基于混合效應(yīng)模型的大興安嶺地被可燃物含水率模型1)

邢俊景 曲智林

(東北林業(yè)大學(xué)，哈爾濱，150040)

?

基于混合效應(yīng)模型的大興安嶺地被可燃物含水率模型1)

邢俊景 曲智林

(東北林業(yè)大學(xué)，哈爾濱，150040)

基于黑龍江省大興安嶺林區(qū)南甕河生態(tài)站的落葉松(Larixgmelinii)林、蒙古櫟(Quercusmongolica)林、落葉松白樺(Betulaplatyphylla)混交林3種典型林分的288組可燃物含水率數(shù)據(jù)，選擇基于平衡含水率的可燃物含水率實(shí)時(shí)變化模型為基礎(chǔ)模型，采用非線性混合效應(yīng)(NLME)模型方法，以林分因子作為隨機(jī)效應(yīng)，建立具有混合效應(yīng)的可燃物含水率的實(shí)時(shí)變化預(yù)測(cè)模型，并通過(guò)給殘差方差增加權(quán)重的方法解決異方差性問(wèn)題。結(jié)果表明:考慮隨機(jī)效應(yīng)和異方差結(jié)構(gòu)的可燃物含水率實(shí)時(shí)變化NLME預(yù)測(cè)模型的擬合效果(MAE=0.716 7，MRE=0.026 6)優(yōu)于不含隨機(jī)效應(yīng)的可燃物含水率實(shí)時(shí)變化預(yù)測(cè)模型(MAE=0.815 6，MRE=0.031 2)；其中以常數(shù)加冪函數(shù)作為異方差結(jié)構(gòu)的模型精度最高(AIC=547.72，BIC=581.29，-2LL=527.72)且明顯優(yōu)于未給殘差方差增加權(quán)重的可燃物含水率實(shí)時(shí)變化NLME預(yù)測(cè)模型(AIC=961.65，BIC=988.50，-2LL=945.65)。利用獨(dú)立樣本數(shù)據(jù)對(duì)模型進(jìn)行檢驗(yàn)，檢驗(yàn)結(jié)果表明，對(duì)于可燃物含水率實(shí)時(shí)變化的預(yù)測(cè)，考慮隨機(jī)效應(yīng)和異方差結(jié)構(gòu)的NLME模型的檢驗(yàn)精度(MAE=0.495 8，MRE=0.034 2)比利用最小二乘法擬合的多元非線性回歸模型(MAE=0.588 5，MRE=0.588 5)有所提高,說(shuō)明基于混合效應(yīng)模型的可燃物含水率實(shí)時(shí)變化模型可以很好地描述區(qū)域尺度上不同林分類(lèi)型的可燃物含水率實(shí)時(shí)變化規(guī)律。

大興安嶺；可燃物含水率；非線性混合效應(yīng)模型；異方差

Daxing’an Mountains; Fuel moisture content; Nonlinear mixed effects models (NLMEMs); Heteroscedasticity

森林可燃物是林火發(fā)生的物質(zhì)基礎(chǔ)和首要條件[1]，其含水率多少是決定森林火災(zāi)發(fā)生的重要指標(biāo)之一,研究森林可燃物含水率變化的規(guī)律,有利于人類(lèi)了解森林火災(zāi)發(fā)生的規(guī)律。目前，可燃物含水率預(yù)測(cè)模型的方法主要包括4種：基于平衡含水率的方法、氣象要素回歸法、遙感估測(cè)法、基于過(guò)程模型的方法。在這4種方法中，基于平衡含水率的預(yù)測(cè)方法應(yīng)用最廣，在美國(guó)、加拿大等國(guó)家的森林火險(xiǎn)等級(jí)系統(tǒng)中已廣泛應(yīng)用，且預(yù)測(cè)效果較好[2]。近年來(lái)，許多學(xué)者針對(duì)不同林分類(lèi)型對(duì)可燃物含水率變化進(jìn)行研究。金森等[3-4]針對(duì)江西、云南典型林分建立可燃物含水率預(yù)測(cè)模型。楊博文等[5]分析了帽兒山兩林分氣溫與地表可燃物溫度差異及對(duì)可燃物含水率預(yù)測(cè)的影響。周振超等[6]對(duì)哈爾濱城市林業(yè)示范基地典型林分地表死可燃物含水率與氣象因子的關(guān)系進(jìn)行了研究。胡海清等[7]預(yù)測(cè)了大興安嶺典型林分地表死可燃物含水率動(dòng)態(tài)變化。上述研究都是在林分尺度上對(duì)可燃物含水率進(jìn)行研究，林分類(lèi)型的不同決定了可燃物含水率變化規(guī)律不同，為了便于分析不同林分類(lèi)型對(duì)地被可燃物含水率變化的影響，建立含有林分因子的可燃物含水率模型是非常重要的。

