CN111191386A - 一种多尺度相容的林木年生长模型组建模方法 - Google Patents
一种多尺度相容的林木年生长模型组建模方法 Download PDFInfo
- Publication number
- CN111191386A CN111191386A CN202010065960.1A CN202010065960A CN111191386A CN 111191386 A CN111191386 A CN 111191386A CN 202010065960 A CN202010065960 A CN 202010065960A CN 111191386 A CN111191386 A CN 111191386A
- Authority
- CN
- China
- Prior art keywords
- model
- tree
- height
- average
- breast
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 210000000481 breast Anatomy 0.000 claims abstract description 112
- 238000009825 accumulation Methods 0.000 claims abstract description 73
- 238000006243 chemical reaction Methods 0.000 claims abstract description 31
- 235000008331 Pinus X rigitaeda Nutrition 0.000 claims description 43
- 235000011613 Pinus brutia Nutrition 0.000 claims description 43
- 241000018646 Pinus brutia Species 0.000 claims description 43
- 210000000038 chest Anatomy 0.000 claims description 28
- 150000001875 compounds Chemical class 0.000 claims description 15
- 239000002023 wood Substances 0.000 claims description 15
- 241000196324 Embryophyta Species 0.000 claims description 11
- 241000218642 Abies Species 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 239000003337 fertilizer Substances 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000031877 prophase Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000035508 accumulation Effects 0.000 description 56
- 238000012544 monitoring process Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 241000894007 species Species 0.000 description 5
- 238000005259 measurement Methods 0.000 description 3
- 244000050510 Cunninghamia lanceolata Species 0.000 description 2
- 241000405414 Rehmannia Species 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 235000004507 Abies alba Nutrition 0.000 description 1
- 244000101408 Abies amabilis Species 0.000 description 1
- 235000014081 Abies amabilis Nutrition 0.000 description 1
- 235000017894 Abies grandis Nutrition 0.000 description 1
