-
单木模型通常以树木个体的生长信息为基础,从林木生长的竞争机制出发,模拟林分内不同大小树木的生长过程[1-2]。与林分和径阶水平模型相比,单木模型不仅能够提供较为详细的林分结构特征及动态变化信息,而且还是研究林木生长量、收获量以及生物量的重要基础,因此单木生长模型是定量研究林木自身生长过程及其对各种干扰过程响应机制的有效手段。根据模型中是否包含距离信息,单木生长可分为与距离有关和与距离无关模型[3],其中由于前者需要详细的距离信息,这极大程度上限制该类模型在林业生产中的应用,因此与距离无关的单木生长模型一直是国内外林业研究的重要内容。
传统研究认为林木直径生长主要受树木自身大小、竞争因子和立地条件的影响[1, 4-5]。但近些年来,国内外学者逐渐关注到物种多样性和林分空间结构特征对树木生长的影响。在物种多样性方面,Vannoppen等[6]发现林分物种多样性对北欧地区山毛榉(Fagus sylvatica Linn.)和夏栎(Quercus robur Linn.)直径生长量的贡献量分别为2%和21%;Wang等[7]研究表明中国东北地区近熟林和过熟林内分别有66.7%和64.3%的样地内生物量和木本植物多样性间存在显著相关性;Liang等[8]基于全球44个国家约77万个固定样地数据的研究结果表明:生物多样性与生产力间存在显著的正相关;谭凌照等[9]发现:在蛟河阔叶红松(Pinus koraiensis Sieb. et Zucc.)林中物种多样性均匀度指数与生产力显著负相关。在林分空间结构特征方面,汤孟平等[10]研究表明:较高聚集程度、年龄隔离度以及较低的最邻近竹株数和竞争指数均有利于增加毛竹(Phyllostachys edulis (Carr.) H.de Lehaie)林单位面积生物量;吕延杰等[11]研究表明:当红皮云杉(Picea koraiensis Nakai)和冷杉(Abies fabri (Mast.) Craib)处于随机分布时胸径生长量最大,且其随着混交度的增加而增加。总的来看,物种多样性与林分空间结构特征对单木直径生长的作用已得到广泛认同,但现阶段还鲜有将其整合到单木生长模型中的研究。
现阶段单木生长模型数据源主要包括2类,即固定样地复测数据[1-2, 4-5]和单木解析数据[12]。从统计学角度来看,2种数据均存在明显的嵌套效应(即区域→样地→单木)、空间自相关性以及时间自相关性等问题,这些均严重违背传统统计学模型中对数据正态性、独立性和方差齐性的要求[13],致使所建模型不能很好满足林业生产需要。与传统回归模型不同,混合模型只要求误差项为正态分布,而对模型误差项之间是否相互独立和是否等方差不做要求,所以混合模型能够处理更多类型的数据。目前,国内外学者采用混合模型对单木生长模型也进行了一些探索,如姜立春等[12]采用解析木数据建立了兴安落叶松(Larix gmelinii (Rupr.)Kuzen)单木直径和树高模型,但并未考虑林分变量、物种多样性和结构参数对生长的影响;彭娓等[4]基于固定样地复测数据建立了长白落叶松(Larix olgensis Henry)人工林的单木直径生长模型;王蒙等[5]则进一步考虑了抚育间伐对落叶松人工林单木直径生长的影响;祖笑锋等[14]采用解析木数据建立了美国黄松(Pinus ponderosa Dougl. ex Laws.)林分优势高生长模型。这些研究均表明,混合模型不仅能够大幅度提升模型的拟合效果,同时还能有效反应区域环境、林分、经营等变量对林木生长过程的潜在影响。
由于长期以来过度的人为采伐和严重的火灾干扰,当地顶级群落兴安落叶松林已逐渐退化为以兴安落叶松和白桦(Betula platyphylla Suk.)为主要优势树种的天然次生林,其结构、功能和生产力均与原始顶级群落存在显著差异。因此,通过建立该地区次生林中兴安落叶松单木直径生长模型,对揭示林木生长与林分因子、单木因子、物种多样性以及空间结构特征间的关系具有重要作用。为此,本研究以兴安落叶松天然次生林为研究对象,利用混合模型技术在传统单木生长模型基础上逐渐引入林分因子、单木因子、物种多样性以及林分空间结构参数,进而建立该地区兴安落叶松单木直径生长模型,为该地区次生林的有效恢复提供理论依据和技术支撑。
HTML
-
盘古林场(52°16′38″~52°47′04″ N、123°20′02″~124°21′40″ E)属于大兴安岭地区塔河林业局管辖,总经营面积15.2万hm2。该区属于大兴安岭中部伊勒呼里山北麓,年均气温−3℃,极端最低温和最高温分别为−53℃和36℃,平均生长季约100 d;地带性土壤为棕色针叶林土,其中土壤有机质、全氮和全磷平均含量分别为330.48 g·kg−1、7.01 mg·kg−1和81.24 g·kg−1[15];地带性植被为兴安落叶松,但现阶段主要为以兴安落叶松和白桦为主要树种的天然次生林,其伴生树种主要包括樟子松(Pinus sylvestris var. mongolica Litv.)、红皮云杉、山杨(Populus davidiana Dode)等。