混合效應(yīng)模型是指模型中部分參數(shù)或全部參數(shù)由固定效應(yīng)和隨機(jī)參數(shù)的混合組成,該模型為分析分組數(shù)據(jù)提供了靈活和強(qiáng)有力的工具。因此，利用混合效應(yīng)模型來(lái)分析不同林分因子的森林可燃物含水率變化規(guī)律是可行的。

基于黑龍江省大興安嶺林區(qū)南甕河生態(tài)站采集的落葉松林、蒙古櫟林、落葉松白樺混交林3種典型林分的地被可燃物含水率和相應(yīng)的氣象因子數(shù)據(jù)，采用非線性混合效應(yīng)(NLME)模型的方法，考慮林分因子的隨機(jī)效應(yīng)和數(shù)據(jù)間的異方差性，建立可燃物含水率實(shí)時(shí)變化模型，并利用獨(dú)立樣本數(shù)據(jù)對(duì)模型的精度進(jìn)行檢驗(yàn)，以期建立具有混合效應(yīng)的可燃物含水率預(yù)測(cè)模型，進(jìn)而使區(qū)域尺度上不同林分類(lèi)型的可燃物含水率模型具有相容性，為區(qū)域尺度上的林火預(yù)測(cè)提供理論依據(jù)。

1 研究區(qū)概況

研究區(qū)位于黑龍江省大興安嶺南甕河生態(tài)站(125°7′55″～125°50′5″E，51°5′7″～51°39′24″N)。該區(qū)為大興安嶺支脈，伊勒呼里山南坡，屬低山丘陵地貌，地形起伏不大，地勢(shì)為北高南低，西高東低，海拔高一般為500～800 m。氣候?qū)俸疁貛Т箨懶约撅L(fēng)氣候，冬季受西伯利亞寒流的影響，異常寒冷，冬季漫長(zhǎng)，長(zhǎng)達(dá)9個(gè)月，年平均氣溫-3 ℃，極端最低溫度-48 ℃。相反，溫暖季節(jié)甚短，夏季最長(zhǎng)不超過(guò)1個(gè)月，極端最高氣溫36 ℃。年降水量500 mm左右，80%以上皆集中于溫暖季節(jié)(7—8月)。而5—6月常有明顯旱象，形成云霧少，日照強(qiáng)，溫度低的氣候特點(diǎn)，致使林木草原火險(xiǎn)增多。主要林分為落葉松(Larixgmelinii)、山楊(Populusdavidiana)、白樺(Betulaplatyphylla)、蒙古櫟(Quercusmongolica)、落葉松白樺混交林、山楊白樺混交林等。

2 研究方法

2.1 數(shù)據(jù)來(lái)源

在南甕河生態(tài)站分別在落葉松林、蒙古櫟林、落葉松白樺混交林內(nèi)設(shè)置樣地。在樣地內(nèi)設(shè)置數(shù)據(jù)收集點(diǎn)，觀測(cè)儀器每小時(shí)自動(dòng)收錄地被可燃物含水率，以及生態(tài)站實(shí)時(shí)觀測(cè)氣象數(shù)據(jù)，主要包括氣溫、空氣相對(duì)濕度、風(fēng)速、降雨量等。本文所使用的數(shù)據(jù)為2015年6月11日00時(shí)—2015年6月14日23時(shí)的觀測(cè)數(shù)據(jù)，其中2015年6月11日00時(shí)—2015年6月13日23時(shí)的觀測(cè)數(shù)據(jù)數(shù)據(jù)作為建模數(shù)據(jù)，2015年6月14日00時(shí)—2015年6月14日23時(shí)的觀測(cè)數(shù)據(jù)作為檢驗(yàn)數(shù)據(jù)，用于模型檢驗(yàn)，統(tǒng)計(jì)信息見(jiàn)表1。數(shù)據(jù)處理利用R和SPSS 18.0軟件完成。

表1 建模數(shù)據(jù)和檢驗(yàn)數(shù)據(jù)統(tǒng)計(jì)信息

注：Mt、Tt、Ht分別表示t時(shí)刻的可燃物含水率、氣溫和空氣相對(duì)濕度。

2.2 混合效應(yīng)模型

降水對(duì)可燃物含水率的變化有明顯的影響，而降水量與可燃物含水率之間的關(guān)系比較復(fù)雜，本文建立的模型和使用的方法均基于無(wú)降水的情況。

由于可燃物含水率的瞬時(shí)變化率主要受可燃物的含水率與其平衡含水率的影響[8]。因此可燃物含水率變化模型為：

dMt/dt=k(Et-Mt)。

(1)

式中：Mt為可燃物t時(shí)刻的含水率；Et為可燃物t時(shí)刻的平衡含水率。

將方程(1)離散化，可得到可燃物含水率實(shí)時(shí)變化預(yù)測(cè)模型(1 h內(nèi)變化)：

Mt+1=(1-k)Mt+k·g(Tt，Ht)。

(2)

式中：Tt為t時(shí)刻的溫度；Ht為t時(shí)刻的空氣相對(duì)濕度；Et=g(Tt，Ht)為環(huán)境因子對(duì)平衡含水率的響應(yīng)函數(shù)。

Lindstrom et al[9]定義NLME模型為：

yij=f(φij，vij)+εij，i=1、…、N，j=1、…、n。

(3)

式中：yij=Mij+1為第i個(gè)林分j+1時(shí)刻的可燃物含水率；yij為第i個(gè)林分j+1時(shí)刻的可燃物含水率所對(duì)應(yīng)的影響因子，包括第i個(gè)林分j時(shí)刻的可燃物含水率(Mij)、氣溫(Tij)和空氣相對(duì)濕度(Hij)；N為林分因子的個(gè)數(shù)，取值為3；ni為第i個(gè)林分可燃物含水率數(shù)據(jù)的組數(shù)，取值為72；εij為第i個(gè)林分j時(shí)刻觀測(cè)數(shù)據(jù)的誤差項(xiàng)值；φij是出現(xiàn)在非線性函數(shù)f中，由固定效應(yīng)和隨機(jī)效應(yīng)組成的形式參數(shù)向量，非線性函數(shù)f的表達(dá)式：

f=(1-k)Mij+k·g(Tij，Hij)。

(4)

2.3 形式參數(shù)構(gòu)造與誤差結(jié)構(gòu)

根據(jù)Pinheiro et al[10]在基礎(chǔ)模型中選擇不同的固定效應(yīng)參數(shù)組合添加隨機(jī)效應(yīng)組成混合參數(shù)進(jìn)行模擬，選擇模型收斂及模擬精度最高的混合效應(yīng)模型作為該水平的最優(yōu)模型，即采用赤池信息量準(zhǔn)則(AIC)、貝葉斯信息準(zhǔn)則(BIC)、負(fù)二倍的對(duì)數(shù)似然值(-2LL)等模型的評(píng)價(jià)指標(biāo)，對(duì)模型的精度進(jìn)行比較分析，這3個(gè)模型的評(píng)價(jià)指標(biāo)值越小，其模擬精度越高。

為避免模型參數(shù)過(guò)多，本文利用似然比檢驗(yàn)[11]：

LRT=2lg(L1/L2)=2(lgL1-lgL2)。

(5)

其中：L1為復(fù)雜模型的最大似然函數(shù)值；L2為簡(jiǎn)單模型的最大似然函數(shù)值，LRT近似服從λ分布，且其自由度為k1-k2。給定顯著性水平α=0.05，當(dāng)LRT≥λα(k1-k2)拒絕原假設(shè)，說(shuō)明復(fù)雜模型與簡(jiǎn)單模型差異顯著，選擇隨機(jī)效應(yīng)參數(shù)較多的復(fù)雜模型；反之，接受原假設(shè)選擇隨機(jī)效應(yīng)參數(shù)較少的簡(jiǎn)單模型。