- 241000018650 Pinus massoniana Species 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种多尺度相容的林木年生长模型组建模方法,以全省为总体,首先建立蓄积、胸径、树高的省级生长模型,再利用测算的各县转换系数,将省级生长均值模型转换到各县级生长本土模型;然后对各建模样地的蓄积生长进行分析校正;最后,采用多个模型式进行分别拟合,选取相关系数好,拟合精度高,预测均方误差小的模型式作为结果式。本发明能准确预测年度小量变化,且预测结果的年度间稳定性好;采用建立关联模型方程组,统一求解各类指标的模型参数,相较于现有技术,能统筹解决各相关模型的参数求解和模型相容问题。实现了省、市、县三个不同尺度的模型相容,提高了省、市、县三级预测结果的准确性。
Description
技术领域
本发明属于林业技术领域,具体涉及一种多尺度相容的林木年生长模型组建模方法。
背景技术
模型预测是开展森林资源年度监测蓄积更新的重要方法。与蓄积关联的因子有立木类型、树种、胸径、树高、单位面积株数等因子,森林资源一张图年度更新中,如何利用森林资源连续清查年度监测样地数据,如何构建合适的模型体系,建立既与省级固定样地相协同,有良好精度保障,又能适用于省、市、县三级,是值得深入探讨的主题。
当前林木年度生长量模型研建面临的主要挑战是:
(1)年度监测,各类监测指标的变化量较小,无法精准预测各类指标年度变化状况;
(2)胸径、树高、单位面积株数、单位面积蓄积指标相关性强,目前没有构建一套相容的模型组,统一预测各类生长指标;
(3)建模样本为全省系统布设的度监测固定样地,在样本数量有限的情况下,没有好的方法构建省、市、县三个不同尺度相容,具有良好精度保障的模型组。
发明内容
发明目的:针对现有技术存在的不足,本发明的目的是提供一种多尺度相容的林木年生长模型组建模方法。
技术方案:为了实现上述发明目的,本发明采用的技术方案如下:
本发明的一种多尺度相容的林木年生长模型组建模方法,以全省为总体,首先建立蓄积、胸径、树高的省级生长模型,再利用测算的各县转换系数,将省级生长均值模型转换到各县级生长本土模型;然后对各建模样地的蓄积生长进行分析校正;最后,采用多个模型式进行分别拟合,选取相关系数好,拟合精度高,预测均方误差小的模型式作为结果式。
具体包括以下步骤:
(1)样木基础数据预处理:对照往期年度检尺类型,梳理建模所需的年度样木检尺类型,剔除异常数据,建立自变量与因变量散点图进行异常值分析,采用标准差法分析异常数据。剔除的异常数据具体为:剔除以往年度均已采伐、枯死、多测的检尺木,删除采伐木,并对漏测木、错测木进行胸径模拟回归,确定建模检尺类型仅有保留木、进界木和枯死木。
(2)样地建模数据汇总:以小班为基本林分单元,乔木林为建模单元,以样地为基础建模数据,构建模型样本,计算各样地的往期年度的年林木蓄积,计算生长率;
(3)模型研建:选用多个方程作为比选模型,分别8个建模单元,利用非线性和线性回归模型建模方法,构建林木年生长模型;
(4)模型检验:利用建模性能指标,对模型建模结果进行数学评价,评估模型可靠性和预估精度;
(5)模型应用评价:选取有代表性的地区,采用最新二类数据,利用研建的模型,测算各地区的生长量与生长率,并与抽样结果比较,评价模型的实际应用效果。
进一步地,步骤(3)中,所述林木年生长模型包括林分蓄积模型、林分胸径模型、林分树高模型、林分株树更新模型、林分疏密度更新模型、散生四旁树或树带胸径模型、散生四旁树或树带树高模型、散生四旁树或树带蓄积更新模型。
进一步地,所述林分蓄积模型包括松类/杉类蓄积年生长率模型和硬阔/软阔蓄积年生长率模型,其中,松类/杉类蓄积年生长率模型如下:
其中,PV为模型预测年生长率,D前为小班前期平均胸径,a、b、c为松类/杉类林分蓄积更新模型参数;
小班模型更新应用,按以下方式预估松类/杉类本期蓄积量:
V后=V前×(1+PV×rV)
式中,V后为本期小班更新后单位亩蓄积,V前为小班前期单位亩蓄积,PV为模型预测年生长率,rV为各县蓄积年生长率转换系数。
硬阔/软阔蓄积年生长率模型如下:
PV=f+g×D前 (-h)
其中,PV为模型预测年生长率,D前为小班前期平均胸径,f、g、h硬阔/软阔为林分蓄积更新模型;
小班模型更新应用,按以下方式预估硬阔/软阔本期蓄积量:
V后=V前×(1+PV×rV)
式中,V后为本期小班更新后单位亩蓄积,V前为小班前期单位亩蓄积,PV为模型预测年生长率,rV为各县蓄积年生长率转换系数。
进一步地,所述林分胸径模型如下:
小班模型更新应用,按以下方式预估本期胸径:
进一步地,所述林分树高模型包括:松类/杉类树高模型和硬阔/软阔树高模型,其中,松类/杉类林分树高模型如下:
小班模型更新应用,按以下方式测算松类/杉类本期树高:
硬阔/软阔林分树高模型如下:
小班模型更新应用,按以下方式测算硬阔/软阔本期树高:
其中:
进一步地,所述林分株数更新模型如下:
式中,Nxb为小班单位面积亩株数,V后为小班更新后的单位面积亩蓄积,
D后为小班更新后的平均胸径,H后为小班更新后的平均树高,fε为实验形数。
进一步地,所述林分疏密度更新模型如下:
其中,PSMD为小班疏密度,V后为更新后的小班亩蓄积,V标为疏密度1.0的标准林分亩蓄积。
进一步地,所述散生四旁树或树带胸径模型如下:
散生四旁树或树带胸径模型更新应用,按以下方式预估本期胸径:
进一步地,所述散生四旁树或树带蓄积更新模型为:
式中,N为散生四旁树或树带总株数,V后为更新后散生四旁树或树带总蓄积,D后为更新后的散生四旁树或树带平均胸径,H后为更新后的散生四旁树或树带平均树高,fε为实验形数。
有益效果:与现有技术相比,本发明具有以下优点:
1、各类指标均采用年生长率构建预测模型,将生长率指标转换成预测年度的胸径、树高和单位面积蓄积指标,相较于现有技术,能准确预测年度小量变化,且预测结果的年度间稳定性好。
2、各立木类型和树种组的胸径、树高、单位面积株数、单位面积蓄积指标,采用建立关联模型方程组,统一求解各类指标的模型参数,相较于现有技术,能统筹解决各相关模型的参数求解和模型相容问题。
3、在有限样本数量的情况下,利用建模样本统计分析数据,采用尺度转换系数,构建了适用不同市、县的各类指标预测模型,相较于现有技术,实现了省、市、县三个不同尺度的模型相容,提高了省、市、县三级预测结果的准确性。
具体实施方式
下面结合具体实施例,进一步阐明本发明,实施例在以本发明技术方案为前提下进行实施,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
本实施例利用浙江省森林资源固定样地观测数据为建模样本,采用数学回归模型建模方法,构建了蓄积等主要测树因子的自然生长小班更新模型:
为对森林资源小班数据进行生长更新,本发明以固定样地监测数据为建模样本,分别乔木林分、散生四旁树或树带2类,分松类、杉类、硬阔类、软阔类4个树种组,共8个建模单元,分别研建了林木年生长模型组,包括蓄积生长模型、树高生长模型、胸径生长模型,并进行了模型自检和评价。研究以生长量预测为核心目标,尺度转换上,根据样地监测结果测算各县净生长率,分别计算各县蓄积、胸径、树高生长率与全省均值的比值r,作为各县生长量与全省生长量的转换系数,将全省尺度转换到县级尺度;各市所辖各县的r值加权平均,作为市级尺度转换系数。检尺类型上,模型既对保留生长量、进界生长量进行预测,也对自然竞争的枯损量进行了扣减。并利用建模结果,对有关县二类数据进行了应用测试和检验。
本实施例所应用到的建模挤出数据源为:
建模基础数据,包括2016、2017年6152个复位固定样地,其中5375个样地为省对市监测样地,777个样地为衢州、湖州市级监测加密样地,建模用到的样木数据共348742条。各模型采用的基础数据分别为:
林分蓄积和胸径建模数据以2016、2017年样地数据作为建模数据。林分树高模型数据源为2016、2017年样地胸径和树高成对值实测数据。
散生四旁树或树带胸径建模数据为2016和2017年样木表中立木类型为散生和四旁的单木数据。散生四旁树或树带树高模型建模数据为2017年标准木单木树高测定数据。
本发明的多尺度相容的林木年生长模型组建模方法的总体建模思路为:
(1)是以全省为总体,首先分别对8个建模单元建立蓄积、胸径、树高省级生长模型,再应用2016-2017年复位固定样地测算的各县转换系数,与省级生长模型式相乘,将省级生长均值模型转换到各县级生长本土模型。
(2)为建立年生长率模型,消除两个调查年份因调查时间不同带来的误差,使林木生长时间均为12个月,采用我省已有的蓄积生长月际分布研究成果,对各建模样地的蓄积生长进行分析校正。
(3)为确保各县有足够样地数,减缓系数波动,提高转换系数精度,将杭州等9个设区市的主城区,嘉兴、舟山全市,余姚慈溪、温岭玉环、苍南平阳等相邻县,合并为一个县级单位,其余各县单独为一个县级单位。
(4)为更好拟合生长过程,分别采用多个模型式进行分别拟合,选取相关系数好,拟合精度高,预测均方误差小的模型式作为结果式。
以2016和2017年的样本数据为例,本发明的多尺度相容的林木年生长模型组建模方法,具体的步骤如下:
(1)样木基础数据预处理。对照2016和2017年检尺类型,梳理出建模需要的2017年样木检尺类型,剔除2016、2017年均已采伐、枯死、多测的检尺木,删除2017年采伐木,并对漏测木、错测木进行胸径模拟回归,确定建模检尺类型仅有保留木、进界木和枯死木。建立自变量与因变量散点图进行异常值分析,采用标准差法分析异常数据。
(2)样地建模数据汇总。小班是基本林分单元,因此,乔木林建模单元,以样地为基础建模数据,构建模型样本,计算各样地的2016年、2017年年林木蓄积,计算生长率。
(3)模型研建。选用多个方程作为比选模型,分别8个建模单元,利用非线性和线性回归模型建模方法,构建生长率、树高等生长模型。
(4)模型检验。利用建模性能指标,对模型建模结果进行数学评价,评估模型可靠性和预估精度。
(5)模型应用评价。选取有代表性的县,采用最新二类数据,利用研建的模型,测算各县生长量与生长率,并与抽样结果比较,评价模型的实际应用效果。
本发明的所建模型如下:
不同树种组实验形数,松木:fε=0.39杉木人工:fε=0.42杉木天然:fε=0.39阔叶树:fε=0.38。所有计算公式中胸径单位为厘米,树高单位为米。各类林木的蓄积、胸径、树高生长模型,均为年生长情况,间隔期为1年。
一、林分蓄积模型:
(1)松类/杉类蓄积
蓄积年生长率模型式选择如下:
式中,PV为模型预测年生长率,D前为小班前期平均胸径,a、b、c为松类/杉类林分蓄积更新模型参数;a、b、c见表1。
表1林分蓄积更新模型参数
树种组 | a | b | c |
松 | 97.48 | 0.9644 | 0.6629 |
杉 | 86.1 | 0.777 | 0.6969 |
小班模型更新应用,按以下公式预估本期蓄积量:
V后=V前×(1+PV×rV)
式中,V后为本期小班更新后单位亩蓄积,V前为小班前期单位亩蓄积,PV为模型预测年生长率,rV为各地区蓄积年生长率转换系数。
(2)硬阔/软阔
蓄积年生长率模型式选择如下:
PV=f+g×D前 (-h)
式中,PV为模型预测年生长率,D前为小班前期平均胸径,f、g、h为硬阔/软阔林分蓄积更新模型;f、g、h见表2。
表2林分蓄积更新模型参数
树种组 | f | g | h |
硬阔 | 0.02388 | 468.5 | 4.14 |
软阔 | 0.03237 | 4472 | 5.125 |
小班模型更新应用,按以下公式预估本期蓄积量:
V后=V前×(1+PV×rV)
式中,V后为本期小班更新后单位亩蓄积,V前为小班前期单位亩蓄积,PV为模型预测年生长率,rV为各地区蓄积年生长率转换系数。
二、林分胸径模型
4个树种组的林分胸径预估模型式均为:
表3胸径更新模型参数
小班模型更新应用,按以下公式预估本期胸径:
三、林分树高模型
利用两期样地树高实测数据,选用多个模型式建立树高模型,结果如下:
(1)松类/杉类
树高预估模型式如下:
表4树高更新模型参数
树种组 | C<sub>0</sub> | C<sub>1</sub> | C<sub>2</sub> |
松 | 20.74 | -217.3 | 6.967 |
杉 | 25.24 | -381.4 | 11.87 |
小班模型更新应用,按以下公式测算本期树高:
(2)硬阔/软阔
树高预估模型式如下:
表5树高更新模型参数
树种组 | C<sub>3</sub> | C<sub>4</sub> |
硬阔 | 17.14 | 7.405 |
软阔 | 17.62 | 7.922 |
小班模型更新应用,按以下公式测算本期树高:
其中:
四、林分株数更新模型:
式中,Nxb为小班单位面积亩株数,V后为小班更新后的单位面积亩蓄积,D后为小班更新后的平均胸径,H后为小班更新后的平均树高,fε为实验形数。
五、林分疏密度更新模型
式中,PSMD为小班疏密度,V后为更新后的小班亩蓄积,V标为疏密度1.0的标准林分亩蓄积,该值可以对过查表6获得。
表6不同树种组亩蓄积疏密度1.0标准表
六、散生四旁树或树带胸径模型
散生四旁树或树带胸径预估模型式如下:
表7胸径更新模型参数
散生四旁树或树带胸径模型更新应用,按以下公式预估本期胸径:
七、散生四旁树或树带的树高模型
散生四旁树或树带的树高模型式、参数及树高更新应用,与林分树高模型相同。
八、散生四旁树或树带蓄积更新模型
式中,N为散生四旁树或树带总株数,V后为更新后散生四旁树或树带总蓄积,D后为更新后的散生四旁树或树带平均胸径,H后为更新后的散生四旁树或树带平均树高,fε为实验形数。
关于本发明的尺度转换系数r:
由于各地区气候、地形地貌、土壤等自然条件存在一定差异,因此,树木年生长量也不同,为此,需要设立各地区的转换系数,对生长模型进行本地化。根据前述小班生长更新需要,尺度转换系数分为蓄积、胸径和树高转换系数3类。3类尺度转换系数关系式如下:
(1)数据预处理
全省89个县(市、区),行政区域面积大小不同,为减缓系数跳动,提高转换系数精度,将杭州等9个设区市的主城区,嘉兴、舟山全市,余姚慈溪、温岭玉环、苍南平阳等相邻县,合并为一个县级单位,其余各县单独为县级单位。
(2)市、县级转换系数
为将模型预测的全省均值转化为市、县级值,根据2016-2017年样地监测结果,得到各地区蓄积生长率,将各地区蓄积生长率与全省平均蓄积生长率相除计算比值,即得到各市、县的蓄积转换系数。公式为:
rv=P市、县级/P省级
根据各地区的转换系数,对利用蓄积、胸径和树高模型预估的年生长量进行调整,将全省均值转化为各地区生长量值。各地区生长量加上前期结果,即为后期预估值。
各地区的蓄积转换系数、胸径与树高尺度转换系数见表9。
表9尺度转换系数表
以浙江省兰溪市为例,解释本发明的具体应用:
一、小班主要测因子更新
以兰溪市某小班的主要测因子更新为例,其前期小班主要测树因子基本情况见表11。
表11示例小班2016年主要测树因子基本情况表
(1)小班蓄积更新
将蓄积模型代入小班更新式后,公式如下:
公式中,V后为小班2017年的单位亩蓄积,V前为小班2016年单位亩蓄积,值为7.02,D前为小班2016年平均胸径,值为14.0,rV为2017年兰溪市蓄积转换系数,为0.9429,a、b、c为2017年松木蓄积更新模型参数,值分别为97.48、0.9644、0.6629。
小班蓄积计算过程见表12:
表12蓄积量更新过程表
(2)小班平均胸径更新
将胸径模型代入小班更新式后,公式如下:
公式中,D后为小班2017年的平均胸径,D前为小班2016年平均胸径,值为14.0,rD为2017年兰溪市胸径转换系数,值为0.9806,i、j为2017年松木小班胸径更新模型参数,值分别为0.06839、1.005。
小班平均胸径计算过程见下表:
表13平均胸径更新过程表
(3)小班平均树高
将树高模型代入小班更新式后,公式如下:
公式中H后为2017年小班平均树高,H前为2016年小班平均树高,rH为2017年兰溪市树高转换系数,值为0.9806。其中:
公式中H前估为根据松木胸径-树高模型估算的2016年小班平均树高,D前为2016年小班平均胸径,值为14.0,C0、C1、C2为2016及2017年松木胸径-树高模型参数,值分别为20.74、-217.3、6.967。
公式中H后估为根据松木胸径-树高模型估算的2017年小班平均树高,D后估为2017年小班估算的平均胸径,其值计算模型式如下:
D后估=i+j×D前
公式中D后估为2017年小班估算的平均胸径,D前为2016年小班平均胸径,i、j为2017年松木小班胸径更新模型参数,值分别为0.06839、1.005。
小班平均树高计算过程见下表14。
表14小班平均树高更新过程表
(4)小班亩株数
亩株数模型式如下:
公式中,Nxb为2017年小班单位面积亩株数,V后为2017年小班单位面积亩蓄积,根据前面更新的结果值为7.32,D后为2017年小班平均胸径,根据前面更新的结果值为14.13,H后为2017年小班平均树高,根据前面更新的结果值为10.06,fa为松木实验形数,值为0.39。将数据代入模型计算后的2017年小班单位面积亩株数为92。
(5)小班疏密度
疏密度模型式如下:
公式中,V标为疏密度1.0时的标准林分亩蓄积,H后为2017年小班平均树高,根据前面更新的结果值为14.13,a,b,c见松木标准林分亩蓄积模型参数,值分别为0.2727、1.5210、0.3661。PSMD为2017年小班疏密度,V后为2017年小班亩蓄积,根据前面更新的结果值为7.32。将数据代入模型计算后的2017年小班疏密度为0.77。
(6)小班更新结果表
采用以上模型式,对小班胸径、树高、每亩株数、每亩蓄积、疏密度因子进行更新,更新结果列表如下:
表15小班主要测树因子更新结果表
小班因子 | 2016年值 | 2017年值 |
地类 | 乔木林 | 乔木林 |
优势树种 | 马尾松 | 马尾松 |
起源 | 人工 | 人工 |
平均胸径 | 14.0 | 14.12 |
平均树高 | 10.0 | 10.06 |
亩蓄积 | 7.02 | 7.32 |
疏密度 | 0.74 | 0.77 |
亩株数 | 90 | 92 |
二、散生四旁树或树带主要测因子更新
以兰溪市某四旁树主要测因子更新为例,其前期小班主要测树因子基本情况见表16。四旁树的胸径、树高更新方法,与小班相同,为更直观呈现更新过程,本节作再次阐述。
表16某四旁树主要测树因子更新结果表
(1)平均胸径更新
将胸径模型代入更新式后,公式如下:
公式中,D后为四旁树2017年的平均胸径,D前为四旁树2016年平均胸径,值为12.0,rD为2017年兰溪市胸径转换系数,值为0.9806,k、m为2017年松木四旁树胸径更新模型参数,值分别为0.4161、1.01。
平均胸径计算过程见下表17。
表17平均胸径更新过程表
(2)平均树高
树高更新式如下:
公式中H后为2017年四旁树平均树高,H前为2016年四旁树平均树高,rH为2017年兰溪市树高转换系数,值为0.9806。其中:
公式中,H前估为根据松木胸径-树高模型估算的2016年四旁树平均树高,C0、C1、C2为2016-2017年松木胸径-树高模型参数,值分别为20.74、-217.3、6.967。
公式中,H后估为根据松木胸径-树高模型估算的2017年四旁树平均树高,D后估为估算的2017年四旁树平均胸径,C0、C1、C2为2016-2017年松木胸径-树高模型参数,值分别为20.74、-217.3、6.967。其后期胸径模型式为:
D后估=k+m×D前
公式中D后估为估算的2017年四旁树平均胸径,D前为2016年四旁树平均胸径,值为12.0,k、m为2017年松木四旁树胸径更新模型参数,值分别为0.4161、1.01。
四旁树平均树高计算过程见下表。
表18平均胸径和树高更新过程表
(3)蓄积量更新
蓄积量采用下式计算:
公式中,V后为2017年四旁树蓄积量,Nsssp为四旁树株数,D后为2017年四旁树平均胸径,根据前面计算结果值为12.50,H后为2017年四旁树平均树高,根据前面计算结果值为7.23。代入公式后得到的2017年蓄积量为39.97。
(4)四旁树更新结果
采用以上模型式,对四旁树胸径、树高、蓄积进行更新,更新结果列表如下:
表19四旁树主要因子更新结果表
四旁树因子 | 2016年值 | 2017年值 |
树种 | 湿地松 | 湿地松 |
起源 | 人工 | 人工 |
平均胸径 | 12.0 | 12.52 |
