關(guān)鍵詞 土壤全氮； 隨機(jī)森林模型； 空間分布； 土層深度； 數(shù)字土壤制圖

中圖分類號 S714 文獻(xiàn)標(biāo)識碼 A 文章編號 1000-2421（2024）03-0249-09

氮是生物地球化學(xué)循環(huán)的關(guān)鍵元素之一，影響土壤質(zhì)量和其他土壤性質(zhì)［1-2］，同時(shí)氮素缺乏對植物生長發(fā)育的影響很大，科學(xué)評價(jià)土壤氮素狀況對土壤肥力管理和植物營養(yǎng)尤其重要。土壤氮庫是生態(tài)系統(tǒng)中氮循環(huán)的重要組成部分，深層土壤氮庫擁有巨大的氮儲量，因此，了解土壤全氮（total nitrogen，TN）在垂直梯度上的分布及其控制因素的可靠估計(jì)對于研究土壤氮儲量和氮循環(huán)極為必要［3］。

基于土壤調(diào)查的傳統(tǒng)土壤制圖方法既耗時(shí)又昂貴，導(dǎo)致土壤地圖很難更新。近年來，隨著高精度數(shù)字森林土壤數(shù)據(jù)庫的建立和科學(xué)利用土地的要求日益提高，數(shù)字土壤制圖（digital soil mapping，DSM）技術(shù)作為一種為土壤評估框架提供數(shù)據(jù)和信息的新方法被用來描述世界各地土壤屬性的空間分布，此法方便、經(jīng)濟(jì)高效［4］。DSM 基于土壤屬性和預(yù)測變量之間的數(shù)字關(guān)系，使用空間分析和數(shù)學(xué)方法來理解土壤屬性的空間格局［5］，也可以結(jié)合實(shí)驗(yàn)室土壤分析和遙感光譜指數(shù)等環(huán)境變量，建立高分辨率、高精度的土壤屬性預(yù)測模型。

基于McBratney 提出的數(shù)字土壤制圖框架，許多機(jī)器學(xué)習(xí)算法已被成功用于預(yù)測土壤屬性［4］。隨機(jī)森林（random forest，RF）模型具有不易過擬合的優(yōu)勢，相比于其他機(jī)器學(xué)習(xí)方法更加有效穩(wěn)定。如，姜賽平等［6］運(yùn)用3 種空間預(yù)測模型對海南島不同土層深度土壤有機(jī)質(zhì)（soil organic matter，SOM）空間分布進(jìn)行了預(yù)測，結(jié)果表明0～5、0～20、20～40 cm 土層深度RF 模型表現(xiàn)優(yōu)于其他模型（決定系數(shù)R²為0.21～0.37），40～60 cm 土層深度普通克里格方法最優(yōu)，但該方法圖斑較大，無法詳細(xì)描述SOM 空間變異的細(xì)節(jié)信息。龐龍輝等［7］使用RF 模型對青海省表層土壤TN、粉粒、SOM 和pH 的空間分布格局進(jìn)行預(yù)測，發(fā)現(xiàn)RF 模型預(yù)測土壤屬性空間格局效果優(yōu)異，R²分別為0.611、0.474、0.532 和0.542。Keskin 等［8］使用8種模型預(yù)測佛羅里達(dá)州土壤碳組分空間格局，結(jié)果表明RF 模型的預(yù)測效果最好，R2 達(dá)到0.72，遠(yuǎn)高于其他模型。Cubist 模型具有學(xué)習(xí)數(shù)據(jù)中的非線性關(guān)系的能力［9-10］。Shahbazi 等［11］在伊朗東阿塞拜疆省使用RF 模型和Cubist 模型對4 個(gè)標(biāo)準(zhǔn)化深度（0～15、15～30、30～60、60～100 cm）氮、磷和硼的空間分布進(jìn)行建模和預(yù)測，結(jié)果表明Cubist 模型預(yù)測效果優(yōu)于RF 模型?？梢钥闯?，不同模型在同一研究區(qū)域內(nèi)效果不同，同一模型在不同研究區(qū)域內(nèi)效果也并不相同，具有不確定性，且國內(nèi)缺乏森林經(jīng)營單位（如林場）層次的相關(guān)研究，需要更多的驗(yàn)證。

