CN109710889A - 一种基于树木年轮精确估计森林生产力的取样方法 - Google Patents
一种基于树木年轮精确估计森林生产力的取样方法 Download PDFInfo
- Publication number
- CN109710889A CN109710889A CN201811524282.XA CN201811524282A CN109710889A CN 109710889 A CN109710889 A CN 109710889A CN 201811524282 A CN201811524282 A CN 201811524282A CN 109710889 A CN109710889 A CN 109710889A
- Authority
- CN
- China
- Prior art keywords
- sample
- ground
- productivity
- diameter
- sampling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Revetment (AREA)
Abstract
本发明涉及一种基于树木年轮精确估计森林生产力的取样方法,包括以下步骤:S1:建立不同面积的森林监测样地,测量样地中所有树木的胸径,并相应钻取所有树木的年轮;S2:根据树木年轮推算相应树木的历史胸径,采用生物量方程计算出所有树木的生物量;S3:将所有树木按照胸径进行分级,列出从每径级中取样的所有可能取样方案,按照每种取样方案估算样地生产力,选择总取样量最小且生产力估计值满足精度要求的取样方案作为该样地的最优取样方案;S4:基于最优取样方案,建立最优取样方案与样地生物量、气候因子以及样地面积之间的函数预测模型。本发明在林学、生态学等研究领域具有广泛的应用前景。
Description
技术领域
本发明是关于一种基于树木年轮精确估计森林生产力的取样方法。
背景技术
森林在全球碳循环过程中扮演着极为重要的角色,同时也为全球经济及人类社会提供着多种服务功能。森林生产力作为森林固碳能力的直接体现,一直以来都是全球变化研究的热点。通常森林生产力的估测方法主要有以下几种:1)CO2通量法;2)模型模拟法;3)遥感反演法和4)样地实测法。上述这些方法中,样地实测法是最基本且精度最高的一种,也常被用于验证由其他方法获得的森林生产力数据。
采用样地实测法估计森林生产力一般采用固定样地数据、森林资源清查数据以及树木年轮数据。相比于前两者,树木年轮具有易于获取、时间分辨率高等优点,且可以在较长的时间序列上获取森林生产力数据,因此被越来越多的用于各类相关研究之中。虽然树木年轮易于获取,但是对一片林分中所有树木个体进行采样仍然是一件耗时费力的工作,因此通常采取在样地中选择少量具有代表性的个体对林分整体的生产力进行估计。在选择取样个体时,最常用的方法即将样地中所有个体按照胸径大小划分为数个径阶(例如,每10cm或20cm为一个径阶),然后在每个径阶中随机选择几株树木(例如,每径阶取3-5株)来代表各径阶的总体情况以此估计整片林分的生产力。然而,有研究表明采用这些取样方法估计的森林生产力会有很大的不确定性。现有技术在一片经过上百年人工经营的林分中进行的研究检验了多种类似年轮采样方法的估计精度,并提出能够满足精度要求的采样方法只有两种:1)对样地中所有个体进行采样;2)在样地中完全随机采集一定比例的个体。显而易见,对所有个体进行取样是最为精确的方法,如前所述,该方法极为耗时费力。对于完全随机取样方法,由于在天林分中生产力的径级分布并不均匀,因此这种方法可能并不适用。综上所述,目前并没有提出一种能用最小的采样量来获得较精确的森林生产力估计值的方法。
发明内容
针对上述问题,本发明的目的是提供一种能够准确估算森林生产力的基于树木年轮精确估计森林生产力的取样方法。
为实现上述目的,本发明采取以下技术方案:一种基于树木年轮精确估计森林生产力的取样方法,包括以下步骤:S1:建立不同面积的森林监测样地,测量各样地中所有胸径大于10cm树木的胸径,并相应钻取所有树木的年轮;S2:根据树木年轮推算相应树木的历史胸径,采用生物量方程计算出所有树木的生物量;S3:将所有树木按照胸径进行分级,列出从每径级中取样的所有可能取样方案,按照每种取样方案估算样地生产力,选择总取样量最小且生产力估计值满足精度要求的取样方案作为该样地的最优取样方案;S4:基于最优取样方案,建立最优取样方案与样地生物量、气候因子以及样地面积之间的函数预测模型。
上述取样方法,进一步地,所述S2的具体过程为:利用各株树木年轮推算各株树木的历史胸径,针对不同树种分别使用相对应的生物量方程,计算出逐年的生物量,采用当年生物量与上年生物量之差作为当年的生产力估计值,将样地中所有树木各年的生产力相加作为样地生产力的实测值。
