全 文 ：文章编号:1001 － 4829(2014)05 － 2156 － 06
收稿日期:2013 － 11 － 25
基金项目:贵州省社发攻关项目“贵州主要大中型叶树种固碳
及其效益评价”［黔科合 SY字(2011)3108］
作者简介:刘济明(1963 －) ，男，教授，从事植物生态学研究，E-
mail:karst0623@ 163． com。
喀斯特森林优势树种黄樟生物量研究
刘济明1，王军才1，颜 强1，李 鹏1，闫国华2，池 馨1
(1．贵州大学 林学院，贵州 贵阳 550025;2．贵州省林业调查规划院，贵州 贵阳 550003)
摘 要:为了准确评估喀斯特森林生物量，以青冈栎黄樟群落中黄樟为研究对象，采用回归估测法，从含水率、生物量时空异质性、
生物量模 XXX型拟合 3 个方面进行生物量研究。结果表明:黄樟树叶和干材的含水率明显大于林木其他各组分，各组分含水率的
大小为树叶 ＞干材 ＞树枝 ＞树皮;各组分生物量在空间上分配表现为干材 ＞树枝 ＞树叶 ＞树皮，且各个组分随着年龄和胸径的增
加呈上升趋势。通过对解析木生物量的回归分析，得出黄樟各组分生物量的最优回归模型。
关键词:喀斯特;黄樟;含水率;生物量;回归模型
中图分类号:S718 文献标识码:A
Study on Biomass of Cinnamomum parthenoxylon，
Dominant Species in Karst Forest
LIU Ji-ming1，WANG Jun-cai1，YAN Qiang1，LI Peng1，YAN Guo-hua2，CHI Xin1
(1． College of Forestry，Guizhou University，Guizhou Guiyang 550025，China;2． Guizhou Institute of Forest Investigation and Planning，
Guizhou Guiyang 550003，China)
Abstract:The biomass of Cinnamomum parthenoxylon，a dominant species in karst forest，was studied by the regression estimation method
from three aspects of moisture content，biomass spatial-temporal heterogeneity and biomass model fitting to evaluate the biomass of karst for-
est． The results showed that: (i)The moisture content in leaves and dry wood of Cinnamomum parthenoxylon was obviously higher than that
in its other different components，and the moisture content of different components is leaf ＞ dry wood ＞ branch ＞ bark; (ii)The biomass
spatial distribution of different components was dry wood ＞ branch ＞ leaf ＞ bark and presents a rising trend with increase of age and DBH(di-
ameter at breast height)． The optimum regression models for biomass of different components of Cinnamomum parthenoxylon were built based
on regression analysis of wood biomass．
Key words:Karst;Cinnamomum parthenoxylon;Moisture content;Biomass;Ｒegression model
生物量是一个有机体或群落在一定时间内积累
的有机质总量，可以表征生态系统生产力的积累，是
评价林地生产力及森林生态系统结构与功能的重要
指标［1］。森林生物量是森林生态系统最初的第一
性生产积累量［2］，它反映森林与环境在物质循环和
