西伯利亚落叶松天然林立木生物量估算模型研究

高亚琪，张绘芳，地力夏提·包尔汉，朱雅丽

(新疆林业科学院现代林业研究所，乌鲁木齐　830000)



西伯利亚落叶松天然林立木生物量估算模型研究

高亚琪，张绘芳，地力夏提·包尔汉，朱雅丽

(新疆林业科学院现代林业研究所，乌鲁木齐830000)

【目的】构建西伯利亚落叶松地上、地下及各组分器官的生物量估测模型。【方法】基于54株伐倒样木实测数据，运用相关回归分析方法，构建西伯利亚落叶松各组分生物量估测模型，并对比分析各种模型估测精度。【结果】以胸径、树高构建的落叶松各组分二元估测模型优于一元模型，其中地上、树干、树冠和树枝生物量预估精度提高了2.84%～5.00%，而树叶和地下生物量仅提高了0.33%和0.15%。落叶松树干生物量和地上总生物量最优估测模型为W=aDbHc、树冠和树枝生物量最优模型为W=a(D3/H)b、树叶生物量最优模型为W=aDb；其中地上总生物量预估精度最高，达96.38%；树叶生物量预估最低，为84.07%；地下生物量以实测数据直接建模法与根茎比建模法对比，根茎比建模法预估精度高，其最优模型精度为90.50%。【结论】研究确定西伯利亚落叶松天然立木单株各组分生物量的最优估测模型，根据现地实测数据，可进行立木生物量估测,但人工落叶松立木生物量和天然落叶松不同林分的生物量估测还有待进一步研究。

落叶松；生物量；模型评价

0　引 言

【研究意义】森林生物量指森林生态系统积累的植物有机物总量，是整个生态系统运行的能量基础和物质来源，它的测定为森林生态系统能量利用和养分循环提供了最基础的数据[1-3]。构建西伯利亚落叶松(Larixsibirica)生物量估测模型对评价其森林生态系统生产力及其在碳平衡中的作用都具有重要意义。【前人研究进展】目前，森林生物量估测普遍采用样地实测建模法，即根据样地实测数据利用数理统计方法构建林木各部分生物量与某一测树学指标间相关模型[4-6]。曾伟生等[7-10]对立木生物量建模中回归模型的偏差校正、模型评价、相容性模型构建方法等进行了研究；邢艳秋等[5]利用森林二类调查数据，采用联立方程组引入林分蓄积因子为长白山天然林不同森林群落建立了相容性生物量模型，得到较高的预估精度；孙玉军等[11]采用标准地解析木生物量数据与森林资源连续清查数据研究森林碳汇，估算了适用于兴安落叶松(Larixgmelinii)幼中龄林的生物量转换因子(BEF)、生物量及碳储量、碳密度、碳汇功能等；尹艳豹等[12]采用实测数据建立了落叶松立木地上总生物量和地下生物量通用模型；王轶夫等[13]对马尾松(Pinusmassoniana)地上各部分生物量的多种模型结构对比分析表明，非线性模型和多项式模型的估测效果比线性模型好；对于线性、非线性模型，多元模型优于一元模型，地上、树干生物量模型总体拟合效果优于树冠、树枝、叶花果生物量模型；付尧等[14]根据林木生物量相容性理论，以树干生物量作为控制量，利用单株木生物量中各组分之间的代数关系，通过联立独立模型求解得到单株木相容性模型。【本研究切入点】目前，西伯利亚落叶松研究主要集中在地理种源区划、天然更新规律及动力等方面[15-17]，基于实测数据构建西伯利亚落叶松生物量模型并检验其精度的研究鲜见报道。研究构建西伯利亚落叶松地上、地下及各组分器官的生物量估测模型。【拟解决的关键问题】研究以西伯利亚落叶松为对象，根据实测数据，运用数理统计方法建立其地上和地下生物量估测模型，为制定落叶松林生物量计量标准、开展全疆森林生物量资源清查和监测以及评价森林质量提供科学依据。

1　材料与方法

1.1材 料

西伯利亚落叶松分布于阿尔泰山及天山东部。在阿尔泰山西北部海拔1 900～3 500 m地带，常与西伯利亚红松(Pinussibirica)、西伯利亚冷杉(Abiessibirica)组成混交林，在东南部海拔1 000～2 600 m地带有大面积的纯林，在南坡仅峡谷地带及湿润、向阳的西北坡山地有带状或片状纯林；在天山东部干旱地带与疣枝桦(Betulapendula)组成混交林，在巴尔库山海拔2 100～2 800 m的阳坡组成带状纯林[15-17]。

