共查询到20条相似文献，搜索用时 687 毫秒
1.
目的 杨树是我国栽培数量最多的阔叶树种，其生长快、易繁殖、适应性强、轮伐期短等特点对解决木材供需平衡、促进碳汇、实现碳循环等方面至关重要，探究杨树生长环境影响机制对实现森林资源高效管理、推动生态文明建设具有重要意义。 方法 本研究利用全国森林资源连续清查部分固定样地杨树实测数据，构建未考虑环境因素和考虑环境因素的杨树胸径生长率多元回归模型，结合随机森林（RF）、梯度提升机（GBM）和支持向量机（SVM）算法，对RF、GBM和SVM算法以RMSE最小完成模型最优参数确定，并通过平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R2）进行模型评价，实现环境因子对杨树生长的重要性程度知识挖掘。 结果 杨树胸径生长率主要受其自身胸径大小的影响，且随着胸径的增大而减小，呈现反“J”型趋势；考虑环境因素的回归模型较未考虑环境因素的回归模型R2从0.066提高到了0.403；机器学习算法预测效果明显优于回归模型算法，其中以RF算法精度最高，R2达0.730，预测结果和实际值基本一致；多元回归模型、RF和GBM对模型重要性解释程度规律基本一致，SVM存在微小差异。 结论 回归模型精度虽略低于机器学习算法，但其“白箱”优势可为未来森林资源调查工作中判定其胸径是否存在异常提供依据；杨树生长受环境影响，与地理空间位置关系紧密，温度适宜、降水充沛的低海拔地区以及坡度平缓、坡位较低的北坡区域更适宜杨树生长，密度越大越不利于其生长；在杨树林的营造过程中，应首先考虑造林地理位置、气象气候等因素；其次，考虑林分结构，特别是林分密度合理性；最后，考虑地形结构是否适宜进行杨树林营造工程建设。 相似文献
2.
目的 探索立地因子与桉树Eucalyptus适宜性之间的关系，开展树种适宜性研究，为桉树适宜性研究提供新思路，为科学造林提供支持。 方法 以广西桉树人工林为研究对象，选取广西国有高峰林场的1 883个森林资源小班调查数据，分别运用朴素贝叶斯、支持向量机、随机森林算法作为树种适宜性评价方法，构建桉树适宜性分类模型。输入为地貌类型、海拔、坡向、坡位、坡度、凋落物厚度、腐殖质层厚度、土层厚度、石砾含量、成土母质，土壤类型等11个立地因子信息，输出为桉树适宜性。 结果 3种算法构建的模型拟合精度依次为63.18%、69.73%、78.03%，泛化精度依次为64.33%、67.93%、78.18%。相比于朴素贝叶斯、支持向量机算法，随机森林算法分类效果更好。立地因子重要性排序由高到低依次为:海拔、土层厚度、坡向、坡度、石砾含量、凋落物厚度、坡位、腐殖质层厚度、土壤类型、地貌类型、成土母质。200~350 m海拔、80~100 cm土层厚度的地区比较适宜桉树生长。 结论 基于机器学习算法构建的桉树适宜性评价模型可以较好地对桉树的适宜性做出预测。 相似文献
3.
目的 通过2018年1—2月广西国有高峰林场机载激光雷达数据及地面调查数据,采用参数方法和非参数方法建立回归模型,反演桉Eucalyptus树人工林森林蓄积量。 方法 通过点云提取点云高度参数、点云密度参数、林分郁闭度等点云特征变量,采用参数方法(逐步回归、偏最小二乘回归)和非参数方法(随机森林回归、支持向量机回归)进行林分蓄积量构建,通过与样地实测数据对比,进行模型回归预测性能评估,进而选择出表现最优蓄积量反演模型。 结果 采用留一法对以上4种模型进行验证,结果显示:逐步回归模型R2为0.85、均方根误差(RMSE)为23.93 m3·hm?2、平均绝对误差(MAE)为18.18 m3·hm?2;偏最小二乘回归模型R2为0.81、RMSE为26.52 m3·hm?2、MAE为19.94 m3·hm?2;核函数为RBF的支持向量回归模型R2为0.88、RMSE为21.35 m3·hm?2、MAE为16.62 m3·hm?2;随机森林回归模型R2为0.84、RMSE为24.53 m3·hm?2、MAE为17.41 m3·hm?2。 结论 采用随机森林进行变量筛选后,RBF-SVR模型拟合优度及泛化能力最优;通过逐步筛选法结合方差膨胀因子(VIF)方法优选变量的逐步回归模型次之;最后为随机森林回归模型与偏最小二乘回归模型。可见,在解决林业激光雷达领域中的回归预测问题时,采用非参数方法构建RBF-SVR模型更有优势。本研究建立的4种森林类型蓄积量模型,各模型均有较高精度且符合森林资源调查相关技术规定要求。图6表6参25 相似文献
4.
