- •Оглавление
- •1.1. Лесная таксация как научная дисциплина
- •1.2. История развития лесной таксации
- •1.3. Основные задачи таксации леса и применение ее результатов
- •1.4. Литература, рекомендуемая для изучения курса «Лесная таксация»
- •2.1. Индуктивный и дедуктивный методы
- •2.2. Методы вариационной статистики
- •2.3. Графические методы
- •3.1. Единицы учета
- •3.2. Таксационные измерения
- •3.3. Таксационные инструменты и приборы
- •4.1. Физические способы таксации
- •4.2. Формы продольного и поперечного сечения ствола
- •4.3. Формы для определения объема ствола
- •4.4. Точность стереометрических формул
- •4.5. Погрешности измерения
- •5.1. Классификация лесной продукции
- •5.2. Определение объемов стволов и их частей по таблицам объемов цилиндров
- •5.3. Сбег ствола и его влияние на объем бревна
- •5.4. Объем вершинных лесоматериалов
- •5.5. Обмер круглого леса
- •5.6. Таксация пиломатериалов
- •5.7. Таксация дров
- •6.1. Особенности таксации растущих деревьев
- •6.2. Видовые числа
- •6.3. Коэффициенты формы ствола
- •6.4. Теоретическое и практическое значение видовых чисел
- •7.1. Общие понятия о таксационных показателях
- •7.2. Состав насаждений
- •7.3. Форма насаждений
- •7.4. Происхождение насаждений
- •7.5. Средняя высота насаждений
- •7.6. Возраст насаждений
- •7.7. Элемент леса
- •7.8. Бонитет насаждения
- •7.9. Полнота древостоя
- •7.10. Средний диаметр насаждений
- •7.11. Запас насаждений
- •7.12. Класс товарности насаждений
- •7.13. Типы леса
- •7.14. Тип условий местопроизрастания
- •7.15. Подрост и подлесок
- •И однородных частей сложных насаждений
- •8.1. Закономерное распределение деревьев по толщине в однородных насаждениях
- •8.2. Закономерное распределение высоты деревьев в однородных насаждениях
- •8.3. Закономерности изменение объемов деревьев в однородных насаждениях.
- •9.1. Сплошной (подеревный) перечет
- •9. 2 Частичный (выборочный) перечет
- •10. 1. Общие понятия о модельных деревьях
- •10.2. Способы таксации леса по моделям
- •10.3. Погрешности определения запаса насаждения по модельным деревьям
- •11.1. Метод угловых проб
- •11.2.Определение суммы площадей поперечных сечений методом Биттерлиха
- •11.3. Оптически прицельный метод н.П. Анучина
- •11.4. Таксация леса путем закладки круговых пробных площадей.
- •12.1. Инвентаризация лесного фонда
- •12.2. Сущность метода статистической инвентаризации
- •12.3. Случайная выборка, выборка по стратам и систематическая выборка
- •12.4. Достоинства и недостатки различных видов выборки
- •12.5. Инвентаризация городских насаждений
- •13.1. Индивидуальная подеревная сортиментация леса
- •13.2. Сортиментация леса путем раскряжевки моделей на сортименты
- •13.3. Сортиментация леса по сортиментным таблицам
- •13.4. Сортиментация леса по товарным таблицам
- •14.1 Понятие о приросте
- •14.2. Средний и текущий приросты
- •14.3. Закономерности роста деревьев по высоте
- •14.4. Определение абсолютного прироста по объему у срубленных деревьев
- •14.5. Определение относительного текущего прироста срубленных деревьев
- •14.6. Анализ древесного ствола
- •15.1 Средний прирост по запасу
- •15.2 Текущий прирост по запасу
- •15.3 Изменение запаса насаждения
- •15.4 Фазы развития и роста насаждений
- •15.5 Определение прироста
- •16.1. Содержание таблиц хода роста насаждений
- •16.2. Методы составления таблиц хода роста насаждений
- •16.3. Применение таблиц хода роста насаждений
- •17.1. Деление леса на лесохозяйственные единицы
- •17.2. Условия выделения таксационных участков
- •17.3. Техника таксации таксационных участков
- •18.1. Условия аэро- и космических сьемок
- •18.2. Технические средства аэрокосмических съемок
- •18.3. Объекты и методы дешифрирования аэрокосмических съемок
- •18.4. Последовательность дешифрирования аэрокосмических снимков
- •18.5. Технические средства, применяемые при дешифрировании аэрокосмических изображений
2.2. Методы вариационной статистики
Отдельные участки леса, состоящие из более или менее однородных объектов, находящихся в сравнительно одинаковых условиях, представляют собой совокупности, или множества. Лесная таксация довольно часто характеризует их одним числом, тесно связанным с данной совокупностью и способным в определенной степени заменить ее.
