Prediction of adaptability of Cunninghamia lanceolata based on random forest
-
摘要: 以中国林业科学研究院热带林业实验中心杉木树种为研究对象,从森林资源二类调查数据中提取优势树种为杉木的小班,将样本数据按7:3的比例分为训练样本和测试样本。以海拔、地貌类型、坡度、坡向、坡位、土壤种类、成土母岩、土壤厚度、腐殖质层厚度为输入变量,以杉木生长适宜性为输出变量,运用随机森林算法建立杉木适生性预测模型,对不同立地条件下的造林地进行杉木适生性预测。同时,利用随机森林模型的变量重要性评估功能,分析了各立地因子对杉木生长的影响权重。结果表明:基于随机森林的杉木适生性预测模型的训练精度为84.3%,泛化精度达到89.5%,具有较高的预测准确率;研究区域内对杉木生长影响较大的立地因子依次为坡度、坡向、腐殖质层厚、海拔,影响因素较小的是土壤种类、土层厚度;就单因素的影响而言,海拔≥350 m的低山和中山地区,坡度在25°~34°之间比较适宜杉木生长。基于随机森林的杉木适生性预测模型可处理复杂的非线性关系,可将模型应用到无林地的造林决策,实现有林地与无林地对杉木适生性判断的有机统一,也可推广到其他树种,为适地适树提供依据。Abstract: In this paper, Cunninghamia lanceolata was taken as research object in the Experimental Center of Tropical Forestry of Chinese Academy of Forestry, Pingxiang County of Guangxi Province of southern China, we selected the sub-compartments with dominant species of Cunninghamia lanceolata, divided the experimental data into training samples and test samples at 7:3 ratio and established a random forest model with altitude, physiognomy type, slope degree, slope aspect, slope position, soil type, parent rock, soil thickness, humus layer thickness as input variables and growth adaptability of Cunninghamia lanceolata as output variable to predict its adaptability for afforestation sites. At the same time, we analyzed the weight of main site factors on the growth of Cunninghamia lanceolata using the established model. This study showed that the training accuracy of adaptability of Cunninghamia lanceolata based on random forest model was 84.3% and the generalization accuracy reached 89.5%. Site factors greatly affecting the growth of Cunninghamia lanceolata were slope degree, slope aspect, the humus layer thickness and altitude, while soil type and soil thickness less affected the growth of Cunninghamia lanceolata. In terms of single site factor, the slopes ranged from 25° to 34° and the altitude greater than 350 m were more suitable for the growth of Cunninghamia lanceolata. The established model based on random forest could deal with complex nonlinear relations and could be applied to make afforestation decision to non-forest lands, then to realize the organic unification of the suitability judgment of Cunninghamia lanceolata with forest land and non-forest land, and the model can be extended to other tree species and provide theoretical support to the problem of matching species with site.
