检索结果-内蒙古大学图书馆

林业科学研究 2022年第2期35卷 118-128页

作者：潘磊王轶夫孙钊乔晶晶邱思玉孙玉军北京林业大学森林资源和环境管理国家林业和草原局重点开放性实验室北京100083

[目的]为了解长白落叶松单木叶生物量与径向生长之间的关系。[方法]以小兴安岭地区长白落叶松为研究对象,结合管道模型理论,研究单木个体水平和单木内不同方位区间水平上的叶生物量与径向生长的关系,分析树冠分布与径向生长之间的相关性... 详细信息

[目的]为了解长白落叶松单木叶生物量与径向生长之间的关系。[方法]以小兴安岭地区长白落叶松为研究对象,结合管道模型理论,研究单木个体水平和单木内不同方位区间水平上的叶生物量与径向生长的关系,分析树冠分布与径向生长之间的相关性。[结果]叶生物量与胸高处和枝下高处树干直径、断面积、边材面积,近1、2、3、5年断面积生长量均呈显著正相关,使用胸高断面积作为预测因子的叶生物量模型拟合效果最好。单木株内不同方位区域的叶生物量与对应的胸径处和枝下高处的树干半径、断面积,近1、2、3、5年断面积生长量均呈显著正相关。[结论]估测单株叶生物量时,使用胸高断面积作为预测因子的预测精度最高。株内不同方位叶生物量与对应方位的树干半径、断面积及断面积生长量均呈显著正相关,树冠偏冠与髓心偏心具有一定的相关性。

关键词：叶生物量径向生长株内不同方位管道模型理论长白落叶松

来源：评论

学校读者我要写书评

暂无评论

人工神经网络与相容性生物量模型预测单木地上生物量的比较

引用

应用生态学报 2022年第1期33卷 9-16页

作者：梁瑞婷王轶夫邱思玉孙玉军谢运鸿北京林业大学森林资源和环境管理国家林业和草原局重点开放性实验室北京100083

森林生物量是林业生产经营和森林资源监测的重要指标,为探索高效低偏的单木生物量估测方法,引入人工神经网络。本研究采用黑龙江省东折棱河林场的101株长白落叶松地上生物量数据,基于不同变量(胸径、树高、冠幅)组合建立了4个聚合模型体... 详细信息

森林生物量是林业生产经营和森林资源监测的重要指标,为探索高效低偏的单木生物量估测方法,引入人工神经网络。本研究采用黑龙江省东折棱河林场的101株长白落叶松地上生物量数据,基于不同变量(胸径、树高、冠幅)组合建立了4个聚合模型体系(AMS),采用加权回归消除模型的异方差。然后,基于最优的变量组合建立人工神经网络(ANN)生物量模型,并采用留一交叉验证法对模型进行检验,比较两种生物量估测方法的精度。结果表明:仅基于胸径一个变量的生物量模型已经能较准确地估测生物量,引入树高和冠幅因子能进一步提高模型精度,最优模型体系为AMS4。通过两种方法建立的生物量模型都能较准确地进行估测,各组分生物量的决定系数(R^(2))均高于0.87。相比AMS4,人工神经网络模型系统中,树叶生物量模型的R^(2)高了约0.05,其余各器官也高了0.01左右。此外,均方根误差(RMSE)等指标明显更小,树干和地上生物量的RMSE分别减小了2.135和3.908 kg,模型的检验指标如平均相对误差(MRE)等也表现更优。总体来看,人工神经网络(ANN)是一种灵活可靠的生物量估计方法,估测林木地上生物量或单独某器官生物量时,ANN模型是值得考虑的替代方法。