1.2 方 法

1.2.1 数据采集与处理

2013年7～9月，在阿尔泰山和天山东部西伯利亚落叶松分布区，根据林分郁闭度、树高级，分别选取2，4，6，8，12，16，20，26，32和38 cm以上10个径阶，共54株标准样木，并进行了现场采伐实测。树干：按上、中、下3个部分测量鲜重，并分别在1/10、3.5/10、7/10树高处各取2个圆盘样品带回室内烘干，测定含水率，然后根据上中下的含水率计算树干干重，求和为整株树干干重；树冠：分上、中、下3层测量鲜重，并分层各取3个标准枝测定枝、叶比例，在标准枝中取部分枝、叶样品测定各层含水率，然后计算各层的枝、叶干重，相加得到整株树木枝、叶干重；地下生物量采用全挖法将整个根系挖出，由于挖根困难且工作量巨大，研究挖取24株树并测定其根部数据。测定时，分主根、粗根(≥10 mm)、细根(2～10 mm，不含2 mm以下须根)称鲜重，同样分别抽取样品测干重，并推算得到地下部分干重。

1.2.2建模方法与评价

考虑到测树因子的生物学可解释性及可获取性，运用相关分析法选取与各组分生物量相关性较高的因子及因子组合，以胸径D、树高H、D2H、D3/H、平均冠幅Cw等作为自变量，运用统计回归方法建立其生物量模型。目前，林木生物量模型多采用非线性模型，模型结构W=aXb或W=aXbYC(W表示生物量，X、Y表示测树因子或因子组合，a、b、c为估计参数[12])。利用统计学软件SPSS 20.0计算相关模型参数。

为确定模型的优劣，运用评价指标法[9，11]判定模型的优度和精度，主要评价指标有相关系数(R2)、估计值的标准误差(SEE)、总相对误差(TRE)、平均系统误差(MSE)、平均预估误差(MPE)等5个统计量。其计算公式[9]如下：

预估精度P=100%-MPE.

2 　结果与分析

2.1模型自变量因子(组合)选取

在模型构建时，采用过多的自变量，会使模型过于复杂，造成变量间的相互抵触[14]。

运用相关性分析方法选取影响生物量的主导因子，以提高模型的拟合精度。

研究表明，在0.05水平下西伯利亚落叶松地上总生物量、树干生物量、树叶生物量、树枝生物量、地下生物量与胸径D、树高H、冠幅及其组合之间相关性极显著。地上总生物量、树干生物量、树根生物量与胸径D、D2H相关性大，均在0.84以上，单因子树高与地上和树干生物量相关性较高；树枝生物量与D、D3/H、Cw的相关性在0.84左右，树叶生物量与各因子相关性较低，其中与D、D3/H、Cw的相关性相对较高。相关性显示各生物量与胸径D的相关性较高，说明胸径是决定林木生物量的关键因子。

根据相关性分析结果，选取D、D2H、D和H组合为自变量拟合西伯利亚落叶松地上总生物量、树干生物量和地下(树根)生物量模型，以D、D3/H、Cw为自变量拟合树枝、树叶生物量模型，并对比每个模型精度，选出各部分的最优模型。表1

表1西伯利亚落叶松林木因子与各组分生物量之间相关系数
Table 1The relationship of between tree factor and components biomass of Larix sibirica

变量因子Variablefactor胸径(D)D树高(H)HD2HD3/HD3/H平均冠幅CWW干WTrunkW地上Wabove-groundW枝WbranchesW叶WleavesW地下WrootsDHD2HD3/HCWW干W枝W叶W地上W地下1.0000.7450.9190.8810.8340.8720.8420.7800.9090.8671.0000.7230.3990.5750.7060.4600.5450.7030.6931.0000.8250.7060.9700.7150.7120.9770.8411.0000.7160.7860.8330.7890.7300.6961.0000.6170.8430.7460.6720.7171.0000.6510.6420.9920.7911.0000.9120.7400.8511.0000.7210.7881.0000.8401.000

备注：W干、W枝、W叶、W地上、W地下表示西伯利亚落叶松各组分器官的生物量

Note：Wtrunk,Wbranches,Wleaves,Wabove-groundWroots, said organ biomass of L. sibirica component parts

2.2 西伯利亚落叶松地上总生物量模型的构建与评价

根据相关分析结果，利用54株西伯利亚落叶松实测数据对其地上总生物量及各组分(树干、树冠、树枝、树叶)生物量用以下5种模型进行构建并对比分析，选出最优模型。

W=aDb.

