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

基于地理加权回归的天然次生林进界木空间分布模拟

陈科屹 张会儒 张博 何友均

陈科屹, 张会儒, 张博, 何友均. 基于地理加权回归的天然次生林进界木空间分布模拟[J]. 北京林业大学学报, 2021, 43(2): 1-9. doi: 10.12171/j.1000-1522.20200157
引用本文: 陈科屹, 张会儒, 张博, 何友均. 基于地理加权回归的天然次生林进界木空间分布模拟[J]. 北京林业大学学报, 2021, 43(2): 1-9. doi: 10.12171/j.1000-1522.20200157
Chen Keyi, Zhang Huiru, Zhang Bo, He Youjun. Spatial distribution simulation of recruitment trees of natural secondary forest based on geographically weighted regression[J]. Journal of Beijing Forestry University, 2021, 43(2): 1-9. doi: 10.12171/j.1000-1522.20200157
Citation: Chen Keyi, Zhang Huiru, Zhang Bo, He Youjun. Spatial distribution simulation of recruitment trees of natural secondary forest based on geographically weighted regression[J]. Journal of Beijing Forestry University, 2021, 43(2): 1-9. doi: 10.12171/j.1000-1522.20200157

基于地理加权回归的天然次生林进界木空间分布模拟

doi: 10.12171/j.1000-1522.20200157
基金项目: “十三五”国家重点研发计划项目(2017YFC0504101)
详细信息
    作者简介:

    陈科屹,博士,助理研究员。研究方向:森林可持续经营理论与技术。Email:lowrychen@sina.com 地址:100091北京市海淀区香山路东小府1号中国林业科学研究院林业科技信息研究所

    责任作者:

    张会儒,研究员,博士生导师。研究方向:森林可持续经营等。Email:huiru@ifrit.ac.cn 地址:100091北京市海淀区香山路东小府1号中国林业科学研究院资源信息研究所

  • 中图分类号: S758.5

Spatial distribution simulation of recruitment trees of natural secondary forest based on geographically weighted regression

  • 摘要:   目的  研究天然次生林的进界木数量和空间分布格局,分析进界木株数与各个变量间的响应关系,探索应对处理空间非平稳数据的可行办法,构建最优的进界木株数模型形式,以期为天然次生林的生长动态研究提供更为精确的技术手段,从而为指导天然次生林的森林质量精准提升提供参考依据。  方法  以吉林省汪清林业局塔子沟林场的天然次生林为研究对象,基于106块1997年和2007年两期的局级固定样地,以林分因子、地形因子和土壤因子为影响因子,分别构建常规泊松回归模型(PR)、地理加权泊松回归模型(GWPR)、半参数地理加权泊松回归模型(SGWPR)对研究区的进界木株数和分布情况进行模拟估测;采用决定系数(R2)、均方误差(MSE)和赤池信息准则(AIC)对3种模型的拟合效果进行评价;利用全域和局域Moran’s I对比分析3种模型残差的空间自相关性和局域空间聚集情况;运用半参数地理加权泊松回归模型的拟合结果绘制研究区的进界木空间分布图,分析进界木在研究区的分布规律。  结果  (1)在3种模型中,林分因子和地形因子均对塔子沟天然次生林进界木株数产生较大影响,其中林分平均胸径是影响最大的变量,两者之间呈显著的负相关关系;(2)采用地理加权后的泊松回归模型在拟合效果方面要明显优于常规泊松回归模型,其中半参数地理加权泊松回归模型具有最佳的拟合效果;对于存在偏离期望值较远的强影响点的拟合,该模型表现出极好的效果;(3)采用地理加权后的泊松回归模型具有较好的稳定性,能够大幅度降低模型残差的空间自相关性。相比之下,半参数地理加权泊松回归模型能够最大限度地减少残差呈现相似聚集的空间分布情况;(4)10年后塔子沟林场83%以上的区域,其进界木株数在0 ~ 683株/hm2之间,北部区域的林分进界情况整体要好于南部区域,局部范围出现的极大值主要位于林场东北部的边缘山坡地带。  结论  采取地理加权后的泊松模型能更好地揭示进界木株数与各个变量之间的空间异质性;采用半参数地理加权回归泊松模型能够得到最优的进界木株数模型;在构建进界木株数模型时,并非所有的变量都需要考虑地理加权,应该视具体的研究内容和数据特征而定。