关键词：人工神经网络相容性模型似乎不相关回归地上生物量

来源：评论

学校读者我要写书评

暂无评论

基于实例分割的高郁闭度林分单木树冠无人机遥感提取

引用

林业科学研究 2022年第5期35卷 14-21页

作者：谢运鸿荆雪慧孙钊丁志丹李睿李豪伟孙玉军北京林业大学森林资源和环境管理国家林业和草原局重点开放性实验室北京100083

[目的]利用遥感影像获取高郁闭度林分树冠信息。[方法]试验了一种基于实例分割模型的无人机遥感影像单木树冠提取方法,选用7种残差网络用于模型的特征提取,逐一对不同郁闭度杉木纯林进行单木树冠提取。[结果]表明,7个实例分割模型对低... 详细信息

[目的]利用遥感影像获取高郁闭度林分树冠信息。[方法]试验了一种基于实例分割模型的无人机遥感影像单木树冠提取方法,选用7种残差网络用于模型的特征提取,逐一对不同郁闭度杉木纯林进行单木树冠提取。[结果]表明,7个实例分割模型对低郁闭度林分树冠分割的边界框AP值和掩膜AP平均值分别为55.89%、57.29%,林分东西冠幅、南北冠幅和树冠面积参数提取均方根误差平均值分别为0.161、0.179和0.341,平均预测决定系数R~2分别为0.912、0.918和0.957;对高郁闭度林分树冠分割的边界框AP值和掩膜AP平均值分别为46.00%、44.45%,单木东西冠幅、南北冠幅和树冠面积参数提取均方根误差平均值分别为0.479、0.497和1.256,平均预测R~2分别为0.806、0.762和0.936。[结论]各参数提取精度均优于传统调查精度,该方法能自动化、快速化、精准化获取树冠信息。

关键词：遥感无人机深度学习实例分割 Mask R-CNN 树冠提取

来源：评论

学校读者我要写书评

暂无评论

深度学习和传统方法模拟杉木树高-胸径模型比较

引用

林业科学研究 2021年第6期34卷 65-72页

作者：梁瑞婷孙玉军李芸北京林业大学森林资源和环境管理国家林业和草原局重点开放性实验室北京100083

[目的]基于深度学习算法,建立多隐藏层的杉木树高-胸径神经网络模型,探索一种更高效低偏的树高模型研建方法,提高杉木树高的预测精度。[方法]利用福建省将乐国有林场34块杉木样地的2898组树高-胸径调查数据,基于传统回归建立10个广义树... 详细信息

[目的]基于深度学习算法,建立多隐藏层的杉木树高-胸径神经网络模型,探索一种更高效低偏的树高模型研建方法,提高杉木树高的预测精度。[方法]利用福建省将乐国有林场34块杉木样地的2898组树高-胸径调查数据,基于传统回归建立10个广义树高-胸径模型,筛选出精度最高的模型作为对照。同时基于H2O平台的深度学习算法,建立70个不同结构的树高-胸径DLA模型,通过分析比较,确定最适宜预测杉木树高的模型结构,与传统最优模型进行比较。[结果]建立的树高-胸径DLA模型均能较好地描述杉木的树高-胸径间关系,R^(2)都在0.84以上,大于最优传统模型,RMSE和MAE小于传统模型。精度最高的DLA模型结构包含6个隐藏层,每层各340个神经元。[结论]本研究基于深度学习建立的杉木树高-胸径DLA模型,其拟合精度与预测精度略高于传统的广义树高-胸径模型,尤其在预测较高的林木时,更为明显,能够用于研究区杉木树高的预测。

