森林资源是我国最重要的自然资源之一,对国家的经济发展和生态环境都具有十分重要的作用。为了解决我国森林资源短缺问题,实现森林资源的可持续发展,需要立足我国国情,探索森林生长规律,对森林进行合理经营,提高森林生长速度和产出。本文以实现林分生长预测自动化为目标,通过研究杉木分区建模技术和杉木生长因子辅助自动更新技术,提出了林分生长预测自动化建模方法。在树种分区建模研究部分以杉木(Cunninghamia lanceolata)为目标树种,以杉木分布的16个省(自治区)为研究区,结合研究区的环境因子,利用随机森林算法和随机森林-递归特征消除算法筛选环境因子,基于空间聚类方法对研究区进行分组并建立分组模型。在杉木生长因子辅助自动更新技术部分研究模型数据库和样本数据的构建方法和管理方法,研究模型拟合技术和模型评价技术,实现林分生长自动化预测。最后基于研究的林分生长预测自动化建模方法,以杉木分组数据为样本构建样本库,构建数据库,选择模型库中的模型拟合杉木生长模型并根据模型检验结果选择模型,实现杉木的自动化建模预测和森林资源数据的快速更新。主要研究内容如下:1.基于随机森林和随机森林-递归特征消除的环境因子筛选。选取研究区环境因子(地形、土壤、气候的32个因子)作为特征因子,通过相关分析去除相关性大的环境因子,剩余的15个因子与杉木样地数据集成数据集,利用随机森林和随机森林-递归特征消除两种算法选择对杉木生长状况影响大的环境因子,结果表明:Bio4(温度季节变化标准差)、Elevation(海拔)、Bio3(等温性)、Bio8(最湿季度平均温)、Bio1(年均温)、Bio14(最干月降水量)、Bio12(年均降水量)、Bio2(昼夜温差月均值)这8个因子对杉木生长的影响最大。2.基于空间聚类的杉木研究区分组。以筛选的8个环境因子为特征,利用空间聚类方法对杉木研究区进行分组,经分析,将研究区分为7组。分别建立分组和不分组的杉木生长率模型并检验,结果表明,相比于不分组模型,分组模型的精度有较大提高。3.林分生长预测自动化建模方法研究。查阅资料,整理目前应用较广、精度较高的林分生长模型,研究模型库结构与构建方法;基于建模需求和样本存放需求研究样本库构建方法;研究模型拟合技术和评价技术,提出林分生长预测自动化建模方法。4.林分生长预测自动化建模方法应用。基于前文研究的林分生长预测自动化建模方法,以杉木分组数据为样本构建数据库,构建模型库,基于样本库中的杉木2组数据选择模型库中的单因子模型模拟杉木的胸径生长、树高生长和蓄积生长。根据得到的建模精度表选择精度高的模型,杉木胸径和树高模型选的是Richards模型,杉木蓄积模型选的是Logistic模型,分别将模型结果写入模型数据库中的模型结果表,并用模型结果表中的数据实现对杉木森林资源小班数据的快速更新。本文有以下几个创新点:(1)提出了一种基于环境相似性的杉木分布区分组方法,分组建模方法的提出为主要人工林树种的大区域高精度预测提供了新的方法;(2)提出了林分生长预测自动化建模方法,该方法能够实现森林资源小班数据的快速更新。