全 文 ：基于 ARCGIS的区域生物量 DEM模型空间分析
———以云南香格里拉三坝乡黄背栎林生物量估算为例
闫海忠 1 ,林锦屏2 ,王璟 1 ,苏丹 1 ,缪漪 1　
(1.云南大学生命科学学院,云南昆明 650091;2.云南大学资源环境与地球科学学院 ,云南昆明 650091)
摘要　在 ESRIARCGIS9.3软件支持下 ,采用地统计分析方法选取了地形、海拔、坡度、坡向和土壤K值等生态因子 ,对三坝乡黄背栎群
落的生物量进行了空间协同克里金插值分析 ,并引入辅助因子和生物量协同作用关系 ,对 10个样点外 20个随机产生的预测点生物量
进行了空间估算。结果表明 ,在不同辅助因子协同作用下 ,其预测效果存在明显差异 ,反映出区域内多种生态因子及其综合作用对森林
群落生物量的影响;利用这些因子的背景数据和辅助变量 ,借助于空间插值方法 ,能显著提高估算和预测精度 ,减轻野外调查强度和提
高调查效率。该方法在植物群落生物量、农作物产量估算和预测等方面具有较好的应用前景。
关键词　三坝乡;黄背栎;DEM;生物量估算;CoKriging;地统计分析
中图分类号　F503.235　　文献标识码　A　　文章编号　0517-6611(2011)02-00852-04
DEMModelSpaceAnalysisonRegionalBiomassBasedonARCGIS
YANHai-zhongetal　(ColegeofLifeScience, YunnanUniversity, Kunming, Yunnan650091)
Abstract　SupportedbyESRIARCGIS9.3software, someecologicalfactorsincludingterain, elevation, slope, aspect, soilKvaluesandsoon
wereselectedbyGeostatisticalanalysistoconductaKringingspacialinterpolationanalysisonthequercusforestbiomass, thesupplementary
factorsandbiomasssynergywereintroducedtoconductspaceestimationofthebiomassin20randomlyselectedprojectionspointsoutsideof10
samplesites.Resultsindicatethat, underthesynergisticactionofdiferentcofactors, thepredictionresultshadsignificantdifference, whichre-
flectedtheinfluenceofvariousecologicalfactorsandtheirsynergisticactiononthebiomassofforestcommunities;aproperuseoftheback-
grounddataofthesefactorsandtheauxiliaryvariablesaswelasthespatialinterpolationcouldsignificantlyimprovetheestimationandpredi-
cationaccuracy, lessentheintensityoffieldinvestigationandimprovetheinvestigationeficiency, soithadgoodapplicationprospectinestima-
tingandpredictingthebiomassofpopulationcommunitiesandagriculturalcropyields.
Keywords　SanbaCountry;Quercuspannosa;DEM;Biomassestimation;Cokriging;Geostatisticalanalysis
基金项目　国家大学生创新性实验计划项目(WX070147);云南省基金
