Mô hình ước tính sinh khối rừng sử dụng biến số đầu vào cộng đồng có khả năng đo đạc

ố 1,3 m, vì nó là phổ biến 
 theo quy luật ± 2S ứng với dữ liệu nằm trong 
trong thiết lập mố i quan hệ này (Temesgen et al., 
 phân bố chuẩn với độ tin cậy 95%. Chia biến độ ng 
2014). Kết quả ở bảng 8 cho thấy cả hai mô hình 
 H thành ba cấp. Kết quả có chiều cao chỉ thị Si cho 
đều cho kết quả thố ng kê và thẩm định sai số gần 
 3 cấp Hi ở cấp kính trung bình 35 cm là: S26 = 26 m, 
như nhau. Do vậy mô hình lựa chọ n là mô hình 
 S21 = 21 m và S16 = 16 m. Thay đổ i tham số ai và cố 
power đơn giản hơn, không có hằng số 1,3 m. Sau 0,568826
 định b củ a hàm mũ cho cấp Hi: ai = Si / 35 
khi đánh giá, sử dụ ng toàn bộ số liệu để ước 
 Kết quả cho các tham số ai: a1 = 3,409200, a2 = 
lượng các tham số củ a các mô hình lựa chọ n 
 2,743552 và a3 = 2,077904. 
H/DBH, kết quả được trình bày ở bảng 9. 
 b
 Phương trình quan hệ H = ai × DBH theo 3 
Bảng 9. Tham số của mô hình H = f(DBH) lựa chọ n, 
 cấp Hi: 
 trên cơ sở toàn bộ dữ liệu 
 0,568826 
 Cấp H 1 với S26: H = 3,409200 × DBH (10)
 Sai số tiêu 
 0,568826 
 Mô hình Tham số chuẩn củ a tham Cấp H 2 với S21: H = 2,743552 × DBH (11) 
 0,568826 
 lựa chọ n số Cấp H 3 với S16: H = 2,077904 × DBH (12) 
 a b a b 
 Trong thực tế để xác định chiều cao chỉ thị Si 
 H = 2,796423 0,568826 0,16550 0,021573 tiến hành đo H, DBH khoảng 3 cây trong mộ t cấp 
 b
 a×DBH 3 kính đại diện củ a lâm phần (ví dụ rừng non thì có 
Ghi chú: Các tham số đề u có mức ý nghĩa P- thể đo ở cấp kính nhỏ 10 - 20 cm, trong khi đó 
value < 0,0001 rừng thành thụ c thì nên tiếp cận cấp kính 30 - 40 
 cm), sau đó tính trung bình có i và i. Chiều 
 cao chỉ thị Si tại DBH = 35 cm củ a lâm phần điều 
104 N«ng nghiÖp vµ ph¸t triÓn n«ng th«n - KỲ 1 - TH¸NG 12/2016 
 KHOA HỌ C CÔNG NGHỆ 
tra (chỉ số lập địa Si) sẽ được tính toán theo công ba cấp chiều cao chỉ thị Si (chỉ số lập địa) sẽ nâng 
thức sau: cao độ chính xác rõ rệt vì các đường cong này 
 0,568826 bao phủ hầu như toàn bộ dữ liệu AGB quan sát 
 Si = i × (35 / i) (13) 
 theo cấp DBH. 
