森林健康评价及其多尺度转换方法

2021-06-04董灵波刘兆刚

南京林业大学学报（自然科学版） 2021年3期

董灵波,刘兆刚

(东北林业大学林学院，森林生态系统可持续经营教育部重点实验室，黑龙江哈尔滨 150040)

随着森林经营理念的发展，森林健康也由早期的有无病虫害、火灾等评价，逐渐转到如何维持森林生态系统的持续发展能力和良好恢复力的层面[1-2]。因此，定量诊断和评价森林健康，既是深入理解森林衰退、演替和健康调控机制的关键，也是有针对性地开展森林健康经营的基础。

森林健康状况是森林生态系统中各种林分结构、地形特征以及干扰过程的外在体现[3]。目前，国内外学者已经从多个尺度上对森林健康进行了大量研究，涉及的数据源[4-5]、评价方法[4,6]、评价指标[7-8]等各不相同。区域尺度主要关注自然环境、森林结构、社会因素和经济因素等[8]，景观尺度主要关注景观结构、功能、格局和过程等信息，通常采用景观格局指数来度量[9]，林分尺度则关注林分(或小班)完整性、稳定性和可持续性等方面[6,10]，单木尺度则更多关注林木根部、干形、树冠等特征要素[10-13]，但此类研究现阶段还多集中于某个单一尺度。而森林是一个具有明显层级结构的复杂系统，因此单一尺度的评价结果难以全面揭示森林生态系统整体的健康水平，多尺度耦合评价是解决这一问题的重要途径。

现阶段，国内外学者已经开展了森林生态系统的多尺度耦合评价研究，如张国帧等[4]、陈望雄[8]采用多层综合模糊评价法实现从林分、景观到区域的多尺度耦合评价；朱宇[10]、姜孟竹等[9]采用综合指数法实现了大兴安岭天然兴安落叶松(Larixgmelinii)林单木和林分尺度的耦合评价。这些研究虽然在一定程度上促进了人们对森林生态系统多尺度健康状况的综合认识，但由于所采用的评价方法均较为主观，因此评价结果会存在一定偏差。

树冠特征不仅直接影响林木光合、呼吸等一系列生理活动，同时也会间接影响林木的健康状况，因此开展基于单木树冠特征的健康评价正成为当前国内外森林健康研究的热点和难点。目前，有关专家已先后将美国国家森林健康监测(forest health monitoring, FHM)计划中的树冠调查指标拓展到不同区域的单木健康评价中，均取得了较好效果[10-14]，但这类指标普遍存在定义抽象且野外调查难度高、工作量大等问题，同时调查结果也仅局限于样本点或样本区域，难以推广到区域尺度上。因此，如何将样本点或样本区域的单木健康调查结果推广到林分或区域尺度上是一个亟待解决的关键问题。

大兴安岭林区不仅是我国重要的木材生产基地，也是我国重要的生态屏障区。但由于受长期过度采伐以及重造林、轻抚育等经营理念的影响，该地区森林资源的数量和质量已经发生了严重退化，形成大面积的过伐林和次生林。为此，本研究以大兴安岭盘古林场51块固定样地和森林资源二类调查数据为基础，尝试采用统计学方法建立林分尺度健康综合评价模型，进而实现森林生态系统健康评价从单木、林分到区域的尺度转换，为该地区森林健康经营提供理论依据和技术支撑。

1 材料与方法

1.1 研究区概况

大兴安岭塔河林业局盘古林场(123°51′57″E, 52°41′57″N)经营面积15.2万hm2，森林覆盖率达88.9%；全区地势较为平缓，平均海拔700 m，坡度多在10°以下；年平均气温-5 ℃，年均降水量520 mm，积雪期长达5个月，植被生长季相对较短；土壤以棕色针叶林土为主，此外还有少量沼泽土、泥炭土等。兴安落叶松为该区森林群落的优势种和建群种，其伴生树种主要包括白桦(Betulaplatyphylla)、山杨(Populusdavidiana)、红皮云杉(Piceakoraiensis)和樟子松(Pinussylvestrisvar.mongolica)等。

