Tree height curves of Pinus yunnanensis forest based on nonlinear mixed effects model
-
摘要:目的
云南松林是云南省最重要的森林类型之一。构建云南松林树高曲线的非线性混合效应模型，对促进滇中地区乃至云南省云南松林科学经营及森林质量精准提升具有重要意义。
方法基于云南省楚雄市旧关林场9块典型云南松林样地调查数据，选取12个基础模型拟合树高−胸径关系，筛选出最优模型作为基础模型。将树种组作为哑变量纳入模型，同时考虑林分变量的影响，并将样地作为随机效应，构建云南松林树高−胸径非线性混合效应模型。采用留一交叉验证对模型拟合效果进行检验。
结果12个基础模型中，Schumacher模型表现最佳，被选为基础模型。在林分变量中，优势木平均高（Hd）和大于对象木断面积（BAL）与树高相关性显著，且具有生物学意义，因此被用于建立树高−胸径广义非线性模型。Hd与树高呈显著正相关，而BAL与树高呈负相关。最终建立的非线性混合效应模型能解释树高74%的变异，均方根误差为1.57 m。交叉验证结果表明，模型不存在过拟合现象，且残差无明显异方差。
结论与传统基础模型相比，加入Hd和BAL的云南松林树高−胸径非线性混合效应模型能更准确地描述云南松林树高与胸径的关系。在森林经营实践中，可通过适地适树、调整林分密度和优化林分结构等措施降低林木个体竞争，从而促进林木树高生长。本研究为滇中地区云南松林树高曲线模拟研究提供方法借鉴及技术支持，对森林资源管理和生态保护具有重要的科学和实践价值。
Abstract:ObjectivePinus yunnanensis forest is one of the most important forest types in Yunnan Province of southwestern China. The application of a nonlinear mixed effects model to simulate tree height curves of Pinus yunnanensis forests is important for advancing both scientific management and accurately assessing forest quality, not only in central Yunnan Province but also across the entire Yunnan Province.
MethodBased on the survey data of 9 sample plots from typical Pinus yunnanensis forests in Jiuguan Forest Farm, Chuxiong City of Yunnan Province, 12 basic models were applied to establish the relationship between tree height and DBH, and the optimal model was selected as the basic model subsequently. The species group was then used as a dummy variable, and the stand variables and random effect of sample plots were incorporated into the model, yielding a nonlinear mixed effects model of tree height-DBH in Pinus yunnanensis forests; and model fit was evaluated using leave-one-out cross-validation.
ResultThe Schumacher model was found to be the best of 12 basic models. Among many stand variables, the average top height (Hd) and sum of basal area larger than the subject tree (BAL) exhibited strong correlations with tree height and had biological significance; thus, both variables were chosen for constructing the generalized nonlinear model of tree height-DBH. Hd displayed a significant positive correlation with tree height, while BAL showed a negative correlation with tree height. The final nonlinear mixed effects model of Pinus yunnanensis forests accounted for 74% of the variation in tree height, with an RMSE value of 1.57 m. The results of cross-validation showed that the model was not overfitted and the residuals did not show obvious heteroscedasticity.
ConclusionIn contrast to basic models established through traditional methods, this study integrated the average top height and the sum of basal area larger than the subject tree into the nonlinear mixed effects model of Pinus yunnanensis forests, which can better describe the relationship between Pinus yunnanensis forest height and DBH. Furthermore, in terms of specific forest management practices, individual competition among forest trees can be reduced to promote high growth using measures such as planting right tree for the right place, adjusting the density of forest stand and optimizing the stand’s structure. This study provides a methodological reference and technical support for the simulation studies of tree height curves in Pinus yunnanensis forests in central Yunnan Province, and has important scientific and practical value for forest resource management and ecological protection.
-
化肥过量施用、土壤侵蚀、河岸植被破坏等易使面源污染物通过地表径流和地下渗流进入河湖水体中[1−2]。全球范围内近50%的地表水资源已经受到面源污染的影响。然而，面源污染具有很大的随机性，分布面积广，时间和空间变化幅度较大，所以在监测、控制和治理上存在诸多困难和复杂性，这使得减轻农业面源污染成为一项艰巨的任务，也使面源污染治理逐渐成为水环境保护与水资源利用中的重点和难点[3]。
河岸植被缓冲带是一个由土壤、水、植被等构成的生态系统，通过植物吸收、土壤吸附等一系列物理、化学和生物过程，截留、吸收和转化污染物，阻止径流水中的污染物进入水体，被认为是面源污染防治的有效管理措施[4]。黄斌斌等[5]研究发现，森林的水质净化率最高，达91%，其次是灌丛（87.80%）和草地（82.28%）。Haukos等[6]研究发现，40 ~ 60 m宽的植被缓冲带可以显著减少地表径流中的养分、重金属和其他污染物的负荷。农业区河流失去河岸植被，可能会对河流生态系统的结构和功能产生深远的影响[3，6]。因此，恢复和重建河岸缓冲带以减少农业活动对河流的污染负荷，应受到重视并成为流域治理的重要途径。
