Research on the index system of cultivated land quality grading based on random forest algorithm
-
摘要:目的
分析研究区域内的耕地质量差异，优化耕地利用与布局，为耕地保护提供参考依据。
方法以青海省共和县、都兰县和乌兰县的耕地为研究对象，根据历史及现有文献收集耕地质量的影响因素，采用随机森林算法和相关性分析筛选定级指标并确认权重，通过加权求和法计算定级指数并划分级别，得到定级结果。与常用的特尔菲法定级成果进行比较分析。
结果随机森林算法得到的变量重要性（I）范围在0.03~11.94，相关性分析结果显示，大部分影响因素间相关性不显著，有8个为显著相关，综合I值和相关性分析结果将30个影响因素收敛为4个纬度下的14个定级指标，其中影响研究区域耕地质量的主要因素为生态系统脆弱性、生长季平均降水和年总太阳辐射量，权重分别为0.11、0.10和0.09，随机森林算法评价结果与实际情况相符。
结论与常用的特尔菲法比较，随机森林算法稳定性更好，级别指数变幅区间更小，更有利于构建省级空间尺度的耕地级别可比序列。
Abstract:ObjectiveTo analyze the difference of cultivated land quality in the study region, optimize the use and layout of cultivated land, and provide a reference for cultivated land protection.
MethodTaking the cultivated land in Gonghe County, Dulan County and Wulan County in Qinghai Province as the research object, the influencing factors of cultivated land quality were collected based on the history and existing literature, and the random forest algorithm and correlation analysis were used to screen the grading indicators and confirm the weight. We calculated the grading index and divided the levels by weighted sum method to get the grading result. We compared the results with the grading results of commonly used Delphi method.
ResultThe value of variable importance I obtained by random forest algorithm ranged from 0.03 to 11.94. Correlation analysis showed that the correlation between most influencing factors was not significant, eight of which were significant correlation. The 14 rating indicators under four dimensions were astringed from 30 influencing factors. The main factors influencing the quality of cultivated land in the study area were ecosystem vulnerability, mean precipitation of growing season and annual solar radiation amount, with the weights of 0.11, 0.10 and 0.09, respectively.
ConclusionCompared with Delphi method, the random forest algorithm has better stability and smaller level of index variation interval, which is more conducive to construct a comparable sequence of cultivated land levels at provincial spatial scale.
-
森林生态系统是陆地生态系统的主体，占有80%的陆地碳储量和40%的地下碳储量，是重要的碳库[1-2]，在维护全球气候系统、调节全球碳平衡、减缓大气温室气体浓度上升等方面具有不可替代的作用。世界各国越来越重视对以森林生物量为基础的碳汇计量监测[3]，国家和区域尺度精准估计森林在乔木生命周期中产生的地上部分和地下部分的生物量、碳储量成为了重要需求[4-6]。近年来，全国范围内已经建立了一些基于林木胸径和树高不同树种的通用性立木生物量模型，然而，由于树木异速生长受到特定立地条件(如树种密度、土壤、光照和地形等)的影响，在具体区域或地块使用通用模型时可能会产生不同程度的误差或不确定性[7-10]。此外，在我国碳汇造林项目实施和计量监测的实际生产中，建立更适合具体区域的单木生物量生长模型，对指导碳汇造林、评价碳汇潜力和分析碳汇动态变化规律，并准确监测和估计碳汇是十分必要的。
森林生物量的估计方法有很多种，回归模型方法可以利用常用的测树因子(如胸径和树高)估算森林中单木和林分以及区域的地上生物量[11]。在树木的生命周期中，各组分(干材、树皮、树枝和树叶)生物量在全株总生物量中的分配会发生变化[7，12-15]。有研究表明，立木生物量的增长随着树木年龄而变化的关系会使以胸径和树高为自变量的模型产生的误差更小[16]。然而，由于树木年龄(特别是天然林)在森林调查中较难获得，很少有研究关注生物量随立木年龄的变化趋势。对于人工林，特别是我国大量的碳汇造林而言，由于其年龄能准确判断，所以可以利用生物量与年龄建立的关系比较准确和直接地获取森林生物量或碳储量及其变化趋势，为森林碳汇交易提供便捷和可靠的依据。因此，探索碳汇造林树种各组分生物量的异速分配，建立以立木年龄为变量的生物量生长模型，具有现实意义。为了研究森林立木各组分生物量随着年龄的变化分布，需要了解树干、树冠的生物量以及占总量的比例，在地上生物量估计的基础上，进一步对干材、树皮、树枝、树叶等各项分量进行估计是十分必要的[17]。在构建地上总生物量模型和各分项生物量模型时，地上生物量总量必须满足同各分项之和相等，因此，构建地上各分量单木生物量相容性模型也一直为林业工作者所重视[18]。
此外，立木地下生物量生长数据仍然缺乏。由于树根难以挖取，很少有研究关注地下生物量变化[6，19]。树根中的地下生物量占森林总生物量的很大一部分，是森林的另一个重要碳库，准确估计树木根系生物量也是乔木生物量估计的重要工作[5，16，20-21]。树根生物量通常采用根茎比方法进行估计，这种方法具有物种和生物学特性[20]。树木生物量各组分在生命周期中的异速生长变化也可能影响根系生物量和生物量根茎比方程。因此，建立立木地下生物量增长随年龄变化的关系，也是精准估计立木生物量及碳汇潜力的需求。
本研究的目的主要有以下2个方面：1)建立生物量随立木年龄变化(以立木年龄为自变量)的地上和地下生物量生长模型；2)建立地上生物量各组分(干材、树皮、树枝和树叶)随立木年龄变化的相容性生长模型。本研究以广东省域3个主要乡土阔叶树种为例，通过实测伐倒木地上、地下部分及地上各组分生物量和树干解析木年轮数据，建立立木生物量随年龄变化的关系，以期为估计森林生物量和碳储量年变化规律提供理论支撑和技术支持。
1. 材料与方法
1.1 研究区概况
广东省地处中国大陆最南部(20°13′~25°31′N，109°39′~117°19′E)。全省陆地面积17.98万km2，其中，林地10.87万km2。北依南岭，南濒南海，地势北高南低，形成北部山地、中部丘陵、南部平原台地为主的地貌格局，地带性土壤为红壤、赤红壤和砖红壤。广东省属于东亚季风区，从北向南分别为中亚热带、南亚热带和热带气候，降水充沛，年平均降水量1 300~2 500 mm，年平均气温22.3 ℃。樟树Cinnamomum camphora、木荷Schima superba、枫香Liquidambar formosana等，既是广东山地植被中重要的建群树种，也是主要碳汇造林工程项目树种。
1.2 数据采集
1.2.1 单木生物量建模数据
建模样本数据来自2013及2016年的广东省樟树、木荷、枫香3个树种的采样和解析木数据。每个树种采伐90株样木，3个树种共270株。每个树种取样按2、4、6、8、12、16、20、26、32和38 cm及以上10个径阶均匀分配，样木伐倒前实测胸径(DBH)、地径和冠幅，将样木伐倒后，测量其树干长度(树高H)和活冠长度，分干材、树皮、树枝、树叶称取鲜质量。每个树种按各径阶分配选择40株样木挖取树根，按根茎(主根)、粗根(直径≥10 mm)、细根(直径<10 mm)分别称取鲜质量。分别抽取样品在85 ℃条件下烘干至恒质量，根据样品干、鲜质量比推算样木地上各组分及地下干质量。
