-
森林生物量作为森林生态系统的最基本的数量特征,是研究许多林业问题和生态问题的基础,对研究生态系统物质和能量的固定、消耗、分配、积累和转化都有着非常重要的意义[1],但针对在较大范围内调查测定森林生物量有很大的难度,而且要耗费很大的时间和力量,因此,建立生物量模型是目前生物量估测的主要手段[2],可以大大减少调查工作量。利用该方法来对全国生物量进行估测已经成为一种趋势[3-4]。为了开展全国森林生物量监测和评估,如何建立适合较大区域范围的通用性立木生物量模型是一项基础工作,而分析森林生物量受不同地域的影响并保证不同尺度范围森林生物量估计值的可靠性下尽量简化所建模型,是值得研究的一个问题[5-6]。哑变量模型方法为解决这一问题提供了可能途径。近年来,一些学者对哑变量的应用主要是集中在对森林生物量模型参数估计和模型通用性上。李忠国等[7]利用哑变量方法研究了北亚热带高山区和暖温带中山区日本落叶松Larix kaempferi的生长模型;郑冬梅等[8]利用哑变量方法构建东北落叶松Larix spp.和栎类Quercus spp. 分段地上生物量模型;高东启等[9]利用哑变量方法将间伐林分和未间伐林分合并建立林分断面积和蓄积量生长模型;符利勇等[10]利用哑变量方法构建了东北地区兴安落叶松Larix gmelinii和长白落叶松Larix olgensis 等2个树种地上生物量通用模型,但是针叶树种生物量受不同地域的影响研究相对较少,实际中不同地域相同树种的生物量可能差别较大,所以建立全国树种生物量通用模型及经营管理森林时,考虑地域因子对生物量的影响是十分必要的。本研究以西藏自治区和云南省2个不同地区的云南松Pinus yunnanensis实测地上生物量调查数据为基础,利用已知的地理区域信息,在生物量模型的研究中引入地理区域为特征的哑变量,来解决不同地区建模不相容的问题。
HTML
-
本研究共调查130株云南松样木,采集时间为2009年,采集地点为西藏、云南(表 1)。样本单元数的选取基本按各省(自治区)资源多少进行分配,并把样木按2,4,6,8,12,16,20,26,32,>38 cm等共10个径阶均匀分布。每个径阶样木数按树高级也基本均匀分配,因此,样本在大尺度范围内具有广泛代表性。全部样木都实测胸径、地径和冠幅。将样木伐倒后,测量树高(树干长度)和冠长(活树冠长度),分干材、干皮、树枝和树叶称鲜质量、干质量作为研究的基础数据。根据样品鲜质量和干质量分别推算出样木各部分干质量,并汇总得到地上部分干质量。样木按地域分布情况见表 1。
地域 样本量/个 项目 胸径(D)/cm 树高(H)/m 冠幅(CW)/m 地上生物量(W)/kg 树干生物量(WS)/kg 树冠生物量(WC)/kg 树枝生物量(WB)/kg 叶生物量(WL)/kg 树皮生物量(WP)/kg 干材生物量(WG)/kg 西藏 50 平均值 16.7 11.3 4.2 140.6 104.6 36 25.9 10.2 13 91.5 最小值 1.8 2 1.1 0.31 0.21 0.1 0.02 0.03 0.07 0.14 最大值 46.7 33.3 10.6 850.2 698.9 185.3 141.9 64.8 66.5 632.4 标准差 12.49 7.32 2.51 255.22 157.52 53.42 39.19 15.39 17.68 140.27 变异系数/% 74.66 64.7 60 181.6 150.6 36 151.6 151.7 135.6 153.2 云南 80 平均值 16.7 10.7 4.7 146.7 109 37.7 30.5 7.3 11 98.1 最小值 1.9 1.8 0.75 0.4 0.29 0.07 0.03 0.04 0.1 0.19 最大值 47.1 29.1 12.6 900.6 763.8 212.4 189.6 39.8 66.4 697.5 标准差 12.21 6.95 2.84 202.6 162.73 48.05 39.92 8.83 14.71 148.35 变异系数/% 73.23 65 60.36 138.09 149.23 127.48 131.3 121.11 134.08 151.26 Table 1. Statistics of basic conditions data for Pinus yunnane ns is
-
利用西藏、云南130株样木的地上生物量以及各分段生物量与胸径、树高、冠幅的成对数据,引入包含地域的哑变量,采用ForStat软件分别拟合对应的一元、二元和三元模型,并通过模型评价指标对其进行分析比较。其地上生物量模型的评价指标如表 2所示。
评价指标 常规回归模型 哑变量模型 模型1 模型2 模型3 模型6 模型7 模型8 R2 0.925 5 0.950 1 0.954 6 0.925 6 0.951 6 0.961 2 ESEE 56.114 7 46.133 7 44.180 7 54.633 4 44.246 3 36.871 8 ETRE -0.003 8 -0.004 5 -0.004 5 0.001 9 0.000 2 0.001 7 P 0.932 8 0.944 8 0.947 1 0.933 9 0.945 7 0.955 6 Table 2. Fitting results of conventional and dummy model for Pinus yunnane ns is aboveground biomass
