基于生态区的Calycophyllum spruceanum和Cedrelinga cateniformis在秘鲁东北部亚马逊地区的体积估算

《Trees, Forests and People》：Ecological Zone-Based Volume Estimation of Calycophyllum spruceanum and Cedrelinga cateniformis in the Northeastern Peruvian Amazon

秘鲁东北亚马逊地区两种重要树木（Calycophyllum spruceanum和Cedrelinga cateniformis）的木材体积模型研究。通过18个样地、三生态区（非常湿润/湿润/干燥森林）的实测数据，采用线性回归与10折交叉验证，拟合18种体积模型（Spurr、Schumacher & Hall、Meyer等），评估调整R2、RMSE、MAE、AIC等指标。结果显示：干燥森林中M3（Spurr）模型最优（R2adj=0.986），非常湿润森林中M4（Schumacher & Hall）表现最佳（R2adj=0.968），物种间存在形态差异（C. spruceanum更规则，C. cateniformis更异质）。建议采用分生态区与物种的模型组合，并扩大数据库提升泛化能力。

　　森林体积建模在森林资源评估、生物量估算以及可持续木材管理中扮演着至关重要的角色。在秘鲁亚马逊地区，本土树种如*Calycophyllum spruceanum* 和 *Cedrelinga cateniformis* 具有高度的生态和商业价值，但在体积估算方面的研究仍显不足。本研究旨在为这两种树种在三个生态区——湿润森林、极湿润森林和干旱森林——开发并评估体积模型，这些生态区代表了秘鲁东北部亚马逊地区环境的多样性。研究为每种树种和不同环境条件分别拟合了18个体积模型，采用了线性回归方法。模型的性能通过调整后的决定系数（R2_adj）、均方根误差（RMSE）、平均绝对误差（MAE）、Akaike信息准则（AIC）以及残差图和相对误差直方图等诊断分析进行评估。结果显示，模型在不同生态区的性能存在差异，其中干旱森林模型显示出最高的精度和最低的残差分散。模型M3（Spurr）、M4（Schumacher & Hall）和M9（Meyer）在不同条件下都表现出强劲的预测准确性。预测误差在小体积类别中较高，这表明在应用模型时，对于幼树或小直径树木应保持谨慎。所开发的模型在统计上是可靠的，仅需少量输入变量即可准确估算这两种树种在各种亚马逊环境中的木材体积。建议在实际操作中采用生态区特定模型，并继续扩展区域森林数据库以提高未来模型的校准和验证效果。

森林种植园在近年来逐渐变得越来越重要，它们在土地利用中发挥着关键作用，并持续扩展以生产工业木材、恢复退化土壤、对抗沙漠化以及碳捕获。目前，全球工业木材生产中，种植园的产量已超过天然林，并提供了多种经济和社会优势。然而，种植园往往伴随着显著的生态权衡，例如，它们通常比成熟或次生森林维持着较低的生物多样性。研究表明，树种植园仅能容纳大约66.7%的昆虫种类和30%到39%的粪甲虫种类。因此，从可持续利用本土森林产品的角度来看，促进种植园和天然林的合理管理至关重要，从而减少对天然林资源的压力。种植园中的体积量化是森林规划、管理和评估的关键指标。然而，由于森林树种及其形态特征的多样性，体积计算仍然是森林管理中最昂贵和最复杂的任务之一。因此，准确确定体积构成了精准林业中的基本挑战，这在当前背景下指的是利用树种特异性模型、本地化数据和适应性森林管理策略，以提高测量精度和决策效率。

随着技术的发展，森林测量已从破坏性方法和高运营成本的方法，演变为非侵入性仪器与数学模型相结合的方式。实际树干体积可以直接通过水位法测定，但这种方法在实际应用中大多不可行。另一种方法是通过数学表达式进行严格的比例估算，这通常使用Smalian公式、Huber公式和Newton公式，尽管这些方法在实地应用中存在一定的限制。其他比例方法，如形态因子、锥度函数和体积模型，已被广泛应用。形态因子通过直径和总高度调整圆柱体积，被认为是简单且具有说明性的，但具有地域依赖性。锥度函数简化了计算并减少了直径估算中的偏差，但参数估计和商业公式使用上存在挑战。体积模型则通过整合多个变量，提供更大的灵活性，从而在各种场景中实现更准确和可适应的估算。

实施更精确的生产诊断工具，如体积模型，对于提高森林资源调查和优化可持续森林管理至关重要。全球范围内，过去几十年中，所有ometric体积函数取得了显著进展。Shumacher和Hall（1993）以及Spurr（1952）的先驱研究为建立个体树变量与体积之间的数学基础奠定了重要基础。在欧洲和美洲等地区，根据森林类型和树种使用特定的方程，使得体积估算更加精确。这些研究显示了数学模型在森林资源管理中的强大潜力。