協(xié)方差矩陣R反映了數(shù)據(jù)間的異方差性，本研究試圖通過(guò)給殘差方差增加權(quán)重的方法消除數(shù)據(jù)間的異方差性。從自變量為當(dāng)前時(shí)刻的含水率的指數(shù)函數(shù)、冪函數(shù)和常數(shù)加冪函數(shù)3個(gè)候選模型中由AIC、BIC、-2LL和似然比檢驗(yàn)確定一個(gè)效果最好的殘差方差模型[12]。其結(jié)構(gòu)表達(dá)式為：

(6)

Var(εij)=σ2exp(2δMij)；

(7)

(8)

(9)

其中：σ2為剩余方差；Ri為i林分樣地?cái)?shù)據(jù)的協(xié)方差矩陣；為Gi為ni×ni維的對(duì)角矩陣，反映混合效應(yīng)模型的隨機(jī)效應(yīng)異方差性；Ii為ni×ni維的方差矩陣，描述了隨機(jī)效應(yīng)的自相關(guān)性，假定Ii為ni×ni維的單位矩陣；Mij為第i林分樣地內(nèi)第j時(shí)刻的可燃物含水率；δ、δ1、δ2為待估參數(shù)。

2.4 模型誤差分析

本研究利用含水率平均絕對(duì)誤差(MAE)、含水率平均相對(duì)誤差(MRE)這兩個(gè)指標(biāo)對(duì)非線性多元回歸模型和NLME模型進(jìn)行精度評(píng)價(jià)，MAE和MRE的值越接近0，說(shuō)明模型的精度越高[13]。

(10)

(11)

3 結(jié)果與分析

3.1 基礎(chǔ)模型的確定

選擇四種不同的環(huán)境影響因子對(duì)可燃物平衡含水率的響應(yīng)方程，采用最小二乘法擬合可燃物含水率實(shí)時(shí)變化模型，結(jié)果見(jiàn)表2。

表2 基于不同平衡含水率方程的可燃物含水率模型擬合結(jié)果比較

注：*表示一般顯著；** 表示顯著；*** 表示非常顯著。

從表2中可以看出模型Ⅰ的平均絕對(duì)誤差(MAE)和平均相對(duì)誤差(MRE)最小，從評(píng)價(jià)指標(biāo)的大小方面考慮應(yīng)該選擇模型Ⅰ為基礎(chǔ)模型。但是從系數(shù)的顯著性來(lái)看，模型Ⅰ的參數(shù)c的顯著水平大于0.1，顯著性不強(qiáng)，因此，選擇每一個(gè)參數(shù)顯著性水平都小于0.02，且平均絕對(duì)誤差(MAE)和平均相對(duì)誤差(MRE)相對(duì)最小的模型Ⅳ作為基礎(chǔ)模型：

Mij+1=(1-k)Mij+k(a+bHij+cTijHij)。

(12)

3.2 隨機(jī)效應(yīng)參數(shù)的確定

以林分因子作為隨機(jī)效應(yīng)，考慮不同隨機(jī)效應(yīng)參數(shù)的組合，利用R語(yǔ)言的nlme功能，基于模型12建立NLME模型，并對(duì)模型的擬合精度進(jìn)行比較。不同隨機(jī)效應(yīng)參數(shù)組合的模型擬合精度見(jiàn)表3。

對(duì)于可燃物含水率模型，只有8種NLME模型收斂，其中模型12-1、12-2、12-3、12-4的AIC、BIC值完全相等，模型12-5、12-6、12-7、12-8的AIC、BIC值完全相等，并且各個(gè)模型差別不大。參數(shù)k代表水分的擴(kuò)散系數(shù)，參數(shù)a、b、c與平衡含水率相關(guān)，從實(shí)際意義考慮林分因子對(duì)這4個(gè)參數(shù)均有影響，可以添加隨機(jī)效應(yīng)，本文選擇以k和b同時(shí)作為混合參數(shù)的模型(12-5)建立可燃物含水率的NLME模型：

