“十三五”國家重點出版物出版規劃項目中國陸地生態系統碳收支研究叢書“十三五”國家重點出版物出版規劃項目中國陸地生態系統碳收支研究叢書中國森林生態系統碳儲量——生物量方程P2011年，中國科學院啟動了“應對氣候變化的碳收支認證及相關問題”A類戰略灌叢、草地、農田等主要生態系統進行了大規模的調查和研究，取得了一系列重要成果，為支撐國家應對氣候變化提供了科學數據，也提高了我國在碳收支等研究領域的國際影響力和話語權。項目組主要依托項目五組織編撰了“中國陸地生態系統碳收支研究叢書”。叢書獲得國家出版基金資助，共有以下7個分冊：◆中國生態參數遙感監測方法及其變化格局◆中國森林生態系統碳儲量——動態及機制◆中國灌叢生態系統碳收支研究◆中國常見灌木生物量模型手冊◆中國草地生態系統碳收支研究◆中國陸地生態系統增匯技術途徑及其潛力分析科學出版社生物分社銷售分類建議：生物學；地球科學生命因你而精彩!定價：98.00元“十三五”國家重點出版物出版規劃項目中國陸地生態系統碳收支研究叢書中國森林生態系統碳儲量——生物量方程周國逸尹光彩唐旭利等著本書是“中國陸地生態系統碳收支研究叢書”的一個分冊，根據全國7800個典型森林生態系統樣地的野外實測數據，對收集到的國內已發表的生物量方程進行賦值，并運用最小二乘支持向量機(LSSVM)對文獻中方程進行迭代優化，擬合出涵蓋省(自治區、直轄市)和全國兩種尺度優勢樹種[W=aD和W=a(D2H5]的生物量方程，并運用樣地標準木實測數據對各類方程進行檢驗，估算誤差在10%以內。本書是我國第一本系統科學地運用統一的方法構建森林生物量估算方程的著作。本書可供從事森林資源計量與監測的科技人員及從事林業科研教學的圖書在版編目(CIP)數據中國森林生態系統碳儲量：生物量方程/周國逸等著.—北京：龍門書局，(中國陸地生態系統碳收支研究叢書)國家出版基金項目“十三五”國家重點出版物出版規劃項目I.①中…Ⅱ.①周…Ⅲ.①森林生態系統-碳-儲量-研究-中國中國版本圖書館CIP數據核字(2018)第128513號責任編輯：王靜李迪/責任校對：鄭金紅責任印制：肖興/封面設計：北京銘軒堂廣告設計有限公司郵政編碼：100717http://www.sciencep*中國陸地生態系統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周國逸尹光彩唐旭利溫達志劉昌平曠遠文王萬同序森林生物量是陸地生態系統碳計量與監測的核心內容。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森林生態系統碳匯功能的關鍵手段之一。像中國這樣一個在地理(經度、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測和評估，建立適合于全國和不同省(自治區、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，中國科學院“應對氣候變化的碳收支認證及相關問題”科技先導專項研究課題組對主要自然生態系統——森林、灌叢、草地進行了全國性的大規模樣地調查。這是一次真正從生態學視角來準確弄清我國陸地生態系統碳庫具體狀況的工作。該項研究的目的是評估生態系統全組分(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，更重要的是為碳循環研究提供了統一的調查規范、研究平臺和基礎數據。本書正是這項研究的一項重要成果，將為我國開展大尺度碳庫和碳通量的估算及森林碳動態變化的研究等工作提供基礎。本書也是我國第一本系統科學地運用統一的方法構建森林生物量估算用統一的方法估算森林生態系統生物量不僅是生態學者、林業科技工作者的期望，也是國際社會對碳進行計量和交易，落實低碳發展相關政策的需要。因此，我們相信本書的出版十分及時，必定會更進一步地促進我國生態學科的發展，也會對國際森林生物量估算方法體系的建立做出貢獻。本書著重于森林生物量估算方程的理論、方法、數據來源、估算精度及應用等內容，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物質的總和，可以通過植被生物量進行估算，因此，構建適宜、準確的生物量估算方程是評估植被碳儲量和生產力的前提，也是研究森林生態系統結構和功能的基礎，對深入研究森林生態系統包括碳氮水循環在內的各種生物地球化學循環、評估森林生產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系統碳計量與監測的核心內容(IPCC,2006;張小全等，2010),也是評估森林生態系統固碳潛力的關鍵參數之一，已經成為生態學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，經歷了從20世紀中后期的國際生物學計劃IGBP)到最近的全球森林碳平衡再評估等發展歷程(LiethandWhittaker,1975;Panetal.,2011)。有關全球陸地生態系統植被碳庫的估算值已有很多報道，但由于估算方法(如生物量方程類型、假設條件、參數賦值)、地理地質和氣候(立地條件、植被類型)、經營管理措施等方面的差別，不同文獻的估算結果或結論差異很大，難以比較。