森林资源档案数据更新模型研究

森林资源档案数据更新模型研究

森林资源的双重调查是森林资源规划的基础工作。由于劳动力、财力和财力的限制，这项研究无法每年进行。一般来说，这项研究每10年进行一次。为在每年的森林资源统计报表工作中,在原森林资源档案(或二类调查)数据基础上,进行必要的补充调查,通过数学模型更新森林资源档案是行之有效的方法。合理的更新模型和方法,是保证森林资源档案数据准确的关键。1平均年龄间树高、平均胸径、东南角蓄积量上一个森林经理期,森林资源档案数据更新工作是基于二类调查小班数据,采用数学模型模拟小班平均趋势,即建立平均树高、平均胸径、公顷蓄积同平均年龄间的回归关系,再预测各小班的平均树高、平均胸径、公顷蓄积,实现数据更新。通过10年的运作,虽然用此模型预测总体精度尚可,但预测小班准确度不高,个别小班准确度极低。为了改进预测方法,提高小班预测准确度,搞好森林资源档案数据更新工作,本文对森林资源档案数据更新的模型和方法进行探讨。2森林资源档案数据更新在有人为干扰情况下,森林资源档案数据更新可通过台帐进行,而在无人为干扰情况下,森林资源会随年龄的增加而变化,如平均树高、平均胸径、公顷蓄积会增加,公顷株数则逐渐减少,因此森林资源档案数据更新可通过数学模型解决。故森林资源档案数据更新需考虑的数学模型应包含平均树高、公顷株数、平均胸径、公顷蓄积等调查因子。3森林资源档案数据更新模型建立的一般自变量因子首先,森林资源档案数据更新模型应同其它生物模型一样,要求符合生物学的生长特性,即数学模型选择要求具有合理性;其次,森林资源档案数据更新模型的选择应考虑自变量因子调查的可行性,即在传统二类调查中这些自变量因子应详尽调查记载;最后,考虑森林资源档案数据的庞大特点,数学模型选择要简明实用。4森林资源档案的更新森林资源的消长原因可分为为两大类:无人为干扰的自然消长及人为干扰的消长。对无人为干扰的自然消长可通过数学模型模拟其生长;对人为干扰的消长可先建立台帐档案,台帐可分为乔木进界(包经济林进界)、乔木皆伐(包经济林皆伐)、乔木择伐、疏林皆伐、森林火灾、病虫危害、其它灾害、征占用林地、造林失败、散生木采伐、其它采伐(竹林、灌木林、未成林采伐,包括红树林、红树林未成林等采伐)、乔木改造(指当年采伐乔木林后的造林,含当年成林,包括经济林、疏林改造)、其它改造(指当年采伐竹林、灌木林、未成林后的造林,含当年成林)、萌芽林(包括当年采伐成林)、采伐造林(含当年成林)、无林造林(包括红树造林,含当年成林)、人造成林(人工造林未成林,包括人工红树未成林)、封育成林(封育未成林,包括封育红树未成林)、退耕还林(含当年成林)等类型,再通过台帐直接更新档案。本文着重探讨通过数学模型更新档案数据的方法。为提高森林资源档案数据更新的准确度,首先在全省范围内,按不同优势树种收集上次二类调查的优势区、主产区、次要区的原始数据作为模型拟合数据,分别年龄或龄级计算平均树高及平均树高变动系数,模拟平均树高、平均树高变动系数同平均年龄的关系,使用数理统计方法,将数据按立地条件好、中、差各占一定比例分为3种立地;然后按好、中、差3种立地条件分别模拟全省的公顷株数、平均树高、平均胸径、公顷蓄积、平均年龄间的关系,拟合相应的数学模型;最后利用拟合的数学模型,经过数学变换,预测小班的公顷株数、平均树高、平均胸径、公顷蓄积,以更新森林资源档案。5调查设计及检验数据来源按上述总体思路,全省采用好中差3种立地的森林资源档案数据模型更新档案数据,则全省林地应属于同一总体。先将总体范围缩小,采用地域边界相连的两次二类调查数据,作为拟建模及检验数据。本文采用具有多年专业调查经验的专业人士所调查的马尾松二类调查小班数据,再剔除有明显人为干扰的小班数据,作为建模及检验数据。即建模数据采用1998年白云区林业局441个马尾松二类调查小班数据,而检验数据采用与白云区林业局地域边界相连的1993年白云区农工商局362个马尾松二类调查小班数据。