林木生长模型与生物量估算

我国森林植被的生物量和净生产量一、本文概述本文旨在全面探讨我国森林植被的生物量和净生产量，深入分析其分布格局、动态变化及其影响因素，以期为我国森林生态系统的科学管理、生态环境保护和可持续发展提供理论支持和实践指导。

我们将通过梳理国内外相关研究成果，结合我国森林植被的实际状况，综合运用生态学、林学、地理学等多学科的理论和方法，对森林植被的生物量和净生产量进行深入研究。

研究内容包括但不限于森林植被生物量的估算方法、生物量的空间分布特征、生物量的动态变化及其驱动机制，以及森林植被净生产量的计算方法、影响因素和提升途径等。

本文期望通过系统研究和综合分析，为我国森林资源的合理利用和生态环境保护提供科学依据，同时也为全球森林生态系统的研究提供参考和借鉴。

二、我国森林植被分布及特点我国地域辽阔，地形复杂，气候多样，这为森林植被的多样化分布提供了得天独厚的条件。

从北到南，从东到西，我国的森林植被类型丰富，各具特色。

东北针叶林区：主要分布在大兴安岭、小兴安岭和长白山等地，以针叶林为主，如落叶松、红松等。

华北落叶阔叶林区：包括华北平原、黄土高原以及部分山地，以落叶阔叶林为主，如杨、柳、榆等。

华中华南常绿阔叶林区：分布在长江以南的广大地区，以常绿阔叶林为主，如樟树、楠木等。

西南高山针叶林区：位于青藏高原及其周边山地，以高山针叶林为主，如冷杉、云杉等。

热带季雨林区：主要分布在海南岛、台湾岛和云南的南部，以热带季雨林为主，如橡胶树、椰子树等。

生物多样性丰富：我国森林植被类型众多，每种类型中又包含大量的物种，生物多样性十分丰富。

地理分布不均：受地形、气候等条件的影响，我国森林植被的分布具有明显的地理特点，东部和南部的森林覆盖率较高，而西北部的森林覆盖较低。

植被垂直带谱明显：在高山地区，随着海拔的升高，森林植被类型会发生明显的变化，形成明显的垂直带谱。

人工林比重较大：近年来，我国大力开展植树造林活动，人工林面积不断增加，成为我国森林植被的重要组成部分。

树木生长方程是一种模型，用来描述一棵树在特定时间内生长的方式。

树木生长方程参数的估计通常是在实际野外测量的基础上进行的，而且这样的估计参数结果并不总是相同的。

要评估树木生长方程的参数，需要采用应用数学技术和实际调查的方法，如果实验设计正确的话，可以根据野外调查的结果来估计参数值。

首先，确定树木生长方程的类型，例如典型的 Michaelis-Menten 类型的生长方程或者其他类型的生长方程。

根据所选定的生长方程，结合调查现实数据，确定需要估计的参数量及其大小。

接下来，将估计参数连接到测量值，使之满足数学模型的需要，这是野外调查的关键环节。

对于最常用的 Michaelis-Menten 类型的生长方程，需要估计的参数有生长系数、最大生长率、及树木生长量与环境要素（如水、配水、温度等）之间的关系系数等，估计参数往往是通过方程的数学最优化完成的。

最后，检验估计参数的结果是否满足实际应用，如果是，则可以正式采用估计出来的参数值；如果不是，则可以重新检查步骤，调整方法，重新进行计算。

总之，树木生长方程参数的估计主要包括以下几个步骤：确定树木生长方程的类型、根据现实调查数据确定需要估计的参数量、将估计参数连接到测量值、检查估计参数的结果是否满足实际应用。

辽东山区长白落叶松枝叶生物量模型建立与评估胡靖扬;贾宝军;林宽;冯倩男;刘常富;于立忠【摘要】以辽东山区林龄为50年生的不同密度长白落叶松人工林为研究对象,枝条为单位,获取了枝基径( d)、枝长( L)与枝叶生物量( W)的相关关系来建立生物量模型,并将枝条材积( V)引入CAR模型。

结果表明：引入枝条材积建立生物量模型获得了较常规CAR模型效果更好,预估精度和拟合效果均有明显提高,其中枝叶生物量Wbl＝1915.682d-0.315 V的决定系数( R2)提高至0.983,预估精度提高了2.73％；枝生物量Wb＝1793.800L-0.208 V的决定系数提高至0.994,预估精度提高了9.15％；叶生物量Wl＝3387.837(d2L)-0.427V的决定系数提高至0.701,预估精度提高了1.61％。

%50-year-old Larix olgensis plantation in montane region of eastern Liaoning Province was selected with different density, branches were effectively collected. The correlations among biomass of these branches and leaves, basal branch diameter and branch length were analyzed respectively to establish model. The CAR model was introduced into the branches volume. The results showed that the biomass models, with the branches volume as pa-rameters, are better than the traditional CAR model. The determination coefficients (R2) of total biomass model of branch and leaf ( Wbl=1 915. 682d-0. 315 V) was up to 0. 983 and forecast accuracy increased by 2. 73%. R2 of branch biomass model (Wb=1 793. 800L-0.208V) was up to 0. 994 and forecast accuracy increased by 9. 15%. R2 of leaf biomass model (Wl=3 387. 837 (d2L)-0.427V) was up to 0. 701 and forecast accuracy increased by 1. 61%.【期刊名称】《西南林业大学学报》【年(卷),期】2016(036)005【总页数】7页(P52-57,117)【关键词】长白落叶松;枝叶;生物量;模型;评估;辽东山区【作者】胡靖扬;贾宝军;林宽;冯倩男;刘常富;于立忠【作者单位】沈阳农业大学林学院，辽宁沈阳110866;沈阳农业大学林学院，辽宁沈阳110866;沈阳农业大学林学院，辽宁沈阳110866;沈阳农业大学林学院，辽宁沈阳110866;沈阳农业大学林学院，辽宁沈阳110866; 中国林业科学研究院森林生态环境与保护研究所，北京100091;中国科学院清原森林生态系统观测研究站，辽宁沈阳110016【正文语种】中文【中图分类】S758.5陆地生物量的主要组成部分是森林生物量，其调查与估算是近年来林业科研的热点问题之一[1-3]。

海南岛林下灌木层和草本层生物量估测方法的研究杨众养;陈宗铸;杨琦;雷金睿;陈小花【摘要】The study bases on biomass survey data of tree layer, shrub layer and herb layer from 140 different forest types, using 5 kinds of functions, such as linear function, logarithmic function, polynomial function, power function and exponential function to study the relationship between shrub and tree layer biomass, herbaceous layer and arbor layer biomass. The results show that the optimal model of shrub layer and tree layer biomassis polynomial model: Y=5.4457-0.0264*X+0.00005*X*X(R2=0.437);Herb layer and tree layer have less biomass correlation, and correlation coefficients of five kinds of models are all less than 0.1. The biomass estimation of Hainan herbaceous layer under forest can use their average parameters 0.45t/hm2.%该研究通过在海南岛建立140个不同森林类型的样地，分别调查乔木层、灌木层和草本层的生物量，使用线性函数、对数函数、多项式函数、幂函数、指数函数5种函数来研究灌木层与乔木层生物量、草本层与乔木层生物量的关系。

生态环评中森林植被生物量的估算方法
在生态环评中，估算森林植被生物量的方法可以通过以下几种途径进行：
1. 样地调查法：选择代表性的样地，对其中生长的植被进行调查和测量。

通过统计每
个样地中不同植物组成的生物量，再根据各样地的面积计算总体生物量。

2. 遥感和影像解译法：利用遥感数据和图像解译技术，对森林覆盖面积和植被类型进
行判读和分类，再根据不同的植被类型建立相应的生物量模型，通过计算该地区各植
被类型的面积和对应的生物量模型，估算总体生物量。

3. 生态模型法：根据森林植被的生长特征、环境参数以及人为干扰因素，建立相应的
生态模型。

通过输入相关参数，模型可以预测森林植被的生物量。

4. 无人机遥感法：利用无人机搭载的遥感传感器，对森林植被进行高分辨率的遥感监测。

通过获取的遥感数据，结合地面测量数据进行分析，得出森林植被的生物量估算。

以上是一些常用的森林植被生物量估算方法，在实际应用中可以根据具体的情况选择
适合的方法和技术。

我国森林植被的生物量和净生产量森林植被作为地球上重要的生态系统之一，对于维持地球生态平衡具有至关重要的作用。

在我国，森林植被的生物量和净生产量对于我国的生态、经济和环境等方面都有着重要的影响。

因此，本文将就我国森林植被的生物量和净生产量进行探讨，以期为相关政策和决策提供参考。

我国拥有丰富的森林资源，根据第七次全国森林资源清查数据，全国森林面积达到08亿公顷，占国土面积的6%。

其中，天然林面积41亿公顷，人工林面积67亿公顷。

森林覆盖率达到6%，森林蓄积量达到45亿立方米。

我国森林植被类型多样，包括针叶林、阔叶林、混交林等，其中针叶林是我国主要的森林类型。

森林植被生物量是指森林植被中有机质的总量，包括树木、枝叶、皮渣等。

我国森林植被生物量丰富，根据研究，全国森林植被生物量达到170亿吨。

其中，树木生物量占据主导地位，达到150亿吨，其余为枝叶、皮渣等生物量。

我国森林植被生物量的分布情况与森林资源的分布情况基本一致，天然林生物量占据主导地位。

森林植被净生产量是指森林植被在一定时间内通过光合作用等生理过程所积累的有机物质总量。

根据研究，我国森林植被净生产量达到44亿吨。

其中，树木净生产量占据主导地位，达到54亿吨，其余为枝叶、皮渣等生物量的净生产量。

我国森林植被净生产量的分布情况也与森林资源的分布情况基本一致，天然林净生产量占据主导地位。

而且，不同树种的净生产能力差异较大，有些树种的净生产量较高，如落叶松、樟子松等，而有些树种的净生产量较低，如云杉、冷杉等。

我国森林植被的生物量和净生产量都十分丰富，这为我国生态、经济和环境等方面提供了有力的支撑。

然而，在保障森林植被的可持续利用方面仍存在一些问题，如过度采伐、环境污染等。

因此，我们需要采取积极的措施，保障森林植被的可持续利用。

需要加强森林资源保护法律法规的制定和实施，打击非法采伐和环境污染行为。

需要加强森林资源的科学管理和经营，采取科学合理的采伐方式和经营模式，保障森林资源的可持续利用。

树木生物量计算一、引言树木生物量是指树木体内的生物质，是衡量森林生态系统碳储量和碳循环的重要指标。

准确计算树木生物量对于了解森林生态系统的健康状况、碳储量和气候变化的影响具有重要意义。

本文将介绍树木生物量计算的方法和应用。

二、树木生物量计算方法1. 直径法直径法是树木生物量计算中常用的一种方法。

该方法通过测量树干直径和树干高度，利用树木生物量模型来估算树木的生物量。

树木生物量模型包括两种类型：直径模型和直径高度模型。

直径模型通过树干直径来估算树木生物量，而直径高度模型通过树干直径和树干高度来估算树木生物量。

2. 基于树木组织密度的方法基于树木组织密度的方法是另一种常用的树木生物量计算方法。

该方法通过测量树木的直径和高度，然后根据树木组织密度来计算树木的生物量。

树木组织密度是指单位体积内的树木组织质量，通常以克/立方厘米表示。

3. 基于全株重量的方法基于全株重量的方法是一种直接测量树木生物量的方法。

该方法通过将整棵树木割伐并称重，然后再根据树木的体积来计算树木的生物量。

这种方法相对于其他方法来说更加准确，但也更加破坏性，只适用于研究目的。

三、树木生物量计算应用1. 森林碳储量评估树木生物量计算是评估森林碳储量的重要方法之一。

通过计算森林中树木的生物量，可以估算出森林中的碳储量。

这对于了解森林生态系统的健康状况、碳循环和气候变化具有重要意义。

2. 森林管理和保护树木生物量计算可以帮助进行森林管理和保护工作。

通过计算不同树种和不同林分的生物量，可以制定合理的森林管理方案，促进森林资源的可持续利用。

同时，树木生物量计算也可以用于评估森林植被的恢复和保护效果。

3. 气候变化研究树木生物量计算对于研究气候变化的影响具有重要意义。

树木生物量是森林生态系统中的碳储量，而碳储量的变化会对气候产生影响。

通过计算树木生物量的变化，可以研究气候变化对森林生态系统的影响，为应对气候变化提供科学依据。

四、总结树木生物量计算是了解森林生态系统碳储量和碳循环的重要手段。

天山林区6种优势种灌木林生物量比较及估测模型王文栋;白志强;阿里木·买买提;刘端;郭忠军【摘要】采用平均标准木收获法测定了天山东、中、西部林区6种优势种灌木,多刺蔷薇(Rosa spinosissima L.)、黑果小檗(Berberis heteropoda Schrenk.)、刚毛忍冬(Lonicera hispida Pall.)、天山绣线菊(Spiraea.tianschanica Pojark.)、新疆方枝柏(Juniperus seudosabina Fisch.et Mey.)和黑果栒子(Cotoneaster melanocarpus Lodd.)的地上和地下生物量并构建基于D2H变量的个体生物量模型.结果表明:(1)天山西部林区灌木林的总生物量大于中部和东部的;(2)6种灌木的平均生物量大小排序为刚毛忍冬＞黑果栒子＞黑果小檗＞新疆方枝柏＞天山绣线菊＞多刺蔷薇;(3)6种灌木的生物量贡献主要源于根和枝生物量,不同器官生物量的大小排序根＞枝＞叶;6种灌木叶生物量的大小与枝的生物量之间呈极显著相关(P＜0.01);(4)以D2H为自变量建立6种灌木不同器官及个体生物量估测模型24个,除黑果小檗和新疆方枝柏叶生物量模型达到显著水平(P＜0.05),其他各组成生物量模型均达到极显著水平(P＜0.o1),模型模拟结果达到了较高的准确度,可用于推算灌木生物量.研究结果可为定量评估天山森林生态系统的固碳功能提供数据支撑,也可为深入开展森林生态系统服务功能评价提供依据.【期刊名称】《生态学报》【年(卷),期】2016(036)009【总页数】10页(P2695-2704)【关键词】灌木;生物量模型;生物量分配;天山【作者】王文栋;白志强;阿里木·买买提;刘端;郭忠军【作者单位】新疆林业科学院森林生态研究所,乌鲁木齐830063;新疆林业科学院森林生态研究所,乌鲁木齐830063;新疆林业科学院森林生态研究所,乌鲁木齐830063;新疆林业科学院森林生态研究所,乌鲁木齐830063;新疆林业科学院森林生态研究所,乌鲁木齐830063【正文语种】中文气候变化问题已成为当今全球共同面临的重大课题。

主要树种立木生物量模型与碳计量参数在森林的深处，树木高高耸立，像一个个健壮的守护者。

说到树木，大家可能首先想到的是它们的美丽和庇荫。

但树木背后还有一个更为深奥的秘密，那就是它们的生物量模型和碳计量参数。

听起来有点复杂？别担心，咱们慢慢聊聊这事儿。

生物量模型，简单来说，就是用来估算树木所储存的生物质。

树木不光是高大挺拔，它们的每一片叶子、每一根枝条，甚至根系，都是它们生命力的体现。

想象一下，树木就像一个个储蓄罐，把阳光和养分都存起来，然后慢慢释放。

说到碳计量，这可是个大事儿。

树木通过光合作用，把二氧化碳吸收进来，转化为氧气，简单来说，它们在为我们的呼吸“打工”。

所以，树木越多，吸收的二氧化碳也就越多，咱们的空气自然也就越清新。

可树木的生物量到底怎么测量呢？这就涉及到一些专业的计算方法，比如树干直径、树高等等。

这些参数就像是树木的身份证，告诉我们它们的年龄、健康状况以及它们能够吸收多少二氧化碳。

你瞧，这些小小的数字背后，其实藏着的是生态平衡的秘密。

当我们深入这个话题时，树木的世界就像一个神秘的迷宫。

每一种树木都有它独特的生长习性，有的喜欢阳光，有的则偏爱阴凉。

比如，松树就像个阳光爱好者，直冲云霄；而榆树则比较稳重，扎根在土地里。

这些差异使得它们在碳计量上也表现得各有千秋。

有趣的是，不同的树种在吸收二氧化碳方面的效率也不一样。

科学家们通过建立生物量模型，可以预测每一种树种在不同环境条件下的生长情况，进而制定出更好的保护和管理措施。

树木的生物量和碳计量，不仅仅是科学研究的内容，它们也与我们日常生活息息相关。

想想看，城市里的公园、街道旁的绿树成荫，都是为了给我们提供更舒适的生活环境。

若是把这些树木砍掉，空气中的二氧化碳可就得不到有效的消化了。

就像我们的身体需要维生素一样，地球也需要树木来维持生态平衡。

树木越多，地球越健康，咱们的生活才会更美好。

在我们的生活中，常常可以见到一些树木。

无论是春天的繁花似锦，夏天的浓荫如盖，秋天的果实累累，还是冬天的银装素裹，树木都在以自己的方式装点着生活。

杉木人工林生物量估算模型的选择*李　燕　张建国**　段爱国　相聪伟(中国林业科学研究院林业研究所国家林业局森林培育重点实验室,北京100091)摘　要　采用11种形式的生物量模型,分别对杉木幼龄林(7年生)㊁中龄林(16年生)㊁成熟林(28年生)和不分林龄的单木各器官和全株生物量进行拟合,共得到生物量估算模型308个.结果表明:11种生物量模型均能较好地模拟杉木单木生物量,其中幂函数模型的拟合效果最优,其次为指数模型,然后为多项式模型;共选出估算杉木幼龄林㊁中龄林和成熟林各器官和全株生物量的最优模型21个(包括18个器官模型㊁3个全株模型),不分林龄的杉木单木各生物量的最优模型7个(包括6个器官模型㊁1个全株模型),均为幂函数模型;不同林龄的杉木单木生物量最优模型的通用性较差,而不分龄林的杉木单木生物量最优模型具有一定的通用性,精度较高,可用于估算不同林龄的杉木单木生物量.应用福建邵武杉木单木生物量模型对江西28年生的杉木成熟林单木各生物量的预测结果显示,不分林龄的大样本生物量模型精度较高,可在较大范围内应用,而区域小样本模型仅限于在区域小范围内应用.关键词　杉木人工林　生物量　估算模型文章编号　1001-9332(2010)12-3036-11　中图分类号　Q948.12;S718.55　文献标识码　A Selection of biomass estimation models for Chinese fir plantation.LI Yan,ZHANG Jian⁃guo,DUAN Ai⁃guo,XIANG Cong⁃wei (State Forestry Administration Key Laboratory of Forest Silvicul⁃ture ,Research Institute of Forestry ,Chinese Academy of Forestry ,Beijing 100091,China ).⁃Chin.J.Appl.Ecol .,2010,21(12):3036-3046.Abstract :A total of 11kinds of biomass models were adopted to estimate the biomass of single tree and its organs in young (7⁃year old),middle⁃age (16⁃year old),mature (28⁃year old),and mixed⁃age Chinese fir plantations.There were totally 308biomass models fitted.Among the 11kinds of biomass models,power function models fitted best,followed by exponential models,and then polynomial models.Twenty⁃one optimal biomass models for individual organ and single tree were chosen,including 18models for individual organ and 3models for single tree.There were 7optimal biomass models for the single tree in the mixed⁃age plantation,containing 6for individual organ and 1for single tree,and all in the form of power function.The optimal biomass models for the single tree in different age plantations had poor generality,but the ones for that in mixed⁃age plantation had a certain generality with high accuracy,which could be used for estimating the bio⁃mass of single tree in different age plantations.The optimal biomass models for single Chinese fir tree in Shaowu of Fujian Province were used to predict the single tree biomass in mature (28⁃year old)Chinese fir plantation in Jiangxi Province,and it was found that the models based on a large sample of forest biomass had a relatively high accuracy,being able to be applied in large area,whereas the regional models with small sample were limited to small area.Key words :Chinese fir plantation;biomass;estimation model.*国家 十一五”科技支撑计划项目(2006BAD24B03)资助.**通讯作者.E⁃mail:zhangjg@ 2010⁃04⁃06收稿,2010⁃09⁃22接受. 杉木(Cunninghamia lanceolata )是我国重要的速生用材树种.目前,杉木人工林面积已超过9.215×106hm 2,约占我国人工林总面积的28.54%[1].生物量指标既可表明人工林的经营水平和开发利用价值,又能反映人工林与其环境在物质循环和能量流动上的复杂关系,特别是在评价人工林调节全球碳平衡和减缓大气中CO 2等温室气体浓度上升等方应用生态学报　2010年12月　第21卷　第12期 Chinese Journal of Applied Ecology,Dec.2010,21(12):3036-3046面具有不可替代的作用.由于森林生物量的测定难度大,而且耗时费力,因此,确定一种行之有效而又能准确测定森林生物量的方法具有重要意义.生物量模型估算法是目前广泛采用的研究森林生物量的一种方法,它是利用林木易测因子(如胸径和树高)来推算林木生物量,从而减少野外工作量.虽然在建模过程中,需要测定一定数量的样木生物量数据,但模型一旦建立,就可以利用森林资源清查资料来估计同类林分的生物量,而且有一定的精度保证.特别是在大范围的森林生物量调查中,利用生物量模型能大大减小调查工作量[2].目前,可采用的生物量模型众多[3-6],包括线性模型㊁幂函数模型㊁多项式模型和指数函数模型等,模型中常用的自变量有胸径(D)㊁D2㊁树高(H)㊁DH和D2H等[7-10].对杉木林单木生物量模型优选时,目前所筛选的模型种类和自变量数目均不多,且多数研究仅局限于单个林龄[11-12],对整个杉木林生长过程中不同林龄生物量模型的研究较少,且在估算方式上多采用分器官估算的方法.如康冰等[13]采用以D2H为自变量的多项式模型,对广西13年生杉木林单木的叶㊁枝㊁干㊁皮和根生物量进行估测;邓秋香等[14]采用以D2H为自变量的多项式模型估算了广西大青山12年生杉木人工林的叶㊁枝㊁干㊁皮和根生物量,其决定系数在0.959~0.996,相关系数≥0.979.目前,对不同林龄杉木生物量的研究,多针对不同林龄分别优选生物量模型,未考虑模型的通用性[6,15],而对某一林龄的生物量最优模型是否适用于其他林龄及其预估精度如何㊁不同估算方法对生物量预测精度的影响㊁以及不同模型预测效果的差异及其相关影响因素等方面的研究鲜有报道.因此,本文基于福建和江西杉木幼龄林㊁中龄林和成熟林的生物量实测数据,选择常用的11种生物量模型和4种自变量形式,全面系统地对杉木不同林龄的单木各器官(叶㊁枝㊁干皮㊁去皮干㊁根蔸和根)和全株生物量模型,以及不分林龄的单木各器官和全株生物量模型分别进行优选,并对最优生物量模型的预测效果进行了比较,旨在为杉木人工林生物量的精确估算和碳储量的评价提供依据.1　研究地区与研究方法1.1　调查样地自然概况杉木生物量调查样地设置于福建卫闽林场和江西大岗山林区.福建省邵武市卫闽林场(27°5′N,117°43′E)地处武夷山北段中山山脉东南侧山区,为杉木的中心产区.地貌主要为低山㊁高丘,海拔250~700m,坡度25°~35°.该区属亚热带季风气候,年均气温17.7℃,1月平均气温6.8℃,7月平均气温28℃,极端低温-7.9℃,年日照时数1740.7h,年均霜期95d,最长可达132d,年均降水量1768mm,年均相对湿度82%.土壤以发育在花岗岩等母质上的红壤为主,土层较深厚,腐殖质含量丰富.江西省分宜县大岗山林区(27°30′ 27°50′N, 114°30′ 114°45′E)属罗霄山脉北端的武功山支脉.该区属亚热带季风湿润气候,年均温度15.8℃~17.7℃;7月平均温度28.8℃,日最高温度39.9℃;1月平均温度-5.3℃,日最低温度-8.3℃;年均日照时数1657h,最高2047h,最低1378h,日照百分率约37%;年均太阳总辐射486.6kJ㊃cm-2;年均蒸发量1503mm,最多1771mm,最少1274mm;年均降水量1591mm,最多2228mm,最少1070mm;年均无霜期265d.地带性土壤为低山丘陵红壤㊁黄壤及其亚类.1.2　研究方法2008年4月,在福建杉木幼龄林(7年生,密度2500株㊃hm-2)㊁中龄林(16年生,密度2500株㊃hm-2)和成熟林(28年生,密度分别为1650㊁3300㊁4450㊁5033和5267株㊃hm-2)样地(每个林型为1个区组,每个区组面积20m×30m,共计7个区组)内进行每木检尺,测量胸径和树高,以确定林分胸径径阶(采用2cm径阶距,上限排外法)范围,按照林分胸径径阶范围选取样木.幼林龄最小径阶为6cm (即5.0~6.9cm),最大径阶16cm(即15.0~16.9 cm),每个径阶采1~2株样木;中龄林与成熟林的胸径径阶范围分别为6~22cm和8~28cm,选取方法与幼林龄相同.共选取样木39株,详情如表1所示.伐倒样木,采用 分层切割法”[9-11]取样.叶生物量的测定:称量并记录每一伐倒木的鲜叶总质量,然后收集树冠上㊁中㊁下不同部位的鲜叶样品共0.5~1.0kg,准确称量并记录鲜叶样品质量.枝的采样方法与叶相同.带皮干的采样方法:将幼龄林样木的树干由其基部至树梢按1m长分为若干段,分段称量,记录带皮干的总鲜质量,然后在每分段的树干基部取5cm厚的圆盘,作为带皮干样品,并由树干基部至树梢将圆盘依次标号,分别称量并记录圆盘鲜质量.根和根蔸的采样:先将样木的根和根蔸全部挖出,去土,分别称量并记录鲜根的总质量和鲜根蔸的总质量,然后分别取代表性的样品730312期 李　燕等:杉木人工林生物量估算模型的选择 0.5~1.0kg,准确称量并分别记录鲜根和鲜根蔸的样品质量.将叶㊁枝㊁圆盘㊁根和根兜的鲜样品分别装入密封袋中,带回实验室烘干后称其干质量.中龄林和成熟林样木生物量采样与幼龄林基本相同,仅分段长度不同,为2m.2008年3月,在江西杉木成熟林(28年生,密度分别为1500㊁1567㊁2883㊁2967㊁3200㊁4267㊁4383和5033株㊃hm-2)样地(每个林型为1个区组,每个区组面积20m×30m,共计8个区组)内共选取样木24株(表1).样木选取方法和样品采集方法与福建生物量调查相同.1.3　测定方法将野外采集的各器官样品在烘箱中105℃烘至恒量[16],称其干质量,分别求各器官样品的干鲜质量比,然后将各器官鲜质量换算成干质量,即为单木各器官的生物量,单木的全株生物量为各器官生物量之和.1.4　数据处理应用SAS9.0®软件拟合杉木单木各器官和全株的生物量模型,并进行拟合效果检验和预测精度检验.本文选取11种常用的生物量模型(表2),以福建的生物量数据进行模型拟合,通过平均精度(average accuracy,AA)对不同林龄各生物量最优模型进行预测效果检验(检验数据源见表3),AA=1-∑(|实际值-估计值)/实际值|)/N samp×100%,AA值越接近1,说明模型预测效果越好,一般AA>80%,即说明该模型比较符合实际[17-18].表1　杉木人工林测定样木Tab.1　Sample trees of Chinese fir plantation地区Region林龄Stand age(a)林分密度Stand density(plant㊃hm-2)胸径DBH(cm)树高Tree height(m)地区Region林龄Stand age(a)林分密度Stand density(plant㊃hm-2)胸径DBH(cm)树高Tree height(m)福建725005.74.9 Fujian5.95.08.67.19.26.811.87.512.87.213.18.615.39.316.39.21625005.65.98.79.39.09.39.99.210.49.211.29.812.611.514.812.316.613.218.014.018.214.320.613.920.614.022.514.82850338.710.350339.112.2165010.513.2330012.514.3503312.716.4445013.717.8526714.816.5526715.718.0330016.616.6福建28503317.019.2 Fujian165019.517.0526719.919.5330021.918.2445022.821.1445026.522.7165027.820.2江西2843837.510.2 Jiangxi50338.011.828839.413.542679.513.1426711.112.8288311.414.5438313.513.4150014.615.4426715.415.0288316.015.9288317.215.7320017.217.0296719.716.4288320.017.8156721.918.7150022.017.7156724.021.1156724.116.8296725.819.9296726.120.1156727.521.4156727.522.3296729.121.7296730.223.28303 应　用　生　态　学　报 21卷表2　11种常用生物量模型Tab.2　11kinds of commonly used biomass models模型类型Model type 模型Model 自变量Independent variable幂函数W =aD b D Power function W =a (DH )bDHW =a (D 2H )b D 2H 多项式W =a +bD +cD2D PolynomialW =a +bD 2+cD 4D 2W =a +bDH +c (DH )2DHW =a +bD 2H +c (D 2H )2D 2H 指数函数W =aebD D ExponentialW =ae bD 2D 2functionW =ae bDHDHW =ae bD 2HD 2H D :胸径Diameter at breast height;H :树高Tree height;W :生物量Bio⁃mass.下同The same below.2　结果与分析2.1　不同林龄杉木人工林各生物量指标模型的拟合和优选以福建杉木实测生物量为因变量,D ㊁D 2㊁DH 和D 2H 为自变量,采用11种数学模型进行回归拟合,共得到杉木幼龄林㊁中龄林和成熟林单木各器官(样本数分别为9㊁14和16)和全株(样本数分别为9㊁14和16)生物量估算模型231个,以决定系数(R 2)和残差平方和(SSR)作为模型拟合效果评价指标.结果表明,231个生物量模型的R 2在0.751~0.994,SSR 在0.010~3419.383,F 检验达到极显著水平(P <0.01),表明杉木单木各生物量主要受D ㊁D 2㊁DH 或D 2H 的影响,但不同模型拟合效果的差异很大,其中,幂函数模型的R 2在0.751~0.993,SSR 在0.010~0.605,多项式模型的R 2在0.763~0.994,SSR 在0.765~3419.383,指数模型的R 2在0.691~0.959,SSR 在0.240~6.113.说明幂函数模型的拟合效果最优,其次为指数模型,最后为多项式模型.综合比较,选出杉木单木各器官和全株生物量最优模型21个(R 2在0.802~0.991,SSR 在0.010~0.520).从表4可以看出,杉木生物量最优模型均为幂函数模型,其中,生物量最优模型以D 为自变量的模型数占总模型数的48%,包括幼龄林的3个生物量最优模型(枝㊁干皮和去皮干)㊁中龄林的5个生物量最优模型(叶㊁枝㊁根蔸㊁根和全株)和成熟林的2个生物量最优模型(枝和根兜);生物量最优模型以DH 为自变量的模型数占总模型数的43%,包括幼龄林的2个生物量最优模型(叶和根蔸)㊁中龄林的2个生物量最优模型(干皮和去皮干)和成熟林的5个生物量最优模型(叶㊁干皮㊁去皮干㊁根和全株);幼龄林的根和全株生物量最优模型均为以D 2H 为自变量的幂函数模型,占总模型数的9%.2.1.1不同林龄杉木人工林最优模型拟合效果的比较　杉木幼龄林单木各器官和全株生物量最优模型的R 2在0.893~0.991,SSR 在0.010~0.192.其中,幼龄林单木叶和根蔸的生物量最优模型形式为W =a (DH )b ,R 2分别为0.949和0.915,SSR 分别为0.065和0.097,说明杉木幼龄林单木叶和根蔸的生物量主要受干形综合作用(DH )的影响,且叶生物量模型的拟合效果优于根蔸;枝㊁干皮和去皮干的生物量最优模型形式为W =aD b ,说明杉木幼龄林单木枝㊁干皮和去皮干的生物量主要受D 的影响,且拟合效果为去皮干最优,其次为干皮,枝生物量模型的拟合效果稍差;根和全株的生物量最优模型形式为W =a (D 2H )b ,R 2分别为0.893和0.991,SSR 分别为0.192和0.010,表明杉木幼龄林单木根和全株的生物量主要受干形综合作用(D 2H )影响,全株生物量模型的拟合效果优于根.杉木中龄林单木各器官和全株生物量最优模型表3　生物量模型的检验数据源Tab.3　Data sources for testing biomass models最优生物量模型Optimal biomass model 所建模型对福建单木的预测Prediction of models established by this research on single⁃tree in Fujian所建模型对江西单木的预测Prediction of models established by this research on single⁃tree in Jiangxi 所建模型与文献模型预测效果的比较Comparison between predictive effect of models established in this researchand that in references幼龄林Young plantation中龄林和成熟林Mature and middle⁃aged plantation 成熟林Mature plantation 江西成熟林Mature plantation in Jiangxi 中龄林Middle⁃aged plantation 幼龄林和成熟林Mature and young plantation 成熟林Mature plantation 江西成熟林Mature plantation in Jiangxi 成熟林Mature plantation 幼龄林和中龄林Middle⁃aged and young plantation 成熟林Mature plantation 江西成熟林Mature plantation in Jiangxi 不分林龄Mixed⁃age plantation-成熟林Mature plantation江西成熟林Mature plantation in Jiangxi930312期 李　燕等:杉木人工林生物量估算模型的选择 表4　不同林龄杉木人工林单木生物量估算优选模型Tab.4　Biomass optimal models for individual trees of Chinese fir plantations with different ages林龄Stand age器官Organ拟合方程Fitting equation决定系数R2残差平方和Sum of squared residuals7叶Leaf W=0.0075(DH)1.43670.949**0.0646 (n=9)枝Branch W=0.0210D2.08870.954**0.0473干皮Bark W=0.0175D2.04890.976**0.0231去皮干Stem without bark W=0.0617D2.13870.986**0.0145根蔸Root head W=0.0078(DH)1.34080.915**0.0967根Root W=0.0022(D2H)1.02560.893**0.1922全株Total single⁃tree W=0.0811(D2H)0.84720.991**0.0102 16叶Leaf W=0.0039D2.44570.853**0.4216 (n=14)枝Branch W=0.0070D2.13350.802**0.4607干皮Bark W=0.0074(DH)1.30560.986**0.0276去皮干Stem without bark W=0.0355(DH)1.27820.990**0.0187根蔸Root head W=0.0183D2.17590.931**0.1448根Root W=0.0068D2.30820.817**0.4887全株Total single⁃tree W=0.1606D2.12030.988**0.0219 28叶Leaf W=0.00003(DH)2.04250.918**0.3235 (n=16)枝Branch W=0.000043D3.96520.915**0.5205干皮Bark W=0.0013(DH)1.55710.958**0.0926去皮干Stem without bark W=0.0225(DH)1.36850.987**0.0220根蔸Root head W=0.0063D2.59010.899**0.2686根Root W=0.0006(DH)1.58400.952**0.1091全株Total single⁃tree W=0.0173(DH)1.49640.984**0.0326 **P<0.01.的R2在0.802~0.990,SSR在0.019~0.489.其中,中龄林叶㊁枝㊁根蔸㊁根和全株的生物量最优模型形式为W=aD b,说明杉木中龄林单木叶㊁枝㊁根蔸㊁根和全株的生物量主要受D影响,模型拟合效果优劣依次为全株>根蔸>叶>枝>根;干皮和去皮干的生物量最优模型形式为W=a(DH)b,R2分别为0.986和0.990,SSR分别为0.028和0.019,表明杉木中龄林单木干皮和去皮干的生物量主要受干形综合作用(DH)影响,且去皮干的生物量模型拟合效果优于干皮.杉木成熟林单木各器官和全株生物量最优模型的R2在0.899~0.987,SSR在0.022~0.520.其中,叶㊁干皮㊁去皮干㊁根和全株的生物量最优模型形式为W=a(DH)b,说明杉木成熟林单木叶㊁干皮㊁去皮干㊁根和全株的生物量主要取决于干形综合作用(DH),模型拟合效果优劣依次为去皮干>全株>干皮>根>叶;单木枝和根蔸的生物量最优模型形式为W=aD b,R2分别为0.915和0.899,SSR分别为0.520和0.269,表明D是杉木成熟林单木根蔸和枝生物量的主要影响因素,且根蔸生物量的拟合效果优于枝.杉木幼龄林单木各器官和全株生物量的最优模型形式包括W=aD b㊁W=a(DH)b㊁W=a(D2H)b,中龄林和成熟林最优模型包括W=aD b㊁W=a(DH)b.幼龄林单木各器官生物量最优模型的拟合效果依次为:全株>去皮干>干皮>枝>叶>根蔸>根;中龄林为:去皮干>全株>干皮>根蔸>叶>枝>根;成熟林为:去皮干>全株>干皮>根>根蔸>叶>枝.2.1.2杉木人工林不同器官和全株生物量最优模型拟合效果的比较　杉木幼龄林和成熟林单木叶的生物量最优模型形式为W=a(DH)b,R2分别为0.949和0.918,表明幼龄林和成熟林的单木叶生物量主要受干形综合作用(DH)的影响.杉木中龄林单木叶生物量的最优模型形式为W=aD b,R2为0.853,表明D是中龄林单木叶生物量的主要影响因素.杉木幼龄林㊁中龄林和成熟林的单木枝生物量最优模型形式均为W=aD b,其R2分别为0.954㊁0.802和0.915,SSR分别为0.047㊁0.461和0.520,表明D是影响杉木单木枝生物量的主要因素.杉木幼龄林单木干皮生物量的最优模型形式为W=aD b,而中龄林和成熟林单木干皮生物量的最优模型形式为W=a(DH)b,说明幼龄林单木干皮生物量主要受D的影响,而中龄林和成熟林则主要受干形综合作用(DH)的影响.杉木各林龄单木去皮干的生物量最优模型形式与相应的单木干皮相同.0403 应　用　生　态　学　报 21卷杉木幼龄林㊁中龄林和成熟林单木根的生物量最优模型形式分别为模型W=a(D2H)b㊁W=aD b和W=a(DH)b,其R2分别为0.893㊁0.817和0.952, SSR分别为0.192㊁0.489和0.109,表明杉木幼龄林㊁中龄林和成熟林单木根生物量分别受干形综合作用(D2H)㊁D和干形综合作用(DH)的影响,幼龄林单木根蔸的生物量最优模型为w=a(DH)b,而中龄林和成熟林单木根蔸的最优模型均为w=aD b.杉木幼龄林㊁中龄林和成熟林全株生物量的最优模型形式与相同的单木根相同,其R2分别为0.991㊁0.988和0.984,表明杉木幼龄林㊁中龄林和成熟林全株生物量分别受D2H㊁D和DH的影响.杉木各林龄全株生物量最优模型的SSR在0.010~0.033,表明全株生物量最优模型的估算误差非常小.杉木单木叶生物量最优模型在不同林龄间的拟合效果优劣依次为:幼龄林>成熟林>中龄林;枝㊁干皮㊁去皮干㊁根蔸和全株生物量拟合效果优劣顺序为:幼龄林>中龄林>成熟林;根生物量拟合效果优劣顺序为:成熟林>幼龄林>中龄林.2.2　不分林龄杉木人工林各器官和全株生物量模型的拟合和优选以39株福建杉木人工林单木的实测生物量为因变量,D㊁D2㊁DH和D2H为自变量,采用11种数学模型进行回归拟合,共得到不分林龄的杉木单木各器官和全株生物量估算模型77个(n=39).结果表明,77个不同生物量模型的R2在0.394~0.994, SSR在0.073~8624.905,F检验达到极显著水平(P<0.01),其中,幂函数模型的R2在0.394~ 0.990㊁SSR在0.073~5.606,多项式模型的R2在0.437~0.994㊁SSR在67.730~8624.905,指数模型的R2在0.410~0.929㊁SSR在2.490~26.018.说明幂函数模型的拟合效果最优,其次为指数模型,多项式模型的拟合效果相对较差.这与不同林龄杉木人工林各器官和全株生物量模型的拟合效果表现出相同规律.综合分析,共选出不分林龄的杉木单木各生物量最优模型7个(R2在0.624~0.990,SSR在0.074 ~3.533).从表5可以看出,杉木人工林各器官生物量的最优模型均为幂函数模型,其中,叶㊁枝㊁根蔸和根的生物量最优估算模型形式为W=aD b,模型拟合效果顺序为根蔸>根>叶>枝;去皮干的生物量最优估算模型形式为W=a(DH)b,R2为0.990, SSR为0.074,估算误差较小;干皮和全株生物表5　不分林龄的杉木人工林单木生物量估算优选模型Tab.5　Biomass optimal models for individual tree of Chi⁃nese fir plantations regardless of ages(n=39)器官Organ拟合方程Fitting equation决定系数R2残差平方和Sum ofsquaredresiduals 叶Leaf W=0.0115D2.08230.624**3.1280枝Branch W=0.0059D2.28000.638**3.5333干皮Bark W=0.0089(D2H)0.82260.965**0.2463去皮干Stem without bark W=0.0320(DH)1.30500.990**0.0737根蔸Root head W=0.0104D2.39010.920**0.5922根Root W=0.0073D2.31250.866**0.9954全株Total single⁃tree W=0.0930(D2H)0.80300.976**0.1596 **P<0.01.量的最优估算模型形式为W=a(D2H)b,全株生物量的拟合效果优于干皮.以往研究表明,不同类型模型对单木生物量的拟合效果均以幂函数最优[19-23].本文的拟合结果也证明,利用幂函数拟合杉木单木生物量的结果优于其他两类函数,且生物量模型的自变量主要与植物的自身形态关系密切[24-25].有研究者认为,D(或地径)是建立单木器官生物量模型的最佳自变量,增加H为自变量并不能使方程的R2升高[26-27].但也有研究显示,D2H与单木器官生物量的相关性最好[28-29].因此,树种㊁林龄或器官不同,模型所采用的自变量可能不同,如本文所建杉木生物量最优模型的自变量在不同林龄和器官间有所差异.2.3　杉木人工林最优生物量模型的通用性比较2.3.1所建模型对福建不同林龄杉木单木各生物量预测效果的比较　由表6可见,用本文所建的杉木单木各器官和全株生物量最优模型对福建不同林龄单木各生物量进行预测,结果表明,幼龄林各生物量最优模型对中龄林和成熟林直接预测的平均精度(AA)均低于80%;分器官预测中龄林和成熟林全株生物量的AA分别为80.38%和85.35%,比全株生物量最优模型的预测精度(69.13%和68.84%)高.可见,杉木幼龄林生物量最优模型无法直接对中龄林和成熟林各器官和全株生物量进行精确预测,但可分器官精确预测中龄林和成熟林全株生物量. 杉木中龄林生物量最优模型对幼龄林的干皮㊁去皮干和全株以及成熟林的去皮干和全株(分器官估算)生物量预测的AA分别为88.47%㊁91.08%㊁94.01%㊁90.65%和88.45%,表明杉木中龄林生物量最优模型可精确预测幼龄林的干皮㊁去皮干和全株以及成熟林的去皮干和全株生物量.杉木中龄林140312期 李　燕等:杉木人工林生物量估算模型的选择 表6　杉木人工林各器官和全株生物量最优模型的预测效果Tab.6　Predictive effect of optimal models for estimating organs’and total single⁃tree’s biomass of Chinese fir plantation林龄Stand age (a)采样地Samplingsite器官Organ拟合方程Fitting equation福建单木Single⁃tree in Fujian林龄Standage(a)平均精度Averageaccuracy(%)林龄Standage(a)平均精度Averageaccuracy(%)江西单木Single⁃tree in Jiangxi林龄Standage(a)平均精度Averageaccuracy(%)7福建叶Leaf W=0.0075(DH)1.436716-306.0928-804.2628-898.10 Fujian枝Branch W=0.0210D2.0887-90.77-176.68-159.60干皮Bark W=0.0175D2.048970.3263.7871.03去皮干Stem without bark W=0.0617D2.138773.8649.2552.54根蔸Root head W=0.0078(DH)1.340862.9616.31-6.98根Root W=0.0022(D2H)1.0256-23.17-81.62-83.00全株Total single⁃tree W=0.0811(D2H)0.847269.1368.8463.60全株Total single⁃tree分器官Sum of organs80.3885.3579.91 16福建叶Leaf W=0.0039D2.4457733.682843.072816.31 Fujian枝Branch W=0.0070D2.133537.5119.3324.04干皮Bark W=0.0074(DH)1.305688.4757.1259.72去皮干Stem without bark W=0.0355(DH)1.278291.0890.6585.29根蔸Root head W=0.0183D2.175972.7874.4564.41根Root W=0.0068D2.308272.1078.1580.35全株Total single⁃tree W=0.1606D2.120394.0176.8382.98全株Total single⁃tree分器官Sum of organs77.6988.4585.37 28福建叶Leaf W=0.00003(DH)2.042575.831642.632844.43 Fujian枝Branch W=0.000043D3.965220.1955.0359.63干皮Bark W=0.0013(DH)1.557151.1663.1883.29去皮干Stem without bark W=0.0225(DH)1.368588.2091.4089.97带皮干Stem分器官Sum of organs81.8791.4691.63根蔸Root head W=0.0063D2.590171.4780.3361.93根Root W=0.0006(DH)1.584028.5964.7382.91地下部分Underground分器官Sum of organs49.7275.8279.55全株Total single⁃tree W=0.0173(DH)1.496448.3180.5791.09全株Total single⁃tree分器官Sum of organs58.8286.8191.14 7,16,28福建叶Leaf W=0.0115D2.0823----284.54 Fujian枝Branch W=0.0059D2.2800--12.13干皮Bark W=0.0089(D2H)0.8226--82.33去皮干Stem without bark W=0.0320(DH)1.3050--87.01带皮干Stem分器官Sum of organs--89.89根蔸Root head W=0.0104D2.3901--65.74根Root W=0.0073D2.3125--77.89地下部分Underground分器官Sum of organs--76.90全株Total single⁃tree W=0.0930(D2H)0.8030--84.39全株Total single⁃tree分器官Sum of organs--86.73 23江西[6,30]叶Leaf W=0.000747(D2H)0.999921----2833.16 Jiangxi枝Branch W=0.000949(D2H)0.999958---0.63干皮Bark W=0.001661(D2H)1.000003--79.78去皮干Stem without bark W=0.010254(D2H)0.999885--89.55带皮干Stem分器官Sum of organs88.64 31湖南[12]叶Leaf W=0.000001572778(D2H)1.703205----289.24 Hunan枝Branch W=0.0000002667972(D2H)2.030493---169.75干皮Bark W=0.007748683(D2H)0.8740341--44.62去皮干Stem without bark W=0.006869125(D2H)1.080237--65.39带皮干Stem分器官Sum of organs63.51地下部分Underground W=0.03359604(D2H)0.7073087--62.84全株Total single⁃tree分器官Sum of organs--58.31 8,12,福建[31]叶Leaf W=0.1354D2.9235H-1.6995----28-17.59 16,20Fujian枝Branch W=0.0226D3.1427H-1.2466---16.15带皮干Stem W=0.0407D1.5228H1.0703--91.14地下部分Underground W=0.8911+0.1327D+0.0423D2--49.31全株Total single⁃tree分器官Sum of organs--82.88 2403 应　用　生　态　学　报 21卷全株生物量最优模型对幼龄林的预测效果优于分器官的预测效果,而对成熟林单木全株生物量的预测效果则为分器官预测优于全株生物量最优模型.杉木成熟林生物量最优模型可对福建幼龄林的去皮干(AA=88.20%)和中龄林的去皮干(AA=91.40%)㊁根蔸(AA=80.33%)㊁全株(直接预测和分器官估算的AA分别为80.57%和86.81%)生物量进行精确预测,而且对幼龄林和中龄林全株生物量分器官预测的效果优于成熟林全株生物量最优模型的直接预测效果.综上,杉木中龄林模型对福建幼龄林杉木单木各器官生物量预测的综合效果优于成熟林模型;成熟林模型对中林龄预测的综合效果优于幼龄林模型;中龄林模型预测成熟林的综合效果优于幼龄林模型.不同方法预测全株生物量时,仅中龄林全株生物量模型预测幼龄林全株生物量的预测效果优于分器官预测,其余均为分器官预测效果优于全株生物量模型的直接预测效果.2.3.2所建模型对江西成熟林杉木单木各生物量预测效果的比较　由表6可见,本文用所建的福建杉木单木各器官和全株生物量最优模型对江西成熟林单木各生物量进行预测,结果表明,幼龄林最优模型对江西成熟林各生物量预测的AA均低于80%,其中,对成熟林单木全株生物量分器官预测的AA为79.91%,比幼龄林全株生物量最优模型预测的AA (63.60%)高.表明杉木幼龄林生物量最优模型无法精确预测成熟林各生物量,但分器官预测成熟林单木全株生物量的效果优于全株生物量最优模型的直接预测效果.杉木中龄林生物量最优模型对江西成熟林去皮干和根生物量预测的AA分别为85.29%和80.35%,全株生物量直接预测和分器官估算的AA 分别为82.98%和85.37%.表明中龄林生物量最优模型可精确预测成熟林去皮干㊁根和全株生物量,且分器官预测成熟林单木全株生物量的效果优于全株生物量最优模型的直接预测效果.杉木成熟林生物量最优模型可对江西成熟林的干皮(AA=83.29%)㊁去皮干(AA=89.97%)㊁根(AA=82.91%)和全株(直接预测和分器官估算的AA分别为91.09%和91.14%)生物量进行精确预测.预测全株生物量时,成熟林最优生物量模型分器官的预测效果优于全株生物量最优模型.不分林龄的生物量最优模型对江西成熟林干皮和去皮干生物量进行预测的AA分别为82.33%和87.01%,全株生物量直接预测和分器官估算的AA 分别为84.39%和86.73%.分器官预测杉木成熟林单木全株生物量的效果优于全株生物量最优模型的直接预测效果.杉木幼龄林㊁中龄林㊁成熟林和不分林龄的各器官和全株生物量最优模型对江西成熟林单木各生物量预测的综合效果优劣依次为:成熟林模型>不分林龄的模型>中龄林模型>幼龄林模型.预测全株生物量时,分器官的预测效果优于全株生物量最优模型的直接预测效果.2.3.3所建模型和文献模型对江西成熟林杉木单木各生物量预测效果的比较　由表6可见,本文用文献[6,12,30-31]中模型对江西杉木成熟林单木生物量进行预测.结果表明,江西23年生杉木成熟林单木生物量模型[6,30]对江西杉木成熟林单木叶㊁枝㊁干皮和去皮干生物量预测的AA分别为33.16%㊁-0.63%㊁79.78%和89.55%,说明文献[6,30]中的模型仅能对江西杉木成熟林单木去皮干生物量进行精确预测,而且对江西杉木成熟林叶㊁枝㊁干皮和去皮干生物量预测的AA均低于本文所建成熟林单木生物量最优模型(AA分别为44.43%㊁59.63%㊁83.29%和89.97%).与本文所建的不分林龄的生物量最优模型相比,文献[6,30]模型对叶和去皮干预测的AA较高,对枝和干皮预测的AA较低.湖南31年生杉木成熟林单木生物量模型[12]无法精确预测江西杉木成熟林单木叶㊁枝㊁干皮㊁去皮干和地下部分生物量,其AA分别为9.24%㊁-169.75%㊁44.62%㊁65.39%和62.84%,均低于本文所建的成熟林单木生物量最优模型的平均预测精度(地下部分生物量AA为79.55%,由根蔸和根生物量估算求和所得),除叶外,该模型预测的AA均低于本文所建的不分林龄的生物量最优模型的平均预测精度(地下部分生物量AA为76.90%,由根蔸和根估算求和所得).福建不分林龄的杉木林单木生物量模型[31]对江西杉木成熟林单木叶㊁枝㊁带皮干㊁地下部分和全株(分器官)生物量预测的AA分别为-17.59%㊁-16.15%㊁91.14%㊁49.31%和82.88%,表明文献[31]模型可精确预测杉木成熟林的带皮干和全株生物量.文献[31]模型对江西杉木成熟林叶㊁枝㊁地下部分和全株(分器官)生物量预测的AA均低于本文所建杉木成熟林和不分林龄的单木生物量最优模型,对成熟林带皮干生物量的预测精度高于本文所建的不分林龄的单木生物量最优模型(AA= 89.89%,由干皮和去皮干估算求和所得),但低于340312期 李　燕等:杉木人工林生物量估算模型的选择 。

