Land surface fuel load and influencing factors of Pinus tabuliformis and Platycladus orientalis plantations
-
摘要:目的 研究北京地区典型针叶林地表可燃物负荷量及其影响因素，构建可燃物负荷量模型，为可燃物的科学管理提供依据。方法 结合林分因子（胸径、树高、郁闭度、冠幅、第1活枝高）和地形因子（海拔、坡度），在北京市7个区选择具有代表性的油松林和侧柏林，每种林型各设置42块样地，调查和测定了2种针叶林的可燃物负荷量（上层枯叶、下层枯叶、灌木、草本、1 h 时滞枯枝、10 h 时滞枯枝），采用冗余分析（RDA）研究地表可燃物负荷量与林分因子和地形因子的关系，利用多元线性回归建立总可燃物负荷量模型。结果 （1）油松林总可燃物平均负荷量为14.31 t/hm2，侧柏林总可燃物平均负荷量为9.78 t/hm2，下层枯叶负荷量占2种针叶林地表总可燃物负荷量的比重最大。（2）RDA分析表明，油松林上层枯叶、灌木可燃物负荷量与胸径呈正相关，下层枯叶负荷量与郁闭度、坡度呈正相关。侧柏林上层枯叶、下层枯叶负荷量与树高、冠幅呈正相关，与海拔呈负相关。灌木可燃物负荷量与树高、郁闭度呈正相关，与海拔呈负相关。2种针叶林总可燃物、1 h 时滞枯枝、10 h 时滞枯枝负荷量均与胸径呈正相关，草本可燃物负荷量与海拔呈正相关。（3）模型表明，胸径、树高、冠幅能较好推算出油松林总可燃物负荷量，第1活枝高、冠幅、坡度能较好的推算出侧柏林总可燃物负荷量。结论 油松林有发展成较大森林火灾的可能性，根据地表可燃物负荷量，应当着重对林下枯落物可燃物进行管理，及时清理林下可燃物，降低潜在森林火灾风险。不同林型可燃物负荷量与林分因子以及地形因子之间的关系不同，在进行可燃物管理时，应因地制宜，选择合理适宜的措施。Abstract:Objective This paper aims to study the land surface fuel load and influencing factors of typical coniferous forests in Beijing, and to establish a fuel load model, so as to provide research basis for the scientific management of fuel.Method Based on stand factors (DBH, tree height, canopy density, crown width, height of the first living branch) and terrain factors (altitude and slope degree), representative Pinus tabuliformis and Platycladus orientalis forests were selected in 7 districts and counties of Beijing. 42 sample plots were set for each forest type to investigate and measure the fuel load of two coniferous forests (upper dead leaves, lower dead leaves, shrubs, herbs, 1 h time-lag dead branches,10 h time-lag dead branches), redundancy analysis (RDA) was used to study the relationship between land surface fuel load and stand factors and terrain factors, and the total fuel load model was established by multiple linear regression.Result (1) The average total fuel load of Pinus tabuliformis forest and Platycladus orientalis forest were 14.31 and 9.78 t/ha, respectively. The lower dead leaf load accounted for the largest proportion of total fuel load of the two coniferous forests. (2) Redundancy analysis (RDA) showed that the fuel load of upper dead leaves and shrubs was positively correlated with DBH, and that of lower dead leaves was positively correlated with canopy density and slope degree. The dead leaf load of upper and lower layers of Platycladus orientalis was positively correlated with tree height and crown width, and negatively correlated with altitude. The fuel load of shrub was positively correlated with tree height and canopy density, and negatively correlated with altitude. The total fuel load, 1 h time-lag, 10 h time-lag dead branch load of the two coniferous forests were positively correlated with DBH, and the herbage fuel load was positively correlated with altitude. (3) The model showed that DBH, tree height and crown width can calculate the total fuel load of Pinus tabuliformis forest, and the first living branch height, crown width and slope degree can calculate the total fuel load of Platycladus orientalis forest.Conclusion Pinus tabuliformis forest has the possibility of developing into a larger forest fire. According to the land surface fuel load, we should focus on the management of forest litter and fuel, timely clean up the fuel under the forest, and reduce the potential forest fire risk. The relationship between fuel load of different forest types, stand factors and terrain factors is different. In fuel management, we should choose reasonable and appropriate measures according to local conditions.
-
Keywords:
- fuel load /
- stand factor /
- terrain factor /
- fuel model
-
森林是全球三大生态系统之一，属于陆地生态系统的重要组分，是极为重要的自然资源，同时在水土保持、改善气候、维护生物多样性及碳汇等方面起着重要作用，是应对全球气候变化的指示剂和调节剂，具有特殊的生态效益[1-4]。IPCC第四次评估报告指出随着全球工业化进程的加快，气候变暖对森林生长的影响日渐加剧[5]。探究气候变化背景下森林生长的变化，对评估森林生态系统服务功能、预测未来森林演替方向以及科学指导营林活动具有重要意义[6-7]。
