劉明睿，賈煒瑋

摘要：采用地面激光雷達(dá)（Terrestrial Laser Scanning，TLS）掃描10塊人工紅松林所得到的數(shù)據(jù)，與實(shí)地調(diào)查數(shù)據(jù)相結(jié)合，構(gòu)建紅松樹高曲線模型、枝下高預(yù)估模型與接觸高預(yù)估模型，并建立聯(lián)立方程組。首先，從所選擇的5種樹高曲線模型中，選擇出擬合效果較好的2個模型作為聯(lián)立方程組的備選模型。然后再從5個枝下高基礎(chǔ)模型中選出1個擬合效果好，并且適用程度高的模型作為基礎(chǔ)模型，運(yùn)用再參數(shù)化和最優(yōu)子集回歸的方法將林分因子（林分平均胸徑、林分?jǐn)嗝娣e、高徑比、優(yōu)勢木平均胸徑和優(yōu)勢木平均高）代入基礎(chǔ)模型，選擇擬合效果較好的模型作為枝下高備選模型。相同的方法選擇擬合效果好的接觸高備選模型。最后將樹高曲線模型、枝下高備選模型與接觸高備選模型分別兩兩聯(lián)立，建立聯(lián)立方程組。通過似不相關(guān)回歸（Seemingly Unrelated Regression Estimation， SVR或SURE），根據(jù)擬合優(yōu)度與檢驗(yàn)結(jié)果選擇最優(yōu)秀的方程組，并對聯(lián)立方程組進(jìn)行評價。最終得到結(jié)果最優(yōu)聯(lián)立方程組預(yù)估樹高時，決定系數(shù)R2=0.896，均方根誤差RMSE=0.612 m；當(dāng)方程組預(yù)估枝下高時，R2=0.575，RMSE=0.850 m；當(dāng)方程預(yù)估接觸高時，R2=0.719，RMSE=0.791 m，而且各種檢驗(yàn)指標(biāo)都較好。綜合來看，方程組對樹高、枝下高與接觸高擬合精度與檢驗(yàn)效果較好，可以解決樹高、枝下高與接觸高的內(nèi)在相關(guān)性問題，為進(jìn)一步研究紅松樹冠結(jié)構(gòu)與動態(tài)變化提供基礎(chǔ)。

關(guān)鍵詞：紅松人工林；地基雷達(dá)；樹高模型；枝下高模型；接觸高模型

中圖分類號：S791.247文獻(xiàn)標(biāo)識碼：A文章編號：1006-8023（2024）01-0026-11

Building Tree Height， Height to Crown Base and Crown Contact Height Model for Korean Pine Plantation Based on Terrestrial Laser Scanning Data

LIU MingRui， JIA Weiwei*

（College of Forestry， Northeast Forestry University， Key Laboratory of Sustainable Forest Ecosystem Management， Ministry of Education， Harbin 150040， China）

Abstract：In this paper， data obtained by scanning 10 artificial Korean pine forests based on Terrestrial Laser Scanning （TLS），? were combined with field survey data to construct tree height curve model， height to crown base prediction model and crown contact height prediction model， and a simultaneous equation system was established. First， from the five kinds of tree height curve models selected， two models with better fitting effects were selected as the candidate models of the simultaneous equations. Then one model with good fitting effect and high applicability from the five height to crown base models was selected as base model， and the stand factors （mean DBH of stand， stand basal area， ratio of height to diameter， mean DBH of dominant trees and mean height of dominant trees） were introduced into the basic model by means of re-parameterization and optimal subset regression， the model with better fitting effect was selected as the alternative model of height to crown base model. The same method was used to select alternative crown contact height model with good fitting effect. Finally， the tree height curve model， alternative height to crown base model and alternative crown contact height model were combined in pairs to establish simultaneous equations. Through seemingly unrelated regression estimation， the best equations were selected by the goodness of fit and the test results， and the simultaneous equations were evaluated. When the optimal simultaneous equation was used to estimate the tree height， the decision coefficient R2 =0.896， and the root mean square error RMSE=0.612 m; when the equations was used to estimate the height to crown， R2=0.575， RMSE=0.850 m; when the equations was used to estimate the crown contact height， R2=0.719， RMSE=0.791 m， and all kinds of inspection indexes were good. On the whole， the equation system had better fitting accuracy and test effect for tree height， height to crown and crown contact height， and can solve the internal correlation problem of tree height， height to crown and crown contact height， which provided the basis for further study of crown structure and dynamic changes of Korean pine.

