基于红松树轮重建小兴安岭南麓过去140年6月份平均温度变化

基于建立的小兴安岭南麓红松树轮宽度标准年表,分析红松径向生长与该地区温度和降水间的关系以及1982年升温突变对此相关性的影响。结果表明:6月平均温度与树轮宽度年表在变暖前后始终呈极显著负相关,是该地区红松径向生长的主要限制因子。基于此构建的区域1843—1982年6月平均温度重建方程稳定可靠。重建温度序列的偏暖时期和偏冷时期分别持续7年和29年,偏暖时段为1915—1921年,偏冷时段为1880—1891年和1932—1948年。小波分析结果显示6月平均温度存在2—7a周期变化。空间相关分析结果表明重建温度序列能很好的代表小兴安岭南麓及附近区域的温度变化。本研究拓展了研究区现有的气候数据,可为掌握小兴安岭气候变化规律和科学预测未来气候提供数据支撑。

基于树冠和竞争因子的杉木胸径估测

【目的】无人机遥感的迅速发展为胸径预估提供了新方向,本研究适用于通过无人机遥感技术提取样地单木树冠因子后,估算胸径及林分每公顷断面积等指标,实现精准高效的森林资源监测与管理。【方法】根据福建省将乐国有林场33块杉木人工林地面调查数据,利用10种传统模型与2种机器学习方法分别对单木胸径进行估测,并基于不同的自变量组合形式来分析不同因子对胸径估测的影响。【结果】根据传统模型参数拟合结果可以看出,树冠半径与胸径呈显著正相关,林分密度、偏冠因子及竞争指数与胸径均呈显著负相关。传统模型建模过程中所引入最优竞争指数为树冠重叠内角相关的CI2,模型逻辑斯蒂模型拟合结果最优,幂函数(有截距)模型次之。而在使用检验数据进行估测时,幂函数(有截距)有着最好的估测效果。随机森林模型均具有较好的拟合效果,使用检验数据进行估测,不同竞争指数对模型拟合提升程度不同,与树冠重叠面积相关的竞争指数CI3取得了最好的效果。支持向量回归模型拟合优度小于随机森林,略大于传统模型。对胸径进行估测时,包含与竞争木大小相关的竞争指数CI4的模型为最优模型。【结论】传统模型和机器学习模型在拟合与估测单木胸径上均取得了一定的效果,利用机器学习模型效果更优。在模型的不同自变量组合中,加入有关树冠的竞争指数能使模型预测精度提高,决定系数R^(2)增加,E_(MA)、E_(RMS)及A_(IC)减小。传统模型的最优竞争指数为重叠内角相关的竞争指数CI2,在机器学习方法中与对象木和竞争木大小相关的竞争指数CI3和CI4也取得了较好的效果。此外,偏冠指数对于胸径估测的提升效果仍需进一步验证。

基于非线性分位数混合效应构建杉木树高曲线模型

【目的】探索树高-胸径模型构建新方法,将分位数回归与非线性混合效应法相结合应用于树高-胸径模型构建,以此提高模型的拟合精度。【方法】利用2018年福建省将乐国有林场30 m×30 m固定样地1306株杉木的实测树高、胸径数据,从4个树高-胸径模型中筛选拟合效果最好的为基础模型,基于基础模型分别采用非线性混合效应、分位数回归以及非线性分位数混合效应构建树高-胸径模型。采用评价指标均方根误差(RMSE)、调整后决定系数(R^(2)_(adj))和均方差(MSE),对各模型的拟合结果进行评价比较,采用赤池信息准则(AIC)、贝叶斯信息准则(BIC)以及对数似然函数值(Loglik)比较各最优模型的拟合精度和预测精度。【结果】根据评价指标对比显示,Logistic模型为基础模型。非线性混合效应模型的拟合效果最优(AIC为3953.986,BIC为3988.199,Loglik为-1969.993),非线性分位数混合效应模型(AIC为3979.418,BIC为4028.293,Loglik为-1979.709)次之。模型拟合效果排序为非线性混合效应模型>非线性分位数混合效应模型>基础模型>分位数回归模型。比较各模型的残差图可知各模型均不存在异方差现象,预测效果排序为非线性混合效应模型>非线性分位数混合效应模型>基础模型>分位数回归模型。【结论】本研究将分位数回归与非线性混合效应法相结合,该方法对分组数据结构中不同分位点个体间的差异与关联做出解释,提高了模型的稳定性以及拟合精度,将该方法应用到树高-胸径关系的研究上是一个可行的思路,为构建树高-胸径模型提供新方法。

