古尔班通古特沙漠灌木冠幅预测模型

doi:10.7522/j.issn.1000-694X.2022.00001

摘要/Abstract

摘要：

古尔班通古特沙漠是中国第二大沙漠，也是中国固定和半固定沙丘主要分布区，固沙灌木种较多。冠幅不仅是反映固沙灌木可视化的重要参数，也是反映沙漠植被生长情况的重要变量。以3种沙丘（固定沙丘、半固定沙丘和流动沙丘）上主要固沙灌木为研究对象，利用12种基础模型、BP（Backpropagation Neural Network）神经网络和支持向量机（Support Vector Machine，SVM）机器学习算法建立了基于固沙灌木株高和冠长率的冠幅预测模型，同时将两种机器学习算法拟合结果与基础模型进行比较，最终选出了适合研究区的冠幅预测模型。结果表明：（1）不同沙丘类型和不同灌木种类的最优冠幅预测模型不同，且固定沙丘和半固定沙丘模型优于流动沙丘。3种沙丘类型最优拟合为M2（Quadratic Model）模型；（2）白梭梭（Haloxylon persicum）在半固定沙丘和流动沙丘上拟合的最优模型分别为M2、M7（Gompertz），沙拐枣（Calligonum mongolicum）最优模型为M2，蛇麻黄（Ephedra distachya）和油蒿（Artemisia ordosica）在半固定沙丘和流动沙丘上拟合较优模型分别为M2、M7。总体来说，基础模型M2和M7可以较好地预测不同类型的灌木冠幅值；（3）基于径向基（Radial Basis Function）核函数的支持向量回归机的冠幅预测模型明显优于BP神经网络模型。

关键词: 株高, 冠幅, 冠长率, 基础模型, BP神经网络, SVM支持向量机

Abstract:

The Gurbantunggut Desert， the main distribution area of fixed and semi-fixed dunes， is the second largest desert in China with a relatively large variety of sand-fixing shrubs. The canopy width is an essential parameter for the visualization of sand-fixing shrubs， which is also a necessary variable for the growth of desert vegetation. The purpose of this study was to assess the main sand-fixing shrubs on three types of sand dunes （fixed， semi-fixed， mobile dunes） in the sand zone. The experiment uses 12 base models， Backpropagation Neural Network （BP）， Support Vector Machine （SVM） machine learning algorithms to develop a canopy width prediction model based on the height and crown length rate of sand-fixing shrubs. To compare the two machine learning algorithm fits，canopy prediction models suitable for the experiment was selected. The results were as follows：（1） The different optimal canopy width prediction models had a difference in dune types and shrub species， and the fixed and semi-fixed dune models outperform the mobile dune models. The three dune types were optimally fitted to the M2 （Quadratic Model） model. （2） The optimal models fitted for Haloxylon persicum on semi-fixed and mobile dunes were M2 and M7（Gompertz） model， respectively. The best-fitting model for Calligonum mongolicum was M2 model. In contrast， the better-fitting models for Serpentine and Artemisia ordosica were M2 and M7 model on semi-fixed and mobile dunes， respectively. Generally， the models of M2 and M7 had a better predictors of different types of shrub crown width values. （3） The Radial Basis Function （RBF） kernel-based support vector regression machine was better than the BP neural network model in crown width prediction.

Key words: plant height, crown width, crown length rate, base model, BP neural network, support vector machine

中图分类号:

Q948.1

王明娜, 张定海, 张志山, 路丽宁. 古尔班通古特沙漠灌木冠幅预测模型[J]. 中国沙漠, 2022, 42(4): 139-150.

Mingna Wang, Dinghai Zhang, Zhishan Zhang, Lining Lu. Canopy width prediction models for the Gurbantunggut Desert[J]. Journal of Desert Research, 2022, 42(4): 139-150.