6立地临界值的建立对建模小班数据,按5年一个龄级且以各龄级中值替代龄级年龄,对各龄级平均树高、平均树高变动系数同年龄进行回归分析,建立回归关系如下:=1.4929(=0.4982-0.0943ln((1)—(2)式中:由林学知识可知一定年龄的树高反映小班的立地条件,一般情况下,同一年龄所有调查小班的平均高服从正态分布,若按1∶2∶1的比例将这些调查小班分为好、中、差3类立地,则各类立地临界值为7胸径、东南角相关关系对已进行立地分级的建模数据,按不同立地条件模拟平均年龄与平均树高、公顷株数、平均胸径、公顷蓄积的相关关系,考虑选用模型的合理性、可行性、简明实用性,拟合结果如下:7.1好:(中:(差:(7.2好:(中:(差:(7.3好:(中:(差:(7.4好:(中:(差:ln((3)~(14)式中:8拟合模型分析检验尽管平均树高、平均树高变动系数、分级平均树高、分级公顷株数、分级平均胸径、分级公顷蓄积的预测模型属非线性模型,但都可利用线性化转换,变为线性模型。通过对拟合模型(1)~(14)的相关系数进行分析检验,除平均高变动系数在显著性水平0.05以下,相关系数大于临界值外,其余均在显著性水平0.01以下,相关系数大于临界值。表明上述拟合模型线性相关关系显著,回归模型实用。9妇人生长和林木生长之间关系对(3)~(5)3个平均树高模型,通过求导比较其连年高生长量可知:立地条件越好,连年高生长越快。这同林分平均树高生长规律非常吻合,因此所建模型从生物学角度看是合理的。对(6)~(8)3个公顷株数模型进行比较发现:相同年龄时,立地条件越好,公顷株数越少。这是因为立地条件越好林木生长越快竞争越激烈,林木自然死亡株数越多,公顷株数越来越少。因此所建模型同林分公顷株数分布规律完全相符。对(9)~(11)3个平均胸径模型进行比较发现:平均胸径同平均年龄和平均树高成正相关,同公顷株数成反相关。进一步分析还可发现:好的立地平均胸径同平均树高相关最紧密,中等立地平均胸径同平均年龄相关最紧密,差立地平均胸径同公顷株数相关最紧密。这同林分平均胸径生长规律基本相符。一般情况公顷蓄积应同平均年龄、平均树高、平均胸径、公顷株数密切相关,建立公顷蓄积生长模型时应将平均年龄、平均树高、平均胸径、公顷株数4因子纳入自变量考虑范围。因二类调查过程中,多数情况公顷株数来源于公顷蓄积的反推,因此本文公顷蓄积生长模型不考虑公顷株数。考虑到公顷蓄积同平均年龄、平均树高、平均胸径模型关系复杂,对(12)~(14)3个公顷蓄积模型的生物学评价非常困难,因此模型的检验留待以后实践中进行。10拟合班数的拟合模型检验森林资源档案数据更新模型的优劣不仅要看模型本身的检验指标,更主要体现在模型拟合小班数据的精度方面。对平均树高、平均胸径、公顷蓄积等调查指标因子结合实际要求,给定检验最大误差限,将检验小班数据代入上述拟合模型中,预测各小班的平均树高、平均胸径、公顷蓄积,用预测数据同实测数据误差小于检验最大误差限的小班比例,反映模型拟合小班数据的精度。利用上述模型,对1993年白云区农工商局362个马尾松二类调查小班数据进行检验,有91.7%的小班(即332个)平均树高的误差小于30%,有97.0%的小班(即351个)平均胸径的误差小于30%,有83.1%的小班(即301个)公顷蓄积的误差小于50%。由此可见,利用立地分级方法进行森林资源档案数据更新是可行的。11全班性分级模型尽管利用立地分级方法进行森林资源档案数据更新基本可行,但直接利用模型预测平均树高、公顷株数、平均胸径、公顷蓄积,部分小班误差较大。因此本文提出对立地分级模型进行数学变换,计算平均树高、公顷株数、平均胸径、公顷蓄积的连年生长率,结合小班自身的生长情况,利用生长率进行预测,可提高预测精度。具体方法如下:11.1=11.2=11.3=11.4=(15)~(18)式中:此外,若公顷蓄积模型精度不高时,可考虑用更新的平均树高、平均胸径、公顷株数查材积表计算公顷蓄积。12生长率及建模数据来源(1)通过研究,利用立地分级方法进行森林资源档案数据更新不仅合理、可行、简明适用,而且能提高数据更新精度。(2)因二类调查数据庞大,受调查精度影响,利用数学模型模拟单个林分的生长过程时,少部分小班偏差较大。在进行森林资源档案数据更新时,为提高更新精度,应避免采用数学模型直接更新,可结合小班自身的生