基于遙感技術(shù)預(yù)測小黑楊人工林木材性質(zhì)的研究.pdf

1、本文以山西朔州楊樹速生豐產(chǎn)林基地的3種栽植密度(2m×5m(A)、4m×5m(B)和4m×10m(C))的小黑楊(Populus×xiaoheiT.S.HwangetLiang)為試驗材料，獲得了如下創(chuàng)新性研究成果與結(jié)論： 1.首次應(yīng)用高空間分辨率的QuickBird衛(wèi)星影像信息提取與分析技術(shù)對木材性質(zhì)進行了評估。通過提取樹冠參數(shù)、分析建模并與常規(guī)的林分調(diào)查、木材性質(zhì)測試分析有機結(jié)合，建立了以衛(wèi)星影像估測的林木特征參數(shù)為自變量的

2、木材生長量和木材性質(zhì)的預(yù)測模型，為小黑楊木材性質(zhì)的評定和木材生長量的預(yù)測提供了一種全新的研究方法和分析手段，對其它楊樹人工林材性分析和評價具有較高的借鑒價值。 2.在數(shù)據(jù)分析和建立模型過程中，首次將經(jīng)濟學(xué)中“彈性理論”的Conb-Douglas生產(chǎn)函數(shù)理論應(yīng)用到木材科學(xué)與技術(shù)領(lǐng)域，用生產(chǎn)彈性和邊際產(chǎn)量等分析方法系統(tǒng)分析了樹木特征因子與木材生長量間的關(guān)系。同時，引入人工神經(jīng)網(wǎng)絡(luò)模型中的BP算法，把人工神經(jīng)網(wǎng)絡(luò)模型的高擬合度和較強的

3、預(yù)測能力應(yīng)用到分析遙感數(shù)據(jù)與木材性質(zhì)的關(guān)系中，取得了較好的預(yù)測效果。 3.研究結(jié)果表明： (1)栽植密度對小黑楊人工林冠幅(CW)、冠長(CL)、胸徑(DBH)、胸徑分布、徑高比(DH)的影響極為顯著，而對樹高(H)和胸高形率的影響不顯著。隨著栽植密度的增加，樹冠冠幅、冠長、胸徑減??；徑高比呈“V”形變化。栽植密度越小，較大徑階的林木株數(shù)比例越高； (2)栽植密度對木材生長量(濕心材面積(HA)、邊材面積(SA)

4、、幼齡材面積(JA)、成熟材面積(MA)和胸高斷面積(WHA))和濕心材、邊材比例有著顯著的影響。隨著栽植密度的減小，濕心材面積，邊材面積，幼齡材面積，胸高斷面積增加；濕心材、邊材比例降低；成熟材面積為“低—高—低”波動。 (3)栽植密度對纖維寬度、纖維雙壁厚、導(dǎo)管比量、胞壁率、導(dǎo)管個數(shù)、導(dǎo)管弦向直徑、基本密度、抗彎彈性模量(MOE)、順紋抗壓強度(CGS)的影響達到極顯著水平；對纖維壁腔比、抗彎強度(MOR)的影響達到顯著水平

5、；對纖維長度、纖維腔徑、長寬比、纖維比量、射線比量、化學(xué)成分和紙漿得率的影響不顯著。栽植密度對木材纖維形態(tài)特征和基本密度的徑向變異有不同程度的影響，但不改變它們變異的一般模式。 (4)木材生長量與實測樹木(林分)特征因子(包括冠幅、冠長、胸徑、樹高、尖削度(ST)、栽植密度等)之間符合Conb-Douglas生產(chǎn)函數(shù)的形式，可以用Conb-Douglas生產(chǎn)函數(shù)對木材生長量進行預(yù)測(模型的R2=0.66～0.97)，同時應(yīng)用彈性

6、分析方法中的單因素彈性系數(shù)、多因素彈性系數(shù)和邊際產(chǎn)量對小黑楊木材生長量隨樹木特征因子的變化而變化進行合理分析和解釋。 (5)用實測的樹木特性因子指標(biāo)來預(yù)測小黑楊木材的MOE/MOR、順紋抗壓強度、苯醇抽提物、綜纖維素含量，效果較好(R2＞0.5)；而建立在樹木特性因子與木材纖維長度、導(dǎo)管個數(shù)、導(dǎo)管弦向直徑、腔徑比量、胞壁率和纖維素含量間的預(yù)測模型只能解釋它們變異的30～47％(R2=0.3～0.462)；對其它木材性質(zhì)的預(yù)測效果

7、一般。 (6)以全色波段空間分辨率為0.61m、多光譜波段空間分辨率為2.44m的QuickBird衛(wèi)星影像為數(shù)據(jù)源，采用后差分的全球定位系統(tǒng)(GPS)對每株立木進行定位，利用遙感圖像處理軟件對影像進行幾何精校正、數(shù)據(jù)融合等處理，并且采用面向?qū)ο蟮姆诸惙椒ǎ瑢τ跋襁M行多尺度分割，特征提取分析，提取小黑楊(目標(biāo))樹冠大小信息(冠幅)。從QuickBird衛(wèi)星影像上提取的小黑楊樹冠冠幅的精度達到97.36％，高于前人的研究結(jié)果。

8、 (7)建立了基于QuickBird衛(wèi)星影像測量的小黑楊樹冠冠幅值的林木胸徑和樹高估測模型，預(yù)測精度分別為93％和79％；建立了基于QuickBird衛(wèi)星影像預(yù)測的小黑楊單株立木去皮材積和帶皮材積的模型，R2分別為0.796和0.773。 (8)采用多元回歸和BP神經(jīng)網(wǎng)絡(luò)模型方法，建立了QuickBird衛(wèi)星影像估測的樹木特征參數(shù)與木材生長量、木材性質(zhì)(CGS、MOE/MOR等)的關(guān)系模型，實現(xiàn)了基于QuickBird衛(wèi)星影

9、像對小黑楊木材性質(zhì)預(yù)測的目的。通過對多元回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型進行精度檢驗，預(yù)測木材生長量和主要力學(xué)性質(zhì)的精度分別大于65％和82％。分析比較了多元回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果，認為在小樣本的前提下，人工神經(jīng)網(wǎng)絡(luò)的黑箱方法優(yōu)于多元回歸方程。主要的多元回歸預(yù)測模型如下：JA=-5265.33632-751.3514Ln(RSCW)+2204.19828Ln(PD)-58.89242Ln(SD)(R2=0.891)MA=433.

10、45338-498.96863(RSCW)+214.8088(RSCW)2-36.64026(RSCW)3+2.17212(RSGW)4(R2=0.644)WHA=-596.11252+3.1966Ln(RSCW)+452.3394Ln(PD)-78.00336Ln(SD)(R2=0.899)HA=616.64414+247.03516/(RSCW)-12135/(PD)+27038/(SD)(R2=0.898)SA=exp(-44.9

11、4291+824.473/(PH)-19.35549/(RSCW)+208.69558/(PD)+45.11216/(SD))(R2=0.648)CSG=EXP(10.28458+0.25954(PH)+1.02084(RSCW)-0.42044(PD)-25.93999/(SD))(R2=0.700)MOE--54.4627-2.97797(PH)-8.11663(RSCW)+3.12618(PD)-855.46649(1/SD)(R