基于混合模型的红松人工林枝条动态研究

采用孟家岗林场79株人工红松4 987个枝条的枝解析数据,分别构建了人工红松枝条基径、枝长线性混合效应模型和枝条基径、枝长生长混合效应模型。利用SAS9.22统计软件对模型参数进行求解,并通过AIC、BIC及LRT对收敛的非线性模型之间的差异性进行显著性检验。结果表明:对于基径和枝长的线性混合效应模型,模型中所有参数的t检验均显著,参数的标准误差比较小,模型的稳定性很好。对于基径生长的非线性混合效应模型,在不考虑样地效应的条件下,对于模型参数b1和b3的组合,无论是AIC还是BIC都比较小。当考虑到样地效应的过程中,同样是参数b1和b3的组合形式取得最小的AIC和BIC,因此在考虑到样地效应时,这种参数的随机效应组合形式是最优模型。对于人工红松枝条枝长生长的非线性混合效应模型,当没有考虑样地效应时,通过比较不同参数的随机组合的随机效应,可以得知,当参数b1和b3组合的过程中,无论是AIC还是BIC都比较小。当考虑到样地效应的过程中,参数b3和b4的组合形式取得最小的AIC和BIC,因此在考虑到样地效应时,这种参数的随机效应组合形式是最优模型。     

帽儿山天然次生林10种主要阔叶树冠径与胸径关系研究

根据帽儿山天然次生林30块标准地每木检尺的实测数据,建立帽儿山天然次生林10种主要阔叶树冠径与胸径以及胸径和冠径与胸径比值（cd/D）之间的关系,并且简要论述冠径与胸径比值在树木空间、断面积和林分密度和间伐强度的应用。研究表明：胸径在10~30 cm之间,相关系数（R²）在0.8以上时,冠径与胸径关系近似一条直线。通过对不同树种的不同大小树木(cd/D)比值的分析,得出随着胸径的增加的比值是逐渐减小的,并且减小的趋势随着胸径的增加趋于平稳,最后趋于一个常数。     

红松人工林林木果实产量预估模型

以黑龙江省佳木斯市孟家岗林场红松人工林为研究对象,基于在12块固定样地中测定的579株红松单株结实量数据,采用Logistic回归模型及非线性回归模型构建了红松单木果实产量预测模型。首先,根据各样木的结实情况,采用SAS9.22统计软件建立了人工红松单株木结实与否的Logistic概率模型,并作为判断林木是否结实的基础模型。然后,通过分析红松人工林单木结实量与林木各调查因子的关系,构建了单株木果实产量的非线性预测模型。结果表明,文中建立的Logistic模型判断红松结实的正确率在65%以上。通过分析拟合效果,选择y=a(D2CW)b作为红松人工林果实产量预估的最优模型,其预估精度为77%,残差分布均匀,模型的拟合效果较好。最后采用2号样地实测的果实产量数据对两个模型同时进行了检验,结果表明该样地结实量的预估精度为92.78%。本研究为人工红松果实产量的预测提供了可行的方法。     

长白落叶松人工林心材变化规律

依据黑龙江省孟家岗林场49株人工落叶松1179个圆盘和轮盘数据,分析了心材半径的纵向变化规律.结果表明: 心材半径随树高增高而逐渐减小,与树干外形基本一致,其中去皮半径(XR)、胸径(DBH)及形成层年龄(CA)与心材半径之间关系较显著,利用逐步回归分析建立落叶松心材半径(HR)和面积(HA)模型:HR=b₁+b₂XR²+b₃CA+b₄XR, HA=b₁+b₂DBH·XR+b₃CA+b₄DBH·XR².应用AIC、BIC、对数似然值以及似然比检验等模型评价指标,对利用样地、样木效应拟合的心材半径和面积模型进行比较.当考虑样木效应拟合心材半径和面积模型时,将b₁、b₂、b₃作为混合参数得出的模型最好.混合模型的预测精度高于基本模型.在应用上,总体心材半径和面积可以通过混合模型来预测.采用Beta回归模型模拟了心材比例,模型中各参数均显著,决定系数较高,模型模拟效果较好.     

基于线性混合效应的红松人工林枝条生物量模型

基于黑龙江省孟家岗林场60株红松解析木3643个枝条生物量的实测数据,利用全部子回归技术建立了枝条生物量模型(枝、叶和枝总生物量模型),最终选择lnw=k₁+k₂lnL_b+k₃lnD_b为枝条生物量最优基础模型.利用SAS 9.3统计软件的PROC MIXED模块建立枝条生物量混合模型,并采用AIC、BIC、对数似然值和似然比等统计指标评价不同模型的拟合效果.结果表明: 红松解析木的叶和枝总生物量混合模型以k₁、k₂、k₃作为随机效应参数的拟合效果最好,而枝生物量混合模型以k₁、k₂作为随机效应参数的拟合效果最好.最后将枝条生物量最优基础模型与最优混合模型进行模型检验.混合模型各项指标优于基础模型,能有效地提高模型的预估精度,并且通过方差协方差结构校正随机参数来反映树木之间的差异.     

