森林生態功能空間格局研究
——以江西省貴溪市為例

毛旭鵬，饒高平，劉星劍

（江西省林業資源監測中心，南昌 330046）

森林不僅具有生產木材產品及附屬品的直接價值，還具有水源涵養、水土保持、氣候調節、環境凈化、生物多樣性保護等方面的森林生態功能［1，2］。20世紀70年代日本通過選取包括水源涵養、水土保持等六大類功能指標對全國森林開展了公益效能的計量和評價，對世界各國森林生態研究、建設等工作產生了積極影響。侯元兆等［3］比較全面地對包括涵養水源、防風固沙、凈化大氣3種生態價值的中國森林資源價值進行了評估。2003年國家林業局首次采用森林生態功能指數（FEFI）作為森林資源連續清查統計指標，并對森林生態功能進行綜合評價。目前，森林生態功能評價方法多以《國家森林資源清查技術規定》（2003）給定的方法進行測算分析［4-7］。

森林資源信息采集利用外業調查和遙感判讀相結合的方式，決定了森林資源指標數據的復雜性，最明顯的特點是數據的非線性、非正態化，這阻礙了森林生態功能的精準評定。神經網絡是高度非線性動力學系統和自適應組織系統，其大量信息并行處理和大規模并行計算能力能夠很好地解決這個問題［8］。現實應用最為廣泛的神經網絡模型是BP神經網絡，通過信息正向傳播和誤差反向傳播運算機制實現不斷自我學習，直至達到期望目標，可以擬合復雜的非線性關系［9］。BP神經網絡研究應用領域主要涉及信息科技、工程科技、經濟管理科學及基礎科學領域，其在林業領域集中應用于4個方面［10-14］：一是森林資源量估測，如生長量、蓄積量、森林碳儲量估測等；二是林業災害預測，如火災預測、森林病蟲害預測等；三是森林健康評價及預警，如小班尺度的森林健康評價；四是構建單木生長模型，如樹高-胸徑生長模型。

《國家森林資源清查技術規定》（2003）以森林生態功能指數與各評價因子之間的線性關系為邏輯前提，給定了森林生態功能評價指標體系，劃定了評價因子類型標準，確定了各評價因子的權重，并制定了森林生態功能評價方法。由于森林資源信息具有非線性特點，這種評價方法不能實現精準評價。本研究以江西省貴溪市為例，基于BP神經網絡構建森林生態功能模型，為研究區小班尺度及區域尺度的森林生態功能的空間格局提供研究基礎，以期達到3個目標：一是為森林生態功能準確評定提供新思路、新方法，二是為森林生態功能價值評估提供可靠依據，三是為提高研究區森林生態功能制定林業發展政策、指導林業生產活動提供理論支撐。

1 研究區概況

貴溪市（116°55′—117°28′E，27°51′—28°38′N）位于江西省東北部、信江中游，地處武夷山區向鄱陽湖平原過渡的中間地帶。境內整體地勢南北高，中間低，北部為懷玉山余脈，南部有武夷山脈蟠結，山地丘陵占71%。區域內土壤多偏酸性，丘陵崗地以紅壤為主，河谷盆地多為沖積土。屬亞熱帶季風濕潤氣候，氣候溫和，光照充足，雨量豐沛，無霜期長，年均氣溫14.4～18.9℃，年均降水量1 600～2 100 mm，年均無霜期268 d。

在中國森林植被區劃中，貴溪市屬亞熱帶常綠闊葉林區，共有11個植被類型、70個群系、91個群叢，主要植被類型有山地草甸、山頂矮林、山地灌叢、針葉林、針闊混交林、落葉闊葉林、常綠和落葉混交林、常綠闊葉林、硬葉常綠闊葉林、竹林、山地沼澤等，已查明的高等植物有244科848屬1 847種。在全國森林資源經營管理分區方案中，貴溪市屬于南方山地丘陵區中的南方低山丘陵亞區，是江西省重點林業縣（市）之一，全市林業用地面積14.20萬hm2，占國土總面積的63.5%，活立木總蓄積662.36萬m3，森林覆蓋率61.42%，毛竹6 045.4萬根（2013年）。

2 數據來源與處理

2.1 數據來源

根據研究區2013年森林資源數據更新成果及林地年度變更調查林地“一張圖”數據庫，選取了全區10 569個有林地小班調查數據，采用《國家森林資源清查技術規定》（2003）的8個評價因子開展森林生態功能研究。森林生態功能評價因子及類型劃分標準見表1。

