攀枝花市云南松生物量空间分布格局研究-森林经理-研究生开题报告(三)

随着GIS和空间统计技术的发展，地统计学方法在研究森林土壤更新过程、养分和水分空间变异以及物种空间分布格局、森林干扰、林分因子、地表死可燃物载荷量和种子资源的空间格局、生物量等方面取得了成功的应用。地统计学主要是以区域化变量理论为基础，可以定量描述和解释空间异质性或者空间相关性；也可以建立各种空间预测模型，并进行空间数据插值和估计；同时能够对空间格局的尺度、几何形状、变异方向进行定量分析和有效估计；有利于深刻了解生命有机体(个体、种群和群落)的空间分布情况和空间异质的机制[63]。

由于生物量受各种生物因素和非生物因素的影响，生物量不是纯随机变量，而是区域化变量，具有随机性和结构性双重属性，因而目前国内外学者越来越感兴趣于利用区域内样地调查的数据，应用地统计学方法在大尺度下分析生物量的空间格局和进行空间插值。Malhi等[64]采用胸高断面积和平均木材密度2个变量作为生物量的预测变量，得到每个样地的生物量值，然后利用反距离加权法对整个南美低地热带雨林的生物量进行了估计，得到了生物量空间分布格局图。Sales等[65]将海拔、植被类型和土壤质地作为预测变量，然后利用漂移克里格法对巴西Rondnia地区蓄积进行了估计，并生成了空间分布格局图，分析了蓄积的空间格局以及随解释变量变化的关系，这种方法不仅考虑了海拔、植被类型和土壤质地等解释变量对蓄积的影响，同时也考虑了蓄积之间的空间自相关性；再将蓄积转换成生物量，得到该地区的生物量分布图。Du等[66]基于野外调查数据，利用点状普通克里格方法对浙江省安吉县毛竹(Phyllostachys edulis)生物量的空间格局进行了分析，并对生物量总量进行了估计，生成了毛竹生物量空间分布格局图。刘晓梅等[67]利用保护区样地调查数据，根据一元生物量模型计算样地生物量，在此基础上采用普通克里格方法进行插值，对整个保护区的生物量总量进行估计，并从林分结构和地形因子的角度分析了生物量的空间格局。但是，很少对不同克里格插值方法的精度进行比较，同时也缺少采用协同克里格法估测森林生物量的实证分析和案例研究。

2.4 面临的机遇

云南松作为川西南山地一个十分重要的树种，对云南松生物量的空间分布格局研究不仅有利于该区域森林资源管理，同时对促进生态效益和经济效益的发挥也有十分重要的意义。目前对生物量的研究中对杉木、楠木、巨按、刺槐等树种都有研究，但对云南松生物量的研究却鲜有报道。而对云南松的研究主要为低磷胁迫下云南松幼苗生物量的研究[68]，云南松林分生长模型研究[69]等，对大面积云南松生物量的空间格局方面的研究却鲜有报道。

3 研究目的及意义

生物量数据是研究许多林业问题和生态问题的基础，是现代森林生态系统研究中的重要组成部分，对研究生态系统物质和能量的固定、消耗、分配、积累和转化有着重要意义。森林生物量是森林生态系统最基本的数量特征，它既表明森林的经营水平和开发利用的价值，同时又反映森林与环境在物质循环和能量流动上的复杂关系。寻找一种更加简介有效的生物量的获取方法从而提高数据统计工作效率是十分有必要的。在大范围的森林生物量调查中，通常利用模型计算单点生物量，然后通过其它统计方法估算整体生物量的方法能大大减小调查工作量，并减小误差。而云南松作为攀枝花市最常见的树种，在对该地区防风固沙、水土保持和木材采伐等方面发挥着十分重要的作用。

本文从生物量的概念入手，通过研究森林生物量的发展进程和国内外的研究现状，得出当前森林生物量研究中存在的不足之处。生物量模型是研究森林生物量中比较流行且有效的方法，而其中非线性模型应用最为广泛，也最具有代表性。本文的样地数据来源于攀枝花市2012年森林资源二类调查，根据二调规范，设置标准为每1000m2进行机械布点，总共设置约500个样地，除去宜林地、灌木林地和无云南松的有林地，最后剩余约200个样地。在所设置的标准地里选取约五十株生长状况良好的云南松作为样木，建立非线性模型。通过建立的模型对所有样地的云南松生物量进行估算得出单点生物量数据，然后通过多元线性回归、最小二乘法和地统计分析法分别对攀枝花市的云南松生物量进行拟合估算，最后通过剩余残差平方和（RSS）、剩余均方差（MRS）、剩余标准差（S）等对三种方法进行选优，并最终估算出攀枝花市云南松生物量并获得空间格局分布图。

4 研究内容

（1）采集具有代表性的标准木约50株，包括胸径6cm-50cm各个径阶1-2株，用全树调查法计算单株生物量，编制生物量模型曲线，确定最优模型。

（2）通过多元线性回归、最小二乘法、地统计法估算整体生物量，并对三种方法进行检验，用最优方法估算出攀枝花市云南松生物量。

（3）用ARCGIS10.0软件制作攀枝花市云南松空间格局分布图

5 研究区域和研究方法

5.1 研究区域概况

研究区为四川省攀枝花市，幅员面积7397.11km2。介于东经101°08′~102°15′，北纬26°06′~27°20′之间。攀枝花是全国唯一以花命名的城市，位于中国西南川、滇交界部，北距成都749km，南至昆明351km，西连丽江，东接昭通。是四川通往华南、东南亚沿边、沿海口岸的最近点，为“南方丝绸之路”上重要的交通枢纽和商贸物资集散地。

