【計(jì)量指南】中國森林生態(tài)系統(tǒng)碳儲量-生物量方程

“十三五”國家重點(diǎn)出版物出版規(guī)劃項(xiàng)目中國陸地生態(tài)系統(tǒng)碳收支研究叢書“十三五”國家重點(diǎn)出版物出版規(guī)劃項(xiàng)目中國陸地生態(tài)系統(tǒng)碳收支研究叢書中國森林生態(tài)系統(tǒng)碳儲量——生物量方程P2011年，中國科學(xué)院啟動了“應(yīng)對氣候變化的碳收支認(rèn)證及相關(guān)問題”A類戰(zhàn)略灌叢、草地、農(nóng)田等主要生態(tài)系統(tǒng)進(jìn)行了大規(guī)模的調(diào)查和研究，取得了一系列重要成果，為支撐國家應(yīng)對氣候變化提供了科學(xué)數(shù)據(jù)，也提高了我國在碳收支等研究領(lǐng)域的國際影響力和話語權(quán)。項(xiàng)目組主要依托項(xiàng)目五組織編撰了“中國陸地生態(tài)系統(tǒng)碳收支研究叢書”。叢書獲得國家出版基金資助，共有以下7個分冊：◆中國生態(tài)參數(shù)遙感監(jiān)測方法及其變化格局◆中國森林生態(tài)系統(tǒng)碳儲量——動態(tài)及機(jī)制◆中國灌叢生態(tài)系統(tǒng)碳收支研究◆中國常見灌木生物量模型手冊◆中國草地生態(tài)系統(tǒng)碳收支研究◆中國陸地生態(tài)系統(tǒng)增匯技術(shù)途徑及其潛力分析科學(xué)出版社生物分社銷售分類建議：生物學(xué)；地球科學(xué)生命因你而精彩!定價(jià)：98.00元“十三五”國家重點(diǎn)出版物出版規(guī)劃項(xiàng)目中國陸地生態(tài)系統(tǒng)碳收支研究叢書中國森林生態(tài)系統(tǒng)碳儲量——生物量方程周國逸尹光彩唐旭利等著本書是“中國陸地生態(tài)系統(tǒng)碳收支研究叢書”的一個分冊，根據(jù)全國7800個典型森林生態(tài)系統(tǒng)樣地的野外實(shí)測數(shù)據(jù)，對收集到的國內(nèi)已發(fā)表的生物量方程進(jìn)行賦值，并運(yùn)用最小二乘支持向量機(jī)(LSSVM)對文獻(xiàn)中方程進(jìn)行迭代優(yōu)化，擬合出涵蓋省(自治區(qū)、直轄市)和全國兩種尺度優(yōu)勢樹種[W=aD和W=a(D2H5]的生物量方程，并運(yùn)用樣地標(biāo)準(zhǔn)木實(shí)測數(shù)據(jù)對各類方程進(jìn)行檢驗(yàn)，估算誤差在10%以內(nèi)。本書是我國第一本系統(tǒng)科學(xué)地運(yùn)用統(tǒng)一的方法構(gòu)建森林生物量估算方程的著作。本書可供從事森林資源計(jì)量與監(jiān)測的科技人員及從事林業(yè)科研教學(xué)的圖書在版編目(CIP)數(shù)據(jù)中國森林生態(tài)系統(tǒng)碳儲量：生物量方程/周國逸等著.—北京：龍門書局，(中國陸地生態(tài)系統(tǒng)碳收支研究叢書)國家出版基金項(xiàng)目“十三五”國家重點(diǎn)出版物出版規(guī)劃項(xiàng)目I.①中…Ⅱ.①周…Ⅲ.①森林生態(tài)系統(tǒng)-碳-儲量-研究-中國中國版本圖書館CIP數(shù)據(jù)核字(2018)第128513號責(zé)任編輯：王靜李迪/責(zé)任校對：鄭金紅責(zé)任印制：肖興/封面設(shè)計(jì)：北京銘軒堂廣告設(shè)計(jì)有限公司郵政編碼：100717http://www.sciencep*中國陸地生態(tài)系統(tǒng)碳收支研究叢書總主編方精云于貴瑞于貴瑞方精云白永飛吳炳方周國逸唐志堯謝宗強(qiáng)周國逸尹光彩唐旭利溫達(dá)志劉昌平曠遠(yuǎn)文王萬同序森林生物量是陸地生態(tài)系統(tǒng)碳計(jì)量與監(jiān)測的核心內(nèi)容。生物量的估算在很大程度上依賴于生物量方程，生物量方程已成為評價(jià)森林生態(tài)系統(tǒng)碳匯功能的關(guān)鍵手段之一。像中國這樣一個在地理(經(jīng)度、緯度)和氣候(水分、熱量)方面跨度大的國家，開展全國森林生物量的監(jiān)測和評估，建立適合于全國和不同省(自治區(qū)、直轄市)范圍的森林生物量估算方程將成為必然趨勢。2011～2015年，中國科學(xué)院“應(yīng)對氣候變化的碳收支認(rèn)證及相關(guān)問題”科技先導(dǎo)專項(xiàng)研究課題組對主要自然生態(tài)系統(tǒng)——森林、灌叢、草地進(jìn)行了全國性的大規(guī)模樣地調(diào)查。這是一次真正從生態(tài)學(xué)視角來準(zhǔn)確弄清我國陸地生態(tài)系統(tǒng)碳庫具體狀況的工作。該項(xiàng)研究的目的是評估生態(tài)系統(tǒng)全組分(包括喬木地上、地下部分，林下灌木、草本植物，林地凋落物和礦質(zhì)土壤)的碳儲量，為制定國家尺度森林碳管理政策措施提供依據(jù)，更重要的是為碳循環(huán)研究提供了統(tǒng)一的調(diào)查規(guī)范、研究平臺和基礎(chǔ)數(shù)據(jù)。本書正是這項(xiàng)研究的一項(xiàng)重要成果，將為我國開展大尺度碳庫和碳通量的估算及森林碳動態(tài)變化的研究等工作提供基礎(chǔ)。本書也是我國第一本系統(tǒng)科學(xué)地運(yùn)用統(tǒng)一的方法構(gòu)建森林生物量估算用統(tǒng)一的方法估算森林生態(tài)系統(tǒng)生物量不僅是生態(tài)學(xué)者、林業(yè)科技工作者的期望，也是國際社會對碳進(jìn)行計(jì)量和交易，落實(shí)低碳發(fā)展相關(guān)政策的需要。因此，我們相信本書的出版十分及時，必定會更進(jìn)一步地促進(jìn)我國生態(tài)學(xué)科的發(fā)展，也會對國際森林生物量估算方法體系的建立做出貢獻(xiàn)。本書著重于森林生物量估算方程的理論、方法、數(shù)據(jù)來源、估算精度及應(yīng)用等內(nèi)容，希望今后在森林生物量的其他研究方向有類似的專著問世。1975)。陸地植被碳庫，即地上部分和地下部分有機(jī)物質(zhì)的總和，可以通過植被生物量進(jìn)行估算，因此，構(gòu)建適宜、準(zhǔn)確的生物量估算方程是評估植被碳儲量和生產(chǎn)力的前提，也是研究森林生態(tài)系統(tǒng)結(jié)構(gòu)和功能的基礎(chǔ)，對深入研究森林生態(tài)系統(tǒng)包括碳氮水循環(huán)在內(nèi)的各種生物地球化學(xué)循環(huán)、評估森林生產(chǎn)力和制定碳管理政策等方面的工作具有重要意義。此外，森林生物量是陸地生態(tài)系統(tǒng)碳計(jì)量與監(jiān)測的核心內(nèi)容(IPCC,2006;張小全等，2010),也是評估森林生態(tài)系統(tǒng)固碳潛力的關(guān)鍵參數(shù)之一，已經(jīng)成為生態(tài)學(xué)和全球變化研究中的重要課題。森林生物量的研究一直受到人們重視，經(jīng)歷了從20世紀(jì)中后期的國際生物學(xué)計(jì)劃IGBP)到最近的全球森林碳平衡再評估等發(fā)展歷程(LiethandWhittaker,1975;Panetal.,2011)。有關(guān)全球陸地生態(tài)系統(tǒng)植被碳庫的估算值已有很多報(bào)道，但由于估算方法(如生物量方程類型、假設(shè)條件、參數(shù)賦值)、地理地質(zhì)和氣候(立地條件、植被類型)、經(jīng)營管理措施等方面的差別，不同文獻(xiàn)的估算結(jié)果或結(jié)論差異很大，難以比較。我國地域遼闊，氣候和地理地質(zhì)差異迥然，社會經(jīng)濟(jì)發(fā)展不平衡等，在諸多因素影響下形成了復(fù)雜而多樣的森林生態(tài)系統(tǒng)類型，這無疑加大了生物量估算的難度和不確定性。從以往的森林生物量研究來看，除了國家林業(yè)局組織實(shí)施的國家森林資源連續(xù)清查工作外，大多數(shù)有關(guān)森林生物量的研究只針對區(qū)域典型森林植被或生態(tài)系統(tǒng)，缺乏統(tǒng)一的方法和技術(shù)規(guī)范，時間和空間尺度也不一致，導(dǎo)致區(qū)域乃至全國尺度上森林生物量的估算結(jié)果差異大，缺乏可比性。國家森林資源清查資料主要為樹干材積或蓄積量，估算精度高，但僅僅基于材積或蓄積量，通過擬合設(shè)定換算系數(shù)來估算生物量和碳儲量是不夠的。