天山西部云杉生长量遥感模型研究
|
摘要
生长量可以作为评定立地条件好坏及经营措施效果的指标,正确地分析研究并掌握林木的生长规律,采用相应的经营管理措施,可以改善树木的生长状况,提高生长量。以特克斯县为研究对象,利用样地实测数据结合GIS手段提取相关因子,并进行因子的数量化,分析了各遥感因子与连年生长量之间的相关关系,运用统计软件进行回归分析,建立了相关性显著的回归模型。并将分析结果经过检验,再将拟合较好的模型进行比较,最终选定最优模型,并对特克斯县的云杉生长量进行了遥感反演。通过以上研究得到主要结论如下:
(1)根据云杉分布状况,选择云杉长势较好的特克斯县,并采用1996年、2001年和2006年的51个样地中1365株样木的胸径数据。遥感影像选择Landsat-7-ETM+数据以及SRTM-DEM数据。
(2)利用云杉单株胸径数据,经过统计计算,推算出特克斯县的一元材积表及材积经验式为V = 0. 00010447D2.54202946,由此计算各年份的云杉材积,并计算出定期生长量与连年生长量,可得51个样地的样木在1996-2006年定期生长量为3.64463m~3,1996-2006年连年生长量为0.364463m~3。
(3)由于生长量与海拔梯度增加呈现单峰型变化格局,故需对海拔的实际值进行数量化,即海拔依据生长量分级,根据海拔数据结合大量文献资料,可将海拔分为5级。坡向数据也需进行数量化处理,坡向可以分为8个方向,分级方法是将360°根据坡向进行划分,北坡为等级8,南坡为等级1。
(4)根据生长量数据对影响因子进行相关性分析,分析的因子有红光、绿光、蓝光、近红外、短波红外、NDVI及立地因子的海拔、坡度、坡向,共九个因子。通过主成分分析和相关分析筛选因子。最后留下4个影响因子,分别为绿光、NDVI、高程、坡向。
(5)通过对4个因子的多元线性计算和对其进行回归方程显著性F检验,并对回归系数进行T检验,结果表明:绿光波段不能通过回归系数检验,故选择3和2因子模型进行计算,对所得4个方程进行对比比较,并进行误差检验,得到最优预测模型为3因子NDVI、高程、坡向的多元回归方程: Y=-0.003716+0.018369*N+0.001966*E+0.000666*A。
(6)利用预测模型对特克斯县的云杉连年生长量进行遥感反演,可得云杉连年生长量为1.332684×10~4m~3,云杉的面积为9.523737×10~4hm~2。与高程、坡向叠加分析,可得生长量的变化趋势表现为中海拔处最大,即在1900～2599m的云杉生长量为1.126898×10~4m~3,占84.56%。生长量增加最多的是阴坡,即北坡,生长量为4.65614×10~3 m~3,占34.94%。
Growth can serve as the site conditions quality testing and evaluation index of management measure effect, correctly analysis and master of forest tree growth rule, using relevant management measures; it can change the growth situation, and improve the growth of the trees. As the research object in Tekes County to combine the measured data with GIS means extract relevant factors, and factors related to the discrimination, analyzed the relationship between each RS factors and successive growth ,and used statistical software for regression analysis, established significant relationship to regression model . After that analyze the results after inspection and then compared the model better fit, and ultimately select the best model, And Picea schrenkiana growth by remote sensing inversion in Tekes County. Through the above research get the main conclusion as follows:
(1)According to the distribution of Picea schrenkiana, choose Picea schrenkiana grew better in Tekes County, and adopted the 51 sample plots of 1365 sample wood DBH data in 1996、2001 and 2006 . RS image Select Landsat-7-ETM + data and SRTM-DEM data.
(2)Use Diameter at breast height of per plant by Picea schrenkiana data, through statistical calculation, calculate a Picea schrenkiana volume table and volume of experience formulation for V = 0. 00010447D2.54202946 in Tekes County, which calculated the year of the Picea schrenkiana volume and the volume and periodic annual increment growth, the 51 sample plots of the periodic growth for 3.64463m~3 and the annual increment growth for 0.364463m~3 in 1996-2006.
(3)Due to the increased growth with the elevation gradient showed a single peak pattern of change, it takes the actual value of the elevation of discrimination that is classification of elevation based on the increased growth, elevation data based on combining a large number of documents, it can be divided into 5 levels. Aspect of discrete data also in need of treatment, and aspect can be divided into eight directions, according to aspect that classification method to divide the 360°, the north aspect for grade 8, and south aspect for grade 1.
(4)According to the data on the impact of growth factors correlation analysis, analysis of a total of nine factors are red, green, blue, near infrared, shortwave infrared, NDVI and site factors elevation, slope, aspect. By principal components’analysis and correlation analysis to select factor. Finally four factors are green, NDVI, elevation, aspect.
