EN中文

地理研究 >

2024 , Vol. 43 >Issue 11: 3045 - 3057

DOI: https://doi.org/10.11821/dlyj020231135

秦巴山区阔叶林地上生物量格局分析

  • 姚永慧
展开
  • 中国科学院地理科学与资源研究所 资源与环境信息系统国家重点实验室, 北京 100101

姚永慧（1975-），女，湖北安陆人，博士，副研究员，研究方向为地理时空数据分析。 E-mail:

收稿日期: 2023-12-14

  录用日期: 2024-06-05

  网络出版日期: 2024-11-07

基金资助

国家自然科学基金项目(41871350)

科技基础资源调查专项(2017FY100900)

收起

Analysis of broadleaved forest aboveground biomass in the Qinling-Daba Mountains

  • YAO Yonghui
Expand
  • State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China

Received date: 2023-12-14

  Accepted date: 2024-06-05

  Online published: 2024-11-07

Fold

摘要

秦巴山区是我国重要的地理-生态过渡带，发育了多样而独特的森林生态系统，其森林生态系统及固碳潜力等关系到区域生态平衡及国家双碳政策的具体布局。阔叶林是森林的主要类型之一，目前秦巴山区森林地上生物量研究集中于太白山、神农架、火地塘林区、秦岭中段等地，或只关注单一或几种典型树种的生物量，尚未从区域上系统分析和估算阔叶林生物量的状况。因此，本文利用“中国南北过渡带综合科学考察”获取的267个阔叶林样方数据，基于统计分析方法研究阔叶林地上生物量的空间分布格局；在此基础上利用相关分析及地理探测器法研究地形、气温、降水及人类活动强度（HAI）4个因素对阔叶林地上生物量的影响。研究结果表明： ① 秦巴山区东部阔叶林地上生物量低，中、西部高；经度方向上呈两种变化模式即南、北两侧山系的生物量自西向东逐渐升高，中部（陇南-汉中-十堰）生物量自西向东逐渐降低；纬度方向上自南向北呈“上升-下降-上升-下降”的变化模式。垂直方向上，阔叶林地上生物量表现为随海拔升高呈“先上升-后下降”的变化模式。② 区域内阔叶林地上生物量格局是人类活动与自然因素相互作用的结果，各因子的影响作用表现为气温>地形>HAI>降水，即除气温、降水和地形等对植物生长发育、分布起重要作用的因素外，人类活动对区域内阔叶林地上生物量的影响不容忽视。本研究可以为秦巴山区的森林生态系统及其碳存储能力、气候变化等研究提供支撑，也能为国家及区域生态规划、环境-经济协调发展提供科学依据。

关键词： 秦巴山区; 森林地上生物量; 空间格局; 生物量密度; 阔叶林

本文引用格式

姚永慧 . 秦巴山区阔叶林地上生物量格局分析[J]. 地理研究, 2024 , 43(11) : 3045 -3057 . DOI: 10.11821/dlyj020231135

Abstract

The Qinling-Daba Mountains are an important geographic-ecological transitional zone in China, developing diverse and unique forest ecosystems, whose forest ecosystems and carbon sequestration potentials are related to the regional ecological balance and the specific layout of the national dual-carbon policy. At present, the studies on forest aboveground biomass in this area have mainly focused on the local areas, such as Mt. Taibai, Mt. Shennongjia, Huoditang forest area, and the central part of the Qinling Mountains, or only focused on the biomass of a single or a few species, which resulted in fragmented results and could not comprehensively and accurately reflect the overall situation of forest aboveground biomass (AGB) in this area. Therefore, this study utilized the 267 broadleaved forest samples obtained from the "Comprehensive Scientific Investigation of China's North-South Transitional Zone" to investigate the spatial distribution of broadleaved AGB and its environmental influencing factors. The results showed that: (1) Broadleaved forest AGB was low in the eastern Qinling-Daba Mountains and high in the central and western parts; two longitudinal distribution patterns were discovered for broadleaved forest AGB in this area, and one was that the biomass in the mountains located in the north and south of this area gradually increased from west to east, and the other was that the biomass in the central part (Longnan-Hanzhong-Shiyan) gradually decreased from west to east; and the latitudinal distribution pattern of broadleaved forest AGB showed a trend of "increasing-decreasing-increasing-decreasing" from south to north. The altitudinal distribution pattern showed a "first increasing-then decreasing" pattern with increasing altitude. (2) The pattern of broadleaved forest AGB was the result of the interaction between human activities and natural factors, and the influence of each environmental factor was manifested as temperature > terrain > HAI > precipitation, in addition to the factors that play an important role in the growth, development and distribution of plant, such as temperature, precipitation, and terrain, the influence of human activities (HAI) on the broadleaved forest AGB in the study area should be paid more attention. The results can provide support for research on forest ecosystems and their carbon storage capacity, climate change in the Qinling-Daba Mountains, and also provide scientific basis for national and regional ecological planning and environment-economy coordinated development.

Key words： Qinling-Daba Mountains; forest aboveground biomass; spatial pattern; biomass density; broadleaved forest

