高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

长白山云冷杉针阔混交林林木空间利用率混合模型

李杨 亢新刚

引用本文:
Citation:

长白山云冷杉针阔混交林林木空间利用率混合模型

    作者简介: 李杨,博士生。主要研究方向:天然林生长模型。Email:kitty.919@163.com 地址:100083 北京林业大学117信箱.
    通讯作者: 亢新刚,教授,博士生导师。主要研究方向:天然林可持续经营。Email:xingangk@163.com 地址:同上
  • 中图分类号: S758.5

Mixed model of forest space utilization in spruce-fir coniferous and broadleaved mixed forest of Changbai Mountains, northeastern China

  • 摘要: 目的 建立林木空间利用率模型,为天然混交林中不同树种间生产力的比较提供依据,为单木成熟的判断提供参考。方法 利用林木生长量与树冠大小比值定义林木空间利用率,以长白山地区云冷杉针阔混交林为研究对象,基于20块标准地的2 268株单木数据,建立林木空间利用率混合模型,拟合各树种的空间利用率。结果 (1)备选指标中蓄积生长量和树冠投影面积之比与胸径相关系数最高,适宜作为计算指标。(2)通过逐步回归,最终选定林木胸径、胸径平方(代表胸高断面积)、树高、冠幅、样地蓄积、针阔比、坡向坡度、竞争指标作为林木空间利用率基础模型的自变量。(3)确定按树种分组,包含胸径平方及截距随机效应参数、指数函数异方差结构的混合模型,经检验,混合模型在建模数据及检验数据中的表现均略优于一般线性模型。(4)利用所构建的混合效应模型,对研究数据进行拟合预测,各树种空间利用率最高时期的胸径分别为云杉约40 cm,冷杉、落叶松、红松、中阔组约37 cm,慢阔组约32 cm。结论 林木利用率模型得到的数量成熟是以单位营养空间的生产力为基础的,使不同树种间的比较更为合理,且计算结果符合一般林学规律,可以作为该地区云冷杉针阔混交林判定单木成熟及优化林分结构的参考依据。
  • 图 1  林木空间利用率与胸径的关系

    Figure 1.  Relationship between forest space utilization and DBH

    图 2  各树种组线性模型拟合参数的95%置信区间

    Figure 2.  95% confidence intervals on the linear model parameters for each species group

    图 3  整体预测(固定参数)、分组预测(树种组)与森林空间利用率观察值对比图

    Figure 3.  Population predictions(fixed), within-group predictions(species group), and the observed forest space utilization versus DBH

    表 1  建模数据和检验数据主要指标统计信息

    Table 1.  Summary statistics for modeling and validation data sets

    数据
    Data
    树种(组)
    Tree species(group)
    株树
    Plant number
    统计指标
    Statistic index
    胸径
    DBH/cm
    树高
    Tree height/m
    平均冠幅
    Average crown width/m
    样地蓄积/(m3·hm− 2
    Sample plot volume/ (m3·ha− 1)
    针叶树比例
    Conifer percentage
    建模数据 Modeling data 红松
    Pinus koraiensis
    219 平均值 Mean 24.4 18.4 2.2 296.5 0.91
    标准差 SD 8.4 3.9 0.7 73.7 0.06
    云杉
    Picea koraiensis
    271 平均值 Mean 22.1 17.9 2.1 288.3 0.88
    标准差 SD 9.7 5.2 0.7 74.1 0.07
    冷杉
    Abies holophylla
    717 平均值 Mean 21.5 18.7 1.8 297.6 0.90
    标准差 SD 7.9 4.4 0.6 76.9 0.06
    落叶松
    Larix olgensis
    80 平均值 Mean 22.0 20.7 2.2 263.6 0.90
    标准差 SD 7.4 4.5 0.7 62.3 0.07
    中阔
    Medium-speed broadleaf trees
    57 平均值 Mean 19.5 19.7 2.0 333.0 0.87
    标准差 SD 6.6 4.5 0.9 53.2 0.05
    慢阔
    Slow broadleaf trees
    168 平均值 Mean 17.2 16.8 2.2 298.3 0.87
    标准差 SD 6.6 4.7 0.8 71.4 0.06
    检验数据
    Validation data
    红松
    Pinus koraiensis
    122 平均值 Mean 24.2 18.9 2.1 294.5 0.91
    标准差 SD 7.8 4.0 0.7 71.7 0.06
    云杉
    Picea koraiensis
    141 平均值 Mean 21.6 17.9 2.1 290.8 0.88
    标准差 SD 8.6 5.0 0.7 76.0 0.07
    冷杉
    Abies holophylla
    357 平均值 Mean 22.8 19.3 1.9 305.4 0.90
    标准差 SD 7.8 4.4 0.6 72.4 0.06
    落叶松
    Larix olgensis
    26 平均值 Mean 23.1 21.4 2.5 246.2 0.88
    标准差 SD 6.7 3.9 0.8 51.4 0.08
    中阔
    Medium-speed broadleaf trees
    21 平均值 Mean 21.9 21.0 2.3 329.7 0.88
    标准差 SD 6.0 2.9 0.9 58.4 0.06
    慢阔
    Slow broadleaf trees
    89 平均值 Mean 17.0 17.0 2.2 297.7 0.86
    标准差 SD 6.5 4.6 0.8 78.7 0.06
    注:SD为标准差。Note: SD means standard deviation.
    下载: 导出CSV

    表 2  林木空间利用率基础模型模拟结果

    Table 2.  Simulating results of basic model for forest space utilization

    变量
    Variable
    估计值
    Estimating value
    方差
    Variance
    tP (Pr > |t|)
    截距 Intercept(INT)− 2.767 040.019 55− 141.542 < 0.000 1***
    胸径 DBH0.013 760.000 7618.184 < 0.000 1***
    胸径平方 Square of the DBH (DBH2)− 0.000 180.000 01− 13.335 < 0.000 1***
    树高 Tree height (H)0.001 260.000 353.5530.000 39***
    冠幅 Crown width (CW)− 0.051 170.001 71− 29.975 < 0.000 1***
    蓄积 Stock volume (S)− 0.000 140.000 01− 9.249 < 0.000 1***
    针阔比 Proportion of conifer to broadleaved trees (PF)0.065 630.016 593.955 < 0.000 1***
    坡度坡向 Slope degree and slope aspect (SLC)0.001 360.000 423.2450.001 19 **
    竞争指数 Competition index (CIS)− 0.005 580.000 94− 5.928 < 0.000 1***
    注:***表示在P < 0.001水平下差异显著,**表示在P < 0.01水平下差异显著。Notes: *** represents significant difference at P < 0.001 level, ** represents significant difference at P < 0.01 level.
    下载: 导出CSV

