基于区域化特征分析的活立木生物量调查抽样优化_吴恒.pdf

2023 年 4 月第 2 期林业资源管理FOEST ESOUCES MANAGEMENTApril 2023No.2基于区域化特征分析的活立木生物量调查抽样优化吴恒1，刘浪1，陆驰2，王保云3(1.国家林业和草原局西南调查规划院，昆明 650031;2.西南林业大学，昆明 650224;3.云南师范大学，昆明 650092)摘要:森林生物量调查监测是正确认识和管理森林生态系统的基础性工作，分析已有的调查资料是提高抽样效率的有效途径。采用四川省森林资源连续清查第六次至第九次数据，即 2002 年、2007 年、2012 年和 2017 年 4 个年度固定样地的调查数据，进行区域化特征分析，基于聚类分布模式进行空间分层抽样，采用不等概率抽样估计总体特征值。结果表明:区域化特征聚类分层能有效降低层内的方差，作为空间分层抽样的先验信息;在95%可靠性下，空间分层抽样活立木生物量估计精度的均值为 93.41%，显著减少了外业样地调查工作量，能有效地提高抽样效率。关键词:抽样技术;区域化特征;空间相关性;连续清查中图分类号:S718.556文献标识码:A文章编号:1002 6622(2023)02 0057 07DOI:10 13466/j cnki lyzygl 2023 02 008收稿日期:2022 12 18;修回日期:2023 04 21基金项目:国家林业和草原局西南调查规划院科技项目“基于区域化特征分析的森林碳储量年度监测抽样设计优化研究”(2023 09)作者简介:吴恒(1990 )，男，云南曲靖人，高级工程师，博士，主要从事林草资源调查监测与规划设计工作。Email:wuheng nwsuaf edu cn通讯作者:王保云(1977 )，男，云南玉溪人，副教授，博士，主要从事机器学习和大数据分析研究。Email:wspbmly163 comSampling Optimization of Stand Biomass SurveyBased on egional Characteristics AnalysisWU Heng1，LIU Lang1，LU Chi2，WANG Baoyun3(1 Southwest Survey and Planning Institute，National Forestry and Grassland Administration，Kunming 650031，China;2 Southwest ForestryUniversity，Kunming 650224，China;3 Yunnan Normal University，Kunming 650092，China)Abstract:Forest biomass monitoring is the basic work to correctly understand and manage forestecosystem Analyzing existing data is an effective way to improve sampling efficiency In this study，regional characteristics analysis tool was used with the data from the sixth to ninth continuous forestinventories of Sichuan Province in 2002，2007，2012 and 2017，respectively Combined with the regionalcharacteristics analysis，some samples from the selected samples by stratified sampling were selected toform annual sampling plots Probability sampling estimation was applied for sampling efficiency analysisThe results show that the regional characteristics analysis can effectively reduce the variance within eachstratification，which can be used as the prior information of spatial stratification sampling With 95%reliability，the average accuracy of spatial stratified sampling of stand biomass estimation was 93 41%，which greatly reduced the workload of field survey，effectively improved sampling efficiencyKey words:sampling technique，regional characteristics，spatial correlation，continuous forest inventories森林生物量是森林植物群落在其生命过程中所生产干物质的累积量，是反映森林生态系统结构和功能特征的重要指标，也是研究森林生态系统中能量流动与物质循环的基础依据1 2。森林生物量林业资源管理第 2 期调查监测是正确认识和管理森林生态系统的基础性工作3 4，及时和准确的森林生物量调查数据对调整森林经营措施，提高森林生产力，增强森林碳吸收具有指导作用。基于森林资源连续清查和规划设计调查进行蓄积量数据转化以估计森林生物量，是当前国内学者5 8 采用最多的方法。受外业调查工作量巨大和对森林生态系统破坏性的机会成本等的限制，森林生物量不宜采用全林实测方法进行调查9。