(2009ZC007M);云南大学理 (工)科现校级科研项目
(2009C15Q);国家基础科学人才培养科学基金项目(J0730652)。
作者简介　闫海忠(1965-),男 ,云南泸西人,副教授 ,硕士 ,从事生态学
及空间信息处理与分析研究。
收稿日期　 2010-08-09
　　森林群落的生物量是指群落在一定时间内积累的有机
质总量 ,森林群落的生物量是森林生态系统生产力的最好指
标 ,是森林生态系统结构优劣和功能高低的最直接表现 ,是
森林生态系统环境质量的综合体现 [ 1-2] 。森林群落生物量
包括乔木层生物量和林下植被生物量 ,其中乔木层的生物量
是森林群落生物量的最重要组成 ,对其进行准确测定对于研
究森林生长和森林生态系统的生产力有重要作用 [ 3] 。现有
的关于乔木层生物量的测定方法较多 、较复杂 ,即便是常用
的断面积径级法也较麻烦 ,该方法是根据一定标准选择 1组
标准木 ,伐倒后测定其生物量 ,然后以样本组生物量实测数
据来推算森林群落生物量 [ 4-7] ,该方法对于未知区域同类森
林群落而言 ,没有预测能力或通过回归计算 [ 5]等的效果明
显 ,样地生物量调查方法工作量非常大 ,对群落环境的破坏
性较大。
空间统计学即地统计分析(Geostatisticalanalyst),其实质
是根据样本点来确定研究对象(某一变量)随空间位置而变化
的规律 ,以此去推算未知点的属性值 [ 8] 。黄背栎(Quercuspan-
nosaHand.-Maz.)属于三坝乡的重要森林树种 ,它在区域内
的生物多样性和区域生态作用不容忽视。在生物量的研究中 ,
吴兆录等研究发现 ,黄背栎林生物量和净第一性生产力都较
高 ,认为黄背栎的丛生特性使其森林乔木层密度较大 ,从而导
致较大的生物量和净第一性生产力 [ 5-6] ,基本方法就是采用维
量分析法测量乔木层生物量 ,用小样地材料推算灌木层和草
本层(枯枝落叶层)的生物量等 [ 5-7] ,该方法的不足之处在于
没有充分考虑和量化地形等相关生态因子 ,也无法依调查结
果对其他区域相同(相似)群落的生物量作出预测与评价。
森林群落的生物量和生产力同区域环境密切相关 ,一个地区
的海拔高度 、坡度 、坡向和土壤状况是影响森林群落生产力
的重要因素 [ 1-2, 6] 。关于空间插值方法的应用 ,基于大尺度
应用已有不少在气象 、土壤 、农田等方面中的使用 [ 9-12] ,但针
对某一类森林生物量 ,在较小尺度下 ,考虑到地形(海拔 、坡
度 、坡向)及土壤等因子 ,用与之相关的要素辅助实现空间插
值来估算森林的生物量则鲜见报道。笔者用 ARCGIS空间
分析手段研究区域生态环境 ,探索坡度 、坡向及海拔高度与
生物关系 ,并以空间地统计分析为工具 ,结合三坝乡实地样
地调查数据分析了研究区内黄背栎林的生物量特征 ,探索基
于空间技术的森林群落生物量估算方法 。
1　材料与方法
1.1　研究区概况　三坝纳西民族乡以东坝 、白地 、哈巴三块
不平整的坝子而得名三坝 ,位于香格里拉县东南部 ,地理位
置为 27°19′～ 27°43′N, 99°56′～ 100°19′E,属于滇西北横断山
区 ,是我国著名的纵谷地带 ,境内山高谷深 ,地势西北高 、东
南低 ,海拔高差较大 ,立体气候明显 [ 13] 。全乡海拔在 5 000m
以上的雪山有哈巴雪山和天宝雪山 ,最高点为哈巴雪山主峰
5 398 m,最低点为江边村委会河谷 1 600 m,海拔高差 3 798
m。乡内森林资源丰富 ,其间水热条件及其配合差异显著 ,从
1 600 m的金沙江到 4 000 m树线 ,分布着干旱河谷植被 、半
湿润常绿阔叶灌丛 、温凉性针叶林 、寒温山地硬叶常绿阔叶
林 、暖温性针叶林 、云及冷杉林 、亚高山草甸 、高山草甸 、寒温
性灌丛等 [ 13] 。有完整的垂直地带性植被和丰富的动植物资
源 ,生物多样性极为丰富 ,这一区域生态保护的重点是高山
责任编辑　乔利利　责任校对　李岩安徽农业科学 , JournalofAnhuiAgri.Sci.2011, 39(2):852-855, 858
