论文部分内容阅读
优化森林经营是实现森林质量提升的根本途径。结合立地条件、林分密度等因素对胸径、蓄积的准确预估是其中重要环节。针对目前广西桉树与杉木的林分胸径与蓄积模型由于没有充分考虑立地条件与林分密度因素而存在的预估精度不高的问题。本文采用修正模型与机器学习决策树类两种方法,构建林分胸径生长与蓄积预估模型。在此基础上,以杉木为例采用三种经济成熟标准计算不同造林密度下的经济效益与对应经济成熟龄。最后研建林分生长预测与经济效益模拟系统。本文主要研究如下:(1)采用修正模型方法,以Richards等6种理论生长方程作为基础函数,以地位指数、株密度为底数的幂函数乘积组合作为误差函数,构建桉树和杉木的林分胸径和蓄积修正模型。结果表明:桉树胸径模型R~2=0.738,MAE=1.158,杉木胸径R~2=0.782,MAE=1.751,桉树蓄积模型R~2=0.772,MAE=9.235,杉木蓄积模型R~2=0.785,MAE=7.540。(2)采用9种决策树类机器学习方法,以二类调查小班数据的立地因子(海拔、坡向、坡位、坡度、枯枝落叶厚度、腐殖质层厚度、土层厚度、土壤种类)和林分因子(年龄、公顷株数)作为输入,以平均胸径、蓄积作为输出,构建桉树和杉木的林分胸径和蓄积决策树模型。结果表明:对于决策树类机器学习,集成学习高于非集成,串行集成高于并行集成,XGboost决策树模型表现相对优。对于XGboost模型,桉树胸径R~2=0.7410,MAE=0.382,蓄积R~2=0.8125,MAE=0.3434;杉木胸径R~2=0.9320,MAE=0.3446,蓄积R~2=0.9972,MAE=0.3446。对于XGboost模型变量占比,桉树蓄积依次为年龄(78.0%)、海拔(4.9%)、土层厚度(3.8%)、密度(3.2%)。杉木蓄积模型依次为年龄(80.2%),海拔(5.0%)、土层厚度(4.1%)、密度(3.6%)。(3)以净现值、林地期望值以及考虑林分固碳效益的林地期望值作为经济成熟判断指标,以某种立地条件为例,固定立地自变量,在5种密度条件下进行经济效益模拟,结果表明:经济效益值起始为负值,随着林龄的增加而增长,到极大值都开始减少,随着密度的增加而减少,林分密度取每公顷1000株时经济效益值相对最大,对应最大净现值(21202.71元/公顷)、林地期望值(29930.50元/公顷)、固碳效益林地期望值(32423.60元/公顷)。净现值对应的经济成熟龄为16a,林地期望值和考虑林分固碳效益的林地期望值对应经济成熟龄均为15a。