基于分层贝叶斯方法的高山松单木生物量模型

以香格里拉市典型森林生态系统高山松林为对象,在前期进行Ⅰ区和Ⅱ区共115株高山松单木地上生物量实测基础上,以异速生长方程为单木生物量基础模型,并采用分层贝叶斯方法、非线性混合模型法、贝叶斯方法和非线性最小二乘法进行异速生长参数拟合,运用决定系数(R²)、估测精度(E)、均方根误差(RMSE)等指标对模型参数拟合效果进行评价。结果表明:1)从拟合精度看,4种方法的模型拟合效果均较好,R²均达到了0.98以上。但分层贝叶斯方法估计结果更优,其R²=0.985 6,E=84.76%和R_MSE=39.75 kg;2)通过对比不同方法的差异发现,加入了区域随机效应的分层贝叶斯方法和非线性混合模型法的拟合效果均优于未加入区域随机效应的贝叶斯方法和非线性最小二乘法。分层贝叶斯方法在拟合高山松单木生物量模型中具有更大优势,模型拟合效果最好。加入了随机效应的分层贝叶斯方法和非线性混合模型法可以提高单木生物量模型的估计精度,采用分层贝叶斯方法进行高山松单木生物量模型参数估测,为大尺度样本数据模型参数估测方法提供新思路。     

Worldview-2不同波段纹理特征对森林蓄积量估算精度影响

为检测高分辨率遥感影像不同波段纹理特征对于森林蓄积量估算精度的影响,以湖北省荆门市京山县太子山林场马尾松纯林为对象,基于灰度共生矩阵的方法分别提取高分辨率遥感影像Worldview-2 红光、绿光、蓝光、近红外波段和全色波段的纹理特征,利用随机森林算法,分别建立野外样地蓄积量与纹理参数的模型。结果表明,全色波段对马尾松森林的精度最高（R²=0.86,RMSE=47.37 m³·hm^-2）,其次是绿色波段（R²=0.85,RMSE=50.82 m³·hm^-2）和近红外波段（R²=0.85,RMSE=46.85 m³·hm^-2）,蓝色波段（R²=0.68,RMSE=60.72 m³·hm^-2）和红色波段（R²=0.69,RMSE=56.27 m³·hm^-2）的精度最低;窗口大小对模型精度影响较小,全色波段的R²取值在0.82~0.86,RMSE取值在47.66~51.99 m³·hm^-2,多光谱波段的R²取值在0.88~0.89;蓝色和红色波段的非相似度（DIS）的估算模型精度相对较高,绿色波段的对比度（CON）（R²=0.87,RMSE=46.21 m³·hm^-2）估算精度最高,红色波段的非相似度（R²=0.68,RMSE=58.30 m³·hm^-2）估算精度较高,近红外波段的角二阶矩阵（ASM）（R²=0.68,RMSE=60.30 m³·hm^-2）精度最高,全色波段的对比度、相关性、熵、变化量模型精度较高,R2为0.85。利用高分辨率遥感影像纹理特征估算森林参数时需综合考虑不同波段的纹理特征对模型的贡献。     

基于地形与竞争因子的青冈栎次生林树高哑变量模型研究

考虑不同地形和林木竞争对青冈栎树高与胸径关系的影响,构建青冈栎树高与胸径的哑变量模型,为青冈栎次生林的树高预测和可持续经营提供理论依据。以16个青冈栎次生林固定样地为研究对象,通过确定系数（R²）、赤池信息量准则（AIC）、均方根误差（RMSE）和平均预估误差（MPE）4个评价指标,从11个基础模型中筛选出最优的基础模型。利用F统计检验分析了不同坡向和坡度对青冈栎树高与胸径关系的影响,同时对Hegyi简单竞争指标进行了改进。基于坡向、坡度和竞争强度3个哑变量,构建青冈栎树高与胸径的哑变量模型。结果表明,对数模型M2为最优基础模型,其确定系数（R²=0.686）最大,均方根误差（RMSE=1.380）和平均预估误差（MPE=1.242）最小;不同坡向和坡度下,模型的F统计值均大于F临界值;Hegyi改进指标与树高、胸径的相关系数达到-0.452、-0.418,相比Hegyi简单竞争指标有明显提高;基础模型中引入坡向、坡度和竞争强度哑变量后,模型的拟合精度均显著提高,R²提高了0.035,RMSE减少了0.077,MPE减少了0.070%。从林木的水平和垂直空间上构建青冈栎林木竞争指标更加准确,坡向、坡度和林木竞争对青冈栎树高与胸径关系存在显著影响。综合考虑地形与林木竞争的哑变量模型拟合精度更高,能为青冈栎树高生长的预测提供参考。     

