黑龙江省长白落叶松人工林单木生长模型

【目的】利用单水平线性混合模型构建了黑龙江长白落叶松人工林单木直径生长模型,为准确预测黑龙江省落叶松人工林的生长及合理经营提供理论依据。【方法】基于黑龙江省148块固定样地数据,运用逐步回归法,依次引入林木初始大小因子、竞争和立地因子,建立并评估了5种不同因变量(5年间隔期末胸高直径d₅,直径增长量d₅-d₀,5年直径增长量的自然对数ln(d₅-d₀+1),直径平方增长量的自然对数ln(d²₅-d²₀+1),直径平方增长量d²₅-d²₀)的黑龙江省长白落叶松人工林传统单木生长模型,同时基于最优传统模型采用哑变量方法构建了与距离无关的单木直径生长模型,并在哑变量模型的基础上把样地作为随机效应因子,运用单水平线性混合模型的方法构建了单木直径生长模型,并利用独立检验样本数据对基础模型、哑变量模型和混合模型进行检验。【结果】对于每一种因变量的单木生长模型,依次加入林木初始大小、竞争因子和立地因子后,模型精度均有显著提高; 因变量为ln(d₅-d₀+1)的模型为最优单木直径生长模型。影响黑龙江省落叶松人工林单木直径生长的主要因素有林木初始大小(ln d₀)、地位指数、林分每公顷断面积和大于对象木断面积和。哑变量模型在保证预估精度的同时体现了两个区域间的差异。混合效应预估模型的R²、均方误差(MSE)和均方根误差(RMSE)分别为0.978 3、0.713 7和0.844 8 cm。与传统模型相比,混合效应模型的相对平均均方误差和均方根误差较传统模型减少了0.300 6和0.162 3 cm,决定系数R²几乎相当。在模型检验中,混合效应模型呈现较好的拟合效果。【结论】基于线性混合效应的黑龙江省长白落叶松人工林的单木直径生长模型较传统模型预测精度更高。     

基于抚育间伐效应的长白落叶松人工林单木直径生长模型

【目的】分析抚育间伐对长白落叶松人工林单木胸径(D)生长的影响规律并对其进行模拟。【方法】基于黑龙江省孟家岗林场与江山娇林场10块固定样地复测数据,建立了基于抚育间伐效应的与树木距离无关的长白落叶松单木胸径5年生长量预估模型,量化了抚育间伐对林木直径生长的影响。长白落叶松单木直径生长模型为基于样地效应的单水平线性混合效应模型,根据赤池信息准则(AIC)和贝叶斯信息准则(BIC)等统计指标和似然比检验对模型进行比较和筛选,并采用独立样本数据对模型进行检验。【结果】当地位指数一定且林分年龄较小时,抚育间伐强度越大,林木直径生长量越大; 当林分年龄较大时,抚育间伐对林木直径生长影响不明显。同一林分中,林木直径生长量随林木径阶增大呈增大趋势。长白落叶松单木直径生长模型中显著自变量为:林木前期胸径的二次方(D²)、胸径的自然对数(ln D)、林分中大于对象木的所有林木断面积之和(B)、地位指数(I)、抚育间伐年龄(T_i)和间伐强度(P_i)。落叶松单木直径生长最优混合效应模型的AIC、BIC和均方根误差均小于一般线性模型。独立样本数据检验最优线性混合效应模型和一般线性模型的拟合效率分别为0.678 和0.624。【结论】基于抚育间伐效应的落叶松直径生长的最优线性混合效应模型优于一般线性模型。模型能够较好地量化抚育间伐对落叶松人工林单木直径生长的影响。     

