栎类次生林自稀疏条件下的林分空间结构单元划分方法

【目的】划分栎类次生林自稀疏结构单元,是应用林分自稀疏发生规律开展栎类次生林经营的基础性工作。【方法】以湖南省2009年和2014年两期森林资源连续清查数据中6块栎类次生林样地为数据源,使用3种林分空间结构单元划分方法,分别得到若干个结构单元,计算各结构单元内林木的株数密度和平均胸径,建立Reineke密度指数模型,比较模型的拟合效果和检验效果。【结果】方法1、方法2和方法3所得样本拟合的自稀疏边界线R^(2)分别为0.882、0.780、0.893;RMSE分别为0.180、0.229、0.169;方法3的拟合效果最好。3种方法的检验结果中,方法3对自稀疏判断的正确率为72%,检验效果较好;其余2种方法均低于50%。【结论】3种结构单元划分方法中,方法1忽略了距离死亡木较远的样木;方法2没有考虑位置不同的样木对死亡木影响的差异;方法3(Voronoi图+样圆权重法)更为完整地统计了对自稀疏有影响的样木,并区分为Ⅰ类样木和Ⅱ类样木,分别计算权重,分析其对死亡木影响的差异。方法3是一种考虑了林木空间分布差异,同时还依据对死亡木影响大小区分样木类别的林分空间结构单元划分方法。

基于Voronoi空间单元的林分空间结构智能优化研究

使用Voronoi法确定对象木与相邻木存在边缘校正不准确和阈值大小不确定等问题,不利于林分空间结构量化描述。针对这些问题,本研究设定所有距离样地边界线小于0.5 m且不完整的Voronoi单元中的林木为非对象木,并引进对象木与相邻木的距离调控阈值Rmax,修正了Voronoi空间单元在边缘效应处理上存在的对象木和相邻木选取不合理问题。基于修正的Voronoi空间单元,构建了多目标生态采伐方案,并通过蚁群算法进行智能优化。结果表明,调控前20个样地中4个林分空间结构状况相对较差的样地,通过模拟采伐调控后,适应度函数分别提升0.72,0.92,0.93,0.86,证明了该方案对于优化林分空间结构具有较好的效果,可为森林经营决策提供支持工具。