大兴安岭塔河地区林火发生的优势预测模型选择

选取在经济学和社会科学领域广泛应用的零膨胀模型(zero-inflated models)和栅栏模型(Hurdle models)对大兴安岭地区林火发生进行模拟,应用赤池准则(AIC)、似然比检验(LR)和模型残差平方和(SSR)对两类共4个回归模型——零膨胀泊松模型(ZIP)、零膨胀负二项模型(ZINB)、栅栏泊松模型(PH)、栅栏负二项模型(NBH)进行拟合分析,最终选取适合此林火发生特性的预测模型.模型的AIC和SSR值表明,ZINB模型对当地林火数据的拟合度最高.运用LR检验对嵌套模型(ZINB与ZIP,NBH与PH)进行检验,结果显示: ZINB和NBH均优于各自的嵌入模型,说明负二项(NB)模型对数据结构中的过度离散现象可以很好地模拟和解释.根据研究区林火实际发生规律和两类不同模型的应用假设条件判断,零膨胀模型更适合塔河地区的林火特性.     

不同模型对拟合大兴安岭林火发生与气象因素关系的适用性

选用符合林火发生数据结构的Poisson和零膨胀Poisson(ZIP)模型对大兴安岭林区1980—2005年间林火发生与气象因素关系进行建模分析,并与普通最小二乘回归(ordinary least squares,OLS)方法的结果进行了对比分析.结果表明:OLS模型对研究区域林火发生与气象因素关系的拟合结果较差(R2=0.215);Poisson和ZIP模型的拟合效果较好,具有较好的火灾次数预测能力,且ZIP模型的预测能力高于Poisson模型.运用AIC和Vuong检验方法对Poisson和ZIP模型的拟合水平进行进一步检验,表明ZIP模型的数据拟合度优于Poisson模型.     

大兴安岭地区森林雷击火与闪电的关系

林火是森林生态系统的重要影响因子.随着全球气候变暖,林火,特别是雷击火有增多的趋势.本文对我国东北大兴安岭地区1966-2007年的林火数据及相应的闪电和气象资料进行分析.结果表明:1966-2007年,该地区雷击火的次数及其过火面积都呈显著增加趋势.影响雷击火的气象条件与研究时间尺度有关,年尺度的雷击火与降水显著相关,相关系数达-0.489;月尺度的雷击火则与气温显著相关,相关系数为0.18.雷击火与闪电的关系也与时间尺度有关,年尺度的雷击火与闪电关系不明显,受降水影响较大;月尺度的雷击火与闪电具有较好的相关性,且受降水的影响;日尺度的雷击火在降水量＞5 mm时与闪电关系不明显,但当降水量＜5 mm时,雷击火与闪电次数呈正相关.据此,发展了基于闪电定位仪数据的火险指数算法以及大兴安岭地区的森林雷击火预报模型.经2005-2007年雷击火验证,该模型的预报准确率＞80％.     

松栎林天然更新模拟与不确定性分析

森林天然更新的复杂性和不确定性是森林生态系统动态预测中的关键问题。本研究引入贝叶斯技术和全局敏感性分析,构建基于竞争、气候和地形3类因子的秦岭松栎林天然更新模型。备选模型形式以泊松(Poisson)模型、负二项(negative binomial,NB)模型、零膨胀泊松(zero-inflated Poisson,ZIP)模型和零膨胀负二项(zero-inflated negative binomial,ZINB)模型为基础。同时,根据模型参数传递的不确定性量化分析结果,阐释影响森林更新小概率事件的主导因子。结果表明: ZINB模型在油松和锐齿栎更新模拟中均优于其他模型。林分总断面积、光截留、坡位和生长季最低温是影响松栎林中油松天然更新的最关键因子;而林分总断面积、坡向与海拔的组合、年均温和最热季节降水量则是影响松栎林中锐齿栎天然更新的关键因子。油松更新模拟中,各类因子对模型输出的不确定性贡献率从小到大依次为: 竞争因子(25%)＜气候因子(29%)＜地形因子(46%);锐齿栎更新模拟中为: 气候因子(12%)＜竞争因子(24%)＜地形因子(64%)。油松天然更新数量对生长季最低温和最干季节降水量为正响应,对最干季节均温为负响应;锐齿栎天然更新数量对年均温、生长季最低温和最热季节降水量为正响应,对最干季节均温为负响应。基于贝叶斯技术的ZINB模型可以量化森林更新的影响因子,并解释参数传递的不确定性,是预测森林天然更新的有力工具。     

