基于多元统计分析的马尾松人工林健康评价研究--以广西热带林业实

2019年7月 Journal of Central South University of Forestry & Technology

Vol. 39 No. 7Jul. 2019

Doi:10.14067/j.cnki.1673-923x.2019.07.014

http: //qks.csuft.edu.cn

基于多元统计分析的马尾松人工林健康评价研究

——以广西热带林业实验中心为例

赵勇钧1，谢阳生2，王建军1，李 晗1，葛方兴1，孟京辉1

（1.北京林业大学 森林资源和环境管理国家林业局重点开放性实验室，北京 100083；

2.中国林业科学研究院资源信息研究所，北京 100091）

摘 要：为构建一套科学实用的马尾松人工林健康评价体系，为马尾松健康经营提供理论依据。以广西热带林业实验中心的84块马尾松人工林样地为例，选取13个评价指标进行因子分析，计算森林健康指数（FHI）并对FHI值进行Ward聚类，以划分健康等级。此外，研究分析评价了马尾松样地的健康状况，并用判别分析建立Fisher判别函数对健康评价结果进行检验。结果表明：在调查的马尾松人工林中，健康林占32.1%，亚健康林占35.8%，不健康林占32.1%，且不同龄组马尾松人工林健康水平排序为：近熟林＞中龄林＞成熟林＞幼龄林。判别分析与聚类结果具有较好的一致性，其中自身验证法正判率为97.8%，交互验证法正判率为94.3%。因此，构建的指标体系能够科学客观地反映广西热带林业实验中心马尾松人工林的健康状况。关键词：马尾松；健康评价；因子分析；聚类分析；判别分析

中图分类号：S791.248 文献标志码：A 文章编号：1673-923X(2019)07-0100-08

Health assessment of analysis: a case study of Guangxi tropical forestry experimental center

Pinus massoniana plantation on multivariate statistical ZHAO Yongjun1, XIE Yangsheng2, WANG Jianjun1, LI Han1, GE Fangxing1, MENG Jinghui1

(1. State Forestry Administration Key Laboratory of Forest Resources & Environmental Management, Beijing Forestry University,

Beijing 100083, China; 2.Research Institute of Forest Resources Information Techniques, CAF, Beijing 100091, China)

Abstract: In order to establish a scientific and practical health evaluation system for Pinus massoniana plantation and provide a theoretical basis for healthy management of Pinus massoniana, This study took 84 plots of Pinus massoniana plantations in Guangxi tropical forestry experimental center for example, then selected 13 indicators among these plots to calculate FHI index using the factor analysis method, then clustered FHI values to rank health level using the Ward cluster method. Besides, this study analyzed and assessed health state of these cluster groups, then established Fisher discriminant functional relations by discriminant analysis, finally, tested the health assessment results.The results showed that in these Pinus massoniana plantations surveyed, healthy forests accounted for 32.1%, sub-healthy forests accounted for 35.8% and unhealthy forests accounted for 32.1%, in addition, the health levels of Pinus massoniana plantations in different age groups were near-mature forest＞middle age forest＞mature forest＞young forest.The result of discriminant analysis well agreed with clustering results, the positive verification rate of self-verification method and cross validation method were 97.8%, 94.3%.Therefore, the built indicator system can scientific and objective reflect the health status of the Pinus massoniana plantations in the Guangxi tropical forestry experimental center.

Keywords: Pinus massoniana; health assessment; factor analysis; cluster analysis; discriminant analysis

森林的健康状况直接关系到全球生态环境安的发挥，已成为世界关注和研究的焦点领域[2]。全和人类社会的可持续发展[1]，如何开展森林健森林健康评价是进行森林健康经营的基础[3]，健康经营，实现森林生态系统的恢复和森林多功能

康的森林不能简单地认为是没有病虫灾害，而是

收稿日期：2018-08-19

基金项目：中央级公益性科研院所基本科研业务费专项“多功能可持续森林经营方案编制关键技术研究”（IFRIT201501）；全国森林经营科技支撑科研专项

作者简介：赵勇钧，硕士研究生 通信作者：孟京辉，副教授；E-mail：Jmeng@bjfu.edu.cn

引文格式：赵勇钧，谢阳生，王建军，等.基于多元统计分析的马尾松人工林健康评价研究——以广西热带林业实验中心为例[J].中南林业科技大学学报，2019, 39(7): 100-107.

第39卷中 南 林 业 科 技 大 学 学 报101将其维持到较低水平，更好维护健康森林中的食物链和生物多样性，保持森林结构的稳定性[4-5]。

评价指标的选取和评价方法是森林健康研究的核心内容。迄今，国内外对此进行了大量研究，如Costanza[6]认为健康的生态系统应该体现出完整性、稳定性和功能性，提出系统活力、系统组织和系统恢复力3个指标；美国林业局与环境保护署提出初级生产力、龄级分布、土壤养分含量、树冠情况、林下植被多样性、病虫害等指标对全国森林进行健康评价[7]；肖风劲[8]提出森林生态系统的生态要素、生理要素、胁迫要素、环境要素和气象要素5个方面共19个指标；甘敬[9]基于BP神经网络确立林分层次结构、病虫害程度和土壤厚度3个指标为森林健康快速评价指标。目前在健康指标选取过程中，由于研究尺度和研究方法以及对森林健康的标准存在差异，不同学者所考虑的指标也大多不一样，存在有些指标过于理论化难以量化，指标之间的信息重叠，指标过少很难有效反映森林生态系统健康的真实状况，指标过多导致收集应用困难等情况，且不同区域、不同森林类型都会导致选取关键指标和标准的差异。由于森林自身的复杂性，使得森林健康的评价难度较大，迄今尚未存在统一的标准方法，在现有的森林健康评价方法中，应用最多的是层次分析法、主成分分析法、综合指数法、模糊综合评判法、聚类分析法、指示物种法、人工神经网络法、健康距离法等[10]，对于同一块森林生态系统的健康程度而言，不同的评价方法对森林健康评价的结果也不同，且评价方法各有其优缺点，关于权重的确定方面，有些方法比较主观，如健康距离法、综合指数评价法；在定性定量方面，有的方法是定量分析，如主成分分析法，有的是将两者结合，如层次分析法、模糊综合评判法。目前森林健康评价越来越呈现出多种方法相结合的趋势。

因此，评价方法与准则的确定以及实用性是目前森林健康评价中存在的主要问题。本研究针对我国南方主要造林树种马尾松Pinus massoniana，以广西热带林业实验中心的马尾松人工林为例，在科学选择指标的基础上，建立因子分析、聚类分析和判别分析综合量化评价体系，以期为马尾松人工林的健康评价提供方法和技术支撑，为该地区马尾松人工林健康经营提供科学依据。

1 研究区概况与数据来源

研究区位于广西壮族自治区凭祥市的中国

林业科学研究院热带林业实验中心（以下简称“热林中心”，21°57′47″～22°19′27″N，106°39′50″～ 106°59′30″E）。气候属于南亚热带半湿润-湿润季风性气候，日照充足，雨量充沛，年降水量1 062～1 772 mm，年蒸发量1 261～1 388 mm，年均气温21～23℃，极端高温40.3℃，极端低温-1.5℃。区内地形主要以丘陵为主，平均海拔500～800 m，土壤以砖红壤、红壤为主。区内物种资源非常丰富，乔木树种以马尾松Pinus massoniana、杉木Cunninghamia lanceolata、米老排Mytilaria laosensis、红椎Castanopsis hystrix、灰木莲Manglietia glauca等为主，灌木主要是山苍子Litsea cubeba、盐肤木Rhus chinensis、三叉苦Evodia lepta等，草本主要是蔓生绣竹Microstegium gratun、铁线蕨Adiantum capillas-veneris、五节芒Miscanthus floridulu等。

2011年在热林中心区域面积内按照系统抽样方法在公里网（1 km×1 km）交叉点布设监测样地，共设置238个星状圆形样地（图1）。样地设计如图2所示，样地面积为400 m2，在每个样地内设置3个半径R=6.51 m的圆形子样（A、B、C），子样圆内分别设一个4 m×4 m幼树灌木样方（a、b、c）和一个1 m×1 m的幼苗草本样方（1、2、3）。在样地中心（O）记录海拔、坡度、坡向等立地因子，在设置的3个圆形样地中对所有胸径≥5 cm的乔木进行每木检尺，记录树种、胸径、树高、郁闭度、起源、干型质量等，对幼树灌木层调查记录灌木平均高、株数及盖度，对幼苗草本样方调查记录更新幼苗数和草本植物种类、数量、高度、盖度。在每个乔木样地中心点附近8.49 m2范围内选取土壤剖面，按照土壤发生层进行取样，采取O层、A层和B层土壤样品，采样时小心除去土壤表层枯落物，在不同土层的不同部位用环刀取土，每层取3个土样，然后将土样混合均匀装入采样袋内。本研究从238个系统抽样样地中选取马尾松为优势树种的84个人工林样地，其中幼龄林12个，中龄林34个、近熟林27个、成熟林11个，马尾松人工林样地重新编号为M1～M84。

2 研究方法

2.1 评价指标选取及量化

本研究依据森林生态系统的健康特征[11]，遵循科学性、客观性、可操作性的原则[12]，选取可获取性、可量化性、有代表性的评价指标13个，包括林分平均胸径、平均树高、每公顷蓄积、地

102赵勇钧，等：基于多元统计分析的马尾松人工林健康评价研究——以广西热带林业实验中心为例

第7期

图1 热带林业实验中心样地分布

Fig. 1 Distribution of sampling plots of tropical forestry experimental center

调查技术规程[13]，同时参考甘敬、施明辉等[14-15]对定性指标的量化标准将其转化为数值参与评价（表1）。剩余的11个定量指标则直接参与评价，部分指标计算公式如下：

表 1 定性指标量化标准

Table 1 Qualitative indicator quantitative standard

评价指标量化标准

4321灾害程度无轻中等严重天然更新等级

-良好

中等

不良

树种组成指数用样地内乔木树种Simpson多样性指数表示[16]：

图2 热带林业实验中心系统抽样样地设计

pFig. 2 System sample plot design of tropical forestry

S= 1−Ni2。 （1）

experimental center

∑i=1式中：S为调查样地林分中树种Simpson多样性指位指数、密度、郁闭度、树种组成指数、灌草盖度、数，即树种组成指数，p为样地内树种个数；Ni为腐质层厚度、土壤厚度、土壤有机质含量、灾害第i个树种占样地中所有树种的比例。

程度、天然更新等级。其中，灾害程度和天然更地位指数的计算采用广西马尾松人工林多形新等级两个定性指标根据国家森林资源连续清查

曲线地位指数模型[17]：

SI=0.056 416×(T2−T.01502)+16.046 840×(T−T0)+T02T2/DH−0 551×(T2−T。 （2）

02)−0.236 520×(T−T0)式中：DH为林分优势高，T为林分年龄，2.2 健康评价指标体系的构建

T0=20 a。

本研究基于多元统计分析中的因子分析法、

第39卷中 南 林 业 科 技 大 学 学 报103聚类分析法和判别分析法[18]对热林中心的马尾松人工林进行健康评价研究。通过对各样地的指标数据进行因子分析，提取共性因子，分别计算各因子得分值和各样地健康指数；对每个样地的健康指数值进行聚类分析划分健康等级，得到各样地的健康状况分类；同时基于每块样地各因子得分值建立判别函数，利用判别模型对各样地进行健康状况归类，通过归类对聚类分析结果进行回判验证。

具体步骤：1）对指标数据进行KMO（Kaiser-Meyer-Olkin）和Bartlett球形度检验[19-20]，以验证数据是否适合因子分析。

2）查看因子分析结果以及解释的总方差，按照特征值（主成分对原变量的解释能力）大于1的原则提取主成分，得到因子得分系数矩阵。

3）对原始数据标准化处理。评价指标之间由于量纲不统一，缺乏可比性，因此需要将原始数据进行标准化处理。评价指标分为3类：①正向型指标。数值越大，该指标森林健康程度越高，如平均胸径、平均树高、地位指数等。②逆向型指标。数值越小，该指标森林健康程度越高，如灾害程度，本研究在定性指标量化过程中已将逆向指标正向化（表1）。③极值型指标。数值在某一区间内时，该指标森林健康程度最佳，离此值距离越远，健康程度越低，如密度、郁闭度。由于极值型指标在本试验中影响不大，故指标都采用同样的标准化处理方法。本研究采用“中心化”处理法对评价指标进行标准化处理，计算公式如下：

U Xij=ij−XiS。 （3）

i式中：Uij为第i个指标的第j个样地观测值的标准化数据，Xij为第i个指标第j个样地观测值， Xi、Si分别为第i个指标的平均值和标准差。

4）计算各因子得分值和各样地健康指数。计算公式如下：

F=

njm∑DmiUij。 （4）

i=1 Wm=Cnm。

（5）mm∑C=1FHI=Fjm×Wm。 （6）式中：FHI为各样地健康指数，Fjm为第j个样地第m个因子的得分，

Wm为第m个因子的权重系数，Dmi为第i个指标的第m个因子得分系数，Cm为因

子分析后得到各因子的贡献率。

5）采用Ward聚类法对各个样地健康指数值进行聚类分析划分健康等级。根据热林中心的特点和实际情况，参考国家森林资源连续清查调查技术规程[13]中关于森林健康等级的划分标准以及现有研究成果[21-22]，将热林中心马尾松人工林健康划分为健康（Ⅰ）、亚健康（Ⅱ）、不健康（Ⅲ）3个等级。

6）根据每块样地的各个因子得分值建立判别函数，利用Fisher判别法，建立马尾松人工林健康判别模型，分别用自身验证法和交互验证法进行回判验证。

数据分析在Excel 2013和SPSS 20.0中进行。

3 结果与分析

3.1 因子分析

由表2可知，选取的评价指标经过检验之后，Bartlett球形度统计量为536.027，相应的显著水平为0.000＜0.05，说明相关系数矩阵与单位阵有显著差异。同时，KMO系数为0.603＞0.5，根据KMO度量标准[20]可知实验数据可以用于因子分析。

表 2 KMO取样足够量数和Bartlett球形度检验

Table 2 KMO sampling sufficient quantity and Bartlett

sphericity test

名称

数值取样足够度的KMO度量0.603Bartlett球形度检验的χ2536.027Bartlett球形度检验的自由度78Bartlett球形度检验的P值

0.000

本研究共有13项指标参与分析，按照特征值（主成分对原变量的解释能力）大于1的原则，共提取5个主成分，如表3所示，旋转后方差累积方差贡献率为72.68%，总体上反映了原始数据的大部分信息，因子分析效果较为理想。

旋转成分矩阵中的各元素被称为因子载荷，

代表了指标与主成分之间的相关系数，其绝对值越大，说明相关程度越高，由表4可以看出，平均胸径、平均树高、每公顷蓄积、地位指数在第一主成分的载荷明显大于其他指标，说明上述4个指标之间的相关性较高，因此可视为一组，这些指标主要体现了森林生产力信息，可以将其理解为森林生产力指标；同理，第二主成分中的腐殖质厚度、土壤厚度、土壤有机

104赵勇钧，等：基于多元统计分析的马尾松人工林健康评价研究——以广西热带林业实验中心为例第7期表 3 各成分的特征值†Table 3 Characteristic values of each component初始特征值旋转后的特征值主成份特征值占方差的累积百百分比/%分比/%特征值占方差的累积百百分比/%分比/%13.65528.11328.1133.47826.75226.75221.77213.62841.7411.70413.11139.86331.63012.53854.2791.65512.73252.59541.38010.61764.8961.44511.11463.70951.0127.78372.6801.1668.97072.680† 小于1.0的特征值略去；提取平方和和载入结果略去。质含量构成一组，体现了林地土壤信息，可以将其视为土壤指标；第三主成分中的密度和郁闭度构成一组，第四主成分中的灾害危害情况、天然更新、灌草盖度构成一组，第五主成分中的树种组成指数构成一组，这3个主成分都同样体现了生态系统的稳定性，可以解释为生态系统稳定性指标。本研究构建的马尾松人工林健康评价指标体系如表5所示。表 4 旋转成分矩阵Table 4 Rotation component matrix指标主成分12345平均胸径0.8800.150-0.2640.053-0.192平均树高0.9550.067-0.1130.048-0.089每公顷蓄积0.8750.1220.2850.0040.152地位指数0.866-0.0030.1160.0680.082腐殖层厚度-0.0150.879-0.0110.213-0.058土壤厚度0.0020.734-0.047-0.259-0.251土壤有机质含量0.2200.5340.088-0.0060.111密度-0.241-0.0240.883-0.0910.051郁闭度0.3020.0820.7720.101-0.221灾害危害情况0.1780.0740.213-0.573-0.215天然更新0.077-0.1230.1950.728-0.219灌草盖度0.2040.171-0.0150.6670.065树种组成指数0.011-0.091-0.0950.0330.929根据式（3）、式（4）、式（5）、式（6）和表4，可以计算出各样地的5个因子得分值和综合得分值，如表6所示。3.2 聚类分析与综合评价基于各样地因子综合得分FHI，采用Ward聚类，把84个样地划分为3个聚类组（图3）。Ⅰ组包括27个样地，FHI值0.249～1.128，为健康状态的样地，占调查样地的32.1%；Ⅱ组包括30块样地，FHI值-0.270～0.213，为亚健康状态的样地，占调查样地的35.8%；Ⅲ组包括27块样地，表 5 马尾松人工林健康评价指标体系Table 5 Health evaluation index system of massoniana plantationPinus 目标层准则层指标平均胸径森林生产力平均树高每公顷蓄积地位指数腐殖层厚度土壤条件土壤厚度马尾松人工林健康评价指标体系土壤有机质含量密度郁闭度生态系统稳定性灾害危害情况天然更新灌草盖度树种组成指数表 6 各样地因子得分Table 6 Scores of various plot factors样地因子得分因子综合得分f1f2f3f4f5FHIM11.9171.1610.546-0.4021.4491.128M21.0860.0320.6300.7171.6830.833M30.615-0.0420.6331.0930.3020.534M4-0.730-1.5070.9110.044-0.534-0.440M51.2770.343-0.219-0.9350.5320.416M61.1812.574-0.7090.6570.5300.941M70.958-1.161-0.206-1.233-1.208-0.230M83.470-0.400-0.576-0.811-0.3040.942M90.8430.778-1.7463.2760.4320.699…………………M780.183-0.858-2.591-1.491-0.249-0.800M79-1.214-0.7750.555-1.366-0.186-0.721M80-0.5080.7561.318-1.117-0.608-0.065M810.340-0.478-0.079-1.325-0.949-0.295M82-0.667-0.465-0.026-1.471-0.486-0.619M83-0.684-0.648-2.011-1.355-1.451-1.107M84-1.3060.4550.645-0.1490.490-0.248FHI值-0.287～-1.107，为不健康的样地，占调查样地的32.1%（表5和图3）。表明热林中心马尾松人工林健康状况总体上分布较为均匀，但非健康林分仍占67.9%，健康状况不容乐观，需要进行健康抚育经营。根据龄组数据，将热林中心马尾松人工林按幼龄林、中龄林、近熟林、成熟林4个龄组统计其健康情况，如表7所示。为了更直观地表示分布，将数表用柱状图表示，从图4可以看出，幼龄林中无健康林分，亚健康林分占16.7%，不健康林分第39卷中 南 林 业 科 技 大 学 学 报105图3 84个马尾松人工林样地Ward聚类图像

Fig. 3 Ward clustering map of 84 Pinus massoniana plantations

占83.3%；中龄林中健康林分占26.5%，亚健康林表 7 不同龄级马尾松人工林健康状况评价统计

分占44.1%，不健康林分占29.4%；近熟林中健康Table 7 Statistics on health assessment of different ages of

Pinus massoniana plantations

林分占59.3%，亚健康林分占29.6%，不健康林分龄组健康（Ⅰ）亚健康（Ⅱ）

不健康（Ⅲ）

总计占11.1%；成熟林中健康林分占18.2%，亚健康林幼龄林021012分占45.5%，不健康林分占36.3%。整体上不同龄中龄林9151034组马尾松人工林健康状况从优到劣的排序依次为：近熟林168327近熟林＞中龄林＞成熟林＞幼龄林。

成熟林25411总计

27

30

27

84

图4 不同龄级马尾松人工林健康评价结果

Fig. 4 Health evaluation results of different ages of Pinus massoniana plantations

3.3 判别分析

0.390，利用两个判别式可以较好地区分各类，如根据各样地5个主因子得分（表6）和聚类分图5所示。表9是对两个判别函数的显著性检验，析结果（图3），采用Fisher线性判别以检验聚类由Wilks’Lambda检验结果，认为两个判别函数分析结果的准确性。从表8可以看出，第一判别在0.05的显著水平上是显著的。

函数解释了96.4%的方差，第二判别函数解释了表 8 Fisher判别函数特征值

3.6%的方差，两个判别函数解释了全部方差。第Table 8 Fisher discriminant function eigenvalues

一判别函数与因变量具有很强的相关性，相关系函数特征值方差比/%累积比/%相关性(r)数（r）为0.909，说明第一判别函数是重要的分第一判别函数4.76796.496.40.909类维度，第二判别式与因变量的相关系数（r）为

第二判别函数

0.180

3.6

100.0

0.390

106赵勇钧，等：基于多元统计分析的马尾松人工林健康评价研究——以广西热带林业实验中心为例

第7期

图5 基于Fisher判别函数的各类散点图像

Fig. 5 Various scatter plots based on Fisher discriminant

function

表 9 Wilks’ Lambda检验Table 9 Test of Wilks’ Lambda

函数检验Wilks’ Lambda

χ2dfSig.1 到 20.147151.463100.0002

0.848

13.043

4

0.011

经过判别分析得到标准化的Fisher判别函数系数（表10），由此得到判别函数的表达式为：

F1=1.301f1+0.917f2+0.782f3+0.639f4+0.454f5。（7）

F2=0.005f1+0.577f2+0.217f3+0.741f4-0.299f5。（8）将各样地的主成分得分f1、f2、f3、f4、f5分别代入判别函数表达式（7）（8）中计算函数值，比较它们距各类中心的距离，然后待判样本被划分到距离最小的那一类，可以得到各个样地的判别分类结果，如表11所示，自身验证法对Ⅰ～Ⅲ健康等级的判断正确率分别为100%、93.5%、100%，平均为97.8%，交互验证对Ⅰ～Ⅲ健康等级的判断正确率分别为100%、90.3%、92.6%，平均为94.3%。综合两类验证方法，平均判断正确率为96.1%，说明所建立的判别函数是有效的，聚类分析结果是比较准确的，研究所采用的模型是可行的。

表 10 标准化的Fisher线性判别式函数系数

Table 10 Standardized Fisher linear discriminant function

coefficients

函数

1

2f11.3010.005f20.917-0.577f30.7820.217f40.6390.741f5

0.454

-0.299

表 11 不同健康等级马尾松人工林的验证结果

Table 11 Verification results of different health grades of

Pinus massoniana plantation

健康等级预测组ⅠⅡⅢ合计Ⅰ

260026计数

Ⅱ029231自身验证

Ⅲ002727Ⅰ100.00.00.0100.0占比/%

Ⅱ0.093.56.5100.0Ⅲ0.00.0100.0100.0Ⅰ

260026计数

Ⅱ028331交叉验证

Ⅲ022527Ⅰ

100.00.00.0100.0占比/%

Ⅱ0.090.39.7100.0Ⅲ

0.0

7.4

92.6

100.0

4 结论与讨论

森林健康评价是我们了解森林健康状态的一种重要技术手段，做好森林健康评价可为森林健康经营及林业发展提供理论依据。在评价过程中建立一个准确的指标体系是评价森林健康的首要任务，而指标的选取和评价方法的选择是关键。由于森林生态系统的复杂性，目前对森林健康评价指标体系的构建还没有明确统一的标准。例如，黄国胜[12]等从林分活力、林分结构、森林恢复力抵抗力3个方面选取树种多样性、群落结构、自然度、林木枯损率、郁闭度、灾害等级等9个指标，利用层次分析法在林分尺度上对三峡库区森林健康进行定量评价；楚春晖[23]等选取平均胸径、平均树高、群落结构、郁闭度、每亩蓄积量、林分起源等12个指标，利用SOM神经网络对五指山市的森林健康状况进行评价。在上述健康评价中，存在没有考虑森林经营目的的情况，不同林种的森林不能用同一个健康状态标准进行评价，应该具体问题具体分析，且关于森林健康评价的研究大多只是评价出健康结果，并未对评价结果的正确性和合理性进行验证。尽管目前有很多种数学方法[10, 24-27]应用于森林健康评价中，但是这些方法都或多或少存在缺陷，例如评价指标之间的相

关性和指标权重的主观性，因此将多种数学方法结合起来对森林健康进行定量研究不失为一种有意义的尝试。

本研究在热林中心系统抽样样地中选取84块马尾松人工林样地作为研究对象，使用因子分析法构建了以林分为尺度的马尾松人工林健康评价

第39卷中 南 林 业 科 技 大 学 学 报107指标体系，选取林分平均胸径、平均树高、每公顷蓄积、地位指数、密度、郁闭度、树种组成指数、灌草盖度、腐质层厚度、土壤厚度、土壤有机质含量、灾害程度、天然更新等级13个代表性评价指标，涵盖了森林生产力、土壤条件、生态系统稳定性3个评价方面，较全面地反映了森林生态系统的真实情况。通过聚类分析将马尾松人工林分为3个健康等级，聚类结果表明，研究区马尾松人工林中处于健康状态的林分占32.1%，亚健康占35.8%，不健康占32.1%，且不同龄组马尾松人工林健康状况从优到劣的排序依次为：近熟林＞中龄林＞成熟林＞幼龄林。根据聚类分析结果采用Fisher线性判别进行判别分析，并进行自身验证和交叉验证，平均判断正确率为96.1%，具有较高的判别精度，说明所建立的判别函数是有效的，聚类分析结果是比较准确的，研究所采用的模型是可行的。

通过研究结果可以看出研究区大部分马尾松林分还处于非健康状态，近熟林健康状况优于中龄林，中龄林优于成熟林，成熟林优于幼龄林。所以建议对近熟林和中龄林进行疏伐、间伐和卫生伐，伐掉林内的病弱植株，调整林分密度，促进林木生长。对于成熟林应进行择伐或主伐，实现森林更新。对幼龄林要加大抚育力度，一方面对林木适时采取修枝、割灌等人为干预措施，促进天然更新与生长；另一方面，实施松土、灌溉、施肥等林地抚育措施，以提高林地生产力。参考文献：

[1]

CIESLA W M, DONAUBAUER E. Decline and dieback of trees and forests: a global overview [R]. Fao Forestry Paper, 1994.[2]

BURGER J A, ADAMS M B, CHANG S. Management effects on growth, production and sustainability of managed forest ecosystems: past trends and future directions [J]. Forest Ecology & Management, 2009, 258(10): 2335-46.[3]

