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

基于混合效应的杂种落叶松人工幼龄林单木枯损模型

王涛 董利虎 李凤日

引用本文:
Citation:

基于混合效应的杂种落叶松人工幼龄林单木枯损模型

    作者简介: 王涛,博士生。主要研究方向:林分生长模型。Email:568716463@qq.com.cn 地址:150040黑龙江省哈尔滨市香坊区和兴路26号东北林业大学林学院。.
    通讯作者: 李凤日, fengrili@126.com
  • 基金项目:

    “十二五”国家科技支撑计划课题(2015BAD09B01)。

Individual tree mortality model for hybrid larch young plantations based on mixed effects

    Corresponding author: Li Fengri, fengrili@126.com
  • 摘要: 【目的】 利用固定间隔期复测数据,运用不同方法建立杂种落叶松人工幼龄林单木枯损模型,为确定杂种落叶松合理的经营措施和推广应用提供依据。【方法】 基于2003—2015年黑龙江省江山娇实验林场48块样地的复测数据,通过Logistic模型,利用全子集法和最大似然估计构建杂种落叶松单木枯损模型。使用列联表分析和分类率--阈值散点图,确定枯损模型预估时的最佳阈值。引入随机参数,构建样地水平广义线性混合模型。模型估计方法为自适应积分最大似然估计,模型筛选指标为Akaike信息标准(AIC)、贝叶斯信息标准(BIC)以及-2倍对数似然值。通过计算绝对平均偏差(Bias),绘制ROC曲线以及模型预估枯损率与实际枯损率直方图对两种模型的预测结果进行评价比较。【结果】 包含单木(林木胸径,DBH;胸径平方,DBH2)、林分(林分断面积,BA)、竞争(大于对象木树木断面积之和变形,BALD)3个水平变量组合的单木枯损模型拟合效果最佳。杂种落叶松枯损主要发生在小径阶且相对竞争较大时。单木枯损概率随DBH增加逐渐减小,随BALD、BA增加而逐渐增加。最佳阈值有效提高了模型预估效果,方差--协方差结构为无结构矩阵(UN)时,四参数混合模型的拟合结果最佳,其预估的林分枯损率更接近实际林分枯损率。【结论】 混合模型能够更有效地描述和预估杂种落叶松的单木枯损。阈值分析是提高二分类模型预测准确性的有效方法。杂种落叶松作为速生树种,幼龄时期应适时进行抚育间伐以减少枯损发生的概率。
  • [1] Du J S. Tree mortality model of Larix[J]. Scientia Silvae Sinicae, 1999, 35(2): 45-49.
    [2] Lee Y. Predicting mortality for even-aged stands of lodgepole pine [J]. Forestry Chronicle, 1971, 47(1): 29-32.
    [3] Monserud R A. Simulation of forest tree mortality [J]. Forest Science, 1976, 22(4): 438-444.
    [4] Xiang W, Lei X D, Liu G, et al. Individual tree mortality models for semi-natural larch-spruce-fir forests in Jilin Province,northeastern China[J]. Journal of Beijing Forestry University, 2008, 30(6): 90-98.
    [5] Dobbertin M, Biging G S. Using the non-parametric classifier CART to model forest tree mortality [J]. Forest Science, 1998, 44(4): 507-516.
    [6] Wang J C, Guo Z G. Logistic regression models: methods and application[M]. Beijing:Higher Education Press, 2001.
    [7] Lutz J A, Halpern C B.Tree mortality during early forest development: a long-term study of rates, causes, and consequences [J]. Ecological Monographs, 2006, 76(2): 257-275.
    [8] Jiang L C, Li F R. Application of mixed effects models in forestry modeling [M]. Beijing:Science Press, 2014.
    [9] Wang T, Dong L H, Li F R. Mortality of stand trees for hybrid larch young plantation in Heilongjiang [J]. Journal of Northeast Forestry University, 2017, 45(5): 39-43.
    [10] Yang Y, Titus S J, Huang S. Modeling individual tree mortality for white spruce in Alberta [J]. Ecological Modelling, 2003, 163(3): 209-222.
    [11] Zu X F, Ni C C, Gorden N, et al. Based on mixed-effects model and empirical best linear unbiased predictor to predict growth profile of dominant height [J]. Scientia Silvae Sinicae, 2015, 51(3): 25-33.
    [12] Monserud R A, Sterba H. Modeling individual tree mortality for Austrian forest species [J]. Forest Ecology Management, 1999, 113(2-3): 109-123.
    [13] Zhang H G, Zhang C L, Lan S B, et al. The analysis and selection for families of hybrid larch [J]. Journal of Nanjing Forestry University(Natural Sciences Edition), 2005, 29(3): 69-72.
    [14] 杜纪山. 落叶松林木枯损模型 [J]. 林业科学, 1999, 35(2): 45-49.
    [15] Weiskittel A R, Hann D W, Kershaw J A J, et al. Forest growth and yield modeling[J]. Forest Growth Yield Modeling, 2002, 7(2): 223-233.
    [16] Yang S W, Jin Y G, Zhang S Y, et al. Research on larch hybrid vigor [J]. Journal of Northeast Forestry University, 1985, 13(1): 30-36.
