基于广义代数差分法的杉木人工林地位指数模型

【目的】地位指数法是森林立地质量评价常用的一种方法。采用广义代数差分法建立适用于杉木人工林的动态地位指数模型。【方法】利用福建省将乐县国有林场杉木人工林的24个固定样地连续观测数据和20株杉木优势木树干解析数据,基于Bertalanffy-Richards模型、Lundqvist-Kolf模型和Hossfeld模型3个经典的生长方程,以广义代数差分法对杉木人工林构建了6个动态地位指数模型。模型比较时综合考虑了统计学和生物学特征,通过统计分析和图形分析筛选出最佳的模型。【结果】构建的6个动态地位指数模型都具有良好的拟合优度,调整后的决定系数都在0.9左右。基于Hossfeld 生长方程,选择a=b₁+X和b=b₂/X作为与立地有关的参数推导的模型确定为最佳模型,推荐采用该模型对将乐县国有林场人工杉木林进行优势树高生长预测和立地质量分类。【结论】广义代数差分法建立的动态地位指数模型具有较好预测性能,说明广义代数差分法在推导地位指数模型时是准确而有效的。在选择最优生长模型时不仅要考虑统计分析,还应该进行图形分析,从而选出满足统计学以及生物学特征的模型。     

福建省福建柏人工林立地指数表的编制与应用

【目的】利用立地指数法对不同林龄福建柏(Fokienia hodginsii)人工林进行立地质量评价,旨在为福建省林分立地质量调查提供科学依据。【方法】以福建省内不同林龄的福建柏人工林为研究对象,选择6个常用的理论生长方程：冈珀茨公式(Gompertz)、理查德兹式(Richards)、韦伯公式(Weibull)、科尔夫公式(Korf)、逻辑斯谛公式(Logistic)、舒马赫公式(Schumacher),对福建柏林分年龄与优势木平均高数据进行拟合,根据决定系数(R²)、绝对误差(MAE)和均方根误差(RMSE)对各方程的拟合性能进行评价,编制出适用于福建省福建柏人工林的立地指数表。【结果】Korf模型拟合的R²最大、RMSE和MAE最小,因此选择Korf方程作为最优导向曲线方程。通过绘制104株优势木树高平均生长量和连年生长量变化折线图,结合各龄阶优势高变动系数确定福建柏人工林的基准林龄为20 a,根据基准年龄时优势高变动范围确定指数级距为2 m。利用比例调整法编制出立地指数表,表明福建省大部分福建柏人工林立地指数处于中等水平,只有7%的标...     

基于哑变量的湖南栎类天然林林分断面积生长模型

【目的】建立含林分类型或立地类型哑变量的栎类林分断面积生长模型,为湖南栎类天然林林分断面积生长收获和预估提供理论支持。【方法】以湖南省5个区域51块栎类天然混交林样地为研究对象,选取6个具有生物学意义的理论生长方程,构建含年龄、平均优势高及林分密度指标的林分断面积生长模型,比较不同理论生长方程与密度指标对栎类天然林断面积模型拟合效果的影响,从中筛选出拟合优度较高的模型作为构建哑变量模型的基础模型; 考虑混交林立地类型的差异与优势树种的聚集分布,划分林分类型与立地类型,并分别作为哑变量加入基础模型参数及其组合中,比较林分类型哑变量模型、立地类型哑变量模型与基础模型模拟效果的差异。【结果】以株树密度作为密度指标的断面积生长模型决定系数(R²)在0.47～0.51之间,P值均小于93%,以林分密度指数作为密度指标的断面积生长模型决定系数(R²)在0.85～0.92之间,P值均大于95%,说明密度指数模拟效果优于株树密度模拟效果,其中含年龄、平均优势高与林分密度指数的Schumacher模型决定系数最大(R²=0.924 2),模拟效果最优。以Schumacher模型作为基础模型,构建含林分类型或立地类型的哑变量的模型,基础模型、林分类型模型、立地类型模型的决定系数分别为0.924 2、0.979 8、0.997 6,以立地类型作哑变量的模型要优于基础模型与林分类型模型。【结论】含哑变量模型可以有效解决天然混交林优势树种分布与立地类型差异对断面积预估的影响,提高建模的精度与模型的适用性。     

