Effects of slope position on soil microbial biomass carbon and nitrogen in natural Pinus sylvestris var. mongolia forest in the cold temperature zone
-
摘要:目的研究我国寒温带天然樟子松林土壤微生物生物量碳、氮含量与坡位之间的关系，了解樟子松林对立地条件的响应，揭示天然樟子松林土壤微生物生物量变化特征及影响因素。方法以大兴安岭北部不同坡位天然樟子松林为研究对象，选择坡上、坡中和坡下3种立地条件，采用氯仿熏蒸浸提法测定了0 ~ 10 cm和10 ~ 20 cm土层土壤微生物生物量碳、氮含量。对其季节动态变化规律及影响因素进行分析比较。结果在观测期内（5—9月），樟子松林土壤微生物生物量碳、氮含量均呈现出波动式下降趋势，其变化范围分别是74.33 ~ 515.33 mg/kg和15.33 ~ 240.57 mg/kg，土壤微生物生物量碳氮比在1.04 ~ 5.73之间。坡位对土壤微生物生物量碳、氮和碳氮比产生显著影响（P < 0.01），坡下和坡中樟子松林土壤微生物生物碳、氮含量均值显著高于坡上（P < 0.05）；不同土层间土壤微生物生物量碳、氮含量也存在显著差异，0 ~ 10 cm土层显著高于10 ~ 20 cm土层（P < 0.05）。土壤微生物生物量碳、氮与土壤总有机碳、全氮和土壤含水量呈显著正相关，但与土壤温度和pH 值相关性不显著。结论坡位对天然樟子松林土壤微生物生物量影响显著，其含量存在明显的立地分异规律性，土壤总有机碳、全氮和土壤含水量是导致土壤微生物生物量碳、氮差异的主要影响因子。Abstract:ObjectiveIn order to study the characteristics of soil microbial biomass carbon and nitrogen in natural Pinus sylvestris var. mongolia forest in the cold temperature zone, the dynamic variation rule of soil microbial biomass carbon and nitrogen and those influencing factors were analyzed to provide a theoretical basis for soil nutrient transport and flow characteristics in the natural Pinus sylvestris var. mongolia forest.MethodMeasurements were taken every month from May to September in 2017 at three sites, including the top, the middle, the lower regions of slope in the Pinus sylvestris var. mongolia forest. The microbial biomass carbon and nitrogen in the 0−10 cm and 10−20 cm were determined by chloroform fumigation and extraction method, with their seasonal dynamics and the relationships with soil physicochemical properties in three sites.ResultThe results showed that the soil microbial biomass carbon and nitrogen contents under different slope positions presented fluctuating downward trends from May to September, with the ranges of 74.33 to 515.33 mg/kg and 15.33 to 240.57 mg/kg, respectively. The microbial biomass carbon-nitrogen radio was between 1.04 and 5.73, which was significantly different among varied site conditions during the measuring periods. The mean values of soil microbial biological carbon and nitrogen in the lower and middle regions of slopes were significantly higher than those in the top regions of slope (P < 0.05). Site conditions had significant effects on soil microbial biomass carbon, nitrogen and soil microbial biomass carbon-nitrogen ratio (P < 0.01). The soil microbial biomass carbon and nitrogen contents in 0−10 cm soil layer were significantly larger than those in 10−20 cm soil layer. Soil microbial biomass carbon and nitrogen were significantly positively correlated with soil total organic carbon, total nitrogen and soil water content, but not correlated with soil temperature and pH.ConclusionThe study shows that slope position has significant influence on soil microbial biomass in the Pinus sylvestris var. mongolia forest in the cold temperature zone, and its content has obvious site-differentiation rule. Soil total organic carbon, total nitrogen and soil water content are the main influencing factors leading to soil microbial biomass carbon and nitrogen difference.
-
20世纪以来，以遥感影像作为主要信息源，可以对林分以及单木层次上的森林结构参数进行精准测量、制图和数字化表达，进而对森林资源状况及其动态变化进行全面、快速、有效监测和评估。高分辨率遥感影像可以更加清晰地表达地物目标的空间结构，纹理特征和地物边缘信息，树冠的大小、形态以及光谱信息，是树冠轮廓自动识别的基本特征，也是建立众多林分模型的重要因子[1-2]。传统的图像分析方法是在像元层次上进行的基于影像光谱特征的信息提取，这种方式是建立在统计模式下而不是空间模式下，易出现“椒盐现象”，分辨率越高、这种现象越严重，会造成空间数据的大量冗余和资源浪费。
