利用经验-过程混合建模方法优化华山松过程模型的参数

【目的】以基于碳平衡的过程模型CROBAS为例,提出一种结合经验模型与过程模型的混合建模方法,优化华山松过程模型CROBAS-PA的参数,探索在建模数据不足情况下预估复杂过程模型参数的有效途径。【方法】参数优化模型的目标函数设为过程模型CROBAS-PA与经验模型QUASSI 1.0在树高和生物量预测上的离差,优化模型的决策变量选取过程模型中10个随气候和树种调整的参数(树冠树叶分形维数、消光系数、比叶面积、最大光合速率、树叶衰老率、叶表面积密度、自然整枝参数、树枝边材率、树干边材衰老率和树枝边材衰老率),约束条件为过程模型参数的可行域。选用差分演化算法,采用Sobol一阶灵敏度和全局灵敏度系数进行参数敏感性分析与评估,利用平均误差(ME)、平均绝对误差(MAE)和平均相对误差(MRE)进行模型检验。【结果】经参数优化后的华山松过程模型CROBAS-PA的有效预测时间可达20年,树高和胸径预测值平均绝对误差分别小于1.03 m和1.19 cm,平均相对误差分别低于5.59%和2.59%。灵敏度分析显示,最大光合速率、比叶面积、消光系数、树冠树叶分形维数对树高和胸径的生长变化有明显影响,而叶表面积密度对胸径和树高的生长变化影响较小。【结论】经参数优化后的华山松过程模型CROBAS-PA可以较准确预测华山松的树高和胸径生长以及林木各器官中的碳分配,基于经验-过程混合建模方法在复杂过程模型参数预估中具有一定应用潜力。

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。