基于人工蜂群算法优化SVM的NIR杉木弹性模量预测

【目的】利用近红外光谱分析技术,提出一种基于人工蜂群算法优化支持向量机(ABC-SVM)的木材弹性模量预测模型,为木材弹性模量无损预测提供科学参考。【方法】以294个杉木样本为试验材料,采用常规力学方法测量样本弹性模量,采集样本近红外漫反射光谱,选择350～2 500 nm光谱段,对原始数据进行15步指数平滑和一阶导数预处理,并利用主成分分析降维处理后的数据,建立偏最小二乘回归(PLS)模型、支持向量机回归(SVR)模型和人工蜂群算法优化支持向量机(ABC-SVM)模型预测杉木弹性模量,采用决定系数(R2)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和平均绝对误差(MAE)对所建模型进行对比分析。【结果】PLS模型的R2为0.726 700、RMSE为6.744 9、MAPE为0.063 5、MAE为5.065 6; SVR模型的R2为0.935 305、RMSE为3.528 1、MAPE为0.023 7、MAE为1.840 9;将人工蜂群算法用于SVM参数寻优,获得的最优参数c=5.670 51、g=0.031 25,ABC-SVM模型的R2为0.935 371、RMSE为3.526 0、MAPE为0.023 7、MAE为1.840 0。3种模型均可对杉木弹性模量进行有效预测。【结论】1)根据决定系数(R2),SVR和ABC-SVM模型的预测性能优于PLS模型,ABC-SVM模型的预测性能最佳; 2)根据均方根误差(RMSE)、平均绝对百分比误差(MAPE)和平均绝对误差(MAE),3种模型的MAPE均在可接受范围内,ABC-SVM模型关于误差的各项指标均最小,基于ABC-SVM模型预测杉木弹性模量高效、科学。     

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.     

海南东寨港国家级自然保护区团水虱神经网络预测模型的构建

为预测团水虱的数量,减轻其对红树林植物的危害,采用多层感知器神经网络分析方法,对2021年3月至9月团水虱发生地的水温、风速、大气压、pH值、溶解氧、高锰酸盐指数、氨氮、总磷、总氮含量等因素进行分析。结果表明,总磷、水温是团水虱数量的主要因子,其拟合精度较好,平均绝对百分误差(MAPE)为0.120 2,均方误差(MSE)为85.486 1。使用该模型对2022年10月团水虱数量进行预测,其预测值为34.42/dm³,结果较为精确。     

基于空间聚类的杉木生长预测方法

【目的】基于空间聚类对杉木分布区进行分组,在不同组内分别建立杉木生长模型,为适用于全国范围的杉木生长高精度预测提供方法。【方法】以杉木分布的16个省区为研究区,基于第七次、第八次全国森林资源连续清查杉木固定样地复测数据和研究区的地形、土壤、气象等环境数据,采用随机森林-递归特征消除(RF-RFE)算法对影响杉木生长的环境因子进行分析。选择对杉木生长影响较大的前8个环境因子,利用ArcGIS 102的分组分析功能,根据环境相似性对杉木分布区进行分组,分别建立林分分组和未分组蓄积生长率模型。以全国未分组模型作为参考,采用决定系数(R~2)、均方根误差(RMSE)、平均相对误差(MRE)、系统误差(SE)和剩余标准差(S)对建模结果进行分析。【结果】对杉木生长影响较大的前8个环境因子分别为bio4(温度季节变化标准差)、elevation(海拔)、bio3(等温性)、bio8(最湿季度平均温)、bio1(年均温)、bio14(最干月降水量)、bio12(年均降水量)和bio2(昼夜温差月均值)。将研究区划分为7组时可使组内环境相似性最大、组间环境相似性最小。7组中只有4组有杉木样地数据,在4组中采用2种模型分别建立杉木林分生长率模型,与全国未分组模型相比,分组模型的决定系数提高01左右,拟合度更好;分组建模精度也明显提高,RMSE降低05左右,MRE降低6%左右,SE降低3%左右,S降低1左右。【结论】根据环境相似性对研究区分组并在此基础上建立生长模型是一种适用于全国范围杉木生长的高精度预测方法,可用于全国区域范围杉木林分生长量的整体预估和森林资源小班数据的模型更新,为实现主要人工林树种的大区域生长预测提供新的方法。     

