2014, Vol. 50
文章信息
- 闫晶, 罗云建, 郑德福, 王水城
- Yan Jing, Luo Yunjian, Zheng Defu, Wang Shuicheng
- 桉树生物量估算差异的源解析
- Source Appointment of Differences in Biomass Estimates of Eucalypt Plantation
- 林业科学, 2014, 50(2): 92-98
- Scientia Silvae Sinicae, 2014, 50(2): 92-98.
- DOI: 10.11707/j.1001-7488.20140214
-
文章历史
- 收稿日期：2013-05-02
- 修回日期：2013-08-06
-
作者相关文章
2. 中国科学院大学 北京 100049；
3. 福建省永丰国有林场 漳州 363602
2. University of Chinese Academy of Sciences Beijing 100049;
3. Yongfeng State Forest Farm of Fujian Province Zhangzhou 363602
森林生物量是森林生态系统物质循环与能量流动的基础，是衡量森林生产力的重要标志，也是评估森林碳收支的重要参数(Keith et al.，2010)。近年来，森林生物量估算已成为现代林业科研的热点问题。森林生物量的估算方法有直接测量和间接估算2种:直接测量即收获法，准确度高，但耗时耗力，具有一定的破坏性;间接估算包括生物量模型、生物量参数、遥感估测等方法(罗云建等，2009)。目前测定生物量的方法常采用间接估算法，即根据解析木测定及样地调查数据，外推到较大尺度内进行估算，该方法的难点就是要解决尺度拓展过程中产生的不确定性问题。部分学者利用森林资源清查数据结合生物量换算参数的方法，推算了区域尺度生物量，客观揭示了区域尺度森林生物量的动态变化(Ren et al.，2011;2012;2013)，但是估算值仍有巨大的不确定性(Guo et al.，2010)。
森林生物量的大小及其空间格局受生物(如林龄、胸径和林分密度)、环境(如气候、地形和土壤)以及人类干扰等多因素的制约(Chapin et al.，1987;Asner et al.，2009)。现有学者研究了环境因素对地上生物量的影响，如气候(如温度和降水量)(Malhi et al.，2006;Stegen et al.，2011)、地形(如海拔和坡度)(de Castilho et al.，2006;Asner et al.，2009;Laumonier et al.，2010)和土壤(如土壤质地和土壤养分)(Laurance et al.，1999;DeWalt et al.，2004;Paoli et al.，2008)等。但是，生物和环境因素如何协同影响森林生物量，目前尚未得到有效解决(Chapin et al.，1987;Asner et al.，2009;罗云建等，2009)。这个问题的解决是准确估算和预测森林生物量的首要条件。
森林资源规划设计调查按照主要森林特征和各类土地面积，设置大量的调查样地，落实到每个山头地块，为实现区域森林生物量估算提供了长期的大样本数据。与传统统计方法相比，BRT(boostedregression trees)方法作为一种重要的统计学技术，具有同时处理不同数据类型(如分类数据和连续数据)、非线性关系、变量的相互关系、缺失数据等诸多优势(Hastie et al.，2009)。目前，BRT方法在生态学和土壤学方面的研究得到成功应用，如生物多样性与生产力的关系(Zhang et al.，2012)、土壤碳库的空间分布(Martin et al.，2011)以及土壤密度估算(Jalabert et al.，2010)。因此，如果能有效结合森林资源清查数据与BRT方法，将为多重因素影响的量化、区域生物量及其动态的准确估算提供一种有效的解决途径。
桉树(Eucalyptus spp.)具有速生、适应性强、培育周期短、木材产量高、用途广泛等诸多优点(白嘉雨等，1996)。据第7次全国森林资源清查，桉树的栽植面积已超过2.67×10 6 hm2，占我国人工林总面积的4.19%，其中80%左右的桉树分布在广东、广西、海南、福建等南方地区。因此，本文以福建省重要的桉树种植区———南靖县为例，基于桉树林的森林资源清查数据和实测数据，利用缺省的和本地化的生物量模型分别得到区域桉树林生物量的估算值，然后利用BRT方法解析区域生物量估算差异的来源及其相对贡献率。
1 研究区概况与数据源南靖县(117°00'—117°36'E，24°26'—25°00'N)位于福建省东南部，九龙江西溪中上游。全县森林覆盖率达74%，素有“树海”、“竹洋”之称。气候属南亚热带季风气候，年均温21.1 ℃，年降水量1 700 mm，无霜期340天以上。土壤以赤红壤为主，森林面积146 130 hm2，其中人工林面积79 346hm2，主要森林植被类型为桉树、马尾松(Pinusmassoniana)和杉木(Cunninghamia lanceolata)。
本文使用的森林资源清查数据全部来自2009年南靖县森林小班数据(表 1)，共计4 176条桉树人工林的记录。每条记录主要包括小班面积、树种组成、林龄(a)、平均胸径(cm)、平均树高(m)、林分密度(株·hm-2)、蓄积量(m3·hm-2)、海拔、立地类型等。
|
通过全面踏查研究区的桉树林，共有1～10年的人工林，每个林龄设置3块代表性的样地，样地面积均为400 m2。对每个样地进行每木检尺，按径级记录株数，计算平均胸径和树高(表 2)，依此平均胸径和树高选取3株标准木进行破坏性测定，共计90株。地上部分采用分层切割法，根系采用全挖法，测定每个器官(树干、树枝、树叶和树根)的鲜质量，同时采集每个器官的鲜样200 g左右，85 ℃下烘干至恒质量，进而计算每个器官的含水率。
|
|
采用B=a·V+b建立本地化的生物量模型(表 3)，其中B为林木生物量(含地上和地下)(t·hm-2)，V为林分蓄积量(m3·hm-2)，a和b为回归系数。缺省的生物量模型采用广泛使用的B=0.887 3V+4.553 9(r2=0.802 0;n=20)(Fang et al.，2001)。利用本地化的和缺省的生物量模型分别推算每个小班的森林生物量。
|
|
图形库的建立:图形库的建立通过矢量化来实现。本研究中，在ArcGIS软件平台支持下，采用扫描纸质林业基本图，在ArcMap中进行配准、矢量化小班界的方式，对研究区2009年以小班为单位的森林资源基本图进行矢量化，建立拓扑关系，最终将矢量化结果存储到Geodatabase中，建立2009年南靖县森林资源清查的图形库。
属性库的建立:每个矢量化小班要素建立一栏相应的属性数据。属性数据包括市、县、乡(镇、公社)、林班号、小班号、小班面积、小班周长、地类、地权、林权、立地类型、林种、起源、优势树种、树种组成、龄级、龄组、每公顷蓄积、小班总蓄积、小班生物量、小班碳储量、小班碳密度等20多项。在ArcMap中，将属性数据库与图形数据连接起来，实现小班图形与属性信息的匹配和查询功能，实现各属性数据的统计计算。
2.3 逐级回归树分析逐级回归树方法，简称BRT方法，是regressiontrees和boosting 2种算法的整合，无须归一化处理或去除异常值即可对不同类型的预测变量进行分析，并不受缺失数据的影响。BRT方法克服了single-tree模型预测功能较差的缺点，在对生态学变量的预测性能中，BRT优于绝大多数传统的模拟方法。本文使用“gbm”软件包、 R 2.15.1版本统计软件进行分析。
利用BRT方法，量化林龄(age)、平均胸径(DBH)、林分密度(density)、海拔(elevation)、坡度(slope)、坡位(position)、坡向(aspect)、腐殖质层厚度(humus)、土层厚度(soil depth)和立地类型(sitetype)对生物量估算差异的影响及其相对贡献率。
3 结果与分析 3.1 生物量计算结果利用表 3中本地化生物量模型以及缺省的生物量模型，结合南靖县桉树森林资源清查数据，分别计算出南靖县2009年桉树林生物量，进而得到南靖县2009年桉树林生物量估算差异，即缺省模型估算所得生物量与本地化模型所得生物量之差。结果表明，利用缺省的生物量模型计算的生物量估算值为175.54×10 3 t·hm-2，利用本地化的生物量模型计算的生物量为145.21×10 3 t·hm-2，前者高估了20.88%(表 4)。
|
|
通过连续函数生物量换算因子法得出的3个龄级的本地化模型估算所得生物量随林龄增长而增加，3个龄级本地化模型估算所得生物量和缺省模型所得生物量的差异比重中，成熟林的差异最小，为11.37%，幼龄林和中龄林的差异都较大，尤其是中龄林的差异最大，为62.68%(表 5)。
|
|
南靖县2009年桉树人工林的种植区域主要集中在龙山镇和南坑镇，也是生物量估算差异的主要分布区(图 1)。其中，生物量估算差异低于0，即利用本地化模型估算所得生物量低于缺省模型所得生物量，这部分所占的比例为18.49%。生物量估算差异在0～40%所占的比例为43.13%，即利用缺省生物量模型所得生物量高于本地化模型估算所得生物量，这部分估算差异占到了桉树人工林栽植面积的主体。生物量估算差异在40%～80%和80%以上的区域较小，分别为26.98%和11.40%。
 |
图 1 生物量估算差异的空间分布
Fig. 1 The spatial distribution of biomass estimated differences
|
利用BRT方法，分析林龄、平均胸径、林分密度、海拔、坡度、坡向、坡位、腐殖质层厚度、土层厚度和立地类型对生物量估算差异的影响及其相对贡献率。林龄、平均胸径和林分密度作为林分指标，海拔、坡度、坡向和坡位作为地形指标，腐殖质层厚度、土层厚度和立地类型作为土壤指标。结果表明，10个变量对生物量估算差异的贡献率达到70.7%(r2=0.707，RMSE=15.039)，其中林龄的相对贡献最大(54.92%)，海拔和胸径次之，贡献率分别为10.91%和10.6%(图 2)。
 |
图 2 各因素对生物量估算差异的相对贡献率
Fig. 2 Relative influence of predictor variables of boosted regression trees models
|
林分条件(林龄、平均胸径、林分密度)对生物量估算差异的贡献率达70.94%(图 2)。林龄的贡献为54.92%，生物量估算差异随林龄的增加而逐渐减小(图 2)。林分密度的贡献最小(5.42%)，生物量估算差异随着平均胸径和林分密度的增加而升高并趋于稳定(图 3)。
 |
图 3 生物和环境因素对生物量估算差异的影响
Fig. 3 Partial dependence plots of the predictor variables
坡向: a(阳坡)， b(半阳坡)， c(半阴坡)， d( 阴坡); 坡位: ds( 下坡位)， ms( 中坡位)， us( 上坡位); 立地类型: Ⅰ ( 肥沃级)，Ⅱ ( 较肥沃级 )，Ⅲ ( 中等肥沃级 )，Ⅳ ( 贫瘠级 )。 Aspect: a ( sunny)，b ( semi-sunny)，c ( semi-shady) and d ( shady); Position: ds ( downslope)，ms ( middle slope) and us ( upslope); Site type: Ⅰ ( fertile)，Ⅱ ( less fertile)，Ⅲ ( moderate) and Ⅳ ( infertile) ． |
地形因素的4个变量的贡献率达18.65%，其中海拔的贡献最大(10.91%)，其余3个变量的贡献都较小，从高到低分别为坡度(4.7%)、坡向(2.29%)和坡位(0.75%)(图 2)。生物量估算差异随海拔的升高呈现先下降后升高并趋于稳定的趋势;坡度与生物量估算差异没有明显的关系;对于坡位，生物量估算差异在中坡时最大，在坡谷时最小;对于坡向，生物量估算差异在阳坡的差异最小，在半阴坡时最大(图 3)。
土壤因素的3个变量的贡献率为10.41%，从大到小分别为土层厚度(4.82%)、腐殖质层厚度(4.39%)和立地类型(1.2%)(图 2)。生物量估算差异随腐殖质层厚度的升高而增大并趋于稳定，但是与土层厚度没有明显的关系，并且随着土壤肥力的升高，生物量估算差异呈增加的趋势(图 3)。
4 结论与讨论综合考虑生物和环境因素，阐明林分、土壤、地形等因素在森林生物量估算中的相对重要性，可为修正生物量模型和准确估算森林生物量提供科学依据(赵敏等，2004;Stegen et al.，2009;Vieilledent et al.，2012)。本文结果表明，利用缺省的生物量模型推算的桉树林生物量，比利用本地化的生物量模型推算的生物量高估了20.88%(表 4)。因此，利用大尺度生物量模型估算区域森林生物量时，会造成比实际生物量偏高的结果。这是由于在估算不同年龄或森林类型的生物量时，若采用林龄普适的生物量模型，通常会低估幼龄及少产的林分生物量，而高估成熟及高产的林分生物量(Guo et al.，2010)。南靖县2009年桉树人工林生物量估算差异的空间分布图也可为生物量的估算提供参考和修正意义(图 1)。
生物因素是造成森林生物量估算差异的主导因素，其中林龄对生物量估算差异的贡献最大，占54.92%(图 2)。由于树木各器官的生物量积累及各部分所占的比重随林龄发生变化，树干生物量随林龄增长而逐渐增加，从而说明，生物量模型并非一成不变，而是随着林龄增长发生变化，表 3的结果验证了这一论点，生物量模型随着林龄增长呈现先下降并最终趋于稳定的趋势。此外，随着林龄的增长，生物量估算差异逐渐减小(图 2)，特别是幼龄林和中龄林引起的差异较大(表 5)，Baraloto等(2011)的研究结果同样证实了这一点，并建议在进行野外采样估算森林生物量时，不应人为选择年龄较高、木材密度较大的树木，而应适当增加幼龄树木株数来修正异速生长方程。相对于林分条件，环境因素对森林生物量的影响较小，依次是地形和土壤，二者对生物量估算差异的贡献率分别为18.65%和10.41%，其中，海拔和土层厚度分别是地形和土壤因子的主导因素(图 2)。Alves等(2010)在不同海拔对热带森林结构和地上生物量的研究中同样发现，在地形变量中，海拔对于生物量的影响最为显著。生物量估算差异随海拔的升高呈现先下降后升高的趋势(图 3)，说明对于海拔较高的地区，生物量估算的差异较大，可能是由于海拔升高，森林生物量积累受到影响，尤其是成熟林受到海拔的影响较大(Asner et al.，2009)。土壤对森林生物量的影响目前尚不明确，Baralato等(2011)认为土壤与地上生物量之间的关系受气候的影响较大，在土壤风化程度较小的森林，物质流转较快，地上生物量积累不会很高;而在土壤风化程度较大的森林，林分生物量和土壤氮的积累都很高;地上生物量随降水增多而升高(Stegen et al.，2011)，随干旱期的持续时间增加而降低(Malhi et al.，2006)。
由于林龄是导致生物量估算差异的主导因素，因此本文建议，应在全面进行野外调查的基础上，按照每个龄级的林分比例进行野外采样，从而建立区域尺度上特定树种年龄普适的生物量模型，这将大大减少以往由成熟林建立的生物量模型而导致估算偏高的影响。同时，还应考虑林下植被(灌木林、草本植物、地被覆盖物等)和死亡立木对生物量估算的影响，这方面的研究目前仍很少见报道。此外，野外采样过程中选择样地时，不能人为选择环境单一、生长状况良好的林分作为样地，而应选择涵盖各种环境条件(包括气候、地形、土壤)和生长状况典型的林分进行小班测量，充分考虑生物因素和非生物因素的综合影响。
本文仅针对桉树林单一树种进行了多重因素对生物量估算的影响研究，然而在实际应用中，森林往往是多种树种组成，并且天然林和人工林共存，而且在进行森林管理过程中往往采取间伐、补种、施肥等管理措施，造成林龄、立地条件不一致，从而对森林生物量的准确估算造成了很大影响。如何结合野外实测、模型模拟和GIS等手段，在充分考虑生物学和非生物学等因素对生物量估算影响的基础上，建立生态过程模型，探明生物量估算差异的空间分布规律，为不同尺度森林生物量的准确估算提供参考和验证，是未来可持续森林管理研究的趋势。
| [1] |
白嘉雨,甘四明.1996.桉树人工林的社会、经济和生态问题.世界林业研究,(2): 63-68.( 1)
|
| [2] |
罗云建,张小全,王效科,等.2009.森林生物量的估算方法及其研究进展.林业科学,45(8): 129-134.(2)
|
| [3] |
赵敏,周广胜.2004.基于森林资源清查资料的生物量估算模式及其发展趋势.应用生态学报,15(8): 1468-1472.(1)
|
| [4] |
Alves L,Vieira S A,Scaranello M A,et al.2010.Forest structure and live aboveground biomass variation along an elevational gradient of tropical Atlantic moist forest(Brazil).Forest Ecology and Management,260(5): 679-691.(1)
|
| [5] |
Asner G P,Hughes R F,Varga T A,et al.2009.Environmental and biotic controls over aboveground biomass throughout a tropical rain forest.Ecosystems,12(2): 261-278.(4)
|
| [6] |
Baraloto C,Rabaud S,Molto Q,et al.2011.Disentangling stand and environmental correlates of aboveground biomass in Amazonian forests.Global Change Biology,17(8): 2677-2688.(2)
|
| [7] |
Chapin F S,Bloom A J,Field C B,et al.1987.Plant responses to multiple environmental factors.BioScience,37(1): 49-57.(2)
|
| [8] |
de Castilho C V,Magnusson W E,de Araujo R N O,et al.2006.Variation in aboveground tree live biomass in a central Amazonian Forest: Effects of soil and topography.Forest Ecology and Management,234(1/3): 85-96.(1)
|
| [9] |
DeWalt S J,Chave J.2004.Structure and biomass of four lowland Neotropical forests.Biotropica,36(1): 7-19.(1)
|
| [10] |
Fang J,Chen A,Peng C,et al.2001.Changes in forest biomass carbon storage in China between 1949 and 1998.Science,292(5525): 2320-2322.(1)
|
| [11] |
Guo Z,Fang J,Pan Y,et al.2010.Inventory-based estimates of forest biomass carbon stocks in China: A comparison of three methods.Forest Ecology and Management,259(7): 1225-1231.(2)
|
| [12] |
Hastie T,Tibshirani R,Friedman J.2009.The elements of statistical learning: data mining,inference,and prediction.2nd ed.New York: Springer,337-387.(1)
|
| [13] |
Jalabert S S M,Martin M P,Renaud J P,et al.2010.Estimating forest soil bulk density using boosted regression modelling.Soil Use and Management,26(4): 516-528.(1)
|
| [14] |
Keith H,Mackey B,Berry S,et al.2010.Estimating carbon carrying capacity in natural forest ecosystems across heterogeneous landscapes: addressing sources of error.Global Change Biology,16: 2971-2989(1)
|
| [15] |
Laumonier Y,Edin A,Kanninen M,et al.2010.Landscape-scale variation in the structure and biomass of the hill dipterocarp forest of Sumatra: Implications for carbon stock assessments.Forest Ecology and Management,259(3): 505-513.(1)
|
| [16] |
Laurance W F,Fearnside P M,Laurance S G,et al.1999.Relationship between soils and Amazon forest biomass: a landscape-scale study.Forest Ecology and Management,118(1/3): 127-138.(1)
|
| [17] |
Malhi Y,Wood D,Baker T R,et al.2006.The regional variation of aboveground live biomass in old-growth Amazonian forests.Global change Biology,12(7): 1107-1138.(2)
|
| [18] |
Martin M P,Wattenbach M,Smith P,et al.2011.Spatial distribution of soil organic carbon stocks in France.Biogeosciences,8: 1053-1065.(1)
|
| [19] |
Paoli G D,Curran L M,Slik J W F.2008.Soil nutrients affect spatial patterns of aboveground biomass and emergent tree density in southwestern Borneo.Oecologia,155(2): 287-299.(1)
|
| [20] |
Ren Y,Wei X,Wei X H,et al.2011.Relationship between vegetation carbon storage and urbanization: a case study of Xiamen,China.Forest Ecology and Management,261(7): 1214-1223.(1)
|
| [21] |
Ren Y,Yan J,Wei X H,et al.2012.Effects of rapid urban sprawl on urban forest carbon stocks: integrating remotely sensed,GIS and forest inventory data.Journal of Environmental Management,113: 447-455.(1)
|
| [22] |
Ren Y,Wei X H,Wang D R,et al.2013.Linking landscape patterns with ecological functions: a case study examining the interaction between landscape heterogeneity and carbon stock of urban forests in Xiamen,China.Forest Ecology and Management,293: 122-131.(1)
|
| [23] |
Stegen J C,Swenson N G,Valencia R,et al.2009.Above-ground forest biomass is not consistently related to wood density in tropical forests.Global Ecology and Biogeography,18(5): 617-625.(1)
|
| [24] |
Stegen J C,Swenson N G,Enquist B J,et al.2011.Variation in above-ground forest biomass across broad climatic gradients.Global Ecology and Biogeography,20(5): 744-754.(2)
|
| [25] |
Vieilledent G,Vaudry R,Andriamanohisoa S F D,et al.2012.A universal approach to estimate biomass and carbon stock in tropical forests using generic allometric models.Ecological Applications,22(2): 572-583.(1)
|
| [26] |
Zhang Y,Chen H Y H,Reich P B.2012.Forest productivity increases with evenness,species richness and trait variation: a global meta-analysis.Journal of Ecology,100(3): 742-749.(1)
|