基于3-PG模型的长白落叶松生物量生长预测

第57卷第3期2021年3月doi:10.11707/j.1001-7488.20210307林SCIENTIA业科SILVAE学SINICAEVol.57,No.3Mar.,2021基于3-PG模型的长白落叶松生物量生长预测∗夏晓运1,2　庞　勇2,3　黄庆丰1　吴　荣4　陈东升5　白　羽2,33.国家林业和草原局林业遥感与信息技术重点实验室　北京100091;4.西南林业大学林学院　昆明650224;5.中国林业科学研究院林业研究所　北京100091)(1.安徽农业大学林学与园林学院　合肥230036;2.中国林业科学研究院资源信息研究所　北京100091;摘　要:　【目的】基于3-PG模型预测长白落叶松生物量生长变化,为长白落叶松林分生长规律研究提供依据。【方法】以5块长白落叶松密度试验林连续28年监测数据和24块长白落叶松固定样地3期调查数据为基础,结合各组分(叶、干和根)生物量计算公式,获得每块样地不同调查时间的密度、胸径、蓄积和各组分生物量。根据密度试验林数据校正模型生理参数,结合立地参数和气象参数,通过参数率定、迭代拟合与敏感性分析方法确定长白落叶松3-PG模型的生理参数。采用决定系数(R2)、平均误差(ME)、平均绝对误差(MAE)、平均相对误差(MRE)和均方根误差(RMSE)评价模型预测能力。选取冠层量子效率(alpha)和初级生物量分配到根的最小值(pRn)进行敏感性分析,并预测肥力等级(FR)为0.2、0.4和0.6时长白落叶松生物量生长变化趋势。【结果】1)3-PG模型预测值与实测值之间R2在0.77以上;除叶干生物量比为25.6%外,其他各指标的MRE绝对值均在10.97%以内,预测结果较可靠;2)alpha和pRn具有较高敏感性,是模型的关键参数;3)模型预测不同FR下的长白落叶松生物量变化符合树木生长机理过程,且各组分生物量随FR增加而增加。【结论】基于地面数据的参数率定后,3-PG模型能够很好模拟长白落叶松生物量生长变化,可作为一种有效的森林经营预测工具。对于长白落叶松3-PG模型,冠层量子效率(alpha)和初级生物量分配到根的最小值(pRn)是影响预测结果的关键参数。关键词:　长白落叶松;3-PG模型;敏感性分析;生物量中图分类号:S757　　　文献标识码:A　　　文章编号:1001-7488(2021)03-0067-12PredictionofBiomassGrowthofLarixolgensisBasedon3-PGModelXiaXiaoyun1,2　PangYong2,3　HuangQingfeng1　WuRong4　ChenDongsheng5　BaiYu2,oratoryofForestryRemoteSensingandInformationSystem,NationalForestryandGrasslandAdministration　Beijing100091;yofForestry,SouthwestForestryUniversity　Kunming650224;chInstituteofForestry,CAF　Beijing100091)chInstituteofForestResourceandInformationTechniques,CAF　Beijing100091;(ofForestryandLandscape,AnhuiAgriculturalUniversity　Hefei230036;Abstract:　【Objective】ThisstudywasexecutedtopredictthebiomassgrowthofLarixolgensisbasedon3-PGmodelinordertoprovidethebasisforstudyingitsgrowthrules.【Method】Thedatausedinthisarticlewasobtainedfrom5plotsofexperimentalforemdensity,DBHcalculationformulaforeachcomponent(leaf,stemandroot).Thephysiologicalparametersofthe3-PGmodelofL.