【目的】对Kozak方程进行修正,采用树木易测因子为预测变量,构建人工樟子松树冠外部轮廓预估模型,为研究树木生理和树木竞争提供依据,为模拟单木树冠表面积和树冠体积奠定基础。【方法】基于黑龙江省14块固定样地70株人工樟子松解析木907个最大枝条数据,以Kozak方程基本形式为基础并对其进行修正,选出构建人工樟子松树冠外部轮廓基础模型的最优模型形式。在最优模型基础上,建立分别考虑样地效应、样木效应及同时考虑样地和样木效应两水平的非线性混合效应模型。利用R软件的nlme软件包求解非线性混合效应模型参数,采用AIC、BIC、-2LL对混合效应模型中不同随机效应参数组合形式、不同随机效应矩阵、方差-协方差矩阵和方差函数进行比较,选出最优模型形式,并对人工樟子松外部轮廓随树木因子的变化规律进行探讨。以林分密度为哑变量,构建不同密度的人工樟子松树冠外部轮廓预估模型。【结果】人工樟子松树冠外部轮廓预估模型因子包含胸径(DBH)、冠长率(CR)和高径比(HD)。与基础模型相比,分别考虑样地效应、样木效应的混合模型能够显著提高模型拟合效果,外部轮廓模型差异主要来源于样木效应。以样木为单水平的混合效应模型中,a_2、a_6为随机参数,对角矩阵为方差-协方差矩阵形式,ARMA(1, 1)为解释组内方差的矩阵,采用幂函数消除异方差的模型形式为最优模型。同时考虑样地和样木效应两水平混合模型的拟合效果较单水平混合模型有所提高。以两水平混合模型的固定效应部分模拟外部轮廓与树木因子之间的关系,在分别固定另外2个变量的情况下,树冠半径随着DBH、CR增大均逐渐增大,树冠上半部分半径随着HD增大而增大,下半部分半径随着HD增大而减小。外部轮廓拐点的变化范围为0.625 0～0.917 0,拐点平均位置为0.841 3,随着林木在林分中被压强度增大,拐点位置向树冠基部移动。密度小于1 000株·hm~(-2)林分中单木的冠形与1 000～2 000株·hm~(-2)和大于2 000株·hm~(-2)林分中单木的冠形区别很大。【结论】修正后的Kozak模型满足梢头处半径为0、在整个树冠范围内存在拐点且拐点唯一的特性,能够对人工樟子松树冠外部轮廓进行合理模拟及预测。两水平非线性混合效应模型可显著提高模型拟合效果,能够在树冠外部轮廓模型中应用。

【目的】以林木易测因子为预测变量,构建黑龙江省人工落叶松树冠最大外部轮廓及内部轮廓(未着叶部分)的预估模型,为进一步估计人工落叶松树冠表面积、树冠体积和树冠生物量提供依据。【方法】基于佳木斯市孟家岗林场49株解析木的枝解析数据,树冠外部轮廓模型采用分段回归技术,构建带有约束条件并满足生物学意义的连续性分段曲线模型,即在梢头处树冠半径为"0",在整个树冠内外部轮廓的拐点的存在是唯一的,且在拐点处树冠半径达到最大值;内部轮廓直接采用线性模型进行模拟。分析模型参数与林木变量之间的相关性,将关系密切的树木变量或变

以东北林业大学帽儿山实验林场樟子松人工林为研究对象,采用树干解析、枝解析的方法,分别于2002和2003年在老山施业区选择不同年龄、不同立地和不同密度的樟子松人工林有代表性的林分设置固定标准地15块(2002年设置7块,2003年设置8块),共获取解析样木53株,实测2298个一级枝活枝条变量因子(包括总着枝深度、方位角、着枝角度、基径、枝长、弦长、弓高)数据资料。基于理论或经验生长方程,建立樟子松人工林树冠结构静态模型及树冠动态生长模型。采用VC++6.0语言为开发平台,结合OpenGL开放式图形库,将生长模型与形态结构模型结合,建立樟子松人工林树冠动态三维图形可视化模拟系统,实现基于实测数...

