12年数学建模美国赛叶子的重量Word格式文档下载.docx

12年数学建模美国赛叶子的重量Word格式文档下载.docx

《12年数学建模美国赛叶子的重量Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《12年数学建模美国赛叶子的重量Word格式文档下载.docx（21页珍藏版）》请在冰豆网上搜索。

首先我们先找到有关树木的几项参数：

中央直径（mid-diameter），胸径（theDBH），树高（heightoftree），树冠直径（crowndiameter），树冠长度（Crownlength），冠幅平面积（Crownarea），树冠表面积（Crownsurfacearea），树冠体积（Canopyvolume），冠高比（Crownheight），冠径比（Crowndiameterratio），侧枝总数（Thetotalnumberofbranches）。

根据调查材料，计算出各株样木的高径比（树高/胸径），胸高形率（中央直径/胸径），冠长（树高-枝下高），平均轮间距（冠长/枝轮数），枝条密度（侧枝总数/冠长），侧枝长粗比（枝长/枝底径），相对枝径（枝底径/胸径），冠高比（树冠直径/树高），冠径比（树冠直径/胸径），并以树冠直径，计算冠幅面积；

以圆锥体公式，计算树冠体积和树冠表面积。

在聚类之前，由于24个变量，变量维数较多，操作较为复杂，因此，我们先进行因子分析，对24个变量进行降维处理，简便操作的同时不影响聚类结果。

下面我们根据这24个性状，用R型聚类法对所获数据进行聚类，原理如下：

将n株样本树木的m个（m=24）性状数值表示为矩阵：

表示第j株树的第i个性状的数据

令

和

分别表示性状i在n个观测值中的平均数和离差，则可将所有的

进行标准化转化，得：

则相应的矩阵为：

性状p与q之间的相关系数为：

p,q=1.2……m

相关矩阵为：

=

由于相关系数是相似系数的一种，因此，可以从相关矩阵出发，作R型（变量）聚类分析。

根据系统聚类原理，以

作为类间参数，先将m个性状各自看做一类，选择最相似的两类合并为一类（即合并

值最大的两个性状）。

如此反复多次，直至所有性状全部聚为一类为止。

那么，新的类间参数可由类平均法给出。

其公式为：

同理，我们就有关树叶的八项指标进行二级聚类：

根据上面样本树木的聚类结果，我们对聚成一类的样本树木的叶子形态从这八项指标进行聚类分析：

纵横轴比（aspectratio），矩形度（rectangularity），面积凹凸比（areaconvexity），周长凹凸比（perimeterconvexity），球状性（sphericity），圆形度（circularity），偏心率（eccentricity），形状参数（formfactor）（该八项

几何特征参数都具有旋转，平移和尺度不变性）

根据这八项指标的聚类结果，很好的区分了叶子的形状。

根据两次聚类结果，我们发现同类样本树木的叶片形状大体相似，说明树木本身的形态对着生树叶的形态有一定的影响，这一结论在生物学角度也是成立的；

同时我们还发现，叶片本身的因素，例如叶脉密度，叶片长度，宽度等对叶片的形状也产生着不容忽视的影响。

综上我们的模型分别从这两方面就叶片为何有不同的形状进行了论述。

Model2:

叶序和叶镶嵌理论研究叶子的分布和叶子形状之间的联系

叶序：

叶在茎上排列的方式称为叶序。

植物体通过一定的叶序，使叶均匀地、适合地排列，充分地接受阳光，有利于光合作用的进行。

叶镶嵌：

同一个枝上的叶不论是那一种叶序，叶总是不相重叠而成镶嵌状态进行排列的现象。

通过王科等对32科64种被子植物分析，得到了叶序和叶镶嵌的关系

。

我们选取其中具有代表性的（三叶轮生夹竹桃）一组如下：

叶序

代表植物

相邻角

镶嵌角

轮生

夹竹桃

120°

60°

相邻角：

螺旋周的数目/叶循环中的叶数；

镶嵌角：

360°

/叶循环中的叶数。

我们经过对树叶形状的分析，假设一棵树上的树叶形状参数基本一致，只是大小的区分问题。

文献[9]的方法，已经证明了植物的叶片在其实际的镶嵌角下，覆盖面积最大，达到一个最大曝光率的生长模式。

下图是他们的一个算法的图形，通过网格数计算出下层树叶偏转不同角度后它的光合作用面积，在计算出总的光合作用曝光率。

这是示意图：

Figure1

这是曝光率图：

Figure2

第一层，第二层往往形成了一个极大的曝光生长模式，第三层在若以第二层为基准，应该继续旋转60°

，此时则与第一层重叠（或者说第一层遮住了第三层），所以树木为了生长必须增大叶的表面积去接受阳光，也就是产生了比例大的树叶。

但此时的曝光量是否最佳就成了我们要研究的问题了。

我们对其方法进行改进，将第一层下的树叶的面积逐渐增大（观测实物可发现树叶的大小从上到下依次变大），观测是否相同树木上的不同大小树叶的组合达到一个曝光率最大的问题。

下图是我们的示意图：

Figure3

再通过计算面积曝光率可以容易得到此时的排列方式最优。

如下

Figure4

所以，这也就解释了为什么树木自身的分层会导致树叶的大小不同。

Model3:

研究树的轮廓和叶子的形状之间的联系

首先我们定义了树形指数R和叶形指数

：

树形指数R=

根据这些指数，我们研究两两变量间的相关性。

分别取

，

作为因变量，R作为自变量，利用最小二乘法进行一元线性回归，通过观察P值的大小（与

进行比较），来判定拟合的优度。

下面给出拟合好的函数，并检验了其准确性。

Table1

树编号

叶形指数

1

1.643

0.978

0.968

2

1.449

1.002

0.998

3

1.404

1.112

1.109

4

1.700

1.014

1.015

5

1.565

1.016

1.007

6

1.644

1.023

1.033

7

1.816

1.009

8

1.483

1.152

1.149

9

1.577

1.004

10

1.674

0.899

11

1.560

12

1.574

0.964

0.954

13

1.630

1.032

1.042

14

1.588

1.045

1.049

15

1.586

1.022

1.011

根据表1的数据分别就R与

，R与

进行相关性分析，在这里我们采用的是一元线性回归，得到方差表，拟合度检验表以及图像，如下：

树形指数与叶形指数1的相关性（R与

）：

Table2

ANOVA

平方和

df

均方

F

Sig.

回归

.016

6.805

.022

残差

.031

.002

总计

.047

自变量为树形指数。

系数

未标准化系数

标准化系数

t

B

标准误

Beta

-.445

.171

-.586

-2.609

（常数）

1.716

.268

6.406

.000

Figure5

由于上表可以得到：

P值为0.022小于0.05，所以拒绝原假设，显著相关，变量之间的函数式拟和度良好，函数关系式为：

Table3

.015

5.549

.035

.034

.003

.049

-.423

.180

-.547

-2.356

1.680

.282

5.957

Figure6

P值为0.035小于0.05，所以拒绝原假设，显著相关，变量之间的函数式拟和度良好，函数关系式为：

综上两个拟合函数，我们发现第一个函数的拟合程度更优，因此叶形指数1与树形指数有显著的负相关。

Model4:

计算所有叶片的质量

我们在第一问中已经对树木和树叶进行了一个良好的分类了，也就是说对于某一类的树木，我们可以选取其具有代表性的树木形状（其他树木形状与其具有一定的相似程度）和叶形状为例来估算树叶的总质量。

