排序方式: 共有18条查询结果,搜索用时 15 毫秒
1.
2.
[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(RM... 相似文献
3.
从荆州城的现状出发,针对历史文化名城的特点,对其旅游特色创新问题进行了分析,并对城区具体景点的建设以及城市色彩等问题提出了一些建议。 相似文献
4.
【目的】对福建省将乐县土壤侵蚀及保持量现状进行定量分析,为该地区制定森林经营方案及水土保持工作提供依据。【方法】以福建省将乐县为研究区,首先建立降雨侵蚀力因子(R)图层、土壤可蚀性因子(K)图层、坡长坡度因子(LS)图层,然后依据实际土地覆盖类型和植被覆盖度构建植被覆盖或作物管理因子(C)图层和水土保持措施因子(P)图层。基于地理信息系统(GIS)和修正的土壤通用侵蚀方程(RUSLE)估算土壤侵蚀量和保持量,定量分析坡度(0°,90°)、土地覆盖类型与土壤侵蚀强度之间的相关关系。【结果】2015年研究区的现实侵蚀量为42.64×10~4t/年,平均土壤侵蚀模数为189.07t/(km~2·年)。从6种土壤侵蚀类型来看,微度侵蚀面积占研究区总面积的88.31%,轻度侵蚀面积占10.36%,中度侵蚀面积占1.13%,这3种侵蚀类型的侵蚀量占侵蚀总量的比例分别为12.43%,60.44%和19.79%;强度、极强度、剧烈侵蚀面积及侵蚀量所占比例均较小。各侵蚀等级在研究区内的空间分布较为均匀,总体来说中部、北部地区侵蚀量较大。7个坡度带中,土壤侵蚀量所占比例较大的是[15°,25°)、[8°,15°)和[25°,35°)坡度带,其面积所占比例分别为35.63%,23.95%和17.53%,侵蚀量所占比例分别为44.68%,24.63%和20.90%。研究区年均土壤保持量为6.98×10~6 t,每km~2土壤保持量为3 099.36t/年;有林地和稀疏植被的每km~2土壤保持量均较高,分别为3 773.58和22 254.39t/年,明显高于其他土地覆盖类型。【结论】将乐县微度侵蚀面积所占比例最大,轻度侵蚀的侵蚀量所占比例最大;森林和稀疏植被对将乐县的土壤保持量贡献最大,进行皆伐作业设计时应该尽量减小皆伐面积。 相似文献
5.
6.
在林业研究中,具有空间属性的林业数据分析、建模和预测越来越受到关注。遥感技术与地统计学方法相结合,提供了大尺度空间格局分析、森林资源动态监测和预测的方法。文中简单介绍了遥感技术与地统计学的方法和特点,从监测与分类、估计与模拟2个方面综述地统计学结合遥感技术在林业中的应用,并针对遥感数据结合地统计学方法在林业研究中存在的问题加以讨论。 相似文献
7.
修正的通用土壤流失方程中各因子单位的确定 总被引:2,自引:0,他引:2
[目的]明确和规范修正的通用土壤流失方程(RUSLE)中各因子的单位,使得RUSLE在中国具体应用过程中更加科学和便捷。[方法]通过对国内外RUSLE应用实践的总结和对比研究,并分析其科学合理性,找出最为普遍应用的、准确的RUSLE各因子的单位,明确不同单位类型之间的转化系数。[结果]国内RUSLE的应用,大部分是通过各地区建立的各因子统计模型转换成国际制单位系统,最后相乘得到的是以国际制单位表示的土壤侵蚀量,另一部分则是通过相应的各因子统计模型计算得到各个因子以美制单位系统表示的计算结果,最后再乘以224.2将土壤侵蚀量转换为国际制单位。国内主流侵蚀估计中使用的单位焦耳系统,单位面积有两种即km^2和hm^2。土壤流失量A常用的国际制单位为t/hm^2或t/km^2;降雨侵蚀力因子R常用的国际制单位为(MJ·mm)/(hm^2·h·a)或(MJ·mm)/(km^2·h·a);土壤可蚀性因子K的常用国际制单位为(t·hm^2·h)/(hm^2·MJ·mm)或(t·km^2·h)/(km^2·MJ·mm)。不同地区建立的计算方法通过相应的转换系数转换成国际制单位。最后,R和K因子的单位系统的一致性是RUSLE应用的关键步骤。[结论]R和K因子通过相应的单位转换系数转换为国际制单位以及两者的单位一致性是土壤侵蚀评估的重要基础。 相似文献
8.
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. 相似文献
9.
10.
[目的]优化地位级划分策略的效率并提高立地质量分级的准确性,提出基于分位数回归模型的地位级模型和立地质量评价方法.[方法]分别采用标准差调整法和分位数回归方法分级并评价了福建省三明市将乐国有林场418个杉木纯林样地的立地质量,并将结果进行比较.具体为:以林分树高生长量趋于稳定和杉木达到成熟龄为标准确定基准年龄(A0).... 相似文献