Xây dựng mô hình dự báo năng suất rừng keo lai tại tỉnh Thừa Thiên Huế

Tạp chí KHLN 3/2013 (2976 - 2987 ) 
©: Viện KHLNVN-VAFS 
ISSN: 1859-0373 Đăng tải tại: www.vafs.gov.vn 
2976 
XÂY DỰNG MÔ HÌNH DỰ BÁO NĂNG SUẤT RỪNG KEO LAI 
TẠI TỈNH THỪA THIÊN HUẾ 
Hồ Thanh Hà, Nguyễn Thị Thƣơng 
Trường Đại học Nông Lâm Huế 
Từ khóa: Biến Dummy, 
hồi quy đa biến, Keo lai, 
mô hình dự báo, năng 
suất. 
TÓM TẮT 
Keo lai là loài cây trồng rừng chủ yếu trên địa bàn tỉnh Thừa Thiên Huế. 
Nghiên cứu đã dựa vào một số nhân tố có ảnh hưởng lớn đến năng suất 
rừng Keo lai trồng thuần loài, đều tuổi và được khai thác tại tuổi 6 trên địa 
bàn Thừa Thiên Huế để xây dựng mô hình dự báo năng suất. Nghiên cứu đã 
sử dụng phương pháp tương quan hồi quy đa biến để dự báo năng suất và 
được thử nghiệm 4 dạng mô hình tương quan trong đó biến định tính có thể 
dưới dạng mã hóa hoặc biến Dummy. Các dạng mô hình dự báo được xây 
dựng cho 2 phương thức trồng rừng và chung toàn khu vực nghiên cứu. Với 
250 ô rừng dùng để xây dựng và 87 lô rừng được dùng để kiểm nghiệm mô 
hình, nghiên cứu đã kiểm nghiệm và xây dựng được 12 mô hình (4 mô hình 
dự báo chung, 4 cho quảng canh và 4 cho thâm canh). Kết quả cho thấy, mô 
hình có nhân tố độ dốc, độ cao được sử dụng như biến định lượng còn các 
nhân tố định tính khác sử dụng dưới dạng biến Dummy cho kết quả tốt nhất 
với hệ số tương quan hồi quy R lớn nhất là 0,92 và có sai số dự báo tương 
đối nhỏ nhất là 4,62%. Mô hình dự báo cụ thể là: Năng suất = 54,040 + 
21,123 (T2) + 9,194 (Day5) - 14,230 (Day1) - 27,621 (DatE) - 0,322 
(dodoc) - 0,022 (docao) - 2,884 (CG2) - 4,539 (Day2) + 3,518 (M3) - 8,989 
(N3) - 6,649 (N4). Tuy nhiên, cần có các nghiên cứu phân tích sâu hơn cho 
các nhân tố ảnh hưởng khác và cho các rừng Keo lai lớn tuổi hơn. 
Key words: Dummy 
variable, multivariate 
regression, Hybrid acacia, 
prediction model, 
productivity. 
Construction of productivity prediction model of Hybrid acacia forest 
in Thua Thien Hue province 
Hybrid acacia is predominantly species in forest plantation in Thua Thien 
Hue province. The study has relied on some factors those have a major 
influence on the productivity of Hybrid acacia forest those are pure 
plantation, the same forest age and were harvested at the 6 - years old forest 
in Thua Thien Hue to build productivity prediction models. The study has 
used methods of multivariate regression correlation to predict the 
productivity. The study has test 4 types of regression model in which the 
qualitative variables can be used as coded variables or Dummy variables. 
The prediction models have built for the 2 types of forest cultivation model 
(extensive and intensive) and for overall the study area. With 250 forest 
plots for building models and 87 forest plots for testing models, the study 
has tested and built 12 models (4 models for overall study area, 4 models 
for extensive cultivation, and 4 models for intensive cultivation). The 
results shown that model with slope and altitude factors are used as the 
quantitative variables and other qualitative factors are used as Dummy 
variables will be the best results with the highest regression correlation is 
0.92 and lowest relative prediction error is 4.62%. The specific models are: 
productivity = 54.040 + 21.123 (T2) + 9.194 (Day5) - 14.230 (Day1) - 
27.621 (DatE) - 0.322 (dodoc) - 0.022 (docao) - 2.884 (CG2) - 4.539 
(Day2) + 3.518 (M3) - 8.989 (N3) - 6.649 (N4). However, it needs to have 
more in - depth analytical studies to other influences factors on productivity 
as well as to older Hybrid acacia forests. 
Hồ Thanh Hà et al., 2013(4) Tạp chí KHLN 2013 
2977 
I. ĐẶT VẤN ĐỀ 
Ở Thừa Thiên Huế, Keo lai hiện đang là cây 
chiếm ưu thế về diện tích trong rừng trồng sản 
xuất, đặc biệt là cho nguyên liệu giấy. Mặc dù 
cây Keo lai hiện chiếm tỷ trọng lớn trong rừng 
sản xuất ở Thừa Thiên Huế, nhưng nó vẫn 
chưa được chú trọng nghiên cứu nhiều. Đặc 
biệt là khả năng dự báo năng suất, sản lượng 
để người dân có hướng đầu tư, sản xuất có 
hiệu quả kinh tế cao hơn. Thông thường, các 
nghiên cứu dự đoán sản lượng chỉ tập trung 
vào dự đoán sản lượng gỗ của các khu rừng, 
mà phần chính là thân cây. Chỉ tiêu dùng để 
dự báo sản lượng là dựa vào cấp đất và tuổi 
cây. Các nhà khoa học thường sử dụng chỉ 
tiêu chiều cao (thường là chiều cao tầng trội), 
được xem như là chỉ tiêu đánh giá tổng hợp 
của tất cả các điều kiện lập địa, sinh thái và 
biện pháp kỹ thuật, cùng với chỉ tiêu tuổi cây 
để xác định cấp đất cho các khu rừng trồng 
thuần loài đều tuổi. Sản lượng dự báo thường 
là trữ lượng theo mét khối nên mang tính khoa 
học cao, nhưng lại khó áp dụng cho người dân 
trong thực tiễn, đặc biệt là rừng phục vụ cho 
nguyên liệu giấy, khi sản phẩm rừng thường 
được tính bằng tấn (trọng lượng). Các nghiên 
cứu trước đây về Keo lai trên địa bàn chủ yếu 
chú trọng đến đặc tính sinh vật học, sinh thái 
học, một số công trình về vấn đề sản lượng 
cho loài Keo lai chỉ tập trung chủ yếu vào việc 
xây dựng các biểu sản lượng, quá trình tăng 
trưởng, sinh trưởng mà chưa có các công trình 
nghiên cứu về dự báo năng suất cho rừng Keo 
lai trên địa bàn. 
Do đó, việc xây dựng mô hình dự báo năng 
suất rừng Keo lai là rất cần thiết không chỉ 
cho các nhà hoạch định chính sách, mà còn rất 
thiết thực cho các tổ chức và hộ trồng rừng 
Keo lai nhằm nâng cao sản lượng rừng Keo 
lai, đáp ứng nhu cầu của thị trường, nâng cao 
đời sống kinh tế cho những hộ gia đình sống ở 
vùng sâu, vùng xa có đất trồng rừng. 
II. NỘI DUNG VÀ PHƢƠNG PHÁP 
NGHIÊN CỨU 
2.1. Nội dung nghiên cứu 
- Xây dựng mô hình dự báo năng suất rừng 
Keo lai theo các dạng khác nhau; 
- Kiểm tra sự thích ứng và lựa chọn mô hình 
phù hợp; 
- Đề xuất hướng dẫn sử dụng mô hình dự báo 
năng suất. 
2.2. Phƣơng pháp nghiên cứu 
2.2.1. Phương pháp thu thập số liệu 
- Thu thập số liệu về nhiệt độ trung bình, tổng 
lượng mưa của các tháng từ năm 1990 đến 
2012 để xác định nhiệt độ bình quân và tổng 
lượng mưa hàng năm. 
- Điều tra tại 327 lô rừng thuộc 38 xã của 6 
huyện có nhiều diện tích Keo lai được trồng 
và khai thác tại tuổi 6 trong các năm 2010, 
2011 và 2012, đo đếm các chỉ tiêu theo phiếu 
điều tra bao gồm: 
Vị trí (tọa độ): Tiến hành xác định vị trí lô 
khai thác bằng máy định vị GPS. 
Diện tích lô khai thác: được xác định qua hồ sơ 
thiết kế khai thác hoặc theo diện tích đất được 
giao trong giấy chứng nhận quyền sử dụng đất 
của hộ gia đình. Trong trường hợp diện tích 
lớn thì sử dụng ô mẫu 1000 - 2000m2 tùy thuộc 
vào năng lực khai thác của đơn vị. 
Độ cao: Tiến hành xác định độ cao của lô 
rừng bằng máy định vị GPS. 
Độ dốc: Tiến hành đo độ dốc của lô rừng 
bằng máy đo độ dốc trên la bàn cầm tay. 
Một số tính chất của đất: Đào 1 phẫu diện đất 
trên lô rừng. Sau đó, xác định các chỉ tiêu: Loại 
đất, độ dày tầng đất, thành phần cơ giới đất. 
Xác định sản lượng và năng suất: 
Sản lượng của lô rừng, là sản lượng gỗ thương 
phẩm, bao gồm khối lượng gỗ gia dụng (gỗ 
xẻ) và khối lượng gỗ làm nguyên liệu (dăm 
gỗ) và được tính bằng đơn vị tấn. 
Tạp chí KHLN 2013 Hồ Thanh Hà et al., 2013(4) 
2978 
SLr = SLd+SLg (Sản lượng rừng = sản lượng 
gỗ dăm + sản lượng gỗ tròn) (tấn) 
Sản lượng rừng được tính là tổng khối lượng 
gỗ đã bóc vỏ. 
Trong đó sản lượng gỗ dăm (SLd) được tính 
bằng tổng khối lượng (tấn) của các chuyến xe 
vận chuyển và được cân tại các nhà máy dăm 
gỗ (gỗ đã bóc vỏ). 
Khối lượng gỗ tròn dùng cho mộc dân dụng 
hoặc bao bì được sử dụng công thức đơn 
Smalian để tính (Vũ Tiến Hinh, Phạm Ngọc 
Giao, 1997). Sau đó được quy đổi ra khối 
lượng bằng cách nhân với khối lượng thể tích 
của gỗ (được đo tính theo gỗ không vỏ). 
Năng suất được tính bằng tổng sản lượng khai 
thác chia cho diện tích lô rừng khai thác. 
2.2.2. Phương pháp xử lý số liệu 
Với số lượng các lô rừng tham gia vào việc 
xây dựng mô hình là 240 lô bao gồm 100 lô 
rừng trồng quảng canh và 140 lô rừng trồng 
thâm canh, các mô hình dự báo sản lượng 
được xác lập trên cơ sở tương quan tuyến tính 
đa biến với phương pháp Stepwise trong phần 
mềm SPSS (Norušis, 2003; Nguyễn Hải Tuất 
et al., 2006). Trong đó: 
Biến phụ thuộc là: Năng suất rừng Keo lai tại 
tuổi 6 (tấn/ha). 
Các biến độc lập bao gồm: Phương thức trồng 
rừng, độ dốc, độ cao khu rừng, loại đất, độ 
dày tầng đất, thành phần cơ giới đất, nhiệt độ 
trung bình, và tổng lượng mưa hàng năm. 
