川西林盘8种典型树种凋落物的蓄积量及其持水特性

凋落物在维持林地的土壤水分、肥力和养分平衡等方面发挥着重要的作用。但迄今为止,川西林盘的凋落物对雨水的吸持和拦截效应还未见报道。采用室外调查和室内浸泡相结合的方法,在分别生长有8种典型林盘树种的纯林地中设置样方,收集并测试其凋落物的蓄积量及其持水特性。结果显示,8种树种的地表凋落物年总蓄积量均值为(7935.52±6042.96)kg·hm^(-2),土壤中凋落物年总蓄积量均值为(2765.70±2206.40)kg·hm^(-2)。8种树种的凋落物年蓄积量差异显著,落叶树种的年凋落物蓄积总量是常绿树种的1.29倍,具体表现为:枫杨>慈竹>构树>香樟>雷竹>银杏>水杉>黑壳楠。土壤中凋落物的自然持水率(4.54%—20.39%)高于其地表凋落物的自然持水率(4.97%—10.01%)。地表和土壤凋落物的吸水速率均在浸泡5分钟后达到峰值,12小时后达到饱和,其吸水速率和浸泡时间极显著相关。地表凋落物的有效持水量、有效持水率和凋落物径流拦蓄量均高于土壤中的凋落物。凋落物径流拦蓄量与蓄积量呈极显著相关,枫杨(66.02 t·hm^(-2))和慈竹(60.06 t·hm^(-2))凋落物的径流拦蓄总量显著地高于其他树种。此外,地表凋落物和土壤中凋落物的径流拦蓄量还分别与凋落物的有效持水率和最大持水量显著相关。广泛栽植径流拦蓄能力最强的枫杨、慈竹和构树,有利于川西平原的水源涵养和水土保持。

基于机载激光雷达点云数据和Catboost算法的杉木单木蓄积量估测研究

选取福建顺昌县洋口国有林场6块杉木标准地内200株杉木的激光雷达点云数据和地面调查数据,基于机载激光雷达点云数据生成的冠层高度模型,运用局域极大值算法检测树冠顶点,提取树高;采用标记极值的分水岭算法估测冠幅面积,将估测的树高和冠幅面积结合单木蓄积量真值,构建基于Catboost算法的单木蓄积量估测模型。结果表明:使用局域极大值算法估测树高,R^(2)为0.91,RMSE为0.81 m;采用标记极值的分水岭算法估测冠幅面积,R^(2)为0.81,RMSE为1.18 m^(2);采用Catboost算法构建单木蓄积量估测模型R^(2)为0.934。因此,机载激光雷达点云数据可以有效估测树高和树冠面积,采用Catboost算法能够实现杉木单木蓄积量的估测,为高精度反演森林蓄积量提供新的思路。

基于ICESat-2和Sentinel-2A数据的森林蓄积量反演

森林蓄积量是林业调查的重要指标,在衡量森林健康状况和评价森林固碳能力等方面发挥重要作用,协同主被动遥感是当前反演大区域森林蓄积量的主要手段。以云南香格里拉森林为研究区,分别提取ICESat-2/ATLAS和Sentinel-2A影像的特征变量,并通过相关性分析和共线性诊断方法筛选特征变量,构建Sentinel-2A变量集和ICESat-2/ATLAS变量集,以及二者联合的变量集,然后结合样地实测数据与3个特征变量集,采用逐步线性回归和随机森林方法分别建立线性和非线性回归模型,反演森林蓄积量,并对结果进行精度验证及对比分析。研究结果表明:对3个变量集,随机森林方法精度均优于逐步线性回归;ICESat-2/ATLAS变量集在2种回归方法下的反演精度均高于Sentinel-2A变量集;联合Sentinel-2A和ICESat-2/ATLAS变量集,随机森林方法的反演精度最高,其R 2,RMSE和rRMSE分别为0.7034,84.78 m^(3)/hm^(2)和36.46%。整体来说,与Sentinel-2A数据相比,基于ICESat-2/ATLAS数据及其与多源数据联合的反演模型均可以提高森林蓄积量反演精度和模型稳定性。

