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

基于抚育间伐效应的红松人工林枝条密度模型

贾炜玮 罗天泽 李凤日

贾炜玮, 罗天泽, 李凤日. 基于抚育间伐效应的红松人工林枝条密度模型[J]. 北京林业大学学报, 2021, 43(2): 10-21. doi: 10.12171/j.1000-1522.20200057
引用本文: 贾炜玮, 罗天泽, 李凤日. 基于抚育间伐效应的红松人工林枝条密度模型[J]. 北京林业大学学报, 2021, 43(2): 10-21. doi: 10.12171/j.1000-1522.20200057
Jia Weiwei, Luo Tianze, Li Fengri. Branch density model for Pinus koraiensis plantation based on thinning effects[J]. Journal of Beijing Forestry University, 2021, 43(2): 10-21. doi: 10.12171/j.1000-1522.20200057
Citation: Jia Weiwei, Luo Tianze, Li Fengri. Branch density model for Pinus koraiensis plantation based on thinning effects[J]. Journal of Beijing Forestry University, 2021, 43(2): 10-21. doi: 10.12171/j.1000-1522.20200057

基于抚育间伐效应的红松人工林枝条密度模型

doi: 10.12171/j.1000-1522.20200057
基金项目: 国家自然科学基金面上项目(31870622),中央高校基本科研业务费专项(2572019CP08)
详细信息
    作者简介:

    贾炜玮,教授,博士生导师。主要研究方向:林分生长与收获模型。Email:jiaww2002@163.com 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,教授,博士生导师。主要研究方向:林分生长与收获模型。Email:fengrili@126.com 地址:同上

  • 中图分类号: S753.7

Branch density model for Pinus koraiensis plantation based on thinning effects

  • 摘要:   目的  分析抚育间伐对红松人工林枝条数量的影响,建立基于间伐效应的生物数学模型,为制定更加科学合理的间伐体制提供理论依据。  方法  基于黑龙江省林口林业局和东京城林业局不同林分条件及抚育间伐强度下的红松人工林49株解析木4 370组枝解析数据,利用R语言的nlme包,建立了基于抚育间伐效应的枝条密度单水平非线性混合模型,并利用调整决定系数($ {R}_{{\rm{a}}}^{2} $)、赤池信息准则(AIC)、贝叶斯信息准则(BIC)、对数似然值(Log-likelihood)以及似然比检验(LRT)等评价指标对所收敛的模型进行评价。  结果  当地位指数和树木等级相近时,抚育间伐强度和冠长越大,枝条密度越大;当抚育间伐强度和树木等级相近时,地位指数和冠长越大,枝条密度越大;而抚育间伐强度和地位指数相近时,树木胸径与枝条密度呈负相关。基于样地效应的混合模型模拟精度均高于基础模型和基于样木效应的混合模型,最终选用含有总着枝深度(DINC)、相对着枝深度的自然对数(lnRDINC)、相对着枝深度的平方(RDINC2)、胸径(DBH)、抚育间伐强度与间伐年龄的比值(TI/TA)这5个随机效应参数的非线性混合模型为枝条密度最优预测模型,其${R}_{{\rm{a}}}^{2}$为0.825 7,均方根误差(RMSE)为2.171 4。  结论  基于抚育间伐效应的红松枝条密度最优非线性混合效应模型,不但能提高模型精度,还能更加准确地体现抚育间伐对林木枝条产生的影响。
  • 图  1  红松人工林数据采样点位置分布

    Figure  1.  Location distribution of sampling points of Pinus koraiensis plantation

    图  2  最优基础模型和最优混合模型残差图

    Figure  2.  Residual plots of the best basic and mixed models

    图  3  不同条件下的枝条密度分布规律图

    Figure  3.  Distribution patterns of branch density under different conditions

    表  1  红松人工林抚育间伐因子及林分因子统计表

    Table  1.   Statistics of thinning and stand factors for Pinus koraiensis planation

    统计量
    Statistic
    间伐强度
    Thinning intensity
    (TI)/%
    间伐年龄/a
    Thinning age
    (TA)/year
    地位指数
    Site index
    (SI)/m
    林分平均胸径
    Average stand
    DBH/cm
    林分平均高
    Mean stand
    height/m
    林分断面积/(m2∙hm−2)
    Stand basal area/
    (m2∙ha−1)
    林分密度/(株∙hm−2)
    Stand density/
    (tree∙ha−1)
    最大值 Max. value 40.00 35.00 16.19 18.76 11.85 33.62 2 217
    最小值 Min. value 0.00 28.00 9.15 11.62 6.90 12.55 716
    平均值 Mean value 22.62 31.52 13.35 14.76 9.78 23.12 1 388
    标准差 SD 13.26 1.53 1.65 1.83 1.31 5.27 371
    变异系数 CV/% 58.64 4.84 12.38 12.40 13.37 22.79 26.72
    下载: 导出CSV

    表  2  红松人工林解析木和枝条分布统计表

    Table  2.   Statistics of sample trees and branch distribution for Pinus koraiensis planation

    项目
    Item
    统计量
    Statistic
    年龄/a
    Age/year
    胸径
    DBH/cm
    树高
    Tree height
    (HT)/m
    冠长
    Crown length
    (CL)/m
    冠幅
    Crown width
    (CW)/m
    冠长率
    Crown length
    ratio (CR)
    枝条密度/(个∙m−1
    Branch density/
    (number∙m−1)
    拟合数据
    (样本容量 = 40)
    Fitting data
    (sample size = 40)
    最大值 Max. value 38 23.60 14.23 10.60 2.93 0.88 29
    最小值 Min. value 31 8.00 7.05 4.30 1.13 0.48 1
    平均值 Mean value 35.15 14.79 10.42 6.96 1.97 0.68 13.98
    标准差 SD 1.53 4.60 1.79 1.34 0.45 0.11 5.20
    变异系数 CV/% 4.35 31.09 17.17 19.24 22.80 16.40 37.23
    检验数据
    (样本容量 = 9)
    Validation data
    (sample size = 9)
    最大值 Max. value 37 25.50 13.37 8.69 3.13 0.82 31
    最小值 Min. value 33 8.00 7.90 3.80 1.13 0.48 3
    平均值 Mean value 34.96 16.09 10.84 7.69 2.22 0.71 14.17
    标准差 SD 1.18 4.94 1.48 1.43 0.63 0.11 5.70
    变异系数 CV/% 3.38 30.67 13.67 18.55 28.48 15.21 40.21
    下载: 导出CSV

    表  3  不同间伐强度、不同地位指数枝条密度双因素方差分析

    Table  3.   Two-way ANOVA of different thinning intensities and site index for branch density

    TISIn总活枝数量
    Total number of
    living branch
    平均活枝密度/(个∙m−1)
    Average density of
    living branch/
    (number∙m−1)
    最大活枝密度/(个∙m−1)
    Max. density of
    living branch/
    (number∙m−1)
    最大活枝密度的冠层深度
    Crown depth of
    Max. branch
    density/m
    最大活枝密度相对冠层深度
    Relative crown depth of
    Max. branch
    density/%
    CK698 ± 33abcd14.1 ± 1.84ab19.59 ± 1.87ab2.76 ± 0.48bc41.97 ± 11.50b
    373 ± 21d12.3 ± 0.63ab16.09 ± 1.16bc2.99 ± 0.25abc55.27 ± 24.59ab
    V374 ± 7cd11.61 ± 0.35b16.21 ± 0.21bc4.14 ± 0.42a70.6 ± 2.4a
    L4108 ± 22abc13.9 ± 0.95ab23.51 ± 5.64a3.53 ± 0.79ab49.25 ± 8.6b
    272 ± 6d11.16 ± 0.29b16.56 ± 3.36bc1.90 ± 0.06c33 ± 5.23b
    V268 ± 1d11.39 ± 0.19b17.08 ± 0.8bc3.46 ± 0.77abc56.8 ± 14.01ab
    M10112 ± 15ab14.52 ± 3.06a19.34 ± 4.1b3.34 ± 1.04abc44.95 ± 14.29b
    797 ± 29abcd12.03 ± 1.91b15.9 ± 2.34c2.99 ± 1.35abc39.4 ± 14.89b
    V274 ± 21cd12.28 ± 3.5ab17.11 ± 2.43bc2.64 ± 0.43bc44.35 ± 6.15b
    H2132 ± 5a15.5 ± 0.68a21.51 ± 1.54ab2.88 ± 0.05abc34.1 ± 0.42b
    4119 ± 8a14.97 ± 0.81a20.15 ± 0.72ab3.44 ± 0.88abc48.5 ± 15.41b
    487 ± 34bcd13.68 ± 2.99ab17.44 ± 4.7bc3.04 ± 0.29abc50.8 ± 14.28ab
    注:n.解析木株数;地位指数等级(SI):Ⅰ (15.03 ~ 16.19 m)、Ⅱ (14.01 ~ 14.81 m)、Ⅲ (13.15 ~ 13.99 m)、Ⅳ (11.94 ~ 12.91 m)、Ⅴ (9.15 ~ 11.09 m)。表中数值为平均值 ± 标准差,同一列数据后不同字母表示5%水平差异显著。Notes: n represents parse tree number; site index level (SI): Ⅰ (15.03−16.19 m), Ⅱ (14.01−14.81 m), Ⅲ (13.15−13.99 m), Ⅳ (11.94−12.91 m), Ⅴ (9.15−11.09 m). The data in table are mean ± SD. Different letters in the same column after data indicate significant differences at 5% level.
    下载: 导出CSV

