【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

【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。

以黑龙江省七台河市林业局金沙林场114株人工兴安落叶松树干干形数据为例,利用非线性混合模型技术拟合Max-Burkhart分段削度方程。结果表明:当利用SAS软件的PROC NLMIXED模块对Max-Burkhart模型进行拟合时,引入随机参数b1、b2、b3时模型拟合最好;随机参数b1与冠长率和冠长呈负相关,与树冠高度呈正相关;随机参数b2与冠长率和冠长呈正相关,与树冠高度呈负相关;随机参数b3与冠长率、冠长、树冠高度没有显示出相关性。利用随机参数b1、b2、b3与树冠特征的相关性构建了含有冠长率、冠长和树冠高度变量的3个模型,并且所有模型的参数估计值都是显著的,这充分说明冠长率、冠长和树...

以黑龙江省带岭林业局大青川林场84株人工落叶松解析木数据为例,采用Max和Burkhart分段削度模型作为基础模型,利用SAS软件中的似乎不相关回归过程得到该分段削度模型的4个参数和2个拐点参数同时估计。参数估计显著性检验(P

【目的】为准确预估单木冠长，在再参数化的基础上构建基于混合效应的单木冠长模型，为华北落叶松区域经营、生产、科研提供理论依据及模型参考。【方法】以山西省五台山和庞泉沟地区116块样地2 745株华北落叶松次生林为例，建立单木冠长模型，从9个冠长-胸径候选模型中选取最优基础模型；除胸径外还考虑其他6个林木、林分因子对冠长的影响，通过逐步回归分析选择影响最为显著的因子构建冠长再参数化模型；最后引入样地随机效应，构建含混合效应的华北落叶松次生林单木冠长模型，选用3个常用异方差消除函数中最优者消除混合效应模型的异方差性。【结果】9个候选模型尤以Logistic形式的冠长-胸径模型拟合精度最优，效果最好（R2=0.569 9,RMSE=3.812 7,MAE=3.022 3）；其他6个林木、林分因子中高径比（HDR）和公顷株数（N）对冠长的影响最为显著，将显著性因子高径比（HDR）和公顷株数（N）纳入最优基础模型构建再参数化模型，模型确定系数（R2）从0.569 9提升到0.700 5，提升了22.9%，均方根误差（RMSE）从3.812 7降低至3.181 6，下降了16.6%，平均绝对误差（MAE）从3.022 3降低至2.410 7，下降了20.2%；在再参数化方法的基础上构建混合效应的单木冠长模型，引入样地水平作为随机效应因子作用在固定参数a上，混合效应模型确定系数（R2）从0.700 5提升至0.813 6，提升了16.1%，均方根误差（RMSE）从3.181 6降低至2.512 0，下降了21.0%，平均绝对误差（MAE）从2.410 7降低至1.837 3，下降了23.8%；选用指数方差函数能够有效地消除模型异方差性，残差分布范围更小，分布更均匀。【结论】在再参数化基础上构建混合效应模型能更加准确地预估林木冠长，为华北落叶松次生林区域性的森林经营活动提供科学依据。

以黑龙江省带岭林业局大青川林场80株人工兴安落叶松解析木数据为例,采用Richards生长模型作为基础模型,利用S-PLUS软件中的NLME过程,分别拟合非线性树高和直径生长模型。采用AIC、BIC、对数似然值和似然比检验等模型评价统计指标对不同模型的精度进行比较分析。结果表明:当对树高-年龄关系进行拟合时,b1、b3同时作为混合参数时模型拟合最好;当对直径-年龄关系进行拟合时,b1、b3同时作为混合参数时模型拟合最好。把相关性结构包括一阶自回归结构AR(1)、一阶移动平均结构MA(1)及一阶自回归与移动平均结构[ARMA(1,1)]加入到树高和直径最优混合模型中,一阶自回归结构AR(1)显著...

【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】消光系数(k)是模拟树冠光分布的重要指标,本研究通过对比常见的获得k值的方法,筛选最优方法,对长白落叶松人工林树冠内光合有效辐射(PAR)进行动态估计。【方法】(1)将实测的PAR数据按3∶1划分为拟合数据和检验数据,利用拟合数据构建k值预估模型(方法 I)。(2)用拟合数据,采用人为设定不同梯度的k值估计树冠PAR,筛选最优的k值(方法 II)。(3)基于叶倾角数据,采用2种不同的平均叶倾角公式(方法 III-1、方法 III-2),对k值进行计算。将检验数据作为独立样本对以上3种方法估计的PAR进行独立性检验。通过对比以上3种方法对树冠内PAR的估计效果,选择最优的k值计算方法,结合气象数据对PAR进行动态估计。【结果】根据实测PAR数据计算的树冠各轮层k值存在较大差异,总体在0.1～1.5之间,且与相对着枝深度(RDINC)呈明显的指数函数或幂函数关系。同时太阳高度角(Sa)、累积叶面积最大值(MCLA)、叶面积密度(NAD)和树冠表面积(CS)对k值的垂直变化也有明显影响。因此方法I将指数函数作为基础模型,以RDINC、Sa、CLA、NAD和CS为自变量建立了k值估计模型,模型的拟合效果较好(R2=0.736,RMSE=0.124)。方法 II中,当k取0.32时对PAR的估计效果最好。利用方法 III计算的各轮层消光系数差异较小,总体在0.3～0.7之间。采用独立样本检验以上3种方法对PAR估计的效果,结果表明方法 I对PAR的估计效果较好(平均误差ME=2.88,平均误差绝对值MAE=117.4,预估精度P=91.53%),方法 II对PAR的估计效果次之(ME=-7.2,MAE=217.5,P=88.12%),方法 III对PAR最差(方法 III-1中ME=121.4,MAE=210.1,P=55.85%;方法 III-2中ME=226.4,MAE=259.0,P=42.93%)。【结论】k值在不同林木、不同轮层及不同的太阳高度情况下并不是一个固定值。本研究建立的k估计模型充分考虑了以上3个重要变量,符合客观实际,且对估计长白落叶松树冠PAR有良好的效果,研究结果为人工长白落叶松树冠内不同位置净光合速率的模拟提供了基础。

