基于mo和malab的森林资源蓄积量评估和预测模型的研究

基于mo和malab的森林资源蓄积量评估和预测模型的研究

森林的体积是由林分的生长量和林分消耗量决定的。林分的生长量受到气候、地理环境、区位条件和森林状况等因素的影响。随着时间的推移，消耗量会随着时间的推移而改变。一般来说，森林体积是与时间相关的变量。森林蓄积量的消长和动态是林业经济的脉搏,也是制定采伐计划的科学依据。采用科学的方法进行林木蓄积量预测,将为森林经营与规划提供可靠的依据,达到采育均衡,永续利用的目的。基于GIS的森林资源管理技术广泛应用于森林资源清查、灾害监测、造林采伐规划及林业决策等领域,国内外对此研究十分重视。从20世纪80年代,GIS技术首先应用于加拿大的森林资源清查、检索、制图,服务于资源分析和森林经营,目前已成为森林资源连续清查、森林模型制作和森林经营规划的主要手段。美国联邦林业局也于1988年开始在全国范围内应用GIS技术进行森林资源管理,从森林资源规划到日常经营,都进行了相应的GIS辅助分析。中国学者尝试采用各种预报模型提高森林资源蓄积量的预测精度。中国国家林业局中南调查规划设计院于1996年开始从事森林资源地理信息系统的开发,并应用于广东、广西等地的森林资源清查;马胜利采用县级森林资源调查成果资料,建立了森林资源地理信息系统,应用于森林资源档案管理、造林规划设计、营林作业设计、病虫害的预报与防治,森林火险预警等;臧淑英、祖元刚探讨了ARC/INFO和ArcView地理信息系统在森林资源信息提取、分析及制图等方面的技术,用于中国东北部大兴安岭塔源林场森林资源信息管理;周洪泽等以地形因子与蓄积量回归的估计方法来估测森林总体蓄积量;郭正刚针对白龙江-洮河林区1989~1996年调查的林分蓄积量数据,建立了灰色预测的GM(1,1)拓扑模型,并进行了林分蓄积预测;洪伟等(1998)应用人工神经网络技术建立输入量(林龄)与输出量(单位面积蓄积量)之间的非线性映射关系,通过三层前馈反向传播神经网络模型进行了蓄积量预测和动态模拟。综合国内外研究现状,基于GIS平台构建人工神经网络模型具有数字化、智能化、可视化的优势,适合于森林资源蓄积量预测。在已有研究成果中,采用GIS技术和ANN技术独立进行森林资源蓄积量预测的研究较多,但通过GIS与ANN整合进行的研究工作较少,未有充分发挥GIS与ANN整合的技术优势。为此,本文结合帽儿山林场老山实验站森林资源基础与调查数据,采用GIS与ANN整合技术进行森林资源蓄积量预测。1gis与实行ma-赋予平台的技术融合利用GIS技术在地理信息平台上开展森林资源蓄积量预测分析还是十分困难的,为此,本文基于GIS平台和数值计算平台(MATLAB)的COM融合技术,将GIS技术和ANN技术(人工神经网络)进行有机整合,在GIS平台构建人工神经网络模型、通过ANN模型预测森林资源蓄积量,返回GIS平台予以显示和分析。将GIS的COM技术和ANN的COM技术整合在标准语言平台上,就实现了二者之间的技术融合。GIS的COM组件采用MapObjects2.0,ANN的COM组件采用Matrixvb4.5,其中,MO组件用于实现前台地理信息的数据操作,Matrixvb组件完成后台人工神经网络模型运算,前台与后台经过数据交换整合为一体,从而实现基于GIS平台的森林资源蓄积量ANN预测(图1)。MapObjects组件类似于VB的内置控件,可实现对图形文件放大、缩小、图层控制、数据绑定、地图信息查询、数据等,该组件兼容ESRI系列产品,比较灵活地接收帽儿山森林资源地理信息图件。Matrixvb是MATLAB数值计算平台的COM控件,它提供了强大的科学运算、高质量的图形可视化与界面设计、便捷的与其他程序和语言接口的功能,能方便实用绘图功能和系统建模与仿真,内置ANN模型便于自行设计ANN模型,采用Matrixvb组件将提高GIS平台的智能分析功能。2研究领域的总结2.1地貌丘陵起伏东北林业大学帽儿山林场老山实验站位于中国东北,属于长白山系张广才岭西坡小岭余脉,地理位置在127°34′E、45°20′N。地势丘陵起伏,平均海拔300m,最高海拔805m,总面积26507hm2,距哈尔滨市约100km。