Keywords：Korean pine plantation; Terrestrial Laser Scanning; tree height model; height to crown base model; crown contact height model

0引言

紅松是東北地區(qū)主要的林木裝飾和木材生產(chǎn)樹種之一。但是，其木材質(zhì)量和生長能力在很大程度上受樹冠尺寸、結(jié)構(gòu)和形狀的影響。為了更好地估測林分樹冠，對該樹種進(jìn)行了相關(guān)研究，在進(jìn)行大量數(shù)據(jù)分析的基礎(chǔ)上，通過對模型的比較，最終選擇出估測樹高、枝下高（Height to crown base， HCB）與接觸高（Crown Contact Height， CH）的最優(yōu)模型[1]。樹高是決定樹木總體積和生物量的關(guān)鍵因素，并且是反映森林立地質(zhì)量的重要指標(biāo)[2]。樹冠的大小也可以反映樹木的光合作用能力。有效冠[3]作為樹木光合作用的主要部分，其作用更加重要，高度和樹冠大小結(jié)合在一起，在確定林分的總?cè)~面積方面起著重要的生理作用[4]。在森林資源調(diào)查中，影響森林生長的因素很多，如胸徑、樹高、枝下高、活枝高、郁閉度、木材產(chǎn)量、年齡、地位、立地條件和產(chǎn)地等，但最重要的是樹高和胸徑，這也是衡量森林生長的2個重要指標(biāo)[5]。并非所有活枝對樹干的生長均有貢獻(xiàn)，部分處于樹冠下部的活枝，由于受到上層枝葉或相鄰木的遮擋，其合成的光合產(chǎn)物僅能滿足自身的生長和呼吸，并沒有額外的光合產(chǎn)物提供給樹干生長[6]。Hackenberg等[7] 采用變指數(shù)方程模擬樹冠的“陽冠”部分，并假定“陰冠”半徑為一個常數(shù)。隨后，也有部分學(xué)者基于相同的原則，通過分析樹干斷面積增長量在垂直方向的分布規(guī)律將樹冠劃分為“陽冠和陰冠”[8] 或“有效冠和無效冠”。本研究的接觸高模型可以間接地表示有效冠高。

在傳統(tǒng)林業(yè)調(diào)查中胸徑測定簡單方便，精度高，然而與胸徑指標(biāo)相比，樹高、枝下高和接觸高的測定卻費(fèi)時耗工，誤差難以控制，這就給林業(yè)生產(chǎn)與實(shí)踐帶來較大困難。為此，通過假設(shè)胸徑－樹高/枝下高/接觸高某些關(guān)系模型，由胸徑估測樹高、枝下高，有效冠高對森林調(diào)查具有十分重要的意義。傳統(tǒng)林業(yè)提取樹高、枝下高與接觸高都需要人工實(shí)地單木檢測，而詳細(xì)的每木檢尺既費(fèi)時又費(fèi)力的，最近幾年許多學(xué)者提出了運(yùn)用地基雷達(dá)（Terrestrial Laser Scanning， TLS）可以自動檢測樹干。TLS是生產(chǎn)和分析森林調(diào)查數(shù)據(jù)的新技術(shù)。通過高分辨率的三維數(shù)據(jù)，TLS采集具有提高信息質(zhì)量的巨大潛力。傳統(tǒng)林業(yè)調(diào)查，許多樹干數(shù)據(jù)是通過相對有限的現(xiàn)場數(shù)據(jù)和預(yù)先存在的模型來估算的，或是通過對樹木進(jìn)行砍伐，然后進(jìn)行單木檢測來計(jì)算的。與傳統(tǒng)林業(yè)調(diào)查相比，TLS系統(tǒng)具有自動、非破壞性和快速產(chǎn)生大量與樹木的結(jié)構(gòu)和生物物理指標(biāo)有關(guān)的準(zhǔn)確數(shù)據(jù)的功能 [9-10]。利用這種新興技術(shù)，TLS數(shù)據(jù)成功應(yīng)用于單棵樹，樣地和林分級別的各種估測，例如直徑、樹干曲線和高度測量、樹冠寬度估計(jì)、體積和生物量計(jì)算、樹種檢測[9， 11]。重復(fù)TLS測量還可用于變化檢測目的，例如評估增加的體積或生物量[12]。本研究以紅松人工林為研究對象，采用地基雷達(dá)（TLS）掃描所獲得的點(diǎn)云數(shù)據(jù)，提取樹高、枝下高、接觸高和胸徑，主要從3個方面進(jìn)行研究：1）選取最優(yōu)的樹高和枝下高模型，建立新的接觸高模型；2）在最優(yōu)模型的基礎(chǔ)上，建立樹高模型、枝下高模型與接觸高模型的聯(lián)立方程組；3）對樹高模型、枝下高模型、接觸高模型、聯(lián)立方程組模型進(jìn)行評價[13]。