【目的】树冠外轮廓模型不仅能够描述任意位置处树冠半径,而且能够推导预测树冠体积与树木地上部分生物量。根据福建地区98块杉木Cunninghamia lanceolata人工林样地的413株杉木调查数据,构建了具有同一套模型参数的树冠外轮廓模型和树冠体积预测联立方程组系统。【方法】选取4种常用的可积分树冠外轮廓备选模型,利用积分法对备选模型进行推导,得到树冠体积预测模型;将模型方程分别两两联立建立树冠外轮廓与体积相容性联立方程组,并利用SAS软件模块中的似乎不相关回归过程估计联立方程组模型系统的参数。为了消除模型异方差,采用加权回归方法拟合模型,并对不同模型系统的拟合精度、预测精度进行对比分析。【结果】基于模型4的联立方程组拟合精度高、预测性能好,其树冠外轮廓和体积拟合精度分别达到0.829 5和0.861 0,预测结果精度分别为0.803 9和0.856 0;通过似乎不相关回归法解决了联立方程组共线性问题,加权回归方法一定程度上消除了模型中存在的异方差性。【结论】所构建的树冠外轮廓-体积一致性模型方程实现了树冠外轮廓与体积模型之间互相推导,为进一步估测树木地上部分生物量提供了理论依据。图3表3参30

【目的】基于黑龙江省帽儿山实验林场、横头山林场、孟家岗林场的61块樟子松人工林固定样地的5211株样木调查数据,构建了树高模型与枝下高模型的联立方程组。【方法】首先,从8种常用的标准树高曲线,选出拟合效果较好的2个模型作为树高曲线的备选模型。再以5个枝下高预估模型作为基础模型,通过引入林木及林分变量(林木大小,竞争因子,立地条件)采用最优子集回归法筛选出3个变量少且拟合效果较好的模型作为枝下高备选模型。将树高曲线备选模型与枝下高备选模型分别两两联立,建立树高与枝下高联立方程组模型,采用似乎不相关回归(SUR)对模型参数进行求解。最后,对联立方程组进行评价。【结果】树高(H)和枝下高(HCB)与林分断面积(G)和优势木平均高(H_0)呈正相关。最优的联立方程组预估树高时调整后相关系数(R_a~2)为0.952 0,均方根误差(RMSE)为1.17 m;预估枝下高时的R_a~2为0.906 6,RMSE为1.36 m,并且模型的各项检验指标数值较小。【结论】整体来看,联立方程组的拟合效果较好,预估精度较高,同时联立方程组解决了树高与枝下高的内在相关性问题。本文所建立的含林分因子的树高模型与枝下高模型联立方程组可以很好地预估不同林分条件下樟子松人工林的树高和枝下高,为进一步研究樟子松树冠结构和动态提供了基础。

利用黑龙江省孟家岗林场79株人工红松解析木4 538个枝条的实测数据,基于样条函数的分段回归技术,通过推导满足冠形曲线生物学约束(即梢头处树冠半径为0,拐点处树冠半径最大)连续分段函数,构建了人工红松的冠形曲线模型(分段抛物线方程、分段单分子式方程和分段幂函数方程)。采用模型的拟合优度指标、模型的检验指标及对模型拐点参数估计的合理性对备选模型进行评价,选出拟合人工红松冠形曲线的最优模型。采用模型再参数化方法,分别分析模型各参数与林木变量之间的相关性,最终在最优冠形曲线模型中加入胸径作为自变量,建立了人工红松树冠形状预估模型。研究结果表明:分段抛物线函数为描述人工红松冠形曲线的最优模型。人工红松...

以东北林业大学帽儿山实验林场樟子松人工林为研究对象,采用枝解析的方法,于2002、2003年共测定53株林木(年龄17~38年,直径8.61~21.5cm,树高7.48~18.24m)的树冠变量,建立树冠内一级枝条个数的预估模型,并对一级枝条在树冠内的垂直分布和水平分布规律进行研究。结果表明:一级枝条个数在树冠有效冠内垂直方向上呈现一"多"一"少"的趋势,在有效冠以下,随着着枝深度的增加,枝条个数呈现直线下降趋势;枝条的水平分布可以用均匀圆形分布进行很好地拟合,表明圆形分布统计量是分析枝条方位水平分布非常有用的工具。

[目的 ]基于无人机激光雷达(LiDAR)点云数据提取杉木树冠上部结构参数(树冠顶点、树高、冠幅和上部冠长),并进行树冠上部外轮廓模拟与可视化,为树种识别提供树木冠形特征。[方法 ]利用LASTools开源工具从激光雷达点云数据生成无孔洞的冠层高度模型,使用LiDAR360软件,采用局部最大值法检测树冠顶点,基于CHM种子点对点云进行单木分割,并在ArcGIS下手动选取杉木单株点云样本,用Python编程对"欠分割"样本进行单木纯化(之后全部编程方式自动化处理);提取纯化后单株样本的树冠上部结构参数(树冠顶点、树高、冠幅和上部冠长),再对单木点云按照一定高度间隔进行分层切片,使用宽度百分位数法提取单木树冠上部的相对着枝深度、枝条长度作为模型变量,以相对着枝深度分层分别建模与验证样本按照3倍标准差法剔除异常外轮廓点,选取二次多项式、幂函数和指数函数3个基础模型进行模型拟合与验证,最后采用最优拟合模型进行样地尺度的三维可视化。[结果 ]无人机激光雷达综合单木检测率为79.63%,结合实测参数与提取结果进行相关分析,树高线性回归R2为0.890 5,冠幅线性回归R2为0.845 6;二次抛物线、幂函数和对数函数拟合R2分别为0.807 0、0.817 0、0.806 0,幂函数对杉木树冠上部外轮廓的拟合效果更优。[结论 ]在高林分密度条件下,单木点云的有效提取纯化对客观描绘树冠形状非常重要;基于无人机激光雷达拟合的杉木树冠上部外轮廓反映了杉木的树冠上部形态,可为杉木的树种识别提供参考。

