全 文 ：基于空间结构调查的林分密度估计*
王宏翔摇 惠刚盈**摇 张弓乔摇 李远发摇 刘摇 恩
(中国林业科学研究院林业研究所 /国家林业局林木培育重点实验室, 北京 100091)
摘摇 要摇 利用林分空间结构抽样调查技术,采用测量抽样点到其第 k 株最近相邻木的距离
(距离法)进行密度估计,分别选取 k = 4 和 k = 6 两种距离调查方法进行分析,并对 Prodan、
Persson、Thompson 3 种不同密度估计方法的预估能力进行检验.结果表明:不同预估方法的预
估能力受林木水平分布格局影响. Prodan 法在均匀分布的林分中有较强的预估能力,随着分
布格局聚集性增加会产生越来越大的偏差;Persson计算法在均匀及随机分布的林分中产生正
偏差,但随着分布格局聚集性增加产生的相对误差接近 0,预估能力增强;Thompson 计算法对
随机或接近随机分布的林分有较强的预估能力,而在均匀分布和聚集分布的格局中分别产生
正偏差和负偏差.抽样点为 49 个时,选择 6 株木与 4 株木预估能力无显著差异,因此,密度估
计可与选取 4 株相邻木的空间结构参数调查整合在一起.
关键词摇 林分空间结构摇 距离法摇 密度估计摇 空间分布格局摇 角尺度
文章编号摇 1001-9332(2014)07-1912-07摇 中图分类号摇 S758. 5摇 文献标识码摇 A
Stand density estimation based on the measurement of spatial structure. WANG Hong鄄xiang,
HUI Gang鄄ying, ZHANG Gong鄄qiao, LI Yuan鄄fa, LIU En ( Institute of Forestry, Chinese Academy
of Forestry / Key Laboratory of Tree Breeding and Cultivation, State Forestry Administration, Beijing
100091, China) . 鄄Chin. J. Appl. Ecol. , 2014, 25(7): 1912-1918.
Abstract: This study estimated stem density by combining distance sampling with stand spatial
structure investigation techniques. We tested the statistical performance of two investigative methods
(selecting the fourth鄄 or sixth鄄nearest tree to the sample location) and three different density estima鄄
tors (Prodan, Persson and Thompson). Different spatial distribution patterns influenced the per鄄
formance of these estimators. Prodan爷s estimator was unbiased for uniform patterns, and it pro鄄
duced increasing bias with increasing spatial clustering. Persson爷 s estimator produced consistent
positive bias for uniform and random patterns, with the smallest bias for clustered patterns. Thomp鄄
son爷s estimator was robust for random or near鄄random patterns, and it produced positive and nega鄄
tive bias for uniform and clustered patterns, respectively. No significant performance difference was
found between selecting the fourth鄄 and the sixth鄄nearest trees with the same sample size of 49.
Thus, we could combine distance sampling with spatial structure investigation techniques.
Key words: stand spatial structure; distance sampling; density estimation; spatial pattern; uniform
angle index.
*“十二五冶国家科技攻关计划项目(2012BAD22B03)资助.
**通讯作者. E鄄mail: hui@ caf. ac. cn
2013鄄09鄄30 收稿,2014鄄04鄄25 接受.
摇 摇 现代森林经营理念不再仅以木材生产为向导,
而是将培育多功能林业作为发展方向. 经营理念的
改变相应地会要求更多的森林调查信息[1] . 近年
来,通过调整林分结构以达到发挥森林多功能的理
念越来越受到重视[2],并且在表达、分析、模拟、重
建林分结构方面已有大量研究[3] . 目前,关于林分
空间结构描述方法已有深入研究,并形成了成熟的
点抽样调查技术[2,4] . 为特定专业目的设计的抽样
调查技术应同时具有准确估计林分常规调查因子的
能力,对于林分空间结构无样地抽样(点抽样)调
查,获得抽样点周围相邻木空间结构信息(如分布
格局、混交度等)的同时如能进行常规林分因子(如
密度、断面积等)调查,可以同时获取林分非空间结
构和空间结构信息.