-
在全面踏查基础上,于2011年7—8月份在盘古林场选择不同年龄、不同密度、不同立地条件的林分设置固定样地18块。各样地面积20 m × 30 m,采用相邻格网调查法,实测样地内直径 ≥ 5 cm树木的树种、胸径、树高、枝下高、冠幅、坐标以及状态等指标。每块样地按等断面积径级标准木法,将林木大小划分为5个等级,将各等级林木的平均胸径和树高作为选择解析木的标准,并进一步参考该样地树种组成在样地附近选伐样木。将解析木树干按1 m区分段进行区分,分别在胸高处(1.3 m)和各区分处截取3 cm厚圆盘,并在非工作面上标出南、北方向。在室内将圆盘的工作面刨光,并通过髓心分别画出东西、南北2条直线,进而采用200 dpi分辨率扫描成jpg图像。将图像导入WinDENDRO软件中,根据图像中早晚材色泽差异识别出各年轮具体位置,且要求各方向中识别出的年轮数必须严格相等,以各方向各年轮宽度的平均值作为该年龄下的平均直径。从18块样地中共收集兴安落叶松解析样木50株(其余40株均为其他树种)。林分和单木统计数据如表1所示。
组别
Group变量
Variable最小值
Min.最大值
Max.平均值
Mean标准差
Std.变异系数
C.V./%林分 Stand (n = 18) 平均胸径 Mean DBH/cm 7.00 14.80 10.96 2.04 18.64 平均树高 Mean HT/m 6.66 19.55 12.19 2.73 22.44 株数 Number/(trees·hm−2) 567.00 3850.00 1887.69 777.63 41.19 蓄积 Volume/(m3·hm−2) 144.66 646.67 366.71 136.06 37.10 郁闭度 Crown density 0.40 0.85 0.67 0.08 11.94 Margalef指数 Ma 0.19 0.87 0.54 0.20 36.82 Simpson指数 Sp 0.05 0.73 0.50 0.19 37.66 Shannon-Wiener指数 Sw 0.21 0.57 0.37 0.11 28.46 Pielow指数 Pw 0.25 1.41 1.02 0.30 29.14 混交度 M 0.03 0.48 0.25 0.11 45.36 大小比 U 0.42 0.53 0.50 0.02 3.73 角尺度 W 0.49 0.59 0.54 0.03 5.20 竞争指数 H 0.24 0.34 0.29 0.02 7.48 单木 Tree (n = 50) 年龄 Age/a 20.00 234.00 70.60 42.88 60.74 胸径 DBH/cm 6.50 38.80 16.44 7.34 44.66 树高 HT/m 6.10 26.00 14.64 4.16 28.42 冠幅 CW/m 0.70 2.88 1.69 0.51 30.08 冠长 CL/m 2.60 21.00 6.94 3.03 43.66 Note: DBH: diameter at breast height; HT: the height of tree; CW: crown width; CL: crown length; Ma, Sp, Sw and Pw are the diversity indexes of Margalef, Simpson, Shannon-Wiener and Pielow, respectively;U, M, W and H are respectively the indexes of neighborhood comparison, species mingling, uniform angle and competition. Table 1. Descriptive statistics of stand- and tree-level of natural Lari xgmelinii stand in Daxing′anling Mountains
-
