【摘要】【目的】采用非线性分位数回归法构建落叶松树干削度方程,比较分析不同分位数(τ=0. 1、0. 2、0. 3、0. 4、0. 5、0. 6、0. 7、0. 8、0. 9)及其组合分位数的拟合及检验结果,以提高模型预测精度。【方法】基于大兴安岭落叶松干形数据,采用Koenker和Bassett提出的分位数回归法,利用SAS软件的NLP拟合基于各分位数的Max-Burkhart分段削度方程,选取确定系数(R2)、平均误差(MAB)、均方根误差(RMSE)、相对误差(MPB)和预估精度(P%)对削度方程进行对比分析。【结果】1) Max-Burkhart分段削度方程在9个不同分位点(τ=0. 1、0. 2、0. 3、0. 4、0. 5、0. 6、0. 7、0. 8、0. 9)均能收敛,说明分位数回归可以提供许多不同分位数的估计结果,进而可预测任意分位点处干形的变化趋势; 2)基本模型和分位点处(τ=0. 4、0. 5、0. 6)的分位数模型拟合结果相近,分位数组合(3、5、7、9)可提高模型拟合效果,其中基于3个分位数组合(τ=0. 3、0. 5、0. 7)、5个分位数组合(τ=0. 3、0. 4、0. 5、0. 6、0. 7)、7个分位数组合(τ=0. 1、0. 2、0. 4、0. 5、0. 6、0. 8、0. 9)、9个分位数组合(τ=0. 1、0. 2、0. 3、0. 4、0. 5、0. 6、0. 7、0. 8、0. 9)在分位数组合相同时分别表现最优; 3)模型检验表明,大多数分位数回归组合的检验统计量都优于基本模型和各分位数模型,相对于基本模型,5个分位数组合(τ=0. 3、0. 4、0. 5、0. 6、0. 7)模型的MPB、MAB、RMSE分别降低13. 9%、13. 9%、13%。【结论】分位数回归能够提高模型预测精度,基于5个分位数组合的Max-Burkhart分段削度方程在拟合及检验统计量等方面表现较好,适合于大兴安岭落叶松树干削度预测。