1.2 数据收集

研究数据包括固定样地调查数据和森林资源二类调查数据两部分。固定样地数据来自2011—2013年在该地区不同立地、不同林龄、不同密度的典型林分中设置的51块样地(图1)。样地面积一般为0.06 hm2，但依据不同生境特征和试验目的(如密度控制、结构优化等)有所差别[15-16]，其中最小为0.05 hm2，最大为1.00 hm2。记录各样地基本地形(坐标、坡度、坡向、坡位和海拔等)和林分(起源、郁闭度等)因子；对样地中所有胸径≥5 cm的乔木进行检尺，记录其树种、胸径、树高、冠幅、活枝高、坐标、状态(是否存活、是否遭受火灾、病虫害)等传统指标。各样地调查因子基本统计特征见表1。

图1 研究区域森林类型及固定样地分布图Fig.1 Distributions of plot and forest types of the study area

表1 盘古林场样地调查因子统计特征

除此之外，根据美国国家森林健康监测(forest health monitoring, FHM)计划中关于单木健康调查的技术标准，目视判断各样地中每株树木的根部状态、树冠落叶程度、树冠透视度、树冠重叠程度和树冠枯梢度5项指标[2, 11, 14]。

1)根部状态：指树木根部受损或裸露程度，分4个等级。3级为根部无损伤或裸露，2级为根部裸露但无伤，1级为根部裸露且有伤，0级为根部死亡。

2)树冠落叶程度：指林木冠层受各种灾害、竞争以及自然衰退等因素而引起的树叶损落程度，分7个等级。6级为无落叶，5级为(0%，25%)，4级为[25%，50%)，3级为[50%，75%)，2级为[75%，90%)，1级为[90%，100%)，0级为林木枯死。

3)树冠透视度：指林木树冠扣除侧枝及主干后，着叶部分的透光百分比，分11个等级。10级为[0%，15%)，9级为[15%，25%)，8级为[25%，35%)，7级为[35%，45%)，6级为[45%，55%)，5级为[55%，65%)，4级为[65%，75%)，3级为[75%，85%)，2级为[85%，95%)，1级为[95%，100%)，0级为树冠枯死。

4)树冠重叠程度：指核心木与其周围4株最近相邻木的树冠重叠比例，调查过程中不同邻近木单独进行，分7个等级。6级为无重叠，5级为(0%，25%)，4级为[25%，50%)，3级为[50%，75%)，2级为[75%，90%)，1级为[90%，100%)，0级为林木枯死。

5)树冠枯梢度：指树冠枯死部分占整个树冠的比例，分8个等级。7级为无枯死，6级为(0%，15%)，5级为[15%，30%)，4级为[30%，45%)，3级为[45%，60%)，2级为[60%，75%)，1级为[75%，90%)，0级为[90%，100%)。

森林资源二类调查数据采用该地区2008年的调查成果，具体包括6 421个小班的属性和矢量数据，其中有林地小班6 141个。根据研究区域DEM数据和各小班质心坐标，在ArcMap 10.2中分别提取对应小班的海拔、坡度、坡位和坡向信息，其中对坡位和坡向以等级制表示(图2)。

图2 坡向等级划分示意图Fig.2 The schematic diagram of grade divisions for aspect

将坡向以45°为单位，从正北方向为起点按顺时针依次将其划分为8个等级，数字越大表明坡向越向阳；坡位划分为6级，即0表示平地，1表示谷地，2表示下坡位，3表示中坡位，4表示上坡位，5表示山脊，数值越大海拔越高，土壤含水率则越低。

1.3 研究方法

森林健康评价包括3个过程，即单木尺度、林分尺度和区域尺度(图3)。首先，基于各林分单木健康和常规调查指标，采用熵值-AHP综合赋权法构造单木尺度健康评价模型，并进行单木尺度健康评价；其次，各样地由单木健康评价结果汇总得到林分尺度健康得分各项统计指标，即平均值(Hm)、标准差(Hsd)、变异系数(Hcv)、偏度(Hpd)和峰度(Hfd)，以此作为林分尺度的健康评价结果；然后，采用相关性分析和逐步回归提取影响林分尺度健康得分的关键林分变量，进而采用度量误差模型建立林分尺度健康评价模型；最后，借助所建模型和区域森林资源二类调查数据以及DEM数据，在ArcMap 10.2中进行区域尺度森林健康得分空间分布制图，分析其空间分布规律。

