CMIP5模式下森林结构动态多目标优化模型研究

发布时间：2020-04-13 02:24

【摘要】：全球气候变化显著地影响着森林的生长、分布以及其他过程,因此通过模拟气候变化下森林的生长收获情况来进行森林的生长预测和优化变得尤为关键。本文以南洞庭湖龙虎山林场的样地数据为研究对象,考虑第五次耦合模式比较计划(Coupled Model Intercomparison Project phase 5,CMIP5)模式下三种不同气候情景的森林生长变化情况,结合天然次生林各种空间结构参数的技术手段,在林分水平上建立了不同气候变化下的动态森林空间结构多目标优化模型,并在对算法进行性能分析后选择了多族群粒子群算法(Multi-race particle swarm optimization,MRPSO)对森林空间结构进行优化及评价,这对促进天然次生林健康和稳定具有重要的理论和现实意义。本文的主要研究工作及研究结论如下:(1)分析了研究区1980-2016年期间温度和降雨的变化趋势,发现研究区气温和降雨的变化呈现一定的规律和特征。通过ClimateAP模型对CMIP5地球系统模式下3种不同情景(典型浓度RCP2.6、RCP4.5、RCP8.5)的气候模拟输出进行降尺度处理,得到不同情景的平均气候数据,根据获取的数据采取再参数化的方法重新构建了气候变化下林木的树高-胸径生长模型,并对所建模型进行了模型的检验和评价。最后基于2018年的林木数据,根据所建模型预测了 2021年三种气候情景下的林木生长情况及不同气候变化下森林空间结构的多个指标变化情况。(2)本文运用了MRPSO算法来解决气候变化下森林结构动态多目标优化的问题,通过对四种智能算法(蚁群算法、蜂群算法、粒子群算法、多族群粒子群算法)进行性能测试,实验结果表明,相对于一般的智能优化算法来说,MRPSO算法全局搜索能力较强,收敛较快,并根据气候变化下森林空间结构的实际情况对算法进行了改进,选择了用线性递减公式计算的惯性因子,同时加入了气候检测因子,用重新评估部分解的方法得到气候检测算子ε,并根据实际问题计算出样地优势树种的平均生长量作为阈值l，

本文编号：2625469