论文部分内容阅读
红松是我国重要的经济树种和生态树种,同时也是国家储备林树种,所以对于红松的研究很有必要。目前我们国家林业资源数据庞大,数据之间的联系也越来越紧密,利用现代科技方法对于传统林业数据进行分析挖掘势在必行。针对以上问题,本研究以红松(Pinus koraiensis)作为研究对象,利用一类和二类林业调查数据,获得红松分布点信息,同时结合气候、地形、土壤等环境数据,采用随机森林模型,对于红松进行全国范围内的潜在分布预测,绘制潜在分布范围结果示意图,同时对影响红松生长的重要环境因子进行分析。另外在辽宁省内,选择红松样本点,建立基于随机森林模型的红松适宜性评价研究体系,对省内红松进行适宜性评价研究,最后以抚顺市为试验区域,将利用随机森林模型得到的红松适生性和适应性结果与实际结果进行对比分析,并对两者进行模型的集成研究。主要研究内容如下:1.采用PRISM气候数据空间插值模型,结合DEM和台站数据,对气候数据进行插值,得到年均温、年最高温、年最低温和年均降水等多个气候因子;PRISM插值模型较常规插值方法,插值精度较高,可以更加准确地得到相关气象数据,为更加准确有效地评价森林立地质量奠定了基础。2.基于随机森林模型和DEM数据、Worldclim气候数据和HWSD土壤数据,利用在多种立地条件下获取的有红松分布数据和无红松分布数据,建立预测红松潜在分布的随机森林模型样本集,模型精度TSS为0.9574,AUC为0.9809,Kappa系数为0.9597,输入环境数据得到红松潜在分布图。在此基础上,计算各因子之间的相关系数,去除相关性较大的因子,重复之前的计算,得到TSS为0.976,AUC为0.9881,Kappa系数为0.9749,模型精度有所提高,进而得到更为精确与合理的红松潜在分布结果。使用偏相关函数得到环境因子变化曲线,分析具体影响机制。3.分别以流域和格网为筛选标准,得到不同筛选标准下红松样本点,结合气象、土壤和地形数据,利用随机森林模型分析两种数据下的模型精度,结果表明流域数据的建模精度更高,更适合建立辽宁省红松适宜性评价体系模型。计算得到五个最佳因子分别为Elevation(海拔),Bio4(温度季节变化标准差),Mean(年均温),Precip(年均降水量),Max(最高温),同时输出了辽宁省红松树种适宜性分布图,分析辽宁全省红松的适宜区域。4.选取辽宁省抚顺市作为红松潜在分布实际研究区域,对该研究区内的红松进行潜在分布预测研究,同时选取新宾满族自治县内一块区域进行适宜性评价的验证工作,在此基础上,对基于随机森林模型的红松适生性和适宜性结果进行集成研究,判断不同适宜性区间内所对应的适生性情况。红松适宜程度较高的地区和红松预测分布的地区具有较好的匹配程度,即高适宜区和较适宜区大部分的小班均落在了预测分布范围内,而低适宜区则大部分没有落在预测分布范围内。本研究所涉及的几点创新主要有:(1)为储备林树种的预测分布和适宜性评价提供了理论方法,构造了相关数据指标,同时提出了科学的工作流程;(2)引入随机森林模型,利用其在回归和分类中的高精度的特点,在不同尺寸下得到红松的适生性和适宜性的结果;(3)本文不仅考量了模型的建模精度,同时也与实际数据相对比,同步考察了模型的模拟结果与实际数据的匹配程度,更加合理地阐述模型的适用性。