生物炭是由生物质在低氧或无氧、高温条件下裂解产生的一种富碳物质[7−8]。由于生物炭化学性质稳定，具有碱性、多孔的结构、良好的阳离子交换能力以及大的比表面积等特点，在土壤污染修复、提高土壤肥力、增加土壤碳封存等方面都有重要意义[9]。特别是生物炭通过改善土壤物理性质，改变土壤微生物群落结构和功能，影响土壤养分循环和有机质分解，并可能减少氮的淋溶，提高氮的滞留[10]。因此，生物炭作为一种环境功能性材料在改善土壤、净化水质、物质循环、土壤固碳等方面得到了广泛的应用。但生物炭的生态效益因植被类型、生物炭性质、土壤类型和土地利用类型而异[10]。以往的研究表明[11]，河岸缓冲带的植被类型对污染物截留去除效果差异显著，但也有研究[6]表明缓冲带的植被类型对污染物去除差异不大。生物炭通过影响土壤微生物群落和土壤酶活性对土壤微生物产生影响，但生物炭对微生物群落的影响仍存在争议。一些研究认为生物炭对微生物群落有促进作用或抑制作用，而另一些研究认为生物炭对微生物群落没有影响。因此，生物炭对污染物截留去除的效果，对土壤微生物群落变化的影响尚不完全清楚，有待进一步的研究。同时，现有的研究更多关注生物炭对农田的影响，且多室内盆栽试验，野外研究相对匮乏，生物炭添加对河岸林地影响的研究相对较少。
白洋淀的生态环境是雄安新区健康发展的重要保障，而入淀河流的水质影响着白洋淀的水环境质量。近年来，白洋淀流域通过减少外源污染排入、建立人工湿地、清淤和生态补水等方式进行了综合治理，但入淀河流仍然存在热点污染区域[12]。研究发现，白洋淀流域水体和沉积物的氮污染一直处于较高水平，是影响白洋淀流域水质的主要污染因子[13]。由于白洋淀流域河岸缓冲带存在生态功能脆弱、破碎化程度高的特点，且流域农业种植面积广、化肥施用量高，农业面源污染物很容易通过地表径流进入河流生态系统，影响流域污染治理效果[14]。因此，本研究选择白洋淀流域毛白杨林地为研究对象，探究不同生物炭添加量对河岸林土壤化学因子、微生物群落组成的影响，以及生物炭添加对河岸林地氮污染的阻控机制。研究旨在通过添加生物炭，强化河岸植被缓冲带的截留去污能力，减轻农业面源污染对流域水环境的威胁，为流域面源污染阻控及生态修复技术提供依据。
1. 研究区概况与研究方法
1.1 研究区域
白洋淀流域属海河流域大清河水系（113°39′ ~ 116°11′ E，38 °12′ ~ 39 °54′ N），跨山西和河北两省以及北京市，流域面积31 200 km2。属典型的温带大陆性季风气候，夏季高温多雨，冬季寒冷干燥，雨热同期，年平均气温7 ℃，多年平均降水量564 mm，年内降水量分配不均，70% ~ 80%集中在6—8月份，且多以暴雨形式出现[15]。流域地形地貌复杂，地势西高东低，其中山区占 43%，平原占57%，山区的土地利用类型主要是林地和草地等，土壤为褐土，平原地区主要是农田、城镇用地，土壤为潮土[16]。该流域农业种植面积广、化肥施用量高，氮肥和磷肥的平均施用量分别为100 ~ 300 kg/hm2和50 ~ 150 kg/hm2[17]。2017年雄安新区成立，围绕白洋淀而建，建设定位是中国未来生态与经济协调发展的先进新区，这对白洋淀流域生态环境提出了更高要求。由于其独特的自然条件和社会因素，白洋淀流域对维护华北地区生态环境具有不可替代的作用[18]。
1.2 样地概况和样地布设
白洋淀流域平原地区的河岸林基本都为毛白杨（Populus tomentosa），因此选择毛白杨河岸林为研究对象。于2023年5月18日，在白洋淀流域府河沿岸选择毛白杨人工林布设试验（图1a）。毛白杨行距为4 m，株距为3 m，密度为840株/hm2，林地郁闭度为0.75，林下植被稀少，偶见平车前（Plantago depressa）、艾（Artemisia argyi）、藜（Chenopodium album）等草本植物。林下稀疏生长毛白杨更新幼苗。
1.3 试验设计
所用的生物炭原材料为板栗壳。管式炉（型号KJ-T1200-S80-800S，规格为80 mm × 800 mm）通入高纯氮气30 min，以排净管中的空气。当管式炉温度升到指定温度（500 ℃）时，将装有板栗壳的石英管放入管式炉中进行炭化，炭化停留时间为2 h，自然冷却获得本试验所用生物炭。其表面积15.6 m2/g，容重0.23 g/cm3，pH8.56，全碳485.30 g/kg，全氮4.56 g/kg，全磷0.82 g/kg。
设置3种处理：未添加生物炭的对照（BC0）、添加生物炭3 t/hm2（BC3）、添加生物炭6 t/hm2（BC6）。每种处理3次重复，共设置9个样地，各处理组样地条件基本一致。样地设置在河流和农田之间的林地内（图1b），起始段和末端分别距农田、河流3 ~ 5 m，呈长方形布局，面积为2 m × 10 m。样地土壤为潮土，坡度为25°，坡长28 m。9块样地平行排列，间隔5 m。
在样地内开横沟施加生物炭，横沟长2 m，宽20 cm，深20 cm。每块样地开10条沟，沟与沟之间间距1 m。生物炭沟渠与地表径流方向垂直。在每块样地起始端（靠近农田处）添加氮肥（尿素，含N量为46%），添加带长3 m，宽0.5 m。模拟农业面源氮污染（图2），氮肥按照1 t/hm2，30 m2面积添加，每块样地的总添加量为3 kg。每月添加一次，连续添加4个月（5—8月），每次添加量为0.75 kg。
1.4 样品采集及指标测定
2023年9月中旬，采用五点取样法，清除地表枯枝落叶，采集样地中部0 ~ 20 cm表层土壤，装入塑封袋后放入保温箱中带回实验室。样品分为两部分，一份置于4 ℃冰箱用于土壤化学性质和土壤酶指标的测定；一份置于−80 ℃冰箱用于土壤微生物多样性的测定。
参照鲍士旦[19]提到的方法，进行土壤化学性质和酶的测定。土壤养分指标全氮的测定采用凯氏定氮法（Kjeltec 8400）；用重铬酸钾氧化加热法测定土壤有机质。土壤pH值使用玻璃电极pH计进行测定（水土比5∶1）；铵态氮和硝态氮采用流动分析仪测定（Smartchem 200）。土壤脲酶活性采用苯酚−次氯酸钠法测定，土壤硝酸还原酶活性采用酚二磺酸比色法测定，土壤亚硝酸还原酶活性用格里试剂显色与酶促反应前后NO−2-N变化表征。
1.5 细菌群落结构分析
采用高通量测序分析土壤细菌群落结构，在北京百迈克生物科技有限公司进行测序分析。采用E.Z.N.A. ® Soil DNA Kit提取土壤总DNA，以土壤总DNA为模板，采用341F（5′-ACTCCTACGGGAGGCAGCAG-3′）和806R（5′-GGACTACHVGGGTWTCTAAT-3′）对细菌16S rRNA基因的V3-V4高变区片段进行PCR扩增，扩增后的PCR产物用2%琼脂糖凝胶回收PCR产物，使用 AxyPrep DNA Gel Extraction kit进行纯化，Tris-HCl洗脱，2%琼脂糖电泳检测。利用QuantiFluorTM-ST检测定量，然后根据测序量需求将各样品按相应比例混合，构建Miseq文库，使用Illumina MiSeq平台测序。
1.6 数据处理和分析
采用SPSS26.0进行数据处理和分析，数据由平均值 ± 标准误表示，对土壤化学性质、土壤酶活性进行单因素方差分析和相关性分析。优势菌门与环境因子之间进行相关性热图分析，确定影响土壤细菌群落的关键环境因子。使用R、Origin 2021 软件进行绘图。
2. 结果与分析
2.1 不同处理组毛白杨林地土壤化学性质和酶活性
不同生物炭添加量的毛白杨林地土壤化学性质具有显著性差异（P < 0.05）（表1），其中BC6的土壤养分含量多高于BC3。与对照相比，BC3生物炭添加组全氮（TN）、铵态氮（NH+4-N）、硝态氮（NO−3-N）、有机质（SOM）、有机碳（SOC）分别提高10.39%、46.15%、8.57%、38.03%和 51.23%。BC6生物炭添加组TN、NH+4-N、NO−3-N、SOM、SOC分别提高 26.62%、92.31%、65.00%、78.05%和135.47%。
