三种森林生物量估测模型的比较分析

森林生物量的定量估算为全球碳储量、碳循环研究提供了重要的参考依据。该研究采用黑龙江长白山地区的TM影像和133块森林资源一类清查样地的数据, 选取地学参数、遥感反演参数等71个自变量分别构建多元逐步回归模型、传统BP (back propagation)神经网络模型和基于高斯误差函数的BP神经网络改进模型(Gaussian error function, Erf-BP), 进而估算该地区的森林生物量, 并进行比较分析。结果表明, 多元逐步回归模型估测的森林生物量预测精度为75%, 均方根误差为26.87 t·m^-2; 传统BP神经网络模型估测森林生物量的预测精度为80.92%, 均方根误差为21.44 t·m^-2; Erf-BP估测森林生物量的预测精度为82.22%, 均方根误差为20.83 t·m^-2。可见, 改进后的Erf-BP能更好地模拟生物量与各个因子之间的关系, 估算精度更高。     

协同ICESat/GLAS和MISR数据估算小兴安岭地区森林地上生物量

大光斑激光雷达ICESat/GLAS波形数据包含大量的地物垂直结构信息,如森林垂直断面、地形等。这些信息与森林地上生物量具有很强的相关性。本研究在雷达波形数据处理的基础上,提取波形参数,分别用线性逐步回归模型和Erf-BP神经网络模型建立波形参数与森林地上生物量的关系式。使用Erf-BP神经网络模型计算研究区域内GLAS光斑点的生物量,协同多角度光学遥感数据MISR应用随机森林机器学习方法构建从点到面的空间尺度生物量扩展模型,最后用样地数据对模型反演的生物量结果进行检验。研究结果表明Erf-BP神经网络模型预测能力(P=0.965,RMSE=3.81 t·ha-1)优于线性逐步回归模型(P=0.86,RMSE=4.54 t·ha-1);空间尺度扩展模型预测精度P=0.81,RMSE=2.39 t·ha-1,反演的森林地上生物量估计值范围在0~144.4 t·ha-1,平均地上生物量估计值为59.28 t·ha-1,用样地数据检验模型的反演结果(R2=0.72,RMSE=8.98 t·ha-1),估计值与实际值较为接近。研究实现使用少量实测数据获取大尺度、高精度森林地上生物量的目的,为森林资源调查、生态研究及碳循环研究提供基础。     

湿地翅碱蓬生物量遥感估算模型

以黄河三角洲HJ-1A CCD遥感数据和滨海湿地翅碱蓬生物量实测数据为数据源,通过对比分析参数回归模型（单变量线性和非线性回归模型,多元线性逐步回归模型）和人工神经网络模型（BP网络、RBF网络、GRNN网络）,构建黄河三角洲湿地翅碱蓬生长初期的生物量湿重遥感估算最优模型。研究表明：基于遥感信息变量能够建立生长初期翅碱蓬生物量湿重估算模型。尽管基于RDVI、MSAVI和PC2的3个变量的多元线性回归模型的拟合效果较优,但是以SAVI、MSAVI、RVI、DVI、RDVI和PC2等7个遥感信息变量构建的BP神经网络模型的精度更高,平均相对误差为12.73%,估算效果最优,能够满足较高精度的生物量湿重估算需求。翅碱蓬生长初期生物量湿重最优估算模型的建立,为滨海地区植被生物量监测、区域翅碱蓬生物量季节动态模拟以及黄河三角洲生态系统功能评价提供技术支持与基础。     

天然草地植被覆盖度的高光谱遥感估算模型

利用ASD FieldSpec Pro FR^TM光谱仪,对内蒙古自治区锡林郭勒盟的天然草地进行高光谱遥感地面观测,并计算天然草地植被覆盖度;选择25个高光谱特征变量与天然草地植被覆盖度进行相关性分析.结果表明,共有17个变量通过极显著性检验,尤以红边波长范围内一阶微分波段值总和(SDr)的相关系数0.781为最高在此基础上将观测数据分成两组:一组观测数据作为训练样本(n=49),运用单变量线性、非线性和逐步回归方法,建立植被覆盖度高光谱遥感估算模型;另一组观测数据作为检验样本(n=32),进行精度检验分析结果显示,采用逐步回归分析方法,运用冠层原始反射率数据估算草地植被覆盖度的效果并不理想;而以红边波长范围内一阶微分波段值的总和(SDr)为变量的线性回归方程是最佳估算模型,模型标准差为10.4%,估算精度为83.99%.     

