Как сделать классификацию деревьев
Классификация деревьев по хозяйственно- биологическим признакам.
При проведении рубок ухода все деревья в насаждении по хозяйственно-биологическим признакам подразделяются на три категории: I – лучшие, II – вспомогательные (полезные), III – нежелательные (подлежащие удалению).
К лучшим деревьям относятся здоровые, имеющие прямые, полнодревесные, достаточно очищенные от нижних сучьев стволы, хорошо сформированные кроны, хорошее укоренение и предпочтительно семенное происхождение. Они выбираются преимущественно из деревьев главных пород I, II, III классов роста. В сложных насаждениях такие деревья могут находиться во всех выделяемых ярусах.
При отсутствии в отдельных группах насаждения деревьев, полностью отвечающих указанным признакам, в качестве первой категории оставляют относительно лучшие в данной биогруппе.
Из числа лучших деревьев в возрасте 20-30 лет при уходе выделяются 400-600 целевых деревьев (деревьев будущего), которые обладают четкой выраженностью перечисленных признаков лучших деревьев. За ними в последующем и ведется уход. В лесах, используемых в рекреационных целях, к лучшим деревьям относятся экземпляры, обладающие высокими эстетическими, декоративными и иными признаками.
К вспомогательным относятся деревья, способствующие очищению лучших деревьев от сучьев, формированию их стволов и крон, выполняющие почвозащитные и почвоулучшающие функции. Они могут находиться в любой части полога, но преимущественно в подчиненной. Наиболее полно функции вспомогательных деревьев выполняют подгоночные теневыносливые породы: липа, клен, граб и другие.
К нежелательным деревьям, подлежащим рубке, относятся деревья любых пород, мешающие росту и формированию кроны у лучших и вспомогательных деревьев (охлестывающие, затеняющие и т.д.), сухостойные, ветровальные, снеголомные, фаутные и отмирающие деревья, искривленные, с развилками и пасынками, многовершинные, сильносбежистые деревья, если их вырубка не образует больших просветов в пологе насаждений.
Деревья, подлежащие удалению, могут быть всех классов роста и находиться во всех частях полога древостоя.
Деревья, на которых имеются жилые гнезда птиц и дупла, подлежат сохранению.
Семенные деревья, выполнившие свое назначение, своевременно не убранные единичные деревья, оставшиеся от предыдущего насаждения, если оставление их нежелательно по хозяйственным соображениям, и они не имеют ценности для поддержания биоразнообразия, вырубаются при первых приемах рубок ухода. Запас этих деревьев при определении интенсивности рубок ухода в молодняках учитывается отдельно и относится к прочим рубкам.
2. Раскройте понятие процесса смены пород. Опишите смену ели обыкновенной мягколиственными породами и обратное восстановление ели. Укажите меры по регулированию процессов смены пород.
Ответ на вопрос № 2.
Смена древесных пород – это динамический биологический процесс, это вытеснение одних древесных пород другими, происходящее, как в естественных, так и в искусственных лесных сообществах. Это переход лесного сообщества из одного качественного состояния в другое в результате взаимодействия комплекса природных и антропогенных факторов. Основоположником учения о смене пород является Г.Ф.Морозов, эти процессы он впервые описал в своем труде «Учение о лесе». Смена пород – это замена одного вида древесных растений другим на определенной территории.
Смена ели мягколиственными породами и её обратное восстановление.
Смена ели осиной и березой происходит после вырубки елового насаждения, после ветровала, пожара и в других случаях, когда ель освобождает площадь. На этой территории возникает иная обстановка, поэтому теневыносливая растительность исчезает и начинает распространяться светолюбивая. Новая обстановка соответствует жизненным требованиям мягколиственных пород – березе, осине ольхе серой. Эти породы возобновляются вегетативно, обильно и ежегодно плодоносить, семена распространяются ветром на большие расстояния. Мелкие всходы, находясь под защитой трав, не побиваются заморозками, не обжигаются солнцем и быстро растут. Смыкаясь, светолюбивые деревца притеняют почву, угнетают и изгоняют сорную светолюбивую растительность, создают лесную подстилку, улучшают почвенную среду, смягчают резкие колебания климата. В этой новой обстановке поселяются теневыносливая ель, пихта. Под пологом березы, осины всходы ели не подвергаются угнетению, благодаря рыхлой подстилке корни не вжимаются из почвы заморозками, создаются лучшие условия почвенного питания. В дальнейшем, по мере роста елового подроста, обостряются межвидовая борьба и конкуренция. Недостаточное количество света, задерживает ее рост, но теневыносливая ель продолжает расти вверх и нередко к 30-40 годам образует 2-й ярус в березово-осиновом древостое. Ель начинает охлестывать осина, особенно береза, в результате чего хвоя у ели отмирает, крона становится однобокой и некоторые деревца усыхают. После проведения рубок ухода, чтобы ускорить выход ели в верхний ярус. Через некоторое время ель обгоняет в росте березу и осину. Древостой становится двухъярусным: 1-й ярус – ель, 2-й – береза и осина. В этих условиях береза и осина начинают отмирать, так как условия освещения не соответствуют их биологическим свойствам.