表 1 生物炭添加量对土壤养分和酶活性的影响Table 1. Effects of biochar addition on soil nutrients and enzyme activities指标 处理 BC0 BC3 BC6 全氮/(g·kg−1) 1.54 ± 0.05c 1.70 ± 0.1b 1.95 ± 0.02a 铵态氮/(mg·kg−1) 0.13 ± 0.04b 0.19 ± 0.03a 0.25 ± 0.07a 硝态氮/(mg·kg−1) 1.40 ± 0.21b 1.52 ± 0.23b 2.31 ± 0.60a 有机质/(g·kg−1) 8.02 ± 0.66c 11.07 ± 1.23b 14.28 ± 1.11a 有机碳/(g·kg−1) 4.06 ± 0.30c 6.14 ± 0.46b 9.56 ± 0.43a pH值 6.63 ± 0.21a 6.61 ± 0.29a 6.72 ± 0.19a 脲酶/(mg·g−1) 0.60 ± 0.03b 0.81 ± 0.06a 0.98 ± 0.07a 硝酸还原酶/(μg·g−1) 2.55 ± 0.64c 4.32 ± 1.01b 5.21 ± 1.35a 亚硝酸还原酶/(mg·g−1) 0.77 ± 0.15b 1.43 ± 0.19a 1.37 ± 0.25a 注：不同处理BC0、BC3、BC6的生物炭添加量分别为0、3、6 t/hm2。不同小写字母表示同一指标不同处理间差异显著（P<0.05）。下同。 不同生物炭添加量的毛白杨林地土壤酶活性具有显著性差异（P < 0.05），BC6生物炭添加组土壤酶活性高于BC3。同对照相比，BC3生物炭添加组脲酶（S-UE）、硝酸还原酶（S-NR）、亚硝酸还原酶（S-NIR）活性分别提高35.00%、69.41%和85.71%。BC6生物炭添加组S-UE、S-NR、S-NIR活性分别提高63.33%、104.31%和77.92%（表1）。
2.2 土壤酶活性与理化因子的相关性分析
表2显示：NO−3-N与NH+4-N、SOC、SOM之间呈现出极其显著正相关（P < 0.001）。TN与NO−3-N、SOC、SOM之间呈现极显著或显著正相关（P < 0.01或P < 0.05）。S-NR与S-NIR呈极其显著正相关（P < 0.001）。S-UE与pH呈极其显著正相关（P < 0.001）。S-NR、S-NIR分别与NH+4-N、NO−3-N、SOC、SOM呈极显著正相关（P < 0.01）。
表 2 土壤酶活性与养分因子相关分析Table 2. Correlation analysis of soil enzyme activity and nutrient factors指标 TN NO−3-N NH+4-N SOC SOM S-NR S-NIR S-UE pH TN 1 0.65** 0.21 0.55* 0.55* 0.41 0.41 0.42 0.42 NO−3-N 1 0.78*** 0.72*** 0.72*** 0.69** 0.69** 0.18 0.18 NH+4-N 1 0.37 0.37 0.60** 0.60** −0.10 −0.10 SOC 1 1.00*** 0.64** 0.64** −0.06 −0.06 SOM 1 0.64** 0.64** −0.06 −0.06 S-NR 1 1.00*** −0.21 −0.21 S-NIR 1 −0.21 −0.21 S-UE 1 1.00*** pH 1 注：*表示相关性在0.05水平显著，**表示相关性在0.01水平极显著，***表示相关性在0.001水平极其显著。TN.全氮；NO−3-N.硝态氮；NH+4-N.氨态氮；SOC.有机碳；SOM.有机质；S-NR.硝酸还原酶；S-NIR.亚硝酸还原酶；S-UE.脲酶。下同。 2.3 生物炭对毛白杨林地土壤细菌群落结构的影响
2.3.1 土壤细菌OTU数量分析
对不同处理组细菌操作性分类单元（operational taxonomic unit，OTU）进行韦恩分析。3个处理9个样品得到812 706个细菌有效序列，对土壤样品序列通过拆分、去冗余后，在97%相似度下进行OTU聚类共得到36 720个细菌OTU，不同处理土壤样品中共有的细菌OTU总数有1 023个。其中BC0处理14 923个OTU，BC3处理12 469个 OTU，BC6处理13 344个 OTU。BC0、BC3、BC6所特有的 OTU 数目分别为12 616、10 130、10 981个，占比分别为 34.36%、27.59%、29.91%。与BC0相比较，2种生物炭添加量都降低了土壤细菌中的OTU数量。
2.3.2 微生物群落α多样性分析
表3显示：土壤样本的覆盖率均在99%以上，且无显著差异（P > 0.05），这表明各组测得的数据都具有代表性，测序结果能够准确反应供试土样真实情况。各处理间Ace、Chao指数、Shannon多样性指数和Simpson多样性指数均无显著性差异（P > 0.05），生物炭添加对土壤细菌的α多样性影响较小。
表 3 不同处理生物覆盖度和多样性指数Table 3. Biological coverage and diversity indices under different treatments处理 Ace Chao指数 Shannon多样性指数 Simpson多样性指数 覆盖度/% BC0 2 802.2 ± 45.62 2 796.4 ± 45.58 10.12 ± 0.04 0.99 ± 0.00 99.96 ± 0.00 BC3 2 093.6 ± 125.69 2 089.1 ± 123.69 9.76 ± 0.39 0.99 ± 0.00 99.97 ± 0.00 BC6 2 587.6 ± 228.70 2 581.2 ± 226.47 10.14 ± 0.02 0.99 ± 0.00 99.96 ± 0.00 注：数值为均值 ± 标准误差。 2.3.3 土壤微生物门水平群落结构组成
在相似性水平97%的条件下，对OTU的代表序列做分类分析，共得到42个门，105纲，314个目，624个科，
1105 个属，1343 个种的土壤细菌（图3）。不同处理下土壤中主要的细菌群落组成相似，但相对丰度却有差异。在门分类水平上，相对丰度前10的细菌门包括变形杆菌门（Proteobacteria）、酸杆菌门（Acidobacteriota）、放线菌门（Actinobacteriota）、未分类菌门、绿弯菌门（Chloroflexi）、拟杆菌门（Bacteroidota）、芽单胞菌门（Gemmatimonadota）、黏球菌门（Myxococcota）、甲基微菌门（Methylomirabilota）、疣微菌门（Verrucomicrobiota）。![]()
图 3 土壤细菌门水平群落结构组成Figure 3. Composition of community structure of soil bacterial phylum level前六大优势菌门的相对丰度占总群落的比重接近80%，各处理变形杆菌门的相对丰度分别为BC6（27.86%） > BC3（27.52%） > BC0（26.76%）；酸杆菌门：BC3（23.84%） > BC0（22.28%） > BC6（21.37%）；放线菌门为BC0（13.09%） > BC3（9.61%） > BC6（8.12%）；未分类菌门为BC6（9.15%） > BC0（6.64%） > BC3（4.86%）；绿弯菌门为BC0（7.06%） > BC3（6.29%） > BC6（5.22%）；拟杆菌门为BC6（7.19%） > BC3（4.84%） > BC0（4.36%）。
总体来看，生物炭添加提高了变形杆菌门、未分类菌门和拟杆菌门的相对丰度；降低了酸杆菌门的相对丰度。变形杆菌门在生物炭添加组的相对丰度占比较高，其中含有大量的反硝化细菌，是影响反硝化效果的重要因素。反硝化作用是土壤中氮素转化与去除的主要方式之一。因此，生物炭添加通过影响土壤主要细菌门的相对丰度（如变形杆菌门），进而影响土壤中氮素的转化与去除。
2.4 环境因子与微生物群落结构相关性
土壤化学性质、酶活性与相对丰度前10的细菌门的相关性分析如图4所示。NO−3-N、NH+4-N、SOC、SOM、S-NR、S-NIR分别与变形杆菌门、拟杆菌门、疣微菌门正相关，其中SOC、SOM、S-NR、S-NIR分别与变形杆菌门、拟杆菌门、疣微菌门显著正相关（P < 0.05），NO−3-N、NH+4-N与变形杆菌门显著正相关（P < 0.05）。
![]()
图 4 土壤细菌群落结构和土壤化学性质相关性分析Figure 4. Correlation analysis of soil bacterial community structure and soil chemical propertiesNO−3-N、NH+4-N、SOC、SOM、S-NR、S-NIR分别与芽单胞菌门、酸杆菌门、绿弯菌门负相关，其中SOC、SOM、S-NR、S-NIR分别与芽单胞菌门、酸杆菌门、绿弯菌门显著负相关（P < 0.05），NO−3-N、NH+4-N与芽单胞菌门显著负相关（P < 0.05），SOC、SOM还与放线菌门显著负相关（P < 0.05）。
可见，SOC、SOM、S-NR、S-NIR是影响土壤微生物群落门水平的主要因子。
3. 讨 论
3.1 生物炭添加对毛白杨林地土壤养分和酶活性的影响