目的 森林生物量的空间精准量化对了解陆地碳储量、碳收支、碳平衡,以及揭示森林碳储量与全球气候变化的影响过程具有重要意义。P波段波长较长,在森林中具有更高的穿透能力,研究机载P波段SAR数据提高森林地上生物量(AGB)估测精度的可行性。 方法 以机载P波段全极化合成孔径雷达(SAR)数据和高精度激光雷达(LiDAR)数据估测的森林AGB抽样点为基础,提取20个极化SAR特征,并分别与森林AGB变化作敏感性响应情况分析。采用多元线性回归模型(MLR)、K近邻方法(KNN)、支持向量回归(SVR)和随机森林(RF)4种估测方法,探究机载P波段SAR数据的森林AGB估测精度。 结果 在较低森林AGB(均值约45 t·hm?2)的森林覆盖区中,P波段的同极化后向散射系数、Freeman-Durden和Yamaguchi分解中的表面和二次散射分量对森林AGB变化敏感;此外H-A-ALPHA极化分解的散射角(alpha)、拓展极化参数极化辨别率参数(PDR)也对森林AGB变化敏感。4种方法估测的森林AGB相对误差均约30%,其中MLR估测结果精度最低,估测精度为63.55%,均方根误差(RMSE)为19.16 t·hm?2;RF估测结果精度最高,估测精度为72.97%,RMSE为15.98 t·hm?2;KNN和SVR估计结果差别不明显,RMSE分别为17.04和17.09 t·hm?2。 结论 P波段SAR数据对估测森林AGB具有一定潜力,3种非参数方法的估测结果明显优于MLR参数方法。此外,P波段的森林AGB估测精度受到待估森林AGB水平高低的影响明显,在森林AGB水平较高的分组中估测精度较高。在森林AGB均值为45 t·hm?2,最大值为120 t·hm?2的森林覆盖区,以50 t·hm?2将森林AGB样点分为2组时,高森林AGB组的估测精度高出低AGB组约6%。图5表3参34 相似文献
5.
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。 相似文献
6.
目的 建立基于气候因子的兴安落叶松天然林单木直径生长模型用于预测胸径生长,为内蒙古大兴安岭地区兴安落叶松天然林经营管理提供理论依据。 方法 基于内蒙古大兴安岭地区2013、2018年森林资源连续清查数据中的187块兴安落叶松天然林固定样地及样地位置对应的气候数据,运用逐步回归法建立考虑气候因子的传统单木直径生长模型,并在此基础上,加入样地效应构建兴安落叶松单木直径生长混合效应模型。最后,利用独立检验样本数据对基础模型和混合效应模型进行检验。 结果 年平均气温MAT、生长季平均降雨量Pgm是影响该地区兴安落叶松胸径生长量的主要气候因素,二者与胸径生长量均呈正相关。其余显著影响胸径生长量的因子包括初期胸径的倒数（1/DBH）、大于对象木的断面积和（BAL）、每公顷株数（NT）,3个变量都与胸径生长量呈负相关。胸径混合效应模型的决定系数（R2）为0.760 4,平均绝对误差（MAE）和均方根误差（RMSE）分别为0.386 6和0.486 3 cm2。与基础模型相比,混合效应模型的R2提高了0.321 7,MAE和RMSE减少了0.230 6 和0.267 4 cm2。在模型检验中,混合效应模型也呈现出了较好的拟合效果。 结论 基于气候因子的单木直径生长混合效应模型可以较好地描述内蒙古大兴安岭地区的兴安落叶松胸径生长过程。 相似文献
7.