Mij+1=(1-(k+uik))Mij+(k+uik)(a+(b+uib)Hij+cTijHij)。

(13)

式中：uik為模型中參數(shù)k考慮林分因子的隨機(jī)效應(yīng)參數(shù)，uib為模型中參數(shù)b考慮林分因子的隨機(jī)效應(yīng)參數(shù)。

表3 基于不同隨機(jī)效應(yīng)參數(shù)組合的可燃物含水率模型擬合精度比較

模型編號(hào)隨機(jī)效應(yīng)參數(shù)AICBIC-2LL12-1k957.65977.79945.6512-2a957.65977.79945.6512-3b957.65977.79945.6512-4c957.65977.79945.6512-5k、b961.65988.50945.6512-6k、c961.65988.50945.6512-7a、c961.65988.50945.6512-8b、c961.65988.50945.65

3.3 異方差結(jié)構(gòu)的NLME模型

借助模型的擬合值-殘差分布圖可以直觀地判斷出數(shù)據(jù)間是否存在異方差性[14]，圖1a、圖1b分別是傳統(tǒng)非線性多元回歸模型與考慮隨機(jī)效應(yīng)和異方差結(jié)構(gòu)的混合效應(yīng)模型的可燃物含水率擬合值-殘差分布結(jié)果。從圖1a可以看出，采用最小二乘法擬合的可燃物含水率的殘差是隨著擬合值的增大而增大的，表明數(shù)據(jù)間存在異方差。為解決異方差問(wèn)題，用冪函數(shù)、指數(shù)函數(shù)和常數(shù)加冪函數(shù)作為異方差結(jié)構(gòu)對(duì)模型13進(jìn)行改進(jìn)，結(jié)果見(jiàn)表4。從表4中可知，AIC、BIC、-2LL等評(píng)價(jià)指標(biāo)均明顯降低，說(shuō)明考慮異方差結(jié)構(gòu)的NLME模型明顯提高了模型的預(yù)估能力，且與不考慮異方差結(jié)構(gòu)的NLME模型相比具有顯著差異，其中以常數(shù)加冪函數(shù)作為異方差結(jié)構(gòu)的NLME模型(模型13-3)效果最好。利用建模數(shù)據(jù)對(duì)模型13-3進(jìn)行擬合，最終得到可燃物含水率的NLME模型：

Mij+1=(1-(0.071+uik))Mij+(0.071+uik)(13.866+(0.182+uib)Hij-0.007TijHij)。

(14)

圖1b為模型14的擬合值-殘差分布圖，可以看出該模型能夠在一定程度上消除數(shù)據(jù)間的異方差。

a.傳統(tǒng)最小二乘法模擬的殘差分布 b.混合效應(yīng)模擬的殘差分布

圖1 傳統(tǒng)非線性多元回歸模型和混合效應(yīng)模型模擬結(jié)果殘差分布

3.4 模型檢驗(yàn)

基于建模數(shù)據(jù)和檢驗(yàn)數(shù)據(jù)分別計(jì)算模型12和模型14的MAE和MRE指標(biāo)(見(jiàn)表5)。從表5可知，可燃物含水率的NLME模型(模型14)的擬合精度和檢驗(yàn)精度均優(yōu)于基礎(chǔ)模型(模型12)。

表5 基礎(chǔ)模型與混合效應(yīng)模型模擬結(jié)果比較

3.5 不同林分可燃物含水率的差異性

與一般的非線性回歸模型不同，混合效應(yīng)模型考慮了不同林分類(lèi)型可燃物含水率變化的差異，把誤差分解成兩部分，一部分為因林分因子不同而產(chǎn)生的隨機(jī)效應(yīng)，另一部分是隨機(jī)誤差。由于混合效應(yīng)模型中各參數(shù)具有明確的生物學(xué)意義，因此，根據(jù)各自隨機(jī)效應(yīng)取值大小可反映出相應(yīng)的隨機(jī)效應(yīng)因子對(duì)可燃物含水率大小的影響程度[14]。由于模型參數(shù)中，固定效應(yīng)參數(shù)恒取一個(gè)值，在相同氣象條件下(即溫度與相對(duì)濕度相同)對(duì)于同一個(gè)初始可燃物含水率，隨機(jī)效應(yīng)參數(shù)uik越小，可燃物含水率的變化越??；而隨機(jī)效應(yīng)參數(shù)uib越大，平衡含水率越大，可燃物含水率的變化越大。