研究表明北半球中高纬度地区变暖速率远远高于低纬度地区[8-9]，已有研究利用野外调查、模型分析等手段发现气候变暖将对中高纬度森林产生重要影响[10]。以往研究多采用模型估测[11]或野外实地采取树木年轮[12]来研究气候变化对中高纬度地区树木生长的影响，但模型的结论精度较低，而利用树木年轮的研究尺度较小。随着技术进步，卫星遥感已成为大时空尺度反映植被动态变化及监测其对气候变化响应特征的主要技术手段之一[2,13]。国内外广泛利用归一化植被指数（NDVI）在大尺度范围反映植被生长情况及其对全球变化的响应，已获得良好效果[14-15]。我国东北地区属于全球中高纬度变暖较显著区域之一，拥有独特的植被分布格局，其森林分布面积广泛，且对气候变化拥有较强敏感性[10,16]。此前已有研究探究了东北植被NDVI变化及其与气候因子的关系，并取得一定进展：刘向培等[17]结合1982—2006年GIMMS NDVI数据，发现东北地区植被年均NDVI在东北部高于西南部；神祥金等[16]发现东北植被年均NDVI受降水和温度的影响均较为显著，但温度影响更强；史娜娜等[18]采用相关分析发现东北森林区植被生长对降水的响应存在时滞性；罗新兰等[19]利用标准化降水蒸散指数（SPEI）探究了东北植被NDVI对干旱的响应，得出森林NDVI同SPEI大体呈负相关关系；王小霞等[2]分析了人类活动对东北森林NDVI的影响，认为人类活动对森林NDVI趋势的影响主要集中于2 km的缓冲区内。以上研究或是未针对未来东北森林NDVI变化趋势进行预测或是仅利用平均气温研究植被NDVI对气候变化的响应，而未考虑最高气温和最低气温可能对NDVI变化存在不同的作用。已有研究在其他区域发现最高和最低气温对森林生长具有差异性影响，如赵杰等[15]发现夜晚增温对新疆森林植被活动的影响强于白天增温，Wang等[20]发现欧洲温带树种春季物候的温度敏感性下降是由于白天增温导致的。白天和夜晚增温速率具有不对称性已成为当前全球气候变化的主要特征之一[21-22]，因而在此背景下，本文分析比较最高气温和最低气温对东北森林NDVI的作用，以期更加全面地反映气候变化对东北森林的影响。
本文基于2000—2019年SPOT Vegetation NDVI数据和气象数据，分析东北森林生长季（4—10月）[19]NDVI时空变化特征，探究生长季NDVI与主要气象因子（降水量、平均气温、平均最高气温和平均最低气温）的响应关系及时滞性特征，着重探讨白天、夜晚温度对东北森林生长季NDVI影响是否存在差异性特征，并利用Hurst指数预测东北森林未来生长趋势，为东北森林建设、保护与生态管理提供科学理论与数据。
1. 研究区概况与研究方法
1.1 研究区概况
东北地区位于我国东北部（38°72′ ~ 53°55′N、115°52′ ~ 135°09′E）[17]，由黑龙江、吉林和辽宁三省以及内蒙古东部三市一盟构成[11]，总面积约为127万km2。该地区森林总面积约40万km2，主要分布在大兴安岭、小兴安岭以及长白山，其中大部分位于温带大陆性季风气候区，夏季高温多雨、阳光充沛，冬季寒冷漫长，也有部分森林分布在寒温带[2,23-24]，针叶林、阔叶林和针阔叶混交林是东北森林植被的3种主要森林类型[25]。东北森林是我国面积最大的天然林区，是重要碳汇区及北方生态屏障，属于三北防护林体系及天然林保护工程的重点领域，具有难以估量的生态效益[26]。本研究根据中国科学院资源环境科学数据中心（http://www.resdc.cn）提供的中国1∶1 000 000植被类型空间分布数据将东北森林分为针叶林、针阔叶混交林（混交林）和阔叶林进行对比分析（图1）。3种林型空间分布差异明显，其中，针叶林主要分布在大兴安岭，零星分布于小兴安岭和长白山区域；阔叶林广泛分布于小兴安岭、长白山、大兴安岭南部区域和西南部林草交错区；混交林分布范围很小，主要零星分布在小兴安岭和长白山，对本文研究结果影响较少。
![]()
图 1 研究区概况审图号：GS(2021)5448号。下同。Base drawing review No.: GS(2021)5448. The same below.Figure 1. Survey of the study area1.2 数据来源与处理
本文NDVI数据来源于中国科学院资源环境科学数据中心（http://www.resdc.cn）提供的“中国月度1 km植被指数（NDVI）空间分布数据集”。数据集基于SPOT-VEGETATION NDVI卫星遥感数据，在每10 d数据基础上利用最大合成法合成月数据，空间分辨率为1 km × 1 km，且在此基础上提出2000—2019年共20年东北森林生长季（4—10月）NDVI平均值，并根据前人研究[27]，将多年生长季NDVI值大于0.1的区域定义为研究区。
本文采用的气象数据来源于中国气象数据网（http://data.cma.cn）提供的2000—2019年东北地区逐月降水量、平均气温、平均最高气温和平均最低气温数据，经过数据质量完整性及一致性检验，剔除存在缺失值和异常值的站点，最终选取97个气象站点数据进行分析。应用ArcGIS软件的插值分析工具，采取克里金插值法[28-29]，基于各站点经纬度对气象数据进行插值，得到与NDVI数据投影、分辨率一致的栅格气象数据[18]。
1.3 研究方法
1.3.1 趋势分析
本文利用一元线性回归分析方法逐像元计算2000—2019年东北森林生长季NDVI和各气象要素变化趋势[30]，趋势计算公式如下[31]：
θslope=(n×∑ni=1i×NDVIi)−(∑ni=1i∑ni=1NDVIi)n×∑ni=1i2−(∑ni=1i)2 式中：
θslope 表示各像元NDVI的变化趋势（斜率）；n为监测年数即为20年；i为年序号；NDVIi为第i年的生长季NDVI平均值。θslope 为正值，则NDVI的年际变化呈现增加趋势，反之说明其呈现减少趋势。1.3.2 Hurst指数
Hurst指数是用来定量描述研究对象的自相关性和长期依赖性的一种有效方法[32]。有多种计算方法用来获取Hurst指数，而目前被认为可靠性最强、应用最广泛的方法是重际极差（R/S）分析法[33-34]。本文利用基于R/S分析法的Hurst指数研究东北森林生长季 NDVI变化的持续性特征。基本原理如下[35]：
对时间序列
NDVIt ，t=1,2,⋯,n ，定义均值序列：¯NDVIτ=1τ∑τt=1NDVIτ,τ=1,2,⋯,n 积累离差：
X(t,τ)=∑τt=1NDVIt−¯NDVIτ,1⩽ 极差：
{R_{\tau }} = \mathop {\max }\limits_{1 \leqslant t \leqslant \tau } {{{X}}_{(t,\tau )}} - \mathop {\min }\limits_{1 \leqslant t \leqslant \tau } {{{X}}_{(t,\tau )}},\;\;\;\;\tau = 1,2, \cdots,n 标准差：
{S_{\tau }} = {\left[ {\frac{1}{\tau }\sum\nolimits_{t = 1}^\tau {{{\left( {{\text{NDV}}{{\text{I}}_{t}} - {\text{NDV}}{{\text{I}}_{\tau }}} \right)}^2}} } \right]^{\frac{1}{2}}},\;\;\;\;\tau = 1,2, \cdots,n 若存在
R/S \propto {\tau ^H} ，则说明该时间序列存在Hurst现象，Hurst指数即H值可通过双对数坐标系用最小二乘法拟合计算求得。当0.5 < H < 1，表明该时间序列具有正向持续性，即未来变化状况与过去20年变化趋势一致，且H值越接近1，正向持续性越强；当H = 0.5时，表明该时间序列为一个随机时间序列，即未来变化状况与过去变化趋势无关；当0 < H < 0.5，表明该时间序列具有反向持续性，即未来变化状况与过去20年变化趋势相反，且H值越接近0，反向持续性越强。1.3.3 相关分析
运用相关分析方法来研究东北森林生长季NDVI和各气象要素之间的关系[36]，从而分析东北森林生长季NDVI对气候变化的响应。计算公式如下[37]：
{R_{xy}} = \dfrac{{\displaystyle \sum\nolimits_{i = 1}^n {\left( {{x_i} - \bar x} \right)} \left( {{y_i} - \bar y} \right)}}{{\sqrt {\displaystyle \sum\nolimits_{i = 1}^n {{{\left( {{x_i} - \bar x} \right)}^2}} \displaystyle \sum\nolimits_{i = 1}^n {{{\left( {{y_i} - \bar y} \right)}^2}} } }} 式中：Rxy为相关系数；n指时间序列累计年数即20年；xi和yi分别为某年份生长季NDVI和某气象要素的数值；
\overline x 和\overline y 分别表示20年来生长季NDVI和某气象要素的均值。2. 结果与分析
2.1 东北森林生长季NDVI时空变化特征
2.1.1 NDVI空间分布特征
利用2000—2019年东北森林生长季NDVI数据，计算20年平均NDVI的空间分布图（图2），从图中可以看出，总体上东北森林生长季平均NDVI值集中分布0.40 ~ 0.78，且在长白山、小兴安岭及大兴安岭等地区NDVI值偏高，这些地区都属于森林大面积成片分布区，人为干扰少[2]；NDVI值较低的区域主要分布在西南部区域，这些区域属于林草交错区，人为干扰较大且自然气候条件较差[38]，所以NDVI值较低，但该区域森林面积占整体东北森林面积较小。不同林型之间相比，混交林分布区生长季平均NDVI值最高（0.724），针叶林次之（0.655），阔叶林最低（0.647）。
![]()