表1 森林生態功能評價因子及類型劃分標準

2.2 數據處理

1）樣本擴充。為了提高網絡模型的魯棒性與適用性，防止網絡訓練出現過擬合現象，BP神經網絡訓練需要足夠的樣本數據［15］。如果僅以《國家森林資源清查技術規定》（2003）森林生態功能類型劃分標準臨界值作為訓練樣本，則只有3組訓練樣本，導致訓練結果不理想。因此，本研究按照森林生態功能評價指標體系，在每級標準值之間隨機產生500組樣本數據，擴充后的總樣本數據共1 500組，以提高網絡訓練的精確性和適應性［16］。

2）網絡訓練樣本隨機抽取。網絡模型構建包含網絡訓練、網絡檢驗和網絡仿真3個階段，需要將樣本數據分為訓練樣本、檢驗樣本和仿真樣本3部分。本研究仿真樣本為研究區2013年森林生態功能評價因子的真實值，從1 500組樣本數據中隨機抽取80%樣本作為訓練樣本，檢驗樣本占20%。

3）數據歸一化處理。在網絡訓練前，先對訓練樣本和檢驗樣本的輸入數據和輸出數據進行數據轉置，使得輸入數據和輸出數據的列數據相對應，然后對輸入數據進行數據歸一化處理，以便消除量綱的影響，提高網絡收斂速度［17］。

4）數據反歸一化處理。在網絡訓練完成后，要對樣本數據進行檢驗和仿真，檢驗和仿真結果取值范圍為（0，1），對檢驗和仿真結果進行反歸一化處理后得到其森林生態功能得分值。

3 結果與分析

3.1 小班尺度森林生態功能評價

3.1.1 BP神經網絡模型構建

1）BP神經網絡模型結構及參數。常用的BP神經網絡模型為1個有多個節點的輸入層、多個節點的隱含層以及1個或多個輸出節點的輸出層組成的3層網絡結構，通過大量的樣本訓練以確定網絡參數［18］。本研究采用基于數值最優化理論中Levenberg-Marquardt（trainlm）訓練算法構建BP神經網絡，由于森林生態功能仿真結果的輸出范圍在（0，1）之間，隱含層傳遞函數為tansig，輸出層傳遞函數為logsig，訓練參數見表2。輸入層節點數為8，代表8個評價因子，輸出層節點數為1，代表森林生態功能得分。由隱含層節點數的確定方法［19］確定其取值范圍為［4，13］，通過試湊法［20］確定隱含層節點數為5時，網絡均方誤差（MSE）最小，最終構建“8-5-1”3層小班尺度森林生態功能評價BP網絡結構。

表2 BP神經網絡訓練參數

2）BP神經網絡訓練與檢驗。按照本研究構建的BP神經網絡結構，借助MATLAB神經網絡工具箱進行網絡訓練，經過12次訓練循環，目標誤差小于1×10-5，網絡模型收斂，訓練結束，網絡均方誤差（MSE）為1.14×10-6。

利用300組檢驗樣本數據進行網絡檢驗，檢驗樣本數據的絕對誤差（E）最大值為0.004 8，最小值為5.10×10-6，平均絕對誤差為0.000 9，相對誤差最大值為0.359 5%，最小值為0.000 3%，平均相對誤差為0.052 1%。網絡檢驗誤差分析結果表明，該網絡結構及檢驗誤差能夠滿足研究的要求。

3）小班尺度森林生態功能模型構建。根據BP神經網絡基本原理，通過網絡訓練得到網絡輸入、輸出的連接權值和閾值，建立研究區小班尺度森林生態功能模型，見式1～式6。

式中，M表示小班森林生態功能得分，mi表示隱含層中的第i個神經元的輸出，i∈[1,5]，dj表示森林生態功能各評價因子值，j∈[1,8]。

根據樣本數據擴充規則及《國家森林資源清查技術規定》（2003）的森林生態功能等級評定標準，當M＜1.5、M∈[ 1.5,2.5)、M≥2.5時，小班森林生態功能等級分別為“好”“中”“差”。

3.1.2 小班尺度森林生態功能評價結果與分析 通過網絡仿真，測算研究區各有林地小班森林生態功能得分，得到研究區森林生態功能等級分級結果（圖1）。研究區森林生態功能等級為“好”“中”“差”的小班面積分別占林地小班面積的3.6%、88.4%、8.0%。森林生態功能中等的小班占研究區比例較大，分布廣泛，主要因素是研究區森林質量普遍不高。森林生態功能好的小班主要集中分布在冷水鎮平均海拔400 m的國家公益林林區，國家公益林面積占53.1%，主要森林植被類型為常綠闊葉林和針闊混交林。森林生態功能差的小班主要集中分布在文坊鎮平均海拔100 m左右的商品林林區，商品林面積占46.9%、省級公益林面積占27.7%，主要森林植被類型為馬尾松和杉木等針葉林。