1 引言

目前大气中的二氧化碳浓度已达到410 ppm，全球平均温度较工业革命前升温约1.2℃[1]。全球变暖所引发的冰川融化、海平面上升、干旱洪涝等自然灾害，已经严重威胁到人类的生存和社会的发展，如何降低温室气体浓度以减缓气候变化已成为人类面临的挑战之一。研究表明，近50年来陆地生态系统已吸收约30%的人为碳排放[2]。森林生态系统是陆地生态系统的重要组成部分，森林面积约占全球陆地面积的1/3，碳储量达到全球植被碳库的85%~90%[3]，在改善生态环境、调节碳平衡、维持气候稳定性方面发挥着重要作用[4⇓-6]。森林通过光合作用吸收大气中的二氧化碳合成有机质来积累生物量，因此森林生物量决定了整个生态系统物质循环、能量流动的基础，也控制着可能因森林砍伐而释放到大气中的潜在碳排放，与碳循环、气候调节等过程密切相关[7,8]。森林生物量是指一定时空范围内的植物群落在其生命过程中所生产的干物质量[9]，也是某一特定区域内生态系统绿色植物净第一性生产力的累积量[10]12，包括乔木层、下木层、凋落物、消费者和土壤等5个组成部分[11]，与林龄、林分密度、物种丰富度、立地条件、人为活动等因素密切相关。乔木层生物量又分为地上和地下部分，地上生物量包括树干、树枝、树叶等的干重。由于地下部分调查数据收集困难，测量误差、估算模型误差也相对较大，现有研究多集中于地上生物量的研究[12]。森林地上生物量约占森林总生物量的70%~90%[13]，是反映森林生态系统碳储存能力和潜力的重要指标，也是了解气候系统演变和未来潜在变化的关键生态变量[14]。
如何快速、准确地估算区域范围内的森林地上生物量仍是目前研究的热点与难点[15]。森林地上生物量的估算包括传统地面实测、遥感估算等方法。地面实测法主要通过直接砍伐称重或间接根据相对生长原理，或采用生物量换算因子法来得到样地内的生物量[16]。该方法能得到较为准确的结果，但费时费力，且空间覆盖范围有限，不利于植被的保护且难以实现连续观测。遥感作为日趋成熟的对地观测技术，具有宏观、动态、实时等特点，能提供丰富的光谱、纹理、冠层等植被信息，建立遥感信息与地面调查数据的回归模型已成为模拟区域尺度生物量的重要手段[17,18]。随着遥感技术的发展，利用不同类型的遥感数据源（光学遥感、雷达遥感及多源遥感数据结合等）实现了不同空间尺度、不同森林生态系统的地上生物量估算[19]。
秦巴山区是我国重要的森林分布区之一，其地面实测森林生物量主要采用皆伐法或平均木法，主要在陕西太白山、陕西境内秦岭南北坡、火地塘林区、小陇山及神农架等地区展开[20⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓-31]，这些研究利用生物量方程，分别对油松人工林、华山松林、太白红杉林、巴山冷杉林、栓皮栎林、锐齿槲栎及红桦林等典型林分生物量展开研究与分析，查明了这些典型林分类型的生物量状况以及地形等生境条件对生物量的影响[20⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓-31]（表1）。在秦巴山区森林地上生物量遥感估算方面，杜宝刚[32]利用Landsat TM影像的光谱信息、地形因子和蓄积量构建了宝鸡市森林生物量估算模型。王耀武[33]建立了秦岭陕西段森林地上生物量和植被指数、遥感波段反射率之间的回归模型，结合土地覆被分类，完成了相关区域的生物量制图。李梦莹等[34]使用逐步多元回归建立了HJ-1A/B CCD影像信息与换算因子连续函数法得到的生物量关系，完成神农架巴山冷杉林的地上生物量估算。菅永峰等[35]基于GF-2与SPOT-6卫星影像提取的纹理与光谱信息和野外实测生物量数据，利用随机森林回归算法反演了北亚热带森林的地上生物量。阔叶林是森林的主要类型之一，目前秦巴山区尚没有对其生物量展开区域上的系统估算与分析。
表1 基于地面实测法的秦巴山区森林生物量相关研究

Tab. 1 Studies on forest biomass in Qinling-Daba Mountains based on ground-survey method

文献（时间） 森林类型 研究地点 研究结果与结论
肖瑜[20]（1989年） 油松人工林 陕西秦岭 秦岭油松人工林的生物量较其它省份高
李晶晶等[21]
（2013年）		 华山松林
 秦岭中段南坡
 秦岭中段南坡华山松林总生物量81.39 t/hm2，其中乔木层生物量79.45 t/hm2；乔木层在华山松天然林生物量占主要地位
傅志军[22]
（1994年）		 太白红杉林 太白山南北坡 太白红杉的总生物量为205.55 t/hm2，其中乔木层166.57 t/ hm2
傅志军[23]
（1994年）		 红桦林 太白山南北坡 红桦林的总生物量为286.79 t/ hm2，其中乔木层251.134 t/
hm2
李亮等[24]
（2013年）		 太白红杉、
巴山冷杉
 太白山南北坡
 太白红杉南北坡生物量的平均值为2.91 kgC/m2，巴山冷杉为2.02 kgC/m2，太白红杉生物量的年际波动较大，巴山冷杉生物量的年际波动相对较小，北坡生物量水平大于南坡
杨凤萍等[25]
（2014年）		 油松、华山松
 秦岭火
地塘林区
 不同海拔油松和华山松林乔木层生物量和蓄积量增长迅速，且油松的增速一直快于华山松：油松林生物量从1977年的44.40 t/hm2增长到2011年的214.67 t/hm2，华山松林的生物量从1977年的16.74 t/hm2增长到2011年的182.75 t/hm2。环境差异、人为干扰是造成不同海拔间林分生物量、蓄积量产生差异的主要因素；生物学特性和林分环境的共同作用导致了不同森林类型生物量和蓄积量的差异
陈存根[26]
（1996年）		 锐齿槲栎林
 秦岭南坡
 锐齿栎林的平均蓄积量为181.2 m3/hm2，平均现存量为208.4 t/hm2，叶面积指数5.631，平均生产量17.97t/hm2，秦岭锐齿栎林具有较高的生物量
程堂仁等[27]
（2007年）		 锐齿槲栎、油松、栓皮栎、杨桦、落叶松、华山松、云冷、其他到时候阔混交林 秦岭西段
甘肃小陇山
 小陇山林区锐齿栎、油松、栓皮栎、杨桦、落叶松、华山松、云冷杉、其他硬阔混交林等8类林分生物量依次为: 84.0472 t、62.4424 t、81.7747 t、77.4367 t、68.9982 t、70.0695 t、96.4865 t、98.7235 t/hm2；各树种的单木生物量、乔木层生物量与胸径和树高之间均存在着紧密的相关关系
王向雨等[28]
（2007年）		 米心水青冈林、锐齿槲栎林
 神农架地区