因此，迫切需要采用相對統(tǒng)一、規(guī)范的方法和技術(shù)規(guī)范，在對全國主要森林生態(tài)系統(tǒng)全面調(diào)查的基礎(chǔ)上，結(jié)合長期實(shí)驗(yàn)和歷史數(shù)據(jù)，集成分析與整理，整合并構(gòu)建國家、省(自治區(qū)、直轄市)層面上的森林生態(tài)系統(tǒng)生物量估算方程，實(shí)現(xiàn)對我國森林生態(tài)系統(tǒng)碳匯現(xiàn)狀、固碳潛力和速率的準(zhǔn)確估算，為我國在國際環(huán)境外交談判中爭取更多的主動權(quán)，并為指導(dǎo)各區(qū)域進(jìn)行面向碳匯功能的森林經(jīng)營管理實(shí)踐提供科技支撐和服務(wù)。生物量方程是準(zhǔn)確估算陸地植被生物量的主要方法之一。本書在收集已經(jīng)發(fā)表文獻(xiàn)中喬木生物量方程的基礎(chǔ)上，旨在用統(tǒng)一的標(biāo)準(zhǔn)和方法構(gòu)建一套完整、簡單實(shí)用的估算喬木生物量的方程體系，為更好地進(jìn)行生物量估算、預(yù)測及森林固碳研究奠定基礎(chǔ)。本書是中國科學(xué)院“應(yīng)對氣候變化的碳收支認(rèn)證及相關(guān)問題”科技先導(dǎo)專項(xiàng)“生態(tài)系統(tǒng)固碳現(xiàn)狀、速率、機(jī)制和潛力”項(xiàng)目之課題"中國森林生態(tài)系統(tǒng)固碳現(xiàn)狀、速率、機(jī)制和潛力"(簡稱"森林課題”)(XDA05050200)的重要研究成果之一，也是所有參與課題的專家及工作人員這幾年來辛勤工作的體現(xiàn)。在編排上，全書共分為6章，從必要性、理論依據(jù)、數(shù)據(jù)來源、研究結(jié)果、發(fā)展方向和趨勢等方面進(jìn)行闡述，遵循科學(xué)研究的結(jié)構(gòu)和流程，便于讀者閱讀和參考。第1章主要介紹生物量方程構(gòu)建的目的、意義及必要性和研究思路，由唐旭利(中國科學(xué)院華南植物園)、尹光彩(廣東工業(yè)大學(xué))、溫達(dá)志(中國科學(xué)院華南植物園)撰寫。第2章主要介紹森林生物量估算方法，以及選擇森林生物量方程構(gòu)成形式的依據(jù)，由尹光彩、唐旭利、溫達(dá)志、曠遠(yuǎn)文(中國科學(xué)院華南植物園)撰寫。第3章主要介紹主要生物量方程構(gòu)建及檢驗(yàn)的方法，由尹光彩、劉昌平(廣東科學(xué)技術(shù)職業(yè)學(xué)院)、唐旭利撰寫。第4章主要介紹構(gòu)建不同區(qū)域和樹種生物量方程的理論依據(jù)及其數(shù)據(jù)來源，由尹光彩、溫達(dá)志、唐旭利、曠遠(yuǎn)文撰寫。第5章主要介紹分省(自治區(qū)、直轄市)、分樹種生物量方程及其適用范圍評價(jià)與不確定性，由尹光彩、唐旭利、王萬同(河南師范大學(xué))撰寫。第6章結(jié)語，主要由唐旭利、王萬同、曠遠(yuǎn)文撰寫。本書為分樹種、器官估算生物量提供了一種簡單實(shí)用的方法，以及一系列在科研、生產(chǎn)實(shí)踐中可應(yīng)用的生物量估算方程。本書由周國逸研究員統(tǒng)稿。在本書編寫過程中得到了國家林業(yè)局、“森林課題”課題組等相關(guān)單位或領(lǐng)域科學(xué)家的精心指導(dǎo)和熱情幫助，在此對編撰人員一并表示衷心的感謝!最后，借此機(jī)會向所有幫助、支持和關(guān)心我們的同行及課題全體成員致以衷心的感由于著者水平有限，書中不足之處在所難免，敬請讀者予以指正和賜教。序前言 1.1研究目的、意義 1.2構(gòu)建生物量方程的必要性 1.3研究思路 5第2章樹木異速生長與生物量 62.1森林生物量估算方法 62.1.1生物量模型 62.1.2生物量估算參數(shù) 72.2選擇生物量方程構(gòu)成形式的依據(jù) 82.2.1胸徑-樹高異速生長關(guān)系 82.2.2立木生物學(xué)特性與分形幾何理論 9第3章生物量方程的構(gòu)建與檢驗(yàn)方法 3.1生物量方程的構(gòu)建方法 3.1.1數(shù)據(jù)篩選與統(tǒng)計(jì)方法 3.1.2數(shù)據(jù)預(yù)處理 3.1.3數(shù)據(jù)挖掘流程 3.1.4機(jī)器學(xué)習(xí) 3.1.5支持向量機(jī) 3.2生物量方程的檢驗(yàn)方法 3.2.1標(biāo)準(zhǔn)木實(shí)測數(shù)據(jù)檢驗(yàn) 3.2.2臺站數(shù)據(jù)檢驗(yàn) 3.2.3與一元立木生物量表估算結(jié)果對比 3.2.4地上、地下生物量關(guān)系(根莖比) 第4章生物量方程的構(gòu)建依據(jù)及數(shù)據(jù)來源 4.1構(gòu)建依據(jù) 4.1.1中國森林生態(tài)系統(tǒng)生物量方程的構(gòu)建依據(jù) 4.1.2群系分徑級混合種(組)生物量方程的構(gòu)建依據(jù) 4.1.3全國優(yōu)勢種(組)生物量方程的構(gòu)建依據(jù) 334.2數(shù)據(jù)來源 4.2.1野外實(shí)測數(shù)據(jù) 4.2.2文獻(xiàn)方程數(shù)據(jù) 4.2.3聯(lián)網(wǎng)監(jiān)測數(shù)據(jù) 第5章中國主要優(yōu)勢樹種生物量方程及評價(jià) 405.1生物量方程 5.1.1分省(自治區(qū)、直轄市)分樹種生物量方程 405.1.2分省(自治區(qū)、直轄市)混合種(組)生物量方程 5.1.3全國優(yōu)勢種(組)生物量方程 5.1.4中國森林主要群系生物量方程 5.2生物量方程評價(jià) 5.2.1生物量方程W=aD°中的系數(shù)b 815.2.2本研究中生物量方程M=aD°中系數(shù)a隨b的變化 5.2.3生物量方程適用范圍評價(jià) 5.2.4生物量方程估算精度評價(jià) 5.3生物量方程的不確定性 5.3.1運(yùn)用生物量方程估算生物量的不確定性 5.3.2我國森林主要樹種生物量 6.1主要結(jié)論 6.2問題和展望 附錄一數(shù)據(jù)擬合源程序 附錄二優(yōu)化迭代過程及結(jié)果示例 面對全球氣候變化及日益突出的環(huán)境問題，森林生態(tài)系統(tǒng)碳貯存等服務(wù)功能已成為研究熱點(diǎn)。作為評價(jià)森林服務(wù)功能的主要指標(biāo)之一，森林生物量研究越來越受到重視。樹木異速生長規(guī)律理論的提出為通過胸徑(D)和樹高(H)等測樹因子估算其生物量提供了可能。本研究基于文獻(xiàn)發(fā)表的生物量方程，采用統(tǒng)一的方法和技術(shù)規(guī)范建立了一套適合用于全國、省(自治區(qū)、直轄市)尺度，涵蓋我國主要森林類型、優(yōu)勢樹種(或樹種組)的生物量估算方法體系和生物量估算方程。根據(jù)“森林課題”獲取的標(biāo)準(zhǔn)木實(shí)測數(shù)據(jù)，對各類生物量方程的估算結(jié)果進(jìn)行檢驗(yàn)，確保估算精度可信。森林具有生物量、生產(chǎn)力巨大和碳含量高等優(yōu)點(diǎn)，是陸地生物圈的主要碳儲存庫，在全球碳循環(huán)和應(yīng)對氣候變化中具有重要作用。因此，準(zhǔn)確估算樹木和森林生物量是評估并追蹤森林碳庫現(xiàn)狀及其變化速率，預(yù)測森林在區(qū)域和全球碳循環(huán)中的作用和反饋，為應(yīng)對氣候變化制定政策提供重要依據(jù)。由于估算生物量的重要性，歐洲空間局發(fā)布消息稱，到2020年BIOMASSmission激光雷達(dá)將獲得世界上森林地上生物量三維結(jié)構(gòu)圖(LeToanetal.,2011),美國國家航空航天局的行動計(jì)劃(TheNASAMissions)也有估算森林生物量的目標(biāo)(Lefskyetal.,2007;Saatchietal.,2011)。但是，基于遙感技術(shù)獲得的數(shù)據(jù)不能直接估算生物量，需要用野外樣地調(diào)查數(shù)據(jù)結(jié)合生物量異速生長方程對生物量進(jìn)行校正(ClarkandKellner,2012)。迄今，我國生物量方程的研究主要集中在樣地、樹種和區(qū)域特定森林類型上，其結(jié)果因研究地的氣候、地理、土壤、林地利用歷史和經(jīng)營水平等的差異而難以進(jìn)行比較，從由樣地尺度建立的生物量方程如何擴(kuò)展到林分甚至更大的地理空間尺度是個巨大的挑戰(zhàn)，到目前為止仍然缺乏系統(tǒng)研究。全球森林面積超過40億hm2,占陸地總面積的31%(FAO,2010)。森林巨大的生物量(占陸地生態(tài)系統(tǒng)總生物量的80%)(Kindermannetal.,2008)和生產(chǎn)力(占陸地生態(tài)系統(tǒng)總生產(chǎn)力的75%)(Beeretal.,2010)使其成為地球最大的碳庫(Panetal.,2011)。