由于树木直径生长通常具有典型的非线性特征,因此选用一些常用的非线性曲线作为备选模型,包括Mitscherlich方程、Logistic方程、Weibull方程、Gompertz方程、Schumacher方程、Korf方程、Hosfled方程以及Richards方程,各方程形式详见孟宪宇[3],此处不再赘述。根据模型参数估计值、拟合效果以及残差分布图等特征,确定适于描述天然落叶松单木直径生长过程的基础模型。考虑到树木所处环境会对林木直径生长产生影响,因此除将常规林分因子和单木因子加入到模型中外,本研究还尝试引入林分物种多样性、林分空间结构参数指标,对基础模型的参数进行再参数化处理。林分因子主要包括林分平均胸径(Dg)、平均树高(Hg)、株数密度(N)、郁闭度(Dc)等,单木因子包括胸径(DBH)、树高(HT)、冠幅(CW)、冠长(CL)等,物种多样性指标包括Margalef丰富度指数(Ma)、Simpson多样性指数(Sp)、Shannon-Wiener指数(Sw)、Pielow均匀度指数(Pw),林分空间结构指标包括混交度(M)、大小比(U)、角尺度(W)和Heygi竞争指数(H)。此外,还进一步考虑上述各变量间的组合及其变换形式(如对数、平方等)。各物种多样性指数和结构参数具体定义详见谭凌照等[9]和吕延杰等[11],此处不再赘述。
-
采用混合模型建立兴安落叶松单木直径生长模型,一是为通过引入随机因素而提高模拟精度,二是为了有效处理解析木数据中存在的异方差和时间自相关问题。根据Pinheiro等定义[13],非线性混合效应模型的基本形式为[13]:
式中:
$ {y}_{ij} $ 为第i棵树的第j次观测值;f()为含有参数向量$ {\varphi }_{ij} $ 和协变量$ {v}_{ij} $ 的函数;$ {A}_{ij} $ 为已知固定效应的设计矩阵;$ \beta $ 为未知的固定参数向量;$ {B}_{ij} $ 为已知随机效应的设计矩阵;$ {b}_{i} $ 为带有方差协方差结构矩阵的未知随机效应参数向量,其服从期望值为0、方差为D的正态分布;D为随机效应的协方差矩阵;$ {e}_{ij} $ 为服从正态分布(期望为0、方差为$ {\sigma }^{2}{R}_{i} $ )的误差项;Ri为第i株树木的方差协方差矩阵。因各样地解析木数量相对较少,因此本研究仅考虑单木水平的随机因子。对已确定的基础模型,构建混合模型时还需确定随机参数、方差协方差结构、时间序列结构以及异方差校正函数共4类参数[12-13]。对随机参数,通常认为所有参数都有成为随机效应参数的可能,因此可对不同随机参数的组合模型进行拟合,通过多项统计指标来评价模型拟合效果。对混合模型中的方差协方差结构,本研究检验林业上3种常用结构,即复合对称矩阵CS、对角矩阵UN(1) 和广义正定矩阵UN;为进一步提高模型拟合效果,采用复合对称结构CS、一阶自回归结构AR(1)、一阶自回归与滑动平均结构ARMA(1,1)以及高斯结构corGaussian来描述解析木数据中的时间序列相关性。采用指数函数varExp、幂函数varPower和常数加幂函数varConstPower来校正解析木数据中的异方差现象。各模型拟合优度通过赤池信息准则(AIC)、贝叶斯准则(BIC)和负对数似然值(−LL)来确定。此外,对不同参数个数的模型,还需进行似然比检验(LRT)以最终确定最优模型。
-
混合模型中包含固定参数β和随机参数bi两部分,其中固定效应参数与普通模型相同,而随机参数则需要根据模型拟合结果和检验数据重新计算,其具体公式为[13]:
式中:
$ \widehat{D} $ 为随机参数的方差协方差结构;$ {\widehat{Z}}_{k} $ 为第k棵树的设计矩阵;$ {\widehat{R}}_{k} $ 为误差项的方差协方差矩阵;$ {\widehat{e}}_{k} $ 为基础模型的误差项。各基础模型和混合效应模型的精度评价和检验均采用五折交叉检验法进行,即建模过程需采用全部样本数据,而检验过程则将数据随机分为5份,每份单独进行评价,以其平均值作为最终结果。各模型采用调整系数(Ra2)、平均绝对误差(Bias)和均方根误差(RMSE)3项指标进行评价和精度检验[4-5],其中R2越大越好,Bias和RMSE均越接近0越好。
-
分别采用S-Plus软件中的NLS模块拟合各基础模型,采用NLME模块拟合各混合效应模型;其余数据统计和图表绘制均采用EXCEL完成。
1.1. 研究区概况
1.2. 数据收集
1.3. 研究方法
1.3.1. 基础模型
1.3.2. 混合模型
1.3.3. 模型检验
1.3.4. 数据处理
-
在8种候选模型中,仅Mitscherlich、Schumacher、Logistic和Gompertz方程能够收敛,且各模型参数均能通过α = 0.05水平的显著性检验(表2)。虽然各项指标均显示Gompertz方程的拟合效果最好,但方差分析结果表明Mitscherlich方程和Gompertz方程间的差异不显著(P = 0.09),且在后续再参数化过程中也较难收敛,因此在综合评估各模型拟合优度、模型参数个数以及残差分布图后,选择Mitscherlich方程为大兴安岭地区兴安落叶松单木直径生长的最优基础模型。
编号
NO.模型
Model公式
Formulation参数估计值
Parameter estimation拟合优度