3个树种按照起源分为天然林和人工林2类，分别建立生物量生长模型，数据统计结果见表1。
续表 1 Continued table 1 树种
Species起源
Origin变量
Variable最小值
Min.最大值
Max.平均值
Mean标准差
SD样木株数
No. of trees樟树
Cinnamomum camphora人工林
Planted forest干皮生物量/kg Bark biomass 0.09 65.24 8.99 14.26 30 树枝生物量/kg Branch biomass 0.10 553.75 46.93 111.00 30 树叶生物量/kg Leaf biomass 0.06 22.84 4.30 6.16 30 地上生物量/kg Aboveground biomass 0.87 948.38 117.11 206.06 30 地下生物量/kg Underground biomass 0.38 330.29 48.19 96.82 11 木荷 天然林 DBH/cm 1.70 51.50 15.73 12.05 47 Schima Natural forest H/m 3.02 23.10 10.25 4.78 47 superba T 4.00 45.00 18.21 11.10 47 干材生物量/kg Stem wood biomass 0.28 570.65 85.49 132.23 47 干皮生物量/kg Bark biomass 0.07 89.02 14.87 22.24 47 树枝生物量/kg Branch biomass 0.10 267.12 40.25 63.80 47 树叶生物量/kg Leaf biomass 0.14 35.83 6.76 8.63 47 地上生物量/kg Aboveground biomass 0.61 897.40 147.36 211.59 47 地下生物量/kg Underground biomass 0.43 173.30 30.41 42.59 20 人工林 DBH/cm 2.10 38.90 12.87 9.10 43 Planted forest H/m 2.50 18.70 10.15 4.21 43 T 4.00 31.00 15.14 7.83 43 干材生物量/kg Stem wood biomass 0.30 360.66 51.43 75.61 43 干皮生物量/kg Bark biomass 0.06 65.92 10.19 15.54 43 树枝生物量/kg Branch biomass 0.25 371.04 31.95 68.52 43 树叶生物量/kg Leaf biomass 0.17 45.70 4.57 8.69 43 地上生物量/kg Aboveground biomass 0.89 834.05 98.13 164.15 43 地下生物量/kg Underground biomass 0.20 670.84 46.40 148.22 20 枫香 天然林
DBH/cm 1.80 43.50 14.64 10.28 57 Liquidambar Natural forest H/m 3.00 26.60 11.78 5.13 57 formosana T 1.00 61.00 17.02 11.37 57 干材生物量/kg Stem wood biomass 0.21 569.88 80.48 120.15 57 干皮生物量/kg Bark biomass 0.06 121.59 13.61 20.26 57 树枝生物量/kg Branch biomass 0.06 147.26 25.74 38.78 57 树叶生物量/kg Leaf biomass 0.01 46.38 4.13 8.87 57 地上生物量/kg Aboveground biomass 0.35 884.61 123.96 177.36 57 地下生物量/kg Underground biomass 0.20 161.38 37.77 45.68 25 人工林 DBH/cm 2.20 39.60 14.09 11.14 33 Planted forest H/m 3.20 21.00 11.54 5.66 33 T 2.00 81.00 16.73 14.62 33 干材生物量/kg Stem wood biomass 0.45 426.45 83.16 140.32 33 干皮生物量/kg Bark biomass 0.09 78.97 12.31 20.89 33 树枝生物量/kg Branch biomass 0.15 468.70 37.31 89.96 33 树叶生物量/kg Leaf biomass 0.02 46.04 5.39 10.77 33 地上生物量/kg Aboveground biomass 0.71 955.54 138.17 249.06 33 地下生物量/kg Underground biomass 0.31 574.90 47.05 146.39 15 表 1 3个树种生物量建模数据统计Table 1. Statistics of biomass modeling data for three tree species树种
Species起源
Origin变量
Variable最小值
Min.最大值
Max.平均值
Mean标准差
SD样木株数
No. of trees樟树
Cinnamomum camphora天然林
Natural forest胸径/cm Diameter at breast height (DBH) 1.90 41.00 14.62 10.12 60 树高/m Height (H) 1.86 16.60 9.58 3.70 60 年龄 Tree age (T) 3.00 58.00 18.41 12.13 60 干材生物量/kg Stem wood biomass 0.22 519.66 65.07 105.70 60 干皮生物量/kg Bark biomass 0.05 75.54 11.28 16.87 60 树枝生物量/kg Branch biomass 0.20 499.48 47.80 110.06 60 树叶生物量/kg Leaf biomass 0.03 89.77 6.47 14.70 60 地上生物量/kg Aboveground biomass 0.43 1 022.66 129.75 236.57 60 地下生物量/kg Underground biomass 0.14 304.55 45.63 80.08 29 人工林
Planted forestDBH/cm 2.00 40.00 14.32 11.11 30 H/m 1.70 17.60 8.42 4.03 30 T 2.00 51.00 14.77 10.90 30 干材生物量/kg Stem wood biomass 0.44 360.82 56.02 87.61 30 1.2.2 解析木年龄测定
解析木年龄(T)数据由年轮估测数据和经验估测数据2部分组成。每个树种中选择40株解析木，并按0.3(0号盘)、1.3(1号盘)和3.3 m以上(2号盘)以2 m为长度分段，以此类推直至尾端长度不足2 m但大于1 m时，以1 m加以分段，各取一圆盘，选取0号圆盘按照东西南北4个方向读取年轮，推测解析木年龄。其余样木根据调查种植年限及观测伐桩年轮(0.3 m)推测树木年龄。
1.3 研究方法
研究数据采用Office Excel进行处理，并用R软件进行计算，联立方程组计算采用Systemfit包估计模型参数。
1.3.1 以立木年龄为变量的生物量生长模型
选择应用广泛的Schumacher生长方程、Chapman-Richards生长方程、Logistic生长方程及Korf生长方程分别建立3个树种地上和地下部分生物量随立木年龄变化的模型，其公式如下：
Schumacher方程：
$$ B = {\alpha _{_1}} {{\rm{e}}^{ - {\alpha _{_2}}/T}} + \varepsilon , $$ (1) Chapman-Richards方程：
$$ B = {\beta _{_1}} {(1 - {{\rm{e}}^{ - {\beta _{_2}} \cdot T}})^{{\beta _{_3}}}} + \varepsilon, $$ (2) Logistic方程：
$$ B = {\lambda _1}/(1 + {{\rm{e}}^{{\lambda _2} - {\lambda _3} \cdot T}}) + \varepsilon, $$ (3) Korf方程：
$$B = {\theta _1} {{\rm{e}}^{ - {\theta _2}/{T^{{\theta _3}}}}} + \varepsilon, $$ (4) 式中：