基于微波遥感技术探测森林地表土壤含水率

森林地表土壤含水率是森林生态系统中的重要参数,使用微波遥感技术快速准确地估算区域尺度上的森林地表土壤含水率,对于森林生态系统研究具有重要的现实意义.本文利用TDR-300土壤含水率速测仪测得黑龙江大兴安岭地区塔河林业局盘古林场内120块样地的森林地表土壤含水率作为因变量,利用C波段全极化SAR数据的极化分解参数作为自变量,构造多元线性回归统计模型和BP神经网络模型,定量估测森林地表土壤含水率,通过模型反演获得区域尺度上森林地表土壤含水率的空间分布.结果表明: 多元线性回归统计模型的精度为86.0%,均方差根误差(RMSE)为3.0%;BP神经网络模型的精度为89.4%,RMSE为2.7%.说明利用BP神经网络模型定量估测森林地表土壤含水率优于多元线性回归模型,将全极化SAR数据通过BP神经网络模型进行仿真,最终得到研究区域的森林地表土壤含水率空间分布图.     

基于BP人工神经网络方法的广西稻飞虱发生等级预测

利用广西45个农业病虫测报站1988—2012年稻飞虱发生等级及1987—2012年气象要素、大气环流特征量等资料,采用模糊聚类分析、BP人工神经网络等方法,将广西早稻稻飞虱发生等级分为桂东、桂西南和桂西北3个区域,分别对各区域稻飞虱发生等级进行预测。结果表明:各区域稻飞虱发生等级与气象要素及大气环流密切相关,冬春季气温高、雨日多、湿度大、光照少等因素均利于稻飞虱发生,副热带高压、印缅槽和西南气流等均对稻飞虱发生等级有影响;各区域稻飞虱发生等级序列从冬春季气象要素、大气环流特征量中选择初选预测因子,对初选预测因子作EOF展开构造综合预测因子,分区建立预测模型并进行交叉检验表明,3个区域的人工神经网络模型平均拟合绝对误差比逐步回归模型分别小0.07、0.1和0.02,2011、2012年独立样本预测试验表明,人工神经网络模型和逐步回归模型的实际预测绝对误差为0.42和0.5,可见稻飞虱发生等级的BP人工神经网络预测模型比传统逐步回归模型有更好的拟合和预测效果,为稻飞虱与气象要素之间的非线性关系研究开拓新的思路。     

基于投影寻踪理论的稻飞虱发生程度预测模型

稻飞虱发生程度与相关气候因子的数据大多具有高维非正态、非线性特征,采用统计预测法会出现预测效果的不稳定,采用人工神经网络预测模型需要较多的训练样本.投影寻踪模型把高维数据投影到低维子空间上,对数据结构进行分析,一定程度上解决了非线性、非正态问题.本文建立了浙江省新昌县单季晚稻稻飞虱主害代发生程度的投影寻踪预测模型,并与BP神经网络模型、线性回归模型的预测结果进行了对比.结果表明:投影寻踪模型优于BP神经网络模型、线性回归模型;投影寻踪模型的历史符合率和预测准确率均为100%;BP神经网络模型历史符合率达到100%,但预测偏差较大;线性回归模型历史符合率和预测偏差均较大.可见,投影寻踪模型在稻飞虱发生程度的预测上具有较好的应用前景.     

