本发明涉及全球任意森林小班生长预测模型的定量估测方法，特别是利用大数据预测的模式，建立森林小班生长情况与地理位置，天文条件，气候条件，土壤条件，节气条件等一系列条件的关系，结合rs、uav等遥感信息数据进行多元回归分析，进而预测全球任意森林小班生长情况的方法。
二、技术背景
森林是以木本植物为主体的生物群落，是集中的乔木与其它植物、动物、微生物和土壤之间相互依存相互制约，并与环境相互影响，从而形成的一个生态系统的总体。森林作为“地球之肺”，具有丰富的物种，复杂的结构，多种多样的功能；同时森林是地球上最大的陆地生态系统，而森林蓄积量不仅是反映一个国家或地区森林资源总规模和水平的基本指标之一，也是反映森林资源的丰富程度、衡量森林生态环境优劣的重要依据。
森林资源是地球上最重要的资源之一，是林业可持续发展的关键，如何量测森林资源现状、监测其动态系统变化，分析评价森林资源的数量、质量、分布及健康等是我们当今所关注的热点问题。随着太空卫星的发展，遥感技术已经成为森林资源监测的主要支撑手段，遥感影像真实记录了地表地类的覆盖信息，不同的地物类型由于其波谱特性不同，因此在影像上的亮度值也不同，这使得可以依据遥感影像区分不同地物类型。
20世纪70年代，遥感技术被引进我国，随着遥感事业的长足发展，遥感技术很快被应用于林业领域，森林小班的生长预测也成了研究的热点问题。钱学森院士曾在20世纪60年代提出只要拥有充分的数据，那么对于农业植物生长的情况必然可以进行准确预测。随着大数据时代的来临，遥感技术的充分发展，这个设想在现在成为了可能。
主要技术手段：利用森林类型和立地质量结合landsat卫星，spot卫星，ikonos卫星，中巴地球资源卫星，资源三号卫星等一系列国内国外的卫星遥感影像数据进行森林小班生长预测模型研究，利用卫星的全天候，多时相，多层次，数据获取量大等特点，遥感影像数据结合样地调查数据，结合地理位置，天文条件，气候条件，土壤条件，节气条件等，采用一元线性回归和逐步回归、偏最小二乘、岭估计等多元回归估计方法建立全球任意森林小班生长预测模型。
三、
技术实现要素：
为了克服传统森林小班生长模型测算的局限性，实现快速高效地评价全球任意森林小班的生长情况，本发明的目的是提供一种多元回归模型定量估测小班生长的方法。
主要
技术实现要素：
选取对小班生长情况估测影响较大的因素(林地类型，地理位置，天文条件，气候条件，土壤条件，节气条件)建立多元回归模型，利用不同条件因素的小班数据对模型进行反演解算，得到以不同林地类型为基础的小班生长情况预测与各影响因子之间的回归关系。之后，利用对应模型对指定小班进行快速估测，计算得到生长预测情况。
本项发明与现有方法相比具有以下优点：
(1)相比传统小班生长模型的测算，本项发明利用大数据的在，整合数据处理数据方面的优势，结合卫星遥感全天候，多时相的特点，例如2016年12月发射的高景一号，可以达到0.5米的分辨率，而且单颗卫星每天可采集70万平方公里。在全球任何地方，可实现每天观测一次。利用这些优势套用对应的分类预测模型对指定森林小班生长情况进行估测，更加方便快捷，减少了人工实地测算工作量。
(2)所有数据全部存在服务器端，可以实时获取，并快速计算，任何人只要输入必要的信息条件就可以获取相应地区的森林小班生长预测模型。
(3)提出的考虑林地类型和立地质量，并考虑地理位置，天文条件，气候条件，土壤条件，节气条件等各种条件因素，结合遥感数据建立的分类回归模型相比统一回归模型具有更高的估测精度，并为小班生长预测测算提供了一种新的思路和解算途径。
四、附图说明：
图1全球任意森林小班生长预测模型建立流程图
五、具体实施方式：
本发明提供了一种新的解算思路和模式，具体是：
(1)利用遥感卫星(rs)、无人机(uav)、测树超站仪、3d电子角规、微样地法等手段和设备实现同类立地条件及林型观测，观测要素有：1、二类调查数据；2、小班分类、面积，生长情况。在充分的数据采集基础上，建立森林小班生长情况样本数据库。
(2)选取二类调查数据中对森林小班生长情况影响相对较大的因素建立多元回归分析模型：
该模型中：y为单位面积的小班蓄积量(m3/hm2)；
s为小班面积(hm2)；
a0为修正值；
该模型分为地理要素g，太阳要素t，气候条件c土壤条件s和节气条件五个方面对于森林小班生长情况进行预测
①地理要素g，依据森林小班所处的地理位置，我们可以用下列5个要素表达：h、x、y、αi、βi，它们分别为地理要素中的：海拔(高程)、平面位置x,y、坡度(0°～90°)、坡向；