1研究區(qū)域與研究方法

1.1研究區(qū)域概況

研究區(qū)位于黑龍江省佳木斯市樺南縣孟家崗林場，孟家崗林場位于樺南縣東北部，地理坐標(biāo)為130°32′42″～130°52′36″ E46°20′～46°30′50″ N，地處完達(dá)山西麓余脈，以低山丘陵為主，平均海拔為250 m，最高山峰為老平崗，其海拔575 m。水系屬松花江支流體系，最大的河流是柳樹河，為三級支流。屬東亞大陸性季風(fēng)氣候。冬季漫長，寒冷干燥；夏季短暫，溫暖潮濕；早春少雨，大風(fēng)易旱；秋季氣溫下降迅速，常造成凍害。初霜在9月上旬和中旬，晚霜在5月中旬和下旬。年平均氣溫為2.7 ℃。極端最高氣溫35.6 ℃，最低氣溫-34.7 ℃。年積溫為2 547 ℃。年平均降水量550 mm。全年日照充足，時數(shù)為1 955 h。無霜期在120 d左右。

1.2數(shù)據(jù)來源及處理

數(shù)據(jù)為2019年3月中旬用掃描儀Trimble TX8掃描的10塊紅松人工林樣地圖像，共計(jì)548棵紅松樣木。用Lidar360軟件，將配準(zhǔn)后的點(diǎn)云進(jìn)行去噪、地面點(diǎn)分類和歸一化等一系列處理，提取樣地樹木的樹高、胸徑、坐標(biāo)、冠幅、樹冠直徑、樹冠體積、枝下高、最低接觸高和最高接觸高等數(shù)據(jù)。

將地基雷達(dá)掃描的數(shù)據(jù)與人工樣地每木檢尺的數(shù)據(jù)結(jié)合、處理、匯總，得到表1。

1.3研究方法

1.3.1樹高曲線模型

樹高曲線模型有幾十種，選取其中5種擬合精度較高且具有豐富的生物學(xué)意義的樹高曲線模型作為本次紅松人工林試驗(yàn)的備選模型，見表2。

1.3.2枝下高模型

枝下高模型主要有2種形式，Logistic形式和指數(shù)形式，本次試驗(yàn)采取5個方程為基礎(chǔ)方程，見表3。許多研究表明，樹高（H）是預(yù)測枝下高的第1變量，胸徑（D）是預(yù)測枝下高的第2變量。因此，本研究首先用H和D（X=b0+b1×D，b0、b1為參數(shù)）自變量擬合模型，選擇最優(yōu)模型。由于競爭因素（COMP）和立地條件（SITE）還會影響枝下高，通過模型再參數(shù)化引入了反映這些條件的變量。采用最優(yōu)子集回歸方法對變量進(jìn)行篩選，建立了幾個擬合效果較好的模型作為方程組中枝下高的備選模型。

X的表達(dá)參數(shù)為

X=b+cSIZE+dCOMP+eSITE

式中：b、c、d、e為模型參數(shù);SITE為立地條件函數(shù)；COMP為競爭因子函數(shù)；SIIE為林分大小函數(shù)。

林分大小函數(shù)：SIZE=f（Dg，H）

競爭因子函數(shù)：COMP=f（G，HDR）

立地條件函數(shù)：SITE=f（H0，D0）

式中，HDR為高徑比。

1.3.3接觸高模型

接觸高模型與枝下高模型形式應(yīng)該近似，所以參考枝下高模型，見表4，將接觸高（式中記為CH）模型也分為2種形式，Logistic形式和指數(shù)形式。首先只擬合含林木因子作為自變量的接觸高模型，選出最優(yōu)的基礎(chǔ)模型。通過再參數(shù)化的方法，在最優(yōu)基礎(chǔ)模型中引入林分屬性因子和競爭屬性因子，利用SAS9.4軟件分別擬合各種不同變量組合下的接觸高模型，建立多個擬合效果較好的接觸高模型，最終選擇出最佳的接觸高模型。