目的 森林是整个陆地碳循环系统中最大的有机碳贮库，准确地估测森林地上生物量影响着全球碳源与碳储量的分析与评价。本文旨在评价利用Landsat8 OLI、高分一号光学数据、ALOS-1 PALSAR-1SAR 3组不同源遥感数据估测森林AGB的潜力，进而剖析光学数据和SAR数据在估测森林AGB方面的差异。 方法 首先对Landsat8 OLI、高分一号光学数据、ALOS-1 PALSAR-1SAR数据分别提取波段比值、植被指数、纹理信息，对ALOS-1 PALSAR-1SAR数据同时提取极化分解信息；然后，利用随机森林算法对不同数据提取的特征参数进行重要性排序，选择排序靠前的特征进行建模；最后，利用KNN-FIFS算法分析不同特征组合，对4组数据建立4个模型估测森林AGB，并使用留一交叉验证法对4个模型估测森林AGB值进行精度评价。 结果 使用植被因子、波段比值、纹理因子、极化分解信息4种特征参数分别对3组数据进行建模估测森林AGB，基于Landsat8 OLI数据反演森林AGB的精度评价结果为R2 = 0.50，RMSE = 33.34 t/hm2；基于高分一号数据估测精度为R2 = 0.36，RMSE = 37.60 t/hm2；基于PALSAR纹理特征估测精度为R2 = 0.45，RMSE = 35.40 t/hm2；基于PALSAR全极化分解信息估测精度为R2 = 0.63，RMSE = 28.84 t/hm2。 结论 参数提取方法相同时，即基于植被因子、波段比值、纹理信息3种特征参数估测森林AGB，其光学数据和SAR数据的反演潜力基本一致；参数提取方法不同时，即SAR数据加入极化分解信息估测森林AGB，与光学数据相比，SAR数据对森林AGB的反演潜力较好。 相似文献
8.
目的 基于帽儿山红松人工林63块样地2 972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。 相似文献
9.
目的 通过对马尾松Pinus massoniana人工林密度指数模型的研究，为制定木材产量及质量的提升决策提供参考。 方法 以河南省薄山林场马尾松人工林为研究对象，采用147块标准地数据，以林分平均胸径为输入向量，以林分密度为输出向量，建立了林分密度指数人工神经网络（ANN）模型，并与Reineke的林分密度指数模型进行比较。 结果 ① 薄山林场马尾松人工林最大密度线斜率b为-1.516 3，马尾松标准平均胸径为14 cm，Reineke的林分密度指数模型精度为92.11%，t检验结果显著；②构建了网络结构为1:2:1的林分密度指数ANN模型，模型拟合精度为92.57%，均方误差为0.001 469 7。③无论采用Reineke林分密度指数还是人工神经网络技术，在拟合株数密度随林分平均胸径的变化趋势时，幼龄林组拟合效果都不理想，这与幼龄林组数据数量偏少有关。 结论 所建模型可为薄山林场马尾松抚育经营决策提供依据。 相似文献
10.