    表  4  最优基础模型参数拟合结果

    Table  4.   Fitting results of the best basic model

    参数 Parameter样本容量 Sample size估计值 Estimation标准误差 SEtP
    $\lambda $3 53424.485 5171.193 71320.512 1 < 0.000 1
    ${k_1}$3 5340.155 0000.012 95411.965 6 < 0.000 1
    ${k_2}$3 534−0.616 2050.017 812−34.595 3 < 0.000 1
    ${k_3}$3 5341.279 1260.062 99720.304 6 < 0.000 1
    ${k_4}$3 5340.005 2370.001 4033.733 7 < 0.000 1
    ${k_5}$3 534−0.037 5610.006 627−5.667 9 < 0.000 1
    ${k_6}$3 534−0.048 6520.003 168−15.660 0 < 0.000 1
    ${k_7}$3 534−0.055 8320.005 951−9.381 7 < 0.000 1
    下载: 导出CSV

    表  5  基于不同随机效应参数组合的枝条密度模型拟合精度比较

    Table  5.   Comparison of mixed branch density model based on different random effect parameters

    随机效应
    Random effect
    模型
    Model
    随机效应参数
    Random effect
    parameter
    参数个数
    Number of
    parameter
    Ra 2AICBICLog-
    likelihood
    似然比检验
    Likelihood ratio
    test (LRT)
    P
    11无 None80.591 618 533.2918 588.82−9 257.64
    样木效应
    Sample tree effect
    11.1${k_3}$90.613 118 446.2318 507.91−9 213.1289.04 < 0.001
    11.2${k_3}$${k_7}$110.629 618 300.3718 374.38−9 138.18149.88 < 0.001
    11.3${k_1}$${k_4}$${k_5}$140.640 218 245.3518 337.87−9 107.6761.02 < 0.001
    样地效应
    Sample plot effect
    11.4${k_5}$90.675 017 910.1017 971.78−8 945.05
    11.5${k_2}$${k_4}$110.742 417 202.3917 276.40−8 589.19711.72 < 0.001
    11.6${k_1}$${k_2}$${k_4}$140.797 816 566.7816 659.30−8 268.39641.60 < 0.001
    11.7${k_1}$${k_2}$${k_4}$${k_7}$180.808 216 316.1816 433.37−8 139.09258.60 < 0.001
    11.8${k_1}$${k_2}$${k_3}$${k_4}$${k_7}$230.825 716 125.7116 273.74−8 038.85200.48 < 0.001
    下载: 导出CSV

    表  6  不同参数数量模型方差组成、参数估计及拟合统计量

    Table  6.   Variance component, fixed parameters and fitting statistic estimates of models with different numbers of parameters

    项目 Item参数 Parameter模型11 Model 11模型11.3 Model 11.3模型11.8 Model 11.8
    固定效应参数
    Fixed effect parameter
    $\lambda $24.485 5***25.595 1***22.221 1**
    ${k_1}$0.155 0***0.229 0***0.157 7
    ${k_2}$−0.616 2***−0.701 5***−0.656 9***
    ${k_3}$1.279 1***1.019 4***1.598 9***
    ${k_4}$0.005 2***−0.020 7**0.001 7
    ${k_5}$−0.037 6***−0.060 6***−0.100 8***
    ${k_6}$−0.048 7***−0.026 7***−0.050 1*
    ${k_7}$−0.055 8***−0.002 7−0.350 5*
    随机效应方差−协方差结构
    Variance of random effect-covariance structure
    $\sigma _{{k_1}}^2$0.050 50.207 6
    $\sigma _{{k_2}}^2$0.183 8
    $\sigma _{{k_3}}^2$0.886 5
    $\sigma _{{k_4}}^2$0.016 00.048 3
    $\sigma _{{k_5}}^2$0.046 3
    $\sigma _{{k_7}}^2$0.313 3
    $\sigma _{{k_1}{k_2}}^2$−0.915 0
    $\sigma _{{k_1}{k_3}}^2$−0.936 0
    $\sigma _{{k_1}{k_4}}^2$0.105 0−0.911 0
    $\sigma _{{k_1}{k_5}}^2$−0.580 0
    $\sigma _{{k_1}{k_7}}^2$0.119 0
    $\sigma _{{k_2}{k_3}}^2$0.789 0
    $\sigma _{{k_2}{k_4}}^2$0.843 0
    $\sigma _{{k_2}{k_7}}^2$0.013 0
    $\sigma _{{k_3}{k_4}}^2$0.798 0
    $\sigma _{{k_3}{k_7}}^2$−0.085 0
    $\sigma _{{k_4}{k_5}}^2$−0.791 0
    $\sigma _{{k_4}{k_7}}^2$−0.471 0
    拟合统计量
    Fitting statistics
    $R_{\rm{a}}^2$0.591 60.640 20.825 7
    RMSE2.990 43.120 72.171 4
    注:***表示在P < 0.001水平上显著,**表示P < 0.01水平上显著,*表示P < 0.05水平上显著。Notes: *** represents significiance at P < 0.001 level; ** represents significiance P < 0.01 level; * represents significiance at P < 0.05 level.
    下载: 导出CSV

    表  7  最优基础模型与最优混合模型检验结果

    Table  7.   Validation results of the best basic model and the best mixed-effects model

    模型 Model样本容量 Sample size平均绝对偏差 MAE平均相对偏差绝对值 RMAE预估精度 Fp
    基础模型11 Basic model 118364.099 939.8697.376 4
    混合模型11.8 Mixed model 11.88362.465 420.8698.553 5
    下载: 导出CSV
  • [1] Weiskittel A R, Maguire D A, Monserud R A. Modeling crown structural responses to competing vegetation control, thinning, fertilization, and Swiss needle cast in coastal Douglas-fir of the Pacific Northwest, USA[J]. Forest Ecology and Management, 2007, 245: 96−109. doi:  10.1016/j.foreco.2007.04.002.
    [2] Li F R. Modeling crown profile of Larix olgensis trees[J]. Scientia Silvae Sinicae, 2004, 40(5): 16−24.
    [3] Fernandes P M, Rigolot E. The fire ecology and management of maritime pine (Pinus pinaster Ait)[J]. Forest Ecology and Management, 2007, 241(1−3): 1−13.
    [4] Keim R F. Attenuation of rainfall intensity by forest canopies[D]. Corvallis: Oregon State University, 2004.
    [5] Kucharik C J, Norman J M, Gower S T. Measurements of branch area and adjusting leaf area index indirect measurements[J]. Agricultural and Forest Meteorology, 1998, 91(1–2): 69−88.
    [6] Barbeito I, Pardos M, Calama R, et al. Effect of stand structure on Stone pine (Pinus pinea L.) regeneration dynamics[J]. Forestry, 2008, 81(5): 617−629. doi:  10.1093/forestry/cpn037
    [7] 董希斌, 李耀翔, 姜立春. 间伐对兴安落叶松人工林林分结构的影响[J]. 东北林业大学学报, 2000, 28(1):16−18. doi:  10.3969/j.issn.1000-5382.2000.01.004.

    Dong X B, Li Y X, Jiang L C. The effects of thinning on stand structure for larch plantation[J]. Journal of Northeast Forestry University, 2000, 28(1): 16−18. doi:  10.3969/j.issn.1000-5382.2000.01.004.
    [8] 潘辉, 张金文, 林顺德, 等. 不同间伐强度对巨尾桉林分生产力的影响研究[J]. 林业科学, 2003, 39(专刊 1): 106−111.

    Pan H, Zhang J W, Lin S D, et al. Effects of different thinning intensity on stand productivity of Eucalyptus grandis × E. urophylla[J]. Scientia Silvae Sinicae, 2003, 39(Spec. 1): 106−111.
    [9] 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.1001-7488.20120311.

    Li C M. Individual tree diameter increment model for Chinese fir plantaion based on two-level linear mixed effects models[J]. Scientia Silvae Sinicae, 2012, 48(3): 66−73. doi:  10.11707/j.1001-7488.20120311.
    [10] 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:1001-7488.2009.01.014.

    Lei 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.
    [11] 王蒙, 李凤日. 基于抚育间伐效应的长白落叶松人工林单木直径生长模型[J]. 南京林业大学学报(自然科学版), 2018, 42(3):28−36.

    Wang M, Li F R. Modelling individual tree diameter growth for Larix olgensis based on thinning effects[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2018, 42(3): 28−36.
    [12] 雷相东, 陆元昌, 张会儒, 等. 抚育间伐对落叶松云冷杉混交林的影响[J]. 林业科学, 2005, 41(4):78−85. doi:  10.3321/j.issn:1001-7488.2005.04.014.

    Lei X D, Lu Y C, Zhang H R, et al. Effects of thinning on mixed stands of Larix olgensis, Abies nephrolepis and Picea jazoensis[J]. Scientia Silvae Sinicae, 2005, 41(4): 78−85. doi:  10.3321/j.issn:1001-7488.2005.04.014.
    [13] 汤景明, 孙拥康, 冯骏, 等. 不同强度间伐对日本落叶松人工林生长及林下植物多样性的影响[J]. 中南林业科技大学学报, 2018, 38(6):90−93, 122.

