北京市侧柏低效林物种多样性改造策略

靳孟理， 胡 俊， 齐 实， 逯进生， 李 月， 蒋九华

（1. 北京林业大学 水土保持学院 水土保持国家林业和草原局重点实验室， 北京100083； 2. 北京市园林绿化局， 北京100013）

京津风沙源治理工程是国家重要的生态工程， 目前已进入到二期。 工程任务的出发点是保护和扩大林草植被， 建设内容主要以低效林改造、 人工造林（困难立地和宜林地造林）、 封山（沙）育林为主， 达到减少风沙危害和水土流失、 改善首都及周边地区生态状况的目标。 其中， 以提升物种多样性和完善林分结构为目标的低效林改造是投资最多、 工期最长、 任务最艰巨的工程类型。 低效林主要表现为林地生产力、 森林生态服务功能和社会服务功能显著低于同等立地条件下同类林分的平均水平， 因此， 其改造措施的实施与效果的研究显得尤为重要。 森林物种多样性在维持陆地生态系统平衡， 保证人类和社会经济可持续发展方面发挥着不可替代的重要作用［1］。 其中， 研究环境因子对群落组成、 植物分布的驱动是群落生态学研究的重要问题［2-4］。 在局地植物群落研究上， 影响植物群落组成和分布的首要因素是地形因素和立地条件［5-8］。 物种分布及多样性格局主要受海拔、 坡向和坡度、 经纬度等立地条件影响［9-12］， 通过典型样地调查法的灰色关联度分析［13-14］、 神经网络预测［15］和典范对应分析（CCA）排序［16］可知： 海拔是影响森林物种多样性的重要因素， 坡向和坡度的影响排位则因研究的群落功能层不同而出现较小出入［17］。同时， 土壤养分及各维因素之间的交互作用， 也会影响到立地环境条件导致微地形因子环境条件的异质性， 从而对群落多样性产生影响［18-21］。 最大熵模型［22-24］（maximum entropy models， MaxEnt 模型）是研究影响物种分布的环境因素并揭示环境因素对物种分布概率影响的生态位模型， 被广泛应用于动植物的分布区及保护区研究， 并表现出良好的预测效果［25-28］。 根据最大熵原理在给定的环境条件下选择最优的概率分布［29］， 并通过逐步修正单一要素的系数来提高增益值， 将增益值增额分配给决定该要素的环境变量，将其转化为百分比后给出对影响该物种分布的环境变量贡献率排序， 同时生成分布概率对各环境变量的响应曲线。 最终通过受试者工作特征曲线（receiver operating characteristic curve， ROC 曲线）评定生成结果是否可信［30］。 本研究利用筛选的北京市京津风沙源侧柏Platycladus orientalis低效林调查样地多样性数据和位置数据， 选取海拔、 坡向、 坡度、 土壤养分等10 个立地环境因素， 采用最大熵模型方法分析立地环境因素对侧柏低效林的林下物种多样性指数的影响， 同时模拟立地环境改造对侧柏低效林物种多样性的响应， 并评估立地改造措施对提升侧柏低效林多样性的效果， 以期对提升京津风沙源侧柏低效林多样性提供参考。

1 研究区概况

研究区位于北京市山区（39°28′～41°05′N， 115°25′～117°30′E）。 该区属暖温带大陆性季风气候， 多年平均降水量为583.0 mm， 年均气温为10.0～12.0 ℃。 主要土壤类型为褐土。 原始植被类型主要为阔叶落叶林和温带针叶林， 山地植被类型为杂草草甸和混生次生的阔叶落叶林， 由于环境破坏， 山地植被演替为灌丛和萌生丛。

北京市京津风沙源治理工程的低效林改造区主要分布在北京山区， 改造区面积约11 218.76 km2，占北京市总面积的68%。 2013 年至今， 北京市京津风沙源二期工程总面积约729.35 km2， 其中侧柏低效林面积约240.92 km2， 占京津风沙源二期工程总面积的33%。