[目的]基于冠层图像可见光颜色分量进行冬小麦叶片氮含量(leaf nitrogen concentration,LNC)估算的算法研究,旨在为构建LNC估算模型提供方法借鉴。[方法]用Olympus E-620单反相机采集不同种植条件(2个品种、2个种植密度、3个氮处理)下2年生育期(2013年和2014年)的小麦冠层图像。基于H颜色分量的K-means聚类分割冠层图像,分别提取3个颜色空间HSV、L~*a~*b~*和RGB的3种基础颜色分量值,作为输入参数;分别使用多元线性回归(multivariate linear regression,MLR)、支持向量回归(support vector regression,SVR)、随机森林(random forest,RF)构建LNC估算模型,以决定系数R~2和均方根误差(root mean square error,RMSE)为评价指标;10×10嵌套交叉验证法分析3个颜色空间下各算法模型的拟合能力与泛化性能。[结果]单颜色空间下,3个算法模型的拟合与泛化性能以HSV空间下最优,L~*a~*b~*空间下其次,RGB空间下表现最弱;其中,RF拟合能力最强,但方差主导了泛化误差,模型过拟合;SVR拟合能力弱于RF,优于MLR,但该模型泛化性能最优;MLR拟合能力最弱,且偏差主导了泛化误差,模型欠拟合且受噪声干扰。融合3个颜色空间9种基础颜色分量的多颜色空间,3个模型拟合与泛化性能相对单颜色空间均更优,其中RF模型最优。与最优单色空间HSV相比,RF在训练集上R~2提高2.67%,RMSE降低11.59%;测试集上R~2提高7.57%,RMSE降低11.49%。多颜色空间下RF较SVR拟合更优,且泛化性能有效提升,提升比例高于SVR。[结论]基于3种算法构建的LNC估算模型,在融合3个颜色空间的9个基础颜色分量多颜色空间下,RF拟合与泛化性能最优,可为估算冬小麦LNC提供方法参考。 相似文献
11.
目的 基于浙江省中分辨率成像光谱仪(MODIS)时间序列数据,对浙江省竹林地上生物量进行估算,为竹林碳汇遥感监测提供参考。 方法 以MODIS叶面积指数(LAI)、增强型植被指数(EVI)和比值指数(RVI)时间序列数据为变量,利用随机森林模型筛选变量,采用支持向量回归(SVR)模型估算研究区竹林地上生物量。 结果 随机森林模型共筛选出43个对竹林地上生物量影响最大的变量;基于43个变量,采用radial核函数构建的SVR模型预测能力最强,模型训练精度和测试精度分别为0.76和0.72,均方根误差分别为5.15和8.03 Mg·hm?2。浙江省全省竹林地上生物量均值为7.85 Mg·hm?2,总地上生物量为3.31×107 Mg;浙江省竹林地上生物量在各市具有明显的差异性,其中,湖州市、杭州市、金华市、绍兴市和宁波市的竹林地上生物量均值均大于全省均值,湖州市竹林地上生物量均值最大,为13.56 Mg·hm?2,舟山市地上生物量均值最小,为5.72 Mg·hm?2。 结论 耦合了MODIS LAI、EVI、RVI时间序列数据的SVR模型可实现浙江省竹林地上生物量较高精度的估算。图3表1参31 相似文献
12.
目的 梯田是黄土高原最重要的水土保持措施和农业生产措施,高效、准确地获取长时间序列黄土梯田分布信息,对黄土高原的水土保持监测和评价十分重要。 方法 在Google Earth Engine(GEE)的支持下,以宁夏回族自治区固原市为研究区,使用遥感影像监督识别技术,对比随机森林(RF)、决策树(CART)、支持向量机(SVM)等3种机器学习算法的识别精度,探讨LandTrendr算法在长时间序列动态监测中的优化应用,最终获取固原市近30 a梯田分布信息。 结果 ①3种算法识别精度从大至小依次为随机森林、决策树、支持向量机。②使用随机森林算法识别梯田,基于样点检验总体精度达94.10%,Kappa系数达0.87,基于实地斑块检验总体精度达93.33%,Kappa系数达0.80。③ LandTrendr算法能有效校正时间序列中的错误值。④ 1988－2019年,固原市梯田面积减少了45.90%。⑤固原市西部的梯田使用时间较东部更长。 结论 采用本研究方法在GEE云平台可以高效、准确地遥感监测长时序、大尺度的黄土梯田。固原市近30 a梯田农业比例逐渐下降,促进了生态环境持续向好发展。图4表3参22 相似文献
13.