-
Keywords:
- matching species with site /
- random forest /
- Cunninghamia lanceolata /
- adaptability
-
森林火灾是一种突发性强、破坏性大、处置救助较为困难的自然灾害,被世界公认为八大自然灾害之一[1]。世界范围内每年平均发生森林火灾的次数超过20余万次[2]。随着全球气候变暖,厄尔尼诺现象的影响,森林火灾在全球呈多发态势,发生频率和强度也在增加[3]。森林燃烧会产生大量的烟雾及有毒物质,并释放到大气中,对全球变暖、生物地球化学循环、空气质量和人体健康都会产生严重的负面影响[3]。研究数据显示,1997—1998年印尼森林火灾,累计向大气层排放了约10亿t CO2,造成严重的烟雾污染,引发国际社会广泛关注[4];2010年俄罗斯大火释放了255.76 Tg CO2(1 Tg=106 t)[5]。森林火灾产生的烟雾不仅严重影响大气质量,而且对人体的呼吸系统产生不良影响[6]。尤其是烟雾中的有毒物质,会对扑火队员的生命安全造成威胁[7]。研究表明,西伯利亚火灾产生的烟雾,可以被远距离传输到韩国和日本等国家,甚至波及到北美西海岸,严重影响到达区域的空气质量[8]。由此可见,开展森林燃烧排放物研究具有重要的现实意义。
森林火灾排放物的研究起步较晚,关于森林火灾碳排放的研究始于20世纪60年代[3, 9],随着遥感等新技术的应用,研究的内容和尺度不断深入。本文在广泛收集国内外相关文献的基础上,针对4种森林燃烧排放物(含碳气体、含氮气体、PM2.5和气溶胶),从研究内容、计算方法、排放量估算参数(火灾面积、可燃物载量、可燃物含碳率、燃烧效率、排放比和排放因子)等方面进行了综述,分析研究中存在的问题,对今后的发展趋势进行展望,以期为制定科学合理的林火管理政策,开展森林燃烧排放物的定量研究提供参考。
1. 森林火灾排放物
森林火灾在短时间内,释放出巨大的能量,产生火灾烟气羽流,受气流浮力的驱动,排放出大量的有毒有害气体,主要有无机类(CO、CO2、NOX、HCI、H2S、HN3、HCN、P2O5、HF、SO2和O3等)和有机类(CH4、CH3CI、NMHC等),以及悬浮颗粒物(炭黑粒子、灰分、PM2.5和PM10等)[10-11]。其中,含碳气体是森林火灾最主要的排放物,目前关于排放的研究也多集中在碳排放[10, 12-14]。森林火灾排放的含氮气体不多,但产生的影响不可忽视,因其可以造成长时间的污染[8, 15-17]。近年来,关于PM2.5与气溶胶的研究备受关注[16, 18-21]。因此,本文针对上述4种排放物的研究进展作综述。
1.1 森林火灾排放含碳气体
森林火灾排放的含碳气体是大气和环境污染的主要来源之一,全球每年源于自然火灾的直接碳排放量约为2.0×109 t[22, 41-42]。我国森林火灾年均消耗林地生物量5.000×106~7.000×106 t,直接排放碳2.024×107~2.856×107 t[23]。森林火灾排放物中,主要为温室气体,大约90%的碳都是以CO2或CO的形式排放到大气中[12],还有一小部分以甲烷、多碳烃和挥发性有机氧化物的形式排放到大气中[13]。在全球范围内,虽然森林火灾排放量呈现出显著的年际变化,但总体而言,森林火灾对温室气体排放的贡献率大约是23%[15]。基于碳质量平衡方法开展的排放研究结果表明,碳汇中的63%~74%是以CO2形式被排放到大气中,5.7%~13%以CO的形式被排放到大气中,0.36%~0.53%以CH4的形式被排放到大气中[15]。CH4是非常活跃的温室气体,对全球温室效应的贡献率仅次于CO2[24]。
森林火灾排放的含碳气体危害严重且持续时间长[14]。森林火灾燃烧了林下植被和枯枝落叶层,是植被碳库的释放,对大气碳平衡及全球气候变化均具有重要影响[16, 25]。森林火灾是温室气体的重要来源,能够改变陆地和大气之间的碳交换,导致全球气候和大气组成在时间和空间上的剧烈变化[10]。此外,森林火灾排放的CO和CH4还会对大气对流层臭氧浓度产生影响[26]。火是对森林造成影响和破坏最为剧烈的因子,会造成森林生态系统几十年甚至上百年碳储存的损失[14]。森林火灾排放的气体在大气中滞留时间很长,甚至长达数百年[11]。但森林生态系统能够在火烧后得到恢复,大气中的CO2可通过植物的光合作用从大气中固定下来[16, 25]。
森林群落树种组成、林火强度、燃烧过程等因素均会导致温室气体排放量的不同[27-28]。研究发现,中等强度火灾时单位面积碳释放量更大[29]。燃烧的不同阶段,排放量也有所不同,阴燃阶段释放CO、CH4和NMHC较多,焰燃阶段的碳被氧化成CO2排出较多[15]。李玉昆等[30]对大兴安岭的枯枝、草本和半分解层的排放量进行了研究,结果发现相同林型的不同部位排放量也有差异。
1.2 森林火灾排放含氮气体