峡谷地区的天然林 ,其中黄背栎林是这一区域的高山硬叶类
关键森林群落 ,分布在海拔 2 500 ～ 3 900 m范围内 ,在区域
环境和山地水土保持方面发挥着重要作用 [ 1] 。森林群落的
生物量与生态主导因子坡度 、坡向和土壤性质关系密切 ,但
作用程度随群落和地区环境差异而不同 [ 2-3, 13] 。 2008年 2
月 ,随着云南滇西北生物多样性保护行动的启动 ,三坝乡的
旅游 、资源保护和利用越来越受到各方关注 。
黄背栎以滇西北金沙江流域为分布中心 ,对栎属植物系
统演化具有重要意义 [ 14] ,在海拔 2 600 ～ 3 900m范围内可形
成较大面积的纯林 ,是川西 、滇西北高山的优势森林之一 ,使
黄背栎林分布呈破碎化 ,取而代之的是大面积黄背栎灌
丛 [ 1] 。在滇西北的森林植被以油麦吊云杉林 、高山松林和黄
背栎林及部分桦木林为主。黄背栎林多在这类森林类型中
形成致密的片层 [ 2] 。
1.2　方法　
1.2.1　数据源的获取。以三坝乡行政界为限 ,全区面积约
1 073.443 km2 ,共涉及 9幅 1∶105地形图 ,在 ArcMap软件空
间分析支持下 ,通过勾绘等高线数据内插生成的 DEM数据 ,
单元格为 20m×20 m,使用 ARCGIS软件包 ,提取研究区坡
度信息和坡向信息 ,获取区域内坡度图和坡向图 ,生物量数
据和土壤 K值等数据通过实地调查或其他来源获得。最终
在 GeostatisticalAnalyst统计模块支持下 ,进行基于 DEM空
间插值和分析 。
1.2.2　样地的选取与调查 。选取的 10块样地分别来自不
同的海拔高度 、坡度和坡向类型 。样地的选取采用通行的植
被样地主观选取方法 ,即每个群丛个体只选一个样地 ,严格
遵循地植物学研究的选样原则 ,尤其考虑其中 6个特征接近
(种类成分要接近 、结构形态要接近 、外貌季相要接近 、生态
特征要接近 、群落环境要接近 、外界条件要接近)[ 15] 。对选
取的 10个样地进行黄背栋生物量调查 ,调查内容包括:样地
内每木调查和按径阶标准木的选择和采伐 ,以将标准木伐倒
后 ,分别测定各区分段的树干 、树枝 、树皮 、树叶的鲜质量 。
土壤可蚀性 K值是综合反映土壤的各种理化性质及其
成土母质对土壤侵蚀影响的重要指标 [ 16] ,在森林群落的稳
定性等方面有重要作用 , K值越大 ,侵蚀退化的潜在危险性
就越大 ,同时对生态恢复的制约性也越强 [ 11] 。该研究中 ,利
用现有资料和采样时的 GPS定位数据创建了包含所有区域
K值栅格图。
1.2.3　插值分析。以协克里金方法(Cokriging)为基础 [ 17-19] ,
利用高程 、坡度 、坡向和土壤 K值作为生物量的估算协同因
素。具体应用中采用该技术的简单插值方法进行估算和分
析 ,它适合情况是当同一空间位置样点的多个属性之间存在
某个属性的空间分布与其他属性密切相关 ,且某一属性获取
不易 ,并通过空间随机抽样对未知区域的多个类型生物量进
行了预测和模拟 [ 12-20] 。
2　结果与分析
2.1　三坝乡黄背栎群落生物量的计算　群落生物量的计算
通过样地调查实现 ,采用标准木生物量的平均值乘单位面积
上的立木株数或用标准木生物量的总和乘单位面积上胸高
总断面积与标准木胸高断面积总和之比 ,求出单位面积上的
群落生物量 [ 5-6] 。对 10个样地不同群落的生物量进行了测
算 ,同时进行了空间位置定位 、海拔 、坡度和坡向等的测量与
登记;土壤 K值材料来源于杨树华等的研究报告 [ 13] 。各样
点数据见表 1。
表 1　10个样点黄背栎群落类型生物量等指标的调查结果
Table1　InvestigationresultsofthebiomassandotherindicesofQuercuspannosacommunityat10samplingsites
样地编号
Samplesitescode
群落名称
Community
海拔高度∥m
Altitude
坡度∥°
Gradient
坡向∥°
Aspect
生物量∥t/hm2