    Tang J M, Sun Y K, Feng J, et al. Influence of thinning on the growth and the diversity of undergrowth of Larix kaempferi plantation forest[J]. Journal of Central South University of Forestry & Technology, 2018, 38(6): 90−93, 122.
    [14] Wang Z B, Yang H J, Wang D H. Response of height growth of regenerating trees in a Pinus tabulaeformis Carr. plantation to different thinning intensities[J]. Forest Ecology and Management, 2019, 444: 280−289. doi:  10.1016/j.foreco.2019.04.042.
    [15] Ishii H, McDowell N. Age-related development of crown structure in coastal Douglas-fir trees[J]. Forest Ecology and Management, 2002, 169(3): 257−270. doi:  10.1016/S0378-1127(01)00751-4.
    [16] Weiskittel A R, Seymour R S, Hofmeyer P V, et al. Modelling primary branch frequency and size for five conifer species in Maine, USA[J]. Forest Ecology and Management, 2010, 259(10): 1912−1921. doi:  10.1016/j.foreco.2010.01.052.
    [17] Hein S, MäKinen H. Modelling branch characteristics of Norway spruce from wide spacings in Germany[J]. Forest Ecology and Management, 2007, 242(2−3): 155−164.
    [18] Hein S, Weiskittel A R, Kohnle U. Branch characteristics of widely spaced Douglas-fir in south-western Germany: comparisons of modelling approaches and geographic regions[J]. Forest Ecology and Management, 2008, 256(5): 1064−1079.
    [19] 郭孝玉. 长白落叶松人工林树冠结构及生长模型研究[D]. 北京: 北京林业大学, 2013.

    Guo X Y. Crown structure and growth modle for Larix algersis plantation[D]. Beijing: Beijing Forestry University, 2013.
    [20] 苗铮, 董利虎, 李凤日, 等. 基于GLMM的人工林红松二级枝条分布数量模拟[J]. 南京林业大学学报(自然科学版), 2017, 41(4):121−128.

    Miao Z, Dong L H, Li F R, et al. Modelling the vertical variation in the number of second order branches of Pinus koraiensis plantation trees through GLMM[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2017, 41(4): 121−128.
    [21] 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[J]. 北京林业大学学报, 2017, 39(11):45−55.

    Wang M L, Dong L H, Li F R. First-order branch number simulation for Larix olgensis plantation through Poisson regression mixed effect model[J]. Journal of Beijing Forestry University, 2017, 39(11): 45−55.
    [22] Weiskittel A R, Maguire D A, Monserud R A. Response of branch growth and mortality to silvicultural treatments in coastal Douglas-fir plantations: implications for predicting tree growth[J]. Forest Ecology and Management, 2007, 251(3): 182−194.
    [23] 王烁. 基于GLMM的人工长白落叶松枝条存活模型研究[D]. 哈尔滨: 东北林业大学, 2018.

    Wang S. Branch survival models of planted Larix olgensis tree based on generalized linear mixed model[D]. Harbin: Northeast Forestry University, 2018.
    [24] Andreassen K, Tomte S M. Basal area growth models for individual trees of Norway spruce, Scots pine, birch and other broadleaves in Norway[J]. Forest Ecology and Management, 2003, 180: 11−24. doi:  10.1016/S0378-1127(02)00560-1.
    [25] Fang Z, Bailey R L. Nonlinear mixed effects modeling for slash pine dominant height growth following intensive silvicultural treatments[J]. Forest Science, 2001, 47: 287−300.
    [26] 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.

    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.
    [27] Weiskittel A R, Maguire D A, Monserud R A. Modeling crown structural responses to competing vegetation control, thinning, fertilization, and Swiss needle cast in coastal Douglas-fir of the Pacific Northwest, USA[J]. Forest Ecology and Management, 245(1–3): 96–109.
    [28] Thorpe H C, Astrup R, Trowbridge A, et al. Competition and tree crowns: a neighborhood analysis of three boreal tree species[J]. Forest Ecology & Management, 2010, 259(8): 1586−1596.
    [29] Sattler D F, Comeau P G, Achim A. Branch models for white spruce (Picea glauca (Moench) Voss) in naturally regenerated stands[J]. Forest Ecology & Management, 2014, 325: 74−89.
    [30] Sprugel D G. When branch autonomy fails: Milton’s law of resource availability and allocation[J]. Tree Phys, 2002, 22: 1119−1124. doi:  10.1093/treephys/22.15-16.1119.
  • [1] 林富成, 王维芳, 门秀莉, 孙钰森, 李国春.  兴安落叶松人工林空间结构优化 . 北京林业大学学报, 2021, (): 1-9. doi: 10.12171/j.1000-1522.20200228
    [2] 燕云飞, 王君杰, 姜立春.  基于混合效应模型的人工红松枝下高模型研建 . 北京林业大学学报, 2020, 42(9): 28-36. doi: 10.12171/j.1000-1522.20190366
    [3] 靳晓娟, 孙玉军, 潘磊.  基于混合效应的长白落叶松一级枝条基径预估模型 . 北京林业大学学报, 2020, 42(10): 1-10. doi: 10.12171/j.1000-1522.20200133
    [4] 张晓红, 张会儒.  蒙古栎次生林垂直结构特征对目标树经营的响应 . 北京林业大学学报, 2019, 41(5): 56-65. doi: 10.13332/j.1000-1522.20190046
    [5] 胡雪凡, 张会儒, 周超凡, 张晓红.  不同抚育间伐方式对蒙古栎次生林空间结构的影响 . 北京林业大学学报, 2019, 41(5): 137-147. doi: 10.13332/j.1000-1522.20190037
    [6] 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, 40(1): 57-66. doi: 10.13332/j.1000-1522.20170203
    [7] 张甜, 朱玉杰, 董希斌.  抚育间伐对小兴安岭天然针阔混交次生林生境的影响 . 北京林业大学学报, 2017, 39(10): 1-12. doi: 10.13332/j.1000-1522.20170187
    [8] 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, 38(8): 36-44. doi: 10.13332/j.1000-1522.20160007
    [9] 孙志虎, 王秀琴, 陈祥伟.  不同抚育间伐强度对落叶松人工林生态系统碳储量影响 . 北京林业大学学报, 2016, 38(12): 1-13. doi: 10.13332/j.1000-1522.20160016
    [10] 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, 38(6): 8-9. doi: 10.13332/j.1000-1522.20160008
    [11] 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, 37(7): 68-75. doi: 10.13332/j.1000-1522.20140481
    [12] 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, 35(3): 18-23.
    [13]
    董利虎, 李凤日, 贾炜玮
    黑龙江省红松人工林立木生物量估算模型的研建 . 北京林业大学学报, 2012, 34(6): 16-22.
    [14] 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, 31(4): 7-12.
    [15] 王雄宾, 余新晓, 徐成立, 谷建才, 周彬, 范敏锐, 贾国栋, 吕锡芝, .  间伐对华北落叶松人工林边缘效应的影响 . 北京林业大学学报, 2009, 31(5): 29-34.
    [16] 段昌盛, 王军辉, 马建伟, 袁士云, 杜彦昌.  秦岭西段锐齿栎林分经营状态评价 . 北京林业大学学报, 2009, 31(5): 61-66.
    [17] 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, 31(1): 44-49.
    [18] 刘鹏举, 王立海, 李雪华, 韦艳葵, 耿玉清, 刘剑锋, 朱小龙, 任强, 王兰珍, 周传艳, 薛康, 李义良, 党文杰, 汪杭军1, 李生宇, 赵铁珍, 方升佐, HUALi_zhong, 李国雷, 张冬梅, 王旭, 吴丽娟, 段文霞, 朱波, 刘勇, 苏晓华, 李建章, 黎明, 阎秀峰, 方陆明, 何茜, 刘勇, 高岚, JIANGXi_dian, 尹光彩, 崔同林, 李振基, 韩士杰, 雷加强, 周宇飞, 宋永明, 杨娅, 周亮, 周国逸, 余新晓, 杨慧敏, 柯水发, 唐小明, 赖志华, 王清文, 王新杰, 沈熙环, HEXiu_bin, 徐扬, 徐新文, 王春林, 虞木奎, 刘锐, 孙向阳, 喻理飞, 周国逸, 鹿振友, 李吉跃, 张冰玉, 宗文君, 玲, 程云清, 温亚利, , 齐涛, 李俊清, 王伟宏, 孙阁, 陈培金, 国庆, 陈峻崎, 陈实, 茹广欣, 周晓梅, 李丙文, 3, 郭蓓, 李晓兰, 宋爱琴, 张志毅, 唐旭利, 王晓静, 长山, 刘志明, 姚永刚, 蒋德明, 张可栋, 周玉平, 王建林, 王旭, 陈放, 关少华, 赵双荣, 宋湛谦, 王春林, 杨伟伟, 闫俊华, 郑凌峰.  间伐强度对油松人工林植被发育的影响 . 北京林业大学学报, 2007, 29(2): 70-75.
    [19] 颜绍馗, 吴彩燕, 毛俊娟, 杨平, 黄荣凤, 胡胜华, 张洪江, 秦爱光, 殷亚方, 高黎, 魏潇潇, 白岗栓, 郑小贤, 张璧光, 王芳, 李瑞, 何亚平, 张莉俊, 邓小文, 刘杏娥, 王费新, 袁怀文, 周永学, 胡万良, 王正, 汪思龙, 张岩, 王兆印, 王晓欢, 谭学仁, 崔赛华, 王小青, 杜社妮, 常旭, 孙向阳, 李猛, 王胜华, 赵天忠, 戴思兰, 张克斌, 刘燕, NagaoHirofumi, 樊军锋, 乔建平, 罗晓芳, 费世民, 张双保, 张旭, 范冰, 高荣孚, 孔祥文, 江泽慧, 龚月桦, 韩士杰, 李华, 刘云芳, , 张占雄, 徐嘉, 江玉林, 陈放, 李昀, 王海燕, KatoHideo, 李媛良, 陈宗伟, 刘秀英, , 陈秀明, 常亮, IdoHirofumi, 丁磊, 任海青, 郭树花, 侯喜录, 李晓峰, 杨培华, 徐庆祥, 李考学, 张代贵, , 蒋俊明, 陈学平, 张桂兰, , 高建社, 薛岩, 费本华, 王晓东, 李雪峰, 刘永红, , 金鑫, 涂代伦, 续九如, 张红丽, , , 丁国权, .  初植密度对小黑杨人工林生长和材质的影响以及材质评价模型的建立 . 北京林业大学学报, 2007, 29(6): 161-166.
    [20] 谭健晖, 崔丽娟, 张运春, 刘杏娥, 张颖, 邢韶华, 张玉兰, 陈圆, 林娅, 任云卯, 李春义, 周繇, 张仁军, 王超, 赵铁珍, 李云开, 孙阁, 王戈, 王蕾, 张秀新, 梁善庆, 王春梅, 李昌晓, 尹增芳, 林勇明, 闫德千, 金莹杉, 周海宾, 吴淑芳, 温亚利, 余养伦, 刘青林, 王莲英, 赵勃, 马履一, 江泽慧, 钟章成, 洪滔, 王以红, 黄华国, 张明, 杨培岭, 张曼胤, 樊汝汶, 吴普特, 张桥英, 马钦彦, 江泽慧, 高岚, 张志强, 罗建举, 于俊林, 刘国经, 杨远芬, 周荣伍, 徐秋芳, 刘艳红, 翟明普, 冯浩, 周国模, 汪晓峰, 崔国发, 费本华, 柯水发, 陈学政, 何春光, 安玉涛, 周国逸, 张本刚, 王希群, 殷际松, 邵彬, 罗鹏, 王小青, 吴承祯, 张晓丽, 于文吉, 刘俊昌, 田英杰, 杨海军, 王玉涛, 蔡玲, 赵景刚, 马润国, 徐昕, 康峰峰, 刘爱青, 任树梅, 费本华, 何松云, 骆有庆, 李敏, 温亚利, 徐克学, 邬奇峰, 高贤明, 魏晓华, 王九中, 洪伟, 田平, 吴宁, 安树杰, 郑万建, 赵弟行, 林斌, 胡喜生, 吴家森, 赵焕勋, 任海青, 朱高浦, 宋萍, 李永祥, 卢俊峰, 范海兰, .  抚育间伐对北京山区侧柏人工林林下植物多样性的短期影响 . 北京林业大学学报, 2007, 29(3): 60-66.
  • 加载中
图(3) / 表 (7)
计量
  • 文章访问数:  209
  • HTML全文浏览量:  48
  • PDF下载量:  46
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-03-02
  • 修回日期:  2020-04-17
  • 网络出版日期:  2021-01-26
  • 刊出日期:  2021-02-24