图 2 东北森林生长季NDVI空间分布特征Figure 2. Spatial distribution characteristics of growing season NDVI in forest zone of Northeast China2.1.2 NDVI变化趋势
东北森林生长季平均NDVI在2000—2019年期间总体呈上升趋势，趋势为每10年增加0.035，表明东北森林生长状况在20年来有着明显提升（图3），这和前人研究基本一致[23,39]。针叶林、混交林和阔叶林生长季NDVI 均呈现上升趋势，其中混交林NDVI增长趋势最大（每10年增加0.037），阔叶林NDVI增长趋势最小（每10年增加0.035）。各类型森林的最低值均出现在2001年，最高值出现在2014年。2001—2006年、2011—2014年增速较快，2014年后所有林型森林生长季NDVI增长明显放缓。总体来说，这3种林型NDVI时间序列变化规律差异不大，在过去20年呈现出相对一致的增长过程。
![]()
图 3 东北森林生长季NDVI变化Figure 3. Changes of growing season NDVI of forest zone in Northeast China图4表示东北森林生长季NDVI空间变化，根据杨尚武等[40]提出的划分标准，将东北森林生长季NDVI变化斜率θslope划分为5个变化区间，即：中度退化、轻度退化、基本不变、轻度改善、中度改善。由图4和表1可知，在过去20年东北森林整体上以轻度改善为主，其面积为257 103 km2，占总面积的55.22%，其次基本不变的面积为204 138 km2，占总面积的43.84%，上述两种变化区间占总面积的99.06%。基本不变的主要分布在东北森林边缘的过渡带，其他地区主要呈现轻度改善，另外3种变化区间则零星分布，占比极小，这与该区域类似研究[2,16]的结果基本一致。各林型中，混交林改善面积占自身面积比例最大（65.21%），阔叶林次之（55.62%），针叶林最小（54.32%）；阔叶林退化面积占自身面积比例最大（0.69%），混交林最小（0.27%）。东北森林近20年以改善为主，国家近年来实行的天然林保护工程减少了对东北森林的人为扰动表明这一变化主要由气候因素导致[23,41]，我们接着试图结合气候变化特征和生长对气候因子响应特征分析东北森林生长变化的原因。
![]()
图 4 东北森林生长季NDVI空间变化Figure 4. NDVI spatial variation in the growing season of forests in Northeast China表 1 2000—2019年东北森林生长季NDVI变化趋势统计Table 1. Statistics in NDVI changing trend in forest growing season in Northeast China from 2000 to 2019θslope 变化程度
Degree of change所有森林
All forests针叶林
Coniferous forest混交林
Mixed forest阔叶林
Broadleaved forest面积
Area/km2比例
Proportion/%面积
Area/km2比例
Proportion/%面积
Area/km2比例
Proportion/%面积
Area/km2比例
Proportion/%−0.0258 ~ −0.0090 中度退化
Moderately degraded520 0.11 143 0.11 9 0.05 368 0.12 −0.0090 ~ −0.0034 轻度退化
Lightly degraded2 141 0.46 325 0.25 37 0.22 1 779 0.57 −0.0034 ~ 0.0034 基本不变
Basically unchanged204 138 43.84 59 623 45.32 5 852 34.53 137 265 43.70 0.0034 ~ 0.0097 轻度改善
Lightly improved257 103 55.22 71 020 53.98 11 046 65.17 173 460 55.22 0.0097 ~ 0.0208 中度改善
Moderately improved1 723 0.37 448 0.34 6 0.04 1 243 0.40 2.1.3 NDVI 未来趋势分析
对近20年东北森林生长季NDVI进行Hurst指数分析，结果见图5。东北森林生长季NDVI的Hurst指数介于0.10 ~ 0.98之间，平均值为0.4516，Hurst指数小于0.5的像元占比为71.73%，表明未来东北森林生长季NDVI变化的反持续性强于正持续性，即东北森林生长季NDVI变化趋势在未来将发生逆转。各森林类型Hurst指数由小到大的顺序为：混交林（0.433 9） < 阔叶林（0.447 8） < 针叶林（0.463 0），均在整体上呈现反持续性。
![]()
图 5 东北森林生长季NDVI的Hurst指数及未来趋势Figure 5. Hurst index and future trend of growing season NDVI of forest zone in Northeast China结合东北森林生长季NDVI变化斜率θslope以及Hurst指数，东北森林生长季NDVI未来趋势主要有4种情况[42]：θslope小于0同时Hurst指数小于0.5，未来趋势为由退化到改善；θslope大于0同时Hurst指数小于0.5，未来趋势为由改善到退化；θslope小于0同时Hurst指数大于0.5，未来趋势为持续退化；θslope大于0同时Hurst指数大于0.5，未来趋势为持续改善。结合图5和表2可知，未来将出现大面积的森林由改善变为退化，各种森林类型均面临退化趋势，占总面积的71.94%，这同全球范围内出现的北方林森林衰退现象相吻合[43]。其中混交林区域面临的退化风险最大，占其自身面积的76.23%；针叶林最小，占其自身面积的69.60%。同时，有占自身面积30.4%的针叶林、27.33%的阔叶林和23.77%的混交林未来将改善。气候变暖已经导致世界各地普遍出现森林衰退[44]，并已有研究开始关注中国北方乃至东北部分区域出现的林木衰退[45-46]。我国东北地区对气候变化较为敏感[47]，此前有研究利用模型预测未来气候变化将影响东北地区森林演替[11,48]，但目前许多机制仍未研究清楚，北方森林生态系统未来变化仍具有不可确定性[49]，需要加强这一方面的研究为制定针对性策略提供支撑。
表 2 东北森林生长季NDVI的未来趋势统计Table 2. Statistics of future trend of growing season NDVI of forest zone in Northeast China未来趋势
Future trend所有森林
All forests针叶林
Coniferous forest混交林
Mixed forest阔叶林
Broadleaved forest面积
Area/km2比例
Proportion/%面积
Area/m2比例
Proportion/%面积
Area/m2比例
Proportion/%面积
Area/m2比例
Proportion/%退化到改善
Degradation to improvement7 772 1.67 909 0.69 138 0.82 6710 2.14 改善到退化
Improvement to degradation325 658 70.06 89 843 68.39 12 794 75.59 220 848 70.43 持续退化
Continuous degradation8 737 1.88 1 583 1.21 108 0.64 7 024 2.24 持续改善
Continuous improvement122 668 26.39 39 025 29.71 3 885 22.95 78 971 25.19 2.2 东北森林生长季NDVI对气象因子的响应
2.2.1 东北森林生长季气象因子的变化特征
2000—2019年间，东北森林生长季主要气象因子变化趋势见表3。生长季降水量呈现显著上升趋势，增长速率为每10年10.37 mm。平均气温和平均最高气温上升趋势不明显，平均最低气温显著上升，这和全球大部分地区昼夜升温不同步的现象相一致[21]。
表 3 2000—2019年东北森林生长季气象因子的变化趋势Table 3. Changing trend of meteorological factors in growing season of forests in Northeast China from 2000 to 2019森林类型
Forest type降水量/（mm·10−1 a−1）
Precipitation/
(mm·10−1 year−1)平均气温/（℃·10−1 a−1）
Mean temperature/
(℃·10−1 year−1)平均最高气温/（℃·10−1 a−1）
Mean max. temperature/
(℃·10−1 year−1)平均最低气温/（℃·10−1 a−1）
Mean min. temperature/
