AUGŠANAS GAITAS MODEĻU PILNVEIDOŠANA
AS „LATVIJAS VALSTS MEŽI” pasūtītā pētījuma
AUGŠANAS GAITAS MODEĻU PILNVEIDOŠANA
GALA PĀRSKATS
Līguma nr.: 5-5.9_00uy_101_15_284
Izpildes laiks: 01.02.2016. - 01.12.2020.
Izpildītājs: Latvijas Valsts mežzinātnes institūts „Silava”
Pētījuma vadītājs:
Xxxxx Xxxxx
PĒTĪJUMA GALVENIE IZPILDĪTĀJI Xxxxx Xxxxx, Xxxxxxx Xxxxxxx, Xxxxx Xxxxxxxx,
Xxxxx Xxxxxx, Xxxxxxx Xxxxx, Xxxxx Xxxxxxx
Salaspils, 2020
AS „LATVIJAS VALSTS MEŽI” pasūtītā pētījuma “Augšanas gaitas modeļu pilnveidošana”
Gala pārskats
Līguma NR.: 5-5.9_00uy_101_15_284 Izpildes laiks: 01.02.2016. - 01.12.2020.
Izpildītājs: Latvijas Valsts mežzinātnes institūts „Silava” Pētījuma vadītājs: X. Xxxxx
Pārējie galvenie izpildītāji: X. Xxxxxxx, X. Xxxxxxxx, X.Xxxxxx, X. Xxxxx, X. Xxxxxxx
Atbilstoši metodikai Pētījuma gaitā atsevišķos gados vai katru gadu veikti sekojoši darba uzdevumi:
1. 2016.-2020. Augšanas gaitas modeļiem nepieciešamo datu sagatavošana no 2015.- 2019. gada meža statistiskās inventarizācijas (MSI) mērījumu datiem.
Meža statistiskās inventarizācijas (MSI) parauglaukumu datu bāzē atlasīti un MS Excel datorprogrammā, turpmākajai apstrādei piemērotā formātā, kas ļauj analizēt datus individuāla koka līmenī, ievadīti dati par 5077 pirmā cikla parauglaukumu pārmērījumiem 2. un 3. ciklā, kā arī 1021 ceturtajā ciklā atkārtoti pārmērīta parauglaukuma dati. Šī informācija tālāk izmantojama gan parauglaukumu, gan meža elementu, gan atsevišķu koku augšanas gaitas prognožu modeļu izstrādē.
2. 2017.-2020. 2017. gadā izstrādāto H, D, G augšanas gaitas vienādojumu (meža elementiem) koeficientu precizēšana, balstot uz 3. MSI cikla 5 gadu xxxxxx, x.xx. arī kopšanas ciršu efekta atspoguļojošo modeļu pilnveidošana.
Iepriekšējos pētījumu posmos pārbaudīti virkne dažādu zinātniskajā literatūrā publicētu vienādojumu. Vienojoties ar LVM pārstāvjiem, pieņemts lēmums, ka šī pētījuma ietvaros jauni vienādojumi netiek pārbaudīti, bet tikai precizēti koeficienti vienādojumiem, kuri pētījuma pirmajos gados bija ar labākajiem statistiskajiem rādītājiem. Pakāpeniski iegūstot informāciju par 3. MSI ciklā uzmērītajiem parauglaukumiem, katru gadu precizēti koeficienti uz lielāku parauglaukumu datu bāzi. 2019. g. aprēķini veikti jau izmantojot visu 5 gadu trešā cikla datu bāzi. Šādi aprēķināti 2017. gadā izstrādātie atsevišķa meža elementa vidējā augstuma, vidējā caurmēra un šķērslaukuma aktualizācijas modeļu koeficienti. Ik gadus veikts vienādojumu statistisks izvērtējums. Izmantojot 4. cikla 1.gada parauglaukumu 1.cikla datus, aprēķini veikti atsevišķi starpinventarizācijas periodā koptiem un nekoptiem MSI parauglaukumiem. Veikts vienādojumu statistisks izvērtējums. Konstatēts, ka pēc vienādojumu sistēmas, kas izmantota augšanas gaitas testēšanai, prognozētie D, H un G pieaugumi 15 g. laikā ir kopumā piesardzīgāki nekā pārmērījumos konstatētie, bet nav konstatētas ievērojamas sistemātiskas atšķirības. 15 gadu prognozes procentuālā vidējā novirze H dažādām sugām ir no -1 līdz+5%, caurmēram no 0,8-6,7%, bet šķērslaukumam no -8 līdz
+6,4%. Atsevišķi vērtējot koptās audzes, konstatēts, ka paraugkopai P, un E audzēs vienādojumi prognozē mazāku šķērslaukuma pieaugumu nekā konstatēts dabā parauglaukumus pārmērot 4. ciklā. Tomēr tā kā pārbaudes datu kopā ir tikai viena gada mērījumi, pašreiz nerekomendējam veikt korekcijas/kalibrācijas koeficientu lietošanu esošajā vienādojumu sistēmā.
3. 2017. Audžu modālo (biežāk sastopamo) šķērslaukuma vērtību noteikšana relatīvi ilgi neapsaimniekotām audzēm
Tā kā virknē gadījumu LVM plānošanas sistēmā nepieciešams modelēt arī audžu attīstību bez saimnieciskās darbības ietekmes, bet izvērtējot augšanas gaitas vienādojumu prognozes, konstatēts, ka tās ekstrapolējot garākā laika posmā, sistēmā tiek ģenerēta visu parauglaukumu šķērslaukumu konverģēšana uz pilnu biezību un atbilstošu augšanu gar pašizretināšanās līniju. Balstoties uz MSI parauglaukumu, kuros nav konstatēta saimnieciskā darbība nevienā no MSI cikliem, datiem, aprēķināts mediānais šķērslaukums pa valdošajām sugām un augstuma grupām. Izstrādāts vienādojums kokaudzes I stāva mediānā šķērslaukuma aprēķināšanai, kas izmantojams neapsaimniekotu audžu šķērslaukuma modelēšanai.
4. 2018. Detalizēta formulu mijiedarbības apraksta sagatavošana atbilstoši pieejai formulu testēšanas excel (bez jaunāko audžu formulām)
Sākotnēji pētījumā bija paredzēta tikai atsevišķu audžu taksācijas rādītāju prognozēšanas vienādojumu izstrāde (2.uzdevums). Taču veicot LVM prognozēšanas rīka izstrādi tika konstatēts, ka bez vienādojumiem, nepieciešama arī prognozēšanas rīka prototipa izveide, kurš ļautu LVM pārbaudīt sistēmas funkcionalitāti. Tā kā jaunāko audžu prognozēšanas rīka izstrādi jau ir veicis LVM, tad bija nepieciešams veikt formulu mijiedarbību apraksta sagatavošana tikai audžu augšanas gaitas modeļiem, kas pārsniegušas vecumu, kurš atbilst 1. vecumklasē mērķtiecīgi koptu audžu vadlīnijām. Pētījuma ietvaros sagatavots gan apraksts, gan izveidotas atbilstošās Flowchart diagrammas.
5. 2017. Pieauguma, atmiruma un krājas diferences prognožu modeļu pilnveidošana un statistisko rādītāju izvērtēšana, aprēķinus balstot uz 3. MSI cikla 3 gadu datiem
Iepriekš 2015. gadā izstrādātajiem vienādojumiem, balstoties uz 10 gadu pārmērījuma datiem, aproksimētas jaunas koeficientu vērtības kokaudzes I stāva un kokaudzes tekošā vidēji periodiskā krājas pieauguma aprēķināšanai. Tekošais vidēji periodiskais krājas pieaugums ir atkarīgs no I stāva valdošās koku sugas krūšaugstuma vecuma, Orlova bonitātes un mežaudzes attiecīgā šķērslaukuma visām koku sugām. Pētījuma ietvaros aproksimētas jaunas koeficientu vērtības kokaudzes I stāva un kokaudzes tekošā vidēji periodiskā krājas atmiruma aprēķināšanai.
Mežaudzes krājas diference aprēķināma algebriski no faktiskās audzes krājas pieauguma atņemot dabisko atmirumu un izcirsto krāju.
6. 2016.-2020. Individuālu koku augšanas gaitas modeļu izstrāde (balstot uz zināšanām, kuras iegūtas analizējot Somijas un Zviedrijas augšanas gaitas modeļus). Izstrādāt individuālu koku augšanas gaitas modeļus un veikt to validāciju un verificēšanu. Iegūto rezultātu statistika analīze
2016.g. Veikta pieaugumu aprēķināšana balstot uz Somijas un Zviedrijas meža resursu modelēšanas sistēmās izmantotajiem vienādojumiem un modeļu noklusētajiem parametriem. Konstatēts, ka virkne parametru nav tieši attiecināmi uz Latvijas apstākļiem, un to piemērošana balstīta uz pieņēmumiem par atbilstību meža tipiem, piemēram, tādi rādītāji kā rohumusa slāņa biezums, akmeņainība, pārpurvošanās. Savukārt citi rādītāji tiek ekstrapolēti salīdzinājumā ar šo rādītāju diapazonu Somijā. Secināts, ka oriģinālās vienādojumu koeficientu vērtības nav izmantojamas Latvijas mežaudžu augšanas gaitas modelēšanai. Pārbaudot Zviedrijas augšanas gaitas modeļu atbilstību, konstatēts, ka līdzīgi nepieciešama oriģinālo (Zviedrijā lietoto meža tipu raksturojošo parametru sasaiste ar Latvijas meža tipoloģiju. Īsā termiņā (5 gadi) oriģinālās formulas, tās adaptējot Latvijas apstākļiem, dod labu vērtējumu, taču ilgākā termiņa nepieciešama koeficientu vērtību adaptācija/ kalibrācija Latvijas apstākļiem.
2017.g. izstrādāta vienkāršota vienādojumu sistēma kokaudzes I stāva, II stāva koku augstuma, caurmēra pieauguma aprēķināšanai, kā arī atmiršanas varbūtības aprēķināšanai. Metodika balstīta uz Zviedrijā un Somijā izstrādāto individuālu koku augšanas gaitas modeļu pamatprincipiem, pielāgojot tos Latvijā izmantotajiem taksācijas rādītājiem un meža tipoloģijai, kā arī klimatiskajiem apstākļiem. Vienādojumi precizēti izmantojot visu 5 trešā cikla datu paraugkopu.
2020.g. veikta vienādojumu validācija, izmantojot 3. un 4. cikla pārmērīto parauglaukumu datus, kā arī statistisko parametru izvērtēšana. Nav konstatētas būtiskas sistemātiskas atšķirības pieauguma novērtējumā, tomēr variācijas koeficients augstuma pieaugumam ir 40-65%, tādēļ meklējams cits risinājums, lai izkliedi samazinātu. Atmiruma modelis pašlaik iekļauj tikai konkurences un vecuma komponenti, bet tajā nav iekļauti dabiskie traucējumi, tādējādi modelis neapsaimniekotās audzēs, ilgākā laika periodā varētu pārvērtēt koku izdzīvošanas varbūtības.
7. 2018. Vidējā augstuma aprēķins pirmajam stāvam, izmantojot LiDAR datus. Izveidot mežaudzes 1.stāva vidējā augstuma aprēķina modeli ArcGIS, izmantojot uz LĢIA LiDAR datiem veidotu CHM rastra slāni.
Sagatavoti MSI parauglaukumu (2641) un to 6m buferzonas digitālā augstuma modeļa (DTM), koku augstuma modeļa (CHM) rastra slāņi. Izveidots datu slānis augstumu starpību aprēķinam starp atbilstošajā gadā uzmērīto un CHM datos konstatētajiem augstumiem. Veikta sakarību aproksimācija starp uzmērīto un CHM konstatēto augstumu atšķirību ietekmējošo faktoru nozīmīguma noteikšanai. Izveidots ArcGIS model builder prototips (Toolbox) aprēķinu veikšanai.
8. 2018. Vidējā augstuma pieauguma aprēķina modelis. Izveidot modeli ArcGIS, kurā, ņemot vērā aprēķina datumu un LiDAR datu iegūšanas datumu, kombinējot ar GEO doto valdošās koku sugu kodu un vecumu, prognozē augstuma pieaugumu 2. darba uzdevuma ietvaros aprēķināto 1.stāva koku vidējo augstumu.
Izstrādāts modelis vidējā P, E, B, A, Ma, Ba augstuma pieauguma aprēķināšanai, kurā, ņemot vērā aprēķina datumu un LiDAR datu iegūšanas sezonu, kombinējot ar GEO doto valdošās koku sugu kodu un vecumu, prognozē augstuma pieaugumu 2. darba uzdevuma ietvaros aprēķināto 1.stāva koku vidējo augstumu. Modelis izmantojams audzēm, kas skenēšanas laikā bija augstākas par 5m un nav nocirstas laika posmā starp skenēšanu un aktuālo datu bāzes versijas izstrādes brīdi.
9. 2016-2020. Dažādvecuma audžu augšanas gaitas modeļu izstrādei nepieciešamo iepriekš ierīkoto parauglaukumu pārmērīšana 50 objektos.
Audzes telpiskās struktūras raksturošanai, koku augšanas gaitas novērtēšanai pētījuma gaitā uzmērīti 50 pētījumu objekti, kas ierīkoti 2004.-2016. gadam, un kuros izlases vai pakāpeniskās cirtes pirmais paņēmiens veikts laika periodā no 1995.g. līdz 2013. gadam. Kopā uzmērīti 288 (500m2) laukumi, x.xx. uzskaitīta atjaunošanās 878 (25m2) uzskaites laukumos.
10. 2016-2020. Dažādvecuma audžu augšanas gaitas modeļu izstrāde, izmantojot 2019.gadā un iepriekšējos gados ievāktos datus.
Izstrādāta vienādojumu sistēma, kas pamatā balstīta uz matricu modeļiem. Koeficientu vērtības aprēķinātas balstoties uz pārmērīto parauglaukumu precizētajiem pieaugumu datiem. Atjaunošanās modelēta balstoties uz pārmērīto parauglaukumu datiem. Modelis ļauj prognozēt pieaugumu un atmirumu pēc izlases cirtēm. Atjaunošanās/ ieaugšanās modelis ir deterministisks un tas jāievada lietotājam. Šī pētījuma laika rinda dod precīzāku informāciju par vēsturisko atjaunošanos sekmīgu pie dažādām apsaimniekošanas alternatīvām.
11. 2016-2020. Vienādojumu sistēmas izstrāde antropogēnās meža atjaunošanas ietekmes (selekcijas efekts) novērtēšanai uz priežu, egļu un bērzu kokaudžu augšanas gaitu, datu analīze un tajos pamatotu secinājumu izstrāde
2016.g. selekcijas ietekmes uz parastās priedes augšanu novērtēts balstot uz 5 eksperimentālo stādījumu (vecums 31-43 gadi) pārmērījumu datiem. Konstatēts, ka eksperimentos iekļautais selekcionētais materiāls augstumā aug atbilstoši par vienu vienību augstākai bonitātei.
Konstatēts, ka selekcionētam materiālam augstuma pārsvars ir 6-13% (statistiski būtisks), salīdzinot var vietējām proveniencēm, savukārt caurmēra pieauguma pārsvars vidēji ir 5-18%, ne visos gadījumos ir statistiski būtiski. Aprēķināti vienādojumu koeficienti selekcijas efekta iekļaušanai augšanas gaitas modeļos.
Selekcijas ietekme uz parastās egles augšanas gaitu novērtēta balstot uz 5 eksperimentāliem stādījumiem, kuru vecums ir no 13 līdz 19 gadiem. Šajā gadījumā augstuma pieaugums proporcionāli ir lielāks nekā priedei līdzīgā vecumā, taču arī šajā gadījumā vienkāršākais variants ir prognozēt par 1 vienību augstāku bonitāti.
2020.g. Selekcijas efekts kvantitatīvi novērtēts izmantojot datus no 1975.g. stādījumiem, kuros līdzīgos apstākļos audzētas selekcionēta (kontrolēti krustotu pluskoku pēcnācēji) un vietējo provenienču priedes pēcnācēji, kā arī no 1975. un 1982.g. stādījumiem, kuros līdzīgos apstākļos audzēti, plantāciju pēcnācēji un mežaudžu pēcnācēji.
Aprēķināti korekcijas koeficienti augstuma pieauguma izmaiņām GADA modelī priedes, egles un bērza reproduktīvajam materiālam ar kvalitāti “uzlabots” un “pārāks”. Tā kā caurmēra pieaugums, šķērslaukuma pieaugums, x.xx., normālais šķērslaukums ir atkarīgs no augstuma, tad vienādojumu sistēma paredz arī augstāku ražību pēc pārējiem parametriem.
12.2016-2020 Kopšanas ciršu eksperimentālo parauglaukumu ierīkošana
Pētījuma gaitā no 2016. g. līdz 2019. g. parauglaukumi iekārtoti 107 objektos, kuros valdošā suga ir priede, egle vai bērzs. Pamatā tās ir Ia-II bonitātes audzēs, priedei arī III-IV bonitātes audzēs, kopā priedei 58 objekti, eglei 30 objekti un bērzam 19 objekti. Objekti iekārtoti 4 reģionos – Dienvidkurzemes, Ziemeļkurzemes,
Austrumvidzemes, Vidusdaugavas, 3 vecuma grupās 20 – 30, 31 – 50, 51 – 70 gados, katrā objektā ierīkojot parauglaukumus ar 3-4 kopšanas intensitātēm, “kopšanu no augšas” un kontroli. Kopā visās sērijas ir 1145 parauglaukumi un uzmērīti 151404 koki. Visos pētījumu objektos veikta koku uzmērīšana pēc cirtes,; daļā objektu, kuri, potenciāli izmantojami arī kā demonstrācijas objekti, ārējās robežām stūrus fiksējot ar plastmasas caurulēm. 65 objektos detālākai analīzei, koki uzmērīti arī vietējā koordinātu sistēmā.
13. 2020. Kopšanas ciršu ietekmes modeļu izstrāde
Tā kā pašreizējā pētījumu stadijā ir tikai uzmērīti parauglaukumi pirms cirtes un tūlīt pēc kopšanas cirtes, iegūtie dati izmantoti, lai precizētu Dg izmaiņas dažādu cirtes pakāpju ietekmē atkarībā no valdošās sugas. Iegūtā informācija izmantojama augšanas gaitas simulatoru pilnveidē. Ieteikts sistēmā iekļauto parametru NG, kas nosaka, izcērtamo koku skaita un šķērslaukuma attiecību aizstāt ar vienādojumu, kur tā lielumu nosaka kopšanas pakāpe. Kopšanas ietekme uz saglabāto koku dimensiju pieaugumu, koku skaita izmaiņām tiks gūta attiecīgi pārmērot parauglaukumus pēc 5 un 10 gadiem.
Study commissioned by JSC "LATVIAN STATE FORESTS". Title “Improvement of the growth models”.
Phase 5 report.
Article NO.: 5-5.9_00uy_101_15_284 Lead Time: 01.02.2016. - 02.11.2020.
Performer: Latvian State Forest Research Institute "Silava". Research project leader: X. Xxxxx.
The other main performers: X. Xxxxxxx, X. Xxxxxxxx, X.Xxxxxx, X. Xxxxx, X. Xxxxxxx.
Task 1. Preparation of NFI 2019 data for growth and yield model improvement.
From NFI database were selected 5077 sample plots remeasured in the 2nd and 3rd NFI cycle, as well as 1021 re-measured NFI plots form 4th NFI cycle and recorded to MS Excel. The initial plot selection criteria are: 1) in all NFI measurement cycles sampling plot is not divided into sectors, which means that whole sampling plot is within limits of the one stand; 2) in all NFI cycles the land category is forest stand (code 10), destructed stand (11), burning (12), windfall (13), glade (14) or forest in agricultural land (62).
Task 2. Calculation of coefficients of growth equations based on 5 years measurement data of 3rd NFI cycle, including a thinning effect in the models.
In previous phases, a number of different equations published in scientific literature have been examined. In agreement with the representatives of the LVM, it was decided that new equations were not examined within the scope of this study, but merely specified the coefficients for the equations that were best statistical in the first years of the study (2017). Gradually obtaining information on plots measured in the 3rd NFI cycle, the coefficients on a larger plot database are specified each year. 2019 estimates have already been made using the entire 5-year third cycle database. The average height, average DBH and basal area growth models for a separate forest element developed based. A statistical assessment of equations has been carried out annually. Using the data for first year of cycle 4 plots, the calculations have been carried out separately for during the inter-inventory period thinned and unthinned NFI plots. A statistical evaluation of equations has been carried out. According to the system of equations used to test growth rate, projected D, H and G increases over 15 years are generally more cautious than those observed in the remeasurements, but no significant systematic differences have been identified. A separate assessment of thinned stands showed that for the sample set Pine and Spruce the equations are expected to produce a smaller increase in the basal area than it was measured in the same plots in cycle 4. However, since the test data set contains only one-year measurements, we are currently not recommending the use of correction/calibration factors in the existing equations system.
Task 3. Model for modal values of basal area growth for un-managed stands
In a number of cases, it is also necessary to model the development of the groves without the effects of economic activity, but when assessing the growth rate equations forecasts, it has been found that extrapolating them the longer time, the system generates a convergence of the basal area of all plots to full stocking and corresponding growth along the self-thinning line. Based on the data of the NFI plots where no economic activity has been established in any of the NFI cycles, the median basal area development model for main prevailing species and groups of height has been calculated. Because of bimodal distribution, the equation for modelling of the median basal area of the dominant tree layer, was designed to model the basal area growth of uncultivated stands.
Task 4. Preparing description of detailed formula interaction according to the approach in the formula testing excel file (without the young stand formulae)
Initially, the study provided only for the development of forecasting equations for growth models (task 2). However, the development of the LVM forecasting tool revealed that without equations, a prototype of the forecasting tool was also needed, which would allow LVM to verify the functionality of the system. Since the development of the newest stock forecasting tool has been carried out by LVM. As part of the study, both the description and the corresponding Flowchart charts have been created.
Task 5. Development of the forecasting model of growth, mortality and net change based on NFI 3rd cycle 3 years’ data.
The new approximation of previously (2015) developed equations was carried out based on 10 years data. The current average periodic volume increment depends on the age of the dominant tree species and site index according to Orlov, and the basal area of all tree species.
The mortality model was calculated on new data set and based on age and basal area of the stand
Task 6. Development of individual tree growth model. Validation and verification of individual tree growth developed models. Statistics analysis of the results obtained
An equation system was developed for calculating height growth, basal area and diameter growth of the tree layer, as well as for calculating probability of mortality. Proposed modelling approach based on Finnish and Swedish individual tree growth models based on assumptions regarding the compliance of forest types, for example, indicators such as rohumus thickness, paludification applicable to Latvia’s conditions. Validation was based on NFI 3rd and 4th cycle tree data. There is no systematic bias in DBH and height growth, yet variation reached 40-65%. Mortality model at the moment is lacking natural disturbance component therefore it could overestimate survival in the longer time periods.
Task 7. Calculation of the average height of the first floor using LIDAR data. To Create a stand`s 1st floor average height calculation model for ArcGIS using CHM raster layer based on LGIA LiDAR data
Digital Elevation Model (DTM) and tree height pattern (CHM) raster layers for NFI plots (2641) and their 6m buffer was prepared. A data layer has been created for calculating height differences between the heights observed in the corresponding year and the CHM data. Approximation of the relationships between the measured tree heights in NFI and the determination of the significance of the factors affecting the difference in height determined by the CHM has been made. Created an ArcGIS model builder Toolbox) prototype.
Task 8 Average height increment calculation model. Create an ArcGIS model which based on the LiDAR scanning date in combination with the dominant tree species and the age of trees, predicts the height increase average height of trees of the 1st floor according to equations elaborated in Task 2.
Model for calculation of the increment of mean height of the dominant species for pine, spruce, birch, aspen and alder is created. Model based on mean height of the dominant species at time of scanning (Task 7) and height increment model (Task 2).
Task 9. Re-measurement of previously installed sample plots in uneven-aged stands (50 objects)
Measurements of stand spatial structure characterization are carried out in stands managed by selective cutting or shelterwood cutting is carried out during the period from 1995 to 2013. Stand structure was evaluated in 288 plots (500 m2 R = 12.62 m) and as well performed regeneration accounting in 878 sample plots (25 m2; R = 1.82 m).
Task 10: Development of multilevel stand growth models using data collected in 2019 and previous years
An equation system based on matrix models has been developed. The coefficient values are calculated based on the specified incremental data. The regeneration is modeled on the measured plot data. The model allows to predict the growth and mortality after selection cutting. The regeneration model is deterministic and to be imputed by user. Data from this study gives user more data for choice of the initial conditions.
Task 11: Development of a system of equations for assessing the effects of anthropogenic forest regeneration (breeding effect) on the growth rate of pines, spruce and birch stands, analysis of data and drawing up sound conclusions
The estimated effect tree breeding using data from experimental plantations of 1975, in which under similar circumstances were grown descendants of controlled interbreeding of plus trees and offsprings of local proveniences of scots pine. Other data source was from experimental plantations of 1975 and 1982, where in similar circumstances, offsprings of local proveniences and descendants of the tree orchards were grown.
We found that breeding material gives height by 6-13% more if compared to the local provenances, while mean diameter was exceeded by 5-18%. Equation coefficients for calculation of effect tree breeding for growth path was elaborated
The estimated effect Scots pine tree breeding using data from experimental plantations of up to 43 years old, but for Norway spruce up to 19 years old. Difference in height increment for modelling can be assumed equal to one site index class if compare to normal stands at the same site type.
Calculated correction factors for changes in height growth GADA model for pine, spruce and birch reproductive material of quality “enhanced” and “superior”.
Task 12. Establishment and Renovation of the sites of the established thinning experiment plots. Tree measurements in local coordinate system in the established permanent sample plots
In the course of the study from 2016 to 2019, plots are arranged at 107 sites where the dominant species is pines, fir or birch. They are based on Ia-II bonity stands, pines in III-IV bonity stands, a total of 58 objects for pine, 30 objects for the tree and 19 objects for birch. Sites are located in 4 regions – DK, ZK, AV, VD, 3 age groups 20-30, 30-50, 50-70 years, installing plots with 3-4 thinning rates, “thinning from above” and control at each site. Together, all series have 1145 plots and measured 151404 trees. A survey of trees after felling has been carried out at all study sites, the outer borders of the plots have been restored; in the part of the objects, which are potentially also used as demonstration sites, the corners of the external borders being fixed with plastic pipes. In 65 objects for more detailed analysis, the trees are also measured in the local coordinate system.
Task 13: Development of the thinning felling impact models
Since the current phase of the studies has only measured plots prior to felling and immediately after felling, the data obtained has been used to clarify the changes in Dg in the different felling stages, depending on the prevailing species. The information obtained shall be used in the development of growth rate simulators. It is recommended that the NG parameter included in the system, which determines the ratio between the number of trees to be felled and the cross-area, be replaced by an equation where its size is determined by the degree of care. The effects of thinning on the increased dimensions of preserved trees, changes in the number of trees, will result in a corresponding rescheduling of plots after 5 and 10 years.
Saturs
1. Augšanas gaitas modeļiem nepieciešamo datu sagatavošana no meža statistiskās inventarizācijas (MSI) mērījumu datu bāzes 10
2. 2017. gadā izstrādāto H, D, G augšanas gaitas vienādojumu (meža elementiem) koeficientu precizēšana, balstot uz 3. MSI cikla 5 gadu xxxxxx, x.xx. arī xxxxxxxx xxxxx
efekta atspoguļojošo modeļu pilnveidošana 11
3. Audžu modālo (biežāk sastopamo) šķērslaukuma vērtību noteikšana relatīvi ilgi neapsaimniekotām audzēm 22
4. Detalizēta formulu mijiedarbības apraksta sagatavošana atbilstoši pieejai formulu testēšanas excel (bez jaunāko audžu formulām) 24
5. Pieauguma, atmiruma un krājas diferences prognožu modeļu pilnveidošana 36
6. Izstrādāto individuālu koku augšanas gaitas modeļu validācija un verificēšana. Iegūto rezultātu statistika analīze 40
7. Vidējā augstuma aprēķins pirmajam stāvam, izmantojot LGIA LiDAR datus 46
8. Vidējā augstuma pieauguma aprēķina modelis balstot uz LiDAR datiem 50
9. Dažādvecuma audžu augšanas gaitas modeļu izstrādei nepieciešamo iepriekš ierīkoto parauglaukumu pārmērīšana 50 objektos 51
10. Dažādvecuma audžu augšanas gaitas modeļu izstrāde, izmantojot 2019.gadā un
iepriekšējos gados ievāktos datus 54
11. Vienādojumu sistēmas izstrāde antropogēnās meža atjaunošanas ietekmes (selekcijas efekts) novērtēšanai uz priežu, egļu un bērzu kokaudžu augšanas gaitu, datu analīze un
tajos pamatotu secinājumu izstrāde (X.Xxxxxxx, X.Xxxxxxx, X.Xxxxx) 62
12. Kopšanas ciršu eksperimentālo parauglaukumu ierīkošana 72
13. Kopšanas ciršu ietekmes modeļu izstrāde 74
Secinājumi un Rekomendācijas 78
Pielikums 1. Vienādojumu atbilstības izvērtēšanas statistiskie rādītāji 80
Meža statistiskās inventarizācijas (MSI) metodika – dizains, lauku datu ievākšanas un datu apstrādes metodes ir optimizētas, lai efektīvi varētu iegūt ticamu informāciju par meža resursiem un to izmaiņām valstī. Oriģinālā metodika nav paredzēta augšanas gaitas analīzei atsevišķa parauglaukuma līmenī.
Tā kā pētījuma gaitā ir paredzēta augšanas gaitas prognozēšana atsevišķa koka līmenī, ir nepieciešams pārveidot visu MSI ciklu parauglaukumu datus, jau fiksējot ne tikai mežaudzes, katra atsevišķa mežaudzes stāva un katra atsevišķa mežaudzes elementa galvenos taksācijas rādītājus (vecums, vidējais kvadrātiskais caurmērs un tam atbilstošais augstums, šķērslaukums, krāja un koku skaits) kā arī izcirstās un atmirušās koksnes apjomu (krāja), bet arī katra atsevišķa koka stāvu, caurmēru, augstumu, šķērslaukumu, krāju, reprezentatīvo koku skaitu un stāvokli.
Meža statistiskās inventarizācijas (MSI) parauglaukumu datu bāzē atlasīti un MS Excel datorprogrammā ievadīti dati 1., 2., un 3. ciklā uzmērītiem/pārmērītiem parauglaukumiem. Galvenie sākotnējie atlases kritēriji ir: 1) visos ciklos parauglaukums nav sadalīts sektoros, kas nozīmē, ka viss parauglaukums ir vienas audzes robežās; 2) visos ciklos zemju kategorija ir mežs (kods 10), iznīkusi audze (11), degums (12), vējgāzes (13), izcirtums (14) vai mežs lauksaimniecības zemē (62). Atlasīto un ievadīto MSI parauglaukumu sadalījums pa 1. ciklā konstatētajām valdošajām koku sugām, atspoguļots un 1.1. attēlā
Papildus tam pārveidoti nepieciešamajā formātā arī dati par 1021 atkārtoti 2019. gadā pārmērītiem 4.cikla parauglaukumiem, kas tālāk izmantoti augšanas gaitas prognožu modeļu izstrādē un verifikācijā.
Galvenie sākotnējie atlases kritēriji audzēm, kuras izmantos validācijai un verifikācijai ir: 1) ceturtajā ciklā parauglaukums nav sadalīts sektoros, kas nozīmē, ka viss parauglaukums ir vienas audzes robežās;
2) ceturtajā ciklā zemju kategorija ir mežs (kods 10) vai mežs lauksaimniecības zemē (kods 62).
241
374 357 126
1637
1376
909
Priede
Bērzs Apse
Egle
Melnalksnis Baltalksnis
1.1.att. Parauglaukumu sadalījums pa I stāva valdošajām koku sugām a)(pēc 1.cikla datiem)
Pētījuma sākotnējos posmos tika pārbaudīti virkne dažādu vienādojumu, kas izmantoti citos pētījumos, vai meža augšanas gaitas modelēšanas sistēmās citās valstīs. 2017.g. tika pieņemts lēmums, ka pašreizējā posmā jauni vienādojumi vairs netiek meklēti, bet gan, balstoties uz iespējas lielāku parauglaukumu datu apjoma, tiek aproksimēti no iepriekšējos pētījumu posmos par atbilstošākajiem atzītie vienādojumi. T.i., precizējami ir tikai vienādojumu koeficienti, nevis maināmi vienādojumi, kuri izmantoti augšanas gaitas simulāciju modelī.
2019. g. pētījuma ietvaros H, D, G augšanas gaitas vienādojumu koeficientu aprēķināšanai jau tika izmantoti visu 3 ciklu (2004-2008, 2009-2013, 2014-2018) visu gadu dati. Vienādojumi koeficienti tika aprēķināti nedalot atsevišķi starpinventarizācijas periodos nekoptās audzes un kādā no periodiem koptās audzes. Šāda pieeja balstījās uz iepriekšējos pētījumos konstatēto, ka papildus efekts (caurmēra un šķērslaukuma papildus pieaugums), kas rodas atbrīvojot augšanas telpu pēc kopšanas cirtes saglabātajiem kokiem, jau tiek ietverts augšanas vienādojumos, tajā skaitā arī apsvērumā, ka veicot kopšanas cirti no apakšas / kombinēti vai no augšas matemātiski izmainās meža elementu vidējās vērtības un atbilstoši arī augšanas gaitas prognoze. Savukārt virsaugstuma izmaiņas atbilstoši literatūrā aprakstītajam relatīvi plašā audzes biezības diapazonā tiek uzskatīts par relatīvi stabilu, t.i., virsaugstuma izmaiņas nav būtiski atkarīgas kopšanas ciršu intensitātes, ja vien netiek veikta kopšana no augšas. Lai izvērtētu pieņēmumu atbilstību tika veikti atbilstošie modeļu prognožu un reāli fiksēto augšanas gaitu (D,G, H) izmaiņas atsevišķi koptām un nekoptām audzēm, salīdzinot stāvokli MSI parauglaukumos 1. periodā un stāvokli 4. periodā (t.i., uz 1. darba uzdevuma ietvaros sagatavotajiem datiem).
2.1. Materiāls un metodika
2.1.1. Vidējais augstums
Datu analīzē izmantoja datus par 1542 elementiem (priedes – 322, egles 1. stāvs – 252, bērzi – 428, melnalkšņi
– 117, apses – 63, baltalkšņi – 79, egles 2. stāvs - 281) no 580 MSI 2019. gadā atkārtoti uzmērītajiem parauglaukumiem.
Meža elementu augšanas gaitas validācija un verificēšana veikta kompleksi, novērtējot meža elementa krājas izmaiņas, izmantojot iepriekš izstrādātos atsevišķu meža elementu augstuma, caurmēra un šķērslaukuma augšanas gaitas modeļus.
