黄泥河森林小班主导因子的聚类分析及经营措施

马 力 ，冯泽民 ，冯仲科 ，高 祥

（1.北京林业大学 精准林业北京市重点实验室，北京 100083；2.中国矿业大学 地测学院，北京 100083）

黄泥河森林小班主导因子的聚类分析及经营措施

马 力1，冯泽民2，冯仲科1，高 祥1

（1.北京林业大学 精准林业北京市重点实验室，北京 100083；2.中国矿业大学 地测学院，北京 100083）

为了准确、及时地判定小班生长过程，本研究将聚类分析引入到小班生长主导因子研究中。以黄泥河林业局森林小班为例，以森林资源二类调查小班数据为基础，选取经营类型、立地类型一致的优势树种（组）——人工落叶松，通过反复试验，选用坡度（级）、龄级、郁闭度、每公顷株数、材积因子（HD2）5种森林小班主导因子进行聚类分析，将2 521个小班成功分为5类，并针对每一类森林小班及整体黄泥河林业局地区森林提出了相应的营林措施。

森林小班；主导因子；聚类分析；营林措施；黄泥河林业局；吉林延边

中国的林木资源相对稀缺，人均木材消费量远低于世界平均水平。近年来，随着我国市场经济的发展，可持续发展战略和生态文明建设相继提出[1]，森林经营集约程度快速发展，中国木材消费的增长潜力相当可观。目前，森林立地的分类与评价这类基础工作[2]，如何在扩大造林数量的同时提高造林质量，是我国林业生产的主要任务[3]。

森林资源调查与监测工作是森林管理与经营的基础，核查好森林资源数量和质量，将为森林资源的可持续发展提供有力依据[4]。利用小班生长状况，可以直接判定林木的生长状况和生长潜力，以及判定采用林分密度控制措施或其他营林措施后的各保留木的生长状况，这些信息对于林分的集约经营有非常重要的价值。因此，在森林优化经营过程中，小班生长主导因子分析具有其特殊的意义。然而目前开展的研究以单一的将蓄积量或树干形状等指标视作森林特征的基础信息或重要参数为主[5-6]。如何准确、及时地通过多种小班主导因子判定小班生长过程，成为决策者的难题。目前还没有有效、成熟的方法，以往传统模型建模方法均会造成较大的误差，而系统地运用聚类分析方法对小班主导因子进行分析还未见报道。

作为一种新兴的多元统计方法，聚类分析是当代分类学和多元分析的结合[7]。此法是用于对数据库中数据进行分类的方法[8]，它直接比较样本中各个指标（或样本）之间的性质，将性质相近似的归为一类，性质差别较大的归为不同类[9]。按照聚类分析法的主要思路，具体分析方法可以被归纳为：划分法（Partitioning Methods）、层次法（Hierarchical Methods）、密度法（density-based Methods）、网格法（Grid-based Methods）、模型法（Model-Based Methods）5种。相比于有监督的分类问题，聚类分析方法是一种在没有任何先验信息条件下，将现有无标记数据进行归类的数据分析过程，分析所得结果是使得属于任意不同类的2个数据对象之间的距离均大于同一类中2个数据对象之间的距离[10]。

聚类分析是统计学中用于研究“物以类聚”问题的多元统计分析方法，在统计分析的应用领域中，已得到广泛的应用[11]。由于聚类问题具有普遍意义，在很多应用领域，聚类分析都是非常重要的数据分析手段[10]。如：郝建明等将其运用于研究3种颜色玉米胚乳胚芽的FTIR结合[12]；邓伦冰将其运用于研究中小企业板股票投资的价值分析[13]。

本研究基于聚类分析的方法，采用K-means算法，研究森林小班主导因子之间的相关关系，从而应用到判定林木的小班生长状况中，为推测森林小班经营措施提供技术支撑，为科学有效制定森林经营方案提供理论基础。

1 数据来源与处理方法

1.1 数据来源

本研究以黄泥河林业局小班数据为基础，实验地位于吉林省延边朝鲜族自治州敦化市的西北部， 地 理 坐 标 为 127°40′～ 128°42′E，43°25′～44°06′N，南部与东南部和敦化市林业局接壤；西部与西北部分别和蛟河市境内的白石山林业局、吉林省蛟河林业实验区管理局相连；北部和黑龙江省山河屯林业局相毗邻。幅员面积196 596.0 hm2。林业局位于敦化市黄泥河镇境内，距离敦化市区35 km。实验地选址群见图1。

图1 实验地选址Fig.1 Location of experimental sites

2005年度黄泥河林业局森林资源小班调查数据包含了大川、威虎河、威虎岭、团北、北大秧、西北岔、桦皮、上马厂、秃顶子、额穆、意气松、金钩、团山子、都陵、小白、青钩子、马鹿沟、塔拉站共计18个林场，17 048个小班，在去除各项指标的缺失值后，选取经营类型一致、立地条件一致的小班共计2 521个，对其生长主导因子进行分析。

