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3 795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(R^(2)=0.590 4、RMSE=2.112 1、MAE=1.710 5)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(R^(2)=0.711 2、RMSE=1.767 8、MAE=1.400 0)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R^(2)、RMSE及MAE分别为:0.591 0~0.711 2、1.746 1~2.103 6、1.377 3~1.711 0。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R^(2)、RMSE和MAE分别为:0.721 4~0.797 4、1.477 4~1.732 7、0.991 1~1.301 5。【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。

基于无人机多光谱影像的松材线虫病单木尺度监测

松材线虫病是最具危害性的森林病害之一,亟需采取精准的监测手段来确定病疫木的株数和位置,实现松材线虫病的高效防控。利用多光谱无人机获取贵州省榕江县忠诚镇松材线虫病疫区图像,以无人机多光谱及其衍生点云作为数据源。首先,通过点云分割算法对研究区单木进行定位识别和树冠轮廓分割;然后,以分割单元提取光谱特征,并通过随机森林与递归特征消除相结合(RF-RFE)筛选出最佳特征集;最后,基于筛选特征集用于随机森林(RF)和支持向量机(SVM)检测模型构建,并评价模型检测性能,同时,使用RF和SVM对研究区进行感病情况反演,绘制松材线虫病空间分布图。结果表明:1)基于摄影测量点云单木分割效果较好,整体F-score为82.21%;经过特征筛选构建的RF模型,其OA和Kappa分别为84.4%和0.74,SVM的为76.09%和0.66。2)在树木健康、早期、中期和晚期4个阶段的检测中,RF的F-score值分别为78.43%,69.23%,83.33%和94.12%;SVM的为80.7%,55.81%,70.18%和84.13%。综合比较,RF的检测性能最好。研究表明,采用无人机多光谱影像和摄影测量点云相结合进行松材线虫病单木尺度监测具有可行性。通过研究,以期为低成本和精准的松材线虫病遥感监测提供参考。