图1 不同树种组之间单木变量分布图

图2 软阔和针叶组BRT模型、硬阔和云冷杉组Cubist模型变量重要性排序

图3 软阔和针叶组BRT模型、硬阔和云冷杉组Cubist模型偏依赖图

枝下高是指树冠的第一活枝到地面的高度，它是单木树冠特征的一个重要指标，反映树木的生长活力和生产力，以及林分内竞争水平等。枝下高也通常作为预测变量应用于冠幅模型、冠形模型以及生物量模型等，此外枝下高还可以用于计算冠长、冠长率等林分生长与收获模型的重要预测变量。在枝下高实际的测量中，尤其是在郁闭度较大的林分中，测量精度较差，且浪费大量的人力和物力，因此构建树木枝下高预测模型具有重要的实际意义。

为探究长白山地区云冷杉阔叶混交林不同树种组枝下高的影响因素及影响程度的大小、影响趋势等，森林培育研究室团队通过引入单木、林分、密度、树种组、以及空间结构等五种类型的变量，基于广义可加模型（GAM，generalized additive model）、Cubist模型、提升回归树模型（BRT，boosted regression tree）、多元自适应回归样条模型（MARS，multivariate adaptive regression spline）等四种非参数模型，构建了云冷杉阔叶混交林不同树种组的枝下高预测模型，通过比对多个统计指标，拟合并筛选出四个非参数模型中的最优模型。

研究发现，不同树种组的枝下高最优预测模型有所差异，变量重要性在不同树种组之间也有所差异：（1）云冷杉树种组和硬阔叶树种组枝下高的最优预测模型是Cubist模型，而软阔叶树种组和针叶树种组的最优预测模型是BRT模型。（2）在单木、林分、密度、树种组、以及空间结构变量的重要性排序中，发现单木变量>林分变量>空间结构变量>密度变量>树种组变量，在不同树种组之间的变量重要性大小发生一定程度的变化，但是这些类型的变量的排序不变。（3）空间结构变量在所有变量中的重要性占比最小，但是值得被进一步深度探究。该研究能为长白山林区的云冷杉阔叶混交林中不同树种组枝下高的预测提供一定的理论参考。

近日，上述研究工作及成果以题为“Modelling height to crown base using non-parametric methods for mixed forests in China”的研究论文在线发表于Ecological Informatics（中科院农林科学类二区，IF=5.9）期刊（https://doi.org/10.1016/j.ecoinf.2024.102957）。华林中心森林培育研究室周泽宇助理研究员为论文第一作者，中国林科院首席科学家、博士生导师张会儒研究员为通讯作者，该研究得到国家自然科学基金青年基金“云冷杉阔叶混交林固碳能力和单木结构动态影响机制的非参数模拟（32401580）”、十四五国家重点研发项目课题“西北华北典型次生林全周期多功能经营技术（2022YFD2200503）”和中央级公益性科研院所基本科研业务费专项资金“启航计划（CAFYBB2023MA030）”项目的资助。