(5)Through four factors of the multivariate linear to compute and conducts the regression equation significant F for inspection and regression coefficients for T inspection, the result shows: Green have not through regression coefficients, so choose three and two factors of the multivariate linear to compute,and Compared to the four equations and the error test. The optimal prediction model for NDVI, elevation, aspect of multiple regression equation: Y=-0.003716+0.018369*N+0.001966*E+0.000666*A.
(6)Using the prediction model to Picea schrenkiana growth by remote sensing inversion in Tekes County, it showed successive growth that is 1.332684×10~4m~3, Picea schrenkiana covers an area of 9.523737×10~4hm~2. And elevation, slope to stack analysis, the trend growth performance of the largest in the elevations, Picea schrenkiana growth is 1.126898×10~4m~3in 1900～2599m, accounting for 84.56%.The largest increase on North Slope, growth is 4.65614×10~3m~3, accounting for 34.94%.
(1)根据云杉分布状况,选择云杉长势较好的特克斯县,并采用1996年、2001年和2006年的51个样地中1365株样木的胸径数据。遥感影像选择Landsat-7-ETM+数据以及SRTM-DEM数据。
(2)利用云杉单株胸径数据,经过统计计算,推算出特克斯县的一元材积表及材积经验式为V = 0. 00010447D2.54202946,由此计算各年份的云杉材积,并计算出定期生长量与连年生长量,可得51个样地的样木在1996-2006年定期生长量为3.64463m~3,1996-2006年连年生长量为0.364463m~3。
(3)由于生长量与海拔梯度增加呈现单峰型变化格局,故需对海拔的实际值进行数量化,即海拔依据生长量分级,根据海拔数据结合大量文献资料,可将海拔分为5级。坡向数据也需进行数量化处理,坡向可以分为8个方向,分级方法是将360°根据坡向进行划分,北坡为等级8,南坡为等级1。
(4)根据生长量数据对影响因子进行相关性分析,分析的因子有红光、绿光、蓝光、近红外、短波红外、NDVI及立地因子的海拔、坡度、坡向,共九个因子。通过主成分分析和相关分析筛选因子。最后留下4个影响因子,分别为绿光、NDVI、高程、坡向。
(5)通过对4个因子的多元线性计算和对其进行回归方程显著性F检验,并对回归系数进行T检验,结果表明:绿光波段不能通过回归系数检验,故选择3和2因子模型进行计算,对所得4个方程进行对比比较,并进行误差检验,得到最优预测模型为3因子NDVI、高程、坡向的多元回归方程: Y=-0.003716+0.018369*N+0.001966*E+0.000666*A。
(6)利用预测模型对特克斯县的云杉连年生长量进行遥感反演,可得云杉连年生长量为1.332684×10~4m~3,云杉的面积为9.523737×10~4hm~2。与高程、坡向叠加分析,可得生长量的变化趋势表现为中海拔处最大,即在1900～2599m的云杉生长量为1.126898×10~4m~3,占84.56%。生长量增加最多的是阴坡,即北坡,生长量为4.65614×10~3 m~3,占34.94%。
Growth can serve as the site conditions quality testing and evaluation index of management measure effect, correctly analysis and master of forest tree growth rule, using relevant management measures; it can change the growth situation, and improve the growth of the trees. As the research object in Tekes County to combine the measured data with GIS means extract relevant factors, and factors related to the discrimination, analyzed the relationship between each RS factors and successive growth ,and used statistical software for regression analysis, established significant relationship to regression model . After that analyze the results after inspection and then compared the model better fit, and ultimately select the best model, And Picea schrenkiana growth by remote sensing inversion in Tekes County. Through the above research get the main conclusion as follows:
(1)According to the distribution of Picea schrenkiana, choose Picea schrenkiana grew better in Tekes County, and adopted the 51 sample plots of 1365 sample wood DBH data in 1996、2001 and 2006 . RS image Select Landsat-7-ETM + data and SRTM-DEM data.
(2)Use Diameter at breast height of per plant by Picea schrenkiana data, through statistical calculation, calculate a Picea schrenkiana volume table and volume of experience formulation for V = 0. 00010447D2.54202946 in Tekes County, which calculated the year of the Picea schrenkiana volume and the volume and periodic annual increment growth, the 51 sample plots of the periodic growth for 3.64463m~3 and the annual increment growth for 0.364463m~3 in 1996-2006.
(3)Due to the increased growth with the elevation gradient showed a single peak pattern of change, it takes the actual value of the elevation of discrimination that is classification of elevation based on the increased growth, elevation data based on combining a large number of documents, it can be divided into 5 levels. Aspect of discrete data also in need of treatment, and aspect can be divided into eight directions, according to aspect that classification method to divide the 360°, the north aspect for grade 8, and south aspect for grade 1.