基于无人机多光谱影像的云南松林蓄积量估测模型

【目的】无人机多光谱遥感影像较可见光影像具有更丰富的光谱信息,在森林蓄积量估测中具有较大潜力。以无人机载多光谱遥感影像为主要数据源,探索森林蓄积量的遥感估测模型,以克服传统地面调查工作量大、耗时长、成本高等弊端。【方法】以滇中地区典型天然云南松Pinusyunnanensis纯林为研究对象,利用无人机多光谱影像提取单波段反射率、各类植被指数、纹理特征等,计算各特征变量的标准地均值;筛选与云南松林蓄积量相关性显著的特征变量,采用多元线性、随机森林、支持向量机建立云南松林蓄积量估测模型,以决定系数(R^(2))、平均绝对误差(E_(MA))、均方根误差(E_(RMS))、平均相对误差(EMR)评价模型精度。【结果】①3种模型中,随机森林的精度最高(R^(2)=0.89,E_(MA)=4.69 m^(3)·hm^(-2),E_(RMS)=5.45 m^(3)·hm^(-2),EMR=14.5%),其次为支持向量机(R^(2)=0.74,E_(MA)=5.27 m^(3)·hm^(-2),E_(RMS)=8.31 m^(3)·hm^(-2),EMR=13.1%),最低为多元线性回归模型(R^(2)=0.35,E_(MA)=10.12 m^(3)·hm^(-2),E_(RMS)=12.85 m^(3)·hm^(-2),EMR=28.1%);3种模型在测试集上的估测精度均有所降低,随机森林的模型表现最好,支持向量机次之,多元线性最差。②3种模型在云南松林蓄积量估测中均存在一定的低值高估和高值低估现象。③基于无人机多光谱影像估测云南松林蓄积量,纹理特征仍是不可忽视的重要因子。【结论】基于无人机多光谱影像,在不进行单木分割的情景下,提取标准地的单波段反射率、植被指数、纹理特征均值,筛选适用于蓄积量估算的变量构建估测模型。通过对3种模型进行精度评价,随机森林为云南松林蓄积量估测的最佳模型。

基于无人机影像的高郁闭度马尾松林蓄积量估算方法研究

为降低传统野外调查成本,提高高郁闭度森林资源调查效率,以多光谱无人机影像结合实地样地调查数据为源数据,以马尾松纯林为研究对象,采用冠层高度模型(CHM)及多光谱影像6种植被指数构建模型,估算研究区林分蓄积量。结果表明:1)高分辨率数字高程模型的辅助能够有效弥补无人机影像在茂密森林无法提取地面点的缺陷,可提高CHM构建的精度,实现在茂密森林树高的准确提取;2)采用CHM提取研究区单木树高并估算蓄积量时,样地内共提取马尾松292株,提取的平均树高为18.77 m,小班区域内共提取马尾松18 120株,提取的平均树高为17.02 m,实测平均树高为18.17 m,平均树高提取效果较好,估算蓄积量为7 466.74 m3,实测蓄积量为9 024.40 m3,蓄积量估算精度为82.90%;3)植被指数模型的RMSE为0.39,R2为0.84,模型精度较高,蓄积量估算为8 620.30 m3,估算精度为96.26%。通过借助无人机遥感技术,两种蓄积量估算方法均能在高郁闭度森林中实现蓄积量的快速估算,其中通过多光谱数据提取植被指数构建模型估算蓄积量的效果更佳,这为进一步推广无人机影像在高郁闭度森林资源调查中的应用提供了有力的科学依据。

应用云西林场两种人工林激光雷达数据估测单木蓄积量

随着人工智能的发展,无人机机载激光雷达技术和机器学习算法在森林蓄积量估测中得到了广泛的应用。选取山西省左云县云西林场的油松和新疆杨各3块样地,样地内油松和新疆杨共计318株,根据获取的无人机激光雷达点云数据进行单木分割,提取各树种的特征变量,并筛选出30个特征变量作为建模变量,采用随机森林和支持向量机算法构建单木蓄积量估测模型。结果表明:随机森林模型估测油松和新疆杨单木蓄积量的决定系数(R^(2))分别达到0.941和0.934,其精度均高于支持向量机模型;在高度变量、密度变量和强度变量中,高度变量对建模具有较大的贡献;针叶树种和阔叶树种的两种机器学习模型均能获得较好的估测精度,树种的类型对模型精度影响较小。因此,随机森林模型可作为单木蓄积量精准估测的优选模型。

