黄龙山林区白皮松古树年龄估算

陈 晨，刘光武

(河南林业职业学院，河南 洛阳 471002)

1 引言

白皮松耐寒、耐旱、适应性强，是我国特有的乡土树种[1，2]，又因干形优美成为城市绿化和山区造林树种[3，4]。受各种因素影响，野生白皮松仅零星分布在河北、河南、陕西、陕西等省的中低山区，黄龙山林区为野生白皮松林分布相对集中区。

自2016年，国家绿化委员会启动全国古树名木普查工作以来，古树名木年龄的确定成为普查工作的难点。树龄确定方法通常有文献追踪法、14C交叉定年法、生长锥测定法、CT扫描法等，文献追踪法有一定局限性，其它几种方法又存在成本高、耗时长等问题。基于此，本研究以陕西黄龙山林区白皮松古树为研究对象，采用生长模拟法分析古树年龄与树高、胸径之间的关系，以期为白皮松树龄确定提供科学依据。生长模拟法是一种准确、高效确定树木年龄的方法。

2 材料与方法

2.1 研究区概况

材料来源于黄龙山林区(35°26′～35°46′N，110°08′～110°30′E)，气候类型为暖温带季风型气候，土壤类型主要为棕壤土、褐色土，pH值6.8～7.2。群落内伴生树种主要有油松(Pinustabulacformis)、栓皮栎(Quercusvariabissis.)、陕西荚蒾(Viburnumschensianum)、短梗胡枝子(Iespedezacyrlobotrya)、绣线菊(Spiraea)等。

2.2 数据采集方法

在调查区域内不同立地条件下，设置8块标准地，标准地面积为20 m×30 m。在标准地内进行每木检尺，根据统计结果在标准地内选择1～2株标准木，共得到16株标准木。从16株标准木中选择4株作为解析木，按照2m段长进行树干解析，其余标准木实测胸径、树高，并用生长锥测定树龄。

2.3 模型构建

基于神经网络构建年龄与胸径、树高的生长模型，依据树干解析资料求模型参数，并依据拟合精度、均方根误差MSE判断模型优劣。模型表达式为：A=purelin(logsig(D,H))；A=purelin(logsig(D))。式中A为龄阶(a)，D为胸径(mm)，H为树高(m)，purelin、logsig为神经网络直线、曲线函数。

用未做解析木的标准木数据为检验样本，检验所构建模型的适应能力。

3 结果与分析

3.1 双输入模型构建

以解析木各龄阶胸径、树高为输入向量，以各龄阶A为输出向量，构建林分生长神经网络模型，将模型命名为net3。利用所得解析木数据反复训练所构建的模型，最终得到合适的神经网络表达式，如式(1)～(4)：

A=purelin(-5.2853X1+0.32072X2-9.8404X3+8.532)

(1)

X1=logsig(11.0843D-7.1368H-7.2369)

(2)

X2=logsig(-12.1074D+13.0953H-1.7178)

(3)

X3=logsig(-1.639D+0.45951H+2.3208)

(4)

拟合精度为99.03%，实测值与拟合值的相关系数为99.905%，均方根误差为0.29011。拟合效果图如图1所示，由拟合效果图可知神经网络能很好地拟合实测数据。

(a)胸径拟合效果 (b)树高拟合效果

3.2 单输入模型构建

以解析木胸径为输出向量，以对应龄阶为输入向量构建林分生长模型，将模型命名为net2。再用解析木数据反复训练所构建的模型，得到适宜的模型表达式，如(5)～(7)：

A=purelin(-0.66408D1+1.9928D2-0.7207)

(5)

D1=logsig(-8.7431D+7.0354)

(6)

D2=logsig(1.6789D+0.28741)

(7)

模型拟合精度为98%，均方根误差为0.43722。

3.3 模型检测

为检测模型的适应能力，用未参与模型构建的标准木数据，代入式(1)～(4)函数表达式，检测精度为80.19%；将同样的标准木数据代入式(5)～(7)，检测精度为79.70%。检测结果如表1所示。

表1 生长模型检测结果

4 结论

本研究以黄龙山林区白皮松树干解析资料为依据，用神经网络建模技术分别构建了白皮松双输入生长模型与单输入生长模型，两种模型拟合精度分别为99.03%、98%。用未参与建模的标准木数据检测模型的适应能力，检测精度分别为80.19%、79.70%。研究认为神经网络建模技术具有很好地拟合非线性生长模型的能力，同时具有较好地适应推广能力。

分别用神经网络建模技术构建了双输入及单输入的模型，双输入模型结构更复杂，但拟合精度与检测精度只比单输入的模型稍高一点。研究认为，综合考虑胸径、树高等因素，可以提高古树年龄的估测精度，但构建单输入模型也可以较为准确地估测古树年龄。

构建的两种生长模型拟合精度都比较高，但检测精度相对较低，这与建模数据的代表性有关，后期期望能得到更多的建模数据，以提高模型的检测能力。