我國地域遼闊，氣候和地理地質差異迥然，社會經濟發展不平衡等，在諸多因素影響下形成了復雜而多樣的森林生態系統類型，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，除了國家林業局組織實施的國家森林資源連續清查工作外，大多數有關森林生物量的研究只針對區域典型森林植被或生態系統，缺乏統一的方法和技術規范，時間和空間尺度也不一致，導致區域乃至全國尺度上森林生物量的估算結果差異大，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，通過擬合設定換算系數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一、規范的方法和技術規范，在對全國主要森林生態系統全面調查的基礎上，結合長期實驗和歷史數據，集成分析與整理，整合并構建國家、省(自治區、直轄市)層面上的森林生態系統生物量估算方程，實現對我國森林生態系統碳匯現狀、固碳潛力和速率的準確估算，為我國在國際環境外交談判中爭取更多的主動權，并為指導各區域進行面向碳匯功能的森林經營管理實踐提供科技支撐和服務。生物量方程是準確估算陸地植被生物量的主要方法之一。本書在收集已經發表文獻中喬木生物量方程的基礎上，旨在用統一的標準和方法構建一套完整、簡單實用的估算喬木生物量的方程體系，為更好地進行生物量估算、預測及森林固碳研究奠定基礎。本書是中國科學院“應對氣候變化的碳收支認證及相關問題”科技先導專項“生態系統固碳現狀、速率、機制和潛力”項目之課題"中國森林生態系統固碳現狀、速率、機制和潛力"(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。在編排上，全書共分為6章，從必要性、理論依據、數據來源、研究結果、發展方向和趨勢等方面進行闡述，遵循科學研究的結構和流程，便于讀者閱讀和參考。第1章主要介紹生物量方程構建的目的、意義及必要性和研究思路，由唐旭利(中國科學院華南植物園)、尹光彩(廣東工業大學)、溫達志(中國科學院華南植物園)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成形式的依據，由尹光彩、唐旭利、溫達志、曠遠文(中國科學院華南植物園)撰寫。第3章主要介紹主要生物量方程構建及檢驗的方法，由尹光彩、劉昌平(廣東科學技術職業學院)、唐旭利撰寫。第4章主要介紹構建不同區域和樹種生物量方程的理論依據及其數據來源，由尹光彩、溫達志、唐旭利、曠遠文撰寫。第5章主要介紹分省(自治區、直轄市)、分樹種生物量方程及其適用范圍評價與不確定性，由尹光彩、唐旭利、王萬同(河南師范大學)撰寫。第6章結語，主要由唐旭利、王萬同、曠遠文撰寫。本書為分樹種、器官估算生物量提供了一種簡單實用的方法，以及一系列在科研、生產實踐中可應用的生物量估算方程。本書由周國逸研究員統稿。在本書編寫過程中得到了國家林業局、“森林課題”課題組等相關單位或領域科學家的精心指導和熱情幫助，在此對編撰人員一并表示衷心的感謝!最后，借此機會向所有幫助、支持和關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 72.2選擇生物量方程構成形式的依據 82.2.1胸徑-樹高異速生長關系 82.2.2立木生物學特性與分形幾何理論 9第3章生物量方程的構建與檢驗方法 3.1生物量方程的構建方法 3.1.1數據篩選與統計方法 3.1.2數據預處理 3.1.3數據挖掘流程 3.1.4機器學習 3.1.5支持向量機 3.2生物量方程的檢驗方法 3.2.1標準木實測數據檢驗 3.2.2臺站數據檢驗 3.2.3與一元立木生物量表估算結果對比 3.2.4地上、地下生物量關系(根莖比) 第4章生物量方程的構建依據及數據來源 4.1構建依據 4.1.1中國森林生態系統生物量方程的構建依據 4.1.2群系分徑級混合種(組)生物量方程的構建依據 4.1.3全國優勢種(組)生物量方程的構建依據 334.2數據來源 4.2.1野外實測數據 4.2.2文獻方程數據 4.2.3聯網監測數據 第5章中國主要優勢樹種生物量方程及評價 405.1生物量方程 5.1.1分省(自治區、直轄市)分樹種生物量方程 405.1.2分省(自治區、直轄市)混合種(組)生物量方程 5.1.3全國優勢種(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 5.2.1生物量方程W=aD°中的系數b 815.2.2本研究中生物量方程M=aD°中系數a隨b的變化 5.2.3生物量方程適用范圍評價 5.2.4生物量方程估算精度評價 5.3生物量方程的不確定性 5.3.1運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主要結論 6.2問題和展望 附錄一數據擬合源程序 附錄二優化迭代過程及結果示例 面對全球氣候變化及日益突出的環境問題，森林生態系統碳貯存等服務功能已成為研究熱點。作為評價森林服務功能的主要指標之一，森林生物量研究越來越受到重視。樹木異速生長規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。本研究基于文獻發表的生物量方程，采用統一的方法和技術規范建立了一套適合用于全國、省(自治區、直轄市)尺度，涵蓋我國主要森林類型、優勢樹種(或樹種組)的生物量估算方法體系和生物量估算方程。根據“森林課題”獲取的標準木實測數據，對各類生物量方程的估算結果進行檢驗，確保估算精度可信。森林具有生物量、生產力巨大和碳含量高等優點，是陸地生物圈的主要碳儲存庫，在全球碳循環和應對氣候變化中具有重要作用。因此，準確估算樹木和森林生物量是評估并追蹤森林碳庫現狀及其變化速率，預測森林在區域和全球碳循環中的作用和反饋，為應對氣候變化制定政策提供重要依據。