攀枝花为干热河谷地带，属南亚热带半干旱气候，冬暖，春温高，夏秋凉，四季不明显。年平均降雨量762~950mm，年平均气温18.4℃；海拔高度937m~4195.5m之间，一般相对高差1500m~2000m；土壤主要有燥红土、赤红壤、红壤、山地黄棕壤、山地棕壤、山地暗棕壤、亚高山草甸土等；境内河流多，共有大小河流95条，分属金沙江水系、雅砻江水系，两水系在雅江桥汇合。攀枝花的森林覆盖率为60.03%，由于攀枝花干热少雨的气候特征，该区域内树种相对较单一，主要林分树种为云南松（Pinus yunnanensis），其次则为云南油杉（Keteleeria evelyniana）、桤木（Alnus cremastogyne Burk）等，灌木树种主要为青冈（Cyclobalanopsis glauca(Thunb.) Oerst）、车桑子（Dodonaea viscosa (L.) Jacq），人工栽植的经济类树种主要为芒果（Mangifera indica L）。

5.2 单点生物量研究

5.2.1 样地设置

本文的样地数据来源于攀枝花市2012年森林资源二类调查，根据二调规范，设置标准为25.83m*25.83m，面积667m2的正方形，位置为公里网格1000m交叉处。样地总数共计约500个，除去宜林地、灌木林地和无云南松的有林地，最后剩余约200个样地。数据中记录了样地的地理位置、海拔、坡向、坡度、坡位和土壤类型等基本因子，同时记录了每木检尺的树种、胸径、树高等林分因子。

本文采用的地形图为1:1万西安80坐标系标准地形图，卫片图为1:1万美国快鸟高清卫片图（2.5m分辨率）。

5.2.2 生物量模型的研究

5.2.2.1 生物量的测定

在样地中，按各径阶选择1~2株样木，总共选择约50株，选取样木时须按各径阶中最接近平均胸径树高且长势干形良好，能较好代表该径阶平均生长状态的林木作为样木，对于有病虫害、受人为或自然因素干扰或破坏的林木，都不能作为样木。生物量测定的具体方法是：采用Monsic分层切割法，每2m为一区分段，分树干、枝和叶进行鲜重测定。地下部分（根系）采用全根挖掘法，按根兜和根进行鲜重测定。同时采集各组分样品200~300g，带回实验室。在85℃恒温下将各组分样品烘至恒重，并称重，测定各样品的含水率及干重，通过测定样品的含水率而推算出各组分的干重。

5.2.2.2 建模样本和检验样本

将所收集样本分成两组独立样本，即建模样本和独立检验样本，分别用于模型建立和模型检验。检验样本数量约为总样本数的10%。

5.2.2.3 模型拟合

能够表达林木易测因子与生物量之间相关关系的模型很多，如线性和非线性方程。而应用最多的是非线性模型，尤其是相对生长模型CAR模型和VAR模型代表性最明显，是所有模型中应用最为普遍的模型[54-55]。本研究以上述模型为基本结构，以D2H或D、H作为自变量，各器官生物量（W）为因变量，构造攀枝花市云南松林单木各器官生物量模型。本研究选择的生物量回归拟合方程的模型见表1。

5.2.2.4 备选模型选优

为了获得最佳模型，通过计算各统计指标（残差平方和、剩余均方差、剩余标准差、相关指数），对各备选模型进行比较，选择其中残差平方和（RSS）最小、剩余均方差（MRS）最小、剩余标准差（S）最小和相关指数（R2）最大的模型作为最佳模型。指标计算公式如下：

5.2.2.5 模型检验

研究采用总相对误差（RS）、平均相对误差（E）和精度分析（P）三个指标对生物量模型进行检验。其中，RS与E指标可以反映出回归模型系统偏差的情况，预估精度P能够反映出回归模型平均预估的能力。指标计算公式如下：

5.2.3 模型法估算单点生物量

将采集的各个径阶的标准木的干、枝、叶、根的生物量数据和模型输入计算机，运用软件SPSS 19.0对模型的参数进行预估和计算，采用残差平方和、剩余均方差、剩余标准差、相关指数对各备选模型进行比较，选择其中残差平方和（RSS）最小、剩余均方差（MRS）最小、剩余标准差（S）最小和相关指数（R2）最大的模型作为最佳全树生物量模型。

通过最佳生物量模型计算各个径阶的云南松生物量，得到以径阶为自变量的生物量曲线，然后估算出所有样地的云南松生物量。

5.3总体生物量研究

5.3.1 多元线性回归估算生物量

森林生物量是森林生态系统生产力的综合反映，森林生物量的大小受自然和人为的影响，与森林的类型、树种组成和立地条件紧密相关。多元回归建模方法主要包括模型的参数估计、假设检验、残差分析以及最优回归方程的选取等。

逐步回归法是目前使用较为广泛的选择最优回归方程的方法。逐步回归模型是从众多的自变量中，根据变量各自对回归方程的影响大小，逐次的选入到回归方程中。先被选入的自变量，如果由于其后新引入的自变量而失去了重要性，这时就应该从回归方程中淘汰。引入一个变量或剔除一个变量，都要进行F检验，以确保每次引入新的变量之前回归方程中只包含显著的变量。偏F统计量是逐步回归法中增加和删除自变量的基本决定统计量。这个过程反复进行，直到回归方程不再有可淘汰的变量，也没有任何可引入的变量为止。

运用软件SPSS 19.0进行生物量模型的建立，采用逐步回归方法优选自变量进行回归建模。逐步回归中，变量选择的显著性水平设定为p≤0.05，变量剔除的水平设置为p≥0.1。采样因子建立多元线性逐步回归模型，Y=m0x0+m1x1+……+mnxn。

5.3.2 最小二乘法估算生物量