Tên biến và giá trị của các biến độc lập như 
trong bảng 1. 
Bảng 1. Ký hiệu các biến sử dụng xây dựng các mô hình dự báo năng suất 
Nhân tố Tên biến Giá trị của biến Ghi chú 
Hình thức 
trồng 
Pttrong 1: trồng quảng canh, 2: trồng thâm canh Biến mã hóa 
T1 Hình thức trồng rừng quảng canh Biến Dummy 
T2 Hình thức trồng rừng thâm canh Biến Dummy 
Độ cao 
Docao Biến định lượng 
Capcao Từ 1 đến 5 Biến mã hóa 
C1 Độ cao dưới 100m Biến Dummy 
C2 Độ cao từ 100 đến 300m Biến Dummy 
C3 Độ cao từ 300 đến 500m Biến Dummy 
C4 Độ cao từ 500 đến 700m Biến Dummy 
C5 Độ cao trên 700m Biến Dummy 
Độ dốc 
Dodoc Biến định lượng 
Capdoc Từ 1 đến 8 Biến mã hóa 
D1 Độ dốc nhỏ hơn 3 độ Biến Dummy 
D2 Độ dốc từ 3 đến 8 độ Biến Dummy 
D3 Độ dốc từ 8 đến 15 độ Biến Dummy 
D4 Độ dốc từ 15 đến 20 độ Biến Dummy 
D5 Độ dốc từ 20 đến 25 độ Biến Dummy 
D6 Độ dốc từ 25 đến 30 độ Biến Dummy 
D7 Độ dốc từ 30 đến 35 độ Biến Dummy 
D8 Độ dốc trên 35 độ Biến Dummy 
Loại đất 
Dat Từ 1 đến 7 Biến mã hóa 
DatFa Đất Đỏ vàng trên đá macma axit Biến Dummy 
DatFj Đất Đỏ vàng trên đá biến chất Biến Dummy 
DatFp Đất Nâu vàng trên phù sa cổ Biến Dummy 
DatFq Đất Vàng nhạt trên đá cát Biến Dummy 
DatFs Đất Đỏ vàng trên đá sét Biến Dummy 
DatE Đất Xói mòn trơ sỏi đá Biến Dummy 
DatHa Đất Mùn đỏ vàng trên đá macma axit Biến Dummy 
Hồ Thanh Hà et al., 2013(4) Tạp chí KHLN 2013 
2979 
Nhân tố Tên biến Giá trị của biến Ghi chú 
Thành phần 
cơ giới đất 
Cogioi Từ 1 đến 3 Biến mã hóa 
CG1 Đất cát pha Biến Dummy 
CG2 Đất thịt nhẹ Biến Dummy 
CG3 Đất thịt nặng Biến Dummy 
Độ dày tầng 
đất 
Doday Từ 1 đến 5 Biến mã hóa 
Day1 Độ dày nhỏ hơn 30cm Biến Dummy 
Day2 Độ dày từ 30 đến 50cm Biến Dummy 
Day3 Độ dày từ 50 đến 70cm Biến Dummy 
Day4 Độ dày từ 70 đến 100cm Biến Dummy 
Day5 Độ dày trên 100cm Biến Dummy 
Nhiệt độ 
trung bình 
năm 
Nhiet Từ 1 đến 4 Biến mã hóa 
N1 Nhiệt độ trung bình năm nhỏ hơn 22 độ C Biến Dummy 
N2 Nhiệt độ trung bình năm từ 22 đến 23 độ C Biến Dummy 
N3 Nhiệt độ trung bình năm từ 23 đến 24 độ C Biến Dummy 
N4 Nhiệt độ trung bình năm lớn hơn 24 độ C Biến Dummy 
Tổng lượng 
mưa hàng 
năm 
Mua Từ 1 đến 4 Biến mã hóa 
M1 Tổng lượng mưa nhỏ hơn 3400mm Biến Dummy 
M2 Tổng lượng mưa từ 3400 đến 3700mm Biến Dummy 
M3 Tổng lượng mưa từ 3700 đến 4000mm Biến Dummy 
M4 Tổng lượng mưa trên 4000mm Biến Dummy 
Các dạng mô hình dự báo năng suất bao gồm: 
Dạng 1: Nhân tố độ dốc và độ cao là biến 
định lượng còn các biến định tính khác sẽ sử 
dụng biến Dummy (biến giả). 
Dạng 2: Tất cả các biến sử dụng đều là biến 
Dummy. 
Dạng 3: Nhân tố độ dốc và độ cao là biến 
định lượng còn các biến định tính khác sẽ sử 
dụng biến dạng mã hóa. 
Dạng 4: Tất cả các biến đề sử dụng dưới dạng 
mã hóa. 
Việc lựa chọn mô hình được dựa trên các chỉ số: 
Mô hình được kiểm nghiệm với 87 lô rừng 
độc lập, không tham gia vào việc xây dựng 
mô hình bao gồm 35 lô rừng trồng quảng canh 
và 52 lô rừng trồng thâm canh. 
- Các tham số của biến độc lập tồn tại. 
- Hệ số tương quan hồi quy (R) và Hệ số xác 
định (R2) cao nhất. 
- Các chỉ số nhân tố tương quan (CF), sai số 
tuyệt đối (Δ), sai lệch dự báo (PE), sai số dự 
báo trung bình tương đối (Δ%) là nhỏ nhất 
(Stephy et al., 2013; Chave et al., 2005). 
III. KẾT QUẢ NGHIÊN CỨU VÀ THẢO 
LUẬN 
3.1. Xây dựng mô hình dự đoán năng suất 
rừng Keo lai tại Thừa Thiên Huế 
3.1.1. Các mô hình dự báo năng suất rừng 
Keo lai chung cho toàn tỉnh 
Với 240 ô mẫu đã xây dựng 4 mô hình dự báo 
năng suất rừng Keo lai chung cho toàn tỉnh 
Thừa Thiên Huế được thể hiện qua bảng 2. 
Qua bảng 2 cho thấy mô hình 1.1 có nhân tố 
phương thức trồng là nhân tố ảnh hưởng có ý 
nghĩa lớn nhất đến năng suất rừng Keo lai trên 
địa bàn tỉnh Thừa Thiên Huế vì đây là nhân tố 
được chọn lọc đầu tiên trong số các nhân tố 
đưa vào trong mô hình. Đồng thời, căn cứ vào 
hệ số hồi quy cho thấy, trồng rừng thâm canh 
(T2) sẽ cho năng suất cao hơn trồng rừng 
quảng canh 21,123 tấn/ha. Độ dày tầng đất lớn 
hơn 100cm (Day5) thì năng suất của rừng sẽ 
cao hơn khoảng 9,194 tấn/ha, còn với độ dày 
tầng đất nhỏ hơn 30cm (Day1) và độ dày từ 30 
đến 50cm (Day2) thì sẽ có năng suất thấp hơn 
14,230 hoặc 4,539 tấn/ha so với các độ dày 
tầng đất đối chứng hoặc có hệ số hồi quy = 0 
(Độ dày từ 50 đến 100cm). Điều này cho thấy 
khi độ dày tầng đất tăng thì năng suất rừng Keo 
Tạp chí KHLN 2013 Hồ Thanh Hà et al., 2013(4) 
2980 
lai sẽ tăng lên theo. Loại đất thịt nhẹ (CG2) sẽ 
cho năng suất thấp hơn các thành phần cơ giới 
khác là 2,884 tấn/ha. Loại đất xói mòn trơ sỏi 
đá (DatE) cho năng suất thấp hơn các loại đất 
khác là 27,621 tấn/ha. Các loại đất khác hầu 
như là không có sự sai khác nhau đáng kể do 
các hệ số hồi quy đều không tồn tại. Tổng 
lượng mưa hàng năm từ 3700 đến 4000mm 
(M3) sẽ có năng suất cao hơn các tổng lượng 
mưa hàng năm khác là 3,518 tấn/ha. Nhiệt độ 
trung bình từ 23 đến 24 độ (N3) và nhiệt độ 
trung bình trên 24 độ (N4) cho năng suất thấp 
hơn các mức nhiệt độ đối chứng (nhiệt độ từ 22 
đến 23 độ và nhiệt độ nhỏ hơn 22 độ) lần lượt 
là 6,649 tấn/ha và 8,989 tấn/ha. 
Với 2 nhân tố định lượng là độ dốc và độ cao, 
cả 2 nhân tố này đều có quan hệ nghịch biến với 
năng suất do hệ số hồi quy đều có giá trị nhỏ 
hơn không. Qua hệ số hồi quy cho thấy, khi độ 
dốc tăng thêm 1 độ thì năng suất sẽ giảm đi 
0,322 tấn/ha còn với độ cao, khi độ cao tăng lên 
1 mét thì năng suất sẽ giảm đi 0,022 tấn/ha. 
Bảng 2. Các mô hình dự báo năng suất rừng Keo lai tại Thừa Thiên Huế 
MH Biến/nhân tố Hệ số hồi quy (bi) R R
2
 SN
2 
CF 
1.1 
Tự do 54,040 
0,92 0,84 50,99 1,18E+11 
T2 21,123 
Day5 9,194 
Day1 - 14,230 
DatE - 27,621 
Dodoc - 0,322 
Docao - 0,022 
CG2 - 2,884 
Day2 - 4,539 
M3 3,518 
N4 - 8,989 
N3 - 6,649 
1.2 
Tự do 32,225 
0,91 0,83 54,09 5,57E+11 
T2 21,668 
Day5 8,776 
Day1 - 14,460 
DatE - 26,770 
C1 8,713 
D2 5,319 
CG2 - 2,091 
C2 5,612 
Day2 - 4,928 
D7 - 6.267 
M3 3,772 
N3 - 3,836 
D6 - 3,318 
1.3 
Tự do 2,961 
0,90 0,81 58,99 6,45E+12 
Pttrong 22,253 
Doday 6,142 
Dodoc - 0,317 
Docao - 0,014 
1.4 
Tự do 3,748 
0,90 0,80 62,32 3,41E+13 
Pttrong 23,227 
Doday 6,187 
Capdoc - 1,348 
Capcao - 2,803 
(Nguồn: Tổng hợp từ phân tích trên SPSS). 
Hồ Thanh Hà et al., 2013(4) Tạp chí KHLN 2013 
2981 
Tương tự dạng mô hình 1.1, mô hình 1.2 cũng 
có sự tham gia đầy đủ của các nhân tố nghiên 
cứu ảnh hưởng đến năng suất rừng Keo lai. 
Tuy nhiên, với tất cả các nhân tố đều là biến 
Dummy nên số lượng biến nhiều hơn. Trong 
đó, phương thức trồng là nhân tố có ảnh hưởng 
mạnh nhất đến năng suất. Độ dày tầng đất là 
nhân tố có ảnh hưởng  ... 
(Nguồn: Tổng hợp từ phân tích trên SPSS). 
Trong 4 dạng mô hình thì ta thấy dạng mô 
hình 2.1 (độ dốc, độ cao là biến định lượng 
còn các nhân tố khác là biến Dummy) có hệ 
số tương quan hồi quy R = 0,81 ứng với hệ 
số xác định R2 = 0,66 là lớn nhất còn thấp 
nhất là ở dạng mô hình 2.4 với R= 0,76 ứng 
với R2 = 0,58. Bên cạnh đó, các giá trị SN
2
 và 
CF của mô hình 2.1 lại cho giá trị nhỏ nhất 
còn mô hình 2.1 lại có giá trị SN
2
 và CF lớn 
nhất. Như vậy trong 4 dạng mô hình đã khảo 
sát thì dạng mô hình 1 (mô hình 2.1) là cho 
kết quả tốt nhất. 
Hồ Thanh Hà et al., 2013(4) Tạp chí KHLN 2013 
2983 
3.1.3. Các mô hình dự báo năng suất rừng 
Keo lai trồng thâm canh 
Trên cơ sở 140 lô rừng được điều tra, 4 mô 
hình dự báo năng suất rừng Keo lai trồng 
thâm canh trên địa bàn Thừa Thiên Huế đã 
được xây dựng, thể hiện qua bảng 4. 
Qua bảng 4 cho thấy, mô hình 3.1 thì có được 
8/27 biến tồn tại. Trong các nhân tố ảnh 
hưởng, độ dày tầng đất là nhân tố quan trọng 
nhất và có ảnh hưởng lớn đến năng suất trong 
mô hình trồng rừng thâm canh. Với xu hướng 
là độ dày càng lớn thì năng suất rừng càng 
cao. Tương tự, loại đất E cho năng suất thấp 
nhất, loại đất Fp cho năng suất cao hơn loại 
đất E nhưng thấp hơn các loại đất khác 7,223 
tấn/ha. Với hệ số hồi quy là - 0,471 cho thấy 
khi độ dốc tăng thêm 1 độ, năng suất sẽ giảm 
0,471 tấn/ha. Với giá trị của hệ số hồi quy cho 
thấy tổng lượng mưa phù hợp cho rừng Keo 
lai là từ 3700 đến 4000mm (M3) với năng 
suất cao hơn là 3,575 tấn/ha nhưng nếu tổng 
lượng mưa trên 4000mm (M4) sẽ cho năng 
suất thấp hơn 3,466 tấn/ha so với các vùng 
tổng lượng mưa nhỏ hơn 3700mm. 
Bảng 4. Các mô hình dự báo năng suất rừng Keo lai trồng thâm canh tại Thừa Thiên Huế 
MH Biến/nhân tố Hệ số hồi quy (bi) R R
2
 SN
2
 CF 
3.1 
Tự do 63,483 
0,89 0,78 48,62 3.61E+10 
Day5 22,374 
Day1 - 10,510 
DatE - 21,632 
Dodoc - 0,471 
M3 3,575 
Day4 7,415 
DatFp - 7,223 
M4 - 3,466 
3.2 
Tự do 52,257 
0,87 0,76 53,79 4.79E+11 
Day5 23,010 
Day1 - 11,185 
DatE - 21,744 
C1 4,785 
M3 3,534 
Day4 7,406 
DatFp - 7,680 
D2 4,305 
3.3 
Tự do 45,365 
0,85 0,72 60,35 1.27E+13 Doday 7,270 
Dodoc - 0,407 
3.4 
Tự do 44,652 
0,84 0,71 62,70 4.12E+13 Doday 7,767 
Capdoc - 4,793 
(Nguồn: Tổng hợp từ phân tích trên SPSS). 
Tạp chí KHLN 2013 Hồ Thanh Hà et al., 2013(4) 
2984 
Với mô hình 3.2, có 8 biến thuộc 5 nhân tố 
nghiên cứu và có 2/7 nhân tố không tham 
gia vào mô hình dự báo gồm nhiệt độ trung 
bình và thành phần cơ giới đất. Tương tự mô 
hình 3.1, trong mô hình 3.2 độ dày tầng đất 
là nhân tố có ảnh hưởng lớn nhất đến năng 
suất rừng. Loại đất xói mòn trơ sỏi đá (datE) 
là cho năng suất thấp nhất, tiếp theo là loại 
đất nâu vàng trên phù sa cổ (datFp) là cho 
năng suất thấp hơn loại đất đối chứng khác 
và 3 loại đất còn lại là 7,680 tấn/ha. Cấp độ 
dốc từ 3 đến 8 độ (D2) là cho năng suất cao 
hơn các cấp độ dốc còn lại là 4,305 tấn/ha. 
Độ cao dưới 100 mét (C1) sẽ cho năng suất 
cao hơn các cấp độ cao còn lại 4,875 tấn/ha. 
Các vùng có tổng lượng mưa thấp hơn 
3700mm hoặc lớn hơn 4000mm thì không 
có sự sai khác nhau rõ rệt về năng suất và 
thấp hơn vùng có lượng mưa từ 3700 đến 
4000mm (M3) là 3,534 tấn/ha. 
Với dạng mô hình 3.3 và 3.4 thì chỉ có 2 nhân 
tố tham gia vào mô hình bao gồm độ dày tầng 
đất và độ dốc. Với độ dày tầng đất cho thấy 
quan hệ giữa độ dày tầng đất với năng suất là 
quan hệ đồng biến. Tuy nhiên, với nhân tố độ 
dốc thì sẽ cho quan hệ nghịch biến, nghĩa là 
khi độ dốc tăng lên thì năng suất sẽ giảm đi. 
Đồng thời, khi độ dốc tăng lên 1 độ sẽ làm 
năng suất giảm đi 0,407 tấn/ha, hoặc khi tăng 
lên 1 cấp, năng suất giảm đi 4,793 tấn/ha. 
Trong 4 dạng mô hình thì ta thấy mô hình 3.1, 
có hệ số tương quan hồi quy R = 0,89 ứng với 
hệ số xác định R2 = 0,78 là lớn nhất. Trong 
khi đó giá trị thấp nhất là ở dạng mô hình 3.4 
với R= 0,84 ứng với R2 = 0,71. Bên cạnh đó, 
các giá trị SN
2
 và CF của mô hình 3.1 lại cho 
giá trị nhỏ nhất còn mô hình 3.4 lại có giá trị 
SN
2
 và CF lớn nhất. Như vậy dạng mô hình 1 
(mô hình 3.1) là cho kết quả tốt hơn so với 
các dạng mô hình còn lại. 
3.2. Kiểm nghiệm và lựa chọn mô hình 
3.2.1. Xác định các chỉ tiêu đánh giá mô hình 
Kết quả kiểm nghiệm từ số liệu của 87 lô rừng 
độc lập cho các mô hình đã xây dựng được 
thể hiện qua bảng 5. 
Bảng 5. Một số chỉ tiêu đánh giá sự phù hợp mô hình dự báo năng suất 
Mô 
hình 
∆(tấn/ha) ∆% (%) 
PE (tấn/ha) 
TB Max Min TB Max Min 
1.1 1,95 9,92 0,03 4,62 28,50 0,09 0,15 
1.2 3,05 10,82 0,02 7,93 38,23 0,06 0,51 
1.3 3,15 16,33 0,13 8,00 46,93 0,40 0,25 
1.4 3,10 14,74 0,09 7,88 42,36 0,14 0,28 
2.1 2,68 13,96 0,04 9,93 54,02 0,10 1,09 
2.2 4,14 16,48 0,08 14,30 56,50 0,33 0,94 
2.3 3,08 8,70 0,15 10,74 46,20 0,70 0,17 
2.4 2,98 8,46 0,10 10,44 51,59 0,51 0,07 
3.1 2,65 9,86 0,06 5,17 21,25 0,12 - 0,22 
3.2 3,06 9,42 0,06 6,08 20,32 0,15 - 0,15 
3.3 3,02 11,38 0,08 5,90 20,26 0,18 - 0,24 
3.4 3,46 14,78 0,07 6,86 26,32 0,16 - 0,27 
Ghi chú: ∆: sai số tuyệt đối ∆%: sai lệch dự báo tương đối (%) 
PE: Prediction Error (sai lệch dự báo) 
Hồ Thanh Hà et al., 2013(4) Tạp chí KHLN 2013 
2985 
Từ bảng 5 cho thấy từ mô hình 1.1 đến 1.4 và 
từ 2.1 đến 2.4, chênh lệch giữa giá trị lý thuyết 
và giá trị thực tế đều có giá trị dương (PE>0). 
Điều này có nghĩa là mô hình có xu hướng cho 
giá trị dự báo lớn hơn giá trị thực (over - 
estimation). Trong khi đó, từ mô hình 3.1 đến 
3.4 lại có giá trị chênh lệch âm (PE<0). Nghĩa 
là mô hình dự báo năng suất rừng trồng thâm 
canh thường cho giá trị dự báo thấp hơn giá trị 
thực tế (under - estimation). 
Mô hình 1.2 cho giá trị sai số tuyệt đối giữa 
lý thuyết với thực tế (∆) nhỏ nhất là 0,02 
tấn/ha. Trong khi đó giá trị ∆ lớn nhất là 
16,33 tấn/ha thuộc về mô hình 1.3. Tuy 
nhiên, về trung bình, mô hình 1.1 cho giá trị 
∆ bình quân là 1,95 tấn/ha (tương ứng với 
∆% = 4,62%) là giá trị nhỏ nhất trong 4 dạng 
mô hình đã được lập. Như vậy có thể nói 
rằng trong 4 dạng mô hình khảo sát, mô hình 
1.1 cho kết quả tốt hơn hẳn 3 dạng mô hình 
còn lại để dự báo năng suất rừng Keo lai trên 
địa bàn tỉnh Thừa Thiên Huế. 
Các mô hình từ 2.1 đến 2.4 cho thấy, mô hình 
2.1 cho giá trị ∆ nhỏ nhất là 0,04 tấn/ha. 
Trong khi đó giá trị ∆ lớn nhất là 16,48 tấn/ha 
thuộc về mô hình 2.2. Hơn thế nữa, về giá trị 
trung bình, mô hình 2.1 cũng là mô hình cho 
giá trị ∆ bình quân nhỏ nhất là 2,68 tấn/ha 
(tương ứng với ∆% là 9,33%). Như vậy đối 
với các khu rừng trồng quảng canh thì ta có 
thể sử dụng mô hình 2.1 để dự báo năng suất 
sẽ cho kết quả tốt hơn các dạng còn lại. 
Với các mô hình từ 3.1 đến 3.4 cho thấy, mô 
hình 3.1 có giá trị ∆ nhỏ nhất là 0,06 tấn/ha. 
Trong khi đó giá trị ∆ lớn nhất là 14,78 tấn/ha 
ở mô hình 3.4. Đồng thời giá trị ∆ trung bình 
nhỏ nhất cũng ở mô hình 3.1 với giá trị bình 
quân là 2,65 tấn/ha (ứng với ∆% là 5,17%). 
Do đó, để sai số tuyệt đối trung bình nhỏ, nên 
chọn mô hình 3.1 để dự báo năng suất rừng 
Keo lai trồng thâm canh trên địa bàn Thừa 
Thiên Huế. 
Như vậy trong 4 dạng mô hình đã khảo sát, 
dạng mô hình có độ dốc và độ cao là biến 
định lượng còn các nhân tố định tính là biến 
Dummy cho kết quả tốt hơn 3 dạng mô hình 
còn lại để dự báo năng suất rừng Keo lai trên 
địa bàn tỉnh Thừa Thiên Huế. 
3.2.2. Lựa chọn mô hình 
Trong 3 mô hình dự báo năng suất rừng cho 3 
trường hợp theo dạng biến độc lập gồm độ 
dốc và độ cao là biến định lượng còn các biến 
định tính là biến Dummy, nhận thấy mô hình 
1.1 có giá trị sai lệch tuyệt đối (∆) nhỏ nhất là 
1,95 tấn/ha (ứng với ∆% là 4,62%) trong khi 
đó mô hình 2.1 lại có giá trị ∆ lớn nhất là 2,68 
tấn/ha (∆% là 9,93%). Như vậy với các giá trị 
sai lệch dự báo tương đối đều nhỏ hơn 10% 
nên đều có thể dùng các mô hình để dự báo 
năng suất rừng Keo lai trên địa bàn tỉnh Thừa 
Thiên Huế. Tuy nhiên, với giá trị sai lệch dự 
báo tương đối nhỏ nhất, mô hình 1.1 là mô 
hình dự báo năng suất rừng Keo lai tốt nhất 
trên địa bàn tỉnh Thừa Thiên Huế với mô hình 
cụ thể là: 
Nangsuat = 54,040 + 21,123(T2) + 
9,194(Day5) - 14,230(Day1) - 27,621(DatE) - 
0,322 (dodoc) - 0,022(docao) - 2,884(CG2) - 
4,539 (Day2) + 3,518(M3) - 8,989(N3) - 
6,649(N4) 
3.3. Hƣớng dẫn sử dụng mô hình 
Khi tiến hành dự báo năng suất rừng Keo lai ở 
tuổi 6 cho một khu vực nào đó trên địa bàn 
Thừa Thiên Huế thì ta cần xác định các chỉ 
tiêu cụ thể là: 
Xác định loại đất 
Xác định thành phần cơ giới đất 
Xác định độ dày tầng đất 
Xác định độ dốc 
Xác định độ cao 
Xác định nhiệt độ bình quân chung hàng năm 
Xác định tổng lượng mưa hàng năm 
Tạp chí KHLN 2013 Hồ Thanh Hà et al., 2013(4) 
2986 
Sau đó, dựa vào mô hình đã được xây dựng và 
lựa chọn, ta tiến hành tính toán và dự báo 
được năng suất rừng Keo lai sẽ thu hoạch 
được khi 6 năm tuổi là: 
Nếu trồng quảng canh, năng suất sẽ là: 
Năng suất = 54,040 + 9,194 (Day5) - 14,230 
(Day1) - 27,621 (DatE) - 0,322 (dodoc) - 
0,022(docao) - 2,884(CG2) - 4,539 (Day2) + 
3,518(M3) - 8,989(N3) - 6,649(N4) 
Nếu trồng thâm canh, năng suất sẽ là: 
Năng suất = 54,040 + 21,123(T2)+ 9,194 
(Day5) - 14,230(Day1) - 27,621 (DatE) - 
0,322 (dodoc) - 0,022(docao) - 2,884(CG2) - 
4,539 (Day2) + 3,518(M3) - 8,989(N3) - 
6,649(N4). 
Ví dụ 1: Một lô rừng diện tích 1,5ha với loại 
đất được xác định là loại đất đỏ vàng trên 
macma axit (Fa), có độ dày tầng đất là 60cm, 
thành phần cơ giới là thịt nhẹ, độ dốc khu 
rừng là 27 độ, ở độ cao 250m, nhiệt độ trung 
bình hàng năm trong khu vực là 22,5 độ C, 
Tổng lượng mưa hàng năm là 3550mm. Khi 
trồng rừng Keo lai sau 6 năm để khai thác có 
thể thu hoạch được là: 
Nếu trồng rừng quảng canh, năng suất sẽ là: 
= 54,040 - 0,322*27 - 0,022* 250 - 2,884*1 = 
36,962 tấn/ha 
Với giá trị sai tiêu chuẩn của mô hình tương 
quan là 2,834, với độ tin cậy 95% thì năng 
suất của khu rừng là từ 31,407 đến 42,517 
tấn/ha. Do đó có thể thu được sản lượng từ 
47,111 đến 63,775 tấn sau 6 năm trồng. 
Nếu trồng rừng thâm canh, năng suất sẽ là: 
= 54,040 + 21,123 *1 - 0,322*27 - 0,022* 250 
- 2,884*1 = 58,085 tấn/ha 
Với giá trị sai tiêu chuẩn của mô hình tương 
quan là 2,834, với độ tin cậy 95% thì năng 
suất của khu rừng là từ 52,530 đến 63,640 
tấn/ha. Do đó có thể thu được sản lượng từ 
78,796 đến 95,459 tấn sau 6 năm trồng. 
Ví dụ 2: Một lô rừng diện tích 0,5ha với loại 
đất được xác định là loại đất đỏ vàng trên 
macma axit (Fa), có độ dày tầng đất là 20cm, 
thành phần cơ giới là thịt nhẹ, độ dốc khu 
rừng là 17 độ, ở độ cao 150m, nhiệt độ trung 
bình hàng năm trong khu vực là 23,5 độ C, 
Tổng lượng mưa hàng năm là 3750mm. Khi 
trồng rừng Keo lai sau 6 năm để khai thác thì 
có thể thu hoạch được là: 
Nếu trồng rừng quảng canh, năng suất sẽ là: 
= 54,040 - 14,230*1 - 0,322*17 - 0,022*150 - 
2,884*1+3,518*1 - 8,989*1 = 22,681 tấn/ha 
Với giá trị sai tiêu chuẩn của mô hình tương 
quan là 2,834, với độ tin cậy 95% thì năng 
suất của khu rừng là từ 17,126 đến 28,236 
tấn/ha. Do đó có thể thu được sản lượng từ 
8,563 đến 14,118 tấn sau 6 năm trồng. 
Nếu trồng rừng thâm canh, năng suất sẽ là: 
= 54,040 + 21,123*1 - 14,230*1 - 0,322*17 - 
0,022*150 - 2,884 *1 + 3,518*1 - 8,989*1 = 
43,804 tấn/ha 
Với giá trị sai tiêu chuẩn của mô hình tương 
quan là 2,834 thì ta có thể biết rằng với độ 
tin cậy 95% năng suất của khu rừng là từ 
38,249 đến 49,359 tấn/ha. Do đó có thể thu 
được sản lượng từ 19,125 đến 24,68 tấn sau 
6 năm trồng. 
IV. KẾT LUẬN VÀ KIẾN NGHỊ 
4.1. Kết luận 
Trồng rừng thâm canh cho năng suất tại tuổi 6 
cao hơn ít nhất là trên 21 tấn/ha so với trồng 
quảng canh trên địa bàn Thừa Thiên Huế. 
Hầu hết các nhân tố điều tra nghiên cứu đều 
có ảnh hưởng đến năng suất của rừng Keo lai 
tại tuổi 6 theo các mức độ khác nhau và tùy 
theo các dạng mô hình tương quan khác nhau. 
Phương thức trồng là nhân tố có ảnh hưởng 
mạnh nhất đến năng suất rừng Keo lai trên địa 
Hồ Thanh Hà et al., 2013(4) Tạp chí KHLN 2013 
2987 
bàn Thừa Thiên Huế. Đồng thời, phương thức 
trồng là biến độc lập cho mô hình dự báo 
chung cho kết quả dự báo năng suất tốt hơn là 
tách riêng cho từng phương thức trồng rừng. 
Trong 4 dạng mô hình được thử nghiệm, dạng 
mô hình 1 (Độ dốc và độ cao là biến định 
lượng còn các nhân tố định tính là biến 
Dummy) cho kết quả dự báo năng suất tốt 
nhất với hệ số tương quan hồi quy đạt 0,92, 
mô hình dự báo cụ thể là: 
Năng suất = 54,040 + 21,123(T2)+ 9,194 
(Day5) - 14,230(Day1) - 27,621 (DatE) - 
0,322 (dodoc) - 0,022(docao) - 2,884(CG2) - 
4,539 (Day2) + 3,518(M3) - 8,989(N3) - 
6,649(N4). 
4.2. Một số tồn tại và hạn chế 
- Việc phân chia mức độ thâm canh và quảng 
canh còn mang tính định tính và phụ thuộc 
vào chủ quan của người điều tra nên độ chính 
xác chưa cao. 
- Giống Keo lai dùng để trồng rừng thường 
được hỗ trợ từ các dự án hoặc các hộ mua từ 
nhiều nguồn khác nhau mà không quan tâm 
đến các dòng, xuất xứ do đó các rừng Keo 
lai chưa được phân chia theo các dòng khác 
nhau nên cũng có ảnh hưởng đến kết quả 
nghiên cứu. 
- Một số loại đất, lập địa khác chưa có rừng 
đến tuổi khai thác nên chưa điều tra và đưa 
vào mô hình dự báo nhằm đảm bảo tính hoàn 
chỉnh của nghiên cứu. 
4.3. Kiến nghị 
- Mô hình dự báo năng suất rừng Keo lai chỉ 
nên sử dụng cho tỉnh Thừa Thiên Huế, rừng 
tuổi 6, với 7 loại đất, 3 thành phần cơ giới đã 
được nghiên cứu. Với các khu rừng Keo lai có 
các điều kiện, nhân tố điều tra khác, cần có 
công tác kiểm nghiệm trước khi sử dụng. 
- Cần tiếp tục điều tra, đánh giá thêm các nhân 
tố khác có ảnh hưởng đến năng suất rừng Keo 
lai và trên các điều kiện trồng khác để bổ sung 
và hoàn chỉnh mô hình dự báo năng suất rừng 
Keo lai trên toàn bộ diện tích của tỉnh. 
- Cần phân tích rõ hơn mức độ thâm canh, các 
dòng Keo lai được trồng để có thể đánh giá, 
nhận định kết quả chính xác hơn 
- Cần nghiên cứu bổ sung cho đối tượng rừng 
lớn tuổi hơn và đã có áp dụng các biện pháp 
lâm sinh phục vụ cho kinh doanh gỗ lớn. 
TÀI LIỆU THAM KHẢO 
1. Vũ Tiến Hinh và Phạm Ngọc Giao, 1997. Điều tra rừng (Giáo trình Đại học Lâm nghiệp). Nxb Nông nghiệp. 
2. Nguyễn Hải Tuất, Vũ tiến Hinh và Ngô Kim Khôi, 2006. Phân tích thống kê trong lâm nghiệp. Nxb Nông nghiệp. 
3. Chave J., C. Andalo, S. Brown, M. A. Cairus, J. Q. Chambers, D. Eamus, H. Folster, F. Fromard, N. Higuchi, T. 
Kira, J. P. Lescure, B. W. Nelson, H. Ogawa, H. Puig, B. Riera, & T. Yamakura, 2005. Tree allometry and 
improved estimation of carbon stocks and balance in tropical forests. Ecosystem Ecology, Oecologia (2005) 
145; 87 - 99. DOI 10.1007/s00442 - 005 - 0100 - x. 
4. Norušis, M.J., 2003. SPSS 12.0 Statistical Procedures Companion. Prentice hall, Inc. NJ, USA. 
5. Stephy D. Makungwa, Abbie Chittock, David L. Skole, George Y. Kanyama - Phiri and Iain H. Woodhouse, 2013. 
Allometry for Biomass estimation in Jatropha tree planted as boundary hedge in farmers’ fields. Forests 2013, 
4, 218 - 233; DOI:10.3390/f4020218. 
Ngƣời thẩm định: GS.TSKH. Nguyễn Ngọc Lung