由表 2结果来看,对于地上总生物量模型来说,传统生物量模型和考虑地域的生物量模型拟合效果都较好,预估精度都在0.930 0以上,最高达0.955 6,确定系数在0.920 0以上,最高达0.961 2。通过对一元、二元和三元模型的对比分析,结果显示:都是三元生物量模型预估精度最高,其次是二元生物量模型,而一元生物量模型最低。另外,通过对传统生物量模型和考虑地域的生物量模型对比分析,结果显示:考虑引入地域的哑变量对生物量模型的预估精度和确定系数都有相对的提高,而估计值的标准误差和总相对误差也都有所减小。这说明在一定程度上引入地域的哑变量可以相对提高模型的精度。
-
由表 3~4结果看,对于地上各分项生物量模型来说,2种模型方法所建立的预估精度和确定系数都比较高,但总的来说,对于每一个分项生物量,哑变量模型的确定系数和预估精度都比传统模型有相应的提高,而且估计值的标准误差和总相对误差也都有所减小,其中除了树干和干材的一元模型的ESEE在50%左右外,其他各个模型的ESEE都在30%左右,而ETRE都在10%以下。这说明引入哑变量有助于提高模型的精度。在所有分项生物量中,树叶的确定系数最低,在0.670 0以上,最高达0.784 5,但预估精度都在0.850 0以上,最高为0.898 0,所以所建模型还是比较合理的,树叶确定系数较低的原因可能是由于树叶不易测定,于其他生物量模型来说,测定的误差相对来说较大一些。从一元、二元和三元模型的对比分析表明:三元生物量模型预估精度最高,其次是二元生物量模型,一元生物量模型最低。另外,通过对传统生物量模型和哑变量模型对比分析,结果显示:不管是一元、二元还是三元生物量模型,哑变量模型的预估精度和确定系数都有相对提高,其中,对树叶的生物量模型影响最大,确定系数提高了7个百分点,预估精度提高了3个百分点,其次是树干、树冠和树枝的生物量模型,模型6,模型7,模型8都提高了1个百分点,模型8对干材的生物量模型提高较多,而且所有有哑变量模型的标准误差和总相对误差也都比常规模型较低,这说明引入地域的哑变量可以相对提高模型的精度。
拟合 评价指标 常规回归模型 哑变量模型 模型1 模型2 模型3 模型6 模型7 模型8 树干生物量拟合结果 R2 0.888 1 0.950 1 0.960 4 0.890 8 0.960 3 0.966 3 ESEE 54.199 2 33.469 9 32.484 6 53.970 4 32.811 3 30.479 4 ETRE 0.027 8 0.000 0 0.005 6 0.006 7 0.001 1 0.002 7 P 0.909 9 0.945 9 0.947 2 0.912 1 0.954 1 0.955 6 树冠生物量拟合结果 R2 0.803 4 0.836 4 0.840 2 0.815 2 0.849 0 0.852 0 ESEE 22.426 3 20.540 4 20.383 0 21.577 0 19.972 2 19.930 4 ETRE -0.007 1 -0.004 6 -0.002 1 -0.004 6 -0.004 4 -0.001 0 P 0.895 7 0.904 2 0.904 7 0.899 7 0.908 6 0.908 8 Table 3. Fitting results of conventional and dummy model for Pinus yunnane ns is stem and crown biomass
拟合 评价指标 常规回归模型 哑变量模型 模型1 模型2 模型3 模型6 模型7 模型8 树干生物量拟合结果 R2 0.895 0 0.930 7 0.932 3 0.895 3 0.932 5 0.938 3 ESEE 5.207 6 4.246 7 3.888 4 5.141 0 4.140 6 3.088 5 ETRE 0.019 5 0.017 3 0.002 5 0.017 2 0.016 3 0.008 5 P 0.921 7 0.936 3 0.937 7 0.928 2 0.944 4 0.949 1 干材生物量拟合结果 R2 0.880 6 0.953 9 0.957 8 0.884 2 0.956 5 0.963 8 ESEE 50.619 7 31.561 4 30.316 7 50.229 3 31.021 2 28.526 2 ETRE 原0.004 5 原0.003 9 原0.003 4 原0.004 1 原0.002 2 原0.000 7 P 0.908 5 0.942 9 0.945 2 0.909 1 0.951 4 0.958 2 树叶生物量拟合结果 R2 0.670 8 0.706 8 0.712 6 0.738 0 0.771 8 0.784 5 ESEE 6.866 8 6.505 5 6.466 9 6.174 3 5.809 0 5.074 3 ETRE 原0.011 1 0.010 6 0.009 2 原0.010 1 原0.009 0 0.008 3 P 0.858 1 0.864 0 0.864 9 0.874 8 0.897 1 0.898 0 树枝生物量拟合结果 R2 0.767 3 0.807 0 0.817 0 0.775 4 0.807 6 0.817 5 ESEE 18.453 4 17.182 1 15.918 5 18.112 6 16.926 2 15.182 5 ETRE 原0.004 5 原0.002 8 原0.001 3 原0.003 5 原0.002 0 原0.000 8 P 0.888 7 0.896 2 0.897 6 0.889 0 0.906 7 0.919 8 Table 4. Fitting results of conventional and dummy model for Pinus yunnane ns is components biomass