| 摘 要： | 【目的】比较多源数据对林分动态预测的影响,分析模型参数与预测不确定性的变化规律,从准确性和可靠性角度对模型进行评估,获取改进模型的数据需求,为森林调查中的数据收集策略提供建议。【方法】收集秦岭油松林3期调查(1990、2005和2012年)和4种信息类型(临时样地、固定样地、解析木和多源数据)建模数据,设计一组数据信息要求较低的可变密度全林模型,基于贝叶斯信息动态融合框架,分析传统森林调查数据与生长收获模型的关系。利用MCMC抽样技术获得的参数联合后验分布对森林动态模拟的不确定性进行量化:一方面比较相同类型的多期森林调查数据不断对模型进行训练后,模型在参数与预测中的概率分布变化过程;另一方面比较分别采用4种数据类型对模型预测产生的影响。数据与模型更新循环过程以先验信息和后验信息不断相互转化的方法实现,即前一次拟合得到的参数联合后验分布作为下一期数据加入时的先验。不同数据类型整合根据数据自身抽样和观测误差所设计的独立似然结构实现。为避免粗糙数据或异常值对模型产生的影响,描述误差分布的似然函数采用重尾正态分布。观测误差的异方差特性通过迭代中自动调整似然函数的方差控制。【结果】随着新一期调查数据加入,模型参数的边际或联合分布不断发生变化,但概率分布峰度总是逐渐升高,即参数不确定性逐步下降,从而降低林分预测的不确定性。与基于1990年调查数据的模型相比,经过2005和2012年数据校正后模型在成过熟林阶段的不确定性下降最为明显,同时树高生长极大值的参数也更高。不同数据类型在模型预测中的差异反映出不同调查方法本身的缺陷和优势,解析木数据倾向于在成过熟林阶段预测出更高的树高生长;固定样地和临时样地数据在林分平均高和平均胸径模拟中表现相似,但由于抽样方法和数据量等因素区别,导致其在林分断面积模拟中呈现明显差异。基于循环更新或多源数据的模型呈现出最稳定的预测结果。【结论】在生长收获模型构建中,不同类型森林调查数据会产生不同预测结果,不同数据信息特性也会对预测的不确定性产生规律性影响。以概率分布呈现信息的贝叶斯方法,既可反映模型的精准程度,又能解释数据信息中存在的缺陷。本研究以全林模型更新为例,展示了该方法不断循环、更新、融合的数据-模型逻辑框架,是架构生长收获模型与数据桥梁的有力工具。
|
