型形式,其拟合效果提高了1.938%。(3)各环境影响因子对林分平均高生长模型的影响程度大小排序为:湿润指数>年均降水量>海拔>潜在蒸散量>年均温度>温暖指数>年均生物学温度>坡度>土壤厚度。(4)地形因子和气候因子与林分平均高生长之间的关系有正有负,地形因子中的海拔因子对林分平均高的影响不大,气象因子中温度对林分平均高生长的影响是通过对降水的制约来实现的。      

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.     

黄河三角洲白蜡人工林空气PM_(2.5)浓度变化规律的研究

以黄河三角洲典型的白蜡人工林为研究对象,选取2016年3月～翌年2月期间白蜡林内、外的PM_(2.5)数据和相关气象数据,对比分析了林内、外PM_(2.5)浓度的季节性变化和日变化特征,同时对特殊天气下PM_(2.5)浓度的变化进行了研究。结果表明:林内、外空气PM_(2.5)浓度均呈明显的季节性变化,均表现为冬季>春季>秋季>夏季;四季PM_(2.5)浓度的日变化近似呈双峰型曲线,变化趋势为夜间>日间、上午>下午;除冬季外,林内PM_(2.5)浓度普遍低于林外空地的;大风、降雨和降雪均有利于空气颗粒物的消除,且随着风力的增强和降雨量的增加,清除效果更好;在3种特殊天气下PM_(2.5)浓度均表现为林内>林外;春季和冬季的空气PM_(2.5)浓度与温度、风速呈显著负相关,与湿度呈显著正相关。