    表 3  不同随机效应拟合结果统计检验

    Table 3.  Goodness-of-fit statistics for mixed model of different random effects

    模型编号
    Model No.
    随机参数
    Random parameter
    AICBICLog likelihood
    VTLME1INT− 5 142.105− 5 083.6382 582.053
    VTLME2INT DBH− 5 161.782− 5 092.6842 593.891
    VTLME3INT H− 5 145.099− 5 076.0012 585.550
    VTLME4INT SLC− 5 150.207− 5 081.1092 588.104
    VTLME5INT DBH2− 5 165.259− 5 096.1612 595.630
    VTLME6INT DBH2 SLC− 5 172.721− 5 087.6782 602.360
    注:VTLME1、VTLME2、VTLME3、VTLME4、VTLME5、VTLME6分别为加入相应随机参数的混合模型编号。Notes: VTLME1,VTLME2,VTLME3,VTLME4,VTLME5,VTLME6 are the mixed model codes with corresponding random parameters.
    下载: 导出CSV

    表 4  不同残差方差结构拟合结果统计检验

    Table 4.  Goodness-of-fit statistics for mixed model of different residual variance structure

    模型编号
    Model No.
    残差方差模型
    Residual variance model
    AICBICLog likelihood
    VTLME5无 None− 5 165.259− 5 096.1612 595.630
    VTLME51$\scriptstyle {\sigma }^{2}\mathrm{e}\mathrm{x}\mathrm{p}\left(2\gamma {\mathrm{D}\mathrm{B}\mathrm{H}}^{2}\right)$− 5 167.432− 5 093.0192 597.716
    VTLME52$\scriptstyle {\sigma }^{2}\mathrm{e}\mathrm{x}\mathrm{p}\left(2\gamma \mathrm{C}\mathrm{W}\right)$− 5 175.094− 5 100.6812 601.547
    VTLME53$\scriptstyle {\sigma }^{2}\mathrm{e}\mathrm{x}\mathrm{p}\left(2\gamma \mathrm{C}\mathrm{I}\mathrm{S}\right)$− 5 174.558− 5 100.1452 601.279
    VTLME54$\scriptstyle {\sigma }^{2}\mathrm{e}\mathrm{x}\mathrm{p}\left(2\gamma f\right({x}_{i}\left)\right)$− 5 185.268− 5 110.8552 606.634
    VTLME55$\scriptstyle {\sigma }^{2}{\mathrm{D}\mathrm{B}\mathrm{H} }^{2 \times2\gamma } $− 5 170.525− 5 096.1122 599.263
    VTLME56$\scriptstyle {\sigma }^{2}{\mathrm{C}\mathrm{W}}^{2\gamma } $− 5 175.849− 5 101.4362 601.925
    VTLME57$\scriptstyle {\sigma }^{2}{\mathrm{C}\mathrm{I}\mathrm{S}}^{2\gamma } $不收敛 Not converge
    VTLME58$\scriptstyle {\sigma }^{2}{f\left({x}_{i}\right)}^{2\gamma } $− 5 185.182− 5 110.7692 606.591
    注:VTLME5、VTLME51、VTLME52、VTLME53、VTLME54、VTLME55、VTLME56、VTLME57、VTLME58分别为加入相应残差方差模型的混合模型编号;$\scriptstyle f\left({x}_{i}\right)$为固定效应及随机效应的预测值。Notes: VTLME5,VTLME51, VTLME52, VTLME53, VTLME54, VTLME55, VTLME56, VTLME57, VTLME58 are the mixed model codes with corresponding residual variance models; $\scriptstyle f\left({x}_{i}\right)$ represents the predicted value of the fixed effect and the random effect.
    下载: 导出CSV