图/表 14

表1 不同沙丘类型上固沙灌木的基本信息

Table 1 Basic information for sand-fixing shrubs on different types of sand dunes

沙丘类型	固沙灌木	数量 /株	冠幅 /m	株高 /m	冠长率
固定沙丘	全部	2 344	0.56±0.48	0.74±0.58	0.85±0.87
	白梭梭	1 142	0.64±0.46	0.91±0.58	0.81±1.08
	梭梭	1 202	0.48±0.48	0.58±0.53	0.89±0.62
半固定沙丘	全部	1 651	0.48±0.43	0.42±0.44	1.18±0.55
	白梭梭	169	0.92±0.72	1.20±0.90	0.81±0.43
	沙拐枣	268	0.78±0.34	0.45±0.16	1.79±0.73
	蛇麻黄	122	0.30±0.10	0.25±0.06	1.21±0.35
	油蒿	1 092	0.36±0.31	0.30±0.22	1.08±0.45
流动沙丘	全部	1 187	0.66±0.54	0.45±0.38	1.67±1.18
	白梭梭	323	0.40±0.40	0.65±0.60	0.67±0.48
	沙拐枣	474	0.82±0.48	0.40±0.19	2.18±1.31
	蛇麻黄	63	1.75±0.76	0.47±0.18	3.81±1.53
	油蒿	327	0.46±0.28	0.32±0.18	1.52±0.73

表2 冠幅预测的基础模型

Table 2 Basic model of canopy width prediction

模型	名称	表达式	模型	名称	表达式
M1	Linear	$y = a + b x 1 + c x 2$	M7	Gompertz	$y = a e x p [- b e x p (- c x 1 - d x 2)]$
M2	Quadratic	$y = a + b x 1 + c x 12 + d x 2 + e x 22$	M8	Growth	$y = e x p (a + b x 1 + c x 2)$
M3	Power	$y = a x 1 b + c x 2 d$	M9	Gauss	$y = a e x p (- [(x 1 - b - x 2 - c) / d] 2)$
M4	Exponential	$y = a e x p (b x 1 + c x 2)$	M10	Mitscherlinch	$y = a [1 - e x p (- b x 1 - c x 2)]$
M5	Logarithmic	$y = a + b l g (x 1) + c l g (x 2)$	M11	Hossfeld	$y = 1 / (a + b x 1 + c x 2)$
M6	Logistic	$y = a / [1 + b e x p (- c x 1 - d x 2)]$	M12	HossfeldⅠ	$y = [(x 1 + x 2) / (a + b x 1 + c x 2)] 2$

表2 冠幅预测的基础模型

Table 2 Basic model of canopy width prediction

模型	名称	表达式	模型	名称	表达式
M1	Linear	$y = a + b x 1 + c x 2$	M7	Gompertz	$y = a e x p [- b e x p (- c x 1 - d x 2)]$
M2	Quadratic	$y = a + b x 1 + c x 12 + d x 2 + e x 22$	M8	Growth	$y = e x p (a + b x 1 + c x 2)$
M3	Power	$y = a x 1 b + c x 2 d$	M9	Gauss	$y = a e x p (- [(x 1 - b - x 2 - c) / d] 2)$
M4	Exponential	$y = a e x p (b x 1 + c x 2)$	M10	Mitscherlinch	$y = a [1 - e x p (- b x 1 - c x 2)]$
M5	Logarithmic	$y = a + b l g (x 1) + c l g (x 2)$	M11	Hossfeld	$y = 1 / (a + b x 1 + c x 2)$
M6	Logistic	$y = a / [1 + b e x p (- c x 1 - d x 2)]$	M12	HossfeldⅠ	$y = [(x 1 + x 2) / (a + b x 1 + c x 2)] 2$

表3 3种沙丘上主要固沙灌木的冠幅预测模型拟合结果

Table 3 Fitting results of crown width prediction model for three main sand-fixing shrubs on sand dunes

沙丘类型	模型	参数					评价指标				模型检验 P
沙丘类型	模型	a	b	c	d	e	R²	RMSE	MAE	MAPE/%	模型检验 P
固定沙丘	M1	-0.090	0.736	11.580			0.793	0.216	0.001	23.91	<0.001
	M2	-0.223	0.717	28.580	0.017	-90.970	0.838	0.192	0.001	24.90	<0.001
	M3	0.527	1.344	0.211	0.680		0.812	0.206	0.132	37.48	<0.001
	M6	2.228	23.370	1.767	68.660		0.817	0.203	0.124	34.21	<0.001
	M7	2.563	4.213	0.928	33.120		0.816	0.204	0.117	25.54	<0.001
	M10	445.100	0.002	0.016			0.782	0.222	0.140	36.42	<0.001
半固定沙丘	M1	-0.278	0.818	35.430			0.886	0.144	0.092	44.82	<0.001
	M2	-0.458	1.119	53.070	-0.131	-619.700	0.916	0.124	0.090	62.19	<0.001
	M6	1.686	47.560	3.656	109.800		0.892	0.141	0.082	42.73	<0.001
	M7	1.924	5.998	1.786	58.250		0.905	0.132	0.073	25.51	<0.001
	M12	0.484	0.571	-9.855			0.896	0.138	0.127	86.48	<0.001
流动沙丘	M1	-0.280	0.836	33.710			0.714	0.288	0.179	38.26	<0.001
	M2	-0.663	1.689	49.570	-0.410	-295.500	0.811	0.234	0.152	75.29	<0.001
	M3	0.679	0.935	43.210	1.162		0.669	0.310	0.225	76.95	<0.001
	M6	1.849	39.620	2.880	101.600		0.748	0.270	0.166	37.89	<0.001
	M7	2.051	6.202	1.583	58.010		0.748	0.271	0.162	29.08	<0.001

表4 固沙灌木梭梭的冠幅预测模型

Table 4 Prediction model of crown width of sand-fixing shrub Haloxylon ammodendron

模型	参数					评价指标				模型检验P
模型	a	b	c	d	e	R²	RMSE	MAE	MAPE/%	模型检验P
M1	-0.0184	19.640	0.836			0.855	0.183	0.096	24.92	<0.001
M2	-0.0293	35.590	0.827	-2 653.000	0.054	0.877	0.168	0.092	34.26	<0.001
M3	8.4840	0.911	1.190	1.274		0.844	0.190	0.113	38.14	<0.001
M7	0.2730	4.301	297.300	9.932		0.856	0.183	0.099	27.53	<0.001
M10	99.1200	0.011	0.008			0.824	0.202	0.013	47.90	<0.001

表5 固沙灌木白梭梭的冠幅预测模型

Table 5 Prediction model of crown width of sand-fixing shrub Haloxylon persicum

沙丘类型	模型	参数					评价指标				模型检验 P
沙丘类型	模型	a	b	c	d	e	R²	RMSE	MAE	MAPE/%	模型检验 P
固定沙丘	M2	0.021	30.040	0.640	-934.900	0.324	0.820	0.193	0.115	18.95	<0.001
	M3	1.346	0.561	1.217	1.461		0.797	0.205	0.135	28.39	<0.001
	M5	0.636	0.057	0.060			0.790	0.208	0.135	47.94	<0.001
	M6	0.211	22.000	797.600	16.720		0.790	0.209	0.122	23.09	<0.001
	M7	0.273	4.301	297.300	9.932		0.855	0.183	0.121	20.10	<0.001
	M9	0.211	0.187	0.166	0.085		0.794	0.220	0.102	19.75	<0.001
半固定沙丘	M1	0.649	80.090	0.766			0.915	0.209	0.161	21.27	<0.001
	M2	0.110	0.147	1.018	-0.028	0.803	0.935	0.183	0.015	33.68	<0.001
	M6	0.289	47.830	1 592.000	13.490		0.923	0.199	0.016	20.81	<0.001
	M7	0.430	5.643	675.600	5.699		0.924	0.197	0.016	18.05	<0.001
	M12	0.360	-140.600	1.278			0.931	0.188	0.025	46.15	<0.001
流动沙丘	M1	0.019	32.750	0.585			0.878	0.139	0.008	48.74	<0.001
	M2	0.032	55.830	0.684	-0.892	0.450	0.891	0.131	0.009	83.36	<0.001
	M6	0.153	31.430	1 203.000	21.550		0.880	0.138	0.009	47.45	<0.001
	M7	0.182	4.839	602.300	10.740		0.884	0.135	0.008	29.54	<0.001
	M12	0.257	-71.620	1.821			0.870	0.143	0.014	65.18	<0.001