图3 森林健康评价流程图Fig.3 The flow chart of forest health assessments

1.3.1 单木尺度健康评价

单木健康评价指标包括根部状态、树冠落叶程度、树冠透视度、树冠重叠程度和树冠枯梢度5项目视调查因子和冠长率以及树冠偏斜程度2项派生因子。冠长率用冠长和树高的比值来表示，其值越大表明树木的生长活力越高；树冠偏斜用树冠东西冠幅与南北冠幅偏差的绝对值之和与平均冠幅的比值表示，能够反映出树木生长过程中遭受的竞争压力。基于上述指标，采用熵值-AHP综合赋权法构造单木尺度健康评价模型[4]，该方法既能充分利用数据所提供的丰富信息，又能有效降低AHP法的主观性和片面性，从而使评价结果更客观、合理，其计算公式可表示为：

(1)

冠长率计算公式为：

CLR=(HT-HCB)/HT。

树冠偏斜度计算公式为：

最终确定的各指标权重大小顺序依次为：冠长率(0.364 7)>树冠透视度(0.232 1)>树冠枯梢比(0.141 7)>树冠偏斜程度(0.097 4)>树冠落叶程度(0.084 1)>树冠重叠程度(0.047 5)>根部状态(0.032 6)。计算过程中，为消除各指标方向和量纲上的差异，分别采用正向化和归一化方式进行处理[10]。

1.3.2 林分尺度健康评价

根据上述单木健康评价结果，各样地汇总得到林分尺度健康评价结果，即平均值(Hm)、标准差(Hsd)、变异系数(Hcv)、偏度(Hpd)和峰度(Hfd)。平均值(Hm)反映林分中所有树木健康得分的平均水平，其值越大树木越健康；标准差(Hsd)反映林分中所有树木健康得分的变异情况，能够体现出林分中各树木个体生长活力、竞争状态和微环境等因素的差异，该值越大说明林分组成、结构等因素越复杂；变异系数(Hcv)为林分中所有树木健康得分变异程度的综合体现；偏度(Hpd)和峰度(Hfd)反映林分中树木个体健康得分与正态分布的偏离程度，其中Hpd<0，表示数据呈明显左偏正态分布；若Hpd>0，表示数据呈明显右偏正态分布；若Hfd>0，表示数据分布的峰态较为陡峭；若Hfd<0，表示数据分布的峰态较为平缓。

1.3.3 森林健康空间制图

基于林分尺度健康评价结果，采用相关性分析和逐步回归提取影响林分尺度健康得分的关键林分变量。在筛选过程中，方差膨胀因子(variance inflation factor, VIF，记为IVIF)临界值设置为5，参数显著性水平为α=0.05，即仅保留参数估计结果显著且IVIF<5的变量，以削弱变量间的多重共线性问题。根据前人研究和数据可获得性，备选变量包括9个林分变量，即平均胸径(DBH)、平均树高(HT)、优势高(HDT)、株数密度(NUM)、郁闭度(YBD)、落叶松比例(PLG)、树种数量(NTS)、断面积(SBA)和单位蓄积(VOL)，以及4个地形变量，即海拔(ELE)、坡度(SLO)、坡位(POS)和坡向(ASP)。为与森林资源二类调查数据匹配，树种数量(NTS)仅指小班树种组成中包含的树种数量，而非样地中实际出现的树种数量。断面积(SBA)计算公式为：

断面积计算值(Y)与样地实测值(X)存在较好的线性关系(拟合方程为Y=0.824 7X+0.455 7，R2=0.963 1)；落叶松比例(PLG)则为小班树种组成中落叶松的系数。与传统林业统计模型中仅假设因变量存在观测误差不同，度量误差模型中假设因变量和自变量观测值均含有度量误差(如抽样误差、测量误差等)。鉴于文中各因变量(即Hm、Hsd、Hcv、Hpd和Hfd)为由单木健康评价结果的汇总数据，其存在着一定的测量误差和累计误差，同时各项指标间也存在着一定的相关性，因而将各变量进行单独估计而不考虑彼此间的关系也不符合实际。因此在上述筛选关键变量的基础上，采用度量误差模型来构造林分尺度健康评价综合模型[17]：

(2)

式中：f(·)为m维向量函数；Yi为p维的向量真值；yi为向量Yi的估计值；xi为q维无误差变量观测值；c为k维向量参数；ei为模型误差；E(ei)为模型误差的期望；Cov(ei) =σ2Ψ为误差的协方差矩阵，其中Ψ为ei的误差结构矩阵，σ2为估计误差。

(3)

(4)

(5)