目的 本文基于贝叶斯模型平均法,结合二项逻辑斯蒂回归模型,构建云南省大理州森林火灾发生预测模型,以期提高林火预测精度,为研究地区林火管理提供技术支持。 方法 利用2000—2013年大理州林火数据及对应的气象数据,分别运用二项逻辑斯蒂回归模型和贝叶斯模型平均法,对该地区森林火灾对气象因子的响应进行实证分析。二项逻辑斯蒂回归模型为单一模型,建模前通过对各解释变量进行多重共线性检验,剔除有显著共线性的解释变量,然后通过逐步回归法,筛选最终变量并进行参数拟合。贝叶斯平均模型为组合模型,基于贝叶斯模型平均法建模时,采用奥卡姆窗的方法来适当调整模型空间,并以5个最优模型的后验概率作为权重进行加权建模。将全样本数据随机分成80%的训练样本和20%的测试样本,基于训练样本建立模型,对测试样本进行预测,通过对比观测值和预测值计算模型的准确率。 结果 通过二项逻辑斯蒂模型拟合,优度为0.783,预测精度为0.718。通过贝叶斯平均模型拟合,优度为0.868,预测精度为0.807。2个模型预测结果对比显示,在训练集中,贝叶斯平均模型的预测准确率比二项逻辑斯蒂回归模型高9.3%;在测试集中,贝叶斯平均模型的预测准确率比二项逻辑斯蒂回归模型高8.9%。 结论 在基于气象因子的大理州林火发生预测模型构建研究中,贝叶斯平均模型的拟合优度和预测精度均高于二项逻辑斯蒂模型,表明贝叶斯模型平均法具有一定的现实应用意义,可用于提高研究地区林火预测精度,有利于森林火灾的决策管理。 相似文献
14.
【目的】基于历史数据,利用机器学习方法分析宁夏南部土壤质地空间变异规律及其与环境因素之间的关系。【方法】基于宁夏回族自治区南部428 个20世纪80年代第二次土壤普查土壤剖面点数据,采用分类回归树（CART）和随机森林（RF）两种机器学习方法,结合地形因子、土壤类型、归一化植被指数,探究与宁夏南部地区土壤质地分布相关性较强的环境因素,并用两种机器学习预测该区土壤质地类型的空间分布,用剖面点验证集数据以及宁夏回族自治区海原县实测样点数据验证模型精度。【结果】（1）RF和CART对剖面点验证集土壤质地类型的预测正确率分别为 62.36%、55.29%,接收者操作特性（receiver operating characteristic,ROC）曲线下面积（area under roc curve,AUC）分别为0.7515、0.6933,对海原县122个实测样点的预测正确率分别为54.10%、48.36%,AUC分别为0.6599、0.5981,RF的预测精度高于CART。（2）该区土壤类型（ST）是与土壤质地空间分布相关性最强的环境因素,其次是高程（Ele）,高程越高,土壤质地越黏重。风力作用指数（WEI）和坡度（Slo）对土壤质地的影响较小。（3）研究区土壤质地类型以轻壤土为主,空间分布格局基本呈现为南部土壤质地黏重,北部土壤质地较轻。【结论】RF更适合预测宁夏南部地区土壤质地的空间分布,且充分利用历史数据,结合新的野外采样,可以达到预测制图的精度要求;土壤类型（ST）和高程（Ele）是与土壤质地空间分布相关性较强的环境因素。 相似文献
15.
目的 森林火灾的频繁发生给森林防治工作带来很大的难度，传统的森林火灾识别算法存在准确率低、处理效率不够高等问题，同时由于森林火灾图像数据本身具有很强的复杂性，需要从识别精度和泛化能力等多方面进行综合考虑，因此本文将利用稀疏化的DenseNet模型展开森林火灾的识别研究。 方法 首先，对DenseNet模型进行稀疏化改造，通过随机屏蔽Dense Block模块中节点的方式来产生稀疏化效果，使得算法具备减轻过拟合、缓解梯度消失以及加快收敛速度等优点。其次，在林区进行图像采集时，由于摄像设备与被采集物体之间的相对运动以及光影作用，会出现图片数据被干扰的情况，因此本文利用python相关的图片处理工具对图片进行变换，从而对图片数据集进行相应的扩充，使其能够契合实际的应用场景。最后，本文将Sparse-DenseNet模型与其他经典深度学习模型在森林火灾数据集以及cifar10数据集上的表现进行对比，观察其效果。 结果 Sparse-DenseNet模型拥有在结构上更加轻量的特点，并且训练更快，避免过拟合的效果更好，在森林火灾数据集和标准数据集cifar10上都具有较好的表现。 结论 本文所提出的Sparse-DenseNet模型在森林火灾识别问题上，可以有效优化传统模型存在的问题，并取得良好的识别效果，其准确率可达到99.33%，优于DesenNet的98.15%，并且相同轮次训练时间只有DenseNet训练时间的3/4左右。 相似文献
16.