皖东南山区杉木人工林立地质量数量化评定与产量预测

对皖东南低山丘陵地区１２个国有林场杉木人工林进行调查，用层次分析法对立地质量进行数量化评定，评定的结果与情况吻合；分析杉木各生长因子和产量之间的关系，用ＳＡＳ软件建立了蓄积，树高，胸径的数学预测模型，所建的模型把年龄，林分密度和立地指数有机结合起来，为该地区杉木人工林生长预测和产量预测提供可靠的依据。     

基于空间结构的杉木枝下高可视化模拟研究

【目的】定量研究林分空间结构对杉木枝下高的影响,构建基于空间结构的枝下高模型,结合杉木生长模型,应用三维可视化技术,实现杉木枝下高可视化模拟。【方法】利用湖南省黄丰桥国有林场6块杉木人工林临时样地的调查数据,选择5个常用枝下高基础模型,分析水平空间结构参数(P_H)、垂直空间结构参数(P_V)和空间结构单元平均距离(d_DIS)及其组合对枝下高的影响,构建综合指标较好且变量少的枝下高模型。基于林分三维模型实时生成方法,建立一种枝干可控的杉木三维模型;结合单木胸径连年生长量模型、树高-曲线模型和冠幅面积估计模型,模拟林木的生长状态。【结果】Logistic模型综合指标较好且模型参数可解释,可选为基础模型;3个空间结构参数中垂直空间结构影响较为显著,将P_V加入到Logistic模型中,改善了枝下高模型的拟合效果,决定系数(R²)从0.717提升到0.741,估计值的标准差从1.407 m减小到1.321 m,并使各项模型检验误差指标有所减小;构建的杉木三维模型可以动态调节枝干,实现了杉木枝下高模拟。【结论】构建的枝下高模型可以应用于林木年龄和部分林分信息未知的杉木林中,体现了林木间的相互竞争影响;结合枝干可控的杉木三维模型,模拟杉木生长过程,形象直观地表现了杉木枝下高的变化,为进一步研究林分生长动态可视化模拟和森林经营可视化模拟提供支持。     

Sloboda树高生长模型在火炬松人工林中的应用研究

地位指数是立地质量相对于具体树种的数量化反映,也是森林经营和收获预估的重要依据.为了编制福建省火炬松多形地位指数,根据收集的火炬松人工林优势木树干解析资料,采用Sloboda树高生长数学模型,利用遗传算法拟合出火炬松优势高生长模型.精度检验表明:用Sloboda树高生长模型拟合的火炬松人工林多形地位指数曲线可以应用于林业生产实践.     

基于抚育间伐效应的长白落叶松人工林单木直径生长模型

【目的】分析抚育间伐对长白落叶松人工林单木胸径(D)生长的影响规律并对其进行模拟。【方法】基于黑龙江省孟家岗林场与江山娇林场10块固定样地复测数据,建立了基于抚育间伐效应的与树木距离无关的长白落叶松单木胸径5年生长量预估模型,量化了抚育间伐对林木直径生长的影响。长白落叶松单木直径生长模型为基于样地效应的单水平线性混合效应模型,根据赤池信息准则(AIC)和贝叶斯信息准则(BIC)等统计指标和似然比检验对模型进行比较和筛选,并采用独立样本数据对模型进行检验。【结果】当地位指数一定且林分年龄较小时,抚育间伐强度越大,林木直径生长量越大; 当林分年龄较大时,抚育间伐对林木直径生长影响不明显。同一林分中,林木直径生长量随林木径阶增大呈增大趋势。长白落叶松单木直径生长模型中显著自变量为:林木前期胸径的二次方(D²)、胸径的自然对数(ln D)、林分中大于对象木的所有林木断面积之和(B)、地位指数(I)、抚育间伐年龄(T_i)和间伐强度(P_i)。落叶松单木直径生长最优混合效应模型的AIC、BIC和均方根误差均小于一般线性模型。独立样本数据检验最优线性混合效应模型和一般线性模型的拟合效率分别为0.678 和0.624。【结论】基于抚育间伐效应的落叶松直径生长的最优线性混合效应模型优于一般线性模型。模型能够较好地量化抚育间伐对落叶松人工林单木直径生长的影响。     

