在工业原料林造林设计工作中，由于原料林基地建设面积往往较大，或者说是从整个林场、县域等大地域控制与实现原料林林地资源优化与管理，因此，为实现大区域工业原料林林地资源的优化利用，开展其智能化造林技术设计势在必行。尹泰龙等(1978)、徐智(1984)、黄文丁(1985)从生物学特性出发，运用线性规划、模糊概率原理编制适地适树方案；日本黑川泰亨(1981)用目标规划研究较大范围内的林业经营问题，但这些研究仅侧重于造林树种的选择，而未涉及到合理造林密度等问题，也很难落实到小班。俞新妥等(1986)运用电子计算机技术结合多树种生长数学模型，建立了一个计算机辅助造林设计系统，但该系统没有考虑到各种约束条件对造林设计的影响。因为在工业原料林造林设计过程中，常受各种条件约束，例如上级部门或银行信贷给某一大作业区造林投资，国民经济建设和人民生活需要木材，以及对整个大区域来说准备苗木的品种、数量是有限的，等等。当造林区域面积较大、造林小班数量较多时，实现造林技术智能化就显得十分关键，否则各种造林技术设计方案均无法获得理想最优解。为此，在满足造林设计约束条件，为获得最大的经济收益目标，通过智能算法优化编制整个林场或县、市作业区或更大范围工业原料林的造林技术设计问题为约束条件下工业原料林智能化造林技术设计。对于智能化造林技术设计，仅洪伟(1987)、吴承祯等(1997; 2000)已提出采用0-1规划、遗传算法及模拟退火法加以实现，并取得理想效果。但均针对2个造林树种，即对南方主要造林树种杉木(Cunninghamia lanceolata)和马尾松(Pinus massoniana)加以设计，因为遗传算法和0-1规划均是以0, 1作为编码值，对2树种的造林技术设计十分方便(0代表种植树种甲、1代表种植另一树种)。而随着桉树(Eucalyptus spp.)等外来速生树种的引入，我国工业原料树种越来越多，区域化造林技术设计也就成为现代林业发展的首要任务。因此，探讨多树种的工业原料林智能化造林技术设计方法，不仅具有一定的理论价值而且具有重大的实践意义，对于多树种的造林技术设计存在方法上的不足。考虑到工业原料林智化造林技术设计研究中所选树种必须具备一定的研究基础和发展前景，而我国引种桉树已有近百年的历史，造林面积、造林效果及效益已形成一定的规模，随着全球气候的变暖，其在我国的发展前景日益显现。因此，本研究在提出多树种工业原料林智能化造林技术设计原理的基础上，以南方主要造林树种杉木、马尾松和主要外来引种树种桉树作为工业原料林造林设计的选择树种，从而开展多树种的工业原料林智能化造林技术研究。

1 多树种工业原料林智能化造林技术的遗传算法的改进

当工业原料林造林树种只考虑2种树种时，根据遗传算法的基本思路，采用0-1编码可以完全刻画出智能化设计的编码要求。但当设计树种大于2种时，采用0-1编码则无法实现智能化设计的要求，因此，必须对其加以研究与改进。由于遗传算法能较好地解决智能化造林技术要求，故本文基于遗传算法提出对其加以改进，创建适用于多树种工业原料林智能化造林技术的改进遗传算法。

遗传算法(GA)求解工业原料林智能化造林技术问题的基本思想是将问题的求解表示成“染色体串”(用计算机编程时，染色体一般是用2进制码表示)(即当造林树种只有2种时，遗传因子可采用0-1代码，0代表种植某一树种，1代表种植另一树种)，从而构成一群染色体串(一定数量的染色体的集合组成染色体串)，将这群染色体串置于问题的“环境中”，根据适者生存、优胜劣汰的原则，从中选择出适应环境的“染色体串”进行复制，即再生，通过杂交，即交换、变异2种基因操作产生出新的一代更适应环境的“染色体串”群(即染色体串种群)。这样，经过若干代的不断进化，最后收敛到一个适应环境的个体上，从而求得问题的最优解。

由于是针对多树种的工业原料树种智能化造林技术，因此，假设作业区有n个造林小班，可供选择的造林树种有m种，其编码方式就不能是0, 1，现设计其编码方式为1, 2, 3, …, m，当编码值为1时表示造林设计种植树种1，当编码值为2时表示造林设计种植树种2，当编码值为m时表示造林设计种植树种m。此时，智能化造林技术设计问题的染色体串表示可以描述为T_[i](i=1，2，…，n)(图 1)，其中T_[i]是染色体串第i个遗传坐标位置上的遗传因子，取值为编码1~m中之一，该遗传因子代表设计的某一造林树种。

简单遗传算法就是对群体不断实施遗传操作，即复制、交换与变异等，直到问题得解(John，1980；John，1991；刘勇等，2003)。改进的遗传算法提出通过4个基本算子实现遗传操作，即复制、交换、倒位及交叉突变，其中交叉突变是改进遗传算法中的创新之处(图 2)。复制是基本操作，它根据个体对环境的适应程度，决定个体被复制的多少，一般讲，适应值越大的个体其复制的后代越多。交换是按一定的概率随机地对复制出的群体中选择2个个体配对，然后部分地交换配对个体的某些位，形成新的个体串，交换是最重要的遗传操作，对搜索过程起决定性作用。倒位是在染色体中随机确定两个倒位点，在这2点间的基因倒换位置，这种倒位使那些父代中离得很远的位在后代中靠在一起，这相当于重新定义基因块，使其更加紧凑，更不易被交换所分裂。交叉突变是以一定的概率交叉改变某些个体串的某些位，在交叉改变的基础上进行适应值的评价，适应值大的突变方式所形成的个体串作为交叉突变操作结果，并作为新的个体保留下来，交叉的目的是考虑到编码值为1, 2, …m，其突变形式有多种，故从交叉突变模式中筛选出适应值最大的一个个体串，其作用是充分搜索参数空间。这样经过遗传操作中的复制、交换、倒位及交叉突变等，将最合适的保留下来。

工业原料林智能化造林技术设计的遗传算法设计的适应度函数为：

(1)

式中：Z为基准年时创造价值(元)，即目标函数，其值大小称之为遗传算法的适应值；V_ij为第i小班种植第j树种在基准年时累计材积；S_i为第i小班面积；C_j为第j树种每立方米木材(包括间伐和主伐收获的木材)的平均价格；X_ij为第i小班种植第j树种的决策变量。这里假定，函数值Z越大，染色体的适应度就越高，在工业原料林智能化造林技术设计中处于最佳组合状态。

改进的遗传算法中有4个基本算子：

1) 复制  按(f_i是第i个染色体串x_i的适应值，即智能化造林技术设计的目标函数值，是染色体串群的适应值之和，N为种群数目)决定第i个染色体串x_i在下一代中应复制其自身的数目。复制意味着适应值越高的个体，在下一代中复制自身的个体数目越多。

2) 交换  按一定的概率p_c从种群中随机选择2个个体，进行交换，即部分交换这2个个体的某些位，这里p_c叫交换概率。交换的目的在于产生新的基因组合，产生新的个体，而不是一代复一代地重复同一串。如选择造林技术设计的2个染色体串123213321122和231211233123，假定对这2个染色体串的第6~10个基因进行交换，经交换操作后的新的2个染色体串为123211233122和231213321123，其中1~3分别表示种植树种1~3。

3) 倒位  按一定的概率p_m从种群中随机选择1个个体，进行倒位，即在染色体中选择2个倒位点，在这2点间的基因倒换位置，这里p_m叫倒位概率。倒位的目的在于重新定义基因块，发现并助长有用基因块的紧密形式。如选择智能化造林技术设计的某一染色体串123213321122，假定对该染色体串的第6~10个基因进行倒位，经倒位操作后的新的染色体串编码为123211123322，其中1~3分别表示种植树种1~3。

4) 交叉突变  按一定的概率p_n对染色体串群中的某些串的某些位进行交叉突变，即如果假定造林树种m =3，则在交叉突变过程中同时将目标染色体串基因1突变为2和3、2突变为1和3以及3突变为1和2各2种基因形成新的染色体串，在此基础上对2种新染色体串的适应值进行评价，适应值大者为保留的染色体串，也就是交叉突变所得的染色体串，p_n叫交叉突变概率。单靠某个位的交叉突变一般能在求解中取得进展但进展可能较慢，所以在交叉突变时往往考虑对某些位进行交叉突变，如仍然假设造林树种m =3，但是决定对某一染色体串中的2个基因位作为交叉突变对象，如确定交叉突变的2个基因位为12，则在交叉突变过程中应考虑可能产生的各种突变组合，即第一基因位有2种突变模式、第二位也有2种突变结果，其组合就形成4种染色体串，此时，分别各染色体串进行适应值的评价，偶后确定适应值最大值对应的染色体串为交叉突变所得理想染色体串，将其作为交叉突变进化结果参与后面的有关计算。当m发生变化，或者选择的交叉突变位数增大时，尽管其突变组合方式所代表的染色体串增加，但由于其基本思路和上述2个基因位发生交叉突变是一样的，只不过计算过程增加，但由于这些工作均由计算机完成，因此对整体计算运行无影响，只是计算时间可能会较简单, 突变会更长一些。而且这种操作可以确保不产生不能继续进化的单一染色体串，因为即使当所有染色体串全部一样时，通过交叉突变能不断产生新的染色体串。交叉突变借鉴了改进单纯形法中改进方向确定的基本思路，通过改进方向的确定筛选突变的方向，即交叉方向(洪伟等，2004)。

2 多树种工业原料林智能化造林技术的改进遗传算法设计 2.1 多树种工业原料林智能化造林技术设计的数学模型

假设工业原料林造林作业区有n个造林小班，可供选择的造林树种有m种，在计算每一造林小班的各树种在基准年时累计材积和合理造林密度(表 1)的基础上，建立智能化造林技术设计的目标函数(适应值函数)即基准年时工业原料林作业区创造木材收获价值(元)，即模型(1)。假设对作业区总投资金额为B，对第j(j=1，2，…，m)树种在20年至少收获的材积记为A_j，第j树种最多供应苗木为D_j，最少供应苗木数为E_j。第j树种苗木的单株价格记为H_j，第j树种每公顷造林投资(包括炼山、整地、栽植以及前5年抚育)记为b_j，第j树种每立方米木材平均价格(包括间伐材和主伐收获的木材)为C_j。

目标函数约束条件为：

(2)

(3)

(4)

(5)

约束条件(2)表示整个作业区总投资不超过B(元)，约束条件(3)、(4)表示苗木数量对造林树种的限制，约束条件(5)表示对造林树种木材需求的限制，第i小班种植第j树种时X_ij=1(j=1，2…，m)，否则为0。

2.2 多树种工业原料林智能化造林技术设计的树种选择

以福建省为例，杉木和马尾松为主要工业原料林造林树种，但桉树作为世界3大速生树种之一，在福建省已有近百年的引种历史，目前已在漳州、永安等南亚热带、中亚热带大面积引种，其智能化造林技术设计的研究是开展闽南及闽西北桉树大面积推广的前期研究基础。因此，本研究选择杉木、马尾松和桉树作为多树种工业原料林智能化造林技术设计的主要树种。桉树是桃金娘科(Myrtaceae)桉树属(Eucalyptus)的总称，原产澳大利亚，因其速生、丰产、抗性好等优点被世界各国广为引种和推广。在我国亚热带和温带地区生长适应性强，已发展成为这些地区的短周期工业原料林的首选树种。目前，我国工业原料林主要引种的桉树种类有尾叶桉(Eucalyptus urophylla)、巨桉(Eucalyptus grandis)、细叶桉(Eucalyptus tereticornis)、蓝桉(Eucalyptus globulus)等及它们的杂交组合，福建省主要引种巨尾桉、尾巨桉及巨桉等。在近百年的引种历史中，前人对桉树研究较多，但主要集中在丰产栽培技术、良种繁育等领域，而对其智能化造林技术设计的系统研究未见报道。鉴于俞新妥等(1986)所建立的计算机辅助造林设计系统并未探讨桉树，因此，须先建立桉树辅助造林系统，以预测其造林密度及收获参数等。

桉树造林辅助系统主要依据以下变量及数学模型：

1) 桉树品种及无性系：由于桉树是总称，所以在此不论桉树种类及无性系，均以桉树作为大类开展有关造林技术设计的研究，但主要包括巨尾桉、尾巨桉及巨桉等福建主栽桉树种类和无性系。

2) 桉树营林成本：黄德龙等(2003)研究认为，巨尾桉萌条生长迅速、分化明显，每伐桩选留1株1年生萌条，生长量萌芽第1代大于萌芽第2代，第2代大于实生林。萌芽更新比实生林具有缩短经营周期、提高单位面积产量、节省造林投资等优点；并建议参照国外巨桉经营方式，采用1次造林，至少萌芽更新2次作为巨尾桉短轮伐期工业原料林主要更新方式。因此，本研究桉树造林设计技术中，也参照国外桉树经营方式，1次造林萌芽更新2次，从而节省营林成本。其中桉树组培苗每公顷造林投入7 500元，包括炼山与整地费1 800元、苗木费900元、植苗费275元、施基肥费2 100元、施追肥费725元、抚育费665元、防虫费660元、5年管护费375元。

3) 主伐年龄：洪长福等(2000)采用标准地观测资料研究分析其数量成熟年龄，提出巨尾桉主伐年龄为6~7年。黄和亮等(2007)运用经济效果评价动态分析法的净现值指标、内部收益率指标，对福建永安林业(集团)股份有限公司投资经营的巨尾桉工业原料林进行研究，认为巨尾桉工业原料林最佳经济轮伐期为7年，其净现值达到5 718.50元·hm^-2，内部收益率达到18.09%。本研究在考虑到桉树种类众多且受环境条件影响较大，而永安林业股份有限公司主要引种巨尾桉，因此，提出桉树工业原料林主伐年龄定为7年。

4) 影响桉树树高生长的主要土壤因素：吴继林(1999)研究认为，影响巨桉人工林生长的主要土壤因子为土壤田间持水量、有效锌、有效铁及有效磷等因素，故永安林业股份有限公司工业原料桉树树高生长预测采用以下模型(吴继林，1999)：

其中: y为桉树树高生长量(m)，x₁~x₄分别为土壤田间持水量、有效锌、有效铁及有效磷。

5) 生长模型包括胸径生长模型、胸径与树高关系模型、优势高与平均树高之间关系模型、林分蓄积量模型等(刘金福等，2001)。项目组根据闽南山地和闽西北桉树人工林林分调查材料，建立以下生长模型供桉树人工林辅助造林系统建立使用。

优势高与平均树高关系：

平均胸径与平均树高关系：

林分蓄积量模型：

平均胸径与年龄关系：

平均树高与年龄关系；

平均冠幅与平均胸径关系：

二元材积方程：

一元材积方程：

其中：D为胸径(cm)、H为树高(m)，D为平均胸径(cm)、H为平均树高(m)、H_优为平均优势高(m)、W为平均冠幅(m)、N为林分密度(株·hm^-2)、A为林分年龄(a)、V为单株材积(m³)。

6) 经营模式设计：桉树工业原料林采取1次造林、2次萌芽更新的办法实现持续经营，其中第1次造林为组培苗，第1次和2次萌芽更新适当通过激素处理以提高萌芽条质量。鉴于主伐年龄定为7年，结合杉木、马尾松基准年龄定为20年，且由于萌芽更新比实生林缩短经营周期(洪长福等，2000)，确定第1次造林后20年时桉树正好实施第3次主伐。萌芽更新经费来源于木材收获收益, 故桉树工业原料林造林设计费用不考虑萌芽更新经费开支。同时，由于桉树主要作为工业原料，间伐效益不明显(洪长福，2001)，故在造林技术设计中不考虑间伐，若要实施间伐，假定间伐成本与收益均等。

7) 桉树林不同代数萌芽林产量估算：朱宇林等(2005)的研究认为，连栽尾巨桉林分胸径、树高和蓄积量均随着年龄的增长而明显增加，林分表现出早期强速生的特性。随连栽代数的增加，尾巨桉树高、胸径、蓄积的总生长量并没有出现下降的趋势。因此，考虑20年内的3代桉树林尽管起源不一致，但可以认为生长态势相同、生产力相近、管理模式相似，故采用相同的生长模型对不同代数桉树林生长状况进行估算。

2.3 多树种工业原料林智能化造林技术设计分析

以福建省永安林业(集团)股份有限公司工业原料林基地建设中的具体造林小班进行在多树种工业原料林智能化造林技术的设计工作，造林设计树种为多树种，包括杉木、马尾松和桉树。

工业原料林基地造林设计小班共50个，总面积为271.53 hm²，依据各小班坡位、坡向、坡度、表土层厚度等因素，基于吴承祯等(1998;2001;2002)建立的造林树种地位指数、生长模型，应用俞新妥等(1986)的方法可以打印出杉木和马尾松2个树种在基准年(20年生)时累计材积和合理造林密度(表 2)。根据各造林小班林地土壤的土壤田间持水量、有效锌、有效铁及有效磷等测定值，利用所建立的桉树树高生长模型、生长模型及收获模型等基本模型与参数，通过桉树工业原料林造林辅助系统计算得到桉树合理造林密度及20年时累计木材收获(表 2)(其中桉树第1次主伐后萌芽更新形成第2代桉树林，第3代桉树林仍通过萌芽实现更新)。

