摘要：【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。

摘要：【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,在实践中应用分位数组合时,推荐在样地中抽取5株平均木对枝下高进行预测。