作为森林资源调查的最基本任务之一,林分密
度估计关系到林分材积、生物量、碳储量等特征的测
应 用 生 态 学 报摇 2014 年 7 月摇 第 25 卷摇 第 7 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
Chinese Journal of Applied Ecology, Jul. 2014, 25(7): 1912-1918
算[5],如何利用合适的抽样调查方法对其准确估计
已成为国际研究热点[6] .以测量样点到其周围最近
第 k株树的距离为依据来估算林分密度的方法(距
离法),比标准地法等具有操作简单、灵活、省力等
优点[7-10],而便携式测距仪的发展更为其提供了方
便的应用条件.此外,距离法可与其他不同类调查进
行结合,因此对生态学研究和森林经营调查都有重
要作用[11] .目前,有很多研究从预估准确度方面,发
展了多种距离法来估计林分密度[12] . 然而,林分的
最近邻木距离分布与林木的水平分布格局有
关[13-14],简单的通过测量样点到其最近第 k 株树的
距离推算密度,其精度和稳定性会随着林木分布格
局的变化而变化[14-15] . 因此,选择一种可靠的方法
需预先得知所调查林分的分布格局类型以及该方法
在不同分布格局类型中的预估能力.另外,为了提高
预估精度可以测量抽样点与更多相邻木的距离,但
是调查方法越复杂,成本越大,尤其在一些地势陡
峭、林木分布较为稀疏的林地,过多的移动测量会费
时、费力,所以寻求一种折中的方法十分必要.
本研究基于林分空间结构抽样调查技术,分析
了 3 种常用的距离法随着林木分布格局变化时它们
预估能力的变化,将林分空间结构参数调查与密度
调查整合,为林分空间结构参数调查和密度估计提
供通用方法,同时分析得出各密度估测方法适合的
分布格局范围,以林分结构参数角尺度作为判断林
木分布格局状态的标准,讨论如何根据林分角尺度
值选择出适宜的密度估测方法.
1摇 研究地区与研究方法
1郾 1摇 数据来源
数据由模拟数据和实测样地数据两部分组成.
模拟林分是面积均为 100 m伊100 m 的标准地,密度
为 1000 株·hm-2 .实地调查的林分包括一块均匀分
布的人工林,两块随机分布的天然林以及一块聚集
图 1摇 林分空间结构参数抽样示意图
Fig. 1摇 Sketch of sampling method for stand structure parameters.
玉: 抽样点 Sampling point; 域: 抽样点周围 4 株参照树或可为其他
参照树的相邻木 Four reference trees around sampling points or neigh鄄
bors to other reference trees; 芋: 参照树的最近邻居 Neighbors of refer鄄
ence trees.
程度不明显的天然林. 人工林为白皮松(Pinus bun鄄
geana)纯林,于 1928 年栽植,期间未有人为干扰,现
存的林木是自然稀疏的结果. 3 块天然林样地均位
于吉林省蛟河林业实验区,海拔 500 m,样地较为平
坦,坡度在 3毅 ~ 6毅,土壤为暗棕壤,样地内树种丰
富,林木间大小分化较大,基本保持着天然林的结构
特征.各林分的概况见表 1.
调查林分内胸径>5 cm 的单株树木坐标、胸径
等,以林分角尺度值(W)判断水平分布格局类型,W
在[0. 475,0. 517]为随机分布,当 W>0. 517 时为团
状分布,W<0. 475 时为均匀分布[16] .
1郾 2摇 林分空间结构参数抽样调查
将被调查的森林地段用系统网格划分,网格线
之间的距离约为 15 m,以调查林木不重复为原则,
网格间交叉点作为抽样点,调查抽样点最近 4 株相
邻木的属性和空间结构参数(如角尺度、混交度、大
小比数),在天然林林分中共设置 49 个抽样点可满
足对以空间结构单元为基础构筑的林分空间结构参
数的调查(图 1),而对于结构简单的人工林,在样地
中设置约 20 个抽样点即可[2,4] .本研究除样地 1(人
工纯林)设置 25 个抽样点外,其他样地均设 49 个抽
样点.