表6 不同林分的隨機(jī)作用參數(shù)

表6是不同林分隨機(jī)作用參數(shù)值，由于這些隨機(jī)效應(yīng)是由林分因子的差異產(chǎn)生的，因此它們的值可以反映在相同的氣象條件下當(dāng)初始可燃物含水率相同時(shí)，經(jīng)過(guò)1小時(shí)后不同林分可燃物含水率的差異性。不同林分對(duì)水分?jǐn)U散因子的影響程度由大到小的順序?yàn)椋郝淙~松林、落葉松白樺混交林、蒙古櫟林；不同林分對(duì)平衡含水率的影響程度由大到小的順序?yàn)椋好晒艡盗帧⒙淙~松白樺混交林、落葉松林。

4 結(jié)論

1)利用單水平NLME模型方法，基于多元非線性回歸模型建立了大興安嶺典型林分地表可燃物含水率實(shí)時(shí)變化預(yù)測(cè)模型，并考慮了不同隨機(jī)效應(yīng)參數(shù)的組合，用AIC、BIC、和-2LL及LRT對(duì)模型的擬合精度進(jìn)行檢驗(yàn)。結(jié)果表明：選擇以k和b同時(shí)作為混合參數(shù)建立的單水平NLME模型，從實(shí)際生物意義角度考慮是合理的，充分反映出林分因子的影響。

2)在模型建立過(guò)程中，通過(guò)殘差方差增加權(quán)重的方法，解決數(shù)據(jù)間的異方差問(wèn)題，與傳統(tǒng)的多元線性回歸模型相比，考慮隨機(jī)效應(yīng)和異方差結(jié)構(gòu)的混合效應(yīng)模型，可以很好地反映總體的可燃物含水率變化趨勢(shì)，還可以反映不同林分對(duì)可燃物含水率變化的差異，同時(shí)消除數(shù)據(jù)間的異方差性，進(jìn)而提高模型的預(yù)估精度。

3)選擇大興安嶺林區(qū)3個(gè)典型林分的地被可燃物含水率的數(shù)據(jù)來(lái)建立的NLME模型，分析表明林分類(lèi)型的不同對(duì)可燃物含水率變化的影響是不同的。由于數(shù)據(jù)的原因，對(duì)于大興安嶺林區(qū)其他林分類(lèi)型本文沒(méi)有進(jìn)行研究，因此，本文建立的混合效應(yīng)模型只適用于文中提到的3種典型林分。

4)具有混合效應(yīng)的可燃物含水率模型，是反映林分尺度上的可燃物含水率實(shí)時(shí)變化規(guī)律，如果去掉混合效應(yīng)，則可以描述區(qū)域尺度上的可燃物含水率實(shí)時(shí)變化規(guī)律。如果具有混合效應(yīng)的模型與各林分分別建模差別較小，并且各林分單獨(dú)建模的數(shù)據(jù)較少時(shí)，也可通過(guò)建立具有混合效應(yīng)模型來(lái)實(shí)現(xiàn)。

[1] 田甜，邸雪穎．森林地表可燃物含水率變化機(jī)理及影響因子研究概述[J]．森林工程，2013，29(2):21-25.

[2] MATTHEWS S， MCCAW W L， NEAL J E， et al． Testing a process-based fine fuel moisture model in two forest types[J]. Canadian Journal of Forest Research，2006，37(1):23-35.

[3] 金森，劉萬(wàn)龍.江西南昌典型林分地表死可燃物含水率預(yù)測(cè)：方法優(yōu)選與適用性分析[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2014，34(11)：1-8.

[4] 金森，劉周勇.昆明典型地表死可燃物含水率預(yù)測(cè)模型的研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2014，34(12)：7-15.

