本文选自《工程》，《中国工程院学报》2020年第5期
来源:中国森林资源调查系统开发的关键技术[J].工科，2020，6 (5): 491-494。
导游语言
森林资源检测是对森林资源的数量、质量、分布和利用情况进行定期定位观测、分析和评价的工作。其目的是掌握森林资源的现状和动态变化，预测森林资源的发展趋势，为林业经营的科学决策服务。近日，中国工程院学报《工程》发表的《中国森林资源试验体系建设关键技术》提出，利用森林生长模型对森林资源年度数据进行预测和估算，建立动态的森林资源生态系统模拟模型，以准确把握森林资源状况，进一步实现中国森林资源的精准管理。根据福建省连清县样地一等调查数据，建立了包括生长格局(立地环境)指数和生长结构(地位水平)指数在内的中国森林生长预测模型，并对其精度进行了检验，验证了模型的有效性。今后，该模型可广泛应用于全国森林资源调查系统，保证森林年生长量数据的可靠性，从而为森林碳汇计算、年产量和森林质量评价提供基础数据。
一.导言
森林作为人类资源的重要宝库，不仅具有不可替代的经济效益，还具有维持陆地生态系统平衡的生态效益，是生物圈的能源基地。随着信息化和全球化的发展，为了实现林业资源的可持续发展，人们对从森林资源调查中获取准确的单木和林分信息的需求日益增加。。与传统测量工具相比，无人机（UAV）航空摄影测量技术具有高效快捷、操作简便、作业成本低等优势，在农业、林业等各个领域都得到了广泛的应用。随着各类传感器的小型化和多样化，作为信息获取的一种重要方式，无人机将会被应用到越来越广泛的领域。作为数字化时代中另一种不可代替的技术——地理信息系统（geographic information system, GIS）也得到了飞速发展。与此同时伴随着组件技术、互联网技术等的发展。随着这些技术的发展，地理信息系统开始走向组件化和网络化，其传统功能也得到日趋完善。例如，数据编辑、查询统计、空间分析以及空间数据引擎等技术的发展都为GIS在各行业的应用提供了强有力的技术支持和理论保障。森林资源是林地及其生长的森林生物的总称，是生物多样性的体现。森林资源为人类生产和生活提供了必要的物质基础。。因此，如何高效、准确、快速地获取森林资源信息，成为林业行业的热点问题。森林资源检测是一项对森林资源的数量、质量、空间分布及其利用状况进行定期定位观测分析和评价的工作，其目的是及时掌握森林资源现状和消长变化动态以及预测森林资源发展趋势，为林业经营管理的科学决策服务。中国森林资源调查最早始于甘肃省洮河林区的森林资源清查，是1950年由国家林垦部（现为中华人民共和国自然资源部）组织的。从20世纪60年代开始，抽样调查理论及技术、遥感技术（RS）、GIS技术、定位和导航系统技术等新型技术被应用到林业调查中，促进了森林资源调查技术的发展，以及中国森林资源调查技术体系雏形的形成。20世纪80年代，中国森林资源调查的基本框架初步形成。全国森林资源调查分为三类。：①全国森林资源连续清查(一类调查)，是以全国为清查对象的森林资源调查，其目的是摸清家底以及了解宏观森林资源现状与动态，为林业方针、方案、规划、设计提供依据；②森林资源规划设计调查(二类调查)，是以区划的小班为单位开展的调查，其目的是充分掌握基层林业生产单位现状，并为分析和检查森林活动经营效果以及制定森林可持续经营方案提供依据；③工作设计调查(三种类型的调查)，一般是为企业生产作业设计而进行的调查。自 21世纪以来，以信息技术为先导，单一测树因子已不能满足实际生产需求，而森林知识挖掘、森林资源精准测量以及森林观测年度数据的获取逐渐成为现代森林资源调查监测的重点。我国森林资源管理的完整性和成熟度有待进一步提高，这也导致我国森林资源调查存在一些现实问题。。具体来说，有关森林资源调查的检测系统没有得到广泛应用，与国外的森林资源测量标准相比，中国的相关标准还有待进一步完善。这些差距不仅体现在森林资源动态更新的系统建立方面，还体现在数据更新技术方面，因此，中国森林资源动态评估的现代化程度还不够。显而易见，无论是5年一次的一类调查数据，还是10年一次的二类调查数据，都无法全面掌握中国森林资源现状及动态变化情况，特别是森林年度生长量状态。因此，迫切需要利用森林生长模型来预测推估森林资源年度数据。中国森林资源调查技术比较落后，早期的森林资源调查主要依靠人工完成，研究人员需通过实地调查，然后手动计算获取数据。这种方法使森林资源调查的成本高、效率低且精确度不高。随着科学技术的发展，中国森林资源调查技术逐渐从依靠人工转变为人工与遥感相结合的模式，遥感技术的应用大大提高了调查效率。然而，这种转变并未从根本上解决森林资源实地调查的模式，森林资源调查仍然需要消耗大量的人力和物力。因此，迫切需要建立动态的森林资源生态系统仿真模型，以进一步节约人力和物力，从而实现对森林生态系统进行精细化的管理与计算。森林资源调查和检测体系流程图如图1所示。图1 中国森林资源调查和检测体系流程图。3S：遥感技术、全球定位系统、地理信息系统；AI：人工智能二、森林资源检测系统的研发