$B$ 为单木地上或地下生物量，T为立木年龄，${\alpha _1}$ 、${\alpha _2}$ ，${\beta _1}$ 、${\beta _2}$ 、${\beta _3}$ ，${\lambda _1}$ 、${\lambda _2}$ 、${\lambda _3}$ ，${\theta _1}$ 、${\theta _2}$ 、${\theta _3}$ 为估计参数，$\varepsilon $ 为残差。1.3.2 以立木年龄为变量的地上生物量各组分非线性联立方程组
把地上总生物量分成干材、树皮、树枝、树叶4个组分，为确保各组分生物量之和等于总生物量，采用非线性联立方程组的总量控制法求解地上各组分生物量[22]。假设干材占地上总生物量的相对比例函数为1，树皮、树枝和树叶占地上总生物量的相对比例函数分别为
${g_1}(x)$ 、${g_2}(x)$ 和${g_3}(x)$ ，地上总生物量生长模型为${g_0}(x)$ ，则地上生物量各组分干材生物量(${B_1}$ )、树皮生物量(${B_2}$ )、树枝生物量(${B_3}$ )、树叶生物量(${B_4}$ )相容性生物量方程组为:$$\left\{ \begin{gathered} {B_1} = \frac{1}{{1 + {g_1}(x) + {g_2}(x) + {g_3}(x)}} \times {g_0}(x), \\ {B_2} = \frac{{{g_1}(x)}}{{1 + {g_1}(x) + {g_2}(x) + {g_3}(x)}} \times {g_0}(x), \\ {B_3} = \frac{{{g_2}(x)}}{{1 + {g_1}(x) + {g_2}(x) + {g_3}(x)}} \times {g_0}(x), \\ {B_4} = \frac{{{g_3}(x)}}{{1 + {g_1}(x) + {g_2}(x) + {g_3}(x)}} \times {g_0}(x), \end{gathered} \right.$$ (5) 式(5)中，以立木年龄为自变量，则各组分比例函数形式为
${g_i}(T) = {a_i} {T^{{b_i}}}, i = 0, 1, 2, 3$ ，其中，${g_i}(x)$ 代表第$i$ 个地上生物量组分的比例函数，${g_0}(x)$ 为从式(1)~(4)中选择的最优模型独立估计的结果，${g_i}(T)$ 中的${a_i}$ 、${b_i}$ 表示第$i$ 个组分比例函数的参数。1.3.3 权函数的确定
由于生物量数据普遍存在异方差性，必须选用适当的权函数进行加权回归估计或者将模型转换为对数形式消除异方差。本文采用加权方法消除模型的异方差性[22]。对于式(1)~(4)，采用原函数
$W = 1/f{(x)^2}$ 作为权函数，目的是消除异方差。由于式(5)形式较为复杂，假设观测值残差的方差与自变量相关，根据普通最小二乘回归结果的残差平方(${\varepsilon ^2}$ )拟合与立木年龄(T)的关系：$${\varepsilon ^2} = {\beta _1} {T^{{\beta _2}}},$$ (6) 则权函数为
$W = 1/{T^{{\beta _2}}}$ 。1.4 模型评价
为了检验地上、地下生物量生长模型以及地上各组分相容性生物量生长模型的拟合效果，采用估计值的平均偏差(ME)、标准误(SE)、平均预估误差(MPE)、总相对误差(TRE)和调整后决定系数(
${{R}}_{\rm adj}^2$ )5项指标对模型拟合效果进行评价。具体公式如下：$${\rm{ME}} = \sum\limits_{i = 1}^n {({{\hat y}_i} - {y_i})} /n,$$ (7) $${\rm{SE}} = \sqrt {\sum\limits_{i = 1}^n {{{({{\hat y}_i} - {y_i})}^2}/(n - p)} }, $$ (8) $${\rm{MPE}} = \frac{1}{n}{t_\alpha }({\rm{SE}}/\overline y ) \times 100,$$ (9) $${\rm{TRE}} = \sum\limits_{i = 1}^n {({y_i} - {{\hat y}_i})} /\sum\limits_{i = 1}^n {{{\hat y}_i}} \times 100,$$ (10) $${{R}}_{\rm{adj}}^2 = 1 - \frac{{n - 1}}{{n - p}}\left( {1 - \frac{{\displaystyle\sum\limits_{i = 1}^n {{{({{\hat y}_i} - {y_i})}^2}} }}{{\displaystyle\sum\limits_{i = 1}^n {{{({y_i} - \bar y)}^2}} }}} \right),$$ (11) 式中：
${y_i}$ 为样本某因子的实测值；${\hat y_i}$ 为${y_i}$ 的无偏估计值；$n$ 为样本数量；$p$ 为参数的个数；${t_\alpha }$ 为置信水平$\alpha $ 时的$t$ 值；$\bar y$ 为样本实测值的平均值。${{R}}_{\rm adj}^2$ 和SE反映了模型的拟合优度，ME是反映拟合效果的绝对误差指标，TRE是反映拟合效果的相对误差指标，MPE是反映平均估计值的精度指标，是评判所建模型是否达到预定精度要求的核心指标[22]。2. 结果与分析
2.1 以立木年龄为变量的生物量生长模型
表2列出了广东省3个主要乡土阔叶树种地上、地下生物量各模型的参数估计结果。Korf方程在本文所提供的样本中均不收敛，因此表格中只列出了Schumacher、Chapman-Richards和Logistic方程的参数估计结果。Shumacher方程的参数
${\alpha _1}$ 代表生物量增长所能达到的最大值，参数${\alpha _2}$ 与林分立地指数和立木密度相关。当立木年龄达到参数${\alpha _2}$ 的一半时方程具有拐点，也就是说，参数${\alpha _2}$ 值越大，立木生物量达到最大增长速率的年龄越大。Chapman-Richards模型的参数${\beta _1}$ 代表着生物量增长所能达到的最大值，${\beta _2}$ 与生长速度有关，${\beta _3}$ 决定曲线形状和拐点位置，方程拐点为$T = \ln {\beta _3}/{\beta _2}$ 。Logistic模型中参数${\lambda _1}$ 表示生物量增长上限，${\lambda _2}$ 为与样本初值有关的参数，${\lambda _3}$ 为内禀增长率，方程拐点为$T = {\lambda _2}/{\lambda _3}$ 。结合表2分析可知，樟树天然林的地上、地下生物量上限值均比樟树人工林的大，拐点年龄也更大；木荷的人工林地上、地下生物量上限值和拐点年龄均比木荷天然林的大。枫香天然林的地上生物量上限值和拐点年龄大于人工林，而地下生物量上限和拐点年龄均小于人工林。各方程表示的生物量上限和拐点年龄差异明显：Shumacher方程的生物量上限值大于Chapman-Richards方程的生物量上限值，最小的是Logistic方程。拐点年龄Shumacher方程最大，Chapman-Richards和Logistic方程较相近。从拐点年龄和立木生物量增长上限相比较可以看出，Logistic模型更接近于树种的实际生长特性。表 2 以立木年龄为变量的生物量生长模型参数1)Table 2. Parameters of biomass growth models with tree age as the independent variable树种
Species起源
Origin组分
ComponentShumacher 模型
Shumacher modelChapman-Richards 模型
Chapman-Richards modelLogistics 模型
Logistics model${\alpha _1}$ ${\alpha _2}$ ${\beta _1}$ ${\beta _2}$ ${\beta _3}$ ${\lambda _1}$ ${\lambda _2}$ ${\lambda _3}$ 樟树Cinnamomum camphora 天然林
Natural
forest地上
Aboveground5.007×103 9.224×101 1.296×104 8.985×10–3 2.770 1.205×103 5.258 0.124 地下
Underground1.349×104 1.686×102 − − − − − − 人工林
Planted
forest地上
Aboveground1.519×103 4.445×101 8.071×102 5.545×10–2 4.051 5.706×102 4.538 0.168 地下
Underground5.180×102 3.209×101 − − − 2.335×102 7.419 0.407 木荷
Schima
superba天然林
Natural
forest地上
Aboveground1.412×103 4.351×101 5.292×102 1.136×10–1 11.340 4.735×102 5.241 0.220 地下
