检索结果-南通市图书馆

林业科学 2019年第8期55卷 84-94页

作者：高慧淋董利虎李凤日东北林业大学林学院森林生态系统可持续经营教育部重点实验室哈尔滨150040 沈阳农业大学林学院沈阳110161

【目的】对Kozak方程进行修正,采用树木易测因子为预测变量,构建人工樟子松树冠外部轮廓预估模型,为研究树木生理和树木竞争提供依据,为模拟单木树冠表面积和树冠体积奠定基础。【方法】基于黑龙江省14块固定样地70株人工樟子松解析木90... 详细信息

【目的】对Kozak方程进行修正,采用树木易测因子为预测变量,构建人工樟子松树冠外部轮廓预估模型,为研究树木生理和树木竞争提供依据,为模拟单木树冠表面积和树冠体积奠定基础。【方法】基于黑龙江省14块固定样地70株人工樟子松解析木907个最大枝条数据,以Kozak方程基本形式为基础并对其进行修正,选出构建人工樟子松树冠外部轮廓基础模型的最优模型形式。在最优模型基础上,建立分别考虑样地效应、样木效应及同时考虑样地和样木效应两水平的非线性混合效应模型。利用R软件的nlme软件包求解非线性混合效应模型参数,采用AIC、BIC、-2LL对混合效应模型中不同随机效应参数组合形式、不同随机效应矩阵、方差-协方差矩阵和方差函数进行比较,选出最优模型形式,并对人工樟子松外部轮廓随树木因子的变化规律进行探讨。以林分密度为哑变量,构建不同密度的人工樟子松树冠外部轮廓预估模型。【结果】人工樟子松树冠外部轮廓预估模型因子包含胸径(DBH)、冠长率(CR)和高径比(HD)。与基础模型相比,分别考虑样地效应、样木效应的混合模型能够显著提高模型拟合效果,外部轮廓模型差异主要来源于样木效应。以样木为单水平的混合效应模型中,a2、a6为随机参数,对角矩阵为方差-协方差矩阵形式,ARMA(1,1)为解释组内方差的矩阵,采用幂函数消除异方差的模型形式为最优模型。同时考虑样地和样木效应两水平混合模型的拟合效果较单水平混合模型有所提高。以两水平混合模型的固定效应部分模拟外部轮廓与树木因子之间的关系,在分别固定另外2个变量的情况下,树冠半径随着DBH、CR增大均逐渐增大,树冠上半部分半径随着HD增大而增大,下半部分半径随着HD增大而减小。外部轮廓拐点的变化范围为0.6250~0.9170,拐点平均位置为0.8413,随着林木在林分中被压强度增大,拐点位置向树冠基部移动。密度小于1000株·hm^-2林分中单木的冠形与1000~2000株·hm^-2和大于2000株·hm^-2林分中单木的冠形区别很大。【结论】修正后的Kozak模型满足梢头处半径为0、在整个树冠范围内存在拐点且拐点唯一的特性,能够对人工樟子松树冠外部轮廓进行合理模拟及预测。两水平非线性混合效应模型可显著提高模型拟合效果,能够在树冠外部轮廓模型中应用。

关键词：人工樟子松树冠外部轮廓 Kozak模型非线性混合模型

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

黑龙江省人工樟子松枝下高动态预测模型的研究

黑龙江省人工樟子松枝下高动态预测模型的研究

引用

作者：李想东北林业大学

学位级别：硕士

本文以生长在不同林分条件下的人工樟子松为对象,采用间接法和直接法预测枝下高动态的。基于黑龙江省帽儿山实验林场、横头山林场、孟家岗林场的22块固定样地的两期调查数据,以联立方程组为理论基础,通过再参数化法和最优子集回归法引... 详细信息

本文以生长在不同林分条件下的人工樟子松为对象,采用间接法和直接法预测枝下高动态的。基于黑龙江省帽儿山实验林场、横头山林场、孟家岗林场的22块固定样地的两期调查数据,以联立方程组为理论基础,通过再参数化法和最优子集回归法引入适当的林分因子,构建了人工樟子松枝下高动态预测模型。借助模型参数及绘制相应曲线,分析林分变量对树高、枝下高、树高增长量和枝下高增长量的影响规律,同时比较了间接法和直接法预测枝下高动态的优缺点。间接法是根据树高生长量和枝下高静态角度建立的模型间接求得枝下高动态发育的过程,直接法是直接建立枝下高动态测模型。研究结果表明:1、对比不含林分条件的模型,树高生长模型的调整后的相关系数(Ra2)提升了5.56%,预估精度(P%)提升了 1.01%,枝下高生长模型的调整后的相关系数(Ra2)提升了8%,预估精度(P%)提升了 0.5%,并且两模型的均方根误差(RMSE)、平均误差(ME)和平均误差绝对值(MAE)也都有一定程度的降低,说明加入林分因子后,模型的拟合效果提升,能够很好的预测不同林分条件下的树高和枝下高生长。2、根据原型为Logistic形式的差分方程所建立树高生长模型,与含有胸径、林分断面积、林分优势高的枝下高生长模型联立,所构建的联立方程组为最优的树高生长模型与枝下高模型的联立方程组,即使用间接法建立的枝下高动态预测模型。其中,树高生长模型的调整后的相关系数(Ra2)为0.9543,均方根误差(RMSE)为1.08m,预估精度(P%)为99.14%,枝下高生长模型调整后的相关系数(Ra2)为0.9302,均方根误差(RMSE)为1.12m,预估精度(P%)为98.53%。3、根据Logistic形式的差分方程所建立的树高增长量模型,与含有冠长率、高径比、林分优势高的枝下高增长量模型联立,所构建的联立方程组为最优的树高增长量模型与枝下高增长量模型的联立方程组,即使用直接法建立的枝下高动态预测模型。其中,树高增长量模型调整后的相关系数(Ra2)为0.2846,均方根误差(RMSE)为1.32m,预估精度(P%)为71.80%,枝下高增长量模型调整后的相关系数(Ra2)为0.3598,均方根误差(RMSE)为 1.24m,预估精度(P%)为 73.73%。4、从模型的预测结果来看,间接法的预测效果要好于直接法,原因是间接法用到的模型具有较好的理论基础;而从模型计算过程来看,直接法的计算过程要比间接法的简单,原因是直接法可以直接得到枝下高增长量的计算结果。两种方法的具体应用还要根据实际需要进行选择。

关键词：人工樟子松枝下高动态预测模型联立方程组似乎不相关法

来源：

同方学位论文库评论