林地叶面积指数遥感估算方法适用分析

叶面积指数是与森林冠层能量和CO2交换密切相关的一个重要植被结构参数,为了探讨估算林地叶面积指数LAI的遥感适用方法和提高精度的途径,利用TRAC仪器测定北京城区森林样地的LAI,从Landsat TM遥感图像计算NDVI、SR、RSR、SAVI植被指数,分别建立估算LAI的单植被指数统计模型、多植被指数组合的改进BP神经网络,获取最有效描述LAI与植被指数非线性关系的方法并应用到TM图像估算北京城区LAI。结果表明,单植被指数非线性统计模型估算LAI的精度高于线性统计模型;多植被指数组合神经网络中,以NDVI、RSR、SAVI组合估算LAI的精度最高,估算值与观测值线性回归方程的R2最高,为0.827,而RMSE最低,为0.189,神经网络解决了多植被指数组合统计模型非线性回归方程的系数较多、较难确定的问题,可较为有效的应用于遥感图像林地LAI的估算。     

基于MODIS时间序列反射率数据的雷竹林LAI反演

本文以雷竹林为研究对象,基于MODIS地表反射率数据构建了归一化植被指数(NDVI)、比值植被指数(SR)、Gitelson绿色植被指数(GI)、增强型植被指数(EVI)和土壤调整植被指数(SAVI)5种植被指数,并将其与MODIS 7个波段原始反射率数据作为遥感变量,采用逐步回归和相关分析两种方法进行变量筛选,结合LAI实测数据构建了逐步回归和BP神经网络两种模型,对雷竹林生态系统观测站点2014年1月-2017年3月LAI时间系列数据进行反演,并将反演结果与同时期MOD15A2 LAI产品进行对比分析.结果表明: SR为唯一入选逐步回归模型的变量;b₁、b₂、b₃和b₇以及5种植被指数与LAI之间的相关性均达到显著水平,可作为BP神经网络模型的输入变量.使用BP神经网络反演得到的LAI与实测LAI之间的相关性显著,R²为0.71,RMSE为0.34,RMSE_r为13.6%,其R²比逐步回归模型提高了10.9%,RMSE降低了5.6%,RMSE_r降低了12.3%,与MODIS LAI相比,其R²提高了54.5%,RMSE降低了79.3%,RMSE_r降低了79.1%.结合MODIS时间序列反射率和BP神经网络模型能够精确地反演雷竹林LAI,为实现基于遥感技术快速监测区域雷竹林LAI提供可行的方法.     

天山雪岭云杉林生物量估测及空间格局分析

雪岭云杉林是新疆天山山脉重要的水源涵养林,精确估算雪岭云杉林生物量及准确表征空间格局特征对其生态系统的生物生产力和生态服务功能的评估具有重要作用。结合Landsat 8 OLI遥感数据和66块天山雪岭云杉林样地调查数据,选择包括各波段灰度值、不同波段灰度值之间的线性和非线性组合(包括5种植被指数)以及环境因子在内的42个自变量,分别采用多元逐步回归分析法、偏最小二乘法和主成分分析法建立天山雪岭云杉林生物量估测模型。结果表明:多元逐步回归法采用3个自变量所建模型平均拟合精度为69.07%,绝对误差为64.50 t/hm~2,平均相对误差为10.89%,样地生物量实测值与预测值相关系数为0.465;偏最小二乘回归法采用11个自变量所建模型平均拟合精度为74.36%,绝对误差为144.94 t/hm~2,平均相对误差为28.78%,相关系数为0.717;主成分分析方法提取3个主成分,所建模型平均拟合精度为71.22%,相关系数为0.730;因此偏最小二乘法要优于主成分分析法和多元逐步回归法。天山雪岭云杉林生物量随经纬度的增加而降低,整体呈现西部高,中东部低的趋势;随海拔的升高呈"单峰"型变化;样地生物量主要分布在山脊位置,随坡度的增加呈先降低后升高,然后再下降的趋势;随着阴坡-阳坡的坡向变化,样地生物量逐渐降低。     

