传统回归和机器学习人工林生长模型与经济成熟研究 ——以广西高峰林场桉树和林朵林场杉木为例
发布时间：2021-11-07 02:47
优化森林经营是实现森林质量提升的根本途径。结合立地条件、林分密度等因素对胸径、蓄积的准确预估是其中重要环节。针对目前广西桉树与杉木的林分胸径与蓄积模型由于没有充分考虑立地条件与林分密度因素而存在的预估精度不高的问题。本文采用修正模型与机器学习决策树类两种方法,构建林分胸径生长与蓄积预估模型。在此基础上,以杉木为例采用三种经济成熟标准计算不同造林密度下的经济效益与对应经济成熟龄。最后研建林分生长预测与经济效益模拟系统。本文主要研究如下:（1）采用修正模型方法,以Richards等6种理论生长方程作为基础函数,以地位指数、株密度为底数的幂函数乘积组合作为误差函数,构建桉树和杉木的林分胸径和蓄积修正模型。结果表明:桉树胸径模型R2=0.738,MAE=1.158,杉木胸径R2=0.782,MAE=1.751,桉树蓄积模型R2=0.772,MAE=9.235,杉木蓄积模型R2=0.785,MAE=7.540。（2）采用9种决策树类机器学习方法,以二类调查小班数据的立地因子（海拔、坡向、坡位、坡度、枯枝落叶厚...
【文章来源】：北京林业大学北京市 211工程院校 教育部直属院校
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
研究技术路线
3杉木与桉树的林分胸径生长模型23图3.1桉树胸径残差图Figure3.1ResidualdiagramofEucalyptusDBH图3.2杉木胸径残差图Figure3.2ResidualdiagramofChinesefirDBH桉树与杉木胸径生长相对优修正模型的残差图分别如图3.1，图3.2所示，该残差的散点图没有线性趋势，不存在异方差的情况，桉树MAE数值范围合理，杉木MAE数值范围相对桉树较大。由模型拟合与检验结果可知，在引入误差函数后，两个树种的修正模型的精度更高，误差值更低，模型拟合效果更好，其中桉树在引入地位指数与密度因素因素后，相关精度变化较大，R2提升21%，杉木R2提升幅度11%。桉树的两种误差函数结果出现组合1的R2高于组合2，但是MAE却更低的情况，模型最终采用更低MAE的组合。对于杉木树种精度提升不如桉树树种的原因进行分析，在于两个树种地位指数的问题，对于桉树树种地位指数，采用的研究结果为该地区同一树种，在地理范围上差距较小，因此桉树的地位指数适用于此模型，将其作为误差
3杉木与桉树的林分胸径生长模型23图3.1桉树胸径残差图Figure3.1ResidualdiagramofEucalyptusDBH图3.2杉木胸径残差图Figure3.2ResidualdiagramofChinesefirDBH桉树与杉木胸径生长相对优修正模型的残差图分别如图3.1，图3.2所示，该残差的散点图没有线性趋势，不存在异方差的情况，桉树MAE数值范围合理，杉木MAE数值范围相对桉树较大。由模型拟合与检验结果可知，在引入误差函数后，两个树种的修正模型的精度更高，误差值更低，模型拟合效果更好，其中桉树在引入地位指数与密度因素因素后，相关精度变化较大，R2提升21%，杉木R2提升幅度11%。桉树的两种误差函数结果出现组合1的R2高于组合2，但是MAE却更低的情况，模型最终采用更低MAE的组合。对于杉木树种精度提升不如桉树树种的原因进行分析，在于两个树种地位指数的问题，对于桉树树种地位指数，采用的研究结果为该地区同一树种，在地理范围上差距较小，因此桉树的地位指数适用于此模型，将其作为误差
【参考文献】：
期刊论文
[1]机器学习算法在森林生长收获预估中的应用[J]. 雷相东. 北京林业大学学报. 2019(12)
[2]基于BP神经网络的华北落叶松小班蓄积预估模型研究与应用[J]. 陈玉玲,吴保国,崔岩,魏彦军. 中国农业科技导报. 2019(07)