Goodness-of-fita b c 调整系数
Ra2平均绝对误差
Bias/cm均方根误差
RMSE/cmB1 Mitscherlich $y=a(1-\mathrm{E}\mathrm{x}\mathrm{p}(-b{t}\left)\right)$ 23.41 0.01314 0.6285 2.47 3.17 B2 Schumacher $y=a\mathrm{E}\mathrm{x}\mathrm{p}(-b/{t})$ 18.70 23.93 0.5897 2.77 3.38 B3 Logistic $y=a/(1+b\mathrm{E}\mathrm{x}\mathrm{p}(-c{t}\left)\right)$ 18.75 5.755 0.04191 0.6243 2.42 3.17 B4 Gompertz $y=aE\mathrm{x}\mathrm{p}(-b\mathrm{E}\mathrm{x}\mathrm{p}(-c{t}\left)\right)$ 21.92 2.232 0.02345 0.6302 2.39 3.14 注:y表示胸径,t表示年龄,a、b和c为待估参数;
Note:y is DBH, t is age, and a、b、c are the estimated parameters.Table 2. The parameter estimation and goodness-of-fit for the base models
对不同单木进行Mitscherlich式拟合,结果表明模型收敛率达到82.86%,可以有效反映所有建模样本的整体特征。Mitscherlich模型的参数a和b与林分变量、单木变量、物种多样性、结构参数的相关性分析(图1)。可以看出,参数a与林分变量中的平均树高(r = 0.5289)、单木变量中的胸径(r = 0.7871)、树高(r = 0.7962)和冠幅(r = 0.5264)均显著正相关,而参数b则仅与林分变量中的平均树高(r = −0.5042)显著负相关。为进一步揭示物种多样性和林分结构参数对直径生长的影响,结合相关性分析、变量共线性以及参数可获得性等问题,综合确定参数a的候选变量包括林分平均树高、单木胸径以及混交度和角尺度,而参数b的候选变量包括林分平均胸径、Pielow均匀度指数(与Sw指数的r = 0.7704)以及Heygi竞争指数,其中平均树高和单木胸径为参数a的固定选项,平均胸径为参数b的固定选项。
Figure 1. Relations between the parameters of Mitscherlich and the indices of stand-, tree-level, diversity and spatial structures
因候选变量个数较多,因此本研究采用相乘思想构造函数对Mitscherlich模型中参数a和b进行预测,具体形式如下:
式中:a0, a1, ···,aN为Mitscherlich模型参数a的待估系数,b0,b1,···, bN为Mitscherlich模型参数b的待估系数,N为候选变量个数,
$ {X}_{1}{,X}_{2},\cdots {,X}_{N} $ 分别为各候选变量。当加入林分和单木变量后,模型M0的拟合优度较基础模型B1显著增加约18%(以Ra2值为例,下同;表3)。对混交度、角尺度、Pielow均匀度以及竞争指数4个变量而言,当仅考虑1个变量时,Heygi竞争指数对模型的提升效果最为明显,其精度较模型M0显著增加约7.48%;当考虑2个指标时,混交度和Heygi竞争指数的组合使模型精度提升约10.95%;当考虑3个指标时,混交度&角尺度&Heygi组合的效果最佳(11.21%);当考虑4个指标时,模型拟合效果较M0增加约11.22%。方差分析结果表明:模型M0与B1、M4与M1、M6与M4、M14与M6均存在极显著差异(P < 0.0001),而模型M14与M15间的差异则不显著(P = 0.4157)。因此,在综合考虑各模型参数估计值、残差分布以及拟合优度等指标基础上,综合确定M14为兴安落叶松单木直径生长的最优广义模型,其具体形式为:
模型
Model参数a
Parameter a参数b
Parameter b拟合优度
Goodness-of-fit方差分析
ANOVAHg DBH M W Dg Pw H 调整系数
Ra2平均绝对误差
Bias/cm均方根误差