我国林火发生预测模型研究进展

通过文献回顾,总结了国内林火发生预测模型的研究现状,并从林火发生驱动因子、林火发生概率预测模型、林火发生频次预测模型和模型检验方法等方面进行归纳分析。得出以下结论: 1)气象、地形、植被、可燃物、人类活动等因素是影响林火发生及模型预测精度的主要驱动因子;2)林火发生概率模型中,地理加权逻辑斯蒂回归模型考虑了变量之间的空间相关性,Gompit回归模型适宜非对称结构的林火数据,随机森林模型不需要多重共线性检验,在避免过度拟合的同时提高了预测精度,是林火发生概率预测模型的优选方法之一;3)林火发生频次模型中,负二项回归模型更适合对过度离散数据进行模拟,零膨胀模型和栅栏模型可以处理林火数据中包含大量零值的问题;4)ROC检验、AIC检验、似然比检验和Wald检验方法是林火概率和频次模型的常用检验方法。林火发生预测模型研究仍是我国当前林火管理工作的重点,预测模型的选择需要依据不同地区林火数据特点。此外,构建林火预测模型时需要考虑更多的影响因素,以提高模型预测精度;未来,需要进一步探索其他数学模型在林火发生预测中的应用,不断提高林火发生预测模型的准确度。     

零膨胀模型在珍稀鱼类资源时空分布预测中的应用——以长江口刀鲚为例

物种分布模型在估计渔业资源栖息分布中已有广泛应用,但在珍稀鱼类资源的时空分布预测方面,数据零值过多的情况是模型选择时应考虑的重要问题,零膨胀模型是解决此类问题的有效手段。根据2009—2016年每个季度在长江口采集的刀鲚资源量与环境调查数据,运用零膨胀泊松(zero-inflated Poisson,ZIP)模型和零膨胀负二项(zero-inflated negative binomial,ZINB)模型建立了长江口刀鲚资源密度与水温等环境因子之间的关系,并运用最优模型对2017年各季节长江口刀鲚资源密度分布进行预测。结果表明:在零膨胀模型结果的第一部分,水温对刀鲚资源密度非零值的发生有显著正向影响;零膨胀模型结果的第二部分显示,经度与刀鲚资源密度的大小呈显著负相关,水温对刀鲚资源密度的大小有显著正向影响;相比最优ZIP模型,最优ZINB模型对数据拟合较好,并具有较好的预测能力;最优模型显示,刀鲚资源密度的预测值在空间上呈现自西向东逐渐减小的趋势,预测结果与实际观测值存在空间分布的一致性;在时间上呈现夏季春季秋季冬季的分布格局,这与水温的季节变化趋势一致。本研究将两种零膨胀模型应用于珍稀鱼类的时空分布预测,可为珍稀鱼类资源与环境之间的关系及其时空分布的研究提供参考。     

大兴安岭塔河地区雷击火发生驱动因子综合分析

森林火灾是一个全球性问题,对森林资源和温室气体排放有重要影响,并严重影响人们生命财产安全。林火主要分为人为火(人为活动引起)和雷击火(雷电引起)两大类。在我国北方针叶林带,雷击火主要集中在黑龙江大兴安岭和内蒙古呼伦贝尔盟地区。大兴安岭塔河地区位于我国北方针叶林带,是森林火灾的重灾区。其中雷击火所占比例大约1/3以上。目前针对当地雷击火与影响因子的研究主要集中于气象因子,非气象因子(森林可燃物和地形特征)的研究受数据条件和技术手段限制研究报道较少。研究数据包含三部分,林火数据,气象数据和地理植被数据。林火数据包含1974—2009年间林火发生经纬度坐标,时间和面积等。气象数据主要包括每日尺度的最低气温,最高气温,平均风速,平均相对湿度等因子。根据加拿大火险天气指标系统计算出了出了细小可燃物湿度码(FFMC),干燥可燃物湿度码(DMC)和干旱码(DC)也没用于本研究。此外,基于1∶10万塔河地区数字化林相图提取了海拔、坡度、坡向、森林类型、优势树种、龄级等因子用于决策因子分析。研究数据分析过程主要应用Arc GIS10.0中的空间分析工具和SPSS19.0的逻辑斯蒂回归模型完成。研究结果显示"日最低气温","最大风速"和"最小相对湿度"3个气象因子及火险天气指标系统(FWI)中细小可燃物湿度码(FFMC)干旱码(DC)与雷击火发生概率显著相关(P0.05),模型整体拟合水平R2(CoxSnell)=0.326。在非气象因子与雷击火发生的逻辑斯蒂模型检验中,"地被物盖度"和"龄级"均在P=0.05水平上与雷击火发生显著相关,其模型的整体拟合水平R2(CoxSnell)为0.15。研究结论表明在分析雷击火发生的决策因子时,应该综合考虑气象、可燃物和林分因素。     