为充分利用高分辨率遥感影像丰富的空间信息，实现信息的准确提取，面向对象的遥感影像信息提取技术应运而生，这种方法充分利用了对象的光谱、形状、纹理等信息，以最小单元为分割对象，可以在很大程度上减少“椒盐现象”的出现，提高分析精度[3]。单木树冠识别和勾绘很重要的一个途径就是图像分割，主要是以树冠的辐射传输模型为理论基础，其核心思想是树冠中心点的亮度值大，而树冠边界点的亮度低。常用的方法主要有局部最大值法、模板匹配法、区域增长法、分水岭算法等[4-10]。但是对于高郁闭度林分，树冠之间有粘连重叠的现象，无法简单利用树冠边缘灰度值突变的思想进行树冠分割，需要从影像所表现的几何形状、尺寸和空间格局等角度进行单木冠幅提取，提高树冠识别的精度[11-13]。
高空间分辨率遥感影像具有高空间分辨率和低光谱分辨率的特点，影像中地物在光谱空间中表现出类间差异小、类内差异大和视觉对比度差，因此在图像分割之前先进行增强处理，一方面可以增强图像对比度，将地物目标与背景环境之间的差异拉大，另一方面可以滤除大部分的噪声对分割结果的影响。小波变换具有频域与时域二维分辨率的特点，同时具有多尺度的特征，能够从不同尺度上对图像进行理解和表达，因此在遥感影像处理中得到了广泛应用[14-17]。应用高分影像，使用面向对象的多尺度分割方法提取树冠信息，已有很多研究[18-20]，但是针对不同平台高分影像特征的相似性和差异性，树冠提取方法的适宜性研究较少。已有研究表明，在不同空间分辨率影像下地物面积提取精度存在差异[21-23]，但多数都是采用重采样后影像而不是真实尺度下的遥感影像，这种方式会对影像的空间和光谱信息造成损失或失真，影响研究结论[24-25]。
本文以高分影像下单木树冠分割提取为研究目的，进行不同影像的空间尺度响应研究。选用3种不同平台下的高分辨率遥感影像（空间分辨率分别为0.03 m、0.2 m和1 m），对研究区内主要人工林树种进行树冠提取实验，首先对低空无人机CCD和机载CCD影像进行小波变换增强处理，然后采用面向对象的多尺度分割方法进行单木树冠提取；在对GF-2影像进行影像融合后，直接以多尺度分割方法进行树冠分割，最后结合3种平台影像下的单木分割精度，分析不同空间尺度遥感影像对单木树冠识别及其面积提取精度的影响规律，讨论在不同林业调查目标下该方法的应用价值。
1. 研究区与数据
1.1 研究区概况
广西国有高峰林场位于南宁市兴宁区，地理坐标为22°48′48″ ~ 23°03′34″N、108°07′55″ ~ 108°32′53″E，所在区域为大明山余脉，属低山丘陵地貌，地势东北高、西南低，呈东北—西南走向，海拔高度70 ~ 500 m，坡度20° ~ 35°，经营面积近800 km2，森林蓄积量超430万m3，是广西规模最大的国有林场。林场内人工林的主要树种是桉树（Eucalyptus robusta）和杉木（Cunninghamia lanceolata）。为了验证本文算法的普遍性和实用性，桉树和杉木实验区选择在密林区（郁闭度 > 0.7）。研究区示意图见图1。
1.2 数据获取
1.2.1 实地调查数据
在高峰林场内选择杉木纯林和桉树纯林作为实验区，均设立边长30 m × 30 m大小的样地，在2018年1月16日至2月5日开展地面样地数据的调查，每种树种随机选取45株树木作为验证数据，利用皮尺测定每棵树的东西及南北两个方向冠幅，并计算两个方向冠幅的平均值作为树冠直径；同时利用全站仪对实验区内的树木进行单木定位，方便之后处理分析时对应查找。同时记录样地的坐标、坡度、坡向，以及样地内树种的胸径、树高、枝下高等数据。桉树实验区树木平均胸径为11.7 cm，平均树高为17.8 m，平均冠幅为2.8 m；杉木实验区树木平均胸径为21.2 cm，平均树高为15.4 m，平均冠幅为3.9 m。
1.2.2 影像数据
低空无人机CCD影像是采用iFly D6电动多旋翼无人机搭载iCam Q2倾斜摄影相机进行拍摄，拍摄时间为2018年2月，实际飞行航高约为180 m，数据获取当天晴朗无风、阳光充足。影像分辨率为0.03 m，采用China Geodetic Coordinate System 2000大地坐标系，高斯克吕格3度带投影，通过三维实景建模软件ContextCapture Center输出正射影像。
机载CCD影像是由中国林业科学研究院LiCHy（LiDAR、CCD and Hyperspectral）机载遥感系统采集提供，由德国IGI公司集成，数据由运-12飞机搭载传感器飞行获取，拍摄时间为2018年1月，实际飞行航高约为1 000 m，数据获取当天晴朗少云。影像分辨率为0.2 m，数据坐标系统设定为UTM-North投影，WGS-84坐标系。
GF-2影像分为全色影像和多光谱影像，全色影像分辨率为1 m，多光谱影像分辨率为4 m，包括红、绿、蓝、近红外4个波段，获取时间为2018年8月。在对GF-2影像进行面向对象分割之前，为了消除遥感数据误差，提高解译精度，需对影像数据进行预处理。预处理过程主要包括几何正射校正、图像融合、几何精校正、影像裁剪。本研究结合DEM数据，利用RPC物理模型对全色影像及多光谱影像进行正射校正，并采用NNDiffuse Pan Sharpening方法对全色波段和多光谱波段进行融合，融合后影像空间分辨率为1 m。
2. 原理与方法
首先对3种平台下的影像预处理得到正射影像，采用小波变换对图像进行增强处理，通过定量分析评价图像增强效果，然后应用面向对象的多尺度分割方法进行单木树冠提取，最后结合外业实测数据计算提取精度。方法流程如图2所示。
2.1 图像增强
小波变换的基本原理：若傅里叶变换
ˆΨ(ω) 能够满足容许条件，Ψ(t)=∫R|ˆΨ(ω)|2|ω|dω<∞ ，则称Ψ(t) 为一基本小波母函数。小波母函数Ψ(t) 经伸缩和平移后得到连续小波函数Ψa,b(t) ，a为伸缩因子，b为平移因子[14]。小波变换的实质就是用一族小波函数去表示信号或函数。图像经过小波变换之后，每层分解尺度中分别得到4个子图像（图3）。LL为低频部分，代表图像的近似信息，也就是主要内容信息；HL、LH和HH是高频部分，分别代表图像水平方向、垂直方向和对角线方向的细节信息。图像的低频部分保存的是图像的轮廓信息，而高频保存的是图像的细节信息，图像中大部分的噪声和一些边缘细节都属于高频子带，而低频子带主要表征图像的近似信号。为了能够在增强图像的同时减少噪声的影响，可以对低频子带进行图像增强，用以增强目标的对比度，抑制背景；对高频部分进行小波去噪处理，减少噪声对图像的影响。![]()
图 3 小波分解示意图LL. 近似信息；HL. 水平细节信息；LH. 垂直细节信息；HH. 对角线细节信息。LL represents approximate information; HL represents horizontal detail information; LH represents vertical detail information; HH represents diagonal detail information.Figure 3. Wavelet decomposition diagram2.2 多尺度分割
为了提高单木树冠提取精度，实验首先排除背景区域干扰，然后针对树冠区域进行面向对象的分割。经过小波增强变换后，图像内部的树冠区域与非树冠区域的灰度值差异明显增大，因此可以采用阈值法进行树冠区域与非树冠区域的区分。阈值法的基本思想是寻找一个合适的阈值将前景和背景按照像素灰度值的大小进行分类，灰度值大于阈值归为前景（树冠），小于阈值归为背景（非树冠区域）。
