Forestat version: 1.1.0
Date: 10/10/2023
forestat 是基于中国林业科学研究院资源信息研究所（Institute of Forest Resource Information Techniques, Chinese Academy of Forestry）提出的基于林分潜在生长量的立地质量评价方法与应用[1]和A basal area increment-based approach of site productivity evaluation for multi-aged and mixed forests[2]开发的R包。可依据林分高生长，划分立地等级；并以全林整体模型为基础，建立不同立地等级下的非线性混合效应生物量模型，实现更精准的碳汇计量；尤其提出了一种基于林分潜在生长量的碳汇潜力计算方法。该套算法适用于天然林和人工林，能够定量回答一定立地条件下的潜在生产力、现实生产力、提升空间有多大，可用于立地质量评价、树种适宜性评价、退化林评价等多个方面。
forestat 包实现了碳汇潜力计算和退化林评价，其中碳汇潜力计算包括了基于林分高生长的立地等级划分，树高模型、断面积生长模型、生物量生长模型的建立，林分现实生产力与潜在生产力的计算。树高模型可用Richard模型、Logistic模型、korf模型、Gompertz模型、Weibull模型和Schumacher模型构建，断面积生长模型和生物量生长模型仅可用Richard模型构建。碳汇潜力计算依赖于给定林分类型（树种）的多个样地数据，退化林的评价依赖于多个样木和样地数据，forestat 包中带有一些样例数据。
图 1.1 碳汇计算工作流程图
图 1.2 退化林评价工作流程图
在 R 中使用以下命令从 CRAN 安装 forestat ：
# 安装forestat
install.packages("forestat")
当然，你也可以在 R 中使用以下命令从 GitHub 安装 forestat ：
# 安装devtools
install.packages("devtools")
# 安装forestat
devtools::install_github("caf-ifrit/forestat/forestat")
本部分展示的是快速完成立地分级、潜在生产力和现实生产力的完整步骤，使用的数据是包中自带的forestData样例数据。
# 加载包中 forestData 样例数据
data("forestData")
# 基于 forestData 数据建立模型，返回一个 forestData 类对象
forestData <- class.plot(forestData, model = "Richards",
interval = 5, number = 5,
H_start=c(a=20,b=0.05,c=1.0))
# 绘制树高生长模型散点图
plot(forestData,model.type = "H",plot.type = "Scatter",
title = "桦木阔叶树高生长模型散点图")
# 计算 forestData 对象的潜在生产力
forestData <- potential.productivity(forestData)
# 计算 forestData 对象的现实生产力
forestData <- realized.productivity(forestData)
# 获取 forestData 对象的汇总数据
summary(forestData)
本部分展示的是快速完成退化林评价的完整步骤，使用的数据是包中自带的tree_1、tree_2、 tree_3、plot_1、plot_2、plot_3样例数据。
# 加载包中tree_1 tree_2 tree_3 plot_1 plot_2 plot_3样例数据
data(tree_1)
data(tree_2)
data(tree_3)
data(plot_1)
data(plot_2)
data(plot_3)
# 对退化林数据进行预处理
plot_data <- degraded_forest_preprocess(tree_1, tree_2, tree_3,
plot_1, plot_2, plot_3)
# 计算退化林评价指标
res_data <- calc_degraded_forest_grade(plot_data)
# 查看计算结果
res_data4.1 建立模型
为了建立一个准确的模型，好的数据是不可或缺的，在 forestat 包中内置了一个经过清洗的样例数据，可以通过如下命令加载查看样例数据：
# 加载包中 forestData 样例数据
data("forestData")
# 筛选 forestData 样例数据中ID、code、AGE、H、S、BA 和 Bio字段
# 并查看前6行数据
head(dplyr::select(forestData,ID,code,AGE,H,S,BA,Bio))
# 输出
ID code AGE H S BA Bio
1 1 1 13 2.0 152.67461 4.899382 32.671551
2 2 1 15 3.5 68.23825 1.387268 5.698105
3 3 1 20 4.2 128.32683 3.388492 22.631467
4 4 1 19 4.2 204.93928 4.375324 18.913886
5 5 1 13 4.2 95.69713 1.904063 6.511951
6 6 1 25 4.7 153.69393 4.129810 28.024739
当然，你也可以选择加载自定义数据：
# 加载自定义数据
forestData <- read.csv("/path/to/your/folder/your_file.csv")
自定义数据中ID（样地ID）、code（样地林分类型代码）、AGE（林分平均年龄）、H（林分平均高）是必须字段，用以建立树高模型（H-model），并绘制相关示例图。
S（林分密度指数）、BA（林分断面积）、Bio（林分生物量）是可选的字段，用以建立断面积生长模型（BA-model）与生物量生长模型（Bio-model）。