在工业原料林造林设计过程中，假设杉木每株苗木单价H₁为0.20元，马尾松每株苗木单价H₂为0.10元，桉树组培苗每株单价H₃为0.50元。杉木造林投资(b₁)为4 100元·hm^-2，马尾松造林投资(b₂)为3 150元·hm^-2，桉树造林投资(b₃)为6 600元·hm^-2(包括炼山、整地、栽植及前5年抚育等费用，但不包括苗木费用)。各树种的总材积(包括间伐材)平均杉木价格(C₁)计为680元·m^-3，马尾松(C₂)为550元·m^-3，桉树(C₃)为550元·m^-3。假设对该工业原料林基地作业区总投资为145万元(B)，对杉木苗木来说，最多可供应60万株(D)，但至少必须使用45万株(E)；桉树组培苗只能供应15万株(F)，马尾松苗木敞开供应。永安林业(集团)股份有限公司要求第7年该批造林小班必须收获桉树木材1.2万m³，20年后必须收获杉木2万m³木材。以立地条件分析：第3, 33小班极适宜种杉木，第16, 20小班极适宜种马尾松，而第44, 50小班极适宜种桉树。这些条件在小班造林技术设计时都予以考虑。结合林业资源型上市公司的经营目标，设计永安林业工业原料林智能化造林技术设计的目标函数(适应值函数)为：

(6)

即要求经营期木材收益最大，其中桉树设计20年内主伐3次。约束条件：

(7)

(8)

(9)

(10)

(11)

(12)

其中：Z为工业原料林基地在基准年时创造价值(元)；V_ij(j=1, 2)为第i小班种植第j树种在基准年(20年)时累计材积(m³)；V_i3为种植桉树的第i小班主伐(7年)时总材积(m³)；S_i为第i小班面积(hm²)；C_j为第j树种(包括间伐和主伐收获的木材)每立方米平均价格(元·m^-3)；X_ij为第i小班种植第j树种的决策变量；N_ij为第i小班种植j树种的合理密度(需苗木株数)(其中杉木、马尾松按俞新妥等(1986)计算，桉树根据课题组建立的辅助造林系统进行计算)；n为小班数(此时为50)；m为造林树种数。

根据改进遗传算法的基本思想，编制工业原料林造林技术设计的计算机程序，其中收敛条件为适应值极大值点对应染色体串不再进化，此时对应染色体串即为最优造林设计方案。在工业原料林智能化造林技术多树种程序设计中，由于造林小班为50，故设计染色体串基因数量为50，造林树种杉木、马尾松和桉树分别编码为1, 2和3。程序要求先由计算机随机产生100个满足约束条件(7)~(12)的染色体串群(由基因1, 2, 3组成)，由此形成一个50×100的初始数据矩阵。根据此数据矩阵，利用表 2之数据计算每一染色体串对应的适应值。基于每一染色体串之适应值，进行复制、交换、倒位和交叉突变的4大遗传操作，在4大遗传操作过程中必然满足约束条件(7)~(12)。经调试，选择确定改进遗传算法的运行方式及相关参数(表 3)，当遗传世代为86时目标函数的适应值极大值点对应之染色体串不再进化，表明算法收敛到一个最适应环境的染色体串，目标函数值趋于稳定，获得最优造林技术设计方案(表 4~6)。在采用改进的遗传算法智能化求解的永安林业(集团)股份有限公司工业原料林基地50个小班的造林设计最优组合方案下，杉木造林面积为129.66 hm²，包括22个小班，20年累计杉木材积收获可达20 101 m³，杉木苗木需要454 906株(表 4)；马尾松造林面积为61.83 hm²，包括12个小班，20年生时累计材积收获为7 333 m³，需要苗木276 721株(表 6)；桉树造林面积为80.04 hm²，包括16个小班，7年生累计收获木材14 440 m³，3茬桉树木材收获达43 320 m³，桉树苗木需求为149 992株(表 5)；总投资为144.828 4万元。工业原料林基地造林设计总面积为271.53 hm²，最优造林技术设计方案下可望在20年时获得4 152.78万元经济收益。

3 讨论

1975年，Holland(1975; 1992)受生物学中“生物进化”和“自然选择”学说的启发，提出了遗传算法。经过30多年的研究、应用，其已成为非线性优化和系统辨识的有效工具，被广泛应用于机器人系统、模式识别、工业优化控制、自适应控制等方面(Goldberg，1989；Grefenstette et al., 1985)。经典遗传算法是采用0-1编码实现遗传操作，其在解决2个树种的造林技术设计时十分方便，但对于2个以上树种的造林技术设计时由于无法再使用0-1编码因此存在方法上的不足。本研究基于遗传算法的智能化与适用性，提出对遗传算法加以改进，在编码时直接采用1, 2, …, m编码，1代表种植树种1, 2代表种植树种2, 其他类似。由于编码改变，因此在构建染色体串后经典遗传算法原先的复制、交叉与突变三大遗传操作中的突变就无法实现，因为突变的方向变成多向，与原先的0变1、1变0相比较而言复杂程度显著提高。本研究借鉴改进单纯形法中新单纯形形成的思路，在引入倒位操作的基础上，提出交叉突变的思路，即突变位置遗传编码可朝不同方向突变，但在对不同方向突变发生后进行适应值评价从而确定适宜的突变方向，实现染色体串编码组合的不断优化，从而获得问题的解。这是基于吴承祯等(1997)提出采用遗传算法解决2树种造林设计技术优化方法的创新，也正是改进算法之核心。由于传统遗传算法编码值由二进制编码实现，无法实现多树种的智能化造林技术问题，本方法解决了多树种智能化造林技术设计的染色体编码技术、遗传操作技术等技术难题，为大区域、多树种智能化造林技术设计奠定了理论基础。

工业原料林智能化造林技术设计问题求解过程中，关键是设计n个造林小班的造林技术方案，使得Z最大(即经济收益值最大)。当约束(2)~(5)不存在时，则此时为无约束条件的工业原料林造林设计，只须直接对目标函数(1)进行求解即可。当出现或还须考虑其他条件时，只须增加相应的约束条件加以限制，通过智能化优化方法对(1)式进行求解。当然，结合多树种智能化造林技术设计实际，可能还存在其他方面的约束条件，约束模型也就更多。所以，工业原料林智能化造林技术设计问题可以是有约束条件也可以是无约束条件，约束条件还有可能随造林设计实际变化而变化，这里统称之为工业原料林智能化造林技术设计。

俞新妥(1986)建立的计算机造林辅助设计系统是根据立地条件算出各树种在基准年下的材积和合理的密度，其主要涉及杉木、马尾松、楠木(Phoebe zhennan)、木荷(Schima superba)及樟树(Cinnamomum camphora)5个造林树种，该系统在进行造林辅助设计时，一方面仅考虑了适地适树的原则，另一方面造林树种楠木、木荷及樟树均不可能大面积推广造林而建设成为工业原料林基地。因此，本研究结合福建省工业原料林发展实际，以杉木、马尾松及桉树为例开展多树种造林技术设计研究，鉴于俞新妥等(1986)提出的造林辅助设计系统中未探讨桉树，因此为实现桉树造林设计的智能化，文中更为详细地分析了桉树造林智能化设计中有关的生长模型及设计参数；并针对俞新妥等建立的计算机辅助造林设计系统的时间性，引用最新成果对其中相关生长模型及参数进行更新，从而进一步提高其适用性与科学性。因此，可以认为，本研究提出的多树种造林技术设计不仅考虑了适地适树原则，而且满足经济、计划、物质等约束条件，并且能达到林地、资金效益最大，实现造林技术设计的智能化、科学化、现代化；而且在算法上，在林学界率先实现遗传算法编码方法与交叉突变创新，填补国内外多树种智能化造林技术空白，这是前人方法无法解决的技术难题。

在工业原料林智能化造林技术设计方案优化时，造林投入是按现行成本，木材收获也是按现行价格进行测算，预期收益未考虑时间价值。另外，在预期收益估算过程中，并未考虑林火、冰雪与冻害等风险，因此，收益是一种理想化状态下的期望收益，它可能还受很多因素的影响。随着全球气候的变化，所采用的生长模型对产量的预测也有可能存在较大的偏差，因此，智能化造林技术中有关模型、参数及价值估算等还有待于进一步的深入研究。