②太阳要素t：太阳光的照射时植物生长不可或缺的要素，太阳的主要影响因素为：太阳高度角γ，时向τ；
③气候要素c：气候条件也制约着植物的生长，其主要影响因素可以归纳为温度t，湿度
④土壤条件s：土壤的条件影响着可以归纳为三个最主要的因素λ、h、σ，分别为土壤类型,土壤厚度，土壤营养参数；
⑤节气条件：节气是中国古代订立的一种用来指导农业生产的补充历法，，能较好的反映出太阳运行的周期。按照24节气计算年度热量，根据模型取相应的影响参数ε
公式中a1、a2、……、a13为各影响因子的系数；
(3)利用不同的小班样本数据分别带入式1进行多元回归分析，按照图1流程，多元回归分析的步骤如下：
考察回归方程，因变量为森林小班生长情况值y，因变量为地理要素g(h、x、y、αi、βi)，太阳要素t(γ,τ)，气候要素
可以建立多元回归分析模型：
设随机变量y(森林小班生长情况值)与普通变量(包括地理要素g(h、x、y、αi、βi)，太阳要素t(γ,τ)，气候要素
此式为随机变量y关于普通变量的多元线性回归方程，a0为回归常数，a1,a2……a13为偏回归系数，为了估得未知参数a0,a2……a13，令地理要素g(h、x、y、αi、βi)，太阳要素t(γ,τ)，气候要素
y＝β0+β1x1+…+β13x13(2.2)
其中：
并可以得到多元经验回归方程：
对(x1,x2…x13,y)进行n次独立观察，得到样本容量为n的样本集：
(xi1,xi2…xi13,y)(i＝1，2,……，n)
对于式2.1，估计值b0,b1……b13应是使观测值yi与对应的回归值
求极值后得到一个线性方程组：
l11β1+l12β2+…+l1kβk＝l1y
l21β1+l22β2+…+l2kβk＝l2y
……
lk1β1+lk2β2+…+lkkβk＝lky
其中：k＝13
其解为β0,β1……β13的最小二乘估计，从而求得线性回归模型为：
对于多元回归方程假设检验：
假设h0:b0,b1……b13均为0，那么有：
由此计算出f0，并由其相应的f分布计算显著性概率sig.＝p(f>f0)，若sig.<0.1，则认为回归方程效果显著，否则认为其不显著。
单个系数的显著性检验：
假设h0:bi＝0，那么有：
其中cii为正规方程组系数矩阵的逆矩阵对角元素，计算ti，并由其相应的t分布计算显著性概率sig.＝p(t＝ti)，若sig.<0.05，则认为系数bi显著不为0，从而认为xi对y有显著影响，否则认为系数bi近似为0，从而认为xi对y没有显著影响。
(4)根据以上的原理可以进行多元线性回归分析及检验：
①首先，利用样本集对各个影响因素(解释变量)与y值(因变量)之间是否存在线性关系，对各个影响因素进行显著性检验，对于系数为0的假设进行假设性检验，小于0.1则拒绝原假设，即可以认为该统计量显著。对于误差系数a0进行f检验，同样在显著性水平小于0.1时，拒绝原假设，可以认为误差系数a0显著。
②由于各个影响因素之间有相互作用，仅仅看每个自变量分别和因变量之间的相关系数并不能完全反映出各个变量之间的真实情况。所以选取偏自相关系数，控制其他的变量对两个变量之间相关关系的影响。例如，选择地理要素中的海拔，分析海拔h对于森林小班生长情况的影响，经过t检验，t值的显著性水平近似为0，可以认为海拔h对于森林小班生长情况的影响显著；偏自相关系数为0.162，可以认为变量和因变量是相关的。同理，可以初步判断其他变量也影响显著，均可进入模型。
③利用spss，r语言等统计分析软件，结合样本集中的数据计算多元回归模型参数，可以得到a0、a1……、a13等各参数的值，并对这些参数进行显著性检验，经过t检验，如果t值的显著性水平近似为0，可以认为相应的参数是满足影响因素对于森林小班生长情况的影响程度的。计算多元回归模型的相关系数，验证各个参数的合理性。
④根据所得到的参数计算多元回归模型的残差，考察残差的标准化残差图和残差项的正态性及等方差性，若数据在0水平线两侧均匀分布，表明标准化残差于拟合值间基本不存在趋势性关系，说明建立的指数曲线模型具有合理性。
⑤通过以上分析，可以验证模型的合理性，接下来根据所求得的多元回归模型进行预测和控制。
(5)对于特定选取的全球范围内的森林小班作为研究对象，收集其相应的地理要素(h、x、y、αi、βi)，太阳要素t(γ,τ)，气候要素
本说明书未详述之处，均为本技术领域技术人员的公知技术。