(4)According to the data on the impact of growth factors correlation analysis, analysis of a total of nine factors are red, green, blue, near infrared, shortwave infrared, NDVI and site factors elevation, slope, aspect. By principal components’analysis and correlation analysis to select factor. Finally four factors are green, NDVI, elevation, aspect.
(5)Through four factors of the multivariate linear to compute and conducts the regression equation significant F for inspection and regression coefficients for T inspection, the result shows: Green have not through regression coefficients, so choose three and two factors of the multivariate linear to compute,and Compared to the four equations and the error test. The optimal prediction model for NDVI, elevation, aspect of multiple regression equation: Y=-0.003716+0.018369*N+0.001966*E+0.000666*A.
(6)Using the prediction model to Picea schrenkiana growth by remote sensing inversion in Tekes County, it showed successive growth that is 1.332684×10~4m~3, Picea schrenkiana covers an area of 9.523737×10~4hm~2. And elevation, slope to stack analysis, the trend growth performance of the largest in the elevations, Picea schrenkiana growth is 1.126898×10~4m~3in 1900～2599m, accounting for 84.56%.The largest increase on North Slope, growth is 4.65614×10~3m~3, accounting for 34.94%.
引文
[1]潘存德.1998.新疆建立完备林业生态体系的目标与任务[J].人口资源与环境,8(特刊):129～132.
[2]李建贵,潘存德,梁瀛.天山云杉天然成熟林种群分布格局[J].福建林学院学报,2001,21(l):53～56.
[3]刘贵峰.不同经度天山云杉林分因子随海拔梯度的变化[J],林业科学,2009,45(8):9～13.
[4]侯林.美国黄松个体高生长过程研究[J].西南林学院学报,2003,23(l):10～13.
[5]吴小龙.南酸枣生长进程研究[J].江苏林业科技,2003,30(6):6～9.
[6]黄家荣.马尾松人工林单木竞争指标及生长模型研究[J].林业科技,2001,26(3):1～4.
[7]任瑞娟,亢新刚,杨华.天然林单木生长模型研究进展[J].西北林学院学报,2008,23(6):203～20.
[8]刘文桢,石小龙,杜彦昌等.小陇山林区天然山核桃单木生长量预测[J].甘肃科技,2010,26(16):168～169.
[9]刘平,马履一,等.油松中幼人工林单木胸径生长模型研究[J].沈阳农业大学学报,2009,40(2):197～201.
[10]佘光辉,彭世揆,胡荣辉.林分生长量分配模型在杉木人工林中的应用[J],林业资源管理,1997,4:40～42.
[11]何富广,蔡贤茹,杨殿发.林分生长量生长模型的研究[J].辽宁林业科技,1994,3:53～56.
[12]周传统,孙秀君,等.林分蓄积生长量测定方法探讨[J].山东林业科技,2006,2:69～70.
[13]张少昂.兴安落叶松天然林林分生长模型和可变密度收获表的研究[J].东北林业大学学报,1986,3:32～35.
[14]唐守正.广西大青山马尾松全林整体生长模型及其应用[J].林业科学研究,1991,4(增):8～13.
[15]刘兆刚.李凤日.于金成.落叶松人工林单木模型的研究[J].植物研究,2003,23(2):237～244.
[16]余伟莅.不同白榆种源胸径生长量的灰色预测[J].内蒙古林业科技,1993,3:31～34.
[17]梁伟平.广西森林生长量及消耗量的灰色预测[J].云南林业调查规划设计,1994,2:39～41.
[18]夏学文.灰色模型应用于估测落叶松林分生长量的研究[J].生物数学学报,1995,10(3):105～109
[19]王晓辉.灰色系统理论在林木生长量预测中的应用[J].南京林业大学学报,1993,17(1):35～40.
[20]李茂哉.灰色系统模型对侧柏人工林生长量预测[J].甘肃林业科技,1992,2:45～47.
[21]马友平.日本落叶松人工林生长量的灰色—马尔柯夫预测[J].福建林学院学报,2007,27(2):151～156.
[22]史宇,等.北京山区油松人工林单木材积生长量BP神经网络模型[J].东北林业大学学报,2010,38(2):20～22.
[23]马友平.基于人工神经网络的日本落叶松生长量研究[J].湖北民族学院学报,2006,24(4):343～347.
[24]张秀平.基于近景摄影测量的植物生长量量测方法研究[J].测绘信息与工程,2008,33(4):24～26.
[25]谭俊,李雪风.利用航空象片佑测林分蓄积生长量与生长率初探[J].中南林业调查规划,1993,2:52～54.
[26]徐有明.河南火炬松种源中龄林生长里、干形特征的差异分析[J].华中农业大学学报,2000,19(l):7～83.