河流和河岸林地联系密切，通过物质循环、能量流动、动植物栖息、洪水和光照等相互作用高度交织在一起[3]。根据流域治理中的“源头减排−过程阻断−末端治理”模式，通过对污染物迁移、转化、扩散过程的拦截和阻断，能够有效减少污染物进入河湖水体[20]。研究[21−22]表明，生物炭对土壤水分和营养元素有较强吸持能力，能提高土壤保水能力，改良土壤质量，减少土壤养分淋失。本研究发现，6 t/hm2（BC6）处理组对氮素的截持能力更强，这可能是因为生物炭能够通过改善土壤结构来增强土壤的持水能力和吸附点位[23]。生物炭富含碳元素，能够提升土壤中的无机碳含量，从而增强土壤的养分保持能力和水分保持能力。此外，它还可以促进林地表面及土壤内部木质素的分解[24]。张晗芝[25]研究发现，生物炭施于土壤中能显著提高土壤碳含量。与对照组相比，6 t/hm2（BC6）处理组林地SOC、SOM分别提高了78.05%、135.47%。生物炭不仅增加了林地土壤有机质含量，还有助于降低土壤压实和侵蚀、增强土壤持水能力，并维持立地生产力[26]。同时，乔木叶片木质素含量高，分解有限[27]，导致微生物可利用碳源不足，生物炭添加使林地土壤碳含量提高，为微生物提供充足的碳源。
微生物群落及其产生的胞外酶在有机质分解和养分循环等过程中扮演着重要的调节角色，能够反映生物炭等土壤添加剂对土壤养分循环的潜在长期影响[28]。与赵蕊蕊等[24]研究结果一致，本研究中生物炭处理组林地土壤酶活性显著高于对照（P < 0.05）。土壤硝酸还原酶能够将硝酸还原成亚硝酸，而亚硝酸还原酶能将亚硝酸还原成氮气，进而影响土壤中氮素的转化与去除。因此，随生物炭添加量增加，毛白杨林地土壤氮循环相关酶活性也随之提高，有助于土壤中氮素被还原成氮气并从土壤中去除。
3.2 生物炭添加对毛白杨林地土壤细菌群落结构的影响
生物炭添加在改变土壤化学性质的同时，也可影响土壤微生物群落结构和多样性[29]。有研究[30]表明，随着稻壳生物炭添加浓度的增加，樟子松（Pinus sylvestris var. mongolica）的细菌群落总数和丰度出现了下降。本研究发现，生物炭添加不同处理的Ace、Chao指数、Shannon多样性指数和Simpson多样性指数均无显著性差异（P > 0.05），生物炭添加对毛白杨林地土壤细菌群落α多样性的影响小。这可能与生物炭添加时间较短有关，有待进一步长期观测研究。本研究中随着生物炭添加浓度的增高，毛白杨林地土壤细菌OTU总数有所下降，且微生物群落结构发生了明显变化。优势门水平上，生物炭添加提高了变形菌门、拟杆菌门的相对丰度；降低了放线菌门的相对丰度。
河岸植被缓冲带的土壤干湿交替频繁，有利于土壤中微生物的生长，也有利于好氧硝化作用和厌氧反硝化作用的进行。在微生物作用下，铵态氮被氧化成亚硝态氮和硝态氮，然后再被反硝化细菌还原成N2或N2O等气体排入空气中，反硝化作用被认为是清除土壤里氮素的最佳途径[31]。变形菌门在反硝化过程中起着主导作用，其相对丰度的多少是影响反硝化效果的重要因素。本研究中，变形菌门在生物炭添加组的相对丰度占比较高。Zhang等[8]研究也发现生物炭的的添加能显著提高系统中的变形杆菌门的比例，强化系统脱氮性能，并通过优化生物炭的添加量，使系统中全氮的最终去除率达67%。与此同时，BC6和BC3的拟杆菌门的相对丰度较高，这是由于该菌门是一种典型的兼性厌氧菌，能适应交替的好氧缺氧环境，将亚硝酸盐还原为NO，有利于高效脱氮[32]。
生物炭比表面积大于土壤，为微生物提供附着表面和栖息环境，从而影响土壤微生物活性和群落结构，进而影响胞外酶的活性[33−34]。本研究中生物炭添加对毛白杨林地土壤养分提高和土壤酶活性增加也具有显著的促进作用，这可能与相关土壤微生物的活性增大和生物量增加有关。相关性分析表明，SOC、SOM、S-NR、S-NIR是影响土壤微生物群落门水平的主要因子，SOC、SOM与S-NR、S-NIR极显著正相关（P < 0.01），这与土壤微生物多为异养有关，生物炭添加会为微生物提供碳源和能量，从而提高了土壤氮循环相关酶活性[34]。
4. 结 论
（1）生物炭添加能够显著提升毛白杨林地土壤对氮素的截留能力以及氮循环相关酶活性。生物炭处理组土壤养分均高于对照，其中6 t/hm2处理效果更好。
（2）高通量测序结果表明，随着生物炭添加量的增大，毛白杨林地土壤细菌OTU总数有所下降，但对土壤细菌多样性影响较小。生物炭添加影响了毛白杨林地土壤优势细菌门的相对丰度，促进了河岸林地氮素的转化与去除。
（3）相关性分析表明，土壤化学性质（SOC、SOM）以及酶活性（S-NR、S-NIR）是影响土壤微生物群落门水平结构的主要因素。
-
![]()
图 2 树高与林分变量的相关性热力图
H. 树高；DBH. 胸径；Hd. 优势木平均高；Dg. 林分平均胸径；N. 每公顷株数；aSDI. 可加林分密度指数；SPR. 物种丰富度；H'. 物种香农指数；D. 物种辛普森指数；DCV. 胸径变异系数；DGC. 胸径基尼系数；BAL. 大于对象木断面积；CI. Hegyi竞争指数；R. 聚集指数；W. 角尺度。下同。
Figure 2. Heat map of correlation between tree height and stand variables
![]()
图 3 树高预测残差图（a）及残差分布直方图（b）
Figure 3. Tree height prediction residual graph (a) and residual distribution histogram (b)
![]()
图 4 对树高−胸径非线性混合效应模型（公式9）随机取样估计随机效应参数的评价结果
Figure 4. Evaluation results of random sampling estimation of random effect parameters for nonlinear mixed effects model of tree height-DBH (formula 9)
![]()
图 5 固定BAL用公式（8）模拟树高−胸径曲线
Figure 5. Simulating tree height-DBH curves using formula (8) for fixed BAL
![]()
图 6 固定Hd用公式（8）模拟树高−胸径曲线
Figure 6. Using formula (8) to simulate tree height-DBH curves with fixed Hd
表 1 调查样地概况
Table 1 Overview of the survey sample plots
样地号 经度 纬度 海拔/m 坡度/(°) 坡向 平均胸
径/cm起源 林龄/a 树种组成 Plot-1 101°27′53″E 24°46′38″N 1 933.0 10.0 东南 10.8 飞播 25 10云南松 Pinus yunnanensis + 西南木荷Schima wallichii Plot-2 101°27′51″E 24°46′53″N 1 976.7 1.0 东南 13.5 飞播 25 10云南松Pinus yunnanensis + 黄毛青冈Quercus delavayi Plot-3 101°27′53″E 24°46′45″N 1 943.2 9.9 西 10.7 飞播 25 8云南松Pinus yunnanensis + 2黄毛青冈Quercus delavayi Plot-4 101°27′56″E 24°45′19″N 2 077.2 12.0 西 12.3 飞播 25 10云南松Pinus yunnanensis-黄毛青冈Quercus delavayi Plot-5 101°27′53″E 24°45′31″N 2 060.7 2.5 东北 18.3 飞播 25 10云南松Pinus yunnanensis + 黄毛青冈Quercus delavayi Plot-6 101°27′48″E 24°45′38″N 2 021.3 3.0 东南 16.6 飞播 25 9云南松Pinus yunnanensis + 1黄毛青冈Quercus delavayi Plot-7 101°27′49″E 24°44′27″N 2 224.9 13.0 西北 14.3 飞播 35 5云南松 Pinus yunnanensis + 3黄毛青冈Quercus delavayi +
1滇青冈Quercus schottkyana + 1云南油杉
Keteleeria evelynianaPlot-8 101°28′14″E 24°44′55″N 2 161.5 8.0 东 18.6 飞播 35 8云南松Pinus yunnanensis + 1黄毛青冈Quercus delavayi +
1云南油杉Keteleeria evelyniana + 尼泊尔桤木