Meža elementa vidējā augstuma augšanas gaitas aproksimācijai izmantots iepriekš izstrādātais Hossfeld IV vienādojuma (Кивисте,1988) vispārinātās algebriskās diferences pieejas modelis (Krumland & Eng, 2005):
𝑨𝜶𝟏 𝑯𝟐 = 𝟏. 𝟑 + 𝟐 𝜶 𝜶𝟐 + 𝟏𝟎𝟎 ∙ 𝜶𝟑 ∙ 𝑿𝟎 + 𝑿𝟎 ∙ 𝑨 𝟏 𝟐 | (2.1) | |||
𝑨𝜶𝟏 𝟏 − 𝜶𝟐 𝑿 = 𝑯𝟏 − 𝟏. 𝟑 𝟎 𝟏𝟎𝟎 ∙ 𝜶 + 𝑨𝜶𝟏 𝟑 𝟏 | (2.1.1) | |||
kur | H2 | – | meža elementa vidējais augstums aktualizācijas perioda beigās, m; | |
H1 | – | meža elementa vidējais augstums aktualizācijas perioda sākumā, m; | ||
A1 | – | meža elementa vecums 1.3 m augstumā aktualizācijas perioda sākumā, gadi; | ||
A2 | – | meža elementa vecums 1.3 m augstumā aktualizācijas perioda beigās, gadi; | ||
α1–3 | – | koeficienti (Donis u.c., 2019). |
Empīriskie koeficienti meža elementa vidējā kvadrātiskā caurmēra kokam atbilstošais augstums (2.1. formula)
Suga | α1 | α2 | α3 |
Priede | 1.15697 | -27.04027 | 16.45120 |
Egle | 1.28394 | -47.34926 | 23.60081 |
Bērzs | 1.25408 | -47.47483 | 21.72593 |
Melnalksnis | 1.18211 | -53.17079 | 22.47218 |
Apse | 1.27556 | -9.73380 | 6.22262 |
Baltalksnis | 1.23228 | -54.67036 | 16.48957 |
Egle 2. stāvs | 1.22259 | -49.18146 | 18.69587 |
2.1.2.Vidējais caurmērs
Caurmēra augšanas gaitas aproksimācijai izmantots iepriekš izstrādātais Hossfeld IV vienādojuma (Кивисте, 1988) vispārinātās algebriskās diferences pieejas modelis (Krumland & Eng, 2005), kurš modificēts iekļaujot papildus audzes relatīvo biezību:
𝑨𝜶𝟏 𝑫𝟐 = 𝟏. 𝟑 + 𝟐 𝜶 ∙ 𝑵𝟏 + 𝟏𝟎𝟎 ∙ 𝜶 ∙ 𝑿 + 𝑿 ∙ 𝑨𝜶𝟏 𝟐 𝑵𝒎𝒂𝒙 𝟑 𝟎 𝟎 𝟐 | (2.2) | |||
𝑨𝜶𝟏 𝑵 𝟏 − 𝜶𝟐 ∙ 𝟏 𝑫𝟏 − 𝟏. 𝟑 𝑵𝒎𝒂𝒙 𝑿𝟎 = 𝟏𝟎𝟎 ∙ 𝜶 + 𝑨𝜶𝟏 𝟑 𝟏 | (2.2.1) | |||
𝑵𝒎𝒂𝒙 = ∑ 𝒊𝒑𝒊 ∙ 𝒏𝒎𝒂𝒙 𝒊 | (2.2.2) | |||
𝒏𝒎𝒂𝒙 = 𝜷𝟏 ∙ 𝑫𝜷𝟐 ∙ 𝑯𝜷𝟑 𝟏 𝟏 | (2.2.3) | |||
kur | D2 | – | meža elementa vidējais caurmērs aktualizācijas perioda beigās, cm; | |
D1 | – | meža elementa vidējais caurmērs aktualizācijas perioda sākumā, cm; | ||
A1 | – | meža elementa vecums 1.3 m augstumā aktualizācijas perioda sākumā, gadi; | ||
A2 | – | meža elementa vecums 1.3 m augstumā aktualizācijas perioda beigās, gadi; | ||
N1 | – | kokaudzes 1. stāva koku skaits aktualizācijas perioda sākumā, ha-1; | ||
Nmax | – | kokaudzes 1. stāva maksimālais koku skaits aktualizācijas perioda sākumā, ha-1; | ||
nmax | – | atsevišķa 1. stāva meža elementa maksimālais koku skaits aktualizācijas perioda sākumā, ha-1; | ||
ip | – | atsevišķa 1. stāva meža elementa īpatsvars; | ||
H1 | – | meža elementa vidējais augstums aktualizācijas perioda sākumā, m; | ||
α1–3; β1–3 | – | koeficienti (Donis u.c., 2019). | ||
Empīriskie koeficienti Meža elementa vidējais kvadrātiskais caurmērs (2.2. formula)
Suga | α1 | α2 | α3 | β1 | β2 | β3 |
Priede | 0.86267 | -10.63411 | 6.05073 | 83570 | -1.366 | -0.069 |
Egle | 0.95192 | -38.54007 | 16.34919 | 103106 | -1.381 | -0.103 |
Bērzs | 1.01405 | -5.46916 | 2.23418 | 144400 | -1.357 | -0.302 |
Melnalksnis | 0.89065 | -4.74233 | 1.86825 | 197511 | -1.314 | -0.339 |
Apse | 1.09180 | -148.50053 | 63.99224 | 197511 | -1.314 | -0.339 |
Baltalksnis | 1.03987 | -2.31845 | 0.93416 | 197511 | -1.314 | -0.339 |
Egle 2. stāvs | 0.82973 | -64.75073 | 27.32699 | |||
2.1.3. Šķērslaukums
Meža elementu šķērslaukuma diferences raksturošanai izmantots iepriekš izstrādātais modelis:
𝑨𝟏 −𝟐 𝑮𝟏 𝑮𝑳 𝑺𝑰 𝑮𝟐 = 𝑮𝟏 + (𝜶𝟏 + 𝜶𝟐 ∙ 𝟏𝟎𝟎 + 𝜶𝟑 ∙ 𝑨𝟏 + 𝜶𝟒 ∙ 𝑨 + 𝜶𝟓 ∙ 𝑨 + 𝜶𝟔 ∙ 𝑨 ) (𝑨𝟐 − 𝑨𝟏) 𝟏 𝟏 𝟏 | (2.3) | ||
G2 | – | meža elementa šķērslaukums perioda beigās, m2ha-1; | |
G1 | – | meža elementa šķērslaukums perioda sākumā, m2ha-1; | |
A1 | – | meža elementa krūšaugstuma vecums perioda sākumā, gadi; | |
A2 | – | meža elementa krūšaugstuma vecums perioda beigās, gadi; | |
GL | – | šķērslaukuma summa perioda sākumā meža elementiem, kas vienādi vai lielāki par konkrēto meža elementu (ja 1. stāva meža elements, tad 1. stāva šķērslaukums, ja 2. stāva meža elements, tad 1. un 2. stāva šķērslaukuma summa), m2ha-1; | |
SI | – | pēc 1. formulas prognozētais vidējais augstums krūšaugstuma bāzes vecumā (P, E 100 gadi; B, M, A 50 gadi; Ba 20 gadi), m; | |
α1–6 | – | empīriskie koeficienti, kas atkarīgi no koku sugas (Donis u.c. 2019). | |
Empīriskie koeficienti Meža elementa šķērslaukums (2.3. – 2.4. formulas)
Suga | 2.3. formula | 2.4. formula | |||||||
α1 | α2 | α3 | α4 | α5 | α6 | α1 | α2 | α3 | |
Priede | 0.0883 | -0.0579 | 0.1134 | 0.8695 | -0.4042 | 0.1516 | 0.018 | -0.011 | 12.015 |
Egle | 0.2596 | -0.2363 | 24.1147 | 0.9082 | -0.2127 | 0.0255 | 0.028 | -0.021 | 12.574 |
Bērzs | 0.3071 | -0.4068 | -2.4536 | 0.7136 | -0.3435 | 0.1393 | 0.051 | -0.069 | 8.817 |
Melnalksnis | 0.2449 | -0.3381 | 12.4653 | 0.7984 | -0.2241 | 0.0330 | 0.059 | -0.085 | 3.363 |
Apse | 0.1696 | -0.0644 | -28.9677 | 0.7855 | -0.2842 | 0.2371 | 0.057 | -0.067 | 12.136 |
Baltalksnis | 0.4246 | -1.1530 | 16.6197 | 0.6478 | -0.3256 | 0.0503 | 0.069 | -0.165 | 6.292 |
Tā kā caurmēra pieaugums, šķērslaukuma pieaugums, x.xx., normālais šķērslaukums ir atkarīgs no augstuma, tad vienādojumu sistēma paredz arī augstāku ražību pēc pārējiem parametriem.
Līdzīgi kā iepriekš, 2.3. vienādojums ir paredzēts īslaicīgai meža elementa šķērslaukuma modelēšanai. Ja meža elementa šķērslaukums ir mazāks par 5 m2ha-1, vai prognozējamā perioda ilgums pārsniedz 20 gadus, vai arī meža elementa krūšaugstuma vecums pārsniedz priedei 120 gadus; eglei 100 gadus; bērzam, apsei un melnalksnim 80 gadus; baltalksnim 50 gadus, tad meža elementa šķērslaukuma izmaiņu modelēšanai izmantojams iepriekš izstrādātais vienādojums (Donis et al., 2016):
𝑨𝟏 𝑮𝟐 = 𝑮𝟏 + 𝑮𝟏 ∙ (𝜶𝟏 + 𝜶𝟐 ∙ + 𝜶𝟑 ∙ 𝑨𝟏−𝟐) (𝑨𝟐 − 𝑨𝟏) 𝟏𝟎𝟎 | (2.4) | |||
kur | G2 | – | meža elementa šķērslaukums perioda beigās, m2ha-1; | |
G1 | – | meža elementa šķērslaukums perioda sākumā, m2ha-1; | ||
A1 | – | meža elementa krūšaugstuma vecums perioda sākumā, gadi; | ||
A2 | – | meža elementa krūšaugstuma vecums perioda beigās, gadi; | ||
α1–4 | – | empīriskie koeficienti, kas atkarīgi no koku sugas. |
Tāpat meža elementa prognozētais šķērslaukums nedrīkst pārsniegt meža elementa teorētiski iespējamo maksimālo šķērslaukumu, kas aprēķināms pēc iepriekš izstrādātā vienādojuma (Xxxxx et al., 2016):
𝑮 = 𝜶𝟏 𝒎𝒂𝒙 𝑫 𝜶𝟑 𝟏+( ) 𝜶𝟐 | (2.5) | |||
kur | Gmax | – | meža elementa maksimālais šķērslaukums perioda beigās, m2ha-1; | |
D | – | meža elementa krūšaugstuma caurmērs perioda beigās, cm; | ||
α1–3 | – | empīriskie koeficienti, kas atkarīgi no koku sugas. |
𝑮𝒎𝒂𝒙 = 𝜶𝟏 ∙ (𝟏 − 𝒆𝒙𝒑(−𝜶𝟐 ∙ 𝑯𝒅𝒐𝒎)) | (2.6) | |||
kur | Gmax | – | kokaudzes I stāva mediānais šķērslaukums, m2ha-1; | |
Hdom | – | kokaudzes I stāva valdošās koku sugas virsaugstums, m; | ||
α1–2 | – | empīriskie koeficienti, kas atkarīgi no koku sugas. |
Ja audze netiek apsaimniekota, tad mežaudzes maksimālā šķērslaukuma aprēķināšanai izmantojama
2.6. formula, ja tiek apsaimniekota, tad – 2.5. formula.
2.6. formula nodrošina to, ka neapsaimniekotu audžu šķērslaukums nepārsniedz statistiski vidējo (mediāno) šķērslaukumu, tādējādi iekļaujot aprēķinu sistēmā dabisko traucējumu ietekmi un novēršot, situāciju, ka visas neapsaimniekotās audzes “tiecas sasniegt pilnu biezību”.
Meža elementa šķērslaukuma prognozi veic pēc sekojoša algoritma:
1. katram meža elementam aprēķina tā maksimālo šķērslaukumu aktualizācijas perioda beigās (2.5. vai 2.6. formula);
2. ņemot vērā meža elementa krūšaugstuma vecumu, šķērslaukumu un prognožu perioda garumu, izvēlās prognožu modeli un prognozē meža elementa šķērslaukuma izmaiņas (2.3. vai 2.4. formula);
3. prognozē meža elementa šķērslaukuma izmaiņas kā minimumu starp pirmā un otrā soļa rezultātu.
Empīriskie koeficienti Meža elementa maksimālais šķērslaukums (2.5. – 2.6. formulas)
Suga | 2.5. formula | 2.6. formula | |||
α1 | α2 | α3 | α1 | α2 | |
Priede | 63.459 | 13.466 | -1.514 | 41.083 | 0.0762 |
Egle | 56.984 | 9.337 | -1.703 | 42.618 | 0.0733 |
Bērzs | 44.214 | 6.02 | -1.377 | 47.895 | 0.0371 |
Melnalksnis | 50.016 | 9.27 | -1.872 | 43.517 | 0.0698 |
Apse | 55.631 | 5.971 | -1.495 | 47.572 | 0.0497 |
Baltalksnis | 39.013 | 3.965 | -2.042 | 41.141 | 0.0739 |
Augšanas gaita simulēta atbilstoši 2019.g. izstrādātajam augšanas gaitas simulatora prototipam, kurš paredz sekojošus nosacījumus:
• Meža elementu augšanas gaita (atbilstoši augstāk minētajiem vienādojumiem),
• Kopšanas ciršu gadījumā tiek prognozēts, ka kopšana tiek veikta ievērojot, ka izcirsto koku šķērslaukuma un koku skaita attiecība ir 1.15, t.i., tiek veikta kopšana no apakšas.
• Visām sugām parauglaukumā ir vienlīdz liela varbūtība tikt nocirstām kopšanas cirtē.
• Valdošā koku suga parauglaukumā nemainās.
2.1.4. Krāja
Meža elementa krājas aprēķināšanai izmanto I. Liepas atsevišķa koka tilpuma formulu (Liepa, 1996), ņemot vērā, koku skaitu, koku vidējo augstumu un vidējo kvadrātisko caurmēru:
m = ψ*h^α*d^(β*log10(h)+φ)*n | (2.7) | ||
m | – | meža elementa krāja, m3ha-1; | |
h | – | meža elementa vidējais augstums, m; | |
d | – | meža elementa vidējais krūšaugstuma caurmērs, cm; | |
n | – | meža elementa koku skaits, ha-1; | |
ψ; α; β; ϕ | – | koeficienti (Xxxxx, 1996) |
Meža elementa krājas aprēķināšanas vienādojuma koeficienti (2.7. formula)
Koku suga | Koku sugas kods | ψ | α | β | ϕ |
Priede | 1 | 0.00016541 | 0.56582 | 0.25924 | 1.59689 |
Egle | 3 | 0.00023106 | 0.78193 | 0.34175 | 1.18811 |
Bērzs | 4 | 0.00009090 | 0.71677 | 0.16692 | 1.75701 |
Melnalksnis | 6 | 0.00007950 | 0.77095 | 0.13505 | 1.80715 |
Apse | 8 | 0.00005020 | 0.92625 | 0.02221 | 1.95538 |
Baltalksnis | 9 | 0.00007450 | 0.81295 | 0.06935 | 1.85346 |
Ozols | 10 | 0.00013818 | 0.56512 | 0.14732 | 1.81336 |
Osis | 11 | 0.00008530 | 0.73077 | 0.06820 | 1.91124 |
Vienādojumu atbilstība izvērtēta izmantojot sekojošus statistiskos rādītājus: vidējā novirze (MRES), procentuālā vidējā novirze MRES%), vidējā absolūtā novirze (AMRES), standartnovirze (RMSE), variācijas koeficients (RMSE%), vidējā kvadrātiskā kļūda (MSE), modeļa efektivitāte (MEF) un dispersijas attiecība (VR). Šo statistisko rādītāju aprēķināšanas formulas dotas 1. pielikumā. Lai noskaidrotu dažādu faktoru (vecuma, šķērslaukuma un bonitātes) ietekmi uz prognožu rezultātiem izmantota lineārā regresijas analīze.
2.2. Rezultāti
2.2.1. Augstums
Meža elementa vidējā augstuma modeļi pietiekami precīzi spēj raksturot meža elementa vidējā augstuma pieaugumu (2.1.tabula), visām koku sugām vidējā augstuma pieauguma novirze 15 gadu periodā nepārsniedz
± 1,2 m, bet procentuālā vidējā novirze nepārsniedz ± 5,3%. Vidējā augstuma novirzes variācijas koeficients ir robežās 6% – 19%. Līdzīgi statistiskie rādītāji ir gan atlasot tikai tos elementus, kuros starpinventarizācijā nav konstatēta koku ciršana, gan arī atlasot tikai tos elementus, kuriem starpinventarizācijā ir konstatēta koku ciršana (2.1. tabula).
Kopumā meža elementa vidējā augstuma modelēšanā izmantotais iepriekš izstrādātais Hossfeld IV vienādojuma vispārinātās algebriskās diferences pieejas modelis sistemātiski prognozē piesardzīgāku augstuma augšanas gaitu.
2.1. tabula
Ar meža elementa augšanas gaitas modeļiem 15 gadu laikā prognozētā augstuma (m) statistiskie rādītāji
Cirte | Suga | Vid | MRES | MRES % | AMRES | RMSE | RMSE % | MSE | MEF | VR | R2 | N |
Visi kopā | P | 21.3 | 0.5 | 2.4 | 1.2 | 1.5 | 6.8 | 2.1 | 0.038 | 0.934 | 0.967 | 300 |
E 0.xx. | 22.5 | 1.1 | 5.0 | 1.8 | 2.3 | 10.3 | 5.4 | 0.210 | 1.127 | 0.860 | 244 | |
B | 20.7 | -0.1 | -0.4 | 1.6 | 2.1 | 10.0 | 4.3 | 0.099 | 0.856 | 0.902 | 385 | |
M | 18.9 | -0.2 | -0.8 | 1.6 | 2.0 | 10.6 | 4.0 | 0.121 | 0.839 | 0.880 | 109 | |
A | 26.2 | 0.5 | 1.9 | 1.8 | 2.3 | 8.7 | 5.1 | 0.105 | 1.034 | 0.905 | 56 | |
Ba | 18.1 | 0.2 | 0.9 | 1.9 | 2.4 | 13.5 | 5.9 | 0.274 | 1.024 | 0.749 | 56 | |
E 0.xx. | 14.3 | 0.4 | 3.1 | 1.8 | 2.2 | 15.5 | 4.9 | 0.338 | 1.119 | 0.720 | 269 | |
Nav cirsts | P | 20.2 | 0.4 | 2.2 | 1.1 | 1.4 | 7.0 | 2.0 | 0.033 | 0.912 | 0.972 | 231 |
E 0.xx. | 22.7 | 1.2 | 5.3 | 1.8 | 2.3 | 10.2 | 5.3 | 0.198 | 1.091 | 0.868 | 202 | |
B | 20.4 | -0.2 | -0.8 | 1.6 | 2.1 | 10.1 | 4.3 | 0.097 | 0.853 | 0.904 | 344 | |
M | 18.6 | -0.2 | -1.0 | 1.5 | 1.9 | 10.5 | 3.8 | 0.117 | 0.845 | 0.885 | 102 | |
A | 26.3 | 0.4 | 1.6 | 1.8 | 2.3 | 8.6 | 5.0 | 0.104 | 0.978 | 0.902 | 52 | |
Ba | 17.8 | 0.2 | 1.0 | 1.9 | 2.6 | 14.4 | 6.4 | 0.275 | 0.996 | 0.744 | 47 | |
E 0.xx. | 14.3 | 0.5 | 3.4 | 1.8 | 2.2 | 15.4 | 4.9 | 0.331 | 1.126 | 0.729 | 248 | |
Ir cirsts | P | 24.9 | 0.7 | 3.0 | 1.3 | 1.6 | 6.4 | 2.5 | 0.125 | 1.219 | 0.923 | 69 |
E 0.xx. | 21.9 | 0.9 | 4.0 | 1.8 | 2.5 | 11.4 | 6.1 | 0.288 | 1.378 | 0.823 | 42 | |
B | 23.1 | 0.6 | 2.4 | 1.6 | 2.2 | 9.4 | 4.6 | 0.137 | 0.953 | 0.875 | 41 | |
E 0.xx. | 14.3 | -0.2 | -1.1 | 1.8 | 2.7 | 18.6 | 6.7 | 0.419 | 1.016 | 0.629 | 21 |
P – priede, E 0.xx. – egle 1. stāvs, B – bērzs, M – melnalksnis, A – apse, Ba – baltalksnis, E 0.xx. – egle 2. stāvs.
Vid - aritmētiski vidējā uzmērītā vērtība, cm; MRES - vidējā novirze, cm; MRES% - procentuālā vidējā novirze; AMRES - vidējā absolūtā novirze, cm; RMSE – standartnovirze, cm; RMSE% - variācijas koeficients; MSE - vidējā kvadrātiskā kļūda, cm; MEF - modeļa efektivitātes indekss; VR - dispersijas attiecība; R2 - determinācijas koeficients; N - elementu skaits.
Starpībai starp uzmērīto un prognozēto augstumu 15 gadus periodam visām koku sugām konstatētas vājas lineāras sakarības ar meža elementa krūšaugstuma vecumu, mežaudzes šķērslaukumu un koka prognozēto augstumu bāzes vecumā jeb bonitāti. Lai gan atsevišķos gadījumos lielā novērojumu skaita dēļ augstuma novirzei ar vecumu, šķērslaukumu un bonitāti ir statistiski būtiskas sakarības (α=0,05), bet visos gadījumos datu jeb punktu izvietojums atgādina “skrošu šāvienu” jeb haotisku punktu kopu. Tādēļ mēs varam apgalvot, ka modelis vienlīdz precīzi prognozē vērtības gan jaunās, gan vecās audzēs, gan retās gan biezās audzēs, gan auglīgās, gan mazāk auglīgās audzēs.
2.2.2. Caurmērs
Meža elementa vidējā caurmēra modeļi priedei, bērzam, melnalksnim un baltalksnim pietiekami precīzi spēj raksturot meža elementa vidējā caurmēra izmaiņas (2.2. tabula), visām šīm koku sugām vidējā caurmēra pieauguma novirze 15 gadu periodā nepārsniedz ± 0,5 cm, bet procentuālā vidējā novirze nepārsniedz ± 2,5%. Savukārt eglei un apsei vidējā caurmēra augšanas modelis prognozē piesardzīgāku jeb mazāku caurmēra pieaugumu. Šīm sugām vidējā caurmēra pieauguma novirze 15 gadu periodā ir 1,4-1,8 cm, bet procentuālā vidējā novirze ir robežās 5-8%. Līdzīgi statistiskie rādītāji ir atlasot tikai tos elementus, kuros starpinventarizācijā nav konstatēta koku ciršana. Savukārt, atlasot tikai tos elementus, kuriem starpinventarizācijā ir konstatēta koku ciršana modeļa statistiskie rādītāji ir zemāki (2.2. tabula). Tātad 15 gadu laikā (precīzāk 5-15 gadu laikā pēc ciršanas) izvēlētais modelis modelē sistemātiski mazāku caurmēru. Tas tāpēc, ka šis modelis ir būvēts, tā lai kompensētu papildus pieaugumu, kas rodas pēc kopšanas cirtes, nevis pirmajos 5-15 gados, bet ilgākā periodā (uz galvenās cirtes brīdi). Saistībā ar kopšanu un caurmēra izmaiņām pēc kopšanas cirtes ir jāizveido jauns vai jāmodificē esošais modelis, kas modelē caurmēra izmaiņas uzreiz pēc ciršanas. Esošais pieņēmums, ka izcirsto koku skaita un šķērslaukuma attiecība ir 1,15 īsti nedarbojas (skat. 7.nodaļa). Šim rādītājam noteikti būtu jābūt atkarīgam no ciršanas pakāpes (izcirstā šķērslaukuma proporcijas) un iespējams arī no audzes vecuma.
Kopumā meža elementa vidējā caurmēra modelēšanā izmantotais iepriekš izstrādātais Hossfeld IV vienādojuma vispārinātās algebriskās diferences pieejas modelis sistemātiski prognozē piesardzīgāku caurmēra augšanas gaitu.
2.2. tabula
Ar meža elementa augšanas gaitas modeļiem 15 gadu laikā prognozētā caurmēra (cm) statistiskie rādītāji
Cirte | Suga | Vid | MRES | MRES % | AMRES | RMSE | RMSE % | MSE | MEF | VR | R2 | N |
Visi kopā | P | 26.7 | 0.4 | 1.6 | 1.2 | 1.5 | 5.7 | 2.3 | 0.024 | 1.006 | 0.978 | 300 |
E 0.xx. | 27.6 | 1.4 | 5.0 | 1.9 | 2.4 | 8.8 | 5.9 | 0.091 | 0.999 | 0.940 | 244 | |
B | 20.8 | 0.4 | 2.0 | 1.6 | 2.2 | 10.4 | 4.7 | 0.053 | 0.901 | 0.950 | 385 | |
M | 21.0 | 0.5 | 2.4 | 1.8 | 2.3 | 10.9 | 5.2 | 0.086 | 0.905 | 0.919 | 109 | |
A | 32.3 | 1.8 | 5.4 | 3.0 | 3.7 | 11.6 | 13.7 | 0.066 | 0.913 | 0.950 | 56 | |
Ba | 17.7 | 0.3 | 1.9 | 1.7 | 2.1 | 11.8 | 4.3 | 0.126 | 0.908 | 0.878 | 56 | |
E 0.xx. | 15.5 | 1.2 | 7.5 | 1.7 | 2.2 | 14.3 | 4.9 | 0.190 | 0.805 | 0.865 | 269 | |
Nav cirsts | P | 25.9 | 0.2 | 0.8 | 1.1 | 1.3 | 5.2 | 1.8 | 0.016 | 0.987 | 0.984 | 231 |
E 0.xx. | 27.9 | 1.3 | 4.7 | 1.8 | 2.3 | 8.4 | 5.4 | 0.078 | 0.986 | 0.947 | 202 | |
B | 20.5 | 0.3 | 1.4 | 1.6 | 2.1 | 10.1 | 4.3 | 0.048 | 0.896 | 0.954 | 344 | |
M | 20.6 | 0.5 | 2.4 | 1.8 | 2.3 | 11.2 | 5.3 | 0.086 | 0.896 | 0.918 | 102 | |
A | 32.9 | 1.8 | 5.4 | 2.9 | 3.7 | 11.2 | 13.2 | 0.062 | 0.892 | 0.955 | 52 | |
Ba | 17.1 | 0.3 | 1.8 | 1.6 | 2.0 | 11.9 | 4.1 | 0.113 | 0.848 | 0.890 | 47 | |
E 0.xx. | 15.5 | 1.2 | 7.9 | 1.7 | 2.2 | 14.2 | 4.8 | 0.188 | 0.823 | 0.872 | 248 | |
Ir cirsts | P | 29.3 | 1.1 | 3.9 | 1.7 | 2.1 | 7.1 | 4.3 | 0.128 | 1.360 | 0.949 | 69 |
E 0.xx. | 26.4 | 1.8 | 6.7 | 2.3 | 3.0 | 11.4 | 8.8 | 0.202 | 1.074 | 0.884 | 42 | |
B | 23.6 | 1.4 | 5.9 | 2.3 | 3.0 | 12.9 | 9.0 | 0.109 | 1.001 | 0.918 | 41 | |
E 0.xx. | 15.1 | 0.5 | 3.4 | 1.7 | 2.6 | 16.9 | 6.2 | 0.215 | 0.582 | 0.815 | 21 |
P – priede, E 0.xx. – egle 1. stāvs, B – bērzs, M – melnalksnis, A – apse, Ba – baltalksnis, E 0.xx. – egle 2. stāvs.
Vid - aritmētiski vidējā uzmērītā vērtība, cm; MRES - vidējā novirze, cm; MRES% - procentuālā vidējā novirze; AMRES - vidējā absolūtā novirze, cm; RMSE – standartnovirze, cm; RMSE% - variācijas koeficients; MSE - vidējā kvadrātiskā kļūda, cm; MEF - modeļa efektivitātes indekss; VR - dispersijas attiecība; R2 - determinācijas koeficients; N - elementu skaits.
Starpībai starp uzmērīto un prognozēto caurmēru 15 gadus periodam visām koku sugām konstatētas vājas lineāras sakarības ar meža elementa krūšaugstuma vecumu, mežaudzes šķērslaukumu un koka prognozēto augstumu bāzes vecumā jeb bonitāti. Lai gan atsevišķos gadījumos lielā novērojumu skaita dēļ caurmēra novirzei ar vecumu, šķērslaukumu un bonitāti ir statistiski būtiskas sakarības (α=0,05), bet visos gadījumos datu jeb punktu izvietojums atgādina “skrošu šāvienu” jeb haotisku punktu kopu. Tādēļ varam apgalvot, ka modelis vienlīdz precīzi prognozē vērtības gan jaunās, gan vecās audzēs, gan retās gan biezās audzēs, gan auglīgās, gan mazāk auglīgās audzēs.
Meža elementa vidējā caurmēra novirze 15 gadu periodā ±1 cm priedei ir 50% gadījumu, 1. stāva eglei – 32%, bērzam – 41%, melnalksnis 35%, apsei – 14%, baltalksnim – 34% un 2. stāva eglei – 44%. Savukārt šī novirze
±2 cm priedei ir 82% gadījumu, 1. stāva eglei – 61%, bērzam – 69%, melnalksnis 61%, apsei – 27%, baltalksnim
– 61% un 2. stāva eglei – 68%. Apsei izteikti modelis prognozē mazāku vidējā caurmēra pieaugumu. Visām koku sugām, izņemot apsi, vidējā caurmēra novirze atgādina normālo sadalījumu (2.1. attēls).
Priede Egle 1. stāvs
Xxxxx Xxxxxxxxxxx
Apse Baltalksnis
Egle 2. stāvs
2.1. attēls. Atsevišķu meža elementu caurmēra novirzes sadalījums 15 gadu periodam visiem meža elementiem.
2.2.3. Šķērslaukums
Meža elementa šķērslaukuma modeļi pietiekami precīzi spēj raksturot meža elementa vidējā šķērslaukuma izmaiņas (2.3. tabula), visām šīm koku sugām šķērslaukuma pieauguma novirze 15 gadu periodā nepārsniedz
± 0,5 m2ha-1, bet procentuālā vidējā novirze nepārsniedz ± 8,5%. Līdzīgi statistiskie rādītāji ir gan atlasot tikai
tos elementus, kuros starpinventarizācijā nav konstatēta koku ciršana, gan atlasot tikai tos elementus, kuriem starpinventarizācijā ir konstatēta koku ciršana (2.3. tabula).
Kopumā meža elementa šķērslaukuma modelēšanā izmantotā vienādojumu sistēma prognozē pietiekami precīzi šķērslaukuma izmaiņas, bet sistemātiski prognozē nedaudz piesardzīgāku šķērslaukuma pieaugumu.
2.3. tabula
Ar meža elementa augšanas gaitas modeļiem 15 gadu laikā prognozētā šķērslaukuma (m2ha-1) statistiskie rādītāji
Cirte | Suga | Vid | MRES | MRES % | AMRES | RMSE | RMSE % | MSE | MEF | VR | R2 | N |
Visi kopā | P | 14.7 | 0.3 | 1.8 | 1.4 | 1.8 | 12.4 | 3.3 | 0.025 | 0.945 | 0.975 | 322 |
E 0.xx. | 8.9 | 0.5 | 5.3 | 1.3 | 1.8 | 20.4 | 3.2 | 0.049 | 1.005 | 0.955 | 252 | |
B | 5.9 | -0.1 | -1.3 | 1.2 | 1.7 | 28.6 | 2.9 | 0.072 | 0.957 | 0.929 | 428 | |
M | 6.1 | 0.1 | 2.0 | 1.1 | 1.6 | 26.4 | 2.6 | 0.044 | 0.914 | 0.957 | 117 | |
A | 5.4 | 0.3 | 6.4 | 1.1 | 1.6 | 29.0 | 2.4 | 0.069 | 0.843 | 0.938 | 63 | |
Ba | 4.8 | -0.4 | -8.4 | 1.6 | 2.3 | 48.0 | 5.3 | 0.085 | 0.846 | 0.920 | 79 | |
E 0.xx. | 4.2 | 0.0 | 1.2 | 1.0 | 1.4 | 32.9 | 1.9 | 0.152 | 0.971 | 0.852 | 281 | |
Nav cirsts | P | 13.2 | 0.1 | 0.6 | 1.2 | 1.7 | 12.5 | 2.7 | 0.020 | 0.959 | 0.980 | 251 |
E 0.xx. | 8.3 | 0.4 | 4.8 | 1.3 | 1.8 | 21.4 | 3.1 | 0.048 | 1.007 | 0.956 | 209 | |
B | 5.7 | -0.1 | -1.9 | 1.1 | 1.6 | 28.7 | 2.7 | 0.066 | 0.953 | 0.934 | 385 | |
M | 5.7 | 0.1 | 1.5 | 1.1 | 1.6 | 28.8 | 2.7 | 0.048 | 0.917 | 0.952 | 110 | |
A | 5.3 | 0.3 | 6.3 | 1.1 | 1.5 | 29.1 | 2.3 | 0.065 | 0.807 | 0.943 | 59 | |
Ba | 4.0 | -0.5 | -13.2 | 1.5 | 2.2 | 54.5 | 4.7 | 0.099 | 0.878 | 0.908 | 70 | |
E 0.xx. | 4.2 | 0.1 | 1.5 | 1.0 | 1.4 | 33.2 | 2.0 | 0.156 | 0.962 | 0.848 | 258 | |
Ir cirsts | P | 20.0 | 0.9 | 4.7 | 2.0 | 2.4 | 11.9 | 5.6 | 0.080 | 0.946 | 0.934 | 71 |
E 0.xx. | 11.7 | 0.8 | 7.0 | 1.4 | 2.1 | 17.8 | 4.2 | 0.061 | 1.035 | 0.951 | 43 | |
B | 7.7 | 0.2 | 2.9 | 1.6 | 2.2 | 28.5 | 4.7 | 0.152 | 1.040 | 0.859 | 43 | |
E 0.xx. | 3.9 | -0.1 | -3.3 | 0.9 | 1.2 | 30.9 | 1.4 | 0.104 | 1.086 | 0.905 | 23 |
P – priede, E 0.xx. – egle 1. stāvs, B – bērzs, M – melnalksnis, A – apse, Ba – baltalksnis, E 0.xx. – egle 2. stāvs.
Vid - aritmētiski vidējā uzmērītā vērtība, cm; MRES - vidējā novirze, cm; MRES% - procentuālā vidējā novirze; AMRES - vidējā absolūtā novirze, cm; RMSE – standartnovirze, cm; RMSE% - variācijas koeficients; MSE - vidējā kvadrātiskā kļūda, cm; MEF - modeļa efektivitātes indekss; VR - dispersijas attiecība; R2 - determinācijas koeficients; N - elementu skaits.
Starpībai starp uzmērīto un prognozēto šķērslaukumu 15 gadus periodā visām koku sugām konstatētas vājas lineāras sakarības ar meža elementa krūšaugstuma vecumu, mežaudzes šķērslaukumu un koka prognozēto augstumu bāzes vecumā jeb bonitāti. Lai gan atsevišķos gadījumos lielā novērojumu skaita dēļ šķērslaukuma novirzei ar vecumu, šķērslaukumu un bonitāti ir statistiski būtiskas sakarības (α=0,05), bet visos gadījumos datu jeb punktu izvietojums atgādina “skrošu šāvienu” jeb haotisku punktu kopu. Tādēļ varam apgalvot, ka modelis vienlīdz precīzi prognozē vērtības gan jaunās, gan vecās audzēs, gan retās gan biezās audzēs, gan auglīgās, gan mazāk auglīgās audzēs.
Tomēr atsevišķi vērtējot audzes, kurās ir veikta ciršana, konstatēts, ka paraugkopai P, E un B audzēs vienādojumi prognozē mazāku šķērslaukuma pieaugumu nekā konstatēts dabā. It īpaši audzēs ar sākotnējo šķērslaukumu līdz ~20m2ha-1. Tā kā pārbaude ir veikta uz viena gada datiem (ar visai nelielu cirsto parauglaukumu skaitu), pirms ieviest kalibrācijas/ korekcijas koeficientus esošajā vienādojumu sistēmā, būtu nepieciešams veikt papildus pārbaudi uz vismaz 2 gadu datiem.
Meža elementa šķērslaukuma novirze 15 gadu periodā ±1 m2ha-1 priedei ir 50% gadījumu, 1. stāva eglei – 55%, bērzam – 61%, melnalksnis 64%, apsei – 63%, baltalksnim – 51% un 2. stāva eglei – 61%. Savukārt šī novirze
±2 m2ha-1 priedei ir 72% gadījumu, 1. stāva eglei – 74%, bērzam – 78%, melnalksnis 80%, apsei – 79%, baltalksnim – 70% un 2. stāva eglei – 87%. Visām koku sugām šķērslaukuma novirze atgādina normālo sadalījumu (2.2. attēls).
Priede Egle 1. stāvs
Xxxxx Xxxxxxxxxxx
Apse Baltalksnis
Egle 2. stāvs
2.2. attēls. Atsevišķu meža elementu šķērslaukuma novirzes sadalījums 15 gadu periodam visiem meža elementiem.
2.2.4. Krāja
Ar iepriekš izstrādātajiem augstuma, caurmēra un šķērslaukuma modeļiem jeb modeļu sistēmu visām koku sugām krājas novirze 15 gadu periodā nepārsniedz ± 11 m3ha-1, bet procentuālā vidējā novirze nepārsniedz ± 11%. Līdzīgi statistiskie rādītāji ir atlasot tikai tos elementus, kuros starpinventarizācijā nav konstatēta koku ciršana. Bet atlasot tikai tos elementus, kuriem starpinventarizācijā ir konstatēta koku ciršana, statistiskie rādītāji ir krietni zemāki (2.4. tabula).
Kopumā meža elementa krāja, izmantojot iepriekš izstrādātos augstuma, caurmēra un šķērslaukuma vienādojumus, tiek prognozēta pietiekami precīzi, bet sistemātiski tiek prognozēts nedaudz piesardzīgāks krājas pieaugums.
2.4. tabula
Ar meža elementa augšanas gaitas modeļiem 15 gadu laikā prognozētās krājas (m3ha-1) statistiskie rādītāji
Cirte | Suga | Vid | MRES | MRES % | AMRES | RMSE | RMSE % | MSE | MEF | VR | R2 | N |
Visi kopā | P | 161 | 10.0 | 6.2 | 18.0 | 24.8 | 15.4 | 615 | 0.030 | 0.878 | 0.977 | 161 |
E 0.xx. | 101 | 10.9 | 10.8 | 18.0 | 25.0 | 24.7 | 623 | 0.059 | 0.891 | 0.953 | 101 | |
B | 65 | 2.6 | 4.0 | 13.7 | 20.0 | 30.5 | 398 | 0.066 | 0.856 | 0.937 | 65 | |
M | 66 | 3.8 | 5.8 | 12.7 | 19.9 | 30.1 | 391 | 0.046 | 0.875 | 0.958 | 66 | |
A | 76 | 7.4 | 9.7 | 16.5 | 23.9 | 31.3 | 562 | 0.069 | 0.821 | 0.943 | 76 | |
Ba | 45 | -0.9 | -2.0 | 14.2 | 21.0 | 46.7 | 434 | 0.069 | 0.785 | 0.939 | 45 | |
E 0.xx. | 35 | 1.6 | 4.7 | 9.6 | 13.7 | 39.4 | 188 | 0.180 | 0.893 | 0.824 | 35 | |
Nav cirsts | P | 140 | 7.4 | 5.3 | 15.5 | 22.4 | 16.0 | 499 | 0.025 | 0.881 | 0.981 | 251 |
E 0.xx. | 96 | 9.6 | 10.1 | 17.1 | 23.7 | 24.8 | 561 | 0.052 | 0.902 | 0.958 | 209 | |
B | 63 | 2.1 | 3.4 | 13.1 | 19.2 | 30.5 | 366 | 0.060 | 0.853 | 0.943 | 385 | |
M | 60 | 3.0 | 4.9 | 12.3 | 19.2 | 31.8 | 365 | 0.047 | 0.903 | 0.955 | 110 | |
A | 75 | 7.7 | 10.2 | 16.3 | 24.0 | 31.8 | 567 | 0.068 | 0.776 | 0.948 | 59 | |
Ba | 37 | -2.2 | -6.1 | 12.9 | 19.5 | 53.3 | 373 | 0.085 | 0.814 | 0.920 | 70 | |
E 0.xx. | 35 | 1.9 | 5.3 | 9.6 | 13.9 | 39.7 | 191 | 0.189 | 0.869 | 0.816 | 258 | |
Ir cirsts | P | 234 | 19.2 | 8.2 | 26.8 | 32.9 | 14.0 | 1065 | 0.078 | 0.921 | 0.950 | 71 |
E 0.xx. | 129 | 17.2 | 13.3 | 22.4 | 31.8 | 24.7 | 988 | 0.110 | 0.856 | 0.926 | 43 | |
B | 87 | 6.8 | 7.8 | 19.8 | 27.3 | 31.3 | 729 | 0.155 | 0.920 | 0.857 | 43 | |
E 0.xx. | 34 | -1.0 | -3.0 | 8.9 | 13.5 | 39.7 | 174 | 0.109 | 1.084 | 0.900 | 23 |
P – priede, E 0.xx. – egle 1. stāvs, B – bērzs, M – melnalksnis, A – apse, Ba – baltalksnis, E 0.xx. – egle 2. stāvs.