目的 建立区域尺度林分生物量生长模型,为预测未来某一时段广东省天然阔叶林生物量和碳储量提供方法学支持。 方法 基于广东省1997—2017年5期森林清查数据,选择栎类、木荷和其他软阔类等6个阔叶树种为优势树种的203个天然林样地,以参数分级反映立地质量差异,以竞争指数表示密度影响,以分步建模（一元非线性回归法）和联合建模（非线性联立方程组法）区别建模方式,采用理论生长方程构建胸径生长模型估计林龄进而构建多种林分生物量生长模型,以决定系数和平均预估误差等4个指标评价模型拟合优度;对拟合优度较高的模型,以2002—2017年4期连清的183块样地为检验样本,用总相对误差来验证其应用效果。 结果 对比模型拟合效果和区域尺度及样地水平上的估计精度,以探究林分密度、不同参数分级、分级方法和建模方法共4项影响因素对生物量生长模型的效果,结果表明:非线性联立方程组法优于分步建模法;与生长速度有关的参数b分级模型优于与生长潜力有关的参数a分级模型;考虑林木竞争和分级方程中加入竞争指数对优化模型性能影响不大。参数b分级、自变量和分级方程皆不含竞争指数的联合模型（模型10）为最优模型,其生物量生长模型确定系数R2为0.970 1;预测4期生物量时,估计效果较好,后期估计误差明显低于前期,如采用模型10预估栎类2002—2017年区域尺度生物量时,4期的估计误差分别为6.22%、15.27%、4.80%、?1.84%。 结论 以Richards理论生长方程为基础构建林分生物量生长模型来估测区域尺度生物量是一种可行的方法,为评估未来某一时段区域尺度森林生态系统的固碳能力提供依据,也为其他区域的林分生物量生长模型研建提供参考。 相似文献
17.
表型特征是评估作物生长状况的关键指标,对作物长势的分析至关重要。本研究利用Cubert S185机载高光谱成像仪采集了春小麦4个生长期的高光谱影像,同时测量了作物高度,叶面积指数和叶绿素含量。采用线性回归和多种机器学习算法,确定不同表型特征的最优反演模型,结果发现：利用播种前和不同生长期的DSM数据估算春小麦高度,实测值与预测值间的R 2为0.808,RMSE为0.105,较好地模拟了高度变化;对比3种机器学习回归模型,发现基于光谱指数NDSI ((710,714))构建的支持向量回归(SVR)模型对LAI具有良好的预测能力,R 2为0.723,RMSE为0.267。同样,基于光谱指数NDSI ((738,710))构建的XGBoost模型在预测CCC方面也表现优异,R 2为0.795,RMSE为132.811。本研究结果可为精准农业的高效管理提供有力的技术支撑。 相似文献
18.
