-
桉树Eucalyptus栽培是广西林业生产发展中的优势产业[1]。作为短周期工业原料林首选的造林树种之一,桉树效益高、周期短,但生长受立地条件影响较大,规模栽培时需要进行适宜性研究。树种适宜性研究是当前开展适地适树、造林决策研究的热点[2]。王小明等[3]综合了气候、土壤、地形等环境因子建立Logistic回归模型用以确定香榧Torreya grandis‘Merrillii’适宜种植区域,模型检验数据集的总正确率达到了69.8%。KOO等[4]基于环境因子,建立物种分布模型和时间模拟模型研究云杉Picea rubens适生区,模型验证结果的曲线下面积(area under curve,AUC)达0.99。胡秀等[5]基于温度、降雨及海拔等环境因子,采用MaxEnt模型软件构建了檀香Sautalum album的适宜性预测模型,AUC值为0.98。高若楠等[6]选取立地因子,利用随机森林模型研究了杉木Cunninghamia lanceolata的适宜性,模型泛化精度达89.5%。PIRI-SAHRAGARD等[7]利用随机森林模型分别探讨了环境因子与白梭梭Haloxylon persicum等5种植物分布之间的关系,AUC值总体在0.95以上。相较于传统数学建模技术,物种分布模型和机器学习模型在构建树种适宜性评价模型时效果较好。目前,应用于树种适宜性研究的机器学习分类算法层出不穷,但通过对比分析多种不同的分类算法,从而进行树种适宜性评价的研究相对较少。本研究以广西桉树为对象,使用朴素贝叶斯(naive bayesian,NB)[8]、支持向量机(support vector machine,SVM)[9]、随机森林(random forest,RF)[10]等3种机器学习分类算法,探索立地因子与桉树适宜性之间的关系,开展树种适宜性研究,为桉树适宜性研究提供新思路,为科学造林提供支持。
-
研究区广西国有高峰林场(22°49′~23°15′N,108°08′~108°53′E)地处广西壮族自治区南宁市,属低丘陵山地地带,平均海拔为200~500 m。亚热带季风气候,年平均气温为20.8~21.9 ℃,年均相对湿度80%以上。海拔300 m以下的土壤绝大部分为赤红壤[11]。地理位置、气候和土壤条件均十分优越,有利于亚热带植物的规模化种植。
-
数据来源于广西高峰林场森林资源规划设计调查数据中的桉树小班数据,包括立地因子、林分平均年龄、优势木平均高。立地因子包括地貌类型、海拔、坡向、坡位、坡度、凋落物厚度、腐殖质层厚度、土层厚度、石砾含量、成土母质和土壤类型。地貌类型有低山、丘陵2种,坡向包括东、南、西、北、东北、东南、西北、西南、无坡向,坡位包括脊部、上坡、中坡、下坡、谷地、平地,成土母质包括砂岩、第四纪红土,土壤类型包括赤红壤、黄壤、红壤。整理数据,剔除缺失严重记录、异常数据,得到桉树小班数据1 883个。
-
朴素贝叶斯算法是一种基于概率论的机器学习分类算法[8]。针对桉树小班数据训练集D,类别集合为yj,y1代表适宜桉树生长,y2代表不适宜桉树生长,ai是待分类的小班,有a1,a2,…,a11共11个立地因子。统计在各类别下各立地因子的条件概率估计值,即估计第i个立地因子在第j个类别中出现的概率P(ai∣yj),根据特征独立性假设以及贝叶斯定理,桉树适宜性分类结果(hnb)可用朴素贝叶斯分类器表示为:
$$ h_\mathrm{nb}=\mathrm{arg} \max _{{y_{\rm j}}} P\left(y_{j} | x\right)=\arg \max _{y_{\rm j}} P\left(a_{{i}} | y_{j}\right) P\left(y_{j}\right)=\arg \max _{y_{\rm j}} P\left(y_{j}\right) \prod\limits_{i=1}^{\mathrm{11}} P\left(a_{i} | y_{j}\right)。 $$ (1) -
支持向量机是一种二分类机器学习算法[12]。在由立地因子构成的特征空间中寻找1个分类超平面对桉树小班数据训练样本进行归类(适宜或不适宜),分类超平面遵循间隔最大化原则。设有2类线性可分的样本集合(gi,hi),i=1,…,n;hi∈{+1,-1};线性判别函数表示为:
$$ f(g)=\omega x+b。 $$ (2) 式(2)中:ω为平面的法向量,b为截距。通过最大化间隔,得到最优分类面函数式(3)。对线性不可分的数据,也可以通过核函数将其映射到高维空间,使得样本线性可分。
$$ f(g)=\operatorname{sgn}\{(\omega g)+b\}=\operatorname{sgn}\left\{\sum\limits_{i-1}^{n} a^{*}_i h_{i}\left(g_{i} g\right)+b^{*}\right\}。 $$ (3) 式(3)中:ai*是不为零的样本,即支持向量,b*是分类阙值。
-
随机森林是一种集成机器学习算法[13]。采用Bootstrap重抽样法对桉树小班数据训练集D进行n次抽样,得到D1、D2、…、Dn共n个训练子集;各训练子集分别训练1棵决策树,组成随机森林。在单棵树的训练过程中,随机选出部分立地因子用以确定决策树的分割节点,得到n种结果;使用简单投票法,得到最多票数的类别或者类别之一为最终的桉树适宜性评价模型,输出结果见式(4)。
$$ H(x)=\arg \max _{Y} \sum\limits_{i-1}^{n} I\left[h_{i}(x)=Y\right]。 $$ (4) 式(4)中:H(x)为组合分类模型;hi(x)为单个决策树分类模型;Y为输出桉树适宜性的变量;I()为示性函数。
-
混淆矩阵(confusion matrix)也称误差矩阵(error matrix),是评价模型分类效果的常用的指标[14]。如表 1所示:混淆矩阵的每一列代表了桉树适宜性评价模型的预测类别,每一行代表该小班真实的归属类别,主对角线元素的总和为被正确分类的小班总数(N)。模型的精度(A,包括拟合精度和泛化精度)可用小班数与小班总数的比值来表示:
表 1 混淆矩阵
Table 1. Confusion matrix
实际类别 预测类别 适宜/个 不适宜/个 适宜 NTP NFN 不适宜 NFP NTN $$ A=\left(N_{\mathrm{TP}}+N_{\mathrm{TN}}\right) / N。 $$ (5) 式(5)中:NTP为正类预测为正类的小班数;NTN为负类预测为负类的小班数。分类误差率(classification error rate)为该类别预测错误的小班数与该类别小班总数的比值,包括模型对于桉树生长适宜性的分类误差率[式(6)]和不适宜性的分类误差率[式(7)]。精度、生长适宜性的分类误差率(ε1)和不适宜性的分类误差率(ε2)通常作为衡量桉树适宜性评价模型判定能力的指标[6]。
$$ \varepsilon_{1}=N_{\mathrm{FN}} /\left(N_{\mathrm{TP}}+N_{\mathrm{FN}}\right); $$ (6) $$ \varepsilon_{2}=N_{\mathrm{FP}} /\left(N_{\mathrm{FP}}+N_{\mathrm{TN}}\right)。 $$ (7) 式(6)和式(7)中:NFN为正类预测为负类的小班数;NFP为负类预测为正类的小班数。
-