竞争强度变化对针阔混交林红松和水曲柳径向生长的影响

以3种间伐强度处理下(15%,30%和50%)针阔混交林内优势树种红松(Pinus koraiensis)和水曲柳(Fraxinus mandshurica)为研究对象,基于3次复测数据和树轮宽度数据分析不同间伐强度处理下红松和水曲柳的竞争变化特征,探讨竞争环境变化对保留木径向生长的影响。结果表明,1)红松保留木竞争环境发生变化的单木比例随着间伐强度增加而有所下降,但竞争减弱的保留木所占比例与间伐强度正相关,重度间伐样地内竞争减弱的红松保留木所占比例最大达到63%。不同间伐强度下水曲柳保留木竞争环境发生变化的单木比例一致,竞争减弱的单木比例占50%。2)不同竞争环境的水曲柳保留木径向生长趋势基本一致,而红松保留木径向生长变化趋势有所不同。轻度和重度间伐样地内竞争减弱的红松保留木径向生长在间伐后均呈上升趋势,而中度间伐样地内竞争减弱的红松保留木和各样地竞争不变的红松保留木以及不同竞争强度下水曲柳保留木均在2013年和2014年(间伐后2年内)出现生长抑制,而在2015年(伐后第3年)得到促进。3)随着间伐强度上升,自2015年(伐后第3年)竞争减弱的红松保留木径向生长年增量明显增加,显著高于竞争不变的红松(P<0.05),而竞争减弱的水曲柳保留木径向生长年增量自2014年(伐后第2年)在重度间伐样地内增加幅度最大,其次为轻度间伐样地,而在中度间伐样地内增加幅度最低。

基于实例分割的高郁闭度林分单木树冠无人机遥感提取

[目的]利用遥感影像获取高郁闭度林分树冠信息。[方法]试验了一种基于实例分割模型的无人机遥感影像单木树冠提取方法,选用7种残差网络用于模型的特征提取,逐一对不同郁闭度杉木纯林进行单木树冠提取。[结果]表明,7个实例分割模型对低郁闭度林分树冠分割的边界框AP值和掩膜AP平均值分别为55.89%、57.29%,林分东西冠幅、南北冠幅和树冠面积参数提取均方根误差平均值分别为0.161、0.179和0.341,平均预测决定系数R~2分别为0.912、0.918和0.957;对高郁闭度林分树冠分割的边界框AP值和掩膜AP平均值分别为46.00%、44.45%,单木东西冠幅、南北冠幅和树冠面积参数提取均方根误差平均值分别为0.479、0.497和1.256,平均预测R~2分别为0.806、0.762和0.936。[结论]各参数提取精度均优于传统调查精度,该方法能自动化、快速化、精准化获取树冠信息。

偏冠对树冠垂直投影面积计算的影响

[目的]针对树冠结构复杂、形状不规则等问题,实现树冠垂直投影面积自动计算并提高树冠投影区域面积计算精度。[方法]以研究区453棵杉木为研究对象,精确测量每木8向冠幅。以Visualstudio和ArcGIS混合编程,进行树冠测量半径的坐标转换,采用Bezier曲线进行边界平滑,实现树冠垂直投影面积自动提取,并与传统计算方法进行对比分析。利用“圆度”来衡量树冠偏冠,并计算树冠偏冠指数与树冠垂直投影面积计算的相关性。[结果]本研究提出的树冠垂直投影面积计算方法能够计算出树冠真实面积,计算过程中测量冠幅半径数量越多,计算结果越接近真实冠幅面积,相比于椭圆的计算方法,把树冠视为正圆所得面积更接近真实面积。不同树冠垂直投影面积计算方法的结果和树冠垂直投影面积差值与树冠偏冠指数呈显著正相关。[结论]基于树冠投影区域形状的面积计算相较于传统的面积计算方法更加准确,为林业遥感冠幅提取精度验证提供了一种新思路。

基于管道模型理论的长白落叶松叶生物量与径向生长关系研究

[目的]为了解长白落叶松单木叶生物量与径向生长之间的关系。[方法]以小兴安岭地区长白落叶松为研究对象,结合管道模型理论,研究单木个体水平和单木内不同方位区间水平上的叶生物量与径向生长的关系,分析树冠分布与径向生长之间的相关性。[结果]叶生物量与胸高处和枝下高处树干直径、断面积、边材面积,近1、2、3、5年断面积生长量均呈显著正相关,使用胸高断面积作为预测因子的叶生物量模型拟合效果最好。单木株内不同方位区域的叶生物量与对应的胸径处和枝下高处的树干半径、断面积,近1、2、3、5年断面积生长量均呈显著正相关。[结论]估测单株叶生物量时,使用胸高断面积作为预测因子的预测精度最高。株内不同方位叶生物量与对应方位的树干半径、断面积及断面积生长量均呈显著正相关,树冠偏冠与髓心偏心具有一定的相关性。