 米心水青冈林的生物量在（251.30~358.63）t/hm2之间，平均为288.70 t/hm2；锐齿槲栎林群落生物量在（134.85~301.20）t/hm2，平均为231.60 t/hm2；两种类型森林生物量的95%以上集中在乔木层
尉文[29]
（2020年）		 锐齿槲栎
 太白山
 锐齿槲栎原始林和次生林的平均地上生物量分别为279.50 t/hm2、217.1 t/hm2，生境对生物量具有较大的影响
张九东[30]
（2014年）		 红豆杉
 陕西省
秦巴山地
 秦岭北坡的平均生物量为1.096 t/hm2，秦岭南坡的平均生物量为3.91 t/hm2；大巴山北坡的平均生物量为1.38 t/
hm2
李鹏[31]
（2013年）		 森林地上生物量
 秦岭南坡
 森林样地平均生物量在（36.78~114.15）t/hm2之间，平均值为73.97 t/hm2；地形因子与生物量具有显著的相关性，随海拔和坡度有先升高后减小的趋势
总的来看，秦巴山区森林地上生物量的估算无论是地面实测数据估算还是遥感估算主要集中于太白山、秦岭南北坡等地段，或只关注单一或几种典型林分或树种的生物量，还没有区域上森林（或阔叶林）生物量的系统估算与分析，研究结果碎片化，不能全面反映秦巴山区森林地上生物量的整体状况和分布格局。众所周知，该区域是我国南北地理和气候的天然界限和大尺度东西向的生态廊道，特殊的地理位置、过渡性的气候条件和多列山体的分布与阻隔使其在气候、植被、土壤、水文等方面呈现出高度的复杂性、多样性、独特性和敏感性，是全球变化研究中的重点区域[36]。自20世纪70年代末以来，我国先后启动6项国家重点生态修复工程（三北防护林、退耕还林等），约覆盖全国44.8%的森林和23.2%的草原，秦巴山区是重点治理区域之一[37,38]。秦巴山区作为我国南北过渡带的主体及重要的森林分布区，其森林生物量及其碳储存能力都有待于进一步研究。因此，本文利用“中国南北过渡带综合科学考察”获取的区域阔叶林样方数据（3条南北样线、1条东西样线、4个重点山地植被调查样方数据），基于空间分析与统计方法来探究阔叶林地上生物量的空间分布格局，从而揭示区域内阔叶林地上生物量从暖温带到亚热带的分布状况，为南北过渡带森林生物量调查研究等提供基本的依据。

2 研究区概况

秦巴山区位于中国中部，是中国南北地理和气候的天然界限，介于30°N~36°N、102°E~114°E之间（图1），从甘肃的迭部向东延伸到湖北的神农架，东西长约1000 km，南北宽约240~450 km，面积约30万 km2，涵盖豫西山地（伏牛山、崤山和熊耳山）、西秦岭（大体以陕西凤县、略阳为中界）、陕西境内秦巴山地和川渝鄂境内的大巴山段等部分，跨越甘肃、陕西、四川、重庆、湖北、河南等省市（图1），具有“东西承接, 南北过渡”的地理-生态属性，对于我国地理格局的形成、生物区系演化、自然资源的分布都具有极为重要的意义[35,39]。秦巴山区整体呈现“西高东低，南北高中间低”的地形格局：低海拔区域（<1000 m）主要分布在秦巴山区东部边缘、中部汉江河谷盆地；中海拔区域（1000~2000 m）分布在甘肃东南部，以及雄黄山、太白山、大巴山、米仓山、神农架一带；中高海拔区域（2000~3000 m）和高海拔区域（>3000 m）主要位于秦巴山区西部，如太子山、迭山、岷山、红岗山的海拔多在3500 m左右。秦巴山区森林覆盖率约为55%，其中阔叶林占比21%[40]。
图1 秦巴山区阔叶林样方及其地上生物量分布

Fig. 1 Distribution of broadleaved forest samples and their aboveground biomass in the Qinling-Daba Mountains

3 数据与方法

3.1 数据

“中国南北过渡带综合科学考察”项目在研究区设置“3纵1横”4 条样带（图1），3条纵向样带沿南北方向平均间隔 5 km采样；横向样带自东向西以10 km间隔采样，按不同的立地条件、林型布设有代表性的20 m×20 m样地，对样地内胸径大于5 cm的乔木层样株进行每木检尺，获取单木的树高、胸径、冠幅等植被属性信息[41]、以及样方位置的海拔高程信息；另外对神农架、宝天曼、米仓山、雄黄山等重点区进行针对性的样方调查，共收集267个阔叶林样本点（图1）。
在进行驱动因子分析时，本研究分别使用了气温、降水、海拔及人类活动强度数据（HAI）。气温与降水栅格数据下载自中国科学院资源环境科学数据中心（http://www.resdc.cn），该数据是基于全国2400多个气象站点日观测数据，通过整理、计算和空间插值处理后生成，空间分辨率为500 m，时间为1980—2015年。海拔数据为ASTER GDEM（Advanced Spaceborne Thermal Emission and Reflection Radiometer Global Digital Elevation Model），下载自 https://earthdata.nasa.gov/，空间分辨率为1弧秒（赤道地区约30 m）。人类活动强度数据是从自然与资源和社会经济两个维度分别选取人口密度、土地改造程度、远离公路/铁路的程度、远离居民点的程度、公路密度、地形和河流密度为指标，采用主成分分析等评分模型生成的秦巴山区人类活动强度数据（HAI，分辨率100 m）[42]。本研究中利用HAI指标反映人类活动对区域内阔叶林地上生物量的影响。