正因如此，增加森林生態(tài)系統(tǒng)碳匯被公認(rèn)為是碳儲量作為抵消經(jīng)濟(jì)發(fā)展中碳排放量的主要方式。2015年12月巴黎氣候大會通過的協(xié)自20世紀(jì)60年代國際生物學(xué)計(jì)劃(IBP)執(zhí)行以來，生態(tài)學(xué)家就開展了大量的關(guān)于森目前，國內(nèi)外學(xué)者普遍采用相對生長模型W=a(D2H°(典型冪函數(shù)方程)估算喬木地上生物量估算最典型的方法是采用相對生長模型，地上生物量的估算值與實(shí)測值比物量估算模型(Chojnacky,2002;JenkinsetValletetal.,2006;計(jì)，全世界已經(jīng)建立的生物量(包括總量和各分量)模型超過2300個，涉及的樹種在100個以上(Chojnacky,2002)。例如，Ter-Mikaelian和Korzukhin(1997)關(guān)于北美洲立木生物量方程的綜述，就涉及65個樹種和803個方程。Zianis(2005)對歐洲樹干材積和生物量方程做的綜述中，生物量方程607個，涉及39個樹種。總體而言，用于不第1章緒論」3樹種(組)劃分建模總體。例如，Bond等(2002)建立了加拿大馬尼托巴省北方森林6個樹種的生物量方程；Jenkins等(2003)以收集的300多個與直徑相關(guān)的生物量方程(涉及100多個樹種)為基礎(chǔ)，按10個樹種(組)(6個針葉樹種、4個闊葉樹種)為美國11個主要樹種建立了立木地上生物量方程；Vallet等(2006)為改進(jìn)法國森林資源清查中森林生物量估計(jì)方法，為法國的7個重要樹種建立了地上總材積(包括商品材積和樹枝)方程；Repola等(2007)建立了芬蘭3個樹種(組)的地上和地下生物量立木模型；Muukkonen(2007)建立了歐洲5個主要樹種的通用性生物量回歸方程；Návar(2009)建立了墨西哥西北部10個樹種(組)的生物量相對生長方程。要求的壓力日益增大(方精云等，2015)。在此前提下，準(zhǔn)確評估森林固碳現(xiàn)狀、速率我國有關(guān)森林生物量的研究始于20世紀(jì)70年代(潘維儔等，1978;馮宗煒，1980;朱守謙和楊世逸，1979;董世仁和關(guān)玉秀，1980;陳炳浩和陳楚瑩，1980;張瑛山等，1980),主要基于單個或獨(dú)立樣點(diǎn)或研究地，所建立的生物量方程不適合于大的地理空量的估算帶來困難和不確定性(羅云建等，2015)。目前比較通用的做法是：選用樹木胸徑(D)、研究將更可能偏好林木水平因子或方程的使用(Somogyietal.,2007)。國家林業(yè)局的森林資源連續(xù)清查資料能夠提供區(qū)域和全國尺度的森林材積或蓄積量，很多學(xué)者嘗試通過材積源生物量法來估算BrownandLugo,1984;Fangetal.,2001a;LehtonenFang等(2001b)以森林資源清查資料為基礎(chǔ)，建立了我國21個樹種的材積生物量轉(zhuǎn)換參數(shù)來估算全國森林生物量。不少研究表明，以5年為復(fù)查周期的森林資源清查資料能很好地反映森林生物量的動態(tài)變化。盡管如此，以往關(guān)于生物量的研究歸納起來存在如下不足：①在地下部分難以直接測定獲取的情況下，采用根冠比粗略推算地下生物量的方法可能存在誤差傳遞問題，而且這種方法與通過擬合根系與胸徑或樹高的異速生長方程估算地下生物量的方法相比，哪種方法更準(zhǔn)確，沒有明確研究。②已有的生物量模型大多針對某一特定地區(qū)或特定森林類型，是否能拓展用于更大區(qū)域范圍或其他不同的森林類型尚未有研究驗(yàn)證。③我國森林類型和樹種十分豐富，即使在同屬內(nèi)也有多個甚至幾十個種類，針對某一樹種建立的生物量方程能否推廣到屬內(nèi)其他樹種也沒有研究驗(yàn)證。④對于天然林，由于大徑級(胸徑>50cm)個體樣木生物量實(shí)測數(shù)據(jù)難于獲取，基于中小徑級個體建立的估算方程在估算大徑級樹木生物量時可能產(chǎn)生偏差甚至錯誤。⑤研究方法、建模方法的不統(tǒng)一，導(dǎo)致模型估算結(jié)果難以andWang,2001;Cronan,2003;Houghton,2005;Muukkonen,2006:Woodbury2007)。通常，生物量可以通過樹木材積(或蓄積)乘以木材密度進(jìn)行估算得到。但在實(shí)踐中，為了簡便和提高估計(jì)精度，常常通過建立整株樹木或不同器官生物量與胸徑進(jìn)一步按省(自治區(qū)、直轄市)和優(yōu)勢樹種建立的生物量方程將成為提高我國森林碳儲第1章緒論5面對以往研究中豐富的生物量方程，如何選擇合適的方程估算森林生物量一直困擾著使用者，使用者渴望能比較快速、準(zhǔn)確、方便地估算較大尺度的森林優(yōu)勢樹種的生物量，故本研究希望能用統(tǒng)一的形式和標(biāo)準(zhǔn)建立具有很強(qiáng)實(shí)用價(jià)值的我國不同區(qū)域尺度森林優(yōu)勢樹種的生物量方程。在選取最具有代表性和普遍應(yīng)用的一種回歸模型，即相對生長模型(非線性模型)的基礎(chǔ)上，參照J(rèn)enkins等(2004)的方法及West等(1999)提出的異速生長擴(kuò)展理論，對基于立木胸徑(D)、樹高(H)等測樹因子的相對生長模型進(jìn)行賦值，即在收集、篩選的已發(fā)表文獻(xiàn)中生物量方程的基礎(chǔ)上，分別以D和D2H為自變量，將所有已發(fā)表文獻(xiàn)中各省(自治區(qū)、直轄市)優(yōu)勢樹種生物量方程的參數(shù)初始化，以分器官生物量W(kg)為因變量，依據(jù)野外實(shí)測數(shù)據(jù)對參數(shù)[測樹因子：胸徑(cm)、樹高(m)]進(jìn)行賦值，計(jì)算得到一系列生物量數(shù)據(jù)模擬結(jié)果，構(gòu)成分樹種分器官生物量數(shù)據(jù)庫，從數(shù)據(jù)庫中每次隨機(jī)抽取一定量數(shù)據(jù)，用最小二乘支持向量機(jī)(leastsquaressupportvectormachine,LS-SVM)法對生物量模型進(jìn)行優(yōu)化，得到優(yōu)化后的分省(自治區(qū)、直轄市)優(yōu)勢樹種生物量方程。第2章樹木異速生長與生物量2.1.1生物量模型式中，V為某一森林類型的木材總蓄積量(m3Pan等(2004)改進(jìn)了未考慮林齡的生物量-蓄積量模型，提出基于林齡的生物量蓄積量線性模型，明顯提高了估算的準(zhǔn)確性。Zhou等(2002)、Smith等(2003)和黃從德等(2007)則分別構(gòu)建了與林齡無關(guān)的生物量-蓄積量雙曲線模型、指數(shù)模型和冪函數(shù)模型。然而，Zhou等(2002)、Zhao和Zhou(2005)只建立了我國5個樹種，即第2章樹木異速生長與生物量|7之間的數(shù)量關(guān)系(Salisetal.,2006)。Parresol(1999,2001)將它們歸納為以下3種函數(shù)形式：式中，B為生物量(kg或g);x?,x2,…,x;為測樹因子(如胸徑、樹高);ao,a?,…,a;為模型參數(shù)；ε為誤差項(xiàng)。式(2.2)和式(2.3)是式(2.4)的簡化形式，分別為一元在相對生長模型中，自變量除了常用的胸徑和樹高外還有其他測樹因子，如林齡(Sprizza,2005)和材積(唐守正等，2001)。雖然增加自變量可能會提高生物量的估算精度(Sprizza,2005),但也會增加野外調(diào)查獲取基本數(shù)據(jù)的難度，從而影響相對生長模型的實(shí)用性(羅云建等，2009)。2.1.2生物量估算參數(shù)BCEF)、生物量擴(kuò)展因子(biomassexpansion和木材密度(wooddensity,WD)4個常用參數(shù)(BrownandSchroeder,1999;Fangeta2001b;Lehtonenetal.,2004;IPCC,2006)。(1)生物量轉(zhuǎn)擴(kuò)因子：利用生物量轉(zhuǎn)擴(kuò)因子可直接將蓄積量數(shù)據(jù)轉(zhuǎn)換為器官生物(t/hm2)與商用材材積(m3/hm2)之比(Schroederetal.,1997;BrownandSchroed1999;IPCC,2006);②總生物量(包括地上和地下生物量)(t/hm之比(Fangetal.,200la);③器官生物量(樹干、活枝、死枝、樹葉、根樁根或整體)(thm2)與樹干材積(m3/hm2)之比(2)木材密度：為了將蓄積量數(shù)據(jù)轉(zhuǎn)換為生物量數(shù)據(jù)，還可先通過木材密度將蓄積總生物量。