混合效应模型在林火发生预测中的适用性

林火是森林生态系统的重要影响因子,建立科学准确的林火预测预报模型对林火管理工作至关重要。本研究以不同气象因子为主要预测变量,基于Logistic回归和广义线性混合效应模型建立福建省林火发生预测模型,通过对比Logistic基础模型和广义线性混合效应模型的拟合度和预测精度,研究混合效应模型在林火预报中的适用性。结果表明: Logistic基础模型的受试者工作特征曲线下面积(AUC)值为0.664,验证准确率为60.4%。添加随机效应后,模型的拟合和检验精度均获得了提升。其中,考虑行政区划和海拔差异效应的两水平混合效应模型的表现最优,其AUC值和验证准确率分别比基础模型提升0.057和6.0%。用此混合效应模型对福建省各地区的林火发生概率进行预测的结果表明,福建省西北部和南部为林火中高发区域,西南部和东部为林火低发区域,与实际观测的火点分布一致。混合效应模型在数据拟合和林火发生预测方面均优于Logistic基础模型,可作为林火预测和管理的重要工具。     

基于MAXENT模型的黑龙江大兴安岭森林雷击火火险预测

黑龙江大兴安岭是森林雷击火的高发地区,急需研发精确的火险预测模型对该区森林火灾进行预测.本文基于大兴安岭地区森林雷击火灾数据及环境变量数据,采用MAXENT模型进行森林雷击火的火险预测.首先对各环境变量进行共线性诊断,再利用累积正则化增益法和Jackknife方法评价了环境变量的重要性,最后采用最大Kappa值和AUC值检测了MAXENT模型的预测精度.结果表明: 闪电能量和中和电荷量的方差膨胀因子（VIF）值分别为5.012和6.230,与其他变量之间存在共线性,不能用于模型训练.日降雨量、云地闪电数量及云地闪回击电流强度是影响森林雷击火发生的3个最重要因素,日平均风速和坡向的影响较小.随着建模数据比例的增加,最大Kappa值和AUC值均有增大趋势.最大Kappa值都大于0.75,平均值为0.772; AUC值都大于0.5,平均值为0.859.MAXENT模型的预测精度达到中等精度,可应用于大兴安岭地区的森林雷击火火险预测.     

昆虫种群密度的二项抽样估计模型研究进展

昆虫种群密度的二项抽样估计模型主要有两类,一类是根据空间分布型理论演绎而来,另一类是根据样方中有虫样方比例或不大于某一阈值密度T头的样方比例与平均密度的经验关系拟合的．本文综述了这两类模型、模型的变异分析、模型的理论抽样数估计等方面的研究进展．     

A comparison of different ways of including baseline counts in negative binomial models for data from falls prevention trials

A common design for a falls prevention trial is to assess falling at baseline, randomize participants into an intervention or control group, and ask them to record the number of falls they experience during a follow‐up period of time. This paper addresses how best to include the baseline count in the analysis of the follow‐up count of falls in negative binomial (NB) regression. We examine the performance of various approaches in simulated datasets where both counts are generated from a mixed Poisson distribution with shared random subject effect. Including the baseline count after log‐transformation as a regressor in NB regression (NB‐logged) or as an offset (NB‐offset) resulted in greater power than including the untransformed baseline count (NB‐unlogged). Cook and Wei's conditional negative binomial (CNB) model replicates the underlying process generating the data. In our motivating dataset, a statistically significant intervention effect resulted from the NB‐logged, NB‐offset, and CNB models, but not from NB‐unlogged, and large, outlying baseline counts were overly influential in NB‐unlogged but not in NB‐logged. We conclude that there is little to lose by including the log‐transformed baseline count in standard NB regression compared to CNB for moderate to larger sized datasets.     

Modeling Forest Fire Occurrences Using Count-Data Mixed Models in Qiannan Autonomous Prefecture of Guizhou Province in China

Forest fires can cause catastrophic damage on natural resources. In the meantime, it can also bring serious economic and social impacts. Meteorological factors play a critical role in establishing conditions favorable for a forest fire. Effective prediction of forest fire occurrences could prevent or minimize losses. This paper uses count data models to analyze fire occurrence data which is likely to be dispersed and frequently contain an excess of zero counts (no fire occurrence). Such data have commonly been analyzed using count data models such as a Poisson model, negative binomial model (NB), zero-inflated models, and hurdle models. Data we used in this paper is collected from Qiannan autonomous prefecture of Guizhou province in China. Using the fire occurrence data from January to April (spring fire season) for the years 1996 through 2007, we introduced random effects to the count data models. In this study, the results indicated that the prediction achieved through NB model provided a more compelling and credible inferential basis for fitting actual forest fire occurrence, and mixed-effects model performed better than corresponding fixed-effects model in forest fire forecasting. Besides, among all meteorological factors, we found that relative humidity and wind speed is highly correlated with fire occurrence.     