基于抚育间伐效应的红松人工林枝条密度模型

doi: 10.12171/j.1000-1522.20200057
    基金项目:  国家自然科学基金面上项目(31870622),中央高校基本科研业务费专项(2572019CP08)
    作者简介:

    贾炜玮,教授,博士生导师。主要研究方向:林分生长与收获模型。Email:jiaww2002@163.com 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,教授,博士生导师。主要研究方向:林分生长与收获模型。Email:fengrili@126.com 地址:同上
  • 中图分类号: S753.7

摘要:   目的  分析抚育间伐对红松人工林枝条数量的影响,建立基于间伐效应的生物数学模型,为制定更加科学合理的间伐体制提供理论依据。  方法  基于黑龙江省林口林业局和东京城林业局不同林分条件及抚育间伐强度下的红松人工林49株解析木4 370组枝解析数据,利用R语言的nlme包,建立了基于抚育间伐效应的枝条密度单水平非线性混合模型,并利用调整决定系数($ {R}_{{\rm{a}}}^{2} $)、赤池信息准则(AIC)、贝叶斯信息准则(BIC)、对数似然值(Log-likelihood)以及似然比检验(LRT)等评价指标对所收敛的模型进行评价。  结果  当地位指数和树木等级相近时,抚育间伐强度和冠长越大,枝条密度越大;当抚育间伐强度和树木等级相近时,地位指数和冠长越大,枝条密度越大;而抚育间伐强度和地位指数相近时,树木胸径与枝条密度呈负相关。基于样地效应的混合模型模拟精度均高于基础模型和基于样木效应的混合模型,最终选用含有总着枝深度(DINC)、相对着枝深度的自然对数(lnRDINC)、相对着枝深度的平方(RDINC2)、胸径(DBH)、抚育间伐强度与间伐年龄的比值(TI/TA)这5个随机效应参数的非线性混合模型为枝条密度最优预测模型,其${R}_{{\rm{a}}}^{2}$为0.825 7,均方根误差(RMSE)为2.171 4。  结论  基于抚育间伐效应的红松枝条密度最优非线性混合效应模型,不但能提高模型精度,还能更加准确地体现抚育间伐对林木枝条产生的影响。

English Abstract

贾炜玮, 罗天泽, 李凤日. 基于抚育间伐效应的红松人工林枝条密度模型[J]. 北京林业大学学报, 2021, 43(2): 10-21. doi: 10.12171/j.1000-1522.20200057
引用本文: 贾炜玮, 罗天泽, 李凤日. 基于抚育间伐效应的红松人工林枝条密度模型[J]. 北京林业大学学报, 2021, 43(2): 10-21. doi: 10.12171/j.1000-1522.20200057
Jia Weiwei, Luo Tianze, Li Fengri. Branch density model for Pinus koraiensis plantation based on thinning effects[J]. Journal of Beijing Forestry University, 2021, 43(2): 10-21. doi: 10.12171/j.1000-1522.20200057
Citation: Jia Weiwei, Luo Tianze, Li Fengri. Branch density model for Pinus koraiensis plantation based on thinning effects[J]. Journal of Beijing Forestry University, 2021, 43(2): 10-21. doi: 10.12171/j.1000-1522.20200057
  • 树冠是衡量树木生长发育的重要指标,其结构深受自身遗传因素、年龄、林分密度、物种组成、立地条件以及施肥和间伐等森林经营管理措施相互作用、反馈调节的综合影响[1]。枝条作为树冠的基本骨架,它的大小、分布、数量和存活状态及其空间排列可以用来模拟树冠形状、反映林木之间的竞争、衡量林木在枯损中的生命力等[2-3]。此外,枝条影响光的入射和降水的截留,控制着叶面积的大小和木材的恢复潜力,为一些野生动物提供了重要的生活环境[4-5]

    现阶段人工幼中龄林在我国森林资源体系中占据主导位置,这些林分密度较大,易受病虫害爆发的影响,其林下生物多样性、森林稳定性和生态服务功能较低。而抚育间伐是目前森林经营实践中调节林分结构最有效的方法,其有助于增强林分抵御疾病和抗自然干扰能力,提高林分产量和质量[6]。为此,很多学者[7-11]利用分布函数和生物数学模型模拟不同抚育间伐强度对人工纯林中林木胸径、树高、材积和生物量等属性的影响,认为中、强度间伐可以显著提高林分平均单株直径生长量、立木材积、单株立木生物量。但以上研究都没有考虑抚育间伐对林冠生长、林下光环境、物种多样性以及进界木生长发育的影响,因此,部分学者[12-14]利用随机区组试验和生物数学模型对抚育间伐后林下物种多样性、土壤等因子进行了对比分析,发现弱度间伐并没有显著改变林下植物种类组成、灌草生物量和土壤物理性质,但改善了林下光环境,显著提高了林下进界木树高的生长。以上研究均在侧重分析抚育间伐对林分结构的影响,忽略了对林木树冠及枝条的影响。为此,Ishii和McDowell[15]首次提出枝条密度这一概念,并对不同林龄的花旗松(Pseudotsuga menziesii)枝条密度进行了模拟,发现枝条密度与树冠高度存在指数型关系。随后,Weiskittel[16]等基于前者改进的方法,利用混合模型分析了5种针叶树种之间枝条密度的变化规律,表明了种属差异对树冠结构特征变化有显著影响;Hein[17-18]等也同样采用混合模型的方法在特定的林分条件下对挪威云杉(Picea abies)和花旗松的轮枝数量进行了系统性的分析;我国学者郭孝玉[19]首次发现长白落叶松(Larix olgensis)人工林枝条密度空间分布格局呈塔形和倒“J”形,苗铮[20]和王曼霖[21]利用Possion回归分析了树木枝条数量的总体变化趋势。但他们并没有阐明枝条数量与林分经营措施之间的关系,Weiskittel[22]虽然通过模型研究了不同植被竞争、树叶病虫害管理、林分间伐及施肥管理对树冠结构的影响,但其并没有将抚育间伐效应引入到模型中,所建模型不能准确描述间伐对林木枝条的影响。

    本研究基于黑龙江省林口林业局和东京城林业局不同林分条件及抚育间伐强度下的49棵人工红松(Pinus koraiensis)的树干解析和枝解析数据,以枝条密度为因变量,考虑林分抚育间伐效应,构建单水平非线性混合效应模型,旨在揭示红松人工林枝条数量与林分条件、树木大小及林分抚育间伐之间的关系,为合理控制林分密度、构建生长与收获模型以及森林经营管理措施提供理论依据。

    • 林口林业局地处黑龙江省牡丹江市东北部,施业区跨林口、勃利和海林三县市,地理坐标为129°41′50″ ~ 130°34′20″E、45°03′29″ ~ 45°58′30″N,属于中温带大陆性季风气候。该地区海拔范围为122 ~ 1 184 m,林区年平均气温2.7 ℃,最高气温可超37 ℃,最低气温可达−39 ℃,年平均降水量580 mm。全局施业区经营总面积为273 025 hm2,森林覆盖率为80.47%,林区地势多以低山丘陵为主,植被类型主要以天然次生林、针阔混交林以及阔叶混交林为主。