Alnus nepalensis-锥连栎Quercus franchetii-槲栎Q. alienaPlot-9 101°28′05″E 24°46′18″N 1 850.0 2.0 西南 16.2 飞播 35 9云南松Pinus yunnanensis + 1黄毛青冈Quercus delavayi-
云南油杉Keteleeria evelyniana
下载: 导出CSV
表 2 调查样地数据统计
Table 2 Statistics of survey sample plot data
变量 平均值 标准差 最小值 最大值 树高(H)/m 9.4 3.2 2 16.4 胸径(D)/cm 12.6 5.6 5 33.8 优势木平均高(Hd )/m 13.7 1.3 11 15.9 林分平均胸径(Dg) /cm 13.5 2.8 10.7 18.6 每公顷株数(N)/(株·hm−2) 1 821 778 784 3 000 可加林分密度指数(aSDI) /(株·hm−2) 836 163 553 1 055 物种丰富度(SPR) 4 2 2 7 物种香农指数(H') 0.53 0.36 0.14 1.47 物种辛普森指数(DSim) 0.28 0.19 0.06 0.75 胸径变异系数(DCV) 0.38 0.04 0.33 0.46 胸径基尼系数(DGC) 0.39 0.03 0.33 0.46 大于对象木断面积(BAL)/(m2·hm−2) 15.83 7.14 0 29.41 Hegyi竞争指数(CI) 3.61 5.00 0.41 107.47 聚集指数(R) 0.99 0.08 0.84 1.09 角尺度(W) 0.51 0.02 0.47 0.56
下载: 导出CSV
表 3 树高−胸径基础模型
Table 3 Basic models of tree height-DBH
编号 模型名称 公式 文献来源 M1 Power H=1.3+aDb [39] M2 Wykoff H=1.3+e(a+bD+1) [40] M3 Bates and Watts H=1.3+aDb+D [41] M4 Naslund H=1.3+D2(a+bD)2 [42] M5 Schumacher H=1.3+ae(−bD) [43] M6 Ratkowsky H=1.3+ae(−bc+D) [44] M7 Logistic H=1.3+a1+be(−cD) [45] M8 Weibull H=1.3+a(1−e(−bDc)) [46] M9 Chapman-Richards H=1.3+a(1−e(−cD))b [47] M10 Gompertz H=1.3+ae(−be(−cD)) [45] M11 Hossfeld Ⅳ H=1.3+a1+bD−c [48] M12 Korf H=1.3+ae(−bD−c) [49] 注：a、b、c为模型待估参数。
下载: 导出CSV
表 4 用于扩展树高−胸径模型的备选林分变量
Table 4 Candidate stand variables for expanding tree height-DBH model
变量 公式 备注 参考文献 林分密度和
竞争每公顷株数(N) N=10 000A×n n是样地内样木株数，Di为第i株样木的胸径(cm)，A为样地面积(m2) 可加林分密度指数
(aSDI)/(株·hm−2)aSDI=10 000A∑ni=1(Di20)1.605 [50] 大于对象木断面积
(BAL)/(m2·hm−2)BAL=10 000A∑ki=1BAi k是大于对象木的数量，BAi是第i株样木的断面积(m2/hm2)，A为样地面积(m2) [51] Hegyi竞争指数(CIi) CIi=∑aj=1DjDi1dij a为竞争木株数，Di为对象木的胸径(cm)，Dj第j株竞争木的胸径(cm)，dij为对象木i与竞争木j的距离(m) [52] 立地质量 优势木平均高(Hd)/m Hd=1x∑xi=1Hi x是计算优势平均高的样木株数，Hi是第i株样木的树高(m) [53] 林分结构 物种丰富度(SPR) SPR=S S是样地内物种数，Pi是物种i的个体数占样地内总个体数的比例 [54] 物种香农指数(H′) H′=−∑si=1Piln(Pi) 物种辛普森指数(D) D=1−∑Si=1P2i 胸径变异系数(DCV) DCV=S¯D ¯D为胸径平均值(cm)，S为胸径标准差 [55] 胸径基尼系数(DGC) DGC=∑nj=1(2j−n−1)BAj∑nj=1(n−1)BAj n为样地内样木株数，j是每株样木从1到n的排序，BAj是第j个排序的断面积(m2/hm2) [56] 聚集指数(R) R=1n∑ni=1ri12√An n为样地内样木株数，A为样地面积(m2)，ri为第i株样木到其最邻近木的距离(m) [57] 角尺度(W) W=1n∑ni1m∑mj=1zij n为样地内样木株数，m为相邻木的株数，zij为离散变量，当第i株样木的第j个α角小于标准角α0 (72°) 时zij = 1，反之zij = 0 [58] 其他林分变量 林分平均胸径(Dg)/cm Dg=√1n∑nk=1D2k n为样地内样木株数，Dk为第k株样木的胸径(cm) [52]
下载: 导出CSV
表 5 Schumacher模型、公式（8）和公式（9）拟合性能和留一交叉验证结果
Table 5 Fitting performance and leave-one-out cross-validation results of Schumacher model, formula (8) and (9)
模型 模型拟合性能(所有数据) 留一交叉验证 R2adj RMSE/m RRMSE/% MAE/m MAPE/% RMSE/m RRMSE/% MAE/m MAPE/% Schumacher模型 0.56 2.04 21.42 1.64 20.67 2.09 (± 0.59) 22.79 (± 10.33) 1.74 (± 0.52) 21.95 (± 12.01) 公式(8) 0.72 1.61 16.88 1.29 16.08 1.65 (± 0.24) 17.56 (± 4.84) 1.34 (± 0.20) 16.52 (± 5.30) 公式(9) 0.74 1.57 16.48 1.26 15.73 1.65 (± 0.20) 17.53 (± 4.66) 1.33 (± 0.17) 16.26 (± 5.08) 注：括号内的值为留一交叉验证RMSE、RRMSE、MAE和MAPE的标准差。
下载: 导出CSV
表 6 树高−胸径广义非线性模型与非线性混合效应模型的参数和随机效应方差估计
Table 6 Parameters of generalized nonlinear model and nonlinear mixed effects model for tree height-DBH and random effect variance estimation
类型 参数估计 公式(8) 公式(9) 固定效应参数 a0 −5.110 4*** (1.013 8) −5.423 2*** (1.283 9) a1 1.363 1*** (0.067 7) 1.371 6*** (0.090 5) b0 4.156 2*** (0.612 2) 3.524 1** (0.948 2) b1 2.892 1*** (0.286 5) 2.719 2*** (0.294 1) b2 0.060 1** (0.019 5) 0.101 8*** (0.031 2) 方差参数 σ2u 0.001 1 σ2 2.586 5 2.483 7 评价指标 AIC 2 965.78 2 953.12 BIC 2 993.74 2 985.73 RMSE/m 1.61 1.57 注：**表示在P < 0.0l水平显著，***表示在P < 0.001水平显著；σ2u为混合效应模型随机效应μ的方差，σ2为残差方差。括号内的值为参数估计的标准误。
下载: 导出CSV
-
[1] McDill M E, Amateis R L. Measuring forest site quality using the parameters of a dimensionally compatible height growth function[J]. Forest Science, 1992, 38(2): 409−429. doi: 10.1093/forestscience/38.2.409
[2] Stout B B, Shumway D L. Site quality estimation using height and diameter[J]. Forest Science, 1982, 28(3): 639−645.
