基于随机森林的长白落叶松树干液流影响因素研究

doi:10.3969 /j. issn. 2096-4900. 2022. 03.005

温带林业研究

2022, Vol. 5

Issue (3): 21-28 DOI: 10.3969 /j. issn. 2096-4900. 2022. 03.005

研究论文

本期目录 | 过刊浏览 | 高级检索

基于随机森林的长白落叶松树干液流影响因素研究

张延文¹，王子瑄²，孙志虎²，黄建平^1*

1. 东北林业大学机电工程学院，哈尔滨 150040；2. 东北林业大学林学院，哈尔滨 150040

Recognition of Dominant Factors behind Sap Flow of Larix olgensis Based on Random Forest Method

ZHANG Yan-wen¹， WANG Zi-xuan²， SUN Zhi-hu²， HUANG Jian-ping^1*

1. College of Mechanical and Electrical Engineering，Northeast Forestry University，Harbin 150040，China；2. College of Forestry，Northeast Forestry University，Harbin 150040，China

摘要
图/表
参考文献
相关文章 (1)

全文: PDF (1570 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要【目的】研究植物树干液流密度的变化及其对环境因子的响应对理解植物蒸腾作用、植物生理生化特性和植物耗水规律具有重要意义。目前基于皮尔逊相关系数的树干液流主导因素分析方法无法准确描述液流密度与环境因子间非线性关系，本研究为树干液流密度主导因子分析以及树干液流密度预测提供新的技术手段。【方法】本文提出基于随机森林的树干液流主导因子分析方法，以黑龙江省佳木斯市孟家岗林场长白落叶松为实验对象，利用 Grainer 探针和气象因子观测站监测长白落叶松树干液流密度及环境因子；构建基于随机森林的树干液流主导因子分析模型，通过滞后曲线分析环境因子与树干液流的时滞效应，采用反向传播神经网络搭建树干液流预测模型进行实验验证，对比分析不同主导因子分析方法及时滞效应对液流预测的影响。【结果】（1）采用随机森林主导因子作为输入变量，长白落叶松树干液流预测精度为 0.904，高于皮尔逊相关系数主导因子作为输入的预测精度。（2）在输入变量中引入时滞效应，能够有效提高预测精度。【结论】随机森林模型可以更好的分析树干液流密度的主导因子，利用随机森林分析结果并引入时滞效应能够有效提高树干液流密度的预测精度。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	张延文
	王子瑄
	孙志虎
	黄建平

关键词 ：长白落叶松, 随机森林, 树干液流密度, 主导因子

收稿日期: 2022-05-15

PACS:

S715.2

基金资助:黑龙江省自然科学基金（ TD2020C001）；中央高校基本科研业务费专项资助基金（2572019CP19）。

作者简介: 张延文（1998—），男，在读硕士研究生，主要研究方向：林业信号处理与分析。

引用本文:

张延文，王子瑄，孙志虎，黄建平. 基于随机森林的长白落叶松树干液流影响因素研究[J]. 温带林业研究, 2022, 5(3): 21-28.
ZHANG Yan-wen， WANG Zi-xuan， SUN Zhi-hu， HUANG Jian-ping. Recognition of Dominant Factors behind Sap Flow of Larix olgensis Based on Random Forest Method. 温带林业研究, 2022, 5(3): 21-28.

链接本文:

http://www.wdlyyj.cn/CN/10.3969 /j. issn. 2096-4900. 2022. 03.005 或 http://www.wdlyyj.cn/CN/Y2022/V5/I3/21

[1] Wullschleger S D，Meinzer F C，Vertessy R A. A review of whole-plant water use studies in tree[J]. Tree Physiology，1998（8-9）：499-512.
[2] 周焘，王传宽，周正虎，等. 抚育间伐对长白落叶松人工林土壤碳、氮及其组分的影响[J]. 应用生态学报，2019，30（5）：1651-1658.
[3] 王华，赵平，蔡锡安，等. 马占相思树干液流与光合有效辐射和水汽压亏缺间的时滞效应[J]. 应用生态学报，2008（2）：225-230.
[4] Du S，Wang Y-L，Kume T，etal. Sapflow characteristics and climatic responses in three forest species in the semiarid Loess Plateau region of China[J]. Agricultural and Forest Meteorology，2011，151（1）：1-10.
[5] 王华田. 北京市水源保护林区主要树种耗水性研究[D]. 北京：北京林业大学，2002.
[6] 任启文，毕君，李联地，等. 冀北山地油松树干液流特征及其对环境因子的响应[J]. 水土保持学报，2017，31（5）：183-188.
[7] 王玥，鄢春华，邱国玉. 土壤温度对油松树干液流启动与停止的影响[J]. 北京大学学报：自然科学版，2019，55（3）：580-586.
[8] 黄雅茹，马迎宾，辛智鸣，等. 柽柳不同季节树干液流特征及其与土壤含水量及土壤温度的关系[J]. 西北林学院学报，2021，36（5）：1-10.
[9] Tognetti R，Longobucco A，Miglietta F，etal. Transpiration and stomatal behaviour of Quercusilexplants during the summer in a Mediterranean carbon dioxide spring[J]. Plant，Cell & Environment，1998，21（6）：613-622.
[10] Li Y，Chen Q，He K，etal. The accuracy of sap flow prediction in PiceacrassifoliaKom. based on the back‐propagation neural network model is improved under two water conditions and time‐lag effects[J]. Hydrological Processes：e14490.
[11] 邵英男，田松岩，刘延坤，等. 密度调控对长白落叶松人工林土壤呼吸的影响[J]. 北京林业大学学报，2017，39（6）：51-59.
[12] Fan J，Zheng J，Wu L，etal. Estimation of daily maize transpiration using support vector machines，extreme gradient boosting，artificial and deep neural networks models [J]. Agricultural Water Management，2021，245：106547.
[13] Shrestha N，Shukla S. Support vector machine based modeling of evapotranspiration using hydro-climatic variables in a sub-tropical environment[J]. Agricultural and Forest Meteorology，2015，200：172-184.
[14] Chen Z，Sun S，Wang Y，etal. Temporal convolutionnetwork-based models for modeling maize evapotranspiration under mulched drip irrigation[J]. Computers and Electronics in Agriculture，2020，169：105206.