Biomass
土壤 K值
SoilKvalue
1 黄背栎 -杜鹃-忍冬 3 677.00 35 东南 192.34 0.037
2 黄背栎 -油麦吊云杉(幼树) 3 984.00 22 南 205.56 0.032
3 黄背栎 -南烛-忍冬 4 003.00 30 北 190.45 0.035
4 黄背栎 -管花木樨 3 134.00 25 东北 234.95 0.216
5 黄背栎 -杜鹃-忍冬 2 769.00 30 东北 302.67 0.094
6 黄背栎 -油麦吊云杉(幼树) 2 016.00 25 东 315.35 0.219
7 黄背栎 -南烛-忍冬 2 868.50 15 西北 276.41 0.218
8 黄背栎 -长苞冷杉(幼树) 2 494.00 36 西北 323.28 0.220
9 黄背栎 -杜鹃 3 385.00 10 东 267.43 0.114
10 黄背栎 -高山栎 1 981.50 35 东 349.65 0.216
2.2　三坝乡黄背栎群落生境分析　调查发现 ,样地内以黄
背栎为单优树种 ,高 18 ～ 22 m,林冠盖度 75%～ 85%,活立木
多为丛生个体发育而成 ,基部合生的个体占多数 ,树干大多弯
曲 ,有少量地衣 ,苔藓植物附生在树干及树枝上;灌木层主要为
杜鹃 、高山栎 、忍冬 、南烛 、兔儿风 、管花木樨 、油麦吊云杉和长
苞冷杉幼树 ,高 2～ 4m,呈小片状聚生 ,盖度约 40%;草本层稀
少 ,主要为一些蕨类和禾本科类植物 ,高 30 ～ 40 cm,盖度约
25%;活地被很少 ,不能成为独立层次 ,仅出现在树干基部 ,生
长极差;黄背栎的枯枝落叶形成较为松散的地面覆盖 ,有的地
方土壤裸露 ,有的地方达 10 cm厚。另外 ,样地中有的地段人
为干扰痕迹明显 ,如 3、5和 9号样地有人为活动痕迹如采集 、
伐薪 、耕作 、旅游 、修路和放牧等 ,个别地段影响严重。
在 ARCGIS软件支持下 ,利用分幅勾绘的等高线经拼接
和边界裁剪后生成三坝乡范围的 DEM数据 ,并对其坡度信
息和坡向信息进行提取 ,按照一定等级进行重分类和统计 。
2.2.1　DEM数据的生成。三坝乡 DEM数据的生成即在
Arcmap的 3DAnalyst模块下选择 SurfaceAnalysis模块支持
下 ,利用勾绘的数字化得来的等高线图层 ,通过 TIN至 RAS-
TER的转换形成 [ 20-21] ,单元格大小为 25m。对分级结果(图
1a)进行统计 ,结果表明三坝乡最高海拔为 5 250 m,最低海
拔为 1 506m,平均高程为 3 153.3m。可见 ,整个研究区高差
明显 ,地形起伏很大。
85339卷 2期　　　　　　　　　　　　　　　　闫海忠等　基于 ARCGIS的区域生物量 DEM模型空间分析
图 1　三坝乡地形分析
Fig.1　TerrainanalysismapofSanbaCountry
2.2.2　坡度数据的生成。对于某个地区地形乃土壤肥沃程
度来讲 ,坡度是一个较为重要的因素 ,它可显示地形变化的
幅度以及土壤的侵蚀和土壤的沉积情况等 ,以致影响着生物
量大小。地面坡度一般定义为地表水平面和实际地形表面
之间夹角的正切值 [ 17, 21] (图 2)。
tanθX=
Z10 +Z11
2
-Z00 +Z01
2
ΔX
tanθY=
Z01 +Z11
2
-Z00 +Z10
2
ΔY
式中 , ΔX、ΔY分别为格网结点在 X、Y方向的间隔。
图 2　地面坡度求解示意
Fig.2　Groundslopecalculationscheme
　　三坝乡的坡度数据通过 3DAnalyst模块表面分析以单
元格为 25 m生成 ,采用临界坡度分级标准为参考 ,进行分
级 ,即 0 ～ 15°、15～ 30°、30 ～45°、45 ～ 60°、60 ～ 75°和 75 ～ 90°
共 6坡度等级(图 1b)。区间分析结果表明 ,三坝乡坡度特
征按等级来算分别占 19.814%、 44.493%、 30.411%、
4.747%、0.533%和 0.001%。可见 ,主要集中在 0 ～ 15°、15