3.2 研究方法

我国的森林生物量研究主要基于单个或独立样点或研究地，样本数量有限，所建立的生物量方程用于研究地以外的其他区域或不同种类和不同径级树木的生物量估算时，估算精度可能下降[10]11。另外，多数研究针对某一特定区域或特定森林类型，缺乏统一的估算方法和标准，不适合区域尺度森林生物量的估算。秦巴山地的阔叶林样点涉及陕西省、河南省、湖北省、四川省、甘肃省等区域，由于样方内植物种类众多，结构多样而复杂，区域经营管理水平不均衡，目前不能获得样方内所有分物种的生物量方程，同时研究区域较大，因此，本研究选择周国逸等[10]50构建的分省阔叶林混合种（组）生物量方程（表2），按照样点所处的省份，以胸径为自变量计算了样方内的阔叶林地上生物量（干、枝、叶之和），并除以样方面积（400 m2）得到单位面积的样方生物量，单位统一为t/hm2。这些分省的生物量方程是根据全国7800个典型森林生态系统样地的野外实测数据，对收集到的国内已发表的生物量方程进行赋值，并运用最小二乘支持向量机法（LSSVM）对文献中方程进行迭代优化，拟合得到的涵盖省（自治区、直辖市）的生物量方程，并运用样地标准木实测数据对各类方程进行检验，估算误差在10%以内[10]95。运用箱线图（四分位数和四分位距）对生物量均值及中位数等进行统计分析，并对异常点进行识别[43]，通过分析异常点的样地信息、实地采样情况等信息来判别是否剔除。
表2 阔叶林分省混合种（组）生物量方程

Tab. 2 Mixed species (group) biomass equation of broadleaved forest by province

省份 生物量方程 拟合R2 胸径范围（cm）
陕西 B 干 = 0.1449   × （ D B H 2.0845 ） 0.96 5~70
B 枝 = 0.0134   × （ D B H 2.4995 ） 0.74
B 叶 = 0.0106   × （ D B H 2.2040 ） 0.87
河南 B 干 = 0.1449   × （ D B H 2.0845 ） 0.96 5~70
B 枝 = 0.0134 × （ D B H 2.4995 ） 0.74
B 叶 = 0.0106   × （ D B H 2.2040 ） 0.87
湖北 B 干 = 0.1120   × （ D B H 2.3230 ） 0.98 5~81
B 枝 = 0.0270   × （ D B H 2.4080 ） 0.94
B 叶 = 0.0200   × （ D B H 2.0470 ） 0.71
四川 B 干 = 0.3780   × （ D B H 1.9170 ） 0.92 5~56
B 枝 = 0.0520   × （ D B H 2.3680 ） 0.90
B 叶 = 0.0530   × （ D B H 1.7390 ） 0.96
甘肃 B 干 = 0.0527   × （ D B H 2.4912 ） 0.99 5~80
B 枝 = 0.0036   × （ D B H 3.0278 ） 0.89
B 叶 = 0.0060   × （ D B H 2.1451 ） 0.67
为了分析人类活动、气温、降水及地形条件对阔叶林地上生物量的影响，采用相关分析探讨各因子与其地上生物量的相关性；采用地理探测器法[44⇓-46]分析这4个环境因子对秦巴山区阔叶林地上生物量的影响强度。由于地理探测器要求输入数据为类别数据，且各因子数据均为栅格数据，因此对年均温、年降水采用自然断点法进行类别划分为10类，DEM按<500、500~800、800~1000、1000~1500、1500~2000、2000~2500、2500~3000、3000~3500、>3500划分为9类；HAI按<0.3、0.3~0.4、0.4~0.6、0.6~0.7、0.7~0.8、0.8~1.0分为六级。

4 结果分析

4.1 秦巴山区阔叶林地上生物量空间格局

总的来看，秦巴山区实测样地阔叶林地上生物量的平均值为129.58 t/hm2，最高值出现在神农架，可达479.21 t/hm2；从平均值和中位数来看，东部生物量最低，中部最高，西部次之（表3）。纬度方向上自南向北，东、中、西三条剖面的阔叶林地上生物量均呈“上升-下降-上升-下降”的变化趋势：两个上升的区域分别位于大巴山系南坡和汉中盆地北缘-秦岭南坡，两个下降的区域分别位于大巴山系北坡-汉中盆地之间的区域和秦岭北坡（图2a~图2c）；经度方向上，东西向剖面上阔叶林地上生物量自西向东呈逐渐下降的趋势（图2d）。
表3 阔叶林样地地上生物量统计

Tab. 3 Statistics of aboveground biomass of broadleaved forest based on survey samples （t/hm2）

样地位置 样地数量 生物量范围 生物量均值 生物量中位数 生物量标准差
东线 39 10.62~30.1.91 79.00 53.14 62.80
中线 25 18.05~249.70 139.90 126.35 63.85
西线 23 21.61~275.26 109.92 84.87 75.68
东西线 39 9.60~178.82 76.64 75.63 36.03
佛坪-长青 42 19.59~416.56 162.52 139.33 111.38
太白山 37 28.94~311.88 111.05 106.64 62.79
米仓山 19 103.26~346.95 229.50 204.90 75.69
宝天曼 21 59.86~279.43 152.53 135.34 61.26
神农架 15 54.98~479.21 221.21 197.08 126.54
雄黄山 7 42.95~205.68 98.13 88.39 50.66
图2 秦巴山区阔叶林地上生物量的纬向和经向变化

Fig. 2 Longitudinal and latitudinal patterns of the broadleaved forest aboveground biomass in Qinling-Daba Mountains

从垂直分布上来看，秦巴山区阔叶林地上生物量随海拔呈先上升后下降的趋势（图3，见第3052页）：神农架南坡在1500~1800 m左右生物量最高；神农架北坡在1700~1900 m左右生物量最高；宝天曼南坡在1300~1600 m左右生物量最高；宝天曼北坡在1400~1600 m左右生物量最高；米仓山南坡在1800~2000 m左右生物量最高；米仓山北坡在1500~1800 m左右生物量最高；太白山南坡在1800 m左右生物量最高；太白山北坡在2800 m左右生物量最高（图3a~图3h，见第3052页）。
图3 阔叶林地上生物量随海拔高度的变化

Fig. 3 Altitudinal pattern of the broadleaved forest aboveground biomass in Qinling-Daba Mountains

4.2 典型山地阔叶林地上生物量对比分析

南部亚热带地区神农架阔叶林地上生物量密度范围为（54.98~479.21）t/hm2，均值221.21 t/hm2；米仓山阔叶林地上生物量密度范围为（103.26~346.95）t/hm2，均值229.50 t/hm2；雄黄山阔叶林地上生物量密度范围为（42.95~205.68）t/hm2，均值98.13 t/hm2（表3，图4见第3052页）。从均值和中位数上来看，南部山地阔叶林地上生物量自西向东逐渐升高（图4，见第3052页）。
图4 南北不同山地阔叶林地上生物量箱线图