表 1摇 实地调查的各林分状况
Table 1摇 Stand characteristics in the experimental plots
样地
Plot
样地大小
Size
(m2)
每公顷株数
Trees per
hm2
平均胸径
DBH
(cm)
林分角尺度
Uniform
angle index
格局类型
Spatial
pattern
林分类型
Stand type
试验地点
Location
1 5700 1422 18. 1 0. 390 均匀
Uniform
白皮松纯林
P. bungeana pure forest
北京,中国林科院
Chinese Academy of Forestry, Beijing
2 10000 936 16. 4 0. 497 随机
Random
阔叶红松林
P. koraiensis broad鄄leaved forest
吉林蛟河
Jiaohe, Jilin
3 10000 830 17. 6 0. 486 随机
Random
阔叶红松林
P. koraiensis broad鄄leaved forest
吉林蛟河
Jiaohe, Jilin
4 10000 748 17. 7 0. 529 团状
Cluster
阔叶红松林
P. koraiensis broad鄄leaved forest
吉林蛟河
Jiaohe, Jilin
31917 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 王宏翔等: 基于空间结构调查的林分密度估计摇 摇 摇 摇 摇 摇
1郾 3摇 模拟林分的产生
Winkelmass软件是专门的林分空间结构分析软
件,它不仅用于计算林分空间结构参数,也可模拟具
有不同结构特征的林分类型,目前在很多研究中得
到了应用[17-18] .为避免不全面的分布格局类型分析
得出片面的结果,本研究利用 Winkelmass 软件模拟
产生多种类型的分布格局,分布格局由特别均匀的
状态逐渐过渡到随机分布的中间状态,再由随机状
态逐步过渡到聚集程度较强的团状分布(图 2). 依
据产生的分布格局具有均匀(或聚集)分布梯度性
原则,按照以下方法产生模拟林分:1)在均匀分布
格局类型中,分别设置变异 5% 、20% 、40% 、60% 、
80% 5 种逐渐向随机分布过渡的格局(变异值越小
分布越均匀,变异值越大分布越接近于随机,当变异
程度为 100%时为完全随机分布). 2)对于团状分
布,在模拟密度为 1000 株·hm-2的样地中,分别产
生具有 400、300、200 个团的 3 种团状分布类型(聚
集程度依次增强). 为了验证以上产生的格局类型
具有均匀鄄随机鄄聚集分布的梯度性,在每个均匀(或
聚集)梯度上模拟产生 30 块林分,计算它们的平均
角尺度值(W)和标准差.由表 2 可以看出,角尺度值
由 0 逐渐增大,聚集程度最大时角尺度值为 0郾 58,
同一分布格局梯度间角尺度标准差在 0. 007 附近,
差异较小.
1郾 4摇 林分密度估计
以测量抽样点到其第 k株最近相邻木的距离为
依据进行密度估计,分别选取 k=4 和 k=6 两种不同
的距离调查方法进行分析,在获取距离分布信息后
图 2摇 不同分布格局类型的林木水平分布
Fig. 2摇 Stand horizontal distribution of different spatial patterns.
a) 均匀变异程度 5% Uniform variation of 5% ; b) 均匀变异程度 20% Uniform variation of 20% ; c) 均匀变异程度 40% Uniform variation of 40% ;
d) 均匀变异程度 60% Uniform variation of 60% ; e) 均匀变异程度 80% Uniform variation of 80% ; f) 随机 Random; g) 400 clusters·hm-2; h)
300 clusters·hm-2; i) 200 clusters·hm-2 .
表 2摇 不同分布格局梯度的角尺度值
Table 2摇 Values of uniform angle index for different spatial patterns
格局变化
Pattern change
均匀变异程度 Uniform variation (% )
5 20 40 60 80
随机
Random
400 团
400 clusters
300 团
300 clusters
200 团
200 clusters
角尺度均值 Uniform angle index 0 0. 23 0. 42 0. 44 0. 46 0. 50 0. 53 0. 55 0. 58
标准差 SD 0. 000 0. 009 0. 004 0. 006 0. 007 0. 007 0. 006 0. 006 0. 007
4191 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 25 卷
采取不同的计算方式对林分密度进行预估,依据简
洁、较易理解的原则采用以下 3 种不同的计算方式:
1) Prodan[19]提出“6 株木冶估算密度的方法是
经典的距离法之一,以第 6 株树木的中心到样点距
离作为样圆的半径,以此推算样圆面积,因为样圆半
径是到第 6 株树的中心距离,所以每个样圆应包括
5. 5 株树,其密度公式为:N( hm2 ) = 5. 5 伊 10000 /
[仔E( r6 2)].类似于 6 株木法,本研究将此方法推广
至一般情况[20-21]:以样点为中心,测量样点到其最
近第 k株木距离的密度公式为:N(hm2)= (k-0. 5)
伊10000 / [仔E( rk2)].其中,E( rk2)为距离平方的均
值.