树种适宜性评价标准最常用的是地位指数(site index,SI)[6],各小班地位指数可通过林分平均年龄和优势木平均高得到[15];地位指数小于平均值的小班判定为不适宜桉树生长,大于或等于平均值的判定为适宜桉树生长[6]。本研究的1 883个样本数据中,适宜桉树生长的样本有1 005个,不适宜的有878个,样本量存在一定的不平衡性。利用机器学习算法解决分类问题时,数据集不平衡会对模型效果造成影响,因此需要进行平衡化处理。在不损失原始样本的前提下,通过SMOTE算法[16]对样本构成做平衡化处理,共得到样本量3 512个,其中适宜桉树生长的样本1 756个,不适宜的1 756个;将实验数据按70%和30%的比例分为训练样本和测试样本,分别用于模型的训练和测试。
使用naiveBayes( )函数构建朴素贝叶斯模型、svm( )函数构建支持向量机模型、randomForest( )函数构建随机森林模型。3种模型的输入均为地貌类型、海拔、坡向、坡位、坡度、凋落物厚度、腐殖质层厚度、土层厚度、石砾含量、成土母质,土壤类型,输出均为桉树生长适宜性。利用模型评价指标对比不同模型,取最优模型确定为桉树适宜性评价模型并进行桉树生长适宜性预测。对给定立地因子的小班,将立地因子输入选取的模型,输出该小班适宜桉树生长的概率,判断该小班是否适宜桉树生长。进行立地因子重要性评估,分析立地因子对桉树生长的影响,得出适宜桉树生长的立地条件。桉树适宜性预测模型构建流程如图 1所示。
-
多次训练发现:朴素贝叶斯、支持向量机、随机森林算法构建的桉树适宜性评价模型误差变化均较稳定,混淆矩阵(表 2)拟合精度为63.18%、69.73%和78.03%,使用测试数据集对模型进行检验,混淆矩阵泛化精度分别为64.33%、67.93%和78.18%。与朴素贝叶斯、支持向量机算法相比,随机森林算法预测精度更高,可作为桉树适宜性评价的模型。
表 2 3种模型混淆矩阵
Table 2. Partial correlation coefficient and its significance test
模型名称 实际类别 拟合分析 预测分析 适宜/个 不适宜/个 分类误差率 拟合精度/% 预测适宜 预测不适宜 分类误差率 泛化精度/% 朴素贝叶 适宜 737 491 0.399 837 1 63.18 329 202 0.380 414 3 64.33 斯算法 不适宜 414 816 0.336 585 4 174 349 0.332 696 0 支持向量 适宜 752 476 0.387 622 1 69.73 334 197 0.370 998 1 67.93 机算法 不适宜 268 962 0.217 886 2 141 382 0.269 598 5 随机森林 适宜 911 317 0.258 143 3 78.03 402 129 0.242 937 9 78.18 算法 不适宜 223 1 007 0.181 300 8 101 422 0.193 116 6 -
利用随机森林算法构建桉树适宜性评价模型并对桉树进行生长适宜性预测,预测数据为广西桉树固定样地数据,各样地的地位指数可通过查阅地位指数表得到[15]。该数据中桉树的地位指数的平均值为15.09,将地位指数小于平均值的样地判定为不适宜桉树生长;将地位指数大于或等于平均值的样地判定为适宜桉树生长。随机选取5个样本进行模型验证,将立地因子输入模型,输出桉树适宜性概率及适宜性判断结果;通过与地位指数的比对(表 3)可知:本研究使用随机森林算法构建的桉树适宜性评价模型在实际中是可以使用的。
表 3 随机森林算法模型判断结果
Table 3. Predicted results of random forest models
序号 地貌类型 海拔/m 坡向 坡位 坡度/(°) 凋落物厚度/cm 腐殖质层厚度/cm 土层厚度/cm 石砾含量/% 成土母质 土壤类型 模型预测结果 地位指数 适宜性概率 结果 1 丘陵 295 无坡向 平地 2 3 5 95 10 - 红壤 0.851 7 适宜 22 2 低山 780 东北 上坡 10 1 3 80 0 - 红壤 0.098 3 不适宜 12 3 丘陵 90 北 下坡 25 5 5 100 8 - 赤红壤 0.082 1 不适宜 10 4 丘陵 195 东 中坡 28 2 8 100 5 - 赤红壤 0.951 7 适宜 26 5 低山 230 西南 脊 23 5 25 110 5 - 赤红壤 0.976 9 适宜 28 说明:“-”表示数据未获取 -
利用随机森林算法对立地因子进行重要性评估[10]。对某个立地因子j随机取值,通过评估桉树适宜性评价模型分类准确性下降的程度来评估j的重要性,分类准确性下降程度越大,说明j越为重要。计算方法如公式(8)所示:
$$ V_{j}=\sum\limits_{r=1}^{N_{\rm T}}\left(E^{j}_r-E_{r}\right)。 $$ (8) 式(8)中:Erj为j的值随机后的袋外(out of bag,OOB)误差,Er为j的值随机前的OOB误差,NT为分类树的数量。标准化处理后得到的平均准确度降低程度(mean decrease accuracy,MDA)可用来描述立地因子j的重要性。
对分类树节点作t分割,计算使用立地因子j前与使用后基尼指数的减小值(DGj),对所有节点的DGj求和后再对所有分类树NT取平均,得到平均基尼指数降低程度(mean decrease Gini,MDG)。MDG越大,立地因子j越重要。基尼指数Gini(t)的计算方法如公式(9)所示。
$$ \operatorname{Gini}(t)=1-\sum\limits_{i=1}^{k}[p(i | t)]^{2}。 $$ (9) 式(9)中:p(i∣t)为类别i在节点t处的概率,k为分类结果数,在本研究中取值为2。
使用varImpPlot()函数对11个立地因子进行重要性评估。由表 4可知:不同重要性评估方法对立地因子的排序结果基本一致;立地因子的重要性排序由高到低依次为:海拔、土层厚度、坡向、坡度、石砾含量、凋落物厚度、坡位、腐殖质层厚度、土壤类型、地貌类型、成土母质。
表 4 立地因子重要性评估
Table 4. Importance assessment of site factors
立地因子 MDA MDG 综合排序 评估值 排序 评估值 排序 地貌类型 6.532 154 10 2.917 723 10 10 海拔 64.038 512 1 119.872 133 1 1 坡向 57.933 214 3 90.212 541 2 3 坡位 29.452 163 7 35.412 112 7 7 坡度 45.712 589 5 87.012 457 3 4 凋落物厚度 40.893 212 6 41.215 115 6 6 腐殖质层厚度 24.314 587 8 28.732 522 8 8 土层厚度 60.091 123 2 84.971 211 4 2 石砾含量 52.331 421 4 67.124 189 5 5 成土母质 3.158 456 11 2.312 457 11 11 土壤类型 14.796 521 9 7.354 123 9 9 选取对桉树生长影响最大的2个立地因子(海拔和土层厚度),利用随机森林算法进行单因素分析。由图 2可知:研究区海拔为200~350 m、土层厚度为80~100 cm的地区比较适合桉树生长。
-
基于朴素贝叶斯算法、支持向量机算法、随机森林算法3种算法构建的模型拟合精度分别为63.18%、69.73%和78.03%,泛化精度分别为64.33%、67.93%和78.18%;相较于朴素贝叶斯、支持向量机算法,随机森林算法对缺失数据不敏感,在训练的过程中能检测到特征与特征之间的互相影响,模型泛化能力强,具有更高的预测精度,在本研究中分类效果最好。缺少特征独立性假设和立地因子数据是朴素贝叶斯算法分类效果差的原因;而缺少通用的解决方案,对缺失数据敏感,受核函数的影响较大等导致了支持向量机算法分类效果欠理想。本研究采用的多模型对比为以后其他树种适宜性研究选取模型提供了参考。