Fig. 4 Box plots of broadleaved forest aboveground biomass on different mountains

北部温带地区宝天曼地区的阔叶林地上生物量密度范围为（59.86~279.43）t/hm2，均值152.53 t/hm2；太白山阔叶林地上生物量密度范围为（28.94~311.88）t/hm2，均值111.05 t/hm2；鸡峰山阔叶林地上生物量密度范围为（21.61~67.67）t/hm2，均值44.44 t/hm2（表3、图4）。从均值和中位数上来看，北部山地阔叶林地上生物量也自西向东逐渐升高（图4）。
总的来看，南、北部典型山地阔叶林地上生物量均呈自西向东逐渐升高的趋势，并且南部亚热带山地阔叶林地上生物量要高于北部温带山地的（图4）。
南、北典型山地阔叶林地上生物量自西向东逐渐升高的变化趋势（图4）与东西向剖面上自西向东逐渐降低的变化趋势（图2d）不一致的原因在于：秦巴山区阔叶林分布范围一般在海拔800~1500 m，这个海拔范围是受人类活动干扰比较大的区域，尤其是东西向剖面所经过的区域（陇南-汉中-十堰）均为人类活动干扰很大的区域；且受自然条件的影响，研究区东部的人类活动强度要远大于西部的人类活动强度（图1），森林也多为次生林，因此东部阔叶林地上生物量偏低。但这6个典型山地均为自然保护区，受人类活动干扰相对较小，阔叶林生物量的变化主要由物种与生境条件等决定，自西向东水热条件逐渐变化，生物量也相应升高。因此，综合来看，经度方向上秦巴山区阔叶林地上生物量有两种变化模式：自然状态下（自然保护区），南、北两侧山系的阔叶林地上生物量自西向东逐渐升高；人为活动干扰下，中部（陇南-汉中-十堰沿线）生物量自西向东逐渐降低。

4.3 秦巴山区阔叶林地上生物量的影响因素

相关分析的结果表明气温、降水、人类活动及地形（海拔）对生物量均具有普遍的影响；地理探测器的分析结果表明4个因子对阔叶林地上生物量的影响程度各有不同：气温>地形>HAI>降水且所有因子均达到极显著水平（表4，见第3053页）。气候要素（气温和降水）对植物生长发育和空间分布起重要作用，地形则通过调节局地的水热再分配及影响土壤营养成分等影响阔叶林地上生物量的变化。值得注意的是，研究区阔叶林地上生物量的分布格局受人类活动的影响较大：研究区东部阔叶林地上生物量较低且东西向剖面上阔叶林地上生物量自东向西逐渐升高，是由于东部和中部低海拔地区人口密度大，工农业等人类社会经济活动干扰较大，因此生物量密度低（如汉中一带的阔叶林地上生物量密度是全区最低的，这一带也是本区域社会经济、工农业等最发达的区域，人类活动的干扰也是最强烈的，阔叶林多是次生林）。此外，区域内阔叶林地上生物量密度高值几乎都在各自然保护区内，表明生态保护工程等对生物量具有积极的正向影响。这些结果都说明区域内阔叶林地上生物量与人类活动有密切关系。
表4 秦巴山区阔叶林地上生物量环境影响因素的相关分析及地理探测器分析结果

Tab. 4 Geodetector and correlation analysis results of the environmental factors influencing the broadleaved forest aboveground biomass

气温 降水 地形 HAI
q 值（解释力） 0.191 0.079 0.163 0.120
p 值（0.05显著水平） 0.000 0.014 0.000 0.000
皮尔逊相关性 -0.261** 0.355** 0.316** -0.257**
皮尔逊相关性（>1500 m样本） 0.226* 0.476** -0.191* 0.152
显著性（双尾） 0.000 0.000 0.000 0.000

注：*和**分别表示在0.05和0.01级别（双尾）相关性显著。

5 讨论与结论

5.1 讨论

（1）秦巴山区阔叶林地上生物量的估算方程对计算结果的影响：森林地上生物量是评价森林服务功能和森林质量的主要指标之一，对其进行准确地估测是森林资源管理和生态系统动态监测的基础性工作。本研究中由于各阔叶林样地中涉及的物种众多，虽然部分物种已有相应的地上生物量方程，但仍有相当一部分物种尚未有公开的地上生物量方程，并且已有的分物种的生物量方程往往是依据单个或独立样点或研究地及有限的样本数量建立的生物量方程（表1），对于研究地以外的其他区域或不同种类和不同径级树木的生物量估算时，估算精度及适用性等尚未有验证，且这些模型也不适合大的地理空间尺度上森林生物量的估算[10]11。因此，本研究中阔叶林地上生物量选取了有精度验证的、分省混合种生物量方程来计算，估算的结果也会有一定的不确定性。即便如此，由于林分密度和树木胸径是反映森林质量的主要指标，研究结果可以准确反映区域内阔叶林的地上生物量状况。
（2）人类活动等环境因素对秦巴山区阔叶林生物量的影响：秦巴山区阔叶林主要分布在800~1500 m以下，这个区域是人类活动影响最大的区域；受人类活动的影响，该海拔范围内的阔叶林多为次生林，生物量较低，但这里也是气温相对较高的区域，因此，在相关分析的结果中阔叶林生物量呈现出与气温负相关、与地形正相关的情况。事实上，利用本文中海拔1500 m以上、受人类活动干扰较小的样本与各环境因素进行相关分析，结果仍然表明阔叶林地上生物量与气温和降水正相关（相关系数0.226*、0.476**）、与地形负相关（-0.191*）、与人类活动不相关（0.152）（表4）。因此，本文阔叶林地上生物量与各环境因素的相关分析更多的体现了区域内人类活动对森林地上生物量的影响。秦巴山区涉及陕、甘、豫、川、渝、鄂六省市，约30万 km2；它跨越暖温带与亚热带，具有高度的环境复杂性、生物多样性和气候敏感性，是我国大陆上最重要的地理-生态过渡带和我国地学、生物学研究的天然实验室[36]。该区还包含了南水北调工程中线的水源区（汉江上游），其环境与发展直接关系到南水北调中线的水安全甚至国家生态安全；这里又是我国14个连片特困区之一，而且是面积最大、人口最多、内部差异最大，对于我国扶贫开发和区域发展具有指标性意义[36]。因此，将地面详细调查和高分遥感数据结合[47⇓-49]，将全球气候变化与人类活动的影响相结合，深入研究区域内森林生态环境的变化，才能形成对复杂山地综合体的科学认识，从而实现本区域内经济与环境的协调发展。

