三岔子林業(yè)局針闊混交林林分生長模型的構建

賀翔宇，歷胤男，苑飛，周新江

(吉林省林業(yè)勘察設計研究院，吉林 長春 130022)

針闊混交林是介于落葉闊葉林和針葉林之間的過渡性類型。該林分類型內(nèi)森林群落的種類較落葉闊葉林和針葉林豐富，群落的結構也較為復雜，是長白山林區(qū)的主要林分類型。林分生長模型是研究森林生長變化規(guī)律的基礎手段，可以精確地預測森林資源動態(tài)。但林分生長模型種類繁多，模型參數(shù)意義復雜，正確地對林分生長模型進行選擇，并進一步估算模型參數(shù)，對探索林分生長過程，估測林分蓄積變化具有重要意義。森林資源規(guī)劃設計調(diào)查(二類調(diào)查)數(shù)據(jù)庫是林業(yè)局管理森林資源的基礎數(shù)據(jù)資料，近年來眾多學者利用森林資源規(guī)劃設計調(diào)查數(shù)據(jù)庫，對林分生長模型進行了研究。孟得干等選擇了理查德模型和邏輯斯蒂模型為“慢闊”“中闊”和柞樹純林的優(yōu)選模型。劉劍等基于常見的10個林分生長模型，對長白山區(qū)天然柞樹林林分生長模型進行了選擇，其中有4個模型符合“S”形生長曲線，具有較好的生物學意義。廖宇翔在4個常見的林分生長模型中，選擇了理查德模型為長白山區(qū)人工落葉松的林分生長模型，該模型擬合效果最佳。本文利用2018年三岔子林業(yè)局的森林資源調(diào)查小班數(shù)據(jù)庫，對8個常見的林分生長模型參數(shù)進行擬合，并對模型預估精度進行了檢驗和選擇，旨在為三岔子林業(yè)局針闊混交林的林分蓄積估算及林分生長規(guī)律的研究提供參考。

1 研究區(qū)域概況

本文研究地位于吉林省東部長白山區(qū)三岔子林業(yè)局，該局隸屬吉林森工集團，施業(yè)區(qū)在吉林省白山市境內(nèi)。該區(qū)域春季晝夜溫差大，市區(qū)年平均氣溫4.6 ℃，夏季最高氣溫36.5 ℃，冬季最低氣溫-42.2 ℃，年平均降水量883.4 mm，日照時數(shù)2 259 h，無霜期140 d。林分類型主要有針闊混交林、闊葉混交林、針葉混交林和純林，主要優(yōu)勢樹種有蒙古櫟()、胡桃楸()、紫椴()、榆樹()、色木槭()、紅松()、落葉松()和云杉()等。

2 研究方法

2.1 數(shù)據(jù)來源

數(shù)據(jù)來源于2018年三岔子林業(yè)局的森林資源調(diào)查小班數(shù)據(jù)庫，本次篩選的數(shù)據(jù)庫林分類型為針闊混交林，該類型林分樹種組成中針葉樹種或闊葉樹種的組成數(shù)為3～7成(不包含3成和7成)。共篩選林分(小班)2 278個，篩選字段主要有林分類型、樹種組成、林齡和公頃蓄積等字段。

2.2 林分生長模型

本文選擇具有代表性的8個林分生長模型，具體模型詳見表1。

表1 林分生長模型

2.3 模型檢驗

利用總相對誤差()、平均相對誤差()、平均相對誤差絕對值()、預估精度()和方差均方()對模型的擬合精度進行驗證。其中、和越接近于0，越接近于1，越小，表示模型擬合精度越高。

2.4 數(shù)據(jù)統(tǒng)計

利用Office 2017軟件對數(shù)據(jù)進行篩選和整理，利用SAS 8.1軟件的nlin過程對模型進行擬合和檢驗。

式中：為林分公頃蓄積，為林齡，、、為模型參數(shù)。

3 結果與分析

3.1 數(shù)據(jù)清洗與整合

由于相同年齡的林分密度有所差異，以及環(huán)境對林分生長的影響，導致相同林齡的公頃蓄積有所差異。為了減少具有相同林齡而林分公頃蓄積差異較大的林分對模型擬合的影響，以具有相同林齡的公頃蓄積平均值為因變量，以林齡為自變量，對篩選的數(shù)據(jù)進行清洗并整合(圖1)。從圖1可以看出，數(shù)據(jù)清洗整合前林分公頃蓄積與林齡的散點圖呈現(xiàn)“云狀”，無明顯規(guī)律；經(jīng)過清洗和整合后林分公頃蓄積隨林齡增長呈現(xiàn)“S”形曲線，數(shù)據(jù)清洗和整理可有效提高林分生長模型的擬合精度。

圖1 數(shù)據(jù)清洗前后對比圖

3.2 模型參數(shù)擬合

利用清洗整合后的數(shù)據(jù)對8個常見的林分生長模型參數(shù)進行擬合，并對模型參數(shù)的置信區(qū)間(=0.05)進行計算(表2)。8個常見的林分生長模型擬合結果均收斂，模型擬合檢驗值均達到顯著水平(<0.05)。其中模型5和模型6參數(shù)的置信區(qū)間中包含0，說明這兩個模型參數(shù)擬合結果不顯著，參數(shù)不可用；模型7參數(shù)的置信區(qū)間中包含0，說明該模型參數(shù)擬合結果不顯著，參數(shù)不可用；模型1、2、3、4和模型8的參數(shù)置信區(qū)間均不包含0，說明這5個模型參數(shù)擬合結果均達到顯著水平，模型均可用，將這5個模型作為預選模型。

表2 林分生長模型參數(shù)擬合

3.3 模型檢驗及選擇

利用總相對誤差()、平均相對誤差()、平均相對誤差絕對值()、預估精度()和方差均方()對模型參數(shù)可用的5個備選模型的預估精度進行檢驗(表3)。由表3可以看出，模型8的值最接近于0，為-0.000 4，與其他模型的檢驗值差距均較大。模型3的最接近于0，為0.014 6，除與模型1差距較小外，與其他模型的檢驗值差距均較大；該模型值最接近于1，為0.992 71，但與其他模型差距均較??；最小，為323.4，除與模型4差距較小外，與其他模型的檢驗值差距均較大。模型2的值最接近于0，為0.312 8，但與其余模型的檢驗值差距均較小。

表3 預選模型預估精度檢驗

綜合以上檢驗結果，模型3的各項擬合精度檢驗結果較好，選擇模型3即邏輯斯蒂模型為三岔子林業(yè)局針闊混交林的林分生長模型。

4 結論

4.1 三岔子林業(yè)局針闊混交林林分調(diào)查數(shù)據(jù)經(jīng)過清洗和整合后林分公頃蓄積隨林齡增長呈現(xiàn)“S”形曲線，數(shù)據(jù)清洗和整理可有效提高林分生長模型的擬合精度。

4.2 8個常見的林分生長模型擬合結果均收斂，其中模型5和模型6的參數(shù)不可用，模型7參數(shù)不可用。模型1、2、3、4和8的模型參數(shù)均可用，可作為預選模型。

4.3 5個預選模型中，模型8的值最接近于0，為-0.000 4；模型3的最接近于0，為0.014 6，該模型值最接近于1，為0.992 71，最小，為323.4；模型2的值最接近于0，為0.312 8。選擇模型3即邏輯斯蒂模型為三岔子林業(yè)局針闊混交林的林分生長模型。