由于估算生物量的重要性，歐洲空間局發布消息稱，到2020年BIOMASSmission激光雷達將獲得世界上森林地上生物量三維結構圖(LeToanetal.,2011),美國國家航空航天局的行動計劃(TheNASAMissions)也有估算森林生物量的目標(Lefskyetal.,2007;Saatchietal.,2011)。但是，基于遙感技術獲得的數據不能直接估算生物量，需要用野外樣地調查數據結合生物量異速生長方程對生物量進行校正(ClarkandKellner,2012)。迄今，我國生物量方程的研究主要集中在樣地、樹種和區域特定森林類型上，其結果因研究地的氣候、地理、土壤、林地利用歷史和經營水平等的差異而難以進行比較，從由樣地尺度建立的生物量方程如何擴展到林分甚至更大的地理空間尺度是個巨大的挑戰，到目前為止仍然缺乏系統研究。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(占陸地生態系統總生物量的80%)(Kindermannetal.,2008)和生產力(占陸地生態系統總生產力的75%)(Beeretal.,2010)使其成為地球最大的碳庫(Panetal.,2011)。正因如此，增加森林生態系統碳匯被公認為是碳儲量作為抵消經濟發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自20世紀60年代國際生物學計劃(IBP)執行以來，生態學家就開展了大量的關于森目前，國內外學者普遍采用相對生長模型W=a(D2H°(典型冪函數方程)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測值比物量估算模型(Chojnacky,2002;JenkinsetValletetal.,2006;計，全世界已經建立的生物量(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多個與直徑相關的生物量方程(涉及100多個樹種)為基礎，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)為改進法國森林資源清查中森林生物量估計方法，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，準確評估森林固碳現狀、速率我國有關森林生物量的研究始于20世紀70年代(潘維儔等，1978;馮宗煒，1980;朱守謙和楊世逸，1979;董世仁和關玉秀，1980;陳炳浩和陳楚瑩，1980;張瑛山等，1980),主要基于單個或獨立樣點或研究地，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)。國家林業局的森林資源連續清查資料能夠提供區域和全國尺度的森林材積或蓄積量，很多學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，建立了我國21個樹種的材積生物量轉換參數來估算全國森林生物量。不少研究表明，以5年為復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變化。盡管如此，以往關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或特定森林類型，是否能拓展用于更大區域范圍或其他不同的森林類型尚未有研究驗證。③我國森林類型和樹種十分豐富，即使在同屬內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其他樹種也沒有研究驗證。④對于天然林，由于大徑級(胸徑>50cm)個體樣木生物量實測數據難于獲取，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生偏差甚至錯誤。⑤研究方法、建模方法的不統一，導致模型估算結果難以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)乘以木材密度進行估算得到。但在實踐中，為了簡便和提高估計精度，常常通過建立整株樹木或不同器官生物量與胸徑進一步按省(自治區、直轄市)和優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、準確、方便地估算較大尺度的森林優勢樹種的生物量，故本研究希望能用統一的形式和標準建立具有很強實用價值的我國不同區域尺度森林優勢樹種的生物量方程。在選取最具有代表性和普遍應用的一種回歸模型，即相對生長模型(非線性模型)的基礎上，參照Jenkins等(2004)的方法及West等(1999)提出的異速生長擴展理論，對基于立木胸徑(D)、樹高(H)等測樹因子的相對生長模型進行賦值，即在收集、篩選的已發表文獻中生物量方程的基礎上，分別以D和D2H為自變量，將所有已發表文獻中各省(自治區、直轄市)優勢樹種生物量方程的參數初始化，以分器官生物量W(kg)為因變量，依據野外實測數據對參數[測樹因子：胸徑(cm)、樹高(m)]進行賦值，計算得到一系列生物量數據模擬結果，構成分樹種分器官生物量數據庫，從數據庫中每次隨機抽取一定量數據，用最小二乘支持向量機(leastsquaressupportvectormachine,LS-SVM)法對生物量模型進行優化，得到優化后的分省(自治區、直轄市)優勢樹種生物量方程。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確性。Zhou等(2002)、Smith等(2003)和黃從德等(2007)則分別構建了與林齡無關的生物量-蓄積量雙曲線模型、指數模型和冪函數模型。