对于树木：

不同种类的树木具有不同的分枝方式，复制的规律不同。

所以我们就分枝方式进行了分析。

树木大致有以下三种分枝方式：

Figure7

A：

顶芽不断地向上旺盛的生长，形成粗大的主干。

而侧芽也生长成侧枝，侧枝再分枝。

单轴分枝的主干一般比较挺直，各级侧枝的生长都不如它。

杨树、水杉等植物均为单轴分枝。

B：

顶芽形成一段枝条后，停止发育，由离其较近的两个对生的腋芽同时发育为一对对生侧枝，然后这对侧枝上的顶芽、腋芽的生长活动又重复着同样的过程。

丁香、石竹、七叶树等植物均在此列。

C顶芽经过一段时间的生长后，生长速度减慢或死亡，或分化为花芽，用顶芽下面的腋芽代替顶芽的生长，形成一段枝条。

之后，这种分枝上的顶芽又停止生长，其下面的腋芽又来代替，就这样重复生长。

合轴分枝节间较短，常呈曲折状。

苹果树、梨树、桃树、杏树等大多数被子植物存在这种分枝方式

我们采用基于L系统的植物建模改进方法

，它是由美国生物学家A.L.D于1968年提出，后由S为模拟植物而将其引入计算机图形学。

基于L系统的植物建模改进方法侧重于植物拓扑结构的表达，试图用抽象出来的规则描述植物的形态及生长规律。

通过观察树木的整体发现，树木都是由主干、分枝、树叶这些基本元素组成。

之后按照递归规律，即：

主干由主干上分生出第一层分支，再由第一层分支上生出第二层分支，一层层分下去直至树叶。

然而，由于现实中树木第二层以后的分布往往不具有规律性，也就是不一定呈现单轴分枝的情形了，但是一般都在一定范围波动。

所以综上，除了特定参数外，我们加上了主侧枝长度衰减，主侧枝长度衰减的参数，这样与实际更相符。

Table4

参数名称

类型

范围

主干长度衰减系数

double

（0,1）

主干宽度衰减系数

侧枝长度衰减系数

侧枝宽度衰减系数

枝条顶底半径比

（0,1）

分支数

int

（2,n）

层次数

（0,n）

侧枝角度

（0,90]

位置分布随机数组

double[]

通过榆树生长特点的调整确定了随机的具体范围：

Table5

（3,12）

（0,6）

（30,80]

最终随机模拟生成了榆树的形态：

Figure8

对于树叶：

通过查阅资料，我们选取四种常见树叶，来求单片树叶的面积。

以榆树叶为例

我们运用插值和积分的思想拟合出上下曲线函数

，横坐标范围为[a,b]，则由积分法得到面积公式为：

（1）

如图9（a）,图9（b）

插值图：

Figure9（a）

实物对比图：

Figure9（b）

通过计算可以得到树叶的面积。

函数见附录[1]

为了减少误差，选取N片同棵树相同高度的树叶，用同样的方法计算他们的面积，然后取他们面积的平均值作为每种树叶的单片叶片的面积值：

（2）

由于叶片的年龄结构百分比，大小，密度都存在一定的差异，导致不同层数的树叶的叶面积不相同，因此我们在这里将其分为三部分考虑：

新年叶，壮年叶，老年叶，上式已经得到壮年叶的单片叶片的面积

，则用同样的方法可以计算出新年叶的单片叶片的面积

，老年叶的单片叶片的面积

最后得到整棵树的单片叶子的平均质量为：

（3）

我们选取了十片叶子（Table5），

Table6

叶片编号

面积（cm

）

19.35

18.26

19.36

20.41

19.42

17.44

19.33

21.37

18.42

22.31

通过公式

（1）

（2）（3），计算得到了壮年叶片的面积

；

同理计算得到

，

下面我们给出一组参数表，如下

Table7

数值

19.567

11.7402

15.6536

57%

23%

20%

0.17

0.14

0.12

我们经过对树生长的随机模拟，得到了N=338564片叶子，则该树的树叶总质量为：

代入数据后，

=897.1kg

Weaknessesandstrengthsofthemodel

我们对叶形的聚类用了因子分析法，减少了变量的数目，简化我们研究的工作量。

我们利用少数几个公共因子去解释较多个要观测变量中存在的复杂关系。

我们运用L系统模型抓住了树木生长的规律，较好地估计了一棵树的树叶的质量。

对于单片叶子面积的计算，考虑了叶片的年龄结构百分比，大小，密度，使结果更接近实际，但是没有考虑到叶子的蜷曲的影响。

由于时间紧迫，我们仅对一些植物进行了模拟，没有找到大量的数据对我们的理论进行验证。

Reference

[1][M]一项有趣的观察—叶形与树形的相关吕政涛山东省莱芜市

[2][M]ACorrelationClusterAnalysisofMetasequoiaNumericalCharacters,LuXudongLiShunwenXuDonghengYanYizang

