【目的】木材密度不仅与木材的各种材性密切相关，而且是衡量木材质量与价值的重要指标。采用近红外光谱（Near infrared spectroscopy, NIRS）分析技术能够快速、高效地预测木材密度，避免了传统试验中繁琐的检测步骤。长短期记忆网络(Long short-term memory network, LSTM)作为循环神经网络(Recurrent neural network, RNN)的变体，不仅可以学习序列数据之间的高阶特征信息，而且克服了RNN中的长距离依赖、梯度爆炸与梯度消失等问题。将LSTM与NIRS结合，提出一种能够准确预测樟子松木材气干密度的无损检测技术，为提高NIRS模型预测木材气干密度精度提供理论依据。【方法】该研究以樟子松木材样本为研究对象，用近红外光谱仪获得106个樟子松样本的光谱数据，并在恒温（20±2℃）恒湿（65%±3%）的环境下测定样本的气干密度。通过对比多组预处理方法和特征选择方法，采用Savitzky-Golay卷积平滑（Savitzky-Golay smoothing,SGS）等方法进行预处理，采用竞争性自适应加权算法（Competitive adaptive reweighted sampling, CARS）进行波段选择，剔除NIRS数据中的高频噪声与冗余信息，提升光谱数据质量、建模速度与精度。为验证LSTM模型预测能力，将其与偏最小二乘回归(Partial least squares regression, PSLR)、卷积神经网络(Convolution neural network, CNN)等建模算法对比分析。上述3种算法被分别应用于建立樟子松木材气干密度近红外预测模型。【结果】基于上述3种建模方法建立的NIRS模型均可实现樟子松气干密度的有效预测。且LSTM模型的预测精度与回归拟合度均优于PLSR与CNN模型。其中SGS+CARS处理后的LSTM模型的预测精度最高、泛化性能最强、拟合效果最好（R2=0.959,RMSEP=0.005,RPD=5.033）。【结论】通过对樟子松木材光谱数据与气干密度的采集，建立了一种新型的基于NIRS分析技术与LSTM的木材气干密度检测方法。LSTM预测模型相较于传统的回归模型，模型的预测精度更高，回归效果更好，鲁棒性更强。该检测方法既可保证木材的完整性，又可以提高气干密度的预测精度，实现了对樟子松木材气干密度的快速无损检测，为木材近红外光谱分析提供了可参考的模型与理论依据。

以黑龙江省七台河市林业局金沙林场落叶松和樟子松人工成熟林为研究对象,在树干基部、树干1.3m处以及树高的20%、40%、60%和80%处截取5cm厚的圆盘各1个。在每个圆盘南向通过髓心锯下一个楔形木块,将每个楔形木块沿径向切割成相等的8段,测量其宽度和年轮数,并用排水法测定各样品的基本密度。采用方差分析、多重比较、相关分析和回归分析等方法,研究了落叶松和樟子松木材基本密度的株内变异、株间变异、径向变异、沿树干方向的变异以及年轮组间的相关性。结果表明:落叶松和樟子松单株树木内木材基本密度存在变异,在树干不同高度处存在显著的株间变异和径向变异。落叶松树干基本密度在纵向呈现逐渐递减趋势,而樟子松呈现...

城市化进程提升促使城市环境污染加剧、能源消耗激增、人口密度过大等问题的深层次原因在于城市代谢失调。为精准预测北京市城市代谢变化趋势,论文通过能源消费量及人类活动时间指标测算了1980—2016年北京市体外能代谢率,表征城市代谢程度。据此运用长短期记忆神经网络模型(LSTM)预测了2017—2022年北京各部门体外能代谢率。结果表明:①基于长短期记忆神经网络的城市代谢预测模型精度较高,能够对北京各部门体外能代谢率进行更为精准的预测;②2017—2022年间,北京第一产业和总体外能代谢率呈下降趋势,其中第一产业在2017年达到峰值,第二、第三产业及生活部门体外能代谢率将呈现增长趋势。③除第一、第三产业和总体外能代谢率外,历史变化的时间扰动幅度先小后大。④对各部门体外能代谢率EMRT的影响贡献度最大的因子为第二产业体外能代谢率EMR2,最小的为第一产业体外能代谢率EMR1。论文研究结果可为政策制定者优化城市管理方案、提升城市综合实力提供理论依据和决策支持。

煤自燃是煤矿的主要自然灾害之一。煤自燃的物理化学过程十分复杂,且影响因素众多,给煤自燃危险性的预测带来很大的挑战。利用深度学习理论与方法加强对煤自燃危险性预测技术的研究,有助于提升煤矿安全生产智能化管控水平。该研究运用循环神经网络(RNN)、长短期记忆(LSTM)网络和门控循环单元(GRU) 3种算法,建立了采空区CO动态序列预测模型。对数据集进行特征变量分布检验以及数据归一化处理,降低了变量依赖性。在模型构建过程中,添加了全连接层和Dropout类以避免模型出现过拟合,通过均方误差确定模型的选代次数,引入了平均绝对误差、均方根误差和确定系数3个模型性能检验指标,分析优化了模型的参数,检验了模型性能。研究结果表明:RNN、 LSTM和GRU模型均能实现对CO体积分数的动态预测,且误差小于1%;在同一序列数据下, LSTM模型预测精度最高,其次是RNN模型和GRU模型。