林分大小函數(shù)：SIZE=f（D0，H，CL，CW）

競爭因子函數(shù)：COMP=f（G，HDR）

立地條件函數(shù)：SITE=f（H0，D0）

式中：CL為冠長；CW為冠幅。

1.3.4聯(lián)立方程組

由于樹高、枝下高與接觸高存在高度的內(nèi)在相關(guān)性，采用最小二乘法估計(jì)3個模型參數(shù)，滿足不了誤差同時最小的條件。可通過最優(yōu)子集回歸的方法，選擇最優(yōu)的樹高曲線模型、枝下高模型和接觸高模型，建立聯(lián)立方程組。如果多方程間有聯(lián)系，同時估計(jì)這些方程可提高估計(jì)效率，稱為“系統(tǒng)估計(jì)（system estimation）”。多方程聯(lián)合估計(jì)的缺點(diǎn)是，如果某方程誤差較大，將污染整個方程系統(tǒng)。選擇單一方程估計(jì)或系統(tǒng)估計(jì)，也是“有效性”與“穩(wěn)健性”的權(quán)衡。多方程系統(tǒng)主要分為2類。一類為“聯(lián)立方程組（simultaneous equations）”，即不同方程間存在內(nèi)在聯(lián)系，一個方程的解釋變量是另一方程的被解釋變量。另一類為“似不相關(guān)回歸（Seemingly Unrelated Regression Estimation，SUR或SURE）”，即各方程的變量之間沒有內(nèi)在相關(guān)性，但各方程的擾動項(xiàng)之間存在相關(guān)性。因此樹高曲線模型、枝下高模型與接觸高模型就采用似不相關(guān)回歸來建立方程組。

聯(lián)立方程組通式

H=∫（SIZE，COMP，SITE）

HCB=∫（H，SIZE，COMP，SITE）

CH=∫H，SIZE，COMP，SITE

式中：H、HCB、CH為內(nèi)生變量;SIZE、COMP、SITE 為外生變量。

1.3.5模型的評價與檢驗(yàn)

回歸分析的最后也是最重要的一步，是充分驗(yàn)證所選模型。本次試驗(yàn)利用決定系數(shù)（R2）和均方根誤差（RMSE）來評價模型的擬合效果。用平均誤差（ME）、絕對誤差（MAE）、總相對誤差（TRE）對模型進(jìn)行了檢驗(yàn)。其中，ME和MAE用于反映絕對誤差，TRE用于反映相對誤差。每個測試指標(biāo)的值越小，模型的誤差越小。

2結(jié)果與分析

2.1地基雷達(dá)數(shù)據(jù)的精度

通過Lidar360處理得到的雷達(dá)數(shù)據(jù)與人工每木檢尺所得到的樣地數(shù)據(jù)進(jìn)行對比，得到表5。結(jié)果顯示胸徑與樹高的精度都在95%左右，而活枝高的精度也達(dá)到了85%左右，得到的精度可以確保地基雷達(dá)提取的數(shù)據(jù)能應(yīng)用到模型構(gòu)建中。

總體來看TLS對胸徑估計(jì)偏低，偏差小于0，胸徑的偏差可能是由于掃描數(shù)據(jù)噪點(diǎn)或者后期處理軟件本身所產(chǎn)生的偏差，因?yàn)樾貜降奶崛∈荓idar360軟件自動提取的，而對枝下高的估計(jì)偏高，偏差大于0，枝下高是人工測量的，可能產(chǎn)生測量誤差，并且由于點(diǎn)云數(shù)據(jù)只能對樹木枝條的輪廓進(jìn)行全面的掃描，但是無法分辨是活枝還是死枝，只能憑借枝條的形態(tài)和生長角度，還有是否有葉，自己進(jìn)行判斷，也會產(chǎn)生誤差。而對樹高的估計(jì)值偏低，偏差大于0，這與其他學(xué)者的研究結(jié)果相似[20-21]。但是總體的檢測結(jié)果還不錯，精度都在可以接受的范圍內(nèi)?？梢源砣斯ぜt松林的大體數(shù)據(jù)。

通過對樹高與枝下高數(shù)據(jù)的精度檢驗(yàn)，證明TLS數(shù)據(jù)在高度方面提取的精度很高，可以代表實(shí)際數(shù)據(jù)運(yùn)用于建模之中，所以用TLS提取的接觸高數(shù)據(jù)也應(yīng)該可以應(yīng)用到實(shí)際應(yīng)用與構(gòu)建模型之中。

2.2樹高曲線模型的選取

利用TLS提取的數(shù)據(jù)與實(shí)地測量數(shù)據(jù)相結(jié)合，對表2中5種樹高曲線模型進(jìn)行擬合，表6為樹高曲線模型參數(shù)估計(jì)值、擬合優(yōu)度和檢驗(yàn)結(jié)果。以往實(shí)驗(yàn)證明Lidar數(shù)據(jù)往往會低估樹高值[20-22]。由表4可知，R2在0.44～0.88，并沒有0.9以上的，可能是由于樣本太少，應(yīng)增加樣本量。模型（1）擬合優(yōu)度與檢驗(yàn)結(jié)果相比，其他4個模型相對較差，并且是多參數(shù)模型，應(yīng)用也比較復(fù)雜。而模型（3）、模型（4）、模型（5）擬合優(yōu)度與檢驗(yàn)結(jié)果都比較理想，結(jié)果也相差不明顯。所以綜上所述，將模型（3）和模型（5）作為樹高曲線模型的備選模型。