海拔、土层厚度、坡向、坡度等立地因子对桉树生长影响较大,地貌类型、成土母质等则较小。原因可能是海拔高度、坡向、坡度的改变造成空气温度、空气湿度、太阳辐射等变化[6],从而影响桉树生长;土层厚度与土壤养分、矿元素等密切相关[17],研究区的桉树种植区域,地貌类型和成土母质均比较单一,因此对桉树生长的影响并不明显。对海拔、土层厚度等立地因子的单因素分析发现:桉树适宜生长地区多数海拔为200~350 m,土层厚度为80~100 cm。研究认为[18]:海拔高度低于350 m,桉树径生长随海拔升高而增粗,当海拔大于350 m,环境热量不足桉树容易引发低温冻害[19]。土层厚度对桉树的影响体现在土壤的营养状况和给树木生长提供的养分上[17],本研究发现土层越厚,土壤营养条件越好,也越适宜桉树生长。总的来说,不同的立地因子对桉树生长的影响程度不同,选择桉树种植区域时应客观考虑各个立地因子的影响程度,从而合理地调整立地条件的组合,最大程度满足桉树生长。
基于机器学习算法构建的树桉树适宜性评价模型可以较好地对桉树的适宜性做出预测,为科学造林提供依据。树种适宜性分析不仅要将立地分为适宜该树种生长以及不适宜该树种生长,还可以进一步对其进行细分,从二分类问题转变为多分类问题,进一步研究机器学习算法在树种适宜性分析中的应用。
Eucalyptus suitability in Guangxi based on machine learning algorithms
-
摘要:
目的 探索立地因子与桉树Eucalyptus适宜性之间的关系,开展树种适宜性研究,为桉树适宜性研究提供新思路,为科学造林提供支持。 方法 以广西桉树人工林为研究对象,选取广西国有高峰林场的1 883个森林资源小班调查数据,分别运用朴素贝叶斯、支持向量机、随机森林算法作为树种适宜性评价方法,构建桉树适宜性分类模型。输入为地貌类型、海拔、坡向、坡位、坡度、凋落物厚度、腐殖质层厚度、土层厚度、石砾含量、成土母质,土壤类型等11个立地因子信息,输出为桉树适宜性。 结果 3种算法构建的模型拟合精度依次为63.18%、69.73%、78.03%,泛化精度依次为64.33%、67.93%、78.18%。相比于朴素贝叶斯、支持向量机算法,随机森林算法分类效果更好。立地因子重要性排序由高到低依次为:海拔、土层厚度、坡向、坡度、石砾含量、凋落物厚度、坡位、腐殖质层厚度、土壤类型、地貌类型、成土母质。200~350 m海拔、80~100 cm土层厚度的地区比较适宜桉树生长。 结论 基于机器学习算法构建的桉树适宜性评价模型可以较好地对桉树的适宜性做出预测。 Abstract:Objective The aim is to provide a new idea for tree species suitability evaluation, provide a support for scientific afforestation, and explore the relationship between site factors and tree suitability. Method Take a Eucalyptus plantation in Guangxi as the research object, 1 883 forest resource sub-compartment survey data of Guangxi state-owned Gaofeng Forest Farm were selected. Then, Naive Bayesian, Support Vector Machine, and Random Forest algorithm were used to evaluate the suitability of tree species and to construct a suitability classification model for Eucalyptus. Eleven site factors, namely, landform type, elevation, aspect, slope position, slope, litter thickness, humus layer thickness, soil layer thickness, gravel content, parent material, and soil type were input with the output being Eucalyptus suitability. Result The fitting accuracy of the three models was 63.18% for Naive Bayesian, 69.73% for Support Vector Machine, and 78.03% for Random Forest algorithm with a generalization accuracy of 64.33% for Naive Bayesian, 67.93% for Support Vector Machine, and 78.18% for Random Forest algorithm. The order of importance for site factors was elevation > soil layer thickness > aspect > slope > gravel content > litter thickness > slope position > humus layer thickness > soil type > landform type > parent material. Overall, Eucalyptus was more suitable for growth in areas of 200-350 m altitude and 80-100 cm soil layer thickness. Conclusion Thus, machine learning classification algorithms could be used to fit the non-linear relationship between tree species suitability and site factors. -
Key words:
- forest mensuration /
- suitability /
- machine learning /
- Naive Bayes /
- Support Vector Machine /
- Random Forest /
- Eucalyptus
-
随着工业化进程的加速推进,人类活动产生的温室气体排放量增加,应对气候变化已成为全球共同关注的社会和科学问题。中国积极参与全球气候治理,1993年签署《联合国气候变化公约》,成为首批缔约方;2007年颁布《中国应对气候变化国家方案》,明确减排目标和政策措施;2020年9月正式提出“2030年前实现碳达峰、2060年前实现碳中和”的目标[1]。碳足迹分析被广泛用于量化产品在其生命周期中的温室气体排放量[2],是科学制定减排战略的前提与基础。2023年11月中国提出将加快建立产品碳足迹管理体系,碳足迹评估已成为实现碳达峰和碳中和(“双碳”)目标的重要抓手。竹笋是一种健康的森林食品,其产业是中国林业重点发展的十大富民产业之一[3]。中国作为全球竹类资源最丰富的国家,竹笋产品约占世界产量的95%,是中国16个大宗出口农产品之一[4]。随着欧美等发达国家“碳关税”等绿色贸易规则的推进和实施,碳足迹评估已成为企业产品出口的必选项目。