    [17] Das A J. Quantifying tree mortality risk and spatial pattern in a temperate conifer forest [D]. Reston: Dissertations Theses-Gradworks, 2007.
    [18] Yao X H, Titus S J, Macdonald S E. A generalized logistic model of individual tree mortality for aspen, white spruce, and lodgepole pine in Alberta mixedwood forests [J]. Canadian Journal of Forest Research, 2001, 31(2): 283-291.
    [19] Eid T, Tuhus E. Models for individual tree mortality in Norway [J]. Forest Ecology Management, 2001, 154(1-2): 69-84.
    [20] Temesgen H, Mitchell S J. An individual-tree mortality model for complex stands of southeastern British Columbia [J]. Western Journal of Applied Forestry, 2005, 20(2): 101-109.
    [21] Adame P, Río M D, Cañellas I. Modeling individual-tree mortality in Pyrenean oak (Quercus pyrenaica Willd.) stands [J]. Annals of Forest Science, 2010, 67(8): 810.
    [22] Holzwarth F, Kahl A, Bauhus J, et al. Many ways to die-partitioning tree mortality dynamics in a near-natural mixed deciduous forest [J]. Journal of Ecology, 2013, 101(1): 220-230.
    [23] 向玮,雷相东,刘刚,等.近天然落叶松云冷杉林单木枯损模型研究 [J].北京林业大学学报, 2008, 30(6): 90-98.
    [24] Hamilton D A. Extending the range of applicability of an individual tree mortality model [J]. Canadian Journal of Forest Research, 1990, 20(8): 1212-1218.
    [25] Misir M, Misir N, Yavuz H. Modeling individual tree mortality for crimean pine plantations [J]. Journal of Environmental Biology, 2007, 28(2): 167-172.
    [26] Hamilton D A, Edwards B M. Modeling the probability of individual tree mortality [Stand development][D]. Ogden: Usda Forest Service Research Paper Int,1976.
    [27] 王济川,郭志刚.Logistic回归模型:方法与应用[M].北京:高等教育出版社, 2001.
    [28] King S L, Bennett K P, List S. Modeling noncatastrophic individual tree mortality using logistic regression, neural networks, and support vector methods [J]. Computers Electronics in Agriculture, 2000, 27(1-3): 401-406.
    [29] Ma Z H, Peng C, Li W Z, et al. Modeling individual tree mortality rates using marginal and margianl and random effects regression modes [J]. Natural Resource Modeling, 2013, 26(2): 131-153.
    [30] Schabenberger O, Pierce F J.Contemporary statistical models for the plant and soil science [M]. Boca Raton: CRC Press, 2001.
    [31] Mailly D, Gaudreault M, Picher G, et al. A comparison of mortality rates between top height trees and average site trees [J]. Annals of Forest Science, 2009, 66(2): 202.
    [32] 姜立春, 李凤日. 混合效应模型在林业建模中的应用 [M]. 北京:科学出版社, 2014.
    [33] Groom J D, Hann D W, Temesgen H. Evaluation of mixed-effects models for predicting Douglas-fir mortality [J]. Forest Ecology Management, 2012, 276(4): 139-145.
    [34] Timilsina N, Staudhammer C L. Individual tree mortality model for slash pine in Florida: a mixed modeling approach [J]. Southern Journal of Applied Forestry, 2012, 36(4): 211-219.
    [35] 王涛, 董利虎, 李凤日. 杂种落叶松人工幼龄林林分枯损规律及枯损模型 [J].东北林业大学学报, 2017, 45(5): 39-43.
    [36] Hein S, Weiskittel A R. Cutpoint analysis for models with binary outcomes: a case study on branch mortality [J]. European Journal of Forest Research, 2010, 129(4): 585-590.
    [37] 祖笑锋, 倪成才, Gorden Nigh, 等. 基于混合效应模型及EBLUP预测美国黄松林分优势木树高生长过程 [J].林业科学, 2015, 51(3): 25-33.
    [38] Müller J, Hothorn T. Maximally selected two-sample statistics as a new tool for the identification and assessment of habitat factors with an application to breeding-bird communities in oak forests [J]. European Journal of Forest Research, 2004, 123(3): 219-228.