在后续的潜在生产力和现实生产力计算中，断面积生长模型与生物量生长模型是必须的。也就是自定义数据如果缺少S、BA和Bio字段将无法计算潜在生产力和现实生产力。
图 2. 自定义数据格式要求
数据加载后，forestat 将使用class.plot()函数构建林分生长模型，如果自定义数据中同时包含ID、code、AGE、H、S、BA、Bio字段，则会同时构建树高模型、断面积生长模型、生物量生长模型，如果只包含ID、code、AGE、H字段，则只会构建树高模型。
# 选用 Richards 模型构建林分生长模型
# interval=5表示初始树高分类的林分年龄区间设置为5，number=5表示初始树高分类数最多为5，maxiter=1000表示拟合模型的最大次数为1000
# 树高模型拟合的初始参数H_start默认为c(a=20,b=0.05,c=1.0)
# 断面积生长模型拟合的初始参数BA_start默认为c(a=80, b=0.0001, c=8, d=0.1)
# 生物量生长模型拟合的初始参数Bio_start默认为c(a=450, b=0.0001, c=12, d=0.1)
forestData <- class.plot(forestData, model = "Richards",
interval = 5, number = 5, maxiter=1000,
H_start=c(a=20,b=0.05,c=1.0),
BA_start = c(a=80, b=0.0001, c=8, d=0.1),
Bio_start=c(a=450, b=0.0001, c=12, d=0.1))
其中，model为构建树高模型时选用的模型，可在"Logistic"、"Richards"、"Korf"、"Gompertz"、"Weibull"、"Schumacher"模型中任选一个，断面积生长模型和生物量生长模型默认使用Richard模型构建。interval为初始树高分类的林分年龄区间，number为初始树高分类数的最大值，maxiter为最大拟合次数。H_start 是拟合树高模型的初始参数，BA_start 是拟合断面积生长模型的初始参数，H_start 是拟合生物量生长模型的初始参数，当拟合出现错误时，可以多尝试一些初始参数作为尝试。
由class.plot()函数返回的结果为forestData 对象，包括Input（输入数据和树高分级结果）、Hmodel（树高模型结果）、BAmodel（断面积模型结果）、Biomodel（生物量模型结果）以及output（所有模型的表达式、参数及精度）。
图 3. forestData对象结构
为了解模型的建立情况，可以使用summary(forestData)函数获取forestData对象汇总数据。该函数返回summary.forestData对象并将相关数据输出至屏幕。
输出的第一段为输入数据的汇总，第二、三、四段分别为H-model、BA-model、Bio-model的参数及其精简报告。
# 输出
# 第一段
H S BA Bio
Min. : 2.00 Min. : 68.24 Min. : 1.387 Min. : 5.698
1st Qu.: 8.10 1st Qu.: 366.37 1st Qu.: 9.641 1st Qu.: 52.326
Median :10.30 Median : 494.76 Median :13.667 Median : 78.502
Mean :10.62 Mean : 522.53 Mean :14.516 Mean : 90.229
3rd Qu.:12.90 3rd Qu.: 661.84 3rd Qu.:18.750 3rd Qu.:115.636
Max. :19.10 Max. :1540.13 Max. :45.749 Max. :344.412
# 第二段
H-model Parameters:
Nonlinear mixed-effects model fit by maximum likelihood
Model: H ~ 1.3 + a * (1 - exp(-b * AGE))^c
Data: data
AIC BIC logLik
728.4366 747.2782 -359.2183
Random effects:
Formula: a ~ 1 | LASTGROUP
a Residual
StdDev: 3.767163 0.7035752
Fixed effects: a + b + c ~ 1
Value Std.Error DF t-value p-value
a 12.185054 1.7050081 313 7.146625 0
b 0.037840 0.0043682 313 8.662536 0
c 0.761367 0.0769441 313 9.895060 0
Correlation:
a b
b -0.110
c -0.093 0.946
Standardized Within-Group Residuals:
Min Q1 Med Q3 Max
-3.858592084 -0.719253472 0.007120413 0.761123585 3.375793806
Number of Observations: 320
Number of Groups: 5
Concise Parameter Report:
Model Coefficients:
a1 a2 a3 a4 a5 b c
7.013778 9.575677 11.90324 14.67456 17.75801 0.03783956 0.7613666
Model Evaluations:
pe RMSE R2 Var TRE AIC BIC logLik
-0.006484677 0.6980625 0.9543312 0.4887767 0.3960163 728.4366 747.2782 -359.2183
Model Formulas:
Func Spe
model1:H ~ 1.3 + a * (1 - exp(-b * AGE))^c model1:pdDiag(a ~ 1)
# 第三段（与第二段数据格式相似）
BA-model Parameters:
# 此处省略
......
