高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

不同幅度景观格局与水分利用效率耦合研究

温永斌 韩海荣 程小琴 李祖政

引用本文:
Citation:

不同幅度景观格局与水分利用效率耦合研究

    作者简介: 温永斌。主要研究方向:森林生态学。Email:1744215892@qq.com  地址:100083 北京市海淀区清华东路35号北京林业大学林学院.
    通讯作者: 韩海荣,教授,博士生导师。主要研究方向:森林生态学。Email:hanhr@bifu.edu.cn。 地址:同上. 
  • 中图分类号: S718.51+2.3

Coupling of landscape patter and water use efficiency with different amplitudes: a case study of Qianyanzhou in eastern China

  • 摘要: 景观格局是生态过程在一定时空尺度上综合作用的产物,它对生态系统内的碳水分配以及碳、水循环过程中的耦合作用有极其重要的影响。目的 为了探讨多尺度下景观格局与水分利用效率的相互作用规律,为景观格局与生态过程耦合关系的研究以及区域生态规划提供一定的理论基础。方法 本研究采用PEST模型参数优化后的Biome-BGC模型模拟了千烟洲森林生态系统2000—2014年的水分利用效率,并分析了多尺度下景观格局指数和水分利用效率、年总初级生产力的相关性及其变化趋势。结果 结果表明:1) 景观破碎化指数(斑块数量、斑块密度)与水分利用效率在缓冲区为10−80范围内呈显著负相关关系;平均斑块面积和水分利用效率在缓冲区为10−80范围内呈显著正相关关系。2) 景观形状指数(景观形状指数、分维度指数)与水分利用效率在缓冲区为50−100范围内呈显著正相关。3) 景观聚合度指数(相似邻接百分比、聚集度指数)与水分利用效率间的相关性在缓冲区为10−50范围内呈显著正相关。4) 景观多样性和均匀性指数与水分利用效率间的相关性在缓冲区为10−20时呈显著负相关,70−100时变为显著正相关。5) 景观格局指数和水分利用效率的相关性表现出明显的尺度效应。6) 总初级生产力和景观格局指数相关性的变化规律同水分利用效率和景观格局指数相关性的变化规律一致。结论 景观格局与生态过程的耦合受到尺度效应的影响,建议区域生态规划要充分考虑尺度效应,使景观格局与生态过程发挥最大的耦合效用。
  • 图 1  研究区位和缓冲区示意图

    Figure 1.  Schematic diagram of study area and station buffer

    图 2  PEST模型参数优化流程图

    Figure 2.  Optimization flowchart of PEST parameter

    图 3  千烟洲2000—2014水分利用效率

    Figure 3.  Water use efficiency of Qianyanzhou from 2000 to 2014

    表 1  不同尺度景观格局与水分利用效率相关性分析

    Table 1.  Correlation analysis between landscape pattern and water use efficiency at different scales

    缓冲区
    Buffer
    斑块数量
    NP
    斑块密度
    PD
    平均斑块面积
    AREA-MN
    斑块形状指数
    SHAPE
    分维度指数
    FRAC
    相似邻接百分比
    PLADJ
    聚集度指数
    AI
    香浓多样性指数
    SIDI
    香浓均匀性指数
    SIEI
    10 km WUE − 0.606* − 0.596* 0.607* − 0.434 − 0.383 0.613* 0.604* − 0.584* − 0.639*
    20 km WUE − 0.703** − 0.711** 0.728** − 0.135 − 0.200 0.707** 0.708** − 0.605* − 0.606*
    30 km WUE − 0.683** − 0.676** 0.700** − 0.211 0.178 0.682** 0.683** 0.276 0.173
    40 km WUE − 0.673** − 0.668** 0.686** 0.172 0.221 0.662** 0.663** 0.450 0.317
    50 km WUE − 0.619* − 0.616* 0.626* 0.544* 0.590* 0.606* 0.607* 0.531 0.502
    60 km WUE − 0.572* − 0.568* 0.587* 0.722** 0.714** 0.452 0.454 0.490 0.441
    70 km WUE − 0.571* − 0.566* 0.585* 0.712** 0.696** 0.253 0.258 0.558* 0.526
    80 km WUE − 0.576* − 0.549* 0.593* 0.724** 0.717** 0.167 0.172 0.565* 0.565*
    90 km WUE − 0.519 − 0.510 0.529 0.651* 0.682** 0.080 0.083 0.556* 0.556*
    100 km WUE − 0.434 − 0.421 0.439 0.619* 0.660* − 0.099 − 0.097 0.575* 0.576*
    下载: 导出CSV

    表 2  不同尺度景观格局和总初级生产力相关性分析

    Table 2.  Correlation analysis of landscape pattern and total primary productivity at different scales