Underground1.938×102 3.329×101 − − − 8.874×101 7.096 0.310 人工林
Planted
forest地上
Aboveground6.030×103 7.935×101 − − − 1.183×103 5.792 0.176 地下
Underground2.155×109 4.495×102 − − − − − − 枫香
Liquidambar formosana天然林
Natural
forest地上
Aboveground2.051×103 5.690×101 1.726×103 2.462×10–2 2.737 9.198×102 4.089 0.109 地下
Underground3.334×102 4.008×101 − − − 9.478×101 16.460 0.739 人工林
Planted
forest地上
Aboveground1.391×103 3.832×101 7.807×102 1.079×10–1 12.460 7.820×102 5.265 0.189 地下
Underground1.777×107 4.239×102 − − − − − − 1) “−” 表示模型不收敛
1) “−” indicates non-convergence of the model表3是3个树种不同起源的地上、地下生物量Schumacher、Chapman-Richards、Logistic方程参数估计评价结果。通过比较评价指标可以看出，在估计地上生物量时，3个树种在不同起源下的最优方程不同。樟树的天然林和人工林均是Logistic方程最优；木荷天然林中Chapman-Richards方程最优，人工林中Logistic方程最好；枫香天然林中Chapman-Richards方程最优，人工林中Logistic方程最好。再结合参数来看，Logistic方程可以作为3个树种在不同起源下的地上生物量最优方程。此外Chapman-Richards方程在模拟3个树种的地下生物量时无法收敛，Logistic方程在部分地下生物量模型模拟中也无法收敛，在建立地下生物量生长模型时，Shumacher方程的适用性更好。
表 3 以立木年龄为变量的生物量生长模型评价1)Table 3. Evaluation of biomass growth models with tree age as the independent variable树种
Species起源
Origin组分
Component模型
Model$R_{\rm adj}^2$ 平均偏差/kg
ME标准误/kg
SE平均预估
误差/%
MPE总相对
误差/%
TRE樟树
Cinnamomum camphora天然林
Natural
forest地上
AbovegroundSchumacher 0.607 17.31 149.49 3.84 –15.39 Chapman-Richards 0.621 3.62 146.97 3.78 –2.87 Logistic 0.634 4.82 144.41 3.71 –3.86 地下
UndergroundSchumacher 0.625 10.21 49.92 7.71 –28.81 Chapman-Richards − − − − − Logistic − − − − − 人工林
Planted
forest地上
AbovegroundSchumacher 0.551 3.87 142.91 8.31 –3.42 Chapman-Richards 0.553 1.20 142.50 8.28 –1.04 Logistic 0.558 –1.44 141.71 8.24 1.21 地下
UndergroundSchumacher 0.757 –2.59 52.69 21.88 5.09 Chapman-Richards − − − − − Logistic 0.814 1.58 46.15 19.16 –3.39 木荷
Schima
superba天然林
Natural
forest地上
AbovegroundSchumacher 0.582 –0.76 139.71 4.06 0.51 Chapman-Richards 0.588 3.63 138.81 4.03 –2.52 Logistic 0.584 –1.66 139.36 4.05 1.11 地下
UndergroundSchumacher 0.449 0.08 33.30 11.42 –0.28 Chapman-Richards − − − − − Logistic 0.536 2.75 30.57 10.48 –9.94 人工林
Planted
forest地上
AbovegroundSchumacher 0.603 6.78 104.63 5.00 –7.42 Chapman-Richards − − − − − Logistic 0.611 –1.18 103.58 4.95 1.19 地下
UndergroundSchumacher 0.978 10.03 22.69 5.10 –27.57 Chapman-Richards − − − − − Logistic − − − − − 枫香
Liquidambar formosana天然林
Natural
forest地上
AbovegroundSchumacher 0.809 6.10 78.81 2.23 –5.18 Chapman-Richards 0.815 –2.02 77.59 2.20 1.61 Logistic 0.794 –7.77 81.92 2.32 5.90 地下
UndergroundSchumacher 0.677 –0.30 27.06 5.91 0.80 Chapman-Richards − − − − − Logistic 0.725 3.44 24.95 5.44 –10.03 人工林
Planted
forest地上
AbovegroundSchumacher 0.635 –9.28 152.91 6.82 6.29 Chapman-Richards 0.695 4.64 139.83 6.24 –3.47 Logistic 0.706 –1.98 137.28 6.13 1.41 地下
UndergroundSchumacher 0.995 5.04 10.69 3.23 –12.01 Chapman-Richards − − − − − Logistic − − − − − 1) “−” 表示模型不收敛
1) “−” indicates non-convergence of the model2.2 以立木年龄为变量的相容性生长模型
3个树种生物量各组分占地上总生物量的比例与立木年龄的关系如图1所示。由图1可以看出，樟树天然林的干材、树枝生物量占地上总生物量的比例随着立木年龄增加而增大，而树皮和树叶的该生物量占比随着立木年龄的增大而减小，樟树人工林与天然林结果相似。木荷天然林和人工林的干材、树皮和树枝生物量所占地上总生物量的比例随着立木年龄的增加而增大，树叶的该生物量占比随着立木年龄的增加而减小。枫香的结果和樟树的相似。由此可见，各组分生物量在立木生长的周期中占地上总生物量的比例是随着立木年龄的增长而不断变化的，各组分所占比例随立木年龄的增长而升高或降低的趋势因树种而异，因此本研究的各组分相容性模型中将干材部分比例看成1。
![]()
图 1 3个树种地上各组分生物量占地上总生物量的比例与立木年龄(T)的关系Figure 1. Relationship between the proportion of each aboveground component in total aboveground biomass and the age (T) of three tree species选择Logistic方程作为最优方程，采用式(5)拟合的地上各组分生物量生长模型的参数估计结果见表4，各组分方程的评价结果见表5。从各组分评价指标可以看出，干材和树皮的生物量方程拟合效果相对于树枝和树叶更好一些。3个树种干材生物量方程的
${{R}}_{\rm adj}^2$ 在0.560~0.768，MPE在3.05%~6.73%；树皮生物量方程的${{R}}_{\rm adj}^2$ 在0.552~0.866，MPE在2.02%~6.27%；树枝生物量方程的${{R}}_{\rm adj}^2$ 在0.309~0.706，MPE在3.01%~14.33%；树叶生物量方程的${{R}}_{\rm adj}^2$ 在0.495~0.767，MPE在4.16%~7.14%不同起源林木（天然林和人工林）地上各组分（干材、树皮、树枝和树叶）生物量生长模型的权函数结果见表6。表 4 以立木年龄为自变量的地上各组分生物量相容性生长模型参数1)Table 4. Parameters of the compatibility growth models for biomass of different aboveground components with tree age as the independent variable ×10–2树种 Species 起源 Origin a1 b1 a2 b2 a3 b3 樟树