能量流动上的复杂关系，明示森林经营水平和开发
利用价值［3］，因此，森林生物量是研究许多林业问
题和生态问题的基础［4］。由于森林生物量测定非
常困难，而且耗时耗费用，若研究较大尺度区域上的
生物量，皆伐法［5］是不可行的，回归估测法［6 － 8］是目
前世界上估测生物量较为科学的一种方法，它的优
点在于能通过生物量样本和测树因子之间的关系，
建立关系模型，比皆伐法更为实用。目前，已有对人
工林主要树种生物量的研究，而对天然树种的关注
则较少。为此，笔者等以茂兰天然黄樟群落作为生物
量研究的基础群落，依托茂兰自然保护区为试验基地，
对该群落中的重要树种黄樟进行生物量研究，旨在为
研究茂兰地区森林生态系统生物量奠定相应基础，也
为准确评估该地区森林的生物量、固碳增汇能力以及
制定科学合理的森林经营管理方案提供理论依据。
1 材料与方法
1． 1 研究地概况及研究对象
研究地点设在茂兰自然保护区内的洞塘乡瑶所
6512
西 南 农 业 学 报
Southwest China Journal of Agricultural Sciences
2014 年 27 卷 5 期
Vol. 27 No. 5
75.00
70.00
65.00
60.00
55.00
50.00
45.00
40.00
35.00
30.00
25.00
20.00
15.00
10.00
5.00
0
含
水
率
（ %
）
M
oi
stu
re
co
nt
en
t
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
样本号 Sample
树干含水率
树叶含水率
树枝含水率
树皮含水率
干材含水率
图 1 黄樟各组分的含水率
Fig． 1 Moisture content of different components of Cinnamomum parthenoxylon
村白羊山，研究区域平均海拔 800 m以上，属中亚热
带季风湿润气候，气候温暖湿润，光照充足，年平均
气温 15． 3 ℃，年均降水量 1320． 5 mm，年均蒸发量
1343． 6 mm，平均相对湿度 83 %。土壤以黑色石灰
土为主，土层浅薄，地面岩石裸露，pH 7． 5 ～ 8． 0，有
机质和全氮含量丰富，植被类型属于中亚热带非地
带性植被(喀斯特常绿落叶阔叶混交林)。本研究
以青冈栎黄樟群落中黄樟为研究对象。
1． 2 研究方法
在林分中选取人为干扰较小的林地设置 9 个方
形样地(面积 30 m × 30 m) ，在样地内进行每木检
尺，将所有的标准木伐倒后，采用分层切割法［9］，分
别对不同区分段上的枝、叶、皮、干进行分割称量，各
组分分别 1000 g 等重取样。把所取样品带回实验
室，在 105 ℃下进行 30 min 杀青处理，然后将温度
调到 85 ℃烘干至恒重，分段计算干、皮、枝、叶等各
组分样品的含水率，依次推算出各个标准木各组分
干重生物量及总生物量［10］。
国内外学者为估测林木生物量提出 3 种模型，
分别为线性模型、幂函数模型和多项式模型［11 ～ 12］。
结合前人研究，以胸径(D)、胸径 －树高(D2H)等测
树因子为自变量，选用直线回归、多项式、对数回归、
指数回归和冥回归 5 种数学回归模型计算分析，拟
合树木组分生物量和树木总生物量的回归方程:
Linear 模型:y = a × x + b;Polynomial 模型:y =
ax2 + bx + c;Logarithm 模型:y = alnx + b;Index 模型:
y =a ×eb × x(或者 lny = lna + b × x);Power 模型:y = a
× xb(或者 lny = lna + blnx)。式中，x 和 y 是林木的
各维量，a、b 、c是方程的参数。
2 结果与分析
2． 1 黄樟各组分的含水率
2． 1． 1 含水率变幅 从图 1 可以看出，黄樟含水率
树叶为 57． 62 % ～ 68． 98 %，树干为 40． 4 % ～ 52．
12 %，树皮为 40． 15 % ～ 54． 79 %，干材为 45． 2 %
～54． 2 %，树枝为 33． 04 % ～53． 24 %，表明树叶含
水率明显大于其他各组分，树枝的含水率波动较大。
出现这种情况的原因可能是由于林木枯枝和新枝条
的含水率及比例不同引起［13］。
2． 1． 2 平均含水率 树干、树叶、树枝、树皮和干材
的含水率平均值分别为 49． 15 % ± 0． 65 %、62． 19