华北落叶松人工林直径分布预测模型构建

【目的】基于不同直径分布预测模型(Weibull分布模型、Gamma分布模型、Lognormal分布模型),构建包含华北落叶松林分因子的直径分布线性混合效应模型,有助于分析直径分布对林分因子动态变化的响应。【方法】利用塞罕坝华北落叶松人工林标准地调查数据,应用最大似然估计法(Maximum Likelihood Estimation, MLE)估计模型参数,通过K-S(Kolmogorov-Smirnov)检验、C-V(Cramer-von Mises)检验、A-D(Anderson-Darling)检验对模型适用性进行检验,基于最优模型构建华北落叶松人工林直径分布线性混合效应模型。【结果】塞罕坝华北落叶松人工林直径分布最优模型为Weibull分布;基于最优模型,构建了包含优势高、断面积、对数密度的线性混合效应模型,当3个参数随机效应方差-协方差结构和误差项结构均为对角矩阵结构[UN(1)]时,模型的拟合效果最好。包含位置、尺度、形状3参数随机效应项模型的决定系数R²分别为0.895、0.888、0.801,均方误差(MSE)分别为5.365、1.724、1.151,均方根误差(RMSE)分别为2.316、1.313、1.073,拟合结果均较好。【结论】线性混合效应模型具有较好的预测直径分布能力,可为精准预测华北落叶松人工林直径分布提供理论依据和技术参数。     

基于GLMM的人工林红松二级枝条分布数量模拟

【目的】利用广义线性混合模型模拟人工林红松二级枝条分布数量,建立二级枝条分布数量广义线性混合模型,并选出最优模型。【方法】基于黑龙江省孟家岗林场人工林65棵红松955个一级枝上的二级枝条数量,通过传统Poisson回归方法选出模拟精度最高的基础模型,考虑树木效应与树木内枝条观测间的相关性,构建二级枝条分布数量广义线性混合模型,并利用R2、标准误差、平均绝对误差、相对平均绝对误差和Vuong检验对收敛模型进行比较。【结果】考虑树木效应的混合模型模拟精度均高于传统回归模型,最终将含有截距、lnR_DINC(R_DINC为着枝深度)、R²_DINC和C_L(冠长)4个随机效应参数以及自相关矩阵A_R(1)的广义线性混合模型选为二级枝条分布数量最优预测模型。在模型固定效应参数估计结果中,lnR_DINC、C_L和D_BH(胸径)前的系数为正值,R²_DINC、H_DR(高径比)前的系数为负值,树冠内二级枝条分布数量存在最大值。最优模型的R²为0.896 1,标准误差为5.15,平均绝对误差为3.83,相对平均绝对误差为23.25%。【结论】广义线性混合模型不仅提高了模型的拟合精度,在反映总体二级枝条分布数量变化趋势的同时,还可以反映每棵树木之间的差异。     

华北落叶松天然次生林树高曲线的混合效应模型

【目的】建立华北落叶松天然次生林树高曲线,为森林可持续经营提供技术支撑。【方法】基于116块华北落叶松天然次生林样地单木数据,从11个具有生物学意义的备选模型中选出一个最优基础模型。考虑地域和样地对树高曲线的干扰,基于94块样地利用带哑变量的非线性混合效应模型构建了树高曲线,并对22块样地数据进行验证。【结果】利用全部数据拟合11个备选模型,其中最优模型是Logistic方程,决定系数为0.765 3,均方根误差为3.279 4。引入哑变量和随机效应后,所建模型决定系数为0.915 2,均方根误差为1.892 2,与基础模型相比拟合精度显著提高。验证数据结果表明,带哑变量的非线性混合模型对树高的预测效果良好。【结论】样地随机效应对华北落叶松树高曲线干扰较大,当模型考虑这些随机效应对树高曲线的影响时能显著提高模型预测精度。该模型可用于华北落叶松天然次生林其他样地树高的预测。     

基于气候因子的杉木单木胸径生长模型构建

【目的】为准确预测湖南杉木的生长及制定经营管理措施,构建了考虑气候因子的杉木单木胸径生长混合效应模型。【方法】基于湖南省第七、八次全国森林资源连续清查中73块样地的3 638株杉木数据,运用多元逐步回归的方法,考虑林木大小、竞争、立地和其他林分因子以及气候因子对杉木胸径生长的影响,分别以5年胸径增长量(D₂-D₁)、5年胸径增长量的自然对数[ln(D₂-D₁+1)]、5年胸径平方增长量的自然对数[ln(D₂²-D₁²+1)]、胸径平方增长量(D₂²-D₁²)为因变量构建模型,选择最优基础模型。在最优模型的基础上,引入样地随机效应,构建单水平线性混合效应模型,并引入3种常用的异方差函数和3种常用的自相关结构来消除模型的异方差和自相关,最后采用十折交叉验证的方法对模型的预估效果进行检验。【结果】与其他3种因变量相比,因变量为ln(...     