2.3枝下高模型的選取

首先擬合只含有樹高（H）和胸徑（DBH）作為自變量的枝下高模型（X=b0+b1×D，b0、b1為參數(shù)），然后選出最優(yōu)秀的枝下高模型。其中將模型參數(shù)k、m、w分別設(shè)置為1、2、3，結(jié)果見表7。擬合結(jié)果的決定系數(shù)R2都不高，都在0.5左右，可能是由于建模數(shù)據(jù)相對較少，不能準(zhǔn)確地預(yù)測枝下高模型，而且模型（6）、模型（7）、模型（8）的因變量范圍無法限定在（0，H）之間，并不具備生物學(xué)意義。從檢驗(yàn)結(jié)果來看，所有模型對枝下高（HCB）都相對高估（ME＜0），TRE＜-0.2%，證明擬合效果很好。模型（9）與模型（10）相差不大，但是模型（10）帶了指數(shù)形式，在實(shí)際應(yīng)用中，如果結(jié)果沒有明顯差距，相對簡單的模型可以更好地運(yùn)用在生產(chǎn)實(shí)踐當(dāng)中，所以本研究選擇模型（9）作為枝下高基礎(chǔ)模型的備選模型。

將林分因子SIZE、COMP、SITE進(jìn)行再參數(shù)化函數(shù)代入模型（9）中，采用最優(yōu)子集回歸法擬合參數(shù)模型。運(yùn)用最優(yōu)子集回歸法擬合結(jié)果差異不大，決定系數(shù)R2都在0.52～0.59，RMSE大多數(shù)都在0.88左右，ME在-0.01以下，MAE在0.7～0.8，TRE在-0.15%～-0.13%，總的來說差異不大，擬合效果都很好，但還是有些高估枝下高（ME＜0）。通過再參數(shù)化和最優(yōu)子集的方法，將林分因子代入枝下高基礎(chǔ)模型，提高了決定系數(shù)R2，降低了RMSE，總的來說提高了模型的擬合精度，使模型的擬合效果更佳。

林分?jǐn)嗝娣e（G）、高徑比（HDR）都是林分的競爭因子，將2個變量分別擬合到枝下高的備選模型當(dāng)中。優(yōu)勢木平均胸徑（D0）和優(yōu)勢木平均高（H0）代表了林分的立地條件，與優(yōu)勢木的平均高（H0）相比，優(yōu)勢木平均胸徑（D0）在模型當(dāng)中的擬合精度更好。決定系數(shù)R2相對更高，所以把林分?jǐn)嗝娣e（G）、高徑比（HDR）與優(yōu)勢木平均胸徑（D0）分別加入到枝下高備選模型當(dāng)中，結(jié)果見表8。

由表8可知，2個備選模型的決定系數(shù)R2都在0.58左右，RMSE結(jié)果都在0.88左右，都會高估枝下高（ME較小，而且都小于0），平均絕對誤差（MAE）在0.77左右，平均預(yù)估誤差TRE都小于-0.16%?？傮w來說擬合效果較好。

圖1（a）、圖1（b）為公式（16）的殘差值正態(tài)分布、預(yù)測值與殘差分布，圖1（c）、圖1（d ）為公式（17）的殘差值正態(tài)分布、預(yù)測值與殘差值。從圖1中可以看出，殘差值屬于正態(tài)分布，殘差的散點(diǎn)是隨機(jī)的，說明模型的擬合效果很好，無異方差現(xiàn)象。

2.4接觸高模型的選取

接觸高模型的選取與枝下高模型選取相同。結(jié)果見表9。擬合結(jié)果的決定系數(shù)R2都在0.66左右，與枝下高基礎(chǔ)模型選取相似，在實(shí)際應(yīng)用中，如果結(jié)果沒有明顯差距，相對簡單的模型可以更好地運(yùn)用在生產(chǎn)實(shí)踐當(dāng)中，所以本研究選擇模型（14）作為接觸高基礎(chǔ)模型的備選模型。

同樣將模型（14）進(jìn)行再參數(shù)化，將林分因子SIZE、COMP、SITE函數(shù)代入模型（14）中，決定系數(shù)R2都在0.7左右，RMSE大多數(shù)都在0.878左右，ME在0.01以下，MAE在0.71～0.73，TRE在0.09%～0.11%。通過再參數(shù)化和最優(yōu)子集的方法，將林分因子代入接觸高基礎(chǔ)模型，提高了決定系數(shù)R2，降低了RMSE，提高了模型的擬合精度，模型的擬合效果更佳。

