Mô hình ước tính sinh khối rừng sử dụng biến số đầu vào cộng đồng có khả năng đo đạc
KHOA HỌ C CÔNG NGHỆ
MÔ HÌNH ƯỚC TÍNH SINH KHỐI RỪNG SỬ DỤNG BIẾN SỐ ĐẦU
VÀO CỘNG ĐỒNG CÓ KHẢ NĂNG ĐO ĐẠC
Phạm Tuấn Anh1, Bảo Huy2
TÓM TẮ T
Đ ể thực hiện giám sát các bon rừng có sự tham gia trong chương trình “Giảm phát thải từ mất rừng và
suy thoái rừng” (UN-REDD+), cần xây dựng các mô hình sinh khố i sử dụng các biến số đầu vào cộ ng
đồ ng có khả năng đo đạc. Các mô hình này cần bảo đảm độ chính xác và cung cấp sai số định lượng.
Sử dụng 222 cây mẫu chặt hạ để phát triển mô hình sinh khố i cây rừng và 323 dữ liệu ô mẫu để lập
mô hình sinh khố i lâm phần cho rừng lá rộ ng thường xanh vùng Tây Nguyên. Đ ường kính ngang ngực
(DBH) và tổ ng tiết diện ngang (BA) được sử dụng làm biến số đầu vào của các mô hình. Ả nh hưởng
của BA và chỉ số lập địa (Si) đến AGB và BGB cũng được đánh giá. Mô hình được lựa chọ n chủ yếu dựa
vào chỉ số thông tin Akaike (Akaike Information Criterion - AIC) và các đồ thị trực quan. Các chỉ tiêu
thố ng kê thẩm định chéo mô hình bao gồ m sai lệch % (Bias %), sai số trung phương % (RMSPE) và sai
số tuyệt đố i trung bình % (MAPE) đã được xác định dựa vào rút mẫu ngẫu nhiên để phân chia thành
70% số liệu cho lập mô hình và 30% số liệu để đánh giá mô hình và được tính trung bình từ 200 lần rút
mẫu ngẫu nhiên lặp lại. Hàm lũy thừa (power) được ước lượng theo phương pháp phi tuyến tính hợp
lý cực đại (Maximum Likelihood) có trọ ng số và xét ảnh hưởng của các nhân tố lâm phần đã thu được
độ tin cậy cao hơn phương pháp thường được sử dụng là tuyến tính hóa logarit bình phương tố i
thiểu. Các mô hình được lựa chọ n với các biến số đầu vào cộ ng đồ ng có khả năng đo đạc để ước tính
sinh khố i cây rừng và lâm phần bao gồ m: AGB = ai×DBHb (ai là tham số thay đổ i theo chỉ số lập địa Si),
BGB = a×DBHb TAGB = a×BAb và TBGB = a×BAb. Sử dụng mô hình lâm phần làm giảm số liệu thu thập
nhưng tăng sai số MAPE thêm 9-12% so với mô hình cây rừng.
Từ khóa: Biến số đơn giản, cộ ng đồ ng, có sự tham gia, mô hình sinh khố i.
vậy ngoài các mô hình ước tính sinh khố i, các bon
rừng áp dụng cho các cơ quan chuyên nghiệp đã
được phát triển, cũng cần có nghiên cứu để xây
dựng các mô hình áp dụng được với dữ liệu đầu
vào do cộ ng đồ ng đo đạc, giám sát; và các mô
hình cũng cần phải bảo đảm độ tin cậy theo IPCC
(2006).
1. Đ Ặ T VẤ N Đ Ề1
Trong chương trình “Giảm phát thải từ mất
rừng và suy thoái rừng” của Liên Hiệp Quố c (UN-
REDD+), cần giám sát và báo cáo phát thải CO2
tương đương từ rừng thông qua hệ thố ng “Đ o
lường - Báo cáo - Thẩm định (MRV)”. Hiệp định
khung về biến đổ i khí hậu của Liên Hiệp Quố c
(UNFCCC 1997 - 2001) cũng yêu cầu có sự tham gia
của cộ ng đồ ng trong giám sát các bon rừng. Vì
Trong giám sát các bon rừng có sự tham gia
của cộ ng đồ ng địa phương (PCM), người dân có
thể đo đạc chính xác các chỉ tiêu rừng đơn giản
như đường kính ngang ngực (DBH) (Huy et al.,
2013), vì vậy các mô hình sinh khố i cần sử dụng
1 Sở Kế hoạch Đầu tư tỉnh Đắk Nông
2 Trường Đại học Tây Nguyên
98
N«ng nghiÖp vµ ph¸t triÓn n«ng th«n - KỲ 1 - TH¸NG 12/2016
KHOA HỌ C CÔNG NGHỆ
biến số đầu vào đơn giản này (Van Laake, 2008). số thay đổ i để phù hợp với sự phân tán dữ liệu
Mô hình ước tính sinh khố i cây rừng trên mặt đất sinh khố i cây rừng hoặc lâm phần khi DBH hoặc BA
(AGB) cho rừng lá rộ ng thường xanh với mộ t biến tăng lên; ii) mô hình có biến số đầu vào đơn giản
số đầu vào đơn giản là DBH cũng đã được xây như DBH nhưng được nâng cao độ tin cậy nhờ
dựng cho cả vùng rừng nhiệt đới (pantropic) thay đổ i tham số theo các nhân tố lâm phần ảnh
(Brown, 1997), hoặc cho các vùng sinh thái của Việt hưởng như BA, cấp chiều cao (H); iii) sử dụng tố i
Nam trong đó có Tây Nguyên (Huy et al., 2016b). ưu dữ liệu trong lập và thẩm định chéo các mô
Sinh khố i cây rừng phần dưới mặt đất trong rễ cây hình mộ t cách khách quan để cung cấp thông tin
(BGB) là mộ t bộ phận quan trọ ng trong các bể về độ tin cậy, sai số của mô hình.
chứa các bon cây rừng, đến gần mộ t nửa chu trình
2. VẬ T LIỆU VÀ PHƯƠ NG PHÁP
các bon rừng hàng năm được đóng góp từ hệ rễ
2.1. Đ ịa điểm, đố i tượng nghiên cứu
cây (Vogt et al., 1996). Tuy vậy, do chi phí cao của
Dữ liệu trong nghiên cứu này được thu thập ở
ước tính BGB nên việc đo tính sinh khố i thường
vùng Tây Nguyên, trên bố n tỉnh Gia Lai, Đ ắk Lắk,
tập trung cho AGB (Yuen et al., 2013; Ziegler et al.,
Đ ắk Nông và Lâm Đ ồ ng ở kiểu rừng lá rộ ng
2012).
