王君杰
- 作品数：8 被引量：26H指数：4
- 供职机构：东北林业大学林学院更多>>
- 发文基金：中央高校基本科研业务费专项资金国家自然科学基金更多>>
- 相关领域：农业科学生物学更多>>
- 小兴安岭兴安落叶松人工林冠幅模型构建被引量：1
- 2023年
- 【目的】使用非线性回归、混合效应模型、分位数回归以及分位数组合构建兴安落叶松冠幅模型,为小兴安岭落叶松冠幅的准确预测提供参考。【方法】利用2019年马永顺林场的60块兴安落叶松人工林实测样地数据,分别构建了广义非线性模型、分位数回归模型以及混合效应模型。使用10折交叉检验,在每块样地分别随机抽取1~8株样木对两种分位数组合模型QRc-1(τ=0.1,0.5,0.9)和QRc-2(τ=0.3,0.5,0.7),以及混合效应模型进行校正,确定分位数组合与混合效应模型的最佳抽样方案并进行不同方法的对比分析。【结果】(1)模型拟合结果表明:混合效应模型拟合效果最好;中位数回归为最优的分位数回归模型,中位数回归与非线性模型的拟合统计量比较差异不大,但略优于非线性回归模型。(2)抽样校正的结果表明:当抽样数量大于2株时,模型的排序为:分位数组合QRc-2>混合效应模型>分位数组合QRc-1。(3)交叉检验结果显著性检验表明:两种分位数组合的最佳抽样方案均为4株,混合效应模型的最佳抽样方案为5株。【结论】本研究中混合效应模型和分位数组合都能提升冠幅模型的预测精度,在最佳抽样方案下,分位数组合QRc-2(τ=0.3,0.5,0.7)时的检验统计量略高于混合效应模型的检验统计量,且抽样数更少,更加节约时间和成本,因此选择抽样数为4株的分位数组合QRc-2(τ=0.3,0.5,0.7)作为最终的冠幅预测模型。
- 刘索名王君杰燕云飞姜立春
- 关键词：冠幅分位数回归混合效应模型
- 基于线性分位数组合的兴安落叶松冠幅预测被引量：4
- 2021年
- 【目的】使用线性分位数回归和分位数组合对兴安落叶松(Larix gmelinii)冠幅进行建模和预测,为准确模拟和预测冠幅生长提供技术支持。【方法】利用大兴安岭兴安落叶松天然林实测数据,采用线性回归和分位数回归构建基础和多元冠幅模型。比较7种分位数组合:三分位数组合(τ=0.1, 0.5, 0.9和τ=0.3, 0.5, 0.7)、五分位数组合(τ=0.1,0.3,0.5,0.7,0.9和τ=0.3,0.4,0.5,0.6,0.7)、七分位数组合(τ=0.1,0.2,0.3,0.5,0.7,0.8,0.9和τ=0.1,0.3,0.4,0.5,0.6,0.7,0.9)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)的预测效果。分析4种抽取方案(随机抽样、选择最大树、平均木、最小树)和9种抽样数量(1~9株)对预测精度的影响。同时使用K折交叉验证对线性回归、最优分位数回归和最优分位数组合进行比较。【结果】线性和分位数回归都能对冠幅模型进行拟合,中位数回归的拟合结果与线性回归相似,且在所有分位数中拟合能力最好。多元冠幅模型和分位数回归的拟合及检验效果都优于基础模型,冠幅与胸径和样地平均高(立地质量)呈正相关,与枝下高(树木大小)和样地内落叶松断面积(竞争)呈负相关。使用分位数组合可以提高模型的预测能力,7种分位数组合的差异很小,三分位数组合(τ=0.3, 0.5, 0.7)的预测能力最好。对于基础和多元分位数组合在实际应用时,最优抽取方案都为选取最大树,每个样地建议选取6株样木。【结论】基于线性分位数组合的冠幅模型可以提高预测精度,建议使用三分位数组合和选取最大树及抽取数量为6株的方案对冠幅进行预测。
- 王君杰姜立春
- 关键词：分位数回归兴安落叶松
- 基于分位数回归和哑变量模型的大兴安岭兴安落叶松树高-胸径模型被引量：10
- 2020年
- 【目的】基于Richards方程比较分位数回归和哑变量模型对树高-胸径方程预测精度的影响,为林业树高-胸径模型的构建提供新的思路和方法。【方法】利用大兴安岭4个区域的兴安落叶松Larix gmelinii伐倒木胸径/树高实测数据,采用分位数回归和哑变量模型构建树高-胸径模型,并与基本模型进行对比分析。评价指标采用平均绝对误差(MAE)、均方根误差(RMSE)、确定系数(R2)、赤池信息量(AIC)、贝叶斯信息量(BIC)、平均预测误差百分比(MPE)、平均绝对百分比误差(MAPE)、均方根百分比误差(RMSPE),同时利用非线性额外平方和法进行区域性检验。【结果】1)Richards树高-胸径模型在9个不同的分位点(τ=0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9)都能收敛,且每个区域都有其对应的最优分位数模型,区域1、2、3和4的最优分位数模型所对应的分位数分别是τ=0.7、τ=0.3、τ=0.5和τ=0.3,各区域最优分位数模型与哑变量模型所得结果差异不大,都优于基本模型。2)F检验结果表明哑变量模型的构造是有必要的,区域2和区域4没有显著不同,其他5对区域都有显著不同。3)模型检验结果表明区域1、3、4的最优分位数回归模型都要优于哑变量模型,区域2的哑变量模型没有通过正态性检验(P=0.0286),因此区域2的最优模型仍然为τ=0.3时的分位数模型。【结论】分位数回归模型和哑变量模型都能够反映不同区域树高-胸径关系的变化,在拟合和检验统计量等方面都表现较好,适合于大兴安岭落叶松树高预测。在进行方法选择时,可以根据数据特征和研究目的进行选择。
- 王君杰夏宛琦姜立春
- 关键词：分位数回归兴安落叶松
- 天然樟子松和兴安落叶松树干削度方程4种建模方法比较
- 2023年
- 【目的】基于樟子松和兴安落叶松干形数据,比较分析最小二乘法(ONLS)、分位数回归(QR)、混合效应模型的固定效应法(FIXED)以及广义加性模型(GAM)对树干不同位置直径和树干总材积的预测精度,为树木干形和材积精准预测提供参考。【方法】以大兴安岭漠河林业局不同林分条件下的187株樟子松和283株兴安落叶松为研究对象,拟合林业上常用的33个削度方程,选出精度较高的削度方程作为ONLS、QR和FIXED的基础模型。基于描述干形的常用变量,同时考虑变量转换,如平方和开根号等变量转换构建GAM。应用R软件对4种建模方法进行拟合,选取平均误差(ME)、均方根误差(RMSE)、百分比均方根误差(RMSE%)和确定系数(R^(2))对比分析4种建模方法,采用留一交叉检验法对不同建模方法进行检验,比较各方法预测树干不同位置直径和树干总材积的精度。为更直观展示各建模方法效果,分别从2种树种中随机抽取2株不同大小树木进行树干模拟。【结果】1)基于Kozak(2004)模型的ONLS、QR和FIXED以及构建的GAM拟合结果表明,4种建模方法均能较好拟合樟子松和兴安落叶松干形数据;2)留一交叉检验结果显示,GAM对樟子松和兴安落叶松树干直径的预测精度优于ONLS、QR和FIXED;3)GAM预测2种树种材积时与估计直径一致,即GAM预测精度优于其他建模方法;相较ONLS,樟子松和兴安落叶松GAM材积预测的RMSE分别下降5.6%和11.3%;4)2种树种不同大小树木树干模拟发现,对于大树树干,ONLS、QR、FIXED和GAM模拟效果相似,且均能较好模拟樟子松和兴安落叶松树干干形;对于小树树干,ONLS、QR、FIXED和GAM模拟效果差异较大,其中GAM能较好模拟樟子松和兴安落叶松树干干形。【结论】GAM预测树干不同位置直径和树干总材积时精度最高。当以预测为主要目的时,GAM通过简单编程能够实现对樟子松和兴安落叶松树干直径和材积的估计,
- 何培王君杰辛士冬张兹鹏姜立春
- 关键词：削度方程最小二乘法分位数
- 基于混合效应模型的人工红松枝下高模型研建被引量：9
- 2020年
- 【目的】基于帽儿山红松人工林63块样地2972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。
- 燕云飞王君杰姜立春
- 关键词：非线性混合模型枝下高人工林
- 利用分位数组合预测兴安落叶松枝下高被引量：4
- 2021年
- 【目的】本文使用分位数回归和分位数组合对枝下高进行建模和预测,为单木枝下高模型的构建提供新的思路和方法。【方法】利用大兴安岭新林区4个林场的兴安落叶松天然林实测数据,采用非线性回归构建枝下高基础和广义模型并分别扩展到分位数回归。使用三分位数组合(τ=0.1,0.5,0.9)、五分位数组合(τ=0.1,0.3,0.5,0.7,0.9)、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)和4种抽样设计(抽最大树、抽最小树、抽平均木、随机抽取)进行预测,比较不同分位数组合的预测效果并分析不同抽样设计对预测精度的影响。同时使用双重交叉检验对非线性回归、最优位数回归和最优分位数组合进行比较。