目的 对比不同冠幅预测方法对云冷杉幼树不同方向冠幅（东、西、南、北、东西、南北、平均冠幅）的预测精度的差异，为天然云冷杉林经营提供一定的理论依据。 方法 利用2013年金沟岭云冷杉3块1 hm2固定样地中云冷杉幼树各向冠幅实测数据，以逻辑斯蒂模型为基础模型，以非线性最小二乘法为基础方法进行模型初步拟合。以1/D、1/D0.5、1/D2作为模型的权函数进行模型异方差的消除。以不加权非线性似乎不相关法、加权非线性似乎不相关法、分位数回归法、非线性最小二乘法分别构建了云冷杉幼树冠幅各组分预测模型。 结果 模型拟合结果显示，分位数回归模型的拟合效果在云冷杉幼树冠幅预测模型中拟合精度最低；相较于分位数回归而言，加权非线性似乎不相关回归模型拟合效果与加权最小二乘模型拟合效果相当。模型拟合效果排序为:加权NSUR ≈ 加权OLS > OLS > QR。以1/D2作为模型的权函数时，模型残差图的异方差趋势被消除最明显，该权函数为最优权函数。 结论 本文中非线性分位数回归模型拟合效果不一定比非线性最小二乘法更好。加权NSUR模型（权函数为1/D2）可以为金沟岭林场云冷杉幼树冠幅的预测提供一定的理论基础。 相似文献
19.
目的 基于广义加性模型理论，构建樟子松的广义加性树干削度方程，并和林业上精度较高的变指数削度方程曾伟生等（1997）、Bi（2000）以及Kozak（2004）进行预测精度比较。 方法 以大兴安岭樟子松为研究对象，使用胸径、树高和不同部位高度及该部位树干直径及其变形构建广义加性削度方程，利用R软件mgcv软件包gamm函数对广义加性模型进行拟合，拟合过程中采用6种样条函数:B样条函数（BS）、三次回归样条函数（CR）、Duchon样条函数（DS）、高斯过程平滑样条函数（GP）、P样条函数（PS）和薄板回归样条函数（TP）。使用留一交叉检验法对模型进行检验。 结果 （1）将相对直径作为因变量，将胸径的平方、相对树高的算术平方根和树高作为自变量构建了最优的广义加性削度方程结构。（2）拟合结果表明，除CR外，其他光滑样条函数表现了相似的拟合结果，且均优于变指数削度方程的统计指标。（3）交叉检验结果表明，除CR光滑样条函数外，广义加性模型（BS，DS，GP，PS，TP）总体与拟合结果基本一致，即预测精度都优于曾伟生等（1997）、Bi（2000）和Kozak（2004）模型，其中广义加性模型中BS模型的预测精度最高，变指数削度方程中Kozak（2004）预测精度最高。（4）通过对比BS和Kozak（2004）模型的干曲线模拟发现，Kozak（2004）在预测小树树干上部时误差较大，而BS在模拟小树和大树上都具有较高的精度。 结论 广义加性模型是构建削度方程的一种非参数方法，基于BS样条函数的广义加性削度方程预测精度最高，适合大兴安岭地区樟子松的干形预测。 相似文献
20.
目的 森林碳储量是生态系统结构与功能的重要指标，掌握森林碳储量现状有利于森林资源管理。激光雷达能够用于监测森林资源，但是存在森林参数估测的模型多、变量不确定和缺乏林分三维结构解析意义的变量等问题，因此，需要选择合适的林分解析变量和模型。 方法 借助无人机激光雷达点云数据与样地调查数据，以内蒙古自治区赤峰市喀喇沁旗旺业甸人工林为研究对象，分别使用多元线性模型与多元乘幂模型以不同变量对林分碳储量进行估测，选出最优模型并进行精度评价。 结果 研究表明:（1）模型方法而言，非线性模型的检验效果优于线性模型的检验效果:非线性模型（R2为0.66 ~ 0.86，rRMSE为23.51% ~ 9.91%），线性模型（R2为0.52 ~ 0.85，rRMSE为27.70% ~ 12.38%）。（2）模型使用平均高、郁闭度为基础变量，以穷举法筛选出来的变量组合，估算森林参数得出最佳模型，其中非线性模型以激光点云平均高、郁闭度、高度变动系数和叶面积变动系数的估算精度最高（R2=0.86，rRMSE=9.91%）。 结论 通过激光雷达估测人工林碳储量时，加入垂直结构变量可以提高模型拟合效果，非线性模型比线性模型更适合人工林碳储量的估测。 相似文献
|
