黃龍山林區白皮松古樹年齡估算

陳 晨，劉光武

(河南林業職業學院，河南 洛陽 471002)

1 引言

白皮松耐寒、耐旱、適應性強，是我國特有的鄉土樹種[1，2]，又因干形優美成為城市綠化和山區造林樹種[3，4]。受各種因素影響，野生白皮松僅零星分布在河北、河南、陜西、陜西等省的中低山區，黃龍山林區為野生白皮松林分布相對集中區。

自2016年，國家綠化委員會啟動全國古樹名木普查工作以來，古樹名木年齡的確定成為普查工作的難點。樹齡確定方法通常有文獻追蹤法、14C交叉定年法、生長錐測定法、CT掃描法等，文獻追蹤法有一定局限性，其它幾種方法又存在成本高、耗時長等問題。基于此，本研究以陜西黃龍山林區白皮松古樹為研究對象，采用生長模擬法分析古樹年齡與樹高、胸徑之間的關系，以期為白皮松樹齡確定提供科學依據。生長模擬法是一種準確、高效確定樹木年齡的方法。

2 材料與方法

2.1 研究區概況

材料來源于黃龍山林區(35°26′～35°46′N，110°08′～110°30′E)，氣候類型為暖溫帶季風型氣候，土壤類型主要為棕壤土、褐色土，pH值6.8～7.2。群落內伴生樹種主要有油松(Pinustabulacformis)、栓皮櫟(Quercusvariabissis.)、陜西莢蒾(Viburnumschensianum)、短梗胡枝子(Iespedezacyrlobotrya)、繡線菊(Spiraea)等。

2.2 數據采集方法

在調查區域內不同立地條件下，設置8塊標準地，標準地面積為20 m×30 m。在標準地內進行每木檢尺，根據統計結果在標準地內選擇1～2株標準木，共得到16株標準木。從16株標準木中選擇4株作為解析木，按照2m段長進行樹干解析，其余標準木實測胸徑、樹高，并用生長錐測定樹齡。

2.3 模型構建

基于神經網絡構建年齡與胸徑、樹高的生長模型，依據樹干解析資料求模型參數，并依據擬合精度、均方根誤差MSE判斷模型優劣。模型表達式為：A=purelin(logsig(D,H))；A=purelin(logsig(D))。式中A為齡階(a)，D為胸徑(mm)，H為樹高(m)，purelin、logsig為神經網絡直線、曲線函數。

用未做解析木的標準木數據為檢驗樣本，檢驗所構建模型的適應能力。

3 結果與分析

3.1 雙輸入模型構建

以解析木各齡階胸徑、樹高為輸入向量，以各齡階A為輸出向量，構建林分生長神經網絡模型，將模型命名為net3。利用所得解析木數據反復訓練所構建的模型，最終得到合適的神經網絡表達式，如式(1)～(4)：

A=purelin(-5.2853X1+0.32072X2-9.8404X3+8.532)

(1)

X1=logsig(11.0843D-7.1368H-7.2369)

(2)

X2=logsig(-12.1074D+13.0953H-1.7178)

(3)

X3=logsig(-1.639D+0.45951H+2.3208)

(4)

擬合精度為99.03%，實測值與擬合值的相關系數為99.905%，均方根誤差為0.29011。擬合效果圖如圖1所示，由擬合效果圖可知神經網絡能很好地擬合實測數據。

(a)胸徑擬合效果 (b)樹高擬合效果

3.2 單輸入模型構建

以解析木胸徑為輸出向量，以對應齡階為輸入向量構建林分生長模型，將模型命名為net2。再用解析木數據反復訓練所構建的模型，得到適宜的模型表達式，如(5)～(7)：

A=purelin(-0.66408D1+1.9928D2-0.7207)

(5)

D1=logsig(-8.7431D+7.0354)

(6)

D2=logsig(1.6789D+0.28741)

(7)

模型擬合精度為98%，均方根誤差為0.43722。

3.3 模型檢測

為檢測模型的適應能力，用未參與模型構建的標準木數據，代入式(1)～(4)函數表達式，檢測精度為80.19%；將同樣的標準木數據代入式(5)～(7)，檢測精度為79.70%。檢測結果如表1所示。

表1 生長模型檢測結果

4 結論

本研究以黃龍山林區白皮松樹干解析資料為依據，用神經網絡建模技術分別構建了白皮松雙輸入生長模型與單輸入生長模型，兩種模型擬合精度分別為99.03%、98%。用未參與建模的標準木數據檢測模型的適應能力，檢測精度分別為80.19%、79.70%。研究認為神經網絡建模技術具有很好地擬合非線性生長模型的能力，同時具有較好地適應推廣能力。

分別用神經網絡建模技術構建了雙輸入及單輸入的模型，雙輸入模型結構更復雜，但擬合精度與檢測精度只比單輸入的模型稍高一點。研究認為，綜合考慮胸徑、樹高等因素，可以提高古樹年齡的估測精度，但構建單輸入模型也可以較為準確地估測古樹年齡。

構建的兩種生長模型擬合精度都比較高，但檢測精度相對較低，這與建模數據的代表性有關，后期期望能得到更多的建模數據，以提高模型的檢測能力。