-
人工林是世界森林资源的重要组成部分。它在木材生产、改善环境和景观建设和减缓气候变化等方面发挥着重要作用。随着世界整体对自然森林的保护越来越强,人工林所承担的经济和生态压力越来越重[1]。我国是全球第二大木材消耗国,人工林的大规模建立支撑了我国现代林业的发展,其覆盖面积居世界第一,达7 954万hm²,2022年人工造林120.1万hm²,占全年总造林面积的31.4%[2]。但由于营林技术不规范,我国人工林仍然面临着结构混乱、质量低下、生态稳定性差和生态功能较弱等问题,不合理采伐和幼龄林超强度采伐现象依然普遍[3]。我国木材进口量仍是全球第一[4],人工林发展的一系列问题导致其无法满足木材刚性需求。人工林抚育是保障幼林成活、成林、成材的关键措施[5]。间伐与修枝是人工林抚育的重要手段,两项手段及其变化,如方式、强度、时机和地点等都直接作用到树冠结构[6],而树冠结构、大小等都通过影响林木光合作用和各器官生物量的分配从而改变林分生长[7]。合理的间伐和修枝通过调整林分和枝条间的密度,能优化林分结构,降低林木竞争压力,促进保留木和枝条的生长发育,缩短林木培育时间[8]。
桉树是桃金娘科(Myrtaceae)桉属(Eucalyptus)、伞房属(Corymbia)和杯果木属(Angophora)植物的统称,是国际上主要的速生人工林树种,其覆盖面积超过2 500万hm²。到2019年,我国桉树人工林已覆盖546.74万hm²的面积,在我国人工林总面积中居第三位[9]。它对维护我国国家战略木材安全、促进经济发展和维持生态平衡等方面作出了巨大贡献。尾巨桉(Eucalyptus urophylla × Eucalyptus grandis)是尾叶桉(Eucalyptus urophylla S.T. Blake)和巨桉(Eucalyptus grandis W. Mill ex Maiden)杂交种,有着干形好、生长发育迅速、抗逆性强的优点[10],在20世纪80年代在我国成功杂交获得尾巨桉后,其逐渐作为华南地区最主要的速生桉树杂交种之一[11]。现有不少研究表明,不同强度的间伐和修枝对尾巨桉人工林林分生长的影响有差异[12-13]。但这些研究多是单独研究间伐或修枝的效果,少有考虑间伐和修枝一并进行而产生的综合效应,对尾巨桉人工林培育的指导作用略显不足。鉴于此,本研究以尾巨桉无性系为研究对象,以4种不同强度的间伐和修枝组成16种处理,分析不同处理对尾巨桉人工林林分生长的影响,并对不同间伐和修枝及其交互效应进行综合评价,构建并充分验证尾巨桉林分生长增量指标对间伐和修枝响应的BP人工神经网络预测模型,为尾巨桉人工林的大径材培育提供科学合理的理论依据和实践参考。
-
图1展示了3种林龄下林分生长增量随间伐强度增加的变化趋势。样地胸径增量随着间伐强度的增大,呈先减少后增加的趋势,且此趋势随着林龄的增加变得越明显(图1A)。样地单株材积增量和树高增量的变化趋势与胸径增量变化趋势类似,不同的是不间伐的样地树高增量显著最高(图1B、D)。60%间伐在3.3、4.3和6 a这3个林龄阶段均有着显著最高的胸径增量(1.72、3.78和6.59 cm)和最高的单株材积增量(0.56、1.36和2.8 m3)。间伐均显著提高样地的冠幅增量,其中20%和60%间伐的提升效果比40%间伐更明显(图1C)。尾巨桉林分的出材量随着间伐强度的增大而减少,且出材量的减少程度随着林龄增加而显著增大。综上,间伐促进冠幅增长;随着间伐强度增大,胸径增量、树高增量和单株材积增量均有着先减小后增大的趋势,且这种趋势会随着林龄增加而变得更明显,说明40%及以上强度的间伐更有助于胸径和单株材积的增长,但至少在6.0 a内会显著降低出材量。
-
图2展示了修枝对林分生长增量的影响趋势。胸径、树高和单株材积增量随修枝强度的增大,均呈现先增大再减小,之后再增大的趋势(图2A、B、D)。38.18%修枝在林龄为3.3、4.3和6.0 a阶段均有着最高的胸径增量(1.76、3.67和6.25 cm)、树高增量(3.14、5.39和8.93 m)和单株材积增量(0.58、1.30和2.72 m3)。修枝显著降低了林分冠幅增量(图2C)。综合5张图来看,图2B、C的曲线比图2A、D、E波动更大,说明修枝对尾巨桉林分生长的影响主要体现在树高和冠幅上。38.18%修枝能促进尾巨桉胸径和树高生长,是最适宜尾巨桉6.0 a内林分生长的修枝强度,与不修枝相比,修枝对尾巨桉出材量没有影响,但显著降低了冠幅增量。
-
通过双因素方差分析中交互效应的显著性检验得出,间伐和修枝的交互效应对胸径有显著影响,对树高、冠幅和单株材积的影响极显著(表1)。交互效应的结果,以颜色色系冷暖程度来表示不同间伐和修枝处理后的尾巨桉人工林胸径、树高、冠幅和单株材积增量平均值,不同处理颜色具有差异则代表相应的处理差异明显(图3)。结果表明,60%间伐 + 48.18%修枝处理最能促进胸径(3.00 cm)和单株材积(1.16 m3)的增长,且显著优于其他所有处理(图3A、D)。就树高生长而言,不间伐情况下修枝的促进效果显著优于不修枝处理,其中不间伐 + 38.18%修枝最优(图3B)。间伐比修枝更有助于冠幅生长(图3C),其中增量最大的是20%间伐 + 不修枝。综合来看,60%间伐 + 48.18%修枝处理最能促进尾巨桉胸径和单株材积生长,对冠幅生长也有显著促进作用,是促进尾巨桉林分生长的最佳抚育方式。
方差分析项
Variance analysis factor自由度
Df均方误差
MSEF值
F-value显著性
Sig.胸径累积增量 DBHi/cm 9 8.90 2.075 0.031* 树高累积增量 Hi/m 9 56.31 6.432 0.006** 平均冠幅累积增量 Ci/m 9 2.450 5.244 0.000** 单株材积累积增量 Vi /m3 9 1.903 2.540 0.000** 注/Notes: “*”,p< 0.05; “**”,p<0.01 Table 1. Variance analysis table based on the interaction effect of thinning and pruning
-
图4A展示了不同时期4种间伐强度下尾巨桉各径阶株数占总株数的百分比。间伐前,各林分的尾巨桉株数高峰均位于径阶12 cm,不同的是与准备间伐的样地相比,对照林分有更多尾巨桉位于径阶10 cm(占32.37%)。3.3 a林龄时,尾巨桉径阶高峰均是14 cm,该径阶株数占比分别是44.53%(不间伐)、58.74%(20%间伐)、66.55%(40%间伐)和76.92%(60%间伐),所有林分的第二高峰均是12 cm,说明尾巨桉本身胸径早期生长发育迅速,间伐在短期内不足以对径阶分布产生影响。4.3 a林龄时,不同间伐强度的径阶分布高峰出现差异,不间伐和20%强度间伐径阶高峰均为14 cm,分别占37.41%和51.89%,第二高峰是16 cm,分别占35.25%和43.08%;40%和60%强度间伐分布结果则恰好相反,径阶高峰位于16 cm的分别占57.54%和70.36%,径阶位于14 cm的分别占36.49%和17.79%,依据图4A的初始径阶分布和表1的胸径增量多重比较,40%和60%间伐的径阶分布随林龄增加逐渐向右偏移,中径材占比有增多的趋势,并且60%高强度间伐下这种趋势更加明显。6 a林龄时,不间伐林分的径阶高峰为16 cm(占42.11%),间伐林分的径阶高峰都在18 cm,不同的是40%和60%间伐的第二高峰是20 cm,分别占15.08%和28.28%,20%间伐的第二高峰则是16 cm(占40.52%)。由此表明,间伐从长期来看均利于林分径阶分布右偏,高强度的间伐更有助于优化尾巨桉林分结构,促进林木胸径生长,60%强度间伐的效果最为明显。
-
图4B展示了修枝对尾巨桉径阶分布的影响。林分初始径阶分布高峰均位于12 cm,不修枝林分占比最高(85.77%)。4个时期不同修枝下尾巨桉径阶分布的高峰、第二高峰情况基本一致,说明修枝对尾巨桉径阶分布的影响程度远不如间伐强。差异出现在林龄6 a时,4种修枝强度林地径阶分布高峰均是18 cm,但不修枝的林地在该径阶占比最高(65.63%),比修枝林地高了约10%,而修枝林地尾巨桉位于20 cm和22 cm的径阶占比之和恰好比不修枝林地多出约10%,表明修枝从长期来看促进尾巨桉径阶分布右偏。综上,修枝利于尾巨桉胸径生长,效果不如间伐,不同强度的修枝对尾巨桉林分径阶分布的影响没有显著差异。
-
