摘要：以我国南方地区的最重要针叶树种——杉木为研究对象,采用误差变量联立方程组和哑变量模型方法,建立适合不同杉木生长区域(总体)应用的相容性立木材积方程、地上生物量方程及生物量转换因子函数。结果表明:二元立木材积方程和地上生物量方程均优于其相应的一元模型;不同总体的模型之间存在显著差异,总体A的模型估计值要大于总体B;一元和二元地上生物量方程的平均预估误差均在3%以内,可应用于不同区域的杉木林生物量估计。

摘要：一、问题的提出在林业工作中,通常采用最小二乘法来拟合材积方程,特别是一元材积方程。而用于材积表编制的方程众多,因此,选择哪一种方程最适合于某一些特定的数据就非常困难。通常的拟合指标是复相关系数和剩余标准差。但它们只能应用于具有相同因变量方程的比较,而当因变量不同对就不适合了。在以往的实践中,人们往往忽视了其不同点。

摘要：基于材积方程建立的材积表是森林资源调查工作中重要的工具,估算立木材积的精度是编制材积表的关键。为了解决已有立木材积方程复杂多样、测算准确率低等不足,以北京地区侧柏Platycladus orientalis和落叶松Larix principis-rupprechtii为研究对象,提出利用量子粒子群优化最小二乘支持向量机(QPSO-LSSVM)算法建立材积方程的方法。通过伐倒解析法结合电子经纬仪无损立木材积精测法获取建模样本,对250株侧柏与300株落叶松数据分别建立一元与二元材积方程,计算得到侧柏与落叶松的一元材积方程测试集的决定系数(R2)为0.978 6和0.946 1,二元材积方程测试集决定系数(R2)为0.987 0和0.990 1,均在0.940 0以上,总体相对误差(TRE)依次为0.75%,-0.16%, 0.64%,-0.50%,均满足国家规程小于±3%的要求,表明QPSO-LSSVM模型估算效果良好。最后引用传统一、二元材积方程、 BP神经网络和粒子群优化最小二乘支持向量机(PSO-LSSVM)算法建立材积方程并与之进行对比分析。结果表明:QPSO-LSSVM材积方程在估测精度、收敛速度和稳健性等综合性能指标上优于其他材积方程。该方法在高精度材积估测中具有较好的应用前景。