[3]森林质量评价及精准提升理论与技术研究[J]. 张会儒,雷相东,张春雨,赵秀海,胡雪凡. 北京林业大学学报. 2019(05)
[4]基于随机森林模型的天然林立地生产力预测研究[J]. 高若楠,谢阳生,雷相东,陆元昌,苏喜友. 中南林业科技大学学报. 2019(04)
[5]基于联立方程组的人工樟子松枝下高模型构建[J]. 李想,董利虎,李凤日. 北京林业大学学报. 2018(06)
[6]黑龙江省长白落叶松人工林单木生长模型[J]. 彭娓,李凤日,董利虎. 南京林业大学学报(自然科学版). 2018(03)
[7]基于清查数据的福建省马尾松生物量转换和扩展因子估算差异解析——3种集成学习决策树模型的比较[J]. 欧强新,李海奎,雷相东,杨英. 应用生态学报. 2018(06)
[8]基于哑变量的湖南栎类天然林林分断面积生长模型[J]. 朱光玉,胡松,符利勇. 南京林业大学学报(自然科学版). 2018(02)
[9]基于广义非线性混合效应的华北落叶松天然次生林枝下高模型[J]. 段光爽,李学东,冯岩,符利勇. 南京林业大学学报(自然科学版). 2018(02)
[10]结构化森林经营研究进展[J]. 惠刚盈,胡艳波,赵中华. 林业科学研究. 2018(01)
博士论文
[1]人工林树冠生长模拟及密度控制决策技术研究[D]. 王成德.北京林业大学 2019
[2]高校层次对大学生创业的影响因素研究[D]. 柏豪.北京科技大学 2019
[3]福建省杉木立地质量评价与造林模式设计技术研究[D]. 刘建成.北京林业大学 2018
[4]区域尺度气候敏感的落叶松人工林林分生长模型[D]. 臧颢.中国林业科学研究院 2016
[5]基于神经网络方法的杉木人工林林分生长模拟研究[D]. 车少辉.中国林业科学研究院 2012
[6]混合效应模型在森林生长模拟研究中的应用[D]. 李春明.中国林业科学研究院 2010
硕士论文
[1]服务于人工林经营的知识方法模型库系统研建[D]. 李宜瑾.北京林业大学 2019
[2]桉树立地质量评价与适宜性研究[D]. 杜雨菲.北京林业大学 2019
[3]纸浆材桉树人工林生长与收获预估模型研究[D]. 李宗俊.华南农业大学 2016
[4]气候敏感的长白落叶松立地指数模型研究[D]. 沈琛琛.中国林业科学研究院 2012
[5]桉树人工林林分生长模型研究[D]. 郭恩莹.福建农林大学 2009
[6]高峰林场不同树龄马占相思木材纤维的变异性研究[D]. 谭玉金.广西大学 2007
本文编号：3481010
【文章来源】：北京林业大学北京市 211工程院校 教育部直属院校
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
研究技术路线
3杉木与桉树的林分胸径生长模型23图3.1桉树胸径残差图Figure3.1ResidualdiagramofEucalyptusDBH图3.2杉木胸径残差图Figure3.2ResidualdiagramofChinesefirDBH桉树与杉木胸径生长相对优修正模型的残差图分别如图3.1，图3.2所示，该残差的散点图没有线性趋势，不存在异方差的情况，桉树MAE数值范围合理，杉木MAE数值范围相对桉树较大。由模型拟合与检验结果可知，在引入误差函数后，两个树种的修正模型的精度更高，误差值更低，模型拟合效果更好，其中桉树在引入地位指数与密度因素因素后，相关精度变化较大，R2提升21%，杉木R2提升幅度11%。桉树的两种误差函数结果出现组合1的R2高于组合2，但是MAE却更低的情况，模型最终采用更低MAE的组合。对于杉木树种精度提升不如桉树树种的原因进行分析，在于两个树种地位指数的问题，对于桉树树种地位指数，采用的研究结果为该地区同一树种，在地理范围上差距较小，因此桉树的地位指数适用于此模型，将其作为误差