Vid - aritmētiski vidējā uzmērītā vērtība, cm; MRES - vidējā novirze, cm; MRES% - procentuālā vidējā novirze; AMRES - vidējā absolūtā novirze, cm; RMSE – standartnovirze, cm; RMSE% - variācijas koeficients; MSE - vidējā kvadrātiskā kļūda, cm; MEF - modeļa
efektivitātes indekss; VR - dispersijas attiecība; R2 - determinācijas koeficients; N - elementu skaits.
Starpībai starp uzmērīto un prognozēto krāju 15 gadus periodā visām koku sugām konstatētas vājas lineāras sakarības ar meža elementa krūšaugstuma vecumu, mežaudzes šķērslaukumu un koka prognozēto augstumu bāzes vecumā jeb bonitāti. Lai gan atsevišķos gadījumos lielā novērojumu skaita dēļ krājas novirzei ar vecumu, šķērslaukumu un bonitāti ir statistiski būtiskas sakarības (α=0,05), bet visos gadījumos datu jeb punktu izvietojums atgādina “skrošu šāvienu” jeb haotisku punktu kopu. Tādēļ var apgalvot, ka modeļi (D, H, G) vienlīdz precīzi (ar vienādu precizitāti) prognozē vērtības gan jaunās, gan vecās audzēs, gan retās, gan biezās audzēs, gan auglīgās, gan mazāk auglīgās audzēs.
Tomēr atsevišķi vērtējot audzes, kurās ir veikta ciršana, konstatēts, ka paraugkopai P, E un B audzēs vienādojumi prognozē mazāku krāju nekā konstatēts dabā. It īpaši audzēs ar sākotnējo šķērslaukumu līdz
~20m2ha-1. Tā kā pārbaude ir veikta uz viena gada datiem (ar visai nelielu cirsto parauglaukumu skaitu), pirms ieviest kalibrācijas/ korekcijas koeficientus esošajā vienādojumu sistēmā, būtu nepieciešams veikt papildus pārbaudi uz vismaz 2 gadu datiem.
Meža elementa krājas novirze 15 gadu periodā ±10 m3ha-1 priedei ir 43% gadījumu, 1. stāva eglei – 46%, bērzam – 56%, melnalksnis 63%, apsei – 51%, baltalksnim – 54% un 2. stāva eglei – 62%. Savukārt šī novirze
±20 m3ha-1 priedei ir 63% gadījumu, 1. stāva eglei – 66%, bērzam – 75%, melnalksnis 73%, apsei – 65%, baltalksnim – 75% un 2. stāva eglei – 85%. Visām koku sugām krājas novirze atgādina normālo sadalījumu (2.3. attēls).
Priede Egle 1. stāvs
Xxxxx Xxxxxxxxxxx
Apse Baltalksnis
Egle 2. stāvs
2.3. attēls. Atsevišķu meža elementu krājas novirzes sadalījums 15 gadu periodam visiem meža elementiem.
Tā kā virknē gadījumu LVM plānošanas sistēmā nepieciešams modelēt arī audžu attīstību bez saimnieciskās darbības ietekmes, bet izvērtējot augšanas gaitas vienādojumu prognozes, konstatēts, ka tās ekstrapolējot ārpus garākā laika posmā, sistēmā tiek ģenerēta visu parauglaukumu šķērslaukumu konverģēšana uz pilnu biezību un atbilstošu augšanu gar pašizretināšanās līniju. Balstoties uz MSI parauglaukumu, kuros nav konstatēta saimnieciskā darbība nevienā no MSI cikliem, datiem, aprēķināts mediānais šķērslaukums pa valdošajām sugām un augstuma grupām. Izstrādāts vienādojums kokaudzes I stāva mediānā šķērslaukuma aprēķināšanai, kas izmantojams neapsaimniekotu audžu šķērslaukuma modelēšanai.
3.1. Materiāls un metodika
Datu analīzē izmanto datus par 1156 MSI 3. ciklā atkārtoti pārmērītiem parauglaukumu sektoriem,
kuriem:
• visos ciklos sektora platība nav mainījusies un tā ir vismaz 400 m2;
• visos ciklos zemju kategorija ir mežs (kods=10);
• nav konstatētas saimnieciskās darbības pazīmes par pēdējiem 15 gadiem – nav nevienā uzmērīšanas reizē konstatēti celmi vai atsevišķos gadījumos ir konstatēts viens paaugas celms;
• kokaudzes I stāva biezība ir vismaz 0.65;
• kokaudzes I stāva valdošā koku suga ir priede (397 sektori), egle (196), bērzs (315), melnalksnis (91), apse (56) vai baltalksnis (101).
Datu analīzē sektori tiek sagrupēti pa kokaudzes I stāva valdošajām koku sugām un to augstuma grupām. Katrai grupai aprēķināts mediānais šķērslaukums, kas pēc tam aproksimēts ar sekojošu
vienādojumu:
𝑮 = 𝜶𝟏 ∙ (𝟏 − 𝒆𝒙𝒑(−𝜶𝟐 ∙ 𝑯)) | (3.1) | |||
kur | G | – | kokaudzes I stāva mediānais šķērslaukums, m2ha-1; | |
H | – | kokaudzes I stāva valdošās koku sugas vidējā kvadrātiskā caurmēra kokam atbilstošais augstums, m; | ||
α1–2 | – | koeficienti (3.1. tabula). | ||
Datu pirmapstrāde veikta datorprogrammā MS Excel 2007. Kokaudzes I stāva mediānā šķērslaukuma aproksimācija veikta datorprogrammā SPSS 14.0 for Windows, izmantojot rīku Non-linear regression
3.2. Rezultāti
Sākotnēji darba uzdevumā tika definēts modālā šķērslaukuma vērtību aprēķināšana, bet veicot datu pirmsapstrādi tika konstatēts, ka modālās vērtības blakus esošajās gradācijas klasēs ir nestabilākas salīdzinājumā ar mediānajām vērtībām. (Atsevišķās grupās pat tika konstatēts bimodāls sadalījums).
Izstrādāts vienādojums kokaudzes I stāva mediānā šķērslaukuma aprēķināšanai (3.1. formula), kas paredzēts neapsaimniekotu audžu šķērslaukuma modelēšanai. Šī vienādojuma aproksimētas koeficientu vērtības un statistiskie rādītāji apkopoti 3.1. tabulā.
3.1. tabula
Kokaudzes I stāva mediānā šķērslaukuma aprēķināšanas vienādojuma (3.1. formula) koeficienti un statistiskie rādītāji
Suga | Koeficienti | Vienādojums | |||
Koeficients | Vērtība | Standartkļūda | Standartkļūda | Korelācijas koeficients | |
Priede | α1 | 37.348 | 1.804 | 1.509 | 0.977 |
α2 | 0.0762 | 0.0089 | |||
Egle | α1 | 38.744 | 2.231 | 1.648 | 0.962 |
α2 | 0.0733 | 0.0102 | |||
Bērzs | α1 | 43.541 | 6.321 | 1.509 | 0.975 |
α2 | 0.0371 | 0.0086 | |||
Melnalksnis | α1 | 39.561 | 4.091 | 2.281 | 0.929 |
α2 | 0.0698 | 0.0159 | |||
Apse | α1 | 43.247 | 3.423 | 1.532 | 0.974 |
α2 | 0.0497 | 0.0079 | |||
Baltalksnis | α1 | 37.401 | 9.177 | 3.347 | 0.810 |
α2 | 0.0739 | 0.0366 | |||
Kokaudzes I stāva aproksimētās mediānās šķērslaukuma vērtībās un visos MSI (neatkarīgi no biezības) relatīvi ilgi neapsaimniekotos sektoros konstatētās I stāva šķērslaukuma vērtības atspoguļotas 3.1. attēlā.
3.1.attēls. MSI parauglaukumos konstatētais kokaudzes I stāva šķērslaukums (G_1_ST) un ar 3.1. vienādojumu prognozētais kokaudzes I stāva mediānais šķērslaukums (G_1_ST_median).
Sākotnēji pētījumā bija paredzēta tikai atsevišķu audžu taksācijas rādītāju prognozēšanas vienādojumu izstrāde (2.uzdevums). Taču veicot LVM prognozēšanas rīka izstrādi tika konstatēts, ka bez vienādojumiem, nepieciešama arī prognozēšanas rīka prototipa izveide, kurš ļautu LVM pārbaudīt sistēmas funkcionalitāti. Tā kā jaunāko audžu prognozēšanas rīka izstrādi ir veicis LVM, tad bija nepieciešams veikt formulu mijiedarbību apraksta sagatavošana tikai audžu augšanas gaitas modeļiem, kas pārsniegušas vecumu, kurš atbilst 1. vecumklasē mērķtiecīgi koptu audžu vadlīnijām. Pētījuma ietvaros sagatavots gan apraksts, gan izveidotas atbilstošās Flowchart diagrammas, atbilstoši LVM sniegtajai informācijai par uzņēmumā izmantoto resursu izmaiņu modelēšanas koncepciju. LVM rīcībā nodots citos LVMI Silava pētījumos izstrādāts atsevišķas audzes augšanas gaitas simulatora prototips, kurš pārveidots atbilstoši LVM definētajām prasībām.
4.1. Datu ievade
Datu ievades lapā ir informācija, kas nepieciešama tālākajai audzes augšanas gaitas modelēšanai. Šajā lapā informāciju var dalīt divās lielās grupās: 1) kokaudzes raksturojošā informācija un 2) kokaudzes elementu koeficienti. Kokaudzes raksturojošos rādītājus var iedalīt trīs grupās, proti, obligātās ievades rādītāji, izvēles ievades rādītāji un aprēķināmie rādītāji (4.1. attēls).
4.1. attēls. Datu ievade.
Svarīgākais pie datu ievades:
1. visiem kokaudzes elementiem (suga, stāvs) ir jābūt definētiem un jābūt definētiem vienādi gan datu ievades tabulā, gan koeficientu tabulā,
2. visiem obligātās ievades laukiem jābūt ievadītiem katram elementam,
3. ir jāievada vai nu elementa šķērslaukums vai koku skaits, abus vienlaicīgi ievadīt nedrīkst,
4. kā pirmais elements jāievada I stāva valdošais meža elements.
Kādā secībā ievada datus nav nozīmes. Ja izvēles ievades datus neievada, tad tie tiek aprēķināti.
Obligātie ievades lauki
Meža tips (MT) un meža elementa suga (Suga) jāievada atbilstoši MSI klasifikatoram (4.2 tabula). Pārējie meža elementa taksācijas rādītāji jāievada vispārpieņemtajās mērvienībās:
• A – meža elementa bioloģiskais vecums, gadi
• D – meža elementa vidējais kvadrātiskais krūšaugstuma caurmērs, cm
• H – meža elementa vidējā kvadrātiskā krūšaugstuma caurmēra kokam atbilstošais augstums, m
• G – meža elementa šķērslaukums, m2ha-1
• N – meža elementa koku skaits, gab·ha-1.
Bonitātes aprēķins (Bon)
Ja bonitāte netiek ievadīta, tad to aprēķina katram meža elementam pēc sekojoša vienādojuma:
B = (h-(α1+α2*LN(a0)+α3*LN(a0)^2+α4*LN(a0)^3))/ (β1+β2*LN(a0)+β3*LN(a0)^2+β4*LN(a0)^3) | (4.1) | ||
a0 | – | meža elementa bioloģiskais vecums (0 iterācijā MSI norādītais vecums, visās nākošajās aprēķinātais bioloģiskais vecums), gadi; | |
h | – | meža elementa vidējais augstums, m | |
αi;βi | – | koeficienti (4.1. tab.). | |
Ar 4.1. vienādojumu aprēķinātās vērtības noapaļo veselos skaitļos, ja aprēķinātās bonitātes vērtība negatīva, to pielīdzina 0. bonitātei, ja aprēķinātās bonitātes vērtība lielāka par 6, to pielīdzina 6. bonitātei.
Vienādojumi lietojami:
✓ dižmeža audzēs ar vidējo vecumu 21 – 160 gadiem:
priede, egle, ozols, osis;
✓ atvasāju (izņemot baltalksni) audzēs ar vidējo vecumu 11 – 100 gadiem:
bērzs, melnalksnis, apse;
✓ baltalkšņu audzēs vidējo vecumu 6 – 100 gadiem:
Ja valdošās sugas vecums pārsniedz ierobežojumu, aprēķinā pieņem maksimālo vecumu.
4.1. tabula
Koeficientu vērtības kokaudzes bonitātes aprēķināšanai (4.1. formula)
Koku suga | Koku sugas kods | α1 | α2 | α3 | α4 | β1 | β2 | β3 | β4 | Amin | Amax |
Priede | 1 | 70.64 | -66.567 | 20.659 | -1.7359 | -2.02 | 2.294 | -0.995 | 0.0897 | 21 | 160 |
Egle | 3 | 70.64 | -66.567 | 20.659 | -1.7359 | -2.02 | 2.294 | -0.995 | 0.0897 | 21 | 160 |
Bērzs | 4 | 29.38 | -33.38 | 13.138 | -1.2396 | -5.264 | 5.855 | -2.263 | 0.231 | 11 | 100 |
Melnalksnis | 6 | 29.38 | -33.38 | 13.138 | -1.2396 | -5.264 | 5.855 | -2.263 | 0.231 | 11 | 100 |
Apse | 8 | 29.38 | -33.38 | 13.138 | -1.2396 | -5.264 | 5.855 | -2.263 | 0.231 | 11 | 100 |
Baltalksnis | 9 | 29.38 | -33.38 | 13.138 | -1.2396 | -5.264 | 5.855 | -2.263 | 0.231 | 6 | 100 |
Ozols | 10 | 70.64 | -66.567 | 20.659 | -1.7359 | -2.02 | 2.294 | -0.995 | 0.0897 | 21 | 160 |
Osis | 11 | 70.64 | -66.567 | 20.659 | -1.7359 | -2.02 | 2.294 | -0.995 | 0.0897 | 21 | 160 |
Meža elementa krūšaugstuma vecums (A1.3)
Meža elementiem līdz 1.3 m augstumam krūšaugstuma vecums ir nulle.
Meža elementiem, kuru vidējais augstums lielāks par 1.3 m, krūšaugstuma vecumu aprēķina atņemot koku sugai noteiktu gadu skaitu:
a1.3 = a–Δa0 | (4.2) | ||
a1.3 | – | meža elementa krūšaugstuma vecums, gadi; | |
a | – | meža elementa vecums, gadi; | |
Δa0 | – | vecuma starpība starp bioloģisko un krūšaugstuma vecumu (4.2. tab.), gadi. |
4.2. tabula
Vecuma starpība starp bioloģisko vecumu un krūšaugstuma vecumu (4.2. formula)
Koku suga | Koku sugas kods | Bonitāte | ||||||
0 | 1 | 2 | 3 | 4 | 5 | 6 | ||
Priede | 1 | 4 | 5 | 7 | 9 | 12 | 17 | 22 |
Koku suga | Koku sugas kods | Bonitāte | ||||||
0 | 1 | 2 | 3 | 4 | 5 | 6 | ||
Egle | 3 | 6 | 8 | 10 | 12 | 14 | 18 | 22 |
Bērzs | 4 | 3 | 3 | 4 | 4 | 5 | 5 | 5 |
Melnalksnis | 6 | 3 | 3 | 4 | 4 | 5 | 5 | 5 |
Apse | 8 | 2 | 2 | 2 | 2 | 2 | 2 | 2 |
Baltalksnis | 9 | 2 | 2 | 2 | 2 | 2 | 2 | 2 |
Ozols | 10 | |||||||
Osis | 11 | |||||||
Meža elementa virsaugstums (Hdom)
Meža elementa virsaugstuma aprēķināšanai, izmanto sekojošu sakarību:
hdom = (h/(α1*n^α3))^(1/α2) | (4.3) | ||
hdom | – | meža elementa virsaugstums, m; | |
h | – | meža elementa vidējais augstums, m; | |
n | – | meža elementa koku skaits, ha-1; | |
α1–3 | – | koeficienti (4.3. tab.). |
Ja meža elementa koku skaits mazāks par 120 kokiem uz ha, tad virsaugstums ir vienāds ar vidējo augstumu.
4.3. tabula
Koeficientu vērtības sakarībai starp meža elementa vidējo augstumu un virsaugstumu (4.3. formula)
Koku suga | Koku sugas kods | α1 | α2 | α3 |
Priede | 1 | 1.0935 | 1.0279 | -0.0395 |
Egle | 3 | 1.1756 | 1.0285 | -0.0558 |
Bērzs | 4 | 1.1962 | 1.0242 | -0.0553 |
Melnalksnis | 6 | 1.1590 | 1.0100 | -0.0390 |
Apse | 8 | 1.0446 | 1.0438 | -0.0408 |
Baltalksnis | 9 | 1.1684 | 1.0107 | -0.0410 |
Ozols | 10 | 1.0935 | 1.0279 | -0.0395 |
Osis | 11 | 1.1756 | 1.0285 | -0.0558 |
Meža elementa šķērslaukums (G) un koku skaits (N)
Ja nav ievadīts meža elementu šķērslaukums, tad līdz 1.3 m augstuma sasniegšanai tas ir 0 m2ha-1, bet pēc
1.3 m augstuma sasniegšanas šķērslaukums nosakāms atbilstoši koku skaitam un vidējam caurmēram:
g = pi()*d^2*n/40000 | (4.4) | ||
n = 40000*g/pi()/d^2 | (4.4`) | ||
g | – | meža elementa šķērslaukums, m2ha-1; | |
d | – | meža elementa vidējais krūšaugstuma caurmērs, cm; | |
n | – | meža elementa koku skaits, ha-1. |
Ja ir ievadīts šķērslaukums, tad koku skaits aprēķināms pārveidojot šo pašu sakarību (4.4`. formula)
Meža elementa krāja (M)
Meža elementa krājas aprēķināšanai izmanto I. Liepas atsevišķa koka tilpuma formulu (Liepa, 1996), ņemot vērā, koku skaitu, koku vidējo augstumu un vidējo kvadrātisko caurmēru:
m = ψ*h^α*d^(β*log10(h)+φ)*n | (4.5) |
m | – | meža elementa krāja, m3ha-1; |
h | – | meža elementa vidējais augstums, m; |
d | – | meža elementa vidējais krūšaugstuma caurmērs, cm; |
n | – | meža elementa koku skaits, ha-1; |
ψ; α; β; ϕ | – | koeficienti (4.4. tab.) |
4.4. tabula
Meža elementa krājas aprēķināšanas vienādojuma koeficienti (4.5. formula) (Liepa, 1996)
Koku suga | Koku sugas kods | ψ | α | β | ϕ |
Priede | 1 | 0.00016541 | 0.56582 | 0.25924 | 1.59689 |
Egle | 3 | 0.00023106 | 0.78193 | 0.34175 | 1.18811 |
Bērzs | 4 | 0.00009090 | 0.71677 | 0.16692 | 1.75701 |
Melnalksnis | 6 | 0.00007950 | 0.77095 | 0.13505 | 1.80715 |
Apse | 8 | 0.00005020 | 0.92625 | 0.02221 | 1.95538 |
Baltalksnis | 9 | 0.00007450 | 0.81295 | 0.06935 | 1.85346 |
Ozols | 10 | 0.00013818 | 0.56512 | 0.14732 | 1.81336 |
Osis | 11 | 0.00008530 | 0.73077 | 0.06820 | 1.91124 |
Meža elementa maksimālais šķērslaukums (Gmax)
Meža elementu maksimālā šķērslaukuma modelis MS Excel formātā:
gmax=α1/(1+(d/α2)^α3)*ip | (4.6) | ||
gmax=β1*(1-exp(-β2*h))*ip | (4.7) | ||
gmax | – | meža elementa maksimālais šķērslaukums, m2ha-1; | |
d | – | meža elementa prognozētais vidējais krūšaugstuma caurmērs, cm; | |
h | – | meža elementa prognozētais vidējais augstums, m. | |
ip | – | meža elementa īpatsvars; | |
αi;βi | – | koeficienti (4.5. tab.). |
Ar 4.6. formulu tiek aprēķināts maksimālais šķērslaukums apsaimniekotās mežaudzēs, kurās tiek modelēta kopšana, bet, ja kopšana netiek modelēta, tad maksimālais šķērslaukums tiek aprēķināts ar 4.7. formulu.
4.5. tabula
Virs 1.3 m augstiem meža elementiem maksimālā šķērslaukuma modeļu (4.6. un 4.7. formulas) koeficientu vērtības
Koku suga | Koku sugas kods | α1 | α2 | α3 | β1 | β2 |
Priede | 1 | 63.45877 | 13.46633 | -1.51447 | 37.34807 | 0.07615 |
Egle | 3 | 56.98437 | 9.33710 | -1.70296 | 38.74357 | 0.07334 |
Bērzs | 4 | 44.21425 | 6.02039 | -1.37711 | 43.54122 | 0.03710 |
Melnalksnis | 6 | 50.01593 | 9.26982 | -1.87173 | 39.56055 | 0.06983 |
Apse | 8 | 55.63098 | 5.97114 | -1.49469 | 43.24735 | 0.04973 |
Baltalksnis | 9 | 39.01299 | 3.96501 | -2.04227 | 37.40094 | 0.07388 |
Ozols | 10 | 63.45877 | 13.46633 | -1.51447 | 37.34807 | 0.07615 |
Osis | 11 | 56.98437 | 9.33710 | -1.70296 | 38.74357 | 0.07334 |
Meža elementa maksimālais koku skaits (Nmax)
Maksimālais meža elementa koku skaits tiek aprēķināts tikai I stāva meža elementiem.
Atsevišķu I stāva meža elementu maksimālā koku skaita aprēķināšanai izmanto sekojošu vienādojumu:
nmax=α1*d^α1*h^α1*ip | (4.8) | ||
nmax | – | meža elementa maksimālais koku skaits, ha-1; | |
h | – | meža elementa vidējais augstums, m; | |
ip | – | meža elementa īpatsvars; | |
α1–3 | – | koeficienti (4.6. tab.). |
4.6. tabula
Koeficientu vērtības maksimālā koku skaita aprēķināšanai (4.8. formula)
Koku suga | Koku sugas kods | α1 | α2 | α3 |
Priede | 1 | 83570 | -1.366 | -0.069 |
Egle | 3 | 103106 | -1.381 | -0.103 |
Bērzs | 4 | 144400 | -1.357 | -0.302 |
Melnalksnis | 6 | 197511 | -1.314 | -0.339 |
Apse | 8 | 197511 | -1.314 | -0.339 |
Baltalksnis | 9 | 197511 | -1.314 | -0.339 |
Ozols | 10 | 83570 | -1.366 | -0.069 |
Osis | 11 | 103106 | -1.381 | -0.103 |
Meža elementa normālais šķērslaukums
Atsevišķa I stāva meža elementa normālais šķērslaukums tiek aprēķināts izmantojot sekojošu vienādojumu:
gnorm = ip*α1*α2^h*h^α3 | (4.9) | ||
gnorm | – | kokaudzes I stāva atsevišķu meža elementi normālais šķērslaukums, m2ha-1; | |
h | – | meža elementa vidējais augstums, m; | |
ip | – | meža elementa īpatsvars; | |
αi | – | koeficienti (4.7. tab.). |
4.7. tabula
Atsevišķa meža elementa normālā šķērslaukuma (4.9. formula) vienādojumu koeficienti
Koku suga | Koku sugas kods | Gnorm | ||
α1 | α2 | α3 | ||
Priede | 1 | 9.90686 | 0.99015 | 0.48135 |
Egle | 3 | 6.28821 | 1.00308 | 0.53391 |
Bērzs | 4 | 3.01668 | 0.99796 | 0.72995 |
Melnalksnis | 6 | 3.65344 | 0.99972 | 0.71034 |
Apse | 8 | 3.65344 | 0.99972 | 0.71034 |
Baltalksnis | 9 | 3.65344 | 0.99972 | 0.71034 |
Ozols | 10 | 3.19604 | 0.99548 | 0.75766 |
Osis | 11 | 0.72374 | 0.95709 | 1.46528 |
Meža elementa bāzes vecums (A SI)
Bāzes vecums ir krūšaugstuma vecums un tas ir atkarīgs no koku sugas:
• priedei, eglei, ozolam un osim – 100 gadi,
• bērzam, melnalksnim un apsei – 50 gadi,
• baltalksnim – 20 gadi.
Meža elementa augstums bāzes vecumā (SI)
Meža elementa augstuma bāzes vecumā aprēķināšanai izmanto meža elementa augstuma augšanas gaitas prognožu modeli:
h2=1.3+a2^α1/(α2+α3*100*((a1^α1/(h1-1.3)-α2)/(α3*100+a1^α1))+((a1^α1/(h1- 1.3)-α2)/(α3*100+a1^α1))*a2^α1) | (4.10) | ||
h2 | – | meža elementa vidējais augstums aktualizācijas perioda beigās, m; | |
h1 | – | meža elementa vidējais augstums aktualizācijas perioda sākumā, m; | |
a1 | – | meža elementa vecums 1.3 augstumā aktualizācijas perioda sākumā, gadi | |
a2 | – | meža elementa vecums 1.3 augstumā aktualizācijas perioda beigās, gadi | |
α1–3 | – | koeficienti (4.8. tab.). | |
4.8. tabula
Virs 1.3 m augstiem meža elementiem vidējā augstuma augšanas gaitas prognožu modeļa (4.10. formula) koeficientu vērtības
Koku suga | Koku sugas kods | I stāvs | II un III stāvs | Hmax | ||||
α1 | α2 | α3 | α1 | α2 | α3 | |||
Priede | 1 | 1.18111 | -42.59724 | 21.10918 | 1.18111 | -42.59724 | 21.10918 | 45 |
Egle | 3 | 1.29005 | -38.14248 | 20.15906 | 1.20905 | -34.00184 | 12.99559 | 45 |
Bērzs | 4 | 1.33418 | -35.78521 | 16.11630 | 1.33418 | -35.78521 | 16.11630 | 39 |
Melnalksnis | 6 | 1.13922 | -32.09572 | 15.97676 | 1.13922 | -32.09572 | 15.97676 | 39 |
Apse | 8 | 1.32442 | -26.07775 | 15.64465 | 1.32442 | -26.07775 | 15.64465 | 45 |
Baltalksnis | 9 | 1.32873 | -23.04796 | 7.32721 | 1.32873 | -23.04796 | 7.32721 | 30 |
Ozols | 10 | 1.18111 | -42.59724 | 21.10918 | 1.18111 | -42.59724 | 21.10918 | 39 |
Osis | 11 | 1.29005 | -38.14248 | 20.15906 | 1.29005 | -38.14248 | 20.15906 | 39 |
4.2. Scenārija definēšana
Lietotājam jādefinē viena augšanas gaitas modelēšanas perioda (Δt) garums, kas nedrīkst pārsniegt piecus gadus.
Tāpat lietotājam jādefinē krājas kopšanas ciršu režīms (KKC režīms). Lietotājs var izvēlēties vienu no septiņiem krājas kopšanas ciršu režīmiem:
• xxx – krājas kopšanas cirtes netiek veiktas,
• 3xx – krājas kopšanas cirtes tiek plānotas 26–30 gadu vecumā,
• x5x – krājas kopšanas cirtes tiek plānotas 46–50 gadu vecumā,
• xx7 – krājas kopšanas cirtes tiek plānotas 65–70 gadu vecumā,
• 35x – krājas kopšanas cirtes tiek plānotas 26–30 un 46–50 gadu vecumā,
• x57 – krājas kopšanas cirtes tiek plānotas 46–50 un 66–70 gadu vecumā,
• 3x7 – krājas kopšanas cirtes tiek plānotas 26–30 un 66–70 gadu vecumā,
• 357 – krājas kopšanas cirtes tiek plānotas 26–30, 46–50 un 66-70 gadu vecumā.
Šeit gan jāatzīmē, ka lietotājs izvēlas, kādos vecumos un cik reižu audzi paredz kopt, bet dators modelēs audzē izvēlētajos vecumos kopšanu vienīgi tad, ja tā atbildīs kopšanas cirtes kritērijiem. Lietotājam atkarībā no valdošās koku sugas un tās vidējā augstuma ir iespēja definēt pie kāda šķērslaukuma tiek veikta krājas kopšanas cirte un kāds ir palikušās audzes šķērslaukums pēc kopšanas.
4.3. Augšanas gaitas modelēšana bez kopšanas cirtēm
4.3.1. Pirmais etaps – datu sagatavošana modelēšanai
Šajā etapā tiek ievadīti meža elementu raksturojošie rādītāji, aprēķināti modelēšanai nepieciešamie rādītāji un aprēķināti modelēšanai nepieciešamie audzes raksturojošie rādītāji.
Šajā etapā vispirms tiek ievadīt 0 perioda jeb ievades dati par katru meža elementu:
• k – meža elementa sastāva koeficients,
• a – meža elementa bioloģiskais vecums, gadi
• a1.3 – meža elementa krūšaugstuma vecums, gadi
• d – meža elementa vidējais kvadrātiskais krūšaugstuma caurmērs, cm
• h – meža elementa vidējā kvadrātiskā krūšaugstuma caurmēra kokam atbilstošais augstums, m
• hdom – meža elementa virsaugstums, m
• g – meža elementa šķērslaukums, m2ha-1
• m – meža elementa krāja, m3ha-1
• n – meža elementa koku skaits, gab·ha-1.
Nākošajā solī aprēķina katram meža elementam maksimālo šķērslaukumu (4.6. un 4.7. formulas) un maksimālo koku skaitu (4.8. formula).
Pēc tam tiek aprēķināti kokaudzes taksācijas rādītāji, kas nepieciešami tālākai augšanas gaitas modelēšanai:
• I stāva valdošā koku suga (s10) un tai atbilstošie taksācijas rādītāji:
o vecums (As10),
o bonitāte (Bon s10),
o augstums (Hs10),
o caurmērs (Ds10),
• I stāva taksācijas rādītāji:
o šķērslaukums (G),
o koku skaits (N),
o krāja (M),
o maksimālais šķērslaukums (Gmax),
o maksimālais koku skaits (Nmax),
o relatīvā biezība pēc šķērslaukuma (RelativBiez_G),
o relatīvā biezība pēc koku skaita (RelativBiez_N),
o koku skaita attiecība pret normālo koku skaitu (Biez_N/Norm),
o šķērslaukuma attiecība pret normālo šķērslaukumu (Biez_G/Gnorm).
Tā kā šis augšanas gaitas modelis būvēts bez valdošās koku sugas maiņas, tad I stāva valdošās koku sugas taksācijas ņem tieši no pirmā elementa (tādēļ arī ir svarīgi, ievadot datus, kā pirmo ievadīt valdošo elementu).
Pirmā stāva taksācijas rādītāji tiek aprēķināti kā summas vai summu attiecības no elementu datiem.
4.3.2. Otrais etaps – augšanas gaitas modelēšana
Augšanas gaitu modelē pa nodefinētajiem periodiem, pie tam pirmais periods ir puse no definētā perioda. Augšanas gaitas modelēšanas algoritms mainās atkarībā no tā vai elements ir sasniedzis vai nav sasniedzis piecu gadu krūšaugstuma vecumu. Pēc katra atsevišķa meža elementa augšanas gaitas modelēšanas beigām aprēķina arī audzes taksācijas rādītājus, kas nepieciešami nākamā perioda augšanas gaitas modelēšanai.
Meža elementa vecums
Katrā periodā gan meža elementa bioloģiskajam vecumam, gan krūšaugstuma vecumam pieskaita definēto perioda garumu, izņemot, pirmo modelēšanas periodu, kur pieskaita pusi no definētā perioda garuma.
Meža elementa augstums un virsaugstums
Vienā augšanas modelēšanas periodā tiek modelēts vai nu vidējais augstums vai virsaugstums, bet attiecīgi otrs rādītājs tiek aprēķināts sekundāri.
Ja meža elementa krūšaugstuma vecums mazāks par pieciem gadiem, augstuma pieaugums tiek modelēts katrai sugai pēc definētās vai meža tipam atbilstošās bonitātes.
Meža elementa vidējā augstuma augšanas gaitas prognožu modelis MS Excel formātā:
h2=h1+(α1+(α2*B^α3)/(α4^α3+B^α3))*Δt/(Δa+5)) | (4.11) | ||
h2 | – | meža elementa vidējais augstums aktualizācijas perioda beigās, m; | |
h1 | – | meža elementa vidējais augstums aktualizācijas perioda sākumā, m; | |
B | – | meža elementa bonitātes kods (0–6); | |
Δt | – | aktualizācijas perioda garums, gadi; | |
Δa | – | meža elementa vecuma starpība starp bioloģisko un krūšaugstuma vecumu (4.3. tab.), gadi; | |
α1–3 | – | koeficienti (4.9. tab.). | |
4.9. tabula
Līdz 1.3 m augstiem meža elementiem vidējā augstuma augšanas gaitas prognožu modeļa (4.11. formula) koeficientu vērtības
Koku suga | Koku sugas kods | α1 | α2 | α3 | α4 |
Priede | 1 | 4.71974 | -5.35203 | 0.99450 | 4.87410 |
Egle | 3 | 3.71000 | -3.40971 | 1.00456 | 3.52752 |
Bērzs | 4 | 4.33958 | -5.50837 | 0.94706 | 6.16190 |
Melnalksnis | 6 | 5.03930 | -6.88795 | 0.97118 | 6.49472 |
Apse | 8 | 5.02983 | -7.69748 | 0.99068 | 8.22900 |
Baltalksnis | 9 | 4.88003 | -11.24780 | 0.99298 | 15.12452 |
Ozols | 10 | 4.71974 | -5.35203 | 0.99450 | 4.87410 |
Osis | 11 | 3.71000 | -3.40971 | 1.00456 | 3.52752 |
Ja meža elementa krūšaugstuma vecums vismaz pieci gadi, meža elementam modelē virsaugstuma izmaiņas bet vidējo augstumu aprēķina sekundāri. Meža elementa virsaugstuma modelēšanai izmanto to pašu vienādojumu, ko vidējā augstuma aproksimācijai (4.10. formula), vienīgi ar virsaugstuma augšanas gaitas modelēšanai paredzētajām koeficientu vērtībām (4.10. tabula).
4.10. tabula
Meža elementiem virsaugstuma augšanas gaitas prognožu modeļa (4.10. formula) koeficientu vērtības
Suga | α1 | α2 | α3 |
Priede | 1.1004 | -50.9942 | 24.9410 |
Egle | 1.3085 | -51.5051 | 22.8602 |
Bērzs | 1.4472 | -48.3681 | 19.2717 |
Melnalksnis | 1.4285 | -40.0308 | 14.4447 |
Apse | 1.3859 | -58.5798 | 28.5397 |
Baltalksnis | 1.2274 | -7.2118 | 2.6221 |
Ozols | 1.0852 | -20.6891 | 11.1191 |
Osis | 1.1373 | -16.3273 | 9.5466 |
Meža elementa virsaugstuma un vidējā augstuma sakarībai, izmanto sekojošu sakarību:
hdom = (h/(α1*n^α3))^(1/α2) (4.12)
jeb
h = α1*hdom^α2*n^α3 (4.13)
hdom | – | meža elementa virsaugstums, m; |
h | – | meža elementa vidējais augstums, m; |
n | – | meža elementa koku skaits, ha-1; |
α1–3 | – | koeficienti (4.11. tab.). |
Ja meža elementa koku skaits mazāks par 120 kokiem uz ha, tad virsaugstums ir vienāds ar vidējo augstumu.
4.11. tabula
Koeficientu vērtības sakarībai starp meža elementa vidējo augstumu un virsaugstumu (4.12. formula)
Koku suga | Koku sugas kods | α1 | α2 | α3 |
Priede | 1 | 1.0935 | 1.0279 | -0.0395 |
Egle | 3 | 1.1756 | 1.0285 | -0.0558 |
Bērzs | 4 | 1.1962 | 1.0242 | -0.0553 |
Melnalksnis | 6 | 1.1590 | 1.0100 | -0.0390 |
Apse | 8 | 1.0446 | 1.0438 | -0.0408 |
Baltalksnis | 9 | 1.1684 | 1.0107 | -0.0410 |
Ozols | 10 | 1.0935 | 1.0279 | -0.0395 |
Osis | 11 | 1.1756 | 1.0285 | -0.0558 |
Ja meža elementa krūšaugstuma vecums vismaz pieci gadi, vidējais krūšaugstuma caurmērs tiek modelēts atkarībā no sākotnējā vidējā caurmēra, vecuma un relatīvās I stāva biezības.