基于分层贝叶斯法的杉木人工林最大密度线

【目的】利用分层贝叶斯法分析杉木最大密度线,以期为杉木自然稀疏规律研究提供一种新思路。【方法】以福建杉木密度试验林为研究对象,根据林分平方平均直径与每公顷株数的关系,构建最大密度线方程。为分析初植密度对杉木最大密度线的影响,构建3种分层贝叶斯模型:1)在截距处考虑初植密度的随机效应,而斜率作为固定效应不变;2)在斜率处考虑初植密度的随机效应,而截距作为固定效应不变;3)同时在截距和斜率处考虑随机效应。【结果】分层贝叶斯方法(R~2=0.867 8)优于普通贝叶斯方法 (R~2=0.859 3),但是初植密度的随机效应不管是在截距上(σ_0~2=0.008,SD=0.029)还是在斜率上(σ_1~2=0.003,SD=0.016),其t值都小于1.96,差异不显著,由此得到初植密度不会影响杉木最大密度线。最大密度线估计的不确定性主要来源于相同初植密度内不同样地和重复测量所产生的不确定性。【结论】研究基于分层贝叶斯法给出了最大密度线的斜率的后验概率分布图,能够更有效地反映出最大密度线的不确定性,也更合理,可为杉木密度试验管理提供参考依据。     

基于3-PG模型的长白落叶松生物量生长预测

【目的】基于3-PG模型预测长白落叶松生物量生长变化,为长白落叶松林分生长规律研究提供依据。【方法】以5块长白落叶松密度试验林连续28年监测数据和24块长白落叶松固定样地3期调查数据为基础,结合各组分(叶、干和根)生物量计算公式,获得每块样地不同调查时间的密度、胸径、蓄积和各组分生物量。根据密度试验林数据校正模型生理参数,结合立地参数和气象参数,通过参数率定、迭代拟合与敏感性分析方法确定长白落叶松3-PG模型的生理参数。采用决定系数(R~2)、平均误差(ME)、平均绝对误差(MAE)、平均相对误差(MRE)和均方根误差(RMSE)评价模型预测能力。选取冠层量子效率(alpha)和初级生物量分配到根的最小值(pRn)进行敏感性分析,并预测肥力等级(FR)为0.2、0.4和0.6时长白落叶松生物量生长变化趋势。【结果】1) 3-PG模型预测值与实测值之间R~2在0.77以上;除叶干生物量比为25.6%外,其他各指标的MRE绝对值均在10.97%以内,预测结果较可靠; 2) alpha和pRn具有较高敏感性,是模型的关键参数; 3)模型预测不同FR下的长白落叶松生物量变化符合树木生长机理过程,且各组分生物量随FR增加而增加。【结论】基于地面数据的参数率定后,3-PG模型能够很好模拟长白落叶松生物量生长变化,可作为一种有效的森林经营预测工具。对于长白落叶松3-PG模型,冠层量子效率(alpha)和初级生物量分配到根的最小值(pRn)是影响预测结果的关键参数。     

基于人工神经网络模型的木材干燥应变模拟预测

【目的】研究常规干燥过程中干燥基准、预处理条件、含水率对木材干燥应力的影响,探讨干燥应力沿髓心至树皮方向的分布情况,以实现干燥应变的模拟预测。【方法】整合分析采用图像解析法测算得到的弹性应变和机械吸附蠕变相关数据,基于人工神经网络模型,以干燥温度、含水率、相对湿度、距髓心距离为输入变量对弹性应变进行模拟预测,以预处理温度、干燥温度、含水率、相对湿度、距髓心距离为输入变量对机械吸附蠕变进行模拟预测。通过网络训练和验证,得到合理的人工神经网络预测模型,并对模型进行测试,探讨分析所建立模型的预测能力。【结果】弹性应变预测模型中,各数据集均呈现出较好的相关性,训练集、验证集和测试集的相关系数(R)分别为0.988、0.983和0.978,所有数据集的决定系数(R~2)均高于0.95,验证集达到最优时的均方差(MSE)为1.21×10~(-6)。机械吸附蠕变预测模型中,利用含水率为28%和12%的数据集进行模型训练和验证,训练集和验证集的相关系数(R)分别为0.981、0.977,验证集达到最优时的均方差(MSE)为1.26×10~(-6);利用含水率20%的数据集进行模型测试,测试集的相关系数(R)为0.969,所有数据集的决定系数(R~2)均高于0.94,网络模型能够解释94%以上的试验数据,表现出较好的预测能力。【结论】所建立模型的预测值和试验值吻合较好,预测成功率较高,能够为人工神经网络在干燥应力、应变方面的应用提供可行性依据。     

