森林生态功能空间格局研究——以江西省贵溪市为例

毛旭鹏，饶高平，刘星剑

（江西省林业资源监测中心，南昌 330046）

森林不仅具有生产木材产品及附属品的直接价值，还具有水源涵养、水土保持、气候调节、环境净化、生物多样性保护等方面的森林生态功能［1，2］。20世纪70年代日本通过选取包括水源涵养、水土保持等六大类功能指标对全国森林开展了公益效能的计量和评价，对世界各国森林生态研究、建设等工作产生了积极影响。侯元兆等［3］比较全面地对包括涵养水源、防风固沙、净化大气3种生态价值的中国森林资源价值进行了评估。2003年国家林业局首次采用森林生态功能指数（FEFI）作为森林资源连续清查统计指标，并对森林生态功能进行综合评价。目前，森林生态功能评价方法多以《国家森林资源清查技术规定》（2003）给定的方法进行测算分析［4-7］。

森林资源信息采集利用外业调查和遥感判读相结合的方式，决定了森林资源指标数据的复杂性，最明显的特点是数据的非线性、非正态化，这阻碍了森林生态功能的精准评定。神经网络是高度非线性动力学系统和自适应组织系统，其大量信息并行处理和大规模并行计算能力能够很好地解决这个问题［8］。现实应用最为广泛的神经网络模型是BP神经网络，通过信息正向传播和误差反向传播运算机制实现不断自我学习，直至达到期望目标，可以拟合复杂的非线性关系［9］。BP神经网络研究应用领域主要涉及信息科技、工程科技、经济管理科学及基础科学领域，其在林业领域集中应用于4个方面［10-14］：一是森林资源量估测，如生长量、蓄积量、森林碳储量估测等；二是林业灾害预测，如火灾预测、森林病虫害预测等；三是森林健康评价及预警，如小班尺度的森林健康评价；四是构建单木生长模型，如树高-胸径生长模型。

《国家森林资源清查技术规定》（2003）以森林生态功能指数与各评价因子之间的线性关系为逻辑前提，给定了森林生态功能评价指标体系，划定了评价因子类型标准，确定了各评价因子的权重，并制定了森林生态功能评价方法。由于森林资源信息具有非线性特点，这种评价方法不能实现精准评价。本研究以江西省贵溪市为例，基于BP神经网络构建森林生态功能模型，为研究区小班尺度及区域尺度的森林生态功能的空间格局提供研究基础，以期达到3个目标：一是为森林生态功能准确评定提供新思路、新方法，二是为森林生态功能价值评估提供可靠依据，三是为提高研究区森林生态功能制定林业发展政策、指导林业生产活动提供理论支撑。

1 研究区概况

贵溪市（116°55′—117°28′E，27°51′—28°38′N）位于江西省东北部、信江中游，地处武夷山区向鄱阳湖平原过渡的中间地带。境内整体地势南北高，中间低，北部为怀玉山余脉，南部有武夷山脉蟠结，山地丘陵占71%。区域内土壤多偏酸性，丘陵岗地以红壤为主，河谷盆地多为冲积土。属亚热带季风湿润气候，气候温和，光照充足，雨量丰沛，无霜期长，年均气温14.4～18.9℃，年均降水量1 600～2 100 mm，年均无霜期268 d。

在中国森林植被区划中，贵溪市属亚热带常绿阔叶林区，共有11个植被类型、70个群系、91个群丛，主要植被类型有山地草甸、山顶矮林、山地灌丛、针叶林、针阔混交林、落叶阔叶林、常绿和落叶混交林、常绿阔叶林、硬叶常绿阔叶林、竹林、山地沼泽等，已查明的高等植物有244科848属1 847种。在全国森林资源经营管理分区方案中，贵溪市属于南方山地丘陵区中的南方低山丘陵亚区，是江西省重点林业县（市）之一，全市林业用地面积14.20万hm2，占国土总面积的63.5%，活立木总蓄积662.36万m3，森林覆盖率61.42%，毛竹6 045.4万根（2013年）。

2 数据来源与处理

2.1 数据来源

根据研究区2013年森林资源数据更新成果及林地年度变更调查林地“一张图”数据库，选取了全区10 569个有林地小班调查数据，采用《国家森林资源清查技术规定》（2003）的8个评价因子开展森林生态功能研究。森林生态功能评价因子及类型划分标准见表1。

