4. KẾT LUẬN VÀ KIẾN NGHỊ
4.1. Kết luận
Lựa chọn biến số tham gia mô hình sinh trắc
theo chỉ số Cp tiến đến p biến số, đó là số biến số
tối ưu của mô hình. Đối với ước tính sinh khối và
các bon rừng lá rộng thường xanh với sự tham gia
của 4 biến số DBH, H, WD và Ca sẽ đạt độ tin cậy
cao.
Ước lượng hàm số: Phương pháp bình
phương tối thiểu có R2adj cao và S% thấp, tỏ ra
phù hợp với quy luật phát triển sinh khối cây rừng.
Đồng thời ước lượng có trọng số cũng là một
phương pháp tốt giúp cho việc điều chỉnh các
tham số của mô hình thích hợp với dữ liệu quan
sát, giảm biến động.
Lựa chọn dạng hàm thích hợp trên cơ sở 07
tiêu chuẩn thống kê: R2adj đạt cao, T kiểm tra
tham số với P<0,05, CF tiến đến 1, AIC bé nhất,
S% bé nhất, đồ thị Normal P-P bám sát đường
chéo có tọa độ (0,0) và (1,1), đồ thị biến động
phần dư (residuals) là hằng số theo giá trị ước
lượng qua hàm. Trong đó ưu tiên giá trị S% bé
nhất, tiếp theo là AICmin và CF = 1; R2adj chỉ là
tiêu chí tham khảo đầu tiên; hai đồ thị Normal P-P
11 trang |
Chia sẻ: huongthu9 | Lượt xem: 566 | Lượt tải: 0
Bạn đang xem nội dung tài liệu Cơ sở khoa học xây dựng mô hình sinh trắc (allometric equations) để ước tính sinh khối và các bon rừng, để tải tài liệu về máy bạn click vào nút DOWNLOAD ở trên
KHOA HỌC CÔNG NGHỆ
CƠ SỞ KHOA HỌC XÂY DỰNG MÔ HÌNH SINH TRẮC
(ALLOMETRIC EQUATIONS) ĐỂ ƯỚC TÍNH SINH KHỐI VÀ CÁC
BON RỪNG
Huỳnh Nhân Trí1, Bảo Huy2
TÓM TẮT
Để ước tính sinh khối, các bon rừng thì xây dựng mô hình sinh trắc là nội dung quan trọng. Tuy nhiên,
cơ sở khoa học để xây dựng mô hình chưa được hệ thống và đánh giá để đưa ra tiêu chuẩn chung.
Nghiên cứu này trên cơ sở thu thập số liệu sinh khối, phân tích các bon từ chặt hạ cây rừng ở rừng lá
rộng thường xanh vùng Tây Nguyên, đã phân tích để đưa ra các cơ sở cho việc xây dựng mô hình
sinh trắc ước tính sinh khối và các bon rừng. Kết quả cho thấy: i) Cần lựa chọn số biến số tối ưu cho
mô hình theo chỉ tiêu Cp của Mallow và để đạt được độ tin cậy thì cần có bốn biến số là đường kính
(DBH), chiều cao (H), khối lượng thể tích gỗ (WD) và diện tích tán lá (CA); ii) ước lượng các tham số
của mô hình tốt bằng phương pháp bình phương tối thiểu, đồng thời nếu có trọng số sẽ giúp cho việc
nắn mô hình sát với số liệu quan sát hơn; iii) lựa chọn hàm số thích hợp dựa vào 7 tiêu chí R2(%) cao,
tiêu chuẩn T kiểm tra tham số với P<0.05, CF tiến đến 1, AIC bé nhất, S% bé nhất, đồ thị Normal P-P
bám sát đường chéo có tọa độ (0,0) và (1,1), đồ thị biến động phần dư (residuals) là hằng số theo giá
trị ước lượng qua hàm.
Từ khóa: Các bon rừng, mô hình sinh trắc, rừng lá rộng thường xanh, sinh khối.
1. ĐẶT VẤN ĐỀ1
Từ năm 2009 dưới sự hỗ trợ của FAO và các
tổ chức quốc tế, Việt Nam đã khởi động chương
trình UN-REDD+ quốc gia. Để tham gia chương
trình REDD+, cần có những nghiên cứu về phương
pháp đo tıńh, giám sát các bon để cung cấp thông
tin, dữ liệu có cơ sở khoa học, đáng tin cậy về sự
thay đổi của các bể chứa các bon trong các hệ sinh
thái rừng làm cơ sở tính toán chi trả dịch vụ môi
trường. Môṭ trong nôị dung ky ̃thuâṭ cần thiết là lâp̣
các mô hıǹh ước tıńh sinh khối và các bon rừng
(allometric equations) cho từng kiểu rừng, vùng
sinh thái của Viêṭ Nam.
Với yêu cầu đó chỉ trong vài năm gần đây đã
có một số nhà nghiên cứu Việt Nam bắt đầu lập
các mô hình ước tính khối và các bon rừng như:
Bảo Huy và cộng sự (2008, 2009, 2012, 2013), Võ
Đại Hải và cộng sự (2008), Vũ Tấn Phương (2012)
và một số trường đại học, viện nghiên cứu.. Đây
là khởi đầu cho việc hoàn chỉnh hệ thống mô hình
ước tính sinh khối, các bon rừng cho Việt Nam.
Tuy nhiên vẫn còn hạn chế như ít mô hình ước tính
các bon, phương pháp thiết lập hàm đôi khi chưa
đáp ứng được tiêu chuẩn lập mô hình sinh trắc
theo các hướng dẫn, tiêu chuẩn quốc tế.
Xuất phát từ những lỗ hổng về mặt khoa học
và thực tiễn của các nghiên cứu trong và ngoài
nước; cần có nghiên cứu cơ sở khoa học xây dựng
các mô hình toán sinh học (Allometric Equations)
để ước tính sinh khối và các bon rừng nhằm bổ
sung về phương pháp xây dựng mô hình một cách
hệ thống và bảo đảm độ tin cậy.
1 Trường Trung học Lâm nghiệp Tây Nguyên
2 Trường Đại học Tây Nguyên
2. PHƯƠNG PHÁP VÀ VẬT LIỆU NGHIÊN
CỨU
Căn cứ vào khái niệm mô hình sinh trắc là mô
hình biểu thị mối quan hệ giữa sinh khối, các bon
trong từng bộ phận cây và toàn bộ cây với các
nhân tố điều tra cây rừng; thiết lập các mô hình
toán mô phỏng mối quan hệ này để làm cơ sở cho
việc ứng dụng điều tra giám sát sinh khối, các bon
rừng.