Cinnamomum camphora天然林 Natural forest 7.26 23.13 55.10 8.17 10.41 –0.68 人工林 Planted forest 6.98 23.89 63.91 7.46 7.44 –1.39 木荷
Schima superba天然林 Natural forest 7.37 24.69 33.30 8.01 7.73 –1.17 人工林 Planted forest 8.73 26.30 38.57 17.05 9.81 –1.72 枫香
Liquidambar formosana天然林 Natural forest 7.28 24.50 24.66 7.46 5.47 –0.88 人工林 Planted forest 3.92 3.54 3.72 75.33 1.01 –258.50 1) a1、b1、a2、b2、a3、b3：模型参数
1) a1，b1，a2，b2，a3，b3: Parameters of models表 5 以立木年龄为自变量的地上各组分生物量相容性生长模型评价Table 5. Evaluation of the compatibility growth models for biomass of different aboveground components with tree age as the independent variable树种
Species起源
Origin组分
Component$R_{\rm adj}^2$ 平均偏差/kg
ME标准误/kg
SE平均预估误差/%
MPE总相对误差/%
TRE樟树
Cinnamomum camphora天然林
Natural
forest干材 Stem wood 0.622 2.44 67.92 3.48 0.04 树皮 Bark 0.552 1.12 11.80 3.49 0.11 树枝 Branch 0.519 1.15 80.51 5.72 0.03 树叶 Leaf 0.510 0.11 10.75 5.54 0.02 人工林
Planted
forest干材 Stem wood 0.768 –2.17 47.22 5.74 –0.04 树皮 Bark 0.730 0.13 8.27 6.27 0.01 树枝 Branch 0.309 0.43 100.61 14.33 0.01 树叶 Leaf 0.571 0.16 4.51 7.14 0.04 木荷
Schima superba天然林
Natural
forest干材 Stem wood 0.560 –3.37 93.84 4.70 –0.04 树皮 Bark 0.619 –0.06 14.69 4.23 0.00 树枝 Branch 0.373 1.62 53.52 5.69 0.04 树叶 Leaf 0.495 0.15 6.57 4.16 0.02 人工林
Planted
forest干材 Stem wood 0.614 0.48 50.07 4.57 0.01 树皮 Bark 0.657 0.05 9.70 4.46 0.00 树枝 Branch 0.519 –1.54 50.61 7.43 –0.05 树叶 Leaf 0.577 –0.16 6.02 6.18 –0.03 枫香
Liquidambar formosana天然林
Natural
forest干材 Stem wood 0.696 –5.63 69.98 3.05 –0.07 树皮 Bark 0.866 –0.38 7.84 2.02 –0.03 树枝 Branch 0.706 –1.31 22.03 3.01 –0.05 树叶 Leaf 0.544 –0.45 6.33 5.38 –0.10 人工林
Planted
forest干材 Stem wood 0.647 0.04 90.75 6.73 0.00 树皮 Bark 0.768 0.20 10.96 5.49 0.02 树枝 Branch 0.567 –1.83 64.43 10.65 –0.05 树叶 Leaf 0.767 –0.38 5.66 6.48 –0.07 表 6 各组分生物量生长模型的权函数估计结果Table 6. Estimates of weight functions for biomass growth models of different components树种 Species 起源 Origin 各组分权函数 Weight function estimate of each component 干材 Stem wood 树皮 Bark 树枝 Branch 树叶 Leaf 樟树 Cinnamomum
camphora天然林 Natural forest g(T)=1/T 0.829 2 g(T)=1/T 3.235 6 g(T)=1/T 1.776 4 g(T)=1/T 1.787 9 人工林 Planted forest g(T)=1/T 1.414 5 g(T)=1/T 2.579 3 g(T)=1/T 2.184 0 g(T)=1/T 2.437 1 木荷 Schima
superba天然林 Natural forest g(T)=1/T 1.941 8 g(T)=1/T 1.828 5 g(T)=1/T 0.977 5 g(T)=1/T 0.946 4 人工林 Planted forest g(T)=1/T 4.029 9 g(T)=1/T 4.262 4 g(T)=1/T 5.148 7 g(T)=1/T 2.708 0 枫香 Liquidambar
formosana天然林 Natural forest g(T)=1/T 1.030 5 g(T)=1/T 1.444 1 g(T)=1/T 1.219 0 g(T)=1/T 2.007 0 人工林 Planted forest g(T)=1/T 0.608 1 g(T)=1/T 0.637 6 g(T)=1/T 1.057 4 g(T)=1/T 0.847 3 3. 讨论与结论
本研究分天然和人工起源建立了广东省域3个主要乡土阔叶树种随年龄变化(以年龄为自变量)的地上、地下生物量生长模型，通过联立方程组建立了地上各组分生物量相容性生长模型。比较了4种模型，包括Shumacher方程、Chapman-Richards方程、Logistic方程及Korf方程的参数及评价指标，得到地上生物量最优模型为Logistic方程，地下生物量最优模型为Shumacher方程。选择Logistic方程对3个树种地上各组分生物量联立方程组建立相容性生长模型，干材和树皮的生物量方程拟合效果相对于树枝和树叶更好。
在天然林或人工林不同起源条件下，相同树种在同一生物量生长模型形式下生物量增长的上限值和最大增速年龄均有差异。通常情况下，人为抚育经营过的人工林的最大增速年龄比天然林小。本文中的木荷样本的地上生物量生长模型估计结果则刚好相反。除了可能的样本取样不够典型以外，由于模型中包含有与林分立地水平和立木密度等条件有关的参数，出现这种现象也是有可能的。因此，也不能确定相同树种、同一模型在不同起源条件下参数估计产生差异的原因是来自起源。曾伟生等[23]曾用非线性混合模型和哑变量模型方法对杉木Cunninghamia lanceolata和马尾松Pinus massoniana，建立了包含林分起源的立木地上生物量和地下生物量模型，认为不同起源的立木地上生物量模型没有明显差异，而地下生物量模型则存在显著差异。在今后的研究中，可以参考利用胸径或树高等表示立木尺寸的因子在相近的立地条件下分起源建立生物量地上、地下及地上各组分其他模型形式的相容性生长模型，以确定起源对3个树种的生长模型影响。
具有相同的立木年龄时，由于立地条件的差异，立木生物量的差异很大。生物量解析木数据的离散程度也会因此变大，相较于以常用的胸径和树高等反映林木大小尺度的因子建立的模型，以立木年龄为自变量的模型的拟合效果和预估效果相对差一些。对于天然林而言，年龄的测定较为复杂费力，胸径和树高仍是建立生物量模型优先选择的自变量。但对于人工林或碳汇造林项目的碳储量估计，由于年龄已知，建立以年龄为自变量的生物量生长模型，则可以省去测量立木尺寸的人力和物力而直接得到估计结果，为估算和监测森林碳汇潜力和碳汇动态的变化提供了便捷的方法。在胸径和树高已知时，首先建立一元和二元立木生物量模型，这是碳汇计量的基础。之后可以利用年龄信息，建立胸径和树高的平均生长模型，供宏观估计平均碳汇潜力提供参考依据[24]。
本研究还讨论了广东省3个主要树种地上、地下生物量及地上生物量各组分所占比例随着立木年龄的变化。本研究的3个树种均为阔叶树，与曾伟生等[22]对马尾松的研究相比，干材的比例随着立木年龄增大变化幅度更小，而马尾松的树枝比例随着胸径的增长表现得更稳定。由于天然林立木年龄测量复杂，很少有研究关注立木年龄对地上各组分在树木生命周期中占全株分配变化的影响。Zavitkovski[25]比较了与文献中不同立木年龄样本建立的方程后，认为年龄会显著影响地上、地下及地上各组分生物量与树木尺寸的关系。Peichl等[16]讨论了4个不同年龄的北美乔松Pinus strobus地上和地下生物量各组分占比的变化情况，认为年龄影响着立木各组分生物量在生长过程中的分配，在不考虑树木年龄的情况下，仅仅考虑以胸径和树高等变量建立的异速模型，在估计不同年龄的样木生物量时误差较大。Sprizza[13]认为在以胸径和胸径–树高为自变量的地上各组分异速生长方程中加入年龄因子可以改善模型的估计效果，减小误差。从广东省3个主要乡土阔叶树种建立的以立木年龄为自变量的生物量生长模型来看，地上生物量各组分在立木生长的周期中占地上总生物量的比例是随着年龄的增长而不断变化的，各组分占比变化的趋势具有树种特异性。在今后的研究中，仍需要根据树种的不同生长特性进一步分析。
-
![]()
图 1 研究区位置及采样点分布图
Figure 1. Location of the research area and spatial distribution of the sampling sites
![]()
图 2 研究区域2种方法的定级结果及空间分布图
Figure 2. The grading result and spatial distribution map of two methods in the research area
![]()
图 3 研究区域2条样带位置图
a：东北–西南样带；b：西北–东南样带
Figure 3. Position of two sample belts in the study area
a: Sample belt from northeast to southwest; b: Sample belt from northwest to southeast
![]()
图 4 随机森林算法和特尔菲法对2条样带定级结果的对比
Figure 4. Comparison of grading results of random forest method and Delphi method to two sample belts
表 1 研究区域调查样点产量数据
Table 1 Yield information of investigation plot in research area
耕地类型
Type of cultivated land耕地数量/块
Amount of cultivated land耕地密度/(块·hm−2)
Density of cultivated land产量/(kg·hm−2)
Yield最大值 Max. 最小值 Min. 平均值 Mean 旱地 Rainfed cropland 20 306.26 3 840 1 980 2 671.50 水浇地 Irrigable cropland 77 556.42 9 375 2 100 5 296.35 总计 Total 97 512.78 9 375 1 980 4 755.15 
下载: 导出CSV
表 2 影响耕地质量的因素
Table 2 Factors impacting the quality of cultivated land
类别
Classification影响因素
Impact factor类别
Classification影响因素
Impact factor自然因素
Natural factor生长季均温
Mean temperature of growing season社会经济因素
Socioeconomic factor林网化程度
Degree of forestation生长季降水量
Mean precipitation of growing season耕作距离
Cultivation distance年总太阳辐射量
Annual solar radiation amount农田路网密度
Farmland road network density海拔高度
Elevation田块形状
Field shape地形坡度
Topographic slope田块大小
Field size有效土层厚度
Effective soil thickness农田破碎度
Farmland fragmentation degree表层土壤质地
Surface soil texture利用现状
Utilization status砾石含量
Gravel content区位因素
Location factor城镇影响度
Urban influence degree土壤有机质含量
Soil organic matter content农贸市场影响度
Agricultural market influence degree土壤酸碱度
Soil pH道路通达度
Road accessibility degree灌溉保证率
Irrigation guarantee rate对外交通便利度
External traffic convenience degree灌溉水质量
Irrigation water quality工程因素
Engineering factor灌溉排水工程
Irrigation drainage project生态因素
Ecological factor自然灾害危险性
Natural disaster risk道路工程
Road construction project生态系统脆弱性
Ecosystem vulnerability农田防护林工程
Farmland protective forest project水土流失状况
Soil erosion condition土地平整工程
Land leveling project
下载: 导出CSV
表 3 采用特尔菲法的定级指标体系
Table 3 Grading indicators system using Delphi method
一级 Primary level 二级 Secondary level 定级 Grading level 一级指标
Primary indicator权重
Weight二级指标
Secondary indicator权重
Weight定级指标
Grading indicator权重
Weight生态因素
Ecological factor0.19 生态状况
Ecological condition0.19 生态系统脆弱性
Ecosystem vulnerability0.02 自然灾害危险性 Natural disaster risk 0.08 水土流失状况 Soil erosion condition 0.09 自然因素
Natural factor0.48 气候状况
Climate condition0.16 生长季平均温度
Mean temperature of growing season0.06 生长季平均降水
Mean precipitation of growing season0.08 年总太阳辐射量
Annual solar radiation amount0.02 地形状况
Terrain condition0.08 海拔高度 Elevation 0.03 地形坡度 Topographic slope 0.04 砾石含量 Gravel content 0.01 土壤条件
Soil condition0.22 有效土层厚度 Effective soil thickness 0.06 表层土壤质地 Surface soil texture 0.06 土壤酸碱度 Soil pH 0.03 土壤有机质含量
Soil organic matter content0.07 水资源状况
Water resources condition0.02 灌溉水质量
Irrigation water quality0.02 社会经济因素
Socioeconomic factor0.09 基础设施条件
Infrastructure condition0.04 农田路网密度
Farmland road network density0.01 林网化程度 Degree of forestation 0.01 农田破碎度
Farmland fragmentation degree0.01 灌溉保证率 Irrigation guarantee rate 0.01
下载: 导出CSV
续表 3 Continued table 3 一级 Primary level 二级 Secondary level 定级 Grading level 一级指标
Primary indicator权重
Weight二级指标
Secondary indicator权重
Weight定级指标
Grading indicator权重
Weight耕作条件
Cultivating condition0.03 耕作距离 Cultivation distance 0.01 田块形状 Field shape 0.01 田块大小 Field size 0.01 土地利用状况
Land use status0.02 利用现状
Utilization status0.02 区位因素
Location factor0.20 区位条件
Locational condition0.11 城镇影响度 Urban influence degree 0.06 农贸市场影响度
Agricultural market influence degree0.05 交通条件
Traffic condition0.09 道路通达度 Road accessibility degree 0.05 对外交通便利度
External traffic convenience degree0.04 工程因素
Engineering factor0.04 工程建设状况
Construction condition0.04 灌溉排水工程
Irrigation drainage project0.01 农田防护林工程
Farmland protective forest project0.01 道路工程 Road construction project 0.01 土地平整工程 Land leveling project 0.01
下载: 导出CSV
表 4 随机森林算法对影响因素的变量重要性(I)排序
Table 4 Variable importance (I) ranking of impact factors by random forest algorithm
影响因素 Impact factor I 影响因素 Impact factor I 生态系统脆弱性 Ecosystem vulnerability 11.94 灌溉保证率 Irrigation guarantee rate 4.74 生长季降水量 Mean precipitation of growing season 10.63 有效土层厚度 Effective soil thickness 4.65 自然灾害危险性 Natural disaster risk 10.01 灌溉排水工程 Irrigation drainage project 4.58 年总太阳辐射 Annual solar radiation 9.08 表层土壤质地 Surface soil texture 4.50 土壤酸碱度 pH 8.54 海拔高度 Elevation 3.85 灌溉水质量 Irrigation water quality 7.94 农田路网密度 Farmland road network density 3.85 对外交通便利度 External traffic convenience 7.60 道路工程 Road construction project 3.63 地形坡度 Slope 7.47 利用现状 Utilization status 3.61 生长季均温 Mean temperature of growing season 6.82 砾石含量 Gravel content 3.38 农田破碎度 Farmland fragmentation 6.75 农田防护林工程 Protective forest project 2.85 城镇影响度 Urban influence 6.14 林网化程度 Degree of forestation 2.62 农贸市场影响度 Agricultural market influence 6.10 道路通达度 Road accessibility 2.57 土壤有机质含量 Soil organic matter 5.79 土地平整工程 Land leveling project 2.01 水土流失状况 Soil erosion condition 5.73 田块大小 Field size 1.02 耕作距离 Cultivation distance 5.70 田块形状 Field shape 0.03
下载: 导出CSV
表 5 显著相关影响因素的相关系数1)
Table 5 Correlation coefficients matrix of significantly related impact factors
影响因素 Impact factor Y1 Y2 Y3 Y4 Y5 Y6 Y7 Y8 Y1 1 Y2 0.790** 1 Y3 0.254* 0.310** 1 Y4 −0.278* −0.150* 0.957** 1 Y5 0.132* 0.119* 0.243* −0.251* 1 Y6 0.142* 0.156* 0.222* −0.258* 0.856** 1 Y7 0.140* 0.177* 0.278* −0.262* 0.905** 0.986** 1 Y8 0.190* 0.104* 0.189* −0.247* 0.851** 0.969** 0.982** 1 1)Y1：表层土壤质地；Y2：砾石含量；Y3：自然灾害危险性；Y4：生态系统脆弱性；Y5：灌溉排水工程；Y6：道路工程；Y7：农田防护林工程；Y8：土地平整工程；“*”和“**”分别表示在0.05和0.01水平显著相关(Pearson法)
1)Y1: Surface soil texture; Y2: Gravel content; Y3: Natural disaster risk; Y4: Ecosystem vulnerability; Y5: Irrigation drainage project; Y6: Road construction project; Y7: Farmland protective forest project; Y8: Land leveling project; “*” and “**” indicate significant correlation at 0.05 and 0.01 levels, respectively(Pearson method)
下载: 导出CSV
表 6 耕地质量定级指标体系
Table 6 The index system of cultivated land quality grading
一级 Primary level 二级 Secondary level 定级 Grading level 一级指标
Primary indicator权重
Weight二级指标
Secondary indicator权重
Weight定级指标
Grading indicatorI 权重
Weight生态因素
Ecological factor0.16 生态状况
Ecological condition0.16 生态系统脆弱性
Ecosystem vulnerability11.94 0.11 水土流失状况
Soil erosion condition5.73 0.05 自然因素
Natural factor0.53 气候状况
Climate condition0.25 生长季平均温度
Mean temperature of growing season6.82 0.06 生长季平均降水
Mean precipitation of growing season10.63 0.10 年总太阳辐射量
Annual solar radiation amount9.08 0.09 地形状况
Terrain condition0.07 地形坡度 Topographic slope 7.47 0.07 土壤条件
Soil condition0.14 土壤有机质含量
Soil organic matter content5.79 0.08 土壤酸碱度 pH 8.54 0.06 水资源状况
Water resources condition0.07 灌溉水质量 Irrigation water quality 7.94 0.07 社会经济因素
Socioeconomic factor0.12 基础设施条件
Infrastructure condition0.06 农田破碎度
Farmland fragmentation degree6.75 0.06 耕作便利条件
Cultivating condition0.06 耕作距离 Cultivation distance 5.70 0.06 区位因素
Location factor0.19 区位条件
Locational condition0.12 城镇影响度 Urban influence degree 6.14 0.06 农贸市场影响度
Agricultural market influence degree6.10 0.06 交通条件
Traffic condition0.07 对外交通便利度
External traffic convenience degree7.60 0.07
下载: 导出CSV
-