～30°、30 ～ 45°范围内 ,山高坡陡 。
2.2.3　坡向数据的生成。在纬度或是海拔较高的区域 ,太
阳光照是影响植物生物量和生产力产量的一大因素。在北
半球 ,潮湿的南坡可接受到更多的太阳光照 ,从而可提高作
物产量 ,自然条件下不同坡向对植物群落生物量和生产力同
样有影响 ,阴坡和阳坡差异较大 [ 15] 。坡向指地表面上一点
的切平面的法线矢量在水平面的投影与过该点的正北方向
的夹角 。对于地面任何一点来说 ,坡向表征了该点高程值改
变量的最大变化方向 [ 22] 。在输出的坡向数据中 ,坡向值(图
3)有如下规定:正北方向为 0°,按顺时针方向计算 ,取值范围
为 0 ～ 360°。
tgT=tga2 =ROSO=
PO
SO/
PO
ROtgθY/tgθX
式中 ,坡向角 =QO与 X轴之夹角 T。
图 3　坡向角示意
Fig.3　Aspectanglescheme
　　坡度数据通过 3DAnalyst模块表面分析以单元格为 25
m生成 ,并按不同坡度方向划分为不同等级 [ 8 , 22] ,即北及东
北 、东及东南 、南及西南 、西及西北 8个等级(图 1c)。其所占
比例分别为北坡 7.92%(0 ～ 22.5°, 337.5 ～ 360°),东北坡
19.18%(22.5°～ 67.5°),东坡 18.81%(67.5°～ 112.5°),东
南坡 16.28%(112.5°～ 157.5°),南坡 12.53%(157.5°～
202.5°),西南坡 10.03%(202.5°～ 247.5°),西坡 8.77%
(247.5°～292.5°)和西北坡 6.48%(292.5°～337.5°)。
　　DEM生成及坡度和坡向的信息提取将作为生物量 、土
壤 K值等影响因素空间插值的依据 ,将在此基础上完成其空
间和相互关系分析 ,生物量与土壤关系分析上将通过土壤 K
值来描述。
2.3　三坝乡黄背栎群落生物量估算与分析　以往的一些插
值方法有一个共同的缺陷就是难以对误差做出理论估计 ,没
有深刻挖掘出区域变化变量的变异本质 [ 22] , 该研究采用地
统计分析 (Geostatisticalanalyst)的协同克里金插值法
(CoKriging)则能克服以上方法的误差做出理论估
计 [ 20, 23-24] ,协同克里金插值法充分吸收了空间统计的思想 ,
认为任何空间连续性变化的属性非常不规则 ,不能用简单的
854 　　　　　　　　　　安徽农业科学　　　　　　　　　　　　　　　　　　　　　　　　　2011年
平滑数学函数进行模拟 ,但可以用随机表而给予较恰当的描
述 [ 18-19 , 23 , 25] 。从数学角度抽象来说 ,它是一种对空间分布数
据求最优 、线性 、无偏内插的估计(Bestlinearunbiasedestima-
tion)方法 ,属于多元地统计学范畴 ,其基本思路是:设在某
一研究区内有 1组协同区域化变量 , 2个随机变量的之间的
协同区域化可以下列的交互半协方差函数来表示:
γk(h)=1
2n΢
n
i=1[ z(xi)-z(xi+h)] [ zk(xi)-zk(xi+h)]
式中 , γk(h)是 2个变量的交互半协方差值;n是具有相同间
距 h的变量 z(xi)和 zk(xi)的离散点的数目。如果 2个变量
是正相关的 ,那么变量 Z从 xi到 xi+h的增加或减少会引起
zK的增加或减少 ,交互半协方差就是正值 [ 21, 25-30] 。
协同克里格法是普通克里格法的扩展形式 ,它要用到 2
个或 2个以上的变量 ,其中一个是主变量 ,其他的作为辅助
变量 ,将主变量的自相关性和主辅变量的交互相关性结合起
来用于无偏最优估值中。
该研究在 ARCGIS软件支持下采用 CoKriging[ 8]结合与
之相关生态因子如海拔 、坡度和土壤 K值对群落生物量进行
插值 ,得到经过区域内的生物量栅格数据 ,插值结果分别如
图 4a、5a和 6a所示。并利用空间随机样点进行生物量估算
预测和分析 ,其中利用插值生成的栅格数据对其他区域的预