林分?jǐn)嗝娣e（G）、高徑比（HDR）都代表了林分的競爭因子2個變量分別擬合到枝下高的備選模型當(dāng)中。優(yōu)勢木平均胸徑（D0） 和優(yōu)勢木平均高（H0）代表了林分的立地條件，與枝下高模型相反，在接觸高模型中，優(yōu)勢木的平均高（H0）比優(yōu)勢木平均胸徑（D0）在模型當(dāng)中的擬合精度更好。決定系數(shù)R2相對更高，所以把林分?jǐn)嗝娣e（G），高徑比（HDR）與優(yōu)勢木的平均高（H0）分別加入到接觸高備選模型當(dāng)中，結(jié)果見表10。

由表10可知，2個備選模型的決定系數(shù)R2都在0.7左右，RMSE結(jié)果都在0.85左右，ME都小于0.01，平均絕對誤差MAE在0.72左右，平均預(yù)估誤差MPE都小于0.02%?？傮w來說擬合效果較好。

圖2（a）、圖2（b）是公式（18）的殘差值正態(tài)分布、預(yù)測值與殘差分布，圖2（c）、圖2（d）為公式（19）的殘差值正態(tài)分布、預(yù)測值與殘差值。從圖2中可以看出，殘差值屬于正態(tài)分布，殘差的散點(diǎn)是隨機(jī)的，說明模型的擬合效果很好，并且沒有出現(xiàn)異方差等問題。

2.5聯(lián)立方程組

將備選的樹高曲線模型（模型（3）、模型（5）），枝下高備選模型（模型（16）、模型（17））與接觸高備選模型（模型（18）、模型（19））分別聯(lián)立，建立聯(lián)立方程組。采用似不相關(guān)回歸（SUR）來擬合方程組，但是擬合過程中發(fā)現(xiàn)，由于樹高、枝下高與接觸高存在高度的內(nèi)相關(guān)性，大多數(shù)方程組存在多重共線性，無法擬合出可靠的方程組。只有應(yīng)用模型（3）、模型（16）和模型（18）聯(lián)立方程組不存在多重共線性，可以得出相對可靠的聯(lián)立方程組。方程組形式如下

H=1.3+（H0-1.3）×（D/D0）a0

HCB=H/（1+exp（b0+b1D+b2G+b3D0））。

CH=H/（1+exp（c0+c1D+c2HDR+c3H0）（20）

圖3為當(dāng)立地條件與競爭條件相同時（林分因子都采用平均林分因子），樹高、枝下高和接觸高分別與胸徑的關(guān)系曲線?？臻g上，從上到下依次為樹

高、接觸高和枝下高，與實(shí)際情況符合。隨著胸徑的不斷增大，樹高也不斷地增加，樹木越粗樹高越高。但是胸徑增大到一定的程度后，接觸高與枝下高都會相對減小，也就是說當(dāng)樹木越粗，成長的越好，樹木的冠就越大，有效冠也越大，與實(shí)際情況也相符。說明聯(lián)立方程組不僅解決了樹高、枝下高和接觸高的內(nèi)在相關(guān)性，也擁有較高的預(yù)測能力。

由表11可知，方程組中，樹高模型擬合優(yōu)度R2與RMSE都相對提高，R2從0.876上升到0.896，RMSE也從0.702下降到了0.612，檢驗(yàn)精度在原有的基礎(chǔ)上上下波動幅度很小，都在千分位上波動。枝下高模型雖然擬合優(yōu)度R2有所降低，從0.582降低到0.575，但是檢驗(yàn)精度有了很大的提升，ME從-0.008降低到了0.000 4，前進(jìn)了一個數(shù)量級。接觸高模型在方程組中擬合優(yōu)度和檢驗(yàn)結(jié)果都相對有所提升。綜合來看方程組比獨(dú)立模型預(yù)估的結(jié)果誤差更小，模型預(yù)估精度更高。

3結(jié)論與討論

3.1結(jié)論

本研究采用TLS提取的樹高、胸徑、枝下高數(shù)據(jù)與實(shí)地測量的相關(guān)數(shù)據(jù)相結(jié)合，無損地測量了位于孟家崗林場的10塊紅松人工林，并建立了樹高曲線、枝下高與接觸高基礎(chǔ)方程，采用似不相關(guān)回歸建立了聯(lián)立方程組，成功擬合出最優(yōu)聯(lián)立方程組模型。當(dāng)單獨(dú)建立樹高曲線、枝下高模型與接觸高模型時，結(jié)果分別為：