本文根据人工林红松木材生长轮密度变异特点 ,采用时间序列分析法 ,建立了人工林红松木材生长轮密度的动态模型 ,对木材生长轮密度进行近期预测 ,预测结果良好。此研究结果实现了木材生长轮内的材质预测 ,为人工林红松的定向培育提供理论依据

网民负面情感在网络舆情情感分析中具有重要意义,但已有研究缺乏自动化识别海量短文本中网民负面情感的多分类方法。本文利用词嵌入技术学习词语的特征表示,通过增加文本的情感特征生成具有情感意义的词向量,并训练双向长短期记忆模型得到网民负面情感识别模型,在判断网民情感极性的基础上,识别网民的愤怒、悲伤和恐惧三种负面情感,并结合案例数据与SVM、LSTM和CNN等模型进行对比分析。实验表明,具有情感语义的词向量比词向量更适合情感分析任务;利用双向长短期记忆模型可以得到较好的情感识别效果;判断网民情感极性基础上识别网民负面情感的分类方式优于直接判断网民的负面情感的方式。

基于不同林龄樟子松人工林生物量调查数据,建立了樟子松林生物量相容性模型,探讨了不同林龄樟子松人工林中乔木层、林下植被层、死地被物层碳密度和碳储量的变化规律。结果表明:樟子松人工林各器官碳密度值的排序为:树叶>树枝>树干>树根;各器官碳密度均随着林龄的增大而增加,27、30、32、36、40和44年生樟子松各器官的平均碳密度分别为449.5、460.2、470.8、485.1、489.2和513.6g/kg,林下植被与死地被物的碳密度随林龄的变化规律不明显。27～44年期间樟子松人工林群落碳储量都随林龄的增大而增加,从27年生的37.14t/hm2增加到44年生的168.46t/hm2,其顺序为...

以黑龙江省七台河市林业局金沙林场9株人工落叶松432个样品密度数据为例,利用逐步回归技术构建落叶松木材密度模型:WD=β1+β2RN+β3RN2+β4h。利用S-PLUS软件中的LME过程,分别考虑单水平和多水平效应,拟合线性木材密度混合效应模型。结果表明:基于单水平和多水平效应的混合模型拟合精度高于传统的基本模型,并且考虑单水平树高效应和2层次效应时的混合模型精度高于考虑单水平样木效应影响的混合模型。模型检验结果表明:混合效应模型不但能反映总体平均木材密度变化趋势,还能反映分组之间的差异。

[目的]拓展木材显微切片的染色方法。[方法]比较研究了番红(Safranine O)、固绿(Fast Green FCF)和阿利新蓝(Alcian Blue 8GX)三种染料对樟子松木材切片的染色效果。[结果]单一染料染色时,番红对木质化程度高的厚壁细胞上色效果较好,阿利新蓝对木质化程度低的薄壁细胞上染较好,固绿介于两者之间。两种染料复染时,番红-固绿无法实现不同细胞的区分,仅呈现番红的颜色;而番红-阿利新蓝可以区分厚壁和薄壁细胞,厚壁细胞(管胞和射线管胞)呈红色,薄壁细胞(射线薄壁细胞和泌脂细胞)呈蓝绿色。进一步通过冰乙酸为复染提供一个酸性环境,改进了番红阿利新蓝双染方法。当冰乙酸含量为13%～17%时,能达到理想的染色效果,能够更加清晰地区分厚壁和薄壁细胞。分别将番红、固绿和新蓝用于已解离的管胞染色,新蓝对管胞的染色效果最好,番红染色效果比新蓝略差,固绿染色效果远低于新蓝和番红。[结论]番红对木质化程度高的厚壁管胞染色效果最好;新蓝对木质化程度低的薄壁细胞染色效果最好。改进后的番红-新蓝双染能清楚地区分木材中的厚壁和薄壁细胞。木材细胞对不同种类染料的响应各异,同时也受染色介质影响。研究结果为木材切片细胞识别提供简单高效的新方法。

以4个不同林分密度下的9株长白落叶松木材为实验材料,依据国家标准(GB 1927～1943—2009)对其抗弯弹性模量、抗弯强度、顺纹抗压强度和气干密度等主要物理力学性质进行了比较研究。结果表明:林分密度为580株/hm2的长白落叶松木材的抗弯弹性模量、抗弯强度、顺纹抗压强度、气干密度的均值均高于其他3个林分,而且气干密度在四个不同林分间的差异水平均在0.01水平显著。相反,林分密度为200株/hm2的长白落叶松木材的各种物理力学均值最小。4个林分密度下的长白落叶松木材主要力学性质在纵向均呈现下降趋势,方差分析表明抗弯弹性模量和抗弯强度纵向上的变异在0.05水平显著,顺纹抗压强度、气干密度均在...