3杉木与桉树的林分胸径生长模型23图3.1桉树胸径残差图Figure3.1ResidualdiagramofEucalyptusDBH图3.2杉木胸径残差图Figure3.2ResidualdiagramofChinesefirDBH桉树与杉木胸径生长相对优修正模型的残差图分别如图3.1，图3.2所示，该残差的散点图没有线性趋势，不存在异方差的情况，桉树MAE数值范围合理，杉木MAE数值范围相对桉树较大。由模型拟合与检验结果可知，在引入误差函数后，两个树种的修正模型的精度更高，误差值更低，模型拟合效果更好，其中桉树在引入地位指数与密度因素因素后，相关精度变化较大，R2提升21%，杉木R2提升幅度11%。桉树的两种误差函数结果出现组合1的R2高于组合2，但是MAE却更低的情况，模型最终采用更低MAE的组合。对于杉木树种精度提升不如桉树树种的原因进行分析，在于两个树种地位指数的问题，对于桉树树种地位指数，采用的研究结果为该地区同一树种，在地理范围上差距较小，因此桉树的地位指数适用于此模型，将其作为误差
【参考文献】：
期刊论文
[1]机器学习算法在森林生长收获预估中的应用[J]. 雷相东. 北京林业大学学报. 2019(12)
[2]基于BP神经网络的华北落叶松小班蓄积预估模型研究与应用[J]. 陈玉玲,吴保国,崔岩,魏彦军. 中国农业科技导报. 2019(07)
[3]森林质量评价及精准提升理论与技术研究[J]. 张会儒,雷相东,张春雨,赵秀海,胡雪凡. 北京林业大学学报. 2019(05)
[4]基于随机森林模型的天然林立地生产力预测研究[J]. 高若楠,谢阳生,雷相东,陆元昌,苏喜友. 中南林业科技大学学报. 2019(04)
[5]基于联立方程组的人工樟子松枝下高模型构建[J]. 李想,董利虎,李凤日. 北京林业大学学报. 2018(06)
[6]黑龙江省长白落叶松人工林单木生长模型[J]. 彭娓,李凤日,董利虎. 南京林业大学学报(自然科学版). 2018(03)
[7]基于清查数据的福建省马尾松生物量转换和扩展因子估算差异解析——3种集成学习决策树模型的比较[J]. 欧强新,李海奎,雷相东,杨英. 应用生态学报. 2018(06)
[8]基于哑变量的湖南栎类天然林林分断面积生长模型[J]. 朱光玉,胡松,符利勇. 南京林业大学学报(自然科学版). 2018(02)
[9]基于广义非线性混合效应的华北落叶松天然次生林枝下高模型[J]. 段光爽,李学东,冯岩,符利勇. 南京林业大学学报(自然科学版). 2018(02)
[10]结构化森林经营研究进展[J]. 惠刚盈,胡艳波,赵中华. 林业科学研究. 2018(01)
博士论文
[1]人工林树冠生长模拟及密度控制决策技术研究[D]. 王成德.北京林业大学 2019
[2]高校层次对大学生创业的影响因素研究[D]. 柏豪.北京科技大学 2019
[3]福建省杉木立地质量评价与造林模式设计技术研究[D]. 刘建成.北京林业大学 2018
[4]区域尺度气候敏感的落叶松人工林林分生长模型[D]. 臧颢.中国林业科学研究院 2016
[5]基于神经网络方法的杉木人工林林分生长模拟研究[D]. 车少辉.中国林业科学研究院 2012
[6]混合效应模型在森林生长模拟研究中的应用[D]. 李春明.中国林业科学研究院 2010
硕士论文
[1]服务于人工林经营的知识方法模型库系统研建[D]. 李宜瑾.北京林业大学 2019
[2]桉树立地质量评价与适宜性研究[D]. 杜雨菲.北京林业大学 2019
[3]纸浆材桉树人工林生长与收获预估模型研究[D]. 李宗俊.华南农业大学 2016
[4]气候敏感的长白落叶松立地指数模型研究[D]. 沈琛琛.中国林业科学研究院 2012
[5]桉树人工林林分生长模型研究[D]. 郭恩莹.福建农林大学 2009
[6]高峰林场不同树龄马占相思木材纤维的变异性研究[D]. 谭玉金.广西大学 2007
本文编号：3481010
本文链接：https://www.wllwen.com/nykjlw/lylw/3481010.html