    缓冲区Buffer斑块数量NP斑块密度PD平均斑块面积AREA-MN斑块形状指数SHAPE分维度指数FRAC相似邻接百分比PLADJ聚集度指数AI香浓多样性指数SIDI香浓均匀性指数SIEI
    10 km GPP − 0.626* − 0.641* 0.623* − 0.199 − 0.029 0.572* 0.562* − 0.498 − 0.537*
    20 km GPP − 0.675** − 0.664** 0.685** − 0.109 − 0.159 0.673** 0.670** − 0.518 − 0.519
    30 km GPP − 0.651* − 0.649* 0.662** − 0.139 − 0.302 0.655* 0.658* 0.307 0.248
    40 km GPP − 0.628* − 0.618* 0.640* 0.428 0.080 0.615* 0.611* 0.474 0.381
    50 km GPP − 0.625* − 0.604* 0.640* 0.585* 0.305 0.574* 0.566* 0.516 0.503
    60 km GPP − 0.480 − 0.479 0.492 0.585* 0.611* 0.399 0.402 0.503 0.468
    70 km GPP − 0.482 − 0.468 0.493 0.586* 0.642* 0.249 0.254 0.561* 0.539*
    80 km GPP − 0.498 − 0.466 0.515 0.616* 0.638* 0.155 0.159 0.569* 0.570*
    90 km GPP − 0.487 − 0.453 0.502 0.674** 0.662** 0.076 0.078 0.558* 0.559*
    100 km GPP − 0.416 − 0.427 0.428 0.688** 0.714** − 0.100 − 0.098 0.571* 0.571*
    下载: 导出CSV
  • [1] Lawler J J. Landscape pattern and ecological process: an important update of a classic textbook[J]. Ecology, 2017, 98(8): 2231−2232. doi: 10.1002/ecy.1868
    [2] Dorner B, Lertzman K, Fall J. Landscape pattern in topographically complex landscapes: issues and techniques for analysis[J]. Landscape Ecology, 2002, 17(8): 729−743. doi: 10.1023/A:1022944019665
    [3] 傅伯杰, 陈利顶, 王军, 等. 土地利用结构与生态过程[J]. 第四纪研究, 2003, 23(3):247−255. doi: 10.3321/j.issn:1001-7410.2003.03.002Fu B J, Chen L D, Wang J, et al. Land use structure and ecological processes[J]. Quaternary Sciences, 2003, 23(3): 247−255. doi: 10.3321/j.issn:1001-7410.2003.03.002
    [4] 胡中民, 于贵瑞, 王秋凤, 等. 生态系统水分利用效率研究进展[J]. 生态学报, 2009, 29(3):1498−1507. doi: 10.3321/j.issn:1000-0933.2009.03.048Hu Z M, Yu G R, Wang Q F, et al. Ecosystem level water use efficiency: a review[J]. Acta Ecologica Sinica, 2009, 29(3): 1498−1507. doi: 10.3321/j.issn:1000-0933.2009.03.048
    [5] Fu B, Liang D, Lu N. Landscape ecology: coupling of pattern, process, and scale[J]. Chinese Geographical Science, 2011, 21(4): 385−391. doi: 10.1007/s11769-011-0480-2
    [6] 梁友嘉, 刘丽珺. 生态系统服务与景观格局集成研究综述[J]. 生态学报, 2018, 38(20):7159−7167.Liang Y J, Liu L J. Integration of ecosystem services and landscape pattern: a review[J]. Acta Ecologica Sinica, 2018, 38(20): 7159−7167.
    [7] Hassett E M, Stehman S V, Wickham J D. Estimating landscape pattern metrics from a sample of land cover[J]. Landscape Ecology, 2012, 27(1): 133−149. doi: 10.1007/s10980-011-9657-4
    [8] Su S, Xiao R, Jiang Z, et al. Characterizing landscape pattern and ecosystem service value changes for urbanization impacts at an eco-regional scale[J]. Applied Geography, 2012, 34: 295−305. doi: 10.1016/j.apgeog.2011.12.001
    [9] 吕一河, 陈利顶, 傅伯杰. 景观格局与生态过程的耦合途径分析[J]. 地理科学进展, 2007, 26(3):1−10. doi: 10.3969/j.issn.1007-6301.2007.03.001Lü Y H, Chen L D, Fu B J. Analysis of the integrating approach on landscape pattern and ecological processes[J]. Progress in Geography, 2007, 26(3): 1−10. doi: 10.3969/j.issn.1007-6301.2007.03.001
    [10] 于贵瑞, 高扬, 王秋凤, 等. 陆地生态系统碳氮水循环的关键耦合过程及其生物调控机制探讨[J]. 中国生态农业学报, 2013, 21(1):1−13.Yu G R, Gao Y, Wang Q F, et al. Discussion on the key processes of carbon-nitrogen-water coupling cycles and biological regulation mechanisms in terrestrial ecosystem[J]. Chinese Journal of Eco-Agriculture, 2013, 21(1): 1−13.
    [11] 王让会. 景观尺度、过程及格局(LSPP)研究的内涵及特点[J]. 热带地理, 2018, 38(4):458−464.Wang R H. Connotation and characteristics of landscape scale, process and pattern (LSPP) research[J]. Tropical Geography, 2018, 38(4): 458−464.
    [12] 于贵瑞, 何洪林, 周玉科. 大数据背景下的生态系统观测与研究[J]. 中国科学院院刊, 2018, 33(8):832−837.Yu G R, He H B, Zhou Y K. Ecosystem observation and research under background of big data[J]. Bulletin of Chinese Academy of Sciences, 2018, 33(8): 832−837.
    [13] 徐延达, 傅伯杰, 吕一河. 基于模型的景观格局与生态过程研究[J]. 生态学报, 2010, 30(1):212−220.Xu Y D, Fu B J, Lü Y H. Research on landscape patternand ecological processes based on landscape models[J]. Acta Ecologica Sinica, 2010, 30(1): 212−220.
    [14] 邬建国. 景观生态学:格局、过程尺度与等级[M]. 北京:高等教育出版社,2000.Wu J G. Landscape ecology: pattern, process, scale and hierarchy[M]. Beijing: Higher Education Press, 2000.
    [15] Fu B, Liang D, Lu N. Landscape ecology: coupling of pattern, process, and scale[J]. Chinese Geographical Science, 2011, 21(4): 385−391. doi: 10.1007/s11769-011-0480-2
    [16] 傅伯杰. 地理学综合研究的途径与方法:格局与过程耦合[J]. 地理学报, 2014, 69(8):1052−1059. doi: 10.11821/dlxb201408002Fu B J. The integrated studies of geography: coupling of patterns and processes[J]. Acta Geographica Sinica, 2014, 69(8): 1052−1059. doi: 10.11821/dlxb201408002
    [17] 于贵瑞, 王秋凤, 方华军. 陆地生态系统碳-氮-水耦合循环的基本科学问题、理论框架与研究方法[J]. 第四纪研究, 2014, 34(4):683−698. doi: 10.3969/j.issn.1001-7410.2014.04.01Yu G R, Wang Q F, Fang H J. Fundamental scientific issues, theoretical framework and relative research methods of carbon-nitrogen-water coupling cycles in terrestrial ecosystems[J]. Quaternary Science, 2014, 34(4): 683−698. doi: 10.3969/j.issn.1001-7410.2014.04.01
    [18] 陈利顶, 吕一河, 傅伯杰, 等. 基于模式识别的景观格局分析与尺度转换研究框架[J]. 生态学报, 2006, 26(3):663−670. doi: 10.3321/j.issn:1000-0933.2006.03.005Chen L D, Lü Y H, Fu B J, et al. A framework on landscape pattern analysis and scale change by using pattern recognition approach[J]. Acta Ecologica Sinica, 2006, 26(3): 663−670. doi: 10.3321/j.issn:1000-0933.2006.03.005
    [19] 谢馨瑶, 李爱农, 靳华安. 大尺度森林碳循环过程模拟模型综述[J]. 生态学报, 2018, 38(1):41−54. doi: 10.3969/j.issn.1673-1182.2018.01.009Xie X Y, Li A N, Jin H A. The simulation models of the forest carbon cycle on a large scale: a review[J]. Acta Ecologica Sinica, 2018, 38(1): 41−54. doi: 10.3969/j.issn.1673-1182.2018.01.009
    [20] Ueyama M, Ichii K, Hirata R, et al. Simulating carbon and water cycles of larch forests in East Asia by the BIOME-BGC model with Asia Flux data[J]. Biogeosciences, 2010, 7(3): 959−977. doi: 10.5194/bg-7-959-2010
    [21] 李书恒, 侯丽, 史阿荣, 等. 基于Biome-BGC模型及树木年轮的太白红杉林生态系统对气候变化的响应[J]. 生态学报, 2018, 38(20):1−11.Li S H, Hou L, Shi A R, et al. Response of Larix chinensis forest ecosystem to climate change based on Biome-BGC model and tree rings[J]. Acta Ecologica Sinica, 2018, 38(20): 1−11.
    [22] 李一哲, 张廷龙, 刘秋雨, 等. 生态过程模型敏感参数最优取值的时空异质性分析——以BIOME-BGC模型为例[J]. 应用生态学报, 2018, 29(1):84−92.Li Y Z, Zhang Y L, Liu Q Y, et al. Temporal and spatial heterogeneity analysis of optimal value of sensitive parameters in ecological process model: the BIOME-BGC model as an example[J]. Chinese Journal of Applied Ecology, 2018, 29(1): 84−92.
    [23] Watson T A, Doherty J E, Christensen S. Parameter and predictive outcomes of model simplification[J]. Water Resources Research, 2013, 49(7): 3952−3977. doi: 10.1002/wrcr.20145
    [24] 董艳辉, 李国敏, 郭永海, 等. 应用并行PEST算法优化地下水模型参数[J]. 工程地质学报, 2010, 18(1):140−144. doi: 10.3969/j.issn.1004-9665.2010.01.021Dong Y H, Li G M, Guo Y H, et al. Optimization of model parameters for ground water flow using parallelized PEST method[J]. Journal of Engineering Geology, 2010, 18(1): 140−144. doi: 10.3969/j.issn.1004-9665.2010.01.021
    [25] 梁浩, 胡克林, 李保国. 基于PEST的土壤-作物系统模型参数优化及灵敏度分析[J]. 农业工程学报, 2016, 32(3):78−85. doi: 10.11975/j.issn.1002-6819.2016.03.012Liang H, Hu K L, Li B G. Parameter optimization and sensitivity analysis of soil-crop system model using PEST[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(3): 78−85. doi: 10.11975/j.issn.1002-6819.2016.03.012
    [26] 王礼恒, 董艳辉, 李国敏, 等. 基于PEST的地下水数值模拟参数优化的应用[J]. 工程勘察, 2014, 42(3):38−42. doi: 10.3969/j.issn.1000-1433.2014.03.009Wang L H, Dong Y H, Li G M, et al. Application of groundwater numerical simulation for parameter optimization based on PEST[J]. Geotechnical Investigation & Surveying, 2014, 42(3): 38−42. doi: 10.3969/j.issn.1000-1433.2014.03.009
    [27] Nolan B T, Malone R W, Doherty J E, et al. Data worth and prediction uncertainty for pesticide transport and fate models in Nebraska and Maryland, United States[J]. Pest Management Science, 2015, 71(7): 972−985. doi: 10.1002/ps.3875
    [28] 王礼恒, 董艳辉, 李国敏, 等. 基于PEST 的地下水数值模拟参数优化的应用[J]. 工程勘察, 2014, 42(3):38−42. doi: 10.3969/j.issn.1000-1433.2014.03.009Wang L H, Dong Y H, Li G M, et al. Application of groundwater numerical simulation for parameter optimization based on PEST[J]. Geotechnical Investigation & Surveying, 2014, 42(3): 38−42. doi: 10.3969/j.issn.1000-1433.2014.03.009
    [29] 李祖政, 尤海梅, 王梓懿. 徐州城市景观格局对绿地植物多样性的多尺度影响[J]. 应用生态学报, 2018, 29(6):1813−1821.Li Z Z, You H M, Wang Z Y. Multi-scale effects of urban landscape pattern on plant diversity in Xuzhou City, Jiangsu Province, China[J]. Chinese Journal of Applied Ecology, 2018, 29(6): 1813−1821.
    [30] O'Neill R V, Krummel J R, Gardner R H, et al. Indices of landscape pattern[J]. Landscape Ecology, 1988, 1(3): 153−162. doi: 10.1007/BF00162741
    [31] Li S J, Sui Y Z, Sun Z H, et al. Landscape pattern and fragmentation of natural secondary forests in the eastern mountainous region, northeast China: a case study of Mao'ershan forests in Heilongjiang Province[J]. Journal of Forestry Research, 2005, 16(1): 35−38. doi: 10.1007/BF02856851
    [32] Mariano M D L H, Saco P M, Willgoose G R, et al. Assessing landscape structure and pattern fragmentation in semiarid ecosystems using patch-size distributions[J]. Ecological Applications, 2011, 21(7): 2793−2805. doi: 10.1890/10-2113.1
    [33] Wu J. Effects of changing scale on landscape pattern analysis: scaling relations[J]. Landscape Ecology, 2004, 19(2): 125−138. doi: 10.1023/B:LAND.0000021711.40074.ae
    [34] 傅伯杰. 地理学综合研究的途径与方法:格局与过程耦合[J]. 地理学报, 2014, 69(8):1052−1059. doi: 10.11821/dlxb201408002Fu B J. The integrated studies of geography: coupling of patterns and processes[J]. Acta Geographica Sinica, 2014, 69(8): 1052−1059. doi: 10.11821/dlxb201408002
    [35] 傅伯杰, 徐延达, 吕一河. 景观格局与水土流失的尺度特征与耦合方法[J]. 地球科学进展, 2010, 25(7):673−681.Fu B J, Xu Y D, Lü Y H. Scale characteristics and coupled research of landscape pattern and soil and water loss[J]. Advances in Earth Science, 2010, 25(7): 673−681.