# 第四段（与第二段数据格式相似）
Bio-model Parameters:
# 此处省略
......
经过4.1.2 class.plot()函数构建林分生长模型后，就可以使用plot()函数绘制图像。
其中，model.type为绘图使用的模型，可以选择H（树高模型）、BA（断面积生长模型）或者Bio（生物量生长模型）。plot.type为绘图的类型，可以选择Curve（曲线图）、Residual（残差图）、Scatter_Curve（散点曲线图）、Scatter（散点图）。xlab、ylab、legend.lab、title分别为x轴标题、y轴标题、图例、图像标题。
# 绘制树高模型的曲线图
plot(forestData,model.type="H",
plot.type="Curve",
xlab="年龄(year)",ylab="树高(m)",legend.lab="立地等级",
title="桦木阔叶混树高模型曲线图")
# 绘制断面积生长模型散点图
plot(forestData,model.type="BA",
plot.type="Scatter",
xlab="年龄(year)",ylab=expression(paste("断面积( ",m^2,"/",hm^2,")")),legend.lab="立地等级",
title="桦木阔叶混断面积生长模型散点图")
不同的plot.type绘制的样图如图4所示：
图 4. 不同的plot.type绘制的样图
经过4.1.2 class.plot()函数构建林分生长模型后，就可以使用potential.productivity()函数计算林分潜在生产力。在计算之前，要求forestData 对象中BA-model和Bio-model已经建立。
forestData <- potential.productivity(forestData, code=1,
age.min=5,age.max=150,
left=0.05, right=100,
e=1e-05, maxiter = 50)
其中，参数code为计算潜在生产力使用的林分类型代码。age.min和age.max分别为林分年龄的最小值和最大值，潜在生产力的计算会在最小值和最大值的区间中进行。left和right为拟合模型的初始参数，当拟合出现错误时，可以多尝试一些初始参数作为尝试。e为拟合模型的精度，当残差低于e时，认为模型收敛并停止拟合。maxiter为拟合模型的最大次数，当拟合次数等于maxiter时，认为模型收敛并停止拟合。
计算结束后，可以使用如下命令查看并输出结果：
library(dplyr) forestData$potential.productivity %>% head(.)
# 输出
Max_GI Max_MI N1 D1 S0 S1 G0 G1 M0 M1 LASTGROUP AGE
1 3.949820 20.47488 9830.149 6.945724 1645.486 1800.378 33.29664 37.24646 119.5148 139.9897 1 5
2 3.348912 17.90140 8823.972 7.294578 1619.740 1748.342 33.52799 36.87690 125.2417 143.1431 1 6
3 2.906982 15.94796 8044.876 7.609892 1596.350 1705.999 33.68334 36.59033 130.1117 146.0597 1 7
4 2.568525 14.40953 7418.938 7.898755 1574.827 1670.207 33.78520 36.35373 134.3302 148.7398 1 8
5 2.300998 13.16340 6902.612 8.166065 1554.965 1639.234 33.85073 36.15173 138.0482 151.2116 1 9
6 2.084278 12.13145 6467.402 8.415423 1536.461 1611.846 33.88831 35.97259 141.3594 153.4908 1 10
输出结果中，各字段含义如下：
Max_GI：林分断面积最大年生长量
Max_MI：林分生物量最大年生长量
N1：达到潜在生长量对应的林分株数
D1：达到潜在生长量对应的林分平均直径
S0： 初始林分密度指数
S1：达到潜在生长量对应的最佳林分密度指数
G0：初始林分每公顷断面积
G1：达到潜在生长量对应的林分每公顷断面积(1年以后)
M0：初始林分每公顷生物量
M1：达到潜在生长量对应的林分每公顷生物量
经过4.1.2 class.plot()函数构建林分生长模型后，可以使用realized.productivity()函数计算林分现实生产力。在计算之前，要求forestData 对象中BA model和Bio model已经建立。
forestData <- realized.productivity(forestData,
left=0.05, right=100)
其中，参数left与right是拟合模型的初始参数，当拟合出现错误时，可以多尝试一些初始参数作为尝试。
计算结束后，可以使用如下命令查看并输出结果：
library(dplyr) forestData$realized.productivity %>% head(.)
