以我国南方地区最重要的针叶树种杉木(Cunninghamia lanceolata)为研究对象,采用误差变量联立方程组方法,建立了相容性二元立木材积方程、胸径和地径一元立木材积方程、树高胸径回归模型及地径胸径回归模型。利用3种树高模型和2种地径模型组合了4个相容性立木材积表系列模型联立方程组,通过6项指标进行综合评价,结果表明由最简单的树高模型和地径模型构成的相容性系列材积模型就能取得良好效果,其二元材积表、胸径一元材积表和地径一元材积表的平均预估误差分别为1.31%、3.66%和7.39%,可用于不同目的的杉木林蓄积量估计。

林木材积是我国森林资源监测的一项重要内容。海南省森林资源清查林木材积估计一直沿用广东省70年代未建立的一元立木材积表,已使用30多年,急需进行检验、更新。以海南省橡胶、桉树、相思、加勒比松、木麻黄5个树种单株立木材积实测数据,对海南省森林资源清查中使用的原一元立木材积方程进行适应性检验,更新建立新一元立木材积方程,并就原一元立木材积方程估计的森林资源清查林木材积偏差进行了分析。研究结果表明:海南省上述5个树种原一元立木材积方程均存在较大的系统偏差,每个树种总相对偏差(TRB)和平均系统偏差(MSB)均达到

应用热扩散式树干茎流计（ＴＤＰ）对辽宁省章古台樟子松人工固沙林生长季期间树干液流速率进行了连续５年的测定，结合同步观测的降水、林冠截留量、林内蒸发散量和土壤水分含量，利用水量平衡的方法，推算了现阶段樟子松应有的合理密度。结果表明：４月上中旬沙地樟子松液流启动，１０月中下旬液流基本结束，生长季（４—１０月）各月平均液流速率分别为２．５８、４．７８、５．１９、５．０１、４．８４、４．３０、１．９３ ｃｍ·ｈ－１，以６月份的最高，其次依次为７、８、５、９月份，４、１０两月平均液流速率较低。通过推算，径阶１４、１６、１８、２０ ｃｍ的樟子松纯林的合理密度分别应为６８８、５３１、４２２、３４４株·ｈｍ－．．．

摘 要：以我国湿地松 154 株样木的生物量实测数据为基础，综合利用分段建模方法和非线性误差变量联立方程组方法，建立了与立木材积方程相容的地上生物量方程和生物量转换因子模型，以及与地上生物量方程相容的地下生物量方程和根茎比模型。结果表明：所建地上生物量方程的平均预估误差小于 5%，地下生物量方程的平均预估误差小于 10%，全树生物量估计的平均预估误差小于 3%，完全可满足森林生物量计量的精度要求，从而为我国湿地松林的生物量估计及碳汇能力评估提供了计量依据。

【目的】木材密度不仅与木材的各种材性密切相关，而且是衡量木材质量与价值的重要指标。采用近红外光谱（Near infrared spectroscopy, NIRS）分析技术能够快速、高效地预测木材密度，避免了传统试验中繁琐的检测步骤。长短期记忆网络(Long short-term memory network, LSTM)作为循环神经网络(Recurrent neural network, RNN)的变体，不仅可以学习序列数据之间的高阶特征信息，而且克服了RNN中的长距离依赖、梯度爆炸与梯度消失等问题。将LSTM与NIRS结合，提出一种能够准确预测樟子松木材气干密度的无损检测技术，为提高NIRS模型预测木材气干密度精度提供理论依据。【方法】该研究以樟子松木材样本为研究对象，用近红外光谱仪获得106个樟子松样本的光谱数据，并在恒温（20±2℃）恒湿（65%±3%）的环境下测定样本的气干密度。通过对比多组预处理方法和特征选择方法，采用Savitzky-Golay卷积平滑（Savitzky-Golay smoothing,SGS）等方法进行预处理，采用竞争性自适应加权算法（Competitive adaptive reweighted sampling, CARS）进行波段选择，剔除NIRS数据中的高频噪声与冗余信息，提升光谱数据质量、建模速度与精度。为验证LSTM模型预测能力，将其与偏最小二乘回归(Partial least squares regression, PSLR)、卷积神经网络(Convolution neural network, CNN)等建模算法对比分析。上述3种算法被分别应用于建立樟子松木材气干密度近红外预测模型。【结果】基于上述3种建模方法建立的NIRS模型均可实现樟子松气干密度的有效预测。且LSTM模型的预测精度与回归拟合度均优于PLSR与CNN模型。其中SGS+CARS处理后的LSTM模型的预测精度最高、泛化性能最强、拟合效果最好（R2=0.959,RMSEP=0.005,RPD=5.033）。【结论】通过对樟子松木材光谱数据与气干密度的采集，建立了一种新型的基于NIRS分析技术与LSTM的木材气干密度检测方法。LSTM预测模型相较于传统的回归模型，模型的预测精度更高，回归效果更好，鲁棒性更强。该检测方法既可保证木材的完整性，又可以提高气干密度的预测精度，实现了对樟子松木材气干密度的快速无损检测，为木材近红外光谱分析提供了可参考的模型与理论依据。

本文结合多学科研究提出了碳储量解析法,对北方人工造林主要树种碳储量及其变化规律进行了研究,旨在从现有人工造林树种中筛选碳汇造林树种并确定森林经营周期。结果表明:1)油松、刺槐和杨树数量成熟龄分别为67、40和30年。2)油松和刺槐木材密度初期呈缓慢增加趋势,到35年时均达到最大。35年后,油松逐渐下降并趋于平稳,刺槐一直下降;杨树木材密度在4年以前增速较快,4～18年处于缓慢上升趋势,18～28年处于下降趋势。3)油松碳含量最大值在20年,达60.52%,最小值在40年,为46.14%,波动较大;刺槐碳含量最大值在5年,为56.96%,最小值在25年,为42.58%,波动较大,但25年后趋于稳...

【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。