用点抽样和乘积估计值法测定林分蓄积量宋新民关键词点抽样，乘积估计值，次级样本用角规点抽样，林分每公顷蓄积量为：Ｍ＝ＦＺ－Ｒ（式中，Ｆ为角规断面积因子，Ｚ为样点计数木株数，－Ｒ为林木平均形高）。为了获得－Ｒ值，必须采用角规控制检尺和一元立木材积表。目前...

比率估计在抽样估计阶段利用辅助信息,提高了估计量的估计精度,是抽样调查中一类较为常用的估计方法,但现有的一些比率估计方法均具有各自的最优条件,这在一定程度上影响了它们在实际调查中的应用。为了解决比率估计的最优限制问题,本文引入了校准估计方法,并基于分层抽样研究了总体均值的校准方法分别比率-乘积估计量。在大样本情况下,本文推导了新估计量的估计偏差和均方误差,说明新估计量具有渐近无偏性,并在估计量均方误差最小时,得到了总体参数的渐近最优估计量和渐近最优估计量的方差。在模拟研究中,根据比率估计量的最优条件是否满足,本文生成了两种不同的总体,对比分析了新估计量和现有比率估计量的估计效果,结果表明在两种不同的情况下,新估计量的估计效果均优于现有估计量的估计效果。最后,本文利用一个实际例子,验证了新估计量的有效性和实用性。

在抽样调查中,经常会遇到研究变量与其相关的辅助变量之间呈现非线性关系的情形,这时应用传统的广义回归估计方法将存在较大的局限和不足。为了解决这一问题,本文首先假定超总体模型的回归函数为一般形式的光滑函数,从而构建出半参数回归模型,利用半参数乘积调整方法对模型进行拟合,结合广义差分估计原理提出一种新型的半参数模型辅助抽样估计量,通过理论证明和数值模拟分析分别对比验证了这一套估计方法与传统方法相比所具备的有效性。在此基础上,对于在我国社会经济统计中如何应用这一套估计方法进行了展望。

在角规点上,用形点法测定林分蓄积时,需要直接测定林分的高H.然而在现实林分中,树冠重叠,通视较差,测定林分高H颇为困难.为此,该文运用形点法理论对林分冠下树干的形状结构进行解析,发现采用角规三维点抽样直接测定林分冠下的辅助高Hb及其断面积Gb、近似形点高Ha及其断面积Ga和胸高断面积G后,推导其间的相互关系,能自动生成林分形状指数R和林分高H,于是提出了形点法林分冠下削度方程,方程中不含任何经验参数.所以在测定林分蓄积M时,能避开测定林分高H的通视困难,具有较强的通用性、实用性和准确度,并对估计林分材种材积提供实用的理论依据,是对角规测树理论由二维空间向三维空间发展的重要突破.

处理大规模数据集时,抽样是一种很受欢迎的有效方法。体积抽样作为一种联合抽样的方法,它是按照与矩阵平方的行列式成比例进行抽样。该方法在线性回归模型背景下能得到参数的无偏估计。然而也容易受到异常点的影响,本文感兴趣的是体积抽样受异常点影响的程度。基于数据删除模型和均值漂移模型构建统计量进行异常点诊断,结果发现体积抽样方法在某些情况下极易受异常点影响。但是在给定损失的条件下,比独立同分布抽样所需的子样本量更小,在此基础上,提出样本量的自适应选择方法。作为体积抽样的扩展,杠杆值体积抽样同样可以得到普通最小二乘线性模型参数的无偏估计,一个有趣的发现是使用杠杆值体积抽样,等权最小二乘估计结果比非等权最小二乘估计效果好。

文章提出了一种基于最小二乘准则下的乘积模型的相对误差估计方法。该方法的目标函数是光滑的凸函数,所得到的估计量具有强相合性和渐进正态性,估计量的渐进方差可以用插入法直接估计。模拟结果显示所提方法与其他同类方法比较具有一定的优势。