根据《森林资源规划设计调查技术规定》和相关研究[4,10]，采用等距划分法将单木和林分尺度健康评价结果划分为4个等级，即健康(0.75,1.00]、亚健康(0.50,0.75]、中健康(0.25,0.50]和不健康[0.00,0.25]。基于所建模型和区域森林资源二类调查数据以及DEM数据，在ArcMap 10.2中进行区域尺度森林健康得分空间分布制图，分析其空间分布规律。

2 结果与分析

2.1 单木尺度健康评价

51块样地中单木健康得分的平均值为0.663 8，标准差为0.091 2，变异系数为13.74%，表明该地区单木整体处于亚健康水平(图4)；但不同树种健康得分平均值间均存在显著差异(P<0.05)，其中云杉健康水平最高(0.703 3±0.093 9)，其次为白桦(0.672 0±0.083 8)，而樟子松最低(0.560 8±0.123 9)；此外，各树种间不同健康等级树木的分配格局也显著不同，其中白桦健康和亚健康林木占总样木比例最高(96.74%)，其次为云杉(96.02%)，而樟子松最低(71.08%)。各林分间不同健康等级林木的分配格局也不一致，其中健康林木株数比例大于50%的林分仅有4个(7.84%)，而健康和亚健康林木合计株数比例大于80%的林分则高达44个(96.08%)，表明多数林分中健康和亚健康林木占优势。

不同小写字母表示不同树种间健康得分差异显著(P<0.05)。Different letters denoted significant differences on the health values among different tree species(P<0.05).图4 各树种健康得分平均值及健康等级分配格局Fig.4 The average values and distribution patterns of tree-level health assessment of the main tree species

2.2 林分尺度健康评价

林分尺度健康评价结果如表2所示。

表2 林分尺度健康评估结果及其各等级分配格局

表2(续)

可以看出，各林分健康得分Hm的平均值为0.663 3±0.051 0，其中样地P1、P2和P5均达到健康水平，而其余均为亚健康水平(94.12%)；林分健康得分Hsd的平均值为0.084 1±0.014 1，其中样地P4、P16、P24、P26和P35中树木健康得分的变异程度相对较大(即Hsd>0.10)；林分健康得分Hcv值为[6.93, 22.93]，其平均值为12.837 5±2.868 3；林分健康得分Hpd均为负值，其平均值为-0.597 1±0.308 9，表明所有林分中树木健康得分均呈明显的左偏分布，即林分中健康和亚健康林木占优势；林分健康得分Hfd的平均值为0.846 5+0.912 1，其中40个林分为正值(78.43%)、11个林分为负值(21.57%)；综合Hpd和峰度Hfd来看，约78.43%的样地中树木健康得分呈明显的左偏尖削状正态分布，即林分中以健康和亚健康树木占优势，但健康树木株数比例低于亚健康水平的树木株数。

2.3 区域尺度健康评价

相关性分析结果表明，在153对因子间仅有43组达到显著水平，约占总体的28.10%(图5)；在林分健康评价标准中，Hm与Hsd的确定系数R2=-0.41，与Hcv的确定系数R2=-0.74，与Hpd的各确定系数R2=-0.28，以及Hpd与Hfd的确定系数R2=-0.64，均显著负相关，而Hsd与Hcv的确定系数R2=-0.86，表明不能将各变量单独进行建模。

图5 林分健康得分统计特征与林分、地形因子间的关系Fig.5 Relationships among the statistics of stand- level health evaluations and factors of forest and terrain

此外，Hm与NUM、SBA、VOL、PLG、ELE的确定系数R2分别为-0.35、-0.35、-0.35、-0.30和-0.34，均存在显著负相关关系，而Hsd与NTS的R2=0.39，Hcv与SBA、VOL、NTS的确定系数R2分别为0.26、0.28、0.31，Hpd与DBH、HT、HDT、VOL、ELE的确定系数R2分别为0.32、0.26、0.28、0.32和0.34，均存在显著的正相关关系，表明用统计学方法建立林分尺度健康评价模型是可行的。