Разумное вмешательство человека может регулировать смену пород в интересах народного хозяйства. Рекомендуются следующие меры, сдерживающие нежелательные смены пород и позволяющие восстановить наиболее продуктивные леса:
1. Борьба с лесными пожарами и выращиванием в случае их возникновения на гарях сосновых насаждений.
2. Правильный выбор способа главной рубки и технологии лесоразработок, позволяющие использовать потенциальные возможности самовозобновления хозяйственно ценных пород.
3. Проведение мер содействию естественному возобновлению главных пород и, в первую очередь, сохранению подроста на лесозаготовках.
4. Создание лесных культур, в том числе подпологовых.
5. Своевременное проведение РУ в молодняках.
Методы промышленной переработки древесины с каждым годом совершенствуются, в прошлом малоценные породы – осина, береза, ольха, тополь – в настоящее время считаются достаточно ценными, экономически рентабельными, т.к. за 80-90 лет береза и осина дают двойной урожай. Также эти породы являются почвоулучшающими почвоосушающими в условиях избыточного увлажнения, предохраняют почву от травянистой растительности и др.
Поэтому смену пород лиственными – используют как один из путей биологической мелиорации, как средство улучшения условий среды, напочвенных условий и почвы в целях восстановления коренных хвойных пород и повышения продуктивности леса. Правильное назначение лесов в рубку в соответствии с их природными особенностями – одно из направлений в формировании древостоев из нужных хозяйству пород и повышении продуктивности. Размещение древесных пород с учетом их биологических свойств и условий среды, а также отбор лучших быстрорастущих деревьев и жизнеустойчивых форм при формировании лесов будущего – вот основные направления регулирования процессов смены пород.
3.Раскройте понятие роста и развития леса. Дайте классификацию деревьев по росту (по Крафту) и раскройте практическое значение данной классификации.
Ответ на вопрос № 3.
Рост – это увеличение объема и веса (размеров), т. е увеличение по высоте и диаметру подземных и надземных частей.
Развитие – это закономерные количественные и качественные изменения, происходящие в процессе роста внутри растения за период его жизни от прорастания до появления на данном растении новых семян.
У деревьев происходит рост в высоту ежегодно за счет образования из верхушечных почек побегов.
Рост по диаметру происходит за счет деления клеток камбия.
Рост по объему заключает в себя рост высоты и диаметра.
Имея одинаковый рост, растения по развитию могут отличаться друг от друга. Степень развития устанавливают по внешним морфологическим, таксационным и физиологическим признакам, из которых наиболее наглядный – плодоношение. У деревьев одинакового роста и возраста плодоношение может наступить в разное время их жизни.
Деревья в лесу неодинаковы по размерам и форме. Среди них встречаются исключительно крупные и мощные деревья, чахлые и отмирающие, а также деревья на разных промежуточных стадиях жизненного состояния.
Немецкий лесовод Крафт более 100 лет назад в целях ухода за лесом предложил классифицировать деревья по росту. Он выделил следующие 5 классов деревьев:
I – исключительно крупные, прегосподствующие мощные деревья с толстыми стволами и сильно развитыми кронами (5%);
II – крупные, господствующие, с хорошо развитыми стволами и большими кронами (30-40%);
III – средние деревья, занимающие переходное положение от господствующей части полога к подчиненной, характеризующиеся меньшей высотой и диаметром ствола, более узкой кроной (20-40%);
IV – отставшие в росте деревья с узкими и слабыми кронами (10-20%); подразделяются на два подкласса:
IVа – слабые деревья с равномерной кроной,
IVб – слабые деревья, с однобокой, флагообразной кроной;
V – отмирающие и мертвые деревья (до 10%); также подразделяются на два подкласса:
Vа – деревья с ещё живой кроной;
Vб – деревья с отмирающей или мертвой кроной.
