多源数据对林分动态预测的影响及不确定性分析

【目的】比较多源数据对林分动态预测的影响,分析模型参数与预测不确定性的变化规律,从准确性和可靠性角度对模型进行评估,获取改进模型的数据需求,为森林调查中的数据收集策略提供建议。【方法】收集秦岭油松林3期调查(1990、2005和2012年)和4种信息类型(临时样地、固定样地、解析木和多源数据)建模数据,设计一组数据信息要求较低的可变密度全林模型,基于贝叶斯信息动态融合框架,分析传统森林调查数据与生长收获模型的关系。利用MCMC抽样技术获得的参数联合后验分布对森林动态模拟的不确定性进行量化:一方面比较相同类型的多期森林调查数据不断对模型进行训练后,模型在参数与预测中的概率分布变化过程;另一方面比较分别采用4种数据类型对模型预测产生的影响。数据与模型更新循环过程以先验信息和后验信息不断相互转化的方法实现,即前一次拟合得到的参数联合后验分布作为下一期数据加入时的先验。不同数据类型整合根据数据自身抽样和观测误差所设计的独立似然结构实现。为避免粗糙数据或异常值对模型产生的影响,描述误差分布的似然函数采用重尾正态分布。观测误差的异方差特性通过迭代中自动调整似然函数的方差控制。【结果】随着新一期调查数据加入,模型参数的边际或联合分布不断发生变化,但概率分布峰度总是逐渐升高,即参数不确定性逐步下降,从而降低林分预测的不确定性。与基于1990年调查数据的模型相比,经过2005和2012年数据校正后模型在成过熟林阶段的不确定性下降最为明显,同时树高生长极大值的参数也更高。不同数据类型在模型预测中的差异反映出不同调查方法本身的缺陷和优势,解析木数据倾向于在成过熟林阶段预测出更高的树高生长;固定样地和临时样地数据在林分平均高和平均胸径模拟中表现相似,但由于抽样方法和数据量等因素区别,导致其在林分断面积模拟中呈现明显差异。基于循环更新或多源数据的模型呈现出最稳定的预测结果。【结论】在生长收获模型构建中,不同类型森林调查数据会产生不同预测结果,不同数据信息特性也会对预测的不确定性产生规律性影响。以概率分布呈现信息的贝叶斯方法,既可反映模型的精准程度,又能解释数据信息中存在的缺陷。本研究以全林模型更新为例,展示了该方法不断循环、更新、融合的数据-模型逻辑框架,是架构生长收获模型与数据桥梁的有力工具。

油松幼树树高生长预测的不确定性贝叶斯分析

【目的】以秦岭松栎林地带性树种油松幼树为研究对象,构建幼树树高生长模型,分析模型预测的不确定性来源,明确模型参数对模型预测不确定性的贡献程度,为提高幼树树高生长建模的可靠性提供理论依据。【方法】收集秦岭松栎林中132株油松幼树连年生长量信息,构建油松幼树树高5年生长量贝叶斯预测模型,采用马尔可夫链蒙特卡洛抽样方法估计模型参数的联合后验分布,量化模型预测时模型预测误差的不确定性、输入变量(自变量测量误差)的不确定性和模型参数的不确定性。结合贝叶斯统计框架与Sobol全局敏感性分析技术,从贝叶斯参数后验分布空间中抽样,量化每个参数或参数组合传递给模型输出的不确定性,通过变异系数和贝叶斯95%可信区间宽度评价其对模型输出不确定性的贡献和影响。【结果】1)油松幼树树高5年生长量模拟中最大不确定性来源是模型预测误差的不确定性,占总体不确定性的51%;其次是模型参数的不确定性,占总体不确定性的43%;不确定性比例最小的是输入变量即自变量(树冠竞争因子、光截留)测量误差的不确定性,占总体不确定性的6%。模型总体预测的不确定性区间包含97%的观测点,可较准确覆盖模型中观测数据的随机误差。2)对油松幼树树高预测不确定性贡献最大的是控制树冠竞争因子的参数,占参数总体不确定性的64.87%;其次是控制立地因子(坡度)和光照因子(光截留)的参数,分别占参数总体不确定性的15.88%和10.02%;控制林木大小(树高)的参数,仅占参数总体不确定性的1.78%;其他参数贡献的不确定性低于1%。参数的相互作用除控制坡度和树冠竞争因子的参数外,其他参数的相互作用对模型输出不确定性的贡献均低于1%。3)贝叶斯MAP(最大后验概率)预测结果表明,油松幼树树高5年生长量与林分树冠竞争因子、光截留和坡度呈负相关,与当前树高呈正相关。结合参数的不确定性分析得出,参数不确定性越高,其控制的变量对模型预测结果的影响越不显著。【结论】油松幼树树高生长预测的不确定性来源复杂,贝叶斯统计框架与Sobol全局敏感性分析结合可量化和解释油松幼树树高生长预测中各种来源的不确定性,并精确到每个参数传递给模型预测不确定性的贡献。这种将不确定性量化分解的方法可为森林生态系统模拟中对数据和模型预测的变异进行量化、解释和模型改进提供新的参考依据。