测在研究区范围内随机产出 20个空间待测点 ,如图 4b、5b
和 6b所示 ,预测结果见表 2。
3　结论与讨论
研究表明 ,采用与目标变量相关的多因子辅助变化进行
空间协同克里金插值方法 [ 8, 29-30] ,不同因子之间其结果存在
明显差异 ,但从统计结果标准差来看 ,效果是在允许范围内
的 。运用多因子插值分析方法 ,可提高预测精度 ,能够分析
注:a.实测样点;b.预测抽样点。
Note:a.Measuredsamples;b.Predictedsamples。
图 4　基于海拔因子协同的生物量插值和预测
Fig.4　Interpolationandpredictionofbiomassbasedonaltitude
factorsynergy
注:a.实测样点;b.预测抽样点。
Note:a.Measuredsamples;b.Predictedsamples。
图 5　基于坡度因子协同的生物量插值和预测
Fig.5　Interpolationandpredictionofbiomassbasedongradient
factorsynergy
表 2　随机样点产生的不同生态因子协同下的生物量插值
Table2　Interpolationresultsofbiomassunderdifferentecologicalfactorssynergyofrandomsamples
编号
No.
协同因子
Cofactor
预测值Predictedvalue
标准差
SD
协同因子
Cofactor
预测值Predictedvalue
标准差
SD
协同因子
Cofactor
预测值Predictedvalue
标准差
SD
1 海拔 196.009 72 9.976 44 坡度 195.736 43 9.830 99 土壤 K值 196.245 59 10.426 40
2 海拔 199.633 60 11.228 47 坡度 201.315 21 11.179 16 土壤 K值 200.301 32 11.694 99
3 海拔 222.695 29 5.208 30 坡度 221.916 05 6.410 50 土壤 K值 222.570 22 5.718 99
4 海拔 191.712 65 5.904 78 坡度 192.755 71 7.012 45 土壤 K值 191.492 35 6.300 49
5 海拔 193.330 70 14.233 61 坡度 193.922 19 13.982 41 土壤 K值 193.616 31 14.508 84
6 海拔 203.986 49 16.510 58 坡度 201.803 42 16.121 88 土壤 K值 204.914 63 16.714 10
7 海拔 202.572 23 9.412 66 坡度 201.088 81 9.193 05 土壤 K值 202.674 93 10.056 55
8 海拔 189.984 26 3.880 68 坡度 191.227 70 5.879 29 土壤 K值 189.703 25 4.198 35
9 海拔 230.617 78 4.371 66 坡度 229.419 31 6.181 14 土壤 K值 230.688 97 4.785 65
10 海拔 185.962 71 13.597 61 坡度 187.684 52 12.958 15 土壤 K值 185.891 61 14.165 61
11 海拔 193.504 57 7.383 33 坡度 193.603 92 8.111 55 土壤 K值 193.381 65 7.809 41
12 海拔 188.924 35 1.914 30 坡度 189.800 82 5.446 51 土壤 K值 189.058 07 2.039 47
13 海拔 203.079 77 5.075 21 坡度 203.743 21 6.443 64 土壤 K值 202.814 55 5.507 88
14 海拔 214.531 70 3.638 86 坡度 214.560 33 5.646 17 土壤 K值 214.352 89 3.986 03
