一類調查與二類調查森林蓄積量數據對接方案分析研究

白星雯,胡 晟,布日古德,陽 帆

(1.國家林業和草原局林草調查規劃院，北京 100714；2.國家林業和草原局產業發展規劃院，北京 100010)

森林蓄積量是反映一個國家或地區森林資源總量和管理水平的基本指標之一,也是衡量森林生態環境優劣的重要依據[1-2]。我國主要采用一類調查和二類調查對大區域尺度上的森林蓄積量進行監測[3-4]。自1977年開始研討一類調查體系構建,以省級行政區為總體采取系統抽樣,嚴格控制抽樣精度,5年獲取一次省級行政區尺度上的森林蓄積量信息[5-7],但無法獲取縣(市、區)尺度區域內森林蓄積量信息[8]。二類調查以縣為總體,每10年獲取一次縣域尺度蓄積量信息。相比一類調查而言,二類調查的優點是以圖斑為調查單元,監測信息落實到圖斑內,能獲取縣級尺度區域內蓄積量信息;缺點是多采用小班調查法獲取蓄積量信息會因為人為測量因素導致較大的誤差,監測精度得不到保障[9-15]。

我國一類調查與二類調查已開展多年,監測成果體量大、時間跨度長,但是兩種監測體系采用的監測技術不同,因此存在森林蓄積量一個地區兩套數的問題[16-20]。鑒于此,為提高監測數據成果的科學性,保障監測數據一致性,實現縣(市、區)森林蓄積量與省級成果數據對接,本文進行一類調查與二類調查森林蓄積量數據對接方案分析研究,以期為歷年小班監測數據更新及今后實現“一套數,一張圖”提供技術方法參考,進而為全國森林資源評價及經營管理方案的制定提供更為精確詳實的蓄積量監測數據。

1 基礎數據

研究所應用的數據(1)國家林業局調查規劃設計院.森林資源一類調查、二類調查數據.2016.包括河北省保定市行政區劃界限、2016年河北省一類調查數據、2016年保定市二類調查數據。

2 研究方法

以保定市2016年二類小班調查數據(2)國家林業局調查規劃設計院.森林資源一類調查、二類調查數據.2016.為基礎進行樹種組劃分;以2016年河北省一類調查固定樣地數據(3)國家林業局調查規劃設計院.森林資源一類調查、二類調查數據.2016.為建模樣本,分樹種組構建小班蓄積量預估模型。通過所構建的模型,將蓄積量監測數據更新到小班層面,并采取平差法將小班蓄積量數據進行校正,分縣(市、區)統計保定市森林蓄積量監測信息,從而實現一類調查與二類調查蓄積量監測數據的對接。

2.1 樹種組劃分

以保定市小班調查數據為基礎,將保定市小班內現有的主要優勢樹種劃分成落葉松組、油松組、櫟組、樺木組、楊樹組、硬闊組、軟闊組等7個樹種組,并分別樹種組構建蓄積量預估模型。各樹種組包含樹種信息如表1所示。

表1 樹種組劃分信息

2.2 分樹種組構建小班蓄積量預估模型

以河北省1 550個蓄積樣地數據為建模樣本,樣地蓄積量為因變量,樣地相關林分調查因子為自變量,分樹種組構建小班蓄積量預估模型。根據文獻資料[21-24]可知,影響林木層蓄積量的主要變量有平均樹高、樣地平均胸徑、樣地林木株數、海拔、坡度、坡向、郁閉度、平均年齡。本文選取以上8個指標作為基礎變量,其中坡度與坡向兩個定性指標進行組合量化。分樹種組對所選取樣地的平均樹高、樣地平均胸徑、海拔、坡度坡向聯合轉換、郁閉度、平均年齡等變量進行顯著性檢驗分析,即采用IBM SPSS Statistics 27數據統計分析軟件計算P值。只有通過顯著性檢驗(P<0.05)后的自變量參與模型構建。本文采用非線性指數形式進行模型構建[式(1)]。

(1)

2.3 模型評價

為保障預測目的性回歸模型的擬合效果、預估精度,蓄積量預估模型選取確定系數(R2)、估計值標準差(SEE)、總體相對誤差(TRE)、平均系統誤差(ASE)、平均預估誤差(MPE)、平均標準誤差(MPSE)等6個指標進行模型評價。

R2和SEE為模型評估常用指標,R2反映模型的擬合度,SEE反映因變量離差狀況;TRE和ASE,這兩個統計量值越小,表示模型擬合效果越佳(為保證模型擬合效果,兩個統計量應當控制在±5%以內);MPE和MPSE,這兩個指標體現模型的預估精度。

(2)

(3)

(4)

(5)

(6)

(7)

2.4 縣(市、區)一體化蓄積量預估及更新

應用所構建的不同樹種組小班蓄積量預估模型反演保定市內各個小班的蓄積量。分縣(市、區)統計蓄積量,各縣(市、區)累計后,估算出保定市總蓄積量。由于模型預估值與真值之間存在一定的誤差,因此保定市蓄積量累計值與一類調查監測值之間也存在一定大小的差值。為實現兩個監測體系的數據銜接,依據各縣(市、區)蓄積量的權重大小對誤差值進行逐級平差。平差調整計算如式(8)、式(9)所示。