2)Magnussen 等[12]根据 Thompson[22]推导出的
到第 k株相邻木的平均距离模型,得出以下密度估
计公式:N(hm2)= (n伊k-1) 伊n-1仔-1E-1( rk2).其中:
n为抽样点数;E( rk2)为距离平方的均值.
3)Persson[23]用距离中位数法估计林分密度,其
计算公式为:N(hm2)= k伊10000 / (仔 寛rk2).其中,寛r为
样点到第 k株最近相邻木距离的中位数[11] .
1郾 5摇 数据处理
采用 Winkelmass 软件对模拟林分和现实林分
进行点抽样.林地缓冲区设为 5 m,抽样点坐标不在
缓冲区范围内,位于缓冲区内的树木只作为抽样点
的最近相邻木.保存抽样过程中抽样点的坐标,使用
Visual Basic语言编写程序,查找抽样点的最近 k 株
相邻木,计算样点到其相邻木的距离,根据1. 4 中的
公式计算每种方法的密度预估结果.
1郾 6摇 估计能力检验
计算不同重复预估结果间的平均相对误差
(relative bias,RB)、平均相对误差绝对值( absolute
relative bias,ARB)和相对均方根误差( relative root
mean square error,RRMSE)等,对不同方法的预估能
力进行检验[12,20-21] .平均相对误差值表示估计系统
误差的多少;相对均方根误差不仅反映估计值间的
离散程度而且能表示预估值与实际值间的差异,是
重要的检验指标[24];由平均相对误差绝对值的大小
可知估计值偏离实际值的程度.
RB =移
n
i = 1
( Y^i - Y) / Yn
ARB = (移
n
i = 1
| Y^i - Y | ) / Yn
RRMSE = Y -1
移
n
i = 1
[( Y^i - 軈Y) 2]
n - 1 + (
軈Y - Y) 2
式中:Y^i 为预估值;Y 为实际值;軈Y 为预估值的平均
值;n为样本数.
2摇 结果与分析
2郾 1摇 分布格局变化对密度预估的影响
每个格局变化梯度均产生 30 块模拟林分.由图
3 可知,Prodan 法在均匀分布格局范围内其预估值
与实际值较吻合,而林分分布格局由随机向聚集变
化,即在聚集程度增加的过程中,Prodan法会产生越
来越大的负偏差. Persson法在整个均匀及随机分布
格局范围内都有较大的正偏差,但随着聚集程度增
加相对误差逐渐减小. Thompson 法在均匀分布范围
内均有与 Persson法相似的正偏差,聚集程度越强其
产生的负偏差越大,而在随机分布即角尺度为 0. 5
附近,Thompson法产生的相对误差接近 0.由图 3 和
表 3 可知,3 种不同的预估方法在分布格局不同时
其预估能力不同. Prodan 法在整个均匀分布格局范
围内有较强的预估能力,当角尺度值增加到 0. 46
时,Prodan 4 株法的 RRMSE和 ARB均为 0. 06,预估
准确性较高,当角尺度值>0. 5 则会产生越来越大的
偏差. Persson 法在所有分布格局中产生的 RRMSE
均较为稳定,但当角尺度值>0. 5 时产生的 RRMSE
和ARB值低于角尺度<0郾 5的范围,即Persson法在
图 3摇 分布格局变化对不同方法预估 RB和 RRMSE的影响
Fig. 3 摇 Influences of different spatial patterns on RB and
RRMSE using different estimators.