通过计算不同处理在同一径阶下分布比例的方差,以该径阶占比在不同处理下的离散程度来衡量受交互效应的影响程度[17],方差越大交互效应的影响程度越高。本研究中,8 cm和22 cm径阶在4个林龄下的方差很小,受交互效应影响程度很低,其他径阶受交互效应的影响均有不同程度的变异,因此有必要分析10 cm到20 cm共6个径阶受交互效应的影响(表2)。间伐前2.3 a林龄时,林木大多数径阶均位于12 cm(图5B)。3.3 a林龄时,林木径阶在10、12和14 cm均有分布,间伐强度越高,径阶位于14 cm的林木越多(图5A~C),60%间伐 + 48.18%修枝的样地林木位于14 cm的径阶占比最高(89.58%)。4.3 a林龄时,40%及以上的间伐样地林木径阶更多位于16 cm,40%以下的间伐样地则多数位于径阶14 cm,不间伐的样地林木仍有部分径阶位于10 cm和12 cm,而60%间伐 + 48.18%修枝的样地有47.06%的林木径阶位于20 cm(图5)。6 a林龄时,少数不间伐和20%间伐的样地径阶位于16 cm(图5D),40%间伐和60%间伐的样地林木多数径阶位于18 cm(图5E),在径阶20 cm的分布中,60%间伐 + 42.39%修枝处理的占比最高(50.00%,图5F)。综合图5来看,在林龄高于2.3 a时,间伐强度越大,样地林木位于更高径阶的占比越高,即与修枝相比,间伐更有助于尾巨桉林分径阶分布右偏。42.39%及以上的修枝强度与60%强度间伐相结合的样地林木胸径生长迅速,是优秀的人工林抚育措施。
林龄/a
Age of tree8个径阶在不同处理下占比的方差 8 cm 10 cm 12 cm 14 cm 16 cm 18 cm 20 cm 22 cm 2.3 0.000 0.019 0.027 0.000 0.000 0.000 0.000 0.000 3.3 0.000 0.005 0.016 0.022 0.001 0.000 0.000 0.000 4.3 0.000 0.001 0.004 0.034 0.023 0.014 0.014 0.000 6.0 0.000 0.000 0.000 0.000 0.038 0.054 0.015 0.000 Table 2. The variance of the proportions of the same diameter grade under different treatments
-
基于Matlab R2019b平台构建输入因子与林分生长增量因子的BP神经网络模型,模型参数设置如下:激活函数采用“tansig”(输入层)和“purelin”(输出层);训练函数为“traninbr”;网络学习速率net.trainParam.lr=0.05;允许训练最大步数为1 500;期望误差为0.000 1。训练集内部设置训练数据占80%,验证数据和测试数据占10%,对5种模型的训练性能评估结果见表3。
节点数
Number
of
neuron模型训练检验结果 Test results of BPNN trained 胸径增量
DBH increment树高增量
Tree height increment冠幅增量
canopy breadth increment单株材积增量
Volume increment per plantRMSE Kappa r RMSE Kappa r RMSE Kappa r RMSE Kappa r 1 0.754 0.735 0.927 1.276 0.648 0.903 0.706 0.205 0.167 0.321 0.753 0.926 2 0.762 0.732 0.926 1.243 0.701 0.908 0.684 0.258 0.265 0.321 0.756 0.927 3 0.757 0.745 0.927 1.223 0.707 0.911 0.649 0.322 0.398 0.318 0.759 0.928 4 0.749 0.748 0.928 1.203 0.711 0.914 0.606 0.386 0.518 0.305 0.786 0.932 5 0.742 0.755 0.929 1.217 0.707 0.912 0.589 0.416 0.555 0.309 0.779 0.931 Table 3. Trained performance results of BPNN with different number of hidden neurons
-