在充分继承森林资源调查监测体系的基础上，优化抽样设计，减少样本单元数量是生物量调查要研究的关键问题。分析已有的森林生物量资料是解决森林生物量调查抽样技术的有效途径。森林生物量存在着不同的空间分布特征和格局，地域分布可能呈现一定的不平衡性6 7，10。目前，森林资源调查监测体系主要采用如随机抽样、系统抽样和分层抽样等来估测区域生物量。由于没有考虑生物量存在的空间分布差异，除缺乏针对性外，还可能导致调查估计结果出现显著偏差11 12，同时，由于样本单元分散，也增加了调查工作的难度和成本。2021 年 9月，中共中央、国务院印发中共中央 国务院 关于完整准确全面贯彻新发展理念 做好碳达峰碳中和工作的意见;同年 10 月，国务院印发2030 年前碳达峰行动方案，明确要求加强生态系统碳汇基础支撑，建立生态系统碳汇监测核算体系。围绕国家重大战略需求，有必要对森林资源调查监测抽样设计体系进行优化，以满足低成本、快速、准确的多尺度森林碳储量年度出数需求，使之可运用于碳汇计量监测和林长制督查考核等实际工作。1研究区概况与数据来源1.1研究区概况四川省处于青藏高原生态屏障区和长江重点生态区，在国家生态安全战略格局中占据重要位置。其区域内，地形复杂、气候多样，东部盆地，西部高原，山地和高原占比高达 81.8%;森林资源丰富，属于全国第二大林区、第五大牧区，森林资源以天然林为主，主要分布在川西高原和盆周山地;动植物种类丰富，是全球34 个生物多样性热点地区之一。2021 中国林草资源及生态状况 13 中显示:四川省森林面积1 736.26万 hm2，森林覆盖率 35.72%;活立木蓄积214 908.11万 m3，森林蓄积189 498.02 万 m3。1.2数据来源本文数据来源于四川省森林资源连续清查第六次至第九次数据，即 2002 年、2007 年、2012 年和2017 年 4 个年度固定样地的调查数据。四川省森林资源清查体系始建于 1979 年，以全省为总体，采用系统抽样，按 4 km 4 km 和 8 km 8 km 两种间距系统布点，共布设了 10 098 个固定样地。样地形状为正方形、边长 25.82 m、面积 0.066 7 hm2，样地内进行每木检尺和样木定位。在第六次、第七次和第八次清查时，未计算样地单木生物量，按照森林资源连续清查技术规程14 对树种(组)、龄组的划分方式，将树种进行归并处理，采用单木模型法计算得到样地乔木生物量，并进行统计和估计。2研究方法2.1区域化特征分析2.1.1分布检验与数据变换区域化特征分析要求属性数据正态分布，否则可能会产生比例效应。采用样地生物量密度数据进行柯尔莫洛夫斯米洛夫(Kolmogorov-Smirnova，K-S)检验和夏皮罗威尔克(Shapiro-Wilk，S-W)检验。P 0.05，表示数据不服从正态分布;P 0.05，表示数据服从正态分布。对于不符合正态分布的数据，本研究采用正态转换方法，将原始数据转换为正态数据。2.1.2空间自相关分析全局空间自相关分析是对研究区域进行整体上的分析，反映整个区域内研究对象总的空间聚类模式，通常以全局莫兰指数(Global Morans I)为衡量指标。全局空间自相关分析如(1)式所示。I=nni=1nj=1w()ijni=1nj=1wij(xi x)(xj x)ni=1(xi x)2(1)式中:I 为 Global Morans I;n 为样地数;xi，xj分别为位置 i 和位置 j 的生物量值;x是所有样地的生物量平均值;wij是空间权重矩阵值。z score 值计算公式如(2)式所示。85第 2 期吴恒等:基于区域化特征分析的活立木生物量调查抽样优化Z=I E(I)Var(I)(2)式中:E(I)为期望;Var(I)为方差。增量空间自相关计算一系列不断递增的空间距离得到 Global Morans I，并测定相应距离的空间聚类模式程度。以 z score 值为纵坐标，空间距离为横坐标，绘制曲线图，曲线的第一个峰值所对应的距离即为空间聚类模式最显著的距离。将增量空间自相关工具计算得出的空间聚类模式最显著的距离设置为局部空间自相关分析的参数，运用 ArcGIS 的聚类与异常值分析工具计算局部莫兰指数(Local Morans I)。Local Morans I 公式如(3)式所示。Ii=n2ninjw()ij(xi x)njwij(xj x)ni(xi x)2(3)式中:Ii为 Local Morans I;n 为样地数;xi，xj分别为位置 i 和位置 j 的生物量值;x是所有样地的生物量平均值;wij是空间权重矩阵值。z score(Ii)值计算公式为:Zi=Ii E(Ii)Var(Ii)(4)式中:E(Ii)为指数值的数学期望;Var(Ii)为指数值的方差。2.2抽样设计及估计方法2.2.1抽样设计基于国家森林资源连续清查的抽样框架，将入样的系统抽样单元均匀分成 5 组，组成 1/5 样本单元。在被抽中的 1/5 样本中结合活立木生物量空间自相关性分析先验信息，再进行空间分层抽样。2.2.2估计方法对于第 h 层的总体均值，可以先对各层的调查样本与辅助样本进行分层随机抽样简单估计后，再进行联合估计(联合估计分联合比估计和联合回归估计)。联合比估计的均值和方差分别如(5)式、(6)式所示，联合回归估计的均值如(7)式所示。yU=U X=ystxst X=Lh=1WhyhLh=1Whxh X(5)V(yU)LhW2h(1 fh)nh(s2yh+2Us2xh2Urhsyhsxh)(6)ylU=yst+h(X xst)(7)当 h为 h 层事先设定的值分层时，联合回归估计量的方差如(8)式所示。V(ylU)LhW2h(1 fh)nh(s2yh+2s2xh2syxh)(8)当 h为 h 层样本线性回归的斜率时，此时联合回归估计是有偏的，但满足渐进一致性，分层回归估计量的方差如(9)式所示。V(ylU)=LhW2h(1 f