5.2 结论

通过区域内实地样方阔叶林地上生物量的调查与分析，有如下结论：
（1）秦巴山区阔叶林地上生物量水平分布格局表现为：东部生物量低，中西部生物量高；经度方向上呈两种变化模式即南、北两侧山系的生物量自西向东逐渐升高，中部（陇南-汉中-十堰）生物量自西向东逐渐降低；纬度方向上自南向北呈“上升-下降-上升-下降”的变化模式；垂直分布格局表现为随海拔升高呈“先上升-后下降”的变化模式。
（2）区域内阔叶林地上生物量格局是人类活动与自然因素相互作用的结果：各因子的影响作用表现为气温>地形>HAI>降水，即除气温、降水和地形等对植物生长发育、分布起重要作用的因素外，人类活动（HAI）对区域内阔叶林地上生物量的影响不容忽视。
秦巴山区是中国大陆上规模最大、最具典型性的地理-生态过渡带，发育了多样而独特的森林生态系统，其植被、气候、生物多样性及人类活动等很多方面都呈现出高度的复杂性、多样性、独特性和敏感性。该区的森林生态系统生物量及其固碳潜力等关系到区域生态平衡及国家双碳政策的具体布局。本研究在大量野外实地调查基础上，定量分析了秦巴山区阔叶林地上生物量格局及其影响因素，对于查明区域森林生态系统碳汇及国家双碳布局等具有重要的意义。

真诚感谢二位匿名评审专家在论文评审中所付出的时间和精力，评审专家对本文研究思路、结果分析、结论梳理方面的修改意见，使本文获益匪浅。也感谢崔璐璐和刘玉莲同学在生物量数据处理方面的工作。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
IPCC. Climate change 2021: The physical science basis. https://www.ipcc.ch/report/ar6/wg1/, 2023-12-04.

[2]
Zhang Xuanze, Wang Yingping, Peng Shushi, et al. Dominant regions and drivers of the variability of the global land carbon sink across timescales. Global Change Biology, 2018, 24(9): 3954-3968. DOI: 10.1111/gcb.14275.

PMID

[3]
Gordon B B. Forests and climate change: Forcings, feedbacks, and the climate benefits of forests. Science, 2008, 320(5882): 1444-1449. DOI: 10.1126/science.1155121.

PMID

[4]
Heimann M, Reichstein M. Terrestrial ecosystem carbon dynamics and climate feedbacks. Nature, 2008, 451(7176): 289-292. DOI: 10.1038/nature06591.

[5]
Beer C, Reichstein M, Tomelleri E, et al. Terrestrial gross carbon dioxide uptake: Global distribution and covariation with climate. Science, 2010, 329(5993): 834-838. DOI: 10.1126/science.1184984.

PMID

[6]
杨元合, 石岳, 孙文娟, 等. 中国及全球陆地生态系统碳源汇特征及其对碳中和的贡献. 中国科学: 生命科学, 2022, 52(4): 534-574.

[Yang Yuanhe, Shi Yue, Sun Wenjuan, et al. Carbon source and sink characteristics of terrestrial ecosystems and their contribution to carbon neutrality in China and the world. Science China: Life Sciences, 2022, 52(4): 534-574.]. DOI: 10.1007/s11427-021-2045-5.

[7]
Toan Le T, Quegan S, Davidson M W J, et al. The biomass mission: Mapping global forest biomass to better understand the terrestrial carbon cycle. Remote Sensing of Environment, 2011, 115(11): 2850-2860. DOI: 10.1016/j.rse.2011.03.020.

[8]
Crowther T W, Glick H B, Covey K R, et al. Mapping tree density at a global scale. Nature, 2015, 525(7568): 201-205. DOI: 10.1038/nature14967.

[9]
徐新良, 曹明奎, 李克让. 中国森林生态系统植被碳储量时空动态变化研究. 地理科学进展, 2007, 26(6): 1-10.

[Xu Xinliang, Cao Mingkui, Li Kerang. Temporal-spatial dynamics of carbon storage of forest vegetation in China. Progress in Geography. 2007, 26(6): 1-10.]. DOI: 10.3969/j.issn.1007-6301.2007.06.001.

[10]
周国逸, 尹光彩, 唐旭利, 等. 中国森林生态系统碳储量:生物量方程. 北京: 龙门书局, 2018.

[Zhou Guoyi, Yin Guangcai, Tang Xuli, et al. Carbon Storage of Forest Ecosystems in China: Biomass Equation. Beijing: Longmen Bookstore, 2018.]

[11]
程堂仁. 甘肃小陇山森林生物量及碳储量研究. 北京: 北京林业大学博士学学位论文, 2007: 18.

[Cheng Rentang. Study on forest biomass and carbon storage in Xiaolongshan, Gansu province. Beijing: Doctoral Dissertation of Beijing Forestry University, 2007: 18.]

[12]
Lu Dengsheng, Chen Qi, Wang Guangxing, et al. A survey of remote sensing-based aboveground biomass estimation methods in forest ecosystems. International Journal of Digital Earth, 2016, 9(1): 63-105. DOI: 10.1080/17538947.2014.990526.

[13]
Kumar L, Mutanga O. Remote sensing of above-ground biomass. Remote Sensing, 2017, 9(9): 935. DOI: 10.3390/rs9090935.

[14]
Houghton R A. Aboveground forest biomass and the global carbon balance. Global Change Biology, 2005, 11(6): 945-958. DOI: 10.1111/j.1365-2486.2005.00955.x.