      东京城林业局地处黑龙江省宁安市西南部,施业区处牡丹江中上游,张广才岭东南部,全国最大的高山堰塞湖镜泊湖镶嵌在该林区内。地理坐标为128°07′45″ ~ 130°02′35″E、43°30′30″ ~ 44°18′45″N,属于中温带大陆性季风气候。该地区海拔范围为260 ~ 1 559 m,林区年平均气温3 ℃,年平均降水量550 ~ 600 mm。全局施业区经营总面积为418 468 hm2,森林覆盖率为87.55%,其中天然林蓄积占有林地蓄积的88.79%,而人工林仅为11. 21%[23]。各采样点的位置如图1所示。

      图  1  红松人工林数据采样点位置分布

      Figure 1.  Location distribution of sampling points of Pinus koraiensis plantation

    • 为揭示抚育间伐与红松人工林枝条属性的关系,结合研究区域红松人工林资源现状,于2016年在林口林业局和东京城林业局不同立地条件(地位指数为9.15 ~ 16.19 m)、不同年龄(31 ~ 38年)的红松人工林林分中设置了29块红松人工林标准地,每块标准地面积为0.06 hm2(20 m × 30 m)。所有林分在2008年进行了第一次透光抚育,抚育间伐方式为上层透光,伐除林分上层非目的树种,以及病腐木和枯立木,同时保留具有稳定林分、生态价值明显、有培育前途的健康林木。根据其株数抚育强度设置4种作业区:(1)对照(CK),不间伐或仅作轻度卫生伐;(2)弱度间伐(L),抚育株数强度为10% ~ 20%;(3)中度间伐(M),抚育株数强度为20% ~ 30%;(4)强度间伐(H),抚育株数强度为30% ~ 40%。由于对所设置的作业区伐去部分小径阶及生长不良林木,因此,抚育蓄积强度在10% ~ 20%左右。基于各样地的年龄和优势木平均高数据,采用Logistic方程、Mitscherlich方程、Korf方程和Richards方程分别进行拟合,通过均方根误差(RMSE)和相关系数(R2)以及参数的有效性,最终确定采用Richards方程作为红松人工林的地位指数导向曲线。差分后可得计算公式如下:

      $${\rm{SI}} = {\rm{HT}}\frac{{{{\left( {1 - {{\rm{e}} ^{ - b{A_0}}}} \right)}^c}}}{{{{\left( {1 - {{\rm{e}} ^{ - bA}}} \right)}^c}}}$$ (1)

      式中:SI为地位指数,HT为优势木树高,A0为红松人工林的基准年龄(黑龙江地区红松人工林的基准年龄为40年),A为林分年龄,bc为方程参数。红松人工林抚育间伐因子及林分调查因子统计量详见表1

      表 1  红松人工林抚育间伐因子及林分因子统计表

      Table 1.  Statistics of thinning and stand factors for Pinus koraiensis planation

      统计量
      Statistic
      间伐强度
      Thinning intensity
      (TI)/%
      间伐年龄/a
      Thinning age
      (TA)/year
      地位指数
      Site index
      (SI)/m
      林分平均胸径
      Average stand
      DBH/cm
      林分平均高
      Mean stand
      height/m
      林分断面积/(m2∙hm−2)
      Stand basal area/
      (m2∙ha−1)
      林分密度/(株∙hm−2)
      Stand density/
      (tree∙ha−1)
      最大值 Max. value 40.00 35.00 16.19 18.76 11.85 33.62 2 217
      最小值 Min. value 0.00 28.00 9.15 11.62 6.90 12.55 716
      平均值 Mean value 22.62 31.52 13.35 14.76 9.78 23.12 1 388
      标准差 SD 13.26 1.53 1.65 1.83 1.31 5.27 371
      变异系数 CV/% 58.64 4.84 12.38 12.40 13.37 22.79 26.72

      2019年7月,分别测定29块样地中样木的胸径、树高、第一活枝高和冠幅等林木因子。根据每木检尺结果,计算各标准地平均胸径,采用等断面积径级标准木法将林木划分为五级。在不同立地条件不同抚育强度的样地中选择平均木,并在林口林业局西北楞经营所的8块样地中补充了一、三、五级不同大小的样木作为标准木,共计选取49株解析标准木。对所选标准木进行树干解析和枝条解析。由于本研究只讨论一级活枝数量与抚育间伐之间的关系,因而采用树干主轴切割分层法测定一级枝条的总着枝深度(DINC)、枝长(BL)、弦长(BCL)、基径(BD)、着枝角度(θ)等枝条属性因子,并注明存活状态。枝条密度一定程度上反映了树干分枝特征,因此,基于Ishii等[15]改进的方法,按照总着枝深度将树干从梢头到树冠基部第一活枝高处以1 m为基准划分为若干冠层,并统计每1 m区分段一级活枝的数量,即为枝条密度。本研究共获得49株红松解析木和4 370个一级枝条数据,将49 株解析木按分层抽样分为建模数据(40株,3 534个枝条)和检验数据(9株,836个枝条),红松人工林解析木的林木测定因子及枝条密度统计量信息详见表2

      表 2  红松人工林解析木和枝条分布统计表

      Table 2.  Statistics of sample trees and branch distribution for Pinus koraiensis planation

      项目
      Item
      统计量
      Statistic
      年龄/a
      Age/year
      胸径
      DBH/cm
      树高
      Tree height
      (HT)/m
      冠长
      Crown length
      (CL)/m
      冠幅
      Crown width
      (CW)/m
      冠长率
      Crown length
      ratio (CR)
      枝条密度/(个∙m−1
      Branch density/
      (number∙m−1)
      拟合数据
      (样本容量 = 40)
      Fitting data
      (sample size = 40)
      最大值 Max. value 38 23.60 14.23 10.60 2.93 0.88 29
      最小值 Min. value 31 8.00 7.05 4.30 1.13 0.48 1
      平均值 Mean value 35.15 14.79 10.42 6.96 1.97 0.68 13.98
      标准差 SD 1.53 4.60 1.79 1.34 0.45 0.11 5.20
      变异系数 CV/% 4.35 31.09 17.17 19.24 22.80 16.40 37.23
      检验数据
      (样本容量 = 9)
      Validation data
      (sample size = 9)
      最大值 Max. value 37 25.50 13.37 8.69 3.13 0.82 31
      最小值 Min. value 33 8.00 7.90 3.80 1.13 0.48 3
      平均值 Mean value 34.96 16.09 10.84 7.69 2.22 0.71 14.17
      标准差 SD 1.18 4.94 1.48 1.43 0.63 0.11 5.70
      变异系数 CV/% 3.38 30.67 13.67 18.55 28.48 15.21 40.21
    • 数据经Excel 2016整理后,利用R软件对不同间伐强度(TI)、不同地位指数(SI)的林木枝条数量进行描述统计和方差同质性检验,主要选取5个反映枝条数量的指标(总活枝数量、平均枝条密度、最大活枝密度、最大活枝密度的冠层深度、最大活枝密度相对冠层深度)。并采用双因素方差分析研究不同TI和SI对树冠枝条数量的垂直分布的影响。采用LSD法进行差异显著性检验,显著性水平设定为α = 0.05。

    • 通过分析数据初步发现,冠层上部枝条发生死亡的几率较低,且受抚育间伐因子引起的枝条密度增长速率相对恒定。因此,本文基于Ishii和McDowell[15]改进的方法,即将树高按1 m分层,统计各冠层内一级活枝的数量,枝条密度(个/m)的计算公式为:

      $${\rho _{{\rm{NB}}}}{\rm{ = }}\frac{{{\rm{N}}{{\rm{B}}_j}}}{{{\rm{DH}}{{\rm{C}}_j}}}$$ (2)

      式中:$j$为某一冠层高度位置等级($0, 1, 2,\cdots ,n$),${\rm{N}}{{\rm{B}}_j}$ 为第 $j$ 个冠层内的枝条数量,${\rm{DH}}{{\rm{C}}_j}$ 为第 $j$ 个冠层的长度(本文中DHC为1 m)。

      基于(1)式,建立人工红松枝条密度的一般非线性回归模型(基础模型)时,将枝条密度由上冠到下冠的垂直变化模拟为负指数过程,基本形式如下:

      $${\rho _{{\rm{NB}}}} = \lambda \exp \left( { - k{\rm{DINC}}} \right)$$ (3)

      式中:$\;{\rho _{{\rm{NB}}}}$ 为枝条密度,${\rm{DINC}}$ 为总着枝深度(各枝条到树梢的距离),$\lambda $$k$ 均为参数,采用非线性最小二乘法估计。

      然而,据Andreassen[24]、Weiskittel[1, 16]和Hein[17-18]等对道格拉斯冷杉(Pseudotsuga menziesii)、北美乔松(Pinus strobus)等几个树种枝条生长模型的研究,认为林木枝条数量不仅与着枝深度(DINC)关系密切,还与树木大小(如胸径(DBH)、树高(HT))、竞争因子(如林分前期每公顷断面积(S)、林分前期每公顷株数(N))和林分因子(如地位指数(SI)、林分间伐前期年龄(TA)、抚育间伐强度(TI))等关系显著。因此,本研究采用全部子集法[11]筛选自变量,充分考虑自变量参数检验显著性(P < 0.05),将TI与TA的比值作为一个变量加入基础模型中,以此来量化抚育间伐对因变量(${\rho _{{\rm{NB}}}}$)的影响。