关键词：深度学习树高-胸径模型非线性回归杉木

来源：评论

学校读者我要写书评

暂无评论

基于分位数回归法的杉木可变指数削度方程构建

引用

北京林业大学学报 2021年第7期43卷 70-78页

作者：梁瑞婷孙玉军周来北京林业大学森林资源和环境管理国家林业和草原局重点开放性实验室北京100083

【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... 详细信息

【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(RMSE)、平均误差(ME)、相对误差(RE)和平均绝对误差(MAE)5个模型评价指标,结合图形对各模型的拟合结果和预测结果进行评价。【结果】(1)4个可变指数削度方程在5个分位点(t=0.1,0.3,0.5,0.7,0.9)处均能收敛,说明分位数回归可以建立不同分位点的估测模型,能更全面地描述杉木干形的变化。(2)4个削度方程在分位点为0.5处的精度最高,R2均在0.97左右。对于削度方程M1和M3,基于中位数回归(t=0.5)的拟合精度与预测精度均高于非线性回归,且M1的预测值更加集中。(3)在不同分位点下,各模型对树干不同位置的预测精度不同,分位值为0.9和0.3的模型分别对梢头部分和树干基部的预测精度最高。【结论】基于分位数回归的可变指数削度方程不仅能精确预测平均条件下杉木的树干直径,而且能预测任意分位条件下杉木干形的变化趋势。不同分位点模型对树干不同位置的预测精度不同,基于M1削度方程,建立多分位点回归模型能进一步提高研究区杉木干形的预测精度。

关键词：可变指数削度方程非线性分位数回归非线性回归杉木

来源：评论

学校读者我要写书评

暂无评论

基于树冠和竞争因子的杉木胸径估测

引用

北京林业大学学报 2023年第9期45卷 42-51页

作者：朱兆廷孙玉军梁瑞婷马佳欣李佳怡北京林业大学森林资源和环境管理国家林业和草原局重点开放性实验室北京100083

【目的】无人机遥感的迅速发展为胸径预估提供了新方向,本研究适用于通过无人机遥感技术提取样地单木树冠因子后,估算胸径及林分每公顷断面积等指标,实现精准高效的森林资源监测与管理。【方法】根据福建省将乐国有林场33块杉木人工林... 详细信息

【目的】无人机遥感的迅速发展为胸径预估提供了新方向,本研究适用于通过无人机遥感技术提取样地单木树冠因子后,估算胸径及林分每公顷断面积等指标,实现精准高效的森林资源监测与管理。【方法】根据福建省将乐国有林场33块杉木人工林地面调查数据,利用10种传统模型与2种机器学习方法分别对单木胸径进行估测,并基于不同的自变量组合形式来分析不同因子对胸径估测的影响。【结果】根据传统模型参数拟合结果可以看出,树冠半径与胸径呈显著正相关,林分密度、偏冠因子及竞争指数与胸径均呈显著负相关。传统模型建模过程中所引入最优竞争指数为树冠重叠内角相关的CI2,模型逻辑斯蒂模型拟合结果最优,幂函数(有截距)模型次之。而在使用检验数据进行估测时,幂函数(有截距)有着最好的估测效果。随机森林模型均具有较好的拟合效果,使用检验数据进行估测,不同竞争指数对模型拟合提升程度不同,与树冠重叠面积相关的竞争指数CI3取得了最好的效果。支持向量回归模型拟合优度小于随机森林,略大于传统模型。对胸径进行估测时,包含与竞争木大小相关的竞争指数CI4的模型为最优模型。【结论】传统模型和机器学习模型在拟合与估测单木胸径上均取得了一定的效果,利用机器学习模型效果更优。在模型的不同自变量组合中,加入有关树冠的竞争指数能使模型预测精度提高,决定系数R^(2)增加,E_(MA)、E_(RMS)及A_(IC)减小。传统模型的最优竞争指数为重叠内角相关的竞争指数CI2,在机器学习方法中与对象木和竞争木大小相关的竞争指数CI3和CI4也取得了较好的效果。此外,偏冠指数对于胸径估测的提升效果仍需进一步验证。

关键词：胸径估测林木竞争随机森林支持向量机

来源：评论

学校读者我要写书评

暂无评论

基于红松树轮重建小兴安岭南麓过去140年6月份平均温度变化

引用

生态学报 2023年第21期43卷 8769-8779页

作者：乔晶晶王轶夫孙玉军邱思玉谢运鸿北京林业大学森林资源和环境管理国家林业和草原局重点开放性实验室北京100083

基于建立的小兴安岭南麓红松树轮宽度标准年表,分析红松径向生长与该地区温度和降水间的关系以及1982年升温突变对此相关性的影响。结果表明:6月平均温度与树轮宽度年表在变暖前后始终呈极显著负相关,是该地区红松径向生长的主要限制因... 详细信息