不同樹種木材密度的差異最高可達(dá)所，1982;IPCC,2006),同一樹種因環(huán)境差異木材密度的變化幅度一般在10%以內(nèi)(成俊卿，1985;江澤慧和彭鎮(zhèn)華，2001)。(3)生物量擴(kuò)展因子的定義也有3種：①地上生物量(t/hm2)與商用材部分生物量(t/hm2)之比(Levyetal.,2004;IPCC(t/hm2)之比(羅云建等，2007);③總生物量(包括地上和地下生物量)(t/hm2)與樹干生物量(t/hm2)之比(Wangetal.,2001;Segura,2005)。(4)根莖比：通常定義為地下生物量與地上生物量之比(IPCC,2006)。早期的研究一般假定根莖比為固定值(Bray,1963),但事實(shí)上，根莖比因樹種、樹齡、胸徑、Mokanyetal.,2006;Wangetal.,202.2選擇生物量方程構(gòu)成形式的依據(jù)2.2.1胸徑-樹高異速生長關(guān)系林木生物量模型概括起來有3種基本類型：線性模型、非線性模型、多項(xiàng)式模生物量模型的自變量需要具備以下條件(胥輝，2003):①容易測定；②與因變量D最好，二元相對生長模型中自變量為D2H最優(yōu)(王鑫，2011)。假設(shè)X和Y的生長率成比例，即令Y=ek2-krxb,a=ek2-k則第2章樹木異速生長與生物量|9Kittredge(1944)首次將相對生長模型引入樹木，并成功地估計(jì)了葉的重量。隨后許多研究者紛紛應(yīng)用該模型估計(jì)林木其他器官的重量。Parresol(1999)總結(jié)了眾多文獻(xiàn)中林木生物量模型的函數(shù)形式。他認(rèn)為立木各維數(shù)之間的相對生長率隨林木大小而變化有可能不是一個常數(shù)，提出X和Y的生長率與X大小呈線性關(guān)系(其中c為系數(shù)),即兩邊積分得即在林分生物量估測中，經(jīng)常采用林木胸徑(D)、樹高(H)等測樹因子建立林木生物量回歸估計(jì)方程，如式中，W為林木生物量(kg);D為林木胸徑(cm);H為林木樹高(m);a,b為回歸2.2.2立木生物學(xué)特性與分形幾何理論根據(jù)分形幾何理論與立木生物學(xué)特性關(guān)系，可得出立木體積V為式中，D為胸徑(cm);H為樹高(m)。林學(xué)上通常認(rèn)為立木樹高斷面是規(guī)則的幾何體(圓、橢圓等),而樹高斷面面積A是與周長P有關(guān)系的，AαP2,則AD2,但是，自然界生長的樹木在其任何樹高處的斷面很少為規(guī)則的幾何形狀，故Mandelbrot(1983)建議用歐幾里得幾何和分形幾何理論來描述自然界任何形狀的物體，后來不少學(xué)者將該理論應(yīng)用于生態(tài)學(xué)研究，并得出立木分形幾何方程(ZeideandGreshan,1991;Zeide,1993,1998;Osawa,1995):式中，d、h為常數(shù)，2<d+h<3。理論上，立木形狀可以描述為一個面積和體積的混合體，根據(jù)立木生物學(xué)意義，樹高(H)是隨胸徑(D)而變化的，呈冪函數(shù)關(guān)系(Niklas,1994),則將式(2.15)代入式(2.14),則同理，假定立木生物量(W)是通過木材密度(p)與體積成正比的，不同樹種的木材密度被認(rèn)為是常數(shù)，則設(shè)b=d+hb*,則為了實(shí)用，樹木生物量通常是通過生物量和胸徑相互關(guān)系的公式來估算的。雖然把樹高和胸徑結(jié)合起來比單獨(dú)用胸徑更能體現(xiàn)樹木生長情況，但由于樹高測量往往精度不高，采用測高儀測定在一定程度上可以提高測量精度，但儀器精度高度依賴于立地條件，此外，采用測高儀也會增加測量時間和費(fèi)用。全球樹木數(shù)據(jù)庫顯示，僅僅通過使用胸徑就可以建立非常重要的生物量回歸方程，利用這些生物量回歸方程計(jì)算的結(jié)果也相當(dāng)準(zhǔn)確。綜上所述，本研究選擇生物量與測樹因子之間的冪函數(shù)模型來預(yù)測整株和干、枝、葉、根器官的生物量，這也是目前學(xué)術(shù)界普遍接受、符合生物學(xué)規(guī)律的樹木生物量異速生長模型(Ter-MikaelianandKorzukhin,1997;ZianisandMencuccini,2004;Pillietal.,2006;CreightonandKauffman,2008;孟憲宇，2006),即式中，W為整株或某器官的生物量(kg);D為胸徑(cm):H為樹高(m);a、a2為第3章生物量方程的構(gòu)建與檢驗(yàn)方法3.1生物量方程的構(gòu)建方法(1)收集范圍僅限于以生長狀態(tài)穩(wěn)定的林分為對象的研究。排除受到嚴(yán)重干擾(如蟲害、火災(zāi)、間伐)或者處于特殊生境(如城市環(huán)境、環(huán)境嚴(yán)重污染區(qū)和林線附近等)生森林生態(tài)系統(tǒng)(即地上部分收獲后，由地分器官生物量，并通過分器官生物量與測樹因子(胸徑、樹高)進(jìn)行擬合得到生物量方收集的生物量方程本身存在質(zhì)量差異，甚至夾雜了一些人為失誤(如錄入錯誤)造成的錯誤。所以，以相同數(shù)據(jù)為自變量，對于估算結(jié)果偏差大(過高或過低)的方程，根據(jù)我們從600多篇文獻(xiàn)中共篩選整理出900余套生物量方程構(gòu)建數(shù)據(jù)庫。庫中每條數(shù)據(jù)包括：研究地[地名、經(jīng)度(°)、緯度()和海拔(m)]、氣候指標(biāo)[年平均溫度(℃)和年平均降水量(mm)]、林分概況[土壤類型、林分起源、樹種組成、林齡(年)、平均胸徑(cm)、平均樹高(m)、林分密度(株/hm2)、立木蓄積生物量[樹干(kg)、樹枝(kg)、樹葉(kg)、根(kg)]、喬木層分器官生物量方程[研究時間、方法、物種、標(biāo)準(zhǔn)木數(shù)量(株)、回歸方程、決定系數(shù)首先，將收集到的已發(fā)表的文獻(xiàn)中各省(自治區(qū)、直轄市)優(yōu)勢樹種生物量方程參數(shù)初始化，分別以D和D2H為自變量，以器官生物量(kg)為因變量，依據(jù)野外實(shí)測數(shù)據(jù)對參數(shù)[測樹因子：胸徑(cm)、樹高(m)]進(jìn)行賦值，計(jì)算得到一系列生物量數(shù)據(jù)模擬結(jié)果，構(gòu)成生物量數(shù)據(jù)庫，然后從這些數(shù)據(jù)庫中每次抽取300個數(shù)據(jù)，用最小二乘支持向量機(jī)法對生物量方程進(jìn)行優(yōu)化，得到優(yōu)化后的分省(自治區(qū)、直轄市)優(yōu)勢樹種生物量方程[W=aD或W=a(D2H)°]。這些分省(自治區(qū)、直轄市)的文獻(xiàn)方程都是一些個案研究，將這些方程綜合考慮進(jìn)行參數(shù)優(yōu)化，能消除整個區(qū)域由于立地條件、土壤、氣候因素、林分概況等要素的不同而導(dǎo)致的差異，并用各省(自治區(qū)、直轄市)該樹種標(biāo)準(zhǔn)木野外調(diào)查的實(shí)測數(shù)據(jù)進(jìn)行檢驗(yàn)。另外，“森林課題”部分省(自治區(qū)、直轄市)獲得了優(yōu)勢樹種標(biāo)準(zhǔn)木的數(shù)據(jù)，為了補(bǔ)充和校驗(yàn)文獻(xiàn)方程，本研究也用相同的方法，用標(biāo)準(zhǔn)木數(shù)據(jù)對生物量方程進(jìn)行擬合。由于部分樹種的生物量方程在文獻(xiàn)中未見報(bào)道，本研究將各省(自治區(qū)、直轄市)已有的優(yōu)勢樹種歸納為3類：針葉林、闊葉林、針闊葉混交林，以這些省(自治區(qū)、直轄市)優(yōu)勢樹種生物量方程為基礎(chǔ)，采用類似的方法，通過參數(shù)優(yōu)化擬合省(自治區(qū)、直轄市)尺度不分樹種的混合生物量方程，即針葉林生物量方程、闊葉林生物量方程、針闊葉混交林生物量方程，以此來解決因某一樹種缺失生物量方程或因樣方調(diào)查時無法準(zhǔn)確辨認(rèn)詳細(xì)的物種信息而無法估算林分生物量的情況。野外調(diào)查采集到的測樹因子(胸徑、樹高等)數(shù)據(jù)、樹種非常多，而且受地理區(qū)域、氣候條件和人文因素影響，同一樹種的數(shù)據(jù)也表現(xiàn)出較大差異，因此原始數(shù)據(jù)難免存在噪聲。用這些原始數(shù)據(jù)構(gòu)建數(shù)據(jù)庫，數(shù)據(jù)預(yù)處理便顯得尤其重要，需要根據(jù)原始數(shù)據(jù)特征和生態(tài)學(xué)原理對原始數(shù)據(jù)進(jìn)行降噪，消除冗余數(shù)據(jù)，本研究主要通過胸徑和樹高的關(guān)系來消除數(shù)據(jù)噪聲。