逐步回归结果表明，林分健康得分各变量预测模型均能通过α=0.05的F检验，且模型中各变量VIF值均显著小于5，表明所建模型具有一定的统计学意义(表3)。其中，Hm模型入选变量包括3个林分变量(SBA、HT和HDT)和3个地形变量(ELE、SLO和POS)，模型的R2值为0.465 2，RMSE和Bias值均相对较小，仅为其平均值的5.68%和4.34%；Hsd模型入选变量较少，仅包括Hm、NTS和ELE，其确定系数R2值也可达到0.361 1，且RMSE和Bias分别为其平均值的8.80%和6.42%；Hcv模型的拟合效果明显较好(R2=0.909 8)，但其不受任何林分和地形变量的影响；Hpd模型拟合效果较其他模型略低，但其R2也可达到0.308 4，且RMSE和Bias也仅相当于其平均值的30.88%和21.97%；森林健康得分Hpd值除受Hsd影响，还受NUM、VOL、ELE和SLO的共同作用；Hfd模型主要受Hpd和Hm以及林分(SBA和VOL)和地形(POS)变量的共同影响。上述结果进一步表明，林分尺度健康得分各项统计指标是一个相互关联的耦合系统，适宜采用度量误差模型求解。

表3 林分尺度健康得分逐步回归模型及其拟合统计量

在上述模型基础上，进一步采用ForStat 2.2软件中的度量误差联立方程组模块构造林分尺度健康得分综合评价模型(式6)。

(6)

可以看出，度量误差模型的参数估计及拟合统计量均与传统逐步回归模型较为接近(表4)，但其能够消除观测变量中误差对拟合结果的影响，同时也能实现各变量的联合估计。“刀切法”检验结果表明，模型的预测效果也较好，能够满足森林健康监测和评价的需要。

表4 基于度量误差模型的林分尺度健康得分综合评价模型拟合优度及检验结果

图6 盘古林场森林健康空间分布Fig.6 Spatial distributions of forest health evaluation (Hm) in Pangu Forest Farm

利用式(6)和区域2008年森林资源二类调查数据，在ArcMap10.2软件平台中对盘古林场森林健康状况的各项指标进行预测，并生成森林健康状况等级分布图(图6)。可以看出，盘古林场森林健康得分Hm的平均值为0.623 4±0.054 4，表明该地区森林整体处于亚健康水平，其中亚健康林分数量最多，约占总体的89.30%，而健康林分仅占0.83%；健康得分Hsd值均相对较小，平均值仅为0.037 4±0.013 8，其分布近似于正态分布，84.65%集中在[0.02, 0.06]范围内；健康得分Hcv完全取决于Hm和Hsd的值，且不受任何因素影响，其平均值为5.862 3±2.316 2，最大值为15.362 1，79.10%集中在[3.00, 9.00]范围内；健康得分Hpd平均值为-0.070 3±0.394 8，80.66%集中在[-0.5, 0.5]区间内，其中正值和负值分别占总体的43.67%和55.70%；健康得分Hfd的平均值为-0.050 3±1.066 7，主要集中在[-1.00, 1.00]，约占总体的67.31%。从空间上来看，健康得分Hm较高的林分主要集中在林场北部且靠近居民点和交通便利的地区，而在南部偏远地区则普遍较低；Hsd和Hcv值的空间分布格局基本相同，即林场北部地区大于南部地区。在北部地区，林分健康得分Hpd以负值为主，而在南方地区Hpd则以正值为主，表明在北部地区的林分中健康和亚健康林木比例相对高于南部地区。健康得分Hfd的空间分布则与Hpd完全相反，即北部地区林分健康得分分布的峰态较陡峭，而南部地区则较为平缓。整体来看，可认为北部地区林分健康水平整体高于南部地区。

3 讨论

健康评价是实施森林质量精准提升的重要前提，但森林生态系统具有明显的层级结构，因此如何将常规的单木和林分尺度调查结果推广到区域尺度，一直是森林资源监测与评估研究的重点和难点。本研究以单木健康和森林资源二类调查数据为基础，采用AHP-熵值法构造单木尺度健康评价模型，并汇总得到林分尺度评价结果，进而采用度量误差模型将其推广到区域尺度，是对森林健康多尺度耦合评价的一次有益探索。从结果来看，单木尺度健康得分平均值为0.663 8，其中亚健康林木占多数，而健康林木则相对较少，这与相关研究结论基本一致[10-12]，表明林分中绝大多数树木都会受到一定的生物(如竞争)和非生物(如养分)因素的胁迫。本研究还发现，研究区内不同树种的健康水平也存在显著差异，表现为云杉(0.703 3)>白桦(0.672 0)>兴安落叶松(0.664 0)>山杨(0.647 9)>樟子松(0.560 8)，其原因可能是因为在单木健康评价模型中冠长率的权重值显著大于其他指标，且云杉的自然整枝能力明显弱于其他树种。但是，兴安落叶松和白桦是研究区域主要的优势种和建群种，因此在后续经营中只建议适当增加云杉的比例，而非进行彻底的林分改造。