RMSE/cmB1 0.6285 2.47 3.17 M0 √ √ √ 0.7431 2.11 2.69 < 0.0001 M1 √ √ √ √ 0.7711 1.96 2.52 M2 √ √ √ √ 0.7453 2.11 2.68 M3 √ √ √ √ 0.7456 2.04 2.66 M4 √ √ √ √ 0.7987 1.92 2.43 < 0.0001 M5 √ √ √ √ √ 0.7984 1.84 2.39 M6 √ √ √ √ √ 0.8245 1.67 2.23 < 0.0001 M7 √ √ √ √ √ 0.7603 2.01 2.58 M8 √ √ √ √ √ 0.802 0 1.88 2.41 M9 √ √ √ √ √ 0.7912 1.83 2.40 M10 √ √ √ √ √ 0.8163 1.73 2.27 M11 √ √ √ √ √ √ 0.8257 1.68 2.22 M12 √ √ √ √ √ √ 0.8186 1.72 2.28 M13 √ √ √ √ √ √ 0.7984 1.82 2.38 M14 √ √ √ √ √ √ 0.8264 1.68 2.21 < 0.0001 M15 √ √ √ √ √ √ √ 0.8265 1.68 2.21 0.4157 注:√表示包含该参数;
Note: √ indicates that the variable was included.Table 3. Goodness-of-fit for diameter growth model with stand-level, tree-level, diversity and structure variables
式中:y(t)为第t年时树木的直径;DBH为解析木的胸径(伐倒时);其余变量如前所述。
-
在式5基础上,引入随机参数、方差协方差结构、异方差校正函数和时间序列结构等构造兴安落叶松单木直径生长的混合效应模型(表4)。对随机参数而言,仅有8种参数组合能够收敛;当考虑1个随机参数时,模型E2的AIC值最小(5628.26);当考虑2个随机参数时,模型E8的AIC值最小(5630.02),但较E2略有增加(△AIC = 1.76),且似然比检验结果表明模型E8与E2间的差异也不显著(P = 0.6276)。因此,将a1作为兴安落叶松单木直径生长混合效应模型的最优随机参数组合。
项目
Items模型
Model参数
Parameter参数个数
Parameter number赤池信息准则
AIC贝叶斯信息准则
BIC对数似然值
Log-likelihood似然比检验
LRTP值
P−value随机参数
Random parameterE1 None 9 8773.91 8824.23 −4377.96 E2 a1 10 5628.26 5684.17 −2804.79 3158.93 < 0.0001 E3 a2 10 5629.59 5685.50 −2804.79 E4 a3 10 5644.69 5700.61 −2812.35 E5 a4 10 5631.07 5686.99 −2805.54 E6 b1 10 5321.24 5377.15 −2650.62 E7 a1,a2 11 5630.26 5691.76 −2804.13 E8 a1,a4 11 5630.02 5691.53 −2804.01 0.2353 0.6276 E9 a3,a4 11 5632.58 5694.08 −2805.29 方差函数
Variance functionE10 幂函数 Power 11 5611.80 5673.31 −2794.90 18.4562 < 0.0001 E11 指数函数 Exp 11 5625.34 5686.85 −2801.67 E12 常数加幂函数
ConstPower12 5583.78 5650.88 −2778.89 30.0214 < 0.0001 时间序列结构
Autocorrelation structureE13 一阶自回归与滑动平均
ARMA(1,1)12 3108.50 3175.59 −1542.25 2505.31 < 0.0001 E14 高斯结构
corGaussian13 −426.16 −353.47 226.08 3536.65 < 0.0001 Table 4. Selection results of diameter growth model of natural Larix gmelinii stand when using mixed-effects regression techniques
鉴于模型E2中仅包含1个随机参数,本研究不再进行混合模型方差协方差结构的选择。3种异方差校正函数检测结果表明,常数加幂函数(模型E12)对异方差的校正效果显著优于幂函数(模型E10;P < 0.01)和指数函数(模型E11;P < 0.01)。但以常数加幂函数(模型E12)为基础构造的包含时间序列结构的混合效应模型均不能收敛,因此本研究选择次优的幂函数(即E10)为兴安落叶松单木直径生长混合效应模型的最适异方差校正函数。在模型E10基础上,进一步测试4种时间序列结构对模型拟合效果的影响,结果表明仅一阶自回归与滑动平均结构ARMA(1,1)和高斯结构corGaussian能够收敛,且corGaussian结构显著优于ARMA(1,1)结构(P < 0.01);模型E13与E14间的差异同样达到极显著水平(P < 0.01)。因此,将模型E14作为兴安落叶松单木直径生长的最优混合效应模型。
