依据背包和无人机激光雷达数据对思茅松林分结构参数估测

以15块样方调查数据验证背包激光雷达数据提取单木参数的精度,依据270块背包激光雷达数据单木分割后计算得到的林分结构参数与无人机机载激光雷达数据特征参数相结合,通过最优估测模型对研究区的林分结构参数进行反演与预测。结果表明:(1)背包激光雷达数据提取单木参数时,单木分割F-score(F)得分的范围在95%~100%,胸径的均方根误差(E_(RMS))在0.08~1.68 cm,树高的均方根误差在0.71~2.29 m;(2)平均树高最优估测模型决定系数(R^(2))为0.87,E_(RMS)为1.09 m,平均绝对误差(E_(MA))为0.68 m;Lorey’s树高最优估测模型R^(2)为0.88,E_(RMS)为0.79 m,E_(MA)为0.54 m;算术平均胸径最优估测模型R^(2)为0.81,E_(RMS)为1.02 cm,E_(MA)为0.79 cm;蓄积量最优估测模型R^(2)为0.82,E_(RMS)为17.06 m^(3)·hm^(-2),E_(MA)为12.05 m^(3)·hm^(-2);胸高断面积最优估测模型R^(2)为0.78,E_(RMS)为3.48 m^(2)·hm^(-2),E_(MA)为2.55 m^(2)·hm^(-2);郁闭度最优估测模型R^(2)为0.85,E_(RMS)为0.03,E_(MA)为0.02;林分密度最优估测模型R^(2)为0.91,E_(RMS)为157.60株·hm^(-2),E_(MA)为97.68株·hm^(-2)。

林分空间结构参数角尺度的标准角选择

角尺度是一个刻画森林空间结构的新参数,通过描述相邻木围绕参照树的均匀性来进行林木分布格局的判定。角尺度对复杂森林的空间结构有很强的解析能力。标准角是衡量参照树周围4株最近相邻木分布均匀性的标准,是影响角尺度使用精度的关键因子。理论推导出的标准角应为72°,这个标准角能使随机分布林分的角尺度均值最接近0 5,从而与角尺度定义中林木随机分布时角尺度取值为0 5相一致,这个观察被进一步模拟的100个随机分布的林分所证实。

森林观察研究中的林分空间优势度分析方法

分析森林结构可以帮助我们了解森林的发展历史、现状和生态系统将来的发展方向。森林结构在很大程度上是由相邻木之间的空间关系决定的,许多描述森林结构的指标或多或少都与相邻木的关系有关。提出以林分空间结构单元为基础构筑的林分空间结构参数体系应包括描述林木个体在水平地面上分布格局的角尺度,体现树种空间隔离程度的树种混交度,反映林木个体竞争状态的大小比数,以及体现林木密集程度的密集度。这些结构参数已在森林群落结构分析中得到了非常广泛的应用。同时着重论述了林分结构参数大小比数在森林观察研究中的重要性,指出大小比数不仅可以表达天然混交林中树种优势度■、框定林木竞争微环境■,还可以筑构林分优势度■和构造林分空间结构优化目标函数■。最后还对林分空间结构参数的二元分布和二阶特征研究进行了展望。

基于相邻木关系的林木密集程度表达方式研究

林木密集程度是林分空间结构的重要属性,反映林木的疏密程度,包含一定的竞争信息,同时直观表达了林冠层对林地是否连续覆盖。如何通过构建空间结构参数准确量化单株林木周围和林分整体的密集程度是本研究的主要目的。以相邻木空间关系为基础,采用模拟林分数据和实际林分调查数据相结合的方法,提出了一种新的与林木距离有关的林分空间结构参数——密集度,它以林分空间结构单元为基础,通过判断林分空间结构单元中树冠的连接程度分析林木的密集程度。密集度有5种取值,以中度级为岭脊,明确地定义了参照树所在的结构单元的林木密集程度,密集度的值越大说明参照树所处小环境林木密集程度越高,参照树可能面临的竞争越激烈,林冠层越连续覆盖;密集度值越小说明林木密集程度越低,参照树面临的竞争压力越小,参数生物学意义十分明显。在计算林分密集度时,综合考虑分布格局对于林木占据空间方位的影响,增加了参数的准确性。在模拟林分和吉林蛟河红松阔叶林、江西分宜大岗山杉木人工纯林等不同格局、不同密度、不同类型的林分密集程度研究中,密集度均取得了满意的结果,密集度在实际应用中与其他结构参数相似,也可通过抽样调查直接获得,不需要测量距离,并为分析林分空间结构与林木竞争的关系提供了一种可行的途径。如何突破技术上的限制,将密集度与混交度、大小比数和角尺度联合分析,实现空间结构参数的多元联立是下一步研究的重点。