黑龙江省红松和长白落叶松人工林树冠外部轮廓模拟

【目的】红松和长白落叶松是黑龙江省主要的造林树种,构建两个针叶树树冠外部轮廓预估模型,为进一步科学合理地经营人工林提供参考。【方法】采用黑龙江省红松和长白落叶松人工林中各50株解析木的枝条解析数据,以分段抛物线方程、修正Kozak和Weibull方程为基础模型,构建以样木为单一水平树冠外部轮廓的非线性混合效应模型,并对两树种的树冠轮廓进行比较。【结果】两树种树冠外部轮廓的分段抛物线预估模型包含的变量均为D_BH(胸径)、C_L(冠长)、C_R(冠长率)、H_D(高径比),修正Kozak和Weibull预估模型包含的变量为D_BH、C_R、H_D。加入混合效应后,各模型的拟合效果较基础模型均有所提高。修正Weibull方程对红松和长白落叶松的拟合效果最好,但与分段抛物线和Kozak方程之间的差别不是很大。对于红松,分段抛物线方程预估的树冠半径在靠近树冠基部要低于修正的Kozak方程和修正的Weibull方程; 对于长白落叶松,各模型之间的拟合效果差别较小。【结论】分段抛物线方程、修正Kozak和Weibull方程均能够对黑龙江省红松和长白落叶松人工林树冠外部轮廓进行比较准确的模拟。修正Kozak方程和Weibull方程包含的树木变量较少,参数估计相对简单,容易通过积分计算树冠体积及表面积。     

基于广义代数差分法的杉木人工林地位指数模型

【目的】地位指数法是森林立地质量评价常用的一种方法。采用广义代数差分法建立适用于杉木人工林的动态地位指数模型。【方法】利用福建省将乐县国有林场杉木人工林的24个固定样地连续观测数据和20株杉木优势木树干解析数据,基于Bertalanffy-Richards模型、Lundqvist-Kolf模型和Hossfeld模型3个经典的生长方程,以广义代数差分法对杉木人工林构建了6个动态地位指数模型。模型比较时综合考虑了统计学和生物学特征,通过统计分析和图形分析筛选出最佳的模型。【结果】构建的6个动态地位指数模型都具有良好的拟合优度,调整后的决定系数都在0.9左右。基于Hossfeld 生长方程,选择a=b₁+X和b=b₂/X作为与立地有关的参数推导的模型确定为最佳模型,推荐采用该模型对将乐县国有林场人工杉木林进行优势树高生长预测和立地质量分类。【结论】广义代数差分法建立的动态地位指数模型具有较好预测性能,说明广义代数差分法在推导地位指数模型时是准确而有效的。在选择最优生长模型时不仅要考虑统计分析,还应该进行图形分析,从而选出满足统计学以及生物学特征的模型。     

基于线性分位数组合的兴安落叶松冠幅预测

【目的】 使用线性分位数回归和分位数组合对兴安落叶松(Larix gmelinii)冠幅进行建模和预测,为准确模拟和预测冠幅生长提供技术支持。【方法】 利用大兴安岭兴安落叶松天然林实测数据,采用线性回归和分位数回归构建基础和多元冠幅模型。比较7种分位数组合:三分位数组合(τ=0.1, 0.5, 0.9和τ=0.3, 0.5, 0.7)、五分位数组合(τ=0.1,0.3,0.5,0.7,0.9和τ=0.3,0.4,0.5,0.6,0.7)、七分位数组合(τ=0.1,0.2,0.3,0.5,0.7,0.8,0.9和τ=0.1,0.3,0.4,0.5,0.6,0.7,0.9)和九分位数组合(τ=0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9)的预测效果。分析4种抽取方案(随机抽样、选择最大树、平均木、最小树)和9种抽样数量(1~9株)对预测精度的影响。同时使用K折交叉验证对线性回归、最优分位数回归和最优分位数组合进行比较。【结果】 线性和分位数回归都能对冠幅模型进行拟合,中位数回归的拟合结果与线性回归相似,且在所有分位数中拟合能力最好。多元冠幅模型和分位数回归的拟合及检验效果都优于基础模型,冠幅与胸径和样地平均高(立地质量)呈正相关,与枝下高(树木大小)和样地内落叶松断面积(竞争)呈负相关。使用分位数组合可以提高模型的预测能力,7种分位数组合的差异很小,三分位数组合(τ=0.3, 0.5, 0.7)的预测能力最好。对于基础和多元分位数组合在实际应用时,最优抽取方案都为选取最大树,每个样地建议选取6株样木。【结论】 基于线性分位数组合的冠幅模型可以提高预测精度,建议使用三分位数组合和选取最大树及抽取数量为6株的方案对冠幅进行预测。     