表6 固沙灌木沙拐枣的冠幅预测模型

Table 6 Prediction model of crown width of sand-fixing shrub Calligonum mongolicum

沙丘类型	模型	参数					评价指标				模型检验 P
沙丘类型	模型	a	b	c	d	e	R²	RMSE	MAE	MAPE/%	模型检验 P
半固定沙丘	M1	-0.060	33.550	1.740			0.914	0.101	0.009	13.51	<0.001
	M2	-0.093	61.640	2.185	-6 652.000	-5.849	0.937	0.086	0.007	15.63	<0.001
	M4	0.012	446.500	21.760			0.904	0.107	0.014	24.51	<0.001
	M5	0.661	0.060	0.062			0.906	0.106	0.009	18.64	<0.001
	M7	0.344	5.638	319.400	16.400		0.928	0.092	0.009	13.04	<0.001
	M8	-4.406	446.500	21.770			0.904	0.107	0.014	24.51	<0.001
	M12	0.158	-27.890	1.363			0.905	0.107	0.016	24.75	<0.001
流动沙丘	M1	-0.060	28.220	2.029			0.832	0.198	0.013	18.48	<0.001
	M2	-0.102	50.730	2.700	-3 261.000	-7.165	0.893	0.158	0.010	23.20	<0.001
	M5	0.723	0.065	0.070			0.824	0.202	0.014	37.35	<0.001
	M6	0.232	44.960	665.400	41.890		0.851	0.186	0.011	16.01	<0.001
	M7	0.281	6.239	334.000	21.940		0.847	0.189	0.011	15.54	<0.001

表7 固沙灌木蛇麻黄的冠幅预测模型

Table 7 Prediction model of crown width of sand-fixing shrub Ephedra distachya

沙丘类型	模型	参数					评价指标				模型检验 P
沙丘类型	模型	a	b	c	d	e	R²	RMSE	MAE	MAPE/%	模型检验 P
半固定沙丘	M1	-0.031	23.560	1.276			0.852	0.022	0.0014	5.15	<0.001
	M2	-0.041	42.350	1.224	-6 987.000	0.591	0.971	0.017	0.0012	4.48	<0.001
	M3	123.500	1.316	69.690	2.380		0.907	0.030	0.0020	7.03	<0.001
	M4	0.005	691.700	37.460			0.951	0.022	0.0016	5.90	<0.001
	M5	0.348	0.030	0.022			0.956	0.021	0.0015	5.46	<0.001
	M6	0.113	42.940	1041.000	57.230		0.961	0.020	0.0014	4.71	<0.001
	M7	0.253	5.450	357.000	19.570		0.962	0.019	0.0013	4.59	<0.001
	M8	-5.329	691.700	37.460			0.951	0.022	0.0016	5.89	<0.001
	M12	0.151	-42.480	2.166			0.903	0.031	0.0013	4.58	<0.001
流动沙丘	M1	-0.126	37.390	3.396			0.938	0.190	0.0172	17.95	<0.001
	M2	-0.127	33.130	3.745	542.900	-3.189	0.936	0.193	0.0164	25.06	<0.001
	M3	1 132.000	1.726	13.430	1.638		0.903	0.239	0.0216	33.48	<0.001
	M4	0.024	252.500	20.040			0.949	0.173	0.0204	20.64	<0.001
	M6	0.468	49.280	422.600	36.010		0.965	0.143.	0.0161	11.10	<0.001
	M7	0.880	5.689	158.100	13.390		0.965	0.143	0.0160	11.00	<0.001
	M8	-3.731	252.500	20.040			0.949	0.173	0.0204	20.65	<0.001
	M12	0.121	-11.050	0.951			0.952	0.167	0.0212	14.99	<0.001