15 海拔 226.676 35 4.376 10 坡度 225.842 74 6.095 90 土壤 K值 226.627 28 4.762 97
16 海拔 197.506 37 3.389 78 坡度 199.616 36 5.656 19 土壤 K值 197.271 15 3.684 47
17 海拔 191.376 36 8.440 37 坡度 192.148 84 9.020 87 土壤 K值 191.612 26 8.778 52
18 海拔 239.578 82 4.478 10 坡度 238.006 08 6.279 00 土壤 K值 239.740 21 4.731 68
19 海拔 211.326 87 5.390 27 坡度 211.838 87 6.893 19 土壤 K值 211.412 94 5.574 82
20 海拔 188.740 09 12.374 17 坡度 188.676 30 12.127 33 土壤 K值 189.178 44 12.818 75
各生态因子对生物量的影响 ,充分挖掘出区域变化变量之间
的关系及其变异本质 ,有助于下一步分析。
　　影响森林群落的生物量因子较多 ,涉及到生物因子和生
态因子等诸多方面 ,因为它是多种生态因子综合作用的结
果 ,且各种生态因子的作用大小不尽相同 [ 5-6, 25 , 31] 。所以运
　 (下转第 858页)
85539卷 2期　　　　　　　　　　　　　　　　闫海忠等　基于 ARCGIS的区域生物量 DEM模型空间分析
图 4　应用实例界面
Fig.4　Interfaceofapplicationexample
参考文献
[ 1] 王兆龙,武刚 ,汤荣明 ,等.基于PDA的造林作业设计系统[ J].河北林
果研究, 2009, 24(2):145-148.
[ 2] 潘学东.如何做好造林地作业设计 [ J].天津农林科技 , 2003(4):22-
24.
[ 3] 赵忠.造林规划设计教程 [ M].北京:中国林业出版社, 2007.
(上接第 855页)
注:a.实测样点;b.预测抽样点。
Note:a.Measuredsamples;b.Predictedsamples。
图 6　基于土壤 K值因子的生物量插值和预测
Fig.6　InterpolationandpredictionofbiomassbasedonsoilK
value
用该方法来估算其群落生物量数值大小 ,有必要对各因子之间的
影响程度 ,特别是主导因子之间的相互作用等作进一步探讨。
参考文献
[ 1] 金振洲.硬叶常绿阔叶林中的苔藓林———黄背栎、云生兔儿风群丛
[ J].云南植物研究 , 1981(1):75-88.[ 2] 薛纪如,姜汉侨.云南森林 [ M].昆明:云南科技出版社, 1986:182-195.[ 3] 杨钦周.中国 -喜马拉雅第七硬叶栎类林的特定与分类 [ J].植物生态
学与地植物学学报 , 1990, 14(3):197-211.[ 4] 党承林,吴兆录.云南松林的生物量研究[ J].云南植物研究 , 1991(1):
59-64.[ 5] 吴兆录,党承林,和兆荣,等.滇西北黄背栎林生物量和净第一性生产
力的初步研究 [ J].云南大学学报:自然科学版, 1994(3):245-249.[ 6] 党承林,虞泓.云南松林上层木生物量与生态因子的关系研究 [ J].云
南大学学报:自然科学版, 1992(2):147-151.[ 7] 丁圣彦.昆明地区窄叶青冈萌生群落生物量的研究 [ J] .华东师范大学学报:自然科学版 , 1994(4):90-96.
[ 8] 汤国安,杨昕.ARCGIS地理信息系统空间分析实验教程[ M].北京:科学出版社 , 2006.
[ 9] 冯险峰.GIS支持下的中国陆地生物量遥感动态监测研究 [ D] .西安:陕西师范大学 , 2000.[ 10] 陈加兵 ,励惠国 ,郑达贤,等.福建省年均温空间分布模拟研究 [ J].亚
热带资源与环境学报, 2007, 3(1):1-5.
