福建省人工杉木单木碳储量模型研制

在福建省境内不同林龄、立地和密度的人工杉木林分中收集175株样木,采用伯克霍特(Berkhout)一元模型C=aDb及山本式二元模型C=aDbHc分别建立了人工杉木单木全树及各器官碳储量模型。经过参数估计和检验,结果表明,人工杉木单木一元全树及各器官碳储量模型的相关指数≥0.962 2,预估精度≥96.81;人工杉木单木二元全树及各器官碳储量模型的相关指数≥0.969 1,预估精度≥97.69%,均达到了林业行业标准规定的预估精度要求。

地理加权机器学习模型在单木地上碳储量估测中的应用

2021年7—8月份,在陕西省延安市黄陵县双龙林场,以栎类次生林为研究对象,设置21块20 m×30 m的固定样地,调查样地内胸径5 cm及以上所有乔木树种种名、胸径、树高、株数、冠幅、第一活枝高等因子以及样地内每株乔木的坐标等数据;依据对21块样地调查的数据,以单木地上碳储量为评价指标,以林分因子、单木因子、立地因子为影响因素,分别构建普通最小二乘模型(OLS)、地理加权回归模型(GWR)、地理加权随机森林模型(GRF)、地理加权神经网络模型(GWANN),对研究区的单木地上碳储量进行模拟估测;采用决定系数、均方根误差、平均绝对误差对4种模型的拟合效果进行评价,利用全局莫兰指数检验4种模型残差的空间自相关性,分析地理加权机器学习模型在处理林木空间非线性关系方面的应用。结果表明:使用地理加权的模型,拟合效果明显优于普通最小二乘模型,其中地理加权神经网络模型的拟合效果最好(决定系数为0.980、均方根误差为0.169,平均绝对误差为0.119)。普通最小二乘模型和地理加权回归模型的残差,表现出明显的自相关性;地理加权随机森林模型和地理加权神经网络模型的残差,则表现为随机分布。3种使用地理加权的模型(地理加权回归模型、地理加权随机森林模型、地理加权神经网络模型)大幅度降低了模型的残差自相关性,减少了残差空间上聚集分布情况的出现。综合分析研究结果,与地理加权回归模型相比,地理加权随机森林模型和地理加权神经网络模型2种地理加权机器学习模型,能够更好地反映单木地上碳储量与各影响因素间的复杂关系,预测单木地上碳储量的效果更好,具有良好的应用潜力。