% ±0． 79 %、46． 81 % ± 1． 51 %、45． 54 % ± 0． 80
%和 49． 01 % ±0． 56 %，各组分含水率高低为树叶
＞树干 ＞干材 ＞树枝 ＞树皮。树叶的含水率明显大
于林木其他各组分的含水率。
2． 2 黄樟生物量时空异质性
表 1 可以看出，黄樟各组分生物量的比例中以
干材的最大，可达 53． 4 %;树皮的最小，仅占 3． 1
70
60
50
40
30
20
10
0
树干
Trunk
树叶
Leaf
树枝
Branch
树皮
Bark
干材
Bolt
平
均
含
水
率
（ %
）
Av
er
ag
e
m
oi
stu
re
co
nt
en
t
图 2 黄樟各组分平均含水率
Fig． 2 Average moisture content of different components of Cinnamo-
mum parthenoxylon
75125 期 刘济明等:喀斯特森林优势树种黄樟生物量研究
表 1 黄樟样木的特征及各组分的生物量
Table 1 Biomass of different components of Cinnamomum parthenoxylon
年龄(a)
Age
胸径(cm)
DBH
树高(m)
Height
生物量(kg)
干材
Dry wood
树皮
Bark
树枝
Branch
树叶
Leaf
总干重
Total
dry weight
D2H
11 5． 90 6． 63 3． 75 0． 22 2． 00 0． 68 6． 65 230． 79
13 5． 73 6． 50 3． 88 0． 18 2． 50 0． 66 7． 23 213． 41
14 5． 60 8． 30 4． 45 0． 42 2． 68 1． 03 8． 58 260． 29
16 5． 50 6． 45 4． 53 0． 33 2． 71 0． 22 7． 78 195． 11
22 6． 10 6． 80 4． 9 0． 12 2． 94 1． 11 9． 07 253． 03
22 6． 50 8． 40 6． 14 0． 24 3． 41 1． 71 11． 50 354． 9
23 7． 00 7． 00 6． 78 0． 29 3． 01 1． 55 11． 62 343． 00
25 7． 45 7． 22 6． 79 0． 38 3． 44 1． 00 11． 60 400． 73
26 7． 80 7． 63 7． 99 0． 34 3． 52 1． 53 13． 39 464． 21
26 7． 50 8． 00 8． 02 0． 19 3． 34 1． 99 13． 55 450． 00
26 8． 10 9． 00 8． 11 0． 54 5． 12 2． 26 16． 04 590． 49
27 8． 00 6． 56 8． 15 0． 3 4． 56 1． 32 14． 32 419． 84
28 8． 00 8． 80 8． 4 0． 49 5． 01 2． 15 16． 05 563． 20
29 8． 32 9． 44 8． 77 0． 29 7． 11 2． 45 18． 63 653． 46
30 10． 30 9． 47 13． 99 0． 89 9． 95 2． 33 27． 17 1004． 67
37 11． 60 10． 00 14． 22 1． 78 10． 23 3． 33 29． 57 1345． 60
%。黄樟各组分生物量分配的大致规律为干材 ＞树
枝 ＞树叶 ＞树皮。随着树木年龄的增大，黄樟各组
分的生物量总体呈增长趋势，尤其是干材和树枝在
第 27 至 30 年间迅猛增长，随后趋于稳定;而树叶和
树皮在 30 年后增长较为迅速。
2． 3 生物量模型建立与评价
2． 3． 1 测树因子与植物组分相关性 从黄樟各组
分及地上部分生物量的相关矩阵分析发现，各组分
之间以及和胸径 D、D2H 之间存在着极显著的关系
(在 99 %置信区间显著相关) ，而 D、D2H 与各组分
的相关系数，除了树枝、树叶外，都达到 0． 9 以上，说
明，利用 D、D2H与各生物量之间拟合相关模型是可
行的。
2． 3． 2 生物量估测模型的建立 选取 D和 D2H两
个因子，选用 5 种常用的生物量拟合模型对黄樟的
进行拟合后发现，以多项式模型拟合的生物量模型
其相关系数 Ｒ2 整体上较大(表 3) ，说明该模型具有
较好的拟合效果，所以初步选取多项式模型作为黄
樟的生物量模型，其各个组分的最优方程如下:
树干(D2H) :y = － 4E － 06x2 + 0． 0166x + 1．
1189(Ｒ2 = 0． 9616)
表 2 黄樟各组分生物量及部分因子的相关矩阵
Table 2 Biomass of different components of Cinnamomum parthenoxylon and their correlation matrix
胸径
DBH D
2H 干材Dry wood
树叶
Leaf
树皮
Bark
树干
Trunk
树枝
Branch
胸径 DBH 1． 0000
D2H 0． 980＊＊ 1． 0000
干材 Dry wood 0． 928＊＊ 0． 919＊＊ 1． 0000
树叶 Leaf 0． 947＊＊ 0． 965＊＊ 0． 922＊＊ 1． 0000
树皮 Bark 0． 958＊＊ 0． 976＊＊ 0． 930＊＊ 0． 992＊＊ 1． 0000
树干 Trunk 0． 940＊＊ 0． 934＊＊ 0． 999＊＊ 0． 939＊＊ 0． 947＊＊ 1． 0000
树枝 Branch 0． 939＊＊ 0． 939＊＊ 0． 947＊＊ 0． 944＊＊ 0． 929＊＊ 0． 953＊＊ 1． 0000
注:表中＊＊表示 P ＜ 0． 01。
Note:‘＊＊’mean significant difference at 0． 01 level．
8512 西 南 农 业 学 报 27 卷
表 3 5 种数学模型拟合的黄樟各组分生物量方程
Table 3 Equations fitted by mathematical models for biomass of different Cinnamomum parthenoxylon components
组分
Components
模型
Models
方程 1 Equation 1 D(cm) 方程 2 Equation 2 D2H(cm2 × m)
a b c Ｒ2 a b c Ｒ2
树干 Trunk 直线 Linear 2． 0113 － 7． 1427 － 0． 9695 0． 0109 2． 6143 － 0． 9461
对数 Logarithm 15． 6360 － 23． 2140 － 0． 9387 6． 0834 － 28． 816 － 0． 9310
多项式 Polynomial 0． 0565 1． 078 － 3． 4744 0． 9727 － 4． 00E － 06 0． 0166 1． 1189 0． 9616
幂函数 Power function 0． 1787 1． 8635 － 0． 9532 0． 0915 0． 7253 － 0． 9461
指数 Index 1． 2728 0． 2333 － 0． 9327 4． 0419 0． 0012 － 0． 8399
树皮 Bark 直线 Linear 0． 1970 － 1． 0333 － 0． 6851 0． 0012 － 0． 1334 － 0． 8215
对数 Logarithm 1． 4282 － 2． 4021 － 0． 5769 0． 5668 － 2． 9810 － 0． 5953
多项式 Polynomial 0． 0578 － 0． 7578 2． 7194 0． 9351 － E － 06 － 0． 0007 0． 3473 0． 9400
幂函数 Power function 0． 0036 2． 2985 － 0． 5741 0． 0013 0． 9300 － 0． 6158
指数 Index 0． 0346 0． 3082 － 0． 6442 0． 1451 0． 0018 － 0． 7260
树枝 Branch 直线 Linear 1． 4011 － 5． 9835 － 0． 8733 0． 0079 0． 6625 － 0． 9237
对数 Logarithm 10． 7260 － 16． 849 － 0． 8967 4． 2742 － 21． 3010 － 0． 8531
多项式 Polynomial 0． 1114 － 0． 4390 1． 2494 0． 8967 － 2． 00E － 06 0． 0105 － 0． 0151 0． 9299
幂函数 Power function 0． 0627 2． 0862 － 0． 8622 0． 0262 0． 8326 － 0． 8997
