北京市二类调查小班蓄积量预估模型研究

doi:10.13466/j.cnki.lyzygl.2019.05.007

林业资源管理 ›› 2019, Vol. 0 ›› Issue (5): 33-36.doi: 10.13466/j.cnki.lyzygl.2019.05.007

北京市二类调查小班蓄积量预估模型研究

陈新云¹(), 王文文², 曾伟生¹, 杜鹏志³, 党永锋¹, 王威¹, 孟京辉²()

1. 国家林业和草原局调查规划设计院,北京 100714
2. 北京林业大学国家林业与草原局森林经营工程技术研究中心,北京 100083
3. 北京市林业勘察设计院,北京 100029

收稿日期:2019-07-12 修回日期:2019-10-11 出版日期:2019-10-28 发布日期:2020-09-18
通讯作者: 孟京辉
作者简介:陈新云(1977-),男,湖南益阳人,高工,研究方向:森林资源清查与监测。Email: 375201918@qq.com
基金资助:
国家重点研发计划(2017YFC0505604)

Study on Stand Volume Models for Sub-compartment Forest Management Inventory in Beijing

CHEN Xinyun¹(), WANG Wenwen², ZENG Weisheng¹, DU Pengzhi³, DANG Yongfeng¹, WANG Wei¹, MENG Jinghui²()

1. Academy of Forest Inventory and Planning,National Forestry and Grassland Administration,Beijing 100714,China
2. Research Center of Forest Management Engineering of National Forestry and Grassland Administration,Beijing Forestry University,Beijing 100083,China
3. Beijing Municipal Institute of Forest Surveying and Designing,Beijing 100029,China

Received:2019-07-12 Revised:2019-10-11 Online:2019-10-28 Published:2020-09-18
Contact: MENG Jinghui

摘要/Abstract

摘要：

为解决当前北京市二类调查通过角规绕测技术预估林分蓄积量存在的问题,基于北京市二类调查数据,根据优势树种(组)的不同,将北京市森林划分成10个不同的树种组。在此基础上,利用一类清查数据,以林分蓄积量为因变量,林分参数及立地参数为自变量构建非线性蓄积量预估模型,计算确定系数(R²)、总相对误差(TRE)、估计值的标准差(SEE)、平均系统误差(MSE)、平均预估误差(MPE)和平均百分标准误差(MPSE),并对模型拟合效果进行评价。结果表明:构建的蓄积量预估模型拟合效果较好,各树种组蓄积量预估模型的确定系数(R²)均大于0.94,MPE均小于5%,MPSE基本在10%以下,可以应用于北京市二类调查中蓄积量的预估。

关键词: 树种组, 非线性模型, 蓄积量, 林分调查因子, 森林经理调查

Abstract:

In order to solve the main problems of using angle gauge to estimate the stand volume in forest management inventory (FMI) of Beijing,the forests were divided into 10 different types according to dominant tree species (groups) based on the FMI data.Then,using the data of the 9th (2016) Chinese National Forest Inventory in Beijing,the non-linear models of stand volume for various tree species groups were developed with stand volume per hectare as the dependent variable and stand parameters and site condition parameters as the independent variables.The goodness-of-fit statistics of the models,i.e.,determination coefficient (R²),total relative error (TRE),standard error of estimate (SEE),mean systematic error (MSE),mean prediction error (MPE),and mean percent standard error (MPSE) were calculated.The results show that the models performed well and the values of R² were all greater than 0.94,MPE’s were less than 5%,and MPSE were almost less than 10%.The models can be applied to estimate the stand volume in the FMI of Beijing.

Key words: sub-comparment, non-linear model, stand volume, stand variable, forest management inventory

中图分类号:

S757.2
S711

陈新云, 王文文, 曾伟生, 杜鹏志, 党永锋, 王威, 孟京辉. 北京市二类调查小班蓄积量预估模型研究[J]. 林业资源管理, 2019, 0(5): 33-36.

CHEN Xinyun, WANG Wenwen, ZENG Weisheng, DU Pengzhi, DANG Yongfeng, WANG Wei, MENG Jinghui. Study on Stand Volume Models for Sub-compartment Forest Management Inventory in Beijing[J]. FOREST RESOURCES WANAGEMENT, 2019, 0(5): 33-36.