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。     

截形叶螨危害下枣叶片含水率高光谱估测模型

【目的】叶片含水率是反映植物生长发育状况的重要指标,对其进行实时、快速、准确的动态监测是实施枣园精准灌溉和水分合理利用的重要技术措施,对枣树水肥一体化管理有一定的实用参考价值。【方法】以截形叶螨危害下枣叶片的光谱反射率和叶片含水率数据为基础,分析枣叶片原始光谱反射率和不同微分变换光谱反射率与叶片含水率间的相关关系,分别运用一元线性回归(MLR)、多元线性逐步回归(SMLR)法构建了截形叶螨危害下枣叶片含水率的高光谱估测模型,并以模型拟合度(R~2)为主要依据,结合均方根差(RMSE)和相对均方根差(RE)对模型的稳定性和预测能力进行了检验。【结果】微分数据变换可以有效增强枣叶片光谱与水分含量之间的相关性,其中以一阶微分变换的反射光谱与叶片水分含量间具有最密切的相关性。而在截形叶螨危害下枣叶片含水率的高光谱估测模型中,SMLR模型整体建模效果优于MLR模型,其中以655 nm等7个波段组合的一阶微分光谱敏感波段所构建的SMLR模型的拟合度最好,R~2达到了0.836。【结论】截形叶螨危害下枣叶片光谱反射率对其叶片含水率存在光谱指示波段。因此,利用高光谱技术对其叶片水分状况进行适时监测是可行的,这对该虫害危害后枣叶片水分含量信息的探测和虫害的早期监测及预警均有一定的应用潜力。     

近红外光谱法快速测定制浆材化学成分含量

为实现制浆材化学成分含量的快速测定与实时分析,用常规方法测定了120个制浆材样品的综纤维素、聚戊糖、酸不溶木素及苯醇抽出物含量,并采集了样品的近红外光谱。对原始光谱进行多元散射校正后,运用偏最小二乘法和交互验证的方法,根据主成分数与PRESS值的关系,确定最佳主成分数分别为9,10,8,9,据此建立样品相关化学成分含量的校正模型。独立验证中综纤维素、聚戊糖、酸不溶木素和苯醇抽出物模型的决定系数R2val分别为0.918 8,0.949 3,0.946 6和0.928 4,预测均方根误差(RMSEP)分别为0.70%,0.75%,0.72%和0.24%,相对分析误差(RPD)值分别为3.50,4.44,4.33和3.74,绝对偏差(AD)分别为-0.95%~1.22%,-1.42%~1.29%,-1.39%~1.14%和-0.34%~0.39%,4个校正模型较好地预测了验证集样品的化学成分含量,基本满足制浆造纸工业中快速测定的需求。     