圖1 森林生態功能等級分級

3.2 區域尺度森林生態功能評價

3.2.1 區域尺度森林生態功能模型構建 本研究對象森林生態功能指有林地上森林植被的森林生態功能，盡管灌木林地等其他林地植被也具有一定的生態功能，但不具備森林生態功能。因此，假定研究區非有林地之外的區域為一個整體小班，則其森林生態功能得分為0。根據BP神經網絡模型得到研究區有林地各小班森林生態功能得分，通過小班面積加權后得到區域尺度森林生態功能模型，見式7。

式中，Q為研究區區域尺度森林生態功能得分，j為研究區有林地與非有林地小班數量之和，本研究j=10 569+1，Si為第i個小班面積，S為研究區總面積，Mi為第i個小班的森林生態功能得分。

當Q＜1.5、Q∈[ 1.5,2.5)、Q≥2.5時，區域尺度森林生態功能等級分別為“好”“中”“差”。

3.2.2 區域尺度森林生態功能評價結果與分析 根據區域尺度森林生態功能模型測算，研究區區域尺度森林生態功能得分為0.609 7。在有林地中，中等水平森林生態功能小班面積占88.4%，比例較大。研究區有林地面積占區域總面積的41.9%，比例較小，導致整體森林生態功能處于較差水平。

3.3 森林生態功能空間均衡度評價指數模型構建

3.3.1 森林生態功能空間均衡度指數模型構建 為了研究區域森林生態功能的分布均衡狀況，根據研究區面積和空間形態，采用ArcGIS軟件創建漁網，將研究區劃分為97個等面積空間單元（圖2），按照式（8）分別測算每個單元的森林生態功能得分。參照張建國［21］提出的森林分布均衡度指數，提出森林生態功能空間均衡度指數，見式9。

圖2 森林生態功能空間單元劃分

式中，E為研究區森林生態功能空間均衡度指數，Q為研究區區域尺度森林生態功能得分，Qm為研究區第m個空間單元森林生態功能得分，Smi為第m個空間單元中第i個小班所占面積，Sm為研究區在第m個空間單元的總面積，Mi為第i個小班的森林生態功能得分，j為研究區有林地與非有林地小班數量之和，本研究j=10 569+1，n為劃分的空間單元個數。

當E=1時，森林生態功能在空間分布上最均衡，最有利于發揮區域森林生態功能。當E=0時，森林生態功能在空間分布上最不均衡，森林生態功能的發揮效果最差。

3.3.2 森林生態功能空間均衡度評價結果與分析根據森林生態功能空間均衡度指數模型測算，研究區森林生態功能空間均衡度指數為0.863 8，森林生態功能在空間分布上較為均衡，有利于發揮區域森林生態功能。97個空間單元的森林生態功能得分分布如圖3所示，第7、第54空間單元森林生態功能等級為“中”，其余95個空間單元森林生態功能等級為“差”。其中，第54空間單元與龍虎山世界地質公園毗鄰，有林地面積占研究區在此空間單元總面積的83.8%，95.6%的有林地面積為生態公益林，森林生態功能相對較強。

圖3 空間單元的森林生態功能得分分布

4 小結與討論

1）研究區小班尺度森林生態功能等級為“中”的占比較大，國家公益林保護成效顯著，加強對省級公益林的保護力度，重點從提升改造難度小且成本低的中等水平森林生態功能小班著手，通過實施低產低效林改造、開展近自然森林經營等措施方法提升小班森林質量，分階段逐步提升森林生態功能。

2）研究區森林生態功能在空間分布上較為均衡，整體森林生態功能較差，建議有計劃、科學地開展造林活動，逐步將有條件的其他林地轉變為有林地，加大針闊混交林或者闊葉混交林的造林范圍，以營造群落結構更加完整、生態功能更加穩定的林分，充分發揮區域森林生態功能。

3）在前人研究的基礎上，首次提出了森林生態功能空間均衡度指數，彌補了森林生態功能分布均衡狀況研究的空白，為研究區域森林生態功能的發揮功效奠定了基礎。

4）對研究區小班尺度森林生態功能進行了測定，分析其空間分布格局。測定了區域整體森林生態功能，并分析了其空間分布均衡狀況，對把控區域森林生態功能總體狀況及空間格局提供了新思路、新方法，森林生態功能動態變化、科學確定提升現有有林地小班森林生態功能的順序以及科學確定造林地塊順序將為決策者提供更加具體的參考，有待后續深入研究。