臨安杉木生物量估算模型及其通用性研究

孫燕飛，王國英，侯建花，莫路鋒

（1. 浙江農(nóng)林大學 信息工程學院，浙江 杭州 311300；2. 浙江省景寧縣林業(yè)局，浙江 景寧 323500）

生物量在研究森林生態(tài)系統(tǒng)功能方面具有重要意義，這一指標既能反映森林在調(diào)節(jié)全球碳平衡方面的重要作用，又可幫助管理者實現(xiàn)林地的可持續(xù)經(jīng)營和更好的利用[1]。

目前森林生物量測定方法中的皆伐實測法因費時費力、難度大、破壞性大等缺點，不利于推廣，一般僅在檢驗其它測定方法的精度時才使用，因此發(fā)現(xiàn)一種更方便準確且通用的測定方法具有現(xiàn)實意義。研究發(fā)現(xiàn)，應用較多的生物量測算方法是模型估算法[1-2]，該方法多以胸徑（D）、樹高（H）等測樹因子為自變量，對林木的生物量進行推算[3]。模型估算法前期必須準備實測樣本數(shù)據(jù)，從而根據(jù)樣本數(shù)據(jù)建立生物量模型，后期可直接根據(jù)相關的統(tǒng)計資料來估算對應林種的生物量。該方法不僅縮短了大范圍森林生物量的調(diào)查周期，而且對林木生物量有較高的估算精度，具有較好的現(xiàn)實意義。該模型形式多樣，其中應用較多的是冪函數(shù)模型、線性模型、指數(shù)模型和多項式模型等[2,4-6]。

杉木Cunninghamia lanceolata是我國栽培歷史悠久的重要用材林樹種，多為人工或半人工的純林，在我國速生樹種中占據(jù)著絕對的優(yōu)勢地位，在全國人工林種植面積中的比重已達到了28.54%[2]，是我國南方地區(qū)重要的鄉(xiāng)土樹種。浙江省是我國歷史上重要的杉木產(chǎn)地，主要分布在海拔1 000 m以下土壤肥沃、溫暖濕潤的山坡地塊中。近年來有關杉木生物量的研究報道也不斷深入。林開敏等通過模型優(yōu)選法研究得到了6年生杉木和馬尾松Pinus massoniana的生物量模型[7]；唐坤銀等以湖南省4縣（市）為例建立并優(yōu)選了杉木分器官和全株的生物量模型[8]；李燕等從模型精度和通用性方面對杉木生物量模型進行優(yōu)選[2]；范仁志采用多模型優(yōu)選法對杉木樹根生物量進行研究[9]。以上學者都是從模型優(yōu)選的角度對杉木生物量展開的研究，研究時仍存在對研究對象的篩選過于精細、忽視適用性等不足，且大多局限于單一樹齡或器官[2,7-11]，針對杉木林整個齡組（幼齡林、中齡林、近熟林和成熟林）生物量模型的研究偏少，對一種模型在不同齡組間運用時的精度狀況進行描述的研究更是少見。因此，本研究選擇了浙江省臨安區(qū)為研究區(qū)域，以不同齡組的杉木林實測數(shù)據(jù)為樣本依據(jù)，選擇常用的自變量因子（D，胸徑平方D2，H，樹高和胸徑乘積DH）和函數(shù)模型對實測數(shù)據(jù)進行擬合[12]，并根據(jù)檢驗結果來確定具有最優(yōu)適用性的杉木生物量模型，以此找到一種在大范圍內(nèi)可以同時對相同或不同齡組的杉木生物量進行測算且相對通用的模型，從而進一步提高杉木生物量測算的模型精確度以及效率，增強模型的有效性、可操作性和通用性，為今后杉木的經(jīng)營管理提供依據(jù)，同時為后期的深化研究提供理論指導。

1 研究樣區(qū)