[15]
Deng Y, Pan J, Wang J, et al. Mapping of forest biomass in Shangri-La city based on LiDAR technology and other remote sensing data. Remote Sensing, 2022, 14(22): 5816. DOI: 10.3390/rs14225816.

[16]
Luo Yunjian, Wang Xiaoke, Ouyang Zhiyun, et al. A review of biomass equations for China's tree species. Earth System Science Data, 2020, 12(1): 21-40. DOI: 10.5194/essd-12-21-2020.

[17]
Ahmad Adeel, Gilani Hammad, Ahmad Sajid Rashid. Forest aboveground biomass estimation and mapping through high-resolution optical satellite imagery: A literature review. Forests, 2021, 12(7): 9-14. DOI: 10.3390/f12070914.

[18]
Mohd Zaki Nurul Ain, Abd Latif Zulkiflee. Carbon sinks and tropical forest biomass estimation: A review on role of remote sensing in aboveground-biomass modelling. Geocarto International, 2016, 32(7): 701-716. DOI: 10.1080/10106049.2016.1178814.

[19]
Eisfelder C, Kuenzer C, Dech S. Derivation of biomass information for semi-arid areas using remote-sensing data. International Journal of Remote Sensing, 2012, 33(9): 2937-2984. DOI: 10.1080/01431161.2011.620034.

[20]
肖瑜. 秦岭地区油松人工林的生物量和产量. 陕西林业科技, 1989, (1): 14-18.

[Xiao Yu. Biomass and yield of Pinus tabulaeformis plantations of Mt. Qinling. Shaanxi Forest Science and Technology, 1989, (1): 14-18.]

[21]
李晶晶, 党坤良, 周勇, 等. 秦岭中段南坡华山松林能量结构特征和碳储量研究. 西北农林科技大学学报(自然科学版), 2013, 41(11): 58-66.

[Li Jingjing, Dang Kunliang, Zhou Yong, et al. Characteristics of energy structure and carbon storage of Pinus armandii forest on the southern slope of middle Qinling mountains. Journal of Northwest A&F University(Natural Science), 2013, 41(11): 58-66.]. DOI: 10.13207/j.cnki.jnwafu.2013.11.029.

[22]
傅志军. 太白山太白红杉林的群落学特征及生物量的研究. 汉中师院学报(自然科学版), 1994, (2): 69-72.

[Fu Zhijun. Study on synecological features and biomass of Larix Chinensis forest in Taibai mountain. Journal of Hanzhong Teachers College(Natural Science), 1994, (2): 69-72.]

[23]
傅志军. 太白山红桦林的群落学特征及生物量研究. 延安大学学报(自然科学版), 1994, 13(2): 37-40.

[Fu Zhijun. The study of Synecological features and biomass of Betula Albo-Sinensis forest in Taibai mountain. Journalof Yanan University, 1994, 13(2): 37-40.]

[24]
李亮, 何晓军, 胡理乐, 等. 1958—2008年太白山太白红杉林碳循环模拟. 生态学报, 2013, 33(9): 2845-2855.

[Li Liang, He Xiaojun, Hu Lile, et al. Simulation of the carbon cycle of Larix chinensis forest during 1958 and 2008 at Taibai mountain, China. Acta Ecologica Sinica, 2013, 33(9): 2845-2855.]

[25]
杨凤萍, 胡兆永, 张硕新. 不同海拔油松和华山松林乔木层生物量与蓄积量的动态变化. 西北农林科技大学学报(自然科学版), 2014, 42(3): 68-76.

[Yang Fengping, Hu Zhaoyong, Zhang Shuoxin. Dynamic changes in biomass and volume of the tree layer of Pinus tabulaeformis and Pinus armandi forests at different altitudes. Journal of Northwest A&F university(Natural Science Edition), 2014, 42(3): 68-76.]. DOI: 10.13207/j.cnki.jnwafu.2014.03.021.

[26]
陈存根, 龚立群, 彭鸿, 等. 秦岭锐齿栎林的生物量和生产力. 西北林学院学报, 1996, 11(S1): 103-114.

[Chen Cungen, Gong Liqun, Peng Hong, et al. Biomass and productivity of the Sharptooth Oak Forests in the Qinling mountains. Journal of Northwest Forestry College, 1996, 11(S1): 103-114.]

[27]
程堂仁, 马钦彦, 冯仲科, 等. 甘肃小陇山森林生物量研究. 北京林业大学学报, 2007, 29(1): 31-36.

[Cheng Tangren, Ma Qinyan, Feng Zhongke, et al. Research on forest biomass in Xiaolong mountains, Gansu province. Journal of Beijing Forestry University, 2007, 29(1): 31-36.]

[28]
王向雨, 胡东, 贺金生. 神农架地区米心水青冈林和锐齿槲栎林生物量的研究. 首都师范大学学报(自然科学版), 2007, 28(2): 62-67.

[Wang Xiangyu, Hu Dong, He Jinsheng. Biomass research of Fagus Engleriana and Quercus aliena var. acuteserrata forest in Shennongjia forest district. Journal of Capital Normal University(Natural Science Edition), 2007, 28(2): 62-67.]

[29]
尉文. 尺度效应和生境异质性对太白山锐齿栎林物种多样性和地上生物量的影响. 杨凌: 西北农林科技大学硕士学位论文, 2020: 32.

[Yu Wen. Scale effects and habitat heterogeneity on species diversity and aboveground biomass of Quercus aliena var. acuteserrata forest in Taibai Mountain. Yangling: Master Dissertation of Northwest Agricultural and Forestry University, 2020: 32.]

[30]
张九东. 陕西省秦巴山区红豆杉生物量研究. 西安文理学院学报(自然科学版), 2014, 17(2): 19-22.

[Zhang Jiudong. Biomass of Taxus wallichiana var. chinensis(Pilger) Florin resource in Qinling and Dabashan mountains in Shaanxi province. Journal of Xi'an University of Arts＆Science(Natural Science Edition), 2014, 17(2): 19-22.]

[31]
李鹏. 基于地统计学的秦岭南坡森林乔木层地上生物量空间分布研究. 杨凌: 西北农林科技大学硕士学位论文, 2013: 19.