Для решения этих задач первостепенное значение имеют методы вариационной статистики.
Первый шаг на пути статистической обработки заключается в группировке собранных данных. Группировку можно проводить в упорядочный ряд, называемый вариационным рядом.
Простейшей величиной, характеризующей определенные совокупности, являются средние величины. Наиболее часто применяется средняя арифметическая. Она выражается теми же единицами измерения, что и характеризуемый ею признак и вычисляется по формуле:
х = Σxi / n (2.1)
Если в совокупности наблюдений отдельные варианты повторяются р раз, то средняя называется взвешенной средней, вычисляется с учетом повторяемости вариант по форме:
х = Σxiрi / рi (2.2)
где х – значение вариант; р – их частота или «веса».
Наиболее подходящей мерой варьирования служит показатель, называемый дисперсией:
σ2 = Σ(xi –х)2 / n - 1 (2.3)
Извлекая корень квадратный из дисперсии, получим другой показатель – среднее квадратичное отклонение.
σ=√ Σ(xi –х)2/ n - 1 (2.4)
Среднее квадратичное отклонение величина именованная, это мешает использовать его в качестве меры сравнения вариабельности признаков. Поэтому его выражают в процентах от средней арифметической. Полученный показатель называют коэффициентом вариации и обозначают символом CV,
CV = σ/ х ∙100 % (2.5)
Чтобы получить исчерпывающую информацию о состоянии статистической совокупности, нужно учесть весь ее состав без исключения. Однако не всегда можно или нужно прибегать к сплошному обследованию. Поэтому делают выборку, исследуя ее на интересующий нас признак. Совокупность, из которой отбираются варианты, называют генеральной, ее объем обозначают N, а объем выборки - n. Характеристики генеральной совокупности – средняя величина (М), дисперсия (σ2) и среднее квадратичное отклонение (σ) – представляют собой величины постоянные. По отношению к ним соответствующие выборочные характеристики, являются величинами случайными. Возможные отклонения выборочных показателей от их параметров в генеральной совокупности, называются ошибками. Выборочные средние варьируют в √ n раз меньше, чем отдельные варианты одной и той же генеральной совокупности. Следовательно, среднее квадратичное отклонение, характеризующее варьирование выборочных средних вокруг их генеральных параметра, равняется:
σх= σ/√ n= √ σ2/ n (2.6)
Этот показатель называют выборочной ошибкой средних. Обозначают ее буквой m, которая сопровождается символом того показателя, к которому относится ошибка. При выборках малого объема (n<30) выборочная ошибка вычитается с учетом степеней свободы:
mх= |
σ |
= |
√ |
Σ(xi –х)2 |
(2.7) |
√ n -1 |
n(n – 1) |
Чтобы получить определенное представление о точности, с какой определен тот или иной средний результат, принято использовать показатель точности (Cs), определяющий по формуле:
Cs = mx / х ∙ 100 % = CV / √n (2.8)
Для точного выражения зависимости между переменными величинами X и Y в математике применяется понятие функции. Оно имеет в виду случаи, когда определенному значению, которое может принять переменная величина Y , называемая аргументом, соответствует только одно значение переменной X , называемой функцией. В общем виде это записывается так: Y = f(Х). Такого рода однозначная зависимость между переменными величинами называется функциональной. Для биологических объектов зависимости, как правило, не однозначные, т.е. числовому значению одного признака соответствует не одно и то же определенное значение, а целая гамма варьирующих значений другого, связанного с ним признака. Такого рода зависимости между переменными случайными величинами X и Y , при которой каждому значению одной из них соответствует не какое-то конкретное значение, а определенная групповая величина, называется корреляционной, или просто корреляцией. Чтобы измерить степень связи между признаками X и Y , необходимо сопоставить соответствующим образом их значения друг с другом. Это делается с помощью коэффициента корреляции по формуле:
r = Σ(xi – x)(yi - y)/ nσxσy (2.9)
Коэффициент корреляции может принимать значения от – 1 до + 1. Когда r = 0, это означает отсутствие корреляции, а при r = 1 налицо функциональная связь между признаками. При r < 0,3 – слабая связь, при 0,3 ≤ r ≤ 0,5 – связь признается умеренной, при 0,5 ≤ r ≤ 0,7 – корреляция считается значительной, при 0,7 ≤ r ≤ 0,9 – сильная, при r > 0,9 очень сильная, близкая к функциональной.