面向对象和集成学习算法在森林蓄积量遥感估测中的应用

以江西省兴国县为研究区,设置51个杉木(Cunninghamia lanceolata)林样地、22个马尾松(Pinus massoniana)林样地;以2017年江西省森林资源二类调查的样点调查数据、陆地卫星8号携带的陆地成像仪(Landsat8 OLI)遥感数据为基础,将陆地卫星8号携带的陆地成像仪影像进行多尺度的面向对象分割(分割尺度为50~500,步长为50),通过计算遥感各影响因素与蓄积量之间的皮尔逊(Pearson)相关系数,对比依据对象提取的遥感特征与依据像素提取的特征的相关性,确定最佳的分割尺度;依据布尔塔(Boruta)算法进行特征选择,构建多元线性回归(MLR)、随机森林(RF)、K-最近邻(KNN)、支持向量机(SVM)、堆叠(Stacking)集成算法5种蓄积量估测模型,以决定系数、均方根误差、相对均方根误差检验模型的估测精度;以森林蓄积量为评价指标,分析面向对象和集成学习算法在森林蓄积量遥感估测中的应用、构建的依据对象的堆叠算法对森林蓄积量遥感估测效果、依据对象的堆叠算法与常用的像素级特征提取方法的差异。结果表明:遥感的影响因素与蓄积量的相关性,随着分割尺度的增大出现先增加后降低的趋势,当分割尺度在150~250之间时,遥感的影响因素与蓄积量之间的相关性出现峰值;与依据像素的蓄积量估计模型相比,依据对象的估计结果的均方根误差从57.42~75.22 m^(3)·hm^(-2)降低到了50.77~68.26 m^(3)·hm^(-2)。与多元线性模型相比,机器学习模型具有更强的蓄积量预测性能,其均方根误差从66.05~75.22 m^(3)·hm^(-2)降低至50.77~71.97 m^(3)·hm^(-2);机器学习模型最佳的估计结果来自200分割尺度时构建的堆叠集成算法,决定系数为0.63、均方根误差为50.77 m^(3)·hm^(-2)、相对均方根误差为25.38%。与依据像素的特征提取方式相比,依据对象的遥感特征提取可以减小由于异常像素导致的不确定性;与基学习器相比,堆叠集成算法可以获得精度更高、更稳定的估计结果。依据对象的蓄积量遥感制图具有更强的可靠性,可以大大缓解依据像素制图导致的“椒盐现象”。

基于光学遥感联合GEDI反演森林蓄积量研究

传统的森林蓄积量调查方法强度大、成本高、耗时长。单纯利用光学遥感影像特征进行森林蓄积量反演时,由于缺乏大量的样地数据支持,加之在森林接近郁闭时光谱反射率易饱和,导致蓄积量反演蓄积精度有限。通过结合光学遥感数据和GEDI足迹点提供的冠层高度信息,可以极低的成本获取大量具有较高蓄积量精度的足迹点,从而通过加密训练样地提升研究区域使用光学遥感反演乔木森林蓄积量的精度。结果显示:(1)当森林高度百分位数(RH)为RH 80时,GEDI提取森林高度特征与机载LiDAR提取树高一致性最高,R^(2)=0.44,RMSE为6.04 m。(2)使用不包含树高特征的光学遥感回归模型预测森林每公顷蓄积量,R^(2)为0.29,RMSE为64.95 m^(3)·hm^(-2);加入树高特征的回归模型预测森林每公顷蓄积的R^(2)为0.59,RMSE为49.53 m^(3)·hm^(-2);样地加密后再使用无树高特征的回归模型预测森林每公顷蓄积的R^(2)为0.46,RMSE为56.55 m^(3)·hm^(-2)。因此,通过结合GEDI足迹点加密样地后可以明显提升研究区域遥感反演乔木森林蓄积量的精度。(3)2020年云南省普洱市思茅区公布的总活立木蓄积量为2629×10^(4)m^(3),使用GEDI足迹点加密训练样地后反演得到的总蓄积量为2289×10^(4)m^(3),整体预测精度为83%。其分布空间格局与森林资源二类调查结果基本相符。