(diameteratbreastheight),volumeandbiomassofeachplotindifferenttimeswparametervaluesweredeterminedbasedonsoildataandmeteorologicaldatathroughparametercalibration,ultaccuracywasexaminedbycalculatingcoefficientofdetermination(R2),meanerror(ME),meanabsoluteerror(MAE),meanrelativeerror(MRE),androotmeansquareerror(RMSE).Twofactors,thecanopyquantumefficiency(alpha)andminimumbiomassfractionofNPPtoroots(pRn),,iswaspredictedundertheconditionsofthefertilityratings(FR)being0.2,0.4and0.6.【Result】1)Thepredictionresultswerereliableandthecoefficientofdetermination(R2)olutevaluesofMREofalltheotherindicatorswere收稿日期:2019-03-01;修回日期:2019-05-20。基金项目:十三五国家重点研发项目(2017YFD0600404)。∗庞勇为通讯作者。

68林业科学57卷　within10.97%,exceptforthefoliagetostembiomassratiowithavalueof25.6%.2)ThesensitivityanalysisshowedthatalphaandpRnwerethekeyparametersofthemodelwithhighsensitivities.3)ThepredictedbiomassgrowthinthisstudyincreasedwiththegrowthofFR.【Conclusion】Aftertheparametercalibrationbasedonfielddata,is,ds:　Larixolgensis;3-PGmodel;sensitivityanalysis;biomaametime,3-PGmodelof　落叶松属　长白落(Larix叶松)(高大落叶乔木Larixolgensis),是东北地区主要针为松科(Pinaceae)叶用材树种之一,具有树干通直、木材耐腐性和力学性较强等特点,在不同行业应用广泛。林分生长模型是森林资源经营管理与收获预估的重要工具之一,利用该模型可以及时了解树木生长动态,有助于对林木的长期管理、规划和采伐。按建模方法不同,林分生长模型可分为经验模型、机理模型和混合模型。目前,国内已开展了许多长白落叶松经验模型和混合模型的探讨,经验模型研究主要集中在生长与收获预测方面,如直径分布模型(孟宪宇,1991)、树冠特征模型(吴明钦等,2014)、全林分整体模型(等邓晓华;混合模型研究主要集中在树高生长模型等,2003)和生物量模型(闵志强,2010)(陈东升等,2013)、树冠轮廓模型(高慧淋等,2017)、枝条存活模型(王烁等,2018)和树轮宽度模型(崔诗梦等,2017)等方面。与机理模型相比,经验模型和混合模型具有一定局限性:1)纯粹的经验模型未考虑生理过程的参数意义,随着所预测事物而变化,数学方法选择和经验模型选取成为建模的关键环节;2)经验模型适合模拟生长期间的某一阶段,当用来拟合整个林分生长过程时效果不佳;3)经验模型和混合模型不能对未来气候、环境变化以及人为干扰下树木生长生理反馈及其相互作用进行准确预测;4)经验模型和混合模型只适用于预测一定条件下(特定立地条件)的林分生长状况,不能反映空间尺度上某一树种的生长情况。而基于植物生理生长的机理模型则可较好解释和模拟环境因子对树木生长的影响(Forresteretal.,2015)。growth)3-PG(physiologicalprinciplesinpredicting型,是以月为时间尺度模型是由Landsberg、以林分为空间尺度等(1997)研发的机理模、基于生理生态过程的林分生长预测模型,能够模拟不同气候条件、立地条件和经营措施下林木每月树高、胸径、材积、叶面积指数和各组分生物量等变化状况,同时也可模拟水分的平衡与利用、林分结构变化以及树种分布情况等(Landsbergetal.,2003;Sandset3-PGal.,2002;Stapeetal.,2004)。目前,国外已基于2013)模型模拟了火炬松al.,2014)、湿地、桉树松((PinusEucalyptuselliottii(Pinustaeda)(Bryarsetal.,)()Almeida(Gonzalez-Beneckeetal.,2016)et、花旗松(Pseudotsugamenziesii)(Coopsetal.,2010)、云杉(Piceasitchensis)(Minunnoetal.,2010)和展叶松(Pinuspatula)(Dye,2001)等树种的生长状况;国内也将3-PG模型应用于桉树(花利忠等,2007)、杉木(Cunninghamialanceolata)(刘坤等,2015;赵梅芳,2008)、橡胶树(Heveabrasiliensis)(朱智强等,2010)(预测Picea、长白落。