甘敬, 张振明, 余新晓, 等. 森林健康监测与评价研究 [J]. 水土保持研究, 2006, 13(3): 177-80.[4]

MISTRETTA P A. Managing for forest health [J]. Journal of Forestry Washington, 2002, 100(7): 24-7.[5]

MENG J, LI S, WANG W, et al. Mapping Forest Health Using Spectral and Textural Information Extracted from SPOT-5 Satellite Images [J]. Remote Sensing, 2016, 8(9): 719.[6]

COSTANZA R, NORTON B G, HASKELL B D. Ecosystem health: new goals for environmental management [J]. Ecosystem Health New Goals for Environmental Management, 1992,28:33-34.[7]

LUCIER A A. Criteria for success in managing forested

landscapes [J]. Journal of Forestry, 1994, 92(7): 20-24.[8]

肖风劲,欧阳华,孙江华,等.森林生态系统健康评价指标与方法[J].林业资源管理,2004(1): 27-30.

[9]

甘敬,朱建刚,张国祯,等.基于BP神经网络确立森林健康快速评价指标[J].林业科学,2007, 43(12): 1-7.

[10] 王秋燕,陈鹏飞,李学东,等.森林健康评价方法综述[J].南

京林业大学学报(自然科学版),2018, 42(2):177-83.

[11] 郑景明,罗菊春,曾德慧.森林生态系统管理的研究进展[J].

北京林业大学学报,2002,24(3): 103-9.

[12] 黄国胜,王雪军,李晓靖.三峡库区森林健康评价[J].江西农

业大学学报,2017,39(2):334-41.

[13] 国家林业局.国家森林资源连续清查技术规定[R].北京:国

家林业局,2004.

[14] 施明辉, 赵翠薇, 郭志华, 等. 基于SOM神经网络的白河林业

局森林健康分等评价 [J]. 生态学杂志, 2011, 30(6): 1295-303.[15] 甘敬.北京山区森林健康评价研究 [D].北京:北京林业大学,

2008.

[16] 汪晶,罗梅,郑小贤.杉木人工林健康评价研究——以福建将

乐林场为例[J].西北林学院学报, 2014,29(6):195-199.[17] 陈绍玲.马尾松人工林多形地位指数曲线模型的建模方法

[J].中南林业科技大学学报,2008, 28(2):125-128.

[18] 何晓群.多元统计分析(第2版)[M].北京:中国人民大学出

版社, 2008.

[19] BARTLETT M S. Tests of significance in factor analysis [J].

British Journal of Mathematical & Statistical Psychology, 1950, 3(2): 77-85.

[20] KAISER H F. An index of factorial simplicity [J]. Psychometrika,

1974, 39(1): 31-6.

[21] 刘恩田,赵忠,宋西德,等.渭北黄土高原刺槐林健康评价

指标体系的构建[J].西北农林科技大学学报(自然科学版), 2010, 38(10): 67-75.

[22] 杨枝林,刘君昂,周国英,等.衡山马尾松人工林林分活力与

健康状况评价[J].中国农学通报, 2012,28(19):42-7.

[23] 楚春晖,佘济云,陈冬洋.基于SOM神经网络的五指山市森

林健康评价[J].中南林业科技大学学报,2015,35(10): 69-73.[24] 刘素芝,何小东,李建军.基于知识粒度的森林生态系统健康

评价指标赋权方法[J].生态学杂志, 2014,33(4):1082-1088.[25] 田耀武,黄志霖,肖文发,等.基于物元模型和小班尺度的兰

陵溪流域森林生态系统健康评价[J]. 生态学杂志,2017, 36(5): 1458-1464.

[26] 李静锐.基于人工神经网络模型的森林生态系统健康评价[D].

北京:北京林业大学,2007.

[27] 谭三清,王湘衡,肖维,等.基于复杂网络的森林健康评价研

究[J].中南林业科技大学学报,2015, 35(8):13-16.

[本文编校：吴 毅]