Meža elementa vidējā caurmēra aprēķināšanas modelis MS Excel formātā:
d2=1.3+a2^α1/(α2*RB+α3*100*((a1^α1/(d1-1.3)-α2*RB)/(α3*100+a1^α1))+ ((a1^α1/(d1-1.3)-α2*RB)/(α3*100+a1^α1))*a2^α1) | (4.14) | ||
d2 | – | meža elementa vidējais caurmērs aktualizācijas perioda beigās, cm; | |
d1 | – | meža elementa vidējais caurmērs aktualizācijas perioda sākumā, cm; | |
a1 | – | meža elementa vecums 1.3 augstumā aktualizācijas perioda sākumā, gadi | |
a2 | – | meža elementa vecums 1.3 augstumā aktualizācijas perioda beigās, gadi | |
RB | – | mežaudzes I stāva relatīvā biezība | |
α1–3 | – | koeficienti (4.12. tab.). | |
4.12. tabula
Virs 1.3 m augstiem meža elementiem vidējā caurmēra augšanas gaitas prognožu modeļa (4.14. formula) koeficientu vērtības
Koku suga | Koku sugas kods | α1 | α2 | α3 |
Priede | 1 | 1.06700 | -9.98500 | 5.03500 |
Egle | 3 | 1.08900 | -5.69800 | 4.61700 |
Bērzs | 4 | 1.04300 | -7.79300 | 3.65200 |
Melnalksnis | 6 | 0.91200 | -1.44400 | 1.38800 |
Apse | 8 | 1.29000 | -13.95300 | 9.78600 |
Baltalksnis | 9 | 0.92400 | -8.15200 | 2.78100 |
Ozols | 10 | 1.06700 | -9.98500 | 5.03500 |
Osis | 11 | 1.08900 | -5.69800 | 4.61700 |
Kokaudzes I stāva relatīvā biezība tiek aprēķināta kā attiecība starp kokaudzes I stāva koku skaitu un aprēķināto maksimālo koku skaitu:
RB=N/Nmax | (4.15) | ||
RB | – | Kokaudzes I stāva relatīvā biezība; | |
N | – | Kokaudzes I stāva koku skaits, ha-1; | |
Nmax | – | Kokaudzes I stāva maksimālais koku skaits, ha-1. |
Kokaudzes maksimālais koku skaits ir atsevišķu I stāva meža elementu maksimālā koku skaita (4.8. formula) summa.
Meža elementu koku skaits
Ja meža elementa krūšaugstuma vecums mazāks par pieciem gadiem, tad tiek modelēts, ka katru gadu dabiskais koku skaita atmirums ir viens procents.
Meža elementa koku skaita izmaiņu modelis MS Excel formātā:
n2=(1-0.01*t)*n1 | (4.16) | ||
n2 | – | meža elementa koku skaits aktualizācijas perioda beigās, ha-1; | |
n1 | – | meža elementa koku skaits aktualizācijas perioda sākumā, ha-1. |
Ja meža elementa krūšaugstuma vecums vismaz pieci gadi, meža elementa koku skaits tiek aprēķināts kā sekundārs parametrs atkarībā no prognozētā meža elementa šķērslaukuma un caurmēra.
Meža elementa koku skaita aprēķināšanas modeļa algoritms MS Excel formātā:
n=40000*g/pi()/d^2 | (4.17) | ||
n | – | meža elementa koku skaits, ha-1. | |
g | – | meža elementa šķērslaukums, m2ha-1; | |
d | – | meža elementa vidējais krūšaugstuma caurmērs, cm; |
Meža elementa šķērslaukums
Ja meža elementa krūšaugstuma vecums mazāks par pieciem gadiem, mežaudzes (meža elementu) šķērslaukums līdz 1.3 m augstuma sasniegšanai ir 0 m2ha-1, bet pēc 1.3 m augstuma sasniegšanas šķērslaukums nosakāms atbilstoši prognozētajam koku skaitam un caurmēram (4.4. formula).
Ja meža elementa krūšaugstuma vecums vismaz pieci gadi, meža elementa šķērslaukuma izmaiņas atkarīgas no meža elementa prognozētās šķērslaukuma diferences un maksimālā šķērslaukuma.
Meža elementu šķērslaukuma diferenci aprēķins mainās atkarībā no prognozes perioda garuma, meža elementa šķērslaukuma un vecuma. Ja meža elementa šķērslaukums mazāk kā 10 m2ha-1vai krūšaugstuma vecums lielāks par 4.14. tabulā norādīto šķērslaukuma aktualizācijas robežvecumu (Alim), vai arī aktualizācijas ilgums pārsniedz 20 gadus, tad izmanto 4.18.2. formulu, bet pārējos gadījumos izmanto 4.18.1. formulu.
Meža elementu šķērslaukuma diferences modelis MS Excel formātā:
g`2=g1+(α0+α1*a1/100+α2/(a1/10)^2+α3*g1/a1+α4*GL/a1+α5*SI/a1)*(a2-a1) | (4.18.1) | ||
g`2=g1+g1*(α0+α1*a1/100+α2/a1^2)*(a2-a1) | (4.18.2) | ||
g`2 | – | prognozētais meža elementa šķērslaukums perioda beigās, m2ha-1; | |
g1 | – | meža elementa šķērslaukums aktualizācijas perioda sākumā, m2ha-1; | |
a1 | – | meža elementa vecums 1.3 augstumā aktualizācijas perioda sākumā, gadi | |
a2 | – | meža elementa vecums 1.3 augstumā aktualizācijas perioda beigās, gadi | |
GL | – | šķērslaukuma summa perioda sākumā meža elementiem, kas vienādi vai lielāki par konkrēto meža elementu (ja 1. stāva meža elements, tad 1. stāva šķērslaukums, ja 2. stāva meža elements, tad 1. un 2. stāva šķērslaukuma summa), ja 3. stāva meža elements, tad kokaudzes kopējais šķērslaukums), m2ha-1; | |
SI | – | prognozētais meža elementa augstums (9.10. formula) noteiktā krūšaugstuma vecumā (9.15. tab. ASI), m | |
αi;βi | – | koeficienti (4.13. un 4.14. tab.). | |
4.13. tabula
Virs 1.3 m augstiem meža elementiem šķērslaukuma diferences modeļu 4.18.1. formulas koeficientu vērtības
Koku suga | Koku sugas kods | α0 | α1 | α2 | α3 | α4 | α5 |
Priede | 1 | 0.12790 | -0.05718 | 0.02512 | 0.83096 | -0.36719 | 0.15517 |
Egle | 3 | 0.19233 | -0.11625 | 0.04781 | 0.82474 | -0.23711 | 0.12125 |
Bērzs | 4 | 0.23598 | -0.25059 | -0.06415 | 0.60903 | -0.24720 | 0.16372 |
Melnalksnis | 6 | 0.19929 | -0.23874 | -0.08695 | 0.84685 | -0.18952 | 0.07761 |
Apse | 8 | 0.45672 | -0.46009 | 0.24801 | 0.96946 | -0.23032 | 0.00000 |
Baltalksnis | 9 | 0.66125 | -1.72237 | 0.05124 | 0.96525 | -0.46311 | 0.12640 |
Ozols | 10 | 0.12790 | -0.05718 | 0.02512 | 0.83096 | -0.36719 | 0.15517 |
Osis | 11 | 0.19233 | -0.11625 | 0.04781 | 0.82474 | -0.23711 | 0.12125 |
4.14. tabula
Virs 1.3 m augstiem meža elementiem šķērslaukuma diferences modeļu 4.18.2. formulas koeficientu vērtības un šķērslaukuma aktualizācijā nepieciešamie raksturvecumi
Koku suga | Koku sugas kods | α0 | α1 | α2 | Alim | ASI |
Priede | 1 | 0.01800 | -0.01139 | 12.01519 | 120 | 100 |
Egle | 3 | 0.02787 | -0.02145 | 12.57435 | 100 | 100 |
Bērzs | 4 | 0.05146 | -0.06896 | 8.81694 | 80 | 50 |
Melnalksnis | 6 | 0.05924 | -0.08500 | 3.36282 | 80 | 50 |
Apse | 8 | 0.05660 | -0.06663 | 12.13606 | 80 | 50 |
Baltalksnis | 9 | 0.06862 | -0.16547 | 6.29221 | 50 | 20 |
Ozols | 10 | 0.01800 | -0.01139 | 12.01519 | 120 | 100 |
Osis | 11 | 0.02787 | -0.02145 | 12.57435 | 100 | 100 |
Alim - krūšaugstuma robežvecums šķērslaukuma diferences vienādojuma izvēlei,
ASI - krūšaugstuma vecums, pie kura tiek rēķināts kokaudzes produktivitātes raksturojošais augstums.
Ar 4.18.1. un 4.18.2. formulām tiek prognozēts potenciālais meža elementa šķērslaukums, tomēr tas nedrīkst pārsniegt teorētiski maksimālo šķērslaukumu.
Meža elementu maksimālā šķērslaukuma modelis MS Excel formātā:
gmax=α1/(1+(d/α2)^α3)*ip | (4.19.1) | ||
gmax=β1*(1-exp(-β2*h))*ip | (4.19.2) | ||
gmax | – | meža elementa maksimālais šķērslaukums, m2ha-1; |
d | – | meža elementa prognozētais vidējais krūšaugstuma caurmērs, cm; |
h | – | meža elementa prognozētais vidējais augstums, m. |
ip | – | meža elementa īpatsvars; |
αi;βi | – | koeficienti (4.15. tab.). |
Ar 4.19.1. formulu tiek aprēķināts maksimālais šķērslaukums apsaimniekošanas variantos, kuros tiek plānotas veikt kopšanas, bet, ja kopšana nav plānotas, tad maksimālais šķērslaukums tiek aprēķināts ar
4.19.2. formulu.
4.15. tabula
Virs 1.3 m augstiem meža elementiem maksimālā šķērslaukuma modeļu (4.19.1. un 4.19.2. formulas) koeficientu vērtības
Koku suga | Koku sugas kods | α1 | α2 | α3 | β1 | β2 |
Priede | 1 | 63.45877 | 13.46633 | -1.51447 | 37.34807 | 0.07615 |
Egle | 3 | 56.98437 | 9.33710 | -1.70296 | 38.74357 | 0.07334 |
Bērzs | 4 | 44.21425 | 6.02039 | -1.37711 | 43.54122 | 0.03710 |
Melnalksnis | 6 | 50.01593 | 9.26982 | -1.87173 | 39.56055 | 0.06983 |
Apse | 8 | 55.63098 | 5.97114 | -1.49469 | 43.24735 | 0.04973 |
Baltalksnis | 9 | 39.01299 | 3.96501 | -2.04227 | 37.40094 | 0.07388 |
Ozols | 10 | 63.45877 | 13.46633 | -1.51447 | 37.34807 | 0.07615 |
Osis | 11 | 56.98437 | 9.33710 | -1.70296 | 38.74357 | 0.07334 |
Atsevišķa meža elementa šķērslaukums tiek prognozēts kā minimālais šķērslaukums no prognozētā potenciālā meža elementa šķērslaukuma un no aprēķinātā maksimālā meža elementa šķērslaukuma:
g2=min(g`2;gmax) | (4.20) | ||
g2 | – | meža elementa šķērslaukums perioda beigās, m2ha-1; | |
g`2 | – | prognozētais meža elementa šķērslaukums perioda beigās (4.18.1. vai 4.18.2. formula), m2ha-1; | |
gmax | – | meža elementa maksimālais šķērslaukums (4.19.1. vai 4.19.2. formula), m2ha-1; | |
Meža elementa krāja
Meža elementu krāju līdz 1,5 m augstuma sasniegšanai aprēķina kā konusa tilpumu:
m=pi()*d^2*h/3*n/40000 | (4.21) | ||
m | – | meža elementa krāja, m3ha-1; | |
d | – | meža elementa prognozētais vidējais krūšaugstuma caurmērs, cm; | |
h | – | meža elementa prognozētais vidējais augstums, m. | |
n | – | meža elementa koku skaits, ha-1. | |
ip | – | meža elementa īpatsvars. |
Pēc 1,5 m augstuma sasniegšanas krājas aprēķināšanai izmanto I. Liepas atsevišķa koka tilpuma formulu (Liepa, 1996), ņemot vērā, koku skaitu, koku vidējo augstumu un vidējo kvadrātisko caurmēru (4.5 formula).
4.4. Kopšanas ciršu modelēšana
Mežaudzē kopšanas cirtes tiek modelētas atbilstoši lietotāja izvēlētajam kopšanas ciršu režīmam, protams, ja tās atbilst lietotāja definētajam kopšanas ciršu kritērijiem – mežaudze ir sasniegusi noteikto šķērslaukumu.
Kopšanas cirtes veida un pakāpes (intensitātes) raksturošanai izmanto sekojošus rādītājus (xxx Xxxxx, Hui, 1999):
✓ Kopšanas cirte pakāpe
rG = Gizc/Gkop | (4.22) | ||
rG | – | kopšanas cirtes pakāpe; | |
Gizc | – | izcirstais šķērslaukums, m2ha-1; | |
Gkop | – | kopējais šķērslaukums, m2ha-1. |
✓ Kopšanas cirtes tips
ja neitrāla atlase, tad NG = 1.0; ja kopšana no apakšas, tad NG >1.0; ja kopšana no augšanas, tad NG<1.0;
šajā aprēķinu modelī paredz, ka kopšanas cirtes tips nemainās un visos gadījumos tas ir 1,15.
Izcirsto koku skaitu aprēķina sekojoši:
Nizc = Nkop*rG*NG | (4.23) | ||
NG | – | kopšanas cirtes tips; | |
rG | – | xxxxxxxx xxxxxx intensitāte; | |
Nizc | – | izcirstais koku skaits, koki ha-1; | |
Nkop | – | kopējais koku skaits, koki ha-1. |
Pēc tam, kad ir aprēķināti kopšanas cirtes raksturojošie rādītāji un izcērtamais apjoms, tiek aktualizēti meža elementu taksācijas dati.
Meža elementa šķērslaukumu aprēķina kā starpību starp sākotnējo šķērslaukumu un modelēto izcirsto šķērslaukumu:
gpec = gpirms-gizc | (4.24) | ||
gpec | – | meža elementa šķērslaukums pēc krājas kopšanas cirtes, m2ha-1; | |
gpirms | – | meža elementa šķērslaukums pirms krājas kopšanas cirtes, m2ha-1; | |
gizc | – | meža elementa krājas kopšanas cirtē izcirstais šķērslaukums, m2ha-1. |
Meža elementa koku skaitu aprēķina kā starpību starp sākotnējo koku skaitu un modelēto izcirsto koku skaitu:
npec = npirms-nizc | (4.25) | ||
npec | – | meža elementa koku skaits pēc krājas kopšanas cirtes, ha-1; | |
npirms | – | meža elementa koku skaits pirms krājas kopšanas cirtes, ha-1; | |
nizc | – | meža elementa krājas kopšanas cirtē izcirstais koku skaits, ha-1. |
Vidējā caurmēra pēc kopšanas cirtes aprēķināšanai izmanto sekojošu vienādojumu:
d = sqrt(40000*gpec/pi()/npec) | (4.26) | ||
d | – | vidējais caurmērs pēc kopšanas cirtes, cm; | |
gpec | – | meža elementa šķērslaukums pēc krājas kopšanas cirtes, m2ha-1; | |
npec | – | meža elementa koku skaits pēc krājas kopšanas cirtes, ha-1; |
Meža elementa virsaugstums (hdom) pēc krājas kopšanas cirtes nemainās.
Meža elementa vidējais augstums pēc krājas kopšanas cirtes tiek aprēķināts atkarībā no meža elementa virsaugstuma un koku skaita (4.12. formula).
Krājas aprēķināšanai izmanto I. Liepas atsevišķa koka tilpuma formulu (Liepa, 1996), ņemot vērā, koku skaitu, koku vidējo augstumu un vidējo kvadrātisko caurmēru (4.5. formula).
Bonitātes, meža elementa īpatsvara, maksimālā koku skaita un audzes taksācijas rādītāju aprēķināšana aprakstīta iepriekšējās nodaļās.
Papildus pieaugums pēc krājas kopšanas cirtes netiek modelēts ne augstumam, ne caurmēram. Caurmēram neliels papildus pieaugums rodas no tā, ka samazinās audzes biezība un palielinās mehāniski meža elementa caurmērs (aptuveni 10-15% 10 gadu laikā).
5. Pieauguma, atmiruma un krājas diferences prognožu modeļu pilnveidošana
Darba uzdevums. Pieauguma, atmiruma un krājas diferences prognožu modeļu pilnveidošana un statistisko rādītāju izvērtēšana, aprēķinus balstot uz 3. MSI cikla 3 gadu datiem.
5.1. Faktiskās audzes tekošā pieauguma modelis
5.1.1. Materiāls un metodika
Analīzē izmantoti dati par 598 MSI 2014. – 2016. gadā atkārtoti uzmērītajiem parauglaukumiem.
Analīzē izmanto datus tikai par tiem parauglaukumiem, kuriem:
• I stāva valdošā koku suga pirmajā uzmērīšanas reizē ir priede (264 parauglaukumi), egle (96 bērzs (152), apse (24), melnalksnis (24), un baltalksnis (38);
• I stāva valdošās koku sugas krūšaugstuma vecums 1. uzmērīšanas reizē ir vismaz 5 gadi;
• I stāva valdošās koku sugas sastāva koeficients pirmajā uzmērīšanas reizē ir 7;
• I stāva valdošās koku sugas koku skaits 1. ciklā ir vismaz 100 koki uz hektāra;
• 10 gadu laikā parauglaukumā nav konstatēta masveida koku atmiršana (atmirušās koksnes īpatsvars ≤33% no kopējā šķērslaukuma);
• 10 gadu laikā parauglaukumā nav konstatēta koku ciršana.
Lai izvairītos no krājas izmaiņas kļūdām, kas MSI metodikas dēļ rodas kokiem ieaugoties (pārsniedzot 2.0cm krūšaugstuma caurmēru) vai pārejot uz citu reprezentācijas klasi (pārsniedzot 6.0cm un 14.0cm krūšaugstuma caurmēru), analīzē izmanto tikai tos kokus, kas konstatēti pirmajā uzmērīšanas ciklā, un to reprezentācijas klases nemaina.
Faktiskās audzes tekošā vidēji periodiskā krājas pieauguma aprēķināšanai pārbaudīts sekojošs vienādojums (Donis et al., 2015):
𝒁𝑴 = 𝜶𝟏 ∙ 𝑨𝜶𝟐 ∙ 𝜶𝑩 ∙ 𝑮𝜶𝟒 𝟑 | (5.1) | |||
kur | ZM | – | faktiskās audzes tekošais vidēji periodiskais krājas pieaugums, m3ha-1gadā; | |
A | – | kokaudzes I stāva valdošās koku sugas krūšaugstuma vecums, gadi; | ||
B | – | audzes bonitāte (atbilstoši Orlova bonitāšu skalai Ia=0, I=1...IV=4; V=5); | ||
G | – | kokaudzes (meža elementa) šķērslaukums, m2ha-1. | ||
α1–4 | – | koeficienti. |
Analīzē katram parauglaukumam faktiskās audzes tekošo vidēji periodisko pieaugumu aprēķina sekojoši (Liepa, 1996):
𝑴𝑨 − 𝒎𝑨−𝒏 𝒁𝒎 = 𝒏 | (5.2) | |||
kur | ZM | – | faktiskās audzes tekošais vidēji periodiskais krājas pieaugums, m3ha-1gadā; | |
MA | – | kokaudzes krājas vecumā A, m3ha-1; | ||
mA-n | – | intervāla n beigās audzē augošo koku krāja A-n gadu vecumā, m3ha-1; | ||
n | – | laika intervāls, gadi. |
Koeficientu vērtības aprēķinātas izmantojot datorprogrammu SPSS 14 rīku Nonlinear regression un
bootstrap funkciju.
5.1.2. Rezultāti
Aprēķināti jauni koeficienti faktiskās audzes krājas tekošā vidēji periodiskā krājas pieauguma aprēķināšanai (5.1. tabula). Tomēr jāatzīmē ka atsevišķām koku sugām atsevišķi koeficienti ir mežsaimnieciski neloģiski. Piemēram, apsei α3 koeficients ir lielāks par viens, kas nozīmē ka pie zemākām bonitātēm tiek prognozēts lielāks krājas pieaugums, vai piemēram, melnalksnim α1 koeficients ir neloģiski liels, līdz ar to jaunaudžu vecumā tiek modelēts neloģiski liels krājas pieaugums.
5.1. tabula
Xxxxxxxxx faktiskās audzes tekošā krājas pieauguma modeļa (5.1. formula) 2017. gadā aproksimētās koeficientu vērtības
Taksācijas vienība | Valdošā suga | koeficienti | |||
α1 | α2 | α3 | α4 | ||
Kokaudzes 1.stāvs | Priede | 9.59324 | -0.54686 | 0.9231 | 0.6611 |
Egle | 16.45754 | -0.60332 | 0.99521 | 0.59361 | |
Bērzs | 22.46105 | -0.77898 | 0.93454 | 0.6648 | |
Xxxxxxxxxxx | 63.5254 | -0.84074 | 0.94843 | 0.41877 | |
Apse | 10.12483 | -0.32692 | 1.11677 | 0.48058 | |
Baltalksnis | 15.85952 | -0.50955 | 0.94413 | 0.49384 | |
Xxxxxxxx kopā | Priede | 6.07253 | -0.40441 | 0.90495 | 0.65807 |
Egle | 16.15446 | -0.53991 | 0.98205 | 0.5303 | |
Bērzs | 16.10331 | -0.61973 | 0.94109 | 0.60349 | |
Melnalksnis | 29.68387 | -0.7609 | 0.92986 | 0.58962 | |
Apse | 9.36317 | -0.2652 | 1.10034 | 0.4501 | |
Baltalksnis | 13.27573 | -0.41181 | 0.95065 | 0.46178 | |
Visām koku sugām krājas pieauguma modelim, pārbaudot to uz datu analīzē izmantotajiem datiem, ir salīdzinoši augsti statistiskie rādītāji (5.2. tabula).
5.2.tabula
Xxxxxxxxx faktiskās audzes tekošā krājas pieauguma modeļa (5.1. formula) statistiskie rādītāji
Stāvs | Suga | Vid | MRES | MRES % | AMRES | RMSE | RMSE % | MSE | MEF | VR | R | R2 | N | AIC |
1. stāvs | Priede | 6.13 | -0.02 | -0.37 | 1.52 | 2.01 | 32.74 | 4.02 | 0.37 | 0.601 | 0.792 | 0.628 | 264 | 370.2 |
Egle | 11.00 | -0.01 | -0.13 | 2.70 | 3.45 | 31.33 | 11.75 | 0.40 | 0.589 | 0.774 | 0.599 | 96 | 239.4 | |
Bērzs | 7.52 | 0.01 | 0.19 | 1.98 | 2.58 | 34.34 | 6.62 | 0.32 | 0.686 | 0.822 | 0.675 | 152 | 290.2 | |
Melnalksnis | 10.38 | 0.00 | -0.05 | 2.33 | 3.12 | 30.09 | 9.30 | 0.46 | 0.532 | 0.733 | 0.538 | 24 | 56.3 | |
Apse | 12.51 | -0.03 | -0.23 | 2.29 | 2.99 | 23.92 | 8.54 | 0.26 | 0.709 | 0.858 | 0.736 | 24 | 54.3 | |
Baltalksnis | 13.17 | -0.08 | -0.58 | 3.62 | 5.08 | 38.56 | 25.07 | 0.56 | 0.392 | 0.666 | 0.443 | 38 | 125.3 | |
Visi | Priede | 7.02 | -0.02 | -0.35 | 1.72 | 2.27 | 32.37 | 5.14 | 0.35 | 0.621 | 0.804 | 0.646 | 264 | 435.2 |
Egle | 11.71 | -0.02 | -0.14 | 2.78 | 3.57 | 30.51 | 12.63 | 0.44 | 0.547 | 0.749 | 0.561 | 96 | 246.4 | |
Bērzs | 8.91 | -0.02 | -0.17 | 2.47 | 3.13 | 35.16 | 9.75 | 0.38 | 0.613 | 0.790 | 0.624 | 152 | 349.2 | |
Melnalksnis | 11.39 | -0.03 | -0.28 | 2.63 | 3.73 | 32.72 | 13.23 | 0.56 | 0.409 | 0.667 | 0.445 | 24 | 64.8 | |
Apse | 14.03 | -0.05 | -0.36 | 2.25 | 3.00 | 21.37 | 8.56 | 0.23 | 0.722 | 0.875 | 0.766 | 24 | 54.3 | |
Baltalksnis | 13.98 | -0.08 | -0.59 | 3.79 | 5.23 | 37.41 | 26.59 | 0.56 | 0.388 | 0.665 | 0.443 | 38 | 127.5 |
Vid - aritmētiski vidējā uzmērītā vērtība, m; MRES - vidējā novirze, m; MRES% - procentuālā vidējā novirze; AMRES - vidējā absolūtā novirze, m; RMSE – standartnovirze, m; RMSE% - variācijas koeficients; MSE - vidējā kvadrātiskā kļūda, m; MEF - modeļa efektivitātes indekss; VR - dispersijas attiecība; R - korelācijas koeficients; R2 - determinācijas indekss; N - elementu skaits; AIC - Akaikes indekss.
Nevienai koku sugai ne kokaudzes pirmā stāva, ne kokaudzes visu stāvu kopā prognozētajam krājas pieaugumam nav konstatētas sistemātiskas novirzes ar vienādojumos izmantotajām faktoriālajām vērtībām (vecums, šķērslaukums un bonitāte), jo starpībām starp uzmērīto un prognozēto vērtību ir vājas lineārās korelācijas ar faktoriālajām pazīmēm.
Tā kā 2017.g. ir mainījušies MSI datu atlases kritēriji, kas ir samazinājis šobrīd analīzē izmantojamo datu apjomu, izstrādātajam krājas pieauguma modelim (5.1. formula) ir vairāk informatīvi-ilustratīva nozīme un tas pagaidām ar šim koeficientu vērtībām nav piemērojams izmantošanai modelēšanā. Šobrīd krājas pieauguma modelēšanā ieteicams lietot iepriekš izstrādātos uz piecu gadu pārmērījuma datiem balstītos vienādojumus (Donis et al., 2015).
5.2. Atmiruma modelis
5.2.1. Materiāls un metodika
Analīzē izmantoti dati par 598 MSI 2014. – 2016. gadā atkārtoti uzmērītajiem parauglaukumiem, kas atbilst 5.1. apakšnodaļā minētajiem kritērijiem.
Tā kā otrajā ciklā nav uzmērīts starp inventarizācijas laikā atmirušo koku pieaugums (pieņemts, ka tie nav veidojuši pieaugumu), to dimensijas pieņemtas par tādām, kādas tās bija 1. cikla uzmērījumā.
Ikgadējā dabiskā atmiruma modelēšanai pārbaudīts vienādojums (Donis et al., 2015):
𝑨 𝒁𝑴(−) = 𝜶𝟏 ∙ 𝑨𝜶𝟐 ∙ 𝜶𝟑( ) ∙ 𝑮𝜶𝟒 𝟏𝟎𝟎 | (5.3) | |||
kur | ZM(-) | – | dabiskais tekošais vidēji periodiskais krājas atmirums, m3ha-1gadā; | |
A | – | kokaudzes I stāva valdošās koku sugas krūšaugstuma vecums, gadi; | ||
G | – | kokaudzes (meža elementa) šķērslaukums, m2ha-1. | ||
α1–4 | – | koeficienti. |
Koeficientu vērtības aprēķinātas izmantojot datorprogrammu SPSS 14 rīku Nonlinear regression un
bootstrap funkciju.
5.2.2. Rezultāti
Aprēķināti jauni koeficienti audzes tekošā vidēji periodiskā atmiruma aprēķināšanai (5.3. tabula).
Atmiruma modelim, pārbaudot to uz datu analīzē izmantotajiem datiem, ir salīdzinoši augsti statistiskie rādītāji (5.4. tabula).
5.3. tabula
Kokaudzes atmiruma modeļa (5.3. formula) 2017. gadā aproksimētās koeficientu vērtības un to statistiskie
Taksācijas vienība | Valdošā suga | koeficienti | |||
α1 | α2 | α3 | α4 | ||
Kokaudzes 1.stāvs | Priede | 0.00207 | 0.53081 | 0.27876 | 1.58921 |
Egle | 0.03151 | -0.43955 | 4.3597 | 1.56564 | |
Bērzs | 0.00009 | 0.08432 | 19.11998 | 2.51721 | |
Melnalksnis | 0.01178 | 1.0647 | 0.09354 | 0.74855 | |
Apse | 0.00057 | 2.68184 | 0.00023 | 0.7157 | |
Baltalksnis | 0.0098 | 0.16378 | 2.86983 | 1.48818 | |
Xxxxxxxx kopā | Priede | 0.01278 | -0.01587 | 0.64647 | 1.54347 |
Egle | 0.00607 | 0.33078 | 1.00003 | 1.42782 | |
Bērzs | 0.00578 | -0.11764 | 3.12035 | 1.76347 | |
Melnalksnis | 0.00534 | 1.6565 | 0.03553 | 0.46903 | |
Apse | 0.00139 | 2.118 | 0.0012 | 0.86789 | |
Baltalksnis | 0.01215 | -0.02592 | 3.79699 | 1.58313 | |
Visām koku sugām atmiruma modelim, pārbaudot to uz datu analīzē izmantotajiem datiem, ir salīdzinoši augsti statistiskie rādītāji (5.4. tabula).
5.4.tabula
Kokaudzes atmiruma modeļu (5.3. formula) statistiskie rādītāji
Stāvs | Suga | Vid | MRES | MRES % | AMRES | RMSE | RMSE % | MSE | MEF | VR | R | R2 | N | AIC |
1. stāvs | Priede | 1.10 | -0.01 | -1.27 | 1.00 | 1.41 | 128.26 | 1.97 | 0.80 | 0.191 | 0.446 | 0.199 | 264 | 181.7 |
Egle | 1.45 | -0.03 | -2.38 | 1.05 | 1.50 | 103.60 | 2.23 | 0.62 | 0.352 | 0.619 | 0.383 | 96 | 80.0 | |
Bērzs | 0.97 | 0.14 | 14.57 | 0.71 | 1.20 | 123.65 | 1.43 | 0.52 | 0.511 | 0.695 | 0.484 | 152 | 57.6 |
Melnalksnis | 2.42 | -0.01 | -0.42 | 1.35 | 1.82 | 75.32 | 3.16 | 0.86 | 0.126 | 0.377 | 0.142 | 24 | 30.4 | |
Apse | 1.93 | -0.11 | -5.71 | 1.18 | 1.98 | 102.67 | 3.74 | 0.46 | 0.434 | 0.741 | 0.549 | 24 | 34.5 | |
Baltalksnis | 1.98 | -0.02 | -0.80 | 0.74 | 1.03 | 51.87 | 1.03 | 0.25 | 0.734 | 0.867 | 0.751 | 38 | 3.9 | |
Visi | Priede | 1.26 | -0.01 | -0.49 | 0.99 | 1.42 | 112.57 | 2.01 | 0.74 | 0.240 | 0.509 | 0.259 | 264 | 186.9 |
Egle | 1.91 | -0.02 | -0.83 | 1.17 | 1.64 | 85.81 | 2.66 | 0.58 | 0.410 | 0.650 | 0.423 | 96 | 97.0 | |
Bērzs | 1.43 | 0.06 | 4.53 | 0.80 | 1.32 | 92.62 | 1.74 | 0.51 | 0.520 | 0.703 | 0.495 | 152 | 87.1 | |
Melnalksnis | 2.74 | -0.02 | -0.88 | 1.20 | 1.69 | 61.87 | 2.73 | 0.80 | 0.163 | 0.447 | 0.200 | 24 | 26.9 | |
Apse | 2.41 | -0.06 | -2.51 | 1.29 | 2.16 | 89.32 | 4.43 | 0.45 | 0.505 | 0.744 | 0.554 | 24 | 38.5 | |
Baltalksnis | 2.21 | 0.02 | 0.84 | 0.70 | 0.98 | 44.36 | 0.94 | 0.21 | 0.808 | 0.888 | 0.789 | 38 | 0.4 |
Vid - aritmētiski vidējā uzmērītā vērtība, m; MRES - vidējā novirze, m; MRES% - procentuālā vidējā novirze; AMRES - vidējā absolūtā novirze, m; RMSE – standartnovirze, m; RMSE% - variācijas koeficients; MSE - vidējā kvadrātiskā kļūda, m; MEF - modeļa efektivitātes indekss; VR - dispersijas attiecība; R - korelācijas koeficients; R2 - determinācijas indekss; N - elementu skaits; AIC - Akaikes indekss.
Nevienai no koku sugām ne kokaudzes pirmā stāva, ne kokaudzes visiem stāviem kopā prognozētajam atmirumam nav konstatētas sistemātiskas novirzes ar vienādojumos izmantotajām faktoriālajām vērtībām (vecums un šķērslaukums), jo starpībām starp uzmērīto un prognozēto vērtību ir vājas lineārās korelācijas ar faktoriālajām pazīmēm.
Līdzīgi kā faktiskās audzes krājas pieaugumam tā arī atmiruma modelis nelielā datu apjoma dēļ pagaidām nav īsti piemērojams atmiruma modelēšanā, jo atsevišķos gadījumos tiek prognozētas neloģiskas atmiruma vērtības. Šobrīd atmiruma modelēšanā ieteicams lietot iepriekš izstrādātos uz piecu gadu pārmērījuma datiem balstītos vienādojumus (Donis et al., 2015).
5.3. Krājas diferences modelis
Krājas diference aprēķināma atbilstoši 5.4. formulai.
𝒁𝒅𝒂𝒃 = 𝒁𝑴 − 𝒁𝑴𝒂𝒕𝒎 − 𝒁𝑴𝒊𝒛𝒄 | (5.4) | |||
kur | Zdab | – | kokaudzes krājas diference, m3ha-1; | |
ZM | – | faktiskās kokaudzes krājas pieaugums, m3ha-1; | ||
ZMatm | – | kokaudzes krājas dabiskais atmirums, m3ha-1; | ||
ZMizc | – | izcirstās kokaudzes krāja, m3ha-1; |
Zmizc atbilstošai audžu kopai starpcirtē izcirstā krāja aprēķināms no vēsturiskajiem datiem, vai jāiekļauj prognozētās izcirstās krājas vērtības.
Piem., vēsturiskā (2004.-2009.) g. starpciršu intensitāte aproksimēta ar 5.5. tabulā atspoguļotajām sakarībām.
5.5.tabula
MSI parauglaukumos konstatētā cirtes intensitātes dažāda vecuma desmitgažu audžu kokiem I MSI cikla laikā aproksimācijas vienādojumi
Suga | Cirtes intensitāte atkarībā no vecuma 10-gades, % | R2 | Izmantošanas diapazons (vecuma 10- gades) |
Priede | y = - 0.8489 x + 11.445 | 0.4254 | 3...10 |
Egle | y = 1.4861 x + 2.8042 | 0.9778 | 3...8 |
Bērzs | y = 16945 x + 0.8540 | 0.6508 | 2...7 |
Melnalksnis | y = 1.7846 x + 3.5181 | 1 | 2...4 |
Apse | y = 17.2970 x + 31.2050 | 0.5761 | 2...7 |
Baltalksnis | y = 4.2758 x + 5.4936 | 1 | 2...4 |
Atbilstoši 5.5. tabulas vienādojumiem var aproksimēt 5 gadu kopējais izcirstais apjomu. Lai aprēķinātu vidējo periodisko ciršanas apjomu izcirstā apjoma vērtība jādala ar 5.
Pētījuma ietvaros tika veikta pieaugumu aprēķināšana balstot uz Somijas un Zviedrijas augšanas gaitas modeļu noklusētajiem parametriem. Konstatēts, ka virkne parametru nav tieši attiecināmi uz Latvijas apstākļiem, un to piemērošana balstīta uz pieņēmumiem par atbilstību meža tipiem, piemēram, tādi rādītāji kā rohumusa slāņa biezums, akmeņainība, pārpurvošanās. Savukārt citi rādītāji tiek ekstrapolēti salīdzinājumā ar šo rādītāju diapazonu Somijā. Piemēram, gada aktīvās veģetācijas temperatūru summa (diennakts vidējā temperatūra virs 50C) modeļos ir no 800 līdz 1300 grādus, bet Latvijā tā pārsniedz pat 2100 grādus. Secināts, ka oriģinālās vienādojumu koeficientu vērtības nav izmantojamas Latvijas mežaudžu augšanas gaitas modelēšanai. Pārbaudot Zviedrijas augšanas gaitas modeļu atbilstību, konstatēts, ka līdzīgi nepieciešama oriģinālo (Zviedrijā lietoto meža tipu raksturojošo parametru sasaiste ar Latvijas meža tipoloģiju. Īsā termiņā oriģinālās formulas dod labu vērtējumu, taču ilgākā termiņa nepieciešama koeficientu vērtību adaptācija Latvijas apstākļiem. Tādēļ, izmantojot saīsinātu formulu (6.1.), kura tika aproksimēta šī pētījuma gaitā (2016.g.) 2020.g. tika veikta modeļa izvērtēšana. Augšanas gaitas modelēšanas novērtēšanā ir vairāki soļi, divus no kuriem sauc par verifikāciju un validāciju, t.i., atbilstoši par kvalitatīvo un kvantitatīvo novērtēšanu. Tās iesaka saukt arī par modeļa kritiku un salīdzinošo novērtēšanu.
