哑变量在云杉地上生物量模型中的应用研究

doi:10.13466/j.cnki.lyzygl.2015.06.014

林业资源管理 ›› 2015, Vol. 0 ›› Issue (6): 71-76.doi: 10.13466/j.cnki.lyzygl.2015.06.014

哑变量在云杉地上生物量模型中的应用研究

杨英¹, 冉啟香², 陈新云¹, 欧强新³

1.国家林业局调查规划设计院,北京 100714;
2.北京林业大学林学院,北京 100083;
3.中国林业科学研究院资源信息研究所,北京 100091

出版日期:2015-10-28 发布日期:2020-11-19
作者简介:杨英(1982-),女,陕西延安人,工程师,主要从事森林资源监测以及森林经营管理方面的研究。Email:xiaoyang19828@163.com
基金资助:
中国清洁发展机制基金赠款项目"2020年后林业增汇减排的行动目标研究"(2013014)

Research on Dummy Variable in Aboveground Biomass Models for Spruce

YANG Ying¹,RAN Qixiang²,CHEN Xinyun¹,OU Qiangxin³

1.Academy of Forest Inventory and Planning,State Forestry Administration,Beijing,100714,China;
2.Beijing Forestry University,Beijing 100083,China;
3.Research Institute of Forest Resource Information Techniques,Chinese Academy of Forestry,Beijing 100091,China

Online:2015-10-28 Published:2020-11-19

摘要/Abstract

摘要： 基于150株样木的生物量数据,采用常规回归方法和哑变量模型方法,构建了黑龙江、吉林两省云杉地上总生物量与各分项生物量的一元、二元以及三元模型。结果表明:2种方法建立的模型中,地上总生物量模型预估精度最高,在96%以上;树叶生物量最低,仍达87%以上;其他生物量预估精度均在91%以上;总相对误差均控制在±5%的范围内。通过对一元、二元和三元模型对比分析,发现随着解释变量增加,2种方法生物量模型的预估精度和确定系数都有所提高。引入地域哑变量后,一元、二元和三元模型的预估精度和确定系数都比常规模型有所提高,估计值的标准误差和总相对误差有一定下降,哑变量可以提高模型的拟合优度和预测效果。

关键词: 地上生物量, 哑变量, 地域, 云杉

Abstract: Based on the biomass data of 150 spruce sampling trees,by using conventional regression methods and dummy variable modeling approach,one variable and two or three variables biomass models were established for the total aboveground biomass and the biomass of components for spruce in Heilongjiang and Jilin provinces.The results showed that the total aboveground biomass models had the highest prediction accuracy(96% or more)and the leaf biomass models had the lowest prediction accuracy which still reached more than 87%.The prediction of other models reached more than 91% and the total relative error was controlled within ±5%.The prediction accuracy and the determination coefficient of biomass models were improved with the increase of the explanatory variables.After the introduction of the dummy variable,the prediction accuracy and the determination coefficient was improved meanwhile the standard error and the total relative error was reduced for one variable and two or three variables biomass models.Dummy variable can improve the prediction effect of the model.

Key words: aboveground biomass, dummy variable, region, spruce

中图分类号:

S758.5

杨英, 冉啟香, 陈新云, 欧强新. 哑变量在云杉地上生物量模型中的应用研究[J]. 林业资源管理, 2015, 0(6): 71-76.

YANG Ying,RAN Qixiang,CHEN Xinyun,OU Qiangxin. Research on Dummy Variable in Aboveground Biomass Models for Spruce[J]. FOREST RESOURCES WANAGEMENT, 2015, 0(6): 71-76.

