[目的]使用非线性回归、混合效应模型、分位数回归以及分位数组合构建兴安落叶松冠幅模型,为小兴安岭落叶松冠幅的准确预测提供参考.[方法]利用 2019年马永顺林场的 60 块兴安落叶松人工林实测样地数据,分别构建了广义非线性模型、分位数回归模型以及混合效应模型.使用 10 折交叉检验,在每块样地分别随机抽取 1～8 株样木对两种分位数组合模型QRc-1(τ = 0.1,0.5,0.9)和QRc-2(τ = 0.3,0.5,0.7),以及混合效应模型进行校正,确定分位数组合与混合效应模型的最佳抽样方案并进行不同方法的对比分析.[结果](1)模型拟合结果表明:混合效应模型拟合效果最好;中位数回归为最优的分位数回归模型,中位数回归与非线性模型的拟合统计量比较差异不大,但略优于非线性回归模型.(2)抽样校正的结果表明:当抽样数量大于 2株时,模型的排序为:分位数组合QRc-2＞混合效应模型＞分位数组合QRc-1.(3)交叉检验结果显著性检验表明:两种分位数组合的最佳抽样方案均为 4 株,混合效应模型的最佳抽样方案为 5株.[结论]本研究中混合效应模型和分位数组合都能提升冠幅模型的预测精度,在最佳抽样方案下,分位数组合QRc-2(τ = 0.3,0.5,0.7)时的检验统计量略高于混合效应模型的检验统计量,且抽样数更少,更加节约时间和成本,因此选择抽样数为4株的分位数组合QRc-2(τ = 0.3,0.5,0.7)作为最终的冠幅预测模型.
国家科技期刊平台
NSTL
万方数据
维普
