立木材积方程在林业工作中应用广泛。建立立木材积方程,不但在森林资源研究中具有重要意义,而且可以为提高木材的商业价值提供良好的建议。本文基于大兴安岭地区落叶松及樟子松数据,构建三种立木材积模型,分析比较了各材积模型的误差结构,并在各模型中加入误差函数来消除异方差。利用Ballantyne(2013)提出的似然分析法来判断落叶松和樟子松立木材积模型的误差结构。为了对比,利用S-PLUS软件的广义非线性GNLS模块拟合非线性模型。针对模型拟合产生的异方差现象,采用误差方差函数(固定方差、指数函数、幂函数和常数加幂函数)消除异方差。采用确定系数(R2)、均方根误差(RMSE)、绝对误差(Bias)和平均相对误差(MRE)对立木材积方程精度进行综合比较分析。结果表明,经似然分析法判断,各模型计算出的落叶松和樟子松立木材积方程的误差结构均是相乘的。为了描述立木材积模型构建过程中产生的异方差现象,将固定方差、指数函数、幂函数和常数加幂函数加入到立木材积模型中,所有方差函数都能降低材积模型的异方差。基于落叶松数据,在模型(1)中加入幂函数消除模型的异方差效果最好,模型(2)、(3)中加入常数加幂函数消除模型的异方差效果最好。基于樟子松数据,模型(1)中加入常数加幂函数消除模型的异方差效果最好,模型(2)、(3)中加入幂函数消除模型的异方差效果最好。非线性(相加误差结构)和线性(相乘误差结构)拟合和检验统计量的比较表明,落叶松相加误差结构和相乘误差结构立木材积模型的拟合和检验评价指标非常接近,模型(1)的相加误差结构拟合和检验精度略高于相乘误差结构,模型(2)、(3)相乘误差结构的拟合和检验精度略高于相加误差结构;樟子松相加和相乘立木材积模型拟合和检验评价指标同样非常接近,模型(1)的相加误差结构拟合和检验精度略高于相乘误差结构,模型(2)的相乘误差结构拟合和检验精度略高于相加误差结构,而模型(3)的相乘误差结构拟合精度略高于相加误差结构,而相加误差结构的检验精度略高。在分径阶检验中,大径阶树木的误差结构直接影响了整体结果,相对来说中小径阶树木的影响较小。文章并没有给出绝对和一致的结论,如果模型的预测是最重要的,建议对比非线性和对数转换的线性模型,选择精度较高的误差结构。