基于广义非线性混合效应的华北落叶松天然次生林枝下高模型

【目的】立木枝下高模型的构建是森林经营的核心内容,利用非线性混合效应模型方法构建华北落叶松枝下高模型,可为森林生长与收获研究提供理论依据。【方法】基于112块华北落叶松天然次生林样地单木数据,从7个备选的枝下高-树高模型中选出一个最优基础模型; 分析9个不同单木或林分因子及其因子之间的组合对枝下高的影响,将影响显著的因子作为模型预测变量以提高模型精度。在此基础上,考虑区组以及嵌套在区组里的样地对枝下高的影响,即构建嵌套两水平的非线性混合效应枝下高模型。【结果】Logistic模型预测精度较高并且模型参数可解释,因此选为基础模型。除树高之外,立木胸径、样地内所有大于对象木胸径的立木断面积总和、平均冠幅和林分密度与枝下高相关显著,故作为模型预测变量。与传统模型相比,所构建的两水平嵌套非线性混合效应模型对应的决定系数提高了53.26%,均方根误差降低了24.73%,因此明显提高了模型预测精度。【结论】区组和嵌套在区组里的样地对立木枝下高随机干扰较大,当考虑这些随机效应对枝下高的影响时能明显提高模型的预测精度。     

基于多站扫描的点云特征参数与材积结构动态分析

【目的】采用地面激光雷达(TLS)进行多站点扫描获取立木的点云信息,提取有关点云分布的特征参数,拓展立木测树因子,建立基于特征参数的材积模型。【方法】以马褂木(Liriodendron chinense)人工林为研究对象,利用点云数据提供的立木上部直径(d)、树高(H)等因子对两期(2014、2017年)林分结构变化进行分析;设计并提取基于TLS点云的特征参数高度累计百分比,同时提取了其他与高度相关的特征参数作为一组变量;将提取的立木胸径(DBH)与特征参数作为另一组变量;最后分析特征参数、胸径与材积的相关性,通过逐步回归法分别建立基于两组变量的材积模型,并分析两期材积的动态变化。【结果】选用特征参数H₂₅与H_{t, var}(点云高度方差)拟合两期材积模型,其决定系数R²分别为0.771 1、0.742 6;利用特征参数H₂₅与胸径拟合,模型预测精度有明显的提升。以上两组材积模型预测各径阶材积变化,其模型值与实测值无显著差异,R²均高于0.9。【结论】研究提取的高度累计百分比与立木测树因子紧密相关,可以很好地反演林木的动态结构。研究建立的材积模型均有较高的精度,可用于林木材积动态变化监测,为地面激光扫描点云参与森林资源动态监测提供理论参考。     

海南岛东北部木麻黄立木生物量建模

【目的】木麻黄是海南岛沿海主要的造林防护树种,量化估测木麻黄林生物量有利于明确木麻黄的碳汇贡献能力。【方法】以海南岛东林场木麻黄林为研究对象,选取了44株标准木,并获得其生物量实测数据。基于筛选的41株木麻黄样木生物量数据,分别选出地上和地下生物量最优独立模型,依据非线性度量误差模型的理论和求解方法,以及地上、地下生物量与材积变量之间的转换关系,建立了木麻黄地上生物量和地下生物量相容性模型,并采用加权回归消除各模型的异方差。【结果】地上、地下生物量最优独立模型为以胸径D为自变量的一元方程,立木材积的最优独立模型为以胸径D和树高H为自变量的二元独立模型; 非线性度量误差联立方程组能够很好地解决生物量相容性的问题,地上、地下生物量和立木材积的决定系数R²均大于0.95,并很好地改进了单株预测精度(平均百分标准误差E_MPSE均小于10%)和控制了平均预估误差; 同时,得出生物量转换因子(E_BCEF)和根茎比(R)的二元方程。【结论】此次建立的木麻黄生物量非线性联立方程组可用于大范围尺度估算木麻黄防护林的生物量及其碳储能力。     

