Study of Adaptability of the Primary Afforestation Species in Chongyi County,Jiangxi Province Based on Random Forest

doi:10.13466/j.cnki.lyzygl.2022.02.016

Abstract

Abstract:

Based on forest management inventory data and five primary forestation species (Cunninghamia lanceolata,Pinus massoniana,Schima superba,Melia azedarach and Choerospondias axillaris),the adaptability models of forestation species were constructed to predict adaptability for afforestation sites in Chongyi County,Jiangxi Province. The input variables contained elevation,slope,aspect,position,soil type,parent rock,soil thickness,and thickness of soil humus,the output variable was growth adaptability. The results showed that the training accuracy of adaptability models for 5 forestation species were 88.69%,93.13%,95.54%,93.86% and 98.92%,respectively. In addition,the generalization accuracy of adaptability models for 5 species were 72.79%,84.18%,77.99%,81.22% and 80.56%,respectively. Site factors greatly affecting the adaptability of coniferous species were thickness of soil humus,elevation and soil thickness,while the driver factors for broad-leaved species depended on species. The species adaptability models based on random forest could analyze the adaptability for forestation species,and extract the comfortable growth environment. Thus,the established models could provide support to the problem of matching species to sites and the improvement of regional forest quality.

Key words: random forest, matching trees to sites, site factors, adaptability

CLC Number:

S711
S725.1

HUANG Jincheng, LIU Hongsheng, NING Jinkui, OUYANG Xunzhi, ZANG Hao. Study of Adaptability of the Primary Afforestation Species in Chongyi County,Jiangxi Province Based on Random Forest[J]. FOREST RESOURCES WANAGEMENT, 2022, (2): 117-125.

Figures/Tables 8

Tab.1

Tab.2

Fig.1

Tab.3

Tab.4

Tab.5

Predicting results for adaptability models

地类	海拔/m	坡向	坡位	坡度/ (°)	成土母岩	土壤类型	土层厚度 /cm	腐殖层厚度 /cm	模型预测结果
地类	海拔/m	坡向	坡位	坡度/ (°)	成土母岩	土壤类型	土层厚度 /cm	腐殖层厚度 /cm	马尾松	杉木	木荷	苦楝	南酸枣
有林地	300	东坡	上部	29	花岗岩	黄壤	50	5	不适宜	不适宜	适宜	不适宜	不适宜
有林地	600	北坡	中部	20	花岗岩	黄壤	70	5	适宜	不适宜	适宜	适宜	不适宜
有林地	530	西坡	中部	30	花岗岩	黄壤	70	5	不适宜	不适宜	适宜	不适宜	适宜
有林地	250	东坡	下部	15	花岗岩	黄壤	50	10	不适宜	不适宜	不适宜	不适宜	不适宜
有林地	251	东坡	下部	15	花岗岩	黄壤	50	10	不适宜	不适宜	不适宜	不适宜	不适宜
有林地	300	东南坡	下部	3	花岗岩	黄壤	80	20	适宜	适宜	不适宜	不适宜	不适宜
有林地	300	南坡	下部	20	花岗岩	黄壤	50	15	适宜	不适宜	适宜	适宜	适宜
有林地	270	东南坡	下部	23	砂岩	黄壤	80	10	适宜	不适宜	适宜	适宜	不适宜
有林地	170	东坡	下部	6	花岗岩	红壤	80	10	不适宜	不适宜	不适宜	不适宜	适宜
地类	海拔/m	坡向	坡位	坡度/ (°)	成土母岩	土壤类型	土层厚度 /cm	腐殖层厚度 /cm	模型预测结果
地类	海拔/m	坡向	坡位	坡度/ (°)	成土母岩	土壤类型	土层厚度 /cm	腐殖层厚度 /cm	马尾松	杉木	木荷	苦楝	南酸枣
有林地	180	东南坡	下部	10	花岗岩	红壤	80	10	不适宜	不适宜	适宜	不适宜	适宜
有林地	290	东南坡	下部	15	花岗岩	红壤	70	10	适宜	不适宜	适宜	适宜	适宜
有林地	290	南坡	上部	28	花岗岩	黄壤	50	10	不适宜	适宜	不适宜	不适宜	不适宜
有林地	280	西坡	中部	29	花岗岩	黄壤	50	5	不适宜	适宜	适宜	不适宜	不适宜
有林地	240	东北坡	下部	18	花岗岩	黄壤	50	20	不适宜	不适宜	不适宜	不适宜	适宜
有林地	280	西北坡	下部	20	花岗岩	黄壤	50	15	不适宜	不适宜	适宜	适宜	适宜
有林地	340	东坡	下部	25	页岩	黄壤	70	10	适宜	适宜	适宜	适宜	不适宜
宜林地	600	东南坡	中部	28	花岗岩	黄壤	80	15	适宜	适宜	不适宜	适宜	适宜
宜林地	250	东北坡	下部	30	砂岩	黄壤	55	5	适宜	适宜	适宜	不适宜	不适宜

