江苏省杨树二元材种出材率表的编制

在分析几种削度方程的基础上建立了改进的四参数Sohumacher方程作为杨树削度方程，并编制了江苏杨树二元材种出材率表。经对不同立地条件下的杨树林分出材量的估计实验，表明该方程适合江苏省杨树生长，为进一步编制全省杨树二元材种出材率表提供了理论与实验方法。结合计算机理论造材方法，模拟林木生长规律，提高了编制材种出材量表的效率，保证了营林设计的材种出材量精度。提出的理论与方法可用于江苏杨树的收获估计，对提高杨树的科学经营管理水平具有重要的意义。     

基于L-M算法的林分径级材种出材率BP网络模型

以杉木人工林伐区设计书与检尺码单资料为基础,选择平均胸径、平均树高、立木密度、每hm2蓄积量、郁闭度、林龄、立地类型为输入神经元,应用L-M算法对各径级材种出材率进行BP网络模型模拟预测及精度检验.结果 表明,基于L-M算法的林分材种出材率BP神经网络模型具有较高精度,可为林分经验材种出材率表的编制提供一种新的思路与方法.     

基于两水平非线性混合效应模型的长白落叶松削度方程构建

【目的】以长白落叶松(Larix olgensis)人工林干形指标为主要数据,利用非线性混合效应模型构建长白落叶松削度方程,研究不同的二次抽样方案对混合效应模型预估精度的影响。【方法】在不同类型的削度方程中选择拟合效果最好的Kozak方程作为基础模型,通过再参数化的方法引入树冠特征变量,分析树冠大小对干形的影响;在包含树冠变量的模型基础上,结合混合效应模型考虑样地、样木效应对于干形的影响,建立长白落叶松削度方程;采用2种抽样方案(方案Ⅰ,不限定抽样位置;方案Ⅱ,抽样位置限定在相对高0.1以下)对混合效应模型进行精度检验。【结果】树冠变量中冠长率与干形关系最为密切,将冠长率引入模型后,提升了模型的拟合精度,且模型参数在5%显著性水平上均显著。通过似然比检验,样地效应和样木效应极显著提升了模型拟合效果(P<0.01),并使用指数函数和一阶连续自回归结构[CAR(1)]来解决削度方程中普遍存在的异方差和自相关问题,最终的混合效应模型调整后决定系数( R_{\mathrm{a}}^2)为0.994 1,均方根误差(RMSE)为0.623 1,拟合效果优于基础模型( R_{\mathrm{a}}^2提高了0.4%,RMSE减小了24.6%)。当使用不同的抽样方案进行预测时,方案Ⅰ表现出最高的预测精度,抽样数量为5时,平均绝对误差(MAE)为0.470 0,平均绝对误差百分比(MAPE)为4.62%;而方案Ⅱ不同抽样数量之间的预测效果差别不大(MAE的变化范围为0.520 3~0.536 6,MAPE的变化范围为5.14%~5.22%),但仍优于基础模型。【结论】将冠长率引入模型后,模型对干形的模拟更贴合实际中的林木生长情况;包含样地效应、样木效应的两水平混合效应模型可以很好地模拟长白落叶松的干形变化,为精准估计长白落叶松各材种和立木材积提供了依据。     

热带地区几个珍贵树种干形曲线研究

准确描述热带珍贵树种的林木干形变化,可为预估各材种数量、蓄积量及合理造材提供支撑。以热带格木、红锥和柚木3个珍贵树种,共120株解析木为研究对象,利用简单削度方程、分段削度方程和可变指数削度方程分别构建格木、红锥和柚木3个热带树种的干形曲线方程,通过相关指数、剩余残差平方和、平均残差、残差方差和均方误差统计量比较分析,找出最佳削度模型作为3个树种最终的干形曲线方程,并对各曲线变化趋势进行了初步的定量分析。结果表明,所选的3类典型基础模型对每个树种的预估效果都很好,其中基于双因素自动优选法拟合且以分段削度方程构建的干形曲线预估效果最好。3个树种的干形曲线变化趋势表明:相对高在(0~0.8)时,柚木干形变化最大,红锥干形变化最小,格木干形介于二者之间;当相对高0.8时,红锥干形变化最大,格木和柚木干形变化几乎相同。因此,基于双因素自动优选法拟合的分段削度方程可作为3种热带树种的干形曲线方程,用于3种珍贵树种活立木蓄积量和材种数量的估计,以及指导合理造材。     