森林火灾排放的含氮气体量虽然较少,但危害较大[15-16]。森林火灾会造成土壤氮释放,改变土壤蒸发与地表迳流,影响水分循环,成为全球变化的一个驱动力[16]。火干扰排放的NO作为主要含氮活性气体之一,经过化学反应产生的HNO3是酸雨的成分之一,加剧温室效应,改变自然演替的过程,产生一系列的负面影响。研究表明,氮的排放中0.35%~0.57%是以N2O的形式排放到大气中[15]。不同森林类型释放的含氮气体也不相同。通过对大兴安岭25年间林火排放的研究发现,白桦(Betula platyphylla)—落叶松(Larix gmelinii)林、白桦(Betula platyphylla)—杜鹃(Rhododendron simsii)林和蒙古栎(Quercus Mongolica)—胡枝子(Lespedeza bicolor)林是气体释放量较多的林型,约占总排放量的70%以上[31]。
在全球变暖条件下,林火排放物对氨浓度的贡献不断增大。2007年美国东南部气温升高和广泛的干旱导致森林火灾,林火产生的排放物引起了氨的浓度异常升高[18]。随着全球气候变化,在温暖的气候条件下,植被会向北扩展到以前冰雪覆盖的地区,林火排放物对氨浓度的影响将进一步增大[32]。
1.3 森林火灾排放PM2.5
PM2.5指的是空气动力学直径小于2.5 μm的大气颗粒物[19],是一个复杂的混合物质,包含如碳质组件,SO42-、NO3-、NH4+和一些金属[8]。火干扰造成的颗粒物质浓度的升高,会对局部地区乃至全球范围内的气候系统产生影响[16]。自《环境空气质量标准》增加细颗粒物(PM2.5)浓度限值监测指标以来,国内围绕PM2.5已经开展了一系列研究,但关于森林火灾排放的颗粒物的研究报道较少[20]。
森林火灾排放PM2.5的研究方法不多。NOAA/NESDIS开发了一种基于遥感的火灾PM2.5排放检测方法,即对PM2.5排放量进行建模,使用多个卫星仪器反演其空间分布常数[21]。在世界的许多地方,森林可燃物燃烧是颗粒物质的主要来源。2008—2009年,美国北卡罗来纳州森林火灾的颗粒物残余对PM2.5质量的影响显著[33]。研究表明,森林火灾排放物对地表微量气体的混合比会产生影响,NO2混合比的增加与可吸入颗粒物(PM)具有相关性(R=0.83),NO2和PM之间紧密的相关性可以进一步提高统计回归模型的性能[34]。
森林发生火灾后PM2.5浓度变化明显。火灾后PM2.5浓度与居民健康是北美国家研究的热点。2002年7月加拿大魁北克森林火灾的烟雾波及到美国东海岸,泊松回归分析的结果表明,24 h环境PM2.5浓度与每日居民死亡率无相关性。在波士顿都市区和纽约市,森林火灾的烟雾导致短期内PM2.5浓度大幅度提升,但之后的居民死亡率没有明显增加[35]。2013年加利福尼亚森林火灾后,在加利福尼亚和内华达州,通过研究临时和永久空气监测点收集的PM2.5浓度数据,评价了火灾烟雾中的PM2.5对空气质量的影响[3, 6]。
1.4 森林火灾排放气溶胶
气溶胶是指长时间悬浮在空气中能被观察或测量的液体或固体粒子[18]。黑碳气溶胶一般是碳质燃料(包括化石燃料、生物燃料等)不完全燃烧过程中产生的[37],仅占大气气溶胶中的0.2%~1.0%。黑碳的直接辐射强迫作用超过CH4,能够吸收更多的太阳辐射,成为影响全球变暖的仅次于CO2的重要成分。气溶胶排放物危害严重,特别是来自于生物质燃烧的烟雾微粒,是空气质量预报不确定性的主要来源之一。研究表明,林火烟气羽流中,光化学活性会增强,能够显著改变气溶胶的成分和微观物理学性质,导致气溶胶的光学特性和辐射特性改变[38]。随着节能减排的广泛开展以及森林火灾的不断加剧,今后森林火灾排放的黑碳量,在黑碳排放总量中的比例将进一步增大[39]。
森林火灾排放气溶胶研究方法较多。Drooge等[40]运用有机分子的化学分析方法,收集了来自2012年7月巴塞罗那森林火灾烟羽流到达城市的大气气溶胶,并进行光探测和激光雷达的光学测量。化学成分分析表明,几个小时内生物质燃烧对城市空气质量影响巨大。典型的生物质燃烧的示踪剂,如左旋葡聚糖,脱氢枞酸和多环芳香烃(PAH)增强,同时在边界层气溶胶浓度增加。之后的时间里,虽然激光雷达在高空中探测到了粒子,但在城市空气中,没有发现显著的森林火灾烟雾的影响。
林火对大气中气溶胶的增加有显著影响,但由于森林火灾发生时间和区域都很集中,在短时间小范围内,迅速大量释放排放物会对小区域的环境产生影响。研究发现,持续30 h的烟羽流比持续3 h的烟羽流产生的气体和气溶胶的浓度更高[39]。
2. 森林火灾排放物估算的主要参数
由于森林可燃物和燃烧条件的不确定性,估算森林火灾的排放物是非常复杂的,使用单一的示踪剂评估其来源的准确性也是很复杂的。全球每年来自自然火灾的直接碳排放量约为2.0×109 t[22, 41-42]。因此科学准确估算森林火灾排放物排放量,对制定科学有效的林火管理措施具有重要的意义。森林火灾排放估算研究中的主要参数包括火灾面积、可燃物载量、可燃物含碳率、燃烧效率、排放比和排放因子等。火灾面积、可燃物载量、可燃物含碳率都可直接或间接测得,国内外研究相对成熟;而燃烧效率是一个争议较大的参数,目前尚缺乏统一标准;排放因子和排放比是目前研究碳排放的热点。
2.1 森林火灾面积
森林火灾面积是估算排放量的重要参数,也是最不确定的因子,单因素方差分析表明,总体上森林类型对林火面积的影响并不明显[31, 43-45]。森林火灾面积获取方法主要包括小尺度范围的航空地图勾绘法和地面实地调查法,以及大尺度范围的统计资料、经验公式和遥感估测法。地面实地调查精度高,但成本也高。经验公式估算方便快捷,但因地区差异存在一些误差,且缺乏时空信息[46]。随着遥感技术的发展,因其分辨率较高,覆盖范围广,成本低等优势,在林火领域得到了广泛的应用,发展前景非常广阔。特别是对于森林火灾开放燃烧,可以考虑结合卫星观测的火点数据,估算森林火灾的受害面积和草原火灾的过火面积。目前使用较多的主要是NOAA-AVHRR、SPOT、Landsat、MODIS、ATSR数据和多光谱遥感影像等。
