论文部分内容阅读
随着社会的经济发展,杉木林种植面积和蓄积量一度居于我国人工林首位并成为我国南方重要的速生用材树种。因此,研究杉木土壤养分元素与杉木生长的关系,对于维持及提升杉木人工林土壤肥力、为经营管理提供理论依据具有重要的意义。本研究以湖南省150块杉木人工林样地为研究对象,选用非线性混合效应模型方法,构建了基于土壤养分效应的杉木人工林立地指数模型。并以立地指数作为驱动变量,再次考虑土壤养分元素的影响,构建基于土壤养分效应的杉木人工林林分断面积生长模型,为杉木人工林的经营管理及指导施肥提供理论依据。主要研究内容及结论如下:(1)构建了杉木人工林立地指数模型。本文选用最常见的4种理论生长方程对杉木优势木平均高与年龄的相关关系进行模拟,模拟结果显示4种理论生长方程对优势平均高-年龄关系的拟合效果差异较小,其中含优势木平均高(HT)、年龄(T)的坎派兹(Gompertz)模型为最优基础模型,其确定系数R2=0.5481最高,平均绝对误差(MAE=1.0108)与均方根误差(RMSE=1.3028)最小。采用方差分析方法,以林分优势木平均高为因变量,以有机质(Om)、全氮(Tn)、有效磷(Ap)、速效钾(Ak)4种土壤养分元素因子为自变量,进行显著性因子筛选,得到Tn、Ap、Ak为显著性影响因子,其显著性顺序为Ap>Tn>Ak。将筛选得到的Ak、Ap、Tn通过组合来划分土壤养分元素类型(SNET),经过组合可将150个样本划分为54个SNET,由于初始土壤养分元素类型数过多,不利于混合模型的有效应用。为了简化混合效应模型和进一步提高模型模拟精度,本文采用K-means聚类,以聚类精度≥90%为标准,将54个初始土壤养分元素类型聚为4个土壤养分元素类型组(SNETG)。并以此为基础,将SNETG作为随机效应分别添加到最优基础模型各个参数上进行模拟,模拟结果显示:相较于基础模型,将SNETG作为随机效应加在参数a上模拟效果最优,R2从0.5481提高到0.6745、MAE从1.0108降低到0.8431、RMSE从1.3028降低到1.1107。最终根据最优模型曲线上基准年龄(20年)时对应的林分优势高得到立地指数。(2)构建了杉木人工林林分断面积模型。选用最常见的4个以立地指数代表立地质量的基础模型、4个以林分优势木平均高代表立地质量的模型分别进行模拟,模拟结果显示:其中以立地指数代表立地质量的基础模型模拟中,舒马克(Schumacher)模型3.11为最优基础模型,其R2=0.6851最高,MAE=3.7174与RMSE=4.8657最小。以林分优势木平均高代表立地质量的模型模拟中,舒马克(Schumacher)模型 3.15 为最优基础模型,其 R2=0.7429 最高,MAE=3.2808、RMSE=4.4009 最小。采用方差分析方法,以林分断面积为因变量,以4种土壤养分元素因子为自变量,进行显著性因子筛选,得到Om、Ak为显著性影响因子,其显著性顺序为Om>Ak。将筛选得到的Ak、Om通过组合可将150个样本划分为25个初始SNET,由于初始土壤养分元素类型(SNET)数过多,不利于混合模型的有效应用。本文采用K-means聚类,以聚类精度≥90%为标准,得到4个土壤养分元素类型组(SNETG)。并以此为基础,采用非线性混合效应模型方法,将SNETG作为随机效应添加到最优基础模型各个参数上进行模拟,其中以立地指数代表立地质量的混合效应模型模拟结果显示:相较于基础模型,添加了 SNETG的混合效应模型效果进一步提高,其中加在参数w上R2从0.6851提高到0.7863、MAE从3.7574降低到3.0738、RMSE从4.8957降低到4.0033,效果最优。以林分优势木平均高代表立地质量的混合效应模型模拟结果显示:相较于基础模型,添加了 SNETG的混合效应模型效果进一步提高,其中加在参数a上R2从0.7429提高到0.8106、MAE从3.2808降低到2.8269、RMSE从4.4009降低到3.7649,效果最优。根据初始土壤养分元素类型(SNET)应用到最优基础模型3.11及3.15拟合的随机效应参数值可得:土壤养分元素类型3的随机效应参数值(0.2056)及(0.0610)都为最高,即土壤养分元素类型3作为随机效应构建林分断面积混合效应模型的模拟效果最优,由此得到有机质Om含量在大于40g··kg-1、速效钾Ak含量在50~100 mg·kg-1时,有机质以及速效钾对林分断面积的生长影响最为有利。(3)研究证明了通过添加随机效应构建杉木人工林断面积生长模型的科学性和合理性,亦证明了土壤养分元素与杉木断面积生长密切相关,模拟结果可为杉木人工林林分生长收获和预估、经营管理、生产上指导施肥提供理论依据。