林分尺度健康评价结果表明区域内森林整体以亚健康水平为主，约占总体的94.12%，与朱宇[10]采用固定样地调查数据的评价结果一致。这可能是因为本研究采用的树冠状态指标(如冠长率、树冠落叶程度、树冠透视度等)均是林分健康程度的外在表征，因而所得到的林木健康评价结果与林分、地形等因子间均存在一定的关系，所以两者在评价结果上具有一致性。但与前人结果不同，本研究林分尺度其余的健康评价指标(即Hsd、Hcv、Hpd和Hfd)还能进一步反映林分中树木健康程度的分布情况，即约78.43%的样地中树木健康得分呈明显的左偏尖削状正态分布，这显然更符合当前森林精细化经营的迫切需求。

相关性分析、逐步回归和度量误差模型结果表明林分因子和地形因子共同影响林分健康得分及其分布情况。最终所建立的林分尺度健康综合评价模型的拟合精度相对较高，其中Hm、Hsd、Hcv、Hpd和Hfd模型的确定系数R2分别达到0.464 3、0.305 6、0.909 6、0.298 1和0.448 5，而RMSE和Bias也均相对较小，因此该模型能够基本满足森林健康评估的需求。林分健康水平Hm值随着立地和坡度的增加而增加，但随着林分断面积、平均高、海拔和坡位的增加而减小，因此在后续经营过程中应使林分蓄积(可由断面积和平均高近似导出林分蓄积)维持在一定水平。这可能是因为中幼龄林的蓄积量虽然较低但林木生长活力较高，而成熟林、过熟林虽然蓄积量较高但林分内竞争压力大、活力低、枯死木数量多，适当地采伐不仅有助于充分发挥林分生产潜力，同时也有助于维持林分的健康水平。需要说明的是，林木生长所需的水分、养分等通常会随着坡度的增加而减少，但由于研究区域内地势较为平缓(约84.38%小班的坡度小于20°)，适当的坡度可能更有利于林分生长，因此在Hm计算公式中坡度的贡献值为正值。树种数量显著增加林分健康得分的标准差，这可能与不同树种健康得分的差异有关，而海拔则会降低林分健康得分的标准差，这是由于随着海拔的增加林分内落叶松的比例逐渐增加所致，因此其变异程度逐渐缩小。偏度和峰度反映了林分中树木健康的分布情况，同样可通过林分密度、断面积和蓄积来调控。综上所述，本研究所建模型不仅能够以较少的林分和地形因子估计出林分尺度健康得分及其分布情况，同时对森林健康经营也具有更加明确的指导意义。

结合二类调查数据和式(6)结果表明，盘古林场森林健康得分Hm的平均值为0.623 4±0.054 4，整体处于亚健康水平(89.30%)，这与其他学者采用二类调查数据的评价结果一致[4,18]。研究区域内各小班健康得分Hsd的变异程度均相对较小，其平均值为0.037 4±0.013 8，84.65%集中在[0.02, 0.06]范围内，其中树木健康分布呈左偏尖削状和右偏平缓状的小班数量分别占43.48%和39.31%，而其余组合所占比例则相对较小。林分健康评价各指标均具有明显的空间分布趋势，其中Hm、Hcv、Hpd和Hfd值较大的区域主要集中在林场北部且靠近居民点和交通便利的地区，而在南部偏远地区则普遍较低，但Hsd的空间分布格局则完全相反，表明适当的经营有助于提升森林的健康水平。

本研究所提出的森林健康评价及多尺度转换方法对我国森林健康经营是一次有益探索，但仍存在一定缺陷，主要表现在：①因样本数量较少，未能分不同林型、龄组等要素建立模型；②样本代表性略显不足，即未充分包含不健康、中健康和健康林分；③为了充分与森林资源二类调查数据相匹配，部分关键和常用指标(如土壤养分、林分空间结构等)未考虑。因此，随着数据的充分收集，该模型的模拟和预测精度也有望进一步提高。