# 输出 code ID AGE H class0 LASTGROUP BA S Bio BAI VI 1 1 1 13 2.0 1 1 4.899382 152.67461 32.671551 0.18702090 1.0034425 2 1 2 15 3.5 1 1 1.387268 68.23825 5.698105 0.07181113 0.3804467 3 1 3 20 4.2 1 1 3.388492 128.32683 22.631467 0.10764262 0.6294930 4 1 4 19 4.2 1 1 4.375324 204.93928 18.913886 0.18279397 1.0839852 5 1 5 13 4.2 2 1 1.904063 95.69713 6.511951 0.11526498 0.6028645 6 1 6 25 4.7 1 1 4.129810 153.69393 28.024739 0.10696539 0.6640617
输出结果中，各字段含义如下：
BAI：断面积现实生产力
VI：生物量现实生产力
在得到林分潜在生产力与现实生产力后，可以使用summary(forestData)函数获取forestData对象汇总数据。该函数返回summary.forestData对象并将相关数据输出至屏幕。
输出的前四段在4.1.3中已经介绍，第五段为潜在生产力与现实生产力数据详情。
# 输出
# 第一段
H S BA Bio
Min. : 2.00 Min. : 68.24 Min. : 1.387 Min. : 5.698
# 此处省略
......
# 第五段
Max_GI Max_MI
Min. :0.1446 Min. : 1.216
1st Qu.:0.2046 1st Qu.: 1.813
Median :0.3023 Median : 2.562
Mean :0.5477 Mean : 4.029
3rd Qu.:0.5702 3rd Qu.: 4.446
Max. :4.4483 Max. :26.961
BAI VI
Min. :0.06481 Min. :0.3804
1st Qu.:0.16296 1st Qu.:1.3086
Median :0.22507 Median :1.8154
Mean :0.25199 Mean :1.9743
3rd Qu.:0.30246 3rd Qu.:2.4227
Max. :0.98168 Max. :6.6287 5.1 数据要求
在 forestat 包中内置了样例数据，包括了tree_1、tree_2、tree_3三个样木数据以及plot_1、plot_2、plot_3三个样地数据，可以通过如下命令加载查看样例数据：
# 加载包中tree_1 tree_2 tree_3 plot_1 plot_2 plot_3样例数据 # tree_1 plot_1, tree_2 plot_2, tree_3 plot_3 分别为2005年、2010年、2015年清查数据 data(tree_1) data(tree_2) data(tree_3) data(plot_1) data(plot_2) data(plot_3) # 查看tree_1前6行数据 head(tree_1) # 输出 tree_number sample_plot_number inspection_type tree_species_code plot_id 1 3 4 11 410 700000004 2 13 4 14 410 700000004 3 19 4 11 420 700000004 4 26 4 12 420 700000004 5 28 4 12 420 700000004 6 29 4 12 410 700000004 # 查看plot_1前6行数据 head(plot_1) # 输出 sample_plot_number sample_plot_type altitudes slope_direction slope_position gradient soil_thickness humus_thickness 1 2 11 410 9 6 0 60 0 2 5 11 333 3 3 4 30 10 3 6 11 350 2 5 1 70 20 4 7 11 395 2 3 5 75 20 5 8 11 438 2 4 4 80 20 6 9 11 472 7 4 5 60 25 land_type origin dominant_tree_species average_age age_group average_diameter_at_breast_height average_tree_height 1 180 0 0 0 0 0 0 2 111 13 620 37 2 125 116 3 240 0 0 0 0 0 0 4 111 13 620 20 1 97 110 5 111 11 620 75 4 195 97 6 111 13 630 35 2 120 89 crown_density naturalness disaster_type disaster_level standing_stock dead_wood_stock forest_cutting_stock plot_id 1 0 0 0 0 0.000 0.000 0.000 700000002 2 85 4 20 1 4.816 0.131 0.000 700000005 3 0 0 0 0 0.000 0.000 0.000 700000006 4 60 4 0 0 1.560 0.082 0.040 700000007 5 50 4 20 1 3.665 0.464 0.013 700000008 6 60 4 20 1 4.890 0.041 1.408 700000009
样例数据中各字段含义如下：