岳麓山枫香风景林碳汇效应研究

岳麓山枫香林既是长沙市城市森林主要的组成部分,又是我国四大观赏红叶的风景林之一。开展岳麓山枫香风景林碳汇效应研究对系统评价和科学管理长沙城区重要风景林资源意义重大。采用样地实测结合相对生长模型的方法对岳麓山枫香风景林碳汇效应进行研究,建立枫香风景林各器官生物量的最优模型,估算根、干、枝、叶的碳储量及总碳储量和碳密度。结果表明,枫香林分林木径阶在6.1~46 cm时,各器官碳储量大小依次为树干＞树根＞树枝＞树叶;林木径阶>46 cm时,各器官碳储量大小依次为树干＞树枝＞树根＞树叶。岳麓山枫香风景林最优碳汇量生长拟合方程为C=0.124D^2.258（R²=0.985）。平均碳汇速率随胸径增大而增大。岳麓山枫香风景林的碳汇效应较大,样地平均碳储量为8.70 t,平均碳密度为96.69 t/hm²,对改善城区人居环境作用明显。     

油松林分断面积与蓄积量生长模型研究

对北京地区油松林分断面积、蓄积量生长模型进行研究,为建立通用的、相容的断面积、蓄积量生长模型奠定基础。利用北京市油松一类清查数据,以Richards和Shumacher 为基础模型,通过选取不同的密度指标,分别拟合油松林分的断面积、蓄积量生长模型,并选取最优的断面积、蓄积量模型,引入哑变量,将间伐林分和未间伐林分合并建立林分断面积、蓄积量生长模型。结果表明,油松林分的断面积、蓄积的模拟效果都较好,R²分别最高达0.900 0、0.890 0,而且不同的密度指标直接影响模型的预估效果,林分断面积生长模型选用林分密度指数作为密度指标的预估效果更好;林分蓄积量生长模型选用林分断面积作为密度指标时预估效果更好,当在模型中的渐近值参数引入密度指标后,Schumacher模型对林分蓄积量的预估精度又要略优于Richards模型,通过模型的独立性检验,预测精度均在91%以上;而在最优的模型上引入哑变量后的林分断面积、蓄积量模型的R²、预测精度都比常规的模型稍高,R²均在0.900 0以上,预测精度在0.950 0以上。引入哑变量能适当的提高模型的精度,可以用来描述北京地区油松林分在不同措施下的生长变化规律,也解决了不同类型林分合并建模不相容的问题。     

联合光学和合成孔径雷达数据的太平湖森林地上生物量反演研究

光学和合成孔径雷达（SAR）多源传感器数据融合对提高森林地上生物量（AGB）提取精度具有重要意义。以太平湖森林为研究对象,以Sentinel-1 SAR数据和Sentinel-2光学数据为数据源,利用随机森林回归算法系统性地评估光学和SAR数据对AGB反演的互补优势和策略选择。采用Sentinel-2光学数据的AGB反演精度（R²=0.63,RMSE=37.05 mg/hm²,sMAPE=0.56）优于采用Sentinel-1 SAR数据的AGB反演精度（R²=0.37,RMSE=52.25 mg/hm²,sMAPE=0.65）,联合两者数据的AGB估算精度最高（R²=0.69,RMSE=34.17 mg/hm²,sMAPE=0.55）;基于不同策略构建的AGB估计模型当中,植被指数（RVI、NDVI和红边相关的NDVIre）和纹理变量（NDVIre_Mea）的重要性高于光谱波段和后向散射系数。联合Sentinel-1和Sentinel-2数据的光谱波段、植被指数、纹理信息和后向散射系数,能够有效的缓和遥感信息饱和性问题和提高AGB反演精度。     