    [39] Hosmer D W, Lemeshow S. Applied logistic regression [M]. New York:John Wiley Sons, 2000.
    [40] Bravooviedo A, Sterba H, Mdel R, et al. Competition-induced mortality for Mediterranean Pinus pinaster Ait. and P. sylvestris L. [J]. Forest Ecology Management, 2006, 222(1): 88-98.
    [41] Chen H, Fu S, Roberta M,et al. Relative size and stand age determine Pinus banksiana mortality [J]. Forest Ecology Management, 2008, 255(12): 3980-3984.
    [42] Crecente-campo F, Marshall P, Rodríguezsoalleiro R. Modeling non-catastrophic individual-tree mortality for Pinus radiata plantations in northwestern Spain [J]. Forest Ecology Management, 2009, 257(6): 1542-1550.
    [43] Bolker B M, Brooks M E, Clark C J, et al. Generalized linear mixed models: a practical guide for ecology and evolution [J]. Trends in Ecology Evolution, 2009, 24(3): 127-135.
    [44] 张含国, 张成林, 兰士波, 等. 落叶松杂种优势分析及家系选择 [J]. 南京林业大学学报(自然科学版), 2005, 29(3): 69-72.
    [45] 杨书文, 鞠永贵, 张世英, 等. 落叶松杂种优势的研究 [J]. 东北林业大学学报, 1985, 13(1): 30-36.
  • [1] 向玮雷相东刘刚徐光陈光法 . 近天然落叶松云冷杉林单木枯损模型研究. 北京林业大学学报, 2008, 5(6): 90-98.
    [2] 王冬至张冬燕张志东黄选瑞 . 塞罕坝华北落叶松人工林断面积预测模型. 北京林业大学学报, 2017, 14(7): 10-17. doi: 10.13332/j.1000-1522.20170072
    [3] 李耀翔姜立春 . 基于非线性混合模型的落叶松木材管胞长度模拟. 北京林业大学学报, 2013, 10(3): 18-23.
    [4] . 基于FORECAST模型的长白落叶松人工林经营措施对长期生产力的影响. 北京林业大学学报, 2012, 9(6): 1-6.
    [5] 黄俊吴普特赵西宁 , . 多参数非线性降雨产流阈值模型试验研究. 北京林业大学学报, 2011, 8(1): 84-89.
    [6] 余黎雷相东王雅志杨英军王全军 . 基于广义可加模型的气候对单木胸径生长的影响研究. 北京林业大学学报, 2014, 11(5): 22-32. doi: 10.13332/j.cnki.jbfu.2014.05.007
    [7] 臧颢雷相东张会儒李春明卢军 . 红松树高-胸径的非线性混合效应模型研究. 北京林业大学学报, 2016, 13(6): 8-9. doi: 10.13332/j.1000-1522.20160008
    [8] 李春明李利学 . 基于非线性混合模型的栓皮栎树高与胸径关系研究. 北京林业大学学报, 2009, 6(4): 7-12.
    [9] 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, 2009, 6(1): 44-49.
    [10] 毛斌彭立群李乐徐程扬 . 侧柏风景林美景度的林内色彩斑块非线性模型研究. 北京林业大学学报, 2015, 12(7): 68-75. doi: 10.13332/j.1000-1522.20140481
    [11] 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, 2014, 11(5): 87-93. doi: 10.13332/j.cnki.jbfu.2014.05.006
    [12] 王岩孙宇瑞冶民生谢响明何磊蒋佳荔李绍才张学俭罗菊春侯旭柳新伟张文娟张金凤李云成朱妍高鹏盖颖贺庆棠王盛萍李永慈李吉跃吕建雄申卫军何静关文彬张华丽崔保山孙海龙廖学品唐守正王文棋昌明成仿云冯仲科张志强康向阳陆佩玲吴玉英马道坤李小飞于晓南石碧杨志荣王军辉张桂莲蒋湘宁关毓秀吴斌静洁路婷张平冬史剑波何权孙阁赵广杰陈永国王尚德蒲俊文张满良孙晓霞马克明彭少麟汪燕赵燕东胡文忠余新晓刘国华林威汪西林 , . 马尾松人工林直径分布神经网络模型研究. 北京林业大学学报, 2006, 3(1): 28-31.
    [13] 王曼霖董利虎李凤日 . 基于Possion回归混合效应模型的长白落叶松一级枝数量模拟. 北京林业大学学报, 2017, 14(11): 45-55. doi: 10.13332/j.1000-1522.20170204
    [14] 周永学毛俊娟魏潇潇胡胜华刘杏娥高黎张洪江吴彩燕袁怀文颜绍馗殷亚方杨平白岗栓黄荣凤郑小贤王费新胡万良何亚平张莉俊李瑞王芳张璧光邓小文秦爱光戴思兰王胜华王兆印樊军锋费世民崔赛华李猛王正汪思龙谭学仁王小青孙向阳乔建平张克斌罗晓芳NagaoHirofumi赵天忠常旭杜社妮张岩刘燕王晓欢KatoHideo李昀高荣孚张双保陈放龚月桦范冰江玉林王海燕张占雄韩士杰李华徐嘉张旭刘云芳江泽慧孔祥文刘秀英侯喜录常亮陈宗伟陈秀明杨培华李媛良丁磊李晓峰郭树花IdoHirofumi任海青薛岩高建社张代贵陈学平张桂兰李考学徐庆祥蒋俊明费本华金鑫刘永红李雪峰续九如王晓东涂代伦丁国权张红丽 , . 非线性植被-侵蚀动力学模型初探. 北京林业大学学报, 2007, 4(6): 123-128.
    [15] 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, 2016, 13(8): 1-9. doi: 10.13332/j.1000-1522.20150491
    [16] 张西贾黎明张瑜郑聪慧 . 基于FVS的秦岭地区栓皮栎天然次生林单木模型构建. 北京林业大学学报, 2015, 12(5): 19-29. doi: 10.13332/j.1000-1522.20140356
    [17] 刘宇郭建斌王彦辉刘泽彬邓秀秀张桐熊伟左海军 . 宁夏六盘山不同密度华北落叶松人工林枯落物水文效应. 北京林业大学学报, 2016, 13(8): 36-44. doi: 10.13332/j.1000-1522.20160007
    [18] 倪成才王庆丰 . 火炬松人工林胸高断面积差分模型的拟合与筛选. 北京林业大学学报, 2011, 8(3): 1-7.
    [19] 王烁董利虎李凤日 . 人工长白落叶松枝条存活模型. 北京林业大学学报, 2018, 15(1): 57-66. doi: 10.13332/j.1000-1522.20170203
    [20] 李文彬张俊梅撒潮王德明高凯 . 人工林UHF频段电波传播场强预测模型. 北京林业大学学报, 2007, 4(4): 15-18.
  • 加载中
计量
  • 文章访问数:  121
  • HTML全文浏览量:  17
  • PDF下载量:  271
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-12-06
  • 刊出日期:  2018-10-20