表1 森林生态功能评价因子及类型划分标准

2.2 数据处理

1）样本扩充。为了提高网络模型的鲁棒性与适用性，防止网络训练出现过拟合现象，BP神经网络训练需要足够的样本数据［15］。如果仅以《国家森林资源清查技术规定》（2003）森林生态功能类型划分标准临界值作为训练样本，则只有3组训练样本，导致训练结果不理想。因此，本研究按照森林生态功能评价指标体系，在每级标准值之间随机产生500组样本数据，扩充后的总样本数据共1 500组，以提高网络训练的精确性和适应性［16］。

2）网络训练样本随机抽取。网络模型构建包含网络训练、网络检验和网络仿真3个阶段，需要将样本数据分为训练样本、检验样本和仿真样本3部分。本研究仿真样本为研究区2013年森林生态功能评价因子的真实值，从1 500组样本数据中随机抽取80%样本作为训练样本，检验样本占20%。

3）数据归一化处理。在网络训练前，先对训练样本和检验样本的输入数据和输出数据进行数据转置，使得输入数据和输出数据的列数据相对应，然后对输入数据进行数据归一化处理，以便消除量纲的影响，提高网络收敛速度［17］。

4）数据反归一化处理。在网络训练完成后，要对样本数据进行检验和仿真，检验和仿真结果取值范围为（0，1），对检验和仿真结果进行反归一化处理后得到其森林生态功能得分值。

3 结果与分析

3.1 小班尺度森林生态功能评价

3.1.1 BP神经网络模型构建

1）BP神经网络模型结构及参数。常用的BP神经网络模型为1个有多个节点的输入层、多个节点的隐含层以及1个或多个输出节点的输出层组成的3层网络结构，通过大量的样本训练以确定网络参数［18］。本研究采用基于数值最优化理论中Levenberg-Marquardt（trainlm）训练算法构建BP神经网络，由于森林生态功能仿真结果的输出范围在（0，1）之间，隐含层传递函数为tansig，输出层传递函数为logsig，训练参数见表2。输入层节点数为8，代表8个评价因子，输出层节点数为1，代表森林生态功能得分。由隐含层节点数的确定方法［19］确定其取值范围为［4，13］，通过试凑法［20］确定隐含层节点数为5时，网络均方误差（MSE）最小，最终构建“8-5-1”3层小班尺度森林生态功能评价BP网络结构。

表2 BP神经网络训练参数

2）BP神经网络训练与检验。按照本研究构建的BP神经网络结构，借助MATLAB神经网络工具箱进行网络训练，经过12次训练循环，目标误差小于1×10-5，网络模型收敛，训练结束，网络均方误差（MSE）为1.14×10-6。

利用300组检验样本数据进行网络检验，检验样本数据的绝对误差（E）最大值为0.004 8，最小值为5.10×10-6，平均绝对误差为0.000 9，相对误差最大值为0.359 5%，最小值为0.000 3%，平均相对误差为0.052 1%。网络检验误差分析结果表明，该网络结构及检验误差能够满足研究的要求。

3）小班尺度森林生态功能模型构建。根据BP神经网络基本原理，通过网络训练得到网络输入、输出的连接权值和阈值，建立研究区小班尺度森林生态功能模型，见式1～式6。

式中，M表示小班森林生态功能得分，mi表示隐含层中的第i个神经元的输出，i∈[1,5]，dj表示森林生态功能各评价因子值，j∈[1,8]。

根据样本数据扩充规则及《国家森林资源清查技术规定》（2003）的森林生态功能等级评定标准，当M＜1.5、M∈[ 1.5,2.5)、M≥2.5时，小班森林生态功能等级分别为“好”“中”“差”。

3.1.2 小班尺度森林生态功能评价结果与分析 通过网络仿真，测算研究区各有林地小班森林生态功能得分，得到研究区森林生态功能等级分级结果（图1）。研究区森林生态功能等级为“好”“中”“差”的小班面积分别占林地小班面积的3.6%、88.4%、8.0%。森林生态功能中等的小班占研究区比例较大，分布广泛，主要因素是研究区森林质量普遍不高。森林生态功能好的小班主要集中分布在冷水镇平均海拔400 m的国家公益林林区，国家公益林面积占53.1%，主要森林植被类型为常绿阔叶林和针阔混交林。森林生态功能差的小班主要集中分布在文坊镇平均海拔100 m左右的商品林林区，商品林面积占46.9%、省级公益林面积占27.7%，主要森林植被类型为马尾松和杉木等针叶林。

