基于随机森林模型的陆地卫星-8遥感影像森林植被分类

以黑龙江省漠河县为研究区域,采用陆地卫星-8遥感影像为数据源,结合影像的光谱信息和数字高程模型辅助数据,分别采用最大似然分类法(MLC)和随机森林模型法(RFM)对研究区森林植被进行分类,并分析和评价光谱特征变量对模型的重要性、2种分类方法对森林植被类型分类的适用性。结果表明:随机森林分类方法的总体分类精度为81.65%、卡帕(Kappa)系数为0.812。与传统的MLC方法相比,RFM法均提高了3种森林类型的生产者精度和使用者精度,其中针阔混交林精度提高最多。通过分析特征变量的重要性,发现高程、归一化植被指数、红光波段、近红外波段、短波红外波段对模型分类精度有较重要的影响。说明随机森林模型方法结合多源信息是森林植被类型遥感分类的一种有效手段。     

杨圆蚧发生规律的研究

１９９３～１９９４年在黑龙江大庆市对杨圆蚧的发生规律进行了野外调查，并通过资料分析的方法对其进行了研究，结果表明：小黑杨（Ｐｏｐｕｌｕｓｘｉａｏｈｅｉ）、小青黑杨（Ｐｐｓｅｕｄｏｓｉｍｏｎｉ×ｎｉｇｒａ）比中东杨（Ｐｂｅｒｃｌｉｅｎｓｉｓ）抗虫性强。杨圆蚧在树干上的分布（累积虫口密度）为：树干中部＞上部＞下部，树干上东北方位的蚧虫数量比西南方位多。调查结果还表明：杨树从３～４年生开始被害，７～９年生被害最严重。杨圆蚧的危害，林缘比林内重、林带比片林重。通过对黑龙江省１０个市县杨圆蚧发生面积与温度、湿度等气象因子关系的研究，建立了杨圆蚧发生面积的多元线性回归预测模型，经检验证明，用该模型进行初步预测是可靠的。     

樟子松人工林的节子寿命及年轮丢失数

分析黑龙江省横头山林场和孟家岗林场14块标准地的樟子松人工林节子寿命、可测年轮和丢失年轮的数量及其变化规律.结果表明:樟子松人工林节子的寿命为2～32年(平均12.3年),可测年轮为1～25个(平均7.9个).绝大多数的死枝节子(占99.8%)会出现丢失年轮的现象,丢失年轮的数量为0～22个(平均为4.4个),88.6%的节子丢失1～7个年轮,丢失的年轮数超过7个的(8～22年)节子仅为11.2%.当林分年龄小于30年时,节子年轮丢失现象并不明显,随着年龄的增大,丢失年轮数急剧增长.丢失年轮的节子数量随着节子着生高度的增加而明显减少,节子的寿命、可观测年轮数、丢失年轮数随节子着生高度的增加而增大,达到最大值后呈稳定状态.节子的年轮数与节子的寿命成正比,呈明显线性递增关系.节子的寿命越长,则节子丢失年轮的数量就越多.樟子松平均丢失年轮数随着树木胸径的增大而增大,但与冠幅成反比.本研究结果为樟子松人工林的人工整枝提供了理论基础.     

基于GIS的森林资源管理信息系统

以黑龙江省尚志国有林场管理局为例,研究了以矢量化软件R2V、数据加工平台Geoway3．0为辅助工具,利用GIS软件ARC／INF08．02、ArcView3．2a及其二次开发语言Avenue建立森林资源管理信息系统的整个过程,并简要介绍了系统的组成、3个基本模块（即关于小班因子的统计表及直方图和打印模块）和5个主要功能,即该系统具有森林资源的显示与制图、空间和属性数据双向综合查询、GPS定位、汇总统计分析、数据动态更新。结果表明：系统操作简单易行,可以满足不同层次用户的使用要求,便于在生产中推广应用,并可以进行全局及各林场的经营决策分析,实现森林资源和森林经营的数字化管理,使森林经营决策更加科学化和合理化。     

基于节子剖析数据的长白落叶松人工林枝条丢失年轮数研究

目的为提高木材质量,本文利用节子剖析数据建立枝条丢失年轮数量的混合效应模型,以达到预测枝条丢失年轮数量的作用,为人工整枝提供一定的理论依据。方法以黑龙江省孟家岗林场长白落叶松人工林为研究对象,基于50棵长白落叶松解析木的1 434个节子数据,以Poisson分布为基础,采用SAS9.4软件中的glimmix模块,建立了节子丢失年轮数量的广义线性混合模型,通过计算相应的指标,选出最优混合模型。结果在考虑树木效应情况下,包含截距、节子高度、节子相对高度的随机效应参数的混合模型为最优混合效应模型;在考虑等级效应的情况下,包含节子相对位置、节子直径的随机参数的混合模型为最优混合效应模型。综合比较,两个混合模型的拟合效果均好于基础模型,其中考虑树木效应的拟合效果最好。模型的拟合结果表明:节子丢失年轮数量与节子着生高度、节子直径密切相关,位于树干基部的直径较大的节子,由于竞争作用,生长受到抑制,但是生存能力强、存活时间长,故而产生丢失年轮的数量较多。着生位置越靠上的节子,生存条件好,产生丢失年轮的数量少。结论通过长白落叶松人工林节子丢失年轮数量混合模型的建立,并对模型的预测效果进行检验,检验结果显示本文的混合模型能对枝条丢失年轮的数量进行预测且偏差较小。在接下来的研究中可以进一步完善,从而为人工整枝提供一定的理论依据。      