      全部子集法是筛选模型自变量的一种重要方法。它考虑模型中自变量所有可能的组合,根据特定的模型评价指标从中选出表现最优的一组。其优点是可以处理自变量多重共线性(方差膨胀因子(VIF)>10时),但在变量数量较大时(例如自变量个数远远超过10),即使是在应用计算机的情况下,也需要较高的计算量。当自变量个数较少时,该方法可以全面考虑各种情况,因此在研究中受到高度重视。

    • 为考虑样地或样地内样木大小对枝条密度的随机干扰,在基础模型之上引入随机效应(即样地效应和样木效应),因此,单水平非线性混合效应模型的形式为[25]

      $$\left\{ {\begin{aligned} & {{y_{ij}} = f({{{\varphi}} _{ijk}},{{{\nu}} _{ijk}}) + {{{\xi}} _{ij}},} \\ & {{\varphi _{ij}} = {{{A}}_{ij}}{{\chi}} + {{{B}}_{ij}}{{{\beta}} _i},} \\ & {{{{\beta}} _i} \sim N(0,{{D}}),{{{\xi}} _{ij}} \sim N(0,{\sigma ^2}{{{R}}_i})} \\ & {i = 1, \cdots ,l;j = 1, \cdots ,{m_i}} \end{aligned}} \right.$$ (4)

      式中:${y_{ij}}$ 表示第 $i$ 块样地各1 m区分段上活枝的数量;$l$ 为样地数量;${m_i}$ 为第 $i$ 个样地中连续观测的区分段个数;$f$ 为含有参数向量 ${{{\varphi}} _{ij}}$ 和预测变量向量 ${{{\nu}} _{ij}}$ 的函数;${\xi _{ij}}$ 表示服从正态分布的组内误差;${{{A}}_{ij}}$$\left( {{f_{ij}} \times p} \right)$ 维已知设计矩阵;${{\chi}} $$\left( {p \times 1} \right)$ 维固定参数向量;$\;{{{\beta}} _i}$ 为第 $i$ 块样地带有方差−协方差矩阵D$\left( {q \times 1} \right)$ 维随机效应向量;${{{B}}_{ij}}$ 为随机效应的设计矩阵;${\sigma ^2}$ 为方差,${{{R}}_{i}}$ 为第 $i$ 块样地的方差−协方差矩阵;${\xi _{ij}}$${{{\beta}} _i}$ 相互独立。

      基于建模数据,本文利用R软件nlme包中nlme()函数,采用极大似然法估计非线性混合效应模型参数。在未知协方差结构时,可将模型中所有参数看成混合效应参数,通过比较拟合统计量再从收敛的模型中选出模拟精度最高的模型。本研究采用的随机效应方差−协方差结构是无结构矩阵(UN)、对角矩阵(UN(1))和复合对称矩阵(CS)。为了进一步验证抚育间伐对枝条密度的影响,在拟合出最优混合模型后,利用其固定效应模拟不同条件下不同大小的人工红松枝条密度分布规律图,以此对比分析枝条密度随各变量变化的的差异。

    • 利用独立的建模样本数据进行建模,采用调整决定系数(Ra 2)、赤池信息准则(AIC)、贝叶斯信息准则(BIC)、对数似然值(Log likelilood)等评价指标对模型拟合优度进行评价比较,对参数个数不同的模型进行似然比(LRT)检验,从而选出最优混合模型。在此基础上,为最优模型加入不同的随机效应方差−协方差结构重新拟合,采用Ra 2、均方根误差(RMSE)等评价指标选出最优方差结构。

      利用独立的检验样本数据对模型的预估能力进行检验,其统计指标为平均绝对偏差(MAE)、平均相对偏差绝对值(RMAE)、模型预估精度(${F_p}$)等,混合效应模型检验时固定效应部分的检验与传统的检验方法相同,而随机参数检验需要二次抽样来计算随机参数值,然后计算相应统计指标。

      模型评价与检验统计指标计算公式如下:

      $$ {\text{调整决定系数}}(R_{\rm{a}}^2){\text{:}}\;\;\;R_{\rm{a}}^2 = 1 - \frac{{\left( {n - 1} \right)\displaystyle\sum\limits_{i = 1}^n {{{\left( {{y_i} - {{\hat y}_i}} \right)}^2}} }}{{\left( {n - p} \right)\displaystyle\sum\limits_{i = 1}^n {{{\left( {{y_i} - {{\bar y}_i}} \right)}^2}} }} $$ (5)
      $$ {\text{均方根误差}}({\rm{RMSE}}){\text{:}}\;\;\;{\rm{RMSE}} = \sqrt {\frac{{{{\displaystyle\sum\limits_{i = 1}^n {\left( {{y_i} - {{\hat y}_i}} \right)}^2 }}}}{{n - p}}} $$ (6)
      $$ {\text{平均绝对偏差}}({\rm{MAE}}){\text{:}}\;\;\;{\rm{MAE}} = \displaystyle\sum\limits_{i = 1}^n {\left| {\frac{{{y_i} - {{\hat y}_i}}}{n}} \right|} $$ (7)
      $$ \begin{aligned} & {\text{平均相对偏差绝对值}}({\rm{RMAE}}){\text{:}}\\ & {\rm{RMAE}} = \frac{1}{n}\sum\limits_{i = 1}^n {\left| {\frac{{{y_i} - {{\hat y}_i}}}{{{y_i}}}} \right|} \times 100\% \end{aligned} $$ (8)
      $$ {\text{预估精度}}({F_p}){\text{:}}\;\;\;{F_p} = \left( {1 - \frac{{{t_{0.05}} \cdot {S_{\bar y}}}}{{\bar y}}} \right) \times 100\% $$ (9)

      式中:${y_i}$ 为实测值,${\hat y_i}$ 为预测值,$\bar y$${y_i}$ 的平均值,${S_{\bar y}} = \sqrt {\dfrac{{\displaystyle\sum {{{\left( {{y_i} - {{\hat y}_i}} \right)}^2}} }}{{n(n - p)}}} $n为样本数,p为模型参数的个数。

      对于混合模型(4),根据经验线性无偏最优预测法(EBLUP)[26],可采用下述公式计算模型检验时的随机效应:

      $${\hat \beta _i} = \hat D\hat {{Z}}_i^{\rm{T}}{\left( {{{\hat {{Z}}}_i}\hat D\hat {{Z}}_i^{\rm{T}} + {{\hat R}_i}} \right)^{ - 1}}\left[ {{{\bar y}_i} - f(A{{\hat \chi }_i},{{{v}}_i})} \right]$$ (10)

      式中:$\;{\hat \beta _i}$ 预测的随机效应参数,$\hat D$${\hat R_i}$ 分别为随机效应参数和误差项协方差矩阵的估计,${\hat {{Z}}_i}$ 为混合模型(3)中因变量对各随机效应参数的偏导数组成的矩阵,${\bar y_i}$ 为检验样本中第 $i$ 个样地(或样木)活枝数量的平均值,${\hat \chi _i}$ 为模型固定效应参数的估计值,${{{v}}_i}$ 为第 $i$ 个样地(或样木)中预测变量组成的矩阵。

    • 通过对抚育间伐后林木的枝条数量进行间伐强度和地位指数的统计假设检验,在α = 0.05水平下,发现间伐强度、地位指数及其交互作用对枝条数量存在一定的影响,遂采用LSD法在所有的TI-SI组合间进行多重比较。双因素方差分析结果表明(表3):不同林分的林木枝条密度之间存在显著差异,其中总活枝数量在不同间伐强度、不同地位指数间有显著差异,平均活枝密度只有当间伐强度为M时不同地位指数间有显著差异,而最大活枝密度的冠层深度和最大活枝密度的相对冠层深度在间伐强度为CK和L时不同地位指数之间有显著差异,在M和H时无显著差异。在间伐强度和地位指数影响的基础上,总活枝数量和最大活枝密度的冠层深度对其交互作用也有显著响应。这可能与林分郁闭度和抚育措施有很大关系,红松人工林在幼龄阶段生长旺盛,产生了大量的嫩枝嫩芽,当林分达到郁闭后,林木树冠竞争比较激烈,冠层底部枝条生长受到自身遮阴以及与灌木层之间竞争的影响,导致树冠下层枝条大量枯死,而在此时若进行及时的抚育间伐措施会减缓枝条死亡,从而为保证单株林木生长优势提供营养物质。

      表 3  不同间伐强度、不同地位指数枝条密度双因素方差分析

      Table 3.  Two-way ANOVA of different thinning intensities and site index for branch density

