计算机类实验教学中心多方位改革与实践

依照"资源共享,效益为先,优化配置,促进开放"的建设原则,浙江农林大学信息技术实验教学中心积极探索以专业功能分类建立的运行模式。从实验室统一空间布局、统一设备与仪器配置、统一实验队伍管理、统一经费预算开支及统一课程任务安排等5个方面介绍中心在计算机类实验室建设过程中所取得的改革与实践的经验及成果。

木材径切面内部缺陷的应力波成像算法

为了获得木材径切面上的缺陷形状、大小和位置,提出一种木材径切面内部缺陷成像的方法。首先,基于应力波在木材径切面上的传播规律,提出一种木材径切面上的应力波速度修正方法。将应力波速度转换为径切面上的若干个预估点的值,结合反距离加权插值(IDW)法提出一种速度修正插值(VCI)方法。最后,使用VCI方法在不同树木样本上进行了木材径切面缺陷的二维成像实验。结果表明:①VCI方法可以重建木材内部缺陷大小以及缺陷位置,缺陷成像结果与真实的缺陷情况相吻合。②对比IDW方法的成像结果, VCI方法对缺陷的大小以及缺陷形状、位置的成像结果有较大提高。③利用混淆矩阵方法对VCI与IDW方法进行定量分析表明, VCI方法的平均准确率、平均精确度和平均查全率均高于IDW方法,说明VCI方法成像效果的可行性和有效性。

基于逐步回归的XGboost方法的森林蓄积量估测

【目的】森林蓄积量是反映森林资源总规模和水平的基本林分调查因子之一,也是衡量森林资源丰富程度和森林生态环境优劣的重要依据。为探索更优的森林蓄积量建模和估测方法,以期为林业科学中森林蓄积量的估测研究提供新的方法与思路。【方法】以浙江省龙泉市为研究区,以单位蓄积量(m3/mu)为研究对象,集成森林资源二类调查数据、高分二号遥感影像数据、数字高程模型(DEM)数据。通过逐步回归特征选择方法选取与蓄积量相关的自变量因子,在不区分树种的情况下,利用极端梯度提升(eXtreme gradient boosting,XGboost)方法、决策树梯度提升(Light generalized boosted regression models,LGBM)方法和梯度提升(Gradient boosting)方法分别建立蓄积量估测模型。然后,基于区分针叶林、阔叶林、针阔混交林的情况下,用XGboost方法再次建立蓄积量估测模型,并与未区分树种情况下的估测结果进行对比。采用十折交叉验证法对模型性能指标进行检验。【结果】在不区分树种的情况下,XGboost呈现了最佳的效果,优于LGBM方法和Gradient boosting方法,其建模精度为89.65%,估测精度为83.19%。在区分树种结构下,XGboost方法的建模精度(89.31%)与不区分树种情况下没有明显区别,但估测精度(84.5%)有一定提升,其中针叶林的效果最好。【结论】逐步回归特征选择方法结合XGboost方法能够取得最好的森林蓄积量估测效果,区分树种能够在一定程度上提高模型的泛化能力。XGboost方法在实践中使用方便,提供了在短时间内估测森林蓄积量的可能性,从而为森林蓄积量的估测提供了新的方法。

基于距离相关系数和Catboost方法的森林蓄积量估测

【目的】探讨采用Landsat-8遥感影像数据,基于距离相关系数特征选择的Catboost模型在森林蓄积量估测中的潜力和适应性,为森林蓄积量的估测方法再增加一种可能性,也能为“双碳”目标的实现提供理论支撑。【方法】以浙江省龙泉市为研究区域,使用多源数据,包括Landsat-8卫星影像数据、森林资源二调数据和数字高程模型的数据,整个过程使用十字折交叉验证法对模型检验。首先使用基于距离相关系数的方法筛选特征因子,在不区分树种的情况下,分别利用K最近邻算法(KNN)、装袋算法(Bagging)、决策树梯度提升算法(LGBM)、梯度增强集成分类器算法(Catboost)4种方法建立蓄积量估测模型。之后再选取样本数据中数量比较大的杉木、针叶混交林、马尾松3种优势树种,分别使用Catboost方法进行蓄积量估测,再按权求和与未区分树种情况下的估测结果进行比较。【结果】Catboost方法表现优势明显,优于K最近邻算法(KNN)、装袋算法(Bagging)以及决策树梯度提升算法(LGBM),其模型的精确度达到了81.43%,建模估测的精确度达到了76.74%,并且与3种不同优势树种按权求和的结果对比,Catboost法的建模精确度差别不大,但是估测的精确度提高了1.01%。【结论】基于距离相关系数特征选择方法结合Catboost模型在森林蓄积量估测中效果表现更好,并且尽管区分树种和不区分树种的情况下模型的估测能力差距比较小,但是区分树种情况下还是略有提高,这为测量区域森林蓄积量提供了一种新的思路。

基于广义代数差分法和因子选择的杉木人工林立地质量评价

【目的】研究浙西南杉木Cunninghamia lanceolata人工林立地质量,探究影响人工林立地质量的主要因素,为杉木人工林经营提供理论依据。【方法】以浙江省庆元县杉木人工林为研究对象,采用解析木数据,利用广义代数差分法,构建了杉木人工林地位指数模型,以此为因变量,使用随机森林算法从二类杉木小班数据中筛选出影响杉木林地位指数的主导因子,在此基础上,通过地位指数得分值确定立地质量等级,对庆元县杉木小班进行立地分类与立地质量评价。【结果】以Richards为基础构建的广义代数差分方程最符合庆元县杉木人工林的生长过程,其决定系数(R 2)为0.969,均方根误差(ERMS)为1.778,平均绝对误差(EMA)为0.400,且模型的多形曲线符合杉木林生长的生理学意义。通过随机森林的因子选择得出:影响杉木人工林地位指数的主要立地因子有地貌、腐殖质厚度、土层厚度,与传统的偏相关系数法相比,基于随机森林的因子选择具有更大的贡献度和更合理的因子非线性关系解释性。结合小班数据,以地貌、腐殖质厚度、土层厚度等3个立地因子将小班划分为17个立地类型,通过计算得分可知研究区立地质量处于中等及以上。【结论】基于广义代数差分法的地位指数模型适用于浙西南杉木人工林,与基于置换的因子选择方法筛选出的主导因子相结合能够对立地质量进行有效评价。