指数 Index 0． 5440 0． 2661 － 0． 8753 1． 969 0． 0014 － 0． 8686
树叶 Leaf 直线 Linear 0． 4192 － 1． 5457 － 0． 7679 0． 0262 0． 4679 － 0． 7771
对数 Logarithm 3． 3445 － 5． 0652 － 0． 7830 1． 3836 － 6． 7603 － 0． 8780
多项式 Polynomial 0． 0256 0． 8418 － 3． 2067 0． 7800 － 2． 00E － 06 0． 0053 － 0． 3086 0． 8537
幂函数 Power function 0． 0097 2． 4788 － 0． 6273 0． 0028 1． 0255 － 0． 7039
指数 Index 0． 1443 0． 2988 － 0． 5690 0． 6355 0． 0015 － 0． 5094
干材 Dry wood 直线 Linear 1． 8143 － 6． 1094 － 0． 9642 0． 0097 2． 7476 － 0． 9189
对数 Logarithm 14． 2080 － 20． 812 － 0． 9473 5． 5166 － 28． 835 － 0． 9357
多项式 Polynomial － 0． 013 1． 8305 － 6． 1938 0． 9642 － 3E － 0． 6 0． 0173 0． 7715 0． 9521
幂函数 Power function 0． 1809 1． 8305 － 0． 9475 0． 0950 0． 7102 － 0． 9346
指数 Index 1． 2570 0． 2278 － 0． 9158 3． 9087 0． 0012 － 0． 8075
地上部分 直线 Linear 3． 8316 － 14． 6720 － 0． 9571 0． 021 3． 7746 － 0． 9662
Above-ground 对数 Logarithm 29． 7070 － 45． 1280 － 0． 9217 11． 7400 － 56． 878 － 0． 9434
多项式 Polynomial 0． 1423 1． 4807 － 5． 4317 0． 9627 － 8． 00E － 06 0． 3240 0． 7952 0． 9827
幂函数 Power function 0． 2483 1． 9790 － 0． 9453 0． 1128 0． 7832 － 0． 9700
指数 Index 1． 9899 0． 2483 － 0． 9286 6． 7312 0． 0013 － 0． 8665
注:数学模型表达式中的 a、b、c为模型参数，Ｒ2 为相关系数;方程 1 的模型因变量 Y =W ，自变量 X = D，W代表生物量，D代表胸径;方程
2 的模型因变量 Y =W ，自变量 X = D2H，W、D同方程 1，H代表树高。
Note:a，b and c in the mathematical models is parameters respectively． Ｒ2，correlation coefficient． The dependent variable(Y)and independent
variable(X)in equation 1 equals to W and D separately． W，biomass． D，DBH． The dependent variable(Y)and independent variable(X)in e-
quation 2 equals to W and D2H separately． W，biomass． D，DBH． H，height．
树皮(D2H) :y = － E － 06x2 － 0． 0007x + 0． 3473
(Ｒ2 = 0． 94)
树枝(D2H) :y = － 2E － 06x2 + 0． 0105x － 0．
0151(Ｒ2 = 0． 9299)
树叶(D2H) :y = － 2E － 06x2 + 0． 0053x － 0．
3086(Ｒ2 = 0． 8537)
干材(D2H) :y = － 3E － 06x2 + 0． 0173x + 0．
7715(Ｒ2 = 0． 9521)
地上部分(D2H) :y = － 8E － 06x2 + 0． 0324x +
0． 7952(Ｒ2 = 0． 9827)
式中，Y代表生物量，x代表 D2H，E =2． 718。