模型拟合和检验的评价指标主要包括平均绝对误差(MAE)、均方根误差(RMSE)、相对误差(MPE)和调整确定系数(R^(2)_(adj))。【结果】(1)无论是非线性回归还是分位数回归,广义模型的拟合MAE较基础模型可降低6%~12%,RMSE可降低6%~10%,检验效果也优于基础模型。枝下高与胸径呈负相关、与样地优势高和每公顷断面积呈正相关。(2)中位数回归在所有分位数中拟合能力最好,且效果与非线性回归相似。分位数回归可以描述枝下高的分布。(3)3种分位数组合都可以对枝下高模型进行预测且效果相差不大,三分位数组合就可以满足枝下高的预测精度。中位数回归的交叉检验结果与非线性回归相似,三分位数组合的预测能力最优,MAE和MPE较非线性回归和中位数回归分别下降了20%和4%左右,R^(2)_(adj)提高了16%左右。(4)基础和广义分位数组合的最优抽样设计分别为抽平均木5株和抽大树7株。【结论】本研究基于三分位数组合(τ=0.1,0.5,0.9)的枝下高模型可以提高预测精度,具体应用基础和广义分位数组合模型的最优抽样设计分别为抽平均木5株和抽大树7株。综合预测精度和调查成本的考虑,在实践
- 王君杰姜立春
- 关键词：枝下高分位数回归抽样设计
- 黑龙江省样地气象因子及NPP时空变化分析被引量：1
- 2016年
- 本文以黑龙江省为研究区域,以2005年和2010年气象数据(平均气温、降水量、平均相对湿度、平均风速)和样地数据为数据源,分别采用三种空间插值(反距离权重插值法、样条插值法、克吕格插值法)的方法进行插值、精度验证及对比分析,获得不同气象因子的最优插值方法。利用最优插值方法获得黑龙江省内样地点的不同气象因子值,并利用周广胜模型计算NPP值,进行黑龙江省样地气象因子及NPP时空变化分析研究。研究结果表明:降水量、平均气温的最优插值方法为克吕格插值法,平均相对湿度的最优插值为反距离权重法,平均风速的最优插值为样条插值法;黑龙江省2010年比2005年的年均温升高了近0.04℃,年降水量升高了22.15mm;随着2010年降水量和气温的升高,NPP也有明显增加,其差异呈缩小趋势;黑龙江省NPP由北向南逐步增多,中东部地区高于西北部地区。该研究为了解黑龙江省内区域生态环境承载力、人类社会发展对于生态环境影响以及植被与气候变化之间的响应关系都有重大的理论与现实意义,为碳循环与区域性及全球变化研究提供了数据支持。
- 王君杰狄敏侯艺莹周雪
- 关键词：空间插值NPP
- 形率对白桦单木材积和生物量预测精度的影响被引量：3
- 2022年
- 【目的】以大兴安岭地区白桦为研究对象,构建含有形率的材积模型,并与部颁东北地区白桦二元材积模型和传统基础材积模型进行比较,同时结合生物量转换因子,研究形率对单木生物量的影响,为单木材积和生物量的精准预测提供科学依据。【方法】将树干上15个形率引入传统基础材积模型分别构建二元和三元单木材积模型,应用R软件GNLS模块拟合各模型,引入方差函数消除各材积模型拟合过程中产生的异方差现象。以相对误差绝对值(MPB)、平均误差绝对值(MAB)、均方根误差(RMSE)和确定系数(R^(2))为评价指标对各模型进行对比分析,采用交叉检验法对模型进行检验。【结果】1)形率引入可显著提高材积模型拟合效果,当取相对树高为40%时,带有形率q_(0.4)的二元和三元材积模型拟合效果均表现最好;2)交叉检验结果表明,形率引入材积模型使得材积预测精度显著提高,相较传统一元模型(1)和二元模型(2),引入形率的二元模型(14)和三元模型(15)的均方根误差分别降低38.9%和45.8%;3)与东北地区当前使用的二元材积模型(5)相比,引入形率的二元模型(14)的RMSE、MAB和MPB分别降低46.7%、40.2%和47.7%,引入形率的三元模型(15)的RMSE、MAB和MPB分别降低59.1%、59.2%和64.1%;4)形率引入可显著提高单木生物量预测精度,与不引入形率的基础模型相比,以引入形率的三元材积模型(15)为基础,结合生物量转换因子(BEF)构建的单木生物量模型的RMSE、MAB和MPB分别降低46.9%、46.5%和46.3%。【结论】在材积模型中引入形率,不仅可提高单木材积预测精度,还能为单木生物量精准预测提供帮助。引入形率的三元立木材积模型(15)更适合于预测该区域白桦单木材积和生物量。
- 张兹鹏王君杰刘索名姜立春
- 关键词：白桦形率生物量