多尺度分割的思想是自下而上，逐级合并。它是以图像中任一像元作为中心点，将这个像元周围异质性最小的像元集合合并成一个对象单元，然后再把这些小单元逐渐聚合成一个较大对象的过程。在这个过程中，尺度参数、形状参数、紧致度参数是需要多次试验进行确定的参数。
2.3 冠幅面积计算
影像和实地调查的树冠面积（S）计算公式[26]为：
S=π(RSN+REW)216 (1) 式中：RSN和REW分别表示树木的树冠南北冠幅和东西冠幅。
2.4 精度分析
精度验证分为单木分割精度和冠幅估测精度两个部分。若某个野外实测树木在分割结果中不存在或者在该区域出现了多个分割树冠，则判定为错误分割，正确分割的树木的百分占比即为单木分割精度；根据3种影像下的单木分割结果以及外业实测冠幅大小，结合公式（2）、（3），计算冠幅估测精度。
δ=|LM−LT|LT×100% (2) 式中：LT为真实值，即外业观测值；LM为面向对象分割结果值；δ为冠幅估测相对误差。
冠幅估测精度（R）计算公式：
R=n∑i=1(1−δi)/n (3) 式中：n为树木个数，δi为第i个树木的相对误差。
3. 结果与分析
3.1 小波增强效果
小波变换不同于傅里叶变换，根据小波母函数的不同，小波变换的结果也不尽相同。由于正交小波函数sym4进行分解时具有正交性和数据冗余最小的优点，因此本文选用sym4对图像进行处理。首先对研究区的影像进行小波二层分解，得到低频系数（近似）和高频系数（细节）；然后对低频系数进行增大，对高频系数进行缩小；最后对高频系数和低频系数进行小波系数重构，得到的图像结果突出了轮廓，弱化了细节，从而达到图像增强的效果。以图4为例，将原影像进行小波分解以后，设置系数阈值，如果低频系数大于系数阈值，则将该值增大2倍，以增强轮廓信息；若高频系数小于系数阈值，则缩小为原影像的一半幅度，来弱化图像内部噪声。通过多次对比实验，为不同影像设定不同的小波系数阈值，结果详见表1。图5是桉树和杉木在3种影像下进行小波增强变换得到的结果。本文对图像增强效果进行定量分析，主要采用图像均值、标准差和边缘强度3个参量，结果如表1所示。
表 1 统计特征Table 1. Statistical characteristics树种 Species 影像 Image 小波阈值系数
Wavelet threshold coefficient边缘强度
Edge strength均值
Mean标准差
Standard deviation杉木
Cunninghamia lanceolata机载原始影像 Airborne original image 237 34.19 42.17 34.44 增强后影像 Enhancement image 70.83 78.85 68.19 桉树
Eucalyptus robusta机载原始影像 Airborne original image 306 23.88 39.69 38.91 增强后影像 Enhancement image 85.20 65.42 70.47 杉木
Cunninghamia lanceolata无人机原始影像 UAV original image 280 47.66 53.76 49.02 增强后影像 Enhancement image 90.91 95.94 99.49 桉树
Eucalyptus robusta无人机原始影像 UAV original image 500 36.38 64.19 64.89 增强后影像 Enhancement image 102.78 102.77 118.79 杉木
Cunninghamia lanceolataGF-2原始影像 GF-2 original image 1 050 150.35 131.40 103.17 增强后影像 Enhancement image 118.15 133.01 98.74 桉树
Eucalyptus robustaGF-2原始影像 GF-2 original image 1 070 169.32 120.19 116.64 增强后影像 Enhancement image 151.76 122.49 106.67 ![]()
图 4 原始影像及不同小波阈值处理后影像Figure 4. Original image and different wavelet threshold processed images![]()
图 5 不同平台影像小波增强变换效果Figure 5. Wavelet enhancement transform effects for different platform images从表1可以看出，机载影像和低空无人机影像经过小波增强后的图像的均值相较于原图明显增加，有良好的视觉效果；标准差的增大说明图像对比度增强；边缘强度，实质上是边缘点梯度的幅值，边缘强度越大表明图像轮廓信息越明显，经过小波增强后的图像的边缘强度显著增大，说明图像轮廓信息得到明显增强；GF-2增强后影像边缘强度和标准差的结果反而有所降低，均值变化不明显。实验结果表明：本文方法在机载和低空无人机影像上增强效果明显，为后续图像分割奠定了基础；针对GF-2影像增强统计结果，并结合影像自身特点进行分析，该影像空间分辨率为1 m，相比于其他两种平台下的影像分辨率，每棵树在影像上所包含的像元数量较少，且单木树冠有着明显的灰度最大值，周围像素依次递减，树冠与背景对比度明显，因此不需要对其进行小波增强变换处理来进行树冠内部噪声去除和增强轮廓。此外，为了更好地描绘树冠大小及边界，在小波系数阈值设定结果上可以发现，阈值的大小在不同树种和平台影像上有一定的变化规律，即在同一平台下桉树影像小波系数阈值高于杉木影像，同一区域在不同平台下阈值设定大小顺序依次为GF-2影像、低空无人机影像、机载影像。
3.2 多尺度分割提取树冠
本实验树冠分割的具体方法如下：
（1） 首先，通过树冠和背景区域多个分割对象的选取，查看其阈值分布范围，然后设定影像中树冠与背景区域之间灰度阈值界限，对分割结果进行阈值分类，结果如图6所示，绿色为树冠区域。
（2） 在分类后的树冠区域进行多尺度分割，设置尺度参数、形状参数和紧致度参数，对单木树冠进行精细分割，最终分割结果与原图像叠加显示如图6所示，外业实测的单木位置在图中以黄色标记显示。
相关分割参数及规则设置详见表2。
表 2 面向对象树冠分割参数Table 2. Object-oriented tree crown segmentation parameters项目
Item分割参数
Segmentation parameter机载影像 Airborne image 无人机影像 UAV image GF-2影像 GF-2 image 杉木Cunninghamia lanceolata 桉树Eucalyptus robusta 杉木Cunninghamia lanceolata 桉树Eucalyptus robusta 杉木Cunninghamia lanceolata 桉树Eucalyptus robusta 阈值分类
Threshold classification灰度阈值 Gray threshold > 70 > 82 > 105 > 125 > 35 > 85 单木树冠分割
Individual tree crown segmentation分割尺度 Segmentation scale 18 12 120 130 4 4 形状 Shape 0.9 0.9 0.9 0.9 0.9 0.9 紧致度 Compactness 0.5 0.9 0.9 0.8 0.7 0.8 3.3 结果验证与分析