Modeļa verifikācijā tiek pārbaudīts vai atbilstošajiem parametriem ir pareizas zīmes un vai izmaiņas ir loģiskas, t.i., atbilstošas sagaidāmajam.
Modelis var tikt validēts, i) salīdzinot tā augšanas funkcijas ar citu modeļu augšanas funkcijām, ii) salīdzinot tā prognozes ar citām prognozēm, kas veiktas attiecībā uz tiem pašiem mežiem un iii) modeļa izmantošana pēc vēsturiskiem datiem un rezultātu salīdzināšana ar pašreizējo meža stāvokli.
Šajā gadījumā modelis tika validēts, izmantojot iii pieeju, proti, modeļa izmantošana pēc vēsturiskiem datiem un rezultātu salīdzināšana ar pašreizējo meža stāvokli.
6.1. Materiāls un metodika
6.1.1. Koku augstuma pieaugums
Datu analīzē izmantoja datus par 6648 kokiem (priedes – 1729, egles – 2450, bērzi – 1586, melnalkšņi – 473, apses – 193, baltalkšņi – 217) no 637 MSI 2019. gadā atkārtoti uzmērītajiem parauglaukumiem. Datu analīzē izmanto tikai tos koku datus, kas trešajā un ceturtajā ciklā ir uzmērīti kā dzīvi koki.
Atsevišķa koka augstuma augšanas gaitas pārbaudei izmanto iepriekš izstrādāto meža elementa vidējā augstuma un virsaugstuma pieauguma modeļus, kas paredzēts nākamo 5 gadu augstuma aprēķināšanai (skat.
2.1.1. nodaļu).
Vienādojumu atbilstība izvērtēta izmantojot sekojošus statistiskos rādītājus: vidējā novirze (MRES), procentuālā vidējā novirze MRES%), vidējā absolūtā novirze (AMRES), standartnovirze (RMSE), variācijas koeficients (RMSE%), vidējā kvadrātiskā kļūda (MSE), modeļa efektivitāte (MEF) un dispersijas attiecība (VR). Šo statistisko rādītāju aprēķināšanas formulas dotas 1. pielikumā.
6.1.2. Koku caurmēra pieaugums
Vienādojumu izstrāde izmantoja datus par 13965 kokiem (priedes – 4211, egles – 4849, bērzi – 2998, melnalkšņi – 949, apses – 365, baltalkšņi – 593) no 640 MSI 2019. gadā atkārtoti uzmērītajiem parauglaukumiem. Datu analīzē izmanto tikai tos koku datus, kas trešajā un ceturtajā ciklā ir uzmērīti kā dzīvi koki.
Caurmēra augšanas gaitas pārbaudei izmanto iepriekš izstrādāto atsevišķu koku šķērslaukuma pieauguma modeli, kas paredzēts nākamo 5 gadu caurmēra pieauguma aprēķināšanai:
𝟏𝟎 𝟏𝟎 𝐝 𝟐 𝐢𝐠𝟓 = 𝐞𝐱𝐩 (𝛂𝟎 + 𝛂𝟏 ⋅ 𝐒𝐈𝒊 + 𝛂𝟐 ⋅ 𝐇 + 𝛂𝟑 ⋅ 𝐇 𝟐 + 𝛂𝟒 ⋅ 𝐥𝐧(𝐝) + 𝜶𝟓 ⋅ (𝟏𝟎 ) + 𝛂𝟔 𝐯𝐚𝐥𝐝 𝐯𝐚𝐥𝐝 𝟎 𝐓𝐬𝐮𝐦 ⋅ 𝐥𝐧(𝐜𝐫) + 𝛂𝟕 ⋅ 𝐥𝐧(𝐑𝐃𝐅 + 𝟏) + 𝛂𝟖 ⋅ 𝐑𝐃𝐅𝐋 + 𝛂𝟗 ⋅ 𝟏𝟎𝟎𝟎 + 𝛂𝟏𝟎 ⋅ 𝐜𝟎−𝟏𝟎) | (6.1) | |||
kur | ig5 | – | koka nākošo 5 gadu šķērslaukuma pieaugums, cm2; | |
SIi | – | koka augstums bāzes vecumā (p, e – 100 gadi; b, m, a – 50 gadi; ba – 20 gadi), m; | ||
Hvald | – | mežaudzes valdaudzes augstums (koku, kas resnāki par mežaudzes I stāva valdošās koku sugas vidējo kvadrātisko caurmēru, aritmētiski vidējais augstums), m; | ||
d | – | koka krūšaugstuma caurmērs, cm; | ||
cr | – | koka vainaga īpatsvars; | ||
RDF | – | mežaudzes relatīvās biezības faktors; | ||
RDF L | – | relatīvās biezības faktors kokiem, kas resnāki par konkrēto koku (6.2. formula); | ||
Tsum | – | aktīvās veģetācijas (to >5oC) temperatūru summa, oC; | ||
c0-10 | – | fiktīvais mainīgais, kas raksturo vai pēdējo 10 gadu laikā mežaudzē ir veikta koku ciršana, (0 vai 1); | ||
α0–10 | – | koeficienti. | ||
Atsevišķu koku caurmēra augšanas gaitas modeļa (6.1. formula) 2019. gadā aproksimētās koeficientu vērtības
Valdošā suga | koeficienti | ||||||||||
α0 | α1 | α2 | α3 | α4 | α5 | α6 | α7 | α8 | α9 | α10 | |
Priede | -1.102 | 0.056 | 0.562 | 0.124 | 1.182 | -1.323 | 0.966 | -0.556 | -0.077 | 0.295 | 0.077 |
Egle | -1.246 | 0.03 | 1.425 | -2.364 | 1.092 | -0.662 | 0 | -0.922 | -0.356 | 0.514 | 0.155 |
Bērzs | -2.551 | 0.075 | 3.598 | -13.478 | 1.195 | -0.249 | 0.133 | -0.778 | -0.552 | 0.151 | 0.002 |
Melnalksnis | -0.014 | 0.051 | 0.517 | -1.276 | 0.859 | -2.545 | 0.339 | -0.713 | -1.114 | 0.48 | 0 |
Apse | -2.492 | 0.044 | 3.656 | -14.96 | 1.404 | -1.029 | 0.661 | -0.15 | -0.515 | 0.365 | 0.09 |
Baltalksnis | -0.864 | 0.053 | 1.508 | -3.116 | 1.126 | -3.977 | 0.04 | -0.465 | -1.031 | 0.253 | 0 |
Lai raksturotu koku savstarpējo konkurenci atsevišķu koku augšanas modeļos izmanto audzes vai tās daļu relatīvās biezības faktoru. Audzes relatīvās biezības faktora raksturošanai izmanto maksimālo audzes koku skaitu. Audzes relatīvās biezības faktors aprēķināms pēc sekojoša vienādojuma:
𝒏 𝑹𝑫𝑭 = ∑ 𝒈𝒂𝒊 𝒊=𝟏 | (6.2) | |||
𝐠𝐚𝐢 = 𝛃𝟏−𝟏 ⋅ 𝐝𝐢−𝛃𝟐 ⋅ 𝐡𝐢−𝛃𝟑 | (6.2.1) | |||
kur | RDF | – | mežaudzes relatīvās biezības faktors; | |
gai | – | katra koka relatīvās biezības faktors; | ||
di | – | koka krūšaugstuma caurmērs, cm; | ||
hi | – | koka augstums, m; | ||
β1–3 | – | koeficienti. |
Relatīvās biezības faktora aprēķināšanai tiek izmantoti tie paši koeficienti (4.6. tabula), kas iepriekš izstrādātajam meža elementa maksimālā koku skaita aprēķināšanai (Donis et al., 2014).
6.1. tabula
Audzes relatīvās biezības faktora aprēķināšanai (3.1. formula) izmantotie koeficienti
Suga | β1 | β2 | β3 |
Priede | 83570 | -1.366 | -0.069 |
Egle | 103106 | -1.381 | -0.103 |
Bērzs | 144400 | -1.357 | -0.302 |
Melnalksnis | 197511 | -1.314 | -0.339 |
Apse | 197511 | -1.314 | -0.339 |
Baltalksnis | 197511 | -1.314 | -0.339 |
Vainaga īpatsvara raksturošanai izmanto sekojošu modeli:
𝒄𝒓 = 𝟏 − 𝒆𝒙𝒑(−𝑿) | (6.3) | |||
𝑿 = (𝛂𝟎 + 𝛂𝟏 ⋅ 𝐜𝟎−𝟓) ∙ 𝐇𝐯𝐚𝐥𝐝𝛂𝟐 ⋅ 𝐝𝛂𝟑 ⋅ 𝐞𝐱𝐩(−𝛂𝟒 ∙ 𝑹𝑫𝑭) ⋅ 𝐞𝐱𝐩(−𝛂𝟓 ∙ 𝑹𝑫𝑭𝑳) ∙ 𝐒𝐈𝒊𝛂𝟔 | (6.3.1) | |||
kur | Hvald | – | mežaudzes valdaudzes augstums (koku, kas resnāki par mežaudzes I stāva valdošās koku sugas vidējo kvadrātisko caurmēru, aritmētiski vidējais augstums), m; | |
d | – | koka krūšaugstuma caurmērs, cm; | ||
RDF | – | mežaudzes relatīvās biezības faktors (6.2. formula); | ||
RDFL | – | relatīvās biezības faktors kokiem, kas resnāki par konkrēto koku (6.2. formula); | ||
SIi | – | koka augstums bāzes vecumā (p, e – 100 gadi; b, m, a – 50 gadi; ba – 20 gadi), m; | ||
c0-5 | – | fiktīvais mainīgais, kas raksturo vai pēdējo 5 gadu laikā mežaudzē ir veikta koku ciršana, (0 vai 1); | ||
α1–6 | – | koeficienti. | ||
6.2. tabula
Atsevišķu koku vainaga īpatsvara aprēķināšanas modeļa (6.3. formula) 2018. gadā aproksimētās
koeficientu vērtības
Suga | Koeficienti | ||||||
b0 | b1 | b2 | b3 | b4 | b5 | b6 | |
Priede | 0.83656 | -0.06109 | -0.84108 | 0.2507 | 0.25376 | 0.24711 | 0.45793 |
Egle | 2.61633 | -0.32585 | -0.28071 | 0.12575 | 0.30224 | 0 | 0 |
Bērzs | 2.11633 | -0.06556 | -0.3416 | 0.09485 | 0.33759 | 0.27667 | 0 |
Melnalksnis | 2.70987 | -0.02554 | -0.42614 | 0.0545 | 0.53214 | 0 | 0 |
Apse | 1.77711 | -0.1674 | -0.25352 | 0.02711 | 0.19974 | 0.52069 | 0 |
Baltalksnis | 1.72129 | -0.11314 | -0.25066 | 0.05275 | 0.45722 | 0.23001 | 0 |
Vienādojumu atbilstība izvērtēta izmantojot sekojošus statistiskos rādītājus: vidējā novirze (MRES), procentuālā vidējā novirze MRES%), vidējā absolūtā novirze (AMRES), standartnovirze (RMSE), variācijas koeficients (RMSE%), vidējā kvadrātiskā kļūda (MSE), modeļa efektivitāte (MEF) un dispersijas attiecība (VR). Šo statistisko rādītāju aprēķināšanas formulas dotas 1. pielikumā.
6.1.3. Koku atmirums
Vienādojumu izstrādē izmantoja datus par 15294 kokiem (priedes – 4418, egles – 5177, bērzi – 3403, melnalkšņi – 1135, apses – 423, baltalkšņi – 738) no 561 MSI 2019. gadā atkārtoti uzmērītajiem parauglaukumiem. Analīzē neiekļauj iepriekšējās paaudzes jeb eko kokus, kā arī raksturkokus. Analīzē iekļauti tie koki, kas trešajā ciklā uzmērīti kā dzīvi, bet ceturtajā ciklā fiksēti kā dzīvi vai nokaltuši. Nav iekļauti tie koki, kas ir izgāzti, nolauzti vai tos nograuzis bebrs. Jo šāda veida bojāeju modelis neparedz. Tāpat analīzē neiekļauj parauglaukumus, kuros starp inventarizācijas periodā ir notikusi koku ciršana.
Atsevišķa koka atmiršanas varbūtība, ka tas atmirs nākamo piecu gadu laikā, tiek modelēta sekojoši:
𝒑 = 𝟏 − (𝟏 − 𝒑𝒄𝒐𝒎𝒑𝟓) ∙ (𝟏 − 𝒑𝒐𝒍𝒅𝟓) | (6.4) | |||
kur | p | – | varbūtība, ka koks atmirs nākošo piecu gadu laikā; | |
pcomp5 | – | varbūtība, ka koks konkurences dēļ atmirs nākošo piecu gadu laikā; | ||
pold5 | – | varbūtība, ka koks vecuma dēļ atmirs nākošo piecu gadu laikā. |
Varbūtība, ka koks konkurences dēļ atmirs nākošo piecu gadu laikā modelēšanā izmantots sekojošs vienādojums:
𝟏 𝒑𝒄𝒐𝒎𝒑𝟓 = 𝟏 + 𝒆𝒙𝒑(−(𝜶 + 𝜶 ∙ 𝒅 + 𝜶 ∙ 𝑮 + 𝜶 ∙ 𝑩𝑨𝑳)) 𝟎 𝟏 𝟐 𝟑 | (6.5) | |||
kur | pcomp5 | – | varbūtība, ka koks konkurences dēļ atmirs nākošo piecu gadu laikā; | |
d | – | koka krūšaugstuma caurmērs perioda sākumā, cm | ||
G | – | mežaudzes šķērslaukums perioda sākumā, m2ha-1; | ||
BAL | – | šķērslaukuma summa kokiem, kas lielāki par konkrēto koku, m2ha-1; | ||
α0 − α3 | – | koeficienti. | ||
Varbūtība, ka koks vecuma dēļ atmirs, aprēķināta pēc sekojoša vienādojuma:
𝒆𝒙𝒑 (−𝟏𝟎 + 𝟏𝟎 ∙ 𝒂 ) 𝒑 = 𝟎. 𝟖𝟐 ∙ 𝑨𝒎𝒂𝒙 𝟏 + 𝒆𝒙𝒑 (−𝟏𝟎 + 𝟏𝟎 ∙ 𝒂 ) 𝒐𝒍𝒅 𝟎. 𝟖𝟐 ∙ 𝑨𝒎𝒂𝒙 | (6.6) | |||
kur | pold | – | varbūtība, ka koks vecuma dēļ atmirs; | |
a | – | koka vecums, gadi; | ||
Amax | – | koka sugas maksimālais vecums (P-500, E-300, B,M,A-200, Ba-100), gadi. | ||
Varbūtība, ka koks vecuma dēļ atmirs nākošo piecu gadu laikā, aprēķināta pēc sekojoša vienādojuma:
𝒑𝒐𝒍𝒅(𝒂+𝟓) − 𝒑𝒐𝒍𝒅(𝒂) 𝒑𝒐𝒍𝒅𝟓 = 𝟏 − 𝒑 𝒐𝒍𝒅(𝒂) | (6.7) | |||
kur | pold5 | – | varbūtība, ka koks vecuma dēļ atmirs nākošo piecu gadu laikā; | |
pold(a+5) | – | varbūtība, ka koks vecuma dēļ atmirs vecumā a+5; | ||
pold(a) | – | varbūtība, ka koks vecuma dēļ atmirs vecumā a. |
Atsevišķu koku atmiruma modeļa (6.5. formula) 2019. gadā aproksimētās koeficientu vērtības
Valdošā suga | koeficienti | |||
α0 | α1 | α2 | α3 | |
Priede | -1.93898 | -0.12357 | -0.01722 | 0.09858 |
Egle | -2.32687 | -0.05696 | -0.07032 | 0.09103 |
Bērzs | -1.65877 | -0.09902 | -0.08416 | 0.1395 |
Melnalksnis | -1.61398 | -0.11819 | -0.07651 | 0.13553 |
Apse | -0.88444 | -0.14818 | -0.04931 | 0.12536 |
Baltalksnis | -1.53374 | -0.09677 | -0.10318 | 0.18633 |
6.2. Rezultāti
6.2.1. Koku augstuma pieaugums
Meža elementa vidējā augstuma un virsaugstuma modeļi pietiekami precīzi spēj raksturot koka augstuma pieaugumu (6.3. tabula), visām koku sugām vidējā periodiskā augstuma pieauguma novirze nepārsniedz ± 5 cm. Tomēr visām sugām šis rādītājs pamatā svārstās ± 50 cm robežās, un variācijas koeficients ir robežās 40%
– 65%, līdz ar to turpmākajā pētījumu gaitā nepieciešams šo modeli pilnveidot, lai samazinātu šo datu izkliedi. Ņemot vērā statistiskos rādītājus, atsevišķa koka augstuma modelēšanā šobrīd skuju kokiem ir ieteicams izmantot meža elementa vidējā augstuma modeli, bet lapu kokiem meža elementa virsaugstuma modeli.
6.3. tabula
Atsevišķu koku vidējā periodiskā augstuma pieauguma (cm gadā) statistiskie rādītāji
Modelis | Suga | Vid | MRES | MRES % | AMRES | RMSE | RMSE % | MSE | MEF | VR | R2 | N |
Hg | P | 0.21 | 0.01 | 4.83 | 0.10 | 0.12 | 55.64 | 0.01 | 0.53 | 0.35 | 0.48 | 1729 |
E 0.xx. | 0.32 | 0.03 | 10.42 | 0.12 | 0.14 | 43.31 | 0.02 | 0.60 | 0.50 | 0.44 | 1212 | |
B | 0.26 | -0.01 | -3.65 | 0.13 | 0.16 | 60.98 | 0.03 | 0.71 | 0.38 | 0.29 | 1586 | |
M | 0.26 | 0.01 | 3.16 | 0.12 | 0.15 | 56.56 | 0.02 | 0.64 | 0.28 | 0.37 | 473 | |
A | 0.39 | 0.03 | 7.12 | 0.15 | 0.18 | 45.48 | 0.03 | 0.69 | 0.59 | 0.35 | 193 | |
Ba | 0.29 | 0.04 | 12.93 | 0.13 | 0.17 | 57.35 | 0.03 | 0.83 | 0.44 | 0.24 | 217 | |
E 0.xx. | 0.21 | 0.01 | 5.42 | 0.11 | 0.13 | 62.96 | 0.02 | 0.86 | 0.42 | 0.19 | 1238 | |
Hdom | P | 0.21 | 0.04 | 16.57 | 0.10 | 0.12 | 57.89 | 0.02 | 0.58 | 0.32 | 0.49 | 1729 |
E 0.xx. | 0.32 | 0.04 | 13.69 | 0.12 | 0.14 | 43.92 | 0.02 | 0.62 | 0.50 | 0.45 | 1212 | |
B | 0.26 | -0.01 | -2.45 | 0.13 | 0.16 | 62.36 | 0.03 | 0.75 | 0.47 | 0.28 | 1586 | |
M | 0.26 | 0.01 | 4.24 | 0.12 | 0.14 | 56.39 | 0.02 | 0.63 | 0.33 | 0.37 | 473 | |
A | 0.39 | 0.02 | 6.04 | 0.15 | 0.18 | 46.17 | 0.03 | 0.71 | 0.63 | 0.34 | 193 | |
Ba | 0.29 | 0.02 | 6.73 | 0.14 | 0.17 | 58.84 | 0.03 | 0.87 | 0.64 | 0.24 | 217 | |
E 0.xx. | 0.21 | -0.02 | -10.86 | 0.11 | 0.14 | 65.16 | 0.02 | 0.92 | 0.56 | 0.20 | 1238 |
Hg – meža elementa vidējā augstuma modelis, Hdom – meža elementa virsaugstuma modelis.
P – priede, E 0.xx. – egle 1. stāvs, B – bērzs, M – melnalksnis, A – apse, Ba – baltalksnis, E 0.xx. – egle 2. stāvs.
Vid - aritmētiski vidējā uzmērītā vērtība, cm; MRES - vidējā novirze, cm; MRES% - procentuālā vidējā novirze; AMRES - vidējā absolūtā novirze, cm; RMSE – standartnovirze, cm; RMSE% - variācijas koeficients; MSE - vidējā kvadrātiskā kļūda, cm; MEF - modeļa efektivitātes indekss; VR - dispersijas attiecība; R2 - determinācijas koeficients; N - elementu skaits.
Starpībai starp uzmērīto un prognozēto vidējā periodiskā augstuma pieaugumu visām koku sugām konstatētas vājas lineāras sakarības ar meža elementa krūšaugstuma vecumu, mežaudzes šķērslaukumu un koka prognozēto augstumu bāzes vecumā jeb bonitāti. Lielā datu apjoma dēļ atsevišķos gadījumos šīs sakarības no matemātikas viedokļa ir statistiski būtiskas (α=0,05), bet visos gadījumos datu jeb punktu izvietojums atgādina “skrošu šāvienu” jeb haotisku punktu kopu. Tādēļ mēs varam apgalvot, ka modelis vienlīdz precīzi prognozē vērtības gan jaunās, gan vecās audzēs, gan retās gan biezās audzēs, gan auglīgās, gan mazāk auglīgās audzēs.
6.2.2. Koku caurmēra pieaugums
Atsevišķa koka šķērslaukuma pieauguma modelis pietiekami precīzi spēj raksturot koka caurmēra pieaugumu (6.4. tabula), visām koku sugām vidējā periodiskā caurmēra pieauguma novirze nepārsniedz ± vienu milimetru. Tomēr visām sugām šis rādītājs svārstās ± 0,6 cm robežās, un variācijas koeficients ir robežās 38% – 61%, līdz ar to turpmākajā pētījumu gaitā nepieciešams šo modeli pilnveidot, lai samazinātu šo datu izkliedi.
6.4. tabula
Atsevišķu koku caurmēra augšanas gaitas modeļa (6.1. formula) vidējā periodiskā caurmēra pieauguma (cm gadā) statistiskie rādītāji
Suga | Vid | MRES | MRES % | AMRES | RMSE | RMSE % | MSE | MEF | VR | R2 | N |
Priede | 0.23 | -0.03 | -12.43 | 0.10 | 0.13 | 55.68 | 0.02 | 0.62 | 0.61 | 0.431 | 4211 |
Egle | 0.31 | -0.04 | -12.22 | 0.14 | 0.17 | 55.21 | 0.03 | 0.67 | 0.51 | 0.373 | 4849 |
Bērzs | 0.26 | 0.00 | 0.58 | 0.11 | 0.15 | 57.68 | 0.02 | 0.54 | 0.45 | 0.463 | 2998 |
M-alksnis | 0.31 | 0.00 | 1.21 | 0.13 | 0.16 | 51.14 | 0.03 | 0.63 | 0.36 | 0.370 | 949 |
Apse | 0.54 | 0.04 | 7.79 | 0.17 | 0.21 | 38.85 | 0.04 | 0.57 | 0.41 | 0.451 | 365 |
B-alksnis | 0.24 | -0.01 | -5.26 | 0.11 | 0.15 | 60.87 | 0.02 | 0.76 | 0.22 | 0.250 | 593 |
Vid - aritmētiski vidējā uzmērītā vērtība, cm; MRES - vidējā novirze, cm; MRES% - procentuālā vidējā novirze; AMRES - vidējā absolūtā novirze, cm; RMSE – standartnovirze, cm; RMSE% - variācijas koeficients; MSE - vidējā kvadrātiskā kļūda, cm; MEF - modeļa efektivitātes indekss; VR - dispersijas attiecība; R2 - determinācijas koeficients; N - elementu skaits.
Starpībai starp uzmērīto un prognozēto vidējā periodiskā caurmēra pieaugumu visām koku sugām konstatētas vājas lineāras sakarības ar meža elementa krūšaugstuma vecumu, mežaudzes šķērslaukumu un koka prognozēto augstumu bāzes vecumā jeb bonitāti. Protams, lielā datu apjoma dēļ vairumā gadījumu šīs
sakarības no matemātikas viedokļa ir statistiski būtiskas (α=0,05), bet visos gadījumos datu jeb punktu izvietojums atgādina “skrošu šāvienu” jeb haotisku punktu kopu. Tādēļ mēs varam apgalvot, ka modelis vienlīdz precīzi prognozē vērtības gan jaunās, gan vecās audzēs, gan retās gan biezās audzēs, gan auglīgās, gan mazāk auglīgās audzēs.
6.2.3. Koku atmirums
Vispirms jāatzīmē, ka ar atsevišķa koka atmiruma modeli tiek prognozēta varbūtība vai koks aizies bojā konkurences vai vecuma dēļ. Ar šo modeli nav iespējams prognozēt vēja, dzīvnieku, kukaiņu vai uguns dēļ bojā gājušos kokus. Tāpat jāatzīmē, ka rezultāts ko ar modeli iegūst ir varbūtība, nevis binomināls rezultāts – koks ir dzīvs vai miris. Tādēļ lietotājam pašam ir jāvērtē pie kādas prognozētās vērtības koku atzīt vai neatzīt par bojā gājušu vai kādā veidā šo aprēķināto varbūtību iekļaut modelēšanas rīkā. Ja vienādojumu izmantotu augšanas gaitas simulatorā, tad sistēma ar atbilstošo varbūtību “izdzēstu” koku no dzīvo koku saraksta.
Prognozētā koku atmiruma varbūtība attiecībā pret koka likteni apkopota 6.5. tabulā.
6.5. tabula
Atsevišķu koku stāvoklis un prognozēta atmiruma varbūtība
Suga | Uzmērītai s stāvoklis | Aprēķinātā atmiršanas varbūtība | Kopā | |||||||||
<0.05 | 0.05- 0.14 | 0.15- 0.24 | 0.25- 0.34 | 0.35- 0.44 | 0.45- 0.54 | 0.55- 0.64 | 0.65- 0.74 | 0.75- 0.84 | 0.85 - 1.00 | |||
Priede | dzīvs | 3138 | 980 | 155 | 30 | 8 | 2 | 1 | 4314 | |||
beigts | 39 | 26 | 26 | 10 | 2 | 1 | 104 | |||||
kopā | 3177 | 1006 | 181 | 40 | 10 | 3 | 1 | 4418 | ||||
Egle | dzīvs | 3561 | 1449 | 26 | 1 | 1 | 5038 | |||||
beigts | 59 | 77 | 3 | 139 | ||||||||
kopā | 3620 | 1526 | 29 | 1 | 1 | 5177 | ||||||
Bērzs | dzīvs | 2172 | 817 | 247 | 68 | 28 | 4 | 4 | 4 | 3344 | ||
beigts | 25 | 18 | 7 | 6 | 2 | 1 | 59 | |||||
kopā | 2197 | 835 | 254 | 74 | 30 | 5 | 4 | 4 | 3403 | |||
Melnalksnis | dzīvs | 825 | 207 | 49 | 29 | 9 | 1 | 1120 | ||||
beigts | 5 | 5 | 3 | 2 | 15 | |||||||
kopā | 830 | 212 | 52 | 31 | 9 | 1 | 1135 | |||||
Apse | dzīvs | 290 | 70 | 27 | 12 | 10 | 4 | 1 | 1 | 415 | ||
beigts | 1 | 3 | 1 | 2 | 1 | 8 | ||||||
kopā | 291 | 73 | 28 | 14 | 10 | 4 | 2 | 1 | 423 | |||
Baltalksnis | dzīvs | 322 | 183 | 95 | 49 | 35 | 10 | 9 | 703 | |||
beigts | 5 | 6 | 6 | 3 | 4 | 7 | 2 | 1 | 1 | 35 | ||
kopā | 327 | 189 | 101 | 52 | 39 | 17 | 11 | 1 | 1 | 738 | ||
Iegūtos rezultātus ir salīdzinoši grūti analizēt, bet no rezultātiem var secināt, ka ir gana daudz koku, kuriem ir aprēķināta salīdzinoši liela varbūtība, ka tie atmirs, bet tie spēj izdzīvot. Turpmākajos pētījumos nepieciešams uzlabot atmiruma prognožu modeli, iekļaujot tajā vēl papildus rādītājus. Atmiruma modeli noteikti būtu jāpapildina ar mainīgo, kas raksturotu cik ilgi koks atrodas “nomākts” vai pārlieku lielā konkurencē. Jo koks neilgu laiku spēj izdzīvot šādos apstākļos, bet ilgstoši nē.
7. Vidējā augstuma aprēķins pirmajam stāvam, izmantojot LGIA LiDAR datus
Darba uzdevums - izveidot mežaudzes 1.stāva vidējā augstuma aprēķina modeli ArcGIS, izmantojot uz LĢIA LiDAR datiem veidotu CHM rastra slāni.
7.1. Problēmas pamatnostādnes
LĢIA LiDAR lauku datu ieguves kampaņa notiek laika posmā no 2013. līdz 2019. gadam. Uzlidojumi dažādās Latvijas vietās notikuši dažādos gados (7.1.att.), bet arī dažādās sezonās, izmantojot dažādus sensorus un sensoru uzstādījumus. Ņemot vērā, ka daļā gadījumu skenēšana notikusi laikā, kad lapu koki ir bezlapotā stāvoklī, ticamākais, ka lāzerskenēšanas rezultāti ir ar sistemātisku kļūdu. CHM (Canopy height model) izveide no LAS datiem ir realizējama ar dažādām datorprogrammām, kā arī izmantojot dažādus uzstādījumus, tādēļ pat izmantojot vienus un tos pašus .las datus var iegūt atšķirīgus rezultātus.
7.1. attēls. Lāzerskenēšanas gads dažādās Latvijas teritorijas daļās attēlots ar dažādiem toņiem
Konceptuālā pieeja balstīta uz sakarību starp virsaugstumu un vidējo augstumu, kas ir atkarīgs no koku sugas, koku dimensijām un koku skaita uz ha. Šī pētījuma kontekstā virsaugstums ir 100 lielāko vienmērīgi izvietotu koku uz ha vidējais augstums, pieņemot, ka virsaugstumam atbilstošs ir 100m2 laukuma vienībā esoša lielākā koka augstums.
7.2. Materiāls un metodika
7.2.1. MSI datu atlase
ArcGIS 10.5 programmā atlasīti meža statistiskās inventarizācijas parauglaukumi, kuri atbilda sekojošiem nosacījumiem: uzmērīti no 2013. līdz 2017.g.; parauglaukums nav dalīts sektoros; zemes kategorija mežs vai mežs lauksaimniecības zemē; 1.stāva valdošās koku sugas vidējais augstums Hvid>=5m; 1.stāva valdošās un 1.stāva piemistrojuma sugu augstuma atšķirības nepārsniedz 5m vai 20% no Hvid.
7.2.2. LĢIA LAS datu atlase
Pētījumam izmantoti LVMI Silava rīcībā esošie LĢIA veidotie LAS faili, kā arī informācija par teritorijas lāzerskenēšanas datumu.
Datorprogrammā ArcGIS 10.5 ar funkciju LAS Point Statistics as Raster no LĢIA LiDAR .las datu failiem aprēķināti visu MSI parauglaukumu, par kuriem pieejami LiDAR dati, (n=2641) un to 6m buferzonas digitālā augstuma modeļi (DTM), izmantojot punktus, kas klasificēti kā “zeme”. Savukārt vainagu augstuma modeļa (CHM) rastra slānis aprēķināts kā starpība starp DTM un virsmas augstuma modeli (DSM), balstot uz punktiem, kas klasificēti kā “zemā, vidējā vai augstā veģetācija”. Izvēlne Z_RANGE, sampling option CELLSIZE. Sampling Value – Sampling value. CHM slānis izrēķināts 2 variantos - 1m pikselis (1m2) kā starpība starp max. un min. vērtību un pēc tam pārrēķināts, izmantojot rīku “Aggregate” uz 10m pikseli (100m2) max no aprēķinātajām
starpībām, vērtību noapaļojot uz veselu skaitli (integer). Pēc tam katram parauglaukumam (poligonam) aprēķināta, CHM rastra zonālā statistika (min., max, average, stdev utt.). Tāpat papildus katram poligonam aprēķināts CHM (1m) vērtību sadalījums 1m augstuma grupās. Xxxxxx MSI parauglaukuma poligonam ar funkciju “spatial join” piesaistīta LĢIA informācija (no .shp) par LiDAR skenēšanas datumu. Līdzīgi MSI parauglaukuma poligoniem līdz ar audzes I stāva taksācijas rādītājiem papildus pievienots lauks par MSI parauglaukuma pēdējo uzmērīšanas datumu (2013.-2017. gadā). Xxxxxx MSI parauglaukumam, aprēķināts
pirmā stāva valdošā meža izmantojot sekojošu sakarību: , kur
Hg= 1.stāva valdošās sugas vidējais augstums Hdom – 1.stāva valdošās sugas virsaugstums N – 1.stāva koku skaits
b1,b2,b3 koeficienti, kuru vērtības atspoguļotas 7.1.tabulā.
Koeficientu vērtības virsaugstuma un vidējā augstuma sakarību aprēķinam
7.1.tabula
Suga | b1 | b2 | b3 |
Priede | 1.09 | 1.03 | -0.04 |
Egle | 1.18 | 1.03 | -0.06 |
Bērzs | 1.20 | 1.02 | -0.06 |
Melnalksnis | 1.16 | 1.01 | -0.04 |
Apse | 1.05 | 1.04 | -0.04 |
Baltalksnis | 1.17 | 1.01 | -0.04 |
Ozols | 1.09 | 1.03 | -0.04 |
Osis | 1.18 | 1.03 | -0.06 |
Izveidota datu bāze augstumu starpību aprēķinam starp MSI parauglaukumos uzmērīto vidējo augstumu, virsaugstumu un CHM datos konstatēto augstumu. Tālākajiem aprēķiniem izmantoti parauglaukumi, kuriem atšķirība starp uzmērīšanas laiku un LiDAR datu ieguves laiku nepārsniedz ±1sezonu (šādiem nosacījumiem atbilst 1021 MSI parauglaukums).
Datu analīze veikta izmantojot lineāro regresiju datorprogrammā SPSS14.
7.3. Rezultāti
7.3.1.Vispārējā sakarība starp CHM max vērtībām un aprēķināto virsaugstumu un vidējo augstumu Salīdzinot maksimālās CHM vērtības MSI parauglaukumos ar 1.stāva uzmērīto vidējo augstumu un aprēķināto virsaugstumu (skat. 7.2.tabula), konstatēts, ka visām sugām uzmērītais koku augstums ir sistemātiski lielāks nekā augstums, kas noteikts kā CHM maksimālā vērtība četriem MSI parauglaukumam atbilstošu 10x10m pikseļiem. Lai arī formāli CHM būtu jāatbilst virsaugstumam, tomēr konstatēts, ka vidējais augstums ir tuvāks CHM vērtībai.
Salīdzinot CHM vērtības, kas iegūtas no pavasarī (līdz aprīļa beigām) un rudenī (oktobrī vai vēlāk) iegūtiem LiDAR datiem, t.i., situācijā, kad lielākā daļa lapu koki ir bezlapotā stāvoklī atšķirības ir vēl ievērojamākas. Piem., bērzu parauglaukumos uzmērītais Hvid ir vidēji 2.3m lielāks par CHM nekā lapotā stāvoklī, kad atšķirība starp CHM un vidējo augstumu ir 1.4m.
7.2.tabula
Virsaugstuma un vidējā augstuma sakarības ar CHM*
Kopējais | Nelapotā stāvoklī | Lapotā stāvoklī | |||||||||||
Suga | Rādītājs | Vidējais | SDEV | n | H starpība ar CHM | Vidējais | SDEV | n | H starpība a | Vidējais | SDEV | n | H starpība ar CHM |
Priede | Hdom | 22.4 | 6.9 | 412 | 2.71 | 21.8 | 7.7 | 172 | 2.76 | 22.8 | 6.2 | 240 | 2.67 |
CHM_MAX10 | 19.7 | 6.9 | 0.0 | 19.0 | 7.7 | 0.0 | 20.1 | 6.2 | 0.0 | ||||
H_VID | 21.1 | 6.8 | 1.47 | 20.6 | 7.7 | 1.55 | 21.5 | 6.1 | 1.41 | ||||
Egle | Hdom | 22.9 | 6.6 | 176 | 3.49 | 23.4 | 6.7 | 88 | 3.49 | 22.3 | 6.5 | 88 | 3.49 |
CHM_MAX10 | 19.4 | 7.2 | 0.0 | 20.0 | 7.3 | 0.0 | 18.8 | 7.1 | 0.0 | ||||
H_VID | 20.6 | 6.4 | 1.20 | 21.1 | 6.5 | 1.19 | 20.0 | 6.3 | 1.22 | ||||
Bērzs | Hdom | 23.1 | 7.1 | 265 | 4.43 | 22.6 | 7.8 | 115 | 4.75 | 23.4 | 6.4 | 150 | 4.19 |
CHM_MAX10 | 18.6 | 7.3 | 0.0 | 17.9 | 8.4 | 0.0 | 19.2 | 6.3 | 0.0 | ||||
H_VID | 20.4 | 6.8 | 1.80 | 20.2 | 7.6 | 2.28 | 20.7 | 6.1 | 1.43 | ||||
Melnalksnis | Hdom | 21.3 | 6.6 | 51 | 3.06 | 23.0 | 4.5 | 14 | 3.89 | 20.6 | 7.2 | 37 | 2.75 |
CHM_MAX10 | 18.2 | 6.2 | 0.0 | 19.1 | 3.9 | 0.0 | 17.9 | 6.9 | 0.0 | ||||
H_VID | 19.8 | 6.3 | 1.63 | 21.6 | 4.5 | 2.46 | 19.2 | 6.8 | 1.32 | ||||
Apse | Hdom | 25.0 | 9.4 | 65 | 4.15 | 24.6 | 9.4 | 34 | 4.40 | 25.4 | 9.6 | 31 | 3.88 |
CHM_MAX10 | 20.8 | 9.7 | 0.0 | 20.2 | 9.9 | 0.0 | 21.5 | 9.6 | 0.0 | ||||
H_VID | 23.8 | 9.7 | 2.99 | 23.4 | 9.8 | 3.24 | 24.2 | 9.8 | 2.72 | ||||
Baltalksnis | Hdom | 16.6 | 4.7 | 52 | 1.33 | 17.1 | 4.2 | 22 | 1.49 | 16.2 | 5.1 | 30 | 1.21 |
CHM_MAX10 | 15.3 | 4.9 | 0.0 | 15.6 | 4.3 | 0.0 | 15.0 | 5.4 | 0.0 | ||||
| H_VID | 15.2 | 4.6 |
| -0.08 | 15.8 | 4.1 |
| 0.16 | 14.8 | 4.9 |
| -0.26 |
* Aprēķinos pieņemts, ka bezlapotā stāvoklī (leaves=off) lapu koki ir no oktobra līdz aprīlim.
