Site Index Model for Regional Cunninghamia lanceolata Plantations Based on Nonlinear Mixed Effect

doi:10.13466/j.cnki.lczyyj.2024.03.006

Abstract

Abstract:

A regional nonlinear mixed site index model of Cunninghamia lanceolata plantations with site factors was established to provide a reference for predicting the height of Cunninghamia lanceolata in the region.This study is based on data from the analysis of 307 disc groups from 45 dominant trees across 4 provinces,selecting five common tree height-age growth equations.Using quantitative theory I,nonlinear mixed model and other methods,the mixed model of nonlinear site index with initial site type was constructed by using random effects.Finally,the mixed model of nonlinear site index with site type group was further developed by K-means clustering.The results showed that altitude,soil type,aspect,and slope position were the site factors that significantly affected the tree height.The Gompertz model was selected as the basic model,showing the best fitting effect,with an R² of 0.653.Compared with the basic model,the accuracy of the nonlinear site index model with the initial site type is improved by 28.02%.Compared with the basic model,the R² of the nonlinear site index mixed model with site type group was increased by 37.21%.After cross testing of the model,the accuracy of the model was high based on the initial site type and clustering,which confirmed the practicability of the model.The establishment of a nonlinear site index mixed model provides a feasibility for the site quality evaluation and compilation of site index tables for Cunninghamia lanceolata plantations at the regional scale.

Key words: Cunninghamia lanceolatap lantations, site index, nonlinear mixed model, quality of site evaluation

CLC Number:

S758

ZHAO Wei, ZHU Guangyu, LYU Yong. Site Index Model for Regional Cunninghamia lanceolata Plantations Based on Nonlinear Mixed Effect[J]. Forest and Grassland Resources Research, 2024, (3): 42-50.

Figures/Tables 13

Tab.1

Tab.2

Tab.3

Tab.4

Tab.5

Tab.6

Fig.1

Tab.7

Tab.8

Tab.9

Fig.2

Fig.3

Tab.10

References 34

[1]	MATHIASEN R L, OLSEN W K, EDMINSTER C B. Site index curves for white fir in the Southwestern United States developed using a guide curve method[J]. Western Journal of Applied Forestry, 2006, 21(2):87-93.
[2]	CIESZEWSKI C J, STRUB M. Generalized algebraic difference approach derivation of dynamic site equations with polymorphism and variable asymptotes from exponential and logarithmic functions[J]. Forest Science, 2008, 54:303-315.
[3]	CIESZEWSKI C J. Comparing fixed-and variable-base-age site equations having single versus multiple asymptotes[J]. Forest Science, 2002, 48:7-23.
[4]	CONGHUI Z. Establishment of site index table for Quercus variabilis natural secondary forest in North China[J]. Entia Silvae Sinicae, 2013, 49(2):79-85.
[5]	罗也, 杨雨春, 王君, 等. 吉林省长白山区胡桃楸天然次生混交林立地指数模型[J]. 应用生态学报, 2019, 30(12):4049-4058. doi: 10.13287/j.1001-9332.201912.008
[6]	陈永富. 基准年龄立地质量评价的影响分析[J]. 林业科学研究, 2010, 23(2):283-287.
[7]	张瑜, 贾黎明, 郑聪慧, 等. 秦岭地区栓皮栎天然次生林地位指数表的编制[J]. 林业科学, 2014, 50(4):47-54.
[8]	刘发林, 刘四海, 肖化顺, 等. 臭松天然次生林地位指数模型研究[J]. 中南林业科技大学学报, 2017, 37(11):24-29.
[9]	翟文元, 许玉婷, 夏泰英, 等. 山东省107-杨树地位指数表的编制[J]. 山东农业大学学报(自然科学版), 2012, 43(2):227-231.
[10]	张艺超, 赵天忠, 苏晓慧. 广西杉木人工林多形地位指数模型构建[J]. 东北林业大学学报, 2020, 48(12):1-4.
[11]	王志波, 季蒙, 李永乐, 等. 华北落叶松人工林差分地位指数模型构建[J]. 林业资源管理, 2021(1):156-163.
[12]	牛亦龙, 董利虎, 李凤日. 基于广义代数差分法的长白落叶松人工林地位指数模型[J]. 北京林业大学学报, 2020, 42(2):9-18.
[13]	陆海飞, 徐建民, 刘望舒, 等. 引入哑变量的广西尾巨桉人工林地位指数模型拟合效果分析[J]. 林业科技通讯, 2022(11):3-9.
[14]	王宝莹, 梁瑞婷, 谢运鸿, 等. 基于非线性分位数混合效应构建杉木树高曲线模型[J]. 北京林业大学学报, 2023, 45(11):33-41.
[15]	杜志, 陈振雄, 孟京辉, 等. 基于混合效应的马尾松单木断面积预估模型[J]. 中南林业科技大学学报, 2020, 40(9):33-40.
[16]	王冬至, 胡雪娇, 李大勇, 等. 基于非线性混合效应模型的针阔混交林地位指数研究[J]. 南京林业大学学报(自然科学版), 2020, 44(4):159-166. doi: 10.3969/j.issn.1000-2006.201907010
[17]	康立. 含固定效应的多形立地指数模型构建与应用研究[D]. 长沙: 中南林业科技大学, 2018.
[18]	JEREZ M. Site index curves based on mixed models for Teak(Tectona grandis Linn.f.)plantations in the Venezuelan plains[J]. Agrociencia, 2011, 45(1):135-145.
[19]	周光亚, 董文泉, 夏立显. 关于数量化理论Ⅰ、Ⅱ的数学模型[J]. 吉林大学自然科学学报, 1979(1):11-18.
[20]	孟宪宇, 佘光辉, 李凤日. 测树学[M]. 3版. 北京: 中国林业出版社, 2006.
[21]	雷小锋, 谢昆青, 林帆, 等. 一种基于K-means局部最优性的高效聚类算法[J]. 软件学报, 2008, 19(7):1683-1692.
[22]	CAREY V J, WANG Y G. Mixed-effects models in S and S-Plus[J]. Publications of the American Statistical Association, 2000, 96(455):1135-1136.
[23]	符利勇, 唐守正, 张会儒, 等. 基于多水平非线性混合效应蒙古栎林单木断面积模型[J]. 林业科学研究, 2015, 28(1):23-31.
[24]	SWENSON J, WARING R, FAN W, et al. Predicting site index with a physiologically based growth model across Oregon,USA[J]. Canadian Journal of Forest Research-revue Canadienne De Recherche Forestiere, 2005, 35:1697-1707.
[25]	MONSERUD R, HUANG Shongming. Mapping lodgepole pine site index in Alberta[M]. Wallingford: CABI Pub, 2003.
[26]	李斌成, 杜超群, 袁慧, 等. 湖北省杉木人工林立地类型划分及评价[J]. 湖北林业科技, 2020, 49(2):1-5.
[27]	杨海宾, 张茂震, 丁丽霞, 等. 基于最大胸径生长率的浙江省杉木人工林立地质量评价[J]. 浙江农林大学学报, 2020, 37(1):105-113.
[28]	高若楠, 谢阳生, 雷相东, 等. 基于随机森林模型的天然林立地生产力预测研究[J]. 中南林业科技大学学报, 2019, 39(4):39-46.
[29]	廖世涛. 结合立地因子建立杉木人工林优势高生长模型的研究[J]. 武夷学院学报, 2021, 40(6):40-43.
[30]	宋争, 黄朗, 胡松, 等. 基于立地混合效应的湖南丘陵平原区杉木多形立地指数模型研究[J]. 林业科学研究, 2022, 35(5):172-179.
[31]	张连金, 惠刚盈, 何楚林. 木麻黄工业原料林多形地位指数模型的研究[J]. 林业科学研究, 2011, 24(2):218-222.
[32]	陈国栋, 杜研, 丁佩燕, 等. 基于混合效应模型的新疆天山云杉单木胸径预测模型构建[J]. 北京林业大学学报, 2020, 42(7):12-22.
[33]	夏洪涛, 郭晓斌, 张珍, 等. 基于不同立地质量评价指标的杉木大径材林分树高-胸径模型[J]. 中南林业科技大学学报, 2023, 43(10):80-88.
[34]	杜志, 陈振雄, 李锐, 等. 气候敏感的杉木树高-胸径非线性混合效应模型研建[J]. 北京林业大学学报, 2023, 45(9):52-61.