 b
 Hình 4 biểu diễn mô hình Hi = ai×DBH theo 
 3.5. Mô hình sinh khố i lâm phần (TAGB, TBGB) 
ba cấp chiều cao chỉ thị khác nhau Si. Hình này cho 
thấy việc phân chia 3 cấp H là phù hợp, các đường theo biến số BA 
cong H/DBH phủ khá kín đám mây điểm quan sát Thiết lập mô hình ước tính sinh khố i lâm phần 
thực tế H/DBH. trên và dưới mặt đất (TAGB và TGBG, tấn/ha) với 
 b biến số đầu vào lâm phần có thể thu thập bởi 
 Thế các mô hình Hi = ai×DBH theo 3 cấp 
 cộ ng đồ ng địa phương là tổ ng tiết diện ngang 
chiều cao chỉ thị Si vào biến H củ a mô hình AGB = 
 2
a × DBH2H sẽ có được mô hình AGB với mộ t biến (BA, m /ha) bằng dụ ng cụ Bitterlich. Hình 6 cho 
 thấy xu hướng quan hệ giữa TAGB và TBGB theo 
số DBH và tham số ai thay đổ i theo chiều cao chỉ 
 b BA theo dạng đường thẳng hoặc dạng mũ ; vì vậy 
thị Si: AGB = ai×DBH : 
 các dạng mô hình này được thử nghiệm. Ngoài ra 
 2,469418 
 Cấp H 1: S26: AGB = 0,144171 × DBH (14) 
 nhìn vào các đồ thị này thấy rằng TAGB và TBGB 
 Cấp H 2: S : AGB = 0,116997 × DBH2,469418 (15) 
 21 biến độ ng càng cao khi BA tăng, vì vậy mô hình 
 2,469418 
 Cấp H 3: S16: AGB = 0,089569 × DBH (16) Maximum Likelihood có trọ ng số cần được áp 
 dụ ng để làm giảm sai số ước tính TAGB và TBGB 
 khi cấp BA tăng. 
 Kết quả ở bảng 10 cho thấy các mô hình dạng 
 power: TAGB = a×BAb và TBGB = a×BAb được lựa 
 chọ n vì có AIC trung bình bé hơn mô hình tuyến 
 tính. Sai số trung bình từ 200 lần rút mẫu 30% dữ 
 li u đ đánh giá không tham gia l p mô hình cho 
 ệ ể ậ
 Hình 5. Đ ồ thị ước lượng AGB theo mộ t biến số thấy các mô hình ước tính sinh khố i củ a lâm phần 
 DBH và ba cấp chiều cao chỉ thị Si so với dữ liệu có sai số nhỏ , MAPE 9,1 – 12,4%. 
 quan sát Các tham số củ a các mô hình sinh khố i lâm 
 Trong thực tế không cần đo H toàn bộ , chỉ phần lựa chọ n được ước tính từ toàn bộ số liệu; 
 cần xác định cấp Hi qua chiều cao chỉ thị Si để lựa kết quả được thể hiện ở hình 6 trình diễn mô hình 
 chọ n mô hình AGB theo mộ t biến DBH thích hợp mũ ước tính TAGB và TBGB theo BA so với toàn bộ 
 nhờ đo cao 3 cây ở mộ t cấp kính đại diện trong dữ liệu ô mẫu và biến độ ng sai số củ a mô hình có 
 lâm phần điều tra. Kết quả ở hình 5 chỉ ra mô trọ ng số theo giá trị sinh khố i lâm phần ước tính. 
 hình ước tính AGB theo mộ t biến số đầu vào củ a 
 cộ ng đồ ng là DBH nhưng được phân chia thành 
 Bảng 10. So sánh và thẩm định chéo mô hình ước tính TAGB và TBGB theo BA 
 Mô hình Trọ ng số AIC Adj. R2 RMSPE (%) Bias (%) MAPE (%) 
 TAGB = a + b BA 1/BAk 2230 0,891 17,9 -1,8 13,0 
N«ng nghiÖp vµ ph¸t triÓn n«ng th«n - KỲ 1 - TH¸NG 12/2016 105 
 KHOA HỌ C CÔNG NGHỆ 
 Mô hình Trọ ng số AIC Adj. R2 RMSPE (%) Bias (%) MAPE (%) 
 TAGB = a×BAb (*) 2127 0,887 16,2 -2,1 12,4 
 TBGB = a + b BA 1145 0,930 12,4 -1,8 9,1 
 1/BAk 
 TBGB = a×BAb (*) 1032 0,925 12,2 -1,3 9,1 
 (*) Mô hình lựa chọ n theo biế n số đầu vào. Giá trị thố ng kê, sai số được tính trung bình từ 200 lần rút 
mẫu ngẫu nhiên: lập mô hình với 70% dữ liệ u, tính các chỉ tiêu so sánh mô hình AIC và R2; đánh giá mô 
hình với 30% dữ liệ u, tính các sai số RMSPE, Bias% và MAPE% 
 Bảng 11. Tham số của mô hình TAGB và TBGB lựa 
 chọ n trên cơ sở toàn bộ dữ liệu 
 Mô hình Sai số tiêu chuẩn 
 Tham số 
 lựa củ a tham số 
 chọ n a b a b 
 TAGB = 
 3,992639 1,163908 0,215972 0,016557 
 a×BAb 
 TBGB = 
 0,638988 1,086061 0,022851 0,011119 
 a×BAb 
 Ghi chú: Các tham số đều có mức ý nghĩa P-
 Hình 6. Trái: Mô hình so với toàn bộ dữ liệu quan value < 0,001 
 sát, Phải: Sai số có trọ ng số theo ước tính qua mô 
 4. KẾT LUẬ N 
 hình. 