Tab.5

Fig.2

Fig.3

References 36

[1]	Eckes-Shephard A H, Tiavlovsky E, Chen Y, et al. Direct response of tree growth to soil water and its implications for terrestrial carbon cycle modelling[J]. Global Change Biology, 2021, 27(1):121-135. doi: 10.1111/gcb.15397 pmid: 33065763
[2]	Zhao Qiong, Zeng Dehui. Nitrogen addition effects on tree growth and soil properties mediated by soil phosphorus availability and tree species identity[J]. Forest Ecology and Management, 2019, 449:117478. doi: 10.1016/j.foreco.2019.117478
[3]	陆海飞, 刘望舒, 徐建民, 等. 广西中南部尾巨桉人工林立地类型划分及立地质量评价[J]. 林业科学, 2021, 57(5):13-24.
[4]	郭艳荣, 刘洋, 吴保国. 福建省宜林地立地质量的分级与数量化评价[J]. 东北林业大学学报, 2014, 42(10):54-59.
[5]	雷相东, 唐守正, 符利勇, 等. 森林立地质量定量评价——理论、方法、应用[M]. 北京: 中国林业出版社, 2020:3-9.
[6]	唐诚, 王春胜, 庞圣江. 广西大青山西南桦人工林立地类型划分及评价[J]. 西北林学院学报, 2018, 33(4):52-57.
[7]	朱光玉, 康立. 森林立地生产力评价指标与方法[J]. 西北林学院学报, 2016, 31(6):275-281.
[8]	Weiskittel A R, Hann D W, Kershaw J A, et al. Forest growth and yield modeling[M]. Chichester: John Wiley & Sons, Ltd, 2011:38-47.
[9]	刘洵, 曾思齐, 龙时胜, 等. 湖南省栎类天然次生林胸径地位指数表研制[J]. 森林与环境学报, 2019, 39(3):265-272.
[10]	李斌成, 许业洲, 袁慧, 等. 湖北省日本落叶松差分型立地指数模型构建[J]. 森林与环境学报, 2020, 40(4):433-441.
[11]	张博, 陈科屹, 周来, 等. 基于分位数回归的杉木人工林地位级划分方法研究[J]. 林业科学研究, 2021, 34(4):103-110.
[12]	Liu Xianzhao, Duan Guangshuang, Chhin S, et al. Evaluation of potential versus realized site productivity of Larix principis-rupprechtii plantations across northern China[J]. Forest Ecology and Management, 2021, 479:118608. doi: 10.1016/j.foreco.2020.118608
[13]	李凤日. 测树学[M]. 4版. 北京: 中国林业出版社, 2019:138-140.
[14]	顾云春, 李永武, 杨承栋. 森林立地分类与评价的立地要素原理与方法[M]. 北京: 科学出版社, 1993:13-16.
[15]	姚茂和, 盛炜彤, 熊有强. 杉木人工林林下植被对立地的指示意义[J]. 林业科学, 1992, 28(3):208-212.
[16]	Jumwong N, Wachrinrat C, Sungkaew S, et al. Site indicator species for predicting the productivity of teak plantations in Phrae Province,Thailand[J]. Biotropia, 2020, 27(5):104-114.
[17]	刘聘, 乔一娜, 李静文, 等. 安溪县福建柏人工林立地质量数量化评价[J]. 云南农业大学学报:自然科学版, 2021, 36(2):324-329.
[18]	Fiandino S, Plevich J, Tarico J, et al. Modeling forest site productivity using climate data and topographic imagery in Pinus elliottii plantations of central Argentina[J]. Annals of Forest Science, 2020, 77:95. doi: 10.1007/s13595-020-01006-3
[19]	Afif-Khouri E, Álvarez-Álvarez P, Fernández-López M J, et al. Influence of climate,edaphic factors and tree nutrition on site index of chestnut coppice stands in north-west Spain[J]. Forestry, 2011, 84(4):385-396. doi: 10.1093/forestry/cpr025
[20]	Kint V, Vos B D, Deckers J, et al. Predicting forest site productivity in temperate lowland from forest floor,soil and litterfall characteristics using boosted regression trees[J]. Plant and Soil, 2012, 354:157-172. doi: 10.1007/s11104-011-1052-z
[21]	Sabatia C O, Burkhart H E. Predicting site index of plantation loblolly pine from biophysical variables[J]. Forest Ecology and Management, 2014, 326:142-156. doi: 10.1016/j.foreco.2014.04.019
[22]	Coomes D A, Allen R B. Effects of size,competition and altitude on tree growth[J]. Journal of Ecology, 2007, 95:1084-1097. doi: 10.1111/j.1365-2745.2007.01280.x
[23]	雷相东. 机器学习算法在森林生长收获预估中的应用[J]. 北京林业大学学报, 2019, 41(12):1-14.
[24]	Jevšenak J, Skudnik M. A random forest model for basal area increment predictions from national forest inventory data[J]. Forest Ecology and Management, 2021, 479:118601. doi: 10.1016/j.foreco.2020.118601
[25]	Jiang Huiquan, Radtke P J, Weiskittel A R, et al. Climate- and soil-based models of site productivity in eastern US tree species[J]. Canadian Journal of Forest Research, 2015, 45:325-342. doi: 10.1139/cjfr-2014-0054
[26]	高若楠, 苏喜友, 谢阳生, 等. 基于随机森林的杉木适生性预测研究[J]. 北京林业大学学报, 2017, 39(12):36-43.
[27]	杜雨菲, 吴保国, 陈玉玲. 基于机器学习算法的广西桉树适宜性研究[J]. 浙江农林大学学报, 2020, 37(1):122-128.
[28]	郭鸿郡. 基于GWR的黑龙江大兴安岭森林立地质量的遥感分析[D]. 哈尔滨: 东北林业大学, 2017,15-18.
[29]	郭颖婕, 刘晓燕, 郭茂祖, 等. 植物抗性基因识别中的随机森林分类方法[J]. 计算机科学与探索, 2012, 6(1):67-77.
[30]	李嘉珏, 于洪波. 甘肃黄土高原立地分类与适地适树[M]. 北京: 北京科学技术出版社, 1990:91-93.
[31]	谢阳生, 陆元昌, 刘宪钊, 等. 多功能森林经营方案编制技术及案例[M]. 北京: 中国林业出版社, 2019.
[32]	刘丹. 基于分布适宜性和潜在生产力的定量适地适树研究[D]. 北京: 中国林业科学研究院, 2018:1-3.
[33]	Chen Yuling, Wu Baoguo, Chen Dong, et al. Using machine learning to assess site suitability for afforestation with particular species[J]. Forests, 2019, 10(9):739. doi: 10.3390/f10090739
[34]	蔡学林, 张志云, 欧阳勋志. 江西森林立地质量数量化评价研究[J]. 江西农业大学学报, 1997, 19(6):81-89.
[35]	李绍忠, 孟康敏, 赵冰, 等. 东北珍贵阔叶树适地适树的研究[J]. 应用生态学报, 1992, 3(3):195-201.
[36]	罗也, 王君, 杨雨春, 等. 利用随机效应模型模拟东北三省胡桃楸地位指数[J]. 应用生态学报, 2020, 31(8):2549-2557.