[5] 楊博文，陳鵬宇，金森.帽兒山兩林分氣溫與地表可燃物溫度差異及對(duì)可燃物含水率預(yù)測(cè)的影響[J].林業(yè)科學(xué)，2015，51(7)：91-98.

[6] 周振超，劉安婧，趙磊森，等.典型林分地表死可燃物含水率與氣象因子的關(guān)系：以哈爾濱城市林業(yè)示范基地典型可燃物為例[J].林業(yè)科技情報(bào)，2016，48(2)：4-11.

[7] 胡海清，陸昕，孫龍，等.大興安嶺典型林分地表死可燃物含水率動(dòng)態(tài)變化及預(yù)測(cè)模型[J].應(yīng)用生態(tài)學(xué)報(bào)，2016，27(7)：2212-2224.

[8] NELSON R M. Prediction of diurnal change in 10hour fuel stick moisture content[J]. Canadian Journal of Forest Research，2000，30(7):1071-1087.

[9] LINDSTROM M J， BATES D M． Nonlinear mixed effects models for repeated measures data[J]． Biometrics，1990,46(3):673-687.

[10] PINHEIRO J C， BATES D M． Mixed effects models in SandS-Plus[M]． New York: Spring-Verlag，2000.

[11] FANG Z， BAILEY R L． Nonlinear mixed effects modeling for slash pine dominant height growth following intensive silvicultural treatments[J]． Forest Science，2001,47( 3):287-300.

[12] 符利勇，孫華.基于混合效應(yīng)模型的杉木單木冠幅預(yù)測(cè)模型[J].林業(yè)科學(xué)，2013，49(8)：65-74.

[13] 陸昕，胡海清，孫龍，等.大興安嶺地表細(xì)小死可燃物含水率預(yù)測(cè)模型[J].東北林業(yè)大學(xué)學(xué)報(bào)，2016，44(7)：84-90.

[14] 陳東升，孫曉梅，李鳳日.基于混合模型的落葉松樹(shù)高生長(zhǎng)模型[J].東北林業(yè)大學(xué)學(xué)報(bào)，2013，41(10)：60-64.

邢俊景，女，1989年11月生，東北林業(yè)大學(xué)理學(xué)院，碩士研究生，E-mail：973063328@qq.com。

曲智林，東北林業(yè)大學(xué)理學(xué)院，教授。E-mail：q_zhilin@nefu.edu.cn。

2016年12月20日。

S762.1

1)林業(yè)公益性行業(yè)科研專(zhuān)項(xiàng)(201404402)。

責(zé)任編輯：王廣建。

Ground Surface Fuel Moisture Content by Mixed Effects Models in Daxing’an Mountains//Xing Junjing, Qu Zhilin(Northeast Forestry University, Harbin 150040, P. R. China)//Journal of Northeast Forestry University，2017,45(3)：58-62.

A real-time fuel moisture prediction model with the mixed effects was built with nonlinear mixed effect model (NLMEM) and stand factors as the stochastic effect. The fuel moisture model was with 288 sets of data related to the fuel moisture which were collected from three typical forests includingLarixgmelinii,QuercusmongolicaFischer and mixture ofLarixgmeliniiandBetulaplatyphylla. This model can solve the problems of heteroscedasticity by adding more weights to the residual variance. The results show that the fitting effect of the real-Time NLME prediction model (MAE=0.716 7,MRE=0.026 6) with the random effects and heteroscedasticity are better than that of the model (MAE=0.815 6,MRE=0.031 2) without considering the random effects. Moreover, the accuracy of the model (AIC=547.72, BIC=581.29, -2LL=527.72) using a constant plus power function as the heteroscedastic structure is the highest, and it is obvious superior to the real-time NLME prediction model (AIC=961.65, BIC=988.50, -2LL=945.65) without adding more weights to the residual variance. The results from the model test by using independent samples show that the test precision of the NLME model (MAE=0.495 8，MRE=0.034 2) with the random effects, and heteroscedasticity structure has some improvements in comparison to the multivariate nonlinear regression model (MAE=0.588 5,MRE=0.588 5) fitted by the least square method. The real-time fuel moisture content prediction model based on the mixed effects method can well describe the change laws in fuel moisture content for different types of forest in the regional scale of interest.