[3] Sullivan M J P, Lewis S L, Hubau W, et al. Field methods for sampling tree height for tropical forest biomass estimation[J]. Methods in Ecology and Evolution, 2018, 9(5): 1179−1189. doi: 10.1111/2041-210X.12962
[4] Rutishauser E, Noor’an F, Laumonier Y, et al. Generic allometric models including height best estimate forest biomass and carbon stocks in Indonesia[J]. Forest Ecology and Management, 2013, 307: 219−225. doi: 10.1016/j.foreco.2013.07.013
[5] 郭泽鑫, 胡中岳, 曹聪, 等. 广东主要森林类型林分生物量和碳储量模型研建[J]. 林业科学, 2023, 59(12): 37−50. doi: 10.11707/j.1001-7488.LYKX20230039 Guo Z X, Hu Z Y, Cao C, et al. Stand-level models of biomass and carbon stock for major forest types in Guangdong[J]. Scientia Silvae Sinicae, 2023, 59(12): 37−50. doi: 10.11707/j.1001-7488.LYKX20230039
[6] Stovall A E L, Shugart H, Yang X. Tree height explains mortality risk during an intense drought[J]. Nature Communications, 2019, 10(1): 4385. doi: 10.1038/s41467-019-12380-6
[7] Sharma R P, Vacek Z, Vacek S, et al. A nonlinear mixed-effects height-to-diameter ratio model for several tree species based on Czech national forest inventory data[J]. Forests, 2019, 10(1): 70. doi: 10.3390/f10010070
[8] 樊伟, 许崇华, 崔珺, 等. 基于混合效应的大别山地区杉木树高−胸径模型比较[J]. 应用生态学报, 2017, 28(9): 2831−2839. Fan W, Xu C H, Cui J, et al. Comparisons of height-diameter models of Chinese fir based on mixed effect in Dabie Mountain area, China[J]. Chinese Journal of Applied Ecology, 2017, 28(9): 2831−2839.
[9] 王宝莹, 梁瑞婷, 谢运鸿, 等. 基于非线性分位数混合效应构建杉木树高曲线模型[J]. 北京林业大学学报, 2023, 45(11): 33−41. doi: 10.12171/j.1000-1522.20220496 Wang B Y, Liang R T, Xie Y H, et al. Construction of Cunninghamia lanceolata tree height curve model based on nonlinear quantile mixed effect[J]. Journal of Beijing Forestry University, 2023, 45(11): 33−41. doi: 10.12171/j.1000-1522.20220496
[10] Curtis R O. Height-diameter and height-diameter-age equations for second-growth Douglas-fir[J]. Forest Science, 1967, 13(4): 365−375.
[11] 赵俊卉, 亢新刚, 张慧东, 等. 长白山3个主要针叶树种的标准树高曲线[J]. 林业科学, 2010, 46(10): 191−194. doi: 10.11707/j.1001-7488.20101032 Zhao J H, Kang X G, Zhang H D, et al. Generalized height-diameter models for three main coniferous trees species in Changbai Mountain[J]. Scientia Silvae Sinicae, 2010, 46(10): 191−194. doi: 10.11707/j.1001-7488.20101032
[12] Fortin M, van Couwenberghe R, Perez V, et al. Evidence of climate effects on the height-diameter relationships of tree species[J]. Annals of Forest Science, 2019, 76(1): 1−20. doi: 10.1007/s13595-018-0784-9
[13] 杜志, 陈振雄, 李锐, 等. 气候敏感的杉木树高−胸径非线性混合效应模型研建[J]. 北京林业大学学报, 2023, 45(9): 52−61. doi: 10.12171/j.1000-1522.20230052 Du Z, Chen Z X, Li R, et al. Development of climate-sensitive nonlinear mixed-effects tree height-DBH model for Cunninghamia lanceolata[J]. Journal of Beijing Forestry University, 2023, 45(9): 52−61. doi: 10.12171/j.1000-1522.20230052
[14] 段光爽, 李学东, 冯岩, 等. 华北落叶松天然次生林树高曲线的混合效应模型[J]. 南京林业大学学报(自然科学版), 2018, 42(2): 163−169. Duan G S, Li X D, Feng Y, et al. Developing a height-diameter relationship model with mixed random effects for Larix principis-rupprechtii natural secondary forests[J]. Journal of Nanjing Forestry University (Natural Science Edition), 2018, 42(2): 163−169.
[15] Ciceu A, Garcia-Duro J, Seceleanu I, et al. A generalized nonlinear mixed-effects height-diameter model for Norway spruce in mixed-uneven aged stands[J]. Forest Ecology and Management, 2020, 477: 118507. doi: 10.1016/j.foreco.2020.118507
[16] Feng Y, Chai Y, Qin Y P, et al. Plant functional traits and tree size inequality improved individual tree height prediction of mid-montane humid evergreen broad-leaved forests in southwest China[J]. Forest Ecology and Management, 2024, 551: 121526. doi: 10.1016/j.foreco.2023.121526
[17] 沈剑波, 雷相东, 李玉堂, 等. 基于BP神经网络的长白落叶松人工林林分平均高预测[J]. 南京林业大学学报(自然科学版), 2018, 42(2): 147−154. Shen J B, Lei X D, Li Y T, et al. Prediction mean height for Larix olgensis plantation based on Bayesian-regularization BP neural network[J]. Journal of Nanjing Forestry University (Natural Science Edition), 2018, 42(2): 147−154.