51917 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 王宏翔等: 基于空间结构调查的林分密度估计摇 摇 摇 摇 摇 摇
表 3摇 不同预估方法在不同分布格局中的 ARB
Table 3摇 ARB of density estimators for different spatial patterns
格局类型
Spatial pattern
角尺度
Uniform angle index
平均相对误差绝对值 Absolute relative bias
Prodan 4 Prodan 6 Persson 4 Persson 6 Thompson 4 Thompson 6
均匀 0. 00 0. 05 0. 02 0. 16 0. 14 0. 19 0. 10
Uniform 0. 23 0. 03 0. 02 0. 15 0. 11 0. 16 0. 08
0. 42 0. 02 0. 02 0. 14 0. 09 0. 12 0. 07
0. 44 0. 04 0. 03 0. 14 0. 10 0. 11 0. 07
0. 46 0. 06 0. 03 0. 13 0. 06 0. 08 0. 06
随机 Random 0. 50 0. 10 0. 07 0. 10 0. 08 0. 05 0. 04
团状 Cluster 0. 53 0. 19 0. 14 0. 11 0. 06 0. 10 0. 06
0. 55 0. 27 0. 20 0. 08 0. 08 0. 17 0. 12
0. 58 0. 33 0. 28 0. 10 0. 08 0. 25 0. 22
表 4摇 不同预估方法对现实林分密度估计的 ARB和 RB
Table 4摇 ARB and RB of different estimators for each experimental plot
样地
Plot
Prodan 4
ARB RB
Prodan 6
ARB RB
Persson 4
ARB RB
Persson 6
ARB RB
Thompson 4
ARB RB
Thompson 6
ARB RB
1 0. 06 0. 05 0. 05 0. 04 0. 26 0. 26 0. 19 0. 19 0. 18 0. 18 0. 13 0. 13
2 0. 11 -0. 11 0. 07 -0. 08 0. 09 0. 08 0. 07 0. 06 0. 03 0. 01 0. 02 0. 00
3 0. 11 -0. 11 0. 07 -0. 07 0. 13 0. 12 0. 09 0. 09 0. 04 0. 01 0. 03 0. 01
4 0. 12 -0. 12 0. 08 -0. 08 0. 10 0. 08 0. 04 0. 04 0. 05 -0. 01 0. 04 -0. 01
聚集分布范围内产生的预估偏差小于均匀分布范围.
Thompson法在角尺度值为 0. 5 附近有较高的预估准
确性,其 RRMSE和 ARB值均<0. 05,随着林分分布格
局均匀性或聚集性增加其预估能力逐渐减弱. Thomp鄄
son法和 Persson法在角尺度为 0. 53时(轻微聚集)产
生的 ARB 和 RRMSE 值有相似的预估能力,表明
Thompson法在随机分布及角尺度<0. 53、轻微聚集分
布的林分中均有较好的预估能力.
2郾 2摇 不同相邻木个数对密度估计的影响
由图 3 和表 3 可知,对于 Prodan 法,4 株木与 6
株木预估能力的差异表现在角尺度值>0. 5 的范围
内,即分布格局为随机和团状分布,而对于均匀分布
的林分二者产生的 ARB 和 RRMSE 值差异很小. 角
尺度<0. 53 时,Persson 6 株法的 RRMSE 明显高于
Persson 4 株法,但角尺度>0. 53 时二者的 RRMSE和
ARB差异减小,表明聚集分布的格局中选择 6 株木
调查不比 4 株木具有明显优势. Thompson 6 株法在
均匀和团状分布的林分中较 4 株法有优势,但二者
在随机分布范围中产生的 ARB 和 RRMSE 均相差
0. 01,差异很小.可知,不同方法选择 6 株木与 4 株
木之间的差异主要体现在它们预估能力较差的分布
格局范围内,而对于各自适合预估的分布格局范围,
选择 6 株木与 4 株木间的预估能力并无明显变化.
2郾 3摇 不同预估方法在现实林分中的应用
由表 4 可知,对于均匀分布的林分,Prodan法有
很好的预估能力,Persson 法和 Thompson 法均有较
大的正偏差.对于 2 块随机分布的林分(样地 2、3),
Thompson法表现最好,其相对误差绝对值<0. 04,最
大相对误差为 1. 4% ;Prodan法预估负偏差,而 Pers鄄
son法产生一定的正偏差. 对于聚集程度较低的样
地 4 来讲,Thompson法及 Persson 6 株木法均有良好
的预估能力,相对误差较小,而 Prodan 法有较多的
负偏差.各预估方法在以上现实林分中的表现说明,
Prodan 法对于较均匀分布的林分估计能力较好,对
于随机及接近于随机分布的林分,Thompson 法有稳
健的估计能力,其相对误差仅在 1%左右.