【目的】以林场或县森林资源总体为调查对象,及时、准确地调查监测总体平均每公顷蓄积量,对上级(如市、省)部门开展森林资源宏观管理、生态保护价值评价、森林碳储量计量、领导干部任期绩效考核等工作都有重要支撑作用。将卫星、无人机等多源遥感数据作为辅助数据,采用较少抽样调查样地数据,实现总体参数有效估测的新方法,已成为国内外重要的研究方向,但目前,国内尚无多种现有估计方法的比较评价研究。为了促进新一代遥感技术在森林资源调查业务中的应用,提高我国森林资源天空地一体化调查监测技术水平,亟需对现有林场或县总体参数估测方法进行比较评价研究。【方法】以内蒙古旺业甸实验林场主要人工林树种为总体,基于2019年在林场获取的无人机激光雷达(LiDAR)抽样数据、Sentinel-2A多光谱数据(全覆盖)和少量样地数据,针对样地(p)、样地-卫星(ps)、样地-抽样无人机LiDAR(pl)以及样地-抽样无人机LiDAR-卫星(pls)4种模式,利用适合这4种模式的概率抽样法(DB)、模型辅助法(MA)、模型法(MD)和混合法(HY)4类共5种估测方法(DB_p、MD_(ps)、MA_(ps)、HY_(pl)以及MD_(pls))对总体森林蓄积量密度均值(MSVD)进行估计与对比分析。【结果】(1)DB_p、MD_(ps)、MA_(ps)、HY_(pl)、MD_(pls) 5种方法估测的MSVD分别为212.54、202.09、202.38、210.07以及208.96 m~3/hm~2,精度分别为90.44%、91.54%、91.69%、96.35%和96.45%,方差依次减小。(2)其他4种方法相对于MD_(pls)方法的估计效率(RE)均大于1 (RE_(DBp,MDpls)=5.39,RE_(MDps,MDpls)=3.82,RE_(MAps,MDpls)=3.69,RE_(HYpl,MDpls)=1.07);HY_(pl)相对于MD_(pls)的RE略大于1,但几倍于其他3种方法(RE_(DBp,HYpl)=5.02,RE_(MAps,HYpl)=3.43,RE_(MDps,HYpl)=3.56)。(3)包含LiDAR数据的HY_(pl)与MD_(pls)方法相对于包含Sentinel-2A数据的MD_(ps)与MA_(ps)方法均为正效率(RE_(MAps,HYpl)=3.43,RE_(MDps,HYpl)=3.56,RE_(MDps,MDpls)=3.82,RE_(MAps,MDpls)=3.69);MD_(ps)与MA_(ps)方法之间的RE接近1,但MA_(ps)的效率微高于MD_(ps)(RE_(MDps,MAps)=1.04)。【结论】和只利用样地数据的估计方法相比,将遥感数据作为辅助变量建立估测模型,无论是采用对蓄积量不够敏感的林场全覆盖Sentinel-2A多光谱遥感数据,还是采用对蓄积量很敏感的抽样式获取的LiDAR数据,都可有效提高林场总体MSVD的估测精度。涉及遥感数据应用的4种方法,估计精度最高的为MD_(pls),其次为HY_(pl),这2种方法都包含了LiDAR遥感抽样观测数据的应用,都是适应于林场总体MSVD估计的年度监测方法。可实现天空地3种观测数据协同应用的MD_(pls)估测精度和相对效率最高,可作为林场森林蓄积量年度监测的首选方法。

考虑了带有右删失的乘积回归模型.在随机右删失的情形下,通过逆概率加权的方法将乘积相对误差准则推广到右删失的情形.在一定的正则条件下,建立了估计的相合性和渐近正态性.最后,通过数值模拟展示所提出方法的效果.

文章针对VMEM似然估计初值选取问题展开讨论。依据现有的理论方法,提供了两种估计初值的方法:矩估计和迭代ACD估计,利用两种方法得到的初值在给定的条件下都具有一致性,为VMEM参数似然估计初值选取提供重要依据。

文章针对VMEM似然估计初值选取问题展开讨论。依据现有的理论方法,提供了两种估计初值的方法:矩估计和迭代ACD估计,利用两种方法得到的初值在给定的条件下都具有一致性,为VMEM参数似然估计初值选取提供重要依据。

抽样调查的目的是从样本信息估计总体总数或平均数。比估计法和线性回归估计法由于使用了与y有关的辅助变量x而提高了估计这两个指标的可靠性。 为了便于叙述,我们引进下列记号: n=样本容量;N=总体单位数; f=n/N=抽样比率;g=1/f=增加因子; x=辅助变量,例如单位的容量(亩数,居民数等); y=所研究的变量; X,(?)=总体中x的总数,及其估计;

以优势树种铅笔柏为研究对象,将LIDAR技术测量的抽样木树高与全站仪实测树高进行可行性研究.在可行性的基础上,将LIDAR测得的树高进行改正,得到林木的调查因子——树高.将此因子与抽样木的材积进行回归分析,建立起两者之间的回归模型.统计出测区的铅笔柏的总株数和每株木的树高,根据树高和材积之间的回归模型,计算出测区的铅笔柏的蓄积量,并与用标准样地法测得的蓄积量进行对比,发现两者的差距不大,其相对误差为4.25%,可以满足林业上对林分蓄积量的调查,为林分蓄积量的调查提供了一种新的方法.

文章研究重点抽样下的估计风险值的自助模拟,指出应用重点抽样—方差缩减技术可改善自助模拟的效率。实际模拟分析结果表明,重点抽样下的蒙特卡洛自助模拟估计方差明显小于普通的蒙特卡洛自助模拟估计方差,重点抽样下的蒙特卡洛自助模拟方法比普通的蒙特卡洛自助模拟方法更有效。

在多主题抽样中,如何根据样本标志值来对总体标志值进行估计是一个非常重要的问题。本文根据多元统计理论,提出了多主题抽样中总体标志值估计的一种新方法——条件均值估计,并从理论与实际两个方面与简单估计进行了比较,得出条件均值估计是一种比简单估计效果更好的估计方法。

森林蓄积量能够评估林地生产力的高低及经营措施的效果,为森林经营与采伐提供重要依据。目前,大多基于无人机影像的蓄积量估算,均建立在测绘标准所生成的DOM、DSM、DEM等测绘成果基础上,而未充分利用原始影像数据上的林业特征,无法从点云层面上加入林业业务逻辑产生成果数据。获取无人机影像后,利用特征点提取与匹配方法自动相对定向,结合控制点和光束法平差的迭代求解,解算出精确的相机姿态数据,并沿核线方向一维搜索特征点进行影像密集匹配生成密集点云。对原始三维点云过滤后进行树冠分割,在聚类后的林冠点云中提取了树顶点和树高因子估测了森林蓄积量。研究结果表明,冠幅的提取精度85.15%,树高的提取精度83.69%,林分蓄积量估算的精度达到了82.46%。