华北落叶松冠层光合生理特性的空间异质性

【目的】森林生产力取决于树冠的整体光合能力,而树冠不同部位的光合作用具有差异性。深入了解华北落叶松冠层内光合作用的差异,为冠层水平模拟和准确估算森林生产力提供依据。【方法】采用Li-6400便携式光合仪对山西省太岳山20年生和40年生华北落叶松不同层次和不同方位的光合生理特性进行研究。【结果】20年生华北落叶松树冠中上层与下层的净光合速率(P_n)差异显著(P<0.05),而不同方位上的P_n差异不显著; 40年生华北落叶松树冠上、中、下3个层次的P_n差异显著(P<0.05),不同方位上的P_n差异也不显著。影响20年生华北落叶松树冠P_n的主要因子是羧化效率(V_c)、胞间CO₂浓度(C_i)、蒸腾速率(T_r); 影响40年生华北落叶松树冠P_n的主要因子是V_c、气孔导度(G_s)、水汽压亏缺(p_VPD)。20年生和40年生华北落叶松树冠不同层次、不同方位叶绿素a、叶绿素b和总叶绿素含量差异不显著。【结论】冠层光合空间异质性是冠层水平模拟和估算森林生产力时必须考虑的因素,这对于从单木到林分的尺度推演和模型拟合具有重要的意义。     

基于TLS辅助的长白落叶松一级枝条生物量模型构建

【目的】探究利用地基激光雷达(terrestrial laser scanning, TLS)点云数据估测枝条生物量的可行性,构建预测长白落叶松(黄花落叶松)枝条生物量的最优模型。【方法】以利用孟家岗林场26株长白落叶松点云数据提取出的733个一级枝条的特征因子[枝长(L_BL)、弦长(L_BCL)、基径(d_B)、着枝角度(A_B)、弓高(H_BAH)、枝条基部断面积(S_BAB)、相对着枝深度(d_RDINC)]和对应的实测数据为数据源,分别建立枝条水平上的一级枝条生物量基础模型,通过对比基础模型之间的差异来分析利用TLS数据建立枝条生物量模型的可行性。最后利用TLS数据分别对比基础模型、混合效应模型和随机森林模型的预测效果。【结果】基础模型中最终选定的自变量为S_BAB和L_BCL。利用TLS数据建立的枝条生物量基础模型具有更好的预测精度。对比3种模型预测能力结果显示,随机森林模型无论在训练集还是测试集...     

基于BP神经网络的长白落叶松人工林林分平均高预测

【目的】研究BP神经网络模型在树高预测中的应用,分析比较不同森林调查因子及不同神经网络训练算法对平均树高预测的影响,为树高预测提供新的方法。【方法】以吉林省长白落叶松人工林为对象,基于168块固定样地的314个观测数据,运用BP神经网络建模技术建立了林分平均树高生长模型。输入因子首先加入年龄,然后依次加入立地因子及林木竞争因子,分析立地因子及林木竞争因子对树高的影响。基于Matlab R2016b中的Sigmoid函数和线性函数为神经元的传递函数,分别采用贝叶斯正则化算法和Levenberg-Marquatdt算法(简称L-M算法)对网络进行训练,对比分析了贝叶斯正则化算法和L-M算法作为训练函数的差异。【结果】与L-M训练算法相比,贝叶斯正则化训练算法具有更好的泛化能力。模型中依次加入年龄、立地因子、林木竞争因子后,树高的拟合精度呈现出相同的上升趋势。采用贝叶斯正则化训练算法,当年龄作为输入因子时,决定系数R²为0.521 0,均方根误差(RMSE)为2.091 7,平均绝对误差(MAE)为1.627 6。加入立地因子后,决定系数R²提高至0.573 6,提高了10.10%,均方根误差(RMSE)为1.973 6,降低了5.65%,平均绝对误差(MAE)为1.579 7,降低了2.94%; 在此基础上,加入林木竞争因子后,决定系数R²为0.845 5,增长了47.40%, 均方根误差(RMSE)为1.187 9,下降了39.81%,平均绝对误差(MAE)为0.968 5,下降了38.69%。【结论】利用贝叶斯正则化BP神经网络可以准确地预测长白落叶松人工林的平均高。立地因子及林木竞争因子能够较好地提升林木生长预测的精度,且林木竞争因子对树高的影响明显大于立地因子。     