2.1. Đối tượng nghiên cứu, cơ sở dữ liệu
sinh khối các bon cây rừng
Đối tượng nghiên cứu là kiểu rừng lá rộng
thường xanh ở Tây Nguyên (ở các tỉnh Gia Lai,
Đăk Lăk và Đăk Nông). Cơ sở dữ liệu sinh khối và
các bon từng bộ phận của cây rừng bao gồm thân,
cành, lá, vỏ và rễ được thu thập thông qua phương
pháp chặt hạ cây (destructive measurement). Đã
bố trí 20 ô mẫu diện tích 2.000 m2 ở các trạng thái
rừng, trữ lượng rừng khác nhau và chọn cây chặt
tỷ lệ theo cấp kính; tổng số cây chăṭ ha ̣đo tıńh sinh
khối 4 bô ̣phâṇ cây trên măṭ đất (thân, cành, lá, vỏ)
là 224 cây, số cây đào gốc rễ cây để đo tıńh sinh
khối rê ̃dưới măṭ đất là 143 cây. Tổng số mẫu của
5 bô ̣phâṇ cây chăṭ ha ̣ là 3.117 mẫu để phân tıćh
sinh khối khô và hàm lượng các bon.
2.2. Mô hình sinh trắc tổng quát
Mô hình sinh trắc có dạng tổng quát là:
yi = f(xj) (2.1)
Trong đó:
yi (biến số phụ thuộc): Sinh khối, lượng các
bon tích lũy trong từng bộ phận thân cây gỗ (thân,
cành, lá, vỏ); tổng sinh khối của 4 bộ phận cây trên
mặt đất (AGB), dưới mặt đất (BGB); tổng các bon
110 Tạp chí NN & PTNT 2(2014)
KHOA HỌC CÔNG NGHỆ
trong các bộ phận cây trên mặt đất C(AGB) và dưới
mặt đất C(BGB).
xj (các biến số độc lập): Gồm 4 biến số chủ
yếu được nghiên cứu là đường kính tại ví trí 1,3 m
(DBH), chiều cao cây (H), khối lượng thể tích gỗ
(WD) và diện tích tán lá (CA).
2.3. Xác định biến số độc lập xj ảnh hưởng
đến sinh khối, các bon yi
Sử dụng tiêu chuẩn Mallow’ Cp (1973). Chı ̉
số
Cp càng gần với số biến số P thı ̀mô hıǹh càng phù
hợp; dựa vào đây để xác điṇh số biến số P tham
gia mô hıǹh khi có quá nhiều biến số được giả điṇh
là có ảnh hưởng đến yi.
Lúc này các biến số yi và xj cũng được đổi
biến số theo các dạng hàm phi tuyến chuyển sang
tuyến tính như log(y, x), sqrt(y, x), 1/y, x, (y, x)2,
exp(y, x); mỗi trường hợp đổi biến số hoặc tổ hợp
biến, giá trị Cp được tính toán để xác định p biến
số tối ưu cho từng mô hình.
2.4. Các dạng hàm thử nghiệm
Từ mô hình sinh trắc có dạng tổng quát là: yi =
f(xj), tiến hành đổi biến số yi và xj theo các hàm
ln(yi, xj), sqrt(yi, xj), yi2, xj2, 1/yi, 1/xj, trong đó biến
xj có thể là biến đơn hay là tổ hợp biến ví dụ
DBH2H, DBH2WD, DBH2H*WD, DBH2CA...
Tổ hợp tất cả các trường hợp đổi biến số để dò
tìm hàm tối ưu. Các dạng hàm được thử nghiệm ở
bảng 1 là ví dụ minh họa trong trường hợp một
biến số, nếu nhiều biến số thì các biến số mới cũng
được đổi biến và mở rộng.
Bảng 1. Các dạng hàm thử nghiệm
TT Mô hıǹh TT Mô hıǹh TT Mô hıǹh
1
Multiplicative
ln(Y) = a + b*ln(X) 9
Double reciprocal
1/Y = a + b/X 17
Square root-Y reciprocal-
X
Sqrt(Y) = a + b/X
2
Square root-Y
Sqrt(Y) = a + b*X 10
Square root-Y logarithmic-
X
Sqrt(Y) = a +b*ln(X)
18
Squared-Y
Y2 = a + b*X
3
Logarithmic-Y square root-X
ln(Y) = a + b*sqrt(X)
11
Linear
Y = a + b*X
19
Squared-Y square root-X
Y2 = a + b*sqrt(X)
4
Square root-Y squared-X
sqrt(Y) = a +b*X2
12
Logarithmic-Y squared-X
ln(Y) = a + b*X2
20
Reciprocal-X
Y = a + b/X
5
Squared-X
Y = a +b*X2
13
Square root-X
Y = a + b*sqrt(X)
21
Squared-Y logarithmic-X
Y2 = a * b*ln(X)
6
Double square root
sqrt(Y) = a +b*sqrt(X)
14
Double squared
Y2 = a + b*X2
22
Reciprocal-Y squared-X
1/Y = a + b*X2
7
Exponential
ln(Y) = a + b*X
15
Reciprocal-Y logarithmic-X
1/Y = a + b*ln(X)
23
Squared-Y reciprocal-X
Y2 = a +b/X
8
S-curve model
ln(Y) = a + b/X
16
Logarithmic-X
Y = a + b*ln(X)
2.5. Phương pháp ước lượng các mô hình
sinh trắc
Thử nghiệm các phương pháp ước lượng mô
hình khác nhau như sau:
Phương pháp bình phương tối thiểu ước lượng
hàm phi tuyến được tuyến tính hóa.
Phương pháp bình phương tối thiểu ước lượng
hàm phi tuyến được tuyến tính hóa có trọng số
(Weight).
Phương pháp Marquardt ước lượng hàm phi
tuyến.
Phương pháp Marquardt ước lượng hàm phi
tuyến có trọng số (Weight).
2.6. Các tiêu chuẩn lựa chọn mô hình, đánh
giá độ tin cậy của hàm
Các chı̉ tiêu thống kê, biểu đồ để lựa choṇ biến
tham gia và hàm tối ưu:
Hê ̣số quan hê,̣ xác điṇh R2: Về tổng quát thı ̀
hàm tốt nhất khi R2 đaṭ max và tồn taị ở mức sai P
< 0,05. Tuy nhiên có trường hợp R2 đaṭ max nhưng
chưa phải là hàm phù hợp nhất, do vâỵ cần dựa
thêm các chı ̉tiêu thống kê khác.
Tiêu chuẩn t kiểm tra sự tồn taị của các tham
số của mô hı̀nh: Với giả thuyết Ho: bi = 0, giả
thuyết bi ̣bác bỏ khi P < 0,05; có nghıã là các tham
số tồn taị và khác 0 rõ rêṭ. Chı ̉tiêu này chı ̉áp duṇg
cho hàm đa biến.
Tạp chí NN & PTNT 2(2014) 111
KHOA HỌC CÔNG NGHỆ
Tiêu chuẩn AIC (Akaike Information Criterion):
AIC được sử duṇg khi cần lựa choṇ mô hıǹh tốt
nhất với các biến số ảnh hưởng khác nhau
(Burnham và Anderson, 2002; Johnson và Omland,
2004 dẫn theo Chave, 2005):
AIC = n*ln(RSS/n) + 2K = - ln(L) + 2K (2.2)
Mô hıǹh tối ưu với các biến số thıćh hợp khi
giá tri ̣ đaị số của AIC là bé nhất. Trong đó n: số
mẫu, RSS (the residual sums of squares) là tổng
bıǹh phương phần dư, K: số tham số của mô hıǹh
bao gồm tham số sai số ước lượng.