    表 5  混合效应模型和基本线性模型拟合结果统计检验

    Table 5.  Goodness-of-fit statistics for mixed model and general linear model

    项目 Item建模数据 Modeling data检验数据 Validation data
    Ra2RMSERa2RMSE
    基础线性模型 General linear model0.5800.0430.5830.043
    混合效应模型 Mixed effect model0.5990.0420.5980.042
    下载: 导出CSV
  • [1] 亢新刚. 森林经理学[M]. 4版. 北京: 中国林业出版社, 2011: 152.Kang X G. Forest management[M]. 4th ed. Beijing: China Forestry Publishing House, 2011: 152.
    [2] 方旭东. 异龄林林木成熟确定的方法[J]. 林业科学, 2007, 43(6):83−87. doi: 10.3321/j.issn:1001-7488.2007.06.015Fang X D. Research of the confirmation method of mature level in uneven-aged forest[J]. Scientia Silvae Sinicae, 2007, 43(6): 83−87. doi: 10.3321/j.issn:1001-7488.2007.06.015
    [3] 田猛. 天然异龄林主伐关键技术研究[D]. 北京: 北京林业大学, 2015.Tian M. The key technologies of the natural uneven-aged forest cutting[D]. Beijing: Beijing Forestry University, 2015.
    [4] Van Galen L G, Jordan G J, Musk R A, et al. Quantifying floristic and structural forest maturity: an attribute-based method for wet eucalypt forests[J]. Journal of Applied Ecology, 2018, 55(4): 1668−1681. doi: 10.1111/1365-2664.13133
    [5] 陈亚南. 落叶松云冷杉林空间结构多样性及择伐模型的研究[D]. 北京: 北京林业大学, 2016.Chen Y N. Study on spatial structure diversity and selective cutting decision model of larch-sprue-fir stands[D]. Beijing: Beijing Forestry University, 2016.
    [6] 惠刚盈, 赵中华, 胡艳波, 等. 我国西北主要天然林经营模式设计[J]. 林业科学研究, 2016, 29(2):155−161. doi: 10.3969/j.issn.1001-1498.2016.02.001Hui G Y, Zhao Z H, Hu Y B, et al. Management models for natural forests in northwestern China[J]. Forest Research, 2016, 29(2): 155−161. doi: 10.3969/j.issn.1001-1498.2016.02.001
    [7] Gradel A, Ammer C, Ganbaatar B, et al. On the effect of thinning on tree growth and stand structure of white birch (Betula platyphylla Sukaczev) and Siberian larch (Larix sibirica Ledeb.) in Mongolia[J]. Forests, 2017, 8(4): 105. doi: 10.3390/f8040105
    [8] 符利勇, 孙华. 基于混合效应模型的杉木单木冠幅预测模型[J]. 林业科学, 2013, 49(8):65−74. doi: 10.11707/j.1001-7488.20130810Fu L Y, Sun H. Individual crown diameter prediction for Cunninghamia lanceolata forests based on mixed effects models[J]. Scientia Silvae Sinicae, 2013, 49(8): 65−74. doi: 10.11707/j.1001-7488.20130810
    [9] Lee S, Lee J, Kim S, et al. Forest structure and carbon dynamics of an intact lowland mixed dipterocarp forest in Brunei Darussalam[J]. Journal of Forestry Research, 2018, 29(1): 199−203. doi: 10.1007/s11676-017-0410-y
    [10] Arney J D. Tables for quantifying competitive stress on individual trees[R]. Victoria: Pacific Forestry Centre, 1973.
    [11] 吕飞舟. 基于CSI的蒙古栎林木竞争与分级研究[D]. 长沙: 中南林业科技大学, 2016.Lü F Z. Study on the forest competition and classification of Quercus mongolica based on CSI[D]. Changsha: Central South University of Forestry & Technology, 2016.
    [12] 张晔珵, 张怀清, 陈永富, 等. 基于树冠因子的林木竞争指数研究[J]. 林业科学研究, 2016, 29(1):80−84. doi: 10.3969/j.issn.1001-1498.2016.01.012Zhang Y C, Zhang H Q, Chen Y F, et al. Study of tree competition index based on crown feature[J]. Forest Research, 2016, 29(1): 80−84. doi: 10.3969/j.issn.1001-1498.2016.01.012
    [13] 刘强, 李凤日, 董利虎. 基于树冠竞争因子的落叶松人工林单木生长模型[J]. 植物研究, 2014, 34(4):547−553. doi: 10.7525/j.issn.1673-5102.2014.04.020Liu Q, Li F R, Dong L H. Individual tree growth model of larch plantation based on crown competition factors[J]. Bulletin of Botanical Research, 2014, 34(4): 547−553. doi: 10.7525/j.issn.1673-5102.2014.04.020
    [14] 臧颢, 雷相东, 张会儒, 等. 红松树高-胸径的非线性混合效应模型研究[J]. 北京林业大学学报, 2016, 38(6):8−16.Zang H, Lei X D, Zhang H R, et al. Nonlinear mixed-effects height-diameter model of Pinus koraiensis[J]. Journal of Beijing Forestry University, 2016, 38(6): 8−16.
    [15] 孔雷. 金沟岭林场三种林型最优林分结构的研究[D]. 北京: 北京林业大学, 2013.Kong L. Optimal structures for three ecological forests in Jingouling Forest Farm[D]. Beijing: Beijing Forestry University, 2013.
    [16] 雷相东, 李永慈, 向玮. 基于混合模型的单木断面积生长模型[J]. 林业科学, 2009, 45(1):74−80. doi: 10.3321/j.issn:1001-7488.2009.01.014Lei X D, Li Y C, Xiang W. Individual basal area growth model using multi-level linear mixed model with repeated measures[J]. Scientia Silvae Sinicae, 2009, 45(1): 74−80. doi: 10.3321/j.issn:1001-7488.2009.01.014
    [17] 辛营营, 韦新良, 王鑫. 利用均值类非完备型竞争指标分析林木竞争[J]. 西南林业大学学报, 2011, 31(4):29−34. doi: 10.3969/j.issn.2095-1914.2011.04.006Xin Y Y, Wei X L, Wang X. Application of incomplete competition mean index to analysis of forest plant competition[J]. Journal of Southwest Forestry University, 2011, 31(4): 29−34. doi: 10.3969/j.issn.2095-1914.2011.04.006
    [18] 赵俊卉. 长白山云冷杉混交林生长模型的研究[D]. 北京: 北京林业大学, 2010.Zhao J H. Growth modeling for spruce-Fir forest in Changbai Mountains[D]. Beijing: Beijing Forestry University, 2010.
    [19] 李春明. 基于两层次线性混合效应模型的杉木林单木胸径生长量模型[J]. 林业科学, 2012, 48(3):66−73. doi: 10.11707/j.1001-7488.20120311Li C M. Individual tree diameter increment model for Chinese fir plantation based on two-level linear mixed effects models[J]. Scientia Silvae Sinicae, 2012, 48(3): 66−73. doi: 10.11707/j.1001-7488.20120311
    [20] 孔雷, 亢新刚, 赵浩彦, 等. 长白山云冷杉针阔混交林最优竞争指标的研究[J]. 西北农林科技大学学报(自然科学版), 2014, 42(4):88−94, 101.Kong L, Kang X G, Zhao H Y, et al. Optimal competition indexes of spruce-fir conifer and broadleaf mixed stands in the Changbai Mountains[J]. Journal of Northwest A & F University (Natural Science Edition), 2014, 42(4): 88−94, 101.
    [21] Osborne J W. Improving your data transformations: applying the Box-Cox transformation[J]. Practical Assessment Research & Evaluation, 2010, 15(12): 1−9.
    [22] 姜立春, 张锐, 李凤日. 基于线性混合模型的落叶松枝条长度和角度模型[J]. 林业科学, 2012, 48(5):53−60. doi: 10.11707/j.1001-7488.20120508Jiang L C, Zhang R, Li F R. Modeling branch length and branch angle with linear mixed effects for Dahurian larch[J]. Scientia Silvae Sinicae, 2012, 48(5): 53−60. doi: 10.11707/j.1001-7488.20120508
    [23] Burnham K P, Anderson D R. Multimodel inference: understanding AIC and BIC in model selection[J]. Sociological Methods & Research, 2004, 33: 261−304.
    [24] Pinheiro J C, Bates D M. Mixed-effects models in S and S-plus[M]. New York: Springer-Verlag, 2000: 143.
  • [1] 陈贝贝王凯倪瑞强程艳霞 . 长白山针阔混交林乔木幼苗组成与空间分布. 北京林业大学学报, doi: 10.13332/j.1000-1522.20170370
    [2] 陈亚南杨华马士友任玫玫 . 长白山2种针阔混交林空间结构多样性研究. 北京林业大学学报, doi: 10.13332/j.1000-1522.20150171
    [3] 吴金卓彭萱亦林文树 . 针阔混交林生物多样性评价指标体系与模型构建. 北京林业大学学报, doi: DOI:10.13332/j.1000-1522.20140209
    [4] 米爽宋子龙秦江环孟令君张春雨赵秀海何怀江 . 抚育采伐对吉林蛟河针阔混交林幼苗更新的影响. 北京林业大学学报, doi: 10.13332/j.1000-1522.20190021
    [5] 朱小龙王立海王旭方升佐刘鹏举王兰珍李生宇周传艳汪杭军1党文杰赵铁珍任强韦艳葵李雪华段文霞HUALi_zhong刘剑锋吴丽娟张冬梅李义良薛康耿玉清李国雷崔同林阎秀峰李建章尹光彩方陆明高岚JIANGXi_dian杨慧敏黎明周国逸刘勇余新晓宋永明苏晓华周亮韩士杰李振基周宇飞雷加强杨娅何茜刘勇朱波周国逸宗文君孙向阳程云清喻理飞李吉跃唐小明虞木奎王清文王新杰王春林柯水发刘锐徐新文鹿振友徐扬张冰玉赖志华HEXiu_bin沈熙环李丙文3宋爱琴李晓兰李俊清茹广欣齐涛王伟宏陈峻崎周晓梅温亚利陈实陈培金张志毅孙阁郭蓓国庆长山王晓静王建林王旭刘志明周玉平张可栋姚永刚蒋德明唐旭利关少华王春林赵双荣陈放宋湛谦闫俊华杨伟伟郑凌峰 . 鼎湖山针阔混交林光合有效辐射的时空格局. 北京林业大学学报,
    [6] 刘秀萍宋颖琦武广涛徐向舟余雁齐实周成理王清奎王旭何亚平王顺忠姚洪军李瑞马尔妮雷加富徐基良白新祥任琴惠刚盈耿玉清王尚德崔国发杨谦刘大庆汪思龙石玉杰史军义赵广杰费世民徐海杨莉王飞康向阳张克斌俞国胜费本华周国逸白翠霞胡可云琦陈丽华孙阁冯宗炜徐秉玖张恒明赵铁蕊李代丽张波陈晓鸣胡永建戴思兰胡艳波孙阁秦跟基蒋俊明王百田张红武李忠宋维峰王亮生陈华君王戈王树森代力民易传辉杨晓晖陈秀明张德强张慧董占地朱金兆高荣孚瞿礼嘉乔锋陈峻崎朱明东武波王庆礼金幼菊闫俊华余英肖玉保石雷陈晓阳杨海龙赵辉唐森强杨俊杰李镇宇杨莉SteveMcNulty . 南亚热带针阔混交林辐射通量特征. 北京林业大学学报,
    [7] 娄明华张会儒雷相东卢军 . 天然云冷杉针阔混交林单木胸径树高空间自回归模型研究. 北京林业大学学报, doi: 10.13332/j.1000-1522.20150491
    [8] 常新华赵秀海曾凡勇张春雨 . 长白山针阔混交林主要树种空间分布及其环境解释. 北京林业大学学报,
    [9] 李建彭鹏何怀江谭凌照张新娜吴相菊刘兆刚 . 采伐对吉林蛟河针阔混交林空间结构的影响. 北京林业大学学报, doi: 10.13332/j.1000-1522.20170220
    [10] 石蒙蒙杨华王全军杨超 . 长白山云冷杉针阔混交林幼苗幼树空间分布与关联性. 北京林业大学学报, doi: 10.12171/j.1000-1522.20190071
    [11] 卢军张会儒雷相东杨英军王全军 . 长白山云冷杉针阔混交林幼树树高--胸径模型. 北京林业大学学报, doi: 10.13332/j.1000-1522.20140429
    [12] 李春明 . 利用非线性混合模型进行杉木林分断面积生长模拟研究. 北京林业大学学报,
    [13] 王涛董利虎李凤日 . 基于混合效应的杂种落叶松人工幼龄林单木枯损模型. 北京林业大学学报, doi: 10.13332/j.1000-1522.20170437
    [14] 李艳丽杨华邓华锋 . 蒙古栎−糠椴天然混交林空间格局研究. 北京林业大学学报, doi: 10.13332/j.1000-1552.20180236
    [15] 何怀江叶尔江·拜克吐尔汉张春雨左强邳田辉高海涛 . 吉林蛟河针阔混交林12个树种生物量分配规律. 北京林业大学学报, doi: 10.13332/j.1000-1522.20150430
    [16] 马志远石玲吴相菊张春雨 . 长白山次生针阔混交林乔木多样性维持机制研究. 北京林业大学学报, doi: 10.13332/j.cnki.jbfu.2014.06.018
    [17] 王冬至张冬燕王方张志东黄选瑞 . 塞罕坝主要立地类型针阔混交林树高曲线构建. 北京林业大学学报, doi: 10.13332/j.1000-1522.20150359
    [18] 胡云云亢新刚高延冯启祥姚景春王卓晖 . 天然云冷杉针阔混交林的年龄变动及估测精度分析. 北京林业大学学报,
    [19] 欧强新雷相东沈琛琛宋国涛 . 基于随机森林算法的落叶松−云冷杉混交林单木胸径生长预测. 北京林业大学学报, doi: 10.13332/j.1000-1522.20180266
    [20] 陈瑜徐程扬李乐蔡丽丽 . 阔叶红松风景林单木景观质量评价与模型研究. 北京林业大学学报, doi: 10.13332/j.cnki.jbfu.2014.05.006
  • 加载中
图(3)表(5)
计量
  • 文章访问数:  401
  • HTML全文浏览量:  80
  • PDF下载量:  24
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-03-04
  • 录用日期:  2019-03-17
  • 网络出版日期:  2020-05-06