2． 3． 3 模型检验 对得出的相应模型，进行回归显
著性检验，将 F 值、残差平方和(Q)与相关系数
(Ｒ2)进行相应比较，从而检验各模型的拟合优度。
结果(表 4)表明，黄樟最优方程的 F 值始终远大于
F临界值，说明方程的回归特性良好，且标准误差较
95125 期 刘济明等:喀斯特森林优势树种黄樟生物量研究
表 4 黄樟各组分生物量回归分析统计结果
Table 4 Ｒegression analysis for biomass of different Cinnamomum parthenoxylon components
测树因子
Measurement
factors
组分
Components
模型
Models Ｒ
2 F值 标准误SE SigF
残差平方和 Q
Ｒesidual sum
of squares Q
黄樟(D)
Cinnamomum
parthenoxylon(D)
树干 Trunk y = 0． 1423x2 + 1． 4807x － 5． 4317 0． 9627 2393． 735 0． 512191506 0 3． 672761941
树皮 Bark y = 0． 0578x2 － 0． 7578x + 2． 7194 0． 9351 38． 44583 0． 208044055 0 0． 605952604
干材 Bolt y = － 0． 013x2 + 1． 8357x － 6． 1938 0． 9642 51316． 78 0． 046791915 0 0． 030652767
树叶 Leaf y = 0． 0256x2 + 0． 8418x － 3． 2067 0． 7800 8057． 518 0． 09214408 0 0． 11886744
树枝 Branch y = 0． 1114x2 － 0． 439x + 1． 2194 0． 8967 522． 621 0． 400970722 0 2． 250885279
黄樟(D2H)
Cinnamomum
parthenoxylon (D2H)
树干 Trunk y = － 4E － 06x2 + 0． 0166x + 1． 1189 0． 9616 744． 0338 0． 906720011 0 11． 5099765
树皮 Bark y = － E － 06x2 － 0． 0007x + 0． 3473 0． 9400 518． 0966 0． 113340001 0 0． 179843383
干材 Bolt y = － 3E － 06x2 + 0． 0173x + 0． 7715 0． 9521 439． 5745 0． 566700007 0 4． 496084568
树叶 Leaf y = － 2E － 06x2 + 0． 0053x － 0． 3086 0． 8537 159． 3109 0． 226680003 0 0． 719373531
树枝 Branch y = － 2E － 06x2 + 0． 0105x － 0． 0151 0． 9299 1606． 705 0． 226680003 0 0． 719373531
注:表中 Ｒ2 为相关系数，SE为标准误差，F为回归模型的 F值，Sig为大于 F值的概率。
Note:In table Ｒ2 is a correlation coefficient，SE is the standard error，F is the F value of the regression model，Sig is a probability greater than F val-
ues．
小(基本都在 1 以下，最小的只有 0． 0468) ，因而具
有较高的精度。
2． 3． 4 模型评价 有关回归模型的常用评价指标
有残差平方和 SS、相关系数 Ｒ和残差分布等。本研
究为了更好地对所建立的模型进行评价，在采用常
用评价指标的基础上另外增加 3 个指标总相对误
差、平均相对误差、平均相对误差绝对值。
总相对误差:ＲS =
∑Wi －∑Wi
∑Wi
× 100 %
平均相对误差:E = 1n ×∑
Wi －Wi
W{ }i × 100 %
平均 相 对 误 差 绝 对 值:ＲMA = 1n × ∑
Wi －Wi
Wi
× 100 %
式中，Wi 为实测值，Wi’为估计值，n为样本数。
上述 3 个检验指标是检验模型的实质性指标，
将估测值和实际值联系起来，从总体到单个样木生
物量均有较好的检验作用。结果(表 5)表明，对黄