1）樹高曲線的決定系數(shù)R2為0.8左右，均方根誤差（RMSE）為0.7 m左右。

2）枝下高再參數(shù)化模型決定系數(shù)R2為0.58左右，均方根誤差（RMSE）在0.88 m左右。

3）接觸高再參數(shù)化模型決定系數(shù)R2在0.7左右，均方根誤差（RMSE）為0.85 m。

4）當(dāng)建立聯(lián)立方程組預(yù)估樹高時，決定系數(shù)R2為0.896，均方根誤差（RMSE）為0.612 m；當(dāng)方程組預(yù)估枝下高時，決定系數(shù)R2為0.575，均方根誤差（RMSE）為0.850 m，預(yù)估接觸高時決定系數(shù)R2為0.719，均方根誤差（RMSE）為0.791 m，擬合優(yōu)度和檢驗(yàn)指標(biāo)都有所提高并且各種檢驗(yàn)指標(biāo)都較好。

通過本次試驗(yàn)可以得出結(jié)論：TLS調(diào)查可以與傳統(tǒng)調(diào)查方法相結(jié)合，TLS數(shù)據(jù)可以運(yùn)用到模型構(gòu)建的過程中，模型的再參數(shù)化，不僅提高了模型的精度，也將林分因子、立地條件等變量充分考慮。通過聯(lián)立方程組的方式，不僅解決了模型的內(nèi)在相關(guān)性問題，也保證了模型具有較高的預(yù)測能力。

3.2討論

聯(lián)立方程組中各項(xiàng)系數(shù)所代表不同的含義，其中代表胸徑前的參數(shù)b1、c1為正數(shù)，說明胸徑與枝下高呈現(xiàn)正相關(guān)，但是枝下高與接觸高模型都是分?jǐn)?shù)形式，當(dāng)胸徑不斷增大的時候，分子樹高曲線模型的增長比例比分母增長比例小，即樹木越大枝下高與接觸高越低。這與李想[23]建立的樟子松相關(guān)的枝下高模型，所得到的結(jié)果一致。當(dāng)樹木生長較好的時候，競爭壓力就小，自然整枝能力就差，所以死枝就相對較少，第一活枝相對較低，樹冠呈現(xiàn)塔狀，所以枝下高就相對較低。而代表競爭因子林分?jǐn)嗝娣e的參數(shù)b2、c2為負(fù)數(shù)，即競爭越激烈，枝下高越高，自然整枝效果越大，死枝就越多，第一活枝相對就越高，枝下高也就越高。接觸高的確定，可以間接確定有效冠的高度，為人工整枝、撫育間伐提供一定理論基礎(chǔ)。對森林質(zhì)量、碳儲量的提升提供一定的幫助。

通過本次實(shí)驗(yàn)，TLS數(shù)據(jù)可以更廣泛地應(yīng)用到從前需要大量人工測量數(shù)據(jù)的試驗(yàn)當(dāng)中，為以前費(fèi)時費(fèi)力的數(shù)據(jù)收集工作提供了新的途徑。但是TLS數(shù)據(jù)與實(shí)測數(shù)據(jù)仍然有些偏差，例如在本次試驗(yàn)中，枝下高的提取，由于點(diǎn)云數(shù)據(jù)只能對樹木枝條進(jìn)行全面的掃描，但是無法分辨是活枝還是死枝，只能憑借枝條的形態(tài)和生長角度判斷第一活枝高，主觀進(jìn)行判斷，就會產(chǎn)生誤差。在以后的試驗(yàn)中最好是TLS數(shù)據(jù)與實(shí)測數(shù)據(jù)相結(jié)合，提供更精確更全面的數(shù)據(jù)支持試驗(yàn)結(jié)論。

【參考文獻(xiàn)】

[1]王佳燕.海南東寨港幾種紅樹植物主要生長特征因子間的關(guān)系研究[D].?？冢喝A南熱帶農(nóng)業(yè)大學(xué)，2007.

WANG J Y. Studies on the relationships among the main growth characteristics of mangrove plants in Dongzhai port， Hainan province[D]. Haikou： South China Agricultural University， 2007.

[2]ASSMAN E， ASSMAN E. The principles of forest yield study[J]. Forest Science， 1970（4）： 498-498.

[3]李鳳日，王治富，王保森.落葉松人工林有效冠動態(tài)研究：有效冠的確定[J].東北林業(yè)大學(xué)學(xué)報，1996，24（1）：1-8.

LI F R， WANG Z F， WANG B S. Study on dynamics of effective crown of larch plantation： Determination of effective crow[J]. Journal of Northeast Forestry University， 1996， 24（1）： 1-8.

[4]RUSSELL M B， WEISKITTEL A R， KERSHAW J A. Comparing strategies for modeling individual-tree height and height-to-crown base increment in mixed-species Acadian forests of northeastern North America[J]. European Journal of Forest Research， 2014， 133（6）： 1121-1135.

[5]顧鳳岐，王艷.基于紅松胸徑與樹高相關(guān)模型的研究[J].森林工程，2013，29（4）：41-43.