长白山云冷杉针阔混交林林木空间利用率混合模型

    通讯作者: 亢新刚, xingangk@163.com
    作者简介: 李杨,博士生。主要研究方向:天然林生长模型。Email:kitty.919@163.com 地址:100083 北京林业大学117信箱
  • 北京林业大学林学院,省部共建森林培育与保护教育部重点实验室,北京 100083

摘要: 目的建立林木空间利用率模型,为天然混交林中不同树种间生产力的比较提供依据,为单木成熟的判断提供参考。方法利用林木生长量与树冠大小比值定义林木空间利用率,以长白山地区云冷杉针阔混交林为研究对象,基于20块标准地的2 268株单木数据,建立林木空间利用率混合模型,拟合各树种的空间利用率。结果(1)备选指标中蓄积生长量和树冠投影面积之比与胸径相关系数最高,适宜作为计算指标。(2)通过逐步回归,最终选定林木胸径、胸径平方(代表胸高断面积)、树高、冠幅、样地蓄积、针阔比、坡向坡度、竞争指标作为林木空间利用率基础模型的自变量。(3)确定按树种分组,包含胸径平方及截距随机效应参数、指数函数异方差结构的混合模型,经检验,混合模型在建模数据及检验数据中的表现均略优于一般线性模型。(4)利用所构建的混合效应模型,对研究数据进行拟合预测,各树种空间利用率最高时期的胸径分别为云杉约40 cm,冷杉、落叶松、红松、中阔组约37 cm,慢阔组约32 cm。结论林木利用率模型得到的数量成熟是以单位营养空间的生产力为基础的,使不同树种间的比较更为合理,且计算结果符合一般林学规律,可以作为该地区云冷杉针阔混交林判定单木成熟及优化林分结构的参考依据。

English Abstract

  • 为保持天然林的多元结构和功能,天然林的收获通常采用择伐的方式[1],但是由于天然林异龄混交的复杂性,择伐木的选择并无统一定论[2-4]。近年来一些学者以调整林分空间结构为采伐目标对此问题进行了研究[5-7]。陈亚南[5]通过构建林木的空间结构多样性综合指数评定采伐木。惠刚盈等[6]也提出依据结构化经营理论进行林木格局调整确定采伐木。Alexander通过量化林木的生命活力和成长空间选取了采伐木[7]。这些研究主要是从发挥林分的生态效益和林分健康的角度出发制定采伐方案,而没有将林分的生产力指标纳入到经营方案的设计中。