crassifolia叶在解雅麟等)松((2018)黄华国等(解雅麟等应用,,2010)2018)3-PG等和模型模拟长白树青种海的云生杉长落叶松的生长研究中,对生理参数校正所用数据量较小,且采用相同的地面调查数据进行模型参数校正和模型生长预测,缺乏独立样本验证。鉴于此,本研究基于5块长白落叶松密度试验林连续28年监测数据和24块长白落叶松固定样地3拟合与敏感性分析方法确定长白落叶松期调查数据,结合已有研究,通过参数率3-PG定、迭模型代的生理参数,以长期监测的密度试验林数据为参数校正基础,以多期监测的样地数据检验模型预测精度。通过对模型相关参数进行敏感性分析,确定影响3-PG模型预测准确性的关键参数,并预测研究区内不同肥力等级(fertilityrating,FR)下长白落叶松生物量生长变化情况,以期为长白落叶松林分生长规律研究提供依据。1　研究区概况与数据1.1　研究区概况　场　,46°20′—46°30′N,130°32′—130°52′E,研究区位于黑龙江省佳木斯市桦南县孟家岗林以低山丘陵为主,坡度平缓,平均海拔250m。该区属东亚大陆季风气候,年均气温2.7℃,年均降水量550mm,年日照时数1955h,主要树种有长白落叶松、红松(mongolicaPinuskoraiensis)等。)和樟子松(Pinussylvestrisvar.

　第3期夏晓运等:基于3-PG模型的长白落叶松生物量生长预测691.2　数据来源与处理斯分层法建立的长白落叶松单木和各组分生物量模型,计算各样地中每株落叶松的叶、干(包括树枝、干材和树皮)和根生物量:FB=0.190329×DBH1.02;0.136832×DBH1.543;AGB=FB+SB。(1)(2)(3)(4)1.2.1　样地数据　样地数据来源于研究区5块长白落叶松密度试验林长期监测样地和24块长白落叶松固定样地。5块密度试验林于1974—2002年连续28年监测,2002年林分密度分别为1380、1285、1185、1040和625株·hm2,该数据主要用于-确定部分需要拟合的长白落叶松3-PG模型生理参数;24块长白落叶松固定样地采用3期调查数据,调查时间分别为2012、2014和2017年,用于3-PG模型预测精度验证。样地采用每木检尺调查,测定并记录胸径≥5cm的树种名称、胸径、郁闭度等林木因子以及坡度、坡向、海拔、土壤类型等林地因子。SB=0.04944×DBH2.597+0.020303×DBH2.153+RB=0.036334×DBH2.138;式中:FB、RB、SB、AGB分别为长白落叶松单木的叶、根、干和地上生物量;DBH为单木胸径。分龄组统计样地基本信息和生物量计算结果,见表1。1.2.2　生物量数据　采用黄兴召(2014)基于贝叶表1　样地数据汇总Tab.1　Summaryofplotdata龄组幼龄林YoungAgegroup样本数Number22485457海拔Elevation/m胸径DBH/cm密度Density/(trees·hm-2地上生物量)Abovegroundbiomass/(t·hm43.00~94.1745.21~150.8679.62~171.7490.79~173.11-2蓄积)Volume/(m3·hm-2)57.96~149.8088.04~293.18155.61~356.94144.06~336.19242.85~319.4110.90~11.40242.85~319.4110.11~17.23242.85~263.3212.89~19.37242.85~272.7615.85~26.061005~22831005~29951005~2370500~1940中龄林Middle近熟林Nearmature成熟林Mature1.2.3　模型评价　基于地面测量数据(y)和3-PG模型模拟输出数据(y^i)建立回归分析,采用决定系数(R2)、平均误差(meanerror,ME)、平均绝对误差error,RMSE)评价模型预测能力:R2=^∑(yi=1nni2　基于3-PG模型的长白落叶松生物量生长预测2.1　模型简介(meanabsoluteerror,MAE)、平均相对误差(meanrelativeerror,MRE)和均方根误差(rootmeansquare-y)2

本文标签： 模型 生物量 参数 生长