7.3.2. Regresijas vienādojums CHM max vērtībām un vidējo augstumu aproksimācijai
Vidējā augstuma sakarības (regresijas vienādojumu koeficienti) ar CHM atkarībā no valdošās koku sugas un LiDAR skenēšanas sezonas (veģetācijas periodā vai ārpus veģetācijas perioda), kas aprēķinātas kā pakāpes funkcija, atspoguļotas 7.3.tabulā.
7.3.tabula
Vidējā augstuma pakāpes regresijas koeficienti sakarības ar CHM atkarībā no valdošās koku sugas un LiDAR skenēšanas sezonas (veģetācijas periodā vai ārpus veģetācijas perioda)*
Variants | Model | Unstandardized Coefficients | Standardized Coefficients | t | Sig. | |
B | Std. Error | Beta | ||||
a. VALD_SU = 1, LEAVES = off | ln(CHM_MAX10) | .882 | .017 | .971 | 52.247 | .000 |
(Constant) | 1.514 | .074 | 20.370 | .000 | ||
a. VALD_SU = 1, LEAVES = on | ln(CHM_MAX10) | .866 | .018 | .953 | 48.001 | .000 |
(Constant) | 1.601 | .086 | 18.633 | .000 | ||
a. VALD_SU = 3, LEAVES = off | ln(CHM_MAX10) | .789 | .036 | .922 | 21.800 | .000 |
(Constant) | 2.000 | .215 | 9.305 | .000 | ||
a. VALD_SU = 3, LEAVES = on | ln(CHM_MAX10) | .809 | .040 | .911 | 20.036 | .000 |
(Constant) | 1.854 | .220 | 8.445 | .000 | ||
a. VALD_SU = 4, LEAVES = off | ln(CHM_MAX10) | .831 | .031 | .938 | 26.855 | .000 |
(Constant) | 1.757 | .158 | 11.147 | .000 | ||
a. VALD_SU = 4, LEAVES = on | ln(CHM_MAX10) | .831 | .030 | .920 | 27.778 | .000 |
(Constant) | 1.767 | .156 | 11.351 | .000 | ||
a. VALD_SU = 6, LEAVES = off | ln(CHM_MAX10) | .745 | .183 | .761 | 4.064 | .002 |
(Constant) | 2.382 | 1.283 | 1.857 | .088 | ||
a. VALD_SU = 6, LEAVES = on | ln(CHM_MAX10) | .924 | .050 | .954 | 18.502 | .000 |
(Constant) | 1.327 | .190 | 7.001 | .000 | ||
a. VALD_SU = 8, LEAVES = off | ln(CHM_MAX10) | .813 | .051 | .945 | 15.873 | .000 |
(Constant) | 2.028 | .311 | 6.530 | .000 | ||
a. VALD_SU = 8, LEAVES = on | ln(CHM_MAX10) | .923 | .055 | .956 | 16.921 | .000 |
(Constant) | 1.418 | .238 | 5.969 | .000 | ||
a. VALD_SU = 9, LEAVES = off | ln(CHM_MAX10) | .871 | .129 | .833 | 6.736 | .000 |
(Constant) | 1.434 | .505 | 2.838 | .010 | ||
a. VALD_SU = 9, LEAVES = on | ln(CHM_MAX10) | .967 | .095 | .901 | 10.153 | .000 |
(Constant) | 1.104 | .284 | 3.885 | .001 | ||
* Aprēķinos pieņemts, ka bezlapotā stāvoklī (leaves=off) lapu koki ir no oktobra līdz aprīlim.
Ņemot vērā nelielo melnalkšņu parauglaukumu skaitu, iespējams, ka tā aprēķiniem izmantojami baltalkšņa vienādojumu koeficienti.
7.4. Priekšlikums modelim
Vispārējā piedāvātā nogabalu vidējā augstuma aprēķinu shēma:
1.solis. CHM aprēķins (izmantojot .las datus) 2x2m pikseļa rastra karte (pa 1x1km vai 5x5km karšu lapām). 2.solis. Neloģisko vērtību (CHM>45m) aizstāšana ar 0.
3.solis. CHM (max) pārrēķināšana uz 10x10m pikselim no 2.solī iegūtās rastra kartes, izmantojot funkciju Aggregate (maximum).
4.solis. CHM pikseļu (10x10m) vērtību sadalījums pa augstumiem tabulas aprēķins i nogabalam (toolbox). Augstumu sadalījumu ģenerēšana
5.solis. Šķērstabulas (pivottable) izveide ArcGIS vidē
6. solis. i-tā nogabala CHM augstumu sadalījuma kumulātas izveide no šķērstabulas datiem un 95% vērtībai atbilstošā augstuma aprēķināšana. (Realizējama datubāzē).
7.solis. Nogabalu poligonu sasaiste ar atribūtu datiem par lāzerskenēšanas datumu.
8.solis. Vidējā augstuma aprēķins atkarībā no S10 un CHM 95% kumulātas vērtībai atbilstošā augstuma un uzmērīšanas sezonas (veģetācijas periodā vai ārpus veģetācijas perioda) lāzerskenēšanas laikā.
Hvid=const*CHM^c2
Atbilstošie regresijas vienādojuma koeficienti constant un ln(CHM_MAX10) atspoguļoti 7.3. tabulā. 9.solis. Aprēķinātā vidējā augstuma skenēšanas laikā pievienošana datu bāzei.
Modeļa prototips izveidots uz lokāliem datiem Desktop ArcGIS 10.5 versijā. Tā izmantošanai LVM vajadzībām, nepieciešama atbilstoša pielāgošana LVM datu bāžu struktūrai.
8. Vidējā augstuma pieauguma aprēķina modelis balstot uz LiDAR datiem
Darba uzdevums izveidot modeli ArcGIS, kurā, ņemot vērā aprēķina datumu un LiDAR datu iegūšanas datumu, kombinējot ar GEO doto valdošās koku sugu kodu un vecumu, prognozē augstuma pieaugumu 2. darba uzdevuma ietvaros aprēķināto 1.stāva koku vidējo augstumu.
Modelis izmantojams audzēm, kas skenēšanas laikā bija augstākas par 5m un nav nocirstas laika posmā starp skenēšanu un aktuālo datu bāzes versijas izstrādes brīdi.
1. Solis. Nogabala poligona vidējā augstuma aprēķins lāzerskenēšanas brīdī, izmantojot 8.nodaļā aprakstītās regresijas vienādojumu sakarības.
2. Solis. Laika posma, kopš LiDAR datu ieguves (aktualizācijas perioda garuma) aprēķins – veģetācijas periodu skaita starpība starp tekošo datumu un lāzerskenēšanas datumu.
3. Solis. Audzes vecuma aprēķins lāzerskenēšanas laikā.
Vecums aprēķinu veikšanas brīdī - laika posma garums (veģetācijas periodu skaits).
4. Solis. Nogabala valdošās sugas krūšaugstuma vecuma aprēķins lāzerskenēšanas laikā.
Starpība starp A1.3 (krūšaugstuma vecumu) un A (bioloģisko vecumu) valdošajai suga (kods A10) nosakāma atkarībā no koku sugas (S10) un audzes bonitātes (0-6).
5. Solis. Vidējā augstuma aktualizācija izmantojot 2.darba uzdevumā aprēķinātos 2.1. formulas atbilstošo sugu koeficientus.
Darba uzdevums. Dažādvecuma audžu augšanas gaitas modeļu izstrādei nepieciešamo iepriekš ierīkoto parauglaukumu pārmērīšana (50 objekti).
9.1. Lauku darbu metodika
9. darba uzdevums. Dažādvecuma audžu augšanas gaitas modeļu izstrādei nepieciešamo iepriekš ierīkoto parauglaukumu pārmērīšana (50 objekti).
Iepriekšējās kokaudzes (mātes audzes) struktūras novērtēšana
Audzes telpiskās struktūras raksturošanai pārmērīti 2004.-2016. gadā iekārtotie 50 objekti mētrāja (14 objekti), lāna (19 objekti), damakšņa (13 objekti), mētru āreņa (2 objekti) un šaurlapu kūdreņa (2 objekti) meža tipos. 49 objekti izvietoti priežu audzēs, viens objekts egļu audzē. Šajās audzēs izlases vai pakāpeniskās cirtes pirmais paņēmiens veikts laika periodā no 1995. līdz 2013. gadam. Sešās audzēs veikta grupu cirte, bet 44 audzēs vienlaidus cirte.
Objektos iepriekšējās kokaudzes struktūra novērtēta 2 līdz 12 gab. 500m2 (R=12.62 m) parauglaukumos (kopā 288 PL). Katram kokam fiksēta – suga, pašreizējā stāvokļa klase (dzīvs, sausoknis, stumbenis, kritala, celms), caurmērs krūšaugstumā (D1.3). Audzēs, kur pirmais uzmērījums veikts 2012. gadā, visā PL (500 m2) uzmērīti koki, kuru caurmērs krūšaugstumā pārsniedz 14.0 cm. Kokus, kuru caurmērs nepārsniedza 14.0 cm, bet bija lielāks par 6.0 cm, uzmērīti 5.64m (100 m2). Koki, kuru caurmērs 2.1 līdz 6.0 cm, uzmērīti 3.99 m lielā rādiusā (50 m2). Pārējās audzēs visā PL uzmērīti koki, kuru caurmērs krūšaugstumā pārsniedza 6.0 cm. Koki, kuru caurmērs no 2.1 cm līdz 6.0 cm, uzmērīti 3.99 m lielā rādiusā (50 m2). Koku augstumi uzmērīti izlases veidā, katram meža elementam atsevišķi, vismaz 9 kokiem katrā objektā.
(Dabiskās) atjaunošanās uzskaite
Uzskaite veikta 25 m2 (R=1.82 m) lielos apļveida uzskaites laukumus. Dabiski atjaunojušos skujkoku koki uzskaitīti visi, neatkarīgi no to savstarpējā attāluma, bet lapu kokiem katrai sugai uzskaitīts atbilstoši viens augstākais koks 0.25 m2. Uzskaitīti koki, kas sasnieguši 5 cm augstumu. Uzskaitītie koki grupēti pa sugām un
0.1 m augstumu grupām, atsevišķi izdalot bojātos kokus. Audzēs, kur veikta vienlaidus cirte, katrā parauglaukumā ierīkoti 3 uzskaites laukumi – viens parauglaukuma centrā un divi 6 m attālumā uz Z un D no parauglaukuma centra (izņemot Cēsis-Dm, kur mērīti arī UL 6 m attālumā uz A un R no parauglaukuma centra). Audzēs, kur veikta grupu cirte uzskaites laukumi izvietoti atvērumu centrā un 6, 12 un 18 m attālumā no atvērumu centra četros debespušu virzienos (Z, D, A, R). Kopumā atjaunošanās uzskaite veikta 878 atjaunošanās uzskaites laukumos.
9.2. Rezultāti
Kopējais ierīkoto objektu apjoms un taksācijas rādītāju dati atspoguļoti 9.1.tabulā.
Kopumā pārmērīti vai apsekoti 3899 koki, bet no jauna uzmērīti 1349 ieaugušies koki. Pirmā stāva koku atmirums objektiem, kas pārmērīti 3-5 gadus pēc iepriekšējā uzmērījuma ir 2.6±0.4% no pirmā stāva koku šķērslaukuma, bet objektiem kas pārmērīti 6-8 gadus pēc iepriekšējā uzmērījuma - 3.5±0.7%. 16 objektos nav konstatēts neviens atmiris pirmā stāva koks. Četros grupu ciršu objektos ir veikts otrais cirtes paņēmiens nocērtot 17.0-52.8% no pirmā stāva koku šķērslaukuma. Vienā grupu ciršu objektā ir veikts trešais noslēdzošais cirtes paņēmiens un vienā vienlaidus ciršu objektā ir veikts otrais noslēdzošais cirtes paņēmiens, nocērtot praktiski visus mātesaudzes kokus. Vēl vienā vienlaidus ciršu objektā ir paredzēts cirst otro noslēdzošo cirtes paņēmienu 2020/2021.g. ziemā.
9.1. tabula
Uzmērīto objektu raksturojums
Objekts | Cirtes veids | Cirtes gads | MT | Sastāvs | D, cm | H, m | G, m2ha-1 | M, m3ha-1 | N, ha-1 |
000-000-00 | vienlaidus | 2007 | Dm | 9P1E | 35,5 | 31,3 | 29,6 | 418,3 | 307 |
000-000-00 | vienlaidus | 2013 | Dm | 10P | 55,4 | 33,8 | 14,5 | 219,6 | 60 |
104-162-25Dm | vienlaidus | 2013 | Dm | 10P | 57,6 | 32,6 | 17,0 | 245,6 | 65 |
104-162-25Ln | vienlaidus | 2013 | Ln | 10P | 51,5 | 32,6 | 16,6 | 242,5 | 80 |
000-000-00 | vienlaidus | 2013 | Ln | 10P | 43,3 | 31,0 | 30,2 | 418,8 | 205 |
000-00-00 | vienlaidus | 2006 | Ks | 8P2E | 31,5 | 26,7 | 20,2 | 235,2 | 264 |
000-000-0 | vienlaidus | 2009 | Mr | 10P | 32,3 | 27,0 | 19,6 | 242,9 | 240 |
000-000-0 | vienlaidus | 2012 | Dm | 9P1E | 44,7 | 29,2 | 16,4 | 215,8 | 100 |
000-000-00 | vienlaidus | 2012 | Ln | 7P3E | 46,6 | 32,1 | 22,4 | 323,3 | 130 |
000-000-0 | vienlaidus | 2002 | Mr | 10P | 46,0 | 27,2 | 16,6 | 202,2 | 100 |
000-000-0 | vienlaidus | 2006 | Dm | 7E2P1B | 38,8 | 31,0 | 37,7 | 532,7 | 311 |
000-000-00 | vienlaidus | 2009 | Ln | 10P | 35,7 | 26,6 | 23,0 | 277,2 | 230 |
601-350-4-10 | vienlaidus | 2009 | Ln | 10P | 39,0 | 27,6 | 13,8 | 171,8 | 116 |
000-000-0 | vienlaidus | 2003 | Ln | 10P | 47,1 | 29,9 | 18,6 | 248,9 | 107 |
000-000-0 | vienlaidus | 2009 | Ln | 10P | 35,8 | 26,1 | 13,4 | 158,4 | 133 |
000-000-0 | vienlaidus | 2009 | Ln | 10P | 32,5 | 25,7 | 17,4 | 202,6 | 210 |
000-00-00 | grupu | 2002 | Ln | 7P3E | 37,2 | 28,3 | 24,3 | 313,9 | 253 |
000-000-00 | vienlaidus | 2011 | Ln | 10P | 36,9 | 25,4 | 16,6 | 190,0 | 155 |
000-000-00 | vienlaidus | 2011 | Am | 10P | 34,6 | 23,3 | 14,1 | 149,4 | 150 |
000-000-00 | vienlaidus | 2011 | Mr | 10P | 37,1 | 24,6 | 8,6 | 96,1 | 80 |
000-000-0 | vienlaidus | 2011 | Am | 10P | 31,9 | 20,8 | 18,8 | 178,4 | 235 |
000-00-00 | grupu | 1999 | Mr | 10P | 32,3 | 22,0 | 13,1 | 133,3 | 160 |
000-000-00 | vienlaidus | 2006 | Dm | 10P | 40,2 | 30,6 | 18,6 | 255,3 | 147 |
000-000-00 | vienlaidus | 2000 | Mr | 10P | 38,3 | 25,6 | 15,6 | 179,9 | 136 |
714-56-1 | vienlaidus | 2002 | Dm | 10P | 49,6 | 31,9 | 13,3 | 196,3 | 69 |
Abava220 | grupu | 2001 | Mr | 10P | 36,7 | 25,2 | 12,2 | 138,3 | 115 |
Akmensrags19 | grupu | 2003 | Ln | 9P1E | 46,8 | 30,6 | 43,1 | 578,5 | 340 |
Akmensrags77 | grupu | 2003 | Mr | 10P | 40,4 | 25,9 | 29,6 | 341,1 | 270 |
Cesis | vienlaidus | 1995 | Ln | 10P | 53,1 | 29,7 | 13,4 | 177,4 | 60 |
Cesis-Dm | vienlaidus | 1995 | Dm | 10P | 49,6 | 33,7 | 10,6 | 159,7 | 55 |
Engure308-5 | vienlaidus | 2003 | Ln | 10P | 37,5 | 28,3 | 12,3 | 157,3 | 110 |
Engure371 | vienlaidus | 2003 | Ln | 10P | 24,3 | 20,1 | 21,9 | 205,5 | 460 |
Garkalne112-8 | vienlaidus | 2002 | Mr | 10P | 39,7 | 25,3 | 19,8 | 225,1 | 160 |
Garkalne113-10 | vienlaidus | 2002 | Mr | 10P | 39,6 | 26,5 | 21,6 | 257,3 | 175 |
Garkalne128-1-3 | vienlaidus | 2002 | Mr | 10P | 37,6 | 25,9 | 25,0 | 291,8 | 225 |
Garkalne128-1-5 | vienlaidus | 2002 | Mr | 10P | 39,6 | 26,2 | 17,9 | 210,3 | 145 |
Garkalne128-5 | vienlaidus | 2002 | Ks | 10P | 41,1 | 28,1 | 28,4 | 351,5 | 295 |
Garkalne170-5 | vienlaidus | 2002 | Mr | 10P | 40,2 | 23,8 | 8,5 | 83,0 | 185 |
Garkalne239-2 | vienlaidus | 2002 | Mr | 10P | 37,3 | 26,3 | 17,1 | 202,6 | 160 |
Garkalne240 | vienlaidus | 2002 | Mr | 10P | 37,0 | 24,4 | 18,2 | 197,9 | 230 |
KNP-111-11 | vienlaidus | 2001 | Dm | 10P | 50,3 | 31,0 | 28,9 | 399,0 | 145 |
KNP-111-17 | vienlaidus | 2001 | Dm | 7P3E | 45,6 | 31,2 | 31,3 | 440,9 | 180 |
KNP-137-2log | grupu | 2001 | Ln | 10P | 37,7 | 29,2 | 29,9 | 376,4 | 437 |
Objekts | Cirtes veids | Cirtes gads | MT | Sastāvs | D, cm | H, m | G, m2ha-1 | M, m3ha-1 | N, ha-1 |
KNP-137-7;8 | vienlaidus | 2001 | Dm | 7P2B1E | 37,3 | 27,7 | 13,7 | 166,6 | 155 |
KNP-137-7-2gat | vienlaidus | 2001 | Ln | 10P | 44,2 | 30,2 | 26,5 | 358,3 | 175 |
KNP-137-7-2neg | vienlaidus | 2001 | Ln | 10P | 46,2 | 30,1 | 21,8 | 293,5 | 130 |
Mezole126 | vienlaidus | 2005 | Ln | 10P | 37,9 | 28,5 | 19,2 | 249,2 | 156 |
Taurkalne23-5 | vienlaidus | 2005 | Ln | 10P | 41,4 | 31,9 | 36,9 | 527,7 | 285 |
Valmiera | vienlaidus | 1995 | Dm | 8P2E | 53,5 | 32,5 | 14,8 | 211,0 | 70 |
Vijciems | vienlaidus | 2005 | Dm | 10P | 45,9 | 31,1 | 31,2 | 431,1 | 200 |
10.1. Augošu koku krājas sadalījums atbilstoši caurmēra un augstuma grupām
Plānojot meža apsaimniekošanu ar nekailciršu metodēm (izlases cirtes), būtiski ir nodalīt vai konkrētajā nogabalā tiks saimniekots uz atsevišķu koku vai visu nogabalu. Attiecīgi izvēloties klasiskajā izpratnē – izlases ciršu metodes vai pakāpenisko ciršu metodes. Pirmajā gadījumā (klasiskās izlases cirtes) nogabals vai to grupa tiek apsaimniekoti „uz individuālu” koku vai nelielu to grupu (regulētās izlases cirtes egļu mežos) vai lielākām grupām (grupu izlases cirtes priežu, bērzu u.c. gaismas prasīgu koku sugu dominējošās audzēs), mežaudzē veidojot saliktu kokaudzi. Klasisko izlases ciršu gadījumā ir svarīgs koku sadalījums pa caurmēra pakāpēm, un praktiski nenozīmīgs kļūst audzes vecuma jēdziens. Savukārt saimniekojot ar pakāpeniskajām cirtēm savu nozīmi saglabā audžu sadalījums pa vecumklasēm īpašumā vai plānošanas vienībā (iecirknis, konkrēta izvēlēta teritorija, mežsaimniecība utt.).
Modelēšanā pieņem, ka meža tips nemainās, audzes vecumu nosaka atbilstoši I stāva valdošās koku sugas vecumam. Audzes, kuras apsaimnieko ar izlases cirtēm, tiek uzskatītas par dažādvecuma audzēm.
1. Augstuma pieaugumu modelē atbilstoši mūsu izstrādāto virsaugstuma bonitāšu aproksimācijai, pieņemot, ka atbilstošā caurmēra koki ir nosacīti piederīgi “vecuma grupai”.
2. Diametra pieaugumu modelē atbilstoši vidējo D pieaugumu vērtībām (izstrādāts šī projekta ietvarā).
3. Koku atmiršanu modelē atbilstoši izstrādātajiem atmiršanas modeļiem (izstrādāts šī projekta ietvarā).
4. Koku tilpumu aprēķina atbilstoši X. Xxxxxxx (Xxxxxxx, 2002) tilpuma formulām.
5. Sākotnējais koku sadalījums pa caurmēra pakāpēm atbilstoši aproksimētam Veibula sadalījumam vai konkrētā gadījumā atbilstoši veiktajiem mērījumiem dabā.
6. Koku šķērslaukumu aprēķina atbilstoši dzīvo koku krājai un šķērslaukumam.
Augošu koku krāja
Augošu koku krāja parauglaukumos svārstās no 200m3ha-1 līdz pat 500m3ha-1. Pēdējais skaitlis gan atspoguļo grupu pakāpeniskajā necirstās daļas krāju. 10 gadu laikā šķērslaukums vidēji ir palielinājies par 1-3 m2ha-1.
Koku sadalījums pa caurmēra grupām
Klasiskā izlases ciršu saimniecībā tiek uzskatīts, ka ilgtspējīgi iespējams apsaimniekot mežus, ja koku sadalījums par caurmēra pakāpēm atbilst negatīvam eksponenciālajam sadalījumam (apgāzts J veida sadalījums) (Peng, 2000), kas nodrošina pietiekamu jaunāko / mazāko koku esamību audzē. Tomēr jau kādu laiku koku sadalījuma atbilstība negatīvajam eksponenciālajam sadalījumam vairs netiek uzskatīta par vienīgo sadalījumu, kas norāda uz ilgtspējību, jo pierādīts, ka ilgtspējīgs var būt arī citi sadalījumi, piem., apgāzts sigmoidāls sadalījums, kā arī bimodāli, vai pat multimodāli sadalījumi (Cancino, von Gadow, 2002).
Koku gatavums ciršanai lielā mērā ir atkarīga no to dimensijām, sugas, kvalitātes, paredzamās dzīvotspējas. Tādēļ paliekošās krājas regulācijai tiek izmantoti tādi rādītāji kā:
• Optimālā saglabājamā krāja (šķērslaukums);
• Ciršanas gatavuma slieksnis;
• Cirtes intervāls;
• Ikgadējā pieļaujamā cirte;
• Izcērtamo koku izvēles kritēriji.
Augstāk minēto faktoru lielumi, ietekmē arī audzes atjaunošanas / atjaunošanās stratēģiju.
Vecuma/diametru sadalījums
Analizēts tikai koku dimensiju sadalījums, jo dimensijas it īpaši ēncietīgām sugām daudz lielākā mērā nosaka koka tālākās attīstības iespējas nekā tā fiziskais vecums.
Modelēšanā pieņem, ka koku krūšaugstuma caurmēru sadalījums aprakstāms ar Veibula sadalījumu. Veibula sadalījuma parametri tiek modelēti izmantojot lauku datos uzmērīto koku sadalījumu rezultātus. Tomēr praktiskai izmantošanai var arī sākotnējos parametros ievadīt lauku datos empīrisko koku sadalījumu pa caurmēra pakāpēm, kas iegūts parauglaukumos vai vienlaidus dastojumā. Tā kā lielākajā daļā gadījumu audzes apsaimniekošanā audzes attīstība notiek viļņveidīgi, tad sadalījums tiek aprēķināts atsevišķi katram meža elementam, bet kopējas sadalījums ir kā atsevišķu meža elementu koku caurmēru sadalījumu summa.
10.2. Atjaunošanas / atjaunošanās sekmīgums
Aprēķinos var pieņemt, ka priede 9-12 gadus pēc cirtes veikšanas vismaz 400 koki ha-1 būs atbilstoši 10.1.tabulā atspoguļotajiem apjomiem.
10.1.tabula
Dabiskās atjaunošanās sekmīgums vismaz 400 koki ha-1 dažādos meža tipos 9-12 gadi pēc izlases vai pakāpeniskās cirtes 1. paņēmiena
Meža tips | P | E | Lapu koki | |||
% gadījumu | H, m | % gadījumu | H, m | % gadījumu | H, m | |
Sl, Mr | 90 | 0.6 | ||||
Ln | 90 | 1.4 | ||||
Dm | 60 | 1.0 | 70 | 1.1 | 90 | 2.7 |
Dms, As, Ks | 40 | 0.5 | 40 (P audzēs) 90 (E audzēs) | 1.0 (P audzēs) 0.4 (E audzēs) | 70 | 2.0 |
Mrs, Nd, Av,Am, Km | 70 | 0.5 | ||||
Vienlaidus cirtes
Pēc vienlaidus pakāpeniskās cirtes lānā un damaksnī, parauglaukumos, kuros veikta paaugas sastāva kopšana, konstatēts ievērojami lielāks priežu paaugas augstums pie līdzīgā 1.stāva koku skaita uz ha (10.1., 10.2., 10.3.attēls). Turklāt parauglaukumos, kuros nav veikta kopšana, bērzu paaugas augstums ir ievērojami lielāks nekā priežu paaugas augstums. Jāatzīmē, ka datos par audzēm, kurās cirtes pirmais paņēmiens veikts pirms 15 gadiem, agrotehniskā kopšanas dati pieejami tikai par audzēm, kuros iepriekšējās paaudzes koku skaits nepārsniedz 100 kokus uz ha (10.2., 10.3.attēls). Savukārt audzēs, kurās ir atstāts lielāks iepriekšējās paaudzes koku skaits agrotehniskā kopšana nav veikta.
10.1. attēls. Piecu augstāko priežu vai bērzu uzskaites laukumā jeb 2000 kociņu uz ha vidējais augstums (H2000) Ln 10 gadus pēc cirtes atkarībā no audzes 1. stāva koku skaita koptās un nekoptās jaunaudzēs
10.2. attēls. Piecu augstāko priežu vai bērzu uzskaites laukumā jeb 2000 kociņu uz ha vidējais augstums (H2000) Ln 15 gadus pēc cirtes atkarībā no audzes 1. stāva koku skaita koptās un nekoptās jaunaudzēs
10.3. attēls. Piecu augstāko priežu vai bērzu uzskaites laukumā jeb 2000 kociņu uz ha vidējais augstums (H2000) Dm 15 gadus pēc cirtes atkarībā no audzes 1. stāva koku skaita koptās un nekoptās jaunaudzēs
Stādīto un dabiski atjaunojušos priežu salīdzinājums
Uzmērot stādītu un dabiski atjaunojušās priedes trijās audzēs damaksnī un lānā piecus gadus, kā arī divās audzēs lānā deviņus gadus pēc cirtes, konstatēts, ka stādīto priežu H2000 visos gadījumos ir būtiski lielāks nekā dabiski atjaunojušos priežu H2000 (10.4.attēls b). Deviņus gadus pēc cirtes stādīto priežu H2000 lānā sasniedz 1.92±0.22m. Stādīto (izdzīvojušo) priežu skaits audzēs ir no 933±535 līdz 1267±506 ha-1 (10.4.attēls a).
a b
10.4. attēls. Stādītu priežu un dabiski atjaunojušos priežu un bērzu skaits (a) un 2000 koku uz ha (H2000) vidējais augstums (± robežkļūda ar 95 % varbūtību)(b) salīdzinājums dažādās audzēs damaksnī un lānā piecus gadus pēc vienlaidus cirtes, un lānā deviņus gadus pēc vienlaidus cirtes
Viena no audzēm lānā, kur veikts uzmērījums deviņus gadus pēc vienlaidus cirtes, ir uzmērīta arī trīs gadus un sešus gadus pēc cirtes. Konstatēts, ka jau trīs un sešus gadus pēc cirtes stādīto priežu augstums ir būtiski lielāks nekā dabiski atjaunojušos priežu augstums (10.5.attēls b).
a b
10.5. attēls. Stādītu priežu un dabiski atjaunojušos priežu un bērzu skaits (a) un 2000 koku uz ha (H2000) vidējais augstums (± robežkļūda ar 95 % varbūtību) (b) trīs, sešus un deviņus gadus pēc vienlaidus cirtes lānā
Jāatzīmē, ka audzes, kur veikta priežu stādīšana, pēc vienlaidus cirtes veikšanas ir veikta augsnes sagatavošana un regulāri tiek veikta kopšana, uz ko norāda arī tas, ka bērzu H2000 četros no pieciem objektiem nav būtiski lielāks par stādīto priežu H2000 (10.4.attēls b).
25 gadus pēc cirtes
Trīs objekti, kuros laiks pēc pirmā cirtes paņēmiena veikšanas ir 25 gadi, apsaimniekoti līdzīgi – pēc cirtes veikšanas sagatavota augsne, vairākas reizes veiktas agrotehniskās un sastāva kopšanas (pēdējoreiz 15 gadus pēc cirtes). Līdzīgs ir arī saglabājušos mātesaudzes koku skaits – 50 - 70 koki ha-1 ar šķērslaukumu 10.5-
14.4 m2ha-1 (10.2.tabula). Valdošā mātesaudzes koku suga bijusi priede. Tomēr tikai xxxx xxxx tipā objektā Cēsis ir izveidojusies priežu jaunaudze ar pietiekošu koku skaitu 1050 ha-1 ar vidējo augstumu 10.3 m un vidējo caurmēru 9.1 cm (10.2.tabula).
10.2. tabula
Pētījuma objektu audzes struktūra dažādos laika periodos pēc cirtes veikšanas
Gadi | I stāvs | II stāvs | III stāvs | |||||||||||
Objekts | pēc | D | H | G | M | N | D | H | G | M | N | D | H | G |
cirtes cm m m2ha-1 m3ha-1 ha-1 cm m m2ha-1 m3ha-1 ha-1 cm | ||||||||||||||
11 | 52,2 | 29,5 | 12,9 | 168,8 | 60 | |||||||||
Cēsis | 17 | 53,1 | 29,7 | 13,4 | 177,4 | 60 | ||||||||
25 | 54,4 | 30,0 | 13,9 | 186,0 | 60 | |||||||||
11 | 49,0 | 33,5 | 12,2 | 183,0 | 65 | |||||||||
Cēsis-Dm | 17 | 49,6 | 33,7 | 10,6 | 159,7 | |||||||||
25 | 51,7 | 34,1 | 10 | |||||||||||
11 | 51,9 | |||||||||||||
Valmiera | 17 | |||||||||||||
Cēsis-Dm objektā damaksņa meža tipā jau uzmērījumā, kas veikts 11 gadus pēc cirtes, atjaunojušos priežu skaits bija vairākas reizes mazāks nekā Cēsis-Ln objektā, attiecīgi 1160±589 ha-1 un 8650±1765 ha-1 (10.4.attēls). Savukārt 25 gadus pēc cirtes priedes, kuru D1,3 vismaz 2.1 cm, ir tikai 350 koki ha-1 ar vidējo augstumu 13.3 m un vidējo caurmēru 15.3 cm (10.2.tabula). Tomēr objektā ir konstatētas arī egles - 360 koki ha-1 ar vidējo augstumu 11.6 m vidējo caurmēru 13.5 cm, un bērzi - 160 koki ha-1 ar vidējo augstumu 13.1 m vidējo caurmēru 7.5 cm.
a b
10.4. attēls. Priedes, egles un bērzu skaits ( ± standartkļūda)(a) un 2000 koku uz ha (H2000) vidējais augstums (± standartkļūda) (b) deviņus, 17 un 25 gadus pēc grupu cirtes lānā un damaksnī Cēsis objektā
a b
10.5. attēls. Priedes, egles un bērzu skaits ( ± standartkļūda)(a) un 2000 koku uz ha (H2000) vidējais augstums (± standartkļūda) (b) deviņus, 17 un 25 gadus pēc grupu cirtes damaksnī Valmieras objektā
Valmieras objektā damaksņa meža tipā 11 gadus pēc cirtes tika konstatētas 2000±885 priedes ha-1 ar vidējo augstumu 0,58±0,06 m (10.5.attēls). 17 gadus pēc cirtes priežu skaits samazinājās līdz 550±282 ha-1, bet 25 gadus pēc cirtes nav konstatēta neviena priede. Tomēr Valmieras objektā sekmīgi atjaunojās egle. 11 gadus pēc cirtes egļu skaits bija 8650±1924 ha-1 ar 2000 koku uz ha vidējo augstumu (H2000) 0,58±0,06 m. Savukārt 25 gadus pēc cirtes egļu skaits, kuru D1,3 vismaz 2.1 cm ir 2465 ha-1 ar vidējo augstumu 8.7 m un vidējo caurmēru 7.6 cm (10.2.tabula). Eglēm vietām traucē bērzi 445 koki ha-1, kas izveidojuši audzes otro stāvu ar vidējo augstumu 16.9 m un vidējo caurmēru 12.2 cm.