基于Landsat 8 OLI和资源3号立体像对数据的桉树森林蓄积量估测

【目的】探索Landsat8 OLI数据和立体数据在估算桉树森林蓄积量(forest stock volume,FSV)中的潜力,并且准确地估计桉树的FSV。【方法】以3幅Landsat8 OLI图像和资源3号立体数据为遥感数据源,并且结合少量地面调查数据实现了桉树FSV的遥感估计。研究中提取了三类遥感特征用于估计桉树FSV:第一类是包括植被指数和单波段反射率在内的光谱特征;第二类是基于Landsat 8 OLI图像的单波段提取的8种纹理特征;第三类是基于资源3号立体像对数据和开源的数字高程模型(digital elevation model,DEM)提取的冠层高度模型(canopy height model,CHM)。利用Boruta算法对三类遥感特征进行提取,之后建立了随机森林(random forest,RF)、K-最近邻(K-nearest neighbor,KNN)和支持向量机(support vector machine,SVM)3种机器学习模型以及传统的多源线性回归模型(multiple linear regression,MLR),并以决定系数(R2)、均方根误差(root mean square error,RMSE)和相对均方根误差(relative root mean square error,rRMSE)作为评价指标对模型结果进行评估。【结果】基于ZY-3立体像对数据和开源的DEM数据提取的CHM与桉树的FSV具有很强的相关性,Pearson相关系数达到了0.71。仅仅利用基于Landsat 8 OLI图像提取的光谱和纹理特征难以准确2地估计桉树的FSV,估测模型的R为0.29~0.38,rRMSE为35.65%~43.30%,存在严重的数据饱和问题。2当变量集中加入CHM后,模型的估测精度明显提高,R达到了0.64~0.66,rRMSE为25.74%~26.41%。【结论】使用Landsat 8 OLI数据估算桉树FSV时存在严重的数据饱和问题,并且使用空间分辨率为30 m的纹理特征难以有效地改善森林蓄积量的估计精度。利用资源3号立体像对数据和开源的DEM数据可以提取较为准确的CHM,并且所提取的CHM可以解决改善光学数据的饱和问题,从而提高桉树FSV的估计精度。

县级森林蓄积量连续监测方法及应用系统设计

森林蓄积量反映森林资源质量状况,精准估测森林蓄积量对提高森林资源管理水平和生态环境保护建设具有重要意义,也是我国实现2060年前碳中和方案的迫切需求。本研究提出一种县级森林蓄积量连续监测方法,通过采用抽样调查和样地实测相结合,样地模型更新和遥感变化更新相结合的方式,以智能样地代替人工样地调查,实现森林蓄积量调查同时部署、实时自动连续监测。同时,研发了应用系统和云平台,以期为森林蓄积量高效准确估测提供方法依据。

环境因子与天然林蓄积量重要性关系

森林蓄积量的研究对了解森林生态系统、林分生产力、森林生物量具有重要意义,探究影响4种树种(组)林分蓄积量变化的因子,为后期建立天然林生长模型构建提供理论支撑。以福建省最新一次的森林资源连续清查中的天然马尾松、阔叶林树种(组)、针阔混交树种(组)、针叶混交树种(组)的蓄积量为研究对象,气象、地貌等环境因子为自变量,利用决策树回归、随机森林回归、adaboost回归、梯度提升树回归(GBDT)、CatBoost回归、ExtraTrees回归、XGBoost回归、LightGBM回归方法分析环境因子对4种天然林树种(组)蓄积量的影响情况开展探讨。结果表明:梯度提升树回归(GBDT)能较好地拟合各环境因子与4种树种(组)蓄积量的关系,4种树种(组)蓄积量R2均为0.999,MSE、RMSE、MAE、MAPE均在0.1范围内;林分年龄与蓄积量的密切关系,重要性达0.50以上;气象和地貌因子对4种树种(组)蓄积量的重要性存在差异,建议在具体建模过程中应进行剥离分析。

典型喀斯特山区的森林蓄积量遥感估算

[目的]通过森林蓄积量的遥感监测了解喀斯特地区森林生态系统的健康状况和生态功能,为该地区碳汇监测与评估以及森林管理与决策提供理论依据。[方法]本研究选取典型喀斯特山区为研究对象,基于Sentinel-2A影像和样地调查数据,结合随机森林(RF)、K近邻回归(KNN)和BP神经网络3种机器学习模型,在山地坡度条件约束下开展森林蓄积量反演研究。[结果]①单波段反射率、植被指数和纹理特征等遥感因子在不同地形约束条件下的表现不同,建立模型的最优子集均不同,不同立地条件下建立蓄积量估测模型均有差异。②在喀斯特山区森林蓄积量估算中,RF相比KNN和BP模型鲁棒性和适应性最强。在缓坡、斜坡、陡坡立地条件下,RF模型精度分别达到80.1%,79.0%,80.5%。[结论]喀斯特山区空间异质性强,不同坡度立地条件下参与蓄积量遥感估测的建模自变量因子均不相同。坡度的划分可以细化复杂场景遥感估算模型,提高蓄积量遥感估算精度。