本研究以內(nèi)蒙古赤峰市旺業(yè)甸實(shí)驗(yàn)林場為對象，基于土壤實(shí)測數(shù)據(jù)，結(jié)合多源數(shù)據(jù)集作為環(huán)境協(xié)變量，使用RF 模型和Cubist 模型探索影響土壤TN 含量的環(huán)境協(xié)變量，對該林場不同土層深度土壤TN 含量進(jìn)行空間預(yù)測，形成林場TN 數(shù)字地圖，以期為林場尺度森林土壤養(yǎng)分管理和可持續(xù)利用提供參考。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

旺業(yè)甸實(shí)驗(yàn)林場（41°33′～41°49′N，118°07′～118°30′E）位于內(nèi)蒙古自治區(qū)赤峰市喀喇沁旗西南部，處于草原向森林的過渡地帶。地貌類型為中山山地，海拔高度877～1 890 m。屬暖溫帶半干旱地區(qū)，為明顯的大陸性季風(fēng)氣候。年平均降水量430～560 mm，年平均氣溫1.8～6.2 ℃，無霜期117 d。林場經(jīng)營面積281 km²，有林面積約235 km²，其中人工林約118 km²，天然林約117 km²。土壤類型以典型棕壤為主，還包括暗棕壤、褐土和草甸土等。成土母巖主要有巖漿巖和沉積巖等，少數(shù)發(fā)育在黃土母質(zhì)上。

1.2 土壤樣品采集與測定

2021 年9 月，綜合考慮林場地形地貌和林分類型等因素，采用典型取樣方法，在該林場設(shè)置了147 個(gè)采樣點(diǎn)（圖1），其中人工林71 個(gè)，天然林76 個(gè)，在每個(gè)樣點(diǎn)設(shè)置一塊20 m×30 m 的樣地，在樣地內(nèi)多點(diǎn)采集0～10、10～30、30～50 cm 3 個(gè)土層深度的土壤，分層混勻后帶回實(shí)驗(yàn)室。同時(shí)記錄樣點(diǎn)經(jīng)緯度、海拔、坡度、坡向和林分類型等信息?；旌贤翗咏?jīng)風(fēng)干、去除雜質(zhì)、研磨，通過孔徑0.25 mm 篩，采用凱氏定氮法測定土壤TN 含量［12］。

1.3 環(huán)境協(xié)變量數(shù)據(jù)來源及處理

本研究初步選擇使用12 個(gè)環(huán)境協(xié)變量作為預(yù)測土壤TN 的因子（表1），包括x 坐標(biāo)、y 坐標(biāo)、地形、氣候和生物變量數(shù)據(jù)。使用ArcGIS 10.5 生成環(huán)境變量并將其傳輸?shù)綎鸥駥?。地形屬性是?shù)字土壤制圖中使用最廣泛的環(huán)境預(yù)測因子［11］。本研究中使用6個(gè)地形變量，包括海拔（elevation）、坡度（slope）、坡向（aspect）、剖面曲率（profile curvature）、地形粗糙指數(shù)（topographic roughness index，TRI）和地形濕度指數(shù)（topographic wetness index，TWI）。數(shù)據(jù)來源于地理空間數(shù)據(jù)云（https：//www. gscloud. cn/search）GDEMV3 數(shù)字高程數(shù)據(jù)。TRI 和TWI 使用SAGAGIS 生成，其他4 個(gè)變量使用ArcGIS 10.5 生成。濕度和溫度影響土壤氮的積累速度，被廣泛應(yīng)用于TN預(yù)測［13］。采用研究區(qū)1970?2000 年30 a 的年平均氣溫（mean annual temperature，MAT）和年平均降水量（mean annual precipitation，MAP）作為氣候變量，數(shù)據(jù)來源于世界氣象數(shù)據(jù)庫網(wǎng)站（https：//worldclim.org/），在ArcGIS 10.5 軟件中使用最臨近法將MAT和MAP 數(shù)據(jù)重采樣到30 m 分辨率。生物變量使用歸一化植被指數(shù)（normalized difference vegetation index，NDVI）和紅邊葉綠素植被指數(shù)（red edge chlorophyllindex，RECI）進(jìn)行表征［14］。數(shù)據(jù)來源于地理空間數(shù)據(jù)云（https：//www.gscloud.cn/search）Landsat8 OLI 圖像，圖像采集于2020 年10 月15 日。使用ENVI 5.6 對圖像進(jìn)行輻射定界和大氣校正，采集近紅外波段5（B5，0.85～0.89 μm）和紅外波段4（B4，0.63～0.68 μm）用于計(jì)算NDVI 和RECI，構(gòu)建模型。