[ 11] 李翔 ,潘瑜春 ,赵春江 ,等.利用不同方法估测土壤有机质及其对采样
数的敏感性分析[ J].地理科学, 2007(5):690-694.[ 12] 庞夙 ,李廷轩,王永东,等.县域农田土壤铜含量的协同克里格插值及
采样数量优化 [ J].中国农业科学 , 2009, 42(8):2828-2836.
[ 13] 杨树华,闫海忠,王明毅.金沙江流域生态保护与建设决策支持系统报告 [ R].2004.
[ 14] 周浙昆.中国栎属的起源演化及其扩散 [ J].云南植物研究, 1992(3):
37-43.
[ 15] 吴征镒,朱彦丞.云南植被 [ M].北京:科学出版社, 1987.[ 16] 孙永健,周蓉蓉.基于 GIS土壤酸碱度的 Kriging和 Cokriging估值研
究[ J].安徽农业科学, 2007, 35(3):723-724, 727.[ 17] 周启明,刘学军.数字地形分析 [ M].北京:科学出版社, 2006.
[ 18] YAOLQ, PENM, CHENQM.3DPropertymodelingofvoidratiobycokriging[J].journalofChinaUniversityofGeosciences, 2008, 19(4):
410-415.[ 19] BENTLEYJL.Multidimensionalbinarysearchtreesusedforassociative
searching[J].CommunicationsoftheACM, 1975, 18(9):509-517.[ 20] 邓羽 ,刘盛和 ,姚峰峰 ,等.基于协同克里格的基准地价评估及空间结
构分析[ J].地下科学进展, 2009(3):403-408.[ 21] 杨晓云,唐咸远,梁鑫.基于等高线生成DEM的内插算法及其精度分
析[ J].测绘工程, 2006(4):37-39.[ 22] 冯桂 ,林宗坚 ,张继贤 ,等.DEM高精度内插算法及其实现[ J] .遥感信
息, 2000(4):17-20.[ 23] PRUTKINI, CASTENU.Eficientgravitydatainversionfor3Dtopogra-
phyofacontactsurfacewithapplicationtotheHelenicsubductionzone[J].Computers＆Geosciences, 2009, 35(2):225-233.
[ 24] MAKRISJ, YEGOROVAT.A3-Ddensity-velocitymodelbetweentheCretanSeaandLibya[ J].Tectonophysics, 2005, 417:201-220.
[ 25] CAERSJ.Geostatisticalreservoirmodelingusingstatisticalpaternrecog-nition[ J].JournalofPetroleumScienceandEngineering, 2001, 29(3):
177-188.[ 26] HOULDINGS.Directvolumeestimation-Ageostatisticaltechniquefor
mineplanningandgradecontrol[ J].Computers＆Geosciences, 1999, 25(10):1113-1123.
[ 27] KARBASSIEA,PAPAIOANNOUG,THEOHARIST, Afastdepth-buf-er-basedvoxelizationalgorithm[ J].JournalofGraphicsTools, 1999, 4
(4):5-10.[ 28] KAUFMANA.EficientAlgorithmsfor3DScan-ConversionofParametric
Curves,surfacesandVolumes[ J].ACMSIGGRAPH, 1987, 58:1246-
1266.
[ 29] SABYN, AROUAYSD, BOULONNL, etal.GeostatisticalassessmentofPbinsoilaroundParis, France[ J] .ScienceoftheTotalEnvironment,
2006, 367(1):212-221.[ 30] SEPASKHAHAR, AHMADISH,SHAHBAZIARN.GeostatisticalA-
nalysisofSorptivityforaSoilundertiledandNo-tiledconditions[ J].Soil＆TilageResearch, 2005, 83(2):237-245.
[ 31] 杨存建,刘纪远,黄河 ,等.热带森林植被生物量与遥感地学数据之间的相关性分析 [ J].地理研究 , 2005(3):474-479.
858 　　　　　　　　　　安徽农业科学　　　　　　　　　　　　　　　　　　　　　　　　　2011年