最近，森林测量领域在非破坏性技术方面取得了进展，特别是地面激光扫描（TLS）作为估计树木体积和生物量的工具。TLS与LiDAR等技术的结合在估算树干体积方面表现出良好的准确性，尽管在点云中的遮挡和噪声可能导致小枝干的高估。最近的研究扩展了TLS在热带和温带森林中的应用，使用TLS和开源软件估算体积和生物量。此外，开发了结合定量结构模型与泊松曲面重建技术的混合方法，以提高复杂几何形状中体积估算的准确性。

与此同时，人工智能和计算机视觉方法越来越多地被应用于林业操作，特别是在堆叠木材的评估中。YOLOv8模型已被成功应用于检测和计数堆叠的桉树木材。而结合深度学习检测与直径分布模型的混合方法则实现了对实心木材体积的准确估算。这些进展表明，TLS与人工智能方法之间正形成日益增强的协同效应，为加强精准林业和改善热带地区如亚马逊的森林体积建模提供了实用且可扩展的工具。

在秘鲁，亚马逊地区的森林建模研究主要集中在生长、生物量和碳捕获的估算上，而专门针对树干体积的研究则相对较少。目前存在的研究主要局限于局部地区和少数树种，如*Cedrelinga cateniformis*、*Guazuma crinita* 和*Swietenia macrophylla*。近年来，有关*Guazuma crinita* 和*Apuleia leiocarpa* 的模型也有所发展。然而，针对不同生态区进行体积模型校准，并为其他具有商业和生态重要性的亚马逊树种建立树种特异性方程的综合努力尚未展开，这为秘鲁的森林管理留下了一个关键的空白。

*Calycophyllum spruceanum*（Benth.）Hook.f. ex 和 *Cedrelinga cateniformis*（Ducke）Ducke 是亚马逊地区常见的树种，分别被称为“capirona”和“tornillo”。这些树种因其高质量木材、适应性和生产力而受到关注。*Calycophyllum spruceanum* 是一种先锋树种，能够在冲积平原和受干扰的森林中生长，成熟时可达35米高，胸径可达1.8米。相反，*Cedrelinga cateniformis* 是亚马逊地区植树造林的有前景树种，生长高度在25至40米之间，胸径可达2米。

近年来，秘鲁天然林中的原木产量显著下降。对于*Calycophyllum spruceanum*，产量下降了72.51%，从93,896立方米降至25,816立方米，而对于*Cedrelinga cateniformis*，产量减少了37.02%，从183,106立方米降至115,318立方米。这一下降趋势反映了对天然林的过度依赖，并突显了加强可持续管理策略的必要性，例如建立森林种植园。然而，全国对木材产品的需求仍在增长，主要通过进口来满足。

所有ometric体积函数是像秘鲁这样拥有广阔森林资源的国家的重要工具，这些函数能够利用树种特异性方程，为林业部门的发展和木材产品日益增长的需求提供战略资产。缺乏树种特异性方程可能导致体积估算不准确，这强调了开发具有广泛适用性和精确估算的生态区特异性模型的重要性。因此，建立适用于不同生态区的模型是确保可持续利用的关键。

本研究的目标是为两种生态和经济重要的亚马逊树种——*Calycophyllum spruceanum* 和 *Cedrelinga cateniformis*——建立商业木材体积模型，通过在代表性的东北部秘鲁亚马逊生态区（包括极湿润森林、湿润森林和干旱森林）中开发和验证体积方程，实现这一目标。研究区域包括秘鲁洛雷托、圣马丁和乌卡亚利三个部门，这些区域涵盖了多种生命带，代表了亚马逊森林类型的多样样本。

在极湿润森林中，*Calycophyllum spruceanum* 的体积模型 M3、M7 和 M16 显示出显著的统计显著性（p < 0.05），而其他模型则表现出不同程度的不显著参数，显示出较低的统计稳健性。在这些显著模型中，M3、M7 和 M16 表现出最佳性能，其调整后的 R2 值在 0.970 至 0.973 之间，RMSE（均方根误差）在 0.016 至 0.017 立方米之间，MAE（平均绝对误差）在 0.010 至 0.011 立方米之间，且 AIC（Akaike 信息准则）值较低。这些模型通过将 DBH（胸径）和 H（商业高度）结合，或通过对数和逆向变换，显著提高了体积预测的准确性。相比之下，仅基于 DBH 的模型 M1、M5 和 M10 虽然参数显著，但其拟合度较低，误差较高。

对于*Cedrelinga cateniformis*，在极湿润森林中，模型 M3、M4 和 M16 显示出统计显著性，而其他模型则显示出参数不显著。在这些显著模型中，M3、M4 和 M16 表现出最佳性能，其调整后的 R2 值在 0.959 至 0.968 之间，RMSE 在 0.241 至 0.273 立方米之间，MAE 在 0.130 至 0.156 立方米之间，且 AIC 值较低。这些模型同样整合了 DBH 和 H，从而提高了预测的准确性。相比之下，仅基于 DBH 的模型 M1、M5 和 M10 表现出较低的拟合度和较高的 AIC 值。

在湿润森林中，*Calycophyllum spruceanum* 的模型 M4、M6 和 M17 表现出最佳性能，其调整后的 R2 值在 0.952 至 0.971 之间，RMSE 在 0.029 至 0.038 立方米之间，MAE 在 0.018 至 0.023 立方米之间，且 AIC 值较低。这些模型通过对数、二次和多项式结构整合了 DBH 和 H，从而更全面地表示树干结构。相比之下，仅基于 DBH 的模型 M1、M7 和 M16 表现出较低的性能，其调整后的 R2 值在 0.880 至 0.916 之间，RMSE 值较高。

在干旱森林中，*Calycophyllum spruceanum* 的模型 M3、M4 和 M7 表现出最佳性能，其调整后的 R2 值在 0.985 至 0.986 之间，RMSE 在 0.008 立方米左右，MAE 在 0.005 至 0.006 立方米之间，且 AIC 值较低。这些模型整合了 DBH 和总高度（TH），或通过对数变换进行估算。相比之下，仅基于 DBH 的模型 M1、M2 和 M11 表现出较差的性能。

在秘鲁东北部整个亚马逊地区，*Calycophyllum spruceanum* 的模型 M4 表现出最佳的统计性能，其调整后的 R2 值为 0.915，RMSE 值为 0.036 立方米，AIC 值为 -1407.342，表明其预测能力出色。M3 和 M17 也表现出强劲的拟合度（调整后的 R2 值为 0.864），但 RMSE 值较高。对于*Cedrelinga cateniformis*，模型 M4 表现出最佳性能，其调整后的 R2 值为 0.969，RMSE 值为 0.231 立方米，MAE 值为 0.12 立方米，且 AIC 值较低。这些模型通过整合 DBH 和 H，提高了预测的准确性。

综上所述，模型的性能因生态区和树种而异。对于*Calycophyllum spruceanum*，模型 M3、M4、M6、M7、M16 和 M17 在体积估算方面具有巨大潜力。而对于*Cedrelinga cateniformis*，模型 M3、M4、M9 和 M16 在湿润森林中表现最为稳健。这些性能差异反映了树种之间的结构差异，并强调了根据每种树种的形态和生态特性选择树种特异性所有ometric体积函数的重要性。

研究结果表明，模型 M3（Spurr）、M4（Schumacher & Hall）和 M9（Meyer）在各种生态区和树种中表现出最佳的残差分布。这些模型具有高精度、统计一致性和简洁性，能够广泛应用于秘鲁东北部亚马逊地区的不同生态条件。因此，建议在不同生态区和树种之间采用特定模型进行操作性应用，以提高商业体积估算的精度，从而为可持续森林管理提供更可靠的基础。

此外，本研究的模型在统计性能和生物一致性方面表现出色，其校准结果为秘鲁亚马逊地区的精准林业提供了重要的参考。然而，研究也指出了一些局限性，例如未纳入冠层参数，这可能在未来的模型改进中有所帮助。此外，研究样本仅来自种植园，这意味着天然林中的树种形态多样性尚未被充分评估。尽管研究采用了严格的实地调查方法，但不能完全排除物种识别错误或林业管理不一致的可能，这引入了额外的不确定性。因此，未来的研究应通过增加更多样化的样本，包括更大直径的树木和更广泛的生态多样性，来扩展区域数据库。同时，人工智能等新兴技术，如在*Guazuma crinita* 中的总高度估算（Casas 等，2022；De Oliveira 等，2021），可以作为进一步改进的补充，为森林体积建模提供新的机会，提高其精度和适用性。

总之，本研究成功建立了适用于秘鲁东北部亚马逊地区不同生态区的可靠体积模型，突显了重要的生态和树种特异性差异。研究结果表明，针对不同生态区和树种的模型具有更高的准确性，而仅基于直径的模型则表现出较差的性能。因此，建议在实际应用中采用生态区和树种特异性模型，以提高森林资源调查的精度和可靠性。