1.4 建模方法

隨機(jī)森林（RF）是Breiman 提出的一種基于樹的集成學(xué)習(xí)技術(shù)［15］，RF 模型中的節(jié)點(diǎn)純度（Inc‐NodePurity）可表征各環(huán)境因子對目標(biāo)變量的貢獻(xiàn)率，該值越大表示該變量的重要性越大［16］。本研究中RF 模型的2 個(gè)重要參數(shù)mtry 和ntree 通過網(wǎng)格搜索確定為2 和800，用于預(yù)測林場土壤TN 含量分布。

Cubist 模型是一種先進(jìn)的基于樹的回歸算法［11］。本研究中Cubist 模型的2 個(gè)重要參數(shù)committees 和neighbours 分別設(shè)置為10 和9，用于預(yù)測林場TN 含量分布。

1.5 模型驗(yàn)證與預(yù)測不確定性評估

使用交叉驗(yàn)證來評估模型的預(yù)測性能，該方法的優(yōu)點(diǎn)是在較小的數(shù)據(jù)集上執(zhí)行，可靠且無偏倚［17］。本研究使用十折交叉驗(yàn)證，重復(fù)10 次，用平均絕對誤差（MAE）、均方根誤差（RMSE）和R² 3 個(gè)統(tǒng)計(jì)指標(biāo)來評估模型在預(yù)測土壤TN 方面的性能。使用模型迭代100 次預(yù)測的土壤全氮含量的標(biāo)準(zhǔn)差繪制模型預(yù)測的不確定性分布圖。

2 結(jié)果與分析

2.1 土壤全氮的描述性統(tǒng)計(jì)分析

研究區(qū)147 個(gè)樣點(diǎn)0～10、10～30 和30～50 cm³ 個(gè)土層深度土壤TN 的描述性統(tǒng)計(jì)信息見表2。土壤TN 含量的均值和標(biāo)準(zhǔn)差隨著土層深度的增加而降低，均值分別為3.20、2.02、1.47 g/kg。3 個(gè)土層深度TN 含量的變異系數(shù)為51.86%～56.36%，均屬于中等變異［18］。土壤TN 經(jīng)對數(shù)轉(zhuǎn)換后符合正態(tài)分布。

不同林分類型土壤TN 含量的分布情況如圖2所示。從整體看，不同土層深度天然林土壤TN 含量高于人工林土壤TN 含量。

2.2 環(huán)境協(xié)變量的選擇

采用Pearson 相關(guān)系數(shù)法進(jìn)行環(huán)境協(xié)變量的選擇。不同土層深度TN 含量與環(huán)境協(xié)變量之間的Pearson 相關(guān)分析結(jié)果表明（表3），0～10 cm土層TN含量與海拔（r=0.533）、坡向（r=0.178）和年平均降水量（r=0.553）呈正相關(guān)，與y坐標(biāo)（r=?0.205）、年平均氣溫（r=?0.501）和歸一化植被指數(shù)（r=?0.265）表現(xiàn)出負(fù)相關(guān)關(guān)系。x 坐標(biāo)、坡度、剖面曲率、地形粗糙指數(shù)、地形濕度指數(shù)和紅邊葉綠素植被指數(shù)與TN 含量相關(guān)性不顯著，給予剔除。

除y 坐標(biāo)和坡向與30～50 cm 土層TN 含量相關(guān)性不顯著，10～30 和30～50 cm 土層TN 含量與環(huán)境協(xié)變量的關(guān)系與0～10 cm 土層基本一致。因此，土壤TN 含量最終使用海拔、坡向、年平均降水量、y 坐標(biāo)、年平均氣溫和歸一化植被指數(shù)作為環(huán)境協(xié)變量進(jìn)行建模預(yù)測。

2.3 不同土層深度土壤全氮含量預(yù)測模型結(jié)果

利用樣地?cái)?shù)據(jù)訓(xùn)練的RF 模型和Cubist 模型的交叉驗(yàn)證結(jié)果如表4 所示，在不同土層深度下，RF 模型的預(yù)測效果均優(yōu)于Cubist 模型，可以解釋不同土層TN 含量的空間變化范圍（39%～59%），且具有較高的R2 和較低的RMSE 和MAE。因此選用該RF 模型對林場土壤TN 的分布格局進(jìn)行預(yù)測并制圖。對于0～10 cm 土層TN，RF 模型的解釋率超過50%，而對30～50 cm 土層TN 則表現(xiàn)出較低的預(yù)測性能（R²=0.39），RMSE 和MAE 也隨土層深度的增加而增大，這可能是因?yàn)橛糜诮⑴c土壤屬性關(guān)系的環(huán)境協(xié)變量多采集于地表，環(huán)境協(xié)變量的解釋能力隨著土層深度的增加而降低所致。

2.4 林場土壤全氮制圖及不確定性分布圖

由圖3 可知，0～10 cm 土層TN 含量預(yù)測值變化范圍為1.08～5.89 g/kg，均值2.87 g/kg；10～30 cm土層TN 預(yù)測值變化范圍為0.64～4.37 g/kg，均值1.84 g/kg；30～50 cm 土層TN 預(yù)測值變化范圍為0.58～3.74 g/kg，均值1.28 g/kg。土壤全氮的平均含量隨土層深度的不斷增加而降低。預(yù)測的3 個(gè)土層深度TN 含量空間分布的總體變化趨勢基本一致，均表現(xiàn)為西部、北部和中部低，西南、東南和東部高的空間格局，且與海拔的變化特征大致相符。

由圖4 可知，RF 模型預(yù)測土壤TN 的標(biāo)準(zhǔn)差的平均值隨土層深度的增加不斷提高，依次為0.013、0.018 和0.019 g/kg，即使是標(biāo)準(zhǔn)差的最大值（0.032、0.035 和0.036 g/kg）仍較低，總體上RF 模型的預(yù)測不確定性很低。

2.5 土壤全氮對各環(huán)境協(xié)變量的響應(yīng)

基于研究區(qū)土壤TN 的預(yù)測數(shù)據(jù)和提取的環(huán)境協(xié)變量數(shù)據(jù)，使用RF 模型繪制了土壤TN 對各環(huán)境協(xié)變量的響應(yīng)曲線（圖5），用于表征土壤TN 與各環(huán)境協(xié)變量之間的關(guān)系。由圖5 可知，土壤TN 與各環(huán)境協(xié)變量呈差異較大的非線性關(guān)系，不同土層深度土壤TN 與各變量之間的響應(yīng)曲線在趨勢上大體相同?？傮w來看，土壤TN 含量隨海拔和年平均降水量的增大而增加，隨年平均氣溫的增大而減小，這與Pearson 相關(guān)分析結(jié)果基本一致。土壤TN 與坡向和y 坐標(biāo)表現(xiàn)為波動變化趨勢。土壤TN 與歸一化植被指數(shù)之間的響應(yīng)曲線較為特殊，隨著歸一化植被指數(shù)的增大，土壤TN 先升高達(dá)到第一個(gè)峰值后迅速下降，再逐步上升到第二個(gè)峰值后遞減，這可能是由于人工林和天然林2 種林分類型的差異造成土壤TN與歸一化植被指數(shù)之間呈復(fù)雜的響應(yīng)關(guān)系。

2.6 環(huán)境協(xié)變量對土壤全氮影響的重要性

使用RF 算法中環(huán)境協(xié)變量的節(jié)點(diǎn)純度表征對應(yīng)環(huán)境協(xié)變量的相對重要性。由圖6 可知，3 個(gè)土層深度TN 含量的分布格局基本一致。海拔對林場土壤TN 含量影響最大，其他依次為：歸一化植被指數(shù)gt;年平均降水量gt;年平均氣溫gt;y 坐標(biāo)gt;坡向。旺業(yè)甸實(shí)驗(yàn)林場海拔877～1 890 m，四周向中部逐漸遞減，西南、東南和東部土壤在海拔高度的影響下人為干擾較少且水熱條件較好［19］，分解和轉(zhuǎn)化有機(jī)質(zhì)的細(xì)菌的活性和種類在低溫下受到限制［20］，土壤氮素得到累積；中部和北部主要為居民區(qū)，處于低海拔地區(qū)，同時(shí)植被覆蓋較差，不利于土壤氮素的累積。

3 討論

本研究在地形復(fù)雜的林場尺度下，對旺業(yè)甸實(shí)驗(yàn)林場147 個(gè)樣點(diǎn)，結(jié)合海拔、歸一化植被指數(shù)、年平均氣溫、年平均降水量、坡向和y 坐標(biāo)等環(huán)境變量，利用RF 模型和Cubist 模型對0～10、10～30 和30～50cm 3 個(gè)土層深度土壤TN 含量的空間分布進(jìn)行預(yù)測，并使用十折交叉驗(yàn)證方法進(jìn)行驗(yàn)證，同時(shí)探究影響土壤全氮空間分布的主要變量。結(jié)果顯示：①0～10、10～30 和30～50 cm 土層實(shí)測TN 含量隨著土層深度的增加逐漸減?。虎谙噍^于Cubist 模型，RF 模型能更好地預(yù)測3 個(gè)土層深度土壤TN 含量的空間分布，能解釋39%～59% 的土壤TN 空間變異；③用RF 模型預(yù)測土壤TN 含量，不同土層深度TN 含量均呈現(xiàn)西部、北部和中部低，西南、東南和東部高的空間格局；④土壤TN 受到多種環(huán)境變量的綜合影響，海拔是影響該林場土壤TN 含量空間分布格局的最主要因素，其他依次為：歸一化植被指數(shù)gt;年平均降水量gt;年平均氣溫gt;y 坐標(biāo)gt;坡向。環(huán)境變量對土壤TN 的影響隨土層深度增加而減小。

在所有環(huán)境協(xié)變量中，地形變量對研究區(qū)內(nèi)土壤TN 含量空間分布的影響最大。這是因?yàn)閷τ谛〕叨葦?shù)字土壤制圖研究，地形變量不僅可以描述地形屬性和地貌部位信息，也可以反映主要由地形地貌變化引起的局部小氣候差異對土壤形成的影響，通常是小尺度下土壤屬性空間變異的主導(dǎo)因素［21］。地形是土壤形成的五大自然因素之一，對土壤TN 的影響主要體現(xiàn)在影響地表植被分布和水熱交換這2個(gè)方面［22-23］。本研究發(fā)現(xiàn)，在所有地形變量中，海拔在預(yù)測旺業(yè)甸實(shí)驗(yàn)林場土壤TN 空間分布的過程中發(fā)揮最重要的作用，旺業(yè)甸實(shí)驗(yàn)林場屬中山山地地形，海拔高度差近1000 m，地理坐標(biāo)的改變會使森林組成產(chǎn)生較大的垂直地帶性變化，進(jìn)而影響土壤TN含量，與前人的研究結(jié)果一致［24-26］。氣溫隨海拔下降而上升，直接導(dǎo)致土壤溫度升高，促進(jìn)土壤微生物的活性，Yu 等［27］研究表明森林土壤反硝化作用產(chǎn)生氣態(tài)氮損失隨溫度的升高而增加，減少了土壤TN 的積累，導(dǎo)致不同海拔條件下TN 含量存在差異。降水量隨海拔的升高而上升，致使土壤水分含量增加，厭氧條件下微生物分解能力降低，有利于氮素積累。坡向主要制約土壤水熱條件，進(jìn)而對TN 含量產(chǎn)生影響［28］。在北半球，南坡比北坡受到更多的太陽輻射，植被蒸騰作用強(qiáng)烈，因此南坡水分蒸發(fā)快，土壤水分少，植被覆蓋性差，土壤氮素積累較少，同時(shí)南坡的強(qiáng)烈光照使土壤溫度較高，土壤TN 的礦化速率加快，不利于氮素積累。響應(yīng)曲線顯示，旺業(yè)甸實(shí)驗(yàn)林場土壤TN 隨坡向的增加呈現(xiàn)出先減小后增加的變化趨勢，這是因?yàn)殡S著坡向值的增加，坡向由正北方向沿順時(shí)針再次返回到正北方向。

地理坐標(biāo)對土壤TN 也有一定的影響，y 坐標(biāo)與土壤TN 呈負(fù)相關(guān)，表明研究區(qū)南部的土壤TN 含量比研究區(qū)北部的要高。響應(yīng)曲線則表現(xiàn)出隨y 坐標(biāo)的增大，土壤TN 先迅速下降，再表現(xiàn)出有波動的緩慢下降趨勢，這與該地區(qū)復(fù)雜的地形有關(guān)。研究區(qū)南部為高海拔地區(qū)，基本不含居民區(qū)，而隨著緯度的增加，地域逐漸開闊，密集的居民區(qū)也增加了人為因素對土壤TN 的影響，土壤TN 的變化范圍也隨之?dāng)U大。

一般情況下，在小尺度上，大生物氣候因素對土壤屬性空間變異的影響基本一致，但由于研究區(qū)內(nèi)海拔梯度陡峭，在短距離內(nèi)形成了溫度和濕度等非生物因素梯度導(dǎo)致研究區(qū)生態(tài)系統(tǒng)更容易受到氣候因素的影響［29］。年平均降水量對土壤TN 的空間分布具有較強(qiáng)的影響，本研究區(qū)年平均降水量的極差高達(dá)105 mm，差異明顯，降水豐富將有效增加土壤含水量，進(jìn)而增加土壤TN 的積累。研究區(qū)年平均氣溫的極差為3.9 ℃，差異較小，對于土壤TN 含量的空間分布的影響較弱。

在本研究中，生物變量對土壤TN 的影響僅次于地形變量。NDVI 數(shù)據(jù)表征植被生長狀況和植被覆蓋度等植被活動［30-31］。Pearson 相關(guān)分析結(jié)果表示，土壤TN 與NDVI 呈顯著的負(fù)相關(guān)關(guān)系，這與前人的研究結(jié)果不一致［32］，究其原因可能是研究區(qū)為小尺度的林場，有林地面積超過83%，人工林和天然林面積相近，而人工林林分密度大，郁閉度大，因此具有較高的NDVI。Chen 等［33］研究指出樹木多樣性與土壤N 積累具有正相關(guān)關(guān)系。以自然更新為主的天然林群落結(jié)構(gòu)復(fù)雜，具有豐富的枯落物，枯落物直接歸還的有機(jī)質(zhì)多，有利于土壤氮素積累，因此，天然林土壤TN 含量高于人工林，NDVI 高的地區(qū)土壤TN 低。

RF 模型在0～10 cm 土層深度精度指標(biāo)值均優(yōu)于10～30、30～50 cm 土層深度。模型對土壤屬性空間分布的預(yù)測精度主要受環(huán)境的復(fù)雜性、土壤屬性的空間變異性和模型的預(yù)測性能的影響［34］。人為活動會在土壤表層產(chǎn)生相對均勻的環(huán)境，同時(shí)本研究最終選定的用于與土壤TN 建立關(guān)系的環(huán)境協(xié)變量大多數(shù)是從地表收集的，這些因素有助于提高模型在0～10 cm 土層深度的預(yù)測精度。在一般情況下，深層土壤環(huán)境復(fù)雜，模型的預(yù)測性能較低。土壤屬性在垂直梯度上的分布及環(huán)境因素對其控制性影響仍是土壤學(xué)研究的重點(diǎn)，故應(yīng)加強(qiáng)對深層土壤環(huán)境的研究并提高深層土壤屬性的預(yù)測精度。

本研究在構(gòu)建土壤TN 含量的預(yù)測模型時(shí)，在環(huán)境協(xié)變量的選擇上未包含對土壤TN 含量影響較強(qiáng)的土壤其他屬性（pH、有機(jī)質(zhì)、速效鉀等），土壤數(shù)據(jù)多是通過不同制圖方法獲取，本身存在誤差和不確定性，進(jìn)而可能影響土壤TN 含量預(yù)測的準(zhǔn)確性；在土壤TN 制圖時(shí)未考慮人為因素的影響，林場的業(yè)務(wù)涉及森林經(jīng)營、種苗培育、木材生產(chǎn)和旅游開發(fā)等人類活動，而本研究選取的環(huán)境協(xié)變量多為自然因素，缺乏能很好表征人為因素的變量，未來若可以將林場經(jīng)營模式、采伐強(qiáng)度等因素納入模型中，可進(jìn)一步完善林場土壤屬性預(yù)測模型；研究區(qū)內(nèi)天然林土壤TN 明顯高于人工林，若后期能獲取該林場林分類型數(shù)據(jù)，設(shè)置啞變量結(jié)合其他環(huán)境變量數(shù)據(jù)進(jìn)行模型建模，可能會在一定程度上提高模型預(yù)測效果和精度。

（責(zé)任編輯：葛曉霞）