tree_number: 样木号
sample_plot_number: 样地号
inspection_type：检尺类型
tree_species_code：树种代码
plot_id：样地ID
sample_plot_type: 样地类型
altitudes：海拔
slope_direction：坡向
slope_position：坡位
gradient：坡度
soil_thickness：土壤厚度
humus_thickness：腐殖质厚度
land_type：地类
origin：起源
dominant_tree_species：优势树种
average_age：平均年龄
age_group：龄组
average_diameter_at_breast_height：平均胸径
average_tree_height：平均树高
crown_density：郁闭度
naturalness：自然度
disaster_type：灾害类型
disaster_level：灾害等级
standing_stock：活立蓄积
dead_wood_stock：枯损蓄积
forest_cutting_stock：采伐蓄积
你也可以加载自定义数据，自定义数据中tree_1、tree_2、tree_3 必须包含字段plot_id、inspection_type和tree_species_code。plot_1、plot_2和plot_3必须包含字段plot_id、stand_stock、forest_cutting_stock、crown_density、disaster_level、origin、dominant_tree_species、age_group、naturalness和land_type。
# 加载openxlsx包
library("openxlsx")
# 从xlsx中加载自定义数据tree_1 tree_2 tree_3 plot_1 plot_2 plot_3
tree_1 <- read.xlsx("/path/to/your/folder/tree_1.xlsx", sheet = 1)
tree_2 ...
...
在加载数据后，可以使用degraded_forest_preprocess()函数完成退化林数据预处理，使用calc_degraded_forest_grade()函数完成退化林等级计算。
# 退化林数据预处理
plot_data <- degraded_forest_preprocess(tree_1, tree_2, tree_3,
plot_1, plot_2, plot_3)
# 退化林等级计算
res_data <- calc_degraded_forest_grade(plot_data)
# 查看计算结果
res_data
res_data中包括了p1、p2、p3、p4、p5、ID、referenceID、num、p1m、p2m、p3m、p4m、Z1、Z2、Z3、Z4、Z5、Z、Z_weights、Z_grade、Z_weights_grade等字段，含义如下：
p1：蓄积平均净增长率
p2：进界率
p3：树种减少率
p4：林分郁闭度减少率
p5：森林灾害等级
ID：分组ID，按照起源-优势数种-龄组分组
referenceID：参照对象ID
num：参照对象数量
p1m：蓄积平均净增长率的参照值
p2m：进界率的参照值
p3m：树种减少率的参照值
p4m：林分郁闭度减少率的参照值
Z1：判别因子Z1
Z2：判别因子Z2
Z3：判别因子Z3
Z4：判别因子Z4
Z5：判别因子Z5
Z：判别因子之和，$Z = Z1 + Z2 + Z3 + Z4 + Z5$
Z_weights：综合判别因子，判别因子权重之和 $Z_weights = Z1 + 0.75 \times Z2 + 0.5 \times Z3 + 0.5 \times Z4 + 0.25 \times Z5$
Z_grade：Z 对应的退化林等级
Z_weights_grade：Z_weights 对应的退化林等级
[1] 雷相东, 符利勇, 李海奎等. 基于林分潜在生长量的立地质量评价方法与应用[J]. 林业科学, 2018, 54(12): 116-126. [2] Fu L, Sharma R P, Zhu G, et al. A basal area increment-based approach of site productivity evaluation for multi-aged and mixed forests[J]. Forests, 2017, 8(4): 119.
RetroSearch is an open source project built by @garambo | Open a GitHub Issue
Search and Browse the WWW like it's 1997 | Search results from DuckDuckGo
HTML:
3.2
| Encoding:
UTF-8
| Version:
0.7.4