    [36] 陈利顶, 徐建英, 傅伯杰, 等. 斑块边缘效应的定量评价及其生态学意义[J]. 生态学报, 2004, 24(9):1827−1832. doi: 10.3321/j.issn:1000-0933.2004.09.001Chen L D, Xu J Y, Fu B J, et al. Quantitative assessment of patch edge effects and its ecological implications[J]. Acta Ecologica Sinica, 2004, 24(9): 1827−1832. doi: 10.3321/j.issn:1000-0933.2004.09.001
    [37] 田超, 杨新兵, 刘阳. 边缘效应及其对森林生态系统影响的研究进展[J]. 应用生态学报, 2011, 22(8):2184−2192.Tian C, Yang X B, Liu Y. Edge effect and its impacts on forest ecosystem: a review[J]. Chinese Journal of Applied Ecology, 2011, 22(8): 2184−2192.
    [38] 陈雅如. 三峡库区森林生产力与碳储量对景观格局变化的响应[D]. 北京: 中国林业科学研究院, 2017.Chen Y R. The response of forest productivity and carbon storage to landscape pattern change in Three Gorges Reservoir Area[D]. Beijing: Chinese Academy of Forestry, 2017.
    [39] Wang F, Jiang H, Zhang X M. Spatial-temporal dynamics of gross primary productivity, evapotranspiration, and water-use efficiency in the terrestrial ecosystems of the Yangtze River Delta Region and their relations to climatic variables[J]. International Journal of Remote Sensing, 2015, 36(10): 2645−2673.
    [40] 陈利顶, 傅伯杰. 景观连接度的生态学意义及其应用[J]. 生态学杂志, 1996, 15(4):37−42. doi: 10.3321/j.issn:1000-4890.1996.04.010Chen L D, Fu B J. The ecological significance and application of landscape connectivity[J]. Chinese Journal of Ecology, 1996, 15(4): 37−42. doi: 10.3321/j.issn:1000-4890.1996.04.010
    [41] 胡艳, 杨瑞. 宽阔水自然保护区景观格局特征分析[J]. 生态科学, 2018, 37(3):184−188.Hu Y, Yang R. Analysis of landscape pattern characteristics of Kuankuoshui Natural Reserve[J]. Ecological Science, 2018, 37(3): 184−188.
    [42] Wang H, Hall C A S, Scatena F N, et al. Modeling the spatial and temporal variability in climate and primary productivity across the Luquillo Mountains, Puerto Rico[J]. Forest Ecology & Management, 2003, 179(1): 69−94.
    [43] 陈文波, 肖笃宁, 李秀珍. 景观指数分类、应用及构建研究[J]. 应用生态学报, 2002, 13(1):121−125. doi: 10.3321/j.issn:1001-9332.2002.01.027Chen W B, Xiao D N, Li X Z. Classification, application, and creation of landscape indices[J]. Chinese Journal of Applied Ecology, 2002, 13(1): 121−125. doi: 10.3321/j.issn:1001-9332.2002.01.027
    [44] 肖笃宁, 布仁仓, 李秀珍. 生态空间理论与景观异质性[J]. 生态学报, 1997, 17(5):3−11.Xiao D N, Bu R C, Li X Z. Spatial ecology and landscape heterogeneity[J]. Acta Ecological Sinica, 1997, 17(5): 3−11.
    [45] 孙拥康. 森林景观格局与环境关系的尺度效应研究[D]. 长沙: 中南林业科技大学, 2013.Sun Y K. Study on relationship and scale effect between forest landscape pattern and environment: case on west Dongting Lake Region[D]. Changsha: Central South University of Forestry and Technology, 2013.
    [46] 郭建军. 流域生态承载力空间尺度效应与优化研究[D]. 兰州: 兰州大学, 2014.Guo J J. Spatial scale effect and optimization of basin’s biocapacity: case studies of Shiyang River Basin and Jinghe River Watershed[D]. Lanzhou: Lanzhou University, 2014.
    [47] 仇宽彪. 中国植被总初级生产力、蒸散发及水分利用效率的估算及时空变化[D]. 北京: 北京林业大学, 2015.Qiu K B. Estimating regional vegetation gross primary productivity (GPP), evapotranspiration (ET), water use efficiency (WUE) and their spatial and temporal distribution across China[D]. Beijing: Beijing Forest University, 2015.
  • [1] 温永斌韩海荣程小琴李祖政 . 基于Biome-BGC模型的千烟洲森林水分利用效率研究. 北京林业大学学报, doi: 10.13332/j.1000-1522.20190001
    [2] 孔博邓伟陶和平于欢李爱农 . 三江平原典型湿地的多尺度人为干扰格局研究. 北京林业大学学报,
    [3] 杨爽袁晓娜王中轩祝璞贾桂霞 . HgCl2胁迫对东方百合叶烧指数和水分利用效率的影响. 北京林业大学学报, doi: 10.13332/j.1000-1522.20150306
    [4] 郭鹏邢海涛夏新莉尹伟伦 . 3个新引进黑杨无性系间水分利用效率差异性研究. 北京林业大学学报,
    [5] 腰政懋柴源冯博徐程扬 . 水分胁迫下7个种源辽东冷杉幼苗水分利用效率差异. 北京林业大学学报, doi: 10.13332/j.1000-1522.20140452
    [6] 段爱国张建国张俊佩何彩云 . 干热河谷主要植被恢复树种水分利用效率动态分析. 北京林业大学学报,
    [7] 沈芳芳樊后保吴建平刘文飞雷学明雷学臣 . 植物叶片水平δ13C与水分利用效率的研究进展. 北京林业大学学报, doi: 10.13332/j.1000-1522.20170142
    [8] 张韫李响张帆廖苑如 . CO2升高对红松幼苗水分生理特征与土壤含水率变化的影响. 北京林业大学学报, doi: 10.13332/j.cnki.jbfu.2015.01.004
    [9] 张香凝孙向阳王保平乔杰崔令军黄瑜 . 土壤水分含量对Larrea tridentata苗木光合生理特性的影响. 北京林业大学学报,
    [10] 夏江宝张光灿刘京涛刘庆陈建 , . 美国凌霄光合生理参数对水分与光照的响应. 北京林业大学学报,
    [11] 王丹安轶韩潇周扬颜王厚领郭惠红夏新莉尹伟伦 . 超表达杨树RPEase基因促进了拟南芥的生长发育. 北京林业大学学报, doi: 10.13332/j.1000-1522.20150507
    [12] 秦景贺康宁朱艳艳 . 库布齐沙漠几种常见灌木光合生理特征与土壤含水量的关系. 北京林业大学学报,
    [13] 高杰张君程艳霞孙国文 . 长白山不同林型空间格局及树种多样性多尺度分析. 北京林业大学学报, doi: 10.13332/j.cnki.jbfu.2014.06.019
    [14] 要伊桐元正龙魏彦波赵秀海 . 长白山次生杨桦林树种多样性格局多尺度分析. 北京林业大学学报, doi: 10.13332/j.cnki.jbfu.2014.06.017
    [15] 杜乐山杨洪晓郭晓蕾董大颖关文彬 . 黄连木群落种间联结指数-等级格局模型研究. 北京林业大学学报,
    [16] 赵俊卉周志强李贤军刘志军宗世祥于寒颖雷霆雷相东张煜星肖化顺王志玲杜官本张展羽程金新施婷婷李国平江泽慧周国模程丽莉黄心渊陈伟崔彬彬刘智曹伟徐剑琦郭广猛张璧光张则路丁立建苏里坦王正郝雨苏淑钗王海黄群策骆有庆张贵关德新吴家森张璧光王正杨谦李云李云雷洪张彩虹曹金珍刘童燕张国华金晓洁]贺宏奎周晓燕许志春方群李文军秦岭黄晓丽刘彤常亮陈晓光张佳蕊张大红张书香刘大鹏吴家兵张慧东姜培坤宋南王勇秦广雍李延军苏晓华张弥陈燕蔡学理冯慧姜金仲刘建立高黎于兴华姜静刘海龙张金桐王德国朱彩霞王安志陈绪和成小芳周梅尹伟伦张冰玉王谦张勤聂立水亢新刚张连生陈建伟3金昌杰冯大领梁树军崔国发胡君艳韩士杰姚国龙 . 叶片δ13C与长期水分利用效率的关系. 北京林业大学学报,
    [17] 田勇臣刘少刚赵刚胡健李文彬 . 森林火灾蔓延多模型预测系统研究. 北京林业大学学报,
    [18] 杨爱国付志祥王玲莉肖凤祥王利范鹏辉张建秋 . 科尔沁沙地杨树水分利用策略. 北京林业大学学报, doi: 10.13332/j.1000-1522.20170430
    [19] 王力朋李吉跃王军辉何茜苏艳 , . 指数施肥对楸树无性系幼苗生长和氮素吸收利用效率的影响. 北京林业大学学报,
    [20] 黄俊吴普特赵西宁 , . 多参数非线性降雨产流阈值模型试验研究. 北京林业大学学报,
  • 加载中
图(3)表(2)
计量
  • 文章访问数:  365
  • HTML全文浏览量:  193
  • PDF下载量:  21
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-04-10
  • 录用日期:  2019-05-15
  • 网络出版日期:  2019-10-08