2.2 可燃物载量
森林可燃物是森林燃烧的物质基础[47],可燃物载量是计量火灾排放的基础。但由于森林生态系统其本身的多样性和复杂性,加上地域差异和火行为差异,导致各类型可燃物载量处在不断变化的状态[48]。可燃物载量获取的方法主要是地面调查法和遥感图像法[49]。遥感图像是目前运用最广泛的方法,研究中使用的遥感图像从航空照片、NOAA-AVHRR、LandsatTM,发展到MSS、LISSII、LIDAR、SPOT、多光谱遥感影像等[49]。
可燃物载量的数据受各种因素的交互作用,加之实测数据的获取尚缺乏统一标准,不同学者的研究方法差别较大。目前常见的可燃物载量研究多借助模型、回归方程或者先进的激光雷达等手段[49-51]。
由于植被生产力、分解率和火灾发生时间和频率的变化,不同季节的可燃物载量不同。在很长的时间尺度上,CO2的肥效作用影响着植被生产力,可利用JSBACH模型作为一个工具,来监测可燃物载量的季节性变化,相关研究表明,在较长的时间尺度上,CO2的肥效作用是不可忽略的,它间接影响着可燃物载量的变化[52]。
2.3 可燃物含碳率
可燃物含碳率是可燃物的干质量中碳所占的比重[43]。更为精确可靠的可燃物含碳率估算,应来自不同林型条件下所开展的实验测定。植被类型和植物部位不同,其含碳量也会不同[28],凋落物和粗木质残体由于受外部环境的影响较大,在不同林型中的平均含碳率波动较大[42]。目前关于不同区域森林群落组成树种的含碳率研究较多,大多采用45%或50%作为所有森林类型的平均含碳率[31, 43, 45]。如果在借鉴以往研究结果的基础上,能够再开展一些针对性的室内实验,将会明显减少在尺度转换过程中形成的误差[28]。
2.4 燃烧效率
燃烧效率于1979年由Wong[43]提出,是指燃烧消耗的可燃物占总可燃物载量的比例,它是影响可燃物消耗量和火灾排放量的重要因子[53-54],对准确估算森林火灾排放量具有重要作用,但也是一个争议较大的参数[14],目前普遍采用IPCC的经验估计值45%。更为准确的燃烧效率应基于大量的室内外实验数据[44],但由于室内控制环境下的燃烧实验和野外燃烧实验难度大、费用高,且实验环境和野外实际环境存在差异较大,因此这方面研究文献较少。
燃烧效率受火灾强度、火灾类型、植被类型以及气候条件等因素的影响。众多研究表明,不同的生态环境不同森林类型的燃烧效率不同[17, 28, 43, 55-56],不同的火灾面积燃烧效率也不同[57],不同的燃烧程度燃烧效率不同[28],不连续燃烧面积的燃烧效率比连续燃烧面积的燃烧效率低[58],北方林中树叶和小枝的燃烧效率比树干高,可燃物载量与燃烧效率呈负相关[48, 50]。目前燃烧效率缺乏确定标准,许多学者采用平均燃烧效率与燃烧物质总量之间的回归方程进行研究[51]。应用遥感技术,将野外调查和表征林火烈度的dNBR(differenced normalized burn ratio,差分归一化燃烧率)指数相结合的方法,可以更准确的估算森林火灾可燃物的消耗量,进而推算出燃烧效率。在利用高分辨率遥感影像估测森林火灾燃烧效率方面:Lambin等[58]研究了中非地区森林火灾的燃烧效率;French等[59]建立了火灾面积与燃烧效率的相关关系。由于遥感数据的客观性、宏观性和实效性等优点,基于遥感估测森林火灾排放物是未来发展方向,但由于空间分辨率等问题,其精度需进一步提高[50, 60]。
2.5 排放比和排放因子
排放比是指森林火灾排放气体中扣除相应气体背景浓度的某种含碳气体量与CO2释放量的比值[14]。排放因子指单位干可燃物在燃烧过程中所排放的某种气体量[9]。排放比法和排放因子法是森林火灾排放物估算中最常用,也是最简便的两种方法,在国内已经广泛应用。从理论上讲,排放因子法的估算较为可靠,而排放比法估算误差较大[44]。目前应用排放比法估算温室气体释放量的报道较多[61],主要因为排放因子一般只能在实验中获取,但在野外和大规模火灾发生时,排放比法因容易测定,因此应用更为广泛。
排放比的计算,通常选取CO2、CO、CH4作为参考气体。CO2作为一个参考气体,因为它是烟羽流中的主要含碳化合物,也是一个测量相对简单的气体[46]。排放比也会因火灾发生区域、燃烧阶段和燃烧组分的不同而有差异[3, 14]。目前用于测定含碳气体排放比的主要方法有微型燃烧实验、受控环境燃烧实验、地面采样实验、空中采样实验、卫星遥感技术等[60, 62]。
3. 展望
基于森林燃烧排放物研究现状及存在问题,今后研究建议围绕以下方向:1)森林火灾间接排放的估算将是今后研究热点,应当加强火烧迹地的调查和观测,掌握火烧后森林中碳库转化规律和枯死木分解速率,把间接排放因子设置成参数进行估算,为森林燃烧间接排放的研究提供支持。2)结合遥感等技术,对不同尺度森林燃烧排放物进行深入研究。3)研究森林燃烧排放物与气候变化的相互作用机制。4)研究如何提高森林燃烧排放物估算精度。借助新的遥感平台,提高分辨率,改进算法,发挥“3S”集成技术的作用。随着高分辨率卫星传感器的应用,以及技术处理和估算方法的改进和提高,估算准确度将大大提高。
-
表 1 杉木生长信息
Table 1 Growth information of Cunninghamia lanceolata