(℃·10−1 year−1)所有森林 All forests 10.37** 0.07 0.01 0.23* 针叶林 Coniferous forest 8.73* 0.12 0.01 0.35** 混交林 Mixed forest 10.95* 0.08 0.07 0.15 阔叶林 Broadleaved forest 11.03** 0.05 0.01 0.18+ 注：+代表P < 0.10，*代表P < 0.05，**代表P < 0.01。下同。Notes: + represents P < 0.10; *represents P < 0.05; **represent P < 0.01. The same below. 从图6可以看出，最高气温和最低气温变化的存在明显的空间差异特征，所以仅使用平均气温作为温度指标不能全面反映温度变化对植物生长的影响。研究区范围内，生长季降水量呈现增加趋势，且中部和北部区域增加速率强于南部区域，仅辽宁东部部分区域降水量为减少的趋势（图6）。平均最低气温增长趋势明显，但大兴安岭东部、小兴安岭东部和长白山南部存在下降趋势；平均最高气温增加区域和降低区域均有大面积分布，呈增加趋势的区域主要分布在大兴安岭北部和长白山区域，大兴安岭南部和小兴安岭则呈下降趋势；平均气温受最高温和最低温共同控制，在总体上呈现增长趋势，但增加速率低于最低气温。总的来说，2000—2019年东北中北部森林区域生长季暖湿化趋势明显，而南部区域趋势稍弱。
![]()
图 6 2000—2019年东北森林生长季气象因子变化趋势空间分布Figure 6. Spatial distribution of meteorological factors in the growing season of forests in Northeast China from 2000 to 20192.2.2 生长季NDVI与气候变化的关系
东北森林生长季平均NDVI与气象因子的相关性如表4所示，生长季平均NDVI与降水和平均最低气温总体呈现较强的正相关，表明降水和平均最低气温是影响整体东北森林生长的主要气象因子。影响针叶林生长的主要气象因子是平均最低气温和平均气温，其中最低气温通过了0.10水平的显著性检验，说明降水对针叶林生长的影响较小，东北针叶林生长主要受温度控制，这和郭金停[39]的研究结果基本一致。针叶林主要分布在中高纬度地区，天气寒冷，升温可能增强其光合作用，促进生长[2,50]。混交林生长与降水的相关性最高；阔叶林生长同降水和最低气温都具有显著的相关性（P < 0.05），说明其受降水和最低气温共同控制。不同林型的上述差异，可能是因为生理生态特性存在差异及水热条件空间差异所导致的。
表 4 东北森林生长季平均NDVI与气象因子的相关性Table 4. Correlations between mean NDVI and meteorological factors in the growing season of forests in Northeast China平均NDVI
Mean NDVI降水量
Precipitation平均气温
Mean temperature平均最高气温
Mean max. temperature平均最低气温
Mean min. temperature所有森林 All forests 0.44+ 0.26 0.17 0.47* 针叶林 Coniferous forest 0.24 0.37 0.30 0.42+ 混交林 Mixed forest 0.35 0.22 0.11 0.27 阔叶林 Broadleaved forest 0.50* 0.20 0.10 0.48* 图7为东北森林生长季平均NDVI与生长季降水、平均气温、平均最高气温和平均最低气温的相关系数空间分布，且根据显著性水平为0.05（相关系数为±0.42）阀值划分，可以看出各气象因子对东北森林NDVI的影响存在明显的空间异质性。表5显示出逐像元分类统计结果。
![]()
图 7 东北森林生长季NDVI与气象因子相关系数空间分布Figure 7. Spatial distribution of correlation coefficients between NDVI in growing season and meteorological factors of forest zone in Northeast China表 5 东北森林生长季NDVI与气象因子相关性所占比例Table 5. Proportion of correlation between NDVI and meteorological factors in the growing season of forests in Northeast China% 气象因子
Meteorological factor相关性
Correlation所有森林
All forests针叶林
Coniferous forest混交林
Mixed forest阔叶林
Broadleaved forest降水 Precipitation 显著负相关
Significantly negative correlation0.51 0.13 0.63 0.67 不显著负相关
Not significantly negative correlation16.39 17.56 12.22 16.18 不显著正相关
Not significantly positive correlation69.46 77.90 80.74 65.19 显著正相关
Significantly positive correlation13.64 4.41 6.40 17.96 平均气温
Mean temperature显著负相关
Significantly negative correlation1.98 0.97 0.24 2.51 不显著负相关
Not significantly negative correlation21.24 10.03 16.93 26.24 不显著正相关
Not significantly positive correlation62.84 64.80 78.97 61.13 显著正相关
Significantly positive correlation13.94 24.20 3.87 10.12 平均最高气温
Mean max. temperature显著负相关
Significantly negative correlation2.02 0.95 0.51 2.56 不显著负相关
Not significantly negative correlation29.06 13.62 38.76 35.10 不显著正相关
Not significantly positive correlation59.61 72.43 52.11 54.48 显著正相关
Significantly positive correlation9.31 13.00 8.63 7.86 平均最低气温
Mean min. temperature显著负相关
Significantly negative correlation3.36 1.66 0.28 4.25 不显著负相关
Not significantly negative correlation21.60 18.03 29.19 22.75 不显著正相关
Not significantly positive correlation46.89 55.05 55.30 43.05 显著正相关
Significantly positive correlation28.15 25.26 15.22 29.95 生长季NDVI与降水呈正相关的区域占整个东北森林面积的83.13%，除长白山南部区域外其他区域均大面积分布，尤其是西南部较为干旱的林草交错区对降水最为敏感。阔叶林分布区的北部区域（大兴安岭南部、小兴安岭和长白山东北部）对降水敏感性较高，说明这些区域的水分条件对制约了当地树木生长；生长季NDVI与降水和最低气温均呈现不显著负相关的区域主要集中在长白山南部，这里是东北森林水热条件较好的地区[51]，生长季水热供应较为充足。
东北森林生长季NDVI与生长季平均气温、最高气温和最低气温均呈现正相关关系的区域面积占整个森林面积的比例分别为76.78%、68.92%和75.04%。研究区内，生长季平均最高气温和最低气温同NDVI相关系数的空间分布具有明显的空间异质性：最高气温同NDVI呈显著相关的区域主要分布在大兴安岭北部、长白山东北部；最低气温同NDVI呈显著相关的区域主要分布在大兴安岭北部和南部、小兴安岭西部。除占整个森林比例较低的混交林（约占整个森林面积的3.6%）外，阔叶林生长季NDVI同最低气温的相关性通过了显著性水平为0.05的检验，针叶林通过了显著性水平为0.10的检验，这与Peng等[52]发现北半球干旱半干旱区域广泛存在着生长季NDVI与最低气温具有显著正相关性的结论基本一致。上述现象表明，最高气温和最低气温变化对东北森林生长具有非对称影响，夜晚升温比白天升温对东北森林生长的促进作用更强，这可能是由于夜晚增温促进植物白天光合作用的补偿效应比促进植物夜晚呼吸强度的影响更大[53]。补偿作用是植物应对逆境的一种适应方式，广泛存在于各类植物中[54-55]，当植物夜晚呼吸作用增强而消耗过多有机物后，第二天白天通过增强光合作用进而补充更多有机物，使生长得到恢复，并已有研究发现较高的立地条件也可以促进植物的补偿效应[56-57]。东北土壤肥沃，生长季水热条件较好，可能有利于补偿效应发生。有研究者提出，夜晚升温有利于减少霜冻发生的频率，并因此提升植物的生产力[15]。同时，昼夜不对称增温对植物地下根系、土壤微生物活性、土壤理化性质等均会产生影响，进而影响物质循环和能量流动乃至植物地上部分的生长[58-59]。