研究樣區(qū)為天目山林區(qū)，位于浙江省杭州市臨安區(qū)西北部，119°24'～119°28' E，30°18'～30°24' N，面積為4 284 hm2，海拔300～1 506 m。處中亞熱帶季風氣候區(qū)南緣，屬季風型氣候，溫暖濕潤，光照充足，雨量充沛，土壤肥沃，土壤厚度為50～90 cm，森林植被生長茂盛。自山麓到山頂植被分布規(guī)律為：海拔870 m 以下為針闊混交林、常綠闊葉林、毛竹Phyllostachys heterocycla‘Pubescens’林，主要喬木樹種有杉木、楓香樹Liquidambar formosana等；海拔870～1 100 m 為常綠落葉闊葉混交林，主要喬木林有小葉青岡Cyclobalanopsis myrsinifolia等；海拔1 100 ～1 380 m 為落葉闊葉林，主要喬木林有小葉白辛樹Pterostyrax corymbosus等；海拔1 380 m以上為落葉矮林，主要樹種為雞樹條Viburnum sargentii等[13]。本研究樹種為杉木，樣區(qū)的海拔位于400～800 m之間。雖然天目山林區(qū)禁止采伐，但當?shù)貢鶕?jù)林木生長狀況進行更新造林，因此有新林的植入，但面積都比較小。

截至2016年4月，臨安區(qū)林業(yè)用地面積達26.10萬hm2，占全市土地總面積的83.28%，森林總蓄積已突破1 000萬m3，活立木蓄積達830.01萬m3，林木年平均消耗量31.59萬m3，森林覆蓋率高達76.55%。境內(nèi)以山地丘陵為主，地形復雜，受地貌影響，立體氣候明顯；丘陵地區(qū)紅壤廣布，是山區(qū)森林生長的主要土壤[14]類型。

2 研究方法

2.1 杉木樣本數(shù)據(jù)采集

研究數(shù)據(jù)來自臨安市2009年森林資源連續(xù)清查。2016年4月根據(jù)齡組設立了6個（20 m×20 m）標準地，林分密度分別為幼齡林2 700株·hm-2，中齡林2 200株·hm-2，近熟林1 950株·hm-2，1 900株·hm-2，成熟林1 350株·hm-2，1 300 株·hm-2，各齡組及不同林分密度各設一個標準地。每個標準地進行每木檢測，以1 cm為徑級，分別統(tǒng)計各徑級的樹高、株數(shù)，依此來確定林分胸徑的徑階范圍，其中，幼齡林的徑階（徑階距為2 cm，上限排除法）6～8 cm，中齡林8～12 cm，近熟林12～16 cm，成熟林16～22 cm。然后在各標準地內(nèi)從各徑級對應的株樹較多的杉木中隨機抽取一株生長正常的杉木作為樣木，共選取23株，并對樣木進行記錄（表1）。

樣木生物量數(shù)據(jù)的采集均采用稱重法獲取[15-16]。把樹冠分為上下兩層，砍下各層的枝條，采集所有樹枝上的樹葉，對樹葉取樣稱重，編號帶回；之后再從不同部位選取樹枝，并從樹枝的上中下部各截取5 cm小段圓柱進行稱重，并編號帶回；樹干和去皮干的采集是標準木伐倒以后，去除所有枝條，再把主干分段，稱量樹干的鮮重并編號，然后對編號的樹干樣本去皮、稱鮮、編號帶回；樹根采用全挖法，分別對主根(含根樁)、側(cè)根及＞2 mm的細根取樣稱重，記錄數(shù)據(jù)，編號帶回。

把采集的樣品帶回實驗室，在烘箱中烘干，烘烤過程中，每隔一段時間對樣品進行稱重，直到兩次稱量的相對誤差小于1%，這時把樣品取出，冷卻后再稱量干重。最終得到相應的生物量實測值。

表1 杉木林樣木測定數(shù)據(jù)Table 1 Analytic woods of C. lanceolata

2.2 樣本數(shù)據(jù)的處理

用SPSS 19.0對杉木生物量模型進行擬合，并進行效果和精度的檢驗。選用6種常用的生物量模型，如表2所示，基于實測生物量和胸徑、樹高數(shù)據(jù)，運用表2中的6種模型進行回歸分析，最終得到杉木幼齡林、中齡林、近熟林和成熟林的單木各器官和全株生物量估算模型[17-18]，并把決定系數(shù)（R2）、殘差平方和（RSS）作為模型擬合效果評價指標[19]，平均精度A作為杉木生物量模型的通用性預測效果的檢驗指標。