数据类型
建模数据	年龄/a	35	1	14	7
	树高/m	22.8	0.8	11.0	5.2
	海拔/m	1 460	146	730	445
	坡度/(°)	44	3	24	12
	土壤厚度/cm	125	37	73	23
检验数据	年龄/a	30	1	12	7
	树高/m	25.5	1.0	10.5	5.5
	海拔/m	1 424	161	689	339
	坡度/(°)	43	3	26	11
	土壤厚度/cm	87	24	67	15

立地因子	划分标准
立地因子	类型划分	范围
海拔/m	第1级	1~200
	第2级	>200~400
	第3级	>400~600
	第4级	>600~800
	第5级	>800~1 000
	第6级	>1 000~1 200
	第7级	>1 200~1 400
	第8级	>1 400~1 600
坡度/(°)	平坡	<5
	缓坡	5~14
	斜坡	>14~24
	陡坡	>24~34
	急坡	>34~44
坡向	北坡
	东北坡
	东坡
	东南坡
	南坡
	西南坡
	西坡
	西北坡
土壤厚度/cm	厚	>79
	中	40~79
	薄	<40
坡位	脊部
	上坡
	中坡
	下坡
	山谷
土壤类型	红壤
	黄壤
	黄棕壤
	黄红壤

模型	模型名称	模型表达式
M1	坎派兹式(Gompertz)	H=a×exp[-c×exp(-b×T)]
M2	逻辑斯蒂式(Logistic)	H=a/[1+b×exp(-c×T)]
M3	单分子式(Mitscherlich)	H=a×[1-b×exp(-c×T)]
M4	舒马克式(Schumacher)	H=a×[1-exp(-b×T)]
M5	理查德式(Richards)	H=a×[1-exp(-b×T)]^c

立地因子	平方和	自由度	均方	F值	Pr>F
海拔	289.039	7	41.819	7.164	0.000 001
土壤类型	92.135	3	41.045	5.306	0.001 635
坡向	107.824	7	16.261	2.659	0.014 354
坡位	64.759	4	15.215	2.819	0.030 051
坡度	27.771	4	7.293	1.206	0.318 399
土壤厚度	19.485	2	8.242	1.550	0.314 104

模型	模型名称	参数			R²	TRE	SEE	RMSE
模型	模型名称	a	b	c	R²	TRE	SEE	RMSE
M1	坎派兹式(Gompertz)	25.201	0.124 2	0.113 3	0.653	-0.02	1.96	2.45
M2	逻辑斯蒂式(Logistic)	28.550	0.812 8	0.113 3	0.621	-0.07	2.21	2.57
M3	单分子式(Mitscherlich)	15.447	0.214 7	0.113 3	0.641	-0.03	2.15	2.53
M4	舒马克式(Schumacher)	18.767	0.113 3		0.603	-0.32	2.28	2.59
M5	理查德式(Richards)	35.280	0.114 4	0.552 1	0.648	-0.02	2.03	2.48