1.2 数据处理方法

将本研究选取的2 521个小班数据，整理后得到五项森林小班因子，分别为：坡度（级）、龄级、郁闭度、每公顷株数、材积因子（HD2）。具体每项数据情况详见表1。

表1 基础资料描述Table 1 Basic information description

1.3 聚类分析过程

聚类分析分为4个过程：特征选择和特征提取、聚类算法设计、聚类结果评估以及聚类结果评估。本研究运用SPSS 22.0将数据进行标准化处理后，软件自动生成起始聚集中心，经过16步的迭代过程各聚类中心完成收敛，成功将2 521个小班成功分为5类。

2 结果与分析

2.1 5种森林小班因子各聚类间显著性分析

由表2可知，5项森林小班因子在各类间的差异均极显著。此外，各个变量对聚类结果的重要程度排序为：HD2＞龄级＞每公顷株数＞郁闭度＞坡度（级）。

2.2 各聚类描述

2.2.1 各聚类原始数据描述

为更详细的分析各聚类的含义，将各聚类所含小班原始数据进行描述，详见表3。

表2 变异数分析Table 2 Variance analysis

表3 各聚类所含小班原始数据描述Table 3 Raw data description for clustering small classes

将表3中各森林小班因子在不同聚类中纵向对比，可得到坡度级对比图（图2）、龄级对比图（图3）、郁闭度对比图（图4）、每公顷株数对比图（图5）以及材积因子对比图（图6）。

图2 坡度级对比Fig.2 Comparison of slope gradient grade level

图3 龄级对比Fig.3 Comparison of age-class

图4 郁闭度对比Fig.4 Comparison of canopy density

图5 每公顷株数对比Fig.5 Comparison of tree numbers of per hectare

图6 材积因子对比Fig.6 Comparison of HD2 among groups

2.2.2 各聚类特征描述及定性

2.2.2.1 第1类——中龄林与近成熟林

由表3可知，本类别共计843个小班样本，其平均年龄约为18 a，材积因子较小，郁闭度极高，每公顷株数较高。通过以上4点，可以推断，该类别为“中龄林”与“近成熟林”。依据其坡度级为2.78，可推断出，本类别生长于相对较陡的地区。

2.2.2.2 第2类——幼龄林

由表3可知，本类别共计190个小班样本，其平均年龄很小（约为4 a），材积因子很小（近乎于0），郁闭度很低，每公顷株数极高（种植密度大）。通过以上4点，可以推断，该类别为“幼龄林”。依据其坡度级为2.04，可推断出，本类别生长于相对较平缓的地区。

2.2.2.3 第3类——过成熟林

由表3可知，本类别共计364个小班样本，其平均年龄极大（约为36 a），材积因子极大（比第二高的第5类仍高出一倍），郁闭度较高，每公顷株数较少。通过以上4点，可以推断，该类别为“过成熟林”。依据其坡度级为1.91，可推断出，本类别生长于平缓地区。

2.2.2.4 第4类——间伐区

由表3可知，本类别共计440个小班样本，其平均年龄约为16 a，材积因子较小，郁闭度较高，每公顷株数极少。通过以上4点，可以推断，该类别为“间伐区”。依据其坡度级为2.43，可推断出，本类别生长于相对较陡的地区。

2.2.2.5 第5类——成熟林

由表3可知，本类别共计684个小班样本，其平均年龄较大（约为27 a），材积因子仅次于第3类（为0.28），郁闭度较高，每公顷株数较少。通过以上4点，可以推断，该类别为“成熟林”。依据其坡度级为1.9，可推断出，本类别生长于平缓地区。

3 结论与讨论

3.1 森林小班主导因子及主要分类

由表2可知，本研究选取的五项森林小班因子，在各聚类小班中差异性极显著，因此本研究选取的5项因子均为森林小班主导因子。通过表3可知，本研究方法可将黄泥河林业局森林小班主要分为5类，即：幼龄林、中龄林与近成熟林、成熟林、过成熟林以及间伐区。

3.2 各分类森林小班主要营林措施及黄泥河地区整体经营措施

3.2.1 针对幼龄林、中龄林采取抚育措施

文中第1类与第2类为尚未成熟的森林小班，该分类有种植密度大（每公顷株数多）、材积因子小的现状和材积增长迅速、郁闭度增加明显的特点。宜开展保证幼林成活，促进林木生长，改善林木组成和品质及提高森林生产率所采取的各项措施。包括松土、除草、间作、灌溉、施肥、排水、修枝、去藤、栽植下木等工作。此外，还应选择相对平缓的地段种植，以便其更好更快的生长。

3.2.2 针对近成熟林、成熟林进行适当间伐或主伐更新

文中第4类和第5类为近成熟的森林小班，林木生长速度下降，至成熟后生长甚为缓慢。此时期的林木大量开花结实，林冠中出现的空隙显著增多，林下天然更新幼树逐步增加，为了培育大径材要进行强度较大的间伐。此外，待其成熟后，应及时进行主伐更新。