[18] 董云飞, 孙玉军, 王轶夫, 等. 基于BP神经网络的杉木标准树高曲线[J]. 东北林业大学学报, 2014, 42(7): 154−156, 165. Dong Y F, Sun Y J, Wang Y F, et al. Generalized height-diameter model for Chinese fir based on BP neural network [J]. Journal of Northeast Forestry University, 2014, 42(7): 154−156, 165.
[19] Skudnik M, Jevšenak J. Artificial neural networks as an alternative method to nonlinear mixed-effects models for tree height predictions[J]. Forest Ecology and Management, 2022, 507: 120017. doi: 10.1016/j.foreco.2022.120017
[20] Ogana F N, Ercanli I. Modelling height-diameter relationships in complex tropical rain forest ecosystems using deep learning algorithm[J]. Journal of Forestry Research, 2022, 33(3): 883−898. doi: 10.1007/s11676-021-01373-1
[21] 邓祥鹏, 许芳泽, 赵善超, 等. 基于贝叶斯法的新疆天山云杉树高−胸径模型研究[J]. 北京林业大学学报, 2023, 45(1): 11−20. doi: 10.12171/j.1000-1522.20220318 Deng X P, Xu F Z, Zhao S C, et al. Tree height-DBH model for Picea schrenkiana in Tianshan Mountain, Xinjiang of northwestern China based on Bayesian method[J]. Journal of Beijing Forestry University, 2023, 45(1): 11−20. doi: 10.12171/j.1000-1522.20220318
[22] Zhang X, Duan A, Zhang J, et al. Estimating tree height-diameter models with the Bayesian method[J]. The Scientific World Journal, 2014, 2014: 1−9.
[23] Adamec Z, Drápela K. Generalized additive models as an alternative approach to the modelling of the tree height-diameter relationship[J]. Journal of Forest Science, 2015, 61(6): 235−243. doi: 10.17221/14/2015-JFS
[24] 董灵波, 邵威威, 田栋元, 等. 基于林木分级的大兴安岭天然兴安落叶松树高曲线研究[J]. 北京林业大学学报, 2023, 45(5): 88−96. doi: 10.12171/j.1000-1522.20210513 Dong L B, Shao W W, Tian D Y, et al. Height curve of natural Larix gmelinii in the Daxing’anling Mountains of northeastern China based on forest classification[J]. Journal of Beijing Forestry University, 2023, 45(5): 88−96. doi: 10.12171/j.1000-1522.20210513
[25] Zhang B, Sajjad S, Chen K, et al. Predicting tree height-diameter relationship from relative competition levels using quantile regression models for Chinese fir (Cunninghamia lanceolata) in Fujian Province, China[J]. Forests, 2020, 11(2): 183. doi: 10.3390/f11020183
[26] 夏洪涛, 郭晓斌, 张珍, 等. 基于不同立地质量评价指标的杉木大径材林分树高−胸径模型[J]. 中南林业科技大学学报, 2023, 43(10): 80−88. Xia H T, Guo X B, Zhang Z, et al. Height-diameter model of Cunninghamia lanceolata large-diameter stands based on various site quality evaluation index[J]. Journal of Central South University of Forestry & Technology, 2023, 43(10): 80−88.
[27] Zhang X, Chhin S, Fu L, et al. Climate-sensitive tree height–diameter allometry for Chinese fir in southern China[J]. Forestry: An International Journal of Forest Research, 2019, 92(2): 167−176. doi: 10.1093/forestry/cpy043
[28] Miranda E N, Barbosa B H G, Silva S H G, et al. Variable selection for estimating individual tree height using genetic algorithm and random forest[J]. Forest Ecology and Management, 2022, 504: 119828. doi: 10.1016/j.foreco.2021.119828
[29] 张鹏, 何怀江, 范春雨, 等. 吉林蛟河针阔混交林主要树种树高−胸径模型[J]. 林业科学研究, 2018, 31(2): 11−18. Zhang P, He H J, Fan C Y, et al. Height-diameter models of main tree species in broadleaf-conifer mixed forest in Jiaohe, Jilin, China[J]. Forest Research, 2018, 31(2): 11−18.
[30] Xu Q, Lei X, Zang H, et al. Climate change effects on height–diameter allometric relationship vary with tree species and size for larch plantations in northern and northeastern China[J]. Forests, 2022, 13(3): 468. doi: 10.3390/f13030468
[31] 王丽娜, 吴俊文, 董琼, 等. 抚育间伐对云南松非结构性碳和化学计量特征的影响[J]. 北京林业大学学报, 2021, 43(8): 70−82. doi: 10.12171/j.1000-1522.20210115 Wang L N, Wu J W, Dong Q, et al. Effects of tending and thinning on non-structural carbon and stoichiometric characteristics of Pinus yunnanensis[J]. Journal of Beijing Forestry University, 2021, 43(8): 70−82. doi: 10.12171/j.1000-1522.20210115
[32] 廖声熙. 滇中云南松林景观格局、林分结构及近自然经营模式研究[D]. 北京: 中国林业科学研究院, 2008. Liao S X. Studies on the landscape pattern, stand structure and near nature management model of Pinus yunnanensis in central Yunnan, China[D]. Beijing: Chinese Academy of Forestry, 2008.
[33] 蒋艳, 李任波, 李玻. 云南松树高−胸径生长关系模型[J]. 内蒙古林业调查设计, 2010, 33(1): 57−59. doi: 10.3969/j.issn.1006-6993.2010.01.026 Jiang Y, Li R B, Li B. Height-diameter growth relationship model of Pinus yunnanensis[J]. Inner Mongolia Forestry Investigation and Design, 2010, 33(1): 57−59. doi: 10.3969/j.issn.1006-6993.2010.01.026
[34] 罗恒春, 张超, 魏安超, 等. 云南松林分平均高生长模型及模型参数环境解释[J]. 北京林业大学学报, 2018, 40(4): 67−75. Luo H C, Zhang C, Wei A C, et al. Stand average height growth model and environmental interpretation in model parameter of Pinus yunnanensis[J]. Journal of Beijing Forestry University, 2018, 40(4): 67−75.
[35] 覃阳平, 李华, 李永亮, 等. 云南省主要针叶树种树高曲线模型研建[J]. 林业资源管理, 2019, 8(4): 46−51. Qin Y P, Li H, Li Y L, et al. Developing models for tree height curves of main conifer species in Yunnan Province[J]. Forest Resources Management, 2019, 8(4): 46−51.
[36] 路文燕, 董灵波, 田园, 等. 基于树种组成的大兴安岭天然林主要树种树高−胸径曲线研究[J]. 南京林业大学学报(自然科学版), 2023, 47(4): 157−165. Lu W Y, Dong L B, Tian Y, et al. Modelling height-diameter curves of main species for natural forests based on species composition in Greater Khingan Mountains, northeast China[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2023, 47(4): 157−165.
[37] Akaike H. A new look at the statistical model identification[J]. IEEE Transactions on Automatic Control, 1974, 19(6): 716−723. doi: 10.1109/TAC.1974.1100705
[38] Schwarz G. Estimating the dimension of a model[J]. The Annals of Statistics, 1978, 6(2): 461−464.
[39] Stage A R. Prediction of height increment for models of forest growth[M]. Ogden: Intermountain Forest and Range Experiment Station, Forest Service, US Department of Agriculture, 1975: 164.