图/表 3

表1

表2

表3

利用(2)式模型计算各树种组蓄积量结果及统计量

优势树种组	蓄积量模型	R²	SEE	TRE/%	MSE/%	MPE/%	MPSE/%
侧柏	$V = (4.953 E ? 05 - 2.690 E ? 07 × Age) × D - 2.790 × H - - 1.440 E? 02 × N$	0.959	3.65	1.93	6.26	3.69	11.85
油松	$V = (1.426 E ? 04 - 5.087 E ? 07 × Age) × D - 2.411 × H - - 4.241 E? 02 × N$	0.987	4.29	-0.45	-5.62	1.54	9.89
落叶松	$V = (1.731 E ? 04 + 8.491 E ? 09 × EL) × D - 2.328 × H - - 2.984 E? 02 × N$	0.999	0.84	-0.04	-4.79	0.57	6.18
杨树	$V = (1.770 E ? 04 + 6.656 E ? 07 × SLSin) × D - 2.360 × H - - 1.463 E? 02 × N$	0.995	4.68	-0.43	-2.54	0.94	5.34
柞树	$V = (1.587 E ? 04 - 3.913 E ? 08 × Age) × D - 2.277 × H - 8.793 E? 03 × N$	0.986	4.30	-0.26	-2.13	1.23	6.48
刺槐	$V = (1.386 E ? 04 + 1.656 E ? 08 × EL) × D - 2.441 × H - - 6.163 E? 02 × N$	0.995	2.31	-1.15	-4.87	1.65	6.49
桦木	$V = (1.682 E ? 04 - 1.513 E ? 08 × EL) × D - 2.348 × H - - 1.748 E? 02 × N$	0.989	5.14	-0.07	-2.64	2.40	6.77
山杨	$V = (1.006 E ? 04 - 1.006 E ? 08 × EL) × D - 2.518 × H - 7.651 E? 02 × N$	0.982	4.61	0.27	1.60	3.14	6.16
硬阔	$V = (1.122 E ? 04 + 5.116 E ? 09 × EL) × D - 2.444 × H - 4.402 E? 02 × N$	0.993	2.12	-0.46	-2.63	0.94	5.59
软阔	$V = (1.030 E ? 04 - 3.776 E ? 07 × Age) × D - 2.560 × H - - 8.901 E ? 03 × N$	0.968	7.09	0.22	-2.27	2.85	8.25

表3

参考文献 22

[1]	杜纪山, 赵世凯. 关于森林资源二类调查信息动态管理的探讨[J]. 林业资源管理, 1998(5):31-34.
[2]	陈春希. 森林资源综合信息标准化研究[D]. 长沙:中南林业科技大学, 2009.
[3]	彭彦柱, 高海江. 对森林资源一类清查和二类调查的比较分析[J]. 林业勘查设计, 2005(1):28.
[4]	宋仲禹, 马牧. 遥感技术在森林资源调查中的应用——以黑龙江省为例[J]. 科技风, 2012(21):115.
[5]	蒯汉军. 浅议森林资源二类调查技术[J]. 广东科技, 2010,19(24):34-36.
[6]	司瑶. 基于MapGIS的森林资源规划设计调查成果制作技术[D]. 北京:中国林业科学研究院, 2011.
[7]	刘政. 林业调查规划设计在林业生产建设中的地位和作用[J]. 低碳世界, 2013(5):174-175.
[8]	王亚萍. 浅谈二类调查中的小班调查[J]. 农技服务, 2014(4):116.
[9]	王少杰, 邓华锋, 向玮, 等. 基于混合模型的油松林分蓄积量预测模型的建立[J]. 西北农林科技大学学报:自然科学版, 2018,2(46):30-38.
[10]	孟宪宇. 测树学[M]. 北京: 中国林业出版社, 2006.
[11]	公宁宁, 马履一, 贾黎明, 等. 不同密度和立地条件对北京山区油松人工林树冠的影响[J]. 东北林业大学学报, 2010,38(5):9-12.
[12]	宋曰钦, 高长宝. 南方人工林小班蓄积量调查方法比较研究[J]. 江苏林业科技, 2002,29(4):14-15.
[13]	汪国良. 角规测树产生的误差及其修正[J]. 中南林业调查规划, 1990(3):26-27.
[14]	胡斌. 断面平均木法计算蓄积的误差来源与分析[J]. 华东森林经理, 1991(3):32-33.
[15]	汪玮, 孟伟. 不同立地因子对杉木蓄积量的影响[J]. 热带林业, 2017,45(3):23-26.
[16]	周梅, 李春干, 代华兵. 采用林分平均高和密度估计人工林蓄积量[J]. 广西林业科学, 2017,46(3):319-324.
[17]	印红群. 森林资源蓄积量监测模型研究——以浙江省台州市黄岩区为例[D]. 杭州:浙江农林大学, 2013.
[18]	王京民, 李清顺. 应用因子分析法对林分蓄积相关因子的分析[J]. 西北林学院学报, 2012,27(1):169-172.
[19]	谢进金. 基于遥感抽样技术的平南县森林蓄积量估测[D]. 长沙:中南林业科技大学, 2011.
[20]	刘新胜, 易红新, 罗刚, 等. 森林资源二类调查小班单位蓄积量数学模型研究[J]. 湖北林业科技, 2011(2):8-11.
[21]	苏志杰, 胡军, 王志杰, 等. 祖山林区不同高程森林类型的研究[J]. 河北林业科技, 2017(4):38-41.
[22]	曾伟生, 唐守正. 立木生物量方程的优度评价和精度分析[J]. 林业科学, 2011,47(11):106-113. doi: 10.11707/j.1001-7488.20111117