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之間的數量關系(Salisetal.,2006)。Parresol(1999,2001)將它們歸納為以下3種函數形式：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；ε為誤差項。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),但也會增加野外調查獲取基本數據的難度，從而影響相對生長模型的實用性(羅云建等，2009)。2.1.2生物量估算參數BCEF)、生物量擴展因子(biomassexpansion和木材密度(wooddensity,WD)4個常用參數(BrownandSchroeder,1999;Fangeta2001b;Lehtonenetal.,2004;IPCC,2006)。(1)生物量轉擴因子：利用生物量轉擴因子可直接將蓄積量數據轉換為器官生物(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：為了將蓄積量數據轉換為生物量數據，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所，1982;IPCC,2006),同一樹種因環境差異木材密度的變化幅度一般在10%以內(成俊卿，1985;江澤慧和彭鎮華，2001)。(3)生物量擴展因子的定義也有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),但事實上，根莖比因樹種、樹齡、胸徑、Mokanyetal.,2006;Wangetal.,202.2選擇生物量方程構成形式的依據2.2.1胸徑-樹高異速生長關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(王鑫，2011)。假設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，并成功地估計了葉的重量。隨后許多研究者紛紛應用該模型估計林木其他器官的重量。Parresol(1999)總結了眾多文獻中林木生物量模型的函數形式。他認為立木各維數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，提出X和Y的生長率與X大小呈線性關系(其中c為系數),即兩邊積分得即在林分生物量估測中，經常采用林木胸徑(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立木生物學特性與分形幾何理論根據分形幾何理論與立木生物學特性關系，可得出立木體積V為式中，D為胸徑(cm);H為樹高(m)。林學上通常認為立木樹高斷面是規則的幾何體(圓、橢圓等),而樹高斷面面積A是與周長P有關系的，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，后來不少學者將該理論應用于生態學研究，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，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，根據立木生物學意義，樹高(H)是隨胸徑(D)而變化的，呈冪函數關系(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為是常數，則設b=d+hb*,則為了實用，樹木生物量通常是通過生物量和胸徑相互關系的公式來估算的。雖然把樹高和胸徑結合起來比單獨用胸徑更能體現樹木生長情況，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用。全球樹木數據庫顯示，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算的結果也相當準確。綜上所述，本研究選擇生物量與測樹因子之間的冪函數模型來預測整株和干、枝、葉、根器官的生物量，這也是目前學術界普遍接受、符合生物學規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章生物量方程的構建與檢驗方法3.1生物量方程的構建方法(1)收集范圍僅限于以生長狀態穩定的林分為對象的研究。排除受到嚴重干擾(如蟲害、火災、間伐)或者處于特殊生境(如城市環境、環境嚴重污染區和林線附近等)生森林生態系統(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)進行擬合得到生物量方收集的生物量方程本身存在質量差異，甚至夾雜了一些人為失誤(如錄入錯誤)造成的錯誤。所以，以相同數據為自變量，對于估算結果偏差大(過高或過低)的方程，根據我們從600多篇文獻中共篩選整理出900余套生物量方程構建數據庫。庫中每條數據包括：研究地[地名、經度(°)、緯度()和海拔(m)]、氣候指標[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、標準木數量(株)、回歸方程、決定系數首先，將收集到的已發表的文獻中各省(自治區、直轄市)優勢樹種生物量方程參數初始化，分別以D和D2H為自變量，以器官生物量(kg)為因變量，依據野外實測數據對參數[測樹因子：胸徑(cm)、樹高(m)]進行賦值，計算得到一系列生物量數據模擬結果，構成生物量數據庫，然后從這些數據庫中每次抽取300個數據，用最小二乘支持向量機法對生物量方程進行優化，得到優化后的分省(自治區、直轄市)優勢樹種生物量方程[W=aD或W=a(D2H)°]。