林业科学
林業科學
임업과학
SCIENTIA SILVAE SINICAE
2011年
7期
20-26
,共7页
张雷%刘世荣%孙鹏森%王同立
張雷%劉世榮%孫鵬森%王同立
장뢰%류세영%손붕삼%왕동립
DOMAIN%NeuralEnsembles%模型耦合%潜在分布模拟%气候变化%毛竹
DOMAIN%NeuralEnsembles%模型耦閤%潛在分佈模擬%氣候變化%毛竹
DOMAIN%NeuralEnsembles%모형우합%잠재분포모의%기후변화%모죽
通过概形分析模型( profile technique)——DOMAIN生成物种生境适宜分布图,选取低适宜性的地区作为物种不存在区,然后应用分类判别分析模型(group discrimination technique)-NeuralEnsembles预测我国毛竹潜在分布.结果表明:通过耦合DOMAIN和NeuralEnsembles模型可以改进NeuralEnsenbles模型预测精度；AUC和敏感度对用于建模的物种不存在数据取样数量不敏感,而最大Kappa值随着不存在数据取样数量的增大逐渐减小；未来气候变化将导致毛竹向北迁移33～266 km,面积增加7.4% ～13.9%.
通過概形分析模型( profile technique)——DOMAIN生成物種生境適宜分佈圖,選取低適宜性的地區作為物種不存在區,然後應用分類判彆分析模型(group discrimination technique)-NeuralEnsembles預測我國毛竹潛在分佈.結果錶明:通過耦閤DOMAIN和NeuralEnsembles模型可以改進NeuralEnsenbles模型預測精度；AUC和敏感度對用于建模的物種不存在數據取樣數量不敏感,而最大Kappa值隨著不存在數據取樣數量的增大逐漸減小；未來氣候變化將導緻毛竹嚮北遷移33～266 km,麵積增加7.4% ～13.9%.
통과개형분석모형( profile technique)——DOMAIN생성물충생경괄의분포도,선취저괄의성적지구작위물충불존재구,연후응용분류판별분석모형(group discrimination technique)-NeuralEnsembles예측아국모죽잠재분포.결과표명:통과우합DOMAIN화NeuralEnsembles모형가이개진NeuralEnsenbles모형예측정도；AUC화민감도대용우건모적물충불존재수거취양수량불민감,이최대Kappa치수착불존재수거취양수량적증대축점감소；미래기후변화장도치모죽향북천이33～266 km,면적증가7.4% ～13.9%.