林分⽣物量测定园林⽣态综合实验调查报告-1城市森林林分⽣长调查和⽣物量估测吴怡上海交通⼤学农业与⽣物学院园林系2011年12⽉⼀、前⾔1、森林⽣物量测定的意义森林⽣物量是森林植物群落在其⽣命过程中所产⼲物质的累积量，是森林⽣态系统的最基本数量特征，森林⽣物量的测定是正确认识、管理和利⽤森林⽣态系统的前提，是研究许多林业问题和⽣态问题的基础，如森林碳储量计算、森林⽣产⼒的测定等。

2、林分尺度上林⽊⽣物量测定⽅法主要有皆伐实测法、标准⽊法、回归估算法等三种⽅法。

①皆伐实测法通过在⼩⾯积内所有乔、灌、草等皆伐，测定总⽣物量，进⽽推算出全林分⾯积的⽣物量，⽐较准确，但花时间和⼈⼯多，⼀般很少采⽤，仅适合灌、草所占⽐例较⼤的林分⽣物量的测定。

表达式为：i W SAW ∑=式中：A ——全林分⾯积 S ——皆伐林地⾯积W i ——所测⾯积内所有植物的⽣物量 W ——全林分⽣物量②标准⽊法指通过将以⼀定依据选择出来的标准⽊伐倒称重，然后⽤标准⽊的平均值乘以单位⾯积上的⽴⽊株数，从⽽计算出单位⾯积林分⽣物量总值。

表达式为：-=W N W式中：N ——单位⾯积上的⽴⽊株数 -W ——标准⽊⽣物量的平均值W ——单位⾯积上的林分⽣物量③回归估算法通过构建林⽊⽣物量模型，即反映树⽊各分量⼲重与其他测树因⼦之间内在关系的表达式，达到⽤树⽊的胸径、树⾼等易测因⼦的调查结果来估计不易测因⼦的⽬的。

主要分为线性模型、⾮线性模型、多项式模型，⾮线性模型应⽤最为⼴泛，其中相对⽣长模型最具有代表性，是所有模型中应⽤最为普遍的⼀类模型，本次估测即使⽤该类模型。

本次实验采⽤林⽊胸径（D ）、树⾼（H ）等测树因⼦建⽴林⽊⽣物量回归估计⽅程：W=aD b W=a(D 2H)b 式中：W ——林⽊⽣物量D ——林⽊胸径 H ——林⽊树⾼ a 、b ——回归常数3、⽔杉⼈⼯林碳储量在上海的重要性全球⽓候变暖已成为21世纪⼈类共同⾯临的严峻挑战，通过构建森林来实现间接减排，是⽬前应对⽓候变化最经济、有效的重要途径。

西伯利亚落叶松天然林立木生物量估算模型研究高亚琪;张绘芳;地力夏提·包尔汉;朱雅丽【摘要】[目的]构建西伯利亚落叶松地上、地下及各组分器官的生物量估测模型.[方法]基于54株伐倒样木实测数据,运用相关回归分析方法,构建西伯利亚落叶松各组分生物量估测模型,并对比分析各种模型估测精度.[结果]以胸径、树高构建的落叶松各组分二元估测模型优于一元模型,其中地上、树干、树冠和树枝生物量预估精度提高了2.84％～5.00％,而树叶和地下生物量仅提高了0.33％和0.15％.落叶松树干生物量和地上总生物量最优估测模型为W=aDbhc、树冠和树枝生物量最优模型为W=a(D3/H)b、树叶生物量最优模型为W=aDb;其中地上总生物量预估精度最高,达96.38％;树叶生物量预估最低,为84.07％;地下生物量以实测数据直接建模法与根茎比建模法对比,根茎比建模法预估精度高,其最优模型精度为90.50％.[结论]研究确定西伯利亚落叶松天然立木单株各组分生物量的最优估测模型,根据现地实测数据,可进行立木生物量估测,但人工落叶松立木生物量和天然落叶松不同林分的生物量估测还有待进一步研究.【期刊名称】《新疆农业科学》【年(卷),期】2016(053)004【总页数】8页(P655-662)【关键词】落叶松;生物量;模型评价【作者】高亚琪;张绘芳;地力夏提·包尔汉;朱雅丽【作者单位】新疆林业科学院现代林业研究所,乌鲁木齐830000;新疆林业科学院现代林业研究所,乌鲁木齐830000;新疆林业科学院现代林业研究所,乌鲁木齐830000;新疆林业科学院现代林业研究所,乌鲁木齐830000【正文语种】中文【中图分类】S718.52【研究意义】森林生物量指森林生态系统积累的植物有机物总量，是整个生态系统运行的能量基础和物质来源，它的测定为森林生态系统能量利用和养分循环提供了最基础的数据[1-3]。

构建西伯利亚落叶松(Larix sibirica)生物量估测模型对评价其森林生态系统生产力及其在碳平衡中的作用都具有重要意义。