表8 固沙灌木油蒿的冠幅预测模型

Table 8 Prediction model of crown width of sand-fixing shrub Artemisia ordosica

沙丘类型	模型	参数					评价指标				模型检验 P
沙丘类型	模型	a	b	c	d	e	R²	RMSE	MAE	MAPE/%	模型检验 P
半固定沙丘	M1	-0.027	26.930	1.105			0.931	0.082	0.0059	48.75	<0.001
	M2	-0.031	38.140	0.848	-3 818.000	3.386	0.936	0.079	0.0058	52.44	<0.001
	M4	0.006	657.400	26.190			0.923	0.087	0.0072	73.71	<0.001
	M6	-198.100	-3.110	658.900	26.170		0.922	0.087	0.0039	27.75	<0.001
	M7	0.251	6.083	456.200	17.500		0.962	0.061	0.0037	21.08	<0.001
	M8	-5.054	657.200	26.180			0.923	0.087	0.0072	73.68	<0.001
	M12	0.174	-36.430	1.552			0.933	0.081	0.0077	75.89	<0.001
流动沙丘	M1	-0.025	18.080	1.328			0.873	0.101	0.0072	20.69	<0.001
	M2	-0.046	42.410	1.471	-5 710.000	-2.100	0.916	0.082	0.0065	29.66	<0.001
	M6	0.136	33.280	711.700	50.990		0.872	0.101	0.0070	17.78	<0.001
	M7	0.196	5.013	315.500	22.630		0.878	0.099	0.0068	16.66	<0.001
	M12	0.122	-18.180	1.901			0.862	0.105	0.0152	57.28	<0.001

表9 3种沙丘上固沙灌木冠幅预测的机器学习模型拟合结果

Table 9 The results of machine learning of crown width prediction for main sand-fixing shrubs on three types of sand dunes

机器学习算法类型	沙丘类型	R²	RMSE	MAE	MAPE/%
BP神经网络	固定沙丘	0.9040	0.0408	0.1255	29.17
	半固定沙丘	0.9190	0.1474	0.1149	52.78
	流动沙丘	0.9100	0.0530	0.1355	29.57
SVM支持向量机	固定沙丘	0.9997	0.0052	0.6694	1.69
	半固定沙丘	0.9997	0.0074	0.9428	2.87
	流动沙丘	0.9997	0.0081	1.0892	2.64

图1 3种沙丘上主要固沙灌木的机器学习模型的冗余主轴（虚线）回归结果

Fig.1 The results of the reduced major axis of machine learning for main sand-fixing shrubs on three types of sand dunes

表10 不同固沙灌木的BP神经网络模型结果

Table 10 BP neural network model results of different sand-fixing shrubs

固沙灌木	沙丘类型	R²	RMSE	MAE	MAPE/%
白梭梭	固定沙丘	0.9045	0.0720	0.1558	30.44
	半固定沙丘	0.9525	0.2316	0.1682	26.10
	流动沙丘	0.9770	0.0349	0.0871	51.10
梭梭	固定沙丘	0.9018	0.1327	0.1289	34.56
沙拐枣	半固定沙丘	0.9995	0.5153	1.1836	2.92
沙拐枣	流动沙丘	0.9943	0.9350	3.6987	6.56
蛇麻黄	半固定沙丘	0.9992	0.2251	0.3356	1.21
蛇麻黄	流动沙丘	0.9379	0.3153	0.3177	22.78
油蒿	半固定沙丘	0.9977	0.3750	0.9080	2.75
油蒿	流动沙丘	0.9537	0.2177	0.0905	22.41

图2 不同固沙灌木的BP神经网络模型的冗余主轴（虚线）回归结果

Fig.2 The results of the reduced major axis of BP neural network model for different sand-fixing shrubs