     

  • 图  1  塔子沟林场位置及样地分布图

    Figure  1.  Location of Tazigou Forest Farm and distribution of sample plots

    图  2  3种模型的残差分布图

    Figure  2.  Residual distribution of three models

    图  3  3种模型残差的全域Moran’s I

    Figure  3.  Global Moran’s I correlogram of three model residuals

    图  4  3种模型残差的局域Moran’s I

    Figure  4.  Local Moran’s I correlogram of three model residuals

    图  5  半参数地理加权泊松回归模型进界木空间分布

    Figure  5.  Spatial distribution of recruitment trees based on SGWPR

    表  1  林分主要因子统计量指标

    Table  1.   Statistic indexes of main variables in forest stand

    变量 Variable最大值 Max. value最小值 Min. value平均值 Mean标准差 SD
    海拔 Altitude/m 1 034.2 465.0 695.8 120.1
    坡度 Gradient/(°) 33.0 0.0 13.3 6.8
    坡位 Slope position 6.0 1.0 2.7 0.8
    土壤厚度 Soil depth 3.0 1.0 1.9 0.4
    林分平均胸径 Mean stand DBH/cm 22.0 5.1 13.0 3.1
    林分蓄积量/(m3·hm−2) Stand volume/(m3·ha−1) 294.0 1.5 129.0 75.6
    林分密度/(株·hm−2) Density/(tree·ha−1) 2 475 30 1074 541.5
    进界木株数/(株·hm−2) Number of recruitment tree/(tree·ha−1) 3 633 0 470.4 508.5
    注:坡位和土壤厚度为分级变量(坡位:脊部 = 1;上坡位 = 2;中坡位 = 3;下坡位 = 4;山谷 = 5;平地 = 6. 土壤厚度:≥ 60 cm = 1;30 ~ 59 cm = 2;< 30 cm = 3)。Notes: both slope position and soil thickness are graded variables (slope position: ridge = 1; upslope = 2; middleslope = 3; downslope = 4; valley = 5; flat = 6. Soil thickness: ≥ 60 cm = 1; 30−59 cm = 2; < 30 cm = 3).
    下载: 导出CSV

    表  2  常规泊松回归模型参数估计值统计量

    Table  2.   Satistics of parameter estimates in conventional Poisson regression (PR)

    参数 Parameter估计值 Estimate标准误 SEPP value方差膨胀因子 Variance inflation factor
    截距 Intercept 3.138 9 0.021 7 < 0.001
    海拔 Altitude 0.384 5 0.022 8 < 0.001 1.691 5
    坡度 Gradient 0.167 1 0.022 5 < 0.001 1.603 3
    坡位 Slope position 0.097 8 0.022 7 < 0.001 1.521 4
    土壤厚度 Soil depth 0.041 2 0.021 7 0.0413 1.183 8
    林分平均胸径 Mean stand DBH −0.426 5 0.029 1 < 0.001 2.672 6
    林分蓄积量 Stand volume −0.167 9 0.035 4 < 0.001 3.593 4
    林分密度 Stand density −0.291 9 0.026 6 < 0.001 2.171 6
    下载: 导出CSV

    表  3  地理加权泊松回归模型参数估计值统计量

    Table  3.   Statistics of parameter estimates in geographically weighted Poisson regression (GWPR)