不同幅度景观格局与水分利用效率耦合研究

    通讯作者: 韩海荣, hanhr@bifu.edu.cn
    作者简介: 温永斌。主要研究方向:森林生态学。Email:1744215892@qq.com  地址:100083 北京市海淀区清华东路35号北京林业大学林学院
  • 北京林业大学森林资源生态系统过程北京市重点实验室,北京 100083

摘要: 景观格局是生态过程在一定时空尺度上综合作用的产物,它对生态系统内的碳水分配以及碳、水循环过程中的耦合作用有极其重要的影响。目的为了探讨多尺度下景观格局与水分利用效率的相互作用规律,为景观格局与生态过程耦合关系的研究以及区域生态规划提供一定的理论基础。方法本研究采用PEST模型参数优化后的Biome-BGC模型模拟了千烟洲森林生态系统2000—2014年的水分利用效率,并分析了多尺度下景观格局指数和水分利用效率、年总初级生产力的相关性及其变化趋势。结果结果表明:1) 景观破碎化指数(斑块数量、斑块密度)与水分利用效率在缓冲区为10−80范围内呈显著负相关关系;平均斑块面积和水分利用效率在缓冲区为10−80范围内呈显著正相关关系。2) 景观形状指数(景观形状指数、分维度指数)与水分利用效率在缓冲区为50−100范围内呈显著正相关。3) 景观聚合度指数(相似邻接百分比、聚集度指数)与水分利用效率间的相关性在缓冲区为10−50范围内呈显著正相关。4) 景观多样性和均匀性指数与水分利用效率间的相关性在缓冲区为10−20时呈显著负相关,70−100时变为显著正相关。5) 景观格局指数和水分利用效率的相关性表现出明显的尺度效应。6) 总初级生产力和景观格局指数相关性的变化规律同水分利用效率和景观格局指数相关性的变化规律一致。结论景观格局与生态过程的耦合受到尺度效应的影响,建议区域生态规划要充分考虑尺度效应,使景观格局与生态过程发挥最大的耦合效用。

English Abstract

  • 景观格局指景观内各要素的空间结构和分布特征[1]。由于自然、人类和生物因素的相互影响,它是某一地区生态系统各要素的综合反映,它影响着系统内碳、水和养分循环等诸多生态过程[2],研究中常用景观格局指数(Landscape pattern index, LPI)表征。生态过程是指生态系统内的物质循环、能量流动和信息传递等过程的总称[3]。其中,水分利用效率(Water use efficiency, WUE)是表征生态系统物质循环过程中碳水耦合的重要指标[4]。景观格局研究的核心是景观要素,景观要素包括景观大小,形状,空间分布等,决定各种景观功能并反作用于生态过程[5]。景观格局与生态过程的耦合研究及其变化规律一直是生态学研究的核心和热点问题[6]。通过景观格局分析可以帮助我们探索景观格局与生态过程的关系[7],了解景观形成原因以及景观格局和生态过程的作用机制,有助于人类科学、系统地管理生态系统,使其向着一个良好的方向发展[8]