    林地作为一种有限的资源,使其发挥较高的生产力并保持长期稳定应该是其经营目标之一[1],因此采伐木的选取也应以此作为筛选标准之一。人工林常以林木的数量成熟,即连年生长曲线与平均生长曲线的交点作为采伐依据,因为在这个时间点采伐、更新,即可获得最大木材收获量,使每株林木的位置都得到最大化的利用。但是在天然林中,不同树种占据的营养空间不同,不再适宜用单位时间的生长量代表其对林分空间的利用效率。

    林木的生长主要来源于光合作用,而树冠是光合作用的主要场所,所以林木在地上部分对营养的竞争主要是树冠占据的林分空间[8-9],因此可以以树冠的大小来衡量林木所占据的营养空间。Arney[10]认为林木的最大生长空间面积等于具有相同胸径的自由树的树冠面积,并据此提出了竞争压力指数。其他学者也纷纷将树冠因子加入到竞争指标中预测林木生长情况,拟合结果均得到显著提高[11-13]

    本文用林木生长量和树冠构建林木空间利用率指标,以长白山地区天然云冷杉针阔混交林为研究对象,建立林木空间利用率线性模型。同时,为消除林业数据中广泛存在的自相关异方差等问题[14],提高模型对混交林的适应性,本文在线性模型的基础上进一步建立按树种分组的混合效应模型,由此拟合各树种的空间利用率,从而为天然林单木成熟的判定提供依据。

    • 研究地区位于吉林省汪清林业局东北部的金沟岭林场(130°10′E、43°22′N),海拔300 ~ 1 200 m,地貌属低山丘陵,坡度多在5° ~ 25°。全年平均气温约3.9 ℃,积温2 144 ℃;年降水量600 ~ 700 mm,生长期为120 d。土壤多为针叶林灰棕壤,粒状结构,湿松,根系多,平均厚度在40 cm左右。植被丰富,立地较好。

      研究区主要为天然针阔叶混交过伐林。主要树种有:云杉(Picea koraiensis)、冷杉(Abies holophylla)、红松(Pinus koraiensis)、枫桦(Betula costata)、椴树(Tilia amurensis)等,其他树种还有:色木槭(Acer mono)、水曲柳(Fraxinus mandschurica)、胡桃楸(Juglans mandshurica)、黄菠萝(Phellodendron amurense)、白桦(Betula platyphylla)、青楷槭(Acer tegmentosum)、花楷槭(Acer ukurunduense)等。

      本研究采用了20块云冷杉针阔混交林永久样地2006—2010年间的调查数据。该区域主要是云冷杉林群落,是原始林型在不同强度的择伐后[15],经过20多年的恢复形成的林分,林分蓄积量在150 ~ 400 m3/hm2(原始林为350 ~ 400 m3/hm2),林分株数分布以小径木为多。样地设置于1986/1987年,面积0.12 ~ 0.2 hm2不等,记录了坡度坡向等立地因子,并进行每木检尺及定位,此后每隔2到3年复测1次。研究选用了一个调查间隔期期初和期末的2 268株样木数据。随机抽取2/3用于建模,其余用于模型检验。由于天然混交林中阔叶树树种多而株数少,本研究将阔叶树分为中阔(白桦、榆树和杂木)和慢阔(色木槭、水曲柳、椴树和枫桦)两个树种组[16]。样木统计信息如表1所示。

      表 1  建模数据和检验数据主要指标统计信息

      Table 1.  Summary statistics for modeling and validation data sets

      数据
      Data
      树种(组)
      Tree species(group)
      株树
      Plant number
      统计指标
      Statistic index
      胸径
      DBH/cm
      树高
      Tree height/m
      平均冠幅
      Average crown width/m
      样地蓄积/(m3·hm− 2
      Sample plot volume/ (m3·ha− 1)
      针叶树比例
      Conifer percentage
      建模数据 Modeling data 红松
      Pinus koraiensis
      219 平均值 Mean 24.4 18.4 2.2 296.5 0.91
      标准差 SD 8.4 3.9 0.7 73.7 0.06
      云杉
      Picea koraiensis
      271 平均值 Mean 22.1 17.9 2.1 288.3 0.88
      标准差 SD 9.7 5.2 0.7 74.1 0.07
      冷杉
      Abies holophylla
      717 平均值 Mean 21.5 18.7 1.8 297.6 0.90
      标准差 SD 7.9 4.4 0.6 76.9 0.06
      落叶松
      Larix olgensis
      80 平均值 Mean 22.0 20.7 2.2 263.6 0.90
      标准差 SD 7.4 4.5 0.7 62.3 0.07
      中阔
      Medium-speed broadleaf trees
      57 平均值 Mean 19.5 19.7 2.0 333.0 0.87
      标准差 SD 6.6 4.5 0.9 53.2 0.05
      慢阔
      Slow broadleaf trees
      168 平均值 Mean 17.2 16.8 2.2 298.3 0.87
      标准差 SD 6.6 4.7 0.8 71.4 0.06
      检验数据
      Validation data
      红松
      Pinus koraiensis
      122 平均值 Mean 24.2 18.9 2.1 294.5 0.91
      标准差 SD 7.8 4.0 0.7 71.7 0.06
      云杉
      Picea koraiensis
      141 平均值 Mean 21.6 17.9 2.1 290.8 0.88
      标准差 SD 8.6 5.0 0.7 76.0 0.07
      冷杉
      Abies holophylla
      357 平均值 Mean 22.8 19.3 1.9 305.4 0.90
      标准差 SD 7.8 4.4 0.6 72.4 0.06
      落叶松
      Larix olgensis
      26 平均值 Mean 23.1 21.4 2.5 246.2 0.88
      标准差 SD 6.7 3.9 0.8 51.4 0.08
      中阔
      Medium-speed broadleaf trees
      21 平均值 Mean 21.9 21.0 2.3 329.7 0.88
      标准差 SD 6.0 2.9 0.9 58.4 0.06
      慢阔
      Slow broadleaf trees
      89 平均值 Mean 17.0 17.0 2.2 297.7 0.86
      标准差 SD 6.5 4.6 0.8 78.7 0.06
      注:SD为标准差。Note: SD means standard deviation.
    • 为评价单株林木对单位营养空间的利用效率,本研究用定期生长量与营养空间之比来定义林木的生产力指标——林木空间利用率。

      胸高断面积增长量和材积增长量是衡量林木生长量的常用指标。树冠占据的林分空间主要是二维的水平空间和三维的立体空间,也就是树冠的投影面积和树冠体积。因此分别考察胸高断面积增长量和材积生长量与树冠投影面积和树冠体积的比值。具体计算方式如下:

      $g = {\text{π}} {\rm{C}}{{\rm{W}}^2}$

      (1)

      $ {V}_{\mathrm{c}}={f}_{\mathrm{c}}g\mathrm{C}\mathrm{L} $

      (2)

