低共熔溶剂木质素的分离及结构性质研究进展

许凤; 程鹏; 郭宗伟; 许阳蕾

doi:10.12171/j.1000-1522.20200410

低共熔溶剂木质素的分离及结构性质研究进展

生物质化学北京市重点实验室，北京林业大学材料学院，北京 100083

基金项目: 北京林业大学一流学科建设自主创新项目（2019XKJS0330）

详细信息

作者简介:
许凤，博士，教授。主要研究方向：生物质高值化利用。Email：xfx315@bjfu.edu.cn　地址：100083 北京市海淀区清华东路35号北京林业大学材料科学与技术学院

中图分类号: TQ351
计量
- 文章访问数: 2993
- HTML全文浏览量: 771
- PDF下载量: 234
出版历程
- 收稿日期: 2020-12-23
- 修回日期: 2021-01-16
- 网络出版日期: 2021-03-07
- 发布日期: 2021-04-29

Research progress on the fractionation and structural properties of lignin based on deep eutectic solvents

Beijing Key Laboratory of Biomass Chemistry, School of Materials Science and Technology, Beijing Forestry University, Beijing 100083, China

摘要

摘要: 作为自然界中最丰富的天然可再生芳香类化合物，木质素被认为是生产生物基燃料和化学品的重要原料。工业木质素主要包括碱木质素和木质素磺酸盐，来源于制浆过程。制浆过程中不仅存在操作条件苛刻、能耗大、废水负荷高等问题，而且分离到的工业木质素纯度低、化学结构变化大，影响其后续高值转化利用。为此，需发展温和、清洁、高效的木质素分离技术以降低能耗及减轻污染问题。低共熔溶剂（DES）是一种新兴的绿色溶剂，由氢键供体和氢键受体以一定的摩尔比混合，并通过氢键作用形成的熔点低于其原组分的共晶混合物，具有易合成、稳定性强、生物相容性好、选择性强、可回收利用等优点。近年来DES被广泛应用于木质素的清洁高效分离研究，不同种类的DES对木质素的分离能力有较大差距。一般来说，羧酸类DES对木质素的分离能力较强，而酰胺类DES则相对较差。DES分离的木质素具有纯度高、分子量小、多分散性小的特点，与工业木质素相比具有一定的应用潜力。本文以DES对木质素的分离效率为主线，总结了常见的DES种类，分别阐述了DES组成、反应温度、时间、固液比对木质素分离效率及其结构性质的影响，介绍了DES的回收利用。并针对DES分离木质素过程中存在的问题，从DES筛选、辅助手段及反应条件优化、DES回收利用等研究方面提出了展望，以期为木质素清洁高效分离及其高值化利用提供有益参考。
- 低共熔溶剂 /
- 木质素分离 /
- 结构性质 /
- 回收利用
Abstract: As the most abundant natural and renewable aromatic compounds, lignin has been recognized as a raw material for producing biofuels and chemicals. The commercial lignin is mostly obtained by pulping processes, such as soda lignin and lignosulfonates, which are operated at harsh conditions and cause high energy consumption and sever water pollution. The commercial lignin has low purity and inhomogeneous structure, which hinder its valorization. Therefore, it is urgent to find a facile, efficient, and environmentally friendly method for lignin fractionation to reduce energy consumption and pollution. As a promising and green solvent, deep eutectic solvent (DES) consists of hydrogen bond donor and hydrogen bond acceptor counterpart in a certain molar ratio that result in the formation of eutectic mixture, showing an unusually low freezing point. DES has the characteristics of simple preparation, high stability, fine biocompatibility, high selectivity and recyclability. In recent years, DES has been widely used in the field of biomass treatment due to the excellent delignification. The fractionation abilities for lignin by different types of DES are quite different. Generally speaking, the fractionation ability for lignin by carboxylic-based DES is stronger than that by amide-based DES. The lignin fractionated by DES has the characteristics of high purity, low molecular mass, and polydispersity, which has an application potential compared with commercial lignin. In this review, it begined with the effect of DES types on the lignin fractionation efficiency followed by the influencing factors (composition of DES, reaction temperature, time, and solid-liquor ratio) on the fractionation efficiency and lignin structure. Additionally, the recycling experiments of DES were introduced. According to the existing challenges in the lignin fractionation with DES, it covers the selection of DES, the combination of other pretreatment methods, optimization of reaction conditions, the recycling of DES, and the valorization of lignin to provide some references for the clean and efficient fractionation of lignin.
- deep eutectic solvent /
- lignin fractionation /
- structural property /
- recycling

HTML全文

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 area

下载: 全尺寸图片幻灯片

1.2 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]：

${\theta _{{\rm{slope }}}} = \frac{{\left( {n \times \displaystyle \sum\nolimits_{i = 1}^n i \times {\rm{NDV}}{{\rm{I}}_i}} \right) - \left( {\displaystyle \sum\nolimits_{i = 1}^n i\displaystyle \sum\nolimits_{i = 1}^n {{\rm{NDV}}{{\rm{I}}_i}} } \right)}}{{n \times \displaystyle \sum\nolimits_{i = 1}^n {{i^2}} - {{\left( {\displaystyle \sum\nolimits_{i = 1}^n i } \right)}^2}}}$

式中： ${\theta _{{\rm{slope}}}}$ 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；NDVI_i为第i年的生长季NDVI平均值。 ${\theta _{{\rm{slope}}}}$ 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 ${\rm{NDVI}}_t$ ， $t=1,2, \cdots, n$ ，定义均值序列：

${\overline {{\mathop{\rm NDVI}\nolimits} } _{\tau }} = \frac{1}{\tau }\sum\nolimits_{t = 1}^\tau {{\rm{NDV}}{{\rm{I}}_{\tau }}},\;\;\;\;\;\tau = 1,2, \cdots,n$

积累离差：

${X_{(t,\tau )}} = \sum\nolimits_{t = 1}^{\tau} { {{\rm{NDV}}{{\rm{I}}_{t}}}} - {\overline {{\rm{NDVI}}} _{\tau }},\;\;\;\;1 \leqslant t \leqslant \tau$

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：R_xy为相关系数；n指时间序列累计年数即20年；x_i和y_i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 China

下载: 全尺寸图片幻灯片

2.1.2 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

下载: 全尺寸图片幻灯片

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θ_slope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

下载: 全尺寸图片幻灯片

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 2019

θ_slope	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
θ_slope	变化程度 Degree of change	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 degraded	520	0.11	143	0.11	9	0.05	368	0.12
−0.0090 ~ −0.0034	轻度退化 Lightly degraded	2 141	0.46	325	0.25	37	0.22	1 779	0.57
−0.0034 ~ 0.0034	基本不变 Basically unchanged	204 138	43.84	59 623	45.32	5 852	34.53	137 265	43.70
0.0034 ~ 0.0097	轻度改善 Lightly improved	257 103	55.22	71 020	53.98	11 046	65.17	173 460	55.22
0.0097 ~ 0.0208	中度改善 Moderately improved	1 723	0.37	448	0.34	6	0.04	1 243	0.40

下载: 导出CSV

| 显示表格

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

下载: 全尺寸图片幻灯片

结合东北森林生长季NDVI变化斜率θ_slope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]：θ_slope小于0同时Hurst指数小于0.5，未来趋势为由退化到改善；θ_slope大于0同时Hurst指数小于0.5，未来趋势为由改善到退化；θ_slope小于0同时Hurst指数大于0.5，未来趋势为持续退化；θ_slope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
未来趋势 Future trend	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 improvement	7 772	1.67	909	0.69	138	0.82	6710	2.14
改善到退化 Improvement to degradation	325 658	70.06	89 843	68.39	12 794	75.59	220 848	70.43
持续退化 Continuous degradation	8 737	1.88	1 583	1.21	108	0.64	7 024	2.24
持续改善 Continuous improvement	122 668	26.39	39 025	29.71	3 885	22.95	78 971	25.19

下载: 导出CSV

| 显示表格

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.

下载: 导出CSV

| 显示表格

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 2019

下载: 全尺寸图片幻灯片

2.2.2 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^*

下载: 导出CSV

| 显示表格

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

下载: 全尺寸图片幻灯片

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 correlation	0.51	0.13	0.63	0.67
	不显著负相关 Not significantly negative correlation	16.39	17.56	12.22	16.18
	不显著正相关 Not significantly positive correlation	69.46	77.90	80.74	65.19
	显著正相关 Significantly positive correlation	13.64	4.41	6.40	17.96
平均气温 Mean temperature	显著负相关 Significantly negative correlation	1.98	0.97	0.24	2.51
	不显著负相关 Not significantly negative correlation	21.24	10.03	16.93	26.24
	不显著正相关 Not significantly positive correlation	62.84	64.80	78.97	61.13
	显著正相关 Significantly positive correlation	13.94	24.20	3.87	10.12
平均最高气温 Mean max. temperature	显著负相关 Significantly negative correlation	2.02	0.95	0.51	2.56
	不显著负相关 Not significantly negative correlation	29.06	13.62	38.76	35.10
	不显著正相关 Not significantly positive correlation	59.61	72.43	52.11	54.48
	显著正相关 Significantly positive correlation	9.31	13.00	8.63	7.86
平均最低气温 Mean min. temperature	显著负相关 Significantly negative correlation	3.36	1.66	0.28	4.25
	不显著负相关 Not significantly negative correlation	21.60	18.03	29.19	22.75
	不显著正相关 Not significantly positive correlation	46.89	55.05	55.30	43.05
	显著正相关 Significantly positive correlation	28.15	25.26	15.22	29.95

下载: 导出CSV

| 显示表格

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 May	6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

下载: 导出CSV

| 显示表格

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.

下载: 导出CSV

| 显示表格

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 1 柳枝稷DES木质素的2D HSQC NMR图谱

引自文献[49]。Cited from reference [49].

Figure 1. 2D HSQC NMR spectra of DES lignin of switchgrass

下载: 全尺寸图片幻灯片

图 2 NADES预处理水稻秸秆和循环利用示意图

引自文献[57]。Cited from reference [57].

Figure 2. Schematic representation of NADES pretreatment of rice straw and recycling

下载: 全尺寸图片幻灯片

表 1 不同DES处理木质纤维生物质的木质素分离效率

Table 1 Lignin fractionation efficiency of lignocellulosic biomass treated by different DES

类别 Category	氢键供体 Hydrogen bond donor (HBD)	氢键受体 hydrogen bond acceptor (HBA)	摩尔比 Molar ratio	原料 Feedstock	条件 Condition	木质素分离效率 Lignin extraction efficiency/%	参考文献 Reference
羧酸类 Carboxylic acids	乳酸 Lactic acid	氯化胆碱 Choline chloride (ChCl)		杨木 Poplar	145 ℃, 6 h	78.5	[30]
				花旗松 Pseudotsuga menziesii	145 ℃, 9 h	58.2	[30]
			5∶1	油棕空果壳 Oil palm empty fruit bunch (EFB)	120 ℃, 8 h	88.0	[31]
			3∶1	EFB	100 ℃, 2 h	–	[32]
			2∶1	杨木 Poplar	150 ℃, 4 h	66.4	[33]
			2∶1	蓖麻籽 Castor seed coats	160 ℃, 8 h	34.0	[34]
			10∶1	柳木 Salix matsudana	120 ℃, 12 h	91.8	[35]
			10∶1	桉木 Eucalyptus camaldulensis	110 ℃, 6 h	80.0	[36]
	乳酸 Lactic acid	苄基三甲基氯化铵 Benzyltrimethylammonium chloride (BTMAC)	2∶1	玉米芯 Corncob	140 ℃, 2 h	63.4	[37]
	乳酸 Lactic acid	苄基三乙基氯化铵 Benzyltriethylammonium chloride (BTEAC)	2∶1	玉米芯 Corncob	140 ℃, 2 h	56.5	[37]
	乳酸 Lactic acid	D(+)-果糖 D(+)-glucose	5∶1	EFB	120 ℃, 8 h	55.0	[31]
	甲酸 Formic acid	ChCl	2∶1	火炬松 Pinus taeda	155 ℃, 2 h	–	[38]
			2∶1	芒草 Miscanthus spp.	130 ℃, 30 min, 微波 130 ℃, 30 min, microwave	82.0	[39]
			2∶1	EFB	120 ℃, 8 h	61.0	[40]
	丙酸 Propanoic acid	ChCl	2∶1	EFB	120 ℃, 8 h	20.4	[40]
	丁酸 Butanoic acid	ChCl	2∶1	EFB	120 ℃, 8 h	–	[40]
	赖氨酸 Lysine	甜菜碱 Betaine	1∶1	玉米芯 Corncob	60 ℃, 5 h	49.06	[41]
	乙酰丙酸 Levulinic acid	ChCl	2∶1	玉米芯 Corncob	90 ℃, 24 h	43.0	[42]
	乙酰丙酸 Levulinic acid	乙酰胺 Acetamide	2∶1	毛竹 Phyllostachys edulis	120 ℃, 2 h	20.6	[43]
	对香豆酸 p-coumaric acid (PCA)	ChCl	1∶1	柳枝稷 Panicum virgatum	160 ℃, 3 h	60.8	[44]
	草酸 Oxalic acid	ChCl	2∶1	欧洲山毛榉 Fagus sylvatica	80 ℃, 8 h	–	[45]
			1∶1	桦木 Birch wood	130 ℃, 1 h, 微波130 ℃, 1 h, microwave	85.0	[39]
			1∶1	玉米芯 Corncob	90 ℃, 24 h	98.5	[42]
	乙醇酸 Glycolic acid	ChCl	2∶1	玉米芯 Corncob	90 ℃, 24 h	56.4	[42]
	乙醇酸 Glycolic acid	ChCl	6∶1	木通草渣 Residues of akebia	120 ℃, 8 h	60.0	[46]
	丙二酸 Malonic acid	ChCl	1∶1	玉米芯 Corncob	90 ℃, 24 h	56.5	[42]
	戊二酸 Glutaric acid	ChCl	1∶1	玉米芯 Corncob	90 ℃, 24 h	34.3	[42]
	丁二酸 Succinic acid	ChCl	2∶1	EFB	120 ℃, 8 h	10.7	[40]
	马来酸 Maleic acid	ChCl	1∶1	EFB	120 ℃, 8 h	22.9	[40]
	苹果酸 Malic acid	ChCl	1∶1	玉米芯 Corncob	90 ℃, 24 h	22.4	[42]
	柠檬酸 Citric acid	ChCl	1∶1	EFB	120 ℃, 8 h	20.0	[40]
多元醇类 Polyhydric alcohols	丙三醇 Glycerol	ChCl	2∶1	柳枝稷 Panicum virgatum^a	121 ℃, 1 h	63.84	[47]
			2∶1	火炬松 Pinus taeda	155 ℃, 2 h	–	[38]
			2∶1	玉米芯 Corncob	90 ℃, 24 h	71.3	[42]
	丙三醇 Glycerol	碳酸钾 K₂CO₃	7∶1	稻草 Rice straw	140 ℃, 100 min	–	[23]
	丙三醇 Glycerol	碳酸钾 K₂CO₃	6∶1	EFB	120 ℃, 8 h	51.0	[31]
	丙三醇，六水合氯化铝 Glycerol, aluminum chloride hexahydrate	ChCl	1∶0.28∶2	杨木 Poplar	120 ℃, 4 h	95.46	[48]
	乙二醇，对甲苯磺酸 Ethylene glycol, p-toluenesulfonic acid (PTSA)	盐酸胍 Guanidine hydrochloride (GH)	1.94∶0.06∶1	柳枝稷 Panicum virgatum	120 ℃, 6 min	82.1	[49]
	1,4-丁二醇 1,4-butanediol	ChCl	2∶1	木糖渣 Xylose residue	120 ℃, 2 h	54.0	[50]
	对羟基苯甲醇 p-hydroxybenzyl alcohol (PHBA)	ChCl	1∶1	柳枝稷 Panicum virgatum	160 ℃, 3 h	0.4	[44]
	乙二醇 Ethylene glycol	ChCl	2∶1	玉米芯 Corncob	90 ℃, 24 h	87.6	[42]
	乙二醇 Ethylene glycol	ChCl	2∶1	柳枝稷 Panicum virgatum	130 ℃, 45 min	74.41	[51]
酰胺类 Amides	尿素 Urea	ChCl	2∶1	大蒜皮 Garlic skin	110 ℃, 4 h	59.07	[52]
			2∶1	欧洲山毛榉 Fagus sylvatica	80 ℃, 8 h	–	[45]
			2∶1	EFB	120 ℃, 8 h	34.0	[31]
			2∶1	EFB	120 ℃, 3 h	–	[53]
			2∶1	玉米芯 Corncob	80 ℃, 15 h	–	[54]
	尿素 Urea	胺基磺酸 Sulfamic acid	2∶1	云杉 Picea asperata	105 ℃, 30 min	–	[25]
其他类 Others	邻苯二酚 Catechol	ChCl	1∶1	柳枝稷 Panicum virgatum	160 ℃, 3 h	43.2	[44]
	香草醛 Vanillin	ChCl	2∶1	柳枝稷 Panicum virgatum	160 ℃, 3 h	49.6	[44]
	KOH	ChCl	4∶1	欧洲山毛榉 Fagus sylvatica	80 ℃, 8 h	–	[45]
	D(+)-果糖 D(+)-glucose	ChCl	1∶1	EFB	120 ℃, 8 h	17.0	[31]
	咪唑 Imidazole	ChCl	7∶3	玉米芯 Corncob	150 ℃, 15 h	88.0	[54]
注：^a 0.9%H₂SO₄做催化剂。Note: ^a 0.9% H₂SO₄ is added as catalysts.

下载: 导出CSV

表 2 不同DES木质素的分子量及其多分散指数

Table 2 Molecular mass and polydispersity index of different DES lignin

低共熔溶剂 Deep eutectic solvent (DES)	原料 Feedstock	反应条件 Reaction condition	重均分子量 Mass-average molecular mass/ (g·mol⁻¹)	数均分子量 Number-average molecular mass/ (g·mol⁻¹)	多分散指数 Polydispersity index (PDI)	参考文献 Reference
乳酸/氯化胆碱 Lactic acid/choline chloride	杨木 Poplar	110 ℃, 6 h	1 790	1 300	1.37	[36]
乳酸/苄基三乙基氯化铵 Lactic acid/benzyltriethylammonium chloride	玉米芯 Corncob	120 ℃, 2 h	−	−	1.44	[37]
丙三醇/氯化胆碱/六水合氯化铝 Glycerol/choline chloride/aluminum chloride hexahydrate	杨木 Poplar	120 ℃, 4 h	5 466	3 270	1.67	[48]
微波辅助草酸/氯化胆碱 Microwave assisted oxalic acid/ChCl	杨木 Poplar	80 ℃, 5 min	847	698	1.21	[59]
乳酸/氯化胆碱 Lactic acid/ChCl	胡桃 Juglans nigra	145 ℃, 6 h	4 200	2 460	1.80	[68]
草酸/氯化胆碱 Oxalic acid/ChCl	碱木质素 Alkali lignin	120 ℃, 6 h	1 800	1 410	1.27	[65]

下载: 导出CSV

参考文献(76)

[1]	裴继诚, 杨淑慧, 平清伟, 等. 植物纤维化学[M]. 北京: 中国轻工业出版社, 2016. Pei J C, Yang S H, Ping Q W, et al. Lignocellulosic chemistry[M]. Beijing: China Light Industry Press, 2016.
[2]	Chen L, Dou J, Ma Q, et al. Rapid and near-complete dissolution of wood lignin at ≤ 80 ℃ by a recyclable acid hydrotrope[J]. Science Advances, 2017, 3(9): e1701735. doi: 10.1126/sciadv.1701735
[3]	刘金科, 杨桂花, 齐乐天, 等. 胆碱类低共熔溶剂选择性分离杨木中木质素的研究[J]. 中国造纸, 2020, 39(4):1−9. Liu J K, Yang G H, Qi L T, et al. Selective extraction of poplar lignin with choline-based deep eutectic solvents[J]. China Pulp & Paper, 2020, 39(4): 1−9.
[4]	van Osch D, Kollau L, van den Bruinhorst A, et al. Ionic liquids and deep eutectic solvents for lignocellulosic biomass fractionation[J]. Physical Chemistry Chemical Physics, 2017, 19(4): 2636−2665. doi: 10.1039/C6CP07499E
[5]	Lyu G, Wu Q, Li T, et al. Thermochemical properties of lignin extracted from willow by deep eutectic solvents (DES)[J]. Cellulose, 2019, 26(15): 8501−8511. doi: 10.1007/s10570-019-02489-8
[6]	马晓振, 罗清, 秦冬冬, 等. 木质素基生物质聚氨酯[J]. 化学进展, 2020, 32(5):617−626. Ma X Z, Luo Q, Qin D D, et al. Lignin-based polyurethane[J]. Progress in Chemistry, 2020, 32(5): 617−626.
[7]	罗通, 吕高金, 王超, 等. 工业木质素活化改性及其在复合材料中的应用进展[J]. 中国造纸, 2020, 39(9):60−67. Luo T, Lü G J, Wang C, et al. Modification of industrial lignin and its application in composite materials: a review[J]. China Pulp & Paper, 2020, 39(9): 60−67.
[8]	李小玉, 李广慈, 李学兵. 不同化学法分离解聚过程对木质素结构的影响[J]. 辽宁石油化工大学学报, 2020, 40(1):1−9. doi: 10.3969/j.issn.1672-6952.2020.01.001 Li X Y, Li G C, Li X B, et al. Effect of chemical separation and depolymerization processes on lignin structure[J]. Journal of Liaoning Petrochemical University, 2020, 40(1): 1−9. doi: 10.3969/j.issn.1672-6952.2020.01.001
[9]	Haldar D, Purkait M K. A review on the environment-friendly emerging techniques for pretreatment of lignocellulosic biomass: mechanistic insight and advancements[J]. Chemosphere, 2021, 264: 128523. doi: 10.1016/j.chemosphere.2020.128523
[10]	Li C L, Knierim B, Manisseri C, et al. Comparison of dilute acid and ionic liquid pretreatment of switchgrass: biomass recalcitrance, delignification and enzymatic saccharification[J]. Bioresource Technology, 2010, 101(13): 4900−4906. doi: 10.1016/j.biortech.2009.10.066
[11]	刘振, 孙海红, 郝静静. 离子液体对玉米秸秆组分的溶解选择性[J]. 可再生能源, 2014, 32(6):871−875. Liu Z, Sun H H, Hao J J. Solubility selectivity of ionic liquids to components of corn straw[J]. Renewable Energy Resources, 2014, 32(6): 871−875.
[12]	周全伟. 基于醇胺型离子液体处理的奇岗草木质素的分离机制及其用于膜材料制备[D]. 济南: 齐鲁工业大学, 2020. Zhou Q W. Separation of Miscanthus × giganteus lignin based on the treatment of alcoholamine-type ionic liquid system and its application in preparation of composite membrane material[D]. Jinan: Qilu University of Technology, 2020.
[13]	Maki-Arvela P, Anugwom I, Virtanen P, et al. Dissolution of lignocellulosic materials and its constituents using ionic liquids: a review[J]. Industrial Crops and Products, 2010, 32(3): 175−201. doi: 10.1016/j.indcrop.2010.04.005
[14]	Shen Y, Sun J K, Yi Y X, et al. One-pot synthesis of levulinic acid from cellulose in ionic liquids[J]. Bioresource Technology, 2015, 192: 812−816. doi: 10.1016/j.biortech.2015.05.080
[15]	Abbott A P, Boothby D, Capper G, et al. Deep eutectic solvents formed between choline chloride and carboxylic acids: versatile alternatives to ionic liquids[J]. Journal of the American Chemical Society, 2004, 126(29): 9142−9147. doi: 10.1021/ja048266j
[16]	Sanchez P B, Gonzalez B, Salgado J, et al. Physical properties of seven deep eutectic solvents based on L-proline or betaine[J]. Journal of Chemical Thermodynamics, 2019, 131: 517−523. doi: 10.1016/j.jct.2018.12.017
[17]	Tian D, Guo Y, Hu J, et al. Acidic deep eutectic solvents pretreatment for selective lignocellulosic biomass fractionation with enhanced cellulose reactivity[J]. International Journal of Biological Macromolecules, 2020, 142: 288−297. doi: 10.1016/j.ijbiomac.2019.09.100
[18]	Francisco M, van den Bruinhorst A, Kroon M C. New natural and renewable low transition temperature mixtures (LTTMs): screening as solvents for lignocellulosic biomass processing[J]. Green Chemistry, 2012, 14(8): 2153. doi: 10.1039/c2gc35660k
[19]	Francisco M, van den Bruinhorst A, Kroon M C. Low-transition-temperature mixtures (LTTMs): a new generation of designer solvents[J]. Angewandte Chemie International Edition, 2013, 52(11): 3074−3085. doi: 10.1002/anie.201207548
[20]	Smith E L, Abbott A P, Ryder K S. Deep eutectic solvents (DESs) and their applications[J]. Chemical Reviews, 2014, 114(21): 11060−11082. doi: 10.1021/cr300162p
[21]	Liu Q, Zhao X, Yu D, et al. Novel deep eutectic solvents with different functional groups towards highly efficient dissolution of lignin[J]. Green Chemistry, 2019, 21(19): 5291−5297. doi: 10.1039/C9GC02306B
[22]	Nam M W, Zhao J, Lee M S, et al. Enhanced extraction of bioactive natural products using tailor-made deep eutectic solvents: application to flavonoid extraction from Flos sophorae[J]. Green Chemistry, 2015, 17(3): 1718−1727. doi: 10.1039/C4GC01556H
[23]	Lim W L, Gunny A A N, Kasim F H, et al. Alkaline deep eutectic solvent: a novel green solvent for lignocellulose pulping[J]. Cellulose, 2019, 26(6): 4085−4098. doi: 10.1007/s10570-019-02346-8
[24]	Skulcova A, Majova V, Sima J, et al. Mechanical properties of pulp delignified by deep eutectic solvents[J]. Bioresources, 2017, 12(4): 7479−7486.
[25]	Li P, Sirviö J A, Hong S, et al. Preparation of flame-retardant lignin-containing wood nanofibers using a high-consistency mechano-chemical pretreatment[J]. Chemical Engineering Journal, 2019, 375: 122050. doi: 10.1016/j.cej.2019.122050
[26]	Sirvio J A, Visanko M. Highly Transparent nanocomposites based on poly (vinyl alcohol) and sulfated UV-absorbing wood nanofibers[J]. Biomacromolecules, 2019, 20(6): 2413−2420. doi: 10.1021/acs.biomac.9b00427
[27]	Xu G C, Ding J C, Han R Z, et al. Enhancing cellulose accessibility of corn stover by deep eutectic solvent pretreatment for butanol fermentation[J]. Bioresource Technology, 2016, 203: 364−369. doi: 10.1016/j.biortech.2015.11.002
[28]	Cai Z, Long J, Li Y, et al. Selective production of diethyl maleate via oxidative cleavage of lignin aromatic unit[J]. Chem, 2019, 5(9): 2365−2377. doi: 10.1016/j.chempr.2019.05.021
[29]	Kumar A K, Sharma S, Shah E, et al. Technical assessment of natural deep eutectic solvent (NADES) mediated biorefinery process: a case study[J]. Journal of Molecular Liquids, 2018, 260: 313−322. doi: 10.1016/j.molliq.2018.03.107
[30]	Alvarez-Vasco C, Ma R, Quintero M, et al. Unique low-molecular-weight lignin with high purity extracted from wood by deep eutectic solvents (DES): a source of lignin for valorization[J]. Green Chemistry, 2016, 18(19): 5133−5141. doi: 10.1039/C6GC01007E
[31]	Tan Y T, Ngoh G C, Chua A S M. Evaluation of fractionation and delignification efficiencies of deep eutectic solvents on oil palm empty fruit bunch[J]. Industrial Crops and Products, 2018, 123: 271−277. doi: 10.1016/j.indcrop.2018.06.091
[32]	Teh S S, Loh S K, Mah S H. Development of choline-based deep eutectic solvents for efficient concentrating of hemicelluloses in oil palm empty fruit bunches[J]. Korean Journal of Chemical Engineering, 2019, 36(10): 1619−1625. doi: 10.1007/s11814-019-0348-1
[33]	周敏姑, 郭英杰, 郝子越, 等. 氯化胆碱/乳酸低共熔溶剂预处理对杨木酶水解特性的影响[J]. 西北农林科技大学学报(自然科学版), 2020, 48(12):1−8. Zhou M G, Guo Y J, Hao Z Y, et al. Effects of choline chloride/lactic acid deep eutectic solvents pretreatment on enzymatic hydrolysis of poplar[J]. Journal of Northwest A&F University (Natural Science Edition), 2020, 48(12): 1−8.
[34]	Wang S Z, Su S H, Xiao L P, et al. Catechyl lignin extracted from castor seed coats using deep eutectic solvents: characterization and depolymerization[J]. ACS Sustainable Chemistry & Engineering, 2020, 8(18): 7031−7038.
[35]	Li T, Lyu G, Liu Y, et al. Deep eutectic solvents (DESs) for the isolation of willow lignin (Salix matsudana cv. Zhuliu)[J]. International Journal of Molecular Sciences, 2017, 18(11): 2266. doi: 10.3390/ijms18112266
[36]	Shen X J, Wen J L, Mei Q Q, et al. Facile fractionation of lignocelluloses by biomass-derived deep eutectic solvent (DES) pretreatment for cellulose enzymatic hydrolysis and lignin valorization[J]. Green Chemistry, 2019, 21(2): 275−283. doi: 10.1039/C8GC03064B
[37]	Guo Z W, Zhang Q L, You T T, et al. Short-time deep eutectic solvent pretreatment for enhanced enzymatic saccharification and lignin valorization[J]. Green Chemistry, 2019, 21(11): 3099−3108. doi: 10.1039/C9GC00704K
[38]	Lynam J G, Kumar N, Wong M J. Deep eutectic solvents’ ability to solubilize lignin, cellulose, and hemicellulose; thermal stability; and density[J]. Bioresource Technology, 2017, 238: 684−689. doi: 10.1016/j.biortech.2017.04.079
[39]	Kohli K, Katuwal S, Biswas A, et al. Effective delignification of lignocellulosic biomass by microwave assisted deep eutectic solvents[J]. Bioresource Technology, 2020, 303: 122897. doi: 10.1016/j.biortech.2020.122897
[40]	Tan Y T, Ngoh G C, Chua A S M. Effect of functional groups in acid constituent of deep eutectic solvent for extraction of reactive lignin[J]. Bioresource Technology, 2019, 281: 359−366. doi: 10.1016/j.biortech.2019.02.010
[41]	Liang Y, Duan W J, An X X, et al. Novel betaine-amino acid based natural deep eutectic solvents for enhancing the enzymatic hydrolysis of corncob[J]. Bioresource Technology, 2020, 310: 123389. doi: 10.1016/j.biortech.2020.123389
[42]	Zhang C W, Xia S Q, Ma P S. Facile pretreatment of lignocellulosic biomass using deep eutectic solvents[J]. Bioresource Technology, 2016, 219: 1−5. doi: 10.1016/j.biortech.2016.07.026
[43]	Ling Z, Guo Z W, Huang C X, et al. Deconstruction of oriented crystalline cellulose by novel levulinic acid based deep eutectic solvents pretreatment for improved enzymatic accessibility[J]. Bioresource Technology, 2020, 305: 123025. doi: 10.1016/j.biortech.2020.123025
[44]	Kim K H, Dutta T, Sun J, et al. Biomass pretreatment using deep eutectic solvents from lignin derived phenols[J]. Green Chemistry, 2018, 20(4): 809−815. doi: 10.1039/C7GC03029K
[45]	Mamilla J L K, Novak U, Grilc M, et al. Natural deep eutectic solvents (DES) for fractionation of waste lignocellulosic biomass and its cascade conversion to value-added bio-based chemicals[J]. Biomass and Bioenergy, 2019, 120: 417−425. doi: 10.1016/j.biombioe.2018.12.002
[46]	Yu Q, Zhang A, Wang W, et al. Deep eutectic solvents from hemicellulose-derived acids for the cellulosic ethanol refining of Akebia’ herbal residues[J]. Bioresource Technology, 2018, 247: 705−710. doi: 10.1016/j.biortech.2017.09.159
[47]	Chen Z, Reznicek W D, Wan C X. Deep eutectic solvent pretreatment enabling full utilization of switchgrass[J]. Bioresource Technology, 2018, 263: 40−48. doi: 10.1016/j.biortech.2018.04.058
[48]	Xia Q, Liu Y, Meng J, et al. Multiple hydrogen bond coordination in three-constituent deep eutectic solvents enhances lignin fractionation from biomass[J]. Green Chemistry, 2018, 20(12): 2711−2721. doi: 10.1039/C8GC00900G
[49]	Chen Z, Jacoby W A, Wan C. Ternary deep eutectic solvents for effective biomass deconstruction at high solids and low enzyme loadings[J]. Bioresource Technology, 2019, 279: 281−286. doi: 10.1016/j.biortech.2019.01.126
[50]	Guo Z W, Ling Z, Wang C, et al. Integration of facile deep eutectic solvents pretreatment for enhanced enzymatic hydrolysis and lignin valorization from industrial xylose residue[J]. Bioresource Technology, 2018, 265: 334−339. doi: 10.1016/j.biortech.2018.06.027
[51]	Chen Z, Bai X L, Lusi A, et al. High-solid lignocellulose processing enabled by natural deep eutectic solvent for lignin extraction and industrially relevant production of renewable chemicals[J]. ACS Sustainable Chemistry & Engineering, 2018, 6(9): 12205−12216.
[52]	Ji Q, Yu X, Yagoub A G A, et al. Efficient removal of lignin from vegetable wastes by ultrasonic and microwave-assisted treatment with ternary deep eutectic solvent[J]. Industrial Crops and Products, 2020, 149: 112357. doi: 10.1016/j.indcrop.2020.112357
[53]	Thi S, Lee K M. Comparison of deep eutectic solvents (DES) on pretreatment of oil palm empty fruit bunch (OPEFB): cellulose digestibility, structural and morphology[J]. Bioresource Technology, 2019, 282: 525−529. doi: 10.1016/j.biortech.2019.03.065
[54]	Procentese A, Johnson E, Orr V, et al. Deep eutectic solvent pretreatment and subsequent saccharification of corncob[J]. Bioresource Technology, 2015, 192: 31−36. doi: 10.1016/j.biortech.2015.05.053
[55]	Tan Y T, Chua A S M, Ngoh G C. Deep eutectic solvent for lignocellulosic biomass fractionation and the subsequent conversion to bio-based products: a review[J]. Bioresource Technology, 2020, 297: 122522. doi: 10.1016/j.biortech.2019.122522
[56]	金永灿, 谷峰. 木质素清洁高效分离研究进展[J]. 中国造纸, 2019, 38(6):65−72. doi: 10.11980/j.issn.0254-508X.2019.06.010 Jin Y C, Gu F. Research progress in clean and efficient separation of lignin[J]. China Pulp & Paper, 2019, 38(6): 65−72. doi: 10.11980/j.issn.0254-508X.2019.06.010
[57]	Kumar A K, Parikh B S, Pravakar M. Natural deep eutectic solvent mediated pretreatment of rice straw: bioanalytical characterization of lignin extract and enzymatic hydrolysis of pretreated biomass residue[J]. Environmental Science Pollution Research, 2016, 23(10): 9265−9275. doi: 10.1007/s11356-015-4780-4
[58]	D’Agostino C, Harris R C, Abbott A P, et al. Molecular motion and ion diffusion in choline chloride based deep eutectic solvents studied by 1H pulsed field gradient NMR spectroscopy[J]. Physical Chemistry Chemical Physics, 2011, 13(48): 21383−21391. doi: 10.1039/c1cp22554e
[59]	Liu Y, Chen W, Xia Q, et al. Efficient cleavage of lignin-carbohydrate complexes and ultrafast extraction of lignin oligomers from wood biomass by microwave-assisted treatment with deep eutectic solvent[J]. ChemSusChem, 2017, 10(8): 1692−1700. doi: 10.1002/cssc.201601795
[60]	Li C, Tanjore D, He W, et al. Scale-up and evaluation of high solid ionic liquid pretreatment and enzymatic hydrolysis of switchgrass[J]. Biotechnology for Biofuels, 2013, 6: 154. doi: 10.1186/1754-6834-6-154
[61]	Yuan X, Duan Y, He L, et al. Characterization of white poplar and eucalyptus after ionic liquid pretreatment as a function of biomass loading using X-ray diffraction and small angle neutron scattering[J]. Bioresource Technology, 2017, 232: 113−118. doi: 10.1016/j.biortech.2017.02.014
[62]	Chen Z, Ragauskas A, Wan C. Lignin extraction and upgrading using deep eutectic solvents[J]. Industrial Crops and Products, 2020, 147: 112241. doi: 10.1016/j.indcrop.2020.112241
[63]	Das L, Li M, Stevens J, et al. Characterization and catalytic transfer hydrogenolysis of deep eutectic solvent extracted sorghum lignin to phenolic compounds[J]. ACS Sustainable Chemistry & Engineering, 2018, 6(8): 10408−10420.
[64]	Haldar D, Purkait M K. Lignocellulosic conversion into value-added products: a review[J]. Process Biochemistry, 2020, 89: 110−133. doi: 10.1016/j.procbio.2019.10.001
[65]	Hong S, Shen X, Pang B, et al. In-depth interpretation of the structural changes of lignin and formation of diketones during acidic deep eutectic solvent pretreatment[J]. Green Chemistry, 2020, 22(6): 1851−1858. doi: 10.1039/D0GC00006J
[66]	Guo Z, Li D, You T, et al. New Lignin streams derived from heteropoly acids enhanced neutral deep eutectic solvent fractionation: toward structural elucidation and antioxidant performance[J]. ACS Sustainable Chemistry & Engineering, 2020, 8(32): 12110−12119.
[67]	Wang Z K, Hong S, Wen J L, et al. Lewis acid-facilitated deep eutectic solvent (DES) pretreatment for producing high-purity and antioxidative lignin[J]. ACS Sustainable Chemistry & Engineering, 2020, 8(2): 1050−1057.
[68]	Li W, Amos K, Li M, et al. Fractionation and characterization of lignin streams from unique high-lignin content endocarp feedstocks[J]. Biotechnology for Biofuels, 2018, 11: 304. doi: 10.1186/s13068-018-1305-7
[69]	Cronin D, Chen X, Moghaddam L, et al. Deep eutectic solvent extraction of high purity lignin from a corn stover hydrolysate[J]. ChemSusChem, 2020, 13: 4678−4690. doi: 10.1002/cssc.202001243
[70]	周金梅, 李思明, 覃春芳, 等. 有机溶剂法纯化蔗渣木质素[J]. 应用化工, 2017, 46(8):1447−1450. doi: 10.3969/j.issn.1671-3206.2017.08.001 Zhou J M, Li S M, Qin C F, et al. Organic solvent purify bagasse lignin[J]. Applied Chemical Industry, 2017, 46(8): 1447−1450. doi: 10.3969/j.issn.1671-3206.2017.08.001
[71]	康玉. 木质素基防晒霜与纳米纤维素复合膜产品的开发[D]. 北京: 北京化工大学, 2017. Kang Y. Preparation of lignin-based sunscreens and cellulose nanocomposite film[D]. Beijing: Beijing University of Chemical Technology, 2017.
[72]	Ragauskas A J, Beckham G T, Biddy M J, et al. Lignin valorization: improving lignin processing in the biorefinery[J]. Science, 2014, 344: 1246843. doi: 10.1126/science.1246843
[73]	刘天勤, 连海兰, 洪枢, 等. 氯化胆碱/尿素低共熔溶剂改性木质素的环氧固化体系[J]. 东北林业大学学报, 2018, 46(4):78−87. doi: 10.3969/j.issn.1000-5382.2018.04.016 Liu T Q, Lian H L, Hong S, et al. Effect of modified lignin by choline chloride/urea deep-eutectic solvent on curing properties of epoxy resin[J]. Journal of Northeast Forestry University, 2018, 46(4): 78−87. doi: 10.3969/j.issn.1000-5382.2018.04.016
[74]	Xu P, Zheng G W, Zong M H, et al. Recent progress on deep eutectic solvents in biocatalysis[J]. Bioresources and Bioprocessing, 2017, 4(1): 34. doi: 10.1186/s40643-017-0165-5
[75]	Satlewal A, Agrawal R, Bhagia S, et al. Natural deep eutectic solvents for lignocellulosic biomass pretreatment: recent developments, challenges and novel opportunities[J]. Biotechnology Advances, 2018, 36(8): 2032−2050. doi: 10.1016/j.biotechadv.2018.08.009
[76]	Liang X, Fu Y, Chang J, et al. Effective separation, recovery and recycling of deep eutectic solvent after biomass fractionation with membrane-based methodology[J]. Separation and Purification Technology, 2019, 210: 409−416. doi: 10.1016/j.seppur.2018.08.021

施引文献(24)

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)

资源附件(0)

图(2) / 表(2)

计量

文章访问数: 2993
HTML全文浏览量: 771
PDF下载量: 234
被引次数: 24

1. 研究区概况与研究方法
1.1 研究区概况
1.2 数据来源与处理
1.3 研究方法
1.3.1 趋势分析
1.3.2 Hurst指数
1.3.3 相关分析
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
2.1.2 NDVI变化趋势
2.1.3 NDVI 未来趋势分析
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
2.2.2 生长季NDVI与气候变化的关系
2.2.3 逐月NDVI与气象因子的相关性与时滞性分析
2.3 不足与展望
3. 结　　论

1. 研究区概况与研究方法
1.1 研究区概况
1.2 数据来源与处理
1.3 研究方法
1.3.1 趋势分析
1.3.2 Hurst指数
1.3.3 相关分析
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
2.1.2 NDVI变化趋势
2.1.3 NDVI 未来趋势分析
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
2.2.2 生长季NDVI与气候变化的关系
2.2.3 逐月NDVI与气象因子的相关性与时滞性分析
2.3 不足与展望
3. 结　　论

参考文献(76)

施引文献(24)

资源附件(0)

低共熔溶剂木质素的分离及结构性质研究进展

作者简介: 许凤，博士，教授。主要研究方向：生物质高值化利用。Email：xfx315@bjfu.edu.cn 地址：100083 北京市海淀区清华东路35号北京林业大学材料科学与技术学院

计量

出版历程