3摇 讨摇 摇 论
现代森林经营技术注重森林非空间结构与空间
结构信息的整合[25],寻找一种简单、易行的抽样方
法同时获取非空间结构及空间结构信息是林分信息
调查要求的.林分密度作为林分的最基本特征之一,
其抽样调查方法一直是人们关心的问题. 最直接的
办法是通过计数一定林地面积内林木的个数来代表
整体,但它需要足够的样地面积. 李丽等[26]研究发
现,当样地面积为 50 m伊50 m 时,估计的密度和断
面积与实际值差异<10% . 由于样地法在结构和地
形复杂的天然林中难以操作,其预估能力会随着样
地的大小及形状变化[27],而且对样地内林木准确计
数较难,成本较高.角规测树打破了传统每木检尺的
6191 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 25 卷
方法,节省了调查时间,但在复杂结构的林地中,因
受灌木或杂草的遮挡而无法确定林木是否进入角规
检尺,需要进行测距分析,其技术要求严格[28],使之
在应用过程中会产生更多的培训费用[21] .距离法在
陡峭、复杂的林地中容易实施,有着良好的预估能
力,且易于与林分空间结构调查相结合,因此在实际
调查中有着明显的优势,但是现有的距离估计法很
多建立在林分具有特定分布格局的条件下[7,11],不
同的估计方法在不同林分分布格局中预估能力有差
异[29],使用不适合特定分布格局的方法有时会得到
错误的密度信息,因此提前获取林木分布格局信息
为应用简洁、易行的距离法提供了可靠性. 近年来,
发展了多种在不明确林分分布格局时通用的预估方
法[6,14,30],但其调查过程繁琐复杂,计算复杂不易理
解,因此会产生较多的调查及培训费用.作为林分空
间结构参数之一,角尺度既不用测距又不需准确度
量角度,而且能够准确表达出林木分布均匀或聚集
程度.将测量样点到第 k 株树的距离作为附带工作
融合在结构参数调查中,结合林分角尺度值可以选
择出合适的密度估计方法.我国早在 20 世纪 70 年
代引入了 Prodan提出的 6 株木法,并对其进行过一
些浅显的应用研究,由于缺乏林分结构计算机模拟
技术,一直以来不了解 6 株木法的适用范围,以及未
实现灵活应用.
通过模拟林分与现实林分的检验,我们发现不
同方法对于不同分布格局的林分预估能力不同. 与
Kleinn和 Vilcko[20]、Haxtema 等[21]研究结果相似,
经典的密度预估方法 Prodan 法在均匀分布的林分
中有较强的预估能力. 本研究用距离平方平均值计
算时,Prodan 法在随机分布格局中会产生一定的负
偏差,随着分布格局聚集性增加会产生越来越多的
负偏差,而在使用距离平方调和平均值计算时会得
到与 Kleinn和 Vilcko[20]、Haxtema 等[21]研究结果一
致的正偏差,随着聚集性增加正偏差越大.但在计算
过程中发现,用距离平方平均值的计算方法要优于
距离平方调和平均值的计算方法. 面积及株数一定
时,随着林分分布格局的聚集性增加,样点到最近第
4(或 6)株相邻木的平均距离增加,因此,使用何种
平均值进行计算对聚集性强的林分均会产生一定的
偏差. Persson法使用中位数的计算方式在均匀及随
机分布的林分中会产生正偏差,但随着分布格局聚
集性增加产生的相对误差减小,预估能力增强.
Thompson法对随机分布或接近于随机分布的林分
有较强的预估能力,而在均匀分布与聚集分布的格
局中分别产生正偏差和负偏差. 本研究探讨了结合
林分角尺度值应该选择何种密度估计方法,然而很
多研究只是探讨林分密度,并不研究林分的分布格
局,因此,以后的研究可在未知林分分布格局的情况
下提出一些稳健的密度估计方法,或者已经知道林
分属于何种分布状态时可直接选择合适的预估
方法.