這些分省(自治區、直轄市)的文獻方程都是一些個案研究，將這些方程綜合考慮進行參數優化，能消除整個區域由于立地條件、土壤、氣候因素、林分概況等要素的不同而導致的差異，并用各省(自治區、直轄市)該樹種標準木野外調查的實測數據進行檢驗。另外，“森林課題”部分省(自治區、直轄市)獲得了優勢樹種標準木的數據，為了補充和校驗文獻方程，本研究也用相同的方法，用標準木數據對生物量方程進行擬合。由于部分樹種的生物量方程在文獻中未見報道，本研究將各省(自治區、直轄市)已有的優勢樹種歸納為3類：針葉林、闊葉林、針闊葉混交林，以這些省(自治區、直轄市)優勢樹種生物量方程為基礎，采用類似的方法，通過參數優化擬合省(自治區、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查時無法準確辨認詳細的物種信息而無法估算林分生物量的情況。野外調查采集到的測樹因子(胸徑、樹高等)數據、樹種非常多，而且受地理區域、氣候條件和人文因素影響，同一樹種的數據也表現出較大差異，因此原始數據難免存在噪聲。用這些原始數據構建數據庫，數據預處理便顯得尤其重要，需要根據原始數據特征和生態學原理對原始數據進行降噪，消除冗余數據，本研究主要通過胸徑和樹高的關系來消除數據噪聲。是經典的算法之一，但是該算法需要事先設定原始數據的類別數量，然后將原始數據逐個劃分到某個類別中，但原始數據的類別數量難以確定，因此K-Means算法不適用于本研究中數據預處理分析。故本研究采用凝聚型層次聚類算法處理原始數據，聚類策略是：先將每個樣本數據作為一個原子簇，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。算法結束條件是：所有樣本數據合并到同一個簇，或者完成預設的迭代次數，算法結束后，保留樣本數量最多的一簇，舍棄其他簇的樣本數據。分別以廣東省和安徽省的原始數據為例進行數據預處理，聚類分析結果如圖3.1所第3章生物量方程的構建與檢驗方法[13的原始數據影響不大。圖3.1原始樣本數據預處理3.1.3數據挖掘流程經過預處理后，數據量仍然很大，本研究運用數據挖掘(dat凈化、格式轉換、數據表鏈接等問題。數據挖掘也稱為數據采礦，是數據庫知識發現根據事先設置的數據定義對原始數據進行預處理。數據預處理主要包括數據降噪、建立數據庫。用戶用戶挖掘內核個圖3.2數據挖掘的一般模型采用某個或者某些挖掘算法對采樣數據分析并發現新特征，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的準知識庫，在一些聯機事務處理系統中，模式集合中可能存在相互沖突或者矛盾的模式。4.發現知識或規律對模式集合中的模式進行解釋與檢驗，剔除沖突或者矛盾的模式，并最終形成新知識或者新規律，生成用戶報告。模式檢驗的結果可用于指導后續的數據挖掘過程，構成一個具備自主學習能力的數據挖掘原型機。3.1.4機器學習機器學習(machinelearning)是一門多領域交叉的學科，以計算機為主要設備來模擬或實現人類的學習能力，獲取新知識或技能，具備自主學習、實現新舊知識更替的性能。機器學習是人工智能的重要研究領域，在數據挖掘、計算機視覺、醫學診斷、自然語言處理、語音圖像識別和機器人等方面應用非常廣泛。按學習形式來分類，機器學習可劃分為有監督式學習(supervisedlearning)和無監督式學習(unsupervisedlearning)。有監督式學習利用一組訓練數據作為學習樣本，訓練機器的學習能力，用學習樣本之外的數據來檢驗機器的學習能力。有監督式學習的算法經常應用于回歸分析和統計分類中。無監督式學習沒有學習樣本，通常采用聚類算法(如K-Means),通過迭代與遞減運算來降低誤差，最終達到分類的目的。機器學習算法有很多種，如仿生學算法(如遺傳算法、粒子群算法、模擬退火算法等)。此外，人工神經網絡、支持向量機等新型算法也成為機器學習的研究熱點。人工神經網絡(artificialneuralnetwork)模擬人腦神經元網絡，大量的節點構成人工神經網絡，相當于人腦的神經元細胞，節點之間的連接強度代表了神經網絡的記憶能力，需要學習的知識或者規則分散隱藏在眾多節點中。反向傳播(backpropagation,BP)神經網絡是人工神經網絡中的一種監督式學習算法。人工神經網絡具有可大規模并行計算、分布式存儲信息、良好的自組織自學習能力等特點，適用于模式識別、智能控制、故障診斷等眾多領域。人工神經網絡的缺陷在于較易陷入局部尋優，存在欠學習和過度支持向量機(supportvectormachine,SVM)是另一種監督式學習方法，廣泛地應用于統計分類及回歸分析中。支持向量機將低維空間數據映射到高維空間，在一定程度上能夠避免局部尋優的問題，但導致計算復雜度增大。本研究將以支持向量機為方法，對森林固碳關鍵因子——生物量方程各參數之間的關聯規則進行回歸分析，發現隱藏其中的規律。基本思路是：從野外觀察實驗及相關文獻中采集測樹因子數據作為原始數據，將原始數據劃分為兩部分，一部分數據作為訓練數據，用來訓練機器的學習能力，得到生物量方程，另一部分數據作為檢驗數據，用來檢驗機器的學習能力。3.1.5支持向量機在對不同尺度范圍的生物量方程參數進行優化過程中，本研究主要采用目前經典的數據分析與挖掘算法——支持向量機。