【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

【目的】利用固定间隔期复测数据,运用不同方法建立杂种落叶松人工幼龄林单木枯损模型,为确定杂种落叶松合理的经营措施和推广应用提供依据。【方法】基于2003—2015年黑龙江省江山娇实验林场48块样地的复测数据,通过Logistic模型,利用全子集法和最大似然估计构建杂种落叶松单木枯损模型。使用列联表分析和分类率-阈值散点图,确定枯损模型预估时的最佳阈值。引入随机参数,构建样地水平广义线性混合模型。模型估计方法为自适应积分最大似然估计,模型筛选指标为Akaike信息标准(AIC)、贝叶斯信息标准(BIC)以及-2倍对数似然值。通过计算绝对平均偏差(Bias),绘制ROC曲线以及模型预估枯损率与实际枯损率直方图对两种模型的预测结果进行评价比较。【结果】包含单木(林木胸径,DBH;胸径平方,DBH2)、林分(林分断面积,BA)、竞争(大于对象木树木断面积之和变形,BALD)3个水平变量组合的单木枯损模型拟合效果最佳。杂种落叶松枯损主要发生在小径阶且相对竞争较大时。单木枯损概率随DBH增加逐渐减小,随BALD、BA增加而逐渐增加。最佳阈值有效提高了模型预估效果,方差-协方差结构为无结构矩阵(UN)时,四参数混合模型的拟合结果最佳,其预估的林分枯损率更接近实际林分枯损率。【结论】混合模型能够更有效地描述和预估杂种落叶松的单木枯损。阈值分析是提高二分类模型预测准确性的有效方法。杂种落叶松作为速生树种,幼龄时期应适时进行抚育间伐以减少枯损发生的概率。

【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

以黑龙江省东北部落叶松人工林为研究对象,应用19块标准地中95株解析木(每块标准地选取5株)的节子剖析数据,采用线性混合效应模型理论建立落叶松节子各因子(节子直径、着生角度、长度)的预估模型。结果表明:节子直径、着生角度和长度都随着树木胸径的增大而增大;节子直径随着着生高度的增大先增大后减小;节子角度随着着生高度的增大而逐渐减小;节子长度随着直径的增大而增大。与固定效应模型相比,考虑混合效应所建立的节子大小预测模型其参数估计更为准确,残差分布更加均匀,模型拟合精度明显得到提高(R2约提高了0.3)。独立样本的检验结果表明:各模型的预估精度均在90%以上,说明所建模型可以很好地描述落叶松人工林节...

以黑龙江省五营林业局丽林林场30株人工落叶松2190个枝条长度和角度数据为例,利用逐步回归技术建立落叶松枝条长度和角度模型:BL=b1+b2DINC+b3DINC2+b4DBH·DINC2,BA=b1+b2DINC+b3DINC2+b4DBH·DINC。利用S-PLUS软件中的LME模块,考虑树木效应拟合线性枝条长度和角度模型。采用AIC、BIC、对数似然值和似然比检验等模型评价统计指标对不同模型的拟合效果进行比较分析。结果表明:当拟合枝条长度和角度模型时,b1,b2,b3同时作为混合参数时模型拟合最好。为了描述混合模型构建过程中产生的异方差现象,把幂函数和指数函数加入到枝条长度和角度混合模型...

以黑龙江省七台河市林业局金沙林场9株人工落叶松2790个样品数据为例,选择6个常用方程进行非线性回归分析,把拟合精度最高的修正Logistic模型作为微纤丝角基础模型y=b1/[1+exp(b2x)]+b3,然后,利用S-PLUS软件中的NLME过程,拟合非线性微纤丝角模型。采用AIC、BIC、对数似然值和似然比检验等模型评价统计指标对不同模型的精度进行比较分析。结果表明:当对微纤丝角-年龄关系进行拟合时,b1,b2,b3同时作为混合参数时模型拟合效果最好。把相关性结构包括复合对称结构(CS)、一阶自回归结构AR(1)、一阶移动平均结构MA(1)及一阶自回归与移动平均结构[ARMA(1,1)]...

以黑龙江省五营林业局丽林林场30株人工落叶松2 190个枝条基径数据为例,利用逐步回归技术建立了落叶松枝条基径模型:BD=b1+b2DINC+b3DINC2+b4DBH.DINC2。然后,利用S-PLUS软件中的LME过程,拟合线性枝基径模型。采用AIC、BIC、对数似然值和似然比检验等模型评价统计指标对不同模型的拟合效果进行比较分析。结果表明:当拟合枝条基径模型时,b1、b2、b3同时作为混合参数时模型拟合最好。为了矫正混合模型构建过程中产生的异方差现象,把幂函数和指数函数加入到枝条基径混合模型中。指数函数显著提高了枝条基径混合模型的拟合效果,并且消除了异方差现象。模型模拟表明:对于大小相同...