Prodan[19]和 Staupendahl[31]认为,选择样点周围
6 株木是准确性与调查费用两方面折中的调查方
法;Lynch 和 Rusydi[10]则认为,对于 Prodan 法选取
第 5 株最近相邻木是最有效的估计方法. 调查抽样
点同为 49 个时,对比 k = 4 与 k = 6 间的预估能力差
异发现,不同方法选择 6 株木与 4 株木之间的差异
主要体现在它们预估能力较差的分布格局范围内,
而对于各自适合的分布格局范围,选择 6 株木与 4
株木无明显差异.因此,密度估计可与选择 4 株最近
相邻木的空间结构参数调查整合在一起.
4摇 结摇 摇 论
可以将密度调查结合在林分空间结构抽样调查
过程中,在得到样点到最近相邻木的距离信息后,结
合所调查林分的角尺度值,选择合适的估计方法.当
选择抽样点最近第 4 株相邻木调查时,在均匀分布
的林分中,应用 Prodan 计算方法预估的平均误差
<0. 06,Thompson法在随机分布的林分中预估的平
均误差为 0. 05,其在角尺度值<0. 53、聚集程度较低
的林分中也有较强的预估能力,而 Persson法更适合
对角尺度值>0. 53、聚集性强的林分进行预估,其平
均误差<0. 1. Prodan、Thompson 及 Persson 三种方法
适合预估的林分角尺度区间分别为 [0,0. 47]、
[0郾 47,0. 53]、[0. 53,0. 58].因此,将距离法与林分
角尺度值结合在一起更能增加可靠性. 本研究未对
角尺度>0. 58、分布特别聚集的林分进行试验,因为
在林木分布稀疏、聚集的草原森林中通常不使用距
离法估计密度[11] .
参考文献
[1]摇 Stoyan D, Penttinen A. Recent applications of point
process methods in forestry statistics. Statistical Science,
2000, 15: 61-78
[2]摇 Hui G鄄Y (惠刚盈), Klaus KV, Hu Y鄄B (胡艳波), et
al. Structure鄄based Forest Management. Beijing: China
Forestry Publishing House, 2007 (in Chinese)
[3]摇 Pommerening A. Evaluating structural indices by revers鄄
ing forest structural analysis. Forest Ecology and
Management, 2006, 224: 266-277
71917 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 王宏翔等: 基于空间结构调查的林分密度估计摇 摇 摇 摇 摇 摇
[4]摇 Hui G鄄Y (惠刚盈), Gadow KV. Quantitative Analysis
of Forest Spatial Structure. Beijing: Chinese Science
and Technology Press, 2003: 57-62 (in Chinese)
[5]摇 Hanberry BB, Fraver S, He HS, et al. Spatial pattern
corrections and sample sizes for forest density estimates
of historical tree surveys. Landscape Ecology, 2011,
26: 59-68
[6]摇 Nothdurft A, Saborowski J, Nuske R, et al. Density
estimation based on k鄄tree sampling and point pattern
reconstruction. Canadian Journal of Forest Research,
2010, 40: 953-967
[7]摇 Picard N, Bar鄄Hen A. Estimation of the density of a
clustered point pattern using a distance method. Envi鄄
ronmental and Ecological Statistics, 2007, 14: 341-351
[8]摇 Hall JB. Multiple鄄nearest鄄tree sampling in an ecological
survey of Afromontane catchment forest. Forest Ecology
and Management, 1991, 42: 245-266
[9]摇 Lessard VC, Reed DD, Monkevich N. Comparing n鄄tree
distance sampling with point and plot sampling in north鄄
ern Michigan forest types. Northern Journal of Applied
Forestry, 1994, 11: 12-16
[10]摇 Lynch TB, Rusydi R. Distance sampling for forest
inventory in Indonesian teak plantations. Forest Ecology
and Management, 1999, 113: 215-221
[11]摇 Magnussen S. A new composite k鄄tree estimator of stem
density. European Journal of Forest Research, 2012,
131: 1513-1527
[12]摇 Magnussen S, Kleinn C, Picard N. Two new density
estimators for distance sampling. European Journal of
Forest Research, 2008, 127: 213-224
[13]摇 Hui G鄄Y (惠刚盈), Xu H (徐摇 海), Hu Y鄄B (胡艳
波). Model for forecasting the distribution of the mini鄄
mum tree鄄to鄄tree distances. Journal of Beijing Forestry
University (北京林业大学学报), 2006, 28(5): 18-
22 (in Chinese)
[14]摇 Magnussen S, Fehrman L, Platt W. An adaptive com鄄
posite density estimator for distance sampling. European
Journal of Forest Research, 2011, 131: 307-320