[27]魏文遂.杉木年轮累年生长量的模拟试验[J].南京学院学报,1990,13(3):386～392.
[28]沈振明,方新高,韩丽仙.6年生火炬松生长量差异与其密度相关性分析[J].浙江林业科技,2005,25(2):1～3.
[29]张忠,李文臣.华北落叶松胸径生长量与主要立地因子关系的数量化研究[J].林业资源管理,1992,6:51～53.
[30]刘兴聪,熊奎山.祁连山北坡青海云杉有关测树因子数学模型的初探[J].甘肃农业学报,1985,3:67～74.
[31]荀守华,曹汉玉,吴德军.日本落叶松生长量与立地因子的相关分析[J].辽宁林业料技,1995,2:35～37.
[32]袁玉江,李江风.天山西部云杉林年轮气候生长量与气候的关系[J].新疆大学学报,1994,11(4):93～98.
[33]田斌,张黎.杨树生长量与立地条件的关系分析研究[J].宁夏农学院学报,1999,20(4):86～89.
[34]房文龙,梁云和,李金荣.樟子松生长量与环境因子相关关系的研究[J].吉林林业科技,1992,99(4):3～5.
[35]陈述彭,童庆禧,郭华东,等.遥感信息机理研究[M].北京:科学出版社,1998.
[36]刘绿柳.肖风劲.黄河流域植被NDVI与温度、降水关系的时空变化[J].生态学杂志,2006,25(5):477～481.
[37]罗修岳,郑柯.晋陕蒙接壤地区脆弱生态系统遥感监测与管理研究[M].北京:宇航出版社,1994,24～35.
[38]崔林丽,史军.中国东部NDVI的变化趋势及其与气候因子的相关分析[J],资源科学,2010,32(1):124～125.
[39]冯建孟,王襄平,徐成东,等.玉龙雪山植物物种多样性和群落结构沿海拔梯度的分布格局[J],山地学报,2006,24(1):110～116.
[40]林之光.地形降水气候学[M] ,北京:科学出版社,1995.
[41]谢自楚,丁良福.高亚洲冰川物质平衡及其对气候变化的响应研究[J].冰川冻土,1996,1:45～47.
[42]李江风.新疆年轮气候年轮水文研究[M].北京:气象出版社.1989.
[43]Huang J H,Bai Y F,Han X G.Effects of species diversity on ecosystem functioning:Mechanism and hypotheses[J].Biodiv Sci,2001,9(1):1～7.
[44]Du G Z,Qin G L,Li Z Z.Relationship between species richness and productivity in an alpine meadow plant community[J].Acta Phywecol Sin,2003,27(1):125～132.
[45]王俊玲.六盘山林区华北落叶松群落物种多样性、生产力及个体生长量的研究[D].兰州大学,2008.
[46]吴端云,杨维平.不同杨树新品系生长量的方差分析[J].中南民族学院学报(自然科学版),1998,17(4):16～18.
[47]杜纪山.林木生长和收获预估模型的研究动态[J].世界林业研究,1999,12(4):19～21.
[48]魏占才.长白落叶松人工林林分生长与收获模型应用的研究[D].东北林业大学,2003.
[49]Whittake R H,Woodwell G M.Dimension and Production relations of trees and shrub in the Brookhaven forest[J],New York.Journal of Ecology,1986,56(l):l～25.
[50]Fournier R A,Luther J E,Guindon L,et al.Mapping aboveground tree biomass at the stand level from inventory information:test cases in Newfoundland and Quebec[J].Canadian Journal of Forest Research,2003,33(10):1846～1863.
[51]Tan BingJiang,Dinghua,Xu Sugin.The DEM interpolation based on Delauna triangulated networks[J],Journal of Institute of Surveying and Mapping.2001(18):26～28.
[52]MONCKTON C.An Structure of Error Investigation into the Spatial Digital Elevation Data[M].London:Taylor and Francis,1994.
[52]KIDNER D B. High～order Interpolation of Regular Grid Digital Elevation models [J].International Journal of Remote Sensing.2003,21(14):2981～2987.
[53]Meirvenne M,Van Hofman G.Spatial variability of soil nitrate nitrogen after potatoes and its change during winter[J].Plant and Soil,1989,120:103～110.
[54]王燕,赵士洞.天山云杉林生物生产力的地理分布[J].植物生态学报,2000,24(2)186～190.
[55]郭晓光,苗子旺,于秀春.华北落叶松生长过程的数学模型[J].河北林业科技,2006,(4):19～23.
[56]张瑛山,等.雪岭云杉林生物量测定的初步研究[J].新疆八一农学院学报,1980,(3):19～25.
[57]韩景军,肖文发,罗菊春.长白山北部林区云冷杉林地上部分生物量的研究[J].内蒙古林学院学报(自然科学版),1999,21(3):l～5.
[58]马存世.舟曲林区落叶松人工林生长特性研究[J].甘肃林业科技,1999,24(3):25～27.
[59]穆天民.贺兰山区青海云杉森林群落生物量的初步研究[J].内蒙古林学院学报,1981,3:18～31.
[60]张秀平.基于近景摄影测量的植物生长量量测方法研究[D].中南大学,2008.
[61]A.Grun,H.Li. Road Extraetion from Aerial and Satellite Images by Dynamic Programming[J]. ISPRS Journal of Photogrammetry and Remote Sensing.1995,50(4):11～20.
[62]P.Fua,Y.G.Leelere. Model Driven Edge Detection[J] .Maehine Vision and Applieation. 1999,3(l):45～56.
[63]王俊玲.六盘山林区华北落叶松群落物种多样性、生产力及个体生长量的研究[D].兰州大学,2008.
[64]张慧芳,张晓丽,黄瑜.遥感技术支持下的森林生物量研究进展[J].世界林业研究,2007,20(4):30～34.
[65]何红艳,郭志华,肖文发.遥感在森林地上生物量估算中的应用[J].生态学杂志,2007,26(8):1317～1322.
[66]王玉辉,周广胜,蒋延玲,等.基于森林资源清查资料的落叶松林生物量和净生长量估算模式[J].植物生态学报,2001,25(4):420～425.
[67]刘红霞.气象因子对华北落叶松生长量影响研究[D].河北农业大学,2009.
[68]唐丽.基于生长量的杉木林分龄级结构预测[J].西南农业大学学报,2006,28(42):264～266.
[69]沈家智.吉安地区湿地松生长量模型的研究[J].江西林业科技,1995, (4):22～29.
[70]张明铁.建立兴安落叶松材积连年生长量模型的初探[J].内蒙古林业科技,1994,(4):41～42.
[71]马元忠,孙长斌,田林江,等.乐都地区青海云杉林木生长量调查研究[J].青海农林科技,1995,(4):41～45.
[72]韩艳英.气象因子对豫西伏牛山区日本落叶松生长量影响研究[D].河南农业大学,2006.
[73]薛鹏.雷州林业局6年生尾叶桉人工林生长量及生物量研究[J].桉树科技,2009,26(1):18～21.
[74]孙国忠,杨庆和,王志平.落针病影响云杉生长量的测定[J].四川林业科技,1998,(19):29～30.
[75]杨祯禄,胡庭兴,李贤伟.马尾松材积生长量及经济效益的预测[J].四川农业大学学报,1993,11(3):404～410.
[76]宋福强.热带引种植物物候和生长量特征及对气候变化的响应[D].中国科学院研究生院,2007.
[77]林成来,洪伟,吴承祯,等.马尾松人工林生长模型的研究[J].福建林学院学报,2000,20(3):227～230.
[78]马友平.日本落叶松人工林林分结构与生长量预测研究—以长岭岗林场为例[D].北京林业大学,2007.
[79]刘广路.天山云杉生长规律与天山植物群落生产力研究[D].河北农业大学,2006.
[81]马友平,冯仲科,何友均.三种预测林木生长量方法的比较[J].生物数学学报,2007,22(2):336～342.
[82]陈春成,陈彩聆.杉木播种苗生长量和生物量动态研究[J].福建林业科技,1999,26(3):73～75.
[83]吴道圣,王于荣,蒋明田,等.杉木中龄林生长量两块标准地的观测[J].浙江林业科技,1991,11(1):38～40.
[84]单亚伟,王晓军.太行山区华北落叶松天然林生长量预测[J].山西林业科技,1995,(4):1～4.
[85]雷廷武,曾德超.桃果实日生长量模拟的数学模型[J].北京农业工程大学学报,1992,12(1):26～32.
[86]赵凯峰.双重回归估计法测算森林生长量的探讨[J].林业资源管理,1996,(5):47～51.
[87]项小强.一个具有统计稳定参数的综合生长盆模型[J].林业科学,1990,26(2):182～187.
[88]孙进.应用生长率模型测算林分生长量的方法[J].西北林学院学报,1998,13(1):31～34.
[89]刘建泉,陈江.影响酒泉地区樟子松生长的因素及其生长量预测模型[J].东北林业大学学报,2003,31(5):10～12.
[90]王婷.天山中部不同海拔高度天山云杉林的生态学研究[D].武汉大学,2004.
[91]刘悦翠.用树干表面积建立立木材积连年生长量模型的研究[J].西北林学院学报,1991,6(3):25～31.
[92]卢昌泰,黄山如,马明东.云南松人工林分材积生长率预测模型初步研究[J].四川林业科技,1992,13(2):1～6.