是經(jīng)典的算法之一，但是該算法需要事先設(shè)定原始數(shù)據(jù)的類別數(shù)量，然后將原始數(shù)據(jù)逐個劃分到某個類別中，但原始數(shù)據(jù)的類別數(shù)量難以確定，因此K-Means算法不適用于本研究中數(shù)據(jù)預(yù)處理分析。故本研究采用凝聚型層次聚類算法處理原始數(shù)據(jù)，聚類策略是：先將每個樣本數(shù)據(jù)作為一個原子簇，以最小距離作為簇間距離度量方法，采用迭代方法將原子簇合并為更大的簇。算法結(jié)束條件是：所有樣本數(shù)據(jù)合并到同一個簇，或者完成預(yù)設(shè)的迭代次數(shù)，算法結(jié)束后，保留樣本數(shù)量最多的一簇，舍棄其他簇的樣本數(shù)據(jù)。分別以廣東省和安徽省的原始數(shù)據(jù)為例進(jìn)行數(shù)據(jù)預(yù)處理，聚類分析結(jié)果如圖3.1所第3章生物量方程的構(gòu)建與檢驗(yàn)方法[13的原始數(shù)據(jù)影響不大。圖3.1原始樣本數(shù)據(jù)預(yù)處理3.1.3數(shù)據(jù)挖掘流程經(jīng)過預(yù)處理后，數(shù)據(jù)量仍然很大，本研究運(yùn)用數(shù)據(jù)挖掘(dat凈化、格式轉(zhuǎn)換、數(shù)據(jù)表鏈接等問題。數(shù)據(jù)挖掘也稱為數(shù)據(jù)采礦，是數(shù)據(jù)庫知識發(fā)現(xiàn)根據(jù)事先設(shè)置的數(shù)據(jù)定義對原始數(shù)據(jù)進(jìn)行預(yù)處理。數(shù)據(jù)預(yù)處理主要包括數(shù)據(jù)降噪、建立數(shù)據(jù)庫。用戶用戶挖掘內(nèi)核個圖3.2數(shù)據(jù)挖掘的一般模型采用某個或者某些挖掘算法對采樣數(shù)據(jù)分析并發(fā)現(xiàn)新特征，識別出新模式，作為模式集合。模式集合是一個不斷更新并有待檢驗(yàn)的準(zhǔn)知識庫，在一些聯(lián)機(jī)事務(wù)處理系統(tǒng)中，模式集合中可能存在相互沖突或者矛盾的模式。4.發(fā)現(xiàn)知識或規(guī)律對模式集合中的模式進(jìn)行解釋與檢驗(yàn)，剔除沖突或者矛盾的模式，并最終形成新知識或者新規(guī)律，生成用戶報(bào)告。模式檢驗(yàn)的結(jié)果可用于指導(dǎo)后續(xù)的數(shù)據(jù)挖掘過程，構(gòu)成一個具備自主學(xué)習(xí)能力的數(shù)據(jù)挖掘原型機(jī)。3.1.4機(jī)器學(xué)習(xí)機(jī)器學(xué)習(xí)(machinelearning)是一門多領(lǐng)域交叉的學(xué)科，以計(jì)算機(jī)為主要設(shè)備來模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)能力，獲取新知識或技能，具備自主學(xué)習(xí)、實(shí)現(xiàn)新舊知識更替的性能。機(jī)器學(xué)習(xí)是人工智能的重要研究領(lǐng)域，在數(shù)據(jù)挖掘、計(jì)算機(jī)視覺、醫(yī)學(xué)診斷、自然語言處理、語音圖像識別和機(jī)器人等方面應(yīng)用非常廣泛。按學(xué)習(xí)形式來分類，機(jī)器學(xué)習(xí)可劃分為有監(jiān)督式學(xué)習(xí)(supervisedlearning)和無監(jiān)督式學(xué)習(xí)(unsupervisedlearning)。有監(jiān)督式學(xué)習(xí)利用一組訓(xùn)練數(shù)據(jù)作為學(xué)習(xí)樣本，訓(xùn)練機(jī)器的學(xué)習(xí)能力，用學(xué)習(xí)樣本之外的數(shù)據(jù)來檢驗(yàn)機(jī)器的學(xué)習(xí)能力。有監(jiān)督式學(xué)習(xí)的算法經(jīng)常應(yīng)用于回歸分析和統(tǒng)計(jì)分類中。無監(jiān)督式學(xué)習(xí)沒有學(xué)習(xí)樣本，通常采用聚類算法(如K-Means),通過迭代與遞減運(yùn)算來降低誤差，最終達(dá)到分類的目的。機(jī)器學(xué)習(xí)算法有很多種，如仿生學(xué)算法(如遺傳算法、粒子群算法、模擬退火算法等)。此外，人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等新型算法也成為機(jī)器學(xué)習(xí)的研究熱點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)(artificialneuralnetwork)模擬人腦神經(jīng)元網(wǎng)絡(luò)，大量的節(jié)點(diǎn)構(gòu)成人工神經(jīng)網(wǎng)絡(luò)，相當(dāng)于人腦的神經(jīng)元細(xì)胞，節(jié)點(diǎn)之間的連接強(qiáng)度代表了神經(jīng)網(wǎng)絡(luò)的記憶能力，需要學(xué)習(xí)的知識或者規(guī)則分散隱藏在眾多節(jié)點(diǎn)中。反向傳播(backpropagation,BP)神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中的一種監(jiān)督式學(xué)習(xí)算法。人工神經(jīng)網(wǎng)絡(luò)具有可大規(guī)模并行計(jì)算、分布式存儲信息、良好的自組織自學(xué)習(xí)能力等特點(diǎn)，適用于模式識別、智能控制、故障診斷等眾多領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)的缺陷在于較易陷入局部尋優(yōu)，存在欠學(xué)習(xí)和過度支持向量機(jī)(supportvectormachine,SVM)是另一種監(jiān)督式學(xué)習(xí)方法，廣泛地應(yīng)用于統(tǒng)計(jì)分類及回歸分析中。支持向量機(jī)將低維空間數(shù)據(jù)映射到高維空間，在一定程度上能夠避免局部尋優(yōu)的問題，但導(dǎo)致計(jì)算復(fù)雜度增大。本研究將以支持向量機(jī)為方法，對森林固碳關(guān)鍵因子——生物量方程各參數(shù)之間的關(guān)聯(lián)規(guī)則進(jìn)行回歸分析，發(fā)現(xiàn)隱藏其中的規(guī)律?；舅悸肥牵簭囊巴庥^察實(shí)驗(yàn)及相關(guān)文獻(xiàn)中采集測樹因子數(shù)據(jù)作為原始數(shù)據(jù)，將原始數(shù)據(jù)劃分為兩部分，一部分?jǐn)?shù)據(jù)作為訓(xùn)練數(shù)據(jù)，用來訓(xùn)練機(jī)器的學(xué)習(xí)能力，得到生物量方程，另一部分?jǐn)?shù)據(jù)作為檢驗(yàn)數(shù)據(jù)，用來檢驗(yàn)機(jī)器的學(xué)習(xí)能力。3.1.5支持向量機(jī)在對不同尺度范圍的生物量方程參數(shù)進(jìn)行優(yōu)化過程中，本研究主要采用目前經(jīng)典的數(shù)據(jù)分析與挖掘算法——支持向量機(jī)。該方法是基于統(tǒng)計(jì)學(xué)習(xí)理論的模式識別方法，對有限、非線性的訓(xùn)練樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)，將低維空間的樣本數(shù)據(jù)投影到高維空間，建立一個具有最大間隔的超平面，在超平面空間內(nèi)進(jìn)行迭代優(yōu)化，尋找最大間隔區(qū)邊緣的訓(xùn)練樣本點(diǎn)，即支持向量機(jī)(supportvectormachine,SVM)。SVM是機(jī)器學(xué)習(xí)領(lǐng)域中有監(jiān)督式學(xué)習(xí)模型，通常用來進(jìn)行模式識別、分類及回歸分析，SVM的支持向量集合刻畫出訓(xùn)練樣本數(shù)據(jù)的模式，即蘊(yùn)藏其中的規(guī)律。SVM主要有支持向量分類機(jī)(supportvectorclassification,SVC)和支持向量回歸機(jī)(supportvectorregression,SVR),具體計(jì)算步驟如下(鄧乃楊和田英杰，2004)。算法1:支持向量分類機(jī)C-SVC。