 Phương pháp thiết lập mô hình sinh khố i dạng 
 A) Mô hình TAGB = a×BAb; B) Mô hình TBGB = 
 lũ y thừa (power) phi tuyến tính hợp lý cực đại 
a×BAb 
 (Maximum Likelihood) có trọ ng số và có xét đến 
 Nếu sử dụ ng mô hình ước tính sinh khố i lâm 
 ảnh hưởng củ a các nhân tố lâm phần cho độ tin 
phần sẽ mắc sai số tích lũ y từ sai số sử dụ ng mô 
 cậy cao hơn phương pháp thông dụ ng là tuyến 
hình sinh khố i củ a cây. Tuy nhiên sai số MAPE tích 
 tính logarit bình phương tố i thiểu. 
lũ y thêm khi sử dụ ng các mô hình lâm phần 
 Mô hình sinh khố i cây rừng trên mặt đất AGB 
khoảng 10% có thể chấp nhận được khi không có 
 theo biến đầu vào đơn giản mà cộ ng đồ ng có thể 
yêu cầu độ chính xác quá cao; trong khi đó việc đo 
 thu thập chính xác là DBH, đồ ng thời độ tin cậy 
đạc biến số BA sẽ giảm việc thu thập số liệu cây 
 củ a nó được cải thiện khi phân chia mô hình theo 
cá thể. Đ iều này cũ ng đồ ng nhất với kết luận củ a 
 ba cấp chiều cao dạng AGB = a ×DBHb, trong đó 
Torres và Lovett (2013) khi sử dụ ng BA làm biến i
 tham số a thay đổ i theo chiều cao chỉ thị lập địa S
đầu vào cho mô hình ước tính sinh khố i và các bon i i. 
 củ a lâm phần điều tra. Mô hình ước tính sinh khố i 
lâm phần ở Mexico, nó giúp làm giảm khố i lượng 
 cây rừng dưới mặt đất BGB có độ tin cậy cao nhất 
điều tra hiện trường rất lớn so với sử dụ ng mô 
 với mộ t biến số DBH dạng BGB = a×DBHb là phù 
hình sinh khố i cây cá thể. 
 hợp với dữ liệu đo đạc, giám sát củ a cộ ng đồ ng. 
106 N«ng nghiÖp vµ ph¸t triÓn n«ng th«n - KỲ 1 - TH¸NG 12/2016 
 KHOA HỌ C CÔNG NGHỆ 
 Mô hình ước tính sinh khố i lâm phần trên và 5. Furnival, G. M. (1961). An index for 
dưới mặt đất là: TAGB = a×BAb và TBGB = a×BAb, comparing equations used in constructing volume 
trong đó BA cộ ng đồ ng có thể đo đạc được trên tables. For. Sci. 7: 337-341. 
hiện trường bằng thước Bitterlich. Sử dụ ng mô 6. Hijmans, R. J., Cameron, S. E., Parra, J. L., 
hình ước tính sinh khố i lâm phần chỉ đo đạc biến Jones, P. G., Jarvis, A., 2005. Very high resolution 
BA làm giảm số liệu thu thập và chi phí, tuy nhiên interpolated climate surfaces for global land areas. 
sai số MAPE sẽ tích lũ y thêm 9-12% so với sử dụ ng International Journal of Climatology 25: 1965-1978. 
mô hình cho cây rừng. 
 7. Huy, B., Kralicek, K., Poudel, K. P., Phuong, V. 
 TÀI LIỆU THAM KHẢ O T., Khoa, P. V., Hung, N. D., Temesgen, H., 2016b. 