毛竹SWEET基因家族的全基因组鉴定与分析

糖外排转运蛋白(Sugars will eventually be exported transporters, SWEETs)在植物生理活动和发育过程中起重要作用。为探究SWEET基因家族在毛竹(Phyllostachys edulis)的生长发育过程中起的作用,基于毛竹基因组数据,通过生物信息学方法对SWEET基因家族成员进行鉴定,并对其编码的蛋白质理化性质、系统进化及共线性关系、基因结构、启动子元件及表达模式、蛋白互作网路分析、GO注释等进行细致分析。研究结果表明:该家族基因结构、基序和结构域相对保守,所有成员均含有MtN3_slv结构域。上游启动子序列中含有多个同非生物胁迫以及生长发育相关元件,结合转录组表达量分析显示,多个家族成员在毛竹不同组织器官均有表达。共线性分析揭示毛竹SWEET家族在演化过程中存在全基因组多倍化事件。蛋白互作网路分析挖掘出2个重要核心家族成员,GO注释分析进一步证实毛竹SWEET主要负责体内糖类物质的转运。以上结果为毛竹SWEET基因功能鉴定提供了重要参考,对于毛竹快速生长分子机制研究打下了基础。     

Does the interpolation accuracy of species distribution models come at the expense of transferability?

Model transferability (extrapolative accuracy) is one important feature in species distribution models, required in several ecological and conservation biological applications. This study uses 10 modelling techniques and nationwide data on both (1) species distribution of birds, butterflies, and plants and (2) climate and land cover in Finland to investigate whether good interpolative prediction accuracy for models comes at the expense of transferability – i.e. markedly worse performance in new areas. Models’ interpolation and extrapolation performance was primarily assessed using AUC (the area under the curve of a receiver characteristic plot) and Kappa statistics, with supplementary comparisons examining model sensitivity and specificity values. Our AUC and Kappa results show that extrapolation to new areas is a greater challenge for all included modelling techniques than simple filling of gaps in a well‐sampled area, but there are also differences among the techniques in the degree of transferability. Among the machine‐learning modelling techniques, MAXENT, generalized boosting methods (GBM), and artificial neural networks (ANN) showed good transferability while the performance of GARP and random forest (RF) decreased notably in extrapolation. Among the regression‐based methods, generalized additive models (GAM) and generalized linear models (GLM) showed good transferability. A desirable combination of good prediction accuracy and good transferability was evident for three modelling techniques: MAXENT, GBM, and GAM. However, examination of model sensitivity and specificity revealed that model types may differ in their tendencies to either increased over‐prediction of presences or absences in extrapolation, and some of the methods show contrasting changes in sensitivity vs specificity (e.g. ANN and GARP). Among the three species groups, the best transferability was seen with birds, followed closely by butterflies, whereas reliable extrapolation for plant species distribution models appears to be a major challenge at least at this scale. Overall, detailed knowledge of the behaviour of different techniques in various study settings and with different species groups is of utmost importance in predictive modelling.     

毛竹花粉的形态及双受精过程研究

由于实验的材料、条件和技术的限制,关于竹类花粉形态、花粉管生长过程的研究十分少见。毛竹( Phyllostachys edulis)属于禾本科( Poaceae/Gramineae)竹亚科( Bambusoideae)植物,在我国广泛分布,具有重要的经济、生态和文化价值。由于其独特的生殖生物学特性,即开花周期长、结籽率低,所以对其开花材料的获取十分困难。该研究在其独特的开花特性基础上,结合野外实地观察,利用显微镜、环境扫描电镜、荧光显微镜等,对毛竹的花粉形态、结构以及花粉管的萌发与生长动态进行了首次报道。结果表明：(1)毛竹花粉近球形,平均直径为61.00μm,属于大型孢子。(2)毛竹成熟花粉落到雌蕊柱头上后,经过花粉与柱头的成功识别,开始萌发,并形成花粉管;随着花粉管的逐渐伸长生长,依次经过柱头和花柱,到达子房;约120 min后到达珠孔处,进入胚珠和胚囊,完成双受精作用。通过对毛竹花粉形态结构和花粉管生长至受精过程的动态观察,为毛竹花粉可授性、花粉生理、生化研究提供了实验技术准备。该研究结果完善和丰富了毛竹乃至整个禾本科植物在生殖生物学方面的研究内容。