    参数 Parameter最小值 Min. valueQ1 25% quartile中值 MedianQ3 75% quartile最大值 Max. value
    截距 Intercept 2.531 2 2.922 9 3.051 5 3.164 0 3.569 5
    海拔 Altitude −0.346 8 0.078 4 0.286 1 0.502 8 1.308 5
    坡度 Gradient −0.302 7 −0.012 0 0.160 8 0.350 0 0.637 9
    坡位 Slope position −0.423 2 −0.116 2 0.087 6 0.243 0 0.740 8
    土壤厚度 Soil depth −0.792 3 −0.087 5 0.022 3 0.109 5 0.368 0
    林分平均胸径 Mean stand DBH −2.058 2 −0.837 5 −0.577 3 −0.349 9 0.156 1
    林分蓄积量 Stand volume −0.633 8 −0.100 8 0.071 6 0.363 0 1.524 8
    林分密度 Stand density −1.573 6 −0.578 6 −0.333 2 −0.181 3 0.152 8
    下载: 导出CSV

    表  4  半参数地理加权泊松回归模型参数估计值统计量

    Table  4.   Statistics of parameter estimates in semiparametric geographically weighted Poisson regression (SGWPR)

    项目 Item参数 Parameter最小值 Min. valueQ1 25% quartile中值 MedianQ3 75% quartile最大值 Max. value
    局域参数
    Local parameter
    截距 Intercept 1.563 9 2.681 3 3.030 5 3.222 8 3.913 1
    海拔 Altitude −1.245 4 0.004 7 0.259 4 0.540 1 1.677 8
    土壤厚度 Soil depth −0.924 5 −0.267 6 0.072 2 0.209 5 0.642 7
    林分平均胸径 Mean stand DBH −1.551 2 −0.859 8 −0.552 4 −0.288 8 0.224 7
    全域参数
    Global parameter
    坡度 Gradient 0.171 8 (固定参数 Fixed parameter)
    坡位 Slope position 0.054 8 (固定参数 Fixed parameter)
    林分蓄积量 Stand volume 0.040 7 (固定参数 Fixed parameter)
    林分密度 Stand density −0.232 3 (固定参数 Fixed parameter)
    下载: 导出CSV

    表  5  3种模型评价的统计量

    Table  5.   Statistics for the evaluation of three models

    模型形式
    Model form
    决定系数
    Coefficient of
    determination (R2)
    均方误差
    Mean squared
    error (MSE)
    赤池准则信息
    Akaike’s information
    criterion (AIC)
    常规泊松回归模型
    Poisson regression (PR)
    0.54 451.617 7 1 345.862 1
    地理加权泊松回归模型
    Geographically weighted Poisson regression (GWPR)
    0.85 86.061 2 507.453 4
    半参数地理加权泊松回归模型
    Semiparametric geographically weighted Poisson regression (SGWPR)
    0.86 84.380 9 479.992 3
    下载: 导出CSV
  • [1] 陈大珂, 周晓峰, 祝宁, 等. 天然次生林: 结构·功能·动态与经营[M]. 哈尔滨: 东北林业大学出版社, 1994.

    Chen D K, Zhou X F, Zhu N, et al. Natural secondary forest: structure,function, dynamics and management[M]. Harbin: Northeast Forestry University Press, 1994.
    [2] 朱教君, 刘世荣. 次生林概念与生态干扰度[J]. 生态学杂志, 2007, 26(7):1085−1093. doi: 10.3321/j.issn:1000-4890.2007.07.022.

    Zhu J J, Liu S R. Conception of secondary forest and its relation to ecological disturbance degree[J]. Chinese Journal of Ecology, 2007, 26(7): 1085−1093. doi: 10.3321/j.issn:1000-4890.2007.07.022.
    [3] 盛炜彤. 我国应将天然次生林的经营放在重要位置[J]. 林业科技通讯, 2016(2):10−13.

    Sheng W T. China should put the management of natural secondary forest in an important position[J]. Forest Science and Technology, 2016(2): 10−13.
    [4] 赵利群, 翁国盛, 高秀芹. 次生林综述[J]. 防护林科技, 2006(5):47−49. doi: 10.3969/j.issn.1005-5215.2006.05.019.

    Zhao L Q, Weng G S, Gao X Q. A review of secondary forests[J]. Protection Forest Science and Technology, 2006(5): 47−49. doi: 10.3969/j.issn.1005-5215.2006.05.019.
    [5] 国家林业局森林资源管理司. 第七次全国森林资源清查及森林资源状况[J]. 林业资源管理, 2010(1):1−8. doi: 10.3969/j.issn.1002-6622.2010.01.001.