Nhân tố quan hê ̣ (CF - Correction factor)
(Baskerville, 1972; Duan, 1983; Parresol, 1999 dẫn
theo Chave, 2005):
CF = exp(RSE2/2) (2.3)
CF luôn lớn hơn 1. Trong đó RSE (Residual
standard error) là sai tiêu chuẩn của phần dư hay
là sai số của mô hình. Khi RSE càng lớn thı ̀ CF
càng lớn, có nghıã mô hıǹh càng có đô ̣ tin câỵ
thấp. Mô hıǹh tốt khi CF càng tiến dần đến 1. Tiêu
chuẩn này chỉ sử dụng cho mô hình dạng đổi biến
số logarit.
Hình 1. Biểu đồ đánh giá sự thıćh hợp
và tin câỵ của mô hıǹh lựa choṇ theo biến động
residual và Normal P-P
Biểu đồ biến đôṇg phần dư (residual) ứng với
các giá tri ̣dự báo y của mô hıǹh lựa choṇ: Mô hıǹh
tốt khi biến đôṇg residual tâp̣ trung trong phaṃ vi
giá tri ̣-2 đến + 2 ứng với các giá tri ̣dự báo y. Biểu
đồ xác suất chuẩn Normal P-P: Mô hıǹh đaṭ đô ̣tin
câỵ cao khi xác suất phân bố của giá tri ̣ quan sát
và lý thuyết nằm trên đường chéo của toạ đô ̣(0, 0)
và (1, 1). Biểu diêñ ở hình 1.
Biến đôṇg trung bı̀nh S% để đánh giá mức đô ̣
sai lêc̣h, biến đôṇg trung bıǹh của giá tri ̣ước lượng
qua mô hıǹh với thực tế quan sát: (Brand và Smith,
1985; Cairns et al., 2003; Chave et al., 2005;
Nelson et al., 1999 dẫn theo Basuki et al., 2009):
(2.4)
Trong đó: Yilt: Giá tri ̣dự báo qua mô hıǹh; Yi:
Giá tri ̣thực của sinh khối, các bon, n: Số cây quan
sát.
S% được sử dụng như là một tiêu chuẩn để
đánh giá độ tin cậy của mô hình; S% càng nhỏ thì
biến động giữa mô hình và số liệu thực tế càng
nhỏ, hàm có độ tin cậy cao.
3. KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
Trong nghiên cứu này, các cơ sở khoa học sau
đã được nghiên cứu, đánh giá để làm cơ sở cho
việc thiết lập các mô hình ước tính sinh khối, các
bon rừng.
3.1. Kết quả chọn biến số cho mô hình sinh
trắc
Hình 2. Quan hệ giữa AGB với các biến số
DBH, H, WD và CA theo mô hình không gian 3
chiều
Để chọn biến số và số biến số cho mô hình,
tiêu chuẩn Mallow’ Cp. Chı ̉ số Cp thay đổi với số
biến số trong mô hình khác nhau và khi Cp bé nhất
và gần với số biến số p (bao gồm cả biến số là
hằng số của mô hình) nào đó thı ̀mô hıǹh có p biến
số đó là tối ưu. Lúc này tương đương với hệ số xác
định R2max cao nhất và trung bình bình phương của
sai số ước lượng là bé nhất (MSEmin).
Để tính Cp trước hết cần đổi biến số yi và xj
theo nhiều trường hợp khác nhau như logarit, sqrt,
.. và từ đó xem xét thay đổi của Cp nhằm xác
định được số biến số ảnh hưởng nhiều nhất.
Trong trường hợp này, bốn biến số xi bao gồm
DBH, H, WD và CA được đưa vào đánh giá để lựa
chọn biến số ảnh hưởng đến sinh khối của cây
rừng trên mặt đất AGB. Với việc đổi biến số logarit
của tất cả biến thì quy luật thay đổi Cp rõ nhất biểu
thị ở hình 2.
Kết quả ở hình 2 cho thấy Cp bé nhất bằng
5.0 và tương ứng với số biến số tối ưu là p = 5 biến
số, trong đó có 1 biến số là hằng số của mô hình,
do đó thực tế là 4 biến số là thích hợp nhất để đưa
vào mô hình ước tính sinh khối AGB. Bốn biến số
đó là A = ln(DBH), B = ln(H), C = ln WD) và D =
ln(CA). Tương ứng với Cp bé nhất và gần với p = 5
biến số, thì MSE là bé nhất = 0,095 và R2adj là lớn
nhất = 95,977%. Nếu xét giá trị Cp lớn hơn liền kề
là = 18,95 với ba biến số trong mô hình là ABC, tức
112 Tạp chí NN & PTNT 2(2014)
KHOA HỌC CÔNG NGHỆ
không có biến D của diện tích tán lá (D = ln(CA)),
các giá trị MSE tăng và R2 giảm rõ rệt. Như vậy có
nghĩa là biến diện tích tán lá CA ảnh hưởng rõ rệt
đến sinh khối của cây AGB, hay nói khác nếu gia
tăng thêm biến CA thì mô hình sẽ gần với thực tế
hơn, có độ tin cậy cao hơn. Hình 3 biểu diễn đồ thị
3 chiều quan hệ giữa AGB với từng cặp biến số
trong 4 biến DBH, H, WD và CA; các đồ thị 3 chiều
này cho thấy các biến số này có quan hệ rõ rệt với
AGB.
Hình 3. Giá trị Cp của Mallow theo số biến số
và đồ thị thay đổi R2 và MSE theo số biến số
tham gia
mô hình
Như vậy có thể nói sử dụng tiêu chuẩn Cp của
Mallow sẽ giúp cho việc xác định biến số nào ảnh
hưởng đến biến phụ thuộc và số biến số tối ưu
trong mô hình để cho MSE là bé nhất. Phương
pháp này khách quan, tuy vậy hầu như chưa có tác
giả nào nghiên cứu, các biến được lựa chọn hầu
như dựa vào kinh nghiệm về điều tra thống kê kinh
điển. Với việc sử dụng tiêu chuẩn Cp nghiên cứu
đã phát hiện thêm và khẳng định biến số CA là
quan trọng và ảnh hưởng đến việc nâng cao độ
chính xác của ước tính sinh khối, các bon rừng mà
nhiều tác giả trong và ngoài nước chưa đề cập
đến.
Vì vậy nghiên cứu đã sử dụng chỉ số Cp đế
xác định các biến số ảnh hưởng trong lập các mô
hình sinh khối, các bon cho từng bộ phận, trên
dưới mặt đất và cho lâm phần.