长白落叶松人工林密度表的编制及应用

采用不同林龄长白落叶松人工林的60株优势木数据建立林分饱和密度模型,编制了经营密度表,再利用26块密度近似于合理经营密度的不同生长阶段样地的平均胸径增长量、径阶分布和总蓄积量的分析,评价以经营密度表指导抚育间伐的过程及效果。结果表明:随平均胸径的增大林分密度不断减少,方程N=3 847.345 1e-0.082D适用于预估林分密度,编制的经营密度表反映了0.6～0.8郁闭度下长白落叶松各个生长阶段的最适林分密度。26块模拟样地的间伐前密度为2 883株/hm2,经历3次间伐后的林分平均密度分别为2 000、1 400和1 000株/hm2,最终成熟林的平均林分密度为600株/hm2,树冠竞争因子为416.33,总蓄积量为242.12 m3/hm2,大径材比率达59.26%。     

黑龙江省红松和长白落叶松人工林树冠外部轮廓模拟

【目的】红松和长白落叶松是黑龙江省主要的造林树种,构建两个针叶树树冠外部轮廓预估模型,为进一步科学合理地经营人工林提供参考。【方法】采用黑龙江省红松和长白落叶松人工林中各50株解析木的枝条解析数据,以分段抛物线方程、修正Kozak和Weibull方程为基础模型,构建以样木为单一水平树冠外部轮廓的非线性混合效应模型,并对两树种的树冠轮廓进行比较。【结果】两树种树冠外部轮廓的分段抛物线预估模型包含的变量均为D_BH(胸径)、C_L(冠长)、C_R(冠长率)、H_D(高径比),修正Kozak和Weibull预估模型包含的变量为D_BH、C_R、H_D。加入混合效应后,各模型的拟合效果较基础模型均有所提高。修正Weibull方程对红松和长白落叶松的拟合效果最好,但与分段抛物线和Kozak方程之间的差别不是很大。对于红松,分段抛物线方程预估的树冠半径在靠近树冠基部要低于修正的Kozak方程和修正的Weibull方程; 对于长白落叶松,各模型之间的拟合效果差别较小。【结论】分段抛物线方程、修正Kozak和Weibull方程均能够对黑龙江省红松和长白落叶松人工林树冠外部轮廓进行比较准确的模拟。修正Kozak方程和Weibull方程包含的树木变量较少,参数估计相对简单,容易通过积分计算树冠体积及表面积。     

基于非参数方法的落叶松树干削度方程

【目的】基于非参数理论,研究构建大兴安岭兴安落叶松(Larix gmelinii)非参数可加性树干削度方程,并与传统的Max and Burkhart 参数削度方程进行对比。【方法】利用树高、胸径、不同高度处直径、不同部位高度等变量及其变形构建非参数可加性削度方程。采用 7种光滑样条函数:薄板回归样条函数(TP)、 Duchon 样条函数(DS)、三次回归样条函数(CR)、P-样条函数(PS)、高斯过程平滑样条函数(GP)、B-样条函数(BS)和局部回归光滑函数(LO),基于R软件mgcv包的Gamm函数对非参数模型进行拟合。【结果】使用相对直径(d/D)作为因变量,胸径的平方(D²)、树高(H)、相对树高的算术平方根($\sqrt{h/H}$)作为自变量, 构建兴安落叶松最佳非参数可加性树干削度方程。拟合结果表明:基于CR和LO样条函数的可加性削度方程具有较小的R²(决定系数)和较大的赤池信息量准则(AIC)值,且CR和LO的残差图重心线略呈中间高、两头低的趋势。其他基于5种光滑样条函数的可加性削度方程表现出相似的拟合结果。可加性模型除了使用LO样条函数外,其他样条函数都优于Max and Burkhart参数削度方程的拟合结果。总体检验结果表明,除了CR样条函数模型外,其他各非参数模型(TP、 DS、 PS、GP 和BS)与拟合结果基本一致,即都优于Max and Burkhart参数削度模型的预测精度。基于树干不同高度直径预测的误差对比表明,除了CR模型外,非参数模型(TP、 DS、 PS、GP 和BS)在大多数树干高度处直径预测的平均误差和绝对平均误差都小于Max and Burkhart参数模型预测值。【结论】非参数模型(TP、 DS、PS、 GP和BS)在拟合统计量、残差分布图、总体和树干不同高度处直径的预测精度都表现出一致性,并优于林业上通常使用的Max and Burkhart参数削度方程。当模型以预测为目的时,所构建的非参数可加性削度方程可用于大兴安岭兴安落叶松干形和材积预测。     