樟而言，以胸径作为自变量的方程其总相对误差较
小，除了干材(10． 12 %)和树叶(11． 25 %)外，其余
相对误差均在 7 %以内，平均相对误差均小于 1 %;
对于以 D2H作为自变量而拟合的生物量方程，误差
更小，总的相对误差基本都在 2 %以下，具有较高的
估算精度。
3 结论与讨论
(1)黄樟的 D 和 D2H2 个自变量均与树叶、干
枝、地上部生物量具有一定的相关关系。其中，D2H
与各器官生物量间的相关关系最为显著，拟合方程
分别为:y树干 = － 4E － 06x
2 + 0． 0166x + 1． 1189(Ｒ2
= 0． 9616) ;y树皮 = － E － 06x
2 － 0． 0007x + 0． 3473
(Ｒ2 = 0． 94) ;y树枝 = － 2E － 06x
2 + 0． 0105x － 0． 0151
(Ｒ2 = 0． 9299) ;y树叶 = － 2E － 06x
2 + 0． 0053x － 0．
3086(Ｒ2 = 0． 8537) ;y干材 = － 3E － 06x
2 + 0． 0173x +
0． 7715(Ｒ2 = 0． 9521) ;y地上 = － 8E － 06x
2 + 0． 0324x
+ 0． 7952(Ｒ2 = 0． 9827)。
表 5 黄樟模型的检验指标值
Table 5 Testing index values of Cinnamomum parthenoxylon equations
组分 Components
方程 Equation y = x2 + bx + c(D) 方程 Equation y = x2 + bx + c(D2H)
ＲS E ＲMA ＲS E ＲMA
树干 Trunk － 0． 00014 － 8． 80E － 06 0． 465913 0． 001211 7． 57E － 05 0． 539834
树皮 Bark 0． 0751 0． 004694 0． 3191 0． 1152 0． 0072 0． 5238
干材 Dry wood 0． 101273 0． 00633 0． 739921 － 0． 00624 － 0． 00039 0． 576366
树叶 Leaf 0． 1125 0． 007031 0． 007031 － 0． 01613 － 0． 00101 0． 25227
树枝 Branch － 0． 00058 － 3． 70E － 05 0． 631055 0． 012147 0． 000759 0． 53714
地上 Aboveground － 0． 0001 － 6． 40E － 06 1． 038945 0． 006196 0． 000387 0． 67157
0612 西 南 农 业 学 报 27 卷
(2)双因子拟合的生物量方程较采用地径、株
高单因子拟合的生物量方程显著。因此，在实际应
用中使用 D2H 为自变量的数学模型测算黄樟生物
量具有较高的实用价值。
(3)研究选取的黄樟树龄在 11 ～ 37 年，主要是
由于该年龄段内的树种在整个群落中所占的比例
大，得到的生物量能精准地代表黄樟群落总生物量
的变化。不同年龄阶段的黄樟树种，其各组分的生
物量均随年龄和胸径的增大而增加。但也有轻微的
波动，这可能由于所调查样木，受自然竞争的影响，
导致生长受阻，出现了不符合总体规律的现象。
(4)由于时间有限，设置的样地较少，只是对黄
樟地上部分的生物量、碳储量进行了研究，没有对地
下部分进行估算，这都将影响到森林碳储量估算的
准确性。因此，在今后的研究中需要进一步完善，加
强森林不同群落和不同层次生物量的监测，提高森
林碳储量的估算精度，同时应与 3S技术相结合对森
林生物量与碳储量的空间分布、碳循环进行动态跟
踪［15］。
(5)在单木生物量与测树因子(胸径、树高蓄积
量等)的模型拟合方面，采用的是回归估测法。在
这方面大量学者做了相关研究工作，其主要思路都
是将生物量与各测树因子之间建立相关关系模型，
生物量回归估测法研究伊始，都是将测树因子与生
物量建立简单的线性模型，且样本较少，如方精
云［16］在建立桦木、栎类、桉树等树种的生物量和测
树因子的线性关系时所用的样本数分别是 4、3 和
4，而对于热带森林所有树种所采用的样本数也仅 8
个。另外方精云等［17］的关于生物量和测树因子的
估算是一种简单的线性关系还存在着争议［18］。本
研究选取了 5 种常见的生物量模型［19］，包括线性、
非线性和多项式模型，克服了简单的线性模型拟合
模式，且在比较中发现并非所有树种并非都以线性