湖北省森林资源蓄积量年度监测存在的问题及优化思路

结合湖北省森林资源监测发展历程,总结2013—2023年森林资源动态监测体系、蓄积量样地调查监测方法、监测技术、监测内容以及新技术、新设备应用等方面的经验。对不同时期调查数据进行对比分析,归纳不同阶段、不同调查方式蓄积量监测的区别以及监测体系存在的内容与指标单一,调查精度不高,基础数表不完备等问题。提出运用新思路、新技术、新设备来提升信息化程度,包括持续优化监测体系,利用雷达技术开展蓄积量反演,开展智能树种识别研究等蓄积量年度监测优化思路。

广东罗浮山省级自然保护区主要森林类型蓄积量与生物量分析

通过样方调查法,对广东罗浮山省级自然保护区主要森林类型的蓄积量与生物量进行调查,分析其蓄积量与生物量的分布特点,为森林资源的保护和调查监测提供科学依据。结果表明:在16个20 m×20 m的样方中,共记录有维管植物210种,隶属于81科158属。监测样地乔木层植物种类121种,隶属于48科90属,灌木层植物种类109种,隶属于42科78属,草本层植物种类29种,隶属于19科28属,层间藤本植物种类40种,隶属于21科33属,各类植物个体总数为6042个。监测样地可划分为3个植被型,5个植被亚型,5个群丛。监测样地乔木层单一树种华润楠、木荷、马尾松和黄樟的蓄积量排在前4。监测样地乔木层平均蓄积量为161.32 m^(3)·hm^(-2),最高的是LFS-M华润楠-密花树常绿阔叶林,为265.04 m^(3)·hm^(-2);群丛乔木层平均蓄积量为158.27 m^(3)·hm^(-2),最高的是马尾松-木荷群丛,为186.33 m^(3)·hm^(-2)。由D方程和D2H方程得出不同监测样地乔木层生物量均为LFS-M华润楠-密花树常绿阔叶林的最高。由D方程得出不同群丛乔木层生物量为华润楠-密花树群丛的最高,达174.20 t·hm^(-2);由D2H方程计算得出群丛乔木层生物量为马尾松-木荷群丛的最高,为154.10 t·hm^(-2)。

基于Sentinel-2的互助北山林场森林蓄积量反演研究

森林蓄积量是评估森林健康和固碳能力的关键指标,利用遥感技术能够实现区域森林蓄积量的快速估测。本研究以青海省海东市互助北山林场为研究区域,基于森林样地调查数据和Sentinel-2影像,利用提取出的单波段反射率、植被指数、纹理因子和地形因子等筛选出具有代表性的遥感特征,运用随机森林算法实现研究区森林蓄积量反演。主要结果如下:(1)基于皮尔逊相关性分析,确定B11、B10、B6、B7、EVI、SAVI、NIRv、ExGR、MNLI、B12为本研究森林蓄积量反演的遥感特征因子。(2)利用随机森林算法能够有效反演研究区森林蓄积量。反演结果的决定系数R2为0.73,均方根误差RMSE为1.65m^(3)/hm^(2)。(3)互助北山林场乔木林平均蓄积量为134.4m3/hm2,在空间分布上,中东部、东南部和北部部分区域森林蓄积量较高。

基于遥感影像的辽宁省清源县森林蓄积量估测

本文以辽宁清原县为研究区,以2018年资源档案数据和采伐作业设计为基础,结合少量地面调查和同时期资源三号卫星遥感影像,提取与森林蓄积量有关的自变量因子,利用多元线性回归方法构建森林蓄积估算模型,最后利用构建好的模型对无森林蓄积量小班进行估算。

基于GS-RF优化算法的云南松蓄积量遥感估测——以曲靖市沾益区为例

森林蓄积量的精准估测在森林资源管理中至关重要,也是重要的监测指标之一。以云南省曲靖市沾益区为研究区,以云南松为研究对象,构建基于Landsat 9遥感影像光谱特征的随机森林蓄积量估测模型。以网格搜索算法优化后的随机森林估测模型实现区域尺度的蓄积量估测。结果表明:网格搜索算法可以实现对随机森林模型精度的提升,GS-RF估测模型的建模精度:R^(2)=0.67、RMSE=1.11;验证精度:R^(2)=0.69、RMSE=1.22,研究区云南松蓄积总量为3.599×10^(6)m^(3)。指出了总体呈现西部和东部较多,中部分布较少的状态,可能与土地利用有一定关联性,同时单位蓄积量差异不明显,总体分布有一定的空间异质性。研究构建的GS-RF蓄积量估测模型可以实现较大范围的云南松蓄积量估测,能为区域尺度蓄积量估测提供一种方法。