表2 生物量預測模型Table 2 Biomass prediction models

式中，Nsamp指樣本容量。A值越大說明模型的預測效果就越好，通常，A值＞80%時，就表示模型比較符合實際[2]。

3 結果與分析

研究結果表明，擬合后生物量模型的R2在0.812～0.945，RSS在0.015 9～0.432 0，F(xiàn)檢驗達到了顯著水平（P＜0.01），因此以D和DH為自變量的杉木單木生物量模型可用于實際。同時發(fā)現(xiàn)冪函數(shù)、指數(shù)函數(shù)和多項式函數(shù)模型的擬合效果依次為冪函數(shù)優(yōu)于指數(shù)函數(shù)優(yōu)于多項式函數(shù)。

通過檢驗結果的對比，得到了24個效果較好的擬合模型，見表3。

由表3可知，杉木各齡組生物量最優(yōu)模型均以冪函數(shù)模型最優(yōu)，其中，生物量最優(yōu)模型以D為自變量的模型有11個，以DH為自變量的模型有13個，均有較好的擬合效果。

表3 杉木單株生物量估算模型Table 3 Biomass estimation model for individual tree of C. lanceolata

3.1 各齡組杉木生物量最優(yōu)模型擬合結果分析

由表3可知，杉木幼齡林各器官和全株生物量最優(yōu)模型的R2為0.910～0.978，RSS為0.014 7～0.069 8。在幼齡林中樹葉、樹根和全株的生物量模型形式為：W = a（DH）b，從而得出，杉木幼齡林的樹葉、樹根和全株的生物量主要受DH影響，而且樹葉生物量模型和全株生物量模型的擬合效果均優(yōu)于杉木樹根的擬合效果。同理發(fā)現(xiàn)杉木樹枝、干皮與去干皮的生物量最優(yōu)模型形式為：W = aDb，表明此階段杉木樹枝、干皮和去干皮的生物量主要受到D的影響，其中去干皮的擬合效果較好，樹枝和去干皮的生物量模型的擬合效果次之，但相差不大。

中齡林單木各器官和全株生物量最優(yōu)模型的R2為0.843～0.976，RSS為0.020 1～0.432 1。其中樹葉、樹枝、樹根和全株的生物量最優(yōu)模型形式為：W = aDb，說明中齡林杉木的樹葉、樹枝、樹根和全株的生物量主要受到D的影響；干皮和去干皮的生物量最優(yōu)模型形式為：W = a（DH）b，說明中齡林的單木干皮和去干皮的生物量主要受DH綜合影響。

近熟林單木各器官和全株生物量最優(yōu)模型的R2為0.889～0.958，RSS為0.015 9～0.542 3。其中樹枝和樹根的生物量最優(yōu)模型形式為：W = aDb，說明近熟林的杉木中，樹枝和樹根的生物量主要受到D的影響；樹葉、干皮、去干皮和全株的生物量最優(yōu)模型形式為：W = a（DH）b，說明近熟林的單木干皮和去干皮的生物量主要受DH綜合影響。成熟林單木各器官和全株生物量最優(yōu)模型的R2為0.943～0.984，RSS為0.004 5～0.521 7。其中樹葉、干皮、去干皮和全株的生物量最優(yōu)模型形式為：W = a（DH）b，說明成熟林的杉木中，樹葉、干皮、去干皮和全株的生物量主要受到DH的影響；樹枝和樹根的生物量最優(yōu)模型形式為：W = aDb，說明成熟林的單木樹枝和樹根的生物量主要受到D的影響。

以上分析表明，W = a（DH）b和W = aDb均可作為杉木幼齡林、中齡林、近熟林和成熟林的最優(yōu)模型形式。各齡組內(nèi)部擬合效果最優(yōu)的模型分別為幼齡林的全株模型，中齡林、近熟林的樹根模型和成熟林的去干皮模型。

3.2 杉木生物量模型的互換通用性

用本研究建立的模型對臨安區(qū)的杉木生物量進行預測，通過調(diào)查數(shù)據(jù)比較模型的實際效果（表4）。

表4 杉木最優(yōu)模型對各齡組的單木生物量的預測效果Table 4 Prediction of the optimal model for the individual biomass of C. lanceolata with different ages

根據(jù)表4可知，幼齡林各生物量的最優(yōu)模型對中齡林、近熟林和成熟林模型預測的平均A普遍較低，均低于75%，但是幼齡林各器官模型對成熟林全株模型預測的A達到85.34%。由此可知，杉木幼齡林的生物量最優(yōu)模型不能直接用于中齡林、近熟林和成熟林的全株生物量預測，且各器官模型僅適用于成熟林全株生物量模型的預測，整體的通用性較差。中齡林生物量最優(yōu)模型對幼齡林的樹葉、干皮、去干皮和全株以及近熟林與成熟林的去干皮和全株生物量預測的A均高于80%，說明可以相對精確的預測幼齡林、近熟林和成熟林全株的生物量。同時，杉木中齡林全株生物量最優(yōu)模型對幼齡林、近熟林和成熟林的全株生物量的預測效果均優(yōu)于各器官的效果，說明杉木林不分齡組時，中齡林全株生物量模型可以用于幼齡林、近熟林和成熟林全株的生物量測算，且具有較好的通用性。

近熟林生物量最優(yōu)模型對幼齡林的樹枝、去干皮和全株以及中齡林的樹葉、樹枝、去干皮、樹根和全株以及對成熟林的樹葉、干皮、去干皮和全株生物量預測的A均大于80%，說明可以相對精確的預測幼齡林、中齡林和成熟林全株的生物量。

成熟林生物量最優(yōu)模型對幼齡林的去干皮和全株以及中齡林的去干皮、樹根和全株以及近熟林的樹枝、去干皮和全株生物量預測的A均高于80%，這說明可以相對精確的預測幼齡林、中齡林和近熟林全株的生物量。

綜上所述，臨安區(qū)杉木中齡林、近熟林和成熟林的全株生物量最優(yōu)模型均可對不分齡組時的杉木全株生物量進行預測，其中以中齡林的通用性效果最好，對各齡組生物量的預測精度均大于88%。因此，中齡林全株生物量模型W = 0.165 7D2.1456可以對杉木生物量進行預測，具有較好的通用性。

4 結論與討論

受自然條件和林分因子等多方面影響，杉木在不同齡組階段生物量的主要影響因素不同。幼齡林階段冠幅偏小，D和H的生長較快，根系生長旺盛[9]；中齡林經(jīng)過多年的自然選擇，成活的樹木已進入干材階段，冠幅較大，D，H的生長相對緩慢，根系仍然在不斷增長，材積增長迅速；近、成熟林階段杉木的H逐漸停止生長，材積還在增長，但是日趨緩慢[20]。本研究發(fā)現(xiàn)，D和H是幼齡杉木樹葉、樹根和全株生物量的重要影響因素；中齡杉木的樹葉、樹枝、樹根和全株生物量主要取決于D，而樹干主要是受D和H影響；近、成熟杉木的樹葉、樹干和全株的生物量主要受D和H影響，而樹根和樹枝主要是受D的影響。

為保證模型的可行性，在擬合模型的檢驗和評價時選用了R2，RSS和A 3個常用指標，盡可能有效反映預測模型的擬合效果和通用性。最終發(fā)現(xiàn)，杉木幼齡林的生物量模型對其他齡組的通用性最差；近熟林和成熟林次之；中齡林的通用性相對較好，可用于臨安地區(qū)不同齡組的杉木全株生物量的估測。因此，除D外，對小范圍杉木生物量進行分器官高精度計算時，還需要考慮到各器官的其他影響因子，但是在野外大范圍林區(qū)進行杉木總生物量估算時只需考慮D因子。