小班号
No. of
sub-compartment地貌类型
Physiognomy
type海拔
Altitude/
m坡向
Slope
aspect坡度
Slope degree/
(°)坡位
Slope
position土壤厚度
Soil thickness/
cm腐殖质层
厚度
Humus layer
thickness/
cm土壤种类
Soil type成土母岩
Parent rock平均
年龄/a
Mean
age/year优势木
平均高
Mean
height of
dominant
tree/m1 丘陵Hill 290 南South 20 脊Ridge 180 1 赤红壤
Latosolic
red soil砂岩Sandstone 25 17.5 2 丘陵Hill 370 西南
Southwest30 中坡Middle
slope100 1 赤红壤
Latosolic
red soil砂岩
Sandstone25 17.5 3 低山Lower
mountain350 东北
Northeast28 下坡
Downhill160 1 赤红壤
Latosolic
red soil砂岩
Sandstone19 17.5 4 丘陵Hill 200 西West 36 下坡
Downhill70 1 赤红壤
Latosolic
red soil砂岩
Sandstone19 17.7 5 低山Lower
mountain860 东East 30 上坡Uphill 70 1 赤红壤
Latosolic
red soil砂岩
Sandstone25 15.2 6 中山Middle
mountain660 南South 33 中坡Middle
slope70 2 赤红壤
Latosolic
red soil砂岩
Sandstone18 12.3 7 丘陵Hill 273 北North 21 下坡
Downhill80 2 紫色土
Purple soil砂岩
Sandstone19 11.8 8 丘陵Hill 415 无坡向No
slope aspect30 中坡Middle
slope130 10 赤红壤
Latosolic
red soil岩浆岩
Magmatic
rock17 16.5 9 低山Lower
mountain590 西北
Northwest15 谷地Valley 130 10 红壤
Red soil岩浆岩
Magmatic
rock21 19.6 10 低山Lower
mountain580 北North 30 下坡
Downhill130 5 黄红壤
Yellow-red
soil岩浆岩
Magmatic
rock23 17.8 11 低山Lower
mountain880 东南
Southeast37 中坡Middle
slope100 3 黄壤Yellow soil 岩浆岩
Magmatic
rock33 17.5 表 2 属性分级标准
Table 2 Attribute classification standard
立地因子Site factor 分级标准Classification standard 坡度
Slope degree平坡:<5°;缓坡:5°~14°;斜坡:15°~24°;陡坡:25°~34°;急坡:35°~44°;险坡:≥45°
Flat slope:<5°; Gentle slope: 5°-14°; Incline slope: 15°-24°; Steep slope: 25°-34°;
Sharp slope: 35°-44°; Dangerously steep slope: ≥45°土壤厚度
Soil thickness厚:≥80 cm;中:40~79 cm;薄:<40 cm
Thick: ≥80 cm; Medium: 40-79 cm; Thin:<40 cm腐殖质层厚度
Humus layer thickness厚:≥20 cm;中:10~19 cm;薄:<10 cm
Thick: ≥20 cm; Medium: 10-19 cm; Thin:<10 cm海拔
AltitudeⅠ级:<350 m;Ⅱ级:350~750 m;Ⅲ级:750~1 050 m;Ⅳ级:>1 050 m
Grade Ⅰ:<350 m; Grade Ⅱ: 350-750 m; Grade Ⅲ: 750-1 050 m; Grade Ⅳ:>1 050 m表 3 平衡前后各样本构成情况
Table 3 Composition of samples before and after balance
样本类别
Sample classification正样本
Positive
sample负样本
Negative
sample合计
Total原始样本Original sample 244 111 355 平衡后样本Sample after balance 333 333 666 表 4 不同的mtry取值对应误差的大小
Table 4 Errors corresponding to different mtry values
随机特征个数
Number of random feature(mtry)1 2 3 4 5 6 7 8 9 误差率Error rate 0.263 0.200 0.165 0.156 0.162 0.170 0.161 0.162 0.167 表 5 混淆矩阵