    傅伯杰等[9]、于贵瑞等[10]对景观格局与生态过程在不同尺度上的耦合途径、方法和机理进行了理论上的探究。相关研究表明,时空尺度上的遥感监测和通量网络监测将是解决景观格局与生态过程耦合的有力手段[1112]。也有学者指出,基于遥感和通量网络监测的格局与过程的研究将回归到模型模拟上[1314],通过获取不同时空尺度遥感与通量监测的基础数据进而构建生态过程模型,通过模型的手段将是连结景观格局与生态过程耦合的一个重要途径[1516]。同时景观格局研究中的尺度效应与尺度推演成为研究的重点和难点[17],景观格局与生态过程均存在尺度效应,然而尺度效应对格局与生态过程以及它们的耦合有何种规律一直未有定论[18]

    本文采用经PEST(Model-Independent Parameter Estimation and Uncertainty Analysis)模型参数优化后的Biome-BGC模型模拟千烟洲2000—2014年生态系统的年总初级生产力(Gross primary productivity, GPP)和蒸散(Evapotranspiration, ET),进而计算生态系统的水分利用效率(WUE = GPP/ET)。然后与千烟洲多尺度下的景观格局指数进行相关性分析,探究不同尺度下景观格局与水分利用效率间的耦合关系及其尺度特征。为多尺度景观格局与生态过程的耦合研究以及区域生态规划提供一定的理论基础。

    • 中国科学院千烟洲红壤丘陵森林通量观测站(图1)位于江西省吉安市泰和灌溪镇(26°44′29″N、115°03′29″E),属典型的亚热带季风性气候。千烟洲年平均气温17.9 ℃,0 ℃以上活动积温6 523 ℃,10 ℃以上活动积温6 015 ℃。年平均降水量1 542.4 mm;年日照时数1 785 h,年日照百分率44%,太阳年总辐射量4 349 MJ/m2;无霜期290 d。夏季易受到副热带高压的控制而出现高温少雨的季节性干旱。土壤主要为红壤,海拔100 m左右,相对高度20 ~ 50 m;主要树种有马尾松(Pinus massoniana)、湿地松(P. elliottii)、杉木(Cunninghamia lanceolata)、木荷(Schima superba)和、柑橘(Citrus spp.)等;平均冠层高度约11 m,林下植被较少。

      图  1  研究区位和缓冲区示意图

      Figure 1.  Schematic diagram of study area and station buffer

    • Biome-BGC模型是由Montana大学Numerical Terradynamic Simulation研究组开发,以日尺度为步长的生态过程模型,其前身为Forest-BGC模型[1920]。Biome-BGC模型主要基于光合作用、呼吸作用和蒸腾作用等算法对生态系统的碳循环、水循环进行模拟[21]。其驱动文件主要有3大类:(1) 初始文件:站点经纬度、海拔、土层深度、土壤质地和大气CO2浓度等;(2) 气象文件:日降水量、日最高温、日最低温、日平均温和辐射等;(3) 生理参数文件:气孔导度、冠层比叶面积、叶片及细根C:N比等[22]

      PEST模型(Model-Independent Parameter Estimation and Uncertainty Analysis)是能独立于模型之外的非线性参数优化模型,模型基于Gauss-Marquardt-Levenberg算法求取目标函数(模型模拟值与实测值间的差异函数)的最小值,其目标函数为[2325]

      $ {{\Phi}} = {\left( {\hat {{y}} - {{y}} - {{H}}\left( {\hat {{x}} - {{x}}} \right)} \right)^{{T}}}{{O}}\left( {\hat {{y}} - {{y}} - {{H}}\left( {\hat {{x}} - {{x}}} \right)} \right) $

      式中:y是含m个(实测值数量)元素的向量,x是含n个(参数个数)元素的向量,$\hat {{y}}$是模拟结果向量,$\hat {{x}}$是待估参数向量;Hmn列的雅克比偏导矩阵,T代表转置符号,O为具有mm列的实测值权重矩阵。

      PEST模型算法过程为[2627]:首先识别模型中需要优化的参数并进行模型模拟,然后选定初始参数向量$\hat {{x}}_0^{{b}}$,进行模型校正;模型模拟结果存储到向量中$\hat {{y}}_0^{{b}}$,相应的实测值存储在向量y中。利用一阶泰勒展开式对H0进行数值求解,再通过增量向量u$\left\{ {{array}{*{20}{c}}{{{{u}}_{{k}}} = {{\left( {{{H}}_{{k}}^{{T}}{{O}}{{{H}}_{{k}}}} \right)}^{ - 1}}{{H}}_{{k}}^{{T}}{{O}}\left( {{{y}} - \hat {{y}}} \right)}\\{\hat {{x}}_{{k}}^{{a}} = \hat {{x}}_{{k}}^{{b}} + {{{u}}_{{k}}}}{array}} \right.$k为迭代次数,上标“a”表示更新前的向量,“b”为更新后的向量)不断地更新参数向量$\hat {{x}}$,进而计算参数增量向量u0,以及更新后的$\hat {{x}}_0^{{b}}$;将$\hat {{x}}_0^{{b}}$存储到参数向量$\hat {{x}}_1^{{a}}$中,重复以上算法步骤直到收敛,达到目标函数最优。其关键过程见图2[28]。模型原理和使用详见操作指南(http://www.pesthomepage.org/)。

      图  2  PEST模型参数优化流程图

      Figure 2.  Optimization flowchart of PEST parameter

    • 首先,将Biome-BGC模型所需的3类驱动数据(初始数据、气象数据和生理参数数据)输入模型,让模型先运行平衡态模式(spin-up)继而进行常规模拟(normal-run)。然后将模型模拟的总初级生产力、蒸散和涡度相关实测的总初级生产力与蒸散数据输入PEST模型中,识别待优化参数并参照实测值和模拟值的差异对Biome-BGC模型的生理参数进行优化。最后,使用优化后的Biome-BGC模型模拟千烟洲2000—2014年的总初级生产力和蒸散,进而计算水分利用效率。