树种	小班数量 /块	平均胸径/cm			平均树高/m			基准年龄 /a
树种	小班数量 /块	平均值	最小值	最大值	平均值	最小值	最大值	基准年龄 /a
杉木Cunninghamia lanceolata	8780	10.6	5.2	26.8	7.5	1.4	19.7	20
马尾松Pinus massoniana	3040	15.5	5.6	37.8	11.5	1.5	21.2	20
木荷Schima superba	112	9.8	5.6	50.4	7.8	2	22.5	30
苦楝Melia azedarach	114	10.5	7.0	16.2	8.9	3.4	15.3	15
南酸枣Choerospondias axillaris	277	11.0	5.8	25.2	8.8	1.1	20.4	15

树种	β₁		β₂
树种	估计值	标准差	估计值	标准差
杉木Cunninghamia lanceolata	0.0859	0.0025	1.7706	0.0381
马尾松Pinus massoniana	0.0790	0.0070	2.0433	0.2353
木荷Schima superba	0.0601	0.0169	1.4999	0.3646
苦楝Melia azedarach	0.4054	0.2029	32.7764	14.6363
南酸枣Choerospondias axillaris	0.0226	0.0105	1.1012	0.2831

树种	分类树的数量	随机变量个数	总精度/%	分类精度/%
树种	分类树的数量	随机变量个数	总精度/%	不适宜	适宜
杉木Cunninghamia lanceolata	1000	2	72.79	78.84	66.06
马尾松Pinus massoniana	400	2	84.18	78.82	89.28
木荷Schima superba	400	1	77.99	87.83	63.39
苦楝Melia azedarach	300	5	81.22	84.74	76.14
南酸枣Choerospondias axillaris	200	2	80.56	83.80	77.15

树种	实际类别	预测类别		分类精度/%	总精度/%
树种	实际类别	不适宜	适宜	分类精度/%	总精度/%
杉木Cunninghamia lanceolata	不适宜	4087	528	88.56	98.92
杉木Cunninghamia lanceolata	适宜	465	3700	88.84	98.92
马尾松Pinus massoniana	不适宜	1328	159	89.31	93.13
马尾松Pinus massoniana	适宜	50	1503	96.78	93.13
木荷Schima superba	不适宜	67	1	98.53	95.54
木荷Schima superba	适宜	4	40	90.91	95.54
苦楝Melia azedarach	不适宜	58	5	92.06	93.86
苦楝Melia azedarach	适宜	2	49	96.08	93.86
南酸枣Choerospondias axillaris	不适宜	143	1	99.31	98.92
南酸枣Choerospondias axillaris	适宜	2	131	98.50	98.92