[15]摇 Loetsch F. Trans. Lin C鄄G (林昌庚), Sha Z (沙
琢). Forest Inventory. Beijing: China Forestry Publish鄄
ing House, 1985: 708鄄710 (in Chinese)
[16]摇 Hui G鄄Y (惠刚盈), Klaus VG, Hu Y鄄B (胡艳波), et
al. Characterizing forest spatial distribution pattern with
the mean value of uniform angle index. Acta Ecologica
Sinica (生态学报), 2004, 24(6): 1225 -1229 ( in
Chinese)
[17]摇 Hui G鄄Y (惠刚盈), Li L (李摇 丽), Zhao Z鄄H (赵中
华), et al. The comparison of methods in analysis of the
tree spatial distribution pattern. Acta Ecologica Sinica
(生态学报), 2007, 27 (11): 4717 - 4728 ( in Chi鄄
nese)
[18]摇 Petritana AM, Birisa AL, Mercea O. Structure and
diversity of a natural temperate sessile oak ( Quercus
petraea L. )-European beech (Fagus sylvatica L. ) for鄄
est. Forest Ecology and Management, 2012, 280: 140-
149
[19]摇 Prodan M. Point鄄to鄄object distance sampling for forest
management planning. Forestry and Timber Industry,
1968, 23: 225-226
[20]摇 Kleinn C, Vilcko F. A new empirical approach for esti鄄
mation in k鄄tree sampling. Forest Ecology and Manage鄄
ment, 2006, 237: 522-533
[21]摇 Haxtema Z, Temesgen H, Marquardt T. Evaluation of
n鄄tree distance sampling for inventory of headwater
riparian forests of western Oregon. Western Journal of
Applied Forestry, 2012, 27: 109-117
[22]摇 Thompson HR. Distribution of distance to the nth neigh鄄
bor in a population of randomly distributed individuals.
Ecology, 1956, 37: 394
[23]摇 Persson O. Distance methods: The use of distance
measurements in the estimation of seedling density and
open space frequency. Studia Forestalia Suecica, 1964,
15: 1-68
[24]摇 Picard N, Kouat佴 AM, Dessard H. Tree density estima鄄
tions using a distance method in Mali savanna. Forest
Science, 2005, 51: 7-18
[25]摇 An H鄄J (安慧君). Study on Spatial Structure of the
Broad鄄leaved Korean Pine Forest. PhD Thesis. Beijing:
Beijing Forestry University, 2003 (in Chinese)
[26]摇 Li L (李摇 丽), Hui G鄄Y (惠刚盈), Hui S鄄R (惠淑
荣), et al. Study on the influence of plot area size on
estimation of stand density and analysis of patterns of
natural forests. Science and Technology Review (科技导
报), 25(9): 40-46 (in Chinese)
[27]摇 Barabesi L. A design鄄based approach to the estimation
of plant density using point鄄to鄄plant sampling. Journal of
Agricultural, Biological and Environmental Statistics,
2001, 6: 89-98
[28]摇 Meng X鄄Y (孟宪宇). Forest Mensuration. 3rd Ed.
Beijing: China Forestry Publishing House, 2006 ( in
Chinese)
[29]摇 Lessard VC, Drummer TD, Reed DD. Precision of den鄄
sity estimates from fixed鄄radius plots compared to n鄄tree
distance sampling. Forest Science, 2002, 48: 1-6
[30]摇 Kleinn C, Vilcko F. Design鄄unbiased estimation for
point鄄to鄄tree distance sampling. Canadian Journal of
Forest Research, 2006, 36: 1407-1414
[31]摇 Staupendahl K. The modified six鄄tree鄄sample: A suit鄄
able method for forest stands assessment. Allgemeine
Forst und Jagdzeitung, 2008, 179: 21-33
作者简介摇 王宏翔,男,1989 年生,博士研究生. 主要从事天
然林经营模拟研究. E鄄mail: wanghongxiang168@ 126. com
责任编辑摇 孙摇 菊
8191 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 25 卷