(8)

(9)

3 研究結果

3.1 分樹種組模型構建

3.1.1各樹種組小班蓄積量預估模型變量顯著性檢驗

對建模選取的變量進行顯著性檢驗分析,顯著性檢驗結果如表2所示。通過顯著性檢驗結果可知:1)平均胸徑、平均樹高兩個變量的P值都小于0.001,達到極顯著水平。因此平均胸徑、平均樹高兩個變量均進入蓄積預估模型。2)其它自變量參數在不同樹種組模型構建中略有差異。因此構建模型時,變量選取根據顯著性檢驗結果分樹種組而定。

表2 各樹種組模型變量顯著性檢驗結果

3.1.2各樹種組小班蓄積量預估模型構建

選取通過顯著性檢驗(P<0.05)的相關變量參與模型研建,分樹種組構建蓄積量預估模型。小班蓄積量預估模型采用式(1)進行擬合。采用式(2)—式(7)計算模型各項評價指標統計量。模型構建結果如表3所示,模型評價指標如表4所示。

表3 各樹種組蓄積量預估模型

表4 各樹種組蓄積量預估模型評價指標統計

從表4可知,決定系數(R2)、估計值標準差(SEE)、總體相對誤差(TRE)、平均預估誤差(MPE)、平均百分比標準誤差(MPSE)等5個指標表現均較好,這表明模型具有較好的預估能力。

3.2 縣(市、區)一體化蓄積量預估更新

采用分樹種組構建的小班蓄積量預估模型,對保定市內所有小班進行蓄積量更新,統計獲取保定市各縣(市、區)蓄積量模型預估值。把2016年分層抽樣獲取的保定市森林蓄積量預估值看作一類調查監測真值,全市單位森林蓄積量真值為38.42 m3/hm2[25]。采用式(8)、式(9)對各縣(市、區)的模型預估值進行逐級平差調整,從而將二類調查數據進行更新,最終實現與一類調查數據的對接。各縣(市、區)模型預估值與平差調整后蓄積監測信息如表5所示。模型預估平差調整監測、二類調查與一類調查蓄積量監測結果對比精度如表6所示。

表5 各縣(市、區)蓄積量監測結果

表6 各監測方法對比精度分析統計

表6顯示:1)一類調查,保定市單位森林蓄積量監測值為38.42 m3/hm2;二類調查,保定市單位森林蓄積量監測值為54.11 m3/hm2,對比精度為70.99%。2)本文構建的小班蓄積量預估模型[式(1)]監測值為34.98 m3/hm2,與一類調查監測值的對比精度為91.06%?？梢?通過蓄積量預估更新模型將小班蓄積量進行初步調整后,大幅度降低了二類調查與一類調查監測值之間的相對誤差,也說明了本文構建的小班蓄積量預估模型[式(1)]監測結果的可靠性。3)采用平差調整法,將蓄積量預估更新模型監測值進一步進行調整。平差調整后,保定市單位森林蓄積量監測值為38.42 m3/hm2,與一類調查蓄積量監測值的對比精度為100%,實現了二類調查監測值與一類調查監測值的對接。通過本文的研究方案,能夠成功獲取保定市各縣(市、區)尺度范圍內的森林蓄積量,并可實現一類調查與二類調查成果數據的對接。

4 討論

對于一類調查監測體系而言,通過系統布點嚴格把控抽樣精度,其監測數據的精準性更高,但是只能獲取省級區域尺度內蓄積量信息,無法監測縣域尺度蓄積量信息。二類調查采用區劃調查方法,其監測數據內容更為詳實,監測數據落到圖斑內,可以獲取較小區域尺度森林蓄積量信息,但是往往因為人為調查誤差,導致數據的精準性較低。因此,本文結合兩個監測體系的優勢開展縣(市、區)森林蓄積量數據一體化更新方案研究:以一類調查為建模樣本分樹種組建立蓄積量預估模型,從而保證模型預估數據的準確性;用預估模型將數據落實到小班尺度上,可以更好地將小班層面詳細的監測內容進行對接,從而達到一體化監測的目的。

森林資源監測一體化是多個森林資源監測體系融合的研究工作,不同監測數據的對接、各項監測因子信息的傳遞都是一體化監測的重點研究工作。本文僅針對蓄積信息的銜接開展一體化監測工作研究,后續的研究中,將從多個角度、多個層次出發,開展一體化監測方案的研究探討。

5 結論

首先,采用本文所研建的小班蓄積量預估模型獲取的保定市蓄積監測值與一類調查監測值的對比精度為91.06%,表明模型具有較好的預估能力及模型預估監測值的可靠性;其次,通過進行平差調整將模型預估值進一步更新調整,調整值與一類調查監測值的對比精度為100%,實現了一類調查與二類調查成果數據的對接。綜上所述,表明本研究提出的一類調查與二類調查森林蓄積量數據對接方案的可行性,可為全國各省級行政區域內小班蓄積量更新調整以及實現“一套數、一張圖”提供技術參考。