中国森林资源调查主要包括一、二、三类调查。森林资源一类调查主要以森林固定样地为重点，对每棵树进行调查。森林资源二类调查主要以小班为单位，记录小班面积、林分蓄积量、林分平均高度、郁闭度、立地环境等信息。三类森林资源调查是以伐区为基础，服务于主伐和森林经营。
(2)研究并建立了一种连续库存小区增长模型。为了实现我国森林资源的精准管理，需要准确掌握森林资源状况，特别是资源数据的动态变化以及树木生长与立地环境的关系。
。具体而言，立地环境是指对林木生长有影响的各个环境因子的综合，主要包括地形地势、气温、降雨量、土壤、株数密度等因子。立地环境直接关系到森林经营的各个方面，如生产效率、经济效益、采伐收获、森林培育的方向以及生长速度等。中国森林生长量预测模型对森林精准经营和规划管理具有重大的现实意义。森林资源的量化管理以及森林生长量的预测预估，可更好地实现不同林分条件下森林资源的抚育、间伐、轮伐以及补植、移栽等经营管理，而且，能够在获得较高的经济价值效益的同时实现森林资源的可持续发展。本研究根据福建省连清样地多期一类调查数据，即各区域经度纬度、海拔、气温、降雨量数据以及各样地坡度、坡向、坡位、土壤厚度数据，研建了包括生长格局（立地环境）指数和生长结构（地位级）指数的中国森林生长量预测模型，如公式（1）所示。其中J为我国主要树种；Yt是被调查树木的DBH信息；δYt+δt是5年后的预测增长；Aj为J树种的生长速率系数；Bj为J树种的生长加速系数；它是第I个生长模式(立地环境)指数；t树龄；就是第k个增长结构(排名)指数。三。微小区测试系统的观察
基于internet plus，所有县级森林小班可根据调查因子聚类成100~300个独立的异质小班。通过对这100~300个小班的精确调查，可以反映出所有小班的整体情况。。对每个森林小班的观测，可采用精准测树法，即微样地林分观测法（5~9棵树）。微样地观测是以多边形样地法为基础衍生出的一种高效能、低误差、标准化的样地抽样调查方法。微样地观测的基本方法是以一棵观测树木为中心，在其周围选取5或9棵观测树木，测定所有树木的胸径值、中心树木的树高和样地半径，计算林分平均胸径、林分密度、林分蓄积量等林分参数。微样地观察法的样地布置原则：①每个样点均匀分布，布设在不同的地形上，样点间距至少10km②样地选择应具有代表性，能反映本地区树种分布情况；
(3)选择交通便利、监测有利的地方，便于连续观测；
④避开森林边缘、路边和人为干扰严重的区域，否则会给数据带来较大误差。
图2是九个树木样地的示意图。图2九种树木微区观察示意图
林分密度、林分平均DBH和林分蓄积的算法如下。
林分密度，通常是指在固定面积的每个微地块内的树木和乔木的密度。计算公式为:
其中n是树的数量；rn–1是从中心树到最远的第n–1棵树的距离，单位为m
林分平均DBH是指整个林分的总DBH值，计算公式为:
其中Di、Dn和Dn–1是No的DBH。我不不不。n–1棵树，单位为厘米。
林分蓄积量M(m3 hm–2)需要根据导出的形数得到，即每棵树的蓄积量是由导出的形数得到的，而林分蓄积量是根据蓄积量得到的。其计算公式如下:
其中Vi、Vn和Vn–1分别为第I、n、n棵树的材积，单位为m3。
四、年度增长预测方法
为了保证模型在实际应用中的适用性和准确性，对福建省样地的数据进行了分析处理，并在SPSS中对模型进行了求解。模型总结结果如表1所示。拟合优度(GFI)用于衡量估计模型和观测值之间的拟合程度。相关系数R越接近1，模型与观测值之间的拟合程度越好。本研究中，增长预测模型的R高达0.98，调整后的R2为0.98，说明自变量可以解释因变量98%的变化。综上所述，模型方程可以很好地应用于增长预测。方差分析（ANOVA）主要针对方差结果进行分析。F值为方差分析结果，是对整个回归方程的总体检验，该结果有助于确定模型中自变量与所有因变量之间是否存在显著线性关系。由表2可以看出，本模型独立自由度（DOF）为52，样本容量为37 798，因此，在0.05的显著性水平下计算所得的F 值远小于本研究中模型的F值。这表明本模型选择的所有自变量对胸径生长量有显著影响。此外，显著性为0（