2 研究方法

2.1 样地设置

北京市京津风沙源二期低效林改造工程位于北京市西北侧的房山区、 门头沟区、 昌平区、 延庆区、怀柔区、 密云区、 平谷区以及松山、 西山、 八达岭和十三陵4 个林场。 依据工程2013 年以来的实施状况、 立地条件类型、 实施面积、 空间布局， 选定35 个侧柏低效林调查样地（图1）。

2.2 样地调查与数据处理

2.2.1 样地调查 ①在低效林改造小班内设置1 个20 m × 20 m 样地， 使用全球定位系统（GPS）获取样地的经纬度、 海拔信息， 用罗盘测定坡度和坡向。 ②采用方格纸描点的方法记录样地内乔木株数和位置， 用红外线测高器测量乔木的高度， 用胸径尺测量乔木胸径， 通过设置5 个5 m × 5 m 大小的灌木样方和10 个1 m × 1 m 的草本样方调查林下物种多样性及各个物种的盖度， 多样性的植物鉴定精确到种， 盖度调查以5%为等级间距进行分级估测［31］。 样地基本情况见表1。

2.2.2 森林物种多样性计算 森林物种多样性包括乔木层、 灌木层和草本层各层次的多样性， 本研究的研究对象侧柏低效林大多未郁闭和成林， 应多关注灌木层和草本层植物群落的多样性， 即林下群落的物种多样性指数D［32］：D=W1D1+W2D2。 其中：D1和D2为灌木层和草本层的物种多样性指数；W1和W2为给定的灌木层和草本层的权重系数， 取值均为0.5。 物种多样性指数包括Shannon-Wiener指 数、 Simpson 指 数、 Gleason 指 数、 Margalef 指 数 和Pielou 均匀度指数， 计算详见文献［33］。

图1 侧柏低效林调查样地位置示意图Figure 1 Sample plots distribution of low-function forest of P. orientalis

2.3 最大熵模型数据采集和样地数据筛选

2.3.1 立地因子数据采集 选取北京市海拔、 坡向、 坡

度、 全氮、 全磷、 全钾、 速效氮、 速效磷、 速效钾和土壤有机质共10 个立地条件作为环境变量。 其中海拔源于30 m 分辨率数字高程模型（DEM）， 坡向和坡度由高程数据提取而来， 全氮、 全磷、 全钾、 速效氮、 速效磷、 速效钾和土壤有机质来源于寒区旱区科学数据中心（http：//westdc.westgis.ac.cn/data/）。

2.3.2 多样性数据筛选 将各个样地对应的Shannon-Wiener 指数按升序排列。 排列结果显示： Shannon-Wiener 指数从0.707 开始有显著提升。 结合相关对物种多样性的研究［34-35］， 以Shannon-Wiener 指数0.707 作为侧柏低效林林下物种多样性高低的筛选点， 当Shannon-Wiener 指数高于0.707 时， 认为此时的侧柏低效林林下物种多样性水平高。 最终选出12 个林下物种多样性水平高的样地作为最大熵模型的点位数据。

表1 样地基本情况Table 1 Basic situation of sample plots

2.3.3 最大熵模型（MaxEnt）计算原理 最大熵模型是以最大熵理论为基础的物种地理尺度空间分布模型。 其核心是通过不完全信息推断未知信息， 求概率分布在熵值达最大时的条件［36］。 模型运行结果采用受试者工作特征曲线（ROC）进行模型的精度验证， 通过计算曲线与横坐标轴围成的面积（AUC）判断预测精度。 一般而言， 当AUC＞0.8 时， 预测结果可被采纳。