平均树高 | 7.0 | 7.23 |
蓄积量 | 36.0 | 39.97 |
株数 | 817 | 817 |
Claims (10)
1.一种多尺度相容的林木年生长模型组建模方法,特征在于,以全省为总体,首先建立蓄积、胸径、树高的省级生长模型,再利用测算的各县转换系数,将省级生长均值模型转换到各县级生长本土模型;然后对各建模样地的蓄积生长进行分析校正;最后,采用多个模型式进行分别拟合,选取相关系数好,拟合精度高,预测均方误差小的模型式作为结果式。
2.根据权利要求1所述的多尺度相容的林木年生长模型组建模方法,其特征在于,包括以下步骤:
(1)样木基础数据预处理:对照往期年度检尺类型,梳理建模所需的年度样木检尺类型,剔除异常数据,建立自变量与因变量散点图进行异常值分析,采用标准差法分析异常数据。
(2)样地建模数据汇总:以小班为基本林分单元,乔木林为建模单元,以样地为基础建模数据,构建模型样本,计算各样地的往期年度的年林木蓄积,计算生长率;
(3)模型研建:选用拟合模型式,分别8个建模单元,利用非线性和线性回归模型建模方法,构建林木年生长模型;
(4)模型检验:利用建模性能指标,对模型建模结果进行数学评价,评估模型可靠性和预估精度;
(5)模型应用评价:选取有代表性的地区,采用最新二类数据,利用研建的模型,测算各地区的生长量与生长率,并与抽样结果比较,评价模型的实际应用效果。
3.根据权利要求2所述的多尺度相容的林木年生长模型组建模方法,其特征在于:步骤(3)中,所述林木年生长模型包括林分蓄积模型、林分胸径模型、林分树高模型、林分株树更新模型、林分疏密度更新模型、散生四旁树或树带胸径模型、散生四旁树或树带树高模型、散生四旁树或树带蓄积更新模型。
4.根据权利要求2所述的多尺度相容的林木年生长模型组建模方法,其特征在于:所述林分蓄积模型包括松类/杉类蓄积年生长率模型和硬阔/软阔蓄积年生长率模型,其中,松类/杉类蓄积年生长率模型如下:
其中,PV为模型预测年生长率,D前为小班前期平均胸径,a、b、c为松类/杉类林分蓄积更新模型参数;
小班模型更新应用,按以下方式预估松类/杉类本期蓄积量:
V后=V前×(1+PV×rV)
式中,V后为本期小班更新后单位亩蓄积,V前为小班前期单位亩蓄积,PV为模型预测年生长率,rV为各县蓄积年生长率转换系数;
硬阔/软阔蓄积年生长率模型如下:
PV=f+g×D前 (-h)
其中,PV为模型预测年生长率,D前为小班前期平均胸径,f、g、h为硬阔/软阔林分蓄积更新模型;
小班模型更新应用,按以下方式预估硬阔/软阔本期蓄积量:
V后=V前×(1+PV×rV)
式中,V后为本期小班更新后单位亩蓄积,V前为小班前期单位亩蓄积,PV为模型预测年生长率,rV为各县蓄积年生长率转换系数。
6.根据权利要求2所述的多尺度相容的林木年生长模型组建模方法,其特征在于:所述林分树高模型包括:松类/杉类树高模型和硬阔/软阔树高模型,其中,松类/杉类林分树高模型如下:
小班模型更新应用,按以下方式测算松类/杉类本期树高:
硬阔/软阔林分树高模型如下:
小班模型更新应用,按以下方式测算硬阔/软阔本期树高:
其中:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010065960.1A CN111191386B (zh) | 2020-01-20 | 2020-01-20 | 一种多尺度相容的林木年生长模型组建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010065960.1A CN111191386B (zh) | 2020-01-20 | 2020-01-20 | 一种多尺度相容的林木年生长模型组建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111191386A true CN111191386A (zh) | 2020-05-22 |
CN111191386B CN111191386B (zh) | 2023-04-14 |
Family
ID=70710791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010065960.1A Active CN111191386B (zh) | 2020-01-20 | 2020-01-20 | 一种多尺度相容的林木年生长模型组建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191386B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001654A (zh) * | 2020-08-31 | 2020-11-27 | 上海市园林科学规划研究院 | 一种城市搬迁地绿化树种地下生物量模型的构建方法 |