該方法是基于統計學習理論的模式識別方法，對有限、非線性的訓練樣本數據進行學習，將低維空間的樣本數據投影到高維空間，建立一個具有最大間隔的超平面，在超平面空間內進行迭代優化，尋找最大間隔區邊緣的訓練樣本點，即支持向量機(supportvectormachine,SVM)。SVM是機器學習領域中有監督式學習模型，通常用來進行模式識別、分類及回歸分析，SVM的支持向量集合刻畫出訓練樣本數據的模式，即蘊藏其中的規律。SVM主要有支持向量分類機(supportvectorclassification,SVC)和支持向量回歸機(supportvectorregression,SVR),具體計算步驟如下(鄧乃楊和田英杰，2004)。算法1:支持向量分類機C-SVC。設訓練樣本集T={(x,y),(x?,v?),…,([x:]n),xi∈X=R”,yieY={-1,1},i=1,…,r,C-SVC求解最優化問題[式(3.1)]的最優解并構造分類決策函數[式(3.2)]。16|中國森林生態系統碳儲量——生物量方程式中，K(,.)是由低維數據向高維數據轉換的核函數，廣泛使用的核函數是徑向基核函數，具有如式(3.3)形式，兩個核函數在本質上是相同的。算法2:支持向量回歸機e-SVR。設已知訓練樣本集T={(x,y),(x?,V?),…,(x,y,)}∈(X×Y)',其中x,∈X=R”,y?∈Y=R,i=1,2,…,r,選擇適當的正數e和C,選擇適當的核函數K(x,x'),求解最優化問題[式(3.4)]的最優解，并構造回歸決策函數[式(3.5)]。最小二乘支持向量機C-SRC和ε-SVR的約束條件包含不等式約束，導致求解空間非常大，僅適合小規模的訓練樣本。最小二乘支持向量機將不等式約束條件改進為等式約束條件，將二次規劃問題轉換為線性方程組的求解，在犧牲一部分計算精度的代價下，顯著地降低了計算量(Suykensetal.,200算法3:LS-SVM。第3章生物量方程的構建與檢驗方法|17Brabanter等(2014)在Matlab環境中編寫了LS-SVM工具箱，該工具箱以LS-SVM算法為基礎，提供SVC、SVR接口函數分別用于數據分類和數據回歸，還提供了一系列輔助函數，用于數據的預處理和制圖等(http://www.esat.kuleuven.be/sista/lssvmlab/)。LS-SVM不僅能夠應用于數據分類和回歸，還可適用于無監督式學習。本小節以Matlab7.6.0(R2008a)為工具，通過若干個形象的例子說明LS-SVM在分類、回歸及無監督式學習中的應用。1.LS-SVM應用于分類LS-SVM應用于分類主要有3個步驟，即選擇學習樣本、訓練模型、測試模型。從實驗觀測數據中選擇部分數據作為學習樣本；利用這些學習樣本訓練、構造LS-SVM分類模型；用學習樣本之外的其他數據測試分類模型的準確性。1)簡單分類問題(1)設置學習樣本。隨機生成100×2的實數矩陣X,X的每個行向量構成1個學習樣本。根據矩陣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個樣本的分類結果。矩陣X、Y分別構成分類模型的輸入值和輸出值，用于訓練LS-SVM分類模型。Matlab腳本如下所示：>>Y=sign(sin(X(:,1))(2)訓練分類模型。利用學習樣本X、Y訓練LS-SVM分類模型，Matlab代碼如下，其中type表示當前訓練的模型是分類模型，核函數是RBF_kernel:>>[alpha,b]=trainlssvm({X,Y,type,10,0.4,'RBF(3)測試分類模型。隨機生成測試樣本X,利用訓練之后的分類模型測試X?的分類結果，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'},{測試結果如圖3.3所示。2)復雜分類問題LS-SVM不僅可以構造簡單分類模型，還支持復雜分類模型，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章生物量方程的構建與檢驗方法|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應用于回歸LS-SVM應用于數據回歸包括3個主要步驟，即樣本選擇、訓練模型、測試模型。(1)選擇學習樣本。隨機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是實數值集合中的任意實數。下述代碼片段在生成Y值時加入了呈正態分Y=(15*(X.^2-1).^2.*X.^4).*exp(-X)+normrnd(0,0.1,length(X),1);(2)訓練回歸模型。以X、Y作為學習樣本，構造回歸模型，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數據回歸如圖3.5所示。2X利用LS-SVM可以計算出回歸模型的置信區間，并繪制誤差置信區間和預測置信區間的分布圖，如圖3.6所示。X圖3.6回歸模型的置信區間如圖3.7所示。21FeEditViewInsertToolDesktopWindow2×2圖3.7無監督式學習根據觀測的測樹因子(胸徑、樹高)數據，計算出生物量方程系數并構建出相應的型)作為模型建立的主要依據，在參照Jenkins等(2004)的方法及West等(1999)提出的異速生長擴展理論的基礎上，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方程式(2.10)、式(2.11)。