      TISIn总活枝数量
      Total number of
      living branch
      平均活枝密度/(个∙m−1)
      Average density of
      living branch/
      (number∙m−1)
      最大活枝密度/(个∙m−1)
      Max. density of
      living branch/
      (number∙m−1)
      最大活枝密度的冠层深度
      Crown depth of
      Max. branch
      density/m
      最大活枝密度相对冠层深度
      Relative crown depth of
      Max. branch
      density/%
      CK698 ± 33abcd14.1 ± 1.84ab19.59 ± 1.87ab2.76 ± 0.48bc41.97 ± 11.50b
      373 ± 21d12.3 ± 0.63ab16.09 ± 1.16bc2.99 ± 0.25abc55.27 ± 24.59ab
      V374 ± 7cd11.61 ± 0.35b16.21 ± 0.21bc4.14 ± 0.42a70.6 ± 2.4a
      L4108 ± 22abc13.9 ± 0.95ab23.51 ± 5.64a3.53 ± 0.79ab49.25 ± 8.6b
      272 ± 6d11.16 ± 0.29b16.56 ± 3.36bc1.90 ± 0.06c33 ± 5.23b
      V268 ± 1d11.39 ± 0.19b17.08 ± 0.8bc3.46 ± 0.77abc56.8 ± 14.01ab
      M10112 ± 15ab14.52 ± 3.06a19.34 ± 4.1b3.34 ± 1.04abc44.95 ± 14.29b
      797 ± 29abcd12.03 ± 1.91b15.9 ± 2.34c2.99 ± 1.35abc39.4 ± 14.89b
      V274 ± 21cd12.28 ± 3.5ab17.11 ± 2.43bc2.64 ± 0.43bc44.35 ± 6.15b
      H2132 ± 5a15.5 ± 0.68a21.51 ± 1.54ab2.88 ± 0.05abc34.1 ± 0.42b
      4119 ± 8a14.97 ± 0.81a20.15 ± 0.72ab3.44 ± 0.88abc48.5 ± 15.41b
      487 ± 34bcd13.68 ± 2.99ab17.44 ± 4.7bc3.04 ± 0.29abc50.8 ± 14.28ab
      注:n.解析木株数;地位指数等级(SI):Ⅰ (15.03 ~ 16.19 m)、Ⅱ (14.01 ~ 14.81 m)、Ⅲ (13.15 ~ 13.99 m)、Ⅳ (11.94 ~ 12.91 m)、Ⅴ (9.15 ~ 11.09 m)。表中数值为平均值 ± 标准差,同一列数据后不同字母表示5%水平差异显著。Notes: n represents parse tree number; site index level (SI): Ⅰ (15.03−16.19 m), Ⅱ (14.01−14.81 m), Ⅲ (13.15−13.99 m), Ⅳ (11.94−12.91 m), Ⅴ (9.15−11.09 m). The data in table are mean ± SD. Different letters in the same column after data indicate significant differences at 5% level.
    • 将所有影响枝条密度的单木因子引入基础模型(3),并在方差分析的基础上,引入立地条件(地位指数)及间伐效应(抚育间伐强度、抚育间伐年龄),利用全部子集法(已将VIF > 10的自变量剔除),通过RMSE和Ra 2两个指标筛选对枝条密度有较强影响的变量,结合不同间伐条件下样地中树木枝条密度的分析结果,最终确定含有7个变量(DINC、lnRDINC、RDINC2、DBH、CL、SI、TI/TA)的模型拟合效果最佳,且所有参数均极显著(P < 0.001),其模型表达式为:

      $$\begin{aligned} {\rho _{{\rm{NB}}}} = \;& \lambda \exp ( - ({k_1}{\rm{DINC}} + {k_2}\ln {\rm{RDINC}} + {k_3}{\rm{RDIN}}{{\rm{C}}^2} + \\ & {k_4}{\rm{DBH}} + {k_5}{\rm{CL}} + {k_6}{\rm{SI}} + {k_7}({\rm{TI}}/{\rm{TA}})) ) \end{aligned}$$ (11)

      式中:$\;{\rho _{{\rm{NB}}}}$为枝条密度,本文中指红松树干每1 m区分段上一级活枝的数量;DBH为单木胸径,cm;CL为单木冠长(树高与第一活枝高的差值),m;DINC为总着枝深度(各一级枝到树梢的距离),m;RDINC为相对着枝深度(各一级枝总着枝深度与冠长的比值);SI为地位指数,m;TI为林分抚育间伐强度(即抚育株数强度),%;TA为林分抚育间伐年龄;$\lambda $${k_1}$${k_2}$${k_3}$${k_4}$${k_5}$${k_6}$${k_7}$ 均为模型预估参数。基于3 534个枝条建模数据的最优基础模型(11)拟合结果详见表4,其模型Ra 2 = 0.591 6,RMSE = 2.990 4。

      表 4  最优基础模型参数拟合结果

      Table 4.  Fitting results of the best basic model

      参数 Parameter样本容量 Sample size估计值 Estimation标准误差 SEtP
      $\lambda $3 53424.485 5171.193 71320.512 1 < 0.000 1
      ${k_1}$3 5340.155 0000.012 95411.965 6 < 0.000 1
      ${k_2}$3 534−0.616 2050.017 812−34.595 3 < 0.000 1
      ${k_3}$3 5341.279 1260.062 99720.304 6 < 0.000 1
      ${k_4}$3 5340.005 2370.001 4033.733 7 < 0.000 1
      ${k_5}$3 534−0.037 5610.006 627−5.667 9 < 0.000 1
      ${k_6}$3 534−0.048 6520.003 168−15.660 0 < 0.000 1
      ${k_7}$3 534−0.055 8320.005 951−9.381 7 < 0.000 1
    • 基于最优基础模型(11),随机效应方差−协方差结构为UN时,利用R 3.6.1软件nlme包对式(11)的不同随机效应参数组合进行拟合,采用Ra 2、Log-likelihood、AIC、BIC对不同模型的拟合优度进行比较,此外,为避免过参数化问题,对不同模型进行似然比检验LRT,其中P < 0.05代表差异显著,拟合结果详见表5(本研究中仅列出相同随机效应参数个数情况中的最优模型)。

      表 5  基于不同随机效应参数组合的枝条密度模型拟合精度比较

      Table 5.  Comparison of mixed branch density model based on different random effect parameters

      随机效应
      Random effect
      模型
      Model
      随机效应参数
      Random effect
      parameter
      参数个数
      Number of
      parameter
      Ra 2AICBICLog-
      likelihood
      似然比检验
      Likelihood ratio
      test (LRT)
      P
      11无 None80.591 618 533.2918 588.82−9 257.64
      样木效应
      Sample tree effect
      11.1${k_3}$90.613 118 446.2318 507.91−9 213.1289.04 < 0.001
      11.2${k_3}$、${k_7}$110.629 618 300.3718 374.38−9 138.18149.88 < 0.001
      11.3${k_1}$、${k_4}$、${k_5}$140.640 218 245.3518 337.87−9 107.6761.02 < 0.001
      样地效应
      Sample plot effect
      11.4${k_5}$90.675 017 910.1017 971.78−8 945.05
      11.5${k_2}$、${k_4}$110.742 417 202.3917 276.40−8 589.19711.72 < 0.001
      11.6${k_1}$、${k_2}$、${k_4}$140.797 816 566.7816 659.30−8 268.39641.60 < 0.001
      11.7${k_1}$、${k_2}$、${k_4}$、${k_7}$180.808 216 316.1816 433.37−8 139.09258.60 < 0.001
      11.8${k_1}$、${k_2}$、${k_3}$、${k_4}$、${k_7}$230.825 716 125.7116 273.74−8 038.85200.48 < 0.001

      表5可知,基于样木效应时,枝条密度混合模型共有44种组合收敛(本研究未全部列出),当随机参数超过3个时,模型均不收敛。随着随机参数的增加,混合模型的AIC、BIC逐渐降低,Log-likelihood值逐渐增大,说明混合模型的拟合效果均优于基础模型(11),其中以参数${k_1}$${k_4}$${k_5}$同时作为随机效应参数模型(11.3)的AIC、BIC最小,Log-likelihood值最大,Ra 2较基础模型提高了8.21%,拟合效果最佳。LRT 检验表明:基础模型(11)与模型(11.1)、模型(11.1)与模型(11.2)、模型(11.2)与模型(11.3)之间差异均极显著(P < 0.001),因此,将模型(11.3)作为基于样木效应的枝条密度最优混合模型。

      基于样地效应时,枝条密度混合模型共有67种组合收敛(本研究未全部列出),且由于模型(11)参数较多,当随机参数超过5个时,模型均不收敛。随着随机参数的增加,混合模型的AIC、BIC相对于基本模型(11)以及基于样木效应的混合模型(模型11.1、模型11.2、模型11.3)均有一定程度的降低,而Log-likelihood 均有一定幅度的提高,说明基于样地效应的混合模型优于基础模型和基于样木效应的混合模型。其中以参数${k_1}$${k_2}$${k_3}$${k_4}$${k_7}$同时作为随机效应参数模型(11.8)拟合效果最佳,AIC较模型(11)和模型(11.3)分别降低了13.00%、11.62%,BIC较模型(11)和模型(11.3)分别降低了12.45%、11.26%,Log-likelihood值较模型(11)和模型(11.3)分别提高了13.17%、11.74%,而Ra 2较模型(11)和模型(11.3)分别提高了39.57%、28.98%。LRT 检验表明:模型(11.4)与模型(11.5)、模型(11.5)与模型(11.6)、模型(11.6)与模型(11.7)、模型(11.7)与模型(11.8)之间差异均极显著(P < 0.01),说明模型(11.8)优于其他模型。

      随机效应方差−协方差结构可以反映树木间的差异性。本研究采用无结构矩阵(UN)、对角矩阵(UN(1))和复合对称矩阵(CS)对比分析发现,无论是基于样木效应还是基于样地效应的最优非线性混合模型,CS均不收敛,而UN始终显示出最好的拟合效果。综上分析,最终将含有UN基于样地效应的模型(11.8)作为模拟枝条密度的最优混合模型(即模型(11.8),Ra 2 = 0.825 7)。枝条密度最优基础模型和最优混合模型的固定参数、随机参数的拟合统计量详见表6

      表 6  不同参数数量模型方差组成、参数估计及拟合统计量

      Table 6.  Variance component, fixed parameters and fitting statistic estimates of models with different numbers of parameters