表11 不同固沙灌木冠幅预测的支持向量机模型

Table 11 SVM model for prediction of crown width of different sand-fixing shrubs

固沙灌木	沙丘类型	R²	RMSE	MAE	MAPE/%
白梭梭	固定沙丘	0.9998	0.0054	0.0085	1.23
	半固定沙丘	0.9990	0.0167	1.4147	3.52
	流动沙丘	0.9999	0.0081	0.8021	4.22
梭梭	固定沙丘	0.9998	0.0052	0.0086	2.76
沙拐枣	半固定沙丘	0.9998	0.0068	0.5695	1.03
沙拐枣	流动沙丘	0.9998	0.0071	0.7826	1.57
蛇麻黄	半固定沙丘	0.9998	0.0061	0.1177	0.42
蛇麻黄	流动沙丘	0.9997	0.0073	0.8457	0.42
油蒿	半固定沙丘	0.9862	0.0595	0.9805	2.92
油蒿	流动沙丘	0.9960	0.0317	0.5290	1.46

图3 不同固沙灌木的SVM模型的冗余主轴（虚线）回归结果

Fig.3 The results of the reduced major axis of SVM model for different sand-fixing shrubs.

参考文献 30

1	Yang Y， Huang S.Allometric modelling of crown width for white spruce by fixed-and mixed-effects models［J］.The Forestry Chronicle，2017，93（2）：138-147.
2	符利勇，孙华.基于混合效应模型的杉木单木冠幅预测模型［J］.林业科学，2013，49（8）：65-74.
3	刘江，徐先英，丁爱强，等.荒漠灌木侧影面积的数字化测定及应用［J］.干旱区研究，2017，34（5）：1070-1076.
4	赵维俊，刘贤德，金铭，等.祁连山青海云杉林群落结构特征分析［J］.干旱区研究，2012，29（4）：615-620.
5	张冬燕，王冬至，范冬冬，等.不同立地类型华北落叶松人工林冠幅与胸径关系研究［J］.林业资源管理，2019（4）：69-73.
6	Lei Y， Fu L， Affleck D L，et al.Additivity of nonlinear tree crown width models：aggregated and disaggregated model structures using nonlinear simultaneous equations［J］.Forest Ecology and Management，2018，427：372-382.
7	Hao X， Yu J S， Xin J W，et al.Linear mixed-effects models to describe individual tree crown width for China-fir in Fujian Province，southeast China［J］.PloS One，2015，10（4）：e0122257.
8	吕乐，董利虎，李凤日.黑龙江省东部地区天然椴树单木冠幅预测模型［J］.东北林业大学学报，2019（7）：37-42.
9	韩艳刚，雷泽勇，赵国军，等.樟子松人工固沙林冠幅-胸径模型［J］.干旱区研究，2018，35（5）：1129-1137.
10	Fu L， Sharma R P， Hao K，et al.A generalized interregional nonlinear mixed-effects crown width model for Prince Rupprecht larch in northern China［J］.Forest Ecology and Management，2017，389：364-373.
11	Sharma R P， Vacek Z， Vacek S.Individual tree crown width models for Norway spruce and European beech in Czech Republic［J］.Forest Ecology and Management，2016，366：208-220.
12	Marshall D D， Johnson G P， Hann D W.Crown profile equations for stand-grown western hemlock trees in northwestern Oregon［J］.Canadian Journal of Forest Research，2003，33（11）：2059-2066.
13	Tahvanainen T， Forss E.Individual tree models for the crown biomass distribution of Scots pine，Norway spruce and birch in Finland［J］.Forest Ecology and Management，2008，255（3/4）：455-467.
14	Monserud R A， Sterba H.A basal area increment model for individual trees growing in even-and uneven-aged forest stands in Austria［J］.Forest Ecology and Management，1996，80（1）：57-80.
15	Jiang L C， Liu R L.Segmented taper equations with crown ratio and stand density for Dahurian Larch （Larix gmelinii） in Northeastern China［J］.Journal of Forestry Research，2011，22（3）：347-352.
16	Carvalho J P， Parresol B R.Additivity in tree biomass components of Pyrenean oak （Quercus pyrenaica Willd.）［J］.Forest Ecology and Management，2003，179（1）：269-276.
17	张雷，王琳琳，张旭东，等.随机森林算法基本思想及其在生态学中的应用：以云南松分布模拟为例［J］.生态学报，2014，34（3）：650-659.
18	张润，王永滨.机器学习及其算法和发展研究［J］.中国传媒大学学报（自然科学版），2016，23（2）：10-18.
19	潘晓玲.新疆种子植物属的区系地理成分分析［J］.植物研究，1999，19（3）：249-258.
20	郭庆华，金时超，李敏，等.深度学习在生态资源研究领域的应用：理论，方法和挑战［J］.中国科学：地球科学，2020，50（10）：1354-1373.
21	周志翔，徐永荣，王鹏程，等.不同密度湿地松纸浆原料试验林早期冠幅生长模型研究［J］.华中农业大学学报，1998，17（3）：289-293.
22	Gill S J， Biging G S， Murphy E C.Modeling conifer tree crown radius and estimating canopy cover［J］.Forest Ecology and Management，2000，126：405-416.
23	詹瑾，李玉霖，韩丹，等.半干旱沙区3种优势固沙灌木生物量分配及其生态学意义［J］.中国沙漠，2020，40（5）：149-157.
24	Yi B Q， Zhao N W， Li Y Z，et al.Impact of habitat heterogeneity on plant community pattern in Gurbantunggut Desert［J］.Journal of Geographical Sciences，2004，14（4）：447-455.
25	Chen Y， Zhang L， Shi X，et al.Life history responses of spring-and autumn-germinated ephemeral plants to increased nitrogen and precipitation in the Gurbantunggut Desert［J］.Science of the Total Environment，2019，659：756-763.
26	张立运，陈昌笃.论古尔班通古特沙漠植物多样性的一般特点［J］.生态学报，2002，22（11）：1923-1932.
27	Ibrahim E M， Osman E H.Diameter at breast height-crown width prediction models for Anogeissus leiocarpus （DC.） Guill & Perr and Combretum hartmannianum Schweinf［J］.Journal of Forest Products & Industries，2014，4（3）：215-219.
28	Raptis D， Kazana V， Kazaklis A，et al.A crown width-diameter model for natural even-aged black pine forest management［J］.Forests，2018，9（10）：610.
29	潘文婵，刘尚东.BP神经网络的优化研究与应用［J］.计算机技术与发展，2019，29（5）：74-76.
30	Bohonak A J. RMA：Software for Reduced Major Axis regression v.1.17［Z］.2004.