上述取样方法,进一步地,所述S3的具体过程为:将样地中所有胸径大于10cm的树木按照胸径的25%、50%、75%和100%分位数分为4个径级,列出从这4个径级中取样的所有可能方案,对任意一个取样方案,在每个径级中随机无重复抽取相应数量的个体,并采用这些抽取到的个体计算出每个径级的生产力,加和作为样地生产力的估计值,将这一过程重复设定次数,对每一次运算记录三个参数:样地生产力估计值与实测值之间的误差E、估计的和实测的生产力时间序列之间的相关系数Cor以及对估计的和实测的生产力时间序列进行线性回归,记录回归斜率与1之间差值的绝对值DS;对应于上述三个参数,设定符合估计精度要求的取样方案需要在所有设定次数运算中均满足以下三个条件:(1)样地生产力估计值与实测值间的误差E不得超过10%;(2)Cor的最小值不得低于0.9;(3)DS的最大值不得超过0.1;对于所有满足以上三个条件的取样方案,从中选择总取样量最小的方案作为该样地的最优取样方案。
上述取样方法,进一步地,所述S4的具体过程为:S41:根据S3中所划分的径级,计算出各径级个体的生物量占样地总生物量的比例,并根据样地所在地点搜集相应的气候因子数据;S42:基于统计学方法建立最优取样方案中的取样比例与上述生物量比例、气候因子及样地面积之间的线性回归模型,该模型即为最优取样方案的预测模型。
上述取样方法,进一步地,我国东北地区最为典型且分布范围最广的阔叶红松林建立的最优取样方案预测模型为:log10Psample=0.6258*log10Pbiomass+0.0603*AMT-0.000**AP-0.0001*Area,式中,Psample为任一径级的最优取样比例,Pbiomass为对应径级的生物量比例,AMT为年平均温度,AP为年降水量,Area为样地面积。
上述取样方法,进一步地,在森林林分中设置不同面积的森林调查样地,调查样地中所有胸径大于10cm树木的胸径,对每个个体采用生长锥钻取胸径处年轮样品,其中,调查样地为600m2或1000m2的长方形,在选择样地设置地点时,应选择群落内物种组成、群落结构和生境相对均匀的林分,且样地四周应有一定距离的缓冲区,避免复杂地形。
本发明由于采取以上技术方案,其具有以下优点:
1、本发明用于在估计森林生产力时以最小的取样量获取较高精度的估计值,相比传统方法,本发明在精度更高的前提下,可以分别减少约10%(相比于按10cm划分径级,各径级等量抽样的方法)和42%的取样量(相比于不划分径级,完全随机抽样法);
2、本发明可以在保证生产力估计精度的前提下大幅降低采样量,减少人力物力投入,操作简单,测定可靠,适于在林学、生态学的相关研究中广泛应用;
3、本发明将样地面积作为参数加入到模型建立之中,这就使得该方法的适用范围得到了很大提升,而不用局限于某一特定的样地面积;
4、与现有划分径级取样法不同,现有技术所划分径级的组距是固定的(例如10cm或20cm),但是划分出的径级数是不确定的,本发明采用固定4个径级,在保证估计精度的前提下,可以在实际野外应用场景中减少一定的运算量,降低所需人力物力投入;
综上,本发明在林学、生态学等研究领域具有广泛的应用前景。
附图说明
图1是本发明基于树木年轮精确估计森林生产力的取样方法流程示意图;
图2是本发明地生物量与生产力的关系示意图;
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供一种基于树木年轮精确估计森林生产力的取样方法,包括以下步骤:
S1:建立不同面积的森林监测样地,测量样地中所有树木的胸径,并相应钻取所有树木的年轮。
在森林林分中设置不同面积的森林调查样地,调查样地中所有胸径大于10cm树木的胸径,对每个个体采用生长锥钻取胸径处年轮样品。
优选地,森林样地一般为600m2(20m×30m)或1000m2(20m×50m)的长方形。在选择样地设置地点时,应选择群落内物种组成、群落结构和生境相对均匀的林分,且样地四周应有一定距离的缓冲区(10-20m以上),还应避免坡顶、沟谷等复杂地形。
在我国东北地区由低到高的不同纬度上分别设置了面积为500、1000、2000及3000m2的固定森林监测样地。在完成样地建设后,对样地中所有树木进行编号,并测量记录种名、胸径和树高等。在完成每木调查之后,使用生长锥对样地中所有胸径大于10cm的树木个体进行年轮样品的采集。一般情况下,每木应分别沿“南-北”、“东-西”两个垂直方向在胸径处(树高1.3m处)采集两根样品。所采集样品在野外需及时封存在塑料吸管或纸筒中,并标注好树木编号。带回后所有样品需在木槽中粘牢、风干并打磨至年轮界线清晰可辨,然后通过LINTAB6年轮测量仪精确测得前20年的逐年轮宽。对于采集了两根年轮样品的个体,将所测的两条年轮宽度序列逐年取平均作为该株个体的历年轮宽值。现有研究表明,森林生产力及其时间波动主要由林分中的大树决定的,而小树的贡献则十分有限。因此可以推断,想要用最少的采样量来获取较精确的生产力估计值,那么在采集树木年轮样品时,应主要以大树为主,小树的取样比例可以较少。
S2:使用生物量方程计算出所有树木的生物量
利用所取年轮样品推算各株树木的历史胸径,再计算出逐年生物量,采用各年生物量减去上年生物量作为各株树木的逐年生产力,将样地中所有树木各年的生产力相加作为样地生产力的逐年实测值。
优选地,基于步骤S1测得的年轮宽度序列,结合野外实测的胸径值,可以逐年倒推出样地中所有胸径大于10cm树木过去20年的胸径。再针对不同树种分别使用相对应的生物量方程(species-specific allometric equations),计算出逐年的生物量。采用当年生物量与上年生物量之差作为当年的生产力估计值。基于此,可以算得所有个体过去20年的生产力序列,并相加作为样地生产力的实测值。