基于机器学习和多源数据的湘西北森林地上生物量估测

【目的】针对传统森林资源清查方法成本高、时效性低和结果统一性差等问题,基于多源遥感数据,采用机器学习算法选择特征变量并建立估测模型,制作森林地上生物量(AGB)面分布产品,为森林资源信息化调查提供技术手段。【方法】以湖南省西北部为研究区,利用生物量异速生长方程将森林资源样地调查数据转换为AGB,筛选到393个样地AGB参考值。以Landsat-8数据为光学遥感数据源,提取各波段光谱信息、植被指数、纹理特征以及缨帽变换各分量;以ALOS PALSAR-2、Sentinel-1数据为雷达遥感数据源,提取各极化方式后向散射强度和归一化极化差分指数。结合高程、坡度、坡向地形因子,获得122个备选特征变量。采用逐步回归方法和随机森林(RF)算法筛选建模变量,分别建立多元线性回归(MLR)、RF和支持向量回归(SVR)模型。以均方根误差(RMSE)、相对均方根误差(rRMSE)和决定系数(R~2)为模型评价指标,运用十折交叉验证法评价模型效果,选择最佳模型完成生物量制图,并选取5种中国或全球尺度生物量制图产品进行比较分析。【结果】在训练集上,RF模型表现最好(RMSE=12.8 mg·hm~(-2),rRMSE=21.1%,R~2=0.93),其次为SVR模型(RMSE=26.1 mg·hm~(-2),rRMSE=43.3%,R~2=0.55),MLR模型表现最差(RMSE=30.9 mg·hm~(-2),rRMSE=50.5%,R~2=0.39);在测试集上,采用RF算法建立的模型表现(RMSE=30.1 mg·hm~(-2),rRMSE=51.3%,R~2=0.42)同样优于MLR(RMSE=32.6 mg·hm~(-2),rRMSE=54.1%,R~2=0.30)和SVR(RMSE=32.8 mg·hm~(-2),rRMSE=55.3%,R~2=0.25)。3种模型均显示出一定程度的低值高估和高值低估现象。RF模型选择出13个建模变量,包括PALSAR-2后向散射信息、高程以及Landsat-8光谱信息、植被指数、缨帽变换湿度与绿度分量差值。应用RF模型完成区域生物量制图,与其他产品对比,能够基本反映研究区内生物量分布情况,并显示出丰富的生物量分布细节信息,生物量范围为0～119 mg·hm~(-2),平均生物量为37.5 mg·hm~(-2),标准差为35.9 mg·hm~(-2)。【结论】结合多源遥感数据与机器学习算法,能够准确、快速地测算大范围生物量,具有较大应用潜力。相比SVR和MLR模型,RF模型在AGB估测上的表现更优,RF算法能够从多源变量中有效筛选出适用于AGB机器学习建模的变量。     

近红外光谱法快速测定速生桉木化学成分含量

用常规方法测定了104个速生桉木样品的综纤维素、聚戊糖、酸不溶木素及苯醇抽出物含量并采集了样品的近红外光谱。对原始光谱进行多元散射校正后,运用偏最小二乘法和交互验证的方法,确定最佳主成分数并建立样品相关化学成分含量的校正模型。独立验证中综纤维素、聚戊糖、酸不溶木素和苯醇抽出物模型的决定系数 Rval2分别为0.9067、0.9033、0.9504、0.9570;预测均方根误差(RMSEP)分别为0.33%、0.50%、0.31%、0.17%;相对分析误差(RPD)值分别为3.22、3.20、4.43、4.73;绝对偏差(AD)分别为?0.53%~0.60%、?0.95%~0.77%、?0.55%~0.52%、?0.22%~0.29%,4个校正模型较好地预测了验证集样品的化学成分含量,基本满足制浆造纸工业中快速测定速生桉木原料的需求。     