CN113095571A (zh) * | 2021-04-14 | 2021-07-09 | 河北农业大学 | 一种基于树木代谢速率理论的生物量模型预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010095341A1 (ja) * | 2009-02-18 | 2010-08-26 | 株式会社エヌ・ティ・ティ・ドコモ | 画像符号化装置、方法およびプログラム、並びに、画像復号装置、方法およびプログラム |
CN105303057A (zh) * | 2015-11-17 | 2016-02-03 | 浙江省森林资源监测中心 | 设区市森林资源市县联动年度监测工艺 |
US20180350010A1 (en) * | 2017-06-02 | 2018-12-06 | Performance Livestock Analytics, Inc. | Adaptive livestock growth modeling using machine learning approaches to predict growth and recommend livestock management operations and activities |
CN109002621A (zh) * | 2018-07-25 | 2018-12-14 | 中国林业科学研究院资源信息研究所 | 一种顾及邻域与地理差异的林分平均高与胸径计算方法 |
-
2020
- 2020-01-20 CN CN202010065960.1A patent/CN111191386B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010095341A1 (ja) * | 2009-02-18 | 2010-08-26 | 株式会社エヌ・ティ・ティ・ドコモ | 画像符号化装置、方法およびプログラム、並びに、画像復号装置、方法およびプログラム |
CN105303057A (zh) * | 2015-11-17 | 2016-02-03 | 浙江省森林资源监测中心 | 设区市森林资源市县联动年度监测工艺 |
US20180350010A1 (en) * | 2017-06-02 | 2018-12-06 | Performance Livestock Analytics, Inc. | Adaptive livestock growth modeling using machine learning approaches to predict growth and recommend livestock management operations and activities |
CN109002621A (zh) * | 2018-07-25 | 2018-12-14 | 中国林业科学研究院资源信息研究所 | 一种顾及邻域与地理差异的林分平均高与胸径计算方法 |
Non-Patent Citations (3)
Title |
---|
HUIYUN FANG,ET.AL: "Effects of topographic factors and aboveground vegetation carbon stocks on soil organic carbon in Moso bamboo forests" * |
季碧勇;陶吉兴;张国江;徐达;王文武;吴伟志;: "林分生长率非线性混合模型的构建" * |
马克西;曾伟生;侯晓巍;: "青海省林木胸径生长量与生长率模型研究" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001654A (zh) * | 2020-08-31 | 2020-11-27 | 上海市园林科学规划研究院 | 一种城市搬迁地绿化树种地下生物量模型的构建方法 |
CN112001654B (zh) * | 2020-08-31 | 2024-04-30 | 上海市园林科学规划研究院 | 一种城市搬迁地绿化树种地下生物量模型的构建方法 |
CN113095571A (zh) * | 2021-04-14 | 2021-07-09 | 河北农业大学 | 一种基于树木代谢速率理论的生物量模型预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111191386B (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hussein et al. | Simulating cotton yield response to deficit irrigation with the FAO AquaCrop model | |
Luo et al. | Patterns of plant biomass allocation in temperate grasslands across a 2500-km transect in northern China | |