基于上述回歸方程，在收集以往文獻中生物量方程的基礎上，分別以D和D2H為自變量，將所有已發表文獻中各省(自治區、直轄市)優勢樹種生物量方程參數初始化，以分器官生物量(W,kg)為因變量，依據野外實測數據對參數[測樹因子：胸徑(cm)、樹高(m)]進行賦值，計算得到一系列抽取300個數據，用最小二乘支持向量機法對生物量模型進行優(自治區、直轄市)優勢樹種生物量方程[W=aD°或W=a(D2H']。Matlab7.0為編程環境，采用Brabanter等(2014)編寫的LS-SVM工具箱的二次開發包編寫數據回歸分析程序，進行生物量方程迭代優化(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)。運用上述方法，對每組生物量方程進行賦值，然后進行生物量方程迭代優化(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、直轄市)優勢樹種生物量方程的基礎上，除這些優勢種外其他喬木的生物量方程可能文獻報道很少，這部分樹種的生物量方程擬合也運用上述方法，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、直轄市)尺度生物量方程的基礎上，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),分別構建群系混合樹種生物量方程和全國優勢種(組)生物量方程。第一種驗證生物量方程的方法是方程預測值與標準木實測值二者進行差異顯著性檢驗，標準木數據的獲取有兩種途徑：一種是“森林課題”項目組野外實測標準木。以廣東省馬尾松為例，“森林課題”項目組共獲得廣東省標準木38株(6cm≤D≤41cm,4m≤H≤31m),將野外實測的廣東省馬尾松標準木胸徑(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測值比較，結果表明，本研究擬合的生物量方程的干、枝模擬值在大徑級范圍內結果偏大，葉和根的模擬值與實測值均無統計上的顯著差異，統計檢驗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，方程的模擬值與實測值偏差較大，一方面原因可能在于以往選取標準木時，大徑級標準木很少，用由小徑級的標準木數據擬合的生物量方程估算大徑級的個體生物量，可能會導致估算結果偏離正常值。另一方面原因可能在于大徑級個體樣本數有限，無法用有限的數據準確判斷預測值是否精確。這也說明，對于單個個案研究，該套方程可能會導致估算結果偏高或偏低，需要探索更好的方法來修正生物量方程。24!中國森林生態系統碳儲量——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測值比較了目前文獻中發表的杉木標準木數據(蔡世鋒，2009;蔡兆偉，2014;高華業等，2013;溫遠光等，1995;閆文德，2003;趙坤，2000;彭小勇，2007;何貴平，2003;應金花，2001;艾訓儒和周光龍，1996;覃世杰，2013),其中，實測干生物量的標準木為254株，第3章生物量方程的構建與檢驗方法|25W枝=0.0255D20726(3.16)分別得到杉木分器官生物量模擬值，與標準木實測值進行比較，結果表明，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測值，大徑級個體模擬值與實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測值比較26|中國森林生態系統碳儲量——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測值進行差異顯著性檢驗，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生物量方程的方法是與第三方數據進行對比，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勢種(組)落葉松一元WH=0.0219D22645.真實值+預測值圖3.11落葉松一元生物量表中相應的預測值(曾偉生等，2011)與本研究中生物量方程預測值比較28|中國森林生態系統碳儲量——生物量方程+預測值圖3.12馬尾松一元生物量表中相應的預測值(曾偉生等，2011)與本研究中生物量方程預測值比較W根=0.0194D23497(3.38)結果表明，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，平均預估精度達到約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測結果非常相近，平均預估精度達到90%,但對于胸徑大于20cm的個體，本研究中方程模擬結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測值與相應的一元立木生物量表中預測值差異較大，落葉松葉和根生物量的預估偏差分別達到了47%和60%,馬尾松干、枝、葉、根生物量的預估偏差也分別達到了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測值與一元立木生物量表中相應的預測值進行比較，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的針葉林(D≥20cm)生物量方程[式(3.43)～式(3.46)],以此來驗證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預測值的偏差分別為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的預測值非常接近，但葉的生物量本研究模擬值偏低，根的生物量預測值偏高(圖3.12)。