Utilizing LiDAR technology to estimate forest aboveground biomass in Qianjiangyuan National Park, Jiangxi Province of eastern China
-
摘要:目的 采用激光雷达结合地面调查的方法，拟合并预测钱江源国家公园森林的地上生物量，为国家公园森林生态系统保护和动物生境质量评估提供基础数据。方法 采用冠层结构指数量化亚热带常绿阔叶林的冠层高度和垂直复杂度，并结合地面调查数据和地形数据，用模型拟合和预测钱江源国家公园的地上生物量。结果 冠层结构指数中，与地上生物量的相关程度从大到小依次为冠层平均高度、冠层垂直复杂度、冠层最大高度。钱江源国家公园生物量分布主要在27.24 ~ 210.31 Mg/hm2（0.05 ~ 0.95分位数），平均为111.21 Mg/hm2，总的生物量约为2.57 × 106 Mg。结论 结合冠层指数和地形变量能较好地模拟和预测钱江源国家公园地上生物量。钱江源国家公园有大面积低海拔集中分布的常绿阔叶林，冠层平均高度和冠层垂直复杂度都比较大，地上生物量高；同时，也有大面积人工林和次生林，这些人工林和次生林主要分布在国家公园成立后才开始保护的两个片区，冠层平均高度和冠层垂直复杂度小，地上生物量较低，有待进一步恢复。Abstract:Objective Utilizing technologies of airborne lidar together with ground survey, we modelled and predicted aboveground biomass of subtropical forests in Qianjiangyuan National Park, Jiangxi Province of eastern China to provide basis for assessing conservation effectiveness and quality of animal habitats in national parks.Method We used canopy structural indices to quantify canopy structural variation and maximal height of subtropical forests, then modelled forest aboveground biomass with canopy structural indices and topographic variables.Result Mean canopy height, vertical complexity and maximal height were closely correlated with aboveground biomass. Aboveground biomass was mainly between 27.24−210.31 Mg/ha (quantile 0.05−0.95), mean value was 111.21 Mg/ha, and total aboveground biomass was2.57 × 106 Mg.Conclusion The forest aboveground biomass is well modelled and predicted using canopy structural indices and topographic variables. Large area of zonal evergreen broadleaved forests is distributed in the national park with complex canopy structure and high aboveground biomass, while large area plantation and secondary forests are also distributed in two new parts of the national park with simple canopy structure and low aboveground biomass.
-
红树林生长于热带、亚热带低能海岸的潮间带，提供包括防风消浪、稳固海岸、促淤造陆、环境净化、生物多样性保育、物质循环等多种生态系统服务[1-2]。世界红树林面积曾达20万km2，在人口、环境、资源多重压力下，20世纪50年代以来以1%~2%的速度减少[3]。2013年我国现有红树林湿地约3.45万hm2(不含港澳台地区)，其中有林地2.53万hm2[4]，天然红树林面积不到20世纪50年代的一半以及曾经分布面积的十分之一[5]。
红树林是一种具有高生产力、高归还率的特殊生物海岸类型[6]，是真正意义上的生态过渡带，除具有陆地与海洋生态系统的特征外，还具有独特生态特性。红树林受陆海生态系统的交互作用，林下土壤由于沉积或冲积作用形成，地下剖面不典型，很多学者将其称为沉积物。沉积物记载着环境历史，蕴含着沉积物物源、海平面变化、水动力条件、搬运距离等诸多环境信息，常被用于反演沉积环境[7-8]。粒度特征作为沉积环境的重要参数之一，在海洋沉积环境分析中应用广泛，常被用于分析物源特征[9]、沉积历史[10-11]、输运过程[12]、水动力条件[8, 13-14]及分选程度[15-16]等方面的研究。
随着人类对红树林生态系统服务功能认识的提升，红树林湿地保护和恢复工程不断开展，其中宜林地的选择对于红树林生态恢复至关重要[17-18]。沉积物作为红树林湿地的重要环境因素，在海洋、陆地以及人类活动的综合影响下，其物质来源丰富、粒度差异较大[19-20]，对其粒度特征进行深入分析有助于不同区域红树林生态恢复和生态保护的工程实践。有学者从粒度分布[19-22]、粒径分形[23-25]、沉积环境[26-27]、输运特征[28]等方面，对我国红树林湿地的宜林潮滩类型、粒度与理化性质的关系、粒径分布的影响因素等方面进行了研究，研究更多从沉积物机械组成等特征开展，与其他海岸湿地类型的研究相比，红树林湿地沉积过程和空间梯度差异的研究相对缺乏。本研究选择我国典型红树林分布区，在不同空间梯度上进行沉积柱取样，通过粒度参数量化水平和垂直方向上的沉积物粒度分布特征，对了解研究区红树林湿地生境演变、群落演替和生物地貌过程具有一定的科学意义，也为我国红树林湿地保护和科学恢复提供数据支持。
1. 研究区概况与研究方法
1.1 研究区概况
高桥红树林地处广东湛江国家级红树林自然保护区，位于两广界河——洗米河在北部湾入口处的英罗湾内，此外高桥河、卖棹河、江背河等河流也流入湾内。英罗湾内红树林有林地约750 hm2，主要树种包括桐花树(Aegiceras corniculatum)、木榄(Bruguiera gymnorrhiza)、秋茄(Kandelia obvolata)、红海榄(Rhizophora stylosa)、白骨壤(Avicennia marina)、海漆(Excoecaria agallocha)和无瓣海桑(Sonneratia apetala)等，海岸带还分布有黄槿(Hibiscus tiliaceus)等半红树及伴生植物[29]。研究区属南亚热带季风型海洋性气候，年均气温23 ℃左右，极端最高气温38 ℃，极端最低温15 ℃。年均降水量1 700~1 800 mm，主要集中在5—9月。潮汐属于不正规日潮为主的混合潮型，大潮汛期为全日潮，月平均22 d，小潮为半日潮，月平均为8 d，平均潮差2.53 m，最大潮差6.25 m。海水平均温23.5 ℃。
1.2 材料与方法
1.2.1 取样
取样时间为2011年7月，在陆地—海洋方向上布设两条样线，其中A样线位于湾内，B样线位于湾口处(图 1)，在每条样线上根据与海堤的距离设3个样点并基于GPS定位，分别代表内带(近陆侧)、中带和外带(近海侧)。采用自制重力采样器，材质为透明PVC管，内径4.0 cm，长度1.2 m，钻头为尼龙材质。每个样点随机采集3个沉积柱，在野外分别以10 cm间隔分样装入密封袋实验室风干备用。A样线位于研究区北部，A1、A2、A3样点分别距离北部海堤分别为300、900和1 700 m，其中A1、A2样点由桐花树和木榄群落组成，A3样点群落组成为白骨壤和桐花树。B样线位于研究区南部，B1、B2、B3样点分别距离北部海堤70、340和1 320 m，B1、B3样点以白骨壤纯林为主，B2样点以红海榄为主与白骨壤混交类型。
1.2.2 测试分析
沉积物样品的粒度分析在湖泊与环境国家重点实验室完成处理和分析。粒度分析采用Mastersizer 2000型激光粒度分析仪(测量范围0.02~2 000 μm，各粒级组分平行分析误差小于5%)，测定沉积物粒径的体积百分比。沉积物的密度基于采样器中单位体积样品的干质量进行计算。
1.2.3 数据处理
本研究选择平均粒径(MZ)、分选系数(σ1)、偏度(SK1)和峰度(KG)4个粒度参数，采用矩值法计算[13, 30-31]。粒级标准采用尤登-温德华氏等比制φ值粒径标准。参照国际制土壤粒度分级标准，即砂粒(Sand)＞20 μm、粉粒(Silt)2~20 μm、黏粒(Clay)＜2 μm进行分析。按照Udden-Wentworth粒级标准分为黏粒(Clay，缩写为C，下同)0.02~3.9 μm，细粉(fine silt, FSI)3.9~7.8 μm，中粉(medium silt, MSI)7.8~15.6 μm，粗粉(coarse silt, CSI)15.6~31.2 μm，极粗粉(very coarse silt, VCS)31.2~62.5 μm，极细砂(very fine sand, VFS)62.5~125 μm，细砂(fine sand, FS)125~250 μm，中砂(medium sand, MS)250~500 μm，粗砂(coarse sand, CS)500 μm~1 mm进行深入比较。频率分布曲线基于Mastersizer 2000软件生成，粒度分析结果用Sigmaplot 10.0软件作图，用SPSS 18.0进行相关性分析。
2. 结果与分析
2.1 粒径分布
研究区6个样点的沉积物质地以粉粒、砂粒组分为主(图 2)，黏粒、粉粒和砂粒的体积含量分别为13%±4%、39%±12%和48%±16%，土壤密度为0.87~1.80 g/cm3。粒度的垂向分析(图 3)表明，A样线各样点的沉积柱随着深度增加，砂粒含量增加，黏粒、粉粒含量减少。B样线上B1、B3样点砂粒含量先减少后增加，在30 cm深度出现拐点。研究区6个样点各层次沉积物的粒度频率曲线呈单峰、双峰、多峰态(图 4)，不同样点之间存在差异。在垂直方向上，除了A3、B3、B1样点各层次的粒度频率曲线具有较高的相似性之外，其他样点的垂向差异大，但总体表现出自表层向下波峰数增加、最大峰值右移的趋势，即随着深度增加，沉积物粒度体积含量的众数增多且对应的粒径增大。
![]()
图 3 沉积柱粒径组成累积面积图CS为粗砂，MS为中砂，FS为细砂，VFS为极细砂，VCS为极粗粉，CSI为粗粉，MSI为中粉，FSI为细粉，C为黏粒。下同。Figure 3. Cumulative area ratio of grain size composition in core sedimentsCS refers to coarse sand, MS refers to medium sand, FS refers to fine sand, VFS refers to very fine sand, VCS refers to very coarse silt, CSI refers to coarse silt, MSI refers to medium silt, FSI refers to fine silt, C refers to clay. The same as below.![]()
图 4 沉积柱样品粒径分布的体积百分比Figure 4. Grain size versus percentage volume of the sediment cores2.2 粒度参数空间特征
2.2.1 粒度参数水平特征
水平方向上，各样点粒度参数存在差异(P < 0.05)(表 1)。沉积物的平均粒径在4.12~7.67φ之间，平均值为(5.77±0.89)φ。A样线沿着陆—海方向上样点平均粒径的均值逐渐减小，即质地变粗，与表层沉积物的表现一致。而B样线陆—海方向上的变化趋势性不明显，但B2样点的粒度更细，其平均粒径与其他样点差异显著，外带样点表层沉积物较内带细。各样点分选系数介于1.71~3.00，均值为2.45±0.32，属于较差→差级别，A3和B1样柱差异不显著，而与其他样点的差异显著；A样线表层样点的分选性由陆向海变差，B样线表层样点以B2分选性最好。
表 1 样柱粒度参数均值(标准差)Table 1. Average(SE) of grain size parameters in the core sediments样点
Sample
point粒度频率曲线形态
Curve form of grain size distribution平均粒径
Average grain size
(MZ)分选系数
Sorting
coefficient(σ1)偏度
Skewness
(SK1)峰度
Kurtosis
(KG)A1 单峰、双峰Single peak, double peak
多峰Multiple peak6.34φ(1.05φ)ab 2.29(0.44) b 0.08(0.11)cd 1.05(0.10) a A2 单峰、双峰Single peak, double peak
多峰Multiple peak5.86φ(0.56φ)b 2.39(0.15) b 0.10(0.09)cd 0.97(0.09) a A3 双峰Double peak 5.11φ(0.51φ) c 2.70(0.15) a 0.37(0.14)a 0.78(0.10) b B1 双峰Double peak 5.10φ(0.58φ) bc 2.74(0.18) a 0.21(0.18)bc 0.81(0.07) b B2 双峰、多峰Double peak, multiple peak 6.83φ(0.79φ) a 2.22(0.39) b 0.01(0.08)d 1.05(0.13) a B3 双峰Double peak 5.60φ(0.57φ) bc 2.38(0.19) b 0.29(0.16)ab 0.85(0.06) b 注：不同字母间表示差异显著(P < 0.05)。φ为尤登-温德华氏等比例粒级。下同。Notes: different letters indicate significant difference from each other at P < 0.05 level. φ is Udden-Wentworth (U-W) equal proportional size fraction. The same as below. 各样点偏度参数为-0.12~0.59，均值0.19±0.18，属于负偏→很正偏的区间变化。其中A3、B3样点偏高，而A1、A2、B2样点偏度系数较低；A样线表层样点偏度以A3最大，A2最小且呈负偏态，B样线由陆向海表层样点偏度增加。峰度参数范围0.70~1.28，均值0.91±0.14，属于平坦→尖锐的变化，差异显著性检验将样点分为两组，即A1、A2、B2峰度值显著高于A3、B1、B3样点，两组内的差异均不显著；各样点表层沉积物粒度频率曲线近对称，A样线表层样点的峰值由陆向海渐小，B样线各样点呈平坦峰态，以B2点的峰度值最大。
2.2.2 粒度参数垂向特征
沉积柱粒度参数的垂向变化反映沉积环境的历史。各样点沉积柱的粒度参数自表层向下呈平均粒径减小、分选性变差、偏态值增加、峰态增加的趋势，但各样柱之间存在差异(图 5)。平均粒径分析表明，A样线0~50 cm深度内，自内带向外平均粒径减小，其中A1、A2样点在0~50 cm深度内粒径减小，50 cm以下相对稳定，A3样点0~50 cm深度垂向变幅小，50 cm以下迅速减小；B样线各样点层次水平变化与表层一致，表现为B2＞B3＞B1，垂向上随着深度增加呈先升后降变化。各样柱分选性均属于较差到差的变化，其中A样线各样柱0~40 cm分选系数值随深度增大，各层次自内带向外带分选性变差，40 cm以下各样点分选系数减小；B样线0~20 cm深度以B2样点的分选最好、B1最差，20 cm以下深度B3的分选程度最好，B2样点与A样线各样点相似，自表层向下分选性变差，而B1、B3样点自表层向下分选系数变小。
![]()
图 5 A、B样柱粒度参数垂向变化Figure 5. Vertical variations in grain size parameter of the core sediment A and B plots各样柱偏态属于负偏→很正偏的区间变化。A样线表层样点偏度以A3最大，A2最小且呈负偏态，A1、A2样点各层次频率曲线为近对称到正偏，A3各层为很正偏；B样线由陆向海表层样点偏度增加，B样线B2样点为负偏到近对称。A1、A2样柱自表层向下呈现近对称→正偏变化，A3样柱则呈很正偏→正偏→很正偏变化。B样线上个一样点的偏度变化规律相对一致，自表层向下先减小后增加，拐点处在20~30 cm处，除B2样柱为近对称外，B1自表层向下呈近对称→很正偏变化，B3呈正偏→近对称→很正偏的变化。各样柱峰态分析表明，A1样柱自表层向下峰度值先增加后减小，呈中等→尖锐→中等变化，A2呈中等→平坦→中等变化，A3样柱呈平坦→中等变化，B1、B3样柱波动小，呈平坦→中等较小变化，B2样点呈中等→尖锐→中等变化，在30 cm深度处A1、A2、B3样柱峰值同时出现变化。
2.3 粒度与粒度参数间的关系
粒度参数之间的相关性分析(表 2、图 6)表明，平均粒径与峰度正相关，而与分选系数和偏度负相关，分选系数与峰度负相关，偏度与峰度负相关。对沉积物各粒径等级进行细分，各粒级沉积物体积含量与粒度参数相关性分析结果表明：平均粒径与粒径0.02~31.2 μm的细颗粒物含量正相关，与粒径31.2~125 μm的粗颗粒物含量负相关；分选系数与粒径0.02~31.2 μm的细颗粒物含量负相关，与粒径31.2~125 μm的粗颗粒物含量正相关。偏度与粒径0.02~31.2 μm的细颗粒含量负相关，与粒径62.5~250 μm的较粗颗粒含量正相关。峰度与粒径0.02~15.6 μm的细颗粒物含量正相关，与粒径62.5~250 μm的较粗颗粒含量负相关。
表 2 沉积物各粒径含量与粒度参数相关性分析Table 2. Correlation analysis between grain size parameters and the volume content of different grain size sediment项目
ItemFSI MSI CSI VCS VFS FS MS CS MZ σ1 SK1 KG C 0.965** 0.869** 0.310* -0.542** -0.846** -0.652** -0.389* -0.336* 0.948** -0.655** -0.665** 0.353* FSI 0.961** 0.466** -0.506** -0.910** -0.732** -0.393** -0.292 0.971** -0.742** -0.711** 0.489** MSI 0.648** -0.368* -0.902** -0.812** -0.433** -0.251 0.951** -0.770** -0.744** 0.598** CSI 0.353* -0.555** -0.824** -0.359* -0.108 0.569** -0.452** -0.702** 0.530** VCS 0.505** -0.17 -0.22 0.004 -0.320* 0.184 0.117 -0.18 VFS 0.700** 0.088 0.058 -0.850** 0.528** 0.822** -0.597** FS 0.539** 0.095 -0.822** 0.601** 0.786** -0.554** MS 0.256 -0.518** 0.555** 0.215 -0.09 CS -0.386* 0.514** -0.02 0.29 MZ -0.768** -0.736** 0.460** σ1 0.238 -0.388* SK1 -0.491** 注:**表示在0.01水平上显著相关, *表示在0.05水平上显著相关。Notes:** means correlation is significant at P < 0.01 level, * means correlation is significant at P < 0.05 level. ![]()
图 6 柱状沉积物粒度参数之间的关系Figure 6. Relationships among the core sediment grain size parameters3. 讨论与结论
3.1 粒径分布的影响因素
生物与环境之间的相互作用影响地形地貌过程，同时也被地形地貌过程所影响[32-33]。红树林湿地的生物地貌过程反映陆海系统之间的相互作用，是海岸带生态系统对全球变化和人类活动的响应和反馈。红树林属于热带海岸生物地貌类型，除了具有高生产力、高归还率外，其通过阻滞水流、降低流速来捕捉细颗粒物质促进淤积过程[34-35]，构成红树林生物地貌功能的物质基础[6, 36]。除了水动力、地形因素外，红树林树体大小、形状、根系特点、分布格局以及其他生物过程都对沉积有影响，长有支柱根等复杂根系的红树林有更强的捕沙促淤能力[6, 34]。研究区内带和外带样点的沉积物粒度差别大，各样点质地均呈现由陆向海逐渐粗化、自底层向上呈细化的趋势。红树林生态演替是红树林群落与沉积物相互作用的反映[23, 36-37]，和很多河口三角洲红树林向海扩展[38]相似，该区域近几十年来红树林不断向海洋/湾口方向呈自然扩展趋势[29]。研究区红树林处于海湾内，B样线靠近湾口，受水动力条件的影响大，A3、B3样点在高程更低的红树林外带，细颗粒更容易被带走，百年时间尺度上的沉积速率更高[39]，更多受潮汐和风浪作用的直接影响，沉积柱垂直方向上的粒径频率分布曲线变化小，说明近百年来沉积的历史环境差异小，而内带样点的沉积受潮汐、潮沟分布和红树林群落组成等多重因素的影响，沉积柱垂直方向上粒径频率分布曲线变化差异大。
红树林沉积物是原位沉积、外来沉积、水动力条件及红树林生态系统共同作用的结果[19]。沉积物来源、水动力及其作用下的搬运方式影响粒度组成[40]。研究区属不正规全日潮为主的混合潮型，是华南海岸最大潮差海区，沉积物来源包括河流、海域的颗粒物沉降、搬运以及原地枯枝落叶的分解沉积。沉积物粒度除了受潮流影响外，风浪尤其暴风浪也影响其粒度特征，细颗粒组分主要来自水体中悬浮物质沉降、凋落物降解，而粗颗粒则来自潮流和风浪影响下的物质推移。研究区所在区域的风暴潮频发，自1949年至2010年影响北部湾北部的热带风暴平均每年为4.77个，2013年连续受到4个强台风侵袭[41], 可能影响颗粒物的垂向沉积[27]，此外在红树林湿地存在多种化学反应和生物作用[35, 43]，沉积物中的溶解态/颗粒态物质的转换对粒度组成的影响需要进一步评估。
频率分布曲线直观显示各粒级沉积物含量及相对贡献，指示搬运方式或来源[40, 42]。一般情况下，单峰态表明沉积物来源或水动力条件单一，双峰、多峰态表明受两种及以上作用共同参与。水动力条件包括潮流、风浪、浪流共同作用等情形，研究区各样点沉积物的频率分布曲线呈现单峰、双峰、多峰等多种类型，说明在沉积过程中有多种作用参与，可能与研究区不正规日潮为主的混合潮型有关，我国其他地区红树林沉积物频率分布曲线也多呈多峰分布[19, 21]。A3、B3、B1样点沉积物频率分布曲线的垂向变化小，说明沉积环境相对稳定，影响沉积物粒度的因素相似，A3、B3处在红树林的外缘，更多受潮流水动力条件的影响，B1样点为白骨壤纯林，其沉积环境相对一致。A1、A2、B2样点的频率分布曲线和粒度特征的垂向变化一定程度上反映了红树林生态演替和促淤造陆过程，随着不断沉积或高程增加，潮汐淹没的频率降低、淹没时间缩短，沉积环境趋于稳定，沉积物更多表现为就近运输，呈现曲线峰数减少、曲线众数区间减小，表层粒度逐渐细化。
3.2 粒度参数影响因素
粒度参数之间的相关性可以指示区域沉积环境及沉积动力要素的差异[13]。研究区沉积物平均粒径与峰度正相关，而与分选系数和偏度负相关，分选系数与峰度负相关，偏度与峰度负相关。研究区靠近陆地的红树林发育程度好，沉积环境相对稳定，随着沉积增加和红树林发育，林内水动力作用变弱，利于悬浮颗粒物沉降，平均粒径增加(粒度变细)，分选程度逐渐变差，与洛阳江河口的研究相似[26]。分析表明，沉积物的粒级组成影响其粒度参数，平均粒径和峰度参数与黏粒、粉粒含量正相关而与砂粒负相关，分选系数和偏度与黏粒、粉粒含量显著负相关。
平均粒径和分选系数与沉积物来源关系密切，平均粒径代表粒度分布的集中趋势，分选系数表示颗粒均匀度和分选程度，与水动力条件关系密切，反映搬运介质的平均动能。一般情况下，细颗粒主要来自较弱水动力条件下水体中悬浮物质的沉降，粗颗粒则来自更低潮滩向高潮滩的跃移搬运[40]，也有研究表明，地形等因素影响沉积物的粒度特征[44]。从平均粒径看，A样线自内带向外带方向上质地呈粗化趋势，而B样线上内带比外带样点的质地更粗，有红海榄分布的中带B2样点沉积物质地最细，群落类型和沉积物粒度特征间的关系有待于进一步验证。研究区6个沉积柱各层次的分选性为较差到差的程度。在水平方向上，A样线表层沉积物由内带向外带分选性变差，B样线表层沉积以中带分选性最好，内带最差；两条样线垂直方向上存在层次变化，A1、A2、B2样点自表层向下分选变差，B1、B3样点自表层向下、A3样点自40 cm以下分选性变好外，看似与总体上细颗粒越多分选性越好相矛盾，但拐点以下的变幅较小，3个样点的频率分布曲线具有相似性，粒径含量的众数偏大即含砂量高。
偏度与峰态反映沉积环境，其中偏度表示频率曲线对称的参数，反映粒度分布的不对称程度，峰度用来衡量粒度频率曲线尖锐程度，对沉积环境的反映更敏感。一般情况下，河成沉积物因悬浮物被大量带向下游，沉积物以粗粒为主，故多属正偏态；海滩沉积物由于潮汐、波浪高能量作用，多数呈近对称或微弱负偏态。本研究中各样点粒度频率曲线从负偏到很正偏的变化，垂直方向上随着粒度组分变化而出现层次变化，沉积过程有多种作用参与。频率分布曲线可以分为两组，A3、B1、B3样点呈中等的正偏态，垂向各层次的曲线相似，沉积环境相对稳定，而A1、A2、B2样点的垂向上频率曲线相对平坦，但受沉积过程的影响峰值变化大。
4. 结论
研究区红树林湿地沉积物机械组成以粉粒和砂粒组分为主，呈现自底层向上逐渐细化的趋势，沉积物粒度特征受粒级组成的影响，空间异质性显著。红树林通过改变水动力条件影响海岸的沉积过程，百年时间尺度上红树林外带的沉积环境相对一致，而内带沉积过程因受水动力条件和植被类型的共同影响而相对复杂，沉积物的形成过程中有多种作用共同参与。
-
![]()
图 1 钱江源国家公园地形和森林实测样地分布图
Figure 1. Digital elevational model and forest survey sample plots in Qianjiangyuan National Park
![]()
图 2 冠层结构参数、海拔与地上生物量观测值的关系以及回归方程（8）对地上生物量（AGB）的拟合度
Figure 2. Relationship between canopy structural parameters, elevation and observed aboveground biomass, and the goodness offit for aboveground biomass (AGB) model using equation (8)
![]()
图 3 钱江源国家公园的冠层结构指数和地上生物量的分布
Figure 3. Canopy structural indices and aboveground biomass distribution in Qianjiangyuan National Park
表 1 航飞设计参数
Table 1 Aeronautical flight design parameters
航飞参数 Flight parameter 值 Value 飞行速度 Flight speed/（km·h−1） 250 飞行高度 Flight height/m 1 960 相对航高 Relative flight height/m 1 660 脉冲频率 Pulse repetition rate/kHz 700 视场角 Field angle of view/（°） 58.52 扫描速率 Scanning rate/lps 246 扫描幅宽 Scanning width/m 1 860 点密度 Point density/（number·m−2） > 4 旁向重叠度 Side overlap/% 20 
下载: 导出CSV
表 2 钱江源国家公园森林地上生物量模型解释变量的系数值
Table 2 Coefficients of explanatory variables in forest aboveground biomass model of Qianjiangyuan National Park
模型解释变量 Model explanatory variable 系数 Coefficient t值 t value p值 p value 1 m × 1 m网格冠层平均高度
Mean canopy height of 1 m × 1 m grid0.424 5.11 < 0.001 2 m × 2 m网格冠层平均高度
Mean canopy height of 2 m × 2 m grid−0.360 −4.09 < 0.001 叶面积垂直分布的标准差
Standard deviation of vertical foliage profile−0.308 −4.55 < 0.001 叶面积垂直分布的香农指数
Shannon index of vertical foliage profile1.274 3.85 < 0.001 冠层最大高度 Maximal canopy height 0.117 4.12 < 0.001 凹凸度 Convexity 0.034 7.53 < 0.001 海拔 Elevation 0.001 7.27 < 0.001
下载: 导出CSV
-
[1] Lohbeck M, Poorter L, Martínez-Ramos M, et al. Biomass is the main driver of changes in ecosystem process rates during tropical forest succession[J]. Ecology, 2015, 96(5): 1242−1252. doi: 10.1890/14-0472.1
[2] Poorter L, Bongers F, Aide T M, et al. Biomass resilience of Neotropical secondary forests[J]. Nature, 2016, 530: 211−214. doi: 10.1038/nature16512
[3] 马克平. 国家公园首先是自然保护基地[J]. 生物多样性, 2014, 22(4): 415−417. Ma K P. Nature conservation is the first priority for a national park[J]. Biodiversity Science, 2014, 22(4): 415−417.
[4] Coops N C, Tompalski P, Goodbody T R H, et al. Modelling lidar-derived estimates of forest attributes over space and time: a review of approaches and future trends[J]. Remote Sensing of Environment, 2021, 260: 112477. doi: 10.1016/j.rse.2021.112477
[5] Pandit S, Tsuyuki S, Dube T. Estimating above-ground biomass in sub-tropical buffer zone community forests, nepal, using sentinel 2 data[J]. Remote Sensing, 2018, 10(4): 601. doi: 10.3390/rs10040601
[6] 周俊宏, 王子芝, 廖声熙, 等. 基于GF-1影像的普达措国家公园森林地上生物量遥感估算[J]. 农业工程学报, 2021, 37(4): 216−223. doi: 10.11975/j.issn.1002-6819.2021.4.026 Zhou J H, Wang Z Z, Liao S X, et al. Remote sensing estimation of forest aboveground biomass in Potatso National Park using GF-1 images[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(4): 216−223. doi: 10.11975/j.issn.1002-6819.2021.4.026
[7] Rodríguez-Veiga P, Wheeler J, Louis V, et al. Quantifying forest biomass carbon stocks from space[J]. Current Forestry Reports, 2017, 3(1): 1−18. doi: 10.1007/s40725-017-0052-5
[8] Jucker T, Caspersen J, Chave J, et al. Allometric equations for integrating remote sensing imagery into forest monitoring programmes[J]. Global Change Biology, 2017, 23(1): 177−190. doi: 10.1111/gcb.13388
[9] Fischer R, Knapp N, Bohn F, et al. The relevance of forest structure for biomass and productivity in temperate forests: new perspectives for remote sensing[J]. Surveys in Geophysics, 2019, 40(4): 709−734. doi: 10.1007/s10712-019-09519-x
[10] Coomes D A, Dalponte M, Jucker T, et al. Area-based vs tree-centric approaches to mapping forest carbon in Southeast Asian forests from airborne laser scanning data[J]. Remote Sensing of Environment, 2017, 194: 77−88. doi: 10.1016/j.rse.2017.03.017
[11] 于明坚, 胡正华, 余建平, 等. 浙江古田山自然保护区森林植被类型[J]. 浙江大学学报(农业与生命科学版), 2001, 27(4): 23−28. Yu M J, Hu Z H, Yu J P, et al. Forest vegetation types in Gutianshan Natural Reserve in Zhejiang[J]. Journal of Zhejiang University (Agriculture & Life Science), 2001, 27(4): 23−28.
[12] 张田田, 王璇, 任海保, 等. 浙江古田山次生与老龄常绿阔叶林群落特征的比较[J]. 生物多样性, 2019, 27(10): 1069−1080. doi: 10.17520/biods.2019059 Zhang T T, Wang X, Ren H B, et al. A comparative study on the community characteristics of secondary and old-growth evergreen broad-leaved forests in Gutianshan, Zhejiang Province[J]. Biodiversity Science, 2019, 27(10): 1069−1080. doi: 10.17520/biods.2019059
[13] Guo Q, Su Y, Hu T, et al. An integrated UAV-borne lidar system for 3D habitat mapping in three forest ecosystems across China[J]. International Journal of Remote Sensing, 2017, 38(8−10): 2954−2972.
[14] Harms K E, Condit R, Hubbell S P, et al. Habitat associations of trees and shrubs in a 50-ha neotropical forest plot[J]. Journal of Ecology, 2001, 89: 947−959. doi: 10.1111/j.1365-2745.2001.00615.x
[15] Yamakura T, Kanzaki A, Itoh T, et al. Topography of a large-scale research plot established within a tropical rain forest at Lambir, Sarawak[J]. Tropics, 1995, 5: 41−56. doi: 10.3759/tropics.5.41
[16] Getzin S, Wiegand K, Schöning I. Assessing biodiversity in forests using very high-resolution images and unmanned aerial vehicles[J]. Methods in Ecology and Evolution, 2012, 3(2): 397−404. doi: 10.1111/j.2041-210X.2011.00158.x
[17] Knapp N, Fischer R, Cazcarra-Bes V, et al. Structure metrics to generalize biomass estimation from lidar across forest types from different continents[J]. Remote Sensing of Environment, 2020, 237: 111597. doi: 10.1016/j.rse.2019.111597
[18] Roussel J R, Auty D, Coops N C, et al. LidR: an R package for analysis of Airborne Laser Scanning (ALS) data[J]. Remote Sensing of Environment, 2020, 251: 112061. doi: 10.1016/j.rse.2020.112061
[19] Hijmans R J, Bivand R, Forner K, et al. Terra: spatial data analysis. R package version 1.6-7[Z/OL]. [2022−07−21]. https://CRAN.R-project.org/package=terra.
[20] R Core Team. R: a language and environment for statistical computing. R Foundation for Statistical Computing, 2022, Vienna, Austria[Z/OL]. [2022−07−21]. https://www.R-project.org/.
[21] Gough C M, Atkins J W, Fahey R T, et al. High rates of primary production in structurally complex forests[J]. Ecology, 2019, 100(10): e02864.
[22] Ali A. Forest stand structure and functioning: current knowledge and future challenges[J]. Ecological Indicators, 2019, 98: 665−677. doi: 10.1016/j.ecolind.2018.11.017
[23] 王晓莉, 常禹, 陈宏伟, 等. 黑龙江省大兴安岭森林生物量空间格局及其影响因素[J]. 应用生态学报, 2014, 25(4): 974−982. doi: 10.13287/j.1001-9332.2014.0082 Wang X L, Chang Y, Chen H W, et al. Spatial pattern of forest biomass and its influencing factors in the Great Xing’an Mountains, Heilongjiang Province, China[J]. Chinese Journal of Applied Ecology, 2014, 25(4): 974−982. doi: 10.13287/j.1001-9332.2014.0082
[24] Lin D, Lai J, Yang B, et al. Forest biomass recovery after different anthropogenic disturbances: relative importance of changes in stand structure and wood density[J]. European Journal of Forest Research, 2015, 134: 769−780. doi: 10.1007/s10342-015-0888-9
[25] 余建平, 伊晓霞, 余顺海, 等. 基于景观格局指数的钱江源国家公园生态系统完整性评价分析[J]. 浙江林业科技, 2020, 40(4): 30−36. doi: 10.3969/j.issn.1001-3776.2020.04.005 Yu J P, Yi X X, Yu S H, et al. Analysis on ecological integrity of Qianjiangyuan National Park based on landscape pattern index[J]. Zhejiang Forest Science and Technology, 2020, 40(4): 30−36. doi: 10.3969/j.issn.1001-3776.2020.04.005
-
期刊类型引用(5)
1. 周治刚，岳文，李辉权，林阳阳. 树种类型和潮滩高程对广东湛江高桥红树林碳储量的影响. 热带海洋学报. 2024(02): 108-120 . 
百度学术
2. 傅开哲，龙军桥，陈泽恒，丁伟品，黄赞慧. 陵水、新盈红树林和海草湿地表层沉积物重金属分布及污染特征. 广西科学. 2023(02): 277-290 . 百度学术
3. 潘超，郭玉清，陈芳. 高桥红树林湿地冬季海洋线虫群落结构. 集美大学学报(自然科学版). 2022(01): 17-23 . 百度学术
4. 陈瑶瑶，张雅松，娄铎，于晨曦，管东生. 广东英罗湾不同潮位红树林-滩涂系统碳密度差异. 生态环境学报. 2019(06): 1134-1140 . 百度学术
5. 赵泽阳，赵志忠，付博，邢瑶丽. 海南岛北部地区红树林湿地土壤有机碳分布规律及影响因素. 广东农业科学. 2018(12): 49-55 . 百度学术
其他类型引用(5)
计量
- 文章访问数: 755
- HTML全文浏览量: 382
- PDF下载量: 161
- 被引次数: 10