基于光谱水分指数的核桃叶片含水量估算模型

【目的】采用光谱技术定量反演果实不同生育时期叶片含水量,为新疆南疆盆地人工绿洲核桃节水灌溉与水分管理提供技术支持。【方法】以‘温185’核桃叶片为研究对象,利用Uni Spec-SC便携式光谱仪测定核桃果实不同生育时期的叶片光谱反射率,以水分指数(WI)、水分波段指数(WBI)、归一化水分指数(NDWI)、比值指数(WI/NDWI)、中心波长比值指数(Ratio975)和光化/生理反射(PRI)6种光谱水分指数为自变量,分别采用一元线性回归(MLR)、多元线性逐步回归(SMLR)、主成分回归(PCR)和偏最小二乘回归(SPLR)构建‘温185’核桃果实坐果期、速生生长期、硬核期、脂化期和近成熟期叶片含水量的光谱估算模型,并利用独立样本对模型精度进行检验和评价。【结果】在可见光波段,光谱反射率随叶片含水量的增加而增大,而在近红外波段,随叶片含水量的增加光谱反射率则呈减弱趋势,且绿光、黄光、红光、近红外光波段均是‘温185’核桃叶片水分含量的光谱敏感波段。果实不同生育时期叶片含水量与光谱水分指数的相关性虽均达极显著水平(P0.01),但相关系数绝对值的大小有较大差异。采用不同方法所构建的叶片含水量光谱估算模型中,果实坐果期、硬核期、脂化期和近成熟期以SMLR模型拟合度(R~2)最高,均在0.82以上,果实速生生长期则以PCR模型拟合度(R~2)最高,达到0.877 4,且采用独立样本对2种回归模型检验的均方根误差(0.613 7 g·kg~(-1)≤RMSE≤5.774 6 g·kg~(-1))和相对误差(0.818 2%≤RE≤2.977 5%)均较小,并均通过置信椭圆检验,模型估算值与实测值一致;而构建的果实不同生育时期叶片含水量MLR和SPLR模型拟合度(R~2)均较低,且均方根误差(1.021 0 g·kg~(-1)≤RMSE≤11.205 6 g·kg~(-1))和相对误差(1.109 7%≤RE≤3.680 8%)较大,表明模型估算效果均较差。【结论】所筛选的‘温185’核桃果实坐果期、硬核期、脂化期、近成熟期叶片含水量SMLR光谱估算模型和果实速生生长期叶片含水量PCR光谱估算模型具有很好的稳定性和较高的估算精度。可应用光谱水分指数构建叶片含水量估算模型,以用于新疆南疆盆地人工绿洲核桃果实不同生育时期叶片含水量的定量适时反演。光谱技术在核桃树体水分含量信息探测方面有较大的应用潜力。     

红外光谱技术快速预测杨木中木质素含量的研究

采用傅里叶红外光谱技术对杨木木质素含量进行预测,通过偏最小二乘法(PLS)和完全交叉验证方式建立校正模型,对原始光谱进行一阶导数二阶导数等不同预处理后,建立样品木质素含量和光谱数据之间的相关性,并与化学测定方法进行了对比。模型决定系数(R~2)为0.887 1,偏差为-0.44%~1.73%,结果表明红外光谱技术可用于杨木木质素含量的快速预测。     

支持向量机结合近红外光谱法测定杉木木质素的含量

采用支持向量机(SVM)结合近红外光谱(NIR)技术建立测定杉木中木质素的定量分析模型。以47个杉木样品作为实验材料,用常规方法测定了样品中木质素的含量,用近红外光谱仪采集相应的光谱,对光谱数据进行平滑、求导、小波压缩以及归一化,结合支持向量机,以径向基(RBF)作为核函数,建立了测定杉木中木质素含量的模型。校正相对误差的平方和为0.007433,预测相对误差的平方和为0.001219。结果表明,该方法测量比较准确,可以用于杉木中木质素含量的预测。     

基于高分二号的旺业甸林场蓄积量估测模型研究

【目的】为了探究国产高分二号(GF-2)影像在林分蓄积量估测中的潜力,并找到最佳的蓄积量估测模型。【方法】本次实验以内蒙古旺业甸林场为研究区,以高分二号卫星影像为信息源,结合2017年10月份调查的75块样地以及同时期的GF-2影像数据,提取波段特征、植被指数和纹理特征等43个遥感因子作为候选变量,利用Pearson相关系数选择出与蓄积量显著相关的6个变量,采用多元线性回归模型(MLR)、BP-神经网络模型(BP-ANN)、随机森林模型(RF)、支持向量机模型(SVM)和K邻近模型(KNN)进行蓄积量的估测。以决定系数(R^2)、均方根误差(RMSE)、相对均方根误差(RRMSE%)作为5种模型的评价指标,选择出旺业甸林场的最佳蓄积量估测模型,并绘制了研究区的森林蓄积量分布图。【结果】4种机器学习模型的结果明显优于传统的线性模型,其中随机森林(RF)模型和K邻近模型(KNN)均得到了较高的精度,其中RF模型的R^2为0.66,均方根误差为55.2 m^3/hm^2,相对均方根误差为28.1%,KNN模型的R^2为0.64,均方根误差为57.6 m^3/hm^2相对均方根误差为29.3%。【结论】在利用高分二号数据进行旺业甸林场蓄积量估测时,RF和KNN模型在估测针叶林蓄积量时相比于其他模型可以取得更好的结果。     

东北地区落叶松人工林生物量转换与扩展因子空间自回归模型

【目的】基于东北地区落叶松人工林森林资源连续清查固定样地数据,探讨生物量转换与扩展因子(BCEF)的最优模型形式,建立落叶松人工林BCEF空间自回归模型,为生物量精准估算提供模型支撑和依据。【方法】选择多种模型形式建立BCEF普通回归模型,从中选择拟合效果最好的模型,运用空间误差模型(SEM)和空间滞后模型(SLM) 2种空间自回归方法重新拟合模型,采用决定系数(R~2)、均方根误差(RMSE)和相对均方根误差(rRMSE)对模型进行评价,使用莫兰指数(MI)检验各变量和BCEF模型残差的空间自相关性。【结果】1) BCEF存在明显的空间自相关性,空间距离较小时,同一省内的落叶松人工林BCEF属性相似,随着空间距离增大,各省之间的BCEF属性差异逐渐体现出来,最终趋向随机分布; 2)在普通回归模型中,异速生长模型、对数模型和双曲线模型拟合效果较好,不同自变量对应的最优模型形式不同;林分平方平均直径(Dg)是解释能力最高的变量,以Dg为自变量的有效模型的R~2在0.945～0.958之间;其次是林分平均高和蓄积量,其有效模型的R~2在0.60以上;林分平均年龄的解释能力略低,其有效模型的R~2仅0.50左右;林分断面积(BA)和密度(N)对BCEF的解释能力较差,R~2均不超过0.50;以Dg为自变量的普通回归模型的残差存在明显空间自相关性; 3)以Dg为自变量的双曲线空间自回归模型最优,且SEM优于SLM,与对应普通回归模型相比,SEM的R~2提高3%,RMSE和rRMSE分别降低33%和35%,模型残差的MI不超过0.02,可较好消除空间自相关性。【结论】双曲线是BCEF最稳定的模型形式,Dg是解释BCEF的最优变量,建议采用以Dg为预测变量的双曲线函数空间误差模型估算BCEF。     

基于气候因子的杉木人工林削度方程构建

【目的】基于湖南省永州市75块杉木人工林样地的调查数据,构建含气候因子的杉木人工林树干削度方程,为后续研究气候因子对杉木树干削度的影响提供理论依据。【方法】从4个备选基础模型中选取1个最优的作为基础模型,使用数量化方法Ⅰ筛选出显著的气候因子,在此基础上,将气候因子和林分密度因子通过混合效应模型方法添至最优的基础模型中,确定最优的随机效应添加形式,从而构建含气候因子和林分密度因子的杉木人工林树干削度方程。【结果】Kozak(2004)模型为最优基础模型,其Ra2为0.959 5;夏季平均最高温（Txmax）、生长积温（DD5）为影响树干削度显著的气候因子。单含林分密度因子的杉木人工林树干削度方程的Ra2为0.971 0,均方根误差（RMSE）和平均绝对误差（MAE）分别为0.757 2、0.546 7,而含气候因子和林分密度的杉木人工林树干削度方程Ra2为0.981 6,RMSE和MAE分别为0.603 4、0.431 2,相比最优基础模型Ra2提升了2.3%,RMSE降低了32.56%,MAE降低了34.56%;相比单含林分密度因子的杉木人工林树干削度方程Ra2提升了1.1%,RMSE...     

基于随机森林的杉木标准树高曲线

以湖北省赤壁市国有林场40块杉木人工林实测数据为例,运用随机森林方法,以胸径、优势树高、优势胸径为自变量,建立树高预测模型。首先根据随机森林的置换精度重要性筛选出建模的自变量,并确定决策树的数量和竞争节点变量数,得到决定系数R2为0.9450,均方误差MSE为2.6966的随机森林树高预测模型。利用检验数据对随机森林树高预测模型和传统树高预测模型分别进行精度检验。结果表明：随机森林模型的拟合效果与预测效果都优于该传统树高模型,随机森林模型可以作为有效的树高预测技术。 关键词：杉木;标准树高曲线;随机森林