Cp chỉ ra có bốn biến số là DBH, H, WD và CA
ảnh hưởng đến AGB, về lý thuyết thống kê thì chỉ
cần lập một mô hình theo 4 biến số này để cho độ
tin cậy cao nhất. Tuy nhiên trong thực tế khi số
biến số của mô hình càng nhiều thì sẽ tăng chi phí
điều tra rừng để đo tính các biến số. Do đó sử
dụng Cp để xác định biến số nào thực sự ảnh
hưởng đến sinh khối, các bon cây rừng và bao
nhiêu biến số là tối đa. Còn trong xây dựng mô
hình sinh trắc thì cần lần lượt lập mô hình ứng với
1, 2, 3 và tối đa là p biến số (với Cp bé nhất) và
như vậy tùy theo yêu cầu độ tin cậy, khả năng áp
dụng để chọn lựa số biến số thích hợp, nhưng tối
ưu vẫn là p biến số.
3.2. Kết quả ước lượng mô hình
Để xác định cơ sở khoa học trong việc chọn
lựa phương pháp ước lượng mô hình hồi quy; thử
nghiệm 4 phương pháp khác nhau để ước lượng
mô hình sinh khối của cây trên mặt đất (AGB) với
một đến bốn biến số có ảnh hưởng đến AGB là
DBH, H, WD và CA. Bao gồm:
Ước lượng mô hình bằng phương pháp bình
phương tối thiểu, trong đó hàm phi tuyến được
tuyến tính hóa.
Ước lượng mô hình bằng phương pháp bình
phương tối thiểu, trong đó hàm phi tuyến được
tuyến tính hóa có trọng số (Weight)
Ước lượng trực tiếp mô hình phi tuyến theo
phương pháp Marquardt.
Ước lượng trực tiếp mô hình phi tuyến theo
Marquardt có trọng số Weight.
3.2.1. Ước lượng mô hình phi tuyến theo
Marquardt:
Đối với phương pháp ước lượng hàm phi
tuyến theo Marquardt, vấn đề quan trọng là xác
định tham số đầu vào khởi đầu cho mô hình,
thông thường việc xác định các tham số đầu vào
thường theo kinh nghiệm do đó sẽ cho kết quả
ước lượng khác nhau. Nghiên cứu thực hiện
chọn tham số đầu vào theo Picard et al. (2012),
trong đó tham số đầu vào được thăm dò thông
qua ước lượng chính dạng hàm đó bằng phương
pháp bình phương tối thiểu, mô hình lúc này
được tuyến tính hóa.
3.2.2. Ước lượng mô hình có trọng số Weight
theo hai phương pháp bình phương tối thiểu và
Marquardt:
Để ước lượng mô hình theo phương pháp có
trọng số Weight áp dụng cho cả hai phương pháp
bình phương tối thiểu và Marquardt, trong đó mô
hình lựa chọn dựa vào thay đổi trọng số weight
như sau (Picard et al. (2012):
- Trọng số . trong đó Xi là biến
quan trọng ảnh hưởng cao để điều chỉnh tham số
mô hình và bi là tham số gắn biến Xi. Thông
thường dò tìm weight tối ưu với 2bi = - 4 đến +4 để
có được hàm tối ưu hoặc với các giá trị -2bi, 2bi và
4bi.
- Với mỗi giá trị trọng số weight, mô hình được
đánh giá, lựa chọn thông qua: i) Hệ số quan hệ
R2(%) cao, ii) đồ thị residuals có biến động là hằng
số quanh giá trị ước tính; iii) các tiêu chuẩn AICmin
và S%min.
Quá trình dò tìm hàm bằng phương pháp
Marquardt với weight khác nhau, cho thấy:
- Với Weight = 1/Xi2bi thì mô hình có R2% thấp,
tuy nhiên các giá trị AIC và S% là nhỏ nhất (tốt
nhất) và biến động phần dư residuals quanh giá trị
ước lượng là rất thấp và là hằng số. Đây là là mô
Tạp chí NN & PTNT 2(2014) 113
KHOA HỌC CÔNG NGHỆ
hình có giá trị ước lượng bám sát số liệu quan sát.
Điều này cho thấy để lựa chọn mô hình tối ưu
không nên chỉ dựa vào hệ số quan hệ R2(%) đặc
biệt là đối với ước lượng có trọng số.
- Với Weight = 1/Xi-2bi thì mô hình có R% cao
nhất, tuy nhiên các giá trị AIC và S% là lớn nhất
(kém nhất) và biến động phần dư residuals quanh
giá trị ước lượng là cao và mở rộng khi giá trị ước
lượng gia tăng. Đây là mô hình có giá trị ước lượng
sai khác lớn với số liệu quan sát.
Hình 4. Đồ thị quan hệ giữa giá trị quan sát -
ước tính và biến động residuals quanh giá trị
ước tính của mô hình AGB=a*DBHb theo
Marquardt với trọng số thay đổi
- Với Weight = 1/Xi4bi thì mô hình có R% thấp
nhất, các giá trị AIC và S% ở mức trung bình và
biến động phần dư residuals quanh giá trị ước
lượng là cao và mở rộng khi giá trị ước lượng nhỏ.
Đây là mô hình có giá trị ước lượng sai khác khá
lớn với số liệu quan sát.
Nghiên cứu đã thử nghiệm 4 phương pháp
ước lượng hàm gồm bình phương tối thiểu,
Marquardt và cả hai trường hợp thực hiện có hay
không có trọng số. Bảng 2 là minh họa kết quả ước
lượng mô hình quan hệ AGB = f(DBH) theo dạng
hàm mũ Power theo 4 phương pháp. Mô hình tối
ưu được lựa chọn trên cơ sở đánh giá tổng hợp
các tiêu chuẩn thống kê R2, CF, AIC và S% và đồ
thị quan hệ giữa lý thuyết và quan sát và residuals.
Trong đó trọng số được lấy tối ưu như phân tích
trên là Weight = 1/Xi2bi.
Bảng 2. Kết quả dò tìm mô hình ước tính sinh khối cây rừng (AGB = a*DBHb) theo 4 phương pháp
ước lượng hàm là bình phương tối thiểu, Marquardt và có hay không có trọng số Weight
Hàm ước lượng theo các
phương pháp
R2
adj
(%)
P n Pbi Weight CF AIC
S
%
Phương pháp
ước lượng hàm
ln(AGB) = -2,25438 +
2,49193*ln(DBH)
93,7 0,0 224 0,0
1,08
9
7266,
3
32
%
Bình phương tối
thiểu
ln(AGB) = -2,49106 +
2,59253*ln(DBH)
87,0 0,0 224 0,0 1/ln(DBH)
(2*2,5)
1,00
1
-
1068,
9
34
%
Bình phương tối
thiểu có trọng số
AGB = 0,69229*(DBH)1,96595 92,8 0,0 224 0,0
217,4
95
%
Marquardt
AGB =
0,133737*(DBH)2,44406
37,4 0,0 224 0,0
1/DBH (2*2,5)
-
963,6
37
%
Marquardt có
trọng số
Ghi chú: Pi: Xác xuất tồn tại tham bố bi
Bảng 2 cho thấy:
- Xét hệ số quan hệ có điều chỉnh: R2adj:
Phương pháp bình phương tối thiểu cao nhất là
93,7%, tiếp đến là phương pháp Marquardt không
có trọng số là 92,8%, phương pháp bình phương
tối thiểu có trọng số là 87,0% và thấp nhất là
Marquardt có trọng số là 37,4%. Kết quả này cho
thấy khi có trọng số tham gia vào ước lượng mô
hình thì R2 có xu hướng giảm rõ rệt. Trong đó
phương pháp bình phương tối thiểu không có trọng
số có R2 đạt max.