GU F J， WANG Y. Study on the correlation model between DBH and tree height of Pinus koraiensis[J]. Forest Engineering， 2013， 29（4）： 41-43.

[6]HOSOI F， OMASA K. Voxel-based 3-D modeling of individual trees for estimating leaf area density using high-resolution portable scanning lidar[J]. IEEE Transactions on Geoscience & Remote Sensing， 2006， 44（12）： 3610-3618.

[7]HACKENBERG， J SPIECKER， H CALDERS， et al. Simple Tree-an efficient open source tool to build tree models from TLS clouds[J]. Forests， 2015， 6（11）： 4245-4294.

[8]AKERBLOM M， RAUMONEN P， MAKIPAA R， et al. Automatic tree species recognition with quantitative structure models[J]. Remote Sensing of Environment， 2017， 191： 1-12.

[9]RAUMONEN P， KAASALAINEN M， AKERBLOM M， et al. Fast automatic precision tree models from terrestrial laser scanner data[J]. Remote Sensing， 2013， 5： 491-520.

[10]MOLLER C M. The influence of pruning on the growth of conifers[J]. Forestry， 1962， 33（1）： 37-53.

[11]RAULIER F， UNG CH， OUELLET D. Influence of social status on crown geometry and volume increment in regular and irregular black spruce stand[J]. Canadian Journal of Forest Research， 1996， 26（10）： 1742-1753.

[12]王迪生，宋新民.一個新的單木競爭指標(biāo)-相對有效冠幅比[J].林業(yè)科學(xué)研究，1994，7（3）：337-341.

WANG D S， SONG X M. A new single tree competition index-relative effective crown width ratio[J]. Forestry Scientific Research， 1994， 7（3）：337-341.

[13]李想.黑龍江省人工樟子松枝下高動態(tài)預(yù)測模型的研究[D]. 哈爾濱： 東北林業(yè)大學(xué)， 2018.

LI X. Study on the dynamic prediction model of the height under the branch of Pinus sylvestris var. mongolica in Heilongjiang province[D]. Harbin： Northeast Forestry University， 2018.

[14]SHARMA M， YIN ZHANG S. Height-diameter models using stand characteristics for Pinus banksiana and Picea mariana[J]. Scandinavian Journal of Forest Research， 2004， 19（5）： 442-451.

[15]MONNESS E. Diameter distributions and height curves in even-aged stands of Pinus sylvestris L.[J]. Norsk Institutt for Skogforskning， 1982， 36（15）： 1-40.

[16]SANCHEZ C A L， VARELA J G， DORADO F C， et al. A height-diameter model for Pinus radiata D. Don in Galicia （Northwest Spain）[J]. Annals of Forest Science， 2003， 60（3）： 237-245.

[17]WYKOFF W R. User's guide to the stand prognosis model[R].? U.S. Department of Agriculture， Forest Service， Intermountain Forest and Range Experiment Station， 1982： 112.

[18]WALTERS D K， HANN D W. Taper equations for six conifer species in southwest Oregon[M]. Corvallis： Oregon State University， 1986.

[19]KERSHAW J A， MAGUIRE D A， HANN D W. Longevity and duration of radial growth in Douglas-fir branches[J]. Canadian Journal of Forest Research， 1990， 20（11）： 1690-1695.

[20]POPESCU S C， WYNNE R H， NELSON R F. Estimating plot-level tree heights with Lidar： local filtering with a canopy-height based variable window size[J]. Computers & Electronics in Agriculture， 2002， 37（1/3）： 71-95.

[21]CHEN Q， BALDOCCHI D， GONG P， et al. Isolating individual trees in a savanna woodland using small footprint Lidar data[J]. Photogrammetric Engineering & Remote Sensing， 2006， 72（8）： 923-932.

[22]付玉嬪，孟夢，姜遠(yuǎn)標(biāo)，等.思茅松育苗試驗(yàn)及造林后效果分析[J].西部林業(yè)科學(xué)，2022，51（3）：11-17.

FU Y B， MENG M， JIANG Y B， et al. Experimental research on seedling cultivation of Pinus kesiya var. langbianensis[J]. Journal of West China Forestry Science， 2022， 51（3）：11-17.

[23]李想，董利虎，李鳳日.基于聯(lián)立方程組的人工樟子松枝下高模型構(gòu)建[J].北京林業(yè)大學(xué)學(xué)報，2018，40（6）：9-18.

LI X， DONG L H， LI F R.Building height to crown base models for Mongolian pine plantation based on simultaneous equations in Heilongjiang Province of northeastern China[J]. Journal of Beijing Forestry University， 2018， 40（6）： 9-18.