树种组	所包含的树种
侧柏	柏属(Cupressus Linn.)
落叶松	落叶松属(Larix Mill.)
油松	油松(Pinus tabuliformis Carr.)、华山松(Pinus armandii Franch.)、白皮松(Pinus bungeana Zucc.ex Endl.)、其它松类
柞树	柞树(Quercus mongolica Fisch.ex Ledeb.)、栓皮栎(Quercus variabilis Bl.)、槲树(Quercus dentata Thunb.)等
桦木	白桦(Betula platyphylla Suk.)、黑桦(Betula dahurica Pall.)、鹅耳栎(Carpinus turczaninowii Hance)等
山杨	包括各种类的山杨
刺槐	刺槐(Robinia Pseudoacacia Linn.)、香花槐(Robinia pseudoacacia cv.idaho)、江南槐(Robinia hispida L.)等
杨树	杨属(Populus L.)
硬阔类	国槐(Sophora japonica Linn.)、榆树(Ulmus pumila L.)、核桃楸(Juglans Msndshurica Maxim)、银杏(Ginkgo biloba L.)、元宝枫(Acer truncatum Bunge)、黄栌(Cotinus coggygria Scop.)、山杏(Armeniaca sibirica(L.) Lam.)、山桃(Amygdalus davidiana(Carrière) de Vos ex Henry)、白蜡(Fraxinus chinensis Roxb.)、合欢(Albizia julibrissin Durazz.)、楸树(Catalpa bungei C.A.Mey.)、桑树(Morus alba L.)、构树(Broussonetia papyrifera (Linn.) L'Hér.ex Vent.)、黄菠萝(Phellodendron amurense Rupr.)、皂荚(Gleditsia sinensis Lam.)、青檀(Pteroceltis tatarinowii Maxim.)、暴马丁香(Syringa reticulata(Blume) Hara var.)等
软阔类	臭椿(Ailanthus altissima(Mill.) Swingle)、柳树(Salix babylonica L.Sp.Pl.)、椴树(Tilia tuan Szyszyl.)、泡桐(Paulownia fortunei (Seem.) Hemsl.)、火炬(Rhus Typhina Nutt)、栾树(Koelreuteria paniculata Laxm.)、悬铃木(Platanus orientalis L.)、小叶朴(Celtis sinensis Pers.)、梧桐(Firmiana platanifolia (L.f.) Marsili)等

优势树种组	a	b	c	R²	SEE	TRE/%	MSE/%	MPE/%	MPSE/%
侧柏	4.403E-05	2.705	4.455E-02	0.943	4.32	3.07	12.06	4.36	17.45
油松	1.691E-04	2.302	-6.807E-02	0.983	4.99	0.26	-3.46	1.79	9.20
落叶松	1.518E-04	2.362	8.250E-03	0.999	1.32	0.18	0.76	0.90	2.37
杨树	1.781E-04	2.358	-1.421E-02	0.995	4.80	-0.46	-2.57	0.97	5.42
柞树	1.609E-04	2.268	7.792E-03	0.986	4.30	-0.25	-2.07	1.13	6.46
刺槐	1.395E-04	2.415	-1.932E-02	0.994	2.54	-1.31	-4.87	1.81	6.26
桦木	1.719E-04	2.291	-1.725E-02	0.987	5.59	0.49	-1.30	2.60	6.81
山杨	7.913E-05	2.541	1.121E-01	0.978	4.97	0.86	3.02	3.38	7.41
硬阔	1.198E-04	2.422	5.202E-02	0.993	2.17	-0.73	-3.39	0.96	6.10
软阔	9.078E-05	2.519	3.024E-02	0.958	8.11	3.09	4.52	3.26	7.86

北京市二类调查小班蓄积量预估模型研究

Study on Stand Volume Models for Sub-compartment Forest Management Inventory in Beijing

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 3

参考文献 22

相关文章 4

编辑推荐

Metrics

本文评价

[1]	李志明. 基于分层的典型猴欢喜天然林特征分析[J]. 林业资源管理, 2020, 2020(3): 72-77.
[2]	曾伟生, 孙乡楠, 王六如, 王威, 蒲莹. 基于机载激光雷达数据估计林分蓄积量及平均高和断面积[J]. 林业资源管理, 2020, 2020(2): 79-86.
[3]	侯春兰, 杨瑞, 王勇, 刘志, 瞿爽, 文慧, 马思怡, 陈颜明. 草海流域6种林分枯落物水源涵养功能研究[J]. 林业资源管理, 2020, 2020(1): 108-115.
[4]	朱磊. 基于高清影像分层抽样技术在森林资源二类调查中的应用探索[J]. 林业资源管理, 2018, 2018(3): 129-132.