設(shè)訓(xùn)練樣本集T={(x,y),(x?,v?),…,([x:]n),xi∈X=R”,yieY={-1,1},i=1,…,r,C-SVC求解最優(yōu)化問題[式(3.1)]的最優(yōu)解并構(gòu)造分類決策函數(shù)[式(3.2)]。16|中國森林生態(tài)系統(tǒng)碳儲量——生物量方程式中，K(,.)是由低維數(shù)據(jù)向高維數(shù)據(jù)轉(zhuǎn)換的核函數(shù)，廣泛使用的核函數(shù)是徑向基核函數(shù)，具有如式(3.3)形式，兩個核函數(shù)在本質(zhì)上是相同的。算法2:支持向量回歸機(jī)e-SVR。設(shè)已知訓(xùn)練樣本集T={(x,y),(x?,V?),…,(x,y,)}∈(X×Y)',其中x,∈X=R”,y?∈Y=R,i=1,2,…,r,選擇適當(dāng)?shù)恼龜?shù)e和C,選擇適當(dāng)?shù)暮撕瘮?shù)K(x,x'),求解最優(yōu)化問題[式(3.4)]的最優(yōu)解，并構(gòu)造回歸決策函數(shù)[式(3.5)]。最小二乘支持向量機(jī)C-SRC和ε-SVR的約束條件包含不等式約束，導(dǎo)致求解空間非常大，僅適合小規(guī)模的訓(xùn)練樣本。最小二乘支持向量機(jī)將不等式約束條件改進(jìn)為等式約束條件，將二次規(guī)劃問題轉(zhuǎn)換為線性方程組的求解，在犧牲一部分計(jì)算精度的代價(jià)下，顯著地降低了計(jì)算量(Suykensetal.,200算法3:LS-SVM。第3章生物量方程的構(gòu)建與檢驗(yàn)方法|17Brabanter等(2014)在Matlab環(huán)境中編寫了LS-SVM工具箱，該工具箱以LS-SVM算法為基礎(chǔ)，提供SVC、SVR接口函數(shù)分別用于數(shù)據(jù)分類和數(shù)據(jù)回歸，還提供了一系列輔助函數(shù)，用于數(shù)據(jù)的預(yù)處理和制圖等(http://www.esat.kuleuven.be/sista/lssvmlab/)。LS-SVM不僅能夠應(yīng)用于數(shù)據(jù)分類和回歸，還可適用于無監(jiān)督式學(xué)習(xí)。本小節(jié)以Matlab7.6.0(R2008a)為工具，通過若干個形象的例子說明LS-SVM在分類、回歸及無監(jiān)督式學(xué)習(xí)中的應(yīng)用。1.LS-SVM應(yīng)用于分類LS-SVM應(yīng)用于分類主要有3個步驟，即選擇學(xué)習(xí)樣本、訓(xùn)練模型、測試模型。從實(shí)驗(yàn)觀測數(shù)據(jù)中選擇部分?jǐn)?shù)據(jù)作為學(xué)習(xí)樣本；利用這些學(xué)習(xí)樣本訓(xùn)練、構(gòu)造LS-SVM分類模型；用學(xué)習(xí)樣本之外的其他數(shù)據(jù)測試分類模型的準(zhǔn)確性。1)簡單分類問題(1)設(shè)置學(xué)習(xí)樣本。隨機(jī)生成100×2的實(shí)數(shù)矩陣X,X的每個行向量構(gòu)成1個學(xué)習(xí)樣本。根據(jù)矩陣X的100個樣本，生成樣本的分類Y,Y是一個100×1的矩陣，表示矩陣X中100個樣本的分類結(jié)果。矩陣X、Y分別構(gòu)成分類模型的輸入值和輸出值，用于訓(xùn)練LS-SVM分類模型。Matlab腳本如下所示：>>Y=sign(sin(X(:,1))(2)訓(xùn)練分類模型。利用學(xué)習(xí)樣本X、Y訓(xùn)練LS-SVM分類模型，Matlab代碼如下，其中type表示當(dāng)前訓(xùn)練的模型是分類模型，核函數(shù)是RBF_kernel:>>[alpha,b]=trainlssvm({X,Y,type,10,0.4,'RBF(3)測試分類模型。隨機(jī)生成測試樣本X,利用訓(xùn)練之后的分類模型測試X?的分類結(jié)果，Matlab腳本如下所示：>>Ytest=simlssvm({X,Y,type,10,0.4,RBF_kernel'},{al>>plotlssvm({X,Y,type,10,0.4,'RBF_kernel'},{測試結(jié)果如圖3.3所示。2)復(fù)雜分類問題LS-SVM不僅可以構(gòu)造簡單分類模型，還支持復(fù)雜分類模型，Matlab的示例腳本>>X=[X;1.6*randn(SIZE/2,DIM)+repmat([00],S>>X=[X;0.9*randn(SIZE/2,DIM)+repmat([20],S>>X=[X;0.8*randn(SIZE/2,DIM)+repmat([-11],S>>X=[X;0.9*randn(SIZE/2,DIM)+repmat([-1.33.5],S>>X=[X;1*randn(SIZE/2,DIM)+repmat([-21],S>>X=[X;0.9*randn(SIZE/2,DIM)+repmat([-3.50.2],S>>y=[];fori=1:3,y=[y;i*ones(SIZE,1)];end>>X?=[X?;1.6*randn(SIZEte/2,DIM)+repmat([0.0],SI>>X?=[X;0.9*randn(SIZEte/2,DIM)+repmat([20],SI>>X=[X;0.8*randn(SIZEte/2,DIM)+repmat([-11],SI>>X=[X?;0.9*randn(SIZEte/2,DIM)+repmat([-1.33.5],SI>>X=[X;1*randn(SIZEte/2,DIM)+repmat([-21],SI>>X=[X;0.9*randn(SIZEte/2,DIM)+repmat([-3.50.2],SI>>Y=[];fori=1:3,Y=[Ye;i*ones>>m=initlssvm(X,y,'c',),[],'RB第3章生物量方程的構(gòu)建與檢驗(yàn)方法|19>>m=tunelssvm(m,simplex','crossvalidatelssvm',{10,'misclass'},'co>>fprintf(1,Accuracy:%2.2f\n',100*sum(Y==Y)/l分類結(jié)果如圖3.4所示。225432年3中年中年心0心0口口口20甲236FleEditViewInsertToolsDesktop5544口品口品口口21用0牛23X2.LS-SVM應(yīng)用于回歸LS-SVM應(yīng)用于數(shù)據(jù)回歸包括3個主要步驟，即樣本選擇、訓(xùn)練模型、測試模型。(1)選擇學(xué)習(xí)樣本。隨機(jī)生成回歸模型的輸入值X和輸出值Y,與分類模型不同的是，輸出值Y是實(shí)數(shù)值集合中的任意實(shí)數(shù)。下述代碼片段在生成Y值時加入了呈正態(tài)分Y=(15*(X.^2-1).^2.*X.^4).*exp(-X)+normrnd(0,0.1,length(X),1);(2)訓(xùn)練回歸模型。以X、Y作為學(xué)習(xí)樣本，構(gòu)造回歸模型，Mablab腳本如下：[gam,sig2]=tunelssvm({X,Y,type,[],[alpha,b]=trainlssvm({X,Y,typlotlssvm({X,Y,type,gam,sig2,'RBF_kernel},{alph(3)測試回歸模型。隨機(jī)生成測試樣本X,用于測試上一步驟生成的回歸模型，腳X?=rand(10,1).*sign(randn(10,Y,=simlssvm({X,Y,type,gam,sig2,'RBF_kernel','preprocess'},{alp數(shù)據(jù)回歸如圖3.5所示。2X利用LS-SVM可以計(jì)算出回歸模型的置信區(qū)間，并繪制誤差置信區(qū)間和預(yù)測置信區(qū)間的分布圖，如圖3.6所示。X圖3.6回歸模型的置信區(qū)間如圖3.7所示。21FeEditViewInsertToolDesktopWindow2×2圖3.7無監(jiān)督式學(xué)習(xí)根據(jù)觀測的測樹因子(胸徑、樹高)數(shù)據(jù)，計(jì)算出生物量方程系數(shù)并構(gòu)建出相應(yīng)的型)作為模型建立的主要依據(jù)，在參照J(rèn)enkins等(2004)的方法及West等(1999)提出的異速生長擴(kuò)展理論的基礎(chǔ)上，采用林木胸徑(D)、樹高(H)等測樹因子建立林木生物量回歸估計(jì)方程式(2.10)、式(2.11)?；谏鲜龌貧w方程，在收集以往文獻(xiàn)中生物量方程的基礎(chǔ)上，分別以D和D2H為自變量，將所有已發(fā)表文獻(xiàn)中各省(自治區(qū)、直轄市)優(yōu)勢樹種生物量方程參數(shù)初始化，以分器官生物量(W,kg)為因變量，依據(jù)野外實(shí)測數(shù)據(jù)對參數(shù)[測樹因子：胸徑(cm)、樹高(m)]進(jìn)行賦值，計(jì)算得到一系列抽取300個數(shù)據(jù)，用最小二乘支持向量機(jī)法對生物量模型進(jìn)行優(yōu)(自治區(qū)、直轄市)優(yōu)勢樹種生物量方程[W=aD°或W=a(D2H']。