 Allometric Equations for Estimating Tree 
 1. Brown, S., 1997. Estimating biomass and 
 Aboveground Biomass in Evergreen Broadleaf 
biomass change of tropical forests: A Primer. FAO 
 Forests of Viet Nam. For. Ecol. and Mgmt. 382: 193-
Forestry paper 134. ISBN 92-5-103955-0. Available 
 205. 
at: 
 8. Huy, B., Nguyen, T. T. H, N. T. T., Sharma, B. 
#Contents. D., Quang, N. V., 2013. Participatory Carbon 
 Monitoring: Manual for Local Staff; Local People and 
 2. Cairns, M. A., Brown, S., Helmer, E. H., 
 Field Reference. (In English and Vietnamese). SNV 
Baumgardner, G. A., 1997. Root biomass allocation 
 Netherlands Development Organization, REED+ 
in the world's upland forests. Oecologia. 1997; 111: 
 Programme. Publishing permit number: 1813- -
1-11. 
 2013/CXB/03-96/TĐ . 
 3. Chave, J., Mechain, M. R., Burquez, A., 
 9. Huy, B., Poudel K.P., Temesgen, H., 2016a. 
Chidumayo, E., Colgan, M. S., Delitti, W. B. C., Aboveground biomass equations for evergreen 
Duque, A., Eid, T., Fearnside, P. M., Goodman, R. C., broadleaf forests in South Central Coastal ecoregion 
Henry, M., Yrrizar, A. M., Mugasha, W. A., of Viet Nam: Selection of eco-regional or 
Mullerlandau, H. C., Mencuccini, M., Nelson, B. W., pantropical models. For. Ecol. and Mgmt. 376: 276-
Ngomanda, A., Nogueira, E. M., Malavassi, E. O., 282. 
Pelissier, R., Ploton, P., Ryan, C. M., Saldarriaga, J. G., 
 10. IPCC (Intergovernmental Panel on Climate 
Vieilledent, G., 2014. Improved allometric models to 
 Change), 2006. IPCC Guidelines for National 
estimate the aboveground biomass of tropical trees. 
 Greenhouse Gas Inventories. Chapter 4. Forest land. 
Global Change Biology 20: 3177-3190. DOI 
 Prepared by the National Greenhouse Gas 
10.1111/gcb.12629. 
 Inventories Programme, Eggleston H.S., Buendia L., 
 4. Fischer, G., Nachtergaele, F. O., Prieler, S., 
 Miwa K., Ngara T., Tanabe K., (eds). Published: IGES, 
Teixeira, E., Toth, G., van Velthuizen, H., Verelst, L., 
 Japan. 
Wiberg, D., 2008. Global Agro-ecological Zones 
 11. Jayaraman, K., 1999. A Statistical Manual for 
Assessment for Agriculture (GAEZ 2008). IIASA, 
 Forestry Research. FAO, 231pp. 
Laxenburg, Austria and FAO, Rome, Italy. 
 12. Nam, V. T., van Kuijk, M., Anten, N. P. R., 
 2016. Allometric equations for aboveground and 
N«ng nghiÖp vµ ph¸t triÓn n«ng th«n - KỲ 1 - TH¸NG 12/2016 107 
 KHOA HỌ C CÔNG NGHỆ 
belowground biomass estimations in an evergreen people and local communities. International Institute 
forest in Vietnam. PLoS ONE 11(6): e0156827. DOI for Geo- information Science and Earth Observation 
10.1371/journal.pone.0156827. (ITC). 
 13. Pinheiro, J., Bates, D., Debroy, S., Sarkar, D. 18. Vogt, K. A., Vogt, D. J., Palmiotto, P. A., 
& Team, R. C., 2014. nlme: Linear and nonlinear Boon, P., O’Hara J., Asbjornsen H., 1996. Review of 
mixed effects models. R package version 3.1-117. root dynamics in forest ecosystems grouped by 
 14. Temesgen, H., Zhang, C. H., Zhao, X. H., climate, climatic forest type and species. Plant and 
2014. Modelling tree height-diameter relationships Soil. 187: 159-219. DOI 10.1007/BF00017088. 
in multi-species and multi-layered forests: A large 19. Yuen, J. Q., Ziegler, A. D., Webb, E. L., Ryan, 
observational study from Northeast China. Forest C. M., 2013. Uncertainty in below-ground carbon 
Ecology and Management 316, 78-89. biomass for major land covers in Southeast Asia. 