总体而言，近20年东北森林生长季降水量和最低气温升高与东北森林生长季NDVI的增加相吻合，尤其是中部和北部地区，其相较于南部区域来说对气候响应更敏感，而气候变化也较南部更剧烈；但根据Hurst指数及未来趋势（图5）也可发现，东北森林未来面临衰退的区域主要分布在大兴安岭西部、小兴安岭及长白山东北部等气候变化较为剧烈的区域，结合林型分布推测，这可能是因为气候持续变化下未来水热耦合条件将导致生境不利于当地树木生长需求，导致森林未来可能出现衰退。
2.2.3 逐月NDVI与气象因子的相关性与时滞性分析
树木生长不仅受同期气候因子的影响，同时对其响应还存在一定程度的滞后性[60-61]。本文将东北森林生长季逐月NDVI与同期及前1—3月的气象因子的响应进行分析，结果见表6。4月NDVI与同期以及前1月的平均气温、最高气温和最低气温均呈现显著正相关性，说明该时期NDVI不仅与同期温度显著相关，对前一月的温度也具有显著的滞后响应；5月NDVI与同期3个温度因子呈现出显著相关性，但已无响应滞后现象；而6月NDVI仅与同期最低气温关系显著，进入7月后则NDVI同温度关系不再显著。说明生长季初期，NDVI对温度的响应较强且存在一定时滞性，而随着温度升高，这种响应滞后现象逐步消失，这可能是因为前期升温有利于积累热量加速冻土、积雪融化，增加水分供应，促进生长季初期植物萌发及进行光合作用[10,62]，随着温度条件持续向好这种响应滞后逐步消失，6月NDVI只与同期最低气温具有显著相关性，说明此时白天温度已经不再成为影响植物生长的主要温度因子，随着温度继续上升，生长较为旺盛的7—8月[12]热量供应充足，植物生长对温度不再敏感。根据表7可知，各月温度变化均未达到显著，这说明单独月份的温度长期变化趋势对植被的生长改变较小。而6—8月的NDVI分别同前1—3月（即5月份）的降水呈显著正相关，说明在生长较为旺盛的6—8月，植物生长同生长旺盛期前的水分积累关系密切，同时东北森林地区5月份的降水上升趋势显著，这有助于森林植被生长。8月和9月降水呈显著上升的趋势，同期温度指标变化均不显著，生长季末期9—10月NDVI均和前1个月的最低气温显著正相关，同时和前1月降水的正相关性分别通过了显著性水平为0.05和0.10的检验，降水变化有利于提升NDVI值，这可能是在生长期末期前的低温偏高会导致植物光合作用增强，对水分需求提升[46,63]，同时推迟植物枯黄的时间，即延长生长期[64]。由此可见，东北森林NDVI在生长季前期对温度存在滞后响应，生长季中期对降水响应存在滞后现象，而生长季末期对最低气温和降水同时存在时滞性响应。在生长季前期，东北森林植被生长和最高气温及最低气温关系都较为显著，而生长季末期则只与最低气温关系密切。
表 6 东北森林逐月NDVI与气象因子的相关性Table 6. Correlations between monthly NDVI and meteorological factors of forest zone in Northeast China气象因子 Meteorological factor 项目 Item 4月
Apr.5月
May6月
Jun.7月
Jul.8月
Aug.9月
Sep.10月
Oct.降水 Precipitation 同期 Same period −0.351 0.136 0.098 −0.014 0.241 −0.321 −0.190 前1月 Previous one month −0.236 −0.059 0.683** 0.261 −0.187 0.489* 0.420+ 前2月 Previous two months −0.231 −0.109 −0.275 0.608** 0.200 −0.128 0.223 前3月 Previous three months −0.221 0.180 −0.141 −0.235 0.601** −0.078 0.042 平均气温 Mean temperature 同期 Same period 0.835** 0.518* 0.180 0.296 0.201 −0.131 0.179 前1月 Previous one month 0.576** 0.126 −0.201 −0.063 0.267 0.069 0.300 前2月 Previous two months 0.239 0.072 0.014 −0.110 0.009 0.111 −0.074 前3月 Previous three months 0.286 −0.110 0.079 0.058 −0.369 0.094 −0.005 平均最高气温
Mean max. temperature同期 Same period 0.857** 0.456* 0.074 0.339 −0.011 0.044 0.215 前1月 Previous one month 0.627** 0.132 −0.285 −0.183 0.309 0.001 −0.052 前2月 Previous two months 0.334 0.125 0.064 −0.177 −0.093 0.270 0.139 前3月 Previous three months 0.307 −0.076 0.125 −0.110 −0.382 0.076 0.021 平均最低气温
Mean min. temperature同期 Same period 0.633** 0.567** 0.453* 0.180 0.123 −0.230 0.095 前1月 Previous one month 0.512* 0.033 0.113 0.294 0.177 0.473* 0.478* 前2月 Previous two months 0.184 −0.007 −0.178 0.120 0.249 −0.075 0.093 前3月 Previous three months 0.256 −0.143 0.007 −0.133 −0.217 0.180 −0.030 表 7 东北森林逐月气象因子变化趋势Table 7. Monthly changing trend of meteorological factors in the forest of Northeast China气象因子 Meteorological factor 1月 Jan. 2月 Feb. 3月 Mar. 4月 Apr. 5月 May 6月 Jun. 7月 Jul. 8月 Aug. 9月 Sep. 10月 Oct. 降水量/（mm·10−1 a−1）
Precipitation/(mm·10−1 year−1)−3.85** 1.51 −1.91 −5.90 16.68* 18.49 1.30 29.62* 15.62* −1.59 平均气温/（℃·10−1 a−1）
Mean temperature/(℃·10−1 year−1)0.61 0.12 0.71 0.31 0.20 −0.45 0.35 0.48 0.01 0.09 平均最高气温/（℃·10−1 a−1）
Mean max. temperature/(℃·10−1 year−1)0.61 0.08 0.99 0.69 0.19 −0.83 0.44 −0.33 −0.33 0.25 平均最低气温/（℃·10−1 a−1）
Mean min. temperature/(℃·10−1 year−1)0.58 0.04 0.40 −0.23 0.28 0.20 0.38 0.62 0.42 −0.05 注：负值表示降低。Note: the negative values indicate decrease. 2.3 不足与展望
本文所做研究目前可能存在一些不足之处。首先，植被生长发育不仅仅和温度及降水有关，还受到诸如辐射、风速、云量等其他气候因子的影响，且人为活动也是影响植被生长的因素之一，而本文未能将上述影响考虑在内；其次，当前遥感卫星监测到的NDVI影像分辨率还比较低，会影响实验精度，对结果有一定影响；此外，极端天气对植物生长发育也存在一定影响，而本文受制于气象数据为月值数据集而未能深入分析。因此，未来研究可综合其他气候因子探讨其对森林植被生长的影响，利用更高精度的遥感影像进行分析，并考虑极端天气对植被生长动态的干扰作用，以期为科学营林和生态管护提供更多方面的参考。
3. 结 论
本文利用SPOT Vegetation NDVI数据多角度分析了2000—2019年东北森林变化动态，并结合气象数据探究了气候变化条件下的响应特征，得出以下结论：
（1）近20年东北森林生长季NDVI值集中于0.40 ~ 0.78，并且整体呈现上升趋势，变化趋势为每10年增加0.035，其中混交林上升趋势最强，每10年达0.037，针叶林次之，阔叶林上升趋势最小，东北森林出现轻度改善和中度改善的面积占总面积的55.59%，基本不变的面积占43.84%，表明东北森林在过去20年主要以改善为主。
（2）在未来趋势上，东北森林生长季NDVI变化反持续性强于正持续性，70.06%的森林将面临由改善变为退化的趋势，26.39%将持续改善，预示未来东北森林呈退化态势，尤其是最低气温和降水变化较明显的中部和北部地区气候变化有可能由促进变为抑制。