面向森林蓄积量调查的空间抽样方法

全面、科学地掌握森林蓄积量在维持生态平衡方面有着重要意义。基于240个角规控制样地数据和Landsat8影像,分别拟合蓄积量、遥感辅助变量以及两者的交叉变异函数最优模型,以蓄积量空间变异尺度为网格间距设计一种样本独立的空间抽样方法,并与3种传统抽样方法(简单随机抽样、系统抽样、分层抽样)对比分析。结果表明:森林蓄积量的空间变异尺度为7200 m,超出7200 m范围后,两样点间相互独立,不再有空间相关性;拟合的遥感辅助变量变异尺度为6600 m、蓄积量和遥感辅助变量的交叉变异函数的变异尺度为6900 m,与森林蓄积量的变异尺度较为接近。在保证抽样精度的条件下,相较于3种传统抽样方法,空间抽样仅需129个样本便能使抽样精度达到89.46%,样本数量远远少于传统抽样方法样本数量(246个)。在没有充足的样地数据分析森林蓄积量变异函数结构的情况下,可采用少量实测样地结合遥感因子的方法分析蓄积量的空间变异尺度,基于变异尺度的空间抽样方法有效减少了样本信息冗余,样点设计在空间布局上更加高效、合理,代表性更强,研究结果可为森林蓄积量的抽样调查设计提供参考。

湖北省森林资源单位面积蓄积量区域差异性分布分析——基于森林资源抽样调查方法

为摸清湖北省森林资源质量状况和区域之间森林单位面积蓄积量差异性,促进区域之间森林质量提高、为制定森林管理提供参考。运用森林资源抽样调查方法,以湖北省林草生态综合监测乔木林地范围为抽样总体,地面调查抽样点测定单位面积蓄积量,借助数理统计方法中的数据检验、集中趋势、离散趋势、聚类分析和空间统计空间自相关,揭示当前时期研究区蓄积量分布特征。结果表明:(1)样本数据检验无显著性差异区域表现为森林经营发展水平具有平衡一致性、与自然环境相对一致性。(2)单位面积蓄积量的集中趋势和离散趋势为平均值>中位值,趋势分布在区间中位值~均值,箱形图显示了县区均值之间的比较与置信区间。(3)抽样点在一定尺度距离呈现全局空间正相关,呈聚集性分布,单位面积蓄积量集中趋势向均值与中位值靠拢。(4)聚类分析划分了乔木林蓄积量分布结构相似性或同类型区域。湖北各区域单位面积蓄积量存在较大的差异,数据的集中趋势值较低,体现出森林质量短板,林地生产力有很大的空间,森林质量空间潜能需提升发挥,需充分考虑资源质量自然区域分布差异特征,加强森林经营措施。

基于典型样地的青岛市乔木林蓄积量研究

【目的】森林蓄积量是衡量地区森林总体规模和水平的重要指标,是森林生产力和森林碳储量的直接体现,为了解青岛市森林总体水平,基于典型样地对青岛市乔木林蓄积量展开研究。【方法】本研究根据2022年度国土变更调查数据、2021年林草生态综合监测数据,在全青岛市范围设置165个典型样地估算乔木林蓄积量。【结果】青岛市乔木林总蓄积量为11511808.17 m^(3),乔木林总面积144907.05 hm^(2),平均单位蓄积79.44 m^(3)·hm^(-2);各森林类型当中,杨树纯林蓄积量最高(5117779.33 m^(3)),占比44.46%,但单位蓄积最低(76.65 m^(3)·hm^(-2)),刺槐纯林的蓄积量和面积占比仅为11.16%和9.23%,但单位蓄积最高96.08 m^(3)·hm^(-2);各龄组中,中龄林蓄积量(3698740.02 m^(3))>幼龄林(2720437.01 m^(3))>成熟林(2357913.15 m^(3))>近熟林(2073737.64 m^(3))>过熟林(660980.34 m^(3));各区市中,西海岸新区蓄积量最高(3614087.58 m^(3)),市北区蓄积量最低(30661.79 m^(3))。【结论】青岛市刺槐纯林和混交林的森林总体状况和森林生产力高于其他森林类型,未来森林抚育工作应多侧重于杨树和黑松纯林的森林质量提升改造;青岛市整体森林状况处在生长初、中期,未来森林蓄积量增长空间大。