Table 5 Confused matrix of predictive results
实际类别
Actual type预测类别Predictive type 适宜Adaptability 不适宜Inadaptability 适宜Adaptability TP FN 不适宜Inadaptability FP TN 注:TP代表真正类,即模型预测结果为适宜生长,且实际情况也为适宜;FP代表假正类,即模型预测结果为适宜生长,但实际情况为不适宜;TN代表真负类,即模型预测结果为不适宜生长,且实际情况也为不适宜;FN代表假负类,即模型预测结果为不适宜生长,但实际情况为适宜。Notes:TP(true positive) implies that the predicted result and the reality are both the adaptability;FP(false positive) implies that the predicted result is the adaptability, but the reality is the opposite;TN(true negative) implies that the predicted result and the reality are both the inadaptability;FN(false negative) implies that the predicted result is the inadaptability, but the reality is the opposite. 表 6 随机森林模型混淆矩阵
Table 6 Confusion matrix of random forest model
实际类别
Actual type预测类别Predictive type 分类误差率
Classification
error rate/%适宜
Adaptability不适宜
Inadaptability适宜Adaptability 202 29 12.5 不适宜Inadaptability 44 191 18.7 表 7 测试数据预测结果
Table 7 Predicted results of test samples
实际类别
Actual type预测类别Predictive type 适宜Adaptability 不适宜Inadaptability 适宜Adaptability 95 16 不适宜Inadaptability 7 82 表 8 模型判断结果
Table 8 Predicted results of models
地类
Land
type地貌类型
Physiognomy
type海拔
Altitude/
m坡向
Slope
aspect坡度
Slope
degree/
(°)坡位
Slope
position土壤厚度
Soil
thickness/
cm腐殖质层
厚度Humus
layer
thickness/cm土壤种类
Soil type成土母岩
Parent
rock立地
指数
Site
index模型预测结果
Predicted results of model不适宜性概率
Probability of
inadaptability适宜性概率
Probability align="center" class="table_top_border2" of
adaptability结果
Result有林地
Forest land丘陵Hill 250 西北
Northwest26 中坡
Middle slope95 1 赤红壤Latosolic
red soil砂岩Sandstone 18 0.057 0.948 适宜
Adaptability低山Lower
mountain420 东北
Northeast20 下坡
Downhill90 1 赤红壤
Latosolic red soil岩浆岩
Magmatic rock22 0.008 0.992 适宜
Adaptability低山Lower
mountain290 西北
Northwest32 上坡Uphill 90 1 赤红壤
Latosolic red soil砂岩Sandstone 10 0.935 0.065 不适宜
Inadaptability无林地
Non-forest land低山Lower mountain 780 北North 17 上坡Uphill 70 1 赤红壤
Latosolic red soil砂岩Sandstone 无 0.843 0.157 不适宜
Inadaptability丘陵Hill 360 东北
Northeast22 中坡
Middle slope80 1 赤红壤
Latosolic red soil岩浆岩
Magmatic rock无 0.118 0.882 适宜
Adaptability低山Lower
mountain670 西
West15 中坡
Middle slope70 10 赤红壤
Latosolic red soil砂岩Sandstone 无 0.177 0.823 适宜
Adaptability -
[1] 黄云鹏.森林培育学[M].北京:高等教育出版社, 2002. HUANG Y P.Silviculture[M].Beijing:Higher Education Press, 2002.