深度学习和传统方法模拟杉木树高-胸径模型比较

[目的]基于深度学习算法,建立多隐藏层的杉木树高-胸径神经网络模型,探索一种更高效低偏的树高模型研建方法,提高杉木树高的预测精度。[方法]利用福建省将乐国有林场34块杉木样地的2898组树高-胸径调查数据,基于传统回归建立10个广义树高-胸径模型,筛选出精度最高的模型作为对照。同时基于H2O平台的深度学习算法,建立70个不同结构的树高-胸径DLA模型,通过分析比较,确定最适宜预测杉木树高的模型结构,与传统最优模型进行比较。[结果]建立的树高-胸径DLA模型均能较好地描述杉木的树高-胸径间关系,R^(2)都在0.84以上,大于最优传统模型,RMSE和MAE小于传统模型。精度最高的DLA模型结构包含6个隐藏层,每层各340个神经元。[结论]本研究基于深度学习建立的杉木树高-胸径DLA模型,其拟合精度与预测精度略高于传统的广义树高-胸径模型,尤其在预测较高的林木时,更为明显,能够用于研究区杉木树高的预测。

基于GF-2的乔木生物量估测模型研究

以福建省将乐林场为研究区,使用野外实测样地数据,结合福建省二类调查数据,获取了共192个样地的生物量数据,其中杉木纯林112个,马尾松纯林80个.对覆盖研究区的2景GF-2影像进行预处理,提取光谱信息、植被指数、纹理特征及地形因子,筛选与样地生物量相关性较高的因子作为建模的自变量,采用支持向量机、随机森林及多元逐步回归3种方法分别建立了杉木和马尾松生物量模型.结果表明:支持向量机、随机森林模型拟合效果均比多元逐步回归模型好,其中随机森林模型决定系数R^(2)最高,2种样地的R2分别为0.65和0.72,估计精度也最高,分别为65.28%和76.82%;杉木样地3种模型的均方根误差分别为64.27、48.16和77.03,马尾松样地3种模型的均方根误差分别为54.79、48.18和65.63,其中随机森林模型的最低.在3种模型中,随机森林模型为乔木生物量的最优模型.

亚热带人工林高分影像GLCM纹理的应用策略研究

【目的】探讨纹理变量及其相应参数配置范围,阐明各纹理变量随输入参数的变化规律,以便指导高分光学影像纹理在林业上的应用。【方法】以福建省将乐国有林场不同坡向不同龄组的杉木人工林为例,基于QuickBird影像的全色波段进行灰度共生矩阵(GLCM)纹理的计算与分析。【结果】结果表明:(1)除均值外的所有GLCM纹理变量对阴坡的3个龄组的区分能力均强于阳坡,且纹理变量优选需同时考虑衡量指标和纹理变量之间的相关程度。(2)窗口大小是统计组和有序组纹理最关键的输入参数,合适的窗口大小与影像的分辨率以及研究对象的空间尺度有关,对比度组纹理与窗口大小无关,可随意设置。(3)应用统计组和有序组纹理,无需关注像元间距,而应用对比度组纹理,不可忽视像元间距。(4)应用统计组纹理,像元间距越大越需关注计算方向;而对比度组和有序组纹理则相反,即像元间距越小越需关注计算方向。(5)作为最不受研究人员重视的灰度量化等级,推荐采用32或者64。【结论】高分光学影像的纹理信息对光谱重叠度较高的地物具有一定的区分能力,能部分“弥补”阴影导致的光谱信号损失,但在应用中需对纹理变量及其输入参数进行优化选择和配置。该文的研究结论能够为高分光学影像纹理信息的优化应用提供实用的参考借鉴。