福建将乐灌木生物量模型研究

以实测数据为基础,采用模型法分析了福建将乐林场粗叶榕、檵木、厚叶冬青、建润楠4种灌木生物量与地径（D）、株高（H）、冠幅（C）、植冠面积（A）、DH、D²H的相关性。结果表明,以DH、D²H为参数构建的w=a+b(DH)+c(DH)²+d(DH)³和W=a+b(D²H)+c(D²H)²+d(D²H)³模型方程能更好地描述灌木的生物量与各形态因子的相关关系;同时,拟合灌木层混合生物量模型,其整株生物量模型为W_总=35.4+4.19×10^-2(DH)+2.03×10^-3(DH)²+1.08×10^-6(DH)³(R=0.921,SEE=0.921)。     

基于不同预测变量的橡胶树地上生物量模型

在海南岛范围内,橡胶林种植面积很大,但对于这种经济树种大多评估它的生产效益和经济效益,很少建立生物量估计模型。基于海南岛54株实测生物量数据,建立橡胶树不同组合自变量非线性回归模型和非线性度量误差模型。由于生物量与自变量之间存在非线性关系,在拟合模型时采用最小二乘建模技术。模型的选择基于解释系数（Pseudo-R²）、均方根误差（RMSE）和平均预测误差（MPE）。结果表明,通用模型的解释系数（Pseudo-R²）和平均预测误差（MPE）分别为0.70~0.94、-0.8%~1.1%,选择基于胸径和木材基本密度的二元模型为最优通用模型。以最优通用模型地上生物量估计值为总量,构建各分项生物量相容性模型,其中树干生物量模型的Rseudo-R²、RMSE值分别为0.92、28.4 kg,拟合效果优于树枝和树叶生物量模型。总体来看,添加树高、树冠和木材基本密度因子进行橡胶树地上生物量模型的构建十分必要。     

基于RapidEye的人工林生物量遥感反演模型性能对比

利用2012年RapidEye高空间分辨率遥感影像并结合野外样方数据,采用多种建模技术进行生物量的反演和制图。先依据RapidEye光谱数据发展出包括NDVI、RVI等多种植被指数、光谱特征图像及纹理特征,再通过相关分析筛选建模所需因变量,采用支持向量机、BP神经网络和随机森林算法建立森林生物量估测模型并进行精度验证。结果表明,基于支持向量机的建模R²为0.687,验证R²为0.641,平均相对误差为0.306;基于BP神经网的建模R²为0.552,验证R²为0.358,平均相对误差为0.525;基于随机森林的建模R²为0.850,验证R²为0.324,平均相对误差为0.468。采用支持向量机算法所制作的空间意义明确的森林生物量分布图,为制定合理的森林经营措施提供有益指导。     

基于颜色参数和BP神经网络的紫叶李叶片花青素含量估算

目前对植物叶片花青素含量的测定主要是湿化学法和高效液相色谱法(high performance liquid chromatography,HPLC),为简化测定方法,降低成本和提高精度,提出一种利用数码相机获取照片提取的颜色参数构建模型无损估测植物叶片花青素含量的方法。试验测定166份紫叶李叶片的花青素含量及其RGB特征值,对15种颜色参数进行皮尔逊相关分析,构建逐步多元线性回归（stepwise multiple linear regression,SMLR）、一元线性回归（single linear regression,SLR）和BP神经网络（BP neural network,BPNN）估算模型;同时对模型进行验证和比较。结果表明,1）BP神经网络模型建模集的R²、RMSE和MAE分别为0.883、0.412、0.323,验证集的R²、RMSE和MAE分别为0.796、0.462和0.353,相关系数均达到极显著水平;一元线性回归模型中,参数G-B与花青素含量的线性相关性最强,相关系数为-0.820,达到极显著水平;逐步多元线性回归模型的相关系数均达极显著水平,其中建模集的R²、RMSE和MAE分别为0.724、0.630、0.459,验证集的R²、RMSE和MAE分别为0.643、0.616和0.509。2）颜色参数与花青素含量之间具有明显的相关性,利用数码相机获取的颜色特征值估测紫叶李叶片花青素含量具有可行性;3）3种模型中,BP神经网络模型的估测效果最好,能有效地估测紫叶李叶片花青素含量,其次为逐步多元线性回归,一元线性回归模型的预测效果相对较差。     