[Li Peng. A study on the spatial distribution of aboveground biomass of tree layer in the south slope of Qinling mountains based on geostatistics. Yangling: Master Dissertation of Northwest Agricultural and Forestry University, 2013:19.]

[32]
杜宝刚. 宝鸡市森林活立木碳储量、碳密度分布特征研究. 西安: 西北大学硕士学位论文, 2017: 26.

[Du Baogang. Distribution characteristics of carbon storage and carbon density of forest standing trees in Baoji city. Xi'an: Master Dissertation of Northwestern University, 2017: 26.]

[33]
王耀武. 秦岭(陕西段)生态资产时空变化特征及其驱动因素. 西安: 长安大学硕士学位论文, 2018: 13.

[Wang Yaowu. The spatiotemporal changes and driving factors of ecological assets in the Qinling mountains(Shaanxi section). Xi'an: Master Dissertation of Changan University, 2018: 13.]

[34]
李梦莹, 胡勇, 曹广强. 基于HJ-1A/B CCD影像的神农架巴山冷杉森林地上生物量估算. 测绘与空间地理信息, 2019, 42(2): 126-130.

[Li Mengying, Hu Yong, Cao Guangqiang. Study on aboveground biomass estimation of Abies Fargesii forest in the Shennongjia based on HJ-1A /B CCD imagery. Geomatics and Spatial Information Technology, 2019, 42(2): 126-130.]

[35]
菅永峰, 韩泽民, 黄光体, 等. 基于高分辨率遥感影像的北亚热带森林生物量反演. 生态学报, 2021, 41(6): 2161-2169.

[Jian Yongfeng, Han Zemin, Huang Guangti, et al. Estimation of forest biomass using high spatial resolution remote sensing imagery in north subtropical forests. Acta Ecologica Sinica, 2021, 41(6): 2161-2169.]. DOI: 10.5846/stxb201910082086.

[36]
张百平. 中国南北过渡带研究的十大科学问题. 地理科学进展, 2019, 38(3): 305-311.

DOI

[Zhang Baiping. Ten major scientific issues concerning the study of China's north-south transitional zone. Progress in Geography, 2019, 38(3): 305-311.]. DOI: 10.18306/dlkxjz.2019.03.001.

[37]
Lu Fei, Hu Huifeng, Sun Wenjuan, et al. Effects of national ecological restoration projects on carbon sequestration in China from 2001 to 2010. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115(16): 4039-4044. DOI: 10.1073/pnas.1700294115.

PMID

[38]
Chen Chi, Park Taejin, Wang Xuhui, et al. China and India lead in greening of the world through land-use management. Nature Sustainability, 2019, 2(2): 122-129. DOI: 10.1038/s41893-019-0220-7.

PMID

[39]
Yao Yonghui, Hu Yufan, Kou Zhixiang, et al. Spatial patterns of Pinus tabulaeformis and Pinus massoniana forests in Qinling-Daba Mountains and the boundary of subtropical and warm temperate zones. Journal of Geographical Sciences, 2020, 30(9): 1523-1533. DOI: 10.1007/s11442-020-1797-5.

[40]
Li Congcong, Wang Jie, Hu Luanyun, et al. A circa 2010 thirty meter resolution forest map for China. Remote Sensing, 2014, 6: 5325-5343. DOI: 10.3390/rs6065325.

[41]
方精云, 王襄平, 沈泽昊, 等. 植物群落清查的主要内容、方法和技术规范. 生物多样性, 2009, 17(6): 533-548.

[Fang Jingyun, Wang Xiangping, Shen Zehao, et al. Methods and protocols for plant community inventory. Biodiversity Science, 2009, 17(6): 533-548.]. DOI: 10.3724/SP.J.1003.2009.09253.

[42]
Xie Wenqi, Yao Yonghui. Quantifying the intensity of human activities in the Qinling-Daba mountains. People and Nature, 2024: 1-16. DOI: 10.1002/pan3.10649.

[43]
王振洲. 离群点检测方法研究及其在机器学习中的应用. 北京: 中国地质大学硕士学位论文, 2018: 30.

[Wang Zhenzhou. Research on outlier detection methods and their applications in machine learning. Beijing: Master Dissertation of China University of Geosciences, 2018: 30.]

[44]
Wang J F, Hu Y. Environmental health risk detection with GeogDetector. Environmental Modelling & Software, 2012, 20(10): 114-115. DOI: 10.1016/j.envsoft.2012.01.015.

[45]
Wang J F, Li X H, Christakos G, et al. Geographical detectors based health risk assessment and its application in the neural tube defects study of the Heshun Region, China. International Journal of Geographical Information Science, 2010, 24(1): 107-127. DOI: 10.1080/13658810802443457.

[46]
王劲峰, 徐成东. 地理探测器:原理与展望. 地理学报, 2017, 72(1): 116-134.

DOI

[Wang Jinfeng, Xu Chengdong. Geodetector: Principle and prospective. Acta Geographic Sinica, 2017, 72(1): 116-134.]. DOI: 10.11821/dlxb201701010.

[47]
Zhang Rong, Zhou Xuhui, Ouyang Zutao, et al. Estimating aboveground biomass in subtropical forests of China by integrating multisource remote sensing and ground data. Remote Sensing of Environment, 2019, 232: 111341. DOI: 10.1016/j.rse.2019.111341.

[48]
徐伟义, 金晓斌, 杨绪红, 等. 中国森林植被生物量空间网格化估计. 自然资源学报, 2018, 33(10): 1725-1741.

DOI

[Xu Weiyi, Jin Xiaobin, Yang Xuhong, et al. The estimation of forest vegetation biomass in China in spatial grid. Journal of Natural Resources, 2018, 33(10): 1725-1741.]. DOI: 10.31497/zrzyxb.20170802.

[49]
Lu Dengsheng. The potential and challenge of remote sensing: Based biomass estimation. International Journal of Remote Sensing, 2007, 27(7): 1297-1328. DOI: 10.1080/01431160500486732.

Options
文章导航

/

〈 〉