Классификация Крафта имела большое значение для лесоводов, поскольку легла в основу теоретического обоснования рубок ухода – важнейшего лесоводственного мероприятия. Однако она применима в основном для чистых одновозрастных древостоев. Существует много других классификаций деревьев по росту и развитию: В.Г.Нестерова, Б.Д.Жилкина, М.Д.Данилова и др.
4.. Раскройте понятие сплошной рубки главного пользования. Дайте определение видам рубок главного пользования, которые проводятся в Республике Беларусь. Охарактеризуйте организационно- техническим элементам: срок примыкания, направление лесосеки, длина лесосеки, форма лесосеки.
Ответ на вопрос № 4.
СПЛОШНОЛЕСОСЕЧНАЯ РУБКА (СПЛОШНАЯ РУБКА) – рубка главного пользования, при которой весь древостой на лесосеке вырубается в один прием.
Как сделать классификацию деревьев
Цель построения деревьев классификации заключается в предсказании (или объяснении) значений категориальной зависимой переменной, и поэтому используемые методы тесно связаны с более традиционными методами Дискриминантного анализа, Кластерного анализа, Непараметрической статистики и Нелинейного оценивания. Широкая сфера применимости деревьев классификации делает их весьма привлекательным инструментом анализа данных, но не следует поэтому полагать, что его рекомендуется использовать вместо традиционных методов статистики. Напротив, если выполнены более строгие теоретические предположения, налагаемые традиционными методами, и выборочное распределение обладает некоторыми специальными свойствами, то более результативным будет использование именно традиционных методов. Однако, как метод разведочного анализа, или как последнее средство, когда отказывают все традиционные методы, деревья классификации, по мнению многих исследователей, не знают себе равных.
Изучение деревьев классификации не слишком распространено в вероятностно-статистическом распознавании образов (см. работу Ripley, 1996), однако они широко используются в таких прикладных областях, как медицина (диагностика), программирование (анализ структуры данных), ботаника (классификация) и психология (теория принятия решений). Деревья классификации идеально приспособлены для графического представления, и поэтому сделанные на их основе выводы гораздо легче интерпретировать, чем если бы они были представлены только в числовой форме.
Возможность графического представления результатов и простота интерпретации во многом объясняют большую популярность деревьев классификации в прикладных областях, однако наиболее важными отличительными свойствами деревьев классификации является их иерархичность и широкая применимость.
Вычислительные аспекты методов деревьев классификации описаны в разделе Вычислительные методы. См. также раздел Методы разведочного анализа данных.
Характеристики деревьев классификации
Иерархическая природа деревьев классификации
Гибкость метода деревьев классификации
В классическом линейном дискриминантном анализе требуется, чтобы предикторные переменные были измерены как минимум в интервальной шкале. В случае же деревьев классификации с одномерным ветвлением по переменным, измеренным в порядковой шкале, любое монотонное преобразование предикторной переменной (т.е. любое преобразование, сохраняющее порядок в значениях переменной) создаст ветвление на те же самые предсказываемые классы объектов (наблюдений) (если используется Одномерное ветвление по методу CART, смотрите Breimen и др., 1984). Поэтому дерево классификации на основе одномерного ветвления можно строить независимо от того, соответствует ли единичное изменение непрерывного предиктора единичному изменению лежащей в его основе величины или нет, достаточно, чтобы предикторы были измерены в порядковой шкале. Иными словами, на способ измерения предикторной переменной накладываются гораздо более слабые ограничения.
Деревья классификации не ограничены использованием только одномерных ветвлений по предикторным переменным. Если непрерывные предикторы измерены хотя бы в интервальной шкале, то деревья классификации могут использовать ветвления по линейным комбинациям, подобно тому, как это делается в линейном дискриминантном анализе. При этом ветвления по линейным комбинациям, применяемые для построения деревьев классификации, имеют ряд важных отличий от своих аналогов из дискриминантного анализа. В линейном дискриминантном анализе максимальное количество линейных дискриминантных функций равно минимуму из числа предикторных переменных и числа классов зависимой переменной минус один. При рекурсивном подходе, который используется в модуле Деревья классификации, мы не связаны этим ограничением. Например, для десяти предикторных переменных и всего двух классов зависимой переменной мы можем использовать десятки последовательных ветвлений по линейным комбинациям. Это выгодно отличается от единственного ветвления по линейной комбинации, предлагаемого в данном случае традиционным нерекурсивным линейным дискриминантным анализом. При этом значительная часть информации, содержащейся в предикторных переменных, может остаться неиспользованной.