[2] 郭艳荣, 刘洋, 吴保国.福建省宜林地立地质量的分级与数量化评价[J].东北林业大学学报, 2014, 42(10):54-59. doi: 10.3969/j.issn.1000-5382.2014.10.012 GUO Y R, LIU Y, WU B G.Evaluating dividing rank and quantification of site quality of suitable land for forest in Fujian Province, China[J].Journal of Northeast Forestry University, 2014, 42(10):54-59. doi: 10.3969/j.issn.1000-5382.2014.10.012
[3] CURT T, BOUCHAUD M, AGRECH G.Predicting site index of Douglasfir plantations from ecological variables in the Massif Central area of France[J].Forest Ecology and Management, 2001, 149(1):61-74. http://cn.bing.com/academic/profile?id=33a58ff18489b10367956465b4786ef8&encoded=0&v=paper_preview&mkt=zh-cn
[4] LOUWA J H, SCHOLES M.Forest site classification and evaluation:a South African perspective[J].Forest Ecology and Management, 2002, 171(1-2):153-168. doi: 10.1016/S0378-1127(02)00469-3
[5] 张伏全, 魏汗功, 陈远材.滇西南地区立地龙竹质量评价的研究[J].林业科学, 1994, 30(2):104-110. http://www.cnki.com.cn/Article/CJFDTotal-LYKE402.001.htm ZHANG F Q, WEI H G, CHEN Y C.Study on site quality evaluation of fragon bamboo in Southwest Yunnan[J].Scientia Silvae Sinicae, 1994, 30(2):104-110. http://www.cnki.com.cn/Article/CJFDTotal-LYKE402.001.htm
[6] 黄家荣, 马天晓, 王艳梅, 等.基于BP网络的无林地立地质量评价模型研究[J].山地农业生物学报, 2006, 25(6):479-483. doi: 10.3969/j.issn.1008-0457.2006.06.003 HUANG J R, MA T X, WANG Y M, et al.Forest site evaluation model studies on the basis of BP Neural Network[J].Journal of Mountain Agriculture and Biology, 2006, 25(6):479-483. doi: 10.3969/j.issn.1008-0457.2006.06.003
[7] IVERSON L R, PRASAD A M, MATTHEWS S N, et al.Estimating potential habitat for 134 eastern US tree species under six climate scenarios[J].Forest Ecology and Management, 2008, 254:390-406. doi: 10.1016/j.foreco.2007.07.023
[8] PRASAD A M, IVERSON L R, LIAW A.Newer classification and regression tree technique:bagging and random forests for ecological prediction[J].Ecosystems, 2006, 9(2):181-199. doi: 10.1007/s10021-005-0054-1
[9] DONG L J, LI X B.Prediction of rockburst classification using random forest[J].Transaction of Nonferrous Metals Society of China, 2013, 23(2):472-477. doi: 10.1016/S1003-6326(13)62487-5
[10] 余坤勇, 姚雄, 邱祁荣, 等.基于随机森林模型的山体滑坡空间预测研究[J].农业机械学报, 2016, 47(10):338-345. doi: 10.6041/j.issn.1000-1298.2016.10.043 YU K Y, YAO X, QIU Q R, et al.Landslide spatial prediction based on random forest model[J].Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(10):338-345. doi: 10.6041/j.issn.1000-1298.2016.10.043
[11] 张雷, 王琳, 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, 34(3):650-659. http://d.old.wanfangdata.com.cn/Periodical/stxb201403015 ZHANG L, WANG L, ZHANG X D, et al. The basic principle of random forest and its application in ecology: a case study of Pinus yunnanensis[J].Acta Ecologica Sinica, 2014, 34(3):650-659. http://d.old.wanfangdata.com.cn/Periodical/stxb201403015
[12] 赖成光, 陈晓宏, 赵仕威, 等.基于随机森林的洪灾风险评价模型及其应用[J].水利学报, 2015, 46(1):59-65. http://d.old.wanfangdata.com.cn/Periodical/slxb201501008 LAI C G, CHEN X H, ZHAO S W, et al.Flood risk assessment model and its application based on random forest[J].Journal of Hydraulic Engineering, 2015, 46(1):59-65. http://d.old.wanfangdata.com.cn/Periodical/slxb201501008
