检索结果-内蒙古大学图书馆

南京林业大学学报（自然科学版） 2022年第3期46卷 194-202页

作者：聂璐毅董利虎李凤日苗铮谢龙飞东北林业大学林学院黑龙江哈尔滨150040

【目的】以长白落叶松(Larix olgensis)人工林干形指标为主要数据,利用非线性混合效应模型构建长白落叶松削度方程,研究不同的二次抽样方案对混合效应模型预估精度的影响。【方法】在不同类型的削度方程中选择拟合效果最好的Kozak方程... 详细信息

【目的】以长白落叶松(Larix olgensis)人工林干形指标为主要数据,利用非线性混合效应模型构建长白落叶松削度方程,研究不同的二次抽样方案对混合效应模型预估精度的影响。【方法】在不同类型的削度方程中选择拟合效果最好的Kozak方程作为基础模型,通过再参数化的方法引入树冠特征变量,分析树冠大小对干形的影响;在包含树冠变量的模型基础上,结合混合效应模型考虑样地、样木效应对于干形的影响,建立长白落叶松削度方程;采用2种抽样方案(方案Ⅰ,不限定抽样位置;方案Ⅱ,抽样位置限定在相对高0.1以下)对混合效应模型进行精度检验。【结果】树冠变量中冠长率与干形关系最为密切,将冠长率引入模型后,提升了模型的拟合精度,且模型参数在5%显著性水平上均显著。通过似然比检验,样地效应和样木效应极显著提升了模型拟合效果(P<0.01),并使用指数函数和一阶连续自回归结构[CAR(1)]来解决削度方程中普遍存在的异方差和自相关问题,最终的混合效应模型调整后决定系数(R^(2)_(a))为0.994 1,均方根误差(RMSE)为0.623 1,拟合效果优于基础模型(R^(2)_(a)提高了0.4%,RMSE减小了24.6%)。当使用不同的抽样方案进行预测时,方案Ⅰ表现出最高的预测精度,抽样数量为5时,平均绝对误差(MAE)为0.470 0,平均绝对误差百分比(MAPE)为4.62%;而方案Ⅱ不同抽样数量之间的预测效果差别不大(MAE的变化范围为0. 520 3~0. 536 6,MAPE的变化范围为5. 14%~5. 22%),但仍优于基础模型。【结论】将冠长率引入模型后,模型对干形的模拟更贴合实际中的林木生长情况;包含样地效应、样木效应的两水平混合效应模型可以很好地模拟长白落叶松的干形变化,为精准估计长白落叶松各材种和立木材积提供了依据。

关键词：长白落叶松干形非线性混合效应模型混合模型校正削度方程

来源：评论

学校读者我要写书评

暂无评论

基于混合效应模型的人工红松枝下高模型研建

引用

北京林业大学学报 2020年第9期42卷 28-36页

作者：燕云飞王君杰姜立春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黑龙江哈尔滨150040

【目的】基于帽儿山红松人工林63块样地2972株红松数据,利用非线性混合模型构建红松枝下高模型,为进一步研究生长与收获模型提供理论依据。【方法】本文首先使用8个常用的枝下高模型,选出最优基础模型;其次,研究林分变量或单木变量对枝... 详细信息

【目的】基于帽儿山红松人工林63块样地2972株红松数据,利用非线性混合模型构建红松枝下高模型,为进一步研究生长与收获模型提供理论依据。【方法】本文首先使用8个常用的枝下高模型,选出最优基础模型;其次,研究林分变量或单木变量对枝下高的影响,建立含林分变量的枝下高模型;最终在基础模型和含林分变量模型的基础上,考虑样地效应对红松枝下高的影响,构建红松枝下高基础混合效应模型和广义混合效应模型。模型用4种抽样方式(随机抽取、抽取最大树、抽取最小树、抽取平均树)和8种样本大小(1~8株树)对基础混合效应模型和广义混合效应模型进行抽样检验。【结果】Logistic模型拟合精度好,符合生物学意义,且模型形式简单,选为最优基础模型。除树高、胸径以外,大于对象木断面积之和、优势木高和冠幅与枝下高有显著相关性,加入后明显提升模型的拟合精度。枝下高广义混合效应模型的拟合效果要优于其他模型。模型检验结果表明:当应用基础混合效应模型预测时,建议抽取胸径最小的4个样本;当应用广义混合效应模型预测时,建议随机抽取4个样本。【结论】枝下高广义混合效应模型在拟合效果和预测精度方面优于其他3种模型,建议将此模型作为人工红松枝下高模型。当应用广义混合效应模型预测时,建议随机抽取4个样本。