目前在农林产品碳足迹评估领域,学者们主要针对碳足迹评估方法、产品碳足迹评估和减排潜力等方面展开相关研究。投入产出法[5]是一种自上而下的计算方法,适用于评估某个部门或产业的碳足迹;生命周期法采用自下而上的计算方法,适用于产品或服务的碳足迹评估[6]。在产品碳足迹评估及构成研究中,有学者对农产品如柚Citrus maxima [7]、水稻Oryza sativa[8]和苹果Malus pumila[9]进行碳足迹评估,发现减少肥料施用量是降低碳排放的关键。周鹏飞等[10]对竹砧板进行碳足迹评价,结果表明:竹砧板的碳足迹为114.552 8 kg·m−3,为低碳产品。陈莎等[11]通过对中国纸产品全生命周期评价,计算出中国2010和2015年纸产品的温室气体排放量分别为13.4和20.3 Mt,并呈逐年上升的趋势。在减排潜力方面,诸多学者基于碳足迹研究对棉花 Gossypium hirsutum种植经营模式[12]、人造板生产[13]展开减排潜力评估,分别提出科学施肥、调整能源结构等减排路径。
在国外“碳关税”等绿色贸易规则和国内“双碳”战略背景下,准确评估中国五大主要出口竹笋产品的碳足迹、隐含碳排放和减排潜力具有重要意义。雷竹笋通常被用于鲜食和加工成竹笋产品[14] ,是产量较大的典型竹笋品种。由于近几年高产笋用竹的栽培、管理和加工工艺日趋类同[15],因此,本研究选择5种典型的雷竹笋产品开展相关碳足迹的研究,能较好地代表出口竹笋产品碳足迹的现状。本研究以5种主要出口雷竹Phyllostachys violascens笋产品为研究对象,全程溯源竹笋种植、生产和分销阶段生命周期的碳足迹;根据海关出口数据估算2015—2023年隐含碳排放和碳排放强度,并基于碳排放热点协同设计减排路径,量化减排效果,旨在推动竹笋产业低碳高质量发展。
1. 数据来源与研究方法
1.1 数据来源
1.1.1 产品选择
竹笋是竹鞭或秆基上的芽萌发分化而成的膨大的芽和幼嫩的茎[16]。竹笋产品类型主要包括鲜笋和竹笋加工产品。竹笋加工产品是指将鲜笋通过一定的工艺后加工成可直接食用的产品。根据目前海关分类目录,竹笋产品共分为鲜竹笋或冷藏竹笋(简称鲜食笋)、其他方法制作或保藏的未冷冻竹笋(简称水煮笋)、盐水竹笋、笋干丝、竹笋罐头5类。对应海关5类出口竹笋产品及相关生产工艺,本研究分别选取雷竹笋的鲜食笋、水煮笋、盐水手剥笋(简称手剥笋)、笋干丝和调味笋罐头(简称调味笋)开展典型竹笋产品的碳足迹研究。
1.1.2 数据来源
浙江省杭州市临安区与湖州市安吉县是雷竹笋主产区,竹林面积分别为5.65和6.73 万hm2,是浙江省乃至全国高效栽培技术推广最早、面积最大的地区[17]。选择两地开展竹笋产品碳足迹的评估具有典型性和代表性。竹笋种植经营数据来源于临安区某竹笋专业合作社2022年2月至2023年3月的实地调查和农事台账。竹笋产品生产环节数据来源于浙江某生态农业有限公司、安吉某食品有限公司、杭州某食品有限公司和安吉县天荒坪镇某股份经济合作社等4家竹笋加工企业的实地调查。竹笋产品出口数据来源于2015—2023年的中国海关数据。
1.2 研究方法
1.2.1 碳足迹核算
采用英国标准协会《商品和服务在生命周期内的温室气体排放评价规范》(PAS 2050: 2011)为评估标准。考虑到出口竹笋产品在消费和处置过程中碳排放的不确定性,选择包含种植、生产及分销阶段的生命周期系统边界(图1)。为了便于比较5种竹笋产品的碳足迹,功能单位确定为kg·kg−1[表示不同温室气体的影响转化为等效的二氧化碳(CO2)排放量]。
竹笋产品碳足迹评估系统边界包括种植、生产和分销等3个阶段的温室气体排放。①种植阶段,包括农资投入、农资运输、农资施用和农业机械使用等。种植阶段碳排放核算方法:竹笋种植目前主要分为覆盖经营和非覆盖经营。覆盖是指在秋末冬初将砻糠等增温保温材料覆盖在土壤表面,达到早出笋、提高经济效益的目的[18]。覆盖经营中,主要涉及覆盖、水肥一体灌溉、化学杀虫、人工除草等措施;非覆盖主要依据自然生长原则,采用适度的人工干预,如杀虫、除草等措施。本研究不考虑竹林碳汇对竹笋种植经营碳排放的抵消作用。种植阶段碳排放量计算公式如下:
$$ {C}_{1}=\sum _{i=1}^{n}{P}_{i}\times {E}_{i}+\sum _{j=1}^{n}{M}_{j}\times {D}_{j}\times {E}_{j}+N\times \alpha \times \frac{44}{28}\times {G}_{{\mathrm{N}}_2{\mathrm{O}}}。 $$ (1) 式(1)中:C1为种植阶段碳排放量(kg·kg−1);Pi为第i类农资投入量或农业机械能源消耗量(kg或kW·h);Ei为第i类农资或能源的碳排放因子[kg·kg−1或kg·(kW·h)−1];Mj为第j类农资或能源的运输质量(t);Dj为运输距离(km);Ej第j类农资或能源运输方式的碳排放因子(kg·km−1·t−1);N为施用化肥中所含的氮量(kg);α为施用含氮肥引起的氮化亚氮(N2O)排放因子(kg·kg−1),44/28为氮(N2)转换为氧化亚氮的系数,$G_{{\mathrm{N}}_2{\mathrm{O}}} $为100 a尺度下相对于二氧化碳的氧化亚氮增温潜势。②生产阶段,包括鲜笋运输、鲜笋加工、附加物投入和附加物运输等。种植阶段碳排放量核算方法:
$${C}_{2}=\sum _{i=1}^{n}{M}_{i}\times {D}_{i}\times {E}_{i}+\sum _{j=1}^{n}{P}_{j}\times {E}_{j}。 $$ (2) 式(2)中:C2为生产阶段碳排放量(kg·kg−1);Mi为第i类原材料的运输质量(t);Di为第i类原材料的运输距离(km);Ei为第i类运输方式的碳排放因子(kg·km−1·t−1);Pj为第j类原材料投入量或能源消耗量(kg或kW·h),Ej为第j类原材料或能源的碳排放因子[kg·kg−1或kg·(kW·h)−1]。③分销阶段包括产品分销(至港口)。分销阶段碳排放量核算计算公式如下:
$$ {C}_{3}=\sum _{i=1}^{n}{M}_{i}\times {D}_{i}\times {E}_{i}。 $$ (3) 式(3)中:C3为分销阶段碳排放量(kg·kg−1);Mi为第i类竹笋产品的运输质量(kg);Di为第i类竹笋产品的运输距离(km);Ei为竹笋产品运输方式的碳排放因子(kg·km−1·t−1)。
综合系统评估边界内各阶段排放,竹笋产品碳足迹计算公式如下:
$${C}_{\mathrm{E}}={C}_{1}+{C}_{2}+{C}_{3}。 $$ (4) 式(4)中:CE为竹笋产品碳足迹(kg·kg−1)。
1.2.2 竹笋产品出口隐含碳排放
出口隐含碳排放是出口产品在生产国的整个生命周期中直接和间接排放的二氧化碳[19]。竹笋产品出口隐含碳排放计算公式为:
$$ C=\sum _{i=1}^{n}{C}_{\mathrm{E}i}\times {Q}_{i}。$$ (5) 式(5)中:C为竹笋产品出口隐含碳排放量(kg);$ {C}_{\mathrm{E}i} $为第i种竹笋产品碳足迹 (kg·kg−1);Qi为第i种竹笋产品代表海关分类的出口量(kg)。
1.2.3 竹笋产品出口隐含碳排放强度
出口隐含碳排放强度反映了出口贸易的碳排放成本。降低出口隐含碳排放强度是协调出口贸易和碳减排的有效措施[20]。竹笋产品的出口隐含碳排放与出口额决定了其碳排放强度的变化趋势。计算公式如下[21]:
$$ {I}_{\mathrm{C}i}=\frac{{C}_{i}}{{{P}_{\mathrm{E}\mathrm{X}}}_{i}}。$$ (6) 式(6)中: ICi为第i年竹笋产品出口隐含碳排放强度(t·万元−1);Ci表示第i年竹笋产品出口隐含碳排放总量(t); PEXi表示第i年竹笋产品的出口总贸易额(万元)。
2. 结果与分析
2.1 竹笋产品碳足迹评估
2.1.1 种植阶段碳排放
基于覆盖与非覆盖2种经营模式的实地调查,在种植阶段单位质量鲜竹笋的碳排放量表现出明显的差异。表1显示:覆盖经营下的鲜笋碳足迹为0.300 4 kg·kg−1,非覆盖经营的碳足迹为0.002 8 kg·kg−1。在2种竹笋种植经营模式中,农资投入碳排放的占比均处于最高水平,其次是农资运输碳排放。
表 1 种植阶段碳排放量核算结果Table 1 Results of carbon emission accounting at planting stage产品阶段 排放源 排放因子/
(kg·kg−1)或[kg·(kW·h)−1]或(kg·km−1·t−1)不同经营方式碳排放量/(kg·kg−1) 覆盖经营 非覆盖经营 种植阶段 农资投入 复合肥[22] 2.470 0 0.221 6 0.002 8 农药[23] 16.610 0 氮肥[24] 7.480 0 有机肥[25] 0.089 0 农资运输 中型货车[26] 0.042 0 0.045 7 0.000 0 农业机械使用 电力[27] 0.581 0 0.004 3 0.000 0 农资施用 N2O间接排放[28] 0.002 3 0.028 8 0.000 0 合计 0.300 4 0.002 8 2.1.2 生产与分销阶段碳排放
本研究计算了鲜食笋和4种典型竹笋加工产品在生产与分销阶段的碳排放量。计算结果如表2所示:受到能源消耗、运输和包装材料等的影响,5种竹笋产品的生产与分销阶段碳排放存在差异,其中调味笋的碳排放量最大,为1.384 9 kg·kg−1,鲜食笋的碳排放量最小,为0.023 1 kg·kg−1。
表 2 生产与分销阶段碳排放量核算结果Table 2 Carbon emission accounting results in production and distribution stages产品阶段 排放源 排放因子/(kg·kg−1)或
(kW·h)−1或(t·m)−1鲜笋和各种竹笋加工产品碳排放量/(kg·kg−1) 鲜食笋 水煮笋 手剥笋 笋干丝 调味笋 生产阶段 鲜笋运输 轻型货车 0.083 0 0.000 0 0.003 3 0.014 1 0.159 9 0.006 0 鲜笋加工 电力 0.581 0 0.000 0 0.239 8 0.660 5 0.621 1 0.245 9 生物质燃料[29] 0.196 5 附加物投入 玻璃瓶[30] 0.933 8 0.011 6 0.063 5 0.313 5 0.094 3 1.114 3 蒸煮袋[31] 8.810 0 塑料编织袋[32] 2.510 0 香油[33] 1.770 0 附加物运输 微型货车 0.120 0 0.000 0 0.000 0 0.000 3 0.010 8 0.001 4 小计 0.011 6 0.306 6 0.988 4 0.886 1 1.367 6 分销阶段 产品分销 中型货车 0.042 0 0.011 5 0.011 4 0.011 5 0.012 1 0.017 3 合计 0.023 1 0.318 0 0.999 9 0.898 2 1.384 9 在生产阶段,鲜食笋因为不需要进行后续加工,仅有附加物的运输和投入排放,碳排放最小;笋干丝、手剥笋和调味笋的碳排放量相近,处于较高的水平;水煮笋的碳排放量较低。从排放源看,鲜笋加工是水煮笋、手剥笋和笋干丝碳排放最多的环节;附加物投入是调味笋和鲜食笋碳排放最多的环节。在产品分销阶段,各种竹笋产品的碳排放比较接近。
2.1.3 竹笋产品碳足迹核算
根据实地调查和农事台账记录,覆盖经营模式下的竹林在每年11月开始覆盖,12月至翌年1和2月采收。基于海关月度出口数据,每年12、1与2月覆盖经营的鲜食笋出口量占该类竹笋产品全年出口量的50.2%,因此,鲜食笋种植阶段的碳排放量以覆盖和非覆盖2种模式下的碳排放均值计算;根据企业生产实际,4种出口竹笋产品均采用非覆盖经营模式下的碳排放量计算。计算结果如表3所示。5种竹笋产品的碳足迹由大到小依次为调味笋(1.387 4 kg·kg−1)、手剥笋(1.010 8 kg·kg−1)、笋干丝(0.927 4 kg·kg−1)、水煮笋(0.324 9 kg·kg−1)、鲜食笋(0.174 8 kg·kg−1)。鲜食笋的碳足迹最小,种植阶段碳排放占比最大,生产阶段与分销阶段碳排放相近,因此鲜食笋的减排措施应优先考虑从竹笋种植开始。在4种竹笋加工产品中,碳排放主要集中在生产阶段,该阶段平均碳排放占比达96.57%,种植阶段碳排放与分销阶段碳排放占比较小。
表 3 竹笋产品碳足迹核算结果Table 3 Carbon footprint accounting results of 5 bamboo shoot products生产阶段 鲜食笋 水煮笋 手剥笋 笋干丝 调味笋 碳足迹/
(kg·kg−1)占比/
%碳足迹/
(kg·kg−1)占比/
%碳足迹/
(kg·kg−1)占比/
%碳足迹/
(kg·kg−1)占比/
%碳足迹/
(kg·kg−1)占比/
%种植阶段 0.151 7 86.78 0.006 9 2.13 0.010 8 1.07 0.029 2 3.15 0.002 5 0.18 生产阶段 0.011 6 6.64 0.306 6 94.36 0.988 5 97.80 0.886 1 95.54 1.367 6 98.57 分销阶段 0.011 5 6.58 0.011 4 3.51 0.011 5 1.13 0.012 1 1.31 0.017 3 1.25 合计 0.174 8 100 0.324 9 100 1.010 8 100 0.927 4 100 1.387 4 100 2.1.4 竹笋产品碳排放热点分析
为了分析竹笋产品碳足迹构成中各排放源的贡献,将占比超过10%的定义为碳排放热点[34]。表4显示:鲜食笋的排放热点为农资投入,碳排放占比为64.21%。鲜笋运输是笋干丝的排放热点之一,碳排放占比为17.24%。鲜笋加工是水煮笋、手剥笋、笋干丝和调味笋的共同排放热点,碳排放占比分别为73.80%、65.35%、66.97%和17.73%。附加物投入是水煮笋、手剥笋、笋干丝和调味笋的另一个共同排放热点,碳排放占比分别为19.55%、31.02%、10.16%和80.31%。
表 4 竹笋产品碳足迹构成Table 4 Carbon footprint composition of 5 bamboo shoot products产品阶段 排放源 碳排放占比/% 鲜食笋 水煮笋 手剥笋 笋干丝 调味笋 种植阶段 农资投入 64.21 2.13 1.07 3.15 0.18 农资运输 13.10 0.00 0.00 0.00 0.00 农械使用 1.23 0.00 0.00 0.00 0.00 农资施用 8.24 0.00 0.00 0.00 0.00 生产阶段 鲜笋运输 0.00 1.02 1.40 17.24 0.43 鲜笋加工 0.00 73.80 65.35 66.97 17.73 附加物投入 6.64 19.55 31.02 10.16 80.31 附加物运输 0.00 0.01 0.03 1.16 0.10 分销阶段 产品分销 6.58 3.51 1.13 1.31 1.25 2.2 竹笋产品出口隐含碳排放估算
2.2.1 历年竹笋产品出口情况