[13] 邢海涛, 陆元昌, 刘宪钊, 等.基于近自然改造的马尾松林分竞争强度研究[J].北京林业大学学报, 2016, 38(9):42-53. doi: 10.13332/j.1000-1522.20160023 XING H T, LU Y C, LIU X Z, et al.Competiiton intensity of Pinus massoniana stand based on close-to-nature management[J].Journal of Beijing Forestry University, 2016, 38(9):42-53. doi: 10.13332/j.1000-1522.20160023
[14] BREIMAN L. Random forests[J].Machine Learning, 2001, 45(1):5-32. doi: 10.1023/A:1010933404324
[15] 张洪强, 刘光远, 赖祥伟.随机森林在肌电的重要特征选择中的应用[J].计算科学, 2013, 40(1):200-202. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jsjkx201301046 ZHANG H Q, LIU G Y, LAI X W. Application of random forest algorithm in important feature selection form EMG signal[J].Computer Science, 2013, 40(1):200-202. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jsjkx201301046
[16] 李新海.随机森林模型在分类与回归分析中的应用[J].应用昆虫学报, 2013, 50(4):1190-1197. http://d.old.wanfangdata.com.cn/Periodical/kczs201304041 LI X H.Using"random forest" for classification and regression[J].Chinese Journal of Applied Entomology, 2013, 50(4):1190-1197. http://d.old.wanfangdata.com.cn/Periodical/kczs201304041
[17] 齐颜君, 王丹, 孙喜林, 等.适地适树的意义与数量标准[J].现代农业科技, 2013(1):169. doi: 10.3969/j.issn.1007-5739.2013.01.104 QI Y J, WANG D, SUN X L, et al. The meaning and quantity standard of matching species with the site[J].Modern Agriculture Science and Technology, 2013(1):169. doi: 10.3969/j.issn.1007-5739.2013.01.104
[18] 孟宪宇.测树学[M].北京:中国林业出版社, 2006. MENG X Y. Forest measurement[M]. Beijing: China Forestry Publishing House, 2006.
[19] 姚山.基于数据挖掘技术的造林决策研究[D].北京: 北京林业大学, 2008. http://cdmd.cnki.com.cn/Article/CDMD-10022-2008085015.htm YAO S.Study on afforestation decision based on data mining[D]. Beijing: Beijing Forestry University, 2008. http://cdmd.cnki.com.cn/Article/CDMD-10022-2008085015.htm
[20] 曹正凤.随机森林算法优化研究[D].北京: 首都经济贸易大学, 2014. http://cdmd.cnki.com.cn/Article/CDMD-11912-1014220587.htm CAO Z F.Study on optimization of random forests algorithm[D]. Beijing: Capital University of Economics and Business, 2014. http://cdmd.cnki.com.cn/Article/CDMD-11912-1014220587.htm
[21] CHWLA N V, BOWYER K W, HALL L O, et al.SMOTE:synthetic minority over-sampling technique[J].Journal of Artificial Intelligence Research, 2011, 16(1):321-357. http://d.old.wanfangdata.com.cn/Periodical/dianzixb200911024
[22] 李婉华, 陈宏, 郭坤, 等.基于随机森林算法的用电负荷预测研究[J].计算机工程与应用, 2016, 52(23):236-243. doi: 10.3778/j.issn.1002-8331.1606-0203 LI W H, CHEN H, GUO K, et al.Research on electrical load prediction based on random forest algorithm[J].Computer Engineering and Applications, 2016, 52(23):236-243. doi: 10.3778/j.issn.1002-8331.1606-0203
[23] 郭颖婕, 刘晓燕, 郭茂祖, 等.植物抗性基因识别中的随机森林分类方法[J].计算科学与探索, 2012, 6(1):67-77. http://d.old.wanfangdata.com.cn/Periodical/jsjkxyts201201005 GUO Y J, LIU X Y, GUO M Z, et al.Identification of plant resistance gene with random forest[J].Journal of Frontiers of Computer Science and Technology, 2012, 6(1):67-77. http://d.old.wanfangdata.com.cn/Periodical/jsjkxyts201201005
-
期刊类型引用(3)
1. 张露月,刘艳红,韩冬青. 连香树雌雄株生长及适应性策略差异. 北京林业大学学报. 2024(12): 71-81 . 本站查看
2. 亢红伟,岳康杰,刘慧欣,王佳丽,田旭平. 性别和叶形对圆柏气体交换参数和叶绿素荧光特征的影响. 植物科学学报. 2024(06): 791-799 . 百度学术
3. 孙晓伟,王兴昌,孙慧珍,全先奎,杨青杰. 雌雄异株树种山杨、水曲柳和东北红豆杉光合特性对比. 南京林业大学学报(自然科学版). 2023(01): 129-135 . 百度学术
其他类型引用(5)