关键词：红松非线性混合模型枝下高人工林混合模型校正

来源：评论

学校读者我要写书评

暂无评论

基于两水平非线性混合效应模型的长白落叶松削度方程构建

基于两水平非线性混合效应模型的长白落叶松削度方程构建

引用

作者：聂璐毅东北林业大学

学位级别：硕士

本研究以黑龙江省孟家岗林场、东京城林业局和林口林业局31块样地177棵人工林长白落叶松(Larix olgensis)干形数据为研究对象,利用非线性混合效应模型构建长白落叶松削度方程。通过对在不同类型的削度方程比较分析,选择最优的模型作为... 详细信息

本研究以黑龙江省孟家岗林场、东京城林业局和林口林业局31块样地177棵人工林长白落叶松(Larix olgensis)干形数据为研究对象,利用非线性混合效应模型构建长白落叶松削度方程。通过对在不同类型的削度方程比较分析,选择最优的模型作为基础模型,以再参数化的方法引入树冠特征变量,分析树冠特征因子对干形的影响;在包含树冠变量的模型基础上,结合混合效应模型考虑样地、样木效应对于干形的影响,建立高精度的长白落叶松削度方程,并结合混合效应模型的二次抽样,分析比较不同的抽样方案(方案I:不限定抽样位置;方案II:抽样位置限定在相对高0.1以下)对模型预估精度的影响,本研究的具体贡献及结论:(1)在三大类削度方程中,可变指数削度方程拟合效果最好,其次是分段削度方程,最后是简单削度方程,其中Kozak(2004)可变指数削度方程拟合优度最高((6(6)=0.9886,RMSE=0.8622),被选为本文的基础模型。(2)树冠特征变量(冠长率、冠幅、冠长)能够改善长白落叶松削度方程,其中冠长率与干形关系最为密切,将冠长率引入模型后,提升了模型的拟合精度,且模型参数在5%显著性水平上均显著。在不同的冠长率的条件下,树干表现出不同的削度,冠长率的增大会导致树干削度的增大。(3)在包含冠长率模型的基础上,引入样地、样木两个水平的随机效应,显著提升了模型拟合效果,并使用指数函数和CAR(1)结构来解决削度方程中普遍存在的异方差和自相关问题,最终的混合效应模型调整后决定系数((6(6))为0.9941,均方根误差(RMSE)为0.6231,拟合效果优于含冠长率的基础模型((6(6)提高了0.4%,RMSE减小了24.6%)。(4)当使用不同的抽样方案进行直径预测时,方案I表现出最高的预测精度,抽样数量为5时,平均绝对误差MAE为0.47cm,平均绝对误差百分比MAPE为4.62%,而方案II不同抽样数量之间的预测效果差别不大(MAE的变化范围是0.5203～0.5366,MA PE的变化范围是5.14%～5.22%),但仍优于基础模型。(5)当使用不同的抽样方案进行材积预测时,方案I在抽样数量为5时表现较高的预测精度(平均绝对误差MAE为0.00796m,平均绝对误差百分比MAPE为3.28%),方案II不同抽样数量之间材积的预测精度差异并不明显(MAE范围是0.01292～0.01350,MAPE范围为4.36%～4.52%)。(6)将冠长率引入模型后,模型的对干形的模拟更贴合实际中的林木生长,包含样地效应、样木效应的两水平混合效应模型可以较好地模拟长白落叶松的干形变化,为长白落叶松森林资源调查提供了更精确的方法。

关键词：长白落叶松干形非线性混合效应模型混合模型校正削度方程

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：