    Department of Forest Resources Management, State Forestry Administration. The 7th National Forest Inventory and Status of Forest Resources[J]. Forest Resources Management, 2010(1): 1−8. doi: 10.3969/j.issn.1002-6622.2010.01.001.
    [6] 张伟东, 伊柏峰. 森林资源动态管理系统中人工林进界木株数模型研究[J]. 华东森林经理, 2013, 17(1):56−58.

    Zhang W D, Yi B F. Developing the quantity models of the artificial forest ingrowth[J]. East China Forest Management, 2013, 17(1): 56−58.
    [7] 郑嵘, 肖淑萍, 杨小纯, 等. 峡江县人工湿地松中幼龄林进界胸径预估模型[J]. 江西林业科技, 2004(2):15−16. doi: 10.3969/j.issn.1006-2505.2004.02.007.

    Zheng R, Xiao S P, Yang X C, et al. Estimate model of ingrowth diameter for the middle and young artifical forest of P inus elliottii in Xiajiang County[J]. Jiangxi Forestry Science and Technology, 2004(2): 15−16. doi: 10.3969/j.issn.1006-2505.2004.02.007.
    [8] 雷渊才, 张雄清. 长白落叶松林分进界模型的研究[J]. 林业科学研究, 2013, 26(5):554−561.

    Lei Y C, Zhang X Q. Tree recruitment model of Larix olgensis[J]. Forest Research, 2013, 26(5): 554−561.
    [9] Pukkala T, Lähde E, Laiho O. Growth and yield models for uneven-sized forest stands in Finland[J]. Forest Ecology and Management, 2009, 258(3): 207−216. doi: 10.1016/j.foreco.2009.03.052.
    [10] Klopcic M, Poljanec A, Boncina A. Modelling natural recruitment of European beech (Fagus sylvatica L.)[J]. Forest Ecology and Management, 2012, 284: 142−151. doi: 10.1016/j.foreco.2012.07.049.
    [11] 章皖秋, 岳彩荣, 袁华. 林木调查数据的随机、空间、时间特征的模型处理[J]. 西北林学院学报, 2016, 31(5):230−237. doi: 10.3969/j.issn.1001-7461.2016.05.38.

    Zhang W Q, Yu C R, Yuan H. Solutions for random effect, spatial and temporal correlation and heterogeneity in the observed forest data[J]. Journal of Northwest Forestry University, 2016, 31(5): 230−237. doi: 10.3969/j.issn.1001-7461.2016.05.38.
    [12] Brunsdon C F, Fotheringham A S, Charlton M. Geographically weighted regression: a method for exploring spatial nonstationarity[J]. Geographical Analysis, 1996, 28: 281−298.
    [13] Fotheringham A S, Brunsdon C F, Charlton M E. Geographically weighted regression: the analysis of spatially varying relationships[M]. New York: John Wiley and Sons, 2002.
    [14] Zhang L J, Shi H J. Local modeling of tree growth by geographically weighted regression[J]. Forest Science, 2004, 50(2): 225−244.
    [15] Zhen Z, Li F, Liu Z, et al. Geographically local modeling of occurrence, count, and volume of downwood in Northeast China[J]. Applied Geography, 2013, 37: 114−126. doi: 10.1016/j.apgeog.2012.11.003.
    [16] Liu C, Zhang L J, Li F R, et al. Spatial modeling of the carbon stock of forest trees in Heilongjiang Province, China[J]. Journal of Forestry Research, 2014, 25(2): 269−280. doi: 10.1007/s11676-014-0458-x.
    [17] 张凌宇, 刘兆刚. 基于地理加权回归模型的大兴安岭中部天然次生林更新分布[J]. 林业科学, 2019, 55(11):105−116. doi: 10.11707/j.1001-7488.20191112.