华北落叶松人工林直径分布预测模型构建

【目的】基于不同直径分布预测模型(Weibull分布模型、Gamma分布模型、Lognormal分布模型),构建包含华北落叶松林分因子的直径分布线性混合效应模型,有助于分析直径分布对林分因子动态变化的响应。【方法】利用塞罕坝华北落叶松人工林标准地调查数据,应用最大似然估计法(Maximum Likelihood Estimation, MLE)估计模型参数,通过K-S(Kolmogorov-Smirnov)检验、C-V(Cramer-von Mises)检验、A-D(Anderson-Darling)检验对模型适用性进行检验,基于最优模型构建华北落叶松人工林直径分布线性混合效应模型。【结果】塞罕坝华北落叶松人工林直径分布最优模型为Weibull分布;基于最优模型,构建了包含优势高、断面积、对数密度的线性混合效应模型,当3个参数随机效应方差-协方差结构和误差项结构均为对角矩阵结构[UN(1)]时,模型的拟合效果最好。包含位置、尺度、形状3参数随机效应项模型的决定系数R²分别为0.895、0.888、0.801,均方误差(MSE)分别为5.365、1.724、1.151,均方根误差(RMSE)分别为2.316、1.313、1.073,拟合结果均较好。【结论】线性混合效应模型具有较好的预测直径分布能力,可为精准预测华北落叶松人工林直径分布提供理论依据和技术参数。     

基于3-PG模型的长白落叶松人工林生长和生物量模拟

【目的】模拟预测森林经营及气候变化下长白落叶松人工林林分生长及生物量变化,以期为长白落叶松人工林经营管理提供科学依据。【方法】以吉林省和龙、舒兰、通化、汪清、长春林区内15块长白落叶松人工林固定样地为对象,基于气候、土壤、林分生长等观测数据,运用3-PG模型模拟了研究区内长白落叶松的生物量及其分配,并模拟了CO_2浓度升高对生物量的影响。【结果】3-PG模型能够较好地模拟林分蓄积和干生物量的生长变化,除叶生物量外(R~2=0.39),各指标的预测值与实际值的相关性较高(R~2在0.62~0.86之间),平均相对误差和相对均方根误差均小于15%。参数敏感性分析表明:土壤肥力等级和生物量分配参数是该模型的关键参数。研究还发现长白落叶松人工林的生物量随CO_2浓度升高而增加。【结论】3-PG模型可以用于长白落叶松人工林的生长模拟。     

平原农田防护林杨树生长模型及应用研究

应用MATLAB6．5软件，采用经典理论生长方程Logistic方程、Richards方程、单分子式（Mitscherlich）方程对苏北平原建湖县农田防护林I-72杨的平均高、优势高、平均胸径、平均材积生长数据进行曲线拟合．结果表明，Logistic方程拟合胸径、平均高生长效果最好，而Richards方程拟合优势高、材积生长效果最好，并运用拟合模型结果进行立地质量评价和成熟龄确定．     

基于线性分位数组合的兴安落叶松冠幅预测

【目的】 使用线性分位数回归和分位数组合对兴安落叶松(Larix gmelinii)冠幅进行建模和预测,为准确模拟和预测冠幅生长提供技术支持。【方法】 利用大兴安岭兴安落叶松天然林实测数据,采用线性回归和分位数回归构建基础和多元冠幅模型。比较7种分位数组合:三分位数组合(τ=0.1, 0.5, 0.9和τ=0.3, 0.5, 0.7)、五分位数组合(τ=0.1,0.3,0.5,0.7,0.9和τ=0.3,0.4,0.5,0.6,0.7)、七分位数组合(τ=0.1,0.2,0.3,0.5,0.7,0.8,0.9和τ=0.1,0.3,0.4,0.5,0.6,0.7,0.9)和九分位数组合(τ=0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9)的预测效果。分析4种抽取方案(随机抽样、选择最大树、平均木、最小树)和9种抽样数量(1~9株)对预测精度的影响。同时使用K折交叉验证对线性回归、最优分位数回归和最优分位数组合进行比较。【结果】 线性和分位数回归都能对冠幅模型进行拟合,中位数回归的拟合结果与线性回归相似,且在所有分位数中拟合能力最好。多元冠幅模型和分位数回归的拟合及检验效果都优于基础模型,冠幅与胸径和样地平均高(立地质量)呈正相关,与枝下高(树木大小)和样地内落叶松断面积(竞争)呈负相关。使用分位数组合可以提高模型的预测能力,7种分位数组合的差异很小,三分位数组合(τ=0.3, 0.5, 0.7)的预测能力最好。对于基础和多元分位数组合在实际应用时,最优抽取方案都为选取最大树,每个样地建议选取6株样木。【结论】 基于线性分位数组合的冠幅模型可以提高预测精度,建议使用三分位数组合和选取最大树及抽取数量为6株的方案对冠幅进行预测。     