不同矫正位置对落叶松分位数削度方程预测精度的影响

【目的】基于非线性分位数回归方法构建大兴安岭落叶松(Larix gmelinii)树干削度方程,并分析比较基本模型与不同分位数(τ=0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9)模型,利用树干不同高度的上部直径进行矫正分位数组合模型预测精度,为落叶松天然林干形的精准预测提供理论依据。【方法】以大兴安岭壮志林场212株落叶松树干干形数据为研究对象,基于非线性分位数回归方法和Max and Burkhart分段削度方程,利用SAS软件中NLP过程拟合各分位数分段削度方程,把树干相对高20%、30%、40%、50%、60%、70%处的直径以及胸径到树尖的中间位置(50%^*)的树干上部直径引入到分段削度方程中进行矫正,并以平均误差(MAB)和相对误差(MPB)为评价指标对削度方程进行对比分析。【结果】Max-Burkhart分段削度方程在9个不同的分位点都可以得到参数估计值,因此分位数回归削度模型可以评价在不同分位数的预测能力。未矫正的分位数(τ=0.5、0.6)模型的预测精度略优于基本模型。准确地选择矫正位置至关重要,与未矫正的基本模型相比,利用树干相对高20%和70%处的直径进行矫正不能提高各分位数组合模型的预测精度,利用树干相对高30%、40%、50%、60%处的直径以及胸径到树尖中间位置的树干上部直径进行矫正的大多数分位数组合(3、5、7、9个分位数组合)模型的预测精度都能得到提高,总体使用矫正位置分位数组合模型的预测精度顺序为40%>50%^*>50%> 60%>30%>20%>70%。最佳的矫正位置为树干相对高40%处,并以3个分位数的组合(τ=0.3、0.5、0.7)模型预测精度最高,与未矫正的基本模型相比,MAB和MPB均下降13.5%。【结论】在削度方程中引入一个合理的矫正位置可以提高模型的预测精度,其中,最佳矫正位置为树干相对高40%处,最优模型为3个分位数组合(τ=0.3、0.5、0.7)模型。在实际应用中,如果不考虑矫正时,建议采用分位数τ=0.5削度方程的参数估计值。     

落叶松种子同工酶的研究

采用聚丙酰胺凝胶电泳法分析了产地为阿尔山和根河的兴安落叶松L1和L2、华北落叶松L3和长白落叶松L4种子中的4种酶的同工酶。结果表明:4个样品的POD、EST、SOD和AMY同工酶均为多态;同工酶带数目多少为EST>POD>SOD>AMY;同工酶带数目排列是L2>L4>L1>L3。在进化程度上,华北落叶松较为原始,长白落叶松居中,产于根河的兴安落叶松为较进化类型。聚类分析表明长白落叶松与华北落叶松亲缘关系较近,与兴安落叶松较远;华北落叶松与兴安落叶松和长白落叶松亲缘关系均较近。     

削度方程和出材率表的研究

<正>本文提出了一致性分段式削度方程和一致性材积比方程。为了评价这两个方程,利用杉木材料分别与其它已有削度方程和材积比方程作了比较,结果表明这两个方程的效果较好。另外对所比较的削度方程和材积比方程作了评价。