    Zhang L Y, Liu Z G. Regeneration and distribution of natural secondary forests in the central part of Daxing’an Mountains based on geographically weighted regression model[J]. Scientia Silvae Sinicae, 2019, 55(11): 105−116. doi: 10.11707/j.1001-7488.20191112.
    [18] 张凌宇, 刘兆刚. 基于地理加权泊松模型的天然次生林进界株数空间分布与预测[J]. 应用生态学报, 2017, 28(12):3899−3907.

    Zhang L Y, Liu Z G. Prediction and spatial distribution of recruitment trees of natural secondary forest based on geographically weighted Poisson model[J]. Chinese Journal of Applied Ecology, 2017, 28(12): 3899−3907.
    [19] 陈科屹, 张会儒, 雷相东. 天然次生林蒙古栎种群空间格局[J]. 生态学报, 2018, 38(10):3462−3470.

    Chen K Y, Zhang H R, Lei X D. Spatial pattern of Quercus mongolica in natural secondary forest[J]. Acta Ecologica Sinica, 2018, 38(10): 3462−3470.
    [20] Nakaya T, Fotheringham A S, Charlton M E. Geographically weighted Poisson regression for disease association mapping[J]. Statistics in Medicine, 2005, 24(17): 2695−2717. doi: 10.1002/sim.2129
    [21] Anselin L. Local indicators of spatial association: LISA[J]. Geographical Analysis, 1995, 27(2): 93−115.
    [22] 吴雨峰, 葛宏立, 邹奕巧. 基于抽样固定样地的总体进界木株数模型研建[J]. 林业资源管理, 2015(1):38−43.

    Wu Y F, Ge H L, Zou Y Q. In-growth tree number model in population level based on continuous forest[J]. Forest Resources Management, 2015(1): 38−43.
    [23] Propastin P. Modifying geographically weighted regression for estimating aboveground biomass in tropical rainforests by multispectral remote sensing data[J]. International Journal of Applied Earth Observations and Geoinformation, 2012, 18: 82−90. doi: 10.1016/j.jag.2011.12.013.
    [24] 刘正显. 基于GWR模型的凉水自然保护区森林生物量空间分布研究[D]. 哈尔滨: 东北林业大学, 2015.

    Liu Z X. Research on the spatial distribution of Liangshui Nature Reserve forest biomass based on geographically weighted regression[D]. Harbin: Northeast Forest University, 2015.
    [25] Guo L, Ma Z, Zhang L. Comparison of bandwidth selection in application of geographically weighted regression: a case study[J]. Canadian Journal of Forest Research, 2008, 38(9): 2526−2534. doi: 10.1139/X08-091.
    [26] Foody G M. Geographical weighting as a further refinement to regression modelling: an example focused on the NDVI-rainfall relationship[J]. Remote Sensing of Environment, 2003, 88(3): 283−293. doi: 10.1016/j.rse.2003.08.004.
    [27] Chen G, Zhao K, Mcdermid G J, et al. The influence of sampling density on geographically weighted regression: a case study using forest canopy height and optical data[J]. International Journal of Remote Sensing, 2012, 33(9−10): 2909−2924.
    [28] 陈科屹, 张会儒, 雷相东. 不同群落蒙古栎种群空间格局的地统计学分析[J]. 应用生态学报, 2018, 29(5):1542−1550.

    Chen K Y, Zhang H R, Lei X D. Geostatistical analysis on the spatial pattern of Quercus mongolica population in different communities[J]. Chinese Journal of Applied Ecology, 2018, 29(5): 1542−1550.
    [29] Zhang L J, Gove J H, Heath L S. Spatial residual analysis of six modeling techniques[J]. Ecological Modelling, 2005, 186(2): 154−177. doi: 10.1016/j.ecolmodel.2005.01.007.
  • 加载中
图(5) / 表(5)
计量
  • 文章访问数:  424
  • HTML全文浏览量:  165
  • PDF下载量:  58
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-05-22
  • 修回日期:  2020-06-22
  • 网络出版日期:  2021-01-29
  • 刊出日期:  2021-02-24

目录

    /

    返回文章
    返回