模型为最优，拟合效果较好的是乘幂和多项式模型，
这与程堂仁［20］、李海奎［21］等的研究结果类似，在此
基础之上，结合近年来单木生物量回归估测的发展
趋势，在模型拟合之前，先进行测树因子与生物量的
相关性矩阵分析，在确认测树因子与生物量之间有
显著相关的前提下，进行模型选择，在进行模型的检
验，使得最终的最优模型具有代表性。
参考文献:
［1］蔺恩杰，江 洪，赵明水．天目山自然保护区典型森林植被乔木
层生物量研究［J］．浙江林业科技，2013，33(1) :21 － 24．
［2］马 炜，孙玉军．长白落叶松中龄林生物量及其密度效应［J］．东
北林业大学学报，2013，41(8) :13 － 17．
［3］胡集瑞，黄日奎，曾怀东，等．马尾松成熟林单木生物量模型研究
［J］．林业勘察设计，2011，(1) :9 － 12．
［4］巨文珍，农胜奇．森林生物量研究进展［J］．西南林业大学学报，
2011，31(2) :78 － 89．
［5］Arief Wijaya，Sandi Kusnad，Ｒichard Gloaguen，et al． Improved strat-
egy for estimating stem volume and forest biomass using moderate res-
olution remote sensing data and GIS［J］． Journal of Forestry Ｒe-
search，2010，21:1 － 12．
［6］许俊利．东折棱河落叶松生物量模型研究及生物量估算［D］．北
京:北京林业大学，2008．
［7］张 俊．兴安人工林群落结构、生物量与碳储量研究［D］．北京:
北京林业大学，2008．
［8］陈遐林，马钦彦，康峰峰．山西太岳山典型灌木林生物量及生产
力研究［J］．林业科学研究，2002，15(3) :30 － 49．
［9］Takuyuki Yoshioka，Masahiro Iwaoka，Hideo Sakai，et al． Feasibility
of a Harvesting System for Logging Ｒesidues as Unutilized Forest Bio-
mass［J］． Journal of Forestry Ｒesearch，2000，5:59 － 65．
［10］杜维忠．甘肃小陇山林区油松人工林单木生物量的研究［J］．甘
肃科技，2013，28(23) :153 － 154．
［11］Tomohiro Nishizono，Toshio Iehara，Hirofumi Kuboyama，et al． A
forest biomass yield table based on an empirical model［J］． Journal of
Forestry Ｒesearch，2005，10:211 － 220．
［12］姜 鹏，董树国，隋玉龙，等． 北沟林场华北落叶松生物量模型
的研究［J］．中南林业科技大学学报，2013，33(7) :131 － 135．
［13］蔡 烁． 金沟岭林场三种森林类型生物量研究［D］．北京:北京
林业大学，2012．
［14］王天博．福建将乐马尾松人工林单木生物量模型研究［D］． 北
京:北京林业大学，2012．
［15］曹 林，余光辉，代劲松，等． 激光雷达技术估测森林生物量的
研究现状及展望［J］． 南京林业大学学报:自然科学版，2013，37
(3) :163 － 169．
［16］方精云，刘国华，徐嵩龄． 我国森林植被的生物量和净生产量
［J］．生态学报，1996，16(5) :498 － 508．
［17］方精云，陈安平．中国森林生物量的估算:对 Fang 等 Science 一
文的若干说明［J］．植物生态学报，2002，26(2) :243 － 249．
［18］王玉辉，周广胜，蒋延玲，等． 基于森林资源清查资料的落叶松
林生物量和净生长量估算模式［J］．植物生态学报，2001，28(4) :
420 － 425．
［19］王维枫． 森林生物量模型综述［J］． 西北林学院学报，2008，23
(2) :58 － 63．
［20］程堂仁．甘肃小陇山森林生物量及碳储量研究［D］．北京:北京
林业大学，2007．
［21］李海奎，宁金魁．基于树木起源、立地分级和龄组的单木生物量
模型［J］．生态学报，2012，32(3) :740 － 757．
( 责任编辑 姜 萍)
16125 期 刘济明等:喀斯特森林优势树种黄樟生物量研究