黄龙山林区白皮松天然次生林生长规律研究

【目的】为实现陕西省白皮松天然次生林的合理经营,建立符合其生长规律的模型,为科学抚育较大树龄的天然次生林提供决策依据。【方法】以陕西省黄龙山林区白皮松天然次生林为研究对象,选择标准木进行树干解析,采用人工神经网络(ANN)和3种常见的理论函数建立了胸径、树高、材积生长模型,并绘制生长曲线图对林区内白皮松天然次生林生长规律进行分析。【结果】①采用人工神经网络建模技术构建的胸径生长量模型、树高生长量模型、材积生长量模型优于3种传统模型。②所建神经网络模型在拟合生长缓慢的白皮松生长过程方面具有较好的应用推广能力。③白皮松胸径速生期为30~60 a,胸径连年生长量在120 a达到最大值;20~30 a为树高生长的速生期,树高连年生长量在30 a达到最大值;白皮松材积生长速生期为110~130 a,材积连年生长量在130 a达到最大值。在135 a时,黄龙山林区白皮松还未达到数量成熟龄。【结论】所建神经网络模型能为黄龙山林区白皮松古树研究奠定基础,生长规律的研究可以为不同阶段白皮松经营提供参考。     

长白落叶松-水曲柳混交林不同混交方式单木冠长预测模型

【目的】为了准确预估长白落叶松-水曲柳4种不同行间混交方式(行间混交比例分别为1∶1、2∶2、3∶3、5∶5)的单木冠长,采用联立方程组模型分别构建了长白落叶松和水曲柳的冠长模型。【方法】基于黑龙江省尚志国有林场管理局的长白落叶松-水曲柳混交林54块标准地的样木数据,从3种非线性的基础冠长模型中选取最优冠长模型,以单分子式模型为树高曲线的基础模型,并将混交比例(Z_i)和树木在混交带内位置(K)作为哑变量,加入其他树木变量、林分变量和竞争因子,分别构建长白落叶松和水曲柳的冠长模型;基于最优冠长模型和树高曲线模型建立联立方程组模型,采用非线性似乎不相关回归(NSUR)的方法进行参数估计,并对所构建的模型进行评价。【结果】长白落叶松冠长与高径比呈负相关,与林木树高和林分优势高之比呈正相关;水曲柳冠长与高径比呈负相关,与林木胸径和林分优势木胸径之比呈正相关;长白落叶松树高与长白落叶松优势木平均高呈正相关,水曲柳树高与水曲柳优势木平均高呈正相关。联立方程组预估长白落叶松冠长和树高的调整后决定系数 ( R_{\mathrm{a}}^2 )分别为0.478 1和0.821 6,联立方程组预估水曲柳冠长和树高的 R_{\mathrm{a}}^2 分别为0.395 8和0.752 9。【结论】构建冠长和树高联立方程组模型不仅具有较好的拟合效果及预测精度,还解决了冠长与树高之间内在相关性的问题。因此,本研究所构建的冠长模型可以很好地预测东北地区混交林内长白落叶松和水曲柳的冠长,为进一步研究混交林树木树冠结构提供依据。     