老山实验站植被属长白植物区系,是东北东部山区较典型的天然次生林区。原地带性顶极群落为红松阔叶林,经过采伐和人为破坏后形成各种类型的天然次生林和人工林,如山杨林、白桦林、杂木林、蒙古栎林、硬阔叶林和人工针叶林(落叶松、红松、樟子松、云杉等)。2.2森林资源结构与动态采用老山实验站1983年林相图(1∶1万)、1999年林相图及地形图(1∶1万)等图件,结合1983年及1999年森林资源清查资料分析森林资源结构与动态。1森林资源清查的主要内容老山实验站1999年森林总面积为3109hm2,经营面积1891.1hm2。其中林业用地面积1816.6hm2,占整个林场经营面积的96.60%,非林业用地面积74.5hm2,占经营面积的0.40%;有林地面积1764.6hm2,占林场总面积的56.76%。在1983年森林资源清查中,共有林班54个,小班1181个;1999年有林班17个,小班519个;1983年实验站总面积3313.6hm2,1999年二类清查时面积为3109hm2,减少了204.6hm2。面积的减少主要是由于20年来界线改动所致。2优势树种占林分面积和蓄积量的比例老山实验站森林群落的主要树种有柞树、山杨、人工红松、人工樟子松、人工落叶松等。据1999年调查,柞树为优势树种的林分占优势,分别占林分面积、蓄积量的20.93%和26.81%;人工落叶松次之,其它树种为优势的林分比重较小(表1)。3森林蓄积量增加1983年调查的全站活立木小班蓄积为99705m3,1999年为130889m3,增加了31184m3,全站10年内森林消耗量远小于其生长量(表2),主要是由于坚持了封山育林和天然林保护政策,通过合理采伐利用和严格实行限额采伐,保证了森林蓄积量的逐年增加。4森林资源合理采伐经营的结构不合理根据1983年和1999年森林调查结果(表3),实验站林分龄组结构发生明显变化,中、成龄林比例增加幅度较大,幼龄林增加幅度小,该站森林资源合理采伐经营是这种结构变化平稳的主要原因。通过对老山实验站1983年及1999年森林调查资料的对比,近20年内,老山实验站中成龄林面积、蓄积增多,后备资源丰富,幼龄林变化较小,可供采伐资源丰富。5顶空蓄积量比较优势树种以小径级居多,其中落叶松所占的面积和蓄积最大,它们分别为178.3hm2、11257m3,柞树最小,所占面积和蓄积分别为40.6hm2和1068m3;而中径级以柞树居多,面积为223.8hm2,蓄积量为26392m3;优势树种无大径级(表4)。3森林资源积累预测3.1人工神经网络设计森林资源数量的变动取决于死亡、采伐和培育的过程,反映种群动态的方法是年龄结构、蓄积结构、面积变动等,因此,我们在GIS平台上,根据森林经营管理及蓄积量预测的原则与方法,选择树木年龄结构、优势树种面积,优势树种径级、林分面积为输入因子,通过人工神经网络模型输出森林资源蓄积量,对老山实验站森林资源进行分析、比较及动态预测。设计的人工神经网络是一个双层结构,包括一个输入层、一个隐层(中间层)和一个输出层(图1)。隐层和输出层转换函数分别为tansig和purelin类型,从而实现了任意格式的数据输出。输入向量4个,分别为优势树种面积、优势树种径级、各龄组面积蓄积、林分面积,输出因子为森林资源蓄积量,向量分级情况见表5。采用反向传播算法的自动学习,比较网络的实际输出与期望输出,逐步调整权值、阈值,直至误差满足要求,并对新样本进行预测。3.2不同林种蓄积量变化在GIS平台上,采用人工神经网络对老山实验站历史数据进行了学习、训练和模拟,预测出2010年龄组蓄积和面积(表6,表7)。按目前的规划和经营措施,2010年有林地面积扩大,各林种的森林资源蓄积量均有增加,尤其经济林成分的加入,体现了林业经营的经济指标占有一定的比重。根据龄级结构进行预测(见表3~4),到2010年各龄级的树种蓄积发生了明显变化。从数量上看,1999年过熟林比重过大,幼龄林偏少;2010年已完成更新演替,近熟林占最大比重,林龄结构趋于合理。蓄积量预测结果表明:在成熟林内,以获取木材为主要目的各种主伐方式;而在幼、中龄林内,以改善森林生长环境,提高林分质量和林木生长量而进行的各种抚育方式;对林分质量差、生长量低的低产林,为