    • Biome-BGC模型所需的日尺度气象数据来源于中国气象数据网(http://data.cma.cn/)。日尺度GPP和ET的验证数据来源于中国通量观测研究联盟(ChinaFLUX)的涡度相关实测数据(http://www.chinaflux.org/yjlw/index.aspx?nodeid = 18&pagesize = 3&pagenum = 10)。Biome-BGC模型驱动所需的土壤质地数据来源于中国科学院资源环境科学数据中心平台(http://www.resdc.cn)。土层深度数据来源于寒区旱区科学数据中心平台(http://westdc.westgis.ac.cn/)。CO2数据来源于二氧化碳数据库平台(https://www.co2.earth/historical-co2-datasets)。土地利用数据来源于MODIS第6版数据集500 m分辨率类型一中的数据。影像经MRT软件投影转换后导入ArcGIS 10.2中按照不同的缓冲区(10 ~ 100 km)进行批处理裁剪,由Fragstats 4.2软件进行景观格局指数的计算。相关性分析在SPSS 19.0中进行,在Excel中进行数据整理。

    • 文献表明[2930]景观格局的刻画可以通过表征景观破碎化、景观形状、景观聚集度和景观多样性和均匀性等指数来实现。因此,结合研究需要选取斑块数量(Number of patch, NP)、斑块密度(Patch density, PD)、平均斑块面积(Patch area mean, AREA-MN)、景观形状指数(Shape index, SHAPE)、分维度指数(Fractal dimension index, FRAC)、相似邻接百分比(Proportion of like adjacencies, PLADJ)、聚集度指数(Aggregation index, AI)、香浓多样性指数(Simpson`s diversity index, SIDI)和香浓均匀性指数(Simpson`s evenness index, SIEI)分析不同尺度下景观格局与水分利用间耦合关系的变化规律。

    • Biome-BGC模型模拟所得千烟洲2000—2014年水分利用效率(图3)的取值区间为2.177 ~ 2.566 g/kg,均值为2.370。图3可以看出,15年间千烟洲水分利用效率的波动幅度不大(标准差为0.147 g/kg),在均值周围上下波动。

      图  3  千烟洲2000—2014水分利用效率

      Figure 3.  Water use efficiency of Qianyanzhou from 2000 to 2014

    • 斑块数量(NP)、斑块密度(PD)、平均斑块面积(AREA-MN)、斑块形状指数(SHAPE)、分维度指数(FRAC)、相似邻接百分比(PLADJ)、聚集度指数(AI)、香浓多样性指数(SIDI)和香浓均匀性指数(SIEI)同水分利用效率间存在显著的相关性。同时,不同尺度下各景观格局指数和水分利用效率间相关性的变化趋势存在明显的尺度效应。

      表1可知,NP、PD和WUE总体呈负相关关系,相关性随着缓冲区的增大呈先增加后减少的倒U型,且缓冲区为90 ~ 100 km时不相关。AREA-MN和WUE总体呈正相关关系,变化趋势与NP、PD和WUE相关性的变化趋势一致。SHAPE、FRAC和WUE间的相关性在缓冲区为10 ~ 40 km时不显著,50 ~ 100 km时为显著,相关性先增加后下降。PLADJ、AI和WUE间的相关性在缓冲区为10 ~ 50 km时正相关,相关性先增加后减少;在60 ~ 100 km时不相关,相关系数随缓冲区的增加在不断下降,甚至缓冲区为100 km时相关系数变为负数。SIDI、SIEI同WUE间的相关性在缓冲区为10 ~ 20 km时负相关,30 ~ 60 km时不相关,70 ~ 100 km时变为正相关。

      表 1  不同尺度景观格局与水分利用效率相关性分析

      Table 1.  Correlation analysis between landscape pattern and water use efficiency at different scales

      缓冲区
      Buffer
      斑块数量
      NP
      斑块密度
      PD
      平均斑块面积
      AREA-MN
      斑块形状指数
      SHAPE
      分维度指数
      FRAC
      相似邻接百分比
      PLADJ
      聚集度指数
      AI
      香浓多样性指数
      SIDI
      香浓均匀性指数
      SIEI
      10 km WUE − 0.606* − 0.596* 0.607* − 0.434 − 0.383 0.613* 0.604* − 0.584* − 0.639*
      20 km WUE − 0.703** − 0.711** 0.728** − 0.135 − 0.200 0.707** 0.708** − 0.605* − 0.606*
      30 km WUE − 0.683** − 0.676** 0.700** − 0.211 0.178 0.682** 0.683** 0.276 0.173
      40 km WUE − 0.673** − 0.668** 0.686** 0.172 0.221 0.662** 0.663** 0.450 0.317
      50 km WUE − 0.619* − 0.616* 0.626* 0.544* 0.590* 0.606* 0.607* 0.531 0.502
      60 km WUE − 0.572* − 0.568* 0.587* 0.722** 0.714** 0.452 0.454 0.490 0.441
      70 km WUE − 0.571* − 0.566* 0.585* 0.712** 0.696** 0.253 0.258 0.558* 0.526
      80 km WUE − 0.576* − 0.549* 0.593* 0.724** 0.717** 0.167 0.172 0.565* 0.565*
      90 km WUE − 0.519 − 0.510 0.529 0.651* 0.682** 0.080 0.083 0.556* 0.556*
      100 km WUE − 0.434 − 0.421 0.439 0.619* 0.660* − 0.099 − 0.097 0.575* 0.576*
    • 景观破碎化指数(NP、PD、AREA-MN)、景观形状指数(SHAPE、FRAC)、景观聚集度指数(PLADJ、AI)、景观多样性指数和均匀性指数(SIDI、SIEI)等同总初级生产力(GPP)也存在显著的相关性,且它们随着尺度的变化所呈现的规律和景观格局指数与水分利用效率间相关性的规律一致(表2)。不同之处在于景观格局指数同总初级生产力的相关性随着尺度的变化出现下降趋势时缓冲区的值有所减小。

      表 2  不同尺度景观格局和总初级生产力相关性分析

      Table 2.  Correlation analysis of landscape pattern and total primary productivity at different scales