- Xét nhân tố điều chỉnh CF: Chỉ xét cho hàm
đổi biến số về dạng logarit, trong trường hợp ước
lượng bình phương tối thiểu có và không có trọng
số. Kết quả cho thấy CF đều gần tiến về 1, có
nghĩa hàm có sai số ước lượng nhỏ; trong đó khi
có trọng số thì CF thấp hơn = 1,001, tức là tốt hơn
không có trọng số.
- Xét tiêu chuẩn AIC: Ước lượng hàm có
trọng số trong cả hai phương pháp bình phương tối
thiểu và Marquardt đều cho AIC tốt hơn, tức là nhỏ
hơn rất nhiều. AIC nhỏ nhất ở hàm ước lượng theo
phương pháp bình phương tối thiểu có trọng số là -
1068; trong khi đó Marquardt có trọng số là – 963;
trong khi đó với phương pháp không có trọng số thì
AIC = 7266 đối với phương pháp bình phương tối
thiểu và 2171 đối với Marquardt. Như vậy khi đưa
trọng số vào ước lượng mô hình, thì cả hai phương
pháp đều cho giá trị AIC tối ưu.
114 Tạp chí NN & PTNT 2(2014)
KHOA HỌC CÔNG NGHỆ
Hình 5. Đồ thị quan hệ giữa giá trị ước lượng
qua hàm và quan sát – Đồ thị biến động
Residials cho 4 phương pháp ước lượng hàm
- Xét trên đồ thị quan hệ giữa giá trị lý
thuyết với giá trị quan sát cũng như biến động
residuals theo giá trị ước lượng: Đồ thị của 4
phương pháp (hình 5) cho thấy trường hợp ước
lượng theo phương pháp bình phương tối thiểu có
trọng số là tốt nhất, cho đồ thị ước lượng và quan
sát bám sát nhau và residuals biến động nhỏ và là
hằng số; tiếp đến là phương pháp bình phương tối
thiểu không trọng số; phương pháp Marquardt có
trọng số cho biến động residuals nhỏ nhưng biến
động lớn giữa lý thuyết và thực tế; kém nhất là ước
lượng theo Marquardt không có trọng số, biến động
residuals mở rộng, phân tán và giá trị lý thuyết với
thực tế khá rộng.
- Xét biến động S%: Đây là biến động tương
đối trung bình của giá trị ước lượng qua hàm với
quan sát. Kết quả cho thấy ước lượng theo
phương pháp bình phương tối thiểu có S% bé nhất
là 32%, S% của ước lượng có trọng số của hai
phương pháp có lớn hơn nhưng không đáng kể là
34 – 37%; cuối cùng S% lớn nhất ở phương pháp
Marquardt không có trọng số là 95%.
Đánh giá tổng hợp 4 tiêu chuẩn R2, CF, AIC
và S% và các đồ thị biến động residuals để lựa
chọn phương pháp ước lượng hàm, cho thấy:
- Ước lượng hàm có sự tham gia của trọng số
Weight = 1/Xi2bi luôn cho AIC và CF bé nhất; có
nghĩa là sai số ước lượng hàm (RSE) hoặc tổng
bình phương phần dư (RSS) là nhỏ nhất; cho dù là
hệ số quan hệ R2 có thể là thấp hơn nhiều khi
không có trọng số. Bên cạnh đó giá trị biến động
giữa lý thuyết và thực tế S% cũng nhỏ và không sai
khác nhiều khi không có trọng số. Điều này có kết
luận rằng khi lựa chọn hàm và phương pháp ước
lượng không nên dừng lại ở việc so sánh hệ số xác
định R2, vì R2 max nhưng biến động bình phương
phần dư (RSS) cũng rất lớn, làm cho hàm
không phù hợp với thực tế. Do vậy khuyến nghị
cần xem xét sử dụng phương pháp bình phương
tối thiểu có trọng số trong xây dựng mô hình sinh
trắc.
- Ước lượng theo phương pháp bình phương tối
thiểu không có trọng số cho R2max = 93,7% và S%
bé nhất trong tất cả các trường hợp = 32%; tuy
nhiên AIC = 7266 là lớn nhất và lớn hơn rất nhiều so
với có trọng số là -1068. Điều này cho thấy phương
pháp này có hạn chế là làm cho RSS tăng (hay AIC)
tăng, tức là tăng tổng biến động bình phương giữa
quan sát và thực tế. Tuy vậy đây là phương pháp
ước lượng hàm kinh điển, cho R2max, CF gần bằng
1 và S% là bé nhất. Do đó phương pháp này nên
được sử dụng khi ước lượng các mô hình các biến
số có quan hệ chặt, đối với mô hình quan hệ phức
tạp, nhiều biến số thì nên áp dụng có trọng số để
điều chỉnh sai số của mô hình.
- Ước lượng hàm phi tuyến theo phương pháp
Marquardt với các tham số đầu vào dựa vào mô
hình tuyến tính và không có trọng số cho thấy dù
R2 = 92,8% là cao, tuy nhiên AIC cũng cao = 2171
và đặc biệt là S% rất lớn = 95%. Do vậy khuyến
cáo không nên sử dụng phương pháp này mà
không có trọng số. Khi có trọng số cho dù R2 giảm
rất mạnh, chỉ còn 37,4%, nhưng AIC rất thấp = -
963 và biến động giữa lý thuyết và thực tế rất tốt là
37%.
3.3. Kết quả lựa chọn hàm sinh trắc
3.3.1. Hàm một biến số hoặc một tổ hợp tạo
một biến
Đối với hàm một biến số hoặc một tổ hợp
một biến, đầu tiên sử dụng R2adjusted (điều
chỉnh) là cơ sở để chọn các hàm có khả năng mô
phỏng quan hệ, kiểm tra sự tồn tại các tham số
phương trình với mức Pvalue <0,05. Mỗi mô hình
chọn 2-3 hàm có R2 cao nhất, từ đó kết hợp các
chỉ tiêu CF tiến đến 1, AIC bé nhất về đại số và
S% bé nhất để lựa chọn hàm. Từ các chỉ tiêu
tổng hợp trên, dựa vào chỉ tiêu S% làm chỉ tiêu
chính kết hợp với thứ tự ưu tiên là AIC, CF và
cuối cùng là R2adjusted để chọn ra hàm tối ưu
cho mô hình. Ngoài ra 2 đồ thị residuals và
Normal P-P cũng được khảo sát để đánh giá sự
phù hợp cũng như ít biến động của mô hình lựa
chọn.
Kết quả thử nghiệm mô hình một biến AGB =
f(DBH) và tổ hợp thành một biến DBH2*H của mô
hình ước tính các bon trong lá: Cl =f(DBH2*H) được
trình bày ở bảng 3 và hình 6.