[1]	聂敏, 刘志辉, 刘洋, 姚俊强. 基于PCA和BP神经网络的径流预测[J]. 中国沙漠, 2016, 36(4): 1144-1152.
[2]	刘洪兰, 张强, 张俊国, 王海波, 闻小艳. BP神经网络模型在伏旱预测中的应用——以河西走廊为例[J]. 中国沙漠, 2015, 35(2): 474-478.
[3]	王静静, 张文鹏, 徐当会. NaCl胁迫下钙对沙拐枣(Calligonum arborescens)株高及光合特性的影响[J]. 中国沙漠, 2015, 35(1): 167-174.
[4]	谢姆斯叶·艾尼瓦尔, 塔西甫拉提·特依拜, 王宏卫, 买买提·沙吾提, 张飞. 人工智能计算技术在新疆干旱区典型绿洲土壤盐分预测中的应用[J]. 中国沙漠, 2014, 34(1): 153-161.
[5]	吉雪花1,2, 张元明2, 陶冶2, 周小兵2, 张静2. 藓类结皮斑块面积与环境因子的关系[J]. 中国沙漠, 2013, 33(6): 1803-1809.
[6]	左合君;勾芒芒;李钢铁;李兴. BP网络模型在沙尘暴预测中的应用研究[J]. 中国沙漠, 2010, 30(1): 193-197.