落叶松人工林树皮厚度预测模型

【目的】建立落叶松人工林树皮因子及任意高度处树皮厚度的预测模型,以期更加准确地对树皮厚度进行预测,为实际木材生产和森林经营提供更加准确的指导。【方法】基于2015年黑龙江省佳木斯市孟家岗林场49株人工落叶松的1 186个圆盘数据,利用SAS 9.4软件中的MIXED模块构建落叶松人工林树皮厚度(树皮因子、任意高度处树皮厚度)的线性混合效应预测模型。模型评价指标选用赤池信息准则(AIC)、贝叶斯信息准则(BIC)、-2倍的对数似然值(-2LL)及似然比检验(LRT)。【结果】对于树皮因子模型,基于树木效应时含b₁、b₂、b₄随机参数组合的树皮因子模型为最优混合模型;基于样地效应时含b₁、b₂随机参数组合的模型是最优混合效应模型。对于任意高度处树皮厚度模型,基于树木效应时含b₁、b₂的组合为最优混合模型;基于样地效应时含b₀、b₂、b₃组合的为最优模型。所有最优模型在具有无结构(UN)方差-协方差矩阵时拟合效果最好。【结论】不论是树皮因子还是树皮厚度模型,树木效应对模型的影响最大;混合效应模型的预估精度与传统回归模型相比有明显提高。     

黑龙江省长白落叶松人工林单木生长模型

【目的】利用单水平线性混合模型构建了黑龙江长白落叶松人工林单木直径生长模型,为准确预测黑龙江省落叶松人工林的生长及合理经营提供理论依据。【方法】基于黑龙江省148块固定样地数据,运用逐步回归法,依次引入林木初始大小因子、竞争和立地因子,建立并评估了5种不同因变量(5年间隔期末胸高直径d₅,直径增长量d₅-d₀,5年直径增长量的自然对数ln(d₅-d₀+1),直径平方增长量的自然对数ln(d²₅-d²₀+1),直径平方增长量d²₅-d²₀)的黑龙江省长白落叶松人工林传统单木生长模型,同时基于最优传统模型采用哑变量方法构建了与距离无关的单木直径生长模型,并在哑变量模型的基础上把样地作为随机效应因子,运用单水平线性混合模型的方法构建了单木直径生长模型,并利用独立检验样本数据对基础模型、哑变量模型和混合模型进行检验。【结果】对于每一种因变量的单木生长模型,依次加入林木初始大小、竞争因子和立地因子后,模型精度均有显著提高; 因变量为ln(d₅-d₀+1)的模型为最优单木直径生长模型。影响黑龙江省落叶松人工林单木直径生长的主要因素有林木初始大小(ln d₀)、地位指数、林分每公顷断面积和大于对象木断面积和。哑变量模型在保证预估精度的同时体现了两个区域间的差异。混合效应预估模型的R²、均方误差(MSE)和均方根误差(RMSE)分别为0.978 3、0.713 7和0.844 8 cm。与传统模型相比,混合效应模型的相对平均均方误差和均方根误差较传统模型减少了0.300 6和0.162 3 cm,决定系数R²几乎相当。在模型检验中,混合效应模型呈现较好的拟合效果。【结论】基于线性混合效应的黑龙江省长白落叶松人工林的单木直径生长模型较传统模型预测精度更高。     

基于广义非线性混合效应的华北落叶松天然次生林枝下高模型

【目的】立木枝下高模型的构建是森林经营的核心内容,利用非线性混合效应模型方法构建华北落叶松枝下高模型,可为森林生长与收获研究提供理论依据。【方法】基于112块华北落叶松天然次生林样地单木数据,从7个备选的枝下高-树高模型中选出一个最优基础模型; 分析9个不同单木或林分因子及其因子之间的组合对枝下高的影响,将影响显著的因子作为模型预测变量以提高模型精度。在此基础上,考虑区组以及嵌套在区组里的样地对枝下高的影响,即构建嵌套两水平的非线性混合效应枝下高模型。【结果】Logistic模型预测精度较高并且模型参数可解释,因此选为基础模型。除树高之外,立木胸径、样地内所有大于对象木胸径的立木断面积总和、平均冠幅和林分密度与枝下高相关显著,故作为模型预测变量。与传统模型相比,所构建的两水平嵌套非线性混合效应模型对应的决定系数提高了53.26%,均方根误差降低了24.73%,因此明显提高了模型预测精度。【结论】区组和嵌套在区组里的样地对立木枝下高随机干扰较大,当考虑这些随机效应对枝下高的影响时能明显提高模型的预测精度。