Tạp chí NN & PTNT 2(2014) 115
KHOA HỌC CÔNG NGHỆ
Bảng 3. Kết quả thử nghiệm lựa chọn mô hình ước tính sinh khối AGB dạng một biến (DBH) hoặc
các bon trong lá (Cl) theo tổ hợp một biến (DBH2*H)
Daṇg
hàm
Hàm
R2
(%)
R2 adj
(%)
P n Pbi CF AIC S%
Mã
hàm
AGB =
f(DBH)
AGB = (-2,28616 +
0,836254*DBH) 2
94,4 94,3 0,00 224 0,00 2063,3 34,1% 3.1
AGB = exp(-2,25438 +
2,49193*ln(DBH))
93,7 93,7 0,00 224 0,00 1,089 7266,3 32,1% 3.2
Cl =
f(DBH, H)
ln(Cl) = -11,0979 +
4,10521*sqrt(ln(H*DBH2))
77,6 77,4 0,00 149 0,00 1,266 9593,64 66,0% 3.3
ln(Cl) = -5,36351 +
0,725866*ln(H*DBH2)
77,1 77,0 0,00 149 0,00 1,272 9796,14 67,4% 3.4
Hình 6. Đồ thị quan hệ lý thuyết – quan sát, residuals và Normal P=P của 2 mô hình
AGB=f(DBH)
Kết quả thử nghiệm 2 dạng mô hình AGB =
f(DBH) ở bảng 3 như sau:
sqrt(AGB) = a + b DBH 3.1
ln(AGB) = a + b ln (DBH) 3.2
Cho thấy:
- Hệ số R2adj của mô hình 3.1 cao hơn 3.2 và
cả hai đều tồn tại ở mức P < 0,05.
- Tiêu chuẩn CF và AIC không được sử dụng
vì biến số y của hai hàm khác nhau: sqrt(AGB) và
ln(AGB).
- S% của mô hình 3.2 thấp nhất là 32,1%.
- So sánh đồ thị sai số phần dư của mô hình
3.2 cho thấy đồng đều hơn mô hình 3.1. Đồ thị
Normal P-P cũng chỉ ra mô hình 3.2 bám sát
đường chéo (0,1) hơn so với mô hình 3.1. Có
nghĩa mô hình 3.2 mô phỏng tốt hơn so với mô
hình 3.1.
Như vậy mặc dù mô hình 3.1 có hệ số quan hệ
R2 cao hơn, nhưng qua đánh giá thêm các tiêu
chuẩn S%, các đồ thị residuals và Normal P-P cho
thấy hàm 3.2 dạng logarit là tốt hơn vì vậy hàm này
được lựa chọn để ước tính AGB qua biến số DBH.
Cũng ở bảng 3, trường hợp tổ hợp DBH2*H tạo
thành một biến ở dạng hàm Cl=f(DBH, H), lựa chọn
được 2 mô hình có R2 cao nhất và thứ hai để so
sánh. Vì hai hàm đều có biến y là dạng logarit nên
CF và AIC được đưa vào so sánh. Kết quả chỉ ra
mô hình 3.3 đều có có Rmax, CFmin, AICmin, S%min so
với mô hình 3.4, vì vậy mô hình lựa chọn tối ưu là
mô hình 3.3.
Tóm lại, nguyên tắc cơ bản để lựa chọn mô
hình một biến cần phải dựa vào nhiều chỉ tiêu
thống kê, trong đó biến động trung bình của mô
hình S% là chỉ tiêu quan trọng để kiểm tra mức sai
số của mô hình và quyết định lựa chọn mô hình tối
ưu, các chỉ tiêu R2adj cao nhất, CFmin và AICmin là
các chỉ tiêu cần để phối hợp lựa chọn mô hình tối
ưu tiệm cận với dữ liệu thực tế. Cùng với nó là 2 đồ
thị residuals và Normal P-P để trực quan hóa biến
động sai số của mô hình lựa chọn.
3.3.2. Hàm nhiều biến số hoặc nhiều tổ hợp
biến
Về nguyên tắc hàm nhiều biến, tổ hợp biến
đều được lựa chọn như hàm một biến, chỉ khác là
cần kiểm tra sự tồn tại của từng tham số bi gắn
từng biến số theo tiêu chuẩn t ở mức P <0,05;
đồng thời các dạng hàm được tạo thành trên cơ sở
tổ hợp đa dạng với nhiều dạng đổi biến số của hai
116 Tạp chí NN & PTNT 2(2014)
KHOA HỌC CÔNG NGHỆ
nhóm biến yi và xj theo các dạng cơ bản là logarit
(yi, xj), sqrt (yi, xj), xi2, yj2, 1/xj, 1/yi, ....
Quá trình này được chạy thử nghiệm nhiều
hàm với nhiều tổ hợp đổi biến số, sau đó lựa chọn
2-3 mô hình tiềm năng với R2adj cao nhất, các tham
số tồn tại ở mức P<0,05; sau đó sử dụng các tiêu
chuẩn AIC, CF, S% và các đồ thị để quyết định lựa
chọn mô hình phù hợp nhất.
Kết quả lựa chọn hàm so sánh ở các mô hình
tổng hợp trong bảng 4. Quan hệ AGB = f(DBH, H)
dò tìm được hai hàm tốt nhất để so sánh và lựa
chọn là mô hình 3.5 và 3.6:
ln(AGB) = -3,07831 + 2,01893*ln(DBH) +
0,8262*ln(H) (3.5)
ln(AGB) = -1,83496 + 2,03093*ln(DBH) +
0,0593816*H (3.6)
Mô hình 3.5 có R2 adj (%) lớn hơn mô hình 3.6,
hệ số CF của hai mô hình xấp xỉ nhau, qua tính
toán tiêu chuẩn AIC cho kết quả AIC của mô hình
3.5 nhỏ hơn mô hình 3.6 về đại số, do đó lựa chọn
mô hình tối ưu ở đây sẽ là mô hình 3.5. Kết quả
kiểm tra sai số S% cho thấy biến động sai số mô
hình 3.5 cũng thấp hơn.
Quan sát Normal P-P của hai mô hình cho
thấy, phân bố dữ liệu thực nghiệm và lý thuyết bám
đều trên đường chéo (0, 0) và (1,1) của đồ thị, sai
lệch biến động ở hai mô hình thấp và biến động
như hằng số; nên hai đồ thị gần giống nhau.
Kết quả cho thấy hai hàm khá tương đồng về
các chỉ tiêu thống kê, tuy nhiên mô hình 3.5 được
lựa chọn vì toàn bộ các tiêu chuẩn đánh giá đều
đạt hơn.