MAXIMUM DENSITY LINE AND MODEL OF SELF-THINNINGFOR PLANTATION

INTRODUCTIoNTIle3/2powerlawofsellLthinnlngpro-posedbyYodaelal(l963)wasconsideredasthegeneralmodelwhichdescribedtherela-tionshipoftreesizcandmaximumpopulationdcnsity'fortl1e.plai1tpopulationundergoingself-thinning.Furtherresearch,however,re-vealedtheoreticalinconsistenciesandempiri-calinaccuracy'ofthelaw(Sprugel1984,Zeidc1()85,l987;Wellerl987).Theseresearchcrsconsideredtl1elaM'isathilure.Sincetl1en-asecondtideofsuppoltingappeared,theyinter-pretedandreflitcdtl1eopposingopinions(Osa`vaand…     

基于Possion回归混合效应模型的长白落叶松一级枝数量模拟

利用广义线性混合模型对长白落叶松一级枝条数量进行研究,以黑龙江省佳木斯市孟家岗林场长白落叶松人工林为研究对象,基于7块标准地49株枝解析样木的596个一级枝条测定数据,利用SAS 9.3软件中的PROC GLIMMIX模块,建立了基于Poisson分布的一级枝条数量的最优基础模型。在此基础上考虑树木效应,构建每半米段一级枝条数量的广义线性混合模型,并利用AIC、BIC、-2log likelihood以及LRT检验对收敛模型的拟合优度进行比较。结果表明:任意参数组合的混合效应模型的拟合效果均好于传统模型,最终将含有DINC、LnRDINC、RDINC2这3个随机效应参数的模型作为长白落叶松每半米段一级枝条数量分布的最优混合效应模型。模型拟合结果显示,LnRDINC、CL的参数估计值为正值,DINC、RDINC2、HT/DBH、DBH的参数估计值为负值,每半米段一级枝条分布数量在树冠范围内存在峰值,模型的确定系数R2为0.669,拟合的平均绝对误差为2.250,均方根误差为3.012。从总体上看,所建立的一级枝条分布数量混合模型不但可以反映总体枝条数量的变化趋势,还可以反映树木之间的个体差异,说明广义线性混合模型确实可以提高模型的模拟精度。所得出的混合模型可以很好地预估该研究区内人工长白落叶松每半米段一级枝条数量的分布情况,为定量研究长白落叶松树冠构筑型和三维可视化模拟提供了基础。      

落叶松人工林整枝研究

根据落叶松人工林不同林龄的10块样地50棵树的节子数据和19块样地95棵树的圆盘数据,建立树高曲线模型、有效冠高的预估模型、林龄与死枝高度的曲线模型,各模型的判定系数均大于0.8,检验精度均大于95%。根据节子高度中的最低节子高度的平均值确定落叶松人工林的整枝起始高度（h1）,用林龄与死枝高度的曲线模型计算该高度上的枝条死亡的时间（t1）为起始整枝时间,t1=14 a。整枝的间隔时间随着林龄的增加先增大,当林龄达在40 a时开始减小。整枝强度也是随林龄的增加先增大,当林龄达到40 a时开始下降,说明林龄在35~40 a是该落叶松人工林生长最旺盛的时期,在这段时期可以考虑该落叶松人工林的主伐问题。当林龄达到47 a后,整枝强度降到1m以下。     

人工林三维可视化经营技术初探

从4个方面对人工林三维可视化经营技术进展情况进行了论述.     

基于节子分析技术构建落叶松人工林树冠基部高动态模型

【目的】基于节子分析技术构建落叶松人工林树冠基部高动态预测模型,分析落叶松树冠衰退规律及其影响因素,为制定合理的经营措施提供理论依据。【方法】以2007年设立的8块落叶松人工林标准地获取的40株解析木数据为基础数据,采用节子分析技术,得到树冠基部高随年龄的动态变化数据,应用传统线性模型、理查德和逻辑斯蒂非线性模型构建落叶松树冠基部高动态模型。【结果】传统线性模型、理查德和逻辑斯蒂非线性模型可较好拟合树冠基部高动态变化过程,模型参数均具有统计意义(P0.01),以理查德方程为基础模型构建的树冠基部高模型拟合效果最好,加入权重因子可消除异方差,降低估计参数标准误,提高预测精度,模型的确定系数(R~2)为0.904,绝对误差(Bias)和均方根误差(RMSE)分别为0.002和1.251,最优落叶松树冠基部高模型形式为HCB=(3.146+0.036CCF+0.225Bas+0.788HT-0.481CL)(1-e~(-0.086 t))~(4.278)。【结论】树冠基部高动态变化过程与林分发育规律一致,符合S形生长曲线,可通过树冠竞争因子(CCF)、林分断面积(Bas)、调查当年的树高(HT)和冠长(CL)解释,解释率达90.4%。树高、树冠竞争因子和林分断面积增大会导致树冠基部高上升,加速落叶松树冠衰退。竞争对树冠的影响较敏感,落叶松人工林10～41年间,树冠竞争因子大(187.33)的林分冠长率从75%下降到36%,而树冠竞争因子小(105.82)的林分冠长率从75%下降到40%;落叶松人工林树冠基部高平均每年上升0.66 m。本研究构建的树冠基部高动态模型可较好模拟落叶松人工林树冠基部高动态变化过程,利用单木和林分变量能够解释落叶松人工林树冠衰退趋势。通过检验验证,基于节子分析技术获取的树冠基部高数据构建的动态模型精度较高,可作为一种获取长期树冠动态变化数据的有效手段。