对历年竹笋产品的出口结构和出口数量(表5)进行分析。在中国竹笋产品出口结构中,调味笋的出口量远大于其他4类竹笋产品,平均出口占比为86.69%;水煮笋平均占比达9.09%;手剥笋、笋干丝和鲜食笋平均出口占比较小,分别为1.98%、1.18%、1.06%。在产品出口结构变化趋势上,鲜食笋和水煮笋出口结构呈现下降趋势;手剥笋、笋干丝和调味笋的出口占比呈波动上升趋势。从出口数量来看,2015—2018年竹笋产品出口数量维持在16 万t,2018—2023年呈波动下降趋势。
表 5 中国竹笋产品出口量Table 5 Export quantity of Chinese bamboo shoot products年份 不同竹笋产品出口量/t 出口总量/t 鲜食笋 水煮笋 手剥笋 笋干丝 调味笋 2015 1 964 26 555 3 316 1 804 125 441 159 080 2016 2 201 21 535 3 034 1 777 131 352 159 900 2017 1 959 14 577 3 061 1 796 135 061 156 454 2018 1 804 13 449 3 011 1 658 137 426 157 347 2019 1 534 11 038 3 013 1 866 128 673 146 123 2020 1 301 7 463 2 579 1 846 118 632 131 822 2021 1 454 9 361 2 594 1 624 132 139 147 172 2022 863 10 461 2 723 1 595 120 732 136 375 2023 1 060 8 047 2 729 1 525 109 670 123 031 平均 1 571 13 610 2 895 1 721 126 570 146 367 2.2.2 历年竹笋产品出口隐含碳排放
随着欧盟“碳边境调节机制”等绿色贸易规则的推进和实施,产品出口成本增加。通过核算竹笋产品的出口隐含碳排放,不仅能促进竹笋产业的低碳发展,也为中国计算产品出口碳排放提供重要的依据。本研究利用5种典型竹笋产品碳足迹的核算结果,结合历年的竹笋产品出口数据,估算历年竹笋产品出口隐含碳排放。结果如表6所示。出口规模是影响出口隐含碳排放的最主要因素,竹笋产品出口隐含碳排放在2015—2023年呈波动下降趋势。历年竹笋产品出口平均隐含碳排放为18.482 0 万t,2018年的隐含碳排放最高,为19.992 7 万t,2023年的隐含碳排放最低,为15.912 7 万t。在竹笋产品出口隐含碳排放的构成中,由于调味笋的出口占比高、产品碳足迹大,该类竹笋产品的出口隐含碳排放占比明显高于其他类型的竹笋产品。
表 6 中国历年竹笋产品出口隐含碳排放分析Table 6 Analysis of implied carbon emissions of bamboo shoots exported in China over the years年份 不同竹笋产品出口隐含碳排放/t 出口隐含碳排放/t 鲜食笋 水煮笋 手剥笋 笋干丝 调味笋 2015 343 8 629 3 351 1 673 174 034 188 030 2016 385 6 998 3 066 1 648 182 236 194 332 2017 342 4 737 3 093 1 666 187 381 197 219 2018 315 4 370 3 043 1 537 190 661 199 927 2019 268 3 586 3 045 1 730 178 518 187 148 2020 227 2 425 2 606 1 712 164 587 171 558 2021 254 3 042 2 622 1 506 183 327 190 751 2022 151 3 399 2 752 1 480 167 501 175 283 2023 185 2 615 2 759 1 414 152 154 159 127 平均 275 4 422 2 926 1 596 175 600 184 820 2.2.3 历年竹笋产品出口隐含碳排放强度
2015—2023年5类竹笋产品历年出口隐含碳排放强度以及竹笋产品综合隐含碳排放强度如表7所示。表7显示:5类竹笋产品的平均出口隐含碳排放强度由大到小排序依次为调味笋、手剥笋、水煮笋、笋干丝、鲜食笋。从变化趋势看,5类竹笋产品的出口隐含碳排放强度在2015—2023年均呈现波动下降的趋势,其中下降幅度最大的是笋干丝,为27.69%,下降幅度最小的是调味笋,为4.10%。
表 7 竹笋产品出口隐含碳排放强度Table 7 Implicit carbon emission intensity of bamboo shoot products export年份 5类竹笋产品出口隐含碳排放强度/(t·万元−1) 竹笋产品综合隐含碳排放强度/
(t·万元−1)鲜食笋 水煮笋 手剥笋 笋干丝 调味笋 2015 0.081 1 0.190 3 0.715 4 0.116 8 1.362 0 0.957 6 2016 0.080 5 0.172 3 0.695 1 0.115 8 1.141 5 0.868 8 2017 0.083 8 0.173 8 0.681 6 0.112 4 1.133 6 0.913 1 2018 0.062 6 0.158 1 0.707 6 0.123 4 1.142 0 0.923 9 2019 0.076 8 0.140 2 0.684 3 0.142 8 1.147 5 0.930 2 2020 0.063 5 0.134 2 0.686 1 0.101 1 1.258 3 0.990 7 2021 0.081 3 0.132 9 0.726 5 0.088 0 1.487 0 1.121 9 2022 0.061 8 0.119 9 0.675 8 0.078 9 1.376 1 0.999 7 2023 0.053 9 0.140 8 0.609 6 0.084 5 1.306 1 0.996 0 平均 0.071 7 0.151 4 0.686 9 0.107 1 1.261 6 0.966 9 历年竹笋产品综合平均隐含碳排放强度为0.966 9 t·万元−1,受出口额和出口隐含碳排放的影响,一方面竹笋产品的出口额随着出口数量的波动下降而下降;另一方面,在竹笋产品的出口结构中,碳足迹最大的调味笋出口占比不断攀升,碳足迹较低的其他类型竹笋产品出口占比下降,导致出口隐含碳排放的下降趋势较出口数量平缓。因此从整体来看,竹笋产品出口的综合隐含碳排放强度呈波动上升趋势。
2.3 不确定性分析
综合考虑了竹笋种植阶段、生产阶段和分销阶段的碳排放。选择系统边界的不同会对碳足迹的评价结果产生影响。在评估竹笋产品碳足迹过程中,全程收集了各阶段的初级数据,一些相关碳排放因子主要选择来自国内外数据库及参考文献,可能会对研究结果产生差异。此外,在估算中国竹笋产品出口隐含碳排放与碳排放强度时,选择了5种代表性竹笋产品,但不同的竹种、种植环境和加工工艺可能会导致竹笋产品碳足迹的差异,从而对估算结果产生影响。因此,在未来的研究中,应规范竹笋产品碳排放因子数据的选择,进一步提升碳足迹评估结果的可信度和准确性;扩展不同地区、不同竹种的竹笋产品碳足迹评估研究,推动竹笋产业低碳高质量发展。
3. 减排情景设计及减排量估算
3.1 减排情景设计