Bảng 4. Kết quả thử nghiệm lựa chọn mô hình ước tính sinh khối AGB dạng nhiều biến đổi
biến số
Daṇg hàm Hàm
R2
adj
(%)
P n Pbi CF AIC S%
Mã
hàm
AGB = f(DBH, H)
ln(AGB) = -3,07831 +
2,01893*ln(DBH) +
0,8262*ln(H)
94,9 0,0 224 0,0 1,071 5592,4 28,2% 3,5
ln(AGB) = -1,83496 +
2,03093*ln(DBH) +
0,0593816*H
94,7 0,0 224 0,0 1,075 5910,2 29,0% 3,6
Thảo luận về cơ sở khoa học để xây dựng
mô hình sinh trắc:
Trên cơ sở nghiên cứu lựa chọn biến số tham
gia mô hình, đánh giá các phương pháp ước
lượng mô
hình và lựa chọn dạng hàm cho quan hệ sinh khối,
các bon với các nhân tố điều tra; tổng hợp thành
cơ sở để tiếp cận xây dựng mô hình sinh trắc ở
hình 7 được tóm tắt như sau:
- Lựa chọn biến số tham gia mô hình: Để lựa
choṇ số biến số tham gia mô hıǹh tốt nhất trong
trường hợp có nhiều biến chưa rõ ảnh hưởng đến
y thì cần sử dụng tiêu chuẩn Mallow’ Cp. Chı ̉số Cp
càng gần với số biến số p thı ̀ mô hıǹh càng phù
hợp; dựa vào đây để xác điṇh số biến số p tham
gia mô hıǹh khi có quá nhiều biến số được giả điṇh
là có ảnh hưởng đến y.
- Phương pháp ước lượng hàm quan hệ: Để có
được một mô hình với các tham số có độ tin cậy,
phù hợp với thực tế thì khi ước lượng hàm cần thử
nghiệm cả 4 phương pháp ước lượng là bình
phương tối thiểu, bình phương tối thiểu có trọng số,
ước lượng hàm phi tuyến tính Marquardt và
phương pháp Marquardt có trọng số. Riêng trường
hợp nghiên cứu này của nghiên cứu, bốn phương
pháp được thử nghiệm cho lập mô hình sinh trắc
của đối tượng nghiên cứu cho thấy: i) Phương
pháp bình phương tối thiểu không có trọng số có
R2adj cao nhất và S% thấp nhất, tỏ ra phù hợp với
quy luật phát triển sinh khối cây rừng; ii) Phương
pháp ước lượng hàm có trọng số cả bình phương
tối thiểu lẫn Marquardt trong nhiều trường hợp cho
AIC bé nhất và biến động phần dư residuals thấp
Tạp chí NN & PTNT 2(2014) 117
KHOA HỌC CÔNG NGHỆ
và là hằng số; do đó ước lượng có trọng số cũng là
một phương pháp tốt giúp cho việc điều chỉnh các
tham số của mô hình thích hợp với dữ liệu quan
sát, giảm biến động.
- Lựa chọn dạng hàm trên cơ sở các tiêu chuẩn
thống kê:
Dạng hàm cần được xây dựng trên cơ sở tổ
hợp các biến số phụ thuộc và các biến độc lập
được chuyển đổi thành các dạng hàm logarit, sqrt,
mũ, 1/x, ... sẽ hình thành nên nhiều dạng hàm để
thử nghiệm nhằm lựa chọn được mô hình thích
hợp, hơn là sử dụng những hàm cố định, có sẵn
như power, polynominal. logarit, ...
Việc lựa chọn hàm thích hợp cần dựa vào tổng
hợp 7 tiêu chuẩn (Được khái quát ở hình 7) :
- R2 adjusted (%): Về nguyên tắc R2max thì có
thể định hướng đây là hàm tốt, tuy nhiên nhiều
trường hợp có trọng số thì R2max lại cho hàm có
biến động lớn hơn. Trong khi đó trong thực tế lập
hàm phổ biến, thường chỉ dựa vào R2. Do đó cần
khảo sát các tiêu chuẩn và đồ thị biến động để cân
nhắc chọn mô hình phù hợp là điều cần thiết.
- Tiêu chuẩn t kiểm tra sự tồn tại của các thám
số đối với hàm đa biến, với P < 0,05.
- Nhân tố điều chỉnh (CF- Correction factor): CF
luôn lớn hơn 1. Khi sai tiêu chuẩn của phần dư
RSE tiến đến 0 thì CF tiến đến 1, mô hình có ước
lượng tốt. Mặc khác CF là hàm phân bố chuẩn của
hàm logarit neper, do đó chỉ sử dụng tiêu chuẩn
này trong trường hợp biến y của mô hình cùng
dạng đổi biến số là logarit neper (ln(y).
- Tiêu chuẩn AIC: Khi cần lựa choṇ mô hıǹh tốt
nhất với nhiều mô hıǹh khác nhau với các biến số
ảnh hưởng khác nhau, mô hıǹh tối ưu với các biến
số thıćh hợp khi giá tri ̣đaị số của AIC là bé nhất.
Tiêu chuẩn này áp dụng trong trường hợp biến y
đồng nhất cách đổi biến.
- Biến động trung bình giữa lý thuyết và quan
sát S%: Là chỉ tiêu cho biết mô hıǹh có sai khác với
thực tế cao hay thấp và mô hıǹh tối ưu khi sai khác
này bé nhất.
- Đồ thị Normal P-P cho biết khả năng mô
phỏng của các mô hình với dữ liệu thực tế. Mô
hình tối ưu là mô hình có phân bố chuẩn của giá trị
lý thuyết và quan sát bám sát nhau và nằm trên
đường chéo có tọa độ (0, 0) và (1,1) của đồ thị.
- Đồ thị biến động phần dư residuals theo giá trị
lý thuyết: Biến động này tốt khi nó là hằng số nằm
trong pham vị -2 + 2 theo dãy giá trị lý thuyết.
Hình 7. Sơ đồ tiếp cận xây dựng mô hình sinh
trắc
Việc chọn lựa một hàm cần theo 7 tiêu chí nói
trên, trong đó ưu tiên là giá trị S% bé nhất, vì nó
phản ảnh sai lệch giữa quan sát và ước lượng qua
hàm nhỏ nhất; tiếp theo cần ưu tiên tiêu chuẩn
AICmin và CF = 1; R2adj chỉ là tiêu chí tham khảo
đầu tiên để định hướng chọn hàm hơn là chỉ tiêu
quyết định; hai đồ thị Normal P-P và residuals là
khảo sát trực quan nhất để thấy rõ sự thích hợp
của hàm ước lượng.
4. KẾT LUẬN VÀ KIẾN NGHỊ
4.1. Kết luận
Lựa chọn biến số tham gia mô hình sinh trắc
theo chỉ số Cp tiến đến p biến số, đó là số biến số
tối ưu của mô hình. Đối với ước tính sinh khối và
các bon rừng lá rộng thường xanh với sự tham gia
của 4 biến số DBH, H, WD và Ca sẽ đạt độ tin cậy
cao.
Ước lượng hàm số: Phương pháp bình
phương tối thiểu có R2adj cao và S% thấp, tỏ ra
phù hợp với quy luật phát triển sinh khối cây rừng.
Đồng thời ước lượng có trọng số cũng là một
phương pháp tốt giúp cho việc điều chỉnh các
tham số của mô hình thích hợp với dữ liệu quan
sát, giảm biến động.
