人工长白落叶松树冠生物量预测模型

2020-12-29李晓晶

林业科技情报 2020年4期

李晓晶

(黑龙江省林业和草原第一调查规划设计院，黑龙江牡丹江 157009)

社会的发展通常伴随着森林资源的消耗，尤其是木材方面的消耗，面对日益紧缺的森林资源，林业学者们开始关注除木材以外的其它林木部分的利用[1]。在东北地区因长白落叶松对于森林资源的贡献较大，所以成为重要的造林和用材树种之一，长白落叶松人工林的大面积的栽植可以在一定程度上缓解木材的紧缺状况，但20世纪60年代起，木材交易市场和许多木材加工业要求以重量为单位进行交易[2]，极大地促进了树木生物量的研究，研究其树冠生物量(冠内全部枝条和树叶的生物量和)，不仅有利于了解落叶松生长过程，还能在某种程度上提高木材交易量。树木的生理过程，如光合作用、呼吸作用，主要是在树冠内完成的，因此，树冠生物量大小还与树木的生长和发育密切相关，准确的估计树冠生物量不仅可以评价树木活力和生长潜力，还对于评价不同地区和不同林分的净初级生产力和碳储量具有重要的现实意义[3]。

目前，估算生物量的常用方法为生物量模型估算法，即利用树木易测因子来推算难以测定的立木生物量，这样可以减少生物量数据收集工作。当前，较为广泛使用的生物量模型形式是非线性异速幂函数方程(W=aXb，W为生物量，X为树木因子，a和b为模型参数)。常用的树木因子有胸径、树高、冠长、冠幅等。为便于获取数据应用生物量模型，常常仅采用胸径一个自变量估计生物量，郭孝玉等[4]用胸径估计长白落叶松树冠生物量，表明仅包含胸径的树冠生物量模型具有较高的可靠性。此次以黑龙江省东京城林业局和林口林业局的人工长白落叶松为研究对象，选取与树冠生物量相关性较高的树木易测因子作为模型自变量，建立人工长白落叶松树冠生物量预估模型。

1 研究区域概况和数据

1.1 研究区域概况

研究数据来源于黑龙江省佳木斯市桦南县东北部的孟家岗林场，地理坐标为130°32′～130°52′E，46°20′～46°30′N。地处完达山西麓余脉的孟家岗林场，其地形主要为低山丘陵，海拔最低仅170 m，最高达575m。该地气候四季分明，全年的平均气温为2.7℃，全年降水量平均为550mm，无霜期约为129d，属于东亚大陆性季风气候。典型暗棕壤是孟家岗林场的主要土壤类型，土壤肥沃，除此之外，少数区域还有白浆土、草甸土等。林场植物资源丰富，其中主要乔木树种有红松(PinuskoraiensisSiebold et Zuccarini)、落叶松(LarixolgensisHenry)、樟子松(Pinussylvestrisvar. mongolica)、水曲柳(FraxinusmandschuricaRupr.)、胡桃楸(JuglansmandshuricaMaxim.)等。

1.2 数据收集与整理

数据来自于2015年，在10～30年生且未进行过整枝的长白落叶松人工林中设置的5块标准样地，样地大小为0.04～0.06hm2。样地坐标，坡度，坡向和年龄(Age，a)均需记录，之后对样地进行每木检尺，包括胸径(D，cm)，树高(H，m)和东南西北这4个方向上的冠幅大小(CW，cm)的测量。根据等断面积径级标准木法，可以将胸径划分为5个等级(I级，II级，III级，IV级和V级)。按照不同等级的胸径在每块样地附近分别选取5株长势良好、树冠完整的树木作为标准解析木。同时以每木检尺结果中胸径的前6个最大值的平均值和6个最小值的平均值为参考分别选取1株优势木和1株劣势木，即一个样地总共7棵解析木。解析木伐倒前，也需要测量其D，H和CW，伐倒时需紧贴地面伐倒。用皮尺测量第一活枝高和树高从而确定树冠的长度(CL，m)，从树干的北向开始顺时针对每一轮的所有枝条都进行编号。分别对每一轮的所有枝条进行枝条解析，所有枝条均需标明生长状态，将所有枝条用枝剪贴基部剪掉，并称量所有枝条的鲜重。每轮轮生枝需要选取一个长势中等的枝条作为标准枝，对该枝条的枝叶分离，分别称重并记录。随后，取50～100g的枝样品和叶样品带回实验室，在85℃的条件下烘干至恒重，记录下样品干重。通过计算树枝、树叶的干重与鲜重比值，推算每一轮其他枝条的枝、叶的干生物量。本研究将数据按4:1的比例分成建模和检验两部分，即28棵解析木数据用来建模，7棵解析木检验。最终所用数据的基本信息见表1。

表1 数据基本信息统计表

2 研究方法

2.1 模型的建立

选择D、H、Age和CL这4个树木因子作为备选自变量，分析树冠生物量与不同备选自变量的关系。通过相关性分析的方法得到树冠总生物量变化的主要影响因子。生物量模型采用幂函数的形式(式①，假设误差结构为相乘型)：

①

式中：W为树冠生物量，Xi代表模型自变量，ai为模型参数，i=1,2,3,…,ε，为模型残差项。由于生物量模型普遍存在异方差的现象，导致参数估计有偏，因此需要对生物量模型进行异方差的校正[5]。目前，校正异方差主要有非线性加权回归和对数转换的方法，比较这两种方法发现，采用对数转换的方法较为简单，不需要确定权重的大小。所以本研究采用对数转换的方法消除模型的异方差现象, 同时Dong等[6]对不同反对数校正因子(CF)的比较发现不同CF间差异较小，且与不校正(CF=1)时差异也很小，因此对于反对数回来的模型预测值不进行校正。对数化后的生物量模型形式(式②)如下：

lnW=lna0+a1lnX1+a2lnX2…ailnXi+lnε

②

2.2 模型检验

模型的拟合优度评价并不能完全反映出模型的预测能力，为了对树冠生物量模型的预测精度作出评价，需要利用独立的样本数据进行模型检验。本次研究采用6个指标对模型的拟合优度和检验结果进行评价，其中调整后相关系数(R2)和均方根误差(RMSE)为模型拟合评价指标，平均预测误差(MPE)，平均预测误差绝对值(MPE%)，平均绝对误差(MAE)和平均绝对误差绝对值(MAE%)。为模型检验评价指标。具体计算公式如下：

③

④

⑤

⑥

⑦

⑧

3 结果与分析

3.1 模型建立

通过相关性分析发现，树冠总生物量与D、H、Age和CL之间的Spearman相关系数分别为0.939，0.827，0.424和0.858，且均通过了99%的置信水平检验。因此，将D、H、CL作为树冠模型的自变量。利用R统计软件，采用逐步回归的方法拟合式②发现：H和CL均未作为模型自变量，认为这两个因子对树冠生物量的影响不显著，因此最终的树冠生物量模型形式为：lnW=4.0541+2.2043lnD，模型的R2和RMSE大小分别为0.9415和0.5316，表明该模型的拟合效果较好，解释了数据的94%的变异。