如表3所示,除了胸径增量训练效果最优的是隐含层节点数为5的BPNN,次优的节点数为4以外,其余增量因子最优的均是节点数为4的BPNN。BPNN训练冠幅增量的Kappa系数和相关系数小于其它因子,其中冠幅一致性等级明显低于其他因子。综上,BPNN对冠幅增量的训练效果不如其它林分生长增量因子。隐含层节点数为4的BPNN训练效果最佳,设最佳预测模型的隐含层神经元分别为M1、M2、M3和M4,训练在第430次时终止,此时根据权值矩阵和阈值矩阵结果确定传递函数。
输入层到隐含层的传递函数表达式为:
M1 = tansig(0.040 1XT + 0.457 5XP−2.340 4XA + 1.331 5);
M2 = tansig(−0.114 8XT + 0.009 3XP−1.033 2XA + 0.696 1);
M3 = tansig(2.583 1XT + 0.164 5XP−0..973 4XA + 2.489 9)。
M4 = tansig(−XT + 0.006 7XP−1.803 6XA−1.152 5)。
隐含层到输出层的传递函数表达式为:
DBHi= purelin(0.210 7M1−0.889 8M2−0.025 9M3−0.236 5M4−0.216 5);
Hi= purelin(0.068 2M1−0.541 1M2−0.167 2M3−0.280 1M4−0.240 9);
Ci=purelin(−0.288 7M1 + 0.460 9M2 + 0.153 1M3−0.154 6M4−0.794 3);
Vi= purelin(0.137 9M1−0.894 4M2−0.057 5M3−0.127 5M4−0.172 2);
最佳BPNN结构见图6:Lm1为输入层到隐含层的偏移量,Lm2为隐含层到输出层的偏移量。
将训练集中的20%用于模型仿真测试数据,上述模型的网络输出仿真值与训练集的实际值进行仿真比较,决定系数R2反映BP神经网络的仿真值对实际值的决定程度,其值越大说明内部仿真结果越准确。比较结果如图7所示。
Figure 7. Regression line of predicted and actual values of stand growth increment factor based on Bayesian regularization algorithm
从图7可以看出,观测值和训练值贝叶斯正则化算法线性方程拟合R2为0.950 4,说明该模型在拟合程度较高,可以解释95.04%的训练值增量因子变异。将7 a林龄的数据用于模型预测性能验证数据,以模型的网络输出预测值与不同间伐和修枝处理的数据平均值进行比较,以模型训练评估参数用于模型预测性能检验,结果如表4所示。
检验指标 RMSE Kappa r 胸径增量 DBH increment 0.553 0.714 0.735 树高增量 Tree height increment 0.581 0.387 0.829 单株材积增量 Volume increment per plant 0.632 −0.063 0.120 综合评价 Comprehensive assessment 0.591 0.782 0.979 注:综合评价指将三种调查数据整合到一起进行检验
Note: Comprehensive evaluation refers to the integration of three kinds of survey data for testingTable 4. Test results of BPNN predicted
由表4又得知,BPNN模型对胸径和综合评价的预测结果很好,而对树高和单株材积的预测结果较差,可能因为第84个月仅调查少部分尾巨桉的树高,而调查了林地绝大多数尾巨桉的胸径,导致树高数据量远小于胸径数据量,低于大样本统计的要求,由此可得,该模型至少可以对超过训练样本林龄12个月内的尾巨桉胸径增长进行有效预测。综上,具有4个隐含层神经元节点数的BPNN模型是较为理想的尾巨桉林分生长增量对间伐和修枝的响应模型,可有效预测7年内的尾巨桉林分生长。
Analysis and Prediction of Eucalyptus urophylla × E. grandis in Response to Thinning and Pruning
- Received Date: 2023-04-21
- Accepted Date: 2024-01-17
- Available Online: 2024-04-27
Abstract: