立地质量评价是森林经营中的一项重要研究内容,由于存在多树种、异龄等问题,混交林的立地质量评价一直是研究难点。迄今为止,仍然没有统一的立地质量评价方法。本研究以广东省的针阔混交异龄林为对象,利用59块实测年龄和树高的固定样地数据,引入机器学习中的神经网络算法,开展了基于地位指数和立地形的立地质量评价方法的研究及比较研究,分析了林分密度对立地形的影响,提出了无林地的立地质量评价技术。主要内容和结果如下:(1)针阔混交异龄林优势高计算方法研究。通过是否区分树种和进行断面积加权,构造了7类优势高计算方法。具体为:1)对每个树种取平均林分优势高进行断面积加权。2)对每个树种林分优势高的最大值进行断面积加权。3)树种的平均林分优势高值的不加权均值。4)树种的最大林分优势高的不加权均值。5)林分断面积组成位于第一位的树种的林分平均优势高。6)不分树种优势高的平均值,即所有优势高的均值。7)不分树种的优势高的最大值,即采用最高的前3株树的优势高的平均值。对7类优势高的相关性进行了分析,发现7种林分优势高的相关系数均达到了0.9,具有高度的相关性。采用成对T检验(paired t-test)分析7种林分优势高之间的差异,结果表明对于取不同树种优势高的最大值和平均高计算所得到的林分优势高具有明显的差异。最终选择不分树种的优势高的最大值作为本研究林分优势高的确定方法。(2)基于地位指数的针阔混交异龄林立地质量评价研究。采用神经网络的方法分析年龄、海拔、坡向、坡位、坡度、土层厚度以及腐殖层厚度对林分优势高的影响。当输入因子为年龄时,林分优势高的预测值与实际值之间的决定系数R~2为0.4783,均方根差RMSE为1.8171m,平均绝对误差MAE为1.4482m,相对平均绝对误差为0.1024。当输入因子为年龄、海拔、坡向、坡位、坡度、土层厚度以及腐殖层厚度时,林分优势高的预测值与实际值之间的决定系数R~2为0.5327,均方根误差RMSE为1.7197m,平均绝对误差MAE为1.1220m,相对平均绝对误差为RMAE为0.0756。结果表明年龄是影响林分优势高的主要因素,海拔、坡向、坡位、坡度、土层厚度以及腐殖层厚度对林分优势高也有一定的影响。由于是针阔混交异龄林,牵涉到不同的树种,根据林分中前两位组成树种基准年龄进行断面积加权确定林分的基准年龄,并基于神经网络构建了包含海拔、坡向、坡位、坡度、土层厚度以及腐殖层厚度的地位指数模型,59块样地的地位指数的最大值为21.4m,最小值为6.1m,平均值为13.7m,标准差为3.2m。(3)基于立地形的针阔混交异龄林立地质量评价研究。研究了基准胸径的确定方法,根据计算结果以及综合林分的实际情况,确定针阔混交异龄林的基准胸径为13cm。以舒马克生长模型为基础模型,推导了立地形的计算公式,得到各样地的立地形,并发现样地的立地形与地位指数的相关系数为0.8036。将地位指数与立地形划分为8个区间,地位指数呈现出类正态分布的趋势,而立地形则呈现出负偏态的特征。对二者等级划分的一致性进行检验,二者总体分类精度为11.86%,kappa系数为-0.0507,一致性程度为“差”,可以得知采用立地形对地位指数进行替代是不可靠的。为进一步验证该结论,对林分优势高-优势胸径关系,建立了优化的多隐含层神经网络模型,发现其拟合精度优于舒马克生长方程,决定系数R~2为0.4880,均方根差RMSE是1.7765m,平均绝对误差MAE为1.4022m,相对平均绝对误差RMAE为0.1005。以3个隐含层的神经网络为基础模型,建立基于神经网络的立地形模型,并对立地形与地位指数的关系进行分析。结果显示,立地形与地位指数的相关系数为0.5557,为中度相关。把地位指数与立地形划分为8个等级,地位指数与立地形均呈现出中间多,两头少的类正态分布的现象,并呈现出中低立地等级偏多的趋势,即林分处于中低立地等级的林分明显多于其它等级的现象。根据立地形以及地位指数的等级建立混淆矩阵,可得出总体分类精度为40.68%。kappa系数为0.2680,二者一致性尚可。因此,对于立地形来说,可采用其代替地位指数对立地质量进行评价的方法是可行的。(4)林分密度对立地形的影响研究。以舒马克生长模型以及神经网络模型为基础,加入林分密度,研究林分密度对立地形的影响。并将得到的立地形与地位指数进行对比研究,结果显示,采用基于神经网络含有密度指数(SDI)的立地形,与地位指数的相关系数最高,达到了0.8359,与地位指具有高度的相关性。分别把立地形与地位指数划分为8级与4级,均呈现出中间多两边少的类正态分布的趋势;当划分为8级时,总体分类精度为42.37%。kappa系数为0.3020,根据kappa系数划分的等级,二者一致性尚可;当划分为4级时,总体精度为61.02%,kappa系数为0.4246,根据kappa系数划分的等级,二者的一致性为中等的一致性。故对于广东省针阔混交异龄林来说,基于神经网含有密度指数(SDI)的立地形对于地位指数具备较好的替代性。(5)基于神经网络的无林地立地质量评价研究。分别建立了以地位指数和立地形为输出因子,以海拔、坡向、坡位、坡度、土层厚度、腐殖层厚度、土壤石砾含量、土壤质地、地貌为输入因子的无林地的神经网络模型。3/4的数据用来建模,1/4的数据用来预测,当输入因子为海拔、坡向、坡位、坡度、土层厚度、腐殖层厚度时,地位指数的预测值与观测值之间的决定系数R~2为0.3136,均方根误差RMSE为1.7619 m,平均绝对误差MAE为1.4130 m,立地形的预测至与观测值决定系数R~2为0.3657,均方根误差RMSE为1.4969 m,平均绝对误差MAE为1.2615 m。当输入因子为海拔、坡向、坡位、坡度、土层厚度、腐殖层厚度、土壤石砾含量、土壤质地与地貌时,地位指数的预测值与观测值的决定系数R~2为0.3662,均方根误差RMSE为1.6931m,平均绝对误差MAE为1.4018m,立地形的预测值与观测值的决定系数R~2为0.4157,均方根误差RMSE为1.4374m,平均绝对误差MAE为1.0672m。采用立地因子能解释约40%左右的地位指数与立地形。以上研究结果为针阔混交异龄林的立地质量评价提供了新的方法,可以为针阔混交异龄林的经营决策提供依据。