thường xanh với các trạng thái và cấp trữ lượng
Tuy nhiên các nghiên cứu đã chỉ ra, mô hình
khác nhau. Biến độ ng mật độ (N) 370 – 3.300
ước tính AGB chỉ có độ tin cậy cao khi bao gồ m
cây/ha (với cây có DBH ≥ 5 cm) và tổ ng tiết diện
nhiều biến số đầu vào như là DBH, chiều cao cây
ngang (BA) biến độ ng 2,6 – 72,6 m2/ha. Đ ặc điểm
(H), khố i lượng thể tích gỗ (WD) và diện tích tán lá
sinh thái ở các khu vực thiết lập ô mẫu: Đ ộ cao so
(CA) (Huy et al., 2016a,b). Vì vậy mô hình AGB chỉ
với mặt biển 377 – 1068 m, độ dố c 0 – 36o, lượng
với mộ t biến DBH đầu vào sẽ cho độ tin cậy thấp,
mưa trung bình năm 2.100 – 2.500 mm, có ba tháng
trong khi đó cộ ng đồ ng khó có thể đo lường và
mùa khô, nhiệt độ trung bình năm 22,2 – 25,0oC.
cung cấp chính xác thêm các biến số như H, WD
Hầu hết khu vực nghiên cứu có đất nâu đỏ hình
hoặc CA. Bảo Huy (2013) cũng đã cho thấy mô hình
thành trên đá Sedimentary (Nguồ n tác giả, Hijmans
BGB có mộ t biến DBH hoặc mô hình sinh khố i lâm
et al., 2005; Fischer et al., 2008).
phần theo các biến điều tra lâm phần đơn giản
2.2. Số liệu thu thập và thông tin biến số của
như BA có sai số nhỏ nhất; tuy vậy các mô hình
các mô hình sinh khố i cây rừng và lâm phần
này chưa có giải pháp thẩm định sai số bằng dữ
20 ô mẫu 2000 m2 (20×100 m) đã được thiết
liệu độ c lập, khách quan.
lập để thu thập số liệu sinh khố i cây rừng (AGB,
Nghiên cứu này xây dựng các mô hình ước
BGB). Trên ô mẫu thu thập các dữ liệu thông tin
tính sinh khố i cây rừng và lâm phần trên mặt đất
của ô như tọ a độ , trạng thái rừng, độ tàn che, BA,
(AGB, TAGB) và dưới mặt đất (BGB, TBGB) với biến
vị trí địa hình, độ dố c, loại đất. Số liệu cây đứng
số độ c lập đầu vào của mô hình là đơn giản để có
thu thập bao gồ m loài, DBH (cm), H(m) của các cây
thể áp dụng dữ liệu cung cấp bởi cộ ng đồ ng,
có DBH ≥ 5 cm. Trong ô mẫu, cây mẫu được lựa
nhưng được nâng cao độ tin cậy nhờ vào: i) áp
chọ n để chặt hạ và xác định sinh khố i tỷ lệ với
dụng phương pháp ước lượng mô hình phi tuyến
phân bố số cây theo cấp kính. Mỗ i ô chọ n khoảng
tính hợp lý cực đại (Maximum Likelihood) có trọ ng
99
N«ng nghiÖp vµ ph¸t triÓn n«ng th«n - KỲ 1 - TH¸NG 12/2016
KHOA HỌ C CÔNG NGHỆ
10-12 cây để chặt hạ, tổ ng số có 222 cây mẫu các mô hình AGB và BGB lựa chọ n, tính toán được
được chặt hạ để thu thập số liệu sinh khố i trên tổ ng sinh khố i của cây gỗ trên và dưới mặt đất
được đào rễ để xác định sinh khố i dưới mặt đất biến độ ng của TAGB và TBGB quy ra ha ở các ô
(BGB).
mẫu theo biến số lâm phần BA.
Cây mẫu trước khi chặt hạ được đo DBH, H và Bảng 2. Tóm tắt thông tin thố ng kê các biến số BA
xác định loài. Cây mẫu được chặt hạ để thu thập
số liệu về khố i lượng tươi của các bộ phận cây
trên mặt đất bao gồ m lá, cành, thân và vỏ và 1/3
số cây được đào để xác định khố i lượng rễ tươi.
Mẫu của 5 bộ phận cây được thu thập bao gồ m lá
(300 g/mẫu), cành (500 g/mẫu) ở 3 cấp cành, thân
(500 g/mẫu) ở 5 vị trí thân cây, vỏ (300 g/mẫu) ở 5
vị trí trên thân và rễ (300 g/mẫu) theo ba kích
thước rễ (nhỏ , trung bình và lớn).
và sinh khố i lâm phần. n = 323 ô
Chỉ tiêu
BA
TAGB
TBGB
thố ng kê
(m2/ha) (tấn/ha) (tấn/ha)
Min
2,6
11,0
1,7
24,0
71,6
11,5
Trung bình
Max
28,0
72,6
12,5
196,1
655,3
102,0
Sai tiêu chuẩn
2.3. Phương pháp thiết lập, lựa chọ n và thẩm
định chéo mô hình
Trong phòng thí nghiệm, các mẫu được sấy ở
nhiệt độ 1050C cho đến khi khố i lượng không thay
đổ i, từ đó tính được tỷ lệ sinh khố i khô/tươi của
từng bộ phận cây và tính toán được sinh khố i cây
trên mặt đất (AGB) và dưới mặt đất (BGB) cho
số độ c lập và sinh khố i thu thập được cây mẫu
chặt hạ.
2.3.1. Chọ n biến số đầu vào và dạng mô hình
Các mô hình sinh khố i cây và lâm phần được
thiết lập trong nghiên cứu này để áp dụng với dữ
liệu đo đạc của cộ ng đồ ng nên có biến số đầu
vào đơn giản là DBH, BA và phân chia theo cấp H
(dựa vào chỉ số lập địa Site Index (Si)). Hàm lũy
thừa (power) đã được lựa chọ n dựa theo Brown
(1997), Chave et al. (2014) để thiết lập các mô hình
sinh khố i.
Bảng 1. Tóm tắt thông tin thố ng kê các biến số của
cây mẫu đo tính sinh khố i
2.3.2. Chọ n phương pháp lập mô hình sinh
khố i
Chỉ tiêu
thố ng kê
DBH
(cm)
4,7
H
BGB
(kg)
0,5
AGB
(kg)
(m)
3,9
13,4
Hai phương pháp thiết lập mô hình lũy thừa
(power) khác nhau cũng được đánh giá để lựa
chọ n phương pháp tố t nhất, đó là phương pháp
bình phương tố i thiểu với hàm được tuyến tính
hóa theo dạng logarit và phương pháp phi tuyến
tính hợp lý cực đại (Maximum Likelihood) có trọ ng
số . Khi so sánh các mô hình không giố ng nhau về
biến số phụ thuộ c (ví dụ y và tuyến tính hóa thành
biến ln(y)), lúc này chỉ số Furnival (Furnival’s Index -
FI) cần được áp dụng (Furnical, 1961; Jayaraman,
Min
2,9
Trung bình
17,4
15,8
265,3
Max
76,0 27,5 175,8 3149,0
Sai tiêu chuẩn 12,6
222
5,7
29,0
86
471,2
222
n
222
Đ ể ước tính sinh khố i lâm phần, 323 ô mẫu
1.000 m2 (hình tròn phân tầng với bán kính tố i đa R
= 17,84 m) đã được thu thập trên các trạng thái
rừng khác nhau ở hai tỉnh Đ ắk Nông (huyện Tuy
Đ ức) và Lâm Đ ồ ng (huyện Bảo Lâm). Trên cơ sở
100
N«ng nghiÖp vµ ph¸t triÓn n«ng th«n - KỲ 1 - TH¸NG 12/2016
KHOA HỌ C CÔNG NGHỆ
1999). FI càng bé thì mô hình càng phù hợp. Công theo trọ ng số đã được áp dụng để điều chỉnh các
thức tính Furnival’s Index (FI) như sau:
tham số của mô hình nhằm giảm biến độ ng sai số
này. Hàm phương sai có dạng như sau (Huy et al.,
2016b):
(1)
Trong đó: RMSE (Root Mean Squared Error): Sai
số trung phương; y’ là đạo hàm bậc nhất của biến
phụ thuộ c y và bằng 1, nếu là biến phụ thuộ c
được đổ i biến số là ln(y) thì sẽ bằng 1/y.
(5)
Trong đó
là sai số ngẫu nhiên;
là sai số
bình phương;
là biến trọ ng số (DBH, BA) tương
ứng với cây/ô thứ j và cấp nhân tố ảnh hưởng i và
k là hệ số của hàm phương sai.
Công thức tính giá trị trung bình hình họ c:
2.3.4. Lựa chọ n và thẩm định chéo các mô hình
(2)
Dữ liệu được lựa chọ n ngẫu nhiên 200 lần để
phân chia thành 70% số liệu để thiết lập và lựa
chọ n mô hình và 30% số liệu dùng để đánh giá mô
hình. Các chỉ tiêu thố ng kê lựa chọ n mô hình và sai
số đánh giá được tính bình quân từ 200 lần. Mô
hình tố t nhất được lựa chọ n dựa vào chỉ tiêu AIC
(Akaike Information Criterion) càng bé thì mô hình
càng có độ tin cậy cao hơn.
2.3.3. Phương pháp thiết lập mô hình sinh khố i
Đ ể giảm biến độ ng của sai số vì sự phân tán
dữ liệu sinh khố i khi DBH hoặc BA tăng lên, trọ ng
số thích hợp 1/DBHk hoặc 1/BAk được áp dụng
trong thiết lập mô hình. Sử dụng phương pháp
ước lượng hàm phi tuyến tính Maximum Likelihood
có trọ ng số có xét đến ảnh hưởng ngẫu nhiên của
các nhân tố môi trường. Phần mềm mã nguồ n mở
R được áp dụng theo chương trình nlme (Pinheiro
et al., 2014). Kiểu dạng mô hình tổ ng quát như sau
(Huy et al., 2016b):
AIC = -2 ln(L) + 2p (6)
Trong đó L là Likelihood của mô hình, p là tổ ng
số tham số của mô hình.
Các mô hình được thẩm định sai số thông qua
30% dữ liệu rút ngẫu nhiên không tham gia lập mô
hình và với 200 lần lặp lại. Các sai số sử dụng bao
gồ m % sai lệch giữa quan sát và dự báo qua mô
hình (Bias %), sai số trung phương % (RMSPE) và
sai số tuyệt đố i trung bình % (MAPE). Các sai số
được tính toán trung bình từ 200 lần (Temesgen et
al., 2014; Huy et al., 2016b):
(3)
(4)
Trong đó
là AGB (kg), BGB (kg), TAGB
(tấn/ha), hoặc TBGB (tấn/ha) ứng với cây/ô thứ j từ
cấp i của nhân tố ảnh hưởng; và là tham số
của mô hình;
cấp i; là các biến số DBH (cm), H (m) hoặc BA
(m2/ha) hoặc tổ hợp biến DBH2H ứng với cây/ô
thứ j trong cấp i; và là sai số ngẫu nhiên ứng
và
là thay đổ i của tham số theo
(7)
với cây/ô thứ j và cấp nhân tố i.
(8)
(9)
Phân tích ban đầu cho thấy biến độ ng của sai
số có xu hướng gia tăng khi gia tăng DBH hoặc BA
trong các mô hình. Vì vậy mộ t hàm phương sai
101
N«ng nghiÖp vµ ph¸t triÓn n«ng th«n - KỲ 1 - TH¸NG 12/2016
KHOA HỌ C CÔNG NGHỆ
Trong đó R là số lần rút mẫu ngẫu nhiên để 1/DBHk đã có chỉ số Furnival (Furnival’s Index - FI)
lập và đánh giá mô hình (200); n là số cây/ô (30% bé hơn rất nhiều so với phương pháp tuyến tính
dữ liệu để đánh giá) của mỗ i lần rút mẫu r và
là giá trị sinh khố i quan sát và ước tính qua mô
hình.
và hóa bình phương tố i thiểu không có trọ ng số .
Chứng tỏ phương pháp Maximum Likelihood đã
nắn chỉnh mô hình phù hợp hơn với số liệu sinh
khố i quan sát, đặc biệt là khi áp dụng trọ ng số
1/DBHk đã làm giảm sai số trung phương ở các cấp
DBH lớn, nơi mà sinh khố i rất biến độ ng. Kết quả
này cũng phù hợp với Huy et al. (2016a) khi lập mô
hình AGB cho vùng sinh thái Việt Nam. Từ kết quả
đó, nghiên cứu này sử dụng phương pháp phi
tuyến tính Maximum Likelihood có trọ ng số để
thiết lập các mô hình sinh khố i cây rừng và lâm
phần.
Sau khi lựa chọ n dạng mô hình, đánh giá chéo
và xác định các sai số của mô hình lựa chọ n; mô
hình cuố i cùng được thiết lập dựa vào toàn bộ dữ
liệu.
3. KẾT QUẢ VÀ THẢ O LUẬ N
3.1. Lựa chọ n phương pháp thiết lập mô hình
Kết quả ở bảng 3 cho thấy với phương pháp
ước lượng hàm bằng phương pháp phi tuyến hợp
lý cực đại (Maximum Likelihood) với trọ ng số
Bảng 3. Chỉ số Furnival để đánh giá hai phương pháp ước lượng mô hình là logarit tuyến tính bình
phương tố i thiểu và phi tuyến tính Maximum Likelihood có trọ ng số ở các mô hình AGB, BGB theo các
nhóm biến số đầu vào
Phương pháp logarit
Phương pháp phi tuyến tính
bình phương tố i thiểu Maximum Likelihood có trọ ng số
Trọ ng số
Biến đầu
Mô hình
vào
Adj. R2
FI
Adj. R2
FI
Weight
0,950
0,901
0,958
0,883
0,901
0,901
27,3
2,4
0,801
0,484
0,908
0,718
0,883
0,494
0,054
0,004
0,058
0,004
0,056
0,004
DBH
1/DBHk
25,1
2,6
1/DBHk
1/DBHk
DBH và H
24,7
2,4
Ghi chú: FI là Furnival’s Index. Nhóm biến số : DBH2H = DBH (cm)2×H (m).
cao độ tin cậy ước tính AGB, đã xem xét ảnh
hưởng ngẫu nhiên (random effect) của biến số
tổ ng tiết diện ngang lâm phần (BA). Căn cứ vào
giá trị AIC trung bình bé nhất, đố i với mộ t biến số
DBH thì mô hình lựa chọ n là AGB = a×DBHb và
đố i với hai biến DBH và H thì mô hình tổ hợp
biến AGB = a×(DBH2H)b được lựa chọ n. Các sai
số trung bình (Bias%, RMSPE, MAPE%) của các mô
hình được lựa chọ n này cũng bé hơn các mô hình
3.2. Mô hình AGB
Đ ể áp dụng với dữ liệu của cộ ng đồ ng, mô
hình AGB theo DBH được thiết lập; mô hình có
thêm biến H chỉ để làm cơ sở cho việc nâng cao
độ tin cậy của ước tính AGB thông qua cấp chiều
cao (cấp H). Bảng 4 là kết quả so sánh để lựa
chọ n và thẩm định chéo các mô hình AGB với
biến số đầu vào khác nhau gồ m DBH, DBH và H
hoặc tổ hợp biến DBH2H; đồ ng thời để thử nâng
102
N«ng nghiÖp vµ ph¸t triÓn n«ng th«n - KỲ 1 - TH¸NG 12/2016
KHOA HỌ C CÔNG NGHỆ
rút mẫu ngẫu nhiên 30% thẩm định và đường hình AGB, cho thấy mô hình có độ chính xác tố t.
ước tính AGB so với 30% dữ liệu thẩm định chéo
Các mô hình lựa chọ n với biến số đầu vào
không tham gia lập mô hình của hai mô hình lựa
chọ n. Đ ồ thị cho thấy Bias% phân bố tiệm cận
chuẩn, chứng tỏ với 200 lần rút 30% mẫu ngẫu
nhiên độ c lập để đánh giá đã phản ảnh tố t sai số
của mô hình (không bị sai lệch sai số ) và đồ thị
ước tính AGB bám sát 30% giá trị đánh giá được
DBH hoặc DBH2H cũng được xem xét ảnh hưởng
của các cấp BA khác nhau từ các lâm phần có sinh
khố i, trữ lượng rừng khác nhau. Các chỉ số AIC và
các sai số trung bình từ 200 lần đánh giá của mô
hình có BA không được cải thiện rõ rệt; có nghĩa
thay đổ i cấp BA không làm thay đổ i có ý nghĩa
các tham số của mô hình.
Bảng 4. So sánh và thẩm định chéo mô hình ước tính AGB có hay không có ảnh hưởng của cấp BA theo
các biến số đầu vào khác nhau
Nhân tố
Biến số
RMSPE
(%)
Bias
(%)
MAPE
(%)
Mô hình
ảnh
Trọ ng số
AIC
Adj. R2
đầu vào
hưởng
Không (*)
Cấp BA
Không (*)
Không
AGB = a×DBHb
AGB = a×DBHb
AGB = a×(DBH2H)b
AGB = a×DBHb×Hc
AGB = a×(DBH2H)b
1/DBHk
1/DBHk
1/DBHk
1/DBHk
1/(DBH2H)k
1489
1491
1464
1468
1452
0,795
0,806
0,908
0,883
0,911
47,8
48,2
43,6
43,4
43,8
-14,7
-15,3
-10,4
-12,0
-11,8
34,2
34,3
29,6
29,9
29,7
DBH
DBH + H
Cấp BA
(*) Mô hình lựa chọ n theo biến số đầu vào. Giá trị thố ng kê, sai số được tính trung bình từ 200 lần
rút mẫu ngẫu nhiên: lập mô hình với 70% dữ liệu, tính các chỉ tiêu so sánh mô hình AIC và R2 và đánh giá
mô hình với 30% dữ liệu, tính các sai số RMSPE, Bias% và MAPE%
Hình 1. Mô hình AGB lựa chọ n với biến số đầu vào khác nhau: Phân bố % Bias của 200 lần thẩm định
(trái), mô hình AGB lựa chọ n so với 30% dữ liệu thẩm định chéo được rút mẫu ngẫu nhiên (phải)
Bảng 5. Tham số của mô hình AGB lựa chọ n với các biến số đầu vào khác nhau, trên cơ sở toàn bộ dữ
liệu
Tham số
Sai số tiêu chuẩn của tham số
Biến đầu vào
Mô hình lựa chọn
a
b
a
b
DBH
DBH+H
AGB = a×DBHb
0,114691
0,044343
2,479830
0,961302
0,011816
0,004636
0,036767
0,012690
AGB = a×(DBH2H)b
Ghi chú: Các tham số đều có mức ý nghĩa P-value< 0,0001
103
N«ng nghiÖp vµ ph¸t triÓn n«ng th«n - KỲ 1 - TH¸NG 12/2016
KHOA HỌ C CÔNG NGHỆ
Hình 2. Trái: Ước tính AGB qua mô hình lựa chọ n so với quan sát, Phải: Sai số có trọ ng số theo AGB ước
tính qua mô hình. a) Mô hình AGB = a×DBHb; b) Mô hình AGB = a×(DBH2H)b
Sau khi lựa chọ n mô hình và đánh giá chéo, sử cứu của Chave et al. (2014), Huy et al. (2016a,b) chỉ
dụng toàn bộ số liệu để ước lượng các tham số ra rằng khi gia tăng biến số của mô hình chỉ với
của các mô hình lựa chọ n. Kết quả được trình bày ở mộ t biến DBH với các biến như H, khố i lượng thể
bảng 5.
tích gỗ (WD) hoặc diện tích tán lá (CA) sẽ làm tăng
độ tin cậy của các mô hình sinh khố i. Tuy nhiên
trong trường hợp dữ liệu đầu vào từ cộ ng đồ ng
nếu có quá nhiều biến số sẽ dẫn đến sai số đo
tính cao hơn và mộ t số biến số cộ ng đồ ng không
thể tiếp cận được.
Biến độ ng sai số AGB có trọ ng số ở hình 2
cho thấy mô hình có hai biến số dạng DBH2H có
sai số bé hơn rất nhiều so với mộ t biến số DBH, vì
vậy cần đưa biến H thông qua cấp H vào mô hình
AGB để tăng độ tin cậy. Kết quả này phù hợp với
các nghiên
3.3. Mô hình BGB
Mô hình BGB cũng được lựa chọ n và đánh giá
theo phương pháp tương tự như mô hình AGB nói
trên. Kết quả ở bảng 6 cho thấy mô hình BGB có
độ tin cậy và sai số bé nhất với chỉ mộ t biến số
đầu vào DBH, cấp BA cũng ảnh hưởng không có ý
nghĩa đến các tham số của các mô hình. Vì vậy mô
hình BGB thích hợp với dữ liệu đầu vào DBH của
cộ ng đồ ng, không chịu ảnh hưởng của BA và
không cần phân cấp H. Hình 3 là phân bố Bias từ
200 lần đánh giá và giá trị ước tính BGB từ DBH so
với giá trị đánh giá được rút mẫu ngẫu nhiên.
Bảng 6. So sánh và thẩm định chéo mô hình ước tính BGB có hay không có ảnh hưởng của cấp BA
theo biến số đầu vào
Biến số
Nhân tố
ảnh
RMSPE
(%)
Bias
(%)
MAPE
(%)
đầu
vào
Mô hình
Trọ ng số
AIC Adj. R2
hưởng
Không (*)
DBH
BGB = a×DBHb
1/DBHk
294
0,444
55,4
-17,8
40,6
104
N«ng nghiÖp vµ ph¸t triÓn n«ng th«n - KỲ 1 - TH¸NG 12/2016
KHOA HỌ C CÔNG NGHỆ
Biến số
đầu
Nhân tố
ảnh
RMSPE
(%)
Bias
(%)
MAPE
(%)
Mô hình
Trọ ng số
AIC Adj. R2
vào
hưởng
Cấp BA
Không
Không
Cấp BA
BGB = a×DBHb
BGB = a×(DBH2H)b
1/DBHk
1/DBHk
1/DBHk
294
303
301
311
0,466
0,686
0,436
0,459
57,4
52,9
58,3
60,7
-20,2
-13,6
-20,4
-22,9
42,2
40,8
43,3
45,5
DBH + H BGB = a×DBHb×Hc
BGB = a×(DBH2H)b
1/(DBH2H)k
(*) Mô hình lựa chọ n theo biến số đầu vào. Giá trị thố ng kê, sai số được tính trung bình từ 200 lần
rút mẫu ngẫu nhiên: lập mô hình với 70% dữ liệu, tính các chỉ tiêu so sánh mô hình AIC và R2; đánh giá mô
hình với 30% dữ liệu, tính các sai số RMSPE, Bias% và MAPE%
Bảng 7 là các tham số của mô hình BGB lựa
chọ n theo mộ t biến số DBH trên cơ sở toàn bộ số
liệu. Kết quả này đóng góp cho thiết lập mô hình
BGB – hiện tại rất hiếm và thiếu cho ước tính sinh
khố i rễ cây rừng (Nam et al., 2016). Kết quả này
cũng phù hợp với kết luận của Cairns et al. (1997)
trong thiết lập các mô hình sinh khố i rễ cây rừng ở
các khu rừng vùng cao trên thế giới, tác giả đã kết
luận BGB có quan hệ chặt chẽ với DBH, quan hệ
yếu với khố i lượng thể tích gỗ (WD) và hầu như
không thấy quan hệ với biến số H.
Hình 3. Mô hình BGB lựa chọ n với biến số đầu vào
DBH: Phân bố % Bias của 200 lần thẩm định (trái),
mô hình ước tính BGB so với 30% dữ liệu thẩm
định được rút mẫu ngẫu nhiên (phải)
Bảng 7. Tham số của mô hình BGB lựa chọ n, trên cơ sở toàn bộ dữ liệu
Sai số tiêu chuẩn của tham
số
Tham số
Biến đầu vào
Mô hình lựa chọ n
BGB = a×DBHb
a
b
a
b
DBH
0,015306
2,550949
0,003349
0,094112
Ghi chú: Các tham số đều có mức ý nghĩa P-value < 0,0001
3.4. Mô hình AGB theo cấp H
Bảng 8. So sánh và thẩm định chéo mô hình quan hệ H = f(DBH)
Mô hình
H = a×DBHb (*)
H = 1.3 + a×DBHb
Trọ ng số
1/DBHk
1/DBHk
AIC Adj. R2
RMSPE (%)
27,0
Bias (%)
-5,5
MAPE (%)
748
749
0,740
0,734
18,1
26,9
-4,9
18,2
(*) Mô hình lựa chọ n theo biến số đầu vào. Giá trị thố ng kê, sai số được tính trung bình từ 200 lần
rút mẫu ngẫu nhiên: lập mô hình với 70% dữ liệu, tính các chỉ tiêu so sánh mô hình AIC và R2; đánh giá mô
hình với 30% dữ liệu, tính các sai số RMSPE, Bias% và MAPE%
103
N«ng nghiÖp vµ ph¸t triÓn n«ng th«n - KỲ 1 - TH¸NG 12/2016
KHOA HỌ C CÔNG NGHỆ
Mô hình ước tính AGB theo tổ hợp hai biến
DBH2H sẽ cho độ tin cậy cao hơn mô hình chỉ có
mộ t biến số đầu vào DBH được đo đạc bởi cộ ng
đồ ng. Tuy nhiên nếu cộ ng đồ ng đo H cho toàn bộ
cây trong ô mẫu sẽ mắc sai số lớn do đo quá
nhiều cây và tán cây thường bị che khuất. Vì vậy
giải pháp để nâng cao độ tin cậy là lập mô hình
ABG với mộ t biến số đầu vào là DBH và thay đổ i
các tham số mô hình theo cấp H; có nghĩa cộ ng
đồ ng chỉ cần được huấn luyện để đo cao chính
xác 3 cây trong mộ t cấp kính đại diện để xác định
chiều cao chỉ thị cho lập địa Si, lúc đó việc đo cao
sẽ giảm sai số do số lượng cây đo rất nhỏ và cây
cũng được lựa chọ n ở vị trí dễ quan sát ngọ n cây.
Hình 4. Mô hình quan hệ H = f(DBH)
trung bình của ba cấp H với chiều cao chỉ thị Si
so với dữ liệu quan sát
Từ mô hình H/DBH lựa chọ n, phân chia mô
hình theo 3 cấp chiều cao: Khảo sát biến độ ng H ở
cấp DBH = 30 – 40 cm, trung bình là 35 cm. Kết
quả có = 20,7 m và độ lệch chuẩn S = 3,77 m.
Xác định biến độ ng của H trong cấp kính 35 cm
theo quy luật ± 2S ứng với dữ liệu nằm trong
phân bố chuẩn với độ tin cậy 95%. Chia biến độ ng
H thành ba cấp. Kết quả có chiều cao chỉ thị Si cho
3 cấp Hi ở cấp kính trung bình 35 cm là: S26 = 26 m,
S21 = 21 m và S16 = 16 m. Thay đổ i tham số ai và cố
định b của hàm mũ cho cấp Hi: ai = Si / 350,568826
Kết quả cho các tham số ai: a1 = 3,409200, a2 =
2,743552 và a3 = 2,077904.
Lập mô hình quan hệ H = f(DBH) theo hàm mũ
có hay không có hằng số 1,3 m, vì nó là phổ biến
trong thiết lập mố i quan hệ này (Temesgen et al.,
2014). Kết quả ở bảng 8 cho thấy cả hai mô hình
đều cho kết quả thố ng kê và thẩm định sai số gần
như nhau. Do vậy mô hình lựa chọ n là mô hình
power đơn giản hơn, không có hằng số 1,3 m. Sau
khi đánh giá, sử dụng toàn bộ số liệu để ước
lượng các tham số của các mô hình lựa chọ n
H/DBH, kết quả được trình bày ở bảng 9.
Phương trình quan hệ H = ai × DBHb theo 3
cấp Hi:
Bảng 9. Tham số của mô hình H = f(DBH) lựa chọ n,
trên cơ sở toàn bộ dữ liệu
Cấp H 1 với S26: H = 3,409200 × DBH0,568826 (10)
Cấp H 2 với S21: H = 2,743552 × DBH0,568826 (11)
Cấp H 3 với S16: H = 2,077904 × DBH0,568826 (12)
Sai số tiêu
Tham số
chuẩn của tham
số
Mô hình
lựa chọ n
a
b
a
b
Trong thực tế để xác định chiều cao chỉ thị Si
tiến hành đo H, DBH khoảng 3 cây trong mộ t cấp
kính đại diện của lâm phần (ví dụ rừng non thì có
thể đo ở cấp kính nhỏ 10 - 20 cm, trong khi đó
rừng thành thục thì nên tiếp cận cấp kính 30 - 40
H =
a×DBHb
2,796423 0,568826 0,16550 0,021573
3
Ghi chú: Các tham số đề u có mức ý nghĩa P-
value < 0,0001
cm), sau đó tính trung bình có
và
i. Chiều
i
cao chỉ thị Si tại DBH = 35 cm của lâm phần điều
104
N«ng nghiÖp vµ ph¸t triÓn n«ng th«n - KỲ 1 - TH¸NG 12/2016
KHOA HỌ C CÔNG NGHỆ
tra (chỉ số lập địa Si) sẽ được tính toán theo công
thức sau:
Si = i × (35 /
ba cấp chiều cao chỉ thị Si (chỉ số lập địa) sẽ nâng
cao độ chính xác rõ rệt vì các đường cong này
bao phủ hầu như toàn bộ dữ liệu AGB quan sát
theo cấp DBH.
0,568826
)
i
(13)
Hình 4 biểu diễn mô hình Hi = ai×DBHb theo
ba cấp chiều cao chỉ thị khác nhau Si. Hình này cho
thấy việc phân chia 3 cấp H là phù hợp, các đường
cong H/DBH phủ khá kín đám mây điểm quan sát
thực tế H/DBH.
3.5. Mô hình sinh khố i lâm phần (TAGB, TBGB)
theo biến số BA
Thiết lập mô hình ước tính sinh khố i lâm phần
trên và dưới mặt đất (TAGB và TGBG, tấn/ha) với
biến số đầu vào lâm phần có thể thu thập bởi
cộ ng đồ ng địa phương là tổ ng tiết diện ngang
(BA, m2/ha) bằng dụng cụ Bitterlich. Hình 6 cho
thấy xu hướng quan hệ giữa TAGB và TBGB theo
BA theo dạng đường thẳng hoặc dạng mũ; vì vậy
các dạng mô hình này được thử nghiệm. Ngoài ra
nhìn vào các đồ thị này thấy rằng TAGB và TBGB
biến độ ng càng cao khi BA tăng, vì vậy mô hình
Maximum Likelihood có trọ ng số cần được áp
dụng để làm giảm sai số ước tính TAGB và TBGB
khi cấp BA tăng.
Thế các mô hình Hi = ai×DBHb theo 3 cấp
chiều cao chỉ thị Si vào biến H của mô hình AGB =
a × DBH2H sẽ có được mô hình AGB với mộ t biến
số DBH và tham số ai thay đổ i theo chiều cao chỉ
thị Si: AGB = ai×DBHb:
Cấp H 1: S26: AGB = 0,144171 × DBH2,469418 (14)
Cấp H 2: S21: AGB = 0,116997 × DBH2,469418 (15)
Cấp H 3: S16: AGB = 0,089569 × DBH2,469418 (16)
Kết quả ở bảng 10 cho thấy các mô hình dạng
power: TAGB = a×BAb và TBGB = a×BAb được lựa
chọ n vì có AIC trung bình bé hơn mô hình tuyến
tính. Sai số trung bình từ 200 lần rút mẫu 30% dữ
liệu để đánh giá không tham gia lập mô hình cho
thấy các mô hình ước tính sinh khố i của lâm phần
có sai số nhỏ , MAPE 9,1 – 12,4%.
Hình 5. Đ ồ thị ước lượng AGB theo mộ t biến số
DBH và ba cấp chiều cao chỉ thị Si so với dữ liệu
quan sát
Các tham số của các mô hình sinh khố i lâm
phần lựa chọ n được ước tính từ toàn bộ số liệu;
kết quả được thể hiện ở hình 6 trình diễn mô hình
mũ ước tính TAGB và TBGB theo BA so với toàn bộ
dữ liệu ô mẫu và biến độ ng sai số của mô hình có
trọ ng số theo giá trị sinh khố i lâm phần ước tính.
Trong thực tế không cần đo H toàn bộ , chỉ
cần xác định cấp Hi qua chiều cao chỉ thị Si để lựa
chọ n mô hình AGB theo mộ t biến DBH thích hợp
nhờ đo cao 3 cây ở mộ t cấp kính đại diện trong
lâm phần điều tra. Kết quả ở hình 5 chỉ ra mô
hình ước tính AGB theo mộ t biến số đầu vào của
cộ ng đồ ng là DBH nhưng được phân chia thành
Bảng 10. So sánh và thẩm định chéo mô hình ước tính TAGB và TBGB theo BA
Mô hình
Trọ ng số
1/BAk
AIC
Adj. R2
RMSPE (%)
17,9
Bias (%)
-1,8
MAPE (%)
13,0
TAGB = a + b BA
2230
0,891
105
N«ng nghiÖp vµ ph¸t triÓn n«ng th«n - KỲ 1 - TH¸NG 12/2016
KHOA HỌ C CÔNG NGHỆ
Mô hình
Trọ ng số
AIC
2127
1145
1032
Adj. R2
0,887
0,930
0,925
RMSPE (%)
16,2
Bias (%)
-2,1
MAPE (%)
12,4
TAGB = a×BAb (*)
TBGB = a + b BA
TBGB = a×BAb (*)
12,4
-1,8
9,1
1/BAk
12,2
-1,3
9,1
(*) Mô hình lựa chọ n theo biến số đầu vào. Giá trị thố ng kê, sai số được tính trung bình từ 200 lần rút
mẫu ngẫu nhiên: lập mô hình với 70% dữ liệu, tính các chỉ tiêu so sánh mô hình AIC và R2; đánh giá mô
hình với 30% dữ liệu, tính các sai số RMSPE, Bias% và MAPE%
Bảng 11. Tham số của mô hình TAGB và TBGB lựa
chọ n trên cơ sở toàn bộ dữ liệu
Sai số tiêu chuẩn
của tham số
Mô hình
lựa
Tham số
chọ n
a
b
a
b
TAGB =
a×BAb
3,992639 1,163908 0,215972 0,016557
0,638988 1,086061 0,022851 0,011119
TBGB =
a×BAb
Ghi chú: Các tham số đều có mức ý nghĩa P-
value < 0,001
Hình 6. Trái: Mô hình so với toàn bộ dữ liệu quan
sát, Phải: Sai số có trọ ng số theo ước tính qua mô
4. KẾT LUẬ N
hình.
A) Mô hình TAGB = a×BAb; B) Mô hình TBGB =
a×BAb
Phương pháp thiết lập mô hình sinh khố i dạng
lũy thừa (power) phi tuyến tính hợp lý cực đại
(Maximum Likelihood) có trọ ng số và có xét đến
ảnh hưởng của các nhân tố lâm phần cho độ tin
cậy cao hơn phương pháp thông dụng là tuyến
tính logarit bình phương tố i thiểu.
Nếu sử dụng mô hình ước tính sinh khố i lâm
phần sẽ mắc sai số tích lũy từ sai số sử dụng mô
hình sinh khố i của cây. Tuy nhiên sai số MAPE tích
lũy thêm khi sử dụng các mô hình lâm phần
khoảng 10% có thể chấp nhận được khi không có
yêu cầu độ chính xác quá cao; trong khi đó việc đo
đạc biến số BA sẽ giảm việc thu thập số liệu cây
cá thể. Đ iều này cũng đồ ng nhất với kết luận của
Torres và Lovett (2013) khi sử dụng BA làm biến
đầu vào cho mô hình ước tính sinh khố i và các bon
lâm phần ở Mexico, nó giúp làm giảm khố i lượng
điều tra hiện trường rất lớn so với sử dụng mô
hình sinh khố i cây cá thể.
Mô hình sinh khố i cây rừng trên mặt đất AGB
theo biến đầu vào đơn giản mà cộ ng đồ ng có thể
thu thập chính xác là DBH, đồ ng thời độ tin cậy
của nó được cải thiện khi phân chia mô hình theo
ba cấp chiều cao dạng AGB = ai×DBHb, trong đó
tham số ai thay đổ i theo chiều cao chỉ thị lập địa Si.
của lâm phần điều tra. Mô hình ước tính sinh khố i
cây rừng dưới mặt đất BGB có độ tin cậy cao nhất
với mộ t biến số DBH dạng BGB = a×DBHb là phù
hợp với dữ liệu đo đạc, giám sát của cộ ng đồ ng.
106
N«ng nghiÖp vµ ph¸t triÓn n«ng th«n - KỲ 1 - TH¸NG 12/2016
KHOA HỌ C CÔNG NGHỆ
Mô hình ước tính sinh khố i lâm phần trên và
5. Furnival, G. M. (1961). An index for
dưới mặt đất là: TAGB = a×BAb và TBGB = a×BAb, comparing equations used in constructing volume
trong đó BA cộ ng đồ ng có thể đo đạc được trên tables. For. Sci. 7: 337-341.
hiện trường bằng thước Bitterlich. Sử dụng mô
hình ước tính sinh khố i lâm phần chỉ đo đạc biến
BA làm giảm số liệu thu thập và chi phí, tuy nhiên
sai số MAPE sẽ tích lũy thêm 9-12% so với sử dụng
mô hình cho cây rừng.
6. Hijmans, R. J., Cameron, S. E., Parra, J. L.,
Jones, P. G., Jarvis, A., 2005. Very high resolution
interpolated climate surfaces for global land areas.
International Journal of Climatology 25: 1965-1978.
7. Huy, B., Kralicek, K., Poudel, K. P., Phuong, V.
T., Khoa, P. V., Hung, N. D., Temesgen, H., 2016b.
TÀI LIỆU THAM KHẢ O
Allometric
Equations
for
Estimating
Tree
1. Brown, S., 1997. Estimating biomass and
biomass change of tropical forests: A Primer. FAO
Forestry paper 134. ISBN 92-5-103955-0. Available
at:
Aboveground Biomass in Evergreen Broadleaf
Forests of Viet Nam. For. Ecol. and Mgmt. 382: 193-
205.
8. Huy, B., Nguyen, T. T. H, N. T. T., Sharma, B.
D., Quang, N. V., 2013. Participatory Carbon
Monitoring: Manual for Local Staff; Local People and
Field Reference. (In English and Vietnamese). SNV
Netherlands Development Organization, REED+
Programme. Publishing permit number: 1813- -
2013/CXB/03-96/TĐ .
2. Cairns, M. A., Brown, S., Helmer, E. H.,
Baumgardner, G. A., 1997. Root biomass allocation
in the world's upland forests. Oecologia. 1997; 111:
1-11.
3. Chave, J., Mechain, M. R., Burquez, A.,
Chidumayo, E., Colgan, M. S., Delitti, W. B. C.,
Duque, A., Eid, T., Fearnside, P. M., Goodman, R. C.,
Henry, M., Yrrizar, A. M., Mugasha, W. A.,
Mullerlandau, H. C., Mencuccini, M., Nelson, B. W.,
Ngomanda, A., Nogueira, E. M., Malavassi, E. O.,
Pelissier, R., Ploton, P., Ryan, C. M., Saldarriaga, J. G.,
Vieilledent, G., 2014. Improved allometric models to
estimate the aboveground biomass of tropical trees.
Global Change Biology 20: 3177-3190. DOI
10.1111/gcb.12629.
9. Huy, B., Poudel K.P., Temesgen, H., 2016a.
pantropical models. For. Ecol. and Mgmt. 376: 276-
282.
10. IPCC (Intergovernmental Panel on Climate
Change), 2006. IPCC Guidelines for National
Greenhouse Gas Inventories. Chapter 4. Forest land.
Prepared by the National Greenhouse Gas
Inventories Programme, Eggleston H.S., Buendia L.,
Miwa K., Ngara T., Tanabe K., (eds). Published: IGES,
Japan.
4. Fischer, G., Nachtergaele, F. O., Prieler, S.,
Teixeira, E., Toth, G., van Velthuizen, H., Verelst, L.,
Wiberg, D., 2008. Global Agro-ecological Zones
Assessment for Agriculture (GAEZ 2008). IIASA,
Laxenburg, Austria and FAO, Rome, Italy.
11. Jayaraman, K., 1999. A Statistical Manual for
Forestry Research. FAO, 231pp.
12. Nam, V. T., van Kuijk, M., Anten, N. P. R.,
2016. Allometric equations for aboveground and
107
N«ng nghiÖp vµ ph¸t triÓn n«ng th«n - KỲ 1 - TH¸NG 12/2016
KHOA HỌ C CÔNG NGHỆ
belowground biomass estimations in an evergreen people and local communities. International Institute
forest in Vietnam. PLoS ONE 11(6): e0156827. DOI for Geo- information Science and Earth Observation
10.1371/journal.pone.0156827.
(ITC).
18. Vogt, K. A., Vogt, D. J., Palmiotto, P. A.,
13. Pinheiro, J., Bates, D., Debroy, S., Sarkar, D.
& Team, R. C., 2014. nlme: Linear and nonlinear
mixed effects models. R package version 3.1-117.
Boon, P., O’Hara J., Asbjornsen H., 1996. Review of
root dynamics in forest ecosystems grouped by
climate, climatic forest type and species. Plant and
Soil. 187: 159-219. DOI 10.1007/BF00017088.
14. Temesgen, H., Zhang, C. H., Zhao, X. H.,
2014. Modelling tree height-diameter relationships
in multi-species and multi-layered forests: A large
observational study from Northeast China. Forest
Ecology and Management 316, 78-89.
19. Yuen, J. Q., Ziegler, A. D., Webb, E. L., Ryan,
C. M., 2013. Uncertainty in below-ground carbon
biomass for major land covers in Southeast Asia.
15. Torres, A. B., Lovett, J. C., 2013. Using basal Forest Ecology and Management, 310: 915-926. DOI
area to estimate aboveground carbon stocks in 10.1016/j.foreco.2013.09.042.
forests: La Primavera Biophere’s Reserve, Mexico.
20. Ziegler, A. D., Phelps, J., Yuen, J. Q., Webb, E.
Forestry 86(2013): 267-281.
L., Lawrence, D., Fox, J. M., Bruun, T. B., Leisz, S. J.,
16. UNFCCC, 1997
–
2011: United Nation
Ryan, C. M., Dressler, W., Mertz, O., 2012. Carbon
outcomes of major land-cover transitions in SE Asia:
great uncertainties and REDD+ policy implications.
Global Change Biology, 18(10): 3087-3099. DOI
0.1111/j.1365-2486.2012.02747.x.
Framework Convention on Climate Change. United
Nations.
17. Van Laake, P., 2008. Forest biomass
assessment in support of REDD by indigenous
ALLOMETRIC EQUATIONS FOR ESTIMATING FOREST BIOMASS USING THE PREDICTOR VARIABLES
MEASURED BY LOCAL COMMUNITY
Pham Tuan Anh1, Bao Huy2
1Department of Planning and Investment Dak Nong province
2Tay Nguyen University
Summary
To perform participatory carbon monitoring under United Nation – Reducing Emissions from
Deforestation and Forest Degradation (UN-REDD+) program, there is an important need to develop
biomass equations using the predictor variables measured by local people. These equations need to be
accurate and provide quantifiable uncertainty. Using data from 222 destructively sample trees for
developing tree biomass models and 323 sample plots for stand biomass equations, a set of models were
developed to estimate tree aboveground biomass (AGB), tree belowground biomass (BGB), total AGB
(TAGB) and toal BGB (TBGB) in evergreen broadleaf forests (EBLF) of the Central Highlands of Viet Nam.
Diameter at breast height (DBH) and basal area (BA) were used as covariates of the tree and stand
biomass models respectively. Effect of basal area (BA) and site index (Si) on AGB and BGB were examined.
Best models were selected based on mainly Akaike Information Criterion (AIC) and visual interpretation of
model diagnostics. Cross-validation statistics of percent bias, root mean square percentage error (RMSPE),
108
N«ng nghiÖp vµ ph¸t triÓn n«ng th«n - KỲ 1 - TH¸NG 12/2016
KHOA HỌ C CÔNG NGHỆ
and mean absolute percent error (MAPE) were computed by randomly splitting data 200 times into model
development (70%) and validation (30%) datasets and averaging over the 200 realizations. Using the
method of power nonlinear weighted Maximum Likelihood and taking into account the effect of stand
factors obtained the reliability higher than commonly used method is logarithmic linear least squares. The
cross-validation provided quantifiable errors of the developed models. The selected models using the
predictor variables measured and monitored by local communties for estimating AGB and BGB were the
equation forms AGB = ai×DBHb (ai are parameters associated with Si) and BGB = a×DBHb; for estimating
TAGB and TBGB were TAGB = a×BAb and TBGB = a×BAb. Using the stand biomass models reduce the
data collection but MAPE increase 9-12% compared to the tree biomass models.
Keywords: Biomass model, community, participatory, simple predictor variable.
Người phản biện: GS.TS. Võ Đ ại Hải
Ngày nhận bài: 30/9/2016
Ngày thông qua phản biện: 02/11/2016
Ngày duyệt đăng: 9/11/2016
109
N«ng nghiÖp vµ ph¸t triÓn n«ng th«n - KỲ 1 - TH¸NG 12/2016
14 trang
10580
Free
Bạn đang xem tài liệu "Mô hình ước tính sinh khối rừng sử dụng biến số đầu vào cộng đồng có khả năng đo đạc", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- mo_hinh_uoc_tinh_sinh_khoi_rung_su_dung_bien_so_dau_vao_cong.pdf