图1 森林生态功能等级分级

3.2 区域尺度森林生态功能评价

3.2.1 区域尺度森林生态功能模型构建 本研究对象森林生态功能指有林地上森林植被的森林生态功能，尽管灌木林地等其他林地植被也具有一定的生态功能，但不具备森林生态功能。因此，假定研究区非有林地之外的区域为一个整体小班，则其森林生态功能得分为0。根据BP神经网络模型得到研究区有林地各小班森林生态功能得分，通过小班面积加权后得到区域尺度森林生态功能模型，见式7。

式中，Q为研究区区域尺度森林生态功能得分，j为研究区有林地与非有林地小班数量之和，本研究j=10 569+1，Si为第i个小班面积，S为研究区总面积，Mi为第i个小班的森林生态功能得分。

当Q＜1.5、Q∈[ 1.5,2.5)、Q≥2.5时，区域尺度森林生态功能等级分别为“好”“中”“差”。

3.2.2 区域尺度森林生态功能评价结果与分析 根据区域尺度森林生态功能模型测算，研究区区域尺度森林生态功能得分为0.609 7。在有林地中，中等水平森林生态功能小班面积占88.4%，比例较大。研究区有林地面积占区域总面积的41.9%，比例较小，导致整体森林生态功能处于较差水平。

3.3 森林生态功能空间均衡度评价指数模型构建

3.3.1 森林生态功能空间均衡度指数模型构建 为了研究区域森林生态功能的分布均衡状况，根据研究区面积和空间形态，采用ArcGIS软件创建渔网，将研究区划分为97个等面积空间单元（图2），按照式（8）分别测算每个单元的森林生态功能得分。参照张建国［21］提出的森林分布均衡度指数，提出森林生态功能空间均衡度指数，见式9。

图2 森林生态功能空间单元划分

式中，E为研究区森林生态功能空间均衡度指数，Q为研究区区域尺度森林生态功能得分，Qm为研究区第m个空间单元森林生态功能得分，Smi为第m个空间单元中第i个小班所占面积，Sm为研究区在第m个空间单元的总面积，Mi为第i个小班的森林生态功能得分，j为研究区有林地与非有林地小班数量之和，本研究j=10 569+1，n为划分的空间单元个数。

当E=1时，森林生态功能在空间分布上最均衡，最有利于发挥区域森林生态功能。当E=0时，森林生态功能在空间分布上最不均衡，森林生态功能的发挥效果最差。

3.3.2 森林生态功能空间均衡度评价结果与分析根据森林生态功能空间均衡度指数模型测算，研究区森林生态功能空间均衡度指数为0.863 8，森林生态功能在空间分布上较为均衡，有利于发挥区域森林生态功能。97个空间单元的森林生态功能得分分布如图3所示，第7、第54空间单元森林生态功能等级为“中”，其余95个空间单元森林生态功能等级为“差”。其中，第54空间单元与龙虎山世界地质公园毗邻，有林地面积占研究区在此空间单元总面积的83.8%，95.6%的有林地面积为生态公益林，森林生态功能相对较强。

图3 空间单元的森林生态功能得分分布

4 小结与讨论

1）研究区小班尺度森林生态功能等级为“中”的占比较大，国家公益林保护成效显著，加强对省级公益林的保护力度，重点从提升改造难度小且成本低的中等水平森林生态功能小班着手，通过实施低产低效林改造、开展近自然森林经营等措施方法提升小班森林质量，分阶段逐步提升森林生态功能。

2）研究区森林生态功能在空间分布上较为均衡，整体森林生态功能较差，建议有计划、科学地开展造林活动，逐步将有条件的其他林地转变为有林地，加大针阔混交林或者阔叶混交林的造林范围，以营造群落结构更加完整、生态功能更加稳定的林分，充分发挥区域森林生态功能。

3）在前人研究的基础上，首次提出了森林生态功能空间均衡度指数，弥补了森林生态功能分布均衡状况研究的空白，为研究区域森林生态功能的发挥功效奠定了基础。

4）对研究区小班尺度森林生态功能进行了测定，分析其空间分布格局。测定了区域整体森林生态功能，并分析了其空间分布均衡状况，对把控区域森林生态功能总体状况及空间格局提供了新思路、新方法，森林生态功能动态变化、科学确定提升现有有林地小班森林生态功能的顺序以及科学确定造林地块顺序将为决策者提供更加具体的参考，有待后续深入研究。