(1)

W=a(D2H)b.

(2)

W=aDbHc.

(3)

W=a(D3/H)b.

(4)

W=aCwb.

(5)

拟合结果及评价指标分析如表2.

表2西伯利亚落叶松各组分生物量模型拟合结果及统计指标

Table 2 Fitting results and statistical indexes of components of biomass of Larix sibirica

组分Components模型Model参数估计(Parameterestimation)统计指标(Statisticalindex)abcR2SEE/kgTRE(%)MSE(%)MPE(%)P(%)地上总生物量Above-groundbiomass(1)0.09342.40970.961101.55-1.944.017.5592.45(2)0.05400.89190.97364.916.373.334.8295.18(3)0.06052.00120.62540.97148.75-0.26-1.523.6296.38树干生物量Trunkbiomass(1)0.07222.40420.926105.600.409.0610.0090.00(2)0.03490.91090.98256.194.862.235.4394.57(3)0.01431.90271.12800.95251.760.7911.905.0095.00树冠生物量Canopybiomass(1)0.01562.43050.83346.4824.7922.7614.9485.06(2)0.03511.03100.87837.647.3116.7412.1087.90(3)0.82752.56650.76958.7919.2944.3218.9081.10树枝生物量Branchesbiomass(1)0.00902.54940.82942.4525.2725.3015.4184.59(2)0.02101.08220.87634.256.4018.5312.4487.56(3)0.59102.67760.75853.7620.6650.2819.5280.48树叶生物量Leavesbiomass(1)0.01041.91300.7235.6825.9324.1615.9384.07(2)0.01960.81210.7645.5617.9826.2215.6084.40(3)0.21872.08440.7126.6622.3342.9218.6681.34

研究表明，西伯利亚落叶松地上总生物量三个模型的相关系数R2在0.96以上，总相对误差(TRE)和平均系统误差(MSE)都在±7%，预估精度均在92.45%以上，模型拟合效果较好，其中以二元模型(3)拟合效果最优，TRE和MSE在±2%，预估精度达96.38%，相比一元模型(1)精度提高了3.93%。

树干生物量三个模型的相关系数R2>0.926以上，总相对误差(TRE)和平均系统误差(MSE)都在±12%，预估精度也在90%以上，模型拟合效果良好。其中，一元模型(1)预估精度90.0%，二元模型(2)和(3)预估精度相当，分别为94.57%和95%，从相对残差图分析模型(3)除小径阶(胸径6 cm以下)外，其余的残差都比较集中分布在±0.2之间，模型(2)分布在±0.4，说明在胸径6 cm以上的树木模型(3)预估精度更好，在林分中胸径6 cm以下的生物量在整个林分中所占份额很少，因此树干生物量模型(3)最优。

树冠、树枝生物量估测二元模型(4)相关系数R2>0.87以上，总相对误差(TRE)和平均系统误差(MSE)小于18.53%，预估精度分别为87.9%和87.56%，高于一元模型(1)和(5)，相对残差也有所改进，因此树冠、树枝生物量预估模型(4)最优，说明树冠、树枝的生物量与树高成反比，而一元模型(1)相关系数R2=0.833，TRE和MSE小于25.3%，预估精度85%左右，各评价指标均高于模型(5)，说明测树因子胸径D比冠幅CW对树冠、树枝的生物量的拟合更合适。

树叶生物量估测的三个模型相比较，根据各评价指标分析，模型(5)拟合效果最差，模型(1)和(4)相差很小，相关系数R2>0.723以上，TRE和MSE小于26.22%，预估精度分别为84.4%和84.07%，说明这两个模型拟合效果较好，由相对残差图5分析，二元模型(4)与一元模型(1)没有明显改进，调查因子的增加没有明显提高模型预估精度，因此树叶生物量估测以模型(1)最优。表2，图1～5

根据拟合结果，地上总生物量和树干生物量一元模型预估精度分别是92.45%和90%，树冠、树枝生物量预估精度也在85%左右，相对残差呈随机分布，拟合效果较好，考虑测量树高会增加野外调查工作量，也会带来一定的测量误差，建议在实际生产中进行大尺度范围的西伯利亚落叶松生物量估测可以使用地上总生物量的一元模型。

地上各组分生物量最优模型为：

地上总生物量：

W=0.060 5D2.001 2H0.625 4W=0.093 4D2.409 7.

树干生物量：

W=0.014 3D1.902 7H1.128 0W=0.072 2D2.404 2.

树冠生物量：

W=0.035 1(D3/H)1.031W=0.015 6D2.430 5.

树枝生物量：

W=0.021 0(D3/H)1.082 2W=0.009 0D2.549 4.

树叶生物量：

W=0.010 4D1.913 0.

2.3 西伯利亚落叶松地下生物量模型的构建与评价

地下生物量取样困难，测定费时费力，有学者[11-15]通过小样本建立根茎比(地下生物量与地上总生物量比值)与胸径的回归关系，然后根据大样本建立的最优地上总生物量模型推算出地下生物量模型，根据积的误差传播定律，其平均预估误差MPE等于两个模型预估误差的平方平均数。研究基于实测24株根部数据，将直接建模与根茎比推算两种方法估测结果进行对比分析，根茎比方程如公式(6)，地下生物量与地上总生物量的关系如公式(7)。表3

(6)

W地下=R×W地上总.

(7)

模型(1)和(2)的预估精度相当，分别为86.57%和87%，由一元到二元模型精度仅提高了0.43%，相关系数(R2)、总相对误差(TRE)和平均系统误差(MSE)模型(1)优于模型(2)，相对残差图显示两种模型均呈随机分布。地下生物量根茎比一元和二元模型预估精度分别是90.50%和90.65%，与直接用实测的根数据建立的模型预估精度相比一元模型精度提高了3.93%，二元模型降低了3.65%，但二元根茎比模型与一元根茎比模型预估精度相当，建议西伯利亚落叶松地下生物量估测采用根茎比一元模型。

地下生物量最优估测模型：W=0.030 86×D2.221。表3

图1地上总生物量各模型相对残差
Fig. 1 The relative residual figure of the above-ground biomass model

图2树干生物量各模型相对残差
Fig. 2The relative residual figure of the trunk biomass model

图3树冠生物量模型相对残差
Fig. 3The relative residual figure of the canopy biomass model

图4树枝生物量模型相对残差
Fig. 4The relative residual figure of the brach biomass model

图5树叶生物量模型相对残差
Fig. 5The relative residual figure of the biomass model
表3西伯利亚落叶松地下生物量模型拟合结果及统计指标
Table 3Fitting results and statistical indexes of underground biomass for Larix sibirica

模型ModelabR2SEE/kgTRE(%)MSE(%)MPE(%)预估精度P(%)(1)0.05442.11460.94115.43-0.0110.4413.4386.57(2)0.04270.74690.92713.808.2814.1213.0087根茎比方程(6)Root-shootratiomodel(6)0.4075-0.188713.45根茎比一元模型Ametamodelofroot-shootratio0.038062.2219.5090.50根茎比二元模型Binarymodelofroot-shootratio0.024651.81250.62549.3590.65

3　讨 论

落叶松地上总生物量、树干生物量、树冠生物量和树枝生物量二元估测模型要优于一元模型，尤其对树干生物量估测加上树高因子精度明显提高，说明胸径和树高对其生物量贡献作用大[8]；地下生物量运用地下实测小样本数据建立根茎比方程，再大样本建立的地上总生物量模型推算地下生物量估测模型可以有效提高估测精度[9、12]。研究建立的生物量模型适合新疆阿尔泰山和天山山区西伯利亚落叶松天然林的生物量估测，而人工西伯利亚落叶松由于受到人工抚育和栽植模式的限制，其生物量估测是否适合该文构建模型还有待验证；对西伯利亚落叶松天然林生物量的估测，建立立木生物量模型是基础，如何将该文构建模型进行西伯利亚落叶松天然林不同林分生物量估测还有待后续研究。

4　结 论

4.1以胸径、树高构建的西伯利亚落叶松各组分二元估测模型要优于以胸径构建的一元模型，其中地上总生物量、树干、树冠和树枝生物量预估精度提高了2.84%～5.0%，而树叶和地下生物量仅提高0.33%和0.15%。

4.2西伯利亚落叶松各组分最优模型为：地上总生物量和树干生物量是模型(3)W=aDbHc、树冠和树枝生物量是模型(4)W=a(D3/H)b、树叶是模型(1)W=aDb，其中地上总生物量预估精度最高，达到96.38%，树叶生物量预估精度最低，为84.07%；地下生物量采用直接建模法与根茎比建模两种方法比较，根茎比建模法估测精度较高，其最优模型精度为90.50%。因此，构建的西伯利亚落叶松各组分生物量模型可以用于该区域落叶松生物量的估计。

4.3根据拟合结果西伯利亚落叶松地上总生物量和树干生物量一元模型预估精度在90%，其余部分也在85%左右，考虑增加调查因子野外工作量的加大和调查误差的累积，建议在进行大尺度森林生物量估测时可使用一元模型。

References)

[1] 程堂仁，马钦彦，冯仲科，等.甘肃小陇山森林生物量研究[J].北京林业大学学报，2007，29(1)：31-36.

CHENG Tang-ren，MA Qin-yan，FENG Zhong-ke，et al. (2007). Research on forest biomass in Xiaolong Mountains，Gansu Province [J].JournalofBeijingForestryUniversity，29(1)：31-36.(in Chinese)

[2] 薛立，杨鹏.森林生物量研究综述[J].福建林学院学报，2004，24(3)：283-288.

XUE Li，YANG Peng. (2004). Summary of Research on Forest Biomass [J].JournalofFujianCollegeofForestry，24(3)：283-288.(in Chinese)

[3] 刘斌.贺兰山天然油松单株生物量及分配模式的研究[D].杨凌：西北农林科技大学硕士论文，2010.

LIU Bin. (2010).TheStudyontheIndividualBiomassandBiomassAllocationPatternofPinustarbulaeformisofMt.Helan，China[D]. Master Dissertation. Northwest Agricultural and Forest University, Yangling.(in Chinese)

[4] 闵志强，孙玉军.长白落叶松林生物量的模拟估测[J].应用生态学报，2010，21(6)：1 359-1 366.

MIN Zhi-qiang，SUN Yu- jun. (2010). Simulation of above ground biomass in Larix olgensis plantation [J].ChineseJournalofAppliedEcology，21(6)：1,359-1,366.(in Chinese)

[5] 邢艳秋，王立海.基于森林调查数据的长白山天然林森林生物量相容性模型[J].应用生态学报，2007，18(1)：1- 8.

XING Yan-qiu，WANG Li-hai. (2007). Compatible biomass estimation models of natural forests in Changbai Mountains based on forest inventory [J].ChineseJournalofAppliedEcology，18(1)：1-8.(in Chinese)

[6] 李海奎，雷渊才.中国森林植被生物量和碳储量评估[M].北京：中国林业出版社，2010.

Li Hai-kui,Lei Yuan-cai.EstimationandevulationofforestbiomasscarbonstorageinChina[M]． Beijing: China Forestry Publishing House,2010．

[7] 曾伟生，唐守正，黄国胜，等.全国立木生物量建模总体划分与样本构成研究[J].林业资源管理，2010，(3)：16-23.

ZENG Wei-sheng，TANG Shou-zheng，HUANG Guo-sheng，et al. (2010). Population classification and sample structure on modeling of single-tree biomass equations for national biomass estimation in China [J].ForestResourcesManagement，(3)：16-23.(in Chinese)

[8] 曾伟生. 3种异速生长方程对生物量建模的对比分析[J].中南林业调查规划，2014，(1)：1-3.

ZENG Wei-sheng. (2014). Comparison of three allometric equations for biomass modeling [J].CentralSouthForestInventoryandPlanning,(1)：1-3.(in Chinese)

[9] 曾伟生，张会儒，唐守正.立木生物量建模方法[M].北京：中国林业出版社，2011：10-13．

ZENG Wei-sheng, ZHANG Hui-ru, TANG Shou-zheng. (2011).TheModelingMethodofTreeBiomass[M]. Beijing: China Forestry Press：10-13. (in Chinese)

[10] 曾伟生，唐守正.立木生物量方程的优度评价和精度分析[J].林业科学，2011，47(11)：106-113.

ZENG Wei-sheng，TANG Shou-zheng. (2011). Goodness evaluation and precision analysis of tree biomass equations [J].ScientiaSilvaeSinicae，47(11)：106-113. (in Chinese)

[11] 孙玉军，张俊，韩爱惠，等.兴安落叶松(Larixgmelin)幼中龄林的生物量与碳汇功能[J].生态学报，2007，27(5)：1 756-1 762.

SUN Yu-jun，ZHANG Jun，HAN Ai-hui，et al. (2007). Biomass and carbon pool ofLarixgmeliniyoung and middle age forest in Xingan Mountains Inner Mongolia [J].ActaEcologicaSinica，27(5)：1,756-1,762. (in Chinese)

[12] 尹艳豹，曾伟生，唐守正.中国东北落叶松立木生物量模型的研建[J].东北林业大学学报，2010，38(9)：42-45.

YIN Yan-bao，ZENG Wei-sheng，TANG Shou-zheng. (2010). Modeling of Standing Tree Biomass for Larix in Northeast China [J].JournalofNortheastForestryUniversity，38(9)：23-26. (in Chinese)

[13] 王轶夫，孙玉军.马尾松生物量模型的对比研究[J].中南林业科技大学学报，2010，(10)：29-33.

WANG Yi-fu，SUN Yu-jun. (2010). Comparative study on biomass models for Pinus massoniana[J].JournalofCentralSouthUniversityofForestry&Technology，(10)：29-33. (in Chinese)

[14] 付尧，马炜，王新杰，等.小兴安岭长白落叶松相容性生物量模型的构建[J].东北林业大学学报，2011，39(7)：42-45.

FU Yao，MA Wei，WANG Xin-jie，et al. (2011).Establishment of Compatible Biomass Model for Larix olgensis in Xiaoxingan Mountains [J].JournalofNortheastForestryUniversity，39(7)：42-45. (in Chinese)

[15] 史彦江，宋锋惠，卡得尔，等.新疆落叶松地理种源区划[J].东北林业大学学报，2001，29(5)：15-17.

SHI Yan-jiang，SONG Feng-hui，Kader，et al.(2001).Geography Provenance Division ofLarixsibirica[J].JournalofNortheastForestryUniversity，29(5)：15-17. (in Chinese)

[16] 曾东，李行斌，于恒.阿尔泰林区新疆落叶松、新疆云杉天然更新规律及效果[J].西北林学院学报，2001，16(1)：17-21.

ZENG Dong，LI Xing-bin，YU Heng. (2001). Analysis on Slash Regeneration Characteristics of Larix sibirica and Picea obovata in the Altai Mountains [J].JournalofNorthwestForestryUniversity，16(1)：17-21. (in Chinese)

[17] 李行斌.新疆落叶松原始林分天然繁衍的动力探究[J].西北林学院学报，2002，17(2)：19-21.

LI Xing-bin. (2002). On Power of Natural Regeneration of Larix sibirica Virgin Forests [J].JournalofNorthwestForestryUniversity，17(2)：19-21. (in Chinese)

Fund project:Supported by Xinjiang Forestry Table Construction Project and National International Science and Technology Cooperation Project (2010DFA92720-15)

Research on NaturalLarixsibiricaBuck Biomass Estimation Model in Xinjiang

GAO Ya-qi，ZHANG Hui-fang，Dilixiati Baoerhan，ZHU Ya-li

(ModernForestryResearchInstitute，XinjiangAcademyofForestry，Urumqi830000,China)

【Objective】 The study aims to construct the naturalLarixsibiricabiomass estimation model of the ground, underground and organ of components in Xinjiang.【Method】Based on the measured data of 54 strains cut down sample wood, using regression analysis method to build the biomass estimation model, and analysis of all kinds of model estimation precision.【Results】The results showed that: DBH and tree height building binary estimation model of components of larch was better than a Meta model, thereinto the ground, tree trunks, canopy and branch biomass forecast precision was increased by 2.84%-5.0%, but the leaves and underground biomass only increased by 0.33% and 0.15%. The optimal biomass models for predicting ofL.sibiricaground and trunk wasW=aDbHc, canopy and biomass branches optimal model wasW=(D3/H)b, leaves and underground biomass optimal model wasW=aDb. The aboveground biomass forecast precision was the highest, reaching 96.38%; Leaves biomass estimate was the lowest, 84.07%. Underground biomass direct modeling method with experimental data and compared with root-shoot ratio modeling method, forecast precision of root-shoot ratio model was higher; the optimal model accuracy was 90.50%.【Conclusion】The research identified naturalL.sibiricaoptimal estimation model of each component biomass per plant, and according to the in situ measured data, the buck biomass can be estimated.

Larixsibirica; biomass; model assessment

10.6048/j.issn.1001-4330.2016.04.010

2015-12-04

新疆林业数表构建项目；国家国际科技合作项目(2010DFA92720-15)

高亚琪(1961-)，男，陕西杨凌人，教授级高工，研究方向为土地荒漠化与森林资源监测，(E-mdil)gyq611003@163.com

S718.52

A

1001-4330(2016)04-0655-08