      $ {B}_{\mathrm{g}}={B}_{\mathrm{z}}/g $

      (3)

      $ {B}_{\mathrm{v}}={B}_{\mathrm{z}}/{V}_{\mathrm{c}} $

      (4)

      $ {V}_{\mathrm{g}}={V}_{\mathrm{z}}/g $

      (5)

      $ {V}_{\mathrm{v}}={V}_{\mathrm{z}}/{V}_{\mathrm{c}} $

      (6)

      式中:CW为东西南北4个方向的平均冠幅;$ g $为树冠投影面积;$ {f}_{\mathrm{c}} $为冠型指数,针叶树近似为圆锥体,冠型指数为1/3,阔叶树近似为抛物线体,其冠型指数为1/2[17];CL为冠长;$ {V}_{\mathrm{c}}$为树冠体积;BzVz分别为林木胸高断面积、蓄积年生长量;BgBvVgVv是4个待定的林木空间利用率指标。

      胸径是林木最常用也最易测得的指标,为了空间利用率指标的拟合和应用,分别考察4个待定指标与胸径的关系以确定最佳指标。

    • 林木生长主要受4个方面影响,即林木大小、林分特征、立地条件和竞争状态。林木空间利用率是由林木材积生长量和冠幅构成的指标,二者的生长皆受这4个方面的影响,故林木空间利用率指标也以这4组因子作为候选自变量拟合。

      林木大小主要包括期初胸径DBH、胸高断面积(直接表示为胸径的平方DBH2)、树高H、平均冠幅CW及冠长CL。林分特征包括样地蓄积S、样地胸高断面积之和BA、林分密度指数SDI[18]、针阔比PF(本文以针叶树所占比例表示)。立地条件包括样地平均高Hm、优势木高Ha、坡度和坡向。坡度坡向利用Stage提出的转化公式[19]为:

      $ {\rm{SLC}} = {\rm{SL}} \times {\rm{cosASP}} $

      (7)

      式中: SL为坡度;ASP为坡向。

      竞争指标则选用了CIS[20],选取高于对象木且距离对象木小于6 m的林木为竞争木,计算公式为:

      ${{\rm{CIS}}_{i}} = \mathop \sum \limits_{j = 1}^{{r}} \left. {\left[ {\frac{{{D_j}}}{{{D_i}}} \frac{{{D_j}/{d_{ij}}}}{{ \mathop \sum \limits_{j = 1}^{{r}} {D_j}/{d_{ij}}}}}\; \right]}\right/\frac{{\left( {{Z_i} + 1} \right)}}{{{\rm{CW}}}}$

      (8)

      式中:Di为对象木i期初的胸径, Dj 为竞争木 j 期初的胸径,r为竞争木个数,dij为对象木i与竞争木j之间的距离,CW为对象木i期初的冠幅,Zi为对象木i的胸径生长量。

      为使因变量林木空间利用率指标更符合正态分布,模型更加精确,建模前先用Box-Cox变换对其进行转化[21]

      $f\left( {x,{\rm{\lambda }}} \right) = \left\{ {\begin{aligned}& {({x^\lambda } - 1)/\lambda,\lambda \ne 0}\\& {\log x,\lambda = 0} \end{aligned}} \right.$

      (9)

      $ \lambda $的值通过R软件forecast包的BoxCox.lambda函数计算得到。

    • 为了增强模型的适应性,本文以树种分组,加入随机效应及误差项方差协方差结构,建立林木空间利用率混合效应模型。

      线性混合效应模型的形式[22]为:

      $ \left\{{\begin{aligned}&{{{y}}_{{i}}={{X}}_{i}{{\beta}} +{{Z}}_{i}{{b}}_{i}+{{\varepsilon }}_{i}, i={1,2},\cdots,m}\\& {{{b}}_{i} \sim N\left(0,{D}\right),{{\varepsilon }}_{i} \sim N\left(0,{{R}}_{i}\right)}\end{aligned}}\right. $

      (10)

      式中:$ {y}_i $是第i个树种组中$ \left({n}_{i}\times 1\right)$维的样木观测值,$ {n}_{i} $是第 i 个树种组的观测株树;m是树种组个数;Xi$ \left({n}_{i}\times p\right)$维已知设计矩阵,p为固定参数个数;β$ \left(p\times 1\right)$维固定参数向量;Zi$ \left({n}_{i}\times q\right)$维随机效应的设计矩阵,q为随机参数个数;bi$ \left(q\times 1\right)$维随机参数向量;D是随机参数的方差协方差矩阵;$ {\varepsilon }_i $$ \left({n}_{i}\times 1\right)$维模型的误差项;Ri是树种组内方差协方差结构。

      目前常用的误差方差协方差结构为:

      $ {{{R}}}_{i}{={\sigma }_{i}^{2}{{\psi}} }_{i}^{0.5} {{{\varGamma }}}_{i} {{{\psi}} }_{i}^{0.5} $

      (11)

      式中:$ {\sigma }_{i}^{2} $为误差扩散的比例因子,$ {{{\varGamma}} }_{i} $为树种组内误差相关性结构;$ {{{\psi}}}_{i} $为描述方差异质性的对角矩阵。由于本次研究数据均为一个调查期内,不存在典型的自相关问题,故相关性结构$ {{{\varGamma}}}_{i} $采用单位矩阵[8]

    • 基础模型的拟合和检验结果通过均方根误差(RMSE)和调整决定系数($ {R}_{a}^{2} $)评价[14]。混合模型的拟合和检验结果通过赤池信息量准则(AIC)、贝叶斯信息准则(BIC)两个统计量评价[23]

      $ \mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}=\sqrt{\frac{\displaystyle\sum \limits_{i=1}^m{\displaystyle\sum \limits _{j=1}^{n_i}}{\left({y}_{ij}-{\hat{y}}_{ij}\right)}^{2}}{n-p-1}} $

      (12)

      $ {R}_{a}^{2}=1-\frac{\displaystyle \sum \limits_{i=1}^m{\displaystyle \sum \limits _{j=1}^{n_i} }{\left({y}_{ij}-{\hat{y}}_{ij}\right)}^{2}}{\displaystyle \sum \limits_{i=1}^m{\displaystyle \sum \limits _{j=1}^{n_i}}{\left({y}_{ij}-\bar y\right)}^{2}}\times \frac{n-1}{n-p-1} $

      (13)

      $ \mathrm{A}\mathrm{I}\mathrm{C}=-2\mathrm{l}\mathrm{o}\mathrm{g}\mathrm{l}\mathrm{i}\mathrm{k}\mathrm{e}\mathrm{l}\mathrm{i}\mathrm{h}\mathrm{o}\mathrm{o}\mathrm{d}+2p $

      (14)

      $ \mathrm{B}\mathrm{I}\mathrm{C}=-2\mathrm{l}\mathrm{o}\mathrm{g}\mathrm{l}\mathrm{i}\mathrm{k}\mathrm{e}\mathrm{l}\mathrm{i}\mathrm{h}\mathrm{o}\mathrm{o}\mathrm{d}+p\mathrm{l}\mathrm{o}\mathrm{g}\left(n\right)$

      (15)

      式中:$ {y}_{ij} $为观测值;$ {\hat{y}}_{ij} $为预测值;$ \bar y $为观测值的平均值;$ {n}_{i} $为树种组内的观察株数;m为树种组个数;n为样本数;p为模型中参数的个数;loglikehood为模型的极大似然函数。

      模型的拟合和检验通过R软件的nlme包完成。

    • 公式(3)~(6)的4个指标与林木胸径的相关系数分别为0.351、0.039、0.467、0.109,即相关性最高的为材积增长量与树冠投影面积之比Vg(见图1)。另外,考虑到材积增长也正是森林经营的最终目标,所以选定Vg为研究对象,即下文所指的林木空间利用率。

      图  1  林木空间利用率与胸径的关系

      Figure 1.  Relationship between forest space utilization and DBH

    • 计算得到式(9)中λ = 0.35。因此,因变量为:

      $ {V_{\rm{t}}} = \left( {{V_{\rm{g}}}^{0.35} - 1} \right)/0.35 $

      (16)

      Vt和建模的4组因子进行逐步回归,最终得到模型的基础形式如下:

      $\begin{split} {V_{\rm{t}}} =& {b_0} + {b_1}{\rm{DBH}} + {b_2}{\rm{DB}}{{\rm{H}}^2} + {b_3}H + {b_4}{\rm{CW}} +\\& {b_5}S + {b_6}{\rm{PF}} + {b_7}{\rm{SLC}} + {b_8}{\rm{CIS}} + {\rm{\varepsilon }}\end{split} $

      (17)

      式中:DBH为胸径,H为树高,CW为冠幅,S为样地每公顷蓄积,PF为针叶树比例,SLC为坡向坡度转化式,CIS为竞争指标,ε为估计误差。

      经检验,所有保留变量的方差膨胀因子均小于10,且回归系数显著(P < 0.01)。拟合结果如表2所示。

      表 2  林木空间利用率基础模型模拟结果

      Table 2.  Simulating results of basic model for forest space utilization

      变量
      Variable
      估计值
      Estimating value
      方差
      Variance
      tP (Pr > |t|)
      截距 Intercept(INT)− 2.767 040.019 55− 141.542 < 0.000 1***
      胸径 DBH0.013 760.000 7618.184 < 0.000 1***
      胸径平方 Square of the DBH (DBH2)− 0.000 180.000 01− 13.335 < 0.000 1***
      树高 Tree height (H)0.001 260.000 353.5530.000 39***
      冠幅 Crown width (CW)− 0.051 170.001 71− 29.975 < 0.000 1***
      蓄积 Stock volume (S)− 0.000 140.000 01− 9.249 < 0.000 1***
      针阔比 Proportion of conifer to broadleaved trees (PF)0.065 630.016 593.955 < 0.000 1***
      坡度坡向 Slope degree and slope aspect (SLC)0.001 360.000 423.2450.001 19 **
      竞争指数 Competition index (CIS)− 0.005 580.000 94− 5.928 < 0.000 1***
      注:***表示在P < 0.001水平下差异显著,**表示在P < 0.01水平下差异显著。Notes: *** represents significant difference at P < 0.001 level, ** represents significant difference at P < 0.01 level.
    • 用前述基本模型(公式(17))分别拟合各树种组数据,得到各树种组固定效应系数的置信区间,如图2所示。从图2结果可以看出,树种组间DBH、DBH2H、SLC 4个变量参数的置信区间没有完全重叠的部分,所以为这4个变量增加随机效应以扩展模型的适用性[24]。加入4个变量及截距不同组合形式的随机效应进行拟合,收敛的结果如表3所示。比较评价指标可以看出,在截距(INT)和DBH2两项上加入随机效应的模型VTLME5拟合结果最优。

      图  2  各树种组线性模型拟合参数的95%置信区间

      Figure 2.  95% confidence intervals on the linear model parameters for each species group

      表 3  不同随机效应拟合结果统计检验

      Table 3.  Goodness-of-fit statistics for mixed model of different random effects

      模型编号
      Model No.
      随机参数
      Random parameter
      AICBICLog likelihood
      VTLME1INT− 5 142.105− 5 083.6382 582.053
      VTLME2INT DBH− 5 161.782− 5 092.6842 593.891
      VTLME3INT H− 5 145.099− 5 076.0012 585.550
      VTLME4INT SLC− 5 150.207− 5 081.1092 588.104
      VTLME5INT DBH2− 5 165.259− 5 096.1612 595.630
      VTLME6INT DBH2 SLC− 5 172.721− 5 087.6782 602.360
      注:VTLME1、VTLME2、VTLME3、VTLME4、VTLME5、VTLME6分别为加入相应随机参数的混合模型编号。Notes: VTLME1,VTLME2,VTLME3,VTLME4,VTLME5,VTLME6 are the mixed model codes with corresponding random parameters.

      在模型VTLME5中加入不同形式的残差方差结构,结果如表4所示。模型评价指标显示幂函数形式的残差方差结构拟合结果最优。

      表 4  不同残差方差结构拟合结果统计检验

      Table 4.  Goodness-of-fit statistics for mixed model of different residual variance structure

      模型编号
      Model No.
      残差方差模型
      Residual variance model
      AICBICLog likelihood
      VTLME5无 None− 5 165.259− 5 096.1612 595.630
      VTLME51$\scriptstyle {\sigma }^{2}\mathrm{e}\mathrm{x}\mathrm{p}\left(2\gamma {\mathrm{D}\mathrm{B}\mathrm{H}}^{2}\right)$− 5 167.432− 5 093.0192 597.716
      VTLME52$\scriptstyle {\sigma }^{2}\mathrm{e}\mathrm{x}\mathrm{p}\left(2\gamma \mathrm{C}\mathrm{W}\right)$− 5 175.094− 5 100.6812 601.547
      VTLME53$\scriptstyle {\sigma }^{2}\mathrm{e}\mathrm{x}\mathrm{p}\left(2\gamma \mathrm{C}\mathrm{I}\mathrm{S}\right)$− 5 174.558− 5 100.1452 601.279
      VTLME54$\scriptstyle {\sigma }^{2}\mathrm{e}\mathrm{x}\mathrm{p}\left(2\gamma f\right({x}_{i}\left)\right)$− 5 185.268− 5 110.8552 606.634
      VTLME55$\scriptstyle {\sigma }^{2}{\mathrm{D}\mathrm{B}\mathrm{H} }^{2 \times2\gamma } $− 5 170.525− 5 096.1122 599.263
      VTLME56$\scriptstyle {\sigma }^{2}{\mathrm{C}\mathrm{W}}^{2\gamma } $− 5 175.849− 5 101.4362 601.925
      VTLME57$\scriptstyle {\sigma }^{2}{\mathrm{C}\mathrm{I}\mathrm{S}}^{2\gamma } $不收敛 Not converge
      VTLME58$\scriptstyle {\sigma }^{2}{f\left({x}_{i}\right)}^{2\gamma } $− 5 185.182− 5 110.7692 606.591
      注:VTLME5、VTLME51、VTLME52、VTLME53、VTLME54、VTLME55、VTLME56、VTLME57、VTLME58分别为加入相应残差方差模型的混合模型编号;$\scriptstyle f\left({x}_{i}\right)$为固定效应及随机效应的预测值。Notes: VTLME5,VTLME51, VTLME52, VTLME53, VTLME54, VTLME55, VTLME56, VTLME57, VTLME58 are the mixed model codes with corresponding residual variance models; $\scriptstyle f\left({x}_{i}\right)$ represents the predicted value of the fixed effect and the random effect.

      最终得到的混合效应模型如下:

      $ \left\{ \begin{array}{l} V_{{\rm{t}}_{ij}} = - 2.778 \;4{\rm{}} + {b_{0i}} + 0.015\;3{\rm{DB}}{{\rm{H}}_{ij}} + \\ \quad\quad\;\; \left( { - 0.000\;2 + {b_{2i}}} \right){\rm{DBH}}_{ij}^2 + 0.000\;9{H_{ij}} - \\ \quad\quad\;\; 0.047\;0{\rm{C}}{{\rm{W}}_{ij}} - 0.000\;1{S_{ij}} + 0.044\;5{\rm{P}}{{\rm{F}}_{ij}} + \\ \quad\quad\;\; 0.001\;6{\rm{SL}}{{\rm{C}}_{ij}} - 0.004\;7{\rm{CI}}{{\rm{S}}_{ij}} + {\varepsilon _{ij}} \quad\quad\\ {\left( {{b_{0i}} {b_{2i}}} \right)^{\rm{T}}} \sim N\left( {0,{{D}}} \right),{{D}} = \left({\begin{array}{*{20}{c}} {0.012\;4 \;\; \; - 0.005}\\ {\; - 0.005 \;\;\;\; 0.000\;02} \end{array}} \right) \\ {\varepsilon _{ij}} \sim N\left( {0,{{{R}}_i}} \right),{{{R}}_i} = 9.22_{}^2 {{\psi}} _i^{0.5} \times {\bf{I}} \times {{\psi}} _i^{0.5}, \\ {{{\psi}} _i} = {\rm{exp}}\left( {2 \times 2.045 \times f\left( {{{{x}}_i}} \right)} \right) \end{array} \right.$

      式中:i为树种组编号;j为样木编号;$ {b}_{0i} $$ {b}_{2i} $为样地层次随机效应参数;I为单位矩阵;$ {{{x}}}_{i} $为自变量,$ f\left({{{x}}}_{i}\right)$为固定效应及随机效应的预测值。

      分别拟合建模数据和检验数据,结果均显示混合效应模型略优于基础模型(见表5)。

      表 5  混合效应模型和基本线性模型拟合结果统计检验

      Table 5.  Goodness-of-fit statistics for mixed model and general linear model

      项目 Item建模数据 Modeling data检验数据 Validation data
      Ra2RMSERa2RMSE
      基础线性模型 General linear model0.5800.0430.5830.043
      混合效应模型 Mixed effect model0.5990.0420.5980.042
    • 用前述得到的混合效应模型预测各树种林木空间利用率,结果如图3所示。

      图  3  整体预测(固定参数)、分组预测(树种组)与森林空间利用率观察值对比图

      Figure 3.  Population predictions(fixed), within-group predictions(species group), and the observed forest space utilization versus DBH

      图3可知,除慢阔组外,各树种空间利用率相近,其中:云杉的空间利用率明显高于树种平均水平,并且维持时间长,在胸径40 cm左右时达到峰值;冷杉、落叶松、红松、中阔组与平均水平接近,约在37 cm左右时达到峰值;慢阔组生长显著低于平均水平,约在32 cm时空间利用率最高,之后各自开始下降。

    • 在天然混交林中,不同树种占据的营养空间不同,故直接比较不同树种的生长速率是不合理的。林木空间利用率以单位营养空间的生长量作为指标,使得不同树种间的比较更为合理。

      经过比较,材积生长量与树冠投影面积之比与胸径相关系数最高,且材积生长是林业经营的重要目标之一,所以以此定义为本文的林木空间利用率。通过逐步回归,最终选定林木胸径,胸径平方(代表胸高断面积),树高,冠幅,样地蓄积,针阔比,坡向坡度,竞争指标作为自变量建立林木空间利用率的线性模型,并以此为基础模型,加入按树种分组的随机变量及误差方差结构,提高模型在不同树种间的适应性。

      利用本文建立的林木空间利用率混合模型拟合研究数据,可以得到不同树种空间利用率的生长过程。除慢阔组外,各树种空间利用率相近,其中,云杉的空间利用率明显高于树种平均水平,并且维持时间长,在胸径40 cm左右时达到峰值;冷杉、落叶松、红松、中阔组与平均水平接近,约在37 cm左右时达到峰值;慢阔组生长显著低于平均水平,约在32 cm时空间利用率最高。在此之后,林木空间利用率下降,到达成熟收获点。

      与空间结构指标相比,空间利用率指标更注重林地的生产功能,前者通过调整林分空间结构改善林内竞争条件,促进林木生长,后者是根据林木生长特性为不同林木配置适宜的生长空间,实现林地的最大化利用,如果将二者相结合则可以更好的对林分进行优化。

      本文所定义的林木成熟仅是根据林木自身生长规律及立地条件所作的判断,在实际生产中,采伐计划的制订还要综合考虑采伐后林下幼苗幼树的生长及保持林分的生态稳定性。因此,在下一步研究中会考虑加入林分空间结构指数[5]等其他林分生长的相关因素,以长周期全林分林木空间利用率之和最大为经营目标制定采伐计划,在保证林分生态稳定性的同时提高林地的生产力。

      本文所用数据集中在胸径为10 ~ 40 cm的林木,有一定局限性,计算所得数量成熟林木均未超过40 cm可能也是受此影响,在今后的研究中会尝试将该指标应用于更多大径级木,以期得到更合理的结果。另外,因为本文所采用的数据中,优势树种云杉冷杉占绝对优势,其他树种比例很小,所以以树种组分组的混合模型与一般线性模型的残差区别很小,混合效应优势不明显。但是计算结果显示各树种组空间利用率的生长过程接近,也从侧面验证了林木的生长量与冠幅的关系紧密。

参考文献 (24)

目录

    /

    返回文章
    返回