[93]黎承湘,白鸥.樟子松人工林生长量预测分析[J].辽宁林业科技,1991, (1):26～28.
[94]曾群英,周元满,等.基于阶跃函数的最大连年生长量的数学确定方法研究[J].防护林科技,2010,97(4):6～8.
[95]张林红,赵兰柱,等.用内插法(材积差法)确定林分蓄积生长量(率)的研究[J].河北林业科技,2004,(4):16～17.
[96]郑诚乐,吴宪志,等.绿衣枳实生长规律模型模拟及其应用[J].热带作物学报,2009,30(10):1474～1478.
[97]戴小华,余世孝.遥感技术支持下的植被生产力与生物量研究进展[J].生态学杂志,2004,23(4):92～98.
[2]李建贵,潘存德,梁瀛.天山云杉天然成熟林种群分布格局[J].福建林学院学报,2001,21(l):53～56.
[3]刘贵峰.不同经度天山云杉林分因子随海拔梯度的变化[J],林业科学,2009,45(8):9～13.
[4]侯林.美国黄松个体高生长过程研究[J].西南林学院学报,2003,23(l):10～13.
[5]吴小龙.南酸枣生长进程研究[J].江苏林业科技,2003,30(6):6～9.
[6]黄家荣.马尾松人工林单木竞争指标及生长模型研究[J].林业科技,2001,26(3):1～4.
[7]任瑞娟,亢新刚,杨华.天然林单木生长模型研究进展[J].西北林学院学报,2008,23(6):203～20.
[8]刘文桢,石小龙,杜彦昌等.小陇山林区天然山核桃单木生长量预测[J].甘肃科技,2010,26(16):168～169.
[9]刘平,马履一,等.油松中幼人工林单木胸径生长模型研究[J].沈阳农业大学学报,2009,40(2):197～201.
[10]佘光辉,彭世揆,胡荣辉.林分生长量分配模型在杉木人工林中的应用[J],林业资源管理,1997,4:40～42.
[11]何富广,蔡贤茹,杨殿发.林分生长量生长模型的研究[J].辽宁林业科技,1994,3:53～56.
[12]周传统,孙秀君,等.林分蓄积生长量测定方法探讨[J].山东林业科技,2006,2:69～70.
[13]张少昂.兴安落叶松天然林林分生长模型和可变密度收获表的研究[J].东北林业大学学报,1986,3:32～35.
[14]唐守正.广西大青山马尾松全林整体生长模型及其应用[J].林业科学研究,1991,4(增):8～13.
[15]刘兆刚.李凤日.于金成.落叶松人工林单木模型的研究[J].植物研究,2003,23(2):237～244.
[16]余伟莅.不同白榆种源胸径生长量的灰色预测[J].内蒙古林业科技,1993,3:31～34.
[17]梁伟平.广西森林生长量及消耗量的灰色预测[J].云南林业调查规划设计,1994,2:39～41.
[18]夏学文.灰色模型应用于估测落叶松林分生长量的研究[J].生物数学学报,1995,10(3):105～109
[19]王晓辉.灰色系统理论在林木生长量预测中的应用[J].南京林业大学学报,1993,17(1):35～40.
[20]李茂哉.灰色系统模型对侧柏人工林生长量预测[J].甘肃林业科技,1992,2:45～47.
[21]马友平.日本落叶松人工林生长量的灰色—马尔柯夫预测[J].福建林学院学报,2007,27(2):151～156.
[22]史宇,等.北京山区油松人工林单木材积生长量BP神经网络模型[J].东北林业大学学报,2010,38(2):20～22.
[23]马友平.基于人工神经网络的日本落叶松生长量研究[J].湖北民族学院学报,2006,24(4):343～347.
[24]张秀平.基于近景摄影测量的植物生长量量测方法研究[J].测绘信息与工程,2008,33(4):24～26.
[25]谭俊,李雪风.利用航空象片佑测林分蓄积生长量与生长率初探[J].中南林业调查规划,1993,2:52～54.
[26]徐有明.河南火炬松种源中龄林生长里、干形特征的差异分析[J].华中农业大学学报,2000,19(l):7～83.
[27]魏文遂.杉木年轮累年生长量的模拟试验[J].南京学院学报,1990,13(3):386～392.
[28]沈振明,方新高,韩丽仙.6年生火炬松生长量差异与其密度相关性分析[J].浙江林业科技,2005,25(2):1～3.
[29]张忠,李文臣.华北落叶松胸径生长量与主要立地因子关系的数量化研究[J].林业资源管理,1992,6:51～53.
[30]刘兴聪,熊奎山.祁连山北坡青海云杉有关测树因子数学模型的初探[J].甘肃农业学报,1985,3:67～74.
[31]荀守华,曹汉玉,吴德军.日本落叶松生长量与立地因子的相关分析[J].辽宁林业料技,1995,2:35～37.