Grupu cirtes
Lāns
Līdzīga tendence, ka parauglaukumos, kuros veikta paaugas sastāva kopšana, konstatēts ievērojami lielāks priežu paaugas augstums, parādās analizējot audzes, kurās izveidoti atvērumi (10.6., 10.7. attēls). Xxxxxxxx, ka 10.6. un 10.7. attēlā salīdzinātas divas audzes ar atšķirīgu apsaimniekošanas režīmu - ABA un KNP. Audzē ABA ciršanas pirmajā paņēmienā izveidoti audzē atvērumi, izretinot arī audzes daļu starp atvērumiem, kā izcirstas visas otrā stāva egles. Pēc sešiem gadiem izpildīts otrais cirtes paņēmiens, paplašinot atvērumus. 14 gadus pēc ciršanas pirmā paņēmiena audze nocirsta pilnībā. Agrotehniskā un sastāva kopšana veikta atkārtoti un pēc mātesaudzes nociršanas veikta jaunaudzes izretināšana. Savukārt objektā KNP, izņemot sākotnējo atvērumu izciršanu, citi mežsaimnieciskie pasākumi nav veikti. 15 gadus pēc cirtes pirmā paņēmiena KNP audzē atvērumu vidū priedes nav konstatētas (10.6.attēls b), bet bērzu skaits atvēruma vidū 2000±1007 ha-1 ar augstumu 7.70±1.88 m. Lielākais priežu augstums (1.16 m) novērots 9 m no atvēruma malas (10.7.attēls b), tomēr šajā attālumā priedes konstatētas tikai vienā no divpadsmit uzskaites laukumiem. Bērzu skaits 9 m no atvēruma malas 2767±524ha-1 ar augstumu 7.31±1.19m. Savukārt ABA audzē 15 gadus pēc cirtes pirmā paņēmiena sākotnējo atvērumu vidū konstatētas 2267±706ha-1 ar augstumu 3.46±0.56m, bet 9 m attālumā no sākotnējās atvērumu malas 2933±416ha-1 ar augstumu 2.76±0.28m (10.6.attēls a, 10.7.attēls a). Bērzu augstums vairākkārtēju kopšanu ciršu rezultātā nepārsniedz 1.41±0.16m.
a b
10.6. attēls. Priedes un bērza skaita ( ± standartkļūda) salīdzinājums četrus, desmit un piecpadsmit gadus pēc grupu cirtes lānā dažādos attālumos no atvēruma malas audzē kur veikta kopšana (a) un audzē kur nav
veikta kopšana (b) (* šeit un turpmāk – negatīvs attālums no atvēruma malas apzīmē to, ka uzskaites laukums atradies necirstajā audzes daļā)
a b
10.7. attēls. Priedes un bērza 2000 koku uz ha (H2000) vidējais augstums (± standartkļūda) salīdzinājums četrus, desmit un piecpadsmit gadus pēc grupu cirtes lānā dažādos attālumos no atvēruma malas audzē kur
veikta kopšana (a) un audzē kur nav veikta kopšana (b)
Atvērumu paplašināšana un kopšanas cirtes var neveicināt sekmīgu priedes atjaunošanos, ja mežsaimnieciskie pasākumi tiek veikti novēloti. Piemēram, audzē lānā 12 gadus pēc cirtes pirmā paņēmiena veikts cirtes otrais paņēmiens, bet tikai paplašinot atvērumus un savienojot tos aptuveni 25-30 m platu joslu veidā, kas izvietotas aptuveni A-R virzienā. Tajā pašā gadā veikta kopšanas cirte izretinot atvērumos atjaunojušos bērzus, kas divus gadus pirms kopšanas cirtes uzmērīti 15548±1946 ha-1 ar H2000 3.62±0,30 m, bet atvērumu vidū H2000 sasniedzot 5.07±0.33 m (10.8.attēls). Savukārt atjaunojušos priežu skaits pirms kopšanas cirtes 1896±358 ha-1 ar H2000 0.37±0.03 m. Jāatzīmē, ka kopšanas cirte nebija veikta daudzus gadus. 6 gadus pēc xxxxxxxx xxxxxx (18 gadus pēc atvērumu izveidošanas) uzskaitīti 12643±1743 ha-1 bērzi ar H2000 5.57±0.68 m, no kuriem daļa ir atvases, vai no jauna iesējušies bērzi. Atjaunojušos priežu skaits 1217±270 ha-1 ( 10.8.attēls) ar H2000 0.42±0.05 m. Šajā objektā zem bērziem sekmīgi ir atjaunojusies egle 4330±859 ha-1 ar H2000 0.92±0.11 m. Egļu augšanai traucē lielais bērzu skaits, uz ko norāda tas, ka, sākot no 4 m attāluma no atvēruma malas, līdz atvēruma vidum egļu H2000 praktiski neatšķiras, bet bērzu H2000 virzienā no atvērumu malas uz atvērumu vidu konstatēts lielāks (10.8.attēls). Ņemot vērā nelielo atjaunojušos priežu skaitu un augstumu, gan ievērojamo bērzu skaitu, gan to, ka sekmīgi atjaunojusies egle, gaidāms, ka tuvākajā laikā lielākā daļa atjaunojušos priežu aizies bojā.
a b
10.8. attēls. Priedes, egles un bērzu skaits ( ± standartkļūda)(a) un 2000 koku uz ha (H2000) vidējais augstums (± standartkļūda) (b) desmit un astoņpadsmit gadus pēc grupu cirtes lānā dažādos attālumos no atvēruma
malas audzē kur nokavēti veikta kopšana un atvērumu paplašināšana
Mētrājs
Savukārt, pēc grupu cirtes mētrāja meža tipā, parauglaukumos, kuros savlaicīgi veikta paaugas sastāva kopšana, kā arī veikts nākošais cirtes paņēmiens, paplašinot atvērumus un izretinot audzes daļu starp atvērumiem, kā arī sagatavojot augsni, konstatēts lielāks priežu paaugas augstums, pie līdzīga attāluma no audzes atvērumu malas. Turklāt, pēc atvērumu paplašināšanas un augsnes sagatavošanas, kociņu skaits paplašinātajā daļā ir vairākas reizes lielāks. 10.9. un 10.10. attēlā salīdzinātas divas audzes ar atšķirīgu apsaimniekošanas režīmu. Audzē (a) veikts otrais cirtes paņēmiens (paplašinot atvērumus), 16 gadus pēc pirmā cirtes paņēmiena, kā arī sagatavota augsne nocirstajā audzes daļā. Audzē (a) vairākkārtēji veikta arī agrotehniskā kopšana. Savukārt audzē (b), izņemot sākotnējo atvērumu izciršanu, un sākotnējo agrotehnisko kopšanu citi mežsaimnieciskie pasākumi nav veikti.
ab
10.9. attēls. Priedes un bērza skaita ( ± standartkļūda) salīdzinājums desmit un divdesmit gadus pēc grupu cirtes mētrājā dažādos attālumos no atvēruma malas audzē kur veikta kopšana un atvērumu paplašināšana
(a) un audzē kur nav veikta atkārtota kopšana un atvērumu paplašināšana(b)
a b
10.10. attēls. Priedes un bērza 2000 koku uz ha (H2000) vidējais augstums (± standartkļūda) salīdzinājums desmit un divdesmit gadus pēc grupu cirtes mētrājā dažādos attālumos no atvēruma malas audzē kur veikta atkārtota kopšana un atvērumu paplašināšana (a) un audzē kur nav veikta atkārtota kopšana un atvērumu
paplašināšana(b)
Kopumā var secināt, ka pasākumu kopums – savlaicīgas vairākkārtējas agrotehniskās un sastāva kopšanas cirtes un savlaicīgs otrais cirtes paņēmiens, ir veids kā veicināt sekmīgu priedes dabisko atjaunošanos, cērtot grupu pakāpeniskās cirtes. Ieteicams arī veikt palikušās audzes daļas izretināšanu jau pirmajā cirtes paņēmienā. Savukārt, ja pirmajos gados pēc grupu cirtes pirmā paņēmiena xxxx xxxx tipā nav veiktas atkārtotas agrotehniskās un sastāva kopšanas, un, pat ja ir veikts grupu cirtes otrais paņēmiens 12 gadus pēc pirmā paņēmiena ar tam sekojošām sastāva kopšanas cirtēm, nav konstatēta sekmīga atjaunošanās ar priedi.
10.3. Koksnes pieauguma un ciršanas apjoma attiecība ilgtermiņā
Formāli pieņem, ka apsaimniekošana var tikt uzskatīta par ilgtspējīgu, ja ilgtermiņā tiek nodrošināts līdzsvars starp pieaugumu un izcirsto apjomu. Taču šādu līdzsvaru var iegūt pie dažādiem ciršanas / pieauguma apjomiem. Piem., līdzsvara stāvoklī var nodrošināt audzes cērtot, kad audzē iespējami lielu īpatsvaru aizņem vidēja vecuma (dimensiju) koki. Šādā gadījumā tiek iegūta iespējami liela krāja. Taču līdzsvars stāvoklis var būt situācijā, kad audzē dominē pārauguši koki, kuru pieaugums ir neliels. Šajā gadījumā audzē ir liela krāja, taču mazs pieaugums.
Pieauguma aprēķināšanai izmantotas sekojošas sakarības:
Caurmēra pieaugums 5 gadu (modificēts pēc Pukkala et al., 2012)
Id= a1*exp(a2+a3*BALciti+a4*BALE+a5*ln(G)+a6*sqrt(d)+a7*d2+a8*Ibon+a9*IIbon+a10*IIIbon) (10.1)
BALciti šķērslaukums citu sugu (izņemot egli) kokiem, kas lielākā konkrēto caurmēra pakāpi, m2ha-1; BALE- šķērslaukums eglēm, kuras lielākas par konkrēto caurmēra pakāpi, m2ha-1;
G – audzes šķērslaukums, m2ha-1;
d - caurmēra pakāpes, cm;
I xxxxxx, tad kods 1, II xxxxxx, tad kods 1, xxxxxx III un<, tad kods 1, pretējā gadījumā 0. ai koeficientu vērtības 10.3.tabulā.
10.3.tabula
Koeficienti diametra pieauguma aprēķinam
deltaD | P | E | B | |
a1 | 1.11 | 1.124 | 1.127 | |
a2 | 1.14516 | 0.645 | 0.0867 | |
a3 | -0.053 | -0.0106 | -0.0304 | |
a4 | -0.0335 | -0.043 | -0.0474 | |
a5 | -0.266 | -0.486 | -0.173 | |
a6 | 0.237 | 0.4557 | 0.446 | |
a7 | -0.000901 | -0.000927 | -0.00123 | |
a8 | I bonitāte | -0.238 | -0.18 | -0.12 |
a9 | II bonitāte | -0.333 | -0.45 | -0.28 |
a10 | III< bonitāte | -0.612 | -0.929 | -0.52 |
Koku atmiršanas modelis (modificēts pēc Pukkala et al., 2012) Atmiršanas varbūtība p: Eglei | ||
p=1-1/(1+exp(-(b1+b2*sqrt(d)+b3*ln(G)+b4*BALE)))^5 | (10.2) | |
Priedei, bērzam p=1-1/(1+exp(-(b1+b2*sqrt(d)+b3*(BALciti+BALE)))^5 | (10.3) | |
Koeficientu vērtības atspoguļotas 10.4.tabulā. | 10.4.tabula |
Koeficienti atmiršanas varbūtības aprēķinam
P | E | B | |
b1 | 0.496 | 4.418 | 0.496 |
b2 | 1.649 | 1.423 | 1.649 |
b3 | -0.06 | -1.046 | -0.06 |
b4 | -0.0954 |
Pieauguma un ciršanas apjoma modelēšanai izmantots matricu modelis.
1) Kokus sagrupē pa sugām (P,E,B) un caurmēra pakāpēm.
2) Aprēķina katras caurmēra pakāpes šķērslaukumu.
3) Aprēķina lielākās caurmēra pakāpēs par konkrēto caurmēra pakāpi konstatēto koku šķērslaukumu (BAL);
4) Aprēķina koku atmiršanas varbūtību un atmirumu m3ha-1.
5) Simulē koku izciršanu, ja audzes šķērslaukums par 7m2ha-1 pārsniedz biezībai 0.4 atbilstošu šķērslaukumu.
6) Aprēķina katras caurmēra pakāpes caurmēra pieaugumu.
7) Aprēķina varbūtību, ka nākošajā periodā koki pieaugs par vairāk nekā 1 caurmēra pakāpi, 1 caurmēra pakāpi un paliks tajā pašā caurmēra pakāpē.
8) Aprēķina atbilstošo koku sadalījumu pa caurmēra pakāpēm nākamā perioda sākumā, tai skaitā pieskaita ieaugumu 2cm caurmēra pakāpē.
Apaļkoksnes apjomu sadalījumā pa sortimentu grupām modelē izmantojot xxxx. X.Xxxxxxx izstrādāto stumbra veiduli un sortimentācijas algoritmu (Xxxxxxx, 2002). Koku sadalījums pa caurmēra pakāpēm atsevišķos objektu grupās modelē balstoties uz reālo koku sadalījumu pa caurmēra pakāpēm parauglaukumos.
11.1.Materiāls un metodika
11.1.1. Selekcijas efekts parastās priedes eksperimentos
Analīzei izmantotas divas datu kopas.
Iepriekšējo projektu ietvaros 2009. gadā tika iegūts lauku materiāls augšanas gaitas analīzei un salīdzinājumam starp provenienču un pluskoku kontrolēto krustojumu pēcnācējiem 1975. gadā ierīkotos parauglaukumos Kalsnavā (stādīšanas attālums 2 x 1 m, iežogotā teritorijā, meža tips - lāns). Kā paraugkoki izvēlēti 113 koki ar vienu galoni un bez citiem acīmredzamiem stumbra defektiem. Pēc nozāģēšanas ievāktas ripas no 0 (iespējami tuvu zemes virskārtai), 0,5; 1; 1,3; m augstuma un tālāk ir pa metram. Tāpat uzmērīti redzamo zaru mieturu atrašanās augstumi. Datu apstrāde (skanēto ripu attēlu) uzmērīšana un stumbra analīžu sagatavošana, izmantojot datorprogrammu WinDendro, veikta ESF finansēta projekta „Ģenētisko faktoru nozīme adaptēties spējīgu un pēc koksnes īpašībām kvalitatīvu mežaudžu izveidē”(ESF) ietvaros (projekta vadītājs Dr. silv. X. Xxxxxxx), taču stumbra analīžu rezultāti nodoti arī šī projekta rīcībā.
Bez tam iegūto rezultātu salīdzināšanai, izmantoti arī dati no 1975.g. stādījumiem Zvirgzdē, kuros līdzīgos apstākļos audzēti sēklu plantāciju pēcnācēji un mežaudžu pēcnācēji. Uzmērījumi veikti 2009. gadā. Kā 3.datu kopa analīzei izmantoti arī dati no 1982.g. stādījumiem Zvirgzdē un Kalsnavā, kuros līdzīgos apstākļos audzēti sēklu plantāciju pēcnācēji un mežaudžu (provenienču) pēcnācēji. Uzmērījumi veikti abos objektos 2002. gadā, bet Zvirgzdē arī 2009.gadā.
No katra varianta tālākajā analīzē iekļauts konkrētajā atkārtojumā augstākais uzmērītais koks, pieņemot tā augstumu par Hdom, kopumā atlasot 43 kokus - 15 kokus no kontrolēto krustojumu izmēģinājuma un 28 kokus no provenienču izmēģinājuma.
Analīze veikta:
1. salīdzinot pārbaudes izmēģinājuma vidējo dominējošo augstumu ar priežu augšanas gaitas virsaugstuma vērtībām pa virsaugstuma bonitātēm 20 gadu vecumā (H20= 6m; H20=9m; H20= 12m);
2. Salīdzinot pārbaudes izmēģinājuma vidējo selekcionēto (pluskoku kontrolēto krustojumu pēcnācēju) dominējošo koku augstumu un provenienču pēcnācēju dominējošo koku augstumu.
3. Aprēķinot virsaugstuma bonitātes 100 gadu vecumā sākot no krūšaugstuma vecuma 15 gadi. Otra datu kopas ieguvei Lauku darbi veikti projekta “Meža koku selekcijas pētījumi ģenētiski augstvērtīga meža reproduktīvā materiāla atlasei” ietvaros (projekta vadītājs X. Xxxxxx).
Analīze veikta salīdzinot pārbaudes izmēģinājuma vidējo selekcionēto (pluskoku kontrolēto krustojumu
pēcnācēju) dominējošo koku augstumu un provenienču (mežaudžu) pēcnācēju dominējošo koku augstumu.
11.1.2. Parastās egles selekcijas efekta novērtējums balstot uz selekcijas izmēģinājumu objektu pārmērījumu datiem
Izmantoti dati no pētījuma “Meža koku selekcijas pētījumi ģenētiski augstvērtīga meža reproduktīvā materiāla atlasei” ietvaros pārmērītu selekcijas stādījumu datiem:
• Jelgavas brīvapputes pēcnācēju pārbaudes;
• Andrupenes brīvapputes pēcnācēju pārbaudes;
• Kuldīgas klonu pārbaudes;
• Kuldīgas brīvapputes pēcnācēju pārbaudes;
• Rembates brīvapputes pēcnācēju pārbaudes. Andrupenes stādījums uzmērīta 15 un 19 g.v.
Jelgavas stādījums 7 un 12 g.v.
Kuldīga klonu un Kuldīga ģimeņu stādījumi 10 un 13 g.v. Rembate uzmērīts 10 un 13 g.v.
Dažādu grupu (ģimeņu, klonu maisījumu) salīdzināšanai izmantoti jaunākie pieejamie augstuma mērījumi. Kā plantācijai rekomendēto grupu atlasa 10% ātrāk augošā materiāla no katra stādījuma, jo eglei pēc būtības lielākā daļa selekcijas materiāla šobrīd ir pēcnācēju pārbaužu stadijā. Tā kā dažādām materiālam ir atšķirīgs saglabājušos īpatņu skaits, kā salīdzināšanas rādītājs katrai ģimenei vai klonu maisījumam izvēlēts 10 augstāko koku vidējais augstums (virsaugstums).
11.1.3. Selekcijas efekta ietekmes uz augstumu aproksimācija parastās priedes, parastās egles un āra bērza audzēs
Selekcijas efekta ietekmes iekļaušana augšanas gaitas vienādojumā parastajai priedei, parastajai eglei un kārpainajam bērzam vērtēta divām meža reproduktīvā materiāla kategorijām – “uzlabots” un “pārāks”. Izmantoti vismaz divreiz pārmērītu koku augstuma dati, kas iegūti brīvapputes ģimeņu pēcnācēju pārbaužu stādījumos meža koku selekcijas programmas ietvaros. Kā kategorija “pārāks” atlasīti 10 % ģimeņu ar lielāko vidējo augstumu katrā stādījumā, bet kā kategorija “uzlabots” pieņemti pārējie 90 % ģimeņu.
Izmantota Hossfeld IV (King-Prodan) vienādojuma GADA forma:
𝐻2
𝑏
1
𝐴
𝑏1
= 1.3 + 𝐴2
1 −𝑏2
𝑏1
𝐴
1 −𝑏2
(11.1)
𝑏2+100 𝑏3 𝐻1−1.3 +𝐻1−1.3 𝐴𝑏1
1
1
100𝑏3+𝐴𝑏1 100𝑏3+𝐴𝑏1 2
, kur
H1 – meža elementa vidējais vai virsaugstums prognozes perioda sākumā, m; H2 – meža elementa vidējais vai virsaugstums prognozes perioda beigās, m; A1 – meža elementa krūšaugstuma vecums prognozes perioda sākumā, gadi; A2 – meža elementa krūšaugstuma vecums prognozes perioda beigās, gadi; b1; b2; b3 – empīriskie koeficienti, kas atkarīgi no meža elementa.
Izmantoti empīriskie koeficienti, kas iepriekš noteikti, kalibrējot GADA vienādojumu ar MSI datiem (00.0.xxx.).
00.0.xxxxxx
Izmantotie empīriskie koeficienti (MSI dati)
Suga | b1 | b2 | b3 | |
Priede | H | 1.15697 | -27.04027 | 16.4512 |
Hdom | 1.15732 | -16.34586 | 8.71041 | |
Egle | H | 1.28394 | -47.34926 | 23.60081 |
Hdom | 1.31811 | -70.525 | 31.62235 | |
Bērzs | H | 1.257 | -47.475 | 21.726 |
Hdom | 1.395 | -51.041 | 21.107 | |
Selekcijas efekta iekļaušana GADA vienādojumā veikta, vērtējot no kategorijas (uzlabots vai pārāks) atkarīgu empīrisku koeficientu (Gx) iekļaušanu vienādojumā. Gan vidējā augstuma, gan virsaugstuma gadījumā vislabāko rezultātu uzrāda empīrisku koeficientu g1, g2 un g3 iekļaušana (00.0.xxx.) (izņemot egles un bērza vidējo augstumu, kam labāku rezultātu uzrādīja tikai koeficientu g1 un g2 iekļaušana) priekšā koeficientiem b1, b2 un b3 tajā GADA vienādojuma daļā, kas ir atrisināta no bāzes vienādojuma empīriskajiem koeficientiem a1 un a2 :
𝐴𝑔1∙𝑏1
𝐻2 = 1.3 + 2
𝐴𝑏1
1 − 𝑏2
𝐴𝑏1
1 − 𝑏2
(11.2)
𝑔 ∙ 𝑏
+ 𝑔
∙ 100 𝑏
𝐻1 − 1.3 + 𝐻1 − 1.3 𝐴𝑔1∙𝑏1
1
1
3
2 2 3
3 100𝑏
+ 𝐴𝑏1
100𝑏3
+ 𝐴𝑏1 2
kas bāzes vienādojumā atbilstu:
𝐻 = 1.3 +
𝑮
𝐴𝐺1∙𝑎1
∙ 𝒂 + 𝑎
∙ 𝐴𝐺1∙𝑎1 (11.3)
𝟐𝟑 𝟐 3
Vides apstākļus raksturojošajā nezināmā X atrisinājumā esošie b1, b2 un b3 netiek koriģēti, jo vides apstākļu ietekme uz abām selekcijas kategorijām stādījumos ir tā pati.
Augšanas gaitas modelēta un datu analīze veikta datorprogrammā R 4.0.2 (R Core team, 2020), izmantojot rīku nls (Nonlinear Least Squares).
11.2. Rezultāti
11.2.1. Selekcijas efekts parastās priedes eksperimentos
Priežu kontrolēto krustojumu pārbaudes un priežu provenienču izmēģinājuma dominējošā augstumu vidējās vērtības dažādos vecumos atspoguļotas 11.2.tabulā.
11.2. tabula
Priežu kontrolēto krustojumu pārbaudes un priežu provenienču izmēģinājuma dominējošā augstumu vidējās vērtības dažādos vecumos.
Vecums, gadi | ||||||
Augstums | 5 | 10 | 15 | 20 | 25 | 30 |
H20=9 | 1.6 | 4.0 | 6.6 | 9.0 | 11.3 | 13.4 |
Hvidkop | 1.4 | 3.7 | 6.3 | 9.0 | 11.5 | 14.1 |
Hvidprov | 1.4 | 3.6 | 6.0 | 8.6 | 11.0 | 13.6 |
Hvidselekc | 1.4 | 3.9 | 6.8 | 9.7 | 12.3 | 15.0 |
Sel-prov | 0.0 | 0.3 | 0.8 | 1.1 | 1.3 | 1.3 |
Sel/prov | 0.99 | 1.09 | 1.13 | 1.13 | 1.12 | 1.10 |
Audzes turpmākās augšanas gaitas prognozēšanai ir iespējams izmantot priežu virsaugstumu bonitāti sākot no vecuma 15 gadi (11.1.att). Turklāt kontrolēto krustojumu gadījumā augšanas gaita ir „stabilāka”, t.i., vairāk atbilstoša vienai virsaugstuma bonitātei, savukārt provenienču variantu augšanas gaita ir mazāk
„stabila”. Lai arī pašlaik pieejamajiem datiem ir pārāk īss novērtēšanas periods (30 gadi), lai izteiktu vispārējus secinājumus, tomēr tie nav pretrunā iepriekš gūtajām atziņām, ka kontrolētu krustojumu augšanas gaita līdzīgos apstākļos pārsniedz vidējos rādītājus par 10%.
11.1.att. Provinienču (◦) un kontrolēto krustojumu(×) pārbaudes izmēģinājuma priežu virsaugstuma pie
krūšaugstuma vecuma 15 gadi (H10015) sakarība ar virsaugstumu pie krūšaugstuma vecuma 20 (H10020); 25 (H10025) un 30 gadi (H10030).
Augstāk iegūtos rezultātus (selekcijas efektu) pārbaudījām uz 1975.g. stādījumu rezultātiem (Zvirgzde). Izmantojot dispersijas analīzi konstatēts, ka selekcionēto (plantāciju pēcnācēju) koku augstums 35 gadu vecumā ir par 6% lielāks nekā mežaudžu koku augstums attiecīgi 16.51 un 15.56m. Atšķirības ir statistiski būtiskas - F 8.63; p=0.004. Savukārt selekcionēto koku vidējais caurmērs ir par 18% lielāks nekā mežaudžu koku caurmērs, 17.6 un 14.9 cm. Arī šī atšķirība ir statistiski būtiska – F=11.51; p<0.001.
Salīdzinot selekcijas efektu uz 1982.g. stādījumu datiem Kalsnavā un Zvirgzdē, konstatēts, ka Kalsnavas objektā 2002. gadā 20 gadu vecā eksperimentā ir statistiski būtiska augstumu atšķirība starp selekcionētiem un mežaudzes pēcnācējiem 10% - attiecīgi 8.5m un 7.7 m (F=5.73; p=0.017), savukārt atšķirība starp vidējiem caurmēriem ir 12%, – 9.7 un 8.7 cm (F=1.89; p=0.17), kas gan nav būtiska. Līdzīga situācija 2002.g. arī Zvirgzdes objektā H atšķiras par 11% un attiecīgi ir 8.1 un 7.3m (F=4.88; P=0.027), bet caurmērs par 10% attiecīgi 9.2 un 8,3cm, bet tas nav statistiski būtisks (F=1,73; P=0,188). Arī 2009.gadā 27 gadu vecumā situācija ir līdzīga H atšķirība ir 7.6%, attiecīgi 13.6 un 12.6m (F=6.12, P=0.014), savukārt caurmērs atšķīrās par 5% attiecīgi – 12.1 un 11.6cm, kas gan nav statistiski būtiski (F=0.457, P=0.499).
Parastās priedes selekcijas ietekmes uz koku augšanas gaitu novērtējuma kopsavilkums atspoguļots 11.3.tabulā.
11.3.tabula
Parastās priedes selekcijas ietekmes uz koku augšanas gaitu kopsavilkums
Vieta | Proveniences | Veids | A | Dg | Hg | Skaits* | ||
vid | stdev | vid | stdev | |||||
Kalsnava Abi objekti | Visas | Fons (kontrole) | 36 | 15.61 | 0.99 | 14.83 | 0.61 | 18 |
43 | 18.93 | 0.81 | 18.52 | 0.63 | 18 | |||
Selekcionēts | 30 | 13.25 | 1.99 | 12.27 | 1.36 | 88 | ||
43 | 19.76 | 3.75 | 17.94 | 2.16 | 83 | |||
10 labākās | Fons (kontrole) | 36 | 16.31 | 0.52 | 15.23 | 0.39 | 10 | |
43 | 19.54 | 0.51 | 18.97 | 0.43 | 10 | |||
Selekcionēts | 30 | 16.80 | 0.88 | 14.75 | 0.39 | 10 | ||
43 | 27.06 | 2.54 | 21.24 | 0.44 | 10 | |||
Vieta | Proveniences | Veids | A | Dg | Hg | Skaits | ||
vid | stdev | vid | stdev | |||||
Zvirgzde eksperiments Nr.18 | Visas | Fons (kontrole) | 26 | 9.56 | 0.34 | 10.10 | 0.62 | 9 |
34 | 14.33 | 0.70 | 14.61 | 0.67 | 9 | |||
Selekcionēts | 26 | 10.20 | 0.40 | 10.76 | 0.23 | 24 | ||
34 | 15.16 | 0.54 | 15.37 | 0.31 | 24 | |||
10 labākās | Fons (kontrole) | 26 | 9.56 | 0.34 | 10.10 | 0.62 | 9 | |
34 | 14.33 | 0.70 | 14.61 | 0.67 | 9 | |||
Selekcionēts | 26 | 10.56 | 0.18 | 10.95 | 0.16 | 10 | ||
34 | 15.62 | 0.28 | 15.67 | 0.14 | 10 | |||
Zvirgzde eksperiments Nr.19 | Fons (kontrole) | Visas | 23 | 9.80 | 9.41 | 1 | ||
31 | 13.82 | 12.76 | 1 | |||||
Selekcionēts | Visas | 23 | 9.76 | 0.34 | 9.68 | 0.37 | 23 | |
31 | 14.60 | 0.50 | 13.49 | 0.66 | 23 | |||
10 labākās | 23 | 10.06 | 0.18 | 10.03 | 0.25 | 10 | ||
31 | 15.13 | 0.38 | 13.82 | 0.41 | 10 | |||
Ražošanā | 23 | 10.09 | 0.23 | 10.11 | 0.38 | 5 | ||
31 | 15.14 | 0.43 | 13.82 | 0.40 | 5 | |||
Zvirgzde eksperiments Nr.28 | Visas | Fons (kontrole) | 31 | 14.25 | 1.23 | 13.21 | 0.89 | 280 |
41 | 18.90 | 1.66 | 280 | |||||
Selekcionēts | 31 | 15.91 | 1.52 | 13.69 | 0.89 | 32 | ||
41 | 22.74 | 1.13 | 32 | |||||
10 labākās | Fons (kontrole) | 31 | 17.11 | 0.73 | 15.33 | 0.37 | 10 | |
41 | 21.68 | 0.18 | 10 | |||||
Selekcionēts | 31 | 17.62 | 0.90 | 14.69 | 0.20 | 10 | ||
41 | 24.04 | 0.83 | 10 | |||||
*Skaits nozīmē salīdzināšanā izmantoto ģimeņu daudzumu.
Kalsnavas eksperimentos selekcionēto koku pēcnācēju vidējais caurmērs un vidējais augstums salīdzinājumā ar kontroles (mežaudžu) pēcnācēju vidējo caurmēru un augstumu 43 gadu vecumā ir par 4% lielāks, bet šī atšķirība nav statistiski būtiska. Ja salīdzina 10 ražīgāko selekcionēto koku pēcnācēju H un D vērtības, tad konstatējams, ka tie 10 ražīgākos kontroles audžu pēcnācējus pārspēj augstumā par 12 %: attiecīgi 21.2m un
19.0 metru, bet kontroles audžu pēcnācēju vidējo augstumu (18.5m) – par 15% . Caurmēru atšķirības ir vēl
nozīmīgākas – 10 ražīgāko selekcionēto koku pēcnācēju caurmērs ir par 38% lielāks nekā 10 ražīgāko kontroles audžu pēcnācēju caurmērs.
Zvirgzdes eksperimentā Nr. 18. sēklu plantāciju pēcnācēju un mežaudžu pēcnācēju salīdzinājumā konstatēts, ka selekcionēto koku D un H ir attiecīgi par 6% un 5% lielāks: attiecīgi 15.2 pret 14.3 cm un 15.4 pret 14.6m. Abas atšķirības ir statistiski būtiskas. 10 ražīgāko selekcionēto koku pēcnācēju D un H ir attiecīgi par 9% un 7% lielāks.
Zvirgzde eksperimentā Nr. 19. pirmās kārtas sēklas plantāciju pēcnācēju virsaugstums ir par 5.6% un 5.7% lielāki nekā kontroles kokiem 31 gada vecumā, bet 10 augstākajiem kokiem caurmērs ir par 9.6% un augstums par 8.3% lielāks nekā kontrolei: attiecīgi 15.4 pret 13.8cm un 13.8 pret 12.7x.
Xxxxxxxx eksperimentā N.28. salīdzinot 10 labāko atlasīto audžu pēcnācēju ar kontroles audžu pēcnācējiem 31 gada vecumā augstuma atšķirība ir 11%, bet caurmērā – 23%.
Šajos aprēķinos nav iekļauti citi ar selekcijas metodēm iegūstamie labumi – taisnāki un mazzaraināki stumbri, augstāka izturība pret slimību (piem., sakņu trupes) izraisītājiem.
Modelējot selekcijas ietekmi uz augstuma pieaugumu var pieņemt, ka tā atbilst par vienu vienību augstākai bonitātei.
11.2.2. Parastās egles selekcijas efekta novērtējums balstot uz selekcijas izmēģinājumu objektu pārmērījumu datiem
Parastās egles selekcijas ietekmes uz koku augšanas gaitu kopsavilkums atspoguļots 11.4.tabulā.
11.4.tabula
Parastās egles selekcijas ietekmes uz koku augšanas gaitu kopsavilkums
Vieta | Proveniences | Veids | A | D10, mm | H10,m | Skaits* | ||
vid | stdev | vid | stdev | |||||
Jelgava | Brīvapputes pēcnācēji | pārējās | 7 | - | - | 1.3 | 0.2 | 54 |
12 | 56.20 | 7.23 | 4.9 | 0.5 | 54 | |||
10% labākās | 7 | - | - | 1.6 | 0.1 | 6 | ||
12 | 70.60 | 2.23 | 5.8 | 0.2 | 6 | |||
Andrupene | Brīvapputes pēcnācēji | pārējās | 15 | 87.3 | 9.8 | 6.5 | 0.6 | 102 |
19 | 10.4 | 0.7 | 102 | |||||
10% labākās | 15 | 99.4 | 11.3 | 7.6 | 0.5 | 12 | ||
19 | 11.9 | 0.4 | 12 | |||||
Kuldīga | Klonu pārbaude | pārējās | 10 | - | - | 2.4 | 0.5 | 141 |
13 | - | - | 3.9 | 0.8 | 141 | |||
10% labākās | 10 | - | - | 3.8 | 0.3 | 16 | ||
13 | - | - | 5.8 | 0.4 | 16 | |||
Kuldīga | Ģimeņu pārbaudes | pārējās | 10 | - | - | 2.7 | 0.6 | 118 |
13 | - | - | 4.4 | 0.8 | 118 | |||
10% labākās | 10 | - | - | 3.9 | 0.4 | 12 | ||
13 | - | - | 6.0 | 0.2 | 12 | |||
Rembate | Ģimeņu pārbaudes | pārējās | 10 | - | - | 2.1 | 0.4 | 86 |
13 | - | - | 4.2 | 0.7 | 86 | |||
10% labākās | 10 | - | - | 3.0 | 0.2 | 10 | ||
13 | - | - | 5.7 | 0.2 | 10 | |||
*Skaits nozīmē salīdzināšanā izmantoto ģimeņu daudzumu.
Jelgavas izmēģinājuma stādījumā 10% ražīgāko ģimeņu (novērtējot pēc 10 augstāko koku vidējā augstuma) vidējais augstums 12 gadu vecumā ir par 17% jeb 0.9m lielāks nekā pārējo izmēģinājumā pārbaudīto ģimeņu augstums, caurmērs par 25% lielāks.
Andrupenes izmēģinājuma stādījumā 19 gadu vecumā 10% ražīgākās ģimenes ir par 15% augstākas nekā pārējās, savukārt to caurmērs ir par 14% lielāks.
Kuldīgas klonu izmēģinājumu stādījumā 13 gadu vecumā 10% ražīgākie ir pat par 46% augstāki nekā pārējie izmēģinājumā ietvertie.
Kuldīgas ģimeņu izmēģinājuma stādījumā 10% ražīgāko ģimeņu lielāko koku vidējais augstums ir 37% jeb 1.6m lielāks, Rembatē starpība ir līdzīga: 1.5m jeb arī 37%. Visas augstāk minētās atšķirības ir statistiski būtiskas.
Lai arī palielinoties vecumam atšķirības procentu izteiksmē samazinās, tomēr absolūtās vienībās m tās palielinās.
Šajos aprēķinos nav iekļauti citi ar selekcijas metodēm iegūstamie labumi – taisnāki un mazzaraināki stumbri, augstāka izturība pret slimību (piem., sakņu trupe) izraisītājiem.
Tā kā caurmēra pieaugumu vēlākajās audzes attīstības stadijās būtiski ietekmē kopšanas cirtes, modelēšanas vajadzībām vienkāršākais veids kā iekļaut selekcijas efekta ietekmi ir, modelējot nākošās paaudzes kokaudzi, meža antropogēnas (sējot vai stādot) atjaunošanas gadījumā paredzēt, ka kokaudzes bonitāte ir par 1 augstāka nekā iepriekšējai (pašreiz esošajai) mežaudzei.
11.2.3. Selekcijas efekta ietekmes uz augstumu aproksimācija parastās priedes, parastās egles un āra bērza audzēs
Ar aproksimētajām koeficientu vērtībām gan priedes augstuma, gan virsaugstuma augšanas gaitas modelis prognozē mežsaimnieciski loģiskas augstuma izmaiņas (11.2., 11.5.att.), kā arī uzrāda augstus statistiskos rādītājus (11.6., 00.0.xxx., 00.0.xxx.). Virsaugstuma augšanas gaita raksturojama ar straujāku pieaugumu jaunākā vecumā gan uzlabotam, gan pārākam selekcijas materiālam.
Selekcijas uzlabojuma pakāpes specifiskais egles augstuma augšanas gaitas modelis uzrāda straujāku augšanu selekcionētam materiālam, tomēr prognozētās atšķirības starp selekcijas grupām ir praktiski maznozīmīgas (11.6.att.). Gan augstuma, gan virsaugstuma modelis eglei prognozē straujāku līknes izlīdzināšanos augstākajam bāzes vecumam H100= 39 m (11.3. un 11.6.att.). Turklāt virsaugstuma modelis prognozē nedaudz labāku augšanu uzlabotam nekā pārākam materiālam, kas nav mežsaimnieciski loģiski. Tomēr, ņemot vērā ka dati no egles pēcnācēju pārbaužu stādījumiem raksturo piemērotus augšanas apstākļus sugai, līknes, kas ir H100 < 33 m, ir ekstrapolācija ārpus pieejamās datu kopas (11.6.att.). Šajā gadījumā uzlabojuma pakāpi raksturojošu koeficientu izmantošana būtu pamatojama tikai auglīgos apstākļos.
Bērza augstuma un virsaugstuma augšanas gaitas modeļi prognozē mežsaimnieciski loģisku daudz straujāku augšanu agrākā vecumā selekcionētam materiālam, kategorijai “pārāks” augot nedaudz straujāk par kategoriju “uzlabots” (11.4., 11.17.att.). Tomēr līdzīgi kā eglei, modificētais modelis būtu izmantojams prognozēm auglīgos augšanas apstākļos, kas ir praktiski nozīmīgi, ņemot vērā selekcionēta stādmateriāla izmantošanu sugai piemērotos apstākļos.
Kopumā virsaugstuma augšanas gaitas modeļi raksturojami ar augstāku precizitāti (11.5., 00.0.xxx., 00.0.xxx.).