Matlab7.0為編程環(huán)境，采用Brabanter等(2014)編寫的LS-SVM工具箱的二次開發(fā)包編寫數(shù)據(jù)回歸分析程序，進(jìn)行生物量方程迭代優(yōu)化(程序見附錄一、附錄二)。方程各一組(林生明等，1991;吳金友和李俊清，2010;周國模等，1996;袁位高等，2009:張茂震和王廣興，2008;侯振宏等，2009)。運(yùn)用上述方法，對每組生物量方程進(jìn)行賦值，然后進(jìn)行生物量方程迭代優(yōu)化(圖3.8),最后得到浙江省杉木的分器官生物量模型W=aD?和W=a(D2H)°各一套。在各省(自治區(qū)、直轄市)優(yōu)勢樹種生物量方程的基礎(chǔ)上，除這些優(yōu)勢種外其他喬木的生物量方程可能文獻(xiàn)報(bào)道很少，這部分樹種的生物量方程擬合也運(yùn)用上述方法，本書參照David和Jennifer(2010)的方法，擬合了混合樹種(針葉林、闊葉林、針闊葉混交林)生物量方程。在省(自治區(qū)、直轄市)尺度生物量方程的基礎(chǔ)上，參照Fang等(2001b)等的分類方法，將全國樹種分為6個群系22個種(組),分別構(gòu)建群系混合樹種生物量方程和全國優(yōu)勢種(組)生物量方程。第一種驗(yàn)證生物量方程的方法是方程預(yù)測值與標(biāo)準(zhǔn)木實(shí)測值二者進(jìn)行差異顯著性檢驗(yàn)，標(biāo)準(zhǔn)木數(shù)據(jù)的獲取有兩種途徑：一種是“森林課題”項(xiàng)目組野外實(shí)測標(biāo)準(zhǔn)木。以廣東省馬尾松為例，“森林課題”項(xiàng)目組共獲得廣東省標(biāo)準(zhǔn)木38株(6cm≤D≤41cm,4m≤H≤31m),將野外實(shí)測的廣東省馬尾松標(biāo)準(zhǔn)木胸徑(D)分別代入本研究擬合的廣東省馬尾松一元生物量方程：將胸徑(D)和樹高(H)代入廣東省馬尾松二元生物量方程：分別得到馬尾松分器官生物量模擬值，將模擬值與分器官生物量實(shí)測值比較，結(jié)果表明，本研究擬合的生物量方程的干、枝模擬值在大徑級范圍內(nèi)結(jié)果偏大，葉和根的模擬值與實(shí)測值均無統(tǒng)計(jì)上的顯著差異，統(tǒng)計(jì)檢驗(yàn)P值分別為0.09、0.08,均大于0.05(圖3.9)。對于大徑級個體而言，方程的模擬值與實(shí)測值偏差較大，一方面原因可能在于以往選取標(biāo)準(zhǔn)木時，大徑級標(biāo)準(zhǔn)木很少，用由小徑級的標(biāo)準(zhǔn)木數(shù)據(jù)擬合的生物量方程估算大徑級的個體生物量，可能會導(dǎo)致估算結(jié)果偏離正常值。另一方面原因可能在于大徑級個體樣本數(shù)有限，無法用有限的數(shù)據(jù)準(zhǔn)確判斷預(yù)測值是否精確。這也說明，對于單個個案研究，該套方程可能會導(dǎo)致估算結(jié)果偏高或偏低，需要探索更好的方法來修正生物量方程。24!中國森林生態(tài)系統(tǒng)碳儲量——生物量方程00004400圖3.9廣東省馬尾松生物量方程模擬值與實(shí)測值比較了目前文獻(xiàn)中發(fā)表的杉木標(biāo)準(zhǔn)木數(shù)據(jù)(蔡世鋒，2009;蔡兆偉，2014;高華業(yè)等，2013;溫遠(yuǎn)光等，1995;閆文德，2003;趙坤，2000;彭小勇，2007;何貴平，2003;應(yīng)金花，2001;艾訓(xùn)儒和周光龍，1996;覃世杰，2013),其中，實(shí)測干生物量的標(biāo)準(zhǔn)木為254株，第3章生物量方程的構(gòu)建與檢驗(yàn)方法|25W枝=0.0255D20726(3.16)分別得到杉木分器官生物量模擬值，與標(biāo)準(zhǔn)木實(shí)測值進(jìn)行比較，結(jié)果表明，作為單株生物量主體的干和根生物量的模擬值與估計(jì)值差異不顯著(P<0.01),而且對于胸徑在30cm以下的個體一元方程和二元方程分器官生物量模擬值均接近實(shí)測值，大徑級個體模擬值與實(shí)測值之間的差異增大(圖3.10)。+事帝世事事事事事+事帝世事事事事事干生物量/kg干生物量/kg圖3.10杉木分器官生物量方程模擬值與實(shí)測值比較26|中國森林生態(tài)系統(tǒng)碳儲量——生物量方程元生物量模型：模型：之和代替單株生物量。物量差異不顯著,將一元生物量方程和二元生物量方程的模擬值分別與實(shí)測值進(jìn)行差異顯著性檢驗(yàn)，P值分別為0.195和0.298,均大于0.05,說明可以用本研究的生物量方程第三種檢驗(yàn)生物量方程的方法是與第三方數(shù)據(jù)進(jìn)行對比，本研究以落葉松和馬尾將一元立木生物量表中落葉松D值分別代入本研究中全國優(yōu)勢種(組)落葉松一元WH=0.0219D22645.真實(shí)值+預(yù)測值圖3.11落葉松一元生物量表中相應(yīng)的預(yù)測值(曾偉生等，2011)與本研究中生物量方程預(yù)測值比較28|中國森林生態(tài)系統(tǒng)碳儲量——生物量方程+預(yù)測值圖3.12馬尾松一元生物量表中相應(yīng)的預(yù)測值(曾偉生等，2011)與本研究中生物量方程預(yù)測值比較W根=0.0194D23497(3.38)結(jié)果表明，落葉松干生物量模擬值與曾偉生等(2011)一元立木生物量表中生物量預(yù)測值非常接近，本研究枝、葉、根一元生物量方程在立木胸徑小于20cm的情況下，平均預(yù)估精度達(dá)到約96%,但對于胸徑大于20cm個體，由本研究的方程模擬枝和根生物量結(jié)果偏低，葉生物量偏高，徑級越大，偏差越大，但都在可接受的誤差范生物量方程與曾偉生等(2011)一元立木生物量表中預(yù)測結(jié)果非常相近，平均預(yù)估精度達(dá)到90%,但對于胸徑大于20cm的個體，本研究中方程模擬結(jié)果除了根生物量模擬值偏低外，干、枝、葉生物量模擬值偏高(圖3.12)。值高度吻合外，其他分器官生物量預(yù)測值與相應(yīng)的一元立木生物量表中預(yù)測值差異較大，落葉松葉和根生物量的預(yù)估偏差分別達(dá)到了47%和60%,馬尾松干、枝、葉、根生物量的預(yù)估偏差也分別達(dá)到了70%、130%、110%和40%。這表明：針對不同徑級建立分器官生物量方程預(yù)測值與一元立木生物量表中相應(yīng)的預(yù)測值進(jìn)行比較，將胸徑大于將一元立木生物量表中胸徑大于20cm的馬尾松D值分別代入亞熱帶常綠闊葉被區(qū)的針葉林(D≥20cm)生物量方程[式(3.43)～式(3.46)],以此來驗(yàn)證D≥20cm馬尾松分器官生物量模型(圖3.12)。擬值相對一元立木生物量表中相應(yīng)預(yù)測值的偏差分別為16%、32%、31%、40%,本研究偏差分別為6%、10%、61%、22%。干和枝的生物量與一元立木生物量表中相應(yīng)的預(yù)測值非常接近，但葉的生物量本研究模擬值偏低，根的生物量預(yù)測值偏高(圖3.12)。3.2.4地上、地下生物量關(guān)系(根莖比)根莖比或地下與地上生物量關(guān)系來描述(Brown,2002;KurMokanyetal.,2006),不同森林類型的根莖比差異很大。有研究表明，根莖比平均值為0.24,典型落葉闊葉林根莖比平均值最大，約為0.31,馬尾松林最小，約為0.17本研究參考Fang等(2001b)的分類方法，將全國主要樹種分為22類，采用本研究中生物量方程計(jì)算得到我國主要樹種喬木層地上生物量與地下生物量及根莖比(表3.2)。結(jié)果表明，我國森林樹種平均根莖比為0.23,最大值為闊葉林(0.3)、櫟(0.29),最小值為馬尾松(0.12)。闊葉樹種的根莖比普遍大于針葉樹種，這與羅云建等(2013)的研究結(jié)果一致。樹種1云杉、冷杉23456789闊葉林紅松馬尾松水曲柳、胡桃楸、黃柏第4章生物量方程的構(gòu)建依據(jù)及數(shù)據(jù)來源森林生物量指給定時期內(nèi)(1年、10年或100年)某一特定區(qū)域內(nèi)生態(tài)系統(tǒng)綠色植物凈第一性生產(chǎn)力的累積量，即森林植物群落在其生命過程中所生產(chǎn)的干物質(zhì)量，表征為單位面積的干物質(zhì)量(kg/hm2、g/m2)或能量(kJ/m2),受林齡、密度、立地條件和經(jīng)營措施等因素的影響。