[32]袁玉江,李江风.天山西部云杉林年轮气候生长量与气候的关系[J].新疆大学学报,1994,11(4):93～98.
[33]田斌,张黎.杨树生长量与立地条件的关系分析研究[J].宁夏农学院学报,1999,20(4):86～89.
[34]房文龙,梁云和,李金荣.樟子松生长量与环境因子相关关系的研究[J].吉林林业科技,1992,99(4):3～5.
[35]陈述彭,童庆禧,郭华东,等.遥感信息机理研究[M].北京:科学出版社,1998.
[36]刘绿柳.肖风劲.黄河流域植被NDVI与温度、降水关系的时空变化[J].生态学杂志,2006,25(5):477～481.
[37]罗修岳,郑柯.晋陕蒙接壤地区脆弱生态系统遥感监测与管理研究[M].北京:宇航出版社,1994,24～35.
[38]崔林丽,史军.中国东部NDVI的变化趋势及其与气候因子的相关分析[J],资源科学,2010,32(1):124～125.
[39]冯建孟,王襄平,徐成东,等.玉龙雪山植物物种多样性和群落结构沿海拔梯度的分布格局[J],山地学报,2006,24(1):110～116.
[40]林之光.地形降水气候学[M] ,北京:科学出版社,1995.
[41]谢自楚,丁良福.高亚洲冰川物质平衡及其对气候变化的响应研究[J].冰川冻土,1996,1:45～47.
[42]李江风.新疆年轮气候年轮水文研究[M].北京:气象出版社.1989.
[43]Huang J H,Bai Y F,Han X G.Effects of species diversity on ecosystem functioning:Mechanism and hypotheses[J].Biodiv Sci,2001,9(1):1～7.
[44]Du G Z,Qin G L,Li Z Z.Relationship between species richness and productivity in an alpine meadow plant community[J].Acta Phywecol Sin,2003,27(1):125～132.
[45]王俊玲.六盘山林区华北落叶松群落物种多样性、生产力及个体生长量的研究[D].兰州大学,2008.
[46]吴端云,杨维平.不同杨树新品系生长量的方差分析[J].中南民族学院学报(自然科学版),1998,17(4):16～18.
[47]杜纪山.林木生长和收获预估模型的研究动态[J].世界林业研究,1999,12(4):19～21.
[48]魏占才.长白落叶松人工林林分生长与收获模型应用的研究[D].东北林业大学,2003.
[49]Whittake R H,Woodwell G M.Dimension and Production relations of trees and shrub in the Brookhaven forest[J],New York.Journal of Ecology,1986,56(l):l～25.
[50]Fournier R A,Luther J E,Guindon L,et al.Mapping aboveground tree biomass at the stand level from inventory information:test cases in Newfoundland and Quebec[J].Canadian Journal of Forest Research,2003,33(10):1846～1863.
[51]Tan BingJiang,Dinghua,Xu Sugin.The DEM interpolation based on Delauna triangulated networks[J],Journal of Institute of Surveying and Mapping.2001(18):26～28.
[52]MONCKTON C.An Structure of Error Investigation into the Spatial Digital Elevation Data[M].London:Taylor and Francis,1994.
[52]KIDNER D B. High～order Interpolation of Regular Grid Digital Elevation models [J].International Journal of Remote Sensing.2003,21(14):2981～2987.
[53]Meirvenne M,Van Hofman G.Spatial variability of soil nitrate nitrogen after potatoes and its change during winter[J].Plant and Soil,1989,120:103～110.
[54]王燕,赵士洞.天山云杉林生物生产力的地理分布[J].植物生态学报,2000,24(2)186～190.
[55]郭晓光,苗子旺,于秀春.华北落叶松生长过程的数学模型[J].河北林业科技,2006,(4):19～23.
[56]张瑛山,等.雪岭云杉林生物量测定的初步研究[J].新疆八一农学院学报,1980,(3):19～25.
[57]韩景军,肖文发,罗菊春.长白山北部林区云冷杉林地上部分生物量的研究[J].内蒙古林学院学报(自然科学版),1999,21(3):l～5.
[58]马存世.舟曲林区落叶松人工林生长特性研究[J].甘肃林业科技,1999,24(3):25～27.
[59]穆天民.贺兰山区青海云杉森林群落生物量的初步研究[J].内蒙古林学院学报,1981,3:18～31.
[60]张秀平.基于近景摄影测量的植物生长量量测方法研究[D].中南大学,2008.
[61]A.Grun,H.Li. Road Extraetion from Aerial and Satellite Images by Dynamic Programming[J]. ISPRS Journal of Photogrammetry and Remote Sensing.1995,50(4):11～20.