      项目 Item参数 Parameter模型11 Model 11模型11.3 Model 11.3模型11.8 Model 11.8
      固定效应参数
      Fixed effect parameter
      $\lambda $24.485 5***25.595 1***22.221 1**
      ${k_1}$0.155 0***0.229 0***0.157 7
      ${k_2}$−0.616 2***−0.701 5***−0.656 9***
      ${k_3}$1.279 1***1.019 4***1.598 9***
      ${k_4}$0.005 2***−0.020 7**0.001 7
      ${k_5}$−0.037 6***−0.060 6***−0.100 8***
      ${k_6}$−0.048 7***−0.026 7***−0.050 1*
      ${k_7}$−0.055 8***−0.002 7−0.350 5*
      随机效应方差−协方差结构
      Variance of random effect-covariance structure
      $\sigma _{{k_1}}^2$0.050 50.207 6
      $\sigma _{{k_2}}^2$0.183 8
      $\sigma _{{k_3}}^2$0.886 5
      $\sigma _{{k_4}}^2$0.016 00.048 3
      $\sigma _{{k_5}}^2$0.046 3
      $\sigma _{{k_7}}^2$0.313 3
      $\sigma _{{k_1}{k_2}}^2$−0.915 0
      $\sigma _{{k_1}{k_3}}^2$−0.936 0
      $\sigma _{{k_1}{k_4}}^2$0.105 0−0.911 0
      $\sigma _{{k_1}{k_5}}^2$−0.580 0
      $\sigma _{{k_1}{k_7}}^2$0.119 0
      $\sigma _{{k_2}{k_3}}^2$0.789 0
      $\sigma _{{k_2}{k_4}}^2$0.843 0
      $\sigma _{{k_2}{k_7}}^2$0.013 0
      $\sigma _{{k_3}{k_4}}^2$0.798 0
      $\sigma _{{k_3}{k_7}}^2$−0.085 0
      $\sigma _{{k_4}{k_5}}^2$−0.791 0
      $\sigma _{{k_4}{k_7}}^2$−0.471 0
      拟合统计量
      Fitting statistics
      $R_{\rm{a}}^2$0.591 60.640 20.825 7
      RMSE2.990 43.120 72.171 4
      注:***表示在P < 0.001水平上显著,**表示P < 0.01水平上显著,*表示P < 0.05水平上显著。Notes: *** represents significiance at P < 0.001 level; ** represents significiance P < 0.01 level; * represents significiance at P < 0.05 level.
    • 利用最优混合模型拟合枝条密度时,考虑到树木内误差项方差−协方差结构,本研究采用林业上常用的一阶自回归结构AR(1)、一阶自回归与移动平均结构ARMA(1,1)和复合对称结构CS来描述树木内枝条的空间序列相关性,但模型拟合均不收敛。由于枝条数据不是连续观测数据,因此本文可以不考虑枝条密度模型的时间相关性。

    • 最优基础模型和最优混合模型拟合残差图见图2,可以看出,两个模型残差分布均匀且未出现异方差性,其中残差图2B明显优于残差图2A,说明混合效应模型拟合效果明显优于基础模型。

      图  2  最优基础模型和最优混合模型残差图

      Figure 2.  Residual plots of the best basic and mixed models

      基于独立的检验样本数据,计算出检验数据的随机效应参数和预测值,从而对最优基础模型和最优混合效应模型进行检验(表7)。结果表明:基础模型在引入随机参数后,其预估精度(Fp)有所提高,平均绝对偏差(MAE)、平均相对偏差绝对值(RMAE)有所下降,说明混合效应模型检验结果优于基础模型。

      表 7  最优基础模型与最优混合模型检验结果

      Table 7.  Validation results of the best basic model and the best mixed-effects model

      模型 Model样本容量 Sample size平均绝对偏差 MAE平均相对偏差绝对值 RMAE预估精度 Fp
      基础模型11 Basic model 118364.099 939.8697.376 4
      混合模型11.8 Mixed model 11.88362.465 420.8698.553 5
    • 本研究基于枝条密度最优混合模型(11.8)的固定效应,分别模拟了不同条件下不同大小的人工红松枝条密度随RDINC变化的分布规律,模拟方法是固定其中的3个变量(趋近平均值),从而模拟枝条密度与剩余变量(其中变量DINC、lnRDINC、RDINC2是可变的)的变化规律。由图3可知,枝条密度随RDINC的增大呈先增大后减小的趋势,其中不同间伐强度、不同地位指数、不同间伐年龄和不同等级木均在树冠上部RDINC = 0.310 98时枝条密度达到峰值,且在冠层下部三分之二的部位活枝数量越来越少,活枝数量总体分布在树冠中上层,这可以为林分确定间伐强度提供一定的参考依据。由图3A可知,在树木DBH、CL、SI保持不变时,枝条密度随着TI增加呈明显增大的趋势,且在TI达到H时达到最大值,这说明在其他变量保持不变的情况下,抚育间伐强度越大,枝条密度越大。由图3B可知,在DBH、CL、TI/TA保持不变时,枝条密度随着SI增加呈增大的趋势,且地位指数越高,枝条密度越大,这说明立地条件对枝条生长有较强的影响。相对于间伐强度,TA对枝条密度影响较小(图3C),且呈相反趋势,即枝条密度随着TA的增加而减小,但变化不明显,说明在林分年龄较大时采取抚育间伐措施不利于枝条生长。由图3D可知,不同等级木冠层内的枝条密度差异不明显,枝条密度随着胸径的增大而减小,这与模型(11.8)中参数DBH不显著(P = 0.94)结果相一致。而在树冠的中上部,CL越大的树木,枝条密度越大(图3E),当CL为4、6、8、10 m分别在RDINC为0.365、0.329、0.297、0.269处达到峰值,这表明在其他变量保持不变的情况下,枝条密度有明显的向树梢方向移动的趋势;在树冠的中下部,4种冠长在RDINC = 0.639 2处交于一点,且枝条密度与树冠中上部呈相反趋势,即冠长较大的树木在树冠的中上部有更多的活枝,而冠长较小的树木在树冠的中下部有更多的活枝。

      图  3  不同条件下的枝条密度分布规律图

      Figure 3.  Distribution patterns of branch density under different conditions

    • 本研究基于不同林分条件及抚育间伐强度的49 棵人工红松解析木和枝解析数据,将林分抚育间伐效应引入模型中,采用非线性混合模型的方法建立了红松人工林枝条密度混合模型,并利用Ra 2、AIC、BIC、Log-likelihood 及LRT检验评价不同混合模型的效果。结果表明:

      (1)随机效应的引入和无结构(UN)方差−协方差矩阵均能提高基础模型的拟合优度。当考虑样木效应时,以${k_1}$${k_4}$${k_5}$同时作为随机效应参数模型(11.3)的拟合效果最佳,Ra 2较基础模型提高了8.21%;考虑样地效应时,以${k_1}$${k_2}$${k_3}$${k_4}$${k_7}$同时作为随机效应参数模型(11.8)的拟合效果最佳,Ra 2较基础模型提高了39.57%。无论考虑样木效应还是样地效应,混合模型的模拟精度较基础模型均有大幅度的提升,且通过各项拟合指标和残差异质性检验均可以说明基于样地效应的混合效应模型比基础模型能更好地模拟枝条密度的变化,且引入抚育间伐因子,所建模型更能精准描述枝条密度随林分发育的变化规律,具有一定的生物学意义和统计可靠性。

      (2)利用最优混合模型的固定效应参数,分别模拟了不同条件下枝条密度随RDINC变化的分布规律。当地位指数和树木等级相近时,抚育间伐强度和冠长越大,枝条密度越大,且差异明显;随着间伐年龄的增大,枝条密度略有下降的趋势;当抚育间伐强度和树木等级相近时,地位指数和冠长越大,枝条密度越大;而抚育间伐强度和地位指数相近时,树木胸径越大,枝条密度反而越小,这可能是林分经过抚育间伐后枝条受气候、光照和立地条件的影响,会加快基径生长,从而淘汰部分竞争能力相对较弱的枝条,这与前人的研究相一致[15]

      林分条件决定了枝条的生长与死亡,Ishiia等[15]和Weiskittel等[16]认为可将枝条密度看作其从开始萌发到死亡的函数,一般从树梢到树冠基部呈指数型下降趋势,本研究结果与其趋同。在此之前,Weiskittel等[27]证明了施肥和间伐对树冠衰退率有显著影响,但是这一过程在枝条层面几乎没有得到验证。随后,Weiskittel等[22]、Thorpe等[28]及Sattler等[29]研究发现枝条对经营措施所造成的林分条件及其局部立地竞争机制的变化具有较强的响应能力,并以此解释了树木和林分生长响应的重要机制。本研究基于前者枝条模型的优点,将林分经营措施(抚育间伐)作为变量引入模型,对其进行进一步优化,使其更加符合红松人工林枝条的生长特点。从森林资源调查经验来看,林分发育初期树冠上部轮生幼枝产生大量的叶芽,为其生长发育提供了充足的碳水化合物,使林分的遮荫作用逐渐增强。随着林分郁闭度的增加,树冠上部三分之二的枝条生长旺盛,而冠层下部三分之一的枝条长期无法进行正常光合作用,累积的负能量消耗了大量的养分,从而导致了其死亡[30]。若此时进行合理的抚育间伐措施,不但能减缓枝条死亡的速率,还能增强其光合潜力,有利于增强林分生长发育和材种出材率。因此,基于抚育间伐效应的生物数学模型,能够更加准确地体现抚育间伐对林木枝条产生的影响,为制定更加科学合理的间伐体制提供基础。

参考文献 (30)

目录

    /

    返回文章
    返回