同一林分中即使胸徑和樹高相同的林木，其樹冠大小、尖削度及單位材積干物質(zhì)量也可能不同。在同齡林內(nèi)，由于林木大小不同，干、枝、葉、根等分器官的干物質(zhì)量也會存在很大差異。森林生物量可分為地上部分和地下部分，前者包括喬木干、枝、葉、花、果和灌木、草本植物的莖干、枝葉生物量的總和，后者則指喬木、灌木和草本植物的根系生物量的總和。復(fù)雜關(guān)系。森林生物量數(shù)據(jù)是解決許多林業(yè)經(jīng)營管理問題和生態(tài)問題的基礎(chǔ)。國際林業(yè)研究機(jī)構(gòu)聯(lián)合會(InternationalUnionofForestryResearchOrganizations,IUFRO)(1994)在《國際森林調(diào)查監(jiān)測指南》中明確規(guī)定：森林生物量是森林資源監(jiān)測中的一項(xiàng)重要內(nèi)容。森林生物量約占全球陸地植被生物量的90%(Dixonetal.,1994),它是森林固碳能力的重要標(biāo)志和評估森林碳收支的重要參數(shù)(BrownandSchroeder,1999)。森林生物量的變化反映森林演替、人類活動、自然干擾(如森林火災(zāi)、病蟲害等)、氣候變化等的影響，是衡量森林結(jié)構(gòu)和功能變化的重要指標(biāo)(Brown,1996)。本研究所涉及的生物量包含地上部分(干、枝、葉)和地下部分(根)生物量及單4.1.1中國森林生態(tài)系統(tǒng)生物量方程的構(gòu)建依據(jù)1.分省(自治區(qū)、直轄市)分樹種生物量方程的構(gòu)建依據(jù)生物量方程式(2.20)和(2.21)中，系數(shù)a跟樹木密度有關(guān)，不同的樹種木材密度差異非常大；系數(shù)b跟生長環(huán)境有關(guān)，在不同緯度、不同地區(qū)，即使是同一樹種，其生長狀況也是不同的。a、b在一定程度上能反映出樹形特征，故不同樹種的生物量變化規(guī)律是不同的，因此，不同樹種應(yīng)采用不同的生物量估算模型。即使是相同樹種分布在所示，69年生馬尾松，在四川省其胸徑和樹高分別為32cm和27m,在貴州省則分別達(dá)59cm和40m。這表明林木生長受地理位置、水熱條件等環(huán)境要素的影響很大，故不同地理區(qū)域應(yīng)該采用不同的生物量估算方程(模型)。地區(qū)四川貴州四川貴州2.分省(自治區(qū)、直轄市)混合種(組)生物量方程的構(gòu)建依據(jù)根據(jù)林分起源，林分可分為天然林和人工林，起源不同的林木生長過程也不同。樹種單一的人工林無論同齡還是異齡林，都具有樹種結(jié)構(gòu)簡單、株行距較規(guī)則等特點(diǎn)，生物量方程簡單且估算精度高。然而，混交林尤其是自然更新演替形成的天然混交林，樹種組成成分復(fù)雜，株行距不規(guī)則，樹種的空間分布隨機(jī)，不同樹種或同樹種的不同個體的年齡千差萬別。如果僅僅用分省(自治區(qū)、直轄市)優(yōu)勢樹種的生物量方程來估算混交林中非優(yōu)勢樹種的生物量，勢必產(chǎn)生誤差。而且，目前已發(fā)表文獻(xiàn)但這部分樹種的生物量又不能忽略，因此，有必要建立這類混合樹種(組)的生物林學(xué)上，通常把由一個樹種組成的，或混有其他樹種但其材積占比均<10%的林分稱作純林；而由兩個或多個樹種組成，其中每個樹種的材積占比均>10%的林分稱為混交林。在本研究中，混交林劃分為針葉林、闊葉林和針闊葉混交林3類。4.1.2群系分徑級混合種(組)生物量方程的構(gòu)建依據(jù)究中擬合方程的結(jié)果與一元立木生物量表中相應(yīng)的預(yù)測值(曾偉生等，2011)發(fā)現(xiàn)，除第4章生物量方程的構(gòu)建依據(jù)及數(shù)據(jù)來源|33達(dá)到了47%和60%(圖4.1),馬尾松干、枝、葉、根生物量的預(yù)估誤差分別達(dá)到了70%、130%、110%和40%(圖4.2)。這表明，生物量方程預(yù)估誤差隨徑級的增加而增大，這與Zianis(2008)的研究結(jié)果一致。如果用適合小徑級個體的生物量方程來計(jì)算大徑級生物量方程。故本研究在分省(自治區(qū)、直轄市)生物量方程的基礎(chǔ)上，建立群系分徑圖4.1落葉松(D≥20cm)一元生物量表中相應(yīng)的預(yù)測值(曾偉生等，2011)與本研究中模型預(yù)測結(jié)果比較4.1.3全國優(yōu)勢種(組)生物量方程的構(gòu)建依據(jù)國分為5個熱量帶和1個高寒區(qū)(熱帶、亞熱帶、暖溫帶、中溫帶、寒溫帶和青藏高原高寒區(qū)),再以水分、植被為依據(jù)劃分為25個自然地帶和亞區(qū)；《中國植被區(qū)劃》綜合34|中國森林生態(tài)系統(tǒng)碳儲量——生物量方程劃分為華北、西北、東北、華東、中南、西南6個區(qū)域，或華中、華南、西南7個區(qū)域。圖4.2馬尾松(D≥20cm)一元生物量表中相應(yīng)的預(yù)測值(曾偉生等，2011)與本研究中生物量方程預(yù)測結(jié)果比較為了方便用統(tǒng)一的方法比較不同地理區(qū)域和行政區(qū)劃的森林生態(tài)系統(tǒng)生物量，有必要構(gòu)建全國尺度優(yōu)勢樹種(組)林木生物量方程。由于我國森林類型多樣、林木樹種繁多，不可能也沒有必要為所有樹種建立生物量方程，鑒于某些自然林群落中20%樹種(建群種、優(yōu)勢種和共優(yōu)勢樹種)的生物量可能占群落總生物量的90%,考慮單獨(dú)建立其生物量方程，但其他非優(yōu)勢樹種的生物量也不容忽視，一般考慮合并建立混合生物量方程。森林資源連續(xù)清查技術(shù)規(guī)定》。本研究參考國家林業(yè)部門頒布的林業(yè)調(diào)查標(biāo)準(zhǔn)、植物分類原則，以及森林類型劃分(李?？?，2012:羅云建等，2013),對生物學(xué)特征相似的樹種或森林進(jìn)行歸并，共劃分出26個森林類型(表4.2)。第4章生物量方程的構(gòu)建依據(jù)及數(shù)據(jù)來源|35云杉Picea林[含川西云杉(PiceabalfourianaRehd.etWil苞冷杉(AbiesgeorgeiOrr)和峨眉冷杉(Abiesfabri(Mast.))]、秦嶺冷杉(AbieschensiensisVanTiegh)林、祁連圓柏(SabinaprzewalBurk.),西南樺(BetulaalnoidesBuch.-Ham.exD.Don)、光皮樺(BetulaluminiH.Wink)等etDietr.)、日本柳杉[Cryptomeriajaponica(Thunb.exL.f[Keteleeriadavidiana(Bertr)Beissn.]、云南油杉(KeteleeriaevelynianaMast.)、青巖油杉[Keteleeriadavidiana(Bertr.)Beissn.var.chien-peii(Flous)ChengetL.口本落葉松[Larixkaempferi(Lamb.)Carr.]、興安落葉松[Larixgmelinii(Rupr.)Kuzen.]、四川紅杉(LarixmastersianaRehd.etWils)、太白紅杉(Larixchin紅松(PinuskoraiensisSieb.etZucc.)云南松(PimusyunnanensisFranch.)華山松(PinusarmandiiFranch.)油松(PinuslabulaeformisCarr.)樟子松(PsylvestrisLinn.var.mongolicaLitv.)mastersiana(Hayata)Hayata]、海南五針?biāo)?PinusfenzelianaHand.-MztGordonvar.langbianensis(A.Chev.)Gaussen)、晚松[Pimusrigidavar.se(Michx.)Loud.exHoopes]等柏木(CupressnsL)、墨西哥柏(CupressuslusitanicaMiller)、福建柏hodginsii(Dunn)HenryetTho遼東櫟(QuercuswutaishanicaMayr)、麻櫟(QuercusacutissimaCMaxim.)、栓皮櫟(QuercusvariabilisBI胡桃楸(JuglansmandshuricaMaxim.)、水曲柳(FraxinusmandschuricaRupr.)、杉木[Cunninghamialanceolate(Lamb.)Hook.]、水杉(MetasequoiaglyptostroboidesHu&W.C.Cheng)、禿杉(TaiwaniaflousianaGauss桉樹(EucalyprusrobustaSmith)、檸檬桉(Eucalyptuscitriodora