[40] Wykoff W. User’s guide to the stand prognosis model[M]. Ogden: Intermountain Forest and Range Experiment Station, Forest Service, US Department of Agriculture, 1982: 133.
[41] Bates D M, Watts D G. Relative curvature measures of nonlinearity[J]. Journal of the Royal Statistical Society: Series B (Methodological), 1980, 42(1): 1−16. doi: 10.1111/j.2517-6161.1980.tb01094.x
[42] Näslund M. Skogsförsöksanstaltens gallringsförsök i tallskog[M]. Stockholm: Meddelanden Från Statens Skogsförsöksanstalt, 1936.
[43] Schumacher F X. A new growth curve and its application to timber yield studies[J]. Journal of Forestry, 1939, 37(11): 819−820.
[44] Ratkowsky D A. Handbook of non-linear regression models[M]. New York: Marcel Dekker, 1990.
[45] Winsor C P. The Gompertz curve as a growth curve[J]. Proceedings of the National Academy of Sciences, 1932, 18(1): 1−8. doi: 10.1073/pnas.18.1.1
[46] Yang R C, Kozak A, Smith J H G. The potential of Weibull-type functions as flexible growth curves[J]. Canadian Journal of Forest Research, 1978, 8(4): 424−431. doi: 10.1139/x78-062
[47] Richards F J. A flexible growth function for empirical use[J]. Journal of Experimental Botany, 1959, 10(2): 290−301. doi: 10.1093/jxb/10.2.290
[48] Peschel W. Mathematical methods for growth studies of trees and forest stands and the results of their application[J]. Tharandter Forstliches Jahrburch, 1938, 89: 169−247.
[49] Lundqvist B. On the height growth in cultivated stands of pine and spruce in northern Sweden[J]. Medd Fran Statens Skogforsk, 1957, 47(2): 1−64.
[50] Long J N, Daniel T W. Assessment of growing stock in uneven-aged stands[J]. Western Journal of Applied Forestry, 1990, 5(3): 93−96. doi: 10.1093/wjaf/5.3.93
[51] Huang S, Wiens D P, Yang Y, et al. Assessing the impacts of species composition, top height and density on individual tree height prediction of quaking aspen in boreal mixedwoods[J]. Forest Ecology and Management, 2009, 258(7): 1235−1247. doi: 10.1016/j.foreco.2009.06.017
[52] 孟宪宇. 测树学[M]. 3版. 北京: 中国林业出版社, 2006: 43−59. Meng X Y. Forest mensuration[M]. 3rd ed. Beijing: China Forestry Publishing House, 2006: 43−59.
[53] Ouzennou H, Pothier D, Raulier F. Adjustment of the age-height relationship for uneven-aged black spruce stands[J]. Canadian Journal of Forest Research, 2008, 38(7): 2003−2012. doi: 10.1139/X08-044
[54] 张金屯. 数量生态学[M]. 3版. 北京: 科学出版社, 2018: 106−112. Zhang J T. Numerical ecology[M]. 3rd ed. Beijing: Science Press, 2018: 106−112.
[55] Ouyang S, Xiang W H, Wang X P, et al. Effects of stand age, richness and density on productivity in subtropical forests in China[J]. Journal of Ecology, 2019, 107(5): 2266−2277. doi: 10.1111/1365-2745.13194
[56] Lexerød N L, Eid T. An evaluation of different diameter diversity indices based on criteria related to forest management planning[J]. Forest Ecology and Management, 2006, 222(1−3): 17−28. doi: 10.1016/j.foreco.2005.10.046
[57] Clark P J, Evans F C. Distance to nearest neighbor as a measure of spatial relationships in populations[J]. Ecology, 1954, 35(4): 445−453. doi: 10.2307/1931034
[58] 惠刚盈. 角尺度: 一个描述林木个体分布格局的结构参数[J]. 林业科学, 1999, 35(1): 39−44. Hui G Y. The neighbourhood pattern-a new structure parameter for describing distribution of forest tree position[J]. Scientia Silvae Sinicae, 1999, 35(1): 39−44.
[59] Lindstrom M J, Bates D M. Nonlinear mixed effects models for repeated measures data[J]. Biometrics, 1990, 46(3): 673. doi: 10.2307/2532087
[60] Meng S X, Huang S. Improved calibration of nonlinear mixed-effects models demonstrated on a height growth function[J]. Forest Science, 2009, 55(3): 238−248. doi: 10.1093/forestscience/55.3.238
[61] Calama R, Montero G. Multilevel linear mixed model for tree diameter increment in stone pine (Pinus pinea): a calibrating approach[J]. Silva Fennica, 2005, 39(1): 37−54.
[62] Crecente-Campo F, Tomé M, Soares P, et al. A generalized nonlinear mixed-effects height-diameter model for Eucalyptus globulus L. in northwestern Spain[J]. Forest Ecology and Management, 2010, 259(5): 943−952. doi: 10.1016/j.foreco.2009.11.036
[63] Ogana F N, Gorgoso-Varela J J. A nonlinear mixed-effects tree height prediction model: Application to Pinus pinaster Ait in Northwest Spain[J]. Trees, Forests and People, 2020, 1: 100003. doi: 10.1016/j.tfp.2020.100003
[64] Pinheiro J, Bates D, DebRoy S, et al. Nlme: linear and nonlinear mixed effects models[EB/OL]. (2023−11−27) [2024−04−08]. https://cran.r-project.org/web/packages/nlme/index.html.
[65] Hunter J D. Matplotlib: a 2D graphics environment[J]. Computing in Science & Engineering, 2007, 9(3): 90−95.
[66] 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 Beijng Forestry University, 2016, 38(6): 8−16.
[67] Sharma R P, Vacek Z, Vacek S, et al. Modelling individual tree height-diameter relationships for multi-layered and multi-species forests in central Europe[J]. Trees, 2019, 33(1): 103−119. doi: 10.1007/s00468-018-1762-4
[68] Fu L, Sharma R P, Hao K, et al. A generalized interregional nonlinear mixed-effects crown width model for Prince Rupprecht larch in northern China[J]. Forest Ecology and Management, 2017, 389: 364−373. doi: 10.1016/j.foreco.2016.12.034
[69] Patrício M S, Dias C R G, Nunes L. Mixed-effects generalized height-diameter model: a tool for forestry management of young sweet chestnut stands[J]. Forest Ecology and Management, 2022, 514: 120209. doi: 10.1016/j.foreco.2022.120209
[70] 杨惠滨, 国庆喜. 地形与竞争因子对红松胸径与年龄关系的影响[J]. 生态学报, 2016, 36(20): 6487−6495. Yang H B, Guo Q X. Influence of topography and competitive factors on the relationship between DBH and of Korean pine[J]. Acta Ecologica Sinica, 2016, 36(20): 6487−6495.
[71] 李春明. 基于Cox比例风险函数及混合效应的落叶松云冷杉混交林林木枯损模型研究[J]. 林业科学研究, 2020, 33(3): 92−98. Li C M. Mortality model of Larix olgensis-Abies nephrolepis-Picea Jazoensis mixed stands based on cox proportional hazard function and mixed effect model[J]. Forest Research, 2020, 33(3): 92−98.
计量
- 文章访问数: 170
- HTML全文浏览量: 33
- PDF下载量: 22