基于建立的小兴安岭南麓红松树轮宽度标准年表,分析红松径向生长与该地区温度和降水间的关系以及1982年升温突变对此相关性的影响。结果表明:6月平均温度与树轮宽度年表在变暖前后始终呈极显著负相关,是该地区红松径向生长的主要限制因子。基于此构建的区域1843—1982年6月平均温度重建方程稳定可靠。重建温度序列的偏暖时期和偏冷时期分别持续7年和29年,偏暖时段为1915—1921年,偏冷时段为1880—1891年和1932—1948年。小波分析结果显示6月平均温度存在2—7a周期变化。空间相关分析结果表明重建温度序列能很好的代表小兴安岭南麓及附近区域的温度变化。本研究拓展了研究区现有的气候数据,可为掌握小兴安岭气候变化规律和科学预测未来气候提供数据支撑。

关键词：小兴安岭红松树轮宽度年表气候重建

来源：评论

学校读者我要写书评

暂无评论

偏冠对树冠垂直投影面积计算的影响

引用

林业科学研究 2022年第1期35卷 166-171页

作者：孙钊潘磊乔晶晶丁志丹孙玉军王轶夫北京林业大学森林资源和环境管理国家林业和草原局重点开放性实验室北京100083

[目的]针对树冠结构复杂、形状不规则等问题,实现树冠垂直投影面积自动计算并提高树冠投影区域面积计算精度。[方法]以研究区453棵杉木为研究对象,精确测量每木8向冠幅。以Visualstudio和ArcGIS混合编程,进行树冠测量半径的坐标转换,采... 详细信息

[目的]针对树冠结构复杂、形状不规则等问题,实现树冠垂直投影面积自动计算并提高树冠投影区域面积计算精度。[方法]以研究区453棵杉木为研究对象,精确测量每木8向冠幅。以Visualstudio和ArcGIS混合编程,进行树冠测量半径的坐标转换,采用Bezier曲线进行边界平滑,实现树冠垂直投影面积自动提取,并与传统计算方法进行对比分析。利用“圆度”来衡量树冠偏冠,并计算树冠偏冠指数与树冠垂直投影面积计算的相关性。[结果]本研究提出的树冠垂直投影面积计算方法能够计算出树冠真实面积,计算过程中测量冠幅半径数量越多,计算结果越接近真实冠幅面积,相比于椭圆的计算方法,把树冠视为正圆所得面积更接近真实面积。不同树冠垂直投影面积计算方法的结果和树冠垂直投影面积差值与树冠偏冠指数呈显著正相关。[结论]基于树冠投影区域形状的面积计算相较于传统的面积计算方法更加准确,为林业遥感冠幅提取精度验证提供了一种新思路。

关键词：偏冠树冠投影形状树冠垂直投影面积边界平滑树冠不对称指数

来源：评论

学校读者我要写书评

暂无评论

基于非线性分位数混合效应构建杉木树高曲线模型

引用

北京林业大学学报 2023年第11期45卷 33-41页

作者：王宝莹梁瑞婷谢运鸿邱思玉孙玉军北京林业大学森林资源和环境管理国家林业和草原局重点开放性实验室北京100083

【目的】探索树高-胸径模型构建新方法,将分位数回归与非线性混合效应法相结合应用于树高-胸径模型构建,以此提高模型的拟合精度。【方法】利用2018年福建省将乐国有林场30 m×30 m固定样地1306株杉木的实测树高、胸径数据,从4个树... 详细信息