[62]P.Fua,Y.G.Leelere. Model Driven Edge Detection[J] .Maehine Vision and Applieation. 1999,3(l):45～56.
[63]王俊玲.六盘山林区华北落叶松群落物种多样性、生产力及个体生长量的研究[D].兰州大学,2008.
[64]张慧芳,张晓丽,黄瑜.遥感技术支持下的森林生物量研究进展[J].世界林业研究,2007,20(4):30～34.
[65]何红艳,郭志华,肖文发.遥感在森林地上生物量估算中的应用[J].生态学杂志,2007,26(8):1317～1322.
[66]王玉辉,周广胜,蒋延玲,等.基于森林资源清查资料的落叶松林生物量和净生长量估算模式[J].植物生态学报,2001,25(4):420～425.
[67]刘红霞.气象因子对华北落叶松生长量影响研究[D].河北农业大学,2009.
[68]唐丽.基于生长量的杉木林分龄级结构预测[J].西南农业大学学报,2006,28(42):264～266.
[69]沈家智.吉安地区湿地松生长量模型的研究[J].江西林业科技,1995, (4):22～29.
[70]张明铁.建立兴安落叶松材积连年生长量模型的初探[J].内蒙古林业科技,1994,(4):41～42.
[71]马元忠,孙长斌,田林江,等.乐都地区青海云杉林木生长量调查研究[J].青海农林科技,1995,(4):41～45.
[72]韩艳英.气象因子对豫西伏牛山区日本落叶松生长量影响研究[D].河南农业大学,2006.
[73]薛鹏.雷州林业局6年生尾叶桉人工林生长量及生物量研究[J].桉树科技,2009,26(1):18～21.
[74]孙国忠,杨庆和,王志平.落针病影响云杉生长量的测定[J].四川林业科技,1998,(19):29～30.
[75]杨祯禄,胡庭兴,李贤伟.马尾松材积生长量及经济效益的预测[J].四川农业大学学报,1993,11(3):404～410.
[76]宋福强.热带引种植物物候和生长量特征及对气候变化的响应[D].中国科学院研究生院,2007.
[77]林成来,洪伟,吴承祯,等.马尾松人工林生长模型的研究[J].福建林学院学报,2000,20(3):227～230.
[78]马友平.日本落叶松人工林林分结构与生长量预测研究—以长岭岗林场为例[D].北京林业大学,2007.
[79]刘广路.天山云杉生长规律与天山植物群落生产力研究[D].河北农业大学,2006.
[81]马友平,冯仲科,何友均.三种预测林木生长量方法的比较[J].生物数学学报,2007,22(2):336～342.
[82]陈春成,陈彩聆.杉木播种苗生长量和生物量动态研究[J].福建林业科技,1999,26(3):73～75.
[83]吴道圣,王于荣,蒋明田,等.杉木中龄林生长量两块标准地的观测[J].浙江林业科技,1991,11(1):38～40.
[84]单亚伟,王晓军.太行山区华北落叶松天然林生长量预测[J].山西林业科技,1995,(4):1～4.
[85]雷廷武,曾德超.桃果实日生长量模拟的数学模型[J].北京农业工程大学学报,1992,12(1):26～32.
[86]赵凯峰.双重回归估计法测算森林生长量的探讨[J].林业资源管理,1996,(5):47～51.
[87]项小强.一个具有统计稳定参数的综合生长盆模型[J].林业科学,1990,26(2):182～187.
[88]孙进.应用生长率模型测算林分生长量的方法[J].西北林学院学报,1998,13(1):31～34.
[89]刘建泉,陈江.影响酒泉地区樟子松生长的因素及其生长量预测模型[J].东北林业大学学报,2003,31(5):10～12.
[90]王婷.天山中部不同海拔高度天山云杉林的生态学研究[D].武汉大学,2004.
[91]刘悦翠.用树干表面积建立立木材积连年生长量模型的研究[J].西北林学院学报,1991,6(3):25～31.
[92]卢昌泰,黄山如,马明东.云南松人工林分材积生长率预测模型初步研究[J].四川林业科技,1992,13(2):1～6.
[93]黎承湘,白鸥.樟子松人工林生长量预测分析[J].辽宁林业科技,1991, (1):26～28.
[94]曾群英,周元满,等.基于阶跃函数的最大连年生长量的数学确定方法研究[J].防护林科技,2010,97(4):6～8.
[95]张林红,赵兰柱,等.用内插法(材积差法)确定林分蓄积生长量(率)的研究[J].河北林业科技,2004,(4):16～17.
[96]郑诚乐,吴宪志,等.绿衣枳实生长规律模型模拟及其应用[J].热带作物学报,2009,30(10):1474～1478.
[97]戴小华,余世孝.遥感技术支持下的植被生产力与生物量研究进展[J].生态学杂志,2004,23(4):92～98.