Estimating negative binomial parameters from occurrence data with detection times

The negative binomial distribution is a common model for the analysis of count data in biology and ecology. In many applications, we may not observe the complete frequency count in a quadrat but only that a species occurred in the quadrat. If only occurrence data are available then the two parameters of the negative binomial distribution, the aggregation index and the mean, are not identifiable. This can be overcome by data augmentation or through modeling the dependence between quadrat occupancies. Here, we propose to record the (first) detection time while collecting occurrence data in a quadrat. We show that under what we call proportionate sampling, where the time to survey a region is proportional to the area of the region, that both negative binomial parameters are estimable. When the mean parameter is larger than two, our proposed approach is more efficient than the data augmentation method developed by Solow and Smith ( 2010 , Am. Nat. 176 , 96–98), and in general is cheaper to conduct. We also investigate the effect of misidentification when collecting negative binomially distributed data, and conclude that, in general, the effect can be simply adjusted for provided that the mean and variance of misidentification probabilities are known. The results are demonstrated in a simulation study and illustrated in several real examples.     

Testing approaches for overdispersion in poisson regression versus the generalized poisson model

Overdispersion is a common phenomenon in Poisson modeling, and the negative binomial (NB) model is frequently used to account for overdispersion. Testing approaches (Wald test, likelihood ratio test (LRT), and score test) for overdispersion in the Poisson regression versus the NB model are available. Because the generalized Poisson (GP) model is similar to the NB model, we consider the former as an alternate model for overdispersed count data. The score test has an advantage over the LRT and the Wald test in that the score test only requires that the parameter of interest be estimated under the null hypothesis. This paper proposes a score test for overdispersion based on the GP model and compares the power of the test with the LRT and Wald tests. A simulation study indicates the score test based on asymptotic standard Normal distribution is more appropriate in practical application for higher empirical power, however, it underestimates the nominal significance level, especially in small sample situations, and examples illustrate the results of comparing the candidate tests between the Poisson and GP models. A bootstrap test is also proposed to adjust the underestimation of nominal level in the score statistic when the sample size is small. The simulation study indicates the bootstrap test has significance level closer to nominal size and has uniformly greater power than the score test based on asymptotic standard Normal distribution. From a practical perspective, we suggest that, if the score test gives even a weak indication that the Poisson model is inappropriate, say at the 0.10 significance level, we advise the more accurate bootstrap procedure as a better test for comparing whether the GP model is more appropriate than Poisson model. Finally, the Vuong test is illustrated to choose between GP and NB2 models for the same dataset.     

黑龙江省红松人工林枝条分布数量模拟

基于黑龙江省佳木斯市孟家岗林场的12块样地65株人工红松解析木的955个枝解析数据,以Poisson回归模型和负二项回归模型作为备选模型,构建了人工红松二级枝条数量分布模型,并采用AIC、Pseudo-R²、均方根误差(RMSE)和Vuong检验对模型的拟合优度进行比较.结果表明: 每轮一级枝条分布数量集中在3~5个,均值为4个,一级枝条分布数量与人工红松自身的枝条属性相关.一级标准枝上二级枝条分布的离散程度较大,利用全部子回归技术构建二级枝条分布数量模型,最终选择以负二项回归模型为基础的E(Y)=exp(β₀+β₁lnRDINC+β₂RDINC²+β₃HT/DBH+β₄CL+β₅DBH)作为二级枝条分布数量最优预测模型(β为参数;RDINC为相对着枝深度;HT为树高;DBH为胸径;CL为冠长).最优模型的Pseudo-R²为0.79,平均偏差接近于0,平均绝对偏差<7.对于所建立的模型,lnRDINC、CL和DBH的参数为正值,RDINC²和HT/DBH的为负值,随着RDINC增大,在树冠内二级枝条分布数量存在最大值.总的来说,所建立的人工红松二级枝条分布数量模型的预测精度为96.4%,可以很好地预估该研究区域人工红松二级枝条分布数量,为以后枝条的光合作用和生物量的研究提供了理论基础.     

吉林蛟河阔叶红松林物种多度分布模型研究

以吉林蛟河阔叶红松林的木本植物为研究对象,将30hm²的样地面积划分为5m×5m,10m×10m,20m×20m,25m×25m的连续取样单元,在4个不同尺度下分别统计各物种在每个取样单元中的有无,得到每个物种在不同尺度下的取样单元数。利用随机分布模型和负二项分布模型分析物种的多度分布,对比预测多度与观测多度讨论两个模型的科学性与实用性。结果表明：对于阔叶红松林而言,负二项分布模型在所有研究尺度上的预测精度都要优于随机分布模型。随机分布和负二项分布的模型预测误差随着研究尺度的增大而增大,因此选取较小的取样单元可以切实提高物种多度的预测精度。利用随机分布和负二项分布模型对多度较小的物种进行预测的效果要优于多度较大的物种。负二项分布模型适合用来模拟阔叶红松林的物种多度分布格局,并且模型的拟合效果受取样单元大小影响。