Zianis | Predicting mean aboveground forest biomass and its associated variance | |
CN104483271B (zh) | 光学反射模型与微波散射模型协同的森林生物量反演方法 | |
Wang et al. | Quantifying and reducing the differences in forest CO2-fluxes estimated by eddy covariance, biometric and chamber methods: A global synthesis | |
Svensson et al. | Bayesian calibration of a model describing carbon, water and heat fluxes for a Swedish boreal forest stand | |
CN104331639B (zh) | 一种土壤含水率间接获取及快速评价方法 | |
CN111191386B (zh) | 一种多尺度相容的林木年生长模型组建模方法 | |
CN109710889B (zh) | 一种基于树木年轮精确估计森林生产力的取样方法 | |
CN113011372B (zh) | 一种盐碱化土地自动监测和识别方法 | |
CN111160680A (zh) | 一种基于信息同化融合的农业干旱评估方法 | |
Yaqubi et al. | On dealing with the pollution costs in agriculture: A case study of paddy fields | |
CN114663782A (zh) | 一种林地环境数据的林业碳源汇计量方法 | |
CN108205718B (zh) | 一种粮食作物抽样测产方法及系统 | |
Castro-Tanzi et al. | Evaluation of a non-destructive sampling method and a statistical model for predicting fruit load on individual coffee (Coffea arabica) trees | |
CN109446744B (zh) | 一种考虑空间结构与生长交互的林分生长模拟方法及系统 | |
López-López et al. | Non-destructive method for above-ground biomass estimation of Fraxinus uhdei (Wenz.) Lingelsh in an urban forest | |
Wang et al. | A functional and structural Mongolian scots pine (Pinus sylvestris var. mongolica) model integrating architecture, biomass and effects of precipitation | |
Yan et al. | Effects of climate and competition on crown width: a case of Korean pine plantations | |
Brown et al. | A framework for quantifying water extraction and water stress responses of perennial lucerne | |
CN116705144A (zh) | 一种测量物种分布数据与环境因子相关联的方法 | |
Raivonen et al. | A simple CO2 exchange model simulates the seasonal leaf area development of peatland sedges | |
Aman et al. | Construction of local volume table for natural mangroves in Peninsular Malaysia: case study of Sungai Merbok Forest Reserve, Kedah | |
Gatzsche et al. | Footprint-weighted tile approach for a spruce forest and a nearby patchy clearing using the ACASA model | |
Zhang et al. | Accurate representation of leaf longevity is important for simulating ecosystem carbon cycle |
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 |