树冠提取的单木分割精度及冠幅估测精度详见表3。由表3可知，GF-2影像无论是单木分割精度还是冠幅估测精度都明显低于其他两种影像。这与影像自身分辨率密切相关，实验区树木平均冠幅不超过4 m，GF-2影像空间分辨率为1 m，每棵树木在影像中包含的像元数量少，无法对较小树木进行有效地探测，得到树冠的形状和边界的准确描绘难度较大，从而影响了提取精度。在机载和无人机影像下单木分割精度和冠幅估测精度结果相接近，但是在处理过程中发现，在空间分辨率为厘米级的无人机影像下，仍然对林下灌草或者其他植被进行了清楚的拍摄，通过灰度阈值对树冠和背景区域进行分类的效果不佳，而机载影像适宜的空间分辨率避免了这一问题；此外，机载影像获取范围更广，数据量更小，处理速度更快。从表3中还可以发现，杉木树冠提取精度优于桉树，这是因为杉木的树冠轮廓在影像上显示更加清晰，无论是在图像增强还是单木分割上都能提高对树冠边界和大小描绘的准确性。
表 3 单木树冠提取精度分析Table 3. Accuracy analysis on extracted individual tree crown项目
Item树种
Species树木总株树
Total number
of trees正确分割株数
Correct segmentation
number of trees单木分割精度
Tree crown segmentation accuracy/%相对误差均值
Relative error mean/%冠幅估测总精度
Tree crown estimation accuracy/%机载影像
Airborne image杉木 Cunninghamia lanceolata 45 41 91.1 15.6 84.4 桉树 Eucalyptus robusta 45 40 89.0 16.1 83.9 无人机影像
UAV image杉木 Cunninghamia lanceolata 45 42 93.3 14.9 85.1 桉树 Eucalyptus robusta 45 39 87.0 15.8 84.2 GF-2影像
GF-2 image杉木 Cunninghamia lanceolata 45 40 89.0 26.7 73.3 桉树 Eucalyptus robusta 45 37 82.0 27.7 72.3 4. 结论与讨论
本文针对米级、亚米级和厘米级的遥感影像，首先采用小波变换对图像进行增强处理，然后结合多尺度分割下树冠的提取精度，进行影像适宜性分析和评价。主要结论：（1） 高分辨率影像在增强地物信息的获取能力的同时，地物信息呈现高度细节化，树冠与背景区域对比度不明显，处理结果中存在“椒盐现象”，因此引入小波变换对影像进行增强处理，针对不同影像提出了适合的小波增强变换参数，同时对增强效果进行定量分析，亚米级和厘米级影像的均值、标准差和边缘强度显著提升，说明在这两种尺度的影像下该方法能够有效增强树冠轮廓，弱化树冠内部细节；同样对米级影像进行增强处理，所得结果显示该方法并不适用于这种尺度的影像；（2） 对亚米级和厘米级影像小波增强变换后，排除背景区域的干扰，针对树冠区域进行单木树冠分割，得到杉木冠幅估测精度可达84.4%，桉树因其相对不清晰的树冠轮廓使得在估测精度上略低于杉木；（3） 对3种尺度的影像进行单木树冠分割，提出了适合的分割参数，得到的精度均能满足应用需求；米级影像的空间分辨率在单木识别和描绘树冠形态上有很大的局限性，因此杉木和桉树应用厘米级和亚米级影像可以达到更好的精度，相比于米级影像冠幅估测精度均可以提高10%以上，且获取这两种影像无论是从天气还是时间上都更加灵活，适合专业的科研学者精细调查使用，从另一个角度来看，米级影像下的提取精度也能够满足森林调查的基本需求；近几年来，随着更高空间分辨率的商用卫星陆续发射成功，如果需要一次性对大范围的森林信息进行获取，卫星影像具有很大的应用价值。
本文的研究仍存在以下不足：（1） 亚米级和厘米级影像下冠幅估测精度可达84.4%以上，证明这两种影像的空间分辨率具备准确描绘树冠大小及轮廓的能力，但树冠提取与实测数据相比仍存在偏差，一是可能外业测量冠幅大小的过程中，在树冠存在连续或者遮挡的情况下存在一定视觉误差，二是树冠区域涵盖灌草植被，影响最终精度；（2） 即使对影像进行正射校正处理，仍不能解决由摄影角度误差、地物纹理贴合不准确导致的树冠几何形变问题，从而影响最终的提取精度，在今后的研究中需要在影像几何纠正方法上进一步探讨；（3） 在本研究实验处理过程中，小波系数阈值、图像分割等参数是进行多次试验后手动设定，在后续的研究中应探究阈值系数大小选取依据以及参数自适应调节算法提高实验效率；（4） 本次研究的3种影像的空间分辨率相差10倍左右，在接下来的工作中，结合本文研究结果，寻找出最佳尺度的遥感影像，并将合适的影像应用在不同地理位置、生长状况以及生态环境的人工林中，以树冠参数为基础建立胸径、森林郁闭度、材积等林分模型，降低林业调查成本，提高研究效率。
-
![]()
图 1 不同坡位樟子松林各土层土壤微生物量月变化特征
Figure 1. Monthly dynamics of soil microbial biomass in different soil layers of varied slope positions of P. sylvestris var. mongolia forest
表 1 樟子松林基本特征
Table 1 Basic situation of Pinus sylvestris var. mongolia forest
坡位
Slope position海拔
Altitude/m树种组成
Species composition平均树高 Mean tree height/m 平均胸径 Mean DBH/cm 郁闭度
Canopy density林下主要植物
Major understory species樟子松
P. sylvestris var. mongolica其他树种
Other species樟子松
P. sylvestris var. mongolica其他树种
Other species坡上
Upper slope556 6P 2L 1S 1B 16.58 ± 1.75 13.74 ± 1.30 22.05 ± 4.18 16.22 ± 2.01 0.8 兴安杜鹃Rhododendron dauricum、北国红豆Vaccinium macrocarpon、越桔Vaccinium vitis-idaea 坡中
Middle slope512 8P 2L 16.53 ± 2.35 12.53 ± 2.34 22.40 ± 2.95 13.60 ± 1.48 0.7 兴安刺玫Rosa davurica、兴安杜鹃Rhododendron dauricum、北国红豆Vaccinium macrocarpon、越桔Vaccinium vitis-idaea 坡下
Down slope465 9P 1L 18.88 ± 2.96 16.87 ± 1.97 24.98 ± 2.53 19.28 ± 3.14 0.6 兴安刺玫Rosa davurica、兴安杜鹃Rhododendron dauricum、羽节蕨Gymnocarpium jessoense、北国红豆Vaccinium macrocarpon、凤毛菊Saussurea amurensis、越桔Vaccinium vitis-idaea、杜香Ledum palustre 注：P为樟子松；L为兴安落叶松；S为山杨；B为白桦。
Notes: P, Pinus sylvestris var. mongolica; L, Larix gmelinii; S, Populus davidiana; B, Betula platyphylla.
下载: 导出CSV
表 2 樟子松林样地土壤性质
Table 2 Soil characteristics in sample plots of Pinus sylvestris var. mongolia forest
坡位
Slope position土层
Soil layer /cm有机碳
Organic carbon /(g∙kg− 1)全氮
Total nitrogen/(g∙kg− 1)土壤含水量
Soil water content/%pH 坡上 Upper slope 0 ~ 10 11.91 ± 1.65Ca 1.20 ± 0.11Ca 33.36 ± 4.56Ba 5.46 ± 0.12Aa 10 ~ 20 7.15 ± 1.08Bb 0.72 ± 0.06Bb 23.11 ± 2.35Ab 5.61 ± 0.08Aa 坡中 Middle slope 0 ~ 10 18.35 ± 2.60Ba 1.67 ± 0.41Ba 38.26 ± 3.01Ba 5.33 ± 0.07Aa 10 ~ 20 8.47 ± 2.07Bb 0.96 ± 0.29Bb 25.05 ± 4.42Ab 5.54 ± 0.10Aa 坡下 Down slope 0 ~ 10 24.87 ± 2.40Aa 2.43 ± 0.46Aa 47.30 ± 2.06Aa 5.24 ± 0.11Aa 10 ~ 20 13.71 ± 2.21Ab 1.84 ± 0.20Ab 27.13 ± 3.21Ab 5.30 ± 0.12Aa 注：不同大写字母表示不同坡位之间差异显著（P < 0. 05），不同小写字母表示不同土层间差异显著（P < 0. 05）。下同。Notes: different capital letters mean significant differences among varied slope positions (P < 0. 05). Different lowercase letters mean significant differences among varied soil layers (P < 0. 05). The same below.
下载: 导出CSV
表 3 樟子松林不同坡位各层土壤微生物生物量碳、氮含量
Table 3 Soil microbial biomass carbon and nitrogen in different soil layers among varied slope positions of P. sylvestris var. mongolia forest
坡位
Slope position土层
Soil layer /cm土壤微生物生物量碳
MBC/(mg·kg− 1)土壤微生物生物量氮
MBN/(mg·kg− 1)土壤微生物生物量碳氮比
MBC/MBN坡上 Upper slope 0 ~ 10 267.13 ± 78.73Ba 94.34 ± 40.19Ba 3.07 ± 0.85Aa 10 ~ 20 100.88 ± 23.69Bb 37.36 ± 16.35Bb 3.08 ± 1.19Aa 坡中 Middle slope 0 ~ 10 291.31 ± 124.94Aa 117.95 ± 67.19Aa 2.84 ± 1.48Aa 10 ~ 20 176.76 ± 57.73Aa 75.12 ± 6.84Aa 2.54 ± 1.02Aa 坡下 Down slope 0 ~ 10 338.76 ± 94.08Aa 130.71 ± 40.04Aa 2.95 ± 1.51Aa 10 ~ 20 188.94 ± 60.53Ab 86.55 ± 29.31Aa 2.57 ± 1.47Aa Notes: MBC, microbial biomass carbon; MBN, microbial biomass nitrogen.
下载: 导出CSV
表 4 土壤微生物生物量碳氮及其比值的方差分析
Table 4 ANOVA of soil microbial biomass carbon (MBC) and nitrogen (MBN) as well as MBC/MBN
差异来源
Source of difference土壤微生物生物量碳
MBC土壤微生物生物量氮
MBN土壤微生物生物量碳氮比
MBC/MBNdf F P df F P df F P 月份 Month 4 427.61 < 0.001 4 94.55 < 0.001 4 131.60 < 0.001 坡位 Slope position 2 188.83 < 0.001 2 106.38 < 0.001 2 18.15 < 0.001 土层 Soil layer 1 2 499.52 < 0.001 1 408.75 < 0.001 1 16.76 < 0.001 月份 × 坡位 Month × slope position 8 57.97 < 0.001 8 40.44 < 0.001 8 124.15 < 0.001 月份 × 土层 Month × soil layer 4 99.91 < 0.001 4 60.99 < 0.001 4 70.00 < 0.001 坡位 × 土层 Slope position × soil layer 2 43.21 < 0.001 2 4.62 0.014 2 4.70 0.013 月份 × 坡位 × 土层 Month × slope position × soil layer 8 33.14 < 0.001 8 5.64 < 0.01 8 17.39 < 0.001
下载: 导出CSV
表 5 土壤微生物生物量碳、氮含量之间及其与土壤养分含量的相关系数
Table 5 Correlation coefficients between soil microbial biomass (C, N) and soil nutrient contents
总有机碳
TOC全氮
TN微生物生物量氮
MBNpH 土壤含水量
Soil water content土壤温度
Soil temperature微生物生物量碳 MBC 0.58** 0.69** 0.73** 0.32 0.49** − 0.57 微生物生物量氮 MBN 0.44* 0.67** 1 0.14 0.37* − 0.29 注：*和**分别表示P < 0.05相关性显著和 P < 0.01相关性极显著。Notes: * and ** indicate significant correlations at P< 0.05 and P <0.01 level.
下载: 导出CSV
-
[1] Bargali K, Manral V, Padalia K, et al. Effect of vegetation type and season on microbial biomass carbon in Central Himalayan forest soils, India[J]. Catena, 2018, 171: 125−135. doi: 10.1016/j.catena.2018.07.001
[2] 漆良华, 张旭东, 周金星, 等. 湘西北小流域不同植被恢复区土壤微生物数量、生物量碳氮及其分形特征[J]. 林业科学, 2009, 45(8):14−20. doi: 10.3321/j.issn:1001-7488.2009.08.003 Qi L H, Zhang X D, Zhou J X, et al. Soil microbe quantities, microbial carbon and nitrogen and fractal characteristics under different vegetation restoration patterns in watershed, Northwest Hunan[J]. Scientia Silvae Sinicae, 2009, 45(8): 14−20. doi: 10.3321/j.issn:1001-7488.2009.08.003
[3] Kononen M, Jauhianen J, Strakova P, et al. Deforested and drained tropical peat land sites show poorer peat substrate quality and lower microbial biomass and activity than unmanaged swamp forest[J]. Soil Biology and Biochemistry, 2018, 123: 229−241.
[4] 刘爽, 王传宽. 五种温带森林土壤微生物生物量碳氮的时空格局[J]. 生态学报, 2010, 30(12):3135−3143. Liu S, Wang C K. Spatio-temporal patterns of soil microbial biomass carbon and nitrogen in five temperate forest ecosystems[J]. Acta Ecologica Sinica, 2010, 30(12): 3135−3143.