【目的】立木材积方程在森林生产力、生物量和碳储量等林业问题方面都有着广泛的应用。因此,提高立木材积的预测精度一直是林业模型研究者的重要任务。本研究以大兴安岭樟子松为研究对象,构建含有不同形率的二元和三元材积方程,并对比检验其预测效果,旨在把传统立木材积的预测精度提高到一个新的水平。【方法】利用15个树干不同形率,基于传统的一元和二元立木材积方程分别建立二元和三元立木材积方程,并与传统的一元和二元材积方程比较。通过对各模型进行拟合选出最优形率模型,具体选用统计软件S-PLUS中的广义非线性模块(GNLS)进行拟合。并利用幂函数、指数函数以及常数加幂函数校正在拟合过程中各立木材积模型表现的异方差现象。选择确定系数(R2)、均方根误差(RMSE)、平均误差绝对值(MAB)和相对误差绝对值(MPB)4个指标对模型进行评价。最终采用分径阶比较法比较不同径阶范围内4种方程的预测精度。【结果】基于相对树高70%处形率的二元模型拟合效果最好,基于相对树高50%处形率的三元模型拟合效果最好。模型检验结果表明:基于传统的一元模型,加入形率后模型的RMSE、MAB、MPB分别降低了33.7%、30.7%、29.9%;基于传统的二元模型,加入形率后的模型RMSE、MAB、MPB分别降低了70.5%、70.9%、71.2%。不同径阶的检验表明:对于小径阶和中等径阶的树木,模型的检验精度顺序为模型(13)>模型(2)>模型(12)>模型(1);对于大径阶的树木,模型的检验精度顺序为模型(13)>模型(12)>模型(2)>模型(1)。【结论】形率因子是干形的重要指标。在传统立木材积模型中引入形率因子可以提高材积的预测精度,因此,对于樟子松立木材积的估算,尤其是中大径阶林分,推荐使用带有形率的三元立木材积模型。

应用热扩散式树干茎流计（ＴＤＰ）对辽宁省章古台樟子松人工固沙林生长季期间树干液流速率进行了连续５年的测定，结合同步观测的降水、林冠截留量、林内蒸发散量和土壤水分含量，利用水量平衡的方法，推算了现阶段樟子松应有的合理密度。结果表明：４月上中旬沙地樟子松液流启动，１０月中下旬液流基本结束，生长季（４—１０月）各月平均液流速率分别为２．５８、４．７８、５．１９、５．０１、４．８４、４．３０、１．９３ ｃｍ·ｈ－１，以６月份的最高，其次依次为７、８、５、９月份，４、１０两月平均液流速率较低。通过推算，径阶１４、１６、１８、２０ ｃｍ的樟子松纯林的合理密度分别应为６８８、５３１、４２２、３４４株·ｈｍ－．．．

该文对近红外光谱技术结合化学计量学分析方法快速预测毛竹材气干密度的可行性进行了研究,重点探讨不同采谱方式对所建模型预测精度的影响.为了便于对比,建模过程中光谱数据未经过任何预处理.结果表明,采谱方式影响着模型的预测精度.从竹材横切面采谱所建模型的预测精度最高,内表面(靠近竹黄面)居中,外表面(靠近竹青面)最差.但如果对竹材内外表面的光谱求平均后建模,则可以显著提高模型的预测精度.随后选择最优模型对随机抽取、未参与建模的30个未知样品的密度进行了预测,预测值与测量值的相关性高,表明近红外光谱技术可以快速、准确地预测竹材的气干密度.

为了找到一种能快捷测定子代试验林材性(木材基本密度、纤维长度)的方法,运用实测的具有正态性的火炬松木材基本密度、纤维长度以及近红外光谱建立预测模型.应用Umscrambler软件,通过比较不同光谱处理方法,选出一阶导数、平滑算法、归一化法相结合的方法为最佳近红外光谱处理方法.并用偏最小二乘法的回归分析建立校正模型,木材基本密度校正模型的决定系数为0.970 0;木材纤维长度校正模型的决定系数为0.966 4.采用外部样品对模型进行验证,得出木材基本密度校正模型的预测标准偏差为0.033 g·cm~(-3),木材纤维长度校正模型的预测标准偏差为0.216 mm,表明建立的模型效果准确可靠.用建立的模型预测火炬松子代测定林的264个样本,测得的数据呈正态分布,表明近红外预测模型可应用于林木遗传测定.