长白落叶松-水曲柳混交林不同混交方式单木冠长预测模型

【目的】为了准确预估长白落叶松-水曲柳4种不同行间混交方式(行间混交比例分别为1∶1、2∶2、3∶3、5∶5)的单木冠长,采用联立方程组模型分别构建了长白落叶松和水曲柳的冠长模型。【方法】基于黑龙江省尚志国有林场管理局的长白落叶松-水曲柳混交林54块标准地的样木数据,从3种非线性的基础冠长模型中选取最优冠长模型,以单分子式模型为树高曲线的基础模型,并将混交比例(Z_i)和树木在混交带内位置(K)作为哑变量,加入其他树木变量、林分变量和竞争因子,分别构建长白落叶松和水曲柳的冠长模型;基于最优冠长模型和树高曲线模型建立联立方程组模型,采用非线性似乎不相关回归(NSUR)的方法进行参数估计,并对所构建的模型进行评价。【结果】长白落叶松冠长与高径比呈负相关,与林木树高和林分优势高之比呈正相关;水曲柳冠长与高径比呈负相关,与林木胸径和林分优势木胸径之比呈正相关;长白落叶松树高与长白落叶松优势木平均高呈正相关,水曲柳树高与水曲柳优势木平均高呈正相关。联立方程组预估长白落叶松冠长和树高的调整后决定系数 ( R_{\mathrm{a}}^2 )分别为0.478 1和0.821 6,联立方程组预估水曲柳冠长和树高的 R_{\mathrm{a}}^2 分别为0.395 8和0.752 9。【结论】构建冠长和树高联立方程组模型不仅具有较好的拟合效果及预测精度,还解决了冠长与树高之间内在相关性的问题。因此,本研究所构建的冠长模型可以很好地预测东北地区混交林内长白落叶松和水曲柳的冠长,为进一步研究混交林树木树冠结构提供依据。     

基于多机器学习模型的逐小时PM2.5浓度预测对比

【目的】比较分析XGBoost模型、LightGBM模型、随机森林模型(RF)、K最近邻模型(KNN)、长短期记忆神经网络(LSTM)、决策树模型(DT)共6个PM_2.5浓度预测模型,以准确、及时预测环境PM_2.5浓度。【方法】基于重庆市合川区2020年全年空气质量监测数据和气象数据,通过最大相关最小冗余算法(MRMR)进行数据降维选择最优特征子集,作为模型的输入,逐一进行PM_2.5浓度预测;考虑到不同季节PM_2.5浓度差异较大,故分季节预测了PM_2.5浓度;为了探究各模型预测性能,计算了各模型运行时间和内存占用,并基于PM_2.5与特征变量的相关性和特征变量的重要性探讨了模型预测性能季节性差异原因。【结果】模型总体预测精度从高到低排序为 XGBoost、RF、LightGBM、LSTM、KNN、DT模型;预测性能方面,6个模型均表现为秋冬季节预测精度高于春夏季节;LightGBM模型可在保证模型精度的情况下,大幅减少模型训练时间和内存占用;特征重要性显示PM₁₀浓度、气温和气压的重要性高,O₃浓度、风向和NO₂浓度重要性相对较弱。【结论】采取MRMR方法进行数据降维选取的最优特征子集能较好地预测PM_2.5浓度;相比较而言,XGBoost、RF、LightGBM、LSTM模型在PM_2.5浓度预测上具有较优性能,其中综合性能较好的为LightGBM模型。