Lựa chọn dạng hàm thích hợp trên cơ sở 07
tiêu chuẩn thống kê: R2adj đạt cao, T kiểm tra
tham số với P<0,05, CF tiến đến 1, AIC bé nhất,
S% bé nhất, đồ thị Normal P-P bám sát đường
chéo có tọa độ (0,0) và (1,1), đồ thị biến động
phần dư (residuals) là hằng số theo giá trị ước
lượng qua hàm. Trong đó ưu tiên giá trị S% bé
nhất, tiếp theo là AICmin và CF = 1; R2adj chỉ là
tiêu chí tham khảo đầu tiên; hai đồ thị Normal P-P
118 Tạp chí NN & PTNT 2(2014)
KHOA HỌC CÔNG NGHỆ
và residuals là khảo sát trực quan nhất để thấy rõ
sự thích hợp của hàm ước lượng.
4.2. Kiến nghị
- Sử dụng cơ sở khoa học của nghiên cứu để
thiết lập các mô hình sinh trắc cho các kiểu rừng,
vùng sinh thái khác ở Việt Nam.
- Đánh giá độ tin cậy của các mô hình thiết lập
ở ngoài vùng thu thập số liệu để đánh giá độ tin
cậy khi áp dụng.
TÀI LIỆU THAM KHẢO
1. Võ Đại Hải, 2008. Nghiên cứu khả năng
hấp thụ và giá trị thương mại các bon của một số
dạng rừng trồng chủ yếu ở Việt Nam. Báo cáo tổng
kết đề tài Viện Khoa học Lâm nghiệp Việt Nam.
2. Bảo Huy, 2009. Phương pháp nghiên cứu
ước tính trữ lượng các bon của rừng tự nhiên làm
cơ sở tính toán lượng CO2 phát thải từ suy thoái và
mất rừng ở Việt Nam. Tạp chí Nông nghiệp và Phát
triển nông thôn. Bộ Nông nghiệp và PTNT số
1/2009: 85-91.
3. Bảo Huy, Nguyêñ Thi ̣ Thanh Hương, Võ
Hùng, Cao Thi ̣Lý, Nguyêñ Đức Điṇh, Huỳnh Nhân
Trı ́và cộng tác viên, 2012. Xác điṇh lươṇg CO2 hấp
thu ̣của rừng lá rôṇg thường xanh làm cơ sở tham
gia chương trı̀nh giảm thiểu phát thải từ suy thoái
và mất rừng. Báo cáo tổng kết đề tài khoa hoc̣ công
nghê ̣troṇg điểm cấp Bô.̣ Bô ̣Giáo duc̣ và Đào taọ.
4. Bảo Huy, Nguyễn Thị Thanh Hương, Võ
Hùng, Cao Thị lý, Nguyễn Đức Định, 2012. Xây dựng
mô hình sinh trắc ước tính sinh khối và các bon cho
rừng lá rộng thường xanh vùng Tây Nguyên. Tạp chí
Rừng và Môi trường. Số 51 (2012): 21-30. ISSN
1859 – 12483.
5. Bảo Huy, 2013. Mô hı̀nh sinh trắc và viêñ
thám – GIS để xác điṇh CO2 hấp thu ̣của rừng lá rôṇg
thường xanh vùng Tây Nguyên. Nxb Khoa hoc̣ và Ky ̃
thuâṭ.
6. Vũ Tấn Phương, 2012. Xác định trữ lượng
các bon và phân tích hiệu quả kinh tế rừng trồng
thông ba lá (Pinus keysia Royle ex Gordon) theo cơ
chế phát triển sạch ở Việt Nam. Luận án Tiến sĩ.
7. Basuki, T. M., P. E. van Laake, Skidmore ,
A. K., Hussi, Y. A., 2009. Allometric equations for
estimating the above-ground biomass in tropical
lowland Dipterocarp forests. Forest Ecology and
Management 257 (2009) 1684–1694.
8. Huy, B., Anh, P. T., 2008. Estimating CO2
sequestration in natural broad-leaved evergreen
forests in Vietnam. Asia-Pacific Agroforestry
Newsletter – APANews, FAO, SEANAFE; No.32,
May 2008, ISSN 0859-9742.
9. Huy, B., Hung, V., Huong, N. T. T., Ly, C.
T., Dinh, N. D., 2012. Tree allometric equations in
Evergreen Broadleaf Forests in the South Central
Coastal region, Viet Nam. In (Eds) Inoguchi, A.,
Henry, M. Birigazzi, L. Sola, G., Tree allometric
equation development for estimation of forest
above-ground biomass in Viet Nam. UN-REDD
Programme, Hanoi, Viet Nam.
10. Chave, J., Andalo, C., et al., 2005. Tree
allometry and improved estimation of carbon
stocks and balance in tropical forests. Oecologia
(2005) 145: 87-99. DOI 10.1007/s00442-005-
0100-x.
11. Mallow, C. L., 1973. Some Comments on
CP. Technometrics 15 (4): 661–675.
doi:10.2307/1267380. JSTOR 1267380.
12. Picard, N., Saint-Andre, L., Henry, M.,
2012. Manual for buiding tree volume and biomass
allometric equations. CIRAD, FAO.
13. Phuong, V. T., Inoguchi, A., Birigazzi, L.,
Henry, M., Sola, G., Introduction and Background
of the study, Vietnam. In (Eds) Inoguchi, A., Henry,
M. Birigazzi, L. Sola, G. Tree allometric equation
development for estimation of forest above-ground
biomass in Viet Nam (Part A). UN-REDD
Programme, Hanoi, Viet Nam.
Tạp chí NN & PTNT 2(2014) 119
KHOA HỌC CÔNG NGHỆ
METHODOLOGY FOR DEVELOPING FOREST BIOMASS – CARBON ALLOMETRIC EQUATIONS
Huynh Nhan Tri, Bao Huy
Summary
To estimate biomass, forest carbon, the allometric equations are an important content. However, the
scientific basis for developing models has not been evaluated systematically to provide common
standards. This study based on the collection of biomass, carbon analysis from felling trees in the
evergreen broad-leaved forest in the Central Highlands, was analyzed to provide the basis for the
construction of biometric models. The results show that: i) Select the optimal number of variables for
the model under criteria of Mallow Cp, indicating to achieve the required reliability has four variables
DBH, H, WD (wood density) and CA (crown area); ii) estimate the parameters with least square
method, and if the weight used for estimating, models can fit better with observational data; iii) select
the appropriate function based on 7 criteria R2 (%)high, T standard testing parameters with P < 0.05,
CF approaching 1, the smallest AIC, S% smallest, Normal P-P plot is line with coordinates (0.0) and
(1.1), the scatter of residual is constant over the estimated value.
Key word: Allometric equation, biomass, evergreen broad-leaved forest, forest carbon.
Người phản biện: PGS.TS. Trần Quang Bảo
Ngày nhận bài: 6/12/2013
Ngày thông qua phản biện: 6/01/2013
Ngày duyệt đăng: 14/01/2013
120 Tạp chí NN & PTNT 2(2014)
Các file đính kèm theo tài liệu này:
- co_so_khoa_hoc_xay_dung_mo_hinh_sinh_trac_allometric_equatio.pdf