本研究模型所得生物量結果不像各齡組分器官生物量模型結果那樣準確，但預測精度達到80%以上。生物量的計算本身就存在一定的誤差，估算模型和自變量從多個簡化為一個，誤差同樣存在，因此在不要求精確計算生物量的前提下，可用于臨安區(qū)杉木生物量的估算，不僅節(jié)省分齡組分器官計算生物量的時間，又可以獲得生物量的估算結果，降低了實際操作難度，現(xiàn)實意義明顯。同時受樣本采集區(qū)域和樣本數(shù)量的限制，建立的杉木生物量分器官的最優(yōu)模型是以D和DH為自變量的冪函數(shù)，模型的選擇直接影響生物量的預測效果，所建立的模型可能更適用于臨安，因此在估算與臨安環(huán)境差異較大區(qū)域的杉木生物量時，模型的選擇還需要進一步研究。

[1] 唐守正，張會儒，胥輝. 相容性生物量模型的建立及其估計方法研究[J]. 林業(yè)科學，2000，36（?？?9－27.

[2] 李燕，張建國，段愛國，等. 杉木人工林生物量估算模型的選擇[J]. 應用生態(tài)學報，2010，21（12）：3036－3046.

[3] 羅天祥. 中國主要森林類型生物生產(chǎn)力格局及其數(shù)學模型[D]. 北京：中國科學院研究生院，1996：22－23.

[4] 馮宗煒，陳楚瑩，張家武，等. 湖南會同地區(qū)馬尾松林生物量的測定[J]. 林業(yè)科學，1982（02）：127－134.

[5] 劉興良，劉世榮，宿以明，等. 巴郎山川滇高山櫟灌叢地上生物量及其對海拔梯度的響應[J]. 林業(yè)科學，2006（02）：1－7.

[6] 呂曉濤，唐建維，何有才，等. 西雙版納熱帶季節(jié)雨林的生物量及其分配特征[J]. 植物生態(tài)學報，2007（01）：11－22.

[7] 林開敏，鄭郁善，黃祖清，等. 杉木和馬尾松幼林生物產(chǎn)量模型研究[J]. 福建林學院學報，1993（04）：351－356.

[8] 唐坤銀，唐代生. 杉木生物量優(yōu)化模型研究[J]. 林業(yè)調(diào)查規(guī)劃，2010，35（01）：47－49，52.

[9] 范仁志. 杉木人工林樹根生物量模型的研究[J]. 林業(yè)勘察設計，2011（1）：67－70.

[10] 田大倫，盤宏華，康文星，等. 第二代杉木人工林生物量的研究[J]. 中南林學院學報，1998（03）：14－19.

[11] 趙坤，田大倫. 會同杉木人工林成熟階段生物量的研究[J]. 中南林學院學報，2000（01）：7－13.

[12] 駱期邦，曾偉生，賀東北，等. 立木地上部分生物量模型的建立及其應用研究[J]. 自然資源學報，1999，14（3）：271－277.

[13] 王敬，韋新良，徐建，等. 天目山針闊混交林林木空間分布格局特征[J]. 浙江農(nóng)林大學學報，2014，31（05）：668－675.

[14] 韋新良，劉永富. 浙江省森林景觀地理概述[J]. 浙江林學院學報，1996，13（3）：316－321.

[15] 閆文德，田大倫，焦秀梅. 會同第二代杉木人工林林下植被生物量分布及動態(tài)[J]. 林業(yè)科學研究，2003，16（3）：323－327.

[16] 秦立厚，張茂震，鐘世紅，等. 森林生物量估算中模型不確定性分析[J/OL]. 生態(tài)學報，2017，37（23）：1－8.

[17] 惠剛盈，童書振，劉景芳，等. 杉木造林密度試驗研究Ⅰ.密度對幼林生物量的影響[J]. 林業(yè)科學研究，1988（04）：413－417.

[18] 段愛國，張建國，何彩云，等. 杉木人工林生物量變化規(guī)律的研究[J]. 林業(yè)科學研究，2005，18（2）：125－132.

[19] 施文濤，謝昕云，劉西軍，等. 安徽大別山區(qū)杉木人工林喬木層生物量模型及碳貯量[J]. 長江流域資源與環(huán)境，2015，24（5）：758－764.

[20] 佟金權. 杉木人工林廣義干曲線模型及其生物生產(chǎn)力研究[D]. 北京：中國林業(yè)科學研究院，1999：64.