通过上述排放热点的识别,确定了农资投入、鲜笋运输、鲜笋加工和附加物投入是有效的减排方向。减排情景一:农资投入是鲜食笋的排放热点。近年来,中国大力推进农药化肥减量增效工作,部分地区降幅达30%以上[35]。根据《“十四五”全国农业绿色发展规划》提出的持续推进药肥减量要求,以减少30%农资投入量作为减排路径。减排情景二:鲜笋运输是笋干丝的排放热点,主要受到运输质量、运输距离与运输方式的影响。目前,竹笋加工企业采用轻型货车进行分散运输,排放因子为0.083 0 kg·t−1·km−1;将轻型货车优化为中型货车,采用公共物流集中运输,排放因子为0.042 0 kg·t−1·km−1,从而减少鲜笋运输碳排放。减排情景三:鲜笋加工是4种竹笋加工产品共同的排放热点,主要受到电力消耗和生物质燃料投入量的影响。《中国区域电网二氧化碳排放因子研究(2023)》报告提出:“十四五”期间中国非化石能源发电占比进一步提高,各省电力排放因子平均年下降速率为4.07%。据此估算2024年电力排放因子为0.534 7 t·(MW·h)−1。减排情景四:附加物投入作为4种竹笋加工产品的共同排放热点,主要涉及到包装、调味品的投入量。采取包装轻量化的减排情景设计,蒸煮袋包装将厚度由原先的12 μm优化至7 μm;玻璃瓶包装平均壁厚由3.5 mm降低至2.0 mm[36]。
3.2 减排优化结果
基于碳足迹核算与政策指导的减排情景设计,应用情景假设方法,计算涉及直接排放或间接排放的共8个排放源在减排优化前后的碳排放量变化(图2A~E)量,其中灰色区域代表减排优化前的碳排放量,黄色区域代表减排优化后的碳排放量。在减排情景优化下,5种产品的碳足迹都有不同程度的下降。下降幅度由大到小依次为调味笋(31.95%)、鲜食笋(21.69%)、笋干丝(19.25%)、水煮笋(17.16%)、手剥笋(10.71%),平均下降幅度为20.15%。
4. 结论
本研究核算了5种典型雷竹笋产品种植阶段、生产阶段和分销阶段的碳足迹,并结合海关出口数据估算了2015—2023年的竹笋产品出口隐含碳排放与碳排放强度。结论如下:①5种典型雷竹笋产品的碳足迹存在显著差异,碳足迹为0.2~1.4 kg·kg−1。在碳足迹构成中,农资投入、鲜笋运输、鲜笋加工和附加物投入是竹笋产品的排放热点。②受出口规模影响,2015—2023年中国竹笋产品的出口隐含碳排放总体呈现先上升后波动下降趋势。由于竹笋产品出口结构的变化,每类竹笋产品的出口隐含碳排放强度呈波动下降趋势,竹笋产品综合隐含碳排放强度呈现波动上升趋势。③结合排放热点分析与政策指导,对5种竹笋产品开展了减排情景优化设计。优化前后,水煮笋和调味笋的碳足迹下降幅度均超过30%;笋干丝和鲜食笋的碳足迹下降幅度为20%~30%;手剥笋的碳足迹下降幅度最小,为10%~20%。
-
表 1 混淆矩阵
Table 1. Confusion matrix
实际类别 预测类别 适宜/个 不适宜/个 适宜 NTP NFN 不适宜 NFP NTN 表 2 3种模型混淆矩阵
Table 2. Partial correlation coefficient and its significance test
模型名称 实际类别 拟合分析 预测分析 适宜/个 不适宜/个 分类误差率 拟合精度/% 预测适宜 预测不适宜 分类误差率 泛化精度/% 朴素贝叶 适宜 737 491 0.399 837 1 63.18 329 202 0.380 414 3 64.33 斯算法 不适宜 414 816 0.336 585 4 174 349 0.332 696 0 支持向量 适宜 752 476 0.387 622 1 69.73 334 197 0.370 998 1 67.93 机算法 不适宜 268 962 0.217 886 2 141 382 0.269 598 5 随机森林 适宜 911 317 0.258 143 3 78.03 402 129 0.242 937 9 78.18 算法 不适宜 223 1 007 0.181 300 8 101 422 0.193 116 6 表 3 随机森林算法模型判断结果
Table 3. Predicted results of random forest models
序号 地貌类型 海拔/m 坡向 坡位 坡度/(°) 凋落物厚度/cm 腐殖质层厚度/cm 土层厚度/cm 石砾含量/% 成土母质 土壤类型 模型预测结果 地位指数 适宜性概率 结果 1 丘陵 295 无坡向 平地 2 3 5 95 10 - 红壤 0.851 7 适宜 22 2 低山 780 东北 上坡 10 1 3 80 0 - 红壤 0.098 3 不适宜 12 3 丘陵 90 北 下坡 25 5 5 100 8 - 赤红壤 0.082 1 不适宜 10 4 丘陵 195 东 中坡 28 2 8 100 5 - 赤红壤 0.951 7 适宜 26 5 低山 230 西南 脊 23 5 25 110 5 - 赤红壤 0.976 9 适宜 28 说明:“-”表示数据未获取 表 4 立地因子重要性评估
Table 4. Importance assessment of site factors
立地因子 MDA MDG 综合排序 评估值 排序 评估值 排序 地貌类型 6.532 154 10 2.917 723 10 10 海拔 64.038 512 1 119.872 133 1 1 坡向 57.933 214 3 90.212 541 2 3 坡位 29.452 163 7 35.412 112 7 7 坡度 45.712 589 5 87.012 457 3 4 凋落物厚度 40.893 212 6 41.215 115 6 6 腐殖质层厚度 24.314 587 8 28.732 522 8 8 土层厚度 60.091 123 2 84.971 211 4 2 石砾含量 52.331 421 4 67.124 189 5 5 成土母质 3.158 456 11 2.312 457 11 11 土壤类型 14.796 521 9 7.354 123 9 9 -
[1] 黄国勤, 赵其国.广西桉树种植的历史、现状、生态问题及应对策略[J].生态学报, 2014, 34(18):5142 - 5152. HUANG Guoqin, ZHAO Qiguo. The history, status quo, ecological problems and countermeasures of Eucalyptus plantations in Guangxi[J]. Acta Ecol Sin, 2014, 34(18): 5142 - 5152. [2] 郭艳荣, 吴保国, 刘洋, 等.立地质量评价研究进展[J].世界林业研究, 2012, 25(5):47 - 52. GUO Yanrong, WU Baoguo, LIU Yang, et al. Research progress of site quality evaluation[J]. World For Res, 2012, 25(5): 47 - 52. [3] 王小明, 敖为赳, 陈利苏, 等.基于GIS和Logistic模型的香榧生态适宜性评价[J].农业工程学报, 2010, 26(增刊1):252 - 257. WANG Xiaoming, AO Weijiu, CHEN Lisu, et al. Suitability assessment of Chinese torreya based on GIS and Logistic regression[J]. Trans Chin Soc Agric Eng, 2010, 26(suppl 1): 252 - 257. [4] KOO K A, MADDEN M, PATTEN B C. Projection of red spruce (Picea rubens Sargent) habitat suitability and distribution in the Southern Appalachian Mountains, USA[J]. Ecol Model, 2014, 293: 91 - 101. [5] 胡秀, 吴福川, 郭微, 等.