10.14067/j.cnki.1673-923x.2022.11.010
基于分位数组合的杉木树高-胸径模型
[目的]采用分位数回归和分位数组合构建不同分位数的杉木树高模型,并与传统非线性回归模型的拟合效果进行对比,以提高模型的预测精度.[方法]基于贵州省清镇市国有林场49块样地中的3795株杉木数据为研究对象,从7种常用的树高-胸径模型中筛选出最优基础模型,并在此基础上,选择影响最大且能提高模型预测精度的2个林分因子构建广义模型,并分别推广至分位数回归.对于分位数组合模型,设计了三分位数组合(τ=0.1,0.5,0.9)、五分位数组合(τ=0.1,0.3,0.5,0.7,0.9)和九分位数组合(τ=0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9),同时结合抽胸径最大、抽胸径最小、抽平均木和随机抽取1~9株树4种抽样方案计算模型的参数,分析在不同分位数组合和抽样方案下抽样数量对模型精度的影响.[结果]Richards模型(R2=0.5904、RMSE=2.1121、MAE=1.7105)为最优基础模型;以含优势木平均高、胸高断面积的广义树高模型(R2=0.7112、RMSE=1.7678、MAE=1.4000)的预测效果最好;在9个分位数中,基础和广义模型的中位数(τ=0.5)回归拟合能力最好,其R2、RMSE及MAE分别为:0.5910~0.7112、1.7461~2.1036、1.3773~1.7110.采用三分位数组合,在基础和广义树高-胸径模型选择5株和7株平均木时,预测精度提高尤为突出,其中R2、RMSE和MAE分别为:0.7214~0.7974、1.4774~1.7327、0.9911~1.3015.[结论]同时兼顾模型预测精度与成本的情况下,在实际使用分位数组合时,建议采用广义模型的三分位数组合(τ=0.1,0.5,0.9),并抽取7株平均木来预测树高.
杉木、树高-胸径模型、分位数回归、分位数组合、抽样方案
42
S791.27(森林树种)
贵州省科技支撑计划项目;贵州省教育厅创新群体黔教合KY字2021012
2023-01-11(万方平台首次上网日期,不代表论文的发表时间)
共8页
94-101