[3][M]西瓜数量性状间的相关聚类分析，崔光泉，山东省德州农科所

[4][J]中国西瓜甜瓜，1989，第2期

[5][M]湿地松数量性状间的相关聚类分析，涂忠虞，潘明建，樊丛梅，邱龙广江苏省林业科学研究所

[6][M]Studyonsimulating＆virtualgrowthmodelingofSabianvulgaris姜真杰

[7][J]基于L系统的植物建模方法改进，中国图像图形学报，2002

[8][M]叶序与叶镶嵌，王科，张淑华，吉林

[9][M]叶片空间分布对叶片形状的影响，李正雄，裘哲勇，冯学蕊，浙江杭州

Appendix

[1]：

f1=p1*x^3+p2*x^2+p3*x+p4;

p1=-0.000119;

p2=0.04887;

p3=-6.732;

p4=321.9;

f（x）=p1*x^3+p2*x^2+p3*x+p4

p1=-6.917e-005

p2=0.0128

p3=-0.9604

p4=148

第一段上方函数[0145]

p1=-6.793e-007

p2=0.0003849

p3=-0.07429

p4=5.598

p5=81.26

f（x）=p1*x^4+p2*x^3+p3*x^2+p4*x+p5

下方函数

f（x）=p1*x^5+p2*x^4+p3*x^3+p4*x^2+p5*x+p6

p1=6.377e-008（-2.975e-006,3.102e-006）

p2=-2.928e-005（-0.001487,0.001428）

p3=0.005018（-0.2666,0.2766）

p4=-0.3741（-24.91,24.16）

p5=8.201（-1065,1081）

p6=278.9（-1.79e+004,1.845e+004）

s1=1.0732e+004

第二段上方函数[145221]

f（x）=p1*x^7+p2*x^6+p3*x^5+p4*x^4+p5*x^3+p6*x^2+p7*x+p8

p1=-2.057e-009

p2=2.681e-006

p3=-0.001492

p4=0.4597

p5=-84.66

p6=9322

p7=-5.68e+005

p8=1.478e+007

s1=6.8797e+006

f（x）=p1*x^8+p2*x^7+p3*x^6+p4*x^5+

p5*x^4+p6*x^3+p7*x^2+p8*x+p9;

p1=-4.824e-011

p2=6.906e-008

p3=-4.309e-005

p4=0.0153

p5=-3.38

p6=476

p7=-4.17e+004

p8=2.078e+006

p9=-4.51e+007

第三段上方函数[221264]

f（x）=p1*x^7+p2*x^6+p3*x^5+p4*x^4+p5*x^3+

p6*x^2+p7*x+p8

p1=3.793e-008（-1.101e-005,1.108e-005）

p2=-6.519e-005（-0.01888,0.01875）

p3=0.04798（-13.68,13.78）

p4=-19.6（-5582,5543）

p5=4801（-1.346e+006,1.356e+006）

p6=-7.05e+005（-1.975e+008,1.961e+008）

p7=5.746e+007（-1.585e+010,1.597e+010）

p8=-2.006e+009（-5.528e+011,5.488e+011）

f（x）=p1*x^6+p2*x^5+p3*x^4+p4*x^3+p5*x^2+

p6*x+p7

p1=6.318e-007（-6.622e-007,1.926e-006）

p2=-0.0009207（-0.002804,0.0009632）

p3=0.5586（-0.5833,1.7）

p4=-180.6（-549.4,188.2）

p5=3.282e+004（-3.414e+004,9.978e+004）

p6=-3.179e+006（-9.657e+006,3.3e+006）

p7=1.282e+008（-1.328e+008,3.891e+008）

第四段上方函数[264286]

f（x）=p1*x^9+p2*x^8+p3*x^7+p4*x^6+

p5*x^5+p6*x^4+p7*x^3+p8*x^2+p9*x+p10

p1=3.135e-008

p2=-7.263e-005

p3=0.07447

p4=-44.33

p5=1.687e+004

p6=-4.253e+006