基于MaxEnt生态学模型的檀香在中国的潜在种植区预测[J].林业科学, 2014, 50(5):27 - 33. HU Xiu, WU Fuchuan, GUO Wei, et al. Identification of potential cultivation region for Sautalum album in China by the MaxEnt ecologic niche model[J]. Sci Sil Sin, 2014, 50(5): 27 - 33. [6] 高若楠, 苏喜友, 谢阳生, 等.基于随机森林的杉木适生性预测研究[J].北京林业大学学报, 2017, 39(12):36 - 43. GAO Ruonan, SU Xiyou, XIE Yangsheng, et al. Prediction of adaptability of Cunninghamia lanceolata based on random forest[J]. J Beijing For Univ, 2017, 39(12): 36 - 43. [7] PIRI-SAHRAGARD H, AJORLO M, KARAMI P. Modeling habitat suitability of range plant species using random forest method in arid mountainous rangelands[J]. J Mount Sci, 2018, 15(10): 2159 - 2171. [8] 孙玫, 张森, 聂培尧, 等.基于朴素贝叶斯的网络查询日志session划分方法研究[J].南京大学学报(自然科学), 2018, 54(6):1132 - 1140. SUN Mei, ZHANG Sen, NIE Peiyao, et al. Research on session segmentation of web search query logs based on naive Bayes[J]. J Nanjing Univ Nat Sci, 2018, 54(6): 1132 - 1140. [9] 张广群, 李英杰, 汪杭军.基于词袋模型的林木业务图像分类[J].浙江农林大学学报, 2017, 34(5):791 - 797. ZHANG Guangqun, LI Yingjie, WANG Hangjun. Classification of forestry images based on the BoW Model[J]. J Zhejiang A&F Univ, 2017, 34(5): 791 - 797. [10] 李欣海.随机森林模型在分类与回归分析中的应用[J].应用昆虫学报, 2013, 50(4):1190 - 1197. LI Xinhai. Using "random forest" for classification and regression[J]. Chin J Appl Entomol, 2013, 50(4): 1190 - 1197. [11] 莫文希, 陈进宁, 唐璇.高峰林场林下经济发展的思考与建议[J].林业经济, 2018(7):106 - 110. MO Wenxi, CHEN Jinning, TANG Xuan. Thoughts and suggestions on the development of under-forest economy in Gaofeng Forest Farm[J]. For Econ, 2018(7): 106 - 110. [12] CORTES C, VAPNIK V. Support-Vector networks[J]. Mach Learn, 1995, 20(3): 273 - 297. [13] BREIMAN L. Random forests[J]. Mach Learn, 2001, 45(1): 5 - 32. [14] 李婉华, 陈宏, 郭昆, 等.基于随机森林算法的用电负荷预测研究[J].计算机工程与应用, 2016, 52(23):236 - 243. LI Wanhua, CHEN Hong, GUO Kun, et al. Research on electrical load prediction based on random forest algorithm[J]. Comput Eng Appl, 2016, 52(23): 236 - 243. [15] 陈少雄, 王观明, 修贵金, 等.广西丘陵台地巨尾桉、尾叶桉(实生)地位指数表的编制[J].林业科学研究, 1995, 8(2): 177 - 181. CHEN Shaoxiong, WANG Guanming, XIU Guijin, et al. Site-index tables of Eucalyptus grandis× E. urophylla and E. urophylla in Guangxi hilly areas[J]. For Res, 1995, 8(2): 177 - 181. [16] CHAWLA N V, BOWYER K W, HALL L O, et al. SMOTE: synthetic minority over-sampling technique[J]. J Artif Intell Res, 2002, 16(1): 321 - 357. [17] 赖文豪, 席沁, 武海龙, 等.内蒙古兴和县低山丘陵立地类型划分与林草适宜性评价[J].浙江农林大学学报, 2018, 35(2):331 - 339. LAI Wenhao, XI Qin, WU Hailong, et al. Site classification type and vegetation suitability evaluation for hilly land in Xinghe, Inner Monglia[J]. J Zhejiang A&F Univ, 2018, 35(2): 331 - 339. [18] 罗美娟, 李宝福, 魏影景, 等.闽南山地桉树生长与立地因子间的典型相关分析[J].福建林业科技, 2000, 27(1):14 - 17. LUO Meijuan, LI Baofu, WEI Yingjing, et al. Typical correlation analysis between the growth and the site factor of Eucalypti in the mountain area of south Fujian[J]. J Fujian For Sci Technol, 2000, 27(1): 14 - 17. [19] 韦红, 邢世和.基于GIS技术的区域主要桉树树种用地适宜性评价[J].林业勘查设计, 2009(2):61 - 63. WEI Hong, XING Shihe. Evaluation on suitability of land resources for growing staple Eucalyptus based on GIS[J]. For Invest Design, 2009(2): 61 - 63. -
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.2020.01.016