【目的】探索树高-胸径模型构建新方法,将分位数回归与非线性混合效应法相结合应用于树高-胸径模型构建,以此提高模型的拟合精度。【方法】利用2018年福建省将乐国有林场30 m×30 m固定样地1306株杉木的实测树高、胸径数据,从4个树高-胸径模型中筛选拟合效果最好的为基础模型,基于基础模型分别采用非线性混合效应、分位数回归以及非线性分位数混合效应构建树高-胸径模型。采用评价指标均方根误差(RMSE)、调整后决定系数(R^(2)_(adj))和均方差(MSE),对各模型的拟合结果进行评价比较,采用赤池信息准则(AIC)、贝叶斯信息准则(BIC)以及对数似然函数值(Loglik)比较各最优模型的拟合精度和预测精度。【结果】根据评价指标对比显示,Logistic模型为基础模型。非线性混合效应模型的拟合效果最优(AIC为3953.986,BIC为3988.199,Loglik为-1969.993),非线性分位数混合效应模型(AIC为3979.418,BIC为4028.293,Loglik为-1979.709)次之。模型拟合效果排序为非线性混合效应模型>非线性分位数混合效应模型>基础模型>分位数回归模型。比较各模型的残差图可知各模型均不存在异方差现象,预测效果排序为非线性混合效应模型>非线性分位数混合效应模型>基础模型>分位数回归模型。【结论】本研究将分位数回归与非线性混合效应法相结合,该方法对分组数据结构中不同分位点个体间的差异与关联做出解释,提高了模型的稳定性以及拟合精度,将该方法应用到树高-胸径关系的研究上是一个可行的思路,为构建树高-胸径模型提供新方法。

关键词：非线性分位数混合效应模型杉木树高-胸径模型

来源：评论

学校读者我要写书评

暂无评论

基于Sentinel-1和Sentinel-2数据融合的森林林龄反演和动态监测

引用

中南林业科技大学学报 2024年第6期44卷 19-29页

作者：陈馨孙玉军丁志丹北京林业大学森林资源和环境管理国家林业和草原局重点开放实验室北京100083

【目的】在Google Earth Engine(GEE)云平台上借助其强大的计算和数据存储能力,融合多源遥感数据对森林林龄进行遥感反演和动态监测。【方法】融合2017—2023年间Sentinel-1、Sentinel-2及高程数据,通过随机森林(Random forest,RF)分类... 详细信息

【目的】在Google Earth Engine(GEE)云平台上借助其强大的计算和数据存储能力,融合多源遥感数据对森林林龄进行遥感反演和动态监测。【方法】融合2017—2023年间Sentinel-1、Sentinel-2及高程数据,通过随机森林(Random forest,RF)分类获取土地覆盖信息,并进一步提取森林的分布和面积,同时构建时间序列植被指数来准确提取森林变化区域。基于森林资源清查数据和融合的多源遥感数据,在GEE上构建RF回归、分类回归树(Cart)以及梯度提升回归树(Gradient tree boost,GTB)3种回归模型,用于杉木组、马尾松组、毛竹林、硬阔叶树组以及其他类树种组的2018年林龄遥感反演,并估算出2017年和2023年的林龄信息,以揭示林龄和龄组在2017—2023年的动态变化情况。【结果】1)2017—2023年,研究区森林面积的整体变化总计113.93 km^(2),此间森林的减少和更新并存,其空间分布特征呈现出明显的区域差异。具体而言,森林面积变化多发生于靠近城区和低海拔地区,且靠近城区的森林面积减少往往不再恢复至森林;2)在5种不同树种组构建的3种模型中,RF回归模型的林龄反演结果最佳,平均R^(2)为0.845,平均RMSE为5.32 a,其中毛竹林反演精度最高,R^(2)为0.863,RMSE为2.411 a;3)2017—2023年,研究区林龄在40 a以下的森林由54.59%减少至51.06%,其中龄组变化最显著为杉木组成熟林,面积增加了38.88%。【结论】在GEE上融合多源遥感数据进行林龄反演和动态监测具有重要的应用潜力,本研究结果可为使用云平台及哨兵系列卫星数据对森林资源长时间序列的林龄反演和动态监测的应用提供参考和借鉴。

关键词：数据融合遥感反演林龄动态监测 Sentinel-1 Sentinel-2 Google Earth Engine

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：