發(fā)布時(shí)間：2024-05-08 23:44

　　林分蓄積是衡量小班林分生產(chǎn)力的重要指標(biāo)。以廣西高峰林場速生桉為研究對(duì)象,以年齡、密度兩個(gè)林分因子和坡向、坡位、坡度、土壤等立地因子作為自變量,公頃蓄積作為因變量,利用非集成、集成學(xué)習(xí)方法構(gòu)建9個(gè)決策樹模型,選擇最優(yōu)決策樹模型預(yù)估不同年齡的桉樹蓄積。結(jié)果表明:①集成學(xué)習(xí)決策樹模型精度高于非集成模型,串行集成類模型boosting精度高于并行集成類模型bagging,其中串行集成模型中XGboost模型評(píng)價(jià)指標(biāo)最優(yōu),訓(xùn)練集R²為0.81,RMSE為0.44;測(cè)試集RMSE為0.48,MAE為0.34。②最優(yōu)模型XGboost自變量重要性占比大于1%,依次為年齡(78%)、海拔(4.9%)、土層厚度(3.8%)以及密度(3.2%),其中年齡重要性遠(yuǎn)高于其他變量,縱向海拔高度影響大于空間位置上的橫向坡度,造林密度影響程度低于土壤因素。③模型結(jié)果在廣西其他地區(qū)同樹種泛化測(cè)試精度R²為0.785,P值為2.2E-16,符合檢驗(yàn)標(biāo)準(zhǔn),說明該模型針對(duì)廣西部分地區(qū)速生桉樹種生產(chǎn)力預(yù)估結(jié)果較好,可以為林場造林收獲預(yù)估提供依據(jù)。

【文章頁數(shù)】：10 頁

【部分圖文】：

圖1模型構(gòu)建流程

模型構(gòu)建分為數(shù)據(jù)清洗與預(yù)處理、特征選擇與數(shù)據(jù)集劃分和訓(xùn)練模型構(gòu)建與調(diào)優(yōu)三步,具體流程如圖1所示。采用統(tǒng)計(jì)軟件R3.5.4調(diào)用相關(guān)包進(jìn)行模型訓(xùn)練、驗(yàn)證與結(jié)果分析。Step1:數(shù)據(jù)清洗與預(yù)處理。數(shù)據(jù)預(yù)處理按順序包括干擾數(shù)據(jù)清除、定性因子量化處理與數(shù)據(jù)標(biāo)準(zhǔn)化處理。廣西壯族自治區(qū)速生桉....

圖2理論可用性預(yù)訓(xùn)練與修正訓(xùn)練結(jié)果

預(yù)訓(xùn)練和修正訓(xùn)練結(jié)果得到圖2所示。發(fā)現(xiàn)第5a蓄積量相較第4a增長量較小,整體不符合S型生長曲線,因此返回?cái)?shù)據(jù)預(yù)處理階段進(jìn)行數(shù)據(jù)再處理。分析原因,該地區(qū)桉樹主伐年齡為5a,在二類調(diào)查時(shí)對(duì)n<年齡<n+1的桉樹年齡全部記錄為(n+1)a,即第6a蓄積的實(shí)際年齡為5a零....

圖3三種模型自變量重要性對(duì)比

表5模型訓(xùn)練與測(cè)試結(jié)果Table5Summarystatisticsoffittingandvalidationofninemodels模型Model基學(xué)習(xí)器Baselearner訓(xùn)練數(shù)據(jù)集Trainingset測(cè)試數(shù)據(jù)集Testingse....

圖4XGboost模型在泛化測(cè)試數(shù)據(jù)集上殘差圖

表6蓄積預(yù)估結(jié)果Table6Predictionstatisticsofvolume年齡Age/a最小值Min.最大值Max.平均值Mean標(biāo)準(zhǔn)差Standarddeviation17.8336.2120.836.3228.4176.77....

本文編號(hào)：3967998