基于分位数回归法的杉木可变指数削度方程构建

【目的】采用非线性分位数回归法构建不同分位点的杉木可变指数削度方程,与非线性模型进行比较,以提高杉木干形的预测精度。【方法】利用福建省将乐国有林场的73株(793组)杉木解析木数据,选取4个可变指数削度方程,基于5折交叉验证,分别采用非线性分位数回归与非线性回归构建削度方程。选用调整后决定系数(R2)、均方根误差(RMSE)、平均误差(ME)、相对误差(RE)和平均绝对误差(MAE)5个模型评价指标,结合图形对各模型的拟合结果和预测结果进行评价。【结果】(1)4个可变指数削度方程在5个分位点(t=0.1,0.3,0.5,0.7,0.9)处均能收敛,说明分位数回归可以建立不同分位点的估测模型,能更全面地描述杉木干形的变化。(2)4个削度方程在分位点为0.5处的精度最高,R2均在0.97左右。对于削度方程M1和M3,基于中位数回归(t=0.5)的拟合精度与预测精度均高于非线性回归,且M1的预测值更加集中。(3)在不同分位点下,各模型对树干不同位置的预测精度不同,分位值为0.9和0.3的模型分别对梢头部分和树干基部的预测精度最高。【结论】基于分位数回归的可变指数削度方程不仅能精确预测平均条件下杉木的树干直径,而且能预测任意分位条件下杉木干形的变化趋势。不同分位点模型对树干不同位置的预测精度不同,基于M1削度方程,建立多分位点回归模型能进一步提高研究区杉木干形的预测精度。

不同径级红松挥发性碳贡献变化特征及其影响因子分析

【目的】植物含碳率是研究森林碳储量的关键因素之一,精确测定含碳率及其影响因子有利于提高森林碳储量的预测准确率。【方法】以吉林蛟河阔叶红松成熟林固定样地内红松为研究对象,获取冷冻干燥、自然干燥和烘干干燥3种处理方式下的红松茎干连年含碳率,对比分析3种处理方式下不同径级红松含碳率年际变化特征。发现自然干燥含碳率波动较大,因此本文的挥发性碳贡献由冷冻干燥含碳率和烘干干燥含碳率来量化。通过比较大小径级红松挥发性碳贡献年际变化特征,分析其在时间尺度上的差异与稳定性,并构建挥发性碳贡献与气候因子和生长量等因子的相关关系,揭示影响挥发性碳贡献的主要因子。【结果】(1)不同干燥方式仅对大径级红松的含碳率的测定结果有显著影响(P <0. 05),而3种干燥方式下小径级红松含碳率不存在显著差异。(2)红松挥发性碳贡献有一定阶段性。小径级红松挥发性碳贡献较大径级波动更大,小径级红松挥发性碳贡献最高和最低值分别为24. 46%和0. 03%,大径级红松挥发性碳贡献最高和最低值则为9. 72%和1. 18%,同时大径级红松挥发性碳贡献存在明显的滞后现象。(3)红松挥发性碳贡献主要受到冬季温度的影响,其中小径级红松挥发性碳贡献仅与当年12月的温度呈现显著负相关(P <0. 05),而大径级红松则与上一年12月的温度呈显著负相关(P <0. 05)。(4)当年1月降水对大径级红松挥发性碳贡献有促进作用(P <0. 05),而当年6月的干旱指数对小径级红松挥发性碳贡献有促进作用(P <0. 05)。推测挥发性碳可能与树木非生长季的生理活动有关。【结论】在评价森林碳储量时要考虑挥发性碳贡献,同时不能忽视径级差异的影响及挥发性碳的时间稳定性,从而实现对不同特征林分碳储量的精确估算。

基于气候响应关系研究火干扰对兴安落叶松直径结构的影响

以大兴安岭地区兴安落叶松(Larix gmelinii)为研究对象,分别选取1987年、2003年和2015年火干扰区域及其附近未受火干扰区域设置典型样地,基于树轮数据和调查数据重建历史直径结构,构建兴安落叶松树木生长与气候因子的相关关系,探讨气候变化背景下火干扰对兴安落叶松直径结构的影响。研究结果表明:(1)火干扰下兴安落叶松直径结构呈正偏,高峰态分布。中度火干扰恢复15年后则呈现负偏、峰度值下降的趋势,而重度火干扰恢复15年后仍处于正偏高峰态分布,但随后趋向负偏,低峰态分布。(2)火干扰改变了兴安落叶松直径生长与气候之间的响应关系,中度火干扰下兴安落叶松生长与上年冬季温度呈显著负相关(p<0.05),随着火干扰强度增加,降水的抑制作用增强,重度火干扰下兴安落叶松直径生长与当年生长季(5—8月)、上年生长季(7—9月)和上年冬季(11—12月)降水呈显著负相关关系(p<0.05)。不同恢复期内树木生长—气候因子关系也有所差异。中度火干扰下兴安落叶松与生长季温度的关系由火干扰初期正相关转变为中期(恢复15年)负相关(p<0.05),与上年生长季降水的关系则转变为正相关关系(p<0.05);重度火干扰下兴安落叶松直径生长与上年冬季温度由恢复初期的负相关转变为后期(恢复31年)的正相关(p<0.05),与当年生长季降水转变为负相关(p<0.05)。在未来气候变暖和火干扰事件增加的趋势下,兴安落叶松直径结构趋向负偏、高峰态分布。