      缓冲区Buffer斑块数量NP斑块密度PD平均斑块面积AREA-MN斑块形状指数SHAPE分维度指数FRAC相似邻接百分比PLADJ聚集度指数AI香浓多样性指数SIDI香浓均匀性指数SIEI
      10 km GPP − 0.626* − 0.641* 0.623* − 0.199 − 0.029 0.572* 0.562* − 0.498 − 0.537*
      20 km GPP − 0.675** − 0.664** 0.685** − 0.109 − 0.159 0.673** 0.670** − 0.518 − 0.519
      30 km GPP − 0.651* − 0.649* 0.662** − 0.139 − 0.302 0.655* 0.658* 0.307 0.248
      40 km GPP − 0.628* − 0.618* 0.640* 0.428 0.080 0.615* 0.611* 0.474 0.381
      50 km GPP − 0.625* − 0.604* 0.640* 0.585* 0.305 0.574* 0.566* 0.516 0.503
      60 km GPP − 0.480 − 0.479 0.492 0.585* 0.611* 0.399 0.402 0.503 0.468
      70 km GPP − 0.482 − 0.468 0.493 0.586* 0.642* 0.249 0.254 0.561* 0.539*
      80 km GPP − 0.498 − 0.466 0.515 0.616* 0.638* 0.155 0.159 0.569* 0.570*
      90 km GPP − 0.487 − 0.453 0.502 0.674** 0.662** 0.076 0.078 0.558* 0.559*
      100 km GPP − 0.416 − 0.427 0.428 0.688** 0.714** − 0.100 − 0.098 0.571* 0.571*
    • 景观破碎化程度会对景观内碳的固定和水分的循环产生影响。研究发现,随着破碎化程度的增加生态系统碳的固定会下降而水分的蒸散会增加[3132],导致水分利用效率下降,这和我们的研究一致。同时NP、PD与WUE的相关性随着缓冲区的变化呈倒U型,表明格局与过程的关系随着尺度的变化而变化[33],当尺度超过一定阈值时景观格局与水分利用效率的耦合关系将消失。傅伯杰在对景观生态学中的景观格局、生态过程和生态系统服务功能的系统耦合中发现了相同的规律[3435]。表征景观中整体斑块面积大小的AREA-MN与WUE的相关性亦呈倒U型,表明景观在承接一定生态域和资源域时受到尺度效应的影响,进而影响生态过程。

      景观尺度较小时(缓冲区为10 ~ 40 km)SHAPE、FRAC和WUE不相关,随着尺度的扩大SHAPE、FRAC和WUE呈显著相关关系,同时相关性先增加后减少。面积不变的情况下景观形状越复杂其边缘效应越强[36],同时边缘效应能增加群落结构的稳定性[37],提高系统的碳固定能力从而提高生产力[38],生产力的提高一定程度上又能提高系统的水分利用效率[39],所以表征景观形状复杂程度的指数同水分利用效率呈正相关关系。但它们同样受到尺度效应的作用,且相对而言尺度较小时景观形状和水分利用效率的相关性无法呈现出来。

      当缓冲区为10 ~ 50 km时PLADJ、AI和WUE呈显著正相关关系,相关性先增加后下降,缓冲区在60 km以后相关性不显著。这和表征景观形状的指数与水分利用效率的关系恰好相反。景观斑块的邻接状况和聚集程度同景观内的物质和能量流动相关,表征景观要素间的连通性[38,40]。研究表明,自然景观的连通性要高于人为景观的连通性[41],同时连通性高的景观其生产力要高于连通性低的景观[42],因此景观连通性的增加能促进系统生产力的提高。所以PLADJ、AI这类景观指数同WUE呈显著正相关。同时,景观的连通性对生态过程所产生的效应在小尺度上更能体现出来。

      SIDI、SIEI指数和WUE的相关性受到尺度效应的影响最大。SIDI、SIEI指数均是从整体上分析景观要素的多样化程度以及各景观要素在整体景观中分布的均匀性,它们能表征生态系统结构与功能的多样性和稳定性[43],是景观内各要素综合作用的结果。所以SIDI、SIEI和WUE呈显著正相关,但这种正相关关系需要在较大的尺度上才能更好的呈现出来。

      景观格局是生态过程在一定时空尺度下综合作用的产物,同时景观格局又将反过来影响生态过程;现实生态系统中两者是相辅相成、不可分割的统一整体[44]。本研究发现,景观格局指数与水分利用效率间存在显著的相关关系,且随着尺度的变化两者的相关性呈现倒U型的变化趋势。这是因为景观格局与水分利用效率均受尺度效应的影响,但两者受尺度效应影响的幅度不一致[11,45],从而在一定尺度下格局与过程的相关性消失。同时,生态系统是复杂的,景观格局与水分利用效率的关系还受到其它因素的影响,且这些因素同样存在着尺度效应,它们对尺度效应响应的临界域值也不一样[46],所以景观格局指数与水分利用效率间的相关性存在显著的尺度效应。

    • 景观格局和总初级生产力的相关性与景观格局和水分利用效率的相关性在不同尺度下呈现一致的规律性。研究表明,总初级生产力和水分利用效率间存在显著的正相关关系[47]。这和我们的研究一致(相关系数为0.607,P < 0.01)。这表明不仅仅生态过程与景观格局间存在耦合性,影响生态过程的因子同景观格局间也存在一致的耦合性,且尺度效应对它们产生的作用也是类似的。这从另一方面充分说明了过程决定格局的同时亦受到格局的反作用。

    • 本文采用模型模拟的方法研究了千烟洲2000—2014年的水分利用效率,并分析了多尺度下景观格局指数和水分利用效率、总初级生产力的关系。研究发现:(1) 表征景观破碎化程度(NP、PD)、形状复杂程度(SHAPE、FRAC)、斑块邻接程度(PLADJ)、斑块聚集程度(AI)以及整体景观的多样性(SIDI)和均匀性(SIEI)的指数同水分利用效率呈显著相关关系,同时景观格局与水分利用的相关性表现出明显的尺度效应。(2) 上述景观格局指数和总初级生产力间也存在显著相关关系,且相关性随着尺度的变化所呈现的趋势同景观格局指数和水分利用效率的相关性随尺度变换的趋势一致。(3) 建议区域生态规划要充分考虑尺度效应,使景观格局与生态过程发挥最大的耦合效用。

参考文献 (47)

目录

    /

    返回文章
    返回