【目的】基于樟子松和兴安落叶松干形数据，比较分析最小二乘法（ONLS）、分位数回归（QR）、混合效应模型的固定效应法（FIXED）以及广义加性模型（GAM）对树干不同位置直径和树干总材积的预测精度，为树木干形和材积精准预测提供参考。【方法】以大兴安岭漠河林业局不同林分条件下的187株樟子松和283株兴安落叶松为研究对象，拟合林业上常用的33个削度方程，选出精度较高的削度方程作为ONLS、QR和FIXED的基础模型。基于描述干形的常用变量，同时考虑变量转换，如平方和开根号等变量转换构建GAM。应用R软件对4种建模方法进行拟合，选取平均误差（ME）、均方根误差（RMSE）、百分比均方根误差（RMSE%）和确定系数（R~2）对比分析4种建模方法，采用留一交叉检验法对不同建模方法进行检验，比较各方法预测树干不同位置直径和树干总材积的精度。为更直观展示各建模方法效果，分别从2种树种中随机抽取2株不同大小树木进行树干模拟。【结果】1）基于Kozak(2004)模型的ONLS、QR和FIXED以及构建的GAM拟合结果表明，4种建模方法均能较好拟合樟子松和兴安落叶松干形数据；2）留一交叉检验结果显示，GAM对樟子松和兴安落叶松树干直径的预测精度优于ONLS、QR和FIXED;3) GAM预测2种树种材积时与估计直径一致，即GAM预测精度优于其他建模方法；相较ONLS，樟子松和兴安落叶松GAM材积预测的RMSE分别下降5.6%和11.3%;4) 2种树种不同大小树木树干模拟发现，对于大树树干，ONLS、QR、FIXED和GAM模拟效果相似，且均能较好模拟樟子松和兴安落叶松树干干形；对于小树树干，ONLS、QR、FIXED和GAM模拟效果差异较大，其中GAM能较好模拟樟子松和兴安落叶松树干干形。【结论】GAM预测树干不同位置直径和树干总材积时精度最高。当以预测为主要目的时，GAM通过简单编程能够实现对樟子松和兴安落叶松树干直径和材积的估计，可作为一种精度较高的树干干形预测方法。

对大兴安岭北部3株樟子松树轮进行δ13C测定,分析树轮δ13C对气候因子响应的方位差异以及不同采样方位数和方位组合方式对整轮代表性的差异。结果表明:樟子松树轮不同方位δ13C的均值序列对大区域气候环境因子的响应是一致的;树轮不同方位的δ13C序列多数呈正相关,少量呈负相关,其中相关系数达到显著性水平的序列多数呈对称分布;树轮不同方位δ13C序列提取气候因子的能力和程度存在较大差异;当无法整轮周向取样时,选取3～4个方位采样既经济高效又能较完整地提取样本的δ13C变化信息;在方位组合上,应尽量避免各孔向间呈180°夹角。

［目的］为了进一步了解不同种源的樟子松在帽儿山地区的生长差异，研究该地区气候因子对樟子松径向生长的影响，本文建立了来自于阿尔山、高峰、红花尔基、卡伦山、图强罕达盖和金山等７个种源樟子松树轮年表。［方法］通过年轮－气候响应分析、相关分析、主成分分析，探讨了不同种源樟子松径向生长与气候因子的响应差异。［结果］表明：７个种源地樟子松树轮年表整体变化趋势基本相似，但局部也有不同之处，除图强种源外，其余６个种源地樟子松在生长初期年轮宽度呈增加趋势。阿尔山、高峰、红花尔基和卡伦山种源地樟子松径向生长与当年２月平均温度显著正相关，罕达盖种源地樟子松径向生长与前一年４月平均温度显著正相关；高峰、图强、卡伦山种．．．