参考文献 24

[1]	TomppoE,GschwantnerT,LawrenceM,et al.National Forest Inventories:Pathways for Common Reporting [M].NewYork:Springer,2010.
[2]	王鑫.北京地区刺槐地上部分生物量模型研究[D].北京:北京林业大学,2011.
[3]	唐守正,张会儒,胥辉.相容性生物量模型的建立及其估计方法研究[J].林业科学,2000,36(1):19-27.
[4]	曾伟生.全国立木生物量方程建模方法研究[D].北京:中国林业科学研究院,2011.
[5]	张连金,曾伟生,唐守正.用带截距的非线性方程和分段建模方法对立木生物量估计的比较[J].林业科学研究,2011,24(4):453-457.
[6]	符利勇,曾伟生,唐守正.利用混合模型分析地域对国内马尾松生物量的影响[J].生态学报,2011,31(19):5797-5808.
[7]	李希菲,洪玲霞.用哑变量法求算立地指数曲线族的研究[J].林业科学研究,1997,10(2):215-219.
[8]	李河,麦劲壮,肖敏,等.哑变量在Logistic回归模型中的应用[J].循证医学,2008,8(1):42-45.
[9]	郑冬梅,曾伟生.用哑变量方法构建东北落叶松和栎类分段地上生物量模型[J].北京林业大学学报,2013,35(6):23-27.
[10]	曾伟生,唐守正,夏忠胜,等.利用线性混合模型和哑变量模型方法建立贵州省通用性生物量方程[J].林业科学研究,2011,24(3):285-291.
[11]	国家林业局.LY/T 2258-2104,立木生物量建模方法技术规程[S].北京:中国标准出版社,2014.
[12]	Jenkins J C,Chojnacky D C,Heath L S,et al.National-scale biomassestimators for United States treespecies[J].For.Sci.,2003,49(1):12-35.
[13]	Muukkonen P.Generalized allometric volume and biomass equations for some tree species in Europe[J].Eur.J.Forest Res.,2007,126:157-166.
[14]	N·varJ.Allometric equations for tree species and carbon stocks for forests of northwestern Mexico[J].Forest Ecology and Management,2009,257:427-434.
[15]	Parresol B R.Additivity of nonlinear biomass equations[J].Canadian Journal of Forest Research,2001,31(5):865-878.
[16]	Zhang Y J,Borders B E.Using a system mixed-effects modeling method to estimate tree compartment biomass for intensively managed loblolly pines-an allometric approach[J].Forest Ecology and Management,2004,194(1/3):145-157.
[17]	Bi H,Turner J,Lambert MJ.Additive biomass equations for native eucalypt forest trees of temperate Australia[J].Trees,2004,18(4):467-479.
[18]	Fehrmann L,Lehtonen A,KleinnC,et al.Comparison of linear and mixed-effect regression models and a k-nearest neighbour approach for estimation of single-tree biomass[J].Canadian Journal of Forest Research,2008,38(1):1-9.
[19]	胥辉.立木生物量模型构建及估计方法的研究[D].北京:北京林业大学,1998.
[20]	张会儒,唐守正,王奉瑜.与材积兼容的生物量模型的建立及其估计方法研究[J].林业科学研究,1999,12(1):53-59.
[21]	高东启,邓华锋,蒋益,等.油松林分断面积生长预估模型研究[J].西南林业大学学报,2015,35(1):42-46.
[22]	张会儒,唐守正,胥辉.关于生物量模型中的异方差问题[J].林业资源管理,1999(1):46-49.
[23]	曾伟生,骆期邦,贺东北.论加权回归与建模[J].林业科学,1999,35(5):5-11.
[24]	曾伟生.再论加权最小二乘法中权函数的选择[J].中南林业调查规划,1998,17(3):9-11.

哑变量在云杉地上生物量模型中的应用研究

Research on Dummy Variable in Aboveground Biomass Models for Spruce

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献 24

相关文章 15

编辑推荐

Metrics

本文评价

[1]	肖义发, 王梦君, 李昕宇, 陈飞, 王继山, 张海武, 次旦普尺. 云杉大小蠹在西藏的适生区分析[J]. 林业资源管理, 2020, 0(2): 141-145.
[2]	金忠明, 曹姗姗, 王蕾, 孙伟. 天山云杉林无人机可见光影像树冠信息提取方法研究[J]. 林业资源管理, 2020, 0(1): 125-135.
[3]	刘治平, 曹宗英, 张旭华, 尹淑英. 甘肃省人工云杉林二元立木材积方程的编制研究[J]. 林业资源管理, 2020, 0(1): 172-176.
[4]	吴宏炜, 田意, 黄光灿, 张伟志, 庄崇洋, 江希钿. 基于非线性度量误差的湿地松生长模型[J]. 林业资源管理, 2019, 0(6): 69-74.
[5]	朱雅丽, 张绘芳, 张景路, 地力夏提·包尔汉. 基于无人机遥感的胡杨地上生物量估测模型构建[J]. 林业资源管理, 2019, 0(2): 80-87.
[6]	王梓璇, 周梅, 赵鹏武, 王鼎, 杨磊, 丁兆华. 不同火烧木管理方式火烧迹地林下物种多样性及地上生物量研究——以寒温带兴安落叶松林为例[J]. 林业资源管理, 2018, 0(4): 28-33.
[7]	曾伟生, 陈新云, 杨学云. 内蒙古主要树种组立木胸径生长率模型研建[J]. 林业资源管理, 2018, 0(2): 38-42.
[8]	刘金山, 张蓓, 周学武, 邢元军, 张万林. 西藏自治区云杉林生物量密度模型研建[J]. 林业资源管理, 2018, 0(1): 38-43.
[9]	肖中琪, 黄建文, 凌成星. 新疆天山西部天然林保护工程区林地及森林生物量空间变化分析[J]. 林业资源管理, 2018, 0(1): 57-62.
[10]	曾伟生. 基于木材密度的34个树种组一元立木生物量模型建立[J]. 林业资源管理, 2017, 0(6): 41-46.
[11]	胡中岳, 刘萍. 西天山国家级自然保护区天山云杉林分结构与物种多样性[J]. 林业资源管理, 2017, 0(6): 67-71.
[12]	朱光玉, 罗小浪. 湖南栎类天然混交林优势木树高曲线哑变量模型研究[J]. 林业资源管理, 2017, 0(4): 22-29.
[13]	卢晓曼, 郑光, 居为民, 戴声佩, 高伦. 森林背景反射率对乔木层地上生物量遥感估算的影响研究——以大兴安岭林区为例[J]. 林业资源管理, 2017, 0(4): 59-68.
[14]	王宗梅, 徐天蜀, 岳彩荣, 刘琦. 基于哑变量的高山松蓄积量反演模型研究[J]. 林业资源管理, 2017, 0(4): 75-81.
[15]	轩俊伟, 朱静. 天山云杉立地指数地统计空间分析[J]. 林业资源管理, 2017, 0(3): 46-50.