黑龙江省落叶松人工林碳储量动态研究

基于36株碳密度测定样木和5期黑龙江省森林资清查数据（1986~2005）,利用非线性度量误差模型来估计黑龙江省落叶松人工林的碳储量动态变化。结果表明：黑龙江省人工落叶松不同器官碳密度在456.7~479.0 mg·g^-1之间,不同器官碳密度差异显著,各器官碳密度由高到低为：树叶>树枝>树干>树根。不同林龄落叶松人工林树干、树根树枝和树叶的碳储量分配比例分别稳定在：66.75%~68.92%、21.59%~22.62%、5.99%~8.16%和2.47%~3.50%。其中,树根和树枝含碳量比重随林分年龄增加而增加,树干和树叶含碳量比重随林分年龄增大而减小。1986~2005年黑龙江省落叶松人工林碳储量总体呈增长趋势,2000年时达最大,为30.38 t·hm^-2,在此期间,平均每年以1.21 t·hm^-2的速度增加。2005年黑龙江省不同区域落叶松人工林碳储量在25.43~34.35 t·hm^-2之间,各区域碳储量由高到低依次为：小兴安岭南坡>完达山地区>张广才岭东坡>张广才岭西坡>小兴安岭北坡。     

两种方法预估红松立木含碳量的精度

森林碳储量是评价森林生态系统生态效益的重要指标,准确估计立木各器官(树干、树枝、树叶和树根)含碳量是其基础。基于黑龙江省44株人工红松各器官生物量和含碳量的实测数据,采用非线性联立方程组构建了相容性立木生物量和含碳量模型,比较了两种方法(直接法和间接法)估计红松立木含碳量的精度。直接法是通过构建各器官相容性含碳量模型,直接预估立木各器官含碳量。间接法是由各器官相容性生物量模型,结合3种形式的含碳率(平均含碳率0.5、林木实测平均含碳率,各器官实测平均含碳率)来预估树木各器官含碳量。研究结果表明:相容性生物量和含碳量模型的相关指数R2为0.76—0.99,模型的拟合效率(EF)为0.80—0.98。直接法中树干、树枝、树叶、树根和总量的含碳量预估精度分别为91.03%、80.02%、70.24%、87.10%、93.08%;间接法中采用平均含碳率0.5的预估精度与直接法相比,各器官及总量分别下降1.39%、1.5%、0.13%、1.09%和2.2%,而采用另外两种形式的含碳率其预估精度降幅在0.3%以内。依据文中推导的相对误差积累公式可知,间接法的预估精度主要与Ci%/珔C%(Ci%为单木各器官含碳率,珔C%为实测平均含碳率)有关。显然,直接法是预估红松立木含碳量的最佳方法。通常使用的碳含量转换系数0.5与实测含碳率有明显差异,因此间接法中采用0.5的含碳率其预估精度最低,而使用各器官实测的含碳率可以明显提高预估精度。     

三种针叶树种节子属性通用方程的构建

以2020年在黑龙江省林口林业局与孟家岗林场选取的3种典型针叶树种红松、长白落叶松、樟子松为研究对象,对节子直径、疏松节长度、健全节长度3种属性构建基础模型、哑变量模型和混合模型,分析不同树种节子属性的差异,简化模型的建模工作。首先通过剖析法收集相关节子属性数据,结合相关文献,转换模型形式以及替换相关变量,构建基础模型;将树种作为定性因子,转化为哑变量,引入基础模型中,构建相关属性的哑变量模型;在构建混合模型时,引入样木与样地水平的随机效应,通过比较赤池信息准则(AIC)、贝叶斯信息准则(BIC)等评价指标,选出拟合效果最佳的混合模型。之后对基础模型、哑变量模型、混合模型的拟合精度进行对比,选出最优的通用方程。结果表明：3种模型中,哑变量模型与混合模型的拟合精度均大于基础模型。AIC、BIC等评价指标显示,混合模型对节子属性的拟合效果优于哑变量模型。模型对比结果中,健全节长度、疏松节长度、节子直径混合模型的R²相较于基础模型分别提升了13.2%、84.8%、40.3%。不同树种3种节子属性基础模型的预测精度均大于90%,哑变量模型与混合模型的预测精度均在94%以上...     

基于BP人工神经网络的兴安落叶松天然林全林分生长模型的研究

以大兴安岭地区兴安落叶松天然林为研究对象,基于688块固定标准地数据,采用MATLAB中log-sigmoid型函数(logsig)和线性函数(purelin)为神经元的作用函数,依据全林分生长模型的概念,以年龄（A）、地位级指数（SCI）和林分密度指数（SDI）作为输入变量,以林分每公顷蓄积量（M）作为输出变量,构建和训练了全林分生长的BP人工神经网络模型,并与常规建模方法进行了对比研究。结果表明,BP人工神经网络模型的拟合精度高达99.6%,检验精度为98.9%,说明与其它建模方法相比人工神经网络建模具有较高的拟合精度和适应性,对林分生长具有更好的预测能力。     

人工红松树干内部节子体积预测模型

基于黑龙江省林口林业局林场和东京城林业局林场29块标准地中49株人工红松1207个节子数据,使用图片处理软件Digimizer对节子纵剖面图片数据进行提取,将节子形状用一个二维散点图表示。根据节子二维形状散点图,把人工红松节子分为3种类型: 活节(整个节子为健全节)、未包藏死节(节子由健全节和疏松节组成)和包藏死节(节子的健全节和疏松节部分被树干包藏)。3个类型节子的健全节体积通过对健全节形状参数方程求积得到;疏松节体积利用圆柱体的体积计算得到;节子总体积等于健全节体积与疏松节体积之和。最后,基于节子变量(节子直径、节子相对高、节子总长度)和树木变量(胸径),采用样地和树木水平的线性混合模型建立了红松人工林健全节体积、疏松节体积和节子总体积的预测模型。与基础模型相比,考虑样地和树木水平的混合效应所建立的健全节体积、疏松节体积和节子总体积预测模型,其参数估计更精准,残差分布更均匀,拟合精度明显提高。检验结果表明,基础模型预估精度均在90%以上,引入样地和树木效应的混合模型的预估精度均在93%以上,说明所建模型可以很好地预测红松人工林节子体积大小。