 15. Torres, A. B., Lovett, J. C., 2013. Using basal Forest Ecology and Management, 310: 915-926. DOI 
area to estimate aboveground carbon stocks in 10.1016/j.foreco.2013.09.042. 
forests: La Primavera Biophere’s Reserve, Mexico. 
 20. Ziegler, A. D., Phelps, J., Yuen, J. Q., Webb, E. 
Forestry 86(2013): 267-281. 
 L., Lawrence, D., Fox, J. M., Bruun, T. B., Leisz, S. J., 
 16. UNFCCC, 1997 – 2011: United Nation Ryan, C. M., Dressler, W., Mertz, O., 2012. Carbon 
Framework Convention on Climate Change. United outcomes of major land-cover transitions in SE Asia: 
Nations. great uncertainties and REDD+ policy implications. 
 17. Van Laake, P., 2008. Forest biomass Global Change Biology, 18(10): 3087-3099. DOI 
assessment in support of REDD by indigenous 0.1111/j.1365-2486.2012.02747.x. 
 ALLOMETRIC EQUATIONS FOR ESTIMATING FOREST BIOMASS USING THE PREDICTOR VARIABLES 
 MEASURED BY LOCAL COMMUNITY 
 Pham Tuan Anh1, Bao Huy2 
 1Department of Planning and Investment Dak Nong province 
 2Tay Nguyen University 
 Summary 
 To perform participatory carbon monitoring under United Nation – Reducing Emissions from 
 Deforestation and Forest Degradation (UN-REDD+) program, there is an important need to develop 
 biomass equations using the predictor variables measured by local people. These equations need to be 
 accurate and provide quantifiable uncertainty. Using data from 222 destructively sample trees for 
 developing tree biomass models and 323 sample plots for stand biomass equations, a set of models were 
 developed to estimate tree aboveground biomass (AGB), tree belowground biomass (BGB), total AGB 
 (TAGB) and toal BGB (TBGB) in evergreen broadleaf forests (EBLF) of the Central Highlands of Viet Nam. 
 Diameter at breast height (DBH) and basal area (BA) were used as covariates of the tree and stand 
 biomass models respectively. Effect of basal area (BA) and site index (Si) on AGB and BGB were examined. 
 Best models were selected based on mainly Akaike Information Criterion (AIC) and visual interpretation of 
 model diagnostics. Cross-validation statistics of percent bias, root mean square percentage error (RMSPE), 
108 N«ng nghiÖp vµ ph¸t triÓn n«ng th«n - KỲ 1 - TH¸NG 12/2016 
 KHOA HỌ C CÔNG NGHỆ 
 and mean absolute percent error (MAPE) were computed by randomly splitting data 200 times into model 
 development (70%) and validation (30%) datasets and averaging over the 200 realizations. Using the 
 method of power nonlinear weighted Maximum Likelihood and taking into account the effect of stand 
 factors obtained the reliability higher than commonly used method is logarithmic linear least squares. The 
 cross-validation provided quantifiable errors of the developed models. The selected models using the 
 predictor variables measured and monitored by local communties for estimating AGB and BGB were the 
 b b
 equation forms AGB = ai×DBH (ai are parameters associated with Si) and BGB = a×DBH ; for estimating 
 TAGB and TBGB were TAGB = a×BAb and TBGB = a×BAb. Using the stand biomass models reduce the 
 data collection but MAPE increase 9-12% compared to the tree biomass models. 
 Keywords: Biomass model, community, participatory, simple predictor variable. 
 Người phản biện: GS.TS. Võ Đ ại Hải 
 Ngày nhận bài: 30/9/2016 
 Ngày thông qua phản biện: 02/11/2016 
 Ngày duyệt đăng: 9/11/2016 
N«ng nghiÖp vµ ph¸t triÓn n«ng th«n - KỲ 1 - TH¸NG 12/2016 109