尾巨桉林分生長對間伐和修枝響應的分析與預測

張士韜，歐陽林男，陳少雄*，楊嘉麒

(1. 中國林業科學研究院速生樹木研究所，廣東 湛江 524022；2. 南京林業大學林學院，江蘇 南京 210037)

人工林是世界森林資源的重要組成部分。它在木材生產、改善環境和景觀建設和減緩氣候變化等方面發揮著重要作用。隨著世界整體對自然森林的保護越來越強，人工林所承擔的經濟和生態壓力越來越重[1]。我國是全球第二大木材消耗國，人工林的大規模建立支撐了我國現代林業的發展，其覆蓋面積居世界第一，達7 954 萬hm2，2022 年人工造林120.1 萬hm2，占全年總造林面積的31.4%[2]。但由于營林技術不規范，我國人工林仍然面臨著結構混亂、質量低下、生態穩定性差和生態功能較弱等問題，不合理采伐和幼齡林超強度采伐現象依然普遍[3]。我國木材進口量仍是全球第一[4]，人工林發展的一系列問題導致其無法滿足木材剛性需求。人工林撫育是保障幼林成活、成林、成材的關鍵措施[5]。間伐與修枝是人工林撫育的重要手段，兩項手段及其變化，如方式、強度、時機和地點等都直接作用到樹冠結構[6]，而樹冠結構、大小等都通過影響林木光合作用和各器官生物量的分配從而改變林分生長[7]。合理的間伐和修枝通過調整林分和枝條間的密度，能優化林分結構，降低林木競爭壓力，促進保留木和枝條的生長發育，縮短林木培育時間[8]。

桉 樹 是 桃 金 娘 科(Myrtaceae) 桉屬(Eucalyptus)、傘房屬(Corymbia) 和杯果木屬(Angophora)植物的統稱，是國際上主要的速生人工林樹種，其覆蓋面積超過2 500 萬hm2。到2019 年，我國桉樹人工林已覆蓋546.74 萬hm2的面積，在我國人工林總面積中居第三位[9]。它對維護我國國家戰略木材安全、促進經濟發展和維持生態平衡等方面作出了巨大貢獻。尾巨桉(Eucalyptus urophylla×Eucalyptus grandis)是 尾 葉桉(Eucalyptus urophyllaS.T. Blake)和 巨桉(Eucalyptus grandisW. Mill ex Maiden)雜交種，有著干形好、生長發育迅速、抗逆性強的優點[10]，在20 世紀80 年代在我國成功雜交獲得尾巨桉后，其逐漸作為華南地區最主要的速生桉樹雜交種之一[11]。現有不少研究表明，不同強度的間伐和修枝對尾巨桉人工林林分生長的影響有差異[12-13]。但這些研究多是單獨研究間伐或修枝的效果，少有考慮間伐和修枝一并進行而產生的綜合效應，對尾巨桉人工林培育的指導作用略顯不足。鑒于此，本研究以尾巨桉無性系為研究對象，以4 種不同強度的間伐和修枝組成16 種處理，分析不同處理對尾巨桉人工林林分生長的影響，并對不同間伐和修枝及其交互效應進行綜合評價，構建并充分驗證尾巨桉林分生長增量指標對間伐和修枝響應的BP 人工神經網絡預測模型，為尾巨桉人工林的大徑材培育提供科學合理的理論依據和實踐參考。

1 材料與方法

1.1 試驗地概況

試驗地位于廣東省遂溪縣嶺北鎮南方國家林木種苗示范基地(21°26′ N,110°09′ E)，屬于北熱帶濕潤大區雷瓊區北緣，海洋性季風氣候，年平均氣溫23.1℃，全年降雨量約為1 567 mm，雨季是5 月—9 月，年相對濕度為80.4%，海拔101.56～136.47 m，土壤類型主要是淺海沉積物磚紅壤、玄武巖磚紅壤、砂頁巖紅壤，pH 值4.5～5.3，有機質含量大于10 g·kg-1。試驗林地共計3.34 hm2，處于低山丘陵地帶，樣地坡度在5°～10°。2016 年4 月造林，造林密度1 250 株·hm-2，挖機挖穴(70 cm × 70 cm × 60 cm)，基肥1 次(500 g·穴-1)，第2 年開始追肥2 次，每年追肥1 次(500 g·株-1)。在試驗林地中布設48 塊樣地，每塊樣地面積400 m2，相鄰樣地間設置保護行。幼林最初3 a 每年除草2 次，3 a 后每年除草1 次。

1.2 試驗設計與指標測定

2018 年8 月，選樣地內28 月齡的尾巨桉為研究對象，采用雙因素試驗設計，以間伐株數占樣地初始株數的百分比確立4 種間伐強度，分別是60%（強度間伐）、40%（中度間伐）、20%（弱度間伐）和0%（不間伐對照），對應樣地保留林分密度為400、600、800 和1 250 株·hm-2。以修枝后無枝條樹干高占平均樹高的百分比為標準確立4 種修枝強度，分別是38.18%（5 m）、42.39%（6 m）、48.18%（7 m）和0%（不修枝對照），兩者共組成16 種處理，每種處理3 塊樣地依據設計進行間伐和修枝處理。在處理后立即對標準地進行林分生長調查，對樣地內每株尾巨桉進行每木檢尺，測量胸徑(DBH)、樹高(H)、枝下高(He)和兩個方向的冠幅，計算平均冠幅(C)、用廣西林科院研制的材積公式計算單株材積(V)[14]：

依據單株材積計算每塊樣地的蓄積量(SV)，作為樣地林分基礎生長數據，依據胸徑統計情況劃分樣地尾巨桉徑階分布。由于林分基礎生長數據中基礎胸徑大于8 cm 的尾巨桉占據99% 以上，滿足小徑材的出材標準[15]，故將當次測量的蓄積量與間伐材的材積量之和作為當次測量樣地出材量。

在之后的第12、24、44 和56 個月（對應林齡分別為3.3、4.3、6.0、7.0 a）進行相同調查組成4 個時期的生長指標，與林分基礎生長對應指標的差值作為林分生長累積增量指標，包括樹高累積增量(Hi)、平均冠幅累積增量(Ci)、胸徑累積增量(DBHi)、單株材積累積增量(Vi)。因此該雙因素試驗的方差分析數學模型為：

其中yTPk是4 種增量因子在不同效應影響下的觀測值，μi是樣本均值，αT和βP分別是間伐和修枝的主效應值，γTP是間伐和修枝各自水平的交互效應，eTPk是隨機誤差。

依據模型(1)，分別對前3 個時期不同增量因子受間伐和修枝的主體效應和交互效應進行顯著性檢驗和多重比較。由于第56 個月的指標數據量遠小于前3 個時期，故第4 個時期指標僅用于BPNN 模型預測性能的驗證。

1.3 數據分析

1.3.1 基本數據分析 數據采用WPS Office 2019 進行整理，Matlab R2019b 用于BP 神經網絡(BPNN)的構建和內部測試，R-4.2.2 用于雙因素方差分析(two-way ANOVA)、Duncan 多重比較和BPNN 的驗證，Origin 2021 用于制作矢量圖。

1.3.2 BPNN 的構建 首先是選擇模型輸入與輸出因子，輸入因子包括：間伐強度(T)、修枝強度(P)、林齡(A)。輸出因子為林分生長增量因子，包括胸徑、樹高、冠幅和單株材積增量。選擇的各個林分生長因子的意義不同，并且在數值上相差較大，為了消除數值量級差異對模型建立和預測的影響，需用公式(2)對數據進行歸一化處理，轉化為無量綱數據，該步驟將在Matlab 中自動完成。再將樣本分為訓練集和測試集，訓練集占數據的80%，用于模型構建訓練，測試集占20%，用于模型訓練性能評估。

式中：Xs為歸一化后的值；X為歸一化前的值；Xmin為變量值下限；Xmax為變量值上限。

對訓練好的BP 神經網絡模型輸入測試集的輸入參數矩陣，將網絡輸出的林分生長增量訓練值矩陣與測試集的實際值矩陣進行比較檢驗，結合檢驗結果，判斷所建BPNN 預測林分生長增量的可行性。矩陣檢驗的方法包括均方根誤差(RMSE)，Kappa 一致性檢驗和Pearson 相關性分析。

RMSE是將BP 神經網絡的訓練值K和實際值O的均方差開根號，RMSE的定義見公式(3)，體現的BP 神經網絡訓練的準確程度，值越小，訓練值越接近于實際值，模型越有效，反之越差。Kappa檢驗是一致性檢驗的指標，也可以檢驗模型訓練結果和實際結果是否一致。Kappa系數的大小決定了一致性的程度（見公式(4)），當Kappa系數在0～0.2 時，一致性程度較差，0.2～0.4 代表一致性程度一般，0.4～0.6 代表程度中等，0.6～0.8 代表程度較強，0.8～1 代表有很強的一致性。Pearson相關性分析的r值反映兩個變量間的線性相關程度（見公式(5)），r越大相關性越高，反之越差。

式中：Ti是用于檢驗結果的每個實際數據，N是用于檢驗結果的數據個數；n是所有實際數據和訓練數據之和；a和b分別代表的是訓練數據和實際數據；mK、mO是實際值K和訓練值O的平均值

本研究的數據關系為非線性，因此BP 神經網絡采用單隱含層結構。隱含層神經元節點數的確定目前沒有標準，本研究以比較法確定，鑒于確立原則之一是其數量小于輸入因子數的2 倍[16]，分別建立隱含層神經元節點數為1、2、3、4、5 的BPNN，在建立過程中對相同神經元節點數的BPNN 進行10 次重復訓練，對訓練完成的BPNN 輸入測試集進行性能評估，具體方法為：(1)完成訓練并求得不同模型不同因變量的RMSE、Kappa系數和相關系數r值；(2) 取10 次訓練性能平均值作為評測值；(3) 以RMSE最低、Kappa值和r值最高的節點數為標準，確定訓練效果最好的BPNN 模型。

2 結果與分析

2.1 間伐和修枝及交互效應對尾巨桉人工林林分生長的影響

2.1.1 間伐對尾巨桉林分生長的影響 圖1 展示了3 種林齡下林分生長增量隨間伐強度增加的變化趨勢。樣地胸徑增量隨著間伐強度的增大，呈先減少后增加的趨勢，且此趨勢隨著林齡的增加變得越明顯（圖1A）。樣地單株材積增量和樹高增量的變化趨勢與胸徑增量變化趨勢類似，不同的是不間伐的樣地樹高增量顯著最高（圖1B、D）。60%間伐在3.3、4.3 和6 a 這3 個林齡階段均有著顯著最高的胸徑增量（1.72、3.78 和6.59 cm）和最高的單株材積增量（0.56、1.36 和2.8 m3）。間伐均顯著提高樣地的冠幅增量，其中20%和60%間伐的提升效果比40%間伐更明顯（圖1C）。尾巨桉林分的出材量隨著間伐強度的增大而減少，且出材量的減少程度隨著林齡增加而顯著增大。綜上，間伐促進冠幅增長；隨著間伐強度增大，胸徑增量、樹高增量和單株材積增量均有著先減小后增大的趨勢，且這種趨勢會隨著林齡增加而變得更明顯，說明40%及以上強度的間伐更有助于胸徑和單株材積的增長，但至少在6.0 a 內會顯著降低出材量。

圖1 3 種林齡時期不同間伐強度下林分生長增量結果Fig. 1 Results of stand growth increment under different thinning intensities at three stand ages

2.1.2 修枝對尾巨桉林分生長的影響 圖2 展示了修枝對林分生長增量的影響趨勢。胸徑、樹高和單株材積增量隨修枝強度的增大，均呈現先增大再減小，之后再增大的趨勢（圖2A、B、D）。38.18%修枝在林齡為3.3、4.3 和6.0 a 階段均有著最高的胸徑增量（1.76、3.67 和6.25 cm）、樹高增量（3.14 、5.39 和8.93 m） 和單株材積增量（0.58、1.30 和2.72 m3）。修枝顯著降低了林分冠幅增量（圖2C）。綜合5 張圖來看，圖2B、C 的曲線比圖2A、D、E 波動更大，說明修枝對尾巨桉林分生長的影響主要體現在樹高和冠幅上。38.18%修枝能促進尾巨桉胸徑和樹高生長，是最適宜尾巨桉6.0 a 內林分生長的修枝強度，與不修枝相比，修枝對尾巨桉出材量沒有影響，但顯著降低了冠幅增量。

圖2 3 種林齡時期不同修枝強度下林分生長增量結果Fig. 2 Results of stand growth increment under different pruning intensities at three stand ages

2.1.3 交互效應對尾巨桉林分生長的影響 通過雙因素方差分析中交互效應的顯著性檢驗得出，間伐和修枝的交互效應對胸徑有顯著影響，對樹高、冠幅和單株材積的影響極顯著（表1）。交互效應的結果，以顏色色系冷暖程度來表示不同間伐和修枝處理后的尾巨桉人工林胸徑、樹高、冠幅和單株材積增量平均值，不同處理顏色具有差異則代表相應的處理差異明顯（圖3）。結果表明，60%間伐 + 48.18%修枝處理最能促進胸徑(3.00 cm)和單株材積(1.16 m3)的增長，且顯著優于其他所有處理（圖3A、D）。就樹高生長而言，不間伐情況下修枝的促進效果顯著優于不修枝處理，其中不間伐 + 38.18%修枝最優（圖3B）。間伐比修枝更有助于冠幅生長（圖3C），其中增量最大的是20%間伐 + 不修枝。綜合來看，60% 間伐 +48.18%修枝處理最能促進尾巨桉胸徑和單株材積生長，對冠幅生長也有顯著促進作用，是促進尾巨桉林分生長的最佳撫育方式。

表1 基于間伐與修枝交互效應的方差分析Table 1 Variance analysis table based on the interaction effect of thinning and pruning

圖3 交互效應對林分生長增量影響的熱力圖Fig. 3 Thermal map of the interaction effect on stand growth increment

2.2 間伐和修枝及交互效應對尾巨桉人工林徑階分布的影響

2.2.1 間伐對尾巨桉徑階分布的影響 圖4A 展示了不同時期4 種間伐強度下尾巨桉各徑階株數占總株數的百分比。間伐前，各林分的尾巨桉株數高峰均位于徑階12 cm，不同的是與準備間伐的樣地相比，對照林分有更多尾巨桉位于徑階10 cm（占32.37%）。3.3 a 林齡時，尾巨桉徑階高峰均是14 cm，該徑階株數占比分別是44.53%（不間伐）、58.74%（20% 間伐）、66.55%（40%間伐）和76.92%（60%間伐），所有林分的第二高峰均是12 cm，說明尾巨桉本身胸徑早期生長發育迅速，間伐在短期內不足以對徑階分布產生影響。4.3 a 林齡時，不同間伐強度的徑階分布高峰出現差異，不間伐和20% 強度間伐徑階高峰均為14 cm，分別占37.41% 和51.89%，第二高峰是16 cm，分別占35.25% 和43.08%；40% 和60%強度間伐分布結果則恰好相反，徑階高峰位于16 cm 的分別占57.54%和70.36%，徑階位于14 cm的分別占36.49% 和17.79%，依據圖4A 的初始徑階分布和表1 的胸徑增量多重比較，40%和60%間伐的徑階分布隨林齡增加逐漸向右偏移，中徑材占比有增多的趨勢，并且60%高強度間伐下這種趨勢更加明顯。6 a 林齡時，不間伐林分的徑階高峰為16 cm（占42.11%），間伐林分的徑階高峰都在18 cm，不同的是40%和60%間伐的第二高峰是20 cm，分別占15.08% 和28.28%，20%間伐的第二高峰則是16 cm（占40.52%）。由此表明，間伐從長期來看均利于林分徑階分布右偏，高強度的間伐更有助于優化尾巨桉林分結構，促進林木胸徑生長，60% 強度間伐的效果最為明顯。

圖4 不同時期4 種間伐和4 種修枝強度下林分徑階分布Fig. 4 Distribution of stand diameters and steps under 4 thinning and 4 pruning intensities at different periods

2.2.2 修枝對尾巨桉徑階分布的影響 圖4B 展示了修枝對尾巨桉徑階分布的影響。林分初始徑階分布高峰均位于12 cm，不修枝林分占比最高（85.77%）。4 個時期不同修枝下尾巨桉徑階分布的高峰、第二高峰情況基本一致，說明修枝對尾巨桉徑階分布的影響程度遠不如間伐強。差異出現在林齡6 a 時，4 種修枝強度林地徑階分布高峰均是18 cm，但不修枝的林地在該徑階占比最高（65.63%），比修枝林地高了約10%，而修枝林地尾巨桉位于20 cm 和22 cm 的徑階占比之和恰好比不修枝林地多出約10%，表明修枝從長期來看促進尾巨桉徑階分布右偏。綜上，修枝利于尾巨桉胸徑生長，效果不如間伐，不同強度的修枝對尾巨桉林分徑階分布的影響沒有顯著差異。

2.2.3 交互效應對尾巨桉徑階分布的影響 通過計算不同處理在同一徑階下分布比例的方差，以該徑階占比在不同處理下的離散程度來衡量受交互效應的影響程度[17]，方差越大交互效應的影響程度越高。本研究中，8 cm 和22 cm 徑階在4 個林齡下的方差很小，受交互效應影響程度很低，其他徑階受交互效應的影響均有不同程度的變異，因此有必要分析10 cm 到20 cm 共6 個徑階受交互效應的影響（表2）。間伐前2.3 a 林齡時，林木大多數徑階均位于12 cm（圖5B）。3.3 a 林齡時，林木徑階在10、12 和14 cm 均有分布，間伐強度越高，徑階位于14 cm 的林木越多（圖5A～C），60%間伐 + 48.18%修枝的樣地林木位于14 cm的徑階占比最高（89.58%）。4.3 a 林齡時，40%及以上的間伐樣地林木徑階更多位于16 cm，40%以下的間伐樣地則多數位于徑階14 cm，不間伐的樣地林木仍有部分徑階位于10 cm 和12 cm，而60%間伐 + 48.18%修枝的樣地有47.06%的林木徑階位于20 cm（圖5）。6 a 林齡時，少數不間伐和20% 間伐的樣地徑階位于16 cm（圖5D），40% 間伐和60% 間伐的樣地林木多數徑階位于18 cm（圖5E），在徑階20 cm 的分布中，60% 間伐 + 42.39%修枝處理的占比最高（50.00%，圖5F）。綜合圖5 來看，在林齡高于2.3 a 時，間伐強度越大，樣地林木位于更高徑階的占比越高，即與修枝相比，間伐更有助于尾巨桉林分徑階分布右偏。42.39%及以上的修枝強度與60% 強度間伐相結合的樣地林木胸徑生長迅速，是優秀的人工林撫育措施。

表2 8 個徑階在不同處理下占比的方差 Table 2 The variance of the proportions of the same diameter grade under different treatments

2.3 BPNN 的構建與性能分析

2.3.1 BPNN 的構建 基于Matlab R2019b 平臺構建輸入因子與林分生長增量因子的BP 神經網絡模型，模型參數設置如下：激活函數采用“tansig”（輸入層）和“purelin”（輸出層）；訓練函數為“traninbr”；網絡學習速率net.trainParam.lr=0.05；允許訓練最大步數為1 500；期望誤差為0.000 1。訓練集內部設置訓練數據占80%，驗證數據和測試數據占10%，對5 種模型的訓練性能評估結果見表3。

表3 不同隱含層節點數的BPNN 的訓練性能結果 Table 3 Trained performance results of BPNN with different number of hidden neurons

2.3.2 BPNN 的選擇 如表3 所示，除了胸徑增量訓練效果最優的是隱含層節點數為5 的BPNN，次優的節點數為4 以外，其余增量因子最優的均是節點數為4 的BPNN。BPNN 訓練冠幅增量的Kappa 系數和相關系數小于其它因子，其中冠幅一致性等級明顯低于其他因子。綜上，BPNN 對冠幅增量的訓練效果不如其它林分生長增量因子。隱含層節點數為4 的BPNN 訓練效果最佳，設最佳預測模型的隱含層神經元分別為M1、M2、M3和M4，訓練在第430 次時終止，此時根據權值矩陣和閾值矩陣結果確定傳遞函數。

輸入層到隱含層的傳遞函數表達式為：

隱含層到輸出層的傳遞函數表達式為：

最佳BPNN 結構見圖6：Lm1為輸入層到隱含層的偏移量，Lm2為隱含層到輸出層的偏移量。

圖6 BP 神經網絡模型結構Fig. 6 Structure diagram of BP neural network model

將訓練集中的20% 用于模型仿真測試數據，上述模型的網絡輸出仿真值與訓練集的實際值進行仿真比較，決定系數R2反映BP 神經網絡的仿真值對實際值的決定程度，其值越大說明內部仿真結果越準確。比較結果如圖7 所示。

圖7 基于貝葉斯正則化算法的林分生長增量因子預測理論值與實際值回歸分析Fig. 7 Regression line of predicted and actual values of stand growth increment factor based on Bayesian regularization algorithm

從圖7 可以看出，觀測值和訓練值貝葉斯正則化算法線性方程擬合R2為0.950 4，說明該模型在擬合程度較高，可以解釋95.04%的訓練值增量因子變異。將7 a 林齡的數據用于模型預測性能驗證數據，以模型的網絡輸出預測值與不同間伐和修枝處理的數據平均值進行比較，以模型訓練評估參數用于模型預測性能檢驗，結果如表4 所示。

表4 模型預測檢驗結果Table 4 Test results of BPNN predicted

由表4 又得知，BPNN 模型對胸徑和綜合評價的預測結果很好，而對樹高和單株材積的預測結果較差，可能因為第84 個月僅調查少部分尾巨桉的樹高，而調查了林地絕大多數尾巨桉的胸徑，導致樹高數據量遠小于胸徑數據量，低于大樣本統計的要求，由此可得，該模型至少可以對超過訓練樣本林齡12 個月內的尾巨桉胸徑增長進行有效預測。綜上，具有4 個隱含層神經元節點數的BPNN 模型是較為理想的尾巨桉林分生長增量對間伐和修枝的響應模型，可有效預測7 年內的尾巨桉林分生長。

3 討論

撫育間伐和修枝是改善人工林林分生長與結構的重要措施[18]。持續4 a 的撫育結果表明，不同間伐和修枝處理對尾巨桉林分生長的影響不同。綜合來看，更高強度的間伐更有助于尾巨桉胸徑、樹高和單株材積的生長，這與其他大多數樹種的間伐結果基本一致，主要因為間伐減少了林木對土壤養分和水分的爭奪，將資源集中在更少的林木和枝葉上，從而促進了林木生長，促進效果因樹種、地域、間伐方式和間隔時間等而存在差異[16,19-20]。在本研究中，不同強度修枝對尾巨桉林分生長同樣有不同程度影響，這與Pelkki 等人[21-22]的研究結論不一致，可能因為尾巨桉屬于典型的速生樹種，具有更發達的根系，在結合間伐撫育下，它對環境（氣候、土壤條件、光照）的敏感性更高，在相同觀察時長下，更優越的環境條件對桉樹生長的促進作用更明顯[23]。6 a 林齡時，38.18% 修枝后林分胸徑、樹高、冠幅和單株材積增量均高于42.39%修枝林分，說明對尾巨桉林分生長的促進效果并非隨著修枝強度增大而增大，38.18%修枝是較適宜的修枝強度。以上考慮的都是單獨使用一種撫育措施時的情況，交互效應結果表明，若兩種措施同時進行撫育，最好的方式仍是較高強度間伐與較高強度修枝相結合，其促進林分生長的效果最佳。但無論哪種強度的間伐都會顯著降低林分樣地的出材量，因為從短期來看間伐樣地蓄積量與間伐材積量之和遠小于不間伐樣地蓄積量，而有研究表明，隨著間伐林單株材積增長的更加迅速，它們之間的差值會隨林齡增加逐漸減小，并在某一年變為負數[24]，因而間伐更有助于長期時間大徑材的培育。

間伐能對尾巨桉徑階分布產生明顯的影響，間伐后隨著林齡的增加分布逐漸右偏，且間伐強度越大，右偏的程度越大，早期出現更大胸徑的林木數量越多，說明隨著時間推移，高強度間伐下可能出現尾巨桉大徑材的概率越高，數量越多，修枝也能促使徑階分布右偏，但效果不如間伐，上述結論與Fontan 等[25]和Medeiros 等[26]的結果不同，因為間伐和修枝后的生長響應還受到樹冠結構、光合作用、地上地下養分循環等的綜合影響。因此，要培育大徑材應該較高強度的間伐與適當修枝相結合進行撫育。

BP 神經網絡模型是一種較為新穎的多元非線性模型，比傳統模型的擬合優度更高，近年來多用于林分生長預測中[27-28]，但多是基于自然因子對林木某一特征進行預測。鑒于間伐和修枝對林分生長的影響是非線性的，本研究建立林分生長因子對人為撫育措施響應的BP 神經網絡模型，該模型具有精度高、避免選型等優點，但由于硬件條件不足，研究的輸入因子未包含立地因子和氣候因子，這些因子也會對林分生長產生影響，因此該模型有待進一步完善，同時BP 神經網絡的整體訓練過程屬于科技黑箱，尚無法從模型得知間伐和修枝如何具體影響林分生長，其機理性研究有待探討。

4 結論

尾巨桉林分生長受間伐、修枝強度和林齡的影響。間伐有助于林分生長和徑階分布右偏，且效果隨著間伐強度的增大而增大，60%的間伐是本研究中最優間伐強度。修枝對林分生長和徑階分布的有一定的促進效果，但不如間伐，通常與間伐相結合來撫育，38.18% 修枝是相對更優的修枝強度。本研究建立了林分生長因子對間伐和修枝響應的BP 神經網絡模型，并經過性能測試證明其可用于7 年內尾巨桉林分生長的整體反應預測，依據模型能更科學地選擇促進尾巨桉林分生長的最適間伐強度和修枝強度。本研究方法及結果為之后尾巨桉營林提供參考，同時還可以為其他樹種的間伐和修枝提供理論和實踐依據。