基于混合效应的杂种落叶松人工幼龄林单木枯损模型

    通讯作者: 李凤日, fengrili@126.com
    作者简介: 王涛,博士生。主要研究方向:林分生长模型。Email:568716463@qq.com.cn 地址:150040黑龙江省哈尔滨市香坊区和兴路26号东北林业大学林学院。
  • 1. 东北林业大学林学院, 黑龙江 哈尔滨 150040
基金项目:  “十二五”国家科技支撑计划课题(2015BAD09B01)。

摘要: 【目的】 利用固定间隔期复测数据,运用不同方法建立杂种落叶松人工幼龄林单木枯损模型,为确定杂种落叶松合理的经营措施和推广应用提供依据。【方法】 基于2003—2015年黑龙江省江山娇实验林场48块样地的复测数据,通过Logistic模型,利用全子集法和最大似然估计构建杂种落叶松单木枯损模型。使用列联表分析和分类率--阈值散点图,确定枯损模型预估时的最佳阈值。引入随机参数,构建样地水平广义线性混合模型。模型估计方法为自适应积分最大似然估计,模型筛选指标为Akaike信息标准(AIC)、贝叶斯信息标准(BIC)以及-2倍对数似然值。通过计算绝对平均偏差(Bias),绘制ROC曲线以及模型预估枯损率与实际枯损率直方图对两种模型的预测结果进行评价比较。【结果】 包含单木(林木胸径,DBH;胸径平方,DBH2)、林分(林分断面积,BA)、竞争(大于对象木树木断面积之和变形,BALD)3个水平变量组合的单木枯损模型拟合效果最佳。杂种落叶松枯损主要发生在小径阶且相对竞争较大时。单木枯损概率随DBH增加逐渐减小,随BALD、BA增加而逐渐增加。最佳阈值有效提高了模型预估效果,方差--协方差结构为无结构矩阵(UN)时,四参数混合模型的拟合结果最佳,其预估的林分枯损率更接近实际林分枯损率。【结论】 混合模型能够更有效地描述和预估杂种落叶松的单木枯损。阈值分析是提高二分类模型预测准确性的有效方法。杂种落叶松作为速生树种,幼龄时期应适时进行抚育间伐以减少枯损发生的概率。

English Abstract

参考文献 (45)

目录

    /

    返回文章
    返回