[5] 刘宝, 吴文峰, 林思祖, 等. 中亚热带4种林分类型土壤微生物生物量碳氮特征及季节变化[J]. 应用生态学报, 2019, 30(6):1901−1910. Liu B, Wu W F, Lin S Z, et al. Characteristics of soil microbial biomass carbon and nitrogen and its seasonal dynamics in four types mid-subtropical forests[J]. Chinese Journal of Applied Ecology, 2019, 30(6): 1901−1910.
[6] 陈平, 赵博, 杨璐, 等. 接种蚯蚓和添加凋落物对油松人工林土壤养分和微生物量及活性的影响[J]. 北京林业大学学报, 2018, 40(6):63−71. Cheng P, Zhao B, Yang L, et al. Effects of earthworm and litter application on soil nutrients and soil microbial biomass and activities in Pinus tabuliformis plantation[J]. Journal of Beijing Forestry University, 2018, 40(6): 63−71.
[7] 冯书珍, 苏以荣, 张伟, 等. 坡位与土层对喀斯特原生林土壤微生物生物量与丰度的影响[J]. 环境科学, 2015, 36(10):3832−3838. Feng S Z, Su Y R, Zhang W, et al. Effects of slope position and soil horizon on soil microbial biomass and abundance in karst primary forest of southwest China[J]. Environmental Science, 2015, 36(10): 3832−3838.
[8] Gran R F. Nitrogen mineralization drives the response of forest productivity to soil warming: modeling in ecosys vs. measurements from the Harvard soil heating experiment[J]. Ecological Modelling, 2014, 288: 38−46. doi: 10.1016/j.ecolmodel.2014.05.015
[9] 李胜蓝, 方晰, 项文化, 等. 湘中丘陵区4种森林类型土壤微生物生物量碳氮含量[J]. 林业科学, 2014, 50(5):8−16. Li S L, Feng X, Xiang W H, et al. Soil microbial biomass carbon and nitrogen concentrations in four subtropical forests in hilly region of central Hunan Province, China[J]. Scientia Silvae Sinicae, 2014, 50(5): 8−16.
[10] Zhao F Z, Kang D, Han X H, et al. Soil stoichiometry and carbon storage in long-term afforestation soil affected by understory vegetation diversity[J]. Ecological Engineering, 2015, 74: 415−422. doi: 10.1016/j.ecoleng.2014.11.010
[11] 覃乾, 朱世硕, 夏彬, 等. 黄土丘陵区侵蚀坡面土壤微生物量碳时空动态及影响因素[J]. 环境科学, 2019, 40(4):1973−1980. Qin Q, Zhu S S, Xia B, et al. Temporal and spatial dynamics of soil microbial biomass carbon and its influencing factors on eroded slope in hilly Loess Plateau region[J]. Environmental Science, 2019, 40(4): 1973−1980.
[12] 王薪琪, 韩轶, 王传宽. 帽儿山不同林龄落叶阔叶林土壤微生物生物量及其季节动态[J]. 植物生态学报, 2017, 41(6):597−609. doi: 10.17521/cjpe.2017.0011 Wang X Q, Han Y, Wang C K. Soil microbial biomass and its seasonality in deciduous broadleaved forests with different stand ages in the Mao’ershan Region, Northeast China[J]. Chinese Journal of Plant Ecology, 2017, 41(6): 597−609. doi: 10.17521/cjpe.2017.0011
[13] Sorensen P O, Finzi A C, Giasson M A, et al. Winter soil freeze-thaw cycles lead to reductions in soil microbial biomass and activity not compensated for by soil warming[J]. Soil Biology and Biochemistry, 2018, 116: 39−47. doi: 10.1016/j.soilbio.2017.09.026
[14] 刘平, 邱月, 王玉涛, 等. 渤海泥质海岸典型防护林土壤微生物量季节动态变化[J]. 生态学报, 2019, 39(1):1−8. doi: 10.1016/j.chnaes.2018.07.004 Liu P, Qiu Y, Wang Y T, et al. Seasonal dynamics of soil microbial biomass in typical shelterbelts on the Bohai muddy coast[J]. Acta Ecologica Sinica, 2019, 39(1): 1−8. doi: 10.1016/j.chnaes.2018.07.004
[15] Bölscher T, Paterson E, Freitag T, et al. Temperature sensitivity of substrate-use efficiency can result from altered microbial physiology without change to community composition[J]. Soil Biology and Biochemistry, 2017, 109: 59−69. doi: 10.1016/j.soilbio.2017.02.005
[16] Xiong Q L, Pan K W, Zhang L, et al. Warming and nitrogen deposition are interactive in shaping surface soil microbial communities near the alpine timberline zone on the eastern Qinghai -Tibet Plateau, southwestern China[J]. Applied Soil Ecology, 2016, 101: 72−83. doi: 10.1016/j.apsoil.2016.01.011
[17] 郑海峰, 陈亚梅, 杨林, 等. 高山林线土壤微生物群落结构对模拟增温的响应[J]. 应用生态学报, 2017, 28(9):2840−2848. Zheng H F, Chen Y M, Yang L, et al. Responses of soil microbial community structure to simulated warming in alpine timberline in western Sichuan, China[J]. Chinese Journal of Applied Ecology, 2017, 28(9): 2840−2848.
[18] Soleimani A, Hosseini S M, Bavani A R M, et al. Influence of land use and land cover change on soil organic carbon and microbial activity in the forests of northern Iran[J]. Catena, 2019, 177(2): 227−237.
[19] 李俊霞, 白学平, 张先亮, 等. 大兴安岭林区南、北部天然樟子松生长对气候变化的响应差异[J]. 生态学报, 2017, 37(21):7232−7241. Li J X, Bai X P, Zhang X L, et al. Different responses of natural Pinus sylvestris var. mongolica growth to climate change in southern and northern forested areas in the Great Xing,an Mountains[J]. Acta Ecologica Sinica, 2017, 37(21): 7232−7241.
[20] 周志强, 郝雨, 刘彤, 等. 大兴安岭北段天然樟子松林遗传多样性与主要生态因子的相关性研究[J]. 北京林业大学学报, 2006, 28(6):22−27. doi: 10.3321/j.issn:1000-1522.2006.06.004 Zhou Z Q, Hao Y, Liu T, et al. Correlativity analysis between the main ecological factors and genetic diversity of Pinus sylvestris var. mongolica population in the north part of Great Xing, an Mountains[J]. Journal of Beijing Forestry University, 2006, 28(6): 22−27. doi: 10.3321/j.issn:1000-1522.2006.06.004
[21] 顾云春. 大兴安岭林区森林群落的演替[J]. 植物生态学与地植物学丛刊, 1985(1):64−70. Gu Y C. Succession of forest community in Great Xing,an Mountains forest region[J]. Chinese Journal of Plant Ecology, 1985(1): 64−70.
[22] 李奕, 满秀玲, 蔡体久, 等. 大兴安岭山地樟子松天然林土壤水分物理性质及水源涵养功能研究[J]. 水土保持学报, 2011, 25(2):87−91, 96. Li Y, Man X L, Cai T J, et al. Research on physical properties of soil moisture and water conservation of scotch pine forest in Da Xing,an Mountains[J]. Journal of Soil and Water Conservation, 2011, 25(2): 87−91, 96.
[23] 顾云春. 大兴安岭几个主要森林类型的天然更新[J]. 林业资源管理, 1980(4):21−27. Gu Y C. Natural regeneration of several major forest types in Great Xing,an Mountains[J]. Forest Resources Management, 1980(4): 21−27.
[24] Cheng G D, Jin H J. Permafrost and groundwater on the Qinghai-Tibet Plateau and in northeast China[J]. Hydrogeology Journal, 2013, 21: 5−23. doi: 10.1007/s10040-012-0927-2
[25] Gao W F, Yao Y L, Liang H, et al. Emissions of nitrous oxide from continuous permafrost region in the Daxing,an Mountains, Northeast China[J]. Atmospheric Environment, 2019, 198: 34−45. doi: 10.1016/j.atmosenv.2018.10.045
[26] 晏寒冰, 彭丽潭, 唐旭清. 基于气候变化的东北地区森林树种分布预测建模与影响分析[J]. 林业科学, 2014, 50(5):132−139. Yan H B, Peng LT, Tang X Q. Modeling and impact analysis on distribution prediction of forest tree species in northeast China based on climate change[J]. Scientia Silvae Sinicae, 2014, 50(5): 132−139.
[27] 李奕, 满秀玲, 蔡体久, 等. 大兴安岭山地樟子松天然林不同坡位土壤养分特征及相关性研究[J]. 安徽农业科学, 2014, 42(5):1413−1416, 1420. doi: 10.3969/j.issn.0517-6611.2014.05.052 Li Y, Man X L, Cai T J, et al. Research on soil nutrient characteristic and correlation in different slope position of scotch pine forest in Da Hinggan Mountains[J]. Journal of Anhui Agri, 2014, 42(5): 1413−1416, 1420. doi: 10.3969/j.issn.0517-6611.2014.05.052
[28] 田舒怡, 满秀玲. 大兴安岭北部森林土壤微生物量碳和水溶性有机碳特征研究[J]. 土壤通报, 2016, 47(4):838−845. Tian S Y, Man X L. Study on characteristics of soil microbial biomass carbon and dissolved organic carbon in northern forest region of Daxing,an Mountains[J]. Chinese Journal of Soil Science, 2016, 47(4): 838−845.
[29] 肖瑞晗, 满秀玲, 丁令智. 大兴安岭北部天然针叶林土壤氮矿化特征研究[J]. 生态学报, 2019, 39(8):2762−2771. Xiao R H, Man X L, Ding L Z. Study on the characteristics of soil nitrogen mineralization of the natural coniferous forest on northern of Daxing ’an Mountains, Northeast China[J]. Acta Ecologica Sinica, 2019, 39(8): 2762−2771.
[30] 王宁, 杨雪, 李世兰, 等. 不同海拔红松混交林土壤微生物量碳、氮的生长季动态[J]. 林业科学, 2016, 52(1):150−158. Wang N, Yang X, Li S L, et al. Seasonal dynamics of soil microbial biomass carbon-nitrogen in the Korean pine mixed forests along elevation gradient[J]. Scientia Silvae Sinica, 2016, 52(1): 150−158.
[31] Liu W X, Qiao C L, Yang S, et al. Microbial carbon use efficiency and priming effect regulate soil carbon storage under nitrogen deposition by slowing soil organic matter decomposition[J]. Geoderma, 2018, 332: 37−44. doi: 10.1016/j.geoderma.2018.07.008
[32] 田舒怡. 大兴安岭北部主要森林类型土壤活性碳特征[D]. 哈尔滨: 东北林业大学, 2016. Tian S Y. Study on characteristics of soil labile organic carbon in main forest types in the north of Daxing’anling Maintains[D]. Harbin: Northeast Forestry University, 2016
[33] 石宪, 张秋良, 曹阳, 等. 兴安落叶松天然林不同林型土壤养分分布特征研究[J]. 内蒙古林业科技, 2015, 41(3):6−10. doi: 10.3969/j.issn.1007-4066.2015.03.002 Shi X, Zhang Q L, Cao Y, et al. Study on distribution feature of soil nutrient in natural forest of Larix gmelinii with different forest types[J]. Journal of Inner Mongolia Forestry Science and Technology, 2015, 41(3): 6−10. doi: 10.3969/j.issn.1007-4066.2015.03.002
[34] 曲杭峰, 董希斌, 唐国华, 等. 补植改造对大兴安岭白桦低质林土壤养分的影响[J]. 东北林业大学学报, 2017, 45(4):75−80. doi: 10.3969/j.issn.1000-5382.2017.04.015 Qu H F, Dong X B, Tang G H, et al. Effects of replanting alterations of Betula platyphylla low-quality forest on soil nutrients in Daxing’an Mountains[J]. Journal of Northeast Forestry University, 2017, 45(4): 75−80. doi: 10.3969/j.issn.1000-5382.2017.04.015
[35] 沈丹, 王磊. 青藏高原土壤湿度对中国夏季降水与气温影响的敏感试验[J]. 气象科技, 2015, 43(6):1095−1103, 1120. doi: 10.3969/j.issn.1671-6345.2015.06.014 Shen D, Wang L. Sensitivity test of soil moisture on summer precipitation and temperature in China on Qinghai-Tibet plateau[J]. Weather Technology, 2015, 43(6): 1095−1103, 1120. doi: 10.3969/j.issn.1671-6345.2015.06.014
[36] Ren C J, Chen J, Lu X J, et al. Responses of soil total microbial biomass and community compositions to rainfall reductions[J]. Soil Biology and Biochemistry, 2018, 116: 4−10.
[37] 刘纯, 刘延坤, 金光泽. 小兴安岭6种森林类型土壤微生物量的季节变化特征[J]. 生态学报, 2014, 34(2):451−459. Liu C, Liu Y K, Jin G Z. Seasonal dynamics of soil microbial biomass in six forest types in Xiaoxing,an Mountains, China[J]. Acta Ecologica Sinica, 2014, 34(2): 451−459.
[38] 曹艳峰, 李彦, 李晨华, 等. 荒漠灌木梭梭(Haloxylon ammodendron)周围土壤微生物的空间分布[J]. 生态学报, 2016, 36(6):1628−1635. Cao Y F, Li Y, Li C H, et al. The spatial distribution of soil microbes around a desert shrub of Haloxylon ammodendron[J]. Acta Ecologica Sinica, 2016, 36(6): 1628−1635.
[39] 王国兵, 郝岩松, 王兵, 等. 土地利用方式的改变对土壤呼吸及土壤微生物生物量的影响[J]. 北京林业大学学报, 2006(增刊2):73−79. Wang G B, Hao Y S, Wang B, et al. Influence of land-use change on soil respiration and soil microbial biomass[J]. Journal of Beijing Forestry University, 2006(Suppl.2): 73−79.
[40] Cusack D F, Mccleerytl L. Patterns in understory woody diversity and soil nitrogen across native- and non-native-urban tropical forests[J]. Forest Ecology and Management, 2014, 318: 34−43. doi: 10.1016/j.foreco.2013.12.036
[41] Zhang W, Zhao J, Pan F J, et al. Changes in nitrogen and phosphorus limitation during secondary succession in a karst region in southwest China[J]. Plant and Soil, 2015, 391: 77−91. doi: 10.1007/s11104-015-2406-8
[42] 孙双红, 陈立新, 李少博, 等. 阔叶红松林不同演替阶段土壤酶活性与养分特征及其相关性[J]. 北京林业大学学报, 2016, 38(2):20−28. Sun S H, Chen L X, Li S B, et al. Characteristics of soil enzyme activity and nutrient content and their correlations at different succession stages of broadleaf-Korean pine forest[J]. Journal of Beijing Forestry University, 2016, 38(2): 20−28.
[43] Devi N B, Yadava P S. Seasonal dynamics in soil microbial biomass C, N and P in a mixed-oak forest ecosystem of Manipur,Northeast India[J]. Applied Soil Ecology, 2006, 31: 220−227. doi: 10.1016/j.apsoil.2005.05.005
[44] 付战勇, 孙景宽, 李传荣, 等. 黄河三角洲贝壳堤土壤微生物生物量对不同生境因子的响应[J]. 生态学报, 2018, 38(18):6594−6602. Fu Z Y, Sun J K, Li C R, et al. Responses of soil microbial biomass to different habitat factors in the chenier of the Yellow River Delta[J]. Acta Ecologica Sinica, 2018, 38(18): 6594−6602.
[45] Marschner P, Kandeler E, Marschner B. Structure and function of the soil microbial community in a long-term fertilizer experiment[J]. Soil Biology and Biochemistry, 2003, 35(3): 453−461. doi: 10.1016/S0038-0717(02)00297-3
[46] Ruan H H, Zou X M, Scatena F N, et al. Asynchronous fluctuation of soil microbial biomass and plant litterfall in a tropical wet forest[J]. Plant and Soil, 2004, 260: 147−154. doi: 10.1023/B:PLSO.0000030177.20951.94
[47] Sugihara S, Funakawa S, Kilasara M, et al. Effect of land management and soil texture on seasonal variations in soil microbial biomass in dry tropical agroecosystems in Tanzania[J]. Applied Soil Ecology, 2010, 44: 80−88. doi: 10.1016/j.apsoil.2009.10.003
[48] 吴则焰, 林文雄, 陈志芳, 等. 武夷山国家自然保护区不同植被类型土壤微生物群落特征[J]. 应用生态学报, 2013, 24(8):2301−2309. Wu Z Y, Lin W X, Chen Z F, et al. Characteristics of soil microbial community under different vegetation types in Wuyishan National Nature Reserve, East China[J]. Chinese Journal of Applied Ecology, 2013, 24(8): 2301−2309.
[49] Li J W, Wang G S, Mayes M A, et al. Reduced carbon use efficiency and increased microbial turnover with soil warming[J]. Global Change Biology, 2019, 25(3): 900−910.
[50] 王风芹, 田丽青, 宋安东, 等. 华北刺槐林与自然恢复植被土壤微生物量碳、氮含量四季动态[J]. 林业科学, 2015, 51(3):16−24. Wang F Q, Tian L Q, Song A D, et al. Seasonal dynamics of microbial biomass carbon and nitrogen in soil of Robinia pseudoacacia forests and near-naturally restored vegetation in Northern China[J]. Scientia Silvae Sinicae, 2015, 51(3): 16−24.
[51] Zhong Z, Makeschin F. Differences of soil microbial biomass and nitrogen transformation under two forest types in central Germany[J]. Plant and Soil, 2006, 283: 287−297. doi: 10.1007/s11104-006-0018-z
[52] 朱瑞. 马啣山多年冻土地面变形研究[D]. 兰州: 兰州交通大学, 2017. Zhu R.Study on ground deformation of permafrost in Ma Xian Mountain[D]. Lanzhou: Lanzhou Jiaotong University, 2017.
[53] 胡宏昌, 王根绪, 王一博, 等. 江河源区典型多年冻土和季节冻土区水热过程对植被盖度的响应[J]. 科学通报, 2009(2):242−250. Hu H C, Wang G C, Wang Y B, et al. Response of soil heat-water processes to vegetation cover on the typical permafrost and seasonally frozen soil in the headwaters of the Yangtze and Yellow Rivers[J]. Chinese Science Bulletin, 2009(2): 242−250.
-
期刊类型引用(3)
1. 张露月，刘艳红，韩冬青. 连香树雌雄株生长及适应性策略差异. 北京林业大学学报. 2024(12): 71-81 . 
本站查看
2. 亢红伟，岳康杰，刘慧欣，王佳丽，田旭平. 性别和叶形对圆柏气体交换参数和叶绿素荧光特征的影响. 植物科学学报. 2024(06): 791-799 . 百度学术
3. 孙晓伟，王兴昌，孙慧珍，全先奎，杨青杰. 雌雄异株树种山杨、水曲柳和东北红豆杉光合特性对比. 南京林业大学学报(自然科学版). 2023(01): 129-135 . 百度学术
其他类型引用(5)
计量
- 文章访问数: 1523
- HTML全文浏览量: 456
- PDF下载量: 73
- 被引次数: 8