联合U-Net和分水岭算法的高郁闭度杉木纯林树冠信息提取

作为我国重要的用材树种,杉木广泛分布于我国南方地区,其株数和树冠信息对于森林资源的精准监测有重要作用,为此准确掌握杉木林分株数及单木树冠信息尤为重要。对于高郁闭度林分,株数和单木树冠信息正确提取的关键是能够准确分割相互遮挡和粘连的树冠。本研究以福建将乐国有林场为研究区,将无人机影像作为数据源,提出一种基于深度学习方法和分水岭算法的树冠信息提取方法:首先采用深度学习神经网络模型U-Net对杉木树冠覆盖区域进行分割,然后利用传统图像分割算法标记控制分水岭算法进行单木分割得到单木树冠;在保持相同训练集、验证集和测试集的情况下,首先对比U-Net模型与传统机器学习方法[随机森林模型(RF)和支持向量机模型(SVM)]在分割树冠覆盖区域上的表现,接着对比了U-Net模型结合标记控制分水岭算法和只使用标记控制分水岭算法进行单木分割的精度。结果表明:U-Net模型在分割精度、精确率、交互比、精确率与召回率的调和均值4个指标上均高于RF和SVM,与RF相比,4项指标分别提升4.6%、14.9%、7.6%、0.05,与SVM相比,4项指标分别提升3.3%、8.5%、8.1%、0.05。在提取单木株数方面,U-Net模型和标记控制分水岭算法相结合的方法较标记控制分水岭算法总体精度提升3.7%,平均绝对误差(MAE)下降3.1%。在提取单木树冠面积和冠幅方面,R2分别提升了0.11和0.09,均方根误差分别降低8.49 m2和4.27 m,MAE分别下降了2.93 m2和1.72 m。将深度学习U-Net模型与分水岭算法相结合能够在一定程度上克服高郁闭度杉木纯林单木株数及树冠信息难以提取的问题,是一种高效率、低成本的单木树冠提取方法,具有可行性和有效性,可为森林资源监测智能化的发展提供基础方法。

物种多样性与生产力研究进展

物种多样性作为生物多样性重要组成之一,与生产力密切相关。文中围绕目前物种多样性与森林生产力存在的4种相关关系展开论述。在大量草地生态系统中物种均匀度和丰富度的增加更有利于促进生产力,而在群落结构和组成起决定作用的自然群落中,生产力不受物种多样性的影响,在人工草地群落中物种多样性甚至会降低生产力,随着森林演替过程物种多样性和生产力呈现非线性关系。样地丰富度、林分结构、环境异质性及尺度被认为是造成不同生态系统物种多样性和生产力相关关系差异的主要因素。然而,目前相关研究主要集中于小尺度、均质生境,忽略了尺度、空间异质性以及优势树种对物种多样性和生产力关系的影响,因此亟待加强大尺度、复杂条件自然群落中物种多样性和生产力之间相关关系的研究。

人工神经网络与相容性生物量模型预测单木地上生物量的比较

森林生物量是林业生产经营和森林资源监测的重要指标,为探索高效低偏的单木生物量估测方法,引入人工神经网络。本研究采用黑龙江省东折棱河林场的101株长白落叶松地上生物量数据,基于不同变量(胸径、树高、冠幅)组合建立了4个聚合模型体系(AMS),采用加权回归消除模型的异方差。然后,基于最优的变量组合建立人工神经网络(ANN)生物量模型,并采用留一交叉验证法对模型进行检验,比较两种生物量估测方法的精度。结果表明:仅基于胸径一个变量的生物量模型已经能较准确地估测生物量,引入树高和冠幅因子能进一步提高模型精度,最优模型体系为AMS4。通过两种方法建立的生物量模型都能较准确地进行估测,各组分生物量的决定系数(R^(2))均高于0.87。相比AMS4,人工神经网络模型系统中,树叶生物量模型的R^(2)高了约0.05,其余各器官也高了0.01左右。此外,均方根误差(RMSE)等指标明显更小,树干和地上生物量的RMSE分别减小了2.135和3.908 kg,模型的检验指标如平均相对误差(MRE)等也表现更优。总体来看,人工神经网络(ANN)是一种灵活可靠的生物量估计方法,估测林木地上生物量或单独某器官生物量时,ANN模型是值得考虑的替代方法。