兴安落叶松单木直径生长基础模型、广义模型和混合模型的参数估计以及拟合结果如表5所示。除混合模型参数a0和b2
外(P = 0.076 4和0.0953),其余各参数均达到显著水平(P < 0.05)。3个模型统计结果表明:混合模型的Ra2分别较基础模型和广义模型增加约54%和17%,而平均绝对误差和均方根误差分别下降约72%、70%和59%、57%;混合模型不仅显著缩小了残差的范围,而且异方差现象也得到了显著削弱(图2),表明模型E14能够满足兴安落叶松单木直径预测的需求。 项目
Items参数
Parameter基础模型
Base model (B1)广义模型
General model (M14)混合模型
Mixed model (E14)固定参数
Fixed parametera or a0 23.41 (< 0.0001) 178.95 (< 0.0001) 11.70 (0.0478) a1 −0.001994 (< 0.0001) −0.5389 (0.0284) a2 −0.5328 (< 0.0001) 1.466 (0.0004) a3 0.7033 (< 0.0001) 0.4928 (0.0764) a4 0.1614 (< 0.0001) 0.3669 (0.0005) b or b0 0.01314 (< 0.0001) 0.005387 (< 0.0001) 0.05265 (0.0473) b1 1.1188 (< 0.0001) −1.068 (0.0003) b2 2.1024 (< 0.0001) −0.05710 (0.0953) 模型误差
Error variance$ {\sigma }^{2} $ 10.06 4.865 0.6647 随机参数
Random variance$ {\sigma }_{{\mathrm{a}}_{1}}^{2} $ 0.1854 方差函数
Variance function幂函数 Power −0.01106 时间序列结构
Autocorrelation structure范围 Range 2.143 块金值 Nugget 0.1000 拟合统计量
Goodness-of-fit确定系数 Ra2 0.6285 0.8264 0.9710 平均绝对误差 Bias/cm 2.47 1.68 0.69 均方根误差 RMSE/cm 3.17 2.21 0.94 Table 5. Parameter estimation and fitting results of base-, general- and mixed-model for natural Larix gmelinii stand
-
五折交叉检验结果表明,兴安落叶松单木直径生长混合模型的精度同样显著高于基础模型和广义模型(表6),能够满足林业生产的需要。结合表1,本研究假设林分平均胸径Dg = 10 cm, 林分平均高Hg = 12 m, 单木胸径DBH = 15 cm,角尺度W = 0.5,混交度M = 0.5以及林分平均竞争指数H = 0.3为一组基础的模拟情景,即在每次模拟中仅改变1个变量的值而保持其他不变。以混合效应模型E14的固定效应参数为基础,模拟结果表明单木直径生长量随林分平均胸径、平均树高以及竞争指数的增大而减小,但随着单木胸径、角尺度和混交度的增加而增加(图3)。整体来看,各变量对单木直径大小的贡献量(定义为各变量每增加1个单位时对应的胸径增长或减少量)依次表现为:混交度(+4.71 cm) > 角尺度(+3.62 cm) > 竞争指数(−0.73 cm) > 单木胸径(+0.45 cm) > 林分平均胸径(−0.34 cm) > 林分平均树高(−0.21 cm)。
模型
Model调整系数
Ra2平均绝对误差
Bias/cm均方根误差
RMSE/cm基础模型
Base model [B1]0.6273 2.52 3.25 广义模型
General model [M14]0.8577 1.92 2.14 混合模型
Mixed model [E14]0.9838 0.56 0.72 Table 6. Validation of base-, general- and mixed-model for natural Larix gmelinii stand in Daxing'anling Mountains