S3:将所有树木按照胸径进行分级,列出从每径级中取样的所有可能取样方案,按照每种取样方案从各组中随机抽取个体估算样地生产力,选择总取样量最小且生产力估计值满足精度要求的取样方案作为该样地的“最优取样方案”。
优选地,将样地中所有胸径大于10cm的树木按照胸径的25%、50%、75%和100%分位数分为4个径级(这样可以保证每个径级的个体数大致相同),以此为例,不限于此。然后列出从这4个径级中取样的所有可能方案。本发明径级数固定为4个,各径级的组距则因胸径范围的不同而异。对任意一个取样方案,利用计算机程序模拟在每个径级中随机无重复抽取相应数量的个体,并用这些抽取到的个体计算出每个径级的生产力(平均后乘以径级个体数),再加和作为样地生产力的估计值,可以将这一过程重复500次(以此为例,不限于此),对每一次运算,记录以下三个参数值:
(1)样地生产力估计值与实测值之间的误差E,计算公式如下:
式中,E为估计误差,Pe和Pm分别是样地生产力的估计值和实测值。
(2)估计的和实测的生产力时间序列之间的相关系数Cor(CorrelationCoefficient)。
(3)对估计的和实测的生产力时间序列进行线性回归,记录回归斜率与1之间差值的绝对值DS。
对应于上述三个参数值,本发明设定符合估计精度要求的取样方案需要在所有500次重复运算中均满足以下三个条件:
(1)样地生产力估计值与实测值间的误差E不得超过10%;
(2)Cor的最小值不得低于0.9;
(3)DS的最大值不得超过0.1(也就是回归斜率均在0.9-1.1之间)。
其中,第一个条件是为了保证生产力的估计值不会有过高的误差,后两个条件则是为了保证所估计的生产力序列的时间波动的精确度,因为如果估计值足够精确,那么其与实测值之间的相关性应足够高且回归斜率应在1附近。显而易见的是,在上述计算中是根据估计值与实测值之间的最大误差来决定一个方案是否满足精度要求,因此对于500次重复计算中的绝大多数结果,其精度是高于所设置的三个条件的。换言之,在实际的一次野外取样工作中(可以看做是500次模拟中的1次随机抽样),采用上述满足精度要求的取样方案可以保证最终获得的生产力估计值拥有极高的准确性。对于所有满足以上三个条件的取样方案,从中选择总取样量最小的方案作为该样地的“最优取样方案”。
S4:建立最优取样方案预测模型
基于上述所得的“最优取样方案”,建立最优取样方案与样地生物量、气候因子以及样地面积之间的函数预测模型,具体建立方法如下:
S41:根据S3中所划分的4个径级,计算出各径级个体的生物量占样地总生物量的比例。并根据样地所在地点搜集相应的气候因子数据(本例中气候数据包括年平均温度及年降水量)。
S42:基于统计学方法建立“最优取样方案”中的取样比例与上述生物量比例、气候因子及样地面积之间的线性回归模型。该模型即为最优取样方案的预测模型。以我国东北地区最为典型且分布范围最广的阔叶红松林为例,为该种林分建立的最优取样方案预测模型为:
log10Psample=0.6258*log10Pbiomass+0.0603*AMT-0.0004*AP-0.0001*Area
式中,Psample为任一径级的最优取样比例,Pbiomass为对应径级的生物量比例,AMT为年平均温度(℃),AP为年降水量(mm),Area为样地面积(m2)。
在实际应用中,研究者及林业相关从业者只需将样地中各径级的生物量比例、气候因子及样地面积代入该模型中,就可以得出各径级的最优取样比例。
本发明的目的是为研究者及林业相关行业从业者提供一种可以快速高效获得精确森林生产力的取样方法,因此在对可操作性、便捷性及适用范围等进行了综合考虑后,本发明提出了基于样地生物量、气候因子以及样地面积的“最优取样方案预测模型”。采用这三个参数的主要原因主要有以下几点:
样地生物量:有众多研究表明,森林生物量在很大程度上决定了森林生产力的动态变化。图2为所建立的样地中各个径级的生物量与生产力占样地总生物量和总生产力的比例的线性关系,可以看出,二者之间具有十分密切的关系(斜率接近1,R2=0.9755)。此外,相比于生产力,生物量数据十分易于获取。在野外工作中,只需要调查样地中树木的胸径(最基本的样地调查因子),就可以采用生物量方程计算出所有树木个体的生物量。
气候因子:气候因子(温度、降水等)可以决定某一区域的森林类型。例如,热带雨林主要存在于高温多雨的低纬度热带地区,而干冷的高纬度地区则主要是松、杉科树木的分布区。此外,气候条件还影响着植被的光合速率、生长季长度等,因此对森林生产力同样具有十分重要的影响。
样地面积:对于一片区域内的同一森林类型来说,其生物量的径级分布规律和所处的气候条件不会有太大的差异,但样地面积的不同会使处于同一径级的树木个体数量产生差异,进而会对取样比例产生影响。
根据上述说明书的揭示和教导,本发明所属领域的技术人员还可以对上述实施方式进行适当的变更和修改。因此,本发明并不局限于上面揭示和描述的具体实施方式,对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外,尽管本说明书中使用了一些特定的术语,但这些术语只是为了方便说明,并不对本发明构成任何限制。
Claims (6)
1.一种基于树木年轮精确估计森林生产力的取样方法,其特征在于包括以下步骤:
S1:建立不同面积的森林监测样地,测量样地中所有树木的胸径,并相应钻取所有树木的年轮;
S2:根据树木年轮推算相应树木的历史胸径,采用生物量方程计算出所有树木的生物量;
S3:将所有树木按照胸径进行分级,列出从每径级中取样的所有可能取样方案,按照每种取样方案估算样地生产力,选择总取样量最小且生产力估计值满足精度要求的取样方案作为该样地的最优取样方案;
S4:基于最优取样方案,建立最优取样方案与样地生物量、气候因子以及样地面积之间的函数预测模型。
2.根据权利要求1所述的基于树木年轮精确估计森林生产力的取样方法,其特征在于,所述S2的具体过程为:
利用各柱树木年轮推算各株树木的历史胸径,针对不同树种分别使用相对应的生物量方程,计算出逐年的生物量,采用当年生物量与上年生物量之差作为当年的生产力估计值,将样地中所有树木各年的生产力相加作为样地生产力的实测值。
3.根据权利要求1所述的基于树木年轮精确估计森林生产力的取样方法,其特征在于,所述S3的具体过程为:
将样地中所有胸径大于10cm的树木按照胸径的25%、50%、75%和100%分位数分为4个径级,列出从这4个径级中取样的所有可能方案,对任意一个取样方案,在每个径级中随机无重复抽取相应数量的个体,并采用这些抽取到的个体计算出每个径级的生产力,加和作为样地生产力的估计值,将这一过程重复设定次数,对每一次运算记录三个参数:样地生产力估计值与实测值之间的误差E、估计的和实测的生产力时间序列之间的相关系数Cor以及对估计的和实测的生产力时间序列进行线性回归,记录回归斜率与1之间差值的绝对值DS;
对应于上述三个参数,设定符合估计精度要求的取样方案需要在所有设定次数运算中均满足以下三个条件:
(1)样地生产力估计值与实测值间的误差E不得超过10%;
(2)Cor的最小值不得低于0.9;
(3)DS的最大值不得超过0.1;
对于所有满足以上三个条件的取样方案,从中选择总取样量最小的方案作为该样地的最优取样方案。
4.根据权利要求1~3任一项所述的基于树木年轮精确估计森林生产力的取样方法,其特征在于,所述S4的具体过程为:
S41:根据S3中所划分的径级,计算出各径级个体的生物量占样地总生物量的比例,并根据样地所在地点搜集相应的气候因子数据;
S42:基于统计学方法建立最优取样方案中的取样比例与上述生物量比例、气候因子及样地面积之间的线性回归模型,该模型即为最优取样方案的预测模型。
5.根据权利要求4所述的基于树木年轮精确估计森林生产力的取样方法,其特征在于,我国东北地区最为典型且分布范围最广的阔叶红松林建立的最优取样方案预测模型为:
log10Psample=0.6258*log10Pbiomass+0.0603*AMT-0.0004*AP-0.0001*Area
式中,Psample为任一径级的最优取样比例,Pbiomass为对应径级的生物量比例,AMT为年平均温度,AP为年降水量,Area为样地面积。
6.根据权利要求1~3任一项所述的基于树木年轮精确估计森林生产力的取样方法,其特征在于,在森林林分中设置不同面积的森林调查样地,调查样地中所有胸径大于10cm树木的胸径,对每个个体采用生长锥钻取胸径处年轮样品,其中,调查样地为600m2或1000m2的长方形,在选择样地设置地点时,应选择群落内物种组成、群落结构和生境相对均匀的林分,且样地四周应有一定距离的缓冲区,避免复杂地形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811524282.XA CN109710889B (zh) | 2018-12-13 | 2018-12-13 | 一种基于树木年轮精确估计森林生产力的取样方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811524282.XA CN109710889B (zh) | 2018-12-13 | 2018-12-13 | 一种基于树木年轮精确估计森林生产力的取样方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109710889A true CN109710889A (zh) | 2019-05-03 |
CN109710889B CN109710889B (zh) | 2023-02-03 |
Family
ID=66255700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811524282.XA Active CN109710889B (zh) | 2018-12-13 | 2018-12-13 | 一种基于树木年轮精确估计森林生产力的取样方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109710889B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110853699A (zh) * | 2019-10-30 | 2020-02-28 | 北京林业大学 | 一种建立大区域条件下单木生长模型的方法 |
CN112182829A (zh) * | 2019-07-02 | 2021-01-05 | 北京林业大学 | 中国30种乔木树种极限生长预测预报方法 |
CN113112081A (zh) * | 2021-04-21 | 2021-07-13 | 中国林业科学研究院资源信息研究所 | 一种落叶松人工林两种土壤属性的时间序列估算方法 |
CN114970119A (zh) * | 2022-05-09 | 2022-08-30 | 山东高速云南发展有限公司 | 一种带状区域内的树木碳汇量预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732110A (zh) * | 2015-04-13 | 2015-06-24 | 浙江农林大学 | 基于混合weibull分布的森林生物量多尺度估测方法 |
CN106022652A (zh) * | 2016-06-12 | 2016-10-12 | 刘兆刚 | 一种森林碳汇经营方案的处理方法和装置 |
CN108959705A (zh) * | 2018-05-30 | 2018-12-07 | 中国科学院城市环境研究所 | 一种预测大面积亚热带森林生物量的混合效应模型 |
-
2018
- 2018-12-13 CN CN201811524282.XA patent/CN109710889B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732110A (zh) * | 2015-04-13 | 2015-06-24 | 浙江农林大学 | 基于混合weibull分布的森林生物量多尺度估测方法 |
CN106022652A (zh) * | 2016-06-12 | 2016-10-12 | 刘兆刚 | 一种森林碳汇经营方案的处理方法和装置 |
CN108959705A (zh) * | 2018-05-30 | 2018-12-07 | 中国科学院城市环境研究所 | 一种预测大面积亚热带森林生物量的混合效应模型 |
Non-Patent Citations (3)
Title |
---|
C.M.GOUGH 等: "《Multi-year convergence of biometric and meteorological estimates of forest carbon storage》", 《AGRICULTURAL AND FOREST METEOROLOGY》 * |
周志勇 等: "《百花山自然保护区森林群落碳储量计算方法的研究》", 《西北农林科技大学学报(自然科学版)》 * |
曾伟生: "《云南省森林生物量与生产力研究》", 《中南林业调查规划》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182829A (zh) * | 2019-07-02 | 2021-01-05 | 北京林业大学 | 中国30种乔木树种极限生长预测预报方法 |
CN110853699A (zh) * | 2019-10-30 | 2020-02-28 | 北京林业大学 | 一种建立大区域条件下单木生长模型的方法 |
CN113112081A (zh) * | 2021-04-21 | 2021-07-13 | 中国林业科学研究院资源信息研究所 | 一种落叶松人工林两种土壤属性的时间序列估算方法 |
CN113112081B (zh) * | 2021-04-21 | 2024-05-14 | 中国林业科学研究院资源信息研究所 | 一种落叶松人工林两种土壤属性的时间序列估算方法 |
CN114970119A (zh) * | 2022-05-09 | 2022-08-30 | 山东高速云南发展有限公司 | 一种带状区域内的树木碳汇量预测方法 |
CN114970119B (zh) * | 2022-05-09 | 2023-04-18 | 山东高速云南发展有限公司 | 一种带状区域内的树木碳汇量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109710889B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109710889A (zh) | 一种基于树木年轮精确估计森林生产力的取样方法 | |
Pajtík et al. | Biomass functions and expansion factors in young Norway spruce (Picea abies [L.] Karst) trees | |
Hall et al. | Transpiration from coppiced poplar and willow measured using sap-flow methods | |
Overman et al. | Evaluation of regression models for above-ground biomass determination in Amazon rainforest | |
Sawadogo et al. | Allometric prediction of above-ground biomass of eleven woody tree species in the Sudanian savanna-woodland of West Africa | |
López et al. | Cumulative diameter growth and biological rotation age for seven tree species in the Cerrado biogeographical province of Bolivia | |
CN110874454B (zh) | 基于混合概率密度的区域尺度毛竹碳储量精确测算方法 | |
Berhongaray et al. | An optimized fine root sampling methodology balancing accuracy and time investment | |
CN102087729A (zh) | 一种烟叶生产全程质量监控方法与系统 | |
Van Camp et al. | Inventory-based carbon stock of Flemish forests: a comparison of European biomass expansion factors | |
Zweifel et al. | TreeNet–the biological drought and growth indicator network | |
Coombes et al. | Defining the allometry of stem and crown diameter of urban trees | |
Jurik | Reproductive effort and CO2 dynamics of wild strawberry populations | |
Lovynska et al. | LAI estimation by direct and indirect methods in Scots pine stands in Northern Steppe of Ukraine. | |
Kobayashi et al. | Rhizomes play significant roles in biomass accumulation, production and carbon turnover in a stand of the tall bamboo Phyllostachys edulis | |
Do et al. | Site form classification—a practical tool for guiding site-specific tropical forest landscape restoration and management | |
CN110853699A (zh) | 一种建立大区域条件下单木生长模型的方法 | |
Vanclay et al. | Sustainable timber harvesting in the rainforests of north Queensland | |
CN111368248A (zh) | 一种云南松苗木生物量的估算方法 | |
Trant et al. | Variation in reproductive potential across a multi-species treeline | |
Subasinghe | Prediction of stem biomass of Pinus caribaea growing in the low country wet zone of Sri Lanka | |
Breslauer et al. | Dense subsoils limit winter wheat rooting depth and soil water depletion | |
Howell et al. | Integrating multiple irrigation technologies for overall improvement in irrigation management | |
Almulqu et al. | Aboveground biomass in tropical dry forest at Rote Ndao Regency, East Nusa Tenggara Province, Indonesia | |
Summerton | Process and modelling studies in forest hydrology. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |