摘要：以滇西南巨龙竹为研究对象,设计择伐留竹量(7、15、25、35株/丛)和有机肥施用量(0、40、80、120 kg/丛)的2因素4水平正交试验,分析各处理对巨龙竹发笋成竹和新竹直径及生物量的影响。结果表明:择伐留竹量,显著影响巨龙竹发笋数、发笋率、成竹数、退笋数、新-母竹直径比率、竹丛新竹生物量增长率(P<0.05),对成竹率、退笋率、新竹直径、新竹平均生物量影响不显著;随着择伐留竹量增加,发笋数、成竹数、成竹率、竹丛新竹生物量增长率先提高后降低(转折点在25株/丛),发笋率逐渐降低,退笋数逐渐增加,退笋率先降低后提高(转折点在25株/丛),新竹直径、新-母竹直径比率、新竹平均生物量先提高后降低(转折点在15株/丛)。有机肥施用量,显著影响发笋数、发笋率、成竹数、新竹直径、新-母竹直径比率、新竹平均生物量增长率、竹丛新竹生物量增长率(P<0.05),对成竹率、退笋数、退笋率的影响不显著;随着施肥量增加,退笋率逐渐降低,其它生长指标均逐渐提高。择伐留竹量与有机肥施用量的交互作用,显著影响发笋数(P<0.05),对其它生长指标无显著影响。综合比较分析,竹丛择伐留竹25株/丛和施用有机肥120 kg/丛能有效促进巨龙竹发笋成竹,并提高其新竹质量和生物量增长率。

摘要：【目的】森林资源调查中,研究森林属性空间分布模式下的抽样设计,以突破地域限制,为抽样调查提供可推广的经验法则。【方法】利用北京市鹫峰国家森林公园样地调查的实测数据,构建人工总体。以树木死亡率作为为森林属性的代理属性,表达空间自相关。采用系统抽样设计,并通过蒙特卡洛模拟法,评估森林空间自相关、样地大小以及系统抽样设计对抽样精度的影响。【结果】(1)4种不同空间分布模式的总体变异系数,从小到大依次为:死亡率为0%的总体、死亡率为20%的随机模式总体、死亡率为10%的聚集模式总体、死亡率为20%的聚集模式总体。当死亡率为20%,抽样强度为2.73%时,随机模式的变异系数比聚集模式的变异系数低了1.3%。(2)3种不同大小的样地总体变异系数,从小到大依次为:20 m×20 m、30 m×30 m、40 m×40 m。其中,40 m×40 m的变异系数明显高于20 m×20 m和30 m×30 m对应的变异系数。(3)随着抽样强度增大,随机模式下8×8的主单元数目设计的人工总体的变异系数比4×4的约高0.02%,比16×16的约高0.15%;聚集模式下,8×8的N设计的人工总体的变异系数比4×4的约高0.32%,比16×16的约低0.54%。【结论】(1)不同强度的空间自相关都会削弱抽样精度,其中聚集模式相比随机模式的影响更为显著;(2)较小的样地有利于提高抽样精度和精度的收敛速度,但合理大小的样地设计才能有效提升抽样效率;(3)系统抽样中不同主单元数目对抽样精度的影响不明显,实际调查中应避免选择样本量为1的系统抽样,否则抽样误差难以度量。

摘要：【目的】1)量化“过期”模型对推断总体参数(总体均值、方差)的影响;2)提出利用基于模型辅助的估计量修正模型保质期引起的推断偏倚;3)评估度量误差模型对推断偏倚的修正作用。【方法】在基于设计、基于模型和基于模型辅助3种推断框架下,应用度量误差模型,修正“过期”模型对总体参数(总体均值、方差)的影响。【结果】1)将二阶抽样的估计值作为参照,对比基于模型的统计推断估计值,无论是线性回归模型还是度量误差模型,其均值估计值与二阶抽样下总体均值估计值6.774 m^(3)·hm^(−2)接近,其方差估计值的平均值为0.117,远小于基于设计的方差估计值0.965,精度提升平均为87.93%;2)遥感数据“过期”引起模型失效,对总体均值估计产生较大偏差,总体均值估计值的偏移程度随着遥感数据获取时间的推移加剧;3)在基于模型辅助推断框架下,线性回归模型和度量误差模型的总体均值估计值均在6.5~6.8波动,波动范围较小,变化趋势相同,二者均值估计值差异较小,后者推断精度更高,精度提升范围为5.71%~22.50%,平均为13.34%。【结论】1)遥感数据作为辅助信息可有效提高估计精度;2)当遥感数据“过期”时模型失效,总体均值估计值偏倚增大,方差估计值被低估;3)基于模型辅助的统计推断可解决模型“过期”造成的推断偏倚问题,保持估计量近似无偏性,且精度与概率样本的样本量呈正相关;4)度量误差模型可降低总体方差估计值,但仅使用度量误差模型无法消除时间外延性遥感数据产生的推断偏倚。