[1] 吴大放, 刘艳艳, 董玉祥, 等. 我国耕地数量、质量与空间变化研究综述[J]. 热带地理, 2010, 30(2): 108-113. doi: 10.3969/j.issn.1001-5221.2010.02.002 [2] 温良友, 孔祥斌, 辛芸娜, 等. 对耕地质量内涵的再认识[J]. 中国农业大学学报, 2019, 24(3): 156-164. [3] 张超, 乔敏, 郧文聚, 等. 耕地数量、质量、生态三位一体综合监管体系研究[J]. 农业机械学报, 2017, 48(1): 1-6. doi: 10.6041/j.issn.1000-1298.2017.01.001 [4] 刘兴华, 孙鹏举, 刘学录. 甘肃省临夏县耕地资源社会保障价值测算[J]. 干旱区资源与环境, 2013, 27(1): 53-57. [5] 中华人民共和国国土资源部. 农用地定级规程: GB/T 28405—2012 [S]. 北京: 中国标准出版社, 2012. [6] 高中贵, 彭补拙. 我国农用地分等定级研究综述[J]. 经济地理, 2004, 24(4): 514-519. doi: 10.3969/j.issn.1000-8462.2004.04.020 [7] 金东海, 许皞, 秦文利. 基于分等成果的农用地定级新方法:两层七参数法[J]. 中国土地科学, 2004, 18(6): 34-39. doi: 10.3969/j.issn.1001-8158.2004.06.007 [8] 鲁明星, 贺立源, 吴礼树. 我国耕地地力评价研究进展[J]. 生态环境, 2006, 8(4): 866-871. [9] 冯超. 中国谷物产出的"面积− 质量"导向因素分析[J]. 干旱区资源与环境, 2015, 29(8): 7-13. [10] 沈仁芳, 陈美军, 孔祥斌, 等. 耕地质量的概念和评价与管理对策[J]. 土壤学报, 2012, 49(6): 1210-1217. doi: 10.11766/trxb201208130319 [11] 张凤荣, 安萍莉, 王军艳, 等. 耕地分等中的土壤质量指标体系与分等方法[J]. 资源科学, 2002, 24(2): 71-75. doi: 10.3321/j.issn:1007-7588.2002.02.014 [12] 付国珍, 摆万奇. 耕地质量评价研究进展及发展趋势[J]. 资源科学, 2015, 35(2): 226-236. [13] 盛艳, 姚云峰, 秦富仓, 等. 基于GIS的耕地地力等级划分研究[J]. 干旱区资源与环境, 2014, 28(6): 27-32. [14] 马瑞明, 马仁会, 韩冬梅, 等. 基于多层级指标的省域耕地质量评价体系构建[J]. 农业工程学报, 2018, 34(16): 249-257. doi: 10.11975/j.issn.1002-6819.2018.16.032 [15] 杜国明, 刘彦随, 于凤荣, 等. 耕地质量观的演变与再认识[J]. 农业工程学报, 2016, 32(14): 243-249. [16] 马昊翔, 陈长成, 宋英强, 等. 青海省近10年草地植被覆盖动态变化及其驱动因素分析[J]. 水土保持研究, 2018, 25(6): 137-145. [17] 保广裕, 张静, 周丹, 等. 青海省太阳辐射强度时空变化特征分析[J]. 冰川冻土, 2017, 39(3): 563-571. [18] 樊杰. 中国主体功能区划方案[J]. 地理学报, 2015, 70(2): 186-201. doi: 10.11821/dlxb201502002 [19] BREIMAN L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32. doi: 10.1023/A:1010933404324
[20] CHEN X W, LIU M. Prediction of protein-protein interactions using random decision forest framework[J]. Bioinformatics, 2005, 21(24): 4394-4400. doi: 10.1093/bioinformatics/bti721
[21] WARD M M, PAJEVIC S, DREYFUSS J, et al. Short-term prediction of mortality in patients with systemic lupus erythematosus: Classification of outcomes using random forests[J]. Arthrit Rheumat, 2006, 55(1): 74-80. doi: 10.1002/art.21695
[22] OPARIN I, GLEMBEK O, BURGET L, et al. Morphological random forests for language modeling of inflectional languages[C/OL]//IEEE. 2008 IEEE Spoken Language Technology Workshop. Goa: IEEE, 2008: 189-192. [2019-08-25]. https://www.infona.pl/resource/bwmeta1.element.ieee-art-000004777872/tab/summary. doi: 10.1109/SLT.2008.4777872.
[23] ZHANG M, ZHANG H, WU P, et al. Prediction of soil organic carbon in an intensively managed reclamation zone of eastern China: A comparison of multiple linear regressions and the random forest model[J]. Sci Total Environ, 2017, 592: 704-713. doi: 10.1016/j.scitotenv.2017.02.146
[24] 方匡南, 朱建平, 谢邦昌. 基于随机森林方法的基金收益率方向预测与交易策略研究[J]. 经济经纬, 2010, 27(2): 61-65. doi: 10.3969/j.issn.1006-1096.2010.02.015 [25] 董师师, 黄哲学. 随机森林理论浅析[J]. 集成技术, 2013, 2(1): 1-7. [26] 张雷, 王琳琳, 张旭东, 等. 随机森林算法基本思想及其在生态学中的应用:以云南松分布模拟为例[J]. 生态学报, 2014, 24(3): 650-659. [27] 刘斌, 郭星, 朱宇恩. 基于随机森林模型的土壤重金属源解析:以晋中盆地为例[J]. 干旱区资源与环境, 2019, 33(1): 106-111. [28] 马玥, 姜琦刚, 孟治国, 等. 基于随机森林算法的农耕区土地利用分类研究[J]. 农业机械学报, 2016, 47(1): 297-303. doi: 10.6041/j.issn.1000-1298.2016.01.040 [29] ZHU Z, WOODCOCK C E, ROGAN J, et al. Assessment of spectral, polarimetric, temporal, and spatial dimensions for urban and peri-urban land cover classification using Landsat and SAR data[J]. Rem Sens Environ, 2012, 117: 72-82. doi: 10.1016/j.rse.2011.07.020
[30] VAN BEIJMA S, COMBER A, LAMB A. Random forest classification of salt marsh vegetation habitats using quad-polarimetric airborne SAR, elevation and optical RS data[J]. Rem Sens Environ, 2014, 149: 118-129. doi: 10.1016/j.rse.2014.04.010
[31] LIAW A, WIENER M. Classification and regression by random forest[J]. R News, 2002, 2(3): 18-22.
[32] 刘欢, 吴克宁, 宋文, 等. 耕地质量定级方法改进研究:以农安县为例[J]. 北京师范大学学报(自然科学版), 2018, 54(3): 315-320. [33] 赵璐, 郑新奇, 闫弘文, 等. 基于地统计学的县域农用地定级方法[J]. 农业工程学报, 2008, 24(S1): 99-103. [34] 黄居茂. 青海省农作物生产发展的科学技术探讨[J]. 青海农林科技, 1984, 14(4): 18-26. [35] 朱文江, 康素珍. 柴达木盆地春小麦高产的气候因素[J]. 中国农业科学, 1978, 19(2): 51-56. [36] 张玮, 李江. 青海省菜田盐渍化形成及治理[J]. 青海农技推广, 2015, 20(2): 32-33. doi: 10.3969/j.issn.1008-7117.2015.02.012 -
期刊类型引用(4)
1. 邓文林. 乡土阔叶树种示范林建设——以韶关市国有仁化林场为例. 农村科学实验. 2024(18): 133-135 . 
百度学术
2. 何潇，雷相东，段光爽，丰庆荣，张逸如，冯林艳. 气候变化对落叶松人工林生物量生长的影响模拟. 南京林业大学学报(自然科学版). 2023(03): 120-128 . 百度学术
3. 康梓杭，倪苗，邓晶，吴庆书. 海口市10种行道树最优生长模型研究. 热带生物学报. 2020(01): 79-83 . 百度学术
4. 曹磊，刘晓彤，李海奎，雷渊才. 广东省常绿阔叶林生物量生长模型. 林业科学研究. 2020(05): 61-67 . 百度学术
其他类型引用(9)
计量
- 文章访问数: 1161
- HTML全文浏览量: 11
- PDF下载量: 991
- 被引次数: 13