（3）东北森林生长季NDVI与降水和最低气温均呈正相关关系，与最高气温关系不密切。生长季前期NDVI主要和最高气温和最低气温关系显著且具有一定程度的时滞性，生长季中期NDVI主要受前期水分条件影响；生长季后期NDVI主要受降水和最低气温影响且具有时滞性。最低气温对NDVI的影响在生长季前后期均有出现，而最高气温作用仅在生长季前期较为明显。不同林型对气象因子的响应存在差别，针叶林生长主要受温度因子影响，尤其是最低气温；阔叶林生长则主要受降水和最低气温的共同控制；混交林生长对降水最为敏感。
（4）东北森林地区在过去20年白天夜晚温度呈现不同步变化，夜晚温度上升比白天温度上升快，平均气温上升主要是由夜晚温度上升导致的。同时东北森林NDVI与最低气温的关系要显著强于最高气温。温度变化的昼夜不对称和响应的昼夜不对称是此区域NDVI上升的重要原因。此外，同期降水的上升也对NDVI的增加起到促进作用。这提示我们在未来的研究中，不应仅关注平均气温对植物生长的影响，也要考虑最高气温和最低气温影响的差异。
-
![]()
图 2 油松林与侧柏林下各类地表可燃物负荷量
不同小写字母表示不同可燃物类型间差异显著(P <0.05)。UDL为上层枯叶；LDL为下层枯叶；H为草本；S为灌木；1 h DB为1 h 时滞枯枝；10 h DB为10 h 时滞枯枝；TC为总可燃物。 Different lowercase letters indicate significant differences between different types of combustibles (P <0.05). UDL, upper dead leaf; LDL, lower dead leaf; H, herb; S, shrub; 1 h DB, 1 h time-lag dead branch; 10 h DB, 10 h time-lag dead branch; TC, total combustible.
Figure 2. Loading of various land surface fuels under Pinus tabuliformis and Platycladus orientalis plantations
![]()
图 3 油松林可燃物负荷量影响因子
Y1为油松林总可燃物负荷量；Y2为油松林上层枯叶可燃物负荷量；Y3为油松林下层枯叶可燃物负荷量；Y4为油松林灌木可燃物负荷量；Y5为油松林草本可燃物负荷量；Y6为油松林1 h 时滞枯枝负荷量；Y7为油松林10 h 时滞枯枝负荷量。CD为郁闭度；MH为平均树高；SL为坡度；ALT为海拔；LBH为第1活枝高；CW为冠幅。下同 。Y1, total fuel load of Pinus tabuliformis forest; Y2, fuel load of upper dead leaves of Pinus tabuliformis forest; Y3, fuel load of lower dead leaves of Pinus tabuliformis forest; Y4, fuel load of shrubs of Pinus tabuliformis forest; Y5, fuel load of herbs of Pinus tabuliformis forest; Y6, fuel load of 1 h time-lag dead branches of Pinus tabuliformis forest; Y7, fuel load of 10 h time-lag dead branches of Pinus tabuliformis forest. CD, canopy density; MH, mean tree height; SL, slope degree; ALT, altitude; LBH, height of the first living branch; CW, crown width. The same below.
Figure 3. Influencing factors of fuel load of Pinus tabuliformis forest
![]()
图 4 侧柏林可燃物负荷量影响因子
Y1为侧柏林总可燃物负荷量；Y2为侧柏林上层枯叶可燃物负荷量；Y3为侧柏林下层枯叶可燃物负荷量；Y4为侧柏林灌木可燃物负荷量；Y5为侧柏林草本可燃物负荷量；Y6为侧柏林1 h 时滞枯枝负荷量；Y7为侧柏林10 h 时滞枯枝负荷量。Y1, total fuel load of Platycladus orientalis forest; Y2, fuel load of upper dead leaves of Platycladus orientalis forest; Y3, fuel load of lower dead leaves of Platycladus orientalis forest; Y4, fuel load of shrubs of Platycladus orientalis forest; Y5, fuel load of herbs of Platycladus orientalis forest; Y6, fuel load of 1 h time-lag dead branches of Platycladus orientalis forest; Y7, fuel load of 10 h time-lag dead branches of Platycladus orientalis forest.
Figure 4. Influencing factors of fuel load of Platycladus orientalis forest
![]()
图 5 油松林和侧柏林地表可燃物负荷量实测值与预测值关系
Figure 5. Relationship between measured and predicted fuel load of Pinus tabuliformis and Platycladus orientalis plantations
表 1 油松林和侧柏林地表总可燃物负荷量估测模型
Table 1 Estimation models of total fuel load of Pinus tabuliformis and Platycladus orientalis plantations
树种 Tree species 估测模型 Estimation model R2 P 油松 Pinus tabuliformis Y1 = 4.3 + 4.8X1 − 2.94X2 − 1.2X4 + 0.47X22 − 0.5X1X2 0.642 0 0.007 侧柏 Platycladus orientalis Y2 = −14.4 + 7.8X3 + 1.6X4 + X32 − 0.02X62 0.655 1 0.006 注：X1为平均胸径(cm)；X2为平均树高(m)；X3为第1活枝高(m)；X4为冠幅(cm)；X5为海拔(m)；X6为坡度(°)；X7为郁闭度(%)。Y1为油松林总可燃物负荷量(t/hm2)，Y2为侧柏林总可燃物负荷量(t/hm2)。Notes: X1, average DBH (cm); X2, average tree height (m); X3, height of the first living branch (m); X4, crown width (cm); X5, altitude (m); X6, slope degree (°); X7, canopy density (%); Y1, total fuel load of Pinus tabuliformis (t/ha); Y2, total fuel load of Platycladus orientalis (t/ha). 
下载: 导出CSV
-
[1] Forrestel A B, Ramage B S, Moody T, et al. Disease, fuels and potential fire behavior: impacts of sudden oak death in two coastal California forest types[J]. Forest Ecology and Management, 2015, 348: 23−30. doi: 10.1016/j.foreco.2015.03.024
[2] 刘晓东, 王博. 森林燃烧主要排放物研究进展[J]. 北京林业大学学报, 2017, 39(12):118−124. Liu X D, Wang B. Review on the main emission products released by forest combustion[J]. Journal of Beijing Forestry University, 2017, 39(12): 118−124.
[3] 韩梅, 温鹏, 许惠敏, 等. 北京市十三陵林场油松林地表火行为模拟[J]. 北京林业大学学报, 2018, 40(10):95−101. Han M, Wen P, Xu H M, et al. Simulation of surface fire behavior of Pinus tabuliformis forest in Ming Tombs Forest Farm in Beijing[J]. Journal of Beijing Forestry University, 2018, 40(10): 95−101.
[4] 王明玉, 周荣伍, 赵凤君, 等. 北京西山森林潜在火行为及防火林带有效宽度分布研究[J]. 火灾科学, 2008, 17(4):209−215. doi: 10.3969/j.issn.1004-5309.2008.04.002 Wang M Y, Zhou R W, Zhao F J, et al. Potential fire behavior and distribution of effective width of shaded fuel break in Xishan of Beijing[J]. Fire Safety Science, 2008, 17(4): 209−215. doi: 10.3969/j.issn.1004-5309.2008.04.002
[5] 满子源, 孙龙, 胡海清, 等. 南方8种森林地表死可燃物在平地无风时的燃烧蔓延速率与预测模型[J]. 林业科学, 2019, 55(7):197−204. doi: 10.11707/j.1001-7488.20190722 Man Z Y, Sun L, Hu H Q, et al. Prediction model of the spread sate of eight typical surface dead fuel in southern China under windless and flat land[J]. Scientia Silvae Sinicae, 2019, 55(7): 197−204. doi: 10.11707/j.1001-7488.20190722
[6] 梁瀛, 李吉玫, 赵凤君, 等. 天山中部天山云杉林地表可燃物载量及其影响因素[J]. 林业科学, 2017, 12(53):153−160. Liang Y, Li J M, Zhao F J, et al. Surface fuel loads of Tianshan spruce forests in the central Tianshan Mountains and the impact factors[J]. Scientia Silvae Sinicae, 2017, 12(53): 153−160.
[7] Franke J, Barradas A C S, Borges M A, et al. Fuel load mapping in the brazilian cerrado in support of integrated fire management[J]. Remote Sensing of Environment, 2018, 217: 221−232. doi: 10.1016/j.rse.2018.08.018
[8] Collins B M, Lydersen J M, Fry D L, et al. Variability in vegetation and surface fuels across mixed-conifer-dominated landscapes with over 40 years of natural fire[J]. Forest Ecology and Management, 2016, 381: 74−83. doi: 10.1016/j.foreco.2016.09.010
[9] 王叁, 牛树奎, 李德, 等. 云南松林可燃物的垂直分布及影响因子[J]. 应用生态学报, 2013, 24(2):331−337. Wang S, Niu S K, Li D, et al. Vertical distribution of fuels in Pinus yunnanensis forest
and related affecting factors[J]. Chinese Journal of Applied Ecology, 2013, 24(2): 331−337. [10] 金琳, 刘晓东, 任本才, 等. 十三陵林场低山林区针叶林地表可燃物负荷量及其影响因子[J]. 林业资源管理, 2012, 9(2):41−46. doi: 10.3969/j.issn.1002-6622.2012.02.009 Jin L, Liu X D, Ren B C, et al. Surface fuel loads in the low mountain coniferous forest of Ming Tombs Forest Farm and relevant affecting factors[J]. Forest Resources Management, 2012, 9(2): 41−46. doi: 10.3969/j.issn.1002-6622.2012.02.009
[11] Rothermel R C, Charles W P. Fire in wildland management: predicting changes in chaparral flammability[J]. Journal of Forestry, 1973, 71(10): 640−643.
[12] Olson J S. Energy storage and the balance of producers and decomposers in ecological systems[J]. Ecology, 1963, 44(2): 322−330. doi: 10.2307/1932179
[13] Sunjoo L, Kim S Y, Byungdoo L, et al. A dynamic growth model for predicting forest fire fuel loads for Pinus koraiensis stands in South Korea[J]. Journal of The Korean Society of Hazard Mitigation, 2019, 19(3): 121−130. doi: 10.9798/KOSHAM.2019.19.3.121
[14] Francisco J, Romero R, Rafael M, et al. Determination of forest fuels characteristics in mortality-affected Pinus forests using integrated hyperspectral and ALS data[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 68: 157−167. doi: 10.1016/j.jag.2018.01.003
[15] 邸学颖, 王宏良, 姚村人, 等. 大兴安岭森林地表可燃物生物量与林分因子关系的研究[J]. 森林防火, 1994(2):16−18. Di X Y, Wang H L, Yao C R, et al. Research of relationship of surface fuel biomass to stand factors in Daxing’anling forests[J]. Forest Fire Prevention, 1994(2): 16−18.
[16] 胡海清. 利用林分特征因子预测森林地被可燃物载量的研究[J]. 林业科学, 2005, 41(5):96−100. doi: 10.3321/j.issn:1001-7488.2005.05.016 Hu H Q. Predicting forest surface fuel load by using forest stand factors[J]. Scientia Silvae Sinica, 2005, 41(5): 96−100. doi: 10.3321/j.issn:1001-7488.2005.05.016
[17] 单延龙, 舒立福, 李长江. 森林可燃物参数与林分特征关系[J]. 自然灾害学报, 2004, 13(6):70−75. doi: 10.3969/j.issn.1004-4574.2004.06.012 Shan Y L, Shu L F, Li C J. A relation between forest combustible parameters and stand characteristics[J]. Journal of Natural Disasters, 2004, 13(6): 70−75. doi: 10.3969/j.issn.1004-4574.2004.06.012
[18] 陈宏伟, 常禹, 胡远满. 大兴安岭呼中林区森林死可燃物载量及其影响因子[J]. 生态学杂志, 2008, 27(1):50−55. Chen H W, Chang Y, Hu Y M. Load of forest surface dead fuel in Huzhong area of Daxing’anling Mountains and relevant affecting factors[J]. Journal of Ecology, 2008, 27(1): 50−55.
[19] 艾也博, 寸应得, 范雅倩, 等. 北京松山油松林地表可燃物负荷量的影响因素[J]. 生态学杂志, 2018, 37(9):2559−2565. Ai Y B, Cun Y D, Fan Y Q, et al. Factors affecting surface fuel load of Pinus tabuliformis forest in Songshan, Beijing[J]. Chinese Journal of Ecology, 2018, 37(9): 2559−2565.
[20] 陶长森, 牛树奎, 陈锋, 等. 北京山区主要针叶林潜在火行为及冠层危险指数研究[J]. 北京林业大学学报, 2018, 40(9):55−62. Tao C S, Niu S K, Chen F, et al. Potential fire behavior and canopy hazard index of main coniferous forests in Beijing mountain area[J]. Journal of Beijing Forestry University, 2018, 40(9): 55−62.
[21] 南洋. 北京地区森林火灾发生规律及变化趋势研究[D]. 北京: 北京林业大学, 2018. Nan Y. Study on occurrence and trend of forest fire in Beijing Area[D]. Beijing: Beijing Forestry University, 2018.
[22] 陈昌笃, 林文棋. 北京的珍贵自然遗产: 植物多样性[J]. 生态学报, 2006, 26(4):969−979. doi: 10.3321/j.issn:1000-0933.2006.04.001 Chen C D, Lin W Q. Precious natural heritage of Beijing: plant diversity[J]. Acta Ecologica Sinica, 2006, 26(4): 969−979. doi: 10.3321/j.issn:1000-0933.2006.04.001
[23] Burrows N D, Mccaw W L. Fuel characteristics and bush fire control in Banksia low woodlands in western Australia[J]. Environmental Management, 1990, 31(3): 229−236.
[24] Reich R M, Lundquist J E, Bravo V A. Spatial models for estimating fuel loads in the Black Hills, South Dakota, USA[J]. International Journal of Wildland Fire, 2014, 13: 119−129.
[25] 田野, 牛树奎, 陈锋, 等. 火干扰后的油松林地表死可燃物负荷及影响因子[J]. 福建农林大学学报(自然科学版), 2018, 47(6):691−697. Tian Y, Niu S K, Chen F, et al. Surface dead fuel load and relevant influencing factors of Pinus tabuliformis forest after fire disturbance[J]. Journal of Fujian Agriculture and Forestry University (Natural Science Edition), 2018, 47(6): 691−697.
[26] Li Y, Bao W K, Frans B, et al. Drivers of tree carbon storage in subtropical forests[J]. Science of the Total Environment, 2019, 654: 684−693. doi: 10.1016/j.scitotenv.2018.11.024
[27] 孙龙, 鲁佳宇, 魏书精, 等. 森林可燃物载量估测方法研究进展[J]. 森林工程, 2013, 29(2):26−31, 37. doi: 10.3969/j.issn.1001-005X.2013.02.005 Sun L, Lu J Y, Wei S J, et al. Research progress of forest fuel load estimation methods[J]. Forest Engineering, 2013, 29(2): 26−31, 37. doi: 10.3969/j.issn.1001-005X.2013.02.005
[28] 高超, 林红蕾, 胡海清, 等. 我国林火发生预测模型研究进展[J]. 应用生态学报, 2020, 31(9):3227−3240. Gao C, Lin H L, Hu H Q, et al. A review of models of forest fire occurrence prediction in China[J]. Chinese Journal of Applied Ecology, 2020, 31(9): 3227−3240.
[29] 邹玉学, 岳迎春, 叶涛, 等. 吉林地区非线性大气加权平均温度模型[J]. 导航定位学报, 2020, 8(4):74−79. doi: 10.3969/j.issn.2095-4999.2020.04.013 Zou Y X, Yue Y C, Ye T, et al. Nonlinear weighted mean atmospheric temperature mode in Jilin region[J]. Journal of Navigation and Positioning, 2020, 8(4): 74−79. doi: 10.3969/j.issn.2095-4999.2020.04.013
[30] 王秋华, 俞新水, 李世友, 等. 森林可燃物的动态特征研究综述[J]. 林业调查规划, 2012, 37(5):40−43. doi: 10.3969/j.issn.1671-3168.2012.05.010 Wang Q H, Yu X S, Li S Y, et al. Study on dynamic characteristics of forest fuel[J]. Forest Inventory and Planning, 2012, 37(5): 40−43. doi: 10.3969/j.issn.1671-3168.2012.05.010
[31] 田晓瑞, 舒立福, 阎海平. 北京地区森林燃烧性研究[J]. 森林防火, 2004, 80(1):23−24. doi: 10.3969/j.issn.1002-2511.2004.01.011 Tian X R, Shu L F, Yan H P. Study on combustibility of forests in Beijing area[J]. Forest Fire Prevention, 2004, 80(1): 23−24. doi: 10.3969/j.issn.1002-2511.2004.01.011
[32] 闫泳霖. 五台林区4种林分类型地表可燃物负荷量及其影响因子研究[D]. 太谷: 山西农业大学, 2016. Yan Y L. Study on the surface fuel load and its influence factors about types of stands in WuTai Forest Region[D]. Taigu: Shanxi Agricultural University, 2016.
[33] 胡志东. 森林防火[M]. 北京: 中国林业出版社, 2003. Hu Z D. Forest fire prevention[M]. Beijing: China Forestry Publishing House, 2003.
[34] 周涧青, 刘晓东, 郭怀文. 大兴安岭南部主要林分地表可燃物负荷量及其影响因子研究[J]. 西北农林科技大学学报(自然科学版), 2014, 42(6):131−137. Zhou J Q, Liu X D, Guo H W. Surface fuel loading and relevant influencing factors of main forest types in southern Daxing’anling[J]. Journal of Northwest A&F University (Natural Science Edition), 2014, 42(6): 131−137.
[35] 郭利峰, 牛树奎, 阚振国. 北京八达岭人工油松林地表枯死可燃物负荷量研究[J]. 林业资源管理, 2007(5):53−58. doi: 10.3969/j.issn.1002-6622.2007.05.013 Guo L F, Niu S K, Kan Z G. Study on dead surface fuel loading of Pinus tabuliformis forest of Badaling Forest Center in Beijing[J]. Forest Resources Management, 2007(5): 53−58. doi: 10.3969/j.issn.1002-6622.2007.05.013
-
期刊类型引用(16)
1. 康向阳. 关于我国林木育种向智能分子设计育种发展的思考. 北京林业大学学报. 2024(03): 1-7 . 
本站查看
2. Junfei Hao，Na Chen，Pingyu Yan，Kaiyuan Xu，Lei Zhang，Hanguo Zhang. Study on the variation in and selection of Fraxinus mandshurica provenances and families in northeast China. Journal of Forestry Research. 2023(02): 519-529 . 必应学术
3. 朱艳，王久亮，王芳，安文娜，糜加轩，万雪琴，杨汉波. 泡核桃无性系油脂脂肪酸组成和营养成分的比较分析. 中国粮油学报. 2023(06): 84-91 . 百度学术
4. 杨涛，邱勇斌，沈汉，郑成忠，张振，王文月，金国庆，周志春. 柏木无性系和家系含碳量的早期评价与优良品系选择. 林业科学. 2023(09): 85-94 . 百度学术
5. 杜康，王加焕，李俊恒，李超，张平冬，康向阳. 毛白杨耐寒种质资源遗传鉴定及评价. 北京林业大学学报. 2023(12): 59-67 . 本站查看
6. 张超，张建林，张淑琴. 林木育种方法在园林植物培育中的应用. 分子植物育种. 2022(02): 499-502 . 百度学术
7. 闫卓，秦金凤，瞿辉，俞菲. 砧木和接穗对嫁接月季生长的影响. 江苏农业科学. 2022(04): 126-130 . 百度学术
8. 史月冬，郑宏，叶代全，施季森，边黎明. 杉木生长性状的空间与竞争效应及其对遗传参数估计的影响. 林业科学. 2022(05): 75-84 . 百度学术
9. 刘春鹏，张晓华，徐振华，杜克久，李计达，李向军，李新利. 毛白杨雄花发育特征及少粉型种质选择与成因分析. 浙江林业科技. 2021(04): 10-14 . 百度学术
10. 高本旺，欧阳芳群，高晗，李薇，雷华，田开春，祁松，王军辉. 鄂西地区欧洲云杉幼龄无性系生长差异及早期评价与选择. 林业科学研究. 2021(05): 88-94 . 百度学术
11. 杨晓伟，朱宁华，韩志强，刘天宇，李恒，杨捷，朱新传. 铁心杉半同胞子代优株父本鉴定. 中南林业科技大学学报. 2021(12): 26-35 . 百度学术
12. 康向阳. 林木三倍体育种研究进展及展望. 中国科学:生命科学. 2020(02): 136-143 . 百度学术
13. 康向阳. 林木遗传育种研究进展. 南京林业大学学报(自然科学版). 2020(03): 1-10 . 百度学术
14. 何丽玲. 杉木优良无性系组培繁育技术的研究. 农业技术与装备. 2020(07): 114-115 . 百度学术
15. 康向阳. 关于林木育种策略的思考. 北京林业大学学报. 2019(12): 15-22 . 本站查看
16. 吕运舟，蒋泽平，梁珍海，董筱昀，杨勇，黄利斌，施士争. 榔榆无性系苗期测定与评价. 江苏林业科技. 2019(06): 13-16 . 百度学术
其他类型引用(8)
计量
- 文章访问数: 1476
- HTML全文浏览量: 378
- PDF下载量: 102
- 被引次数: 24