Рассмотрим теперь ситуацию, когда имеется много категорий, но мало предикторов. Предположим, например, что мы хотим рассортировать монеты различных достоинств, имея только данные измерений их толщины и диаметра. В обычном линейном дискриминантном анализе можно получить самое большее две дискриминантных функции, и монеты могут быть успешно рассортированы только в том случае, если они различаются не более чем двумя параметрами, представимыми в виде линейных комбинаций толщины и диаметра монеты. Напротив, в подходе, который используется в модуле Деревья классификации, мы не связаны ограничениями в количестве ветвлений по линейным комбинациям, которое можно проделать.
Аппарат ветвления по линейным комбинациям, реализованный в модуле Деревья классификации, может быть использован также как метод анализа при построении деревьев классификации с одномерным ветвлением. На самом деле одномерное ветвление есть частный случай ветвления по линейной комбинации. Представьте себе такое ветвление по линейной комбинации, при котором весовые коэффициенты при всех предикторных переменных, кроме какой-то одной, равны нулю. Поскольку значение комбинации фактически зависит от значений только одной предикторной переменной (коэффициент при которой отличен от нуля), полученное в результате этого ветвление будет одномерным.
Опции анализа QUEST и CART естественно дополняют друг друга. В случаях, когда имеется много предикторных переменных с большим числом уровней, поиск методом CART может оказаться довольно продолжительным. Кроме того, этот метод имеет склонность выбирать для ветвления те предикторные переменные, у которых больше уровней. Однако поскольку здесь производится полный перебор вариантов, есть гарантия, что будет найден вариант ветвления, дающий наилучшую классификацию (по отношению к обучающей выборке; вообще говоря, это необязательно будет так для кросс-проверочных выборок).
Сила и слабости метода деревьев классификации
Преимущества (по крайней мере, для некоторых областей применения) метода деревьев классификации перед такими традиционными методами, как линейный дискриминантный анализ, можно проиллюстрировать на простом условном примере. Чтобы соблюсти объективность, мы затем рассмотрим примеры с другим набором данных, где методы линейного дискриминантного анализа превосходят метод деревьев классификации.
ДАННЫЕ: Barotrop.sta 3v | ||
---|---|---|
LONGITUD | LATITUDE | CLASS |
59.00 59.50 60.00 60.50 61.00 61.00 61.50 61.50 62.00 63.00 63.50 64.00 64.50 65.00 65.00 65.00 65.50 65.50 65.50 66.00 66.00 66.00 66.50 66.50 66.50 67.00 67.50 68.00 68.50 69.00 69.00 69.50 69.50 70.00 70.50 71.00 71.50 | 17.00 21.00 12.00 16.00 13.00 15.00 17.00 19.00 14.00 15.00 19.00 12.00 16.00 12.00 15.00 17.00 16.00 19.00 21.00 13.00 14.00 17.00 17.00 18.00 21.00 14.00 18.00 14.00 18.00 13.00 15.00 17.00 19.00 12.00 16.00 17.00 21.00 | BARO BARO BARO BARO BARO BARO BARO BARO BARO TROP TROP TROP TROP TROP TROP TROP TROP TROP TROP TROP TROP TROP TROP TROP TROP TROP TROP BARO BARO BARO BARO BARO BARO BARO BARO BARO BARO |
На Графе дерева вся эта информация представлена в простом, удобном для восприятия виде, так что для ее понимания требуется гораздо меньше времени, чем его ушло у Вас на чтение двух последних абзацев. Если теперь мы посмотрим на гистограммы терминальных вершин дерева, расположенных в нижней строке, то увидим, что дерево классификации сумело абсолютно правильно расклассифицировать циклоны. Каждая из терминальных вершин «чистая», то есть не содержит неправильно классифицированных наблюдений. Вся информация, содержащаяся в Графе дерева, продублирована в таблице результатов Структура дерева, которая приведена ниже.
Структура дерева (barotrop.sta) | ||||||||||||||||||||||||||||||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
ДЕРЕВЬЯ КЛАССИФИКАЦИИ | Дочерние вершины, наблюдаемые, предсказанный класс, условия ветвления | |||||||||||||||||||||||||||||||||||||||||||
Вершина | Левая вершина | Правая вершина | Класс BARO | Класс TROP | Предсказ. класс | Ветвл. по констант. | Ветвл. по перемен. | |||||||||||||||||||||||||||||||||||||
1 2 3 4 5 | 2 4 | 19 9 10 9 0 | 18 18 0 0 18 | BARO TROP BARO BARO TROP | -67.75 -62.50
|