【目的】采用非线性分位数回归方法构建樟子松树干削度方程,并对比分析9个分位数(τ=0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9)模型和传统的非线性回归削度方程的预测精度。【方法】以七台河市林业局金沙林场154株人工樟子松干形数据为研究对象,选取简单削度方程、分段削度方程和可变指数削度方程,利用非线性回归和非线性分位数回归方法构建樟子松树干削度方程。采用确定系数(R~2)、平均误差(MAB)、相对误差(MPB)、均方根误差(RMSE)为统计指标对构建的削度方程进行对比分析。【结果】(1)在9个分位点(τ=0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9)下的各削度方程都可以收敛,分位数回归方法可以灵活预测各分位点树干曲线的变化。(2)与非线性回归相比,基于中位数(τ=0.5)时的各削度方程在拟合过程中表现最好,其中以可变指数削度方程表现最优。(3)检验结果也表明:相对于非线性回归的各削度方程,基于中位数(τ=0.5)的简单削度模型的MAB和MPB均下降26.7%,RMSE下降19.9%;基于中位数(τ=0.5)的分段削度方程和可变指数方程预测能力较强。(4)中位数回归的各削度方程在树干大部分的预测能力都优于相应的非线性削度方程。【结论】分位数回归方法是一种稳健的建模方式,基于中位数(τ=0.5)的可变指数削度方程的预测精度最高,适合该区域樟子松树干干形的预测。

【目的】应用BP神经网络模型预测华北落叶松树冠体积与表面积，探索华北落叶松树冠体积与表面积估算模型的最优形式，为未来的预测模式提供新思路。【方法】以山西省庞泉沟自然保护区的华北落叶松林为研究对象，通过从6块（60 m×60 m）固定样地得到的678个观测数据，运用BP神经网络，分别对华北落叶松树冠体积与表面积建立模型，通过对模型的训练，得到基于BP神经网络的华北落叶松树冠体积和表面积估算模型。【结果】基于BP神经网络的华北落叶松树冠体积与表面积模型的最优结构模型的输入层节点数∶隐层节点数∶输出层节点数=6∶9∶1。其中树冠体积的决定系数（R²）、平均绝对误差（MAE）和均方根误差（RMSE）分别为0.948、5.40 m³、18.40；表面积的R²、MAE和RMSE分别为0.957、3.33 m²、 14.41。基于BP神经网络的华北落叶松树冠体积与表面积模型的性能与输入因子的数量呈正相关，最优模型的输入因子数为6个，分别为冠幅、树高、胸径、最大冠幅高度、第一活枝长（在垂直于树干方向上的投影长度）和冠基高。【结论】输入变量包含树干尺寸和树冠构型特征相关信息，模型能较好地实现华北落叶松树冠体积和表面积的预测。

【目的】立木材积方程在森林生产力、生物量和碳储量等林业问题方面都有着广泛的应用。因此,提高立木材积的预测精度一直是林业模型研究者的重要任务。本研究以大兴安岭樟子松为研究对象,构建含有不同形率的二元和三元材积方程,并对比检验其预测效果,旨在把传统立木材积的预测精度提高到一个新的水平。【方法】利用15个树干不同形率,基于传统的一元和二元立木材积方程分别建立二元和三元立木材积方程,并与传统的一元和二元材积方程比较。通过对各模型进行拟合选出最优形率模型,具体选用统计软件S-PLUS中的广义非线性模块(GNLS)进行拟合。并利用幂函数、指数函数以及常数加幂函数校正在拟合过程中各立木材积模型表现的异方差现象。选择确定系数(R2)、均方根误差(RMSE)、平均误差绝对值(MAB)和相对误差绝对值(MPB)4个指标对模型进行评价。最终采用分径阶比较法比较不同径阶范围内4种方程的预测精度。【结果】基于相对树高70%处形率的二元模型拟合效果最好,基于相对树高50%处形率的三元模型拟合效果最好。模型检验结果表明:基于传统的一元模型,加入形率后模型的RMSE、MAB、MPB分别降低了33.7%、30.7%、29.9%;基于传统的二元模型,加入形率后的模型RMSE、MAB、MPB分别降低了70.5%、70.9%、71.2%。不同径阶的检验表明:对于小径阶和中等径阶的树木,模型的检验精度顺序为模型(13)>模型(2)>模型(12)>模型(1);对于大径阶的树木,模型的检验精度顺序为模型(13)>模型(12)>模型(2)>模型(1)。【结论】形率因子是干形的重要指标。在传统立木材积模型中引入形率因子可以提高材积的预测精度,因此,对于樟子松立木材积的估算,尤其是中大径阶林分,推荐使用带有形率的三元立木材积模型。

【目的】基于节子分析技术构建落叶松人工林树冠基部高动态预测模型,分析落叶松树冠衰退规律及其影响因素,为制定合理的经营措施提供理论依据。【方法】以2007年设立的8块落叶松人工林标准地获取的40株解析木数据为基础数据,采用节子分析技术,得到树冠基部高随年龄的动态变化数据,应用传统线性模型、理查德和逻辑斯蒂非线性模型构建落叶松树冠基部高动态模型。【结果】传统线性模型、理查德和逻辑斯蒂非线性模型可较好拟合树冠基部高动态变化过程,模型参数均具有统计意义(P