3.2.3 针对过成熟林及时更新

文中第3类为超过成熟年龄的森林小班，此类小班中林木开始衰老，树高生长几乎停止，病腐木、站杆、风倒木大量增加，自然枯损量逐年增多，林木蓄积量随年龄增长而下降，各类作用有所减弱。此时应马上进行采伐更新。

3.2.4 黄泥河地区整体经营措施

由表3可知，黄泥河林业局森林小班以第1类和第5类为主，也就是多数森林小班处于中龄林至成熟林阶段，因此下一步的主要工作为采伐、更新。

3.3 本方法缺陷

K-means算法的结果受所选聚类中心的数目、初始位置、模式分布的几何性质、读入次序等诸多因素的影响。因在其迭代过程中并无调整类数的措施，要求事先对样品分类个数有一定的预判，初始分类的不同可能产生不同的最终分类结果。本方法的应用范围较为有限：仅能对记录进行聚类，需要分析所使用的变量为连续性变量，此外对变量的方差齐性、多元正态性等条件要求较高。

[1]冯仲科, 郭欣雨, 丁秀珍. 我国森林经理技术若干问题及其完善途径[J]. 林业资源管理, 2014, (4): 23-28.

[2]付 晓, 冯仲科, 孟永庆. 基于 GIS 的森林立地分析与评价研究[D]. 北京:北京林业大学, 2003, 3-5.

[3]姚 山. 基于数据挖掘技术的造林决策研究[D]. 北京:北京林业大学, 2008.

[4]赵 芳. 测树因子遥感获取方法研究[D]. 北京:北京林业大学, 2014.

[5]曹 忠, 冯仲科, 徐伟恒, 等. 电子经纬仪无损立木材积测量方法及精度分析[J]. 中南林业科技大学学报,2015,35(4):7-13.

[6]高 祥, 冯仲科, 王智超, 等. 基于电子经纬仪立木无损精测技术的干形指数研究[J]. 农业机械学报, 2015, (1): 299-305.

[7]李庆东, 李 颖. 证券投资分析方法新探索——聚类分析方法应用[J]. 现代情报, 2006, 25(11): 223-224.

[8]刘 颖, 宋景帅, 苗宇雷, 等. 基于 PCA 聚类分析的神经网络模型设计与应用[J]. 电子制作, 2015, (5): 58-60.

[9]谭姝琳, 贾向丹. 我国人口老龄化地区差异的聚类分析[J].黑龙江对外经贸, 2011, (6): 68-70.

[10]白 雪, 罗四维, 黄雅平. 聚类分析中的相似性度量及其应用研究[D]. 北京:北京交通大学, 2012.

[11]张 杰. 基于主成分-聚类分析法的管道风险评价方法[J]. 油气储运, 2014, 33(2): 139-143.

[12]郝建明, 刘 刚, 欧全宏, 等. 3 种颜色玉米胚乳胚芽的 FTIR结合聚类分析研究[J]. 安徽农业科学, 2014, 42(34): 12031-12034.

[13]邓伦冰. 关于中小企业板股票投资的价值分析——基于聚类分析和判别分析[J]. 商, 2014, (7): 134.

Cluster analysis and recommendations on management measures of dominant factors of forest small class in Yellow Mud River

MA Li1, FENG Ze-min2, FENG Zhong-ke1, GAO Xiang1
(1. Beijing Key Lab. of Precision Forestry, Beijing Forestry University, Beijing 100083, China; 2. College of Geoscience and Surveying Engineering, China University of Mining & Technology, Beijing 100083, China)

In order to get the accurate and timely growth conditions of small class, the cluster analysis method was introduced into the study of dominant factors of forest small class. By taking the example of small class of forestry bureau in Yellow Mud River Basin, and based on the data collected by Second Class Investigation for Forest Resources, by selecting the dominant tree species (group) , arti fi cial larch, which with the same management type and site type as the tested tree species), the tests were repeatedly conducted; and then,the cluster analyses were made through applying fi ve dominant factors of small class, such as slope (grade), age class, crown density,number of per hectare (HD2), resulted in 2 521 small classes dividing successfully into fi ve forest groups. Finally, the corresponding silviculture measures for each of group as well as the all forests in Yellow Mud River regions were provided.

forest small class; dominant factors; cluster analysis; silvicultural measure; Huangnihe Forestry Bureau; Yanbian Autonomous Prefecture of Jilin province

S757 文献标志码：A 文章编号：1673-923X(2015)12-0064-05

2015-06-21

国家自然科学基金（41371001）

马 力，研究方向：地理信息系统研究

冯仲科，教授，博士生导师；E-mail：fengzhongke@126.com

马 力,冯泽民,冯仲科,等. 黄泥河森林小班主导因子的聚类分析及经营措施建议[J].中南林业科技大学学报, 2015,35(12): 64-68.

[本文编校：文凤鸣]