森林群落相似性系数计算的一种新方法探究

2018-03-14丁增发

安徽林业科技 2018年1期

丁增发

（安徽省林业科学研究院，合肥 230031）

在森林群落学研究中，常采用设置固定样地的方法，调查森林群落的乔木、灌木、草本及地被物等因子，进而研究植被类型及生物多样性等。为了避免样地选择的偏差，经常是在设置大量调查样地的基础上，将相近或相似的森林群落类型归并，得出比较接近于客观事实的研究结果。

本文要讨论的，就是相似群落类型归并的问题，目前国内、国际上使用最为广泛的便是Jaccard相似系数，具体计算方式为：

式中：a表示两样地共有种；b表示一个样地有，而另一个样地没有的种；c表示一个样地没有，而另一个样地有的种，与b相对立。

但是，笔者在实际运用过程中，却发现这种计算方式所得的结果，难以将客观上很相似的群落归并，这就迫切需要我们采用一种更加符合客观实际的计算方法来优化它。

1 研究方法

Jaccard相似系数，只考虑到不同群落或样地中物种的重合程度，却忽略了群落中不同物种的数量多少问题，即森林群落中普遍存在的“优势种”与“稀有种”的差别。所以，亟待重建一种全新的计算方法，来解决相似森林群落类型的归并问题。

众所周知，某种群落类型或者某块样地中，最能够反映物种数量差异的便是“相对多度”，有时也称作“相对密度”，其计算方法如下：

因此，如果能够采用一种建立在“物种相对多度”基础上的全新计算方法，将可能更加客观地反映真实的森林群落相似程度。

2 研究结果

建立在物种“相对多度”基础上的计算方法：

式中：RDai为a样地中第i种的相对多度，RDbi为b样地中第i种的相对多度，第i种为a、b样地中的共有种，s为a、b样地中的共有物种数。

如果将第i种的相对多度以符号形式表达如下：

式中：ni为第i种的个体数，N为样地中的总个体数。

然后再将以上两个公式合并，并采用“相似性系数”的英文表达“Similarity Index”的首字母为公式命名，便可以得出更为直观的计算方式：

此式中：ni为a样地中第i种的个体数，N为a样地中总的个体数；mi为b样地中第i种的个体数，M为b样地中总的个体数；第i种为a、b样地中的共有种，s为a、b样地中的共有物种数。

公式本身，不仅考虑到了不同样地中的相同物种数，而且还细化到了相同物种的个体数量，其计算过程可以很自然地弱化群落中的“稀有种类”，计算结果的数值在0～1，可比性、实用性极强。初步确定，计算结果在0.75以上，即可认为两种群落类型相似；达到0.80以上，即可认为两种群落类型高度相似。

3 实践检验

笔者在最近一段时间撰写的论文《皖南山区部分森林植被类型及群落物种多样性研究》一文中，采用了Jaccard相似性系数计算了10块天然次生林样地的群落相似性，结果却发现：不但数值普遍偏低，而且根本无法据此将本来很相似的群落类型归并，即使是相距不远、立地条件很相似、主要树种几乎相同的两块样地，也无法归并。迫不得已，笔者才引入了“最主要组成种的相似程度”的概念进行定性描述，才勉强将部分群落类型归并。后来，经过一段时间的思考，试着将相同物种的个体数量引入Jaccard公式，但是仍觉得不够完美，不能摆脱现状，便不能够有创新。

再后来，便大胆尝试，只考虑a、b样地中相同物种的个体数总和，然后取平均值，是否可行？为此，笔者应用这种计算方式，将安徽省九龙峰自然保护区的那10块天然次生林样地的调查数据重新计算一遍，得到了非常良好的结果，个人认为其区分度和可信度要远远高于“Jaccard相似性系数”，计算结果见表1。

表1 九龙峰10块天然次生林样地群落相似性计算结果

结果表明，不同样地的群落相似程度，与其生境的相似程度几乎完全吻合，尤其是与海拔高度的相关性几乎是达到了极显著水平。比如，9号样地与4号、7号的群落相似度较高，但4号与7号的群落相似度却较低，初步判断可能是由于9号的立地条件位于4号与7号之间，再对比原始记录数据，果然发现9号样地的海拔高度正好位于4号与7号的中间位置。

同时，群落的相似程度与样地间距离的远近也具有一定的相关性。比如，位于山脊或海拔较高处的10、11、12号样地，与其他样地的群落相似性值均低，距离较近的11、12号具有较高的相似度，10号与11号相似度居中，距离较远的10号与12号的相似性就要低得多。

另外，综合来看，处于立地条件中等位置的9号样地与几乎所有的样地相似度都较高，而孤立于远处的13号样地与其他所有样地的相似度都低。样地分布见图1。