3.2.4地上、地下生物量關系(根莖比)根莖比或地下與地上生物量關系來描述(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章生物量方程的構建依據及數據來源森林生物量指給定時期內(1年、10年或100年)某一特定區域內生態系統綠色植物凈第一性生產力的累積量，即森林植物群落在其生命過程中所生產的干物質量，表征為單位面積的干物質量(kg/hm2、g/m2)或能量(kJ/m2),受林齡、密度、立地條件和經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量也可能不同。在同齡林內，由于林木大小不同，干、枝、葉、根等分器官的干物質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。復雜關系。森林生物量數據是解決許多林業經營管理問題和生態問題的基礎。國際林業研究機構聯合會(InternationalUnionofForestryResearchOrganizations,IUFRO)(1994)在《國際森林調查監測指南》中明確規定：森林生物量是森林資源監測中的一項重要內容。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志和評估森林碳收支的重要參數(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、病蟲害等)、氣候變化等的影響，是衡量森林結構和功能變化的重要指標(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中國森林生態系統生物量方程的構建依據1.分省(自治區、直轄市)分樹種生物量方程的構建依據生物量方程式(2.20)和(2.21)中，系數a跟樹木密度有關，不同的樹種木材密度差異非常大；系數b跟生長環境有關，在不同緯度、不同地區，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律是不同的，因此，不同樹種應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59cm和40m。這表明林木生長受地理位置、水熱條件等環境要素的影響很大，故不同地理區域應該采用不同的生物量估算方程(模型)。地區四川貴州四川貴州2.分省(自治區、直轄市)混合種(組)生物量方程的構建依據根據林分起源，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，都具有樹種結構簡單、株行距較規則等特點，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，樹種組成成分復雜，株行距不規則，樹種的空間分布隨機，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、直轄市)優勢樹種的生物量方程來估算混交林中非優勢樹種的生物量，勢必產生誤差。而且，目前已發表文獻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)生物量方程的構建依據究中擬合方程的結果與一元立木生物量表中相應的預測值(曾偉生等，2011)發現，除第4章生物量方程的構建依據及數據來源|33達到了47%和60%(圖4.1),馬尾松干、枝、葉、根生物量的預估誤差分別達到了70%、130%、110%和40%(圖4.2)。這表明，生物量方程預估誤差隨徑級的增加而增大，這與Zianis(2008)的研究結果一致。如果用適合小徑級個體的生物量方程來計算大徑級生物量方程。故本研究在分省(自治區、直轄市)生物量方程的基礎上，建立群系分徑圖4.1落葉松(D≥20cm)一元生物量表中相應的預測值(曾偉生等，2011)與本研究中模型預測結果比較4.1.3全國優勢種(組)生物量方程的構建依據國分為5個熱量帶和1個高寒區(熱帶、亞熱帶、暖溫帶、中溫帶、寒溫帶和青藏高原高寒區),再以水分、植被為依據劃分為25個自然地帶和亞區；《中國植被區劃》綜合34|中國森林生態系統碳儲量——生物量方程劃分為華北、西北、東北、華東、中南、西南6個區域，或華中、華南、西南7個區域。圖4.2馬尾松(D≥20cm)一元生物量表中相應的預測值(曾偉生等，2011)與本研究中生物量方程預測結果比較為了方便用統一的方法比較不同地理區域和行政區劃的森林生態系統生物量，有必要構建全國尺度優勢樹種(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、優勢種和共優勢樹種)的生物量可能占群落總生物量的90%,考慮單獨建立其生物量方程，但其他非優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。森林資源連續清查技術規定》。本研究參考國家林業部門頒布的林業調查標準、植物分類原則，以及森林類型劃分(李海奎等，2012:羅云建等，2013),對生物學特征相似的樹種或森林進行歸并，共劃分出26個森林類型(表4.2)。第4章生物量方程的構建依據及數據來源|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]、海南五針松(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