基于混合效应的兴安落叶松单木断面积生长模型研究

森林生长观测数据通常具有连续重复观测的特点,传统方法会得到有偏的参数估计,为准确预测兴安落叶松林分的生长动态,建立预估精度较高的林分生长收获混合效应模型,以期为内蒙古大兴安岭地区兴安落叶松的生长和经营提供科学依据。基于内蒙古大兴安岭地区第六次至第九次（2003-2018）全国森林资源连续清查数据,筛选出以兴安落叶松为优势树种的样地626块,样木株数60 279株。其中501块样地的47 524株兴安落叶松数据用于构建兴安落叶松的胸高断面积生长预估模型,采用剩余的125块样地的12 755株兴安落叶松数据对构建的模型进行独立检验。结果表明,胸径的倒数（1/DBH）、每公顷株数（NT）、比对象木大的胸高断面积之和（BAL）、坡度和坡向的组合（SLcos）对天然林内兴安落叶松的生长有显著影响。相比于传统的基础模型,考虑样地效应的混合效应模型显著地改善了胸高断面积生长预估模型的表现,决定系数（R²）从0.353 7提高到0.488 6,平均绝对误差（Bias）和均方根误差（RMSE）均显著减少。混合效应模型优于传统的基础模型,模型有一定的生物学意义和统计可靠性。     

西瓜生长期的振动预测方法研究

通过自行设计的敲击振动检测系统对西瓜进行敲击振动检测,得到西瓜的频响函数,分别针对频响函数的第一响应频率f₁、第二响应频率f₂和第三响应频率f₃建立预测西瓜生长期的数学模型,模型的确定系数R²较高。且选取了f₁、f₂和f₃三个响应频率建立了预测西瓜生长期的多元非线性回归模型,模型的确定系数R²可达0.830,均方根误差RMSE降低到2.095。该模型的建立为在线无损检测西瓜的生长期提供了理论参考。     

基于Landsat 8遥感影像的地上生物量模型反演研究

以吉林省延边朝鲜族自治州汪清县的主要针叶纯林树种为研究对象,结合Landsat 8 OLI数据和地面调查数据,通过提取半径为15 m圆形样地林分尺度下的遥感特征变量实现对地上生物量的估算。首先提取128块样地内的34个遥感特征,其次采用随机森林特征重要性分析遥感特征的贡献率,再利用BP神经网络算法的2种训练算法、SVM支持向量机的3种核函数构建地上生物量模型,最后利用32个测试样本评价模型的估算精度。结果表明,BP神经网络的L-M训练算法和贝叶斯正则化训练算法的R²分别为0.602 9、0.672 1,RMSE分别为5.096 9、4.263 7,MAE分别为4.166 9、3.211 8;SVM支持向量机的线性核函数、RBF核函数、多项式核函数的R²分别为0.585 8、0.561 9、0.487 7,RMSE分别为5.859 4、5.600 9、5.763 7,MAE分别为4.24、3.89、4.176。以贝叶斯正则化训练算法构建地上生物量模型的估测精度最佳;BP神经网络算法比SVM向量机更适用于本研究;同一种机器学习算法不同的训练函数存在差异性。     

基于FVS的华北落叶松人工林树高生长量模型研究

基于大量华北落叶松人工林临时样地和解析木数据,选用林木大小和立地条件为自变量,构建起单木树高生长量回归模型,模型相关系数R²为0.516。结果表明,影响华北落叶松单木树高生长量的因素从大到小依次为:林木生长、立地条件。利用检验数据对所建立的树高生长量模型进行检验,预测值2.77 m要略高于实测值2.74 m,t-检验差异不显著,模型预测效果良好。