00.0.xxxxxx
Augstuma augšanas gaitas modeļu aproksimētās koeficientu vērtības un to statistiskie rādītāji
Suga | Selekcijas grupa | Koeficients | Vērtība | Standartkļūda | 95 % ticamības intervāls | |
Minimums | Maksimums | |||||
Priede | Uzlabots | g1 | 0.963721 | 0.005571 | 0.9527987 | 1.0387941 |
g2 | 0.681738 | 0.017909 | 0.6466309 | 0.7168452 | ||
g3 | 0.693267 | 0.017689 | 0.6585879 | 0.727947 | ||
Pārāks | g1 | 1.010671 | 0.014345 | 0.9825484 | 1.0387941 | |
g2 | 0.860362 | 0.058671 | 0.7453372 | 0.975387 | ||
g3 | 0.87077 | 0.057942 | 0.7564804 | 0.983674 | ||
Egle | Uzlabots | g2 | 0.594752 | 0.008034 | 0.5790048 | 0.6104983 |
g3 | 0.616034 | 0.007696 | 0.6009497 | 0.6311189 | ||
Pārāks | g2 | 0.605453 | 0.022968 | 0.5604344 | 0.6504713 | |
g3 | 0.625505 | 0.022094 | 0.5821998 | 0.6688111 | ||
Xxxxx | Xxxxxxxx | g2 | 0.253636 | 0.003137 | 0.2474877 | 0.2597843 |
g3 | 0.272179 | 0.003037 | 0.2662272 | 0.2781313 | ||
Pārāks | g2 | 0.23743 | 0.010089 | 0.2176554 | 0.2572055 | |
g3 | 0.254379 | 0.00981 | 0.2351509 | 0.2736064 | ||
11.6.tabula
Augstuma augšanas gaitas modeļu prognozētā augstuma pieauguma statistiskie rādītāji
Suga | MRES | MRES% | AMRES | RMSE | RMSE% | MSE | MEF | VR | R2 | N |
Priede | 0.007 | 0.044 | 0.950 | 1.280 | 8.224 | 1.650 | 0.089 | 0.923 | 0.918 | 4308 |
Egle | 0.077 | 1.527 | 0.441 | 0.717 | 14.298 | 0.514 | 0.052 | 1.040 | 0.945 | 19219 |
Bērzs | 0.050 | 0.356 | 1.283 | 1.600 | 11.496 | 2.570 | 0.205 | 1.027 | 0.789 | 23702 |
11.2.att. Priedes selekcijas uzlabojuma pakāpes (uzlabots vai pārāks) specifiska aproksimētā vidējā augstuma augšanas gaita atkarībā no nemodificētās GADA funckijas augstuma krūšaugstuma vecumā 100 gadi (H100 = 39; 33; 27; 21; 15; 9 m). Gaiši zilā krāsā fonā attēlota izmantotā datukopa funkcijas modificēšanai.
11.3.att. Egles selekcijas uzlabojuma pakāpes (uzlabots vai pārāks) specifiska aproksimētā vidējā augstuma augšanas gaita atkarībā no nemodificētās GADA funckijas augstuma krūšaugstuma vecumā 100 gadi (H100 = 39; 33; 27; 21; 15; 9 m). Gaiši zilā krāsā fonā attēlota izmantotā datukopa funkcijas modificēšanai.
11.4.att. Bērza selekcijas uzlabojuma pakāpes (uzlabots vai pārāks) specifiska aproksimētā vidējā augstuma augšanas gaita atkarībā no nemodificētās GADA funckijas augstuma krūšaugstuma vecumā 50 gadi (H50 = 33; 27; 21; 15; 9 m).
Gaiši zilā krāsā fonā attēlota izmantotā datukopa funkcijas modificēšanai.
11.7.tabula
Virsaugstuma augšanas gaitas modeļu aproksimētās koeficientu vērtības un to statistiskie rādītāji
Suga | Selekcijas grupa | Koeficients | Vērtība | Standartkļūda | 95 % ticamības intervāls | |
Minimums | Maksimums | |||||
Priede | Uzlabots | g1 | 1.06486 | 0.0145 | 1.0363668 | 1.093348 |
g2 | 0.9695 | 0.06765 | 0.8366184 | 1.102377 | ||
g3 | 0.99353 | 0.06668 | 0.8625477 | 1.124507 | ||
Pārāks | g1 | 1.19874 | 0.04186 | 1.1165242 | 1.280961 | |
g2 | 1.78192 | 0.37492 | 1.0454956 | 2.518338 | ||
g3 | 1.80144 | 0.36626 | 1.0820294 | 2.520844 | ||
Egle | Uzlabots | g1 | 0.939505 | 0.003674 | 0.9322968 | 0.9467139 |
g2 | 0.513669 | 0.017795 | 0.4787599 | 0.548579 | ||
g3 | 0.523906 | 0.017523 | 0.489531 | 0.5582815 | ||
Pārāks | g1 | 0.934716 | 0.008755 | 0.9175406 | 0.951892 | |
g2 | 0.541935 | 0.043908 | 0.4557995 | 0.6280708 | ||
g3 | 0.550739 | 0.043397 | 0.4656036 | 0.6358735 | ||
Xxxxx | Xxxxxxxx | g1 | 0.870861 | 0.005298 | 0.86046902 | 0.8812522 |
g2 | 0.1 | 0.013053 | 0.07439605 | 0.1256039 | ||
g3 | 0.113914 | 0.012758 | 0.08888799 | 0.1389394 | ||
Pārāks | g1 | 0.856268 | 0.016234 | 0.82442454 | 0.8881123 | |
g2 | 0.089942 | 0.040486 | 0.01052986 | 0.1693548 | ||
g3 | 0.102181 | 0.039627 | 0.02445384 | 0.179909 | ||
11.8.tabula
Virsaugstuma augšanas gaitas modeļu prognozētā augstuma pieauguma statistiskie rādītāji
Suga | MRES | MRES% | AMRES | RMSE | RMSE% | MSE | MEF | VR | R2 | N |
Priede | 0.003 | 0.019 | 0.821 | 1.050 | 6.397 | 1.090 | 0.078 | 0.927 | 0.927 | 567 |
Egle | -0.039 | -0.478 | 0.366 | 0.527 | 6.454 | 0.278 | 0.005 | 0.984 | 0.995 | 1336 |
Bērzs | 0.024 | 0.129 | 0.871 | 1.090 | 5.974 | 1.200 | 0.039 | 0.976 | 0.962 | 1556 |
11.5.att. Priedes selekcijas uzlabojuma pakāpes (uzlabots vai pārāks) specifiska aproksimētā virsaugstuma augšanas gaita atkarībā no nemodificētās GADA funkcijas augstuma krūšaugstuma vecumā 100 gadi (H100 = 39; 33; 27; 21; 15; 9 m). Gaiši zilā krāsā fonā attēlota izmantotā datukopa funkcijas modificēšanai.
11.6.att. Egles selekcijas uzlabojuma pakāpes (uzlabots vai pārāks) specifiska aproksimētā virsaugstuma augšanas gaita atkarībā no nemodificētās GADA funckijas augstuma krūšaugstuma vecumā 100 gadi (H100 = 39; 33; 27; 21; 15; 9 m).
Gaiši zilā krāsā fonā attēlota izmantotā datukopa funkcijas modificēšanai.
11.7.att. Bērza selekcijas uzlabojuma pakāpes (uzlabots vai pārāks) specifiska aproksimētā virsaugstuma augšanas gaita (2.1. formula) atkarībā no nemodificētās GADA funckijas augstuma krūšaugstuma vecumā 50 gadi (H50 = 33; 27; 21; 15; 9 m). Gaiši zilā krāsā fonā attēlota izmantotā datukopa funkcijas modificēšanai.
11.8.att. Starpība starp uzmērīto un prognozēto augstumu (novirze) atkarībā no prognozētā augstuma.
Tā kā caurmēra pieaugums, šķērslaukuma pieaugums, x.xx., normālais šķērslaukums, atbilstoši izveidotajai vienādojumu sistēmai, ir atkarīgs no augstuma vai bonitātes, tad vienādojumu sistēma paredz arī augstāku ražību pēc pārējiem parametriem.
12. Kopšanas ciršu eksperimentālo parauglaukumu ierīkošana
No 8631 kopšanas ciršu nogabaliem sākotnēji atlasīti 2440 nogabali pēc kritērijiem:
1) platība vismaz 1,2 ha;
2) valdošās sugas sastāva koeficients 8.
Tālāk ortofoto kartē novērtēts audzes viendabīgums un konfigurācija un no 2440 nogabaliem atlasīti 740 nogabali, kam arī izveidotas kartes ar parauglaukumu izvietojumu nogabalā. Apsekojot dabā, vērtēts augšanas apstākļu viendabīgums, audzes sastāvs, biezība, reljefs, vēja bojājumi. Rezultātā no 740 nogabaliem kā derīgi atlasīti 224 nogabali. Dienvidkurzemē un Vidusdaugavā netika konstatētas pētījumam piemērotas zemo bonitāšu priežu audzes. Turklāt konstatēts, nevienmērīgs dažādu vecumgrupu bērzu un egļu audžu sadalījums pa mežsaimniecībām, piemēram, pētījumam piemērotās bērzu audzes vecumgrupā 21-30 gadi netika konstatētas Austrumvidzemē, bet to bija daudz Vidusdaugavā. Līdz ar to, lai aizpildītu matricu, tika pieņemts lēmums izdalīt divus reģionus – rietumu reģionu (Ziemeļkurzeme un Dienvidkurzeme) un austrumu reģionu (Vidusdaugava un Austrumvidzeme).
Katrā objektā ierīkoti 10 vai 12 30x30m lielus parauglaukumus, kur pēc kopšanas cirtes paliekošo koku biezība paredzēta 0.38, 0.53, 0.68, 0.80, 0.53a (kopšana no augšas) un kontrole, kur netiek veikta kopšana. Parauglaukumi ierīkoti divos atkārtojumos. Ja sākotnēji paredzams, ka nevarēs ierīkot parauglaukumu ar atstājamo koku biezību 0.8, kā arī, ja nogabala platība nav pietiekami liela, lai ierīkotu 12 parauglaukumus, tad ierīko 10 parauglaukumus (izņemot, vienā gadījumā 11 PL). Daļā gadījumu (11 objekti), ja sākotnēji paredzams, ka nevarēs ierīkot parauglaukumu ar atstājamo koku biezību 0.68 (pārsvarā zemo bonitāšu priežu audzēs), tad ierīkoti 10 parauglaukumi (izņemot, vienā gadījumā 8 PL), kur 0.68 biezības vietā ierīkoti papildus 0.53 un 0.53a (kopšana no augšas) biezības parauglaukumi. Parauglaukumu konfigurācijas un ciršanas intensitātes shēmas paraugs dots 12.1. attēlā.
a)
b)
12.1. attēls. Parauglaukumu konfigurācijas un ciršanas intensitātes shēmas paraugs.
a) - parauglaukumu konfigurācija cirsmas skicē; b) - parauglaukumu ciršanas intensitātes shēma.
Kopā ir ierīkoti 107 objekti (12.2. attēls). Latvijas rietumdaļā ierīkoti 51 objekti, austrumdaļā 56 objekti (12.3.attēls). Pavisam kopā uzmērīti 1145 parauglaukumi ar kopējo platību 103.05 hektāri, nodastoti 151404 koki, augstumi mērīti 12508 kokiem.
Rietumdaļa | 00-00 | 00-00 | 51-70 | kopā |
P1 | 6 | 9 | 8 | 23 |
P2 | 3 | 6 | 9 | |
E | 6 | 6 | 2 | 14 |
B | 3 | 2 | 5 | |
51 | ||||
Austrumdaļa | 00-00 | 00-00 | 51-70 | kopā |
P1 | 7 | 8 | 7 | 22 |
P2 | 4 | 4 | ||
E | 6 | 6 | 4 | 16 |
B | 6 | 4 | 4 | 14 |
56 | ||||
Kopā | 00-00 | 00-00 | 51-70 | kopā |
P1 | 13 | 17 | 15 | 45 |
P2 | 3 | 10 | 13 | |
E | 12 | 12 | 6 | 30 |
B | 6 | 7 | 6 | 19 |
107 | ||||
12.2. attēls. Ierīkotie objekti sadalījumā pa reģioniem un vecuma grupām.
P1 - priede Ia, I, II bonitāte; P2 - priede III, IV bonitāte.
12.3. attēls. Ierīkoto objektu teritoriālais izvietojums
Pilnībā aizpildīta matrica ir P augsto bonitāšu audzēs un E audzēs vecuma grupā 21-30 gadi un 31-50 gadi. Vismazāk objektu ir pārstāvēti priežu audzēs zemajās bonitātēs vecuma grupās 31-50 gadi (12.2. attēls), kā arī nav neviena objekta priežu audzēs vecuma grupā 21-30 gadi. Jo apsekojot dabā zemo bonitāšu priežu audzes, lielākā daļa audžu tika konstatētas ar augstāku bonitāti. Daļā atlasīto zemo bonitāšu priežu audžu uzmērot parauglaukumus konstatēts, ka, lai gan daļā parauglaukumu bonitāte ir III, tomēr lielākajā daļā parauglaukumu bonitāte ir II, līdz ar to arī visa objekta bonitāte ir II.
Ierīkotajos objektos vidējā audzes biezība pirms ciršanas ir robežās no 0,61 līdz 1,26.
Visi uzmērītie kopšanas ciršu parauglaukumi (izņemot vienu nenocirsto objektu) pārmērīti pēc mežizstrādes veikšanas. Sagatavotas parauglaukumu shēmas un raksturojošā informācija. Sanitāro ciršu gadījumā daļa objektu (12) apsekoti atkārtoti, pirms sanitārās cirtes veikšanas. 5 objektos sanitārās cirtes veiktas jau 2 reizes pēc krājas kopšanas cirtēm.
13. Kopšanas ciršu ietekmes modeļu izstrāde
KKC normatīvais ietvars
Atbilstoši Meža likuma definējumam:
Kopšanas cirte — cirtes veids mežaudzes sastāva un paliekošās mežaudzes koku augšanas apstākļu uzlabošanai.
Šī pētījuma ietvaros skatīta tikai kopšanas ciršu ietekme uz koku augšanas gaitu, t.i., koku spēju producēt stumbra biomasu, bet nav skatīta iespējamā kopšanas ciršu ietekme uz koku stumbra koksnes kvalitāti, vai ietekmi uz citiem meža ekosistēmu sniegtajiem pakalpojumiem, piem., bioloģisko daudzveidību, piemērotību rekreācijai, oglekļa piesaiste utt. Atbilstoši normatīvajiem aktiem, kopšanas cirti reglamentē sekojoši rādītāji
– minimālais un kritiskais šķērslaukums, kā arī vecums (netieši) – galvenās cirtes vecumu sasniegušās audzēs kopšanas cirti vismaz formāli nevar veikt, tās vietā cirte nosaucama par izlases cirti, jo galvenā cirte — cirtes veids mežaudzes nociršanai vienā paņēmienā vai vairākos paņēmienos pēc galvenās cirtes vecuma vai galvenās cirtes caurmēra sasniegšanas. Normatīvos ir noteikts: kritiskais šķērslaukums — mežaudzes šķērslaukuma robežvērtība, par kuru mazākas vērtības gadījumā nav iespējama mežaudzes apmierinoša attīstība un mežaudze ir atjaunojama, kā arī minimālais šķērslaukums — mazākais mežaudzes šķērslaukums, kāds nepieciešams, lai būtu iespējama turpmāka produktīva mežaudzes attīstība. Kopšanas cirtes atstāj tūlītējas izmaiņas kokaudzes sugu sastāvā, dimensiju struktūrā (koku sadalījums pa caurmēra pakāpēm un augstuma grupām), kā arī vertikālajā un horizontālajā struktūrā (koku telpiskais izvietojums). Tās var ietekmēt arī kokaudzes veselības (fitosanitāro stāvokli) stāvokli, gan to uzlabojot, gan arī pazeminot.
P.Xxxxxxx&X.Jansons (2009) (intensīvi koptas jaunaudzes) iesaka līdz 5 m augstuma sasniegšanai jaunaudzes retināt līdz 1500-2000 gab. ha-1. Šādās audzēs līdz 20m vidējā augstuma sasniegšanai starpaudze vēl neveidojas. Mērķa audzēs (atbilstoši 1985.g. vadlīnijas) salīdzinājumā ar t.s. elitārajām audzēm galvenās cirtes brīdī priežu audzēs ir 50%, egļu tīraudzēs - 62% un bērzu tīraudzēs 59% no elitāro (laicīgi izretināto) audžu krājas. Audžu retināšana, kuru vidējais augstums pārsniedz 10 m, saistāma tikai ar ekonomisko situāciju – cik rentabla ir tievo koku izciršana.
LVM izstrādātās vadlīnijas
LVM izstrādātās vadlīnijas apkopotas “Kopšanas ciršu rokasgrāmatā”, 2008.
Krājas kopšanas cirtes modeļi veidoti atkarībā no valdaudzes (I-III Krafta klase) vidējā augstuma m, minimālais šķērslaukums līdz kuram var izretināt audzi, kā arī vidējam augstumam atbilstošā šķērslaukuma, kuru pārsniedzot kopšanas cirte ir jāveic.
Izstrādāti 11 kopšanas ciršu modeļi P, E, mīkstajiem lapu kokiem tīraudzēm un mistraudzēm dažādās MT grupās.
LVM krājas kopšanas ciršu modeļi, pēc mūsu rīcībā esošās informācijas, balstīti uz Latvijai tuvu reģionu (Dienvidzviedrija, Krievijas rietumu apgabali) vajadzībām izstrādātiem modeļiem, kā arī empīrisko pieredzi, analizējot LVM iepriekšējās saimnieciskās darbības datus.
Salīdzinot šķērslaukumu pieaugumu indikatīvās vērtības LVM kopšanas ciršu rokas grāmatā (2008) un augšanas gaitas simulatora prognozētās vērtības, konstatēts, ka vienādojumi, kas izstrādāti uz MSI 3 ciklu datiem (2.nodaļa), koptajās audzēs neprognozē tik strauju šķērslaukuma uzkrāšanās tempu kā LVM izstrādātie modeļi. Pārbaudot 1. un 4. cikla (15 gadu) šķērslaukuma prognozes atsevišķi analizējot MSI parauglaukumus, kuros ir veikta kopšanas cirte, konstatēts, ka audzēs ar mazāku šķērslaukumu gan priedes, gan egles, gan bērzu audžu paraugkopā ir lielāka sistemātiskā kļūda, t.i., tiek prognozēts mazāks šķērslaukums nekā reāli konstatēts pārmērījumā. Tā kā pašreizējā pētījumu etapā nosacījums no pasūtītāja puses bija, ka vienādojumi nav maināmi, tad ņemot vērā 2.nodaļā konstatēto, kā pagaidu risinājumu ieteicams izvēlēties korekciju proporcionāli šķērslaukumam, pirms tam gan pārbaudot uz vismaz 2 gadu MSI parauglaukumu datiem, vai tā nav tikai nejaušība. Tālākajos pētījumos šķērslaukuma pieaugumā iekļaut arī kopšanas ciršu efektu uz šķērslaukuma papildus pieaugumu veidošanos.
Augšanas gaitas simulātors AGM, kurā apvienoti šī projekta ietvaros uz MSI 3 ciklu datiem izstrādātie ir detālāks, tādēļ simulāciju veikšanai nepieciešama arī informācija ne tikai par sākotnējo šķērslaukumu un Hg, bet arī par Dg, jo Dg pieaugums ir atkarīgs relatīvās biezības, kā arī kopšanas pakāpes un kopšanas veida.
Kopšanas cirtes veida un pakāpes (intensitātes) raksturošanai izmanto sekojošus rādītājus (xxx Xxxxx, Hui, 1999):
Kopšanas cirte pakāpe pēc šķērslaukuma
rG = Gizc/Gkop (13.1)
rG – kopšanas cirtes pakāpe pēc šķērslaukuma; Gizc – izcirstais šķērslaukums, m2ha-1;
Gkop – kopējais šķērslaukums, m2ha-1.
✓ Kopšanas cirte pakāpe pēc skaita
rN = Nizc/Nkop | (13.2) | ||
rN | – | kopšanas cirtes pakāpe pēc skaita; | |
Gizc | – | izcirstais šķērslaukums, m2ha-1; | |
Gkop | – | kopējais šķērslaukums, m2ha-1. |
Kopšanas cirtes tips
NG=(Nizc/Nkop)/(Gizc/Gkop) (13.3)
ja neitrāla atlase, tad NG = 1.0; ja kopšana no apakšas, tad NG >1.0; ja kopšana no augšanas, tad NG<1.0;
Tā kā praksē kopšanas cirtes tipu parasti nosaka tikai konceptuāli - kopšana no apakšas, kopšana no augšas vai kombinētā kopšana, jo kopšanas laikā tiek noteikti arī koku izvēles kvalitatīvie rādītāji, bet no normatīvu viedokļa ir svarīgi, lai nebūtu pārkāpta Gmin vērtība, tad iepriekšējā aprēķinu modelī paredzēja, ka kopšanas cirtes tips nemainās un visos gadījumos tas ir 1.15, t.i., augšanas gaitas simulatora prototipā iestrādāta attiecība, ka kopšanas ciršu rezultātā izcirsto koku šķērslaukuma un izcirsto koku skaita īpatsvaru attiecība (NG=1.15). Lai prognožu modeli varētu pilnveidot, ierīkoto parauglaukumu dati ļauj pārliecināties par šī pieņēmuma pareizību. Tāpat modelī vienkāršības labad tika pieņemts, ka visas sastāvā esošās koku sugas tiek cirstas proporcionāli to krājai, kas ne vienmēr atbilst praksē veiktajam.
Šeit būtu jāatgādina, ka pētījuma mērķis ir noskaidrot dažāda vecuma priedes, egles un bērza tīraudžu turpmāko augšanas gaitu pēc dažādas pakāpes kopšanas cirtēm.
Šajā pētījumu stadijā ir veikti tikai iekārtoto parauglaukumu pārmērījumi, tūlīt pēc kopšanas cirtes veikšanas, tādēļ definēts, ka jānoskaidro kopšanas ciršu tūlītēja ietekme uz kokaudzes struktūras izmaiņām:
1) NG atkarībā no izvēlētā saglabājamās relatīvās biezības
2) Dg izmaiņas pēc cirtes atkarībā no cirtes pakāpes un saglabātās relatīvās biezības.
Materiāls un metodika
Izmantoti dati par šī pētījuma ietvaros ierīkotajiem parauglaukumiem 107 pētījumu objektos, kuros iekārtoti 1145 parauglaukumi un uzmērīti 151 460 koki. Atkarībā no sākotnējās biezības katrā objektā veiktas kopšanas cirtes samazinot paliekošās audzes biezību līdz ~0.38, 0.53, 0.53 (kopšana no augšas), 0.68, un 0.8 skat tabula.
13.1. tabula
Parauglaukumu skaits pa valdošajām sugām un saglabāto (nominālo) biezību pēc kopšanas cirtes
Vald.suga | Biezība pēc cirtes | Kopā | |||||
0.38 | 0.53 | 0.68 | 0.8 | 0.53a | kontr | ||
Priede | 118 | 127 | 95 | 35 | 129 | 116 | 620 |
Egle | 60 | 61 | 60 | 31 | 59 | 60 | 331 |
Bērzs | 36 | 37 | 35 | 2 | 38 | 46 | 194 |
Kopā | 214 | 225 | 190 | 68 | 226 | 222 | 1145 |
Lai noskaidrotu kopšanas cirtes pakāpes ietekmi uz palikušās kokaudzes taksācijas rādītājiem, katram parauglaukumam aprēķināts: biezība (pēc normatīva), kā faktiskā un normālajam šķērslaukuma attiecību.
NG izmaiņas aprēķinātas atbilstoši parauglaukumos pārmērītajiem lielumiem.
Tāpat katram parauglaukumam aprēķināta I stāva koku Dg pirms cirtes un Dg pēc cirtes. Datu sākotnējam izvērtējumam izveidotas datu matricas.
Rezultāti
NG izmaiņas pēc kopšanas cirtes
Izvērtējot to kā mainās NG vērtības atkarībā no cirtes pakāpes (t.i. cik daudz no sākotnējā šķērslaukuma izcirsts izsakot to kā biezības starpību pirms un pēc cirtes un koku vecumu cirtes brīdī (skat. 13.2. tabulu), redzams, ka visām 3 sugām vērojama tendence, jo relatīvi vairāk tiek izcirsts, jo mazāks ir mazāko koku īpatsvars izcirstajā daļā, t.i., kopšana tiešām tiek veikta no “apakšas”. Šajā analīzē (datu kopā) netika iekļauti parauglaukumi, kurus bija plānots kopt “no augšas”. Izvērtējot pēdējos atsevišķi, konstatēts, ka kopjot no “augšas” lielākajā daļā gadījuma NG vērtība bija robežās no 0.9-1.0, kas drīzāk norāda uz neitrālu I stāva koku kopšanu. To visdrīzāk ietekmē tehniskā iespēja piekļūt lielākajiem kokiem I Krafta klases kokiem, saglabājot III Krafta klases kokus.
13.2.tabula
NG vērtības atkarībā no biezības pirms cirtes un biezības pēc cirtes dažāda vecuma audzēs
Average of NG | Biezības starpība starp sākontējo un paliekošo audzes daļu | ||||||||||
Vecumdesmitgade | 0.0 | 0.1 | 0.2 | 0.3 | 0.4 | 0.5 | 0.6 | 0.7 | 0.8 | 0.9 | Vidēji |
Priede | 1.52 | 1.44 | 1.40 | 1.33 | 1.26 | 1.25 | 1.25 | 1.19 | 1.12 | 1.35 | |
20 | 1.20 | 1.31 | 1.33 | 1.19 | 1.20 | 1.08 | 1.22 | ||||
30 | 1.11 | 1.33 | 1.34 | 1.29 | 1.24 | 1.26 | 1.28 | 1.23 | 1.30 | ||
40 | 1.76 | 1.55 | 1.42 | 1.31 | 1.33 | 1.25 | 1.17 | 1.15 | 1.12 | 1.39 | |
50 | 1.55 | 1.50 | 1.39 | 1.31 | 1.40 | 1.28 | 1.21 | 1.42 | |||
60 | 1.43 | 1.40 | 1.39 | 1.27 | 1.28 | 1.28 | 1.36 | ||||
70 | 1.40 | 1.39 | 1.29 | 1.19 | 1.18 | 1.32 | |||||
Egle | 1.43 | 1.37 | 1.35 | 1.30 | 1.25 | 1.23 | 1.21 | 1.17 | 1.13 | 1.29 | |
20 | 1.21 | 1.19 | 1.18 | 1.13 | 1.18 | ||||||
30 | 1.66 | 1.39 | 1.33 | 1.25 | 1.21 | 1.19 | 1.14 | 1.17 | 1.28 | ||
40 | 1.50 | 1.33 | 1.20 | 1.29 | 1.34 | 1.25 | 1.28 | 1.15 | 1.28 | ||
50 | 1.48 | 1.32 | 1.38 | 1.30 | 1.29 | 1.25 | 1.22 | 1.14 | 1.33 | ||
60 | 1.26 | 1.39 | 1.26 | 1.17 | 1.16 | 1.06 | 1.24 | ||||
Bērzs | 1.38 | 1.32 | 1.32 | 1.28 | 1.28 | 1.21 | 1.22 | 1.27 | 1.29 | ||
20 | 1.29 | 1.19 | 1.31 | 1.25 | 1.24 | 1.16 | 1.25 | ||||
30 | 1.20 | 1.33 | 1.24 | 1.22 | 1.23 | 1.19 | 1.24 | ||||
40 | 1.54 | 1.80 | 1.52 | 1.31 | 1.47 | 1.29 | 1.24 | 1.27 | 1.38 | ||
50 | 1.14 | 1.40 | 1.30 | 1.31 | 1.27 | 1.31 | |||||
60 | 1.67 | 1.28 | 1.26 | 1.23 | 1.19 | 1.21 | 1.28 | ||||
Grand Total | 1.52 | 1.43 | 1.39 | 1.33 | 1.28 | 1.26 | 1.23 | 1.21 | 1.17 | 1.13 | 1.32 |
Secinājums ir, ka pieņēmums modelī par NG 1.15 ir kļūdains. Kopšanas cirtēs tīraudzēs dominē kopšana no apakšas. Tas gan, iespējams, ir saistīts ar faktu, ka pievešanas ceļi daļā no pētījumu objektiem jau bija izveidoti pirms eksperimentālās kopšanas, t.i., iepriekšējo kopšanu laikā. Tādēļ nākotnē šo aspektu vajadzētu izvērtēt atsevišķi.
Dg izmaiņas pēc kopšanas cirtes
Izvērtējot datu kopu, kurā iekļauti tie parauglaukumi, kuros veikta kopšana no apakšas, visām 3 sugām konstatēts, ka palielinoties kopšanas cirtes pakāpei, pieaug paliekošo koku Dg salīdzinot ar Dg pirms kopšanas, pie tam absolūtās vienībās šī atšķirība ir lielā vecākās audzēs.
13.3.tabula
Dg starpība pirms cirtes un pēc cirtes atkarībā no biezības pirms cirtes un biezības pēc cirtes dažāda vecuma audzēs
Biezības starpība starp sākontējo un paliekošo audzes daļu | |||||||||||
Vecumdesmitgade | 0.0 | 0.1 | 0.2 | 0.3 | 0.4 | 0.5 | 0.6 | 0.7 | 0.8 | 0.9 | Vidēji |
Priede | 0.31 | 0.76 | 1.29 | 1.80 | 2.14 | 2.75 | 3.40 | 2.82 | 2.72 | 1.63 | |
20 | 0.08 | 0.36 | 0.78 | 1.05 | 1.35 | 1.16 | 0.95 | ||||
30 | 0.07 | 0.42 | 0.97 | 1.41 | 1.81 | 2.42 | 3.54 | 4.27 | 1.33 | ||
40 | 0.48 | 0.79 | 1.20 | 1.51 | 2.09 | 2.72 | 3.29 | 1.94 | 2.72 | 1.45 | |
50 | 0.97 | 1.67 | 2.16 | 2.46 | 2.51 | 3.75 | 3.41 | 1.97 | |||
60 | 0.73 | 1.26 | 1.78 | 2.27 | 2.98 | 4.17 | 1.79 | ||||
70 | 0.95 | 1.49 | 2.17 | 2.05 | 3.09 | 1.76 | |||||
Egle | 0.90 | 1.07 | 1.51 | 1.85 | 2.01 | 2.70 | 3.21 | 2.83 | 3.21 | 1.95 | |
20 | 0.55 | 0.83 | 1.51 | 1.41 | 1.02 | ||||||
30 | 0.99 | 1.26 | 1.59 | 1.83 | 2.31 | 2.62 | 2.52 | 3.73 | 1.90 | ||
40 | 1.32 | 1.35 | 1.78 | 2.67 | 3.75 | 3.85 | 3.66 | 3.93 | 2.68 | ||
50 | 1.01 | 1.15 | 1.79 | 2.29 | 2.21 | 3.30 | 3.97 | 3.62 | 2.01 | ||
60 | 0.54 | 1.27 | 1.49 | 2.36 | 2.46 | 1.96 | 1.66 | ||||
Bērzs | 0.59 | 1.02 | 1.39 | 1.98 | 2.90 | 2.75 | 3.10 | 5.32 | 1.83 | ||
20 | 0.33 | 0.43 | 1.22 | 1.39 | 2.74 | 1.49 | 1.25 | ||||
30 | 0.36 | 0.92 | 0.99 | 1.38 | 2.09 | 1.44 | 1.30 | ||||
40 | 0.76 | 1.27 | 2.21 | 2.36 | 4.48 | 3.20 | 4.00 | 5.32 | 2.77 | ||
50 | 0.24 | 1.54 | 1.48 | 2.27 | 3.43 | 1.96 | |||||
60 | 1.14 | 1.12 | 1.41 | 1.83 | 3.15 | 2.85 | 1.72 |
Faktiski dati parāda, jo lielāka ir cirtes pakāpe, jo lielāki Dg pirms un Dg pēc starpība.
Taču šeit vēlreiz jāatgādina, ka daļa objektu pievešanas ceļi jau bija izveidoti pirms eksperimentālās kopšanas cirtes.
1. Balstoties uz meža statistiskās inventarizācijas parauglaukumu datiem izstrādāti augšanas gaitas modeļi meža elementu augšanas gaitas prognozēšanai. Izvērtējot, ar vienādojumiem prognozēto un reāli pēc 15 gadiem uzmērīto konstatēts, ka kopumā sistemātiskas atšķirības D,H, G prognozēs nav, tomēr koptajās audzēs G pieaugums tiek prognozēts piesardzīgāk nekā dabā konstatēts pārmērījumā. Tomēr ņemot vērā, ka pārbaude veikta uz viena gada mērījumu datiem, pašreizējā posmā ieviest kalibrācijas/korekcijas koeficientus nerekomendējam.
2. Izstrādāts , kurās nav konstatēta saimnieciskā darbība, audžu mediānā šķērslaukuma stāvokli raksturojošs vienādojums dažādām valdošajām sugām un augstuma grupām. Atbilstošo vienādojumu rekomendējam izmantot neapsaimniekotu modelēšanai, kas ļautu daļēji ietvert dabiskos traucējumu izraisītu atmiršanu šādās audzēs.
3. Izstrādāts detalizēts augšanas gaitas vienādojumu sistēmas apraksts, kuru rekomendējam izmantot sistēmu testēšanā.
4. Izstrādāti vienkāršoti individuālu koku augšanas gaitas modeļi, kuri nākotnē potenciāli izmantojami, ja LVM savu plānošanas sistēmu pārveido uz tādu, kurā tiek modelēta atsevišķu koku augšana.
5. Izstrādātas sistēmas LGIA LiDAR datu izmantošanai tīraudžu vidējā augstuma rādītāju aprēkiniem un precizēšanai, ņemot vērā LiDAR datu mērījumu sezonu. Papildus tam izstrādāts vienādojumi tīraudžu augstuma aktualizācijai reģionos, ņemot vērā LiDAR ieguves gadu.
6. Pagarināta datu rinda par mežaudžu attīstību pēc grupu un vienlaidus pakāpeniskajām cirtēm.
Kopumā var secināt, ka pasākumu kopums – savlaicīgas vairākkārtējas agrotehniskās un sastāva kopšanas cirtes un savlaicīgs otrais cirtes paņēmiens, ir veids kā veicināt sekmīgu priedes dabisko atjaunošanos, cērtot grupu pakāpeniskās cirtes. Ieteicams arī veikt palikušās audzes daļas izretināšanu jau pirmajā cirtes paņēmienā. Savukārt, ja pirmajos gados pēc grupu cirtes pirmā paņēmiena xxxx xxxx tipā nav veiktas atkārtotas agrotehniskās un sastāva kopšanas, un, pat ja ir veikts grupu cirtes otrais paņēmiens 12 gadus pēc pirmā paņēmiena ar tam sekojošām sastāva kopšanas cirtēm, nav konstatēta sekmīga atjaunošanās ar priedi.
7. Iekārtota jauna kopšanas ciršu parauglaukumu sērija, kas ļaus iegūt informāciju par kopšanas ciršu efektu uz koku augšanas gaita mūsdienu mainīgajos klimatiskajos apstākļos, izmantojot dažādas intensitātes kopšanas cirtes.
Xxxxx X., Xxxxxxx X., Xxxxx X., Xxxxxx X. (2018). Augšanas gaitas modeļu pilnveidošana. Pētījumu projekta pārskats. 61 lpp.: Pieejams xxxxx://xxx.xxx.xx/xxxxxx/xxx/Xxxxxxxx_xx_xxxxxxxxxxxx/ Petijumi/starpatskaite-2018.pdf
Liepa I. Pieauguma mācība. Jelgava: LLU, 1996. 124 lpp.
Krumland B., Eng H., (2005). Site index systems for major young-growth forest woodland species in northern California. California Forestry Report 4. Department of Forestry and Fire Protection, State of California Resources Agency, Sacramento, CA
Xxxxxxx X.К. (1988) Функции роста леса учебно-справочное пособие (приложениу). Тарту. ст. 172.
Pielikums 1. Vienādojumu atbilstības izvērtēšanas statistiskie rādītāji
Vidējā novirze (Mean Residual) ∑(𝒚𝒊 − 𝒚̂𝜾) 𝑴𝑹𝑬𝑺 = 𝒏 | (21) | |||
Procentuālā vidējā novirze (Mean Residual as %) ∑(𝒚𝒊 − 𝒚̂𝜾) 𝑴𝑹𝑬𝑺% = 𝒏 𝟏𝟎𝟎 𝒚̅𝜾 | (22) | |||
Vidējā absolūtā novirze (Absolute Mean residual) ∑|𝒚𝒊 − 𝒚̂𝜾| 𝑨𝑴𝑹𝑬𝑺 = 𝒏 | (23) | |||
Standartnovirze (Root mean square error) ∑(𝒚𝒊 − 𝒚̂𝜾)𝟐 𝑹𝑴𝑺𝑬 = √ 𝒏 − 𝟏 − 𝒑 | (24) | |||
Variācijas koeficients (Root mean square error as %) ∑(𝒚𝒊 − 𝒚̂𝜾)𝟐 √ 𝒏 − 𝟏 − 𝒑 𝑹𝑴𝑺𝑬% = 𝒚̅ 𝟏𝟎𝟎 𝜾 | (25) | |||
Vidējā kvadrātiskā kļūda (Mean square error) ∑(𝒚𝒊 − 𝒚̂𝜾)𝟐 𝑴𝑺𝑬 = 𝒏 − 𝒑 | (26) | |||
Modeļa efektivitāte (Model efficiency) ∑(𝒚𝒊 − 𝒚̂𝜾)𝟐 𝑴𝑬𝑭 = ∑(𝒚 − 𝒚̅ )𝟐 𝒊 𝜾 | (27) | |||
Dispersijas attiecība (Variance ratio) ∑(𝒚̂ − 𝒚̅̂ 𝟐 𝑽𝑹 = 𝜾 𝜾) ∑(𝒚𝒊 − 𝒚̅𝜾)𝟐 | (28) | |||
kur | 𝑦𝑖 | – | uzmērītais rādītājs; | |
𝑦̂𝜄 | – | aprēķinātais rādītājs; | ||
𝑦̅𝜄 | – | aritmētiski vidējais uzmērītais rādītājs; | ||
𝑦̅̂𝜄 | – | aritmētiski vidējais aprēķinātais rādītājs; | ||
p | – | vienādojuma parametru skaits; | ||
n | – | novērojumu skaits. | ||