3 结果与分析

3.1 侧柏低效林样地物种多样性分析

由表2 可知： 35 个侧柏低效林样地中， Shannon-Wiener 指数的极差最大， Pielou 指数的极差最小；Gleason 指数的标准差最小， 离散程度最低。 可推断大多数样地林下植物组成比较固定， 种类相对一致。各个多样性指数均能反映样地的物种多样性水平。 由于Shannon-Wiener 指数是物种多样性指数中最常用的指标， 因此， 选用Shannon-Wiener 指数作为最大熵模型样地筛选的指标。

表2 侧柏低效林样地林下物种多样性指数Table 2 Undergrowth species diversity index of cypress low-function forest sample plots

图2 模型生成的ROC 曲线Figure 2 ROC curve generated by model

3.2 最大熵模型模拟及结果分析

3.2.1 模拟精度分析 将筛选的样地数据代入最大熵模型， 生成ROC 曲线（图2）。 从图2 可见： 模型训练集曲线的AUC达0.949， 完全可以满足分析精度要求［37-38］， 说明最大熵模型可用于模拟和分析侧柏低效林多样性的概率分布。

3.2.2 环境因子对物种多样性的影响 由最大熵模型生成的立地环境因子变量对多样性指数影响的贡献率排序见表3。 表明影响侧柏低效林多样性指数的环境变量主要有8 个。 影响侧柏低效林物种多样性指数的主要立地环境因子是海拔、 坡向和土壤全磷， 这三者的累积贡献率之和达86.1%。 其中： 海拔对侧柏低效林物种多样性指数的贡献率最大， 达46.8%。 由图3 可知： 海拔100～250 m侧柏低效林物种多样性指数高于筛选值的分布概率最大。 随着海拔的增加， 侧柏低效林林下物种多样性指数高于筛选值的分布概率急剧下降； 坡向对侧柏低效林物种多样性指数贡献率次之， 达28.9%， 从坡向来看， 0～90°阴坡对应的侧柏林下物种多样性高于筛选值的分布概率不超过0.5， 此范围内坡向对侧柏低效林林下物种多样性高于筛选值的分布概率无影响， 在其余坡向上概率值基本维持在0.6 左右， 此时侧柏低效林在阴坡和阳坡均有可能呈现高林下多样性水平， 因此阴坡和阳坡在多样性水平上并无明显差异。 土壤全磷是土壤化学性质中贡献率最高的， 达10.4%， 对侧柏低效林的林下物种多样性具有重要作用； 土壤全钾的贡献率为3.9%， 当土壤全钾为24 g·kg-1时其对应林下物种多样性高于筛选值的分布概率最大； 土壤速效氮贡献率为3.8%， 与林下物种多样性呈负相关； 坡度的贡献率为3.2%， 当坡度为10°～20°时， 林下物种多样性高于筛选值的分布概率最大； 由于土壤速效钾和速效磷的贡献率低于2.0%， 因此不予考虑。

表3 环境变量贡献率Table 3 Contribution rate of environmental variables

图3 主要立地环境因子的响应曲线Figure 3 Response curve of main site environmental factors

3.3 侧柏低效林空间布局分析

分布概率即相应区域林下物种多样性高于筛选值的概率， 数值越大， 对应的物种多样性高于筛选值的概率越大， 可认为相应区域的林下物种多样性越高。 从图4 可见： 所有侧柏低效林小班的平均分布概率为0.350， 90%以上的小班分布概率低于0.707， 侧柏低效林小班的物种多样性有待提高。

3.4 侧柏低效林改造策略分析

为提升侧柏低效林小班的林下物种多样性， 修改相应环境变量至对应的分布概率表达为最大值的状态是非常必要的。 在这些环境变量中， 海拔、 坡向、 年均降水量是自然因素， 人为改造难度极大。 为了更贴近真实人为改造措施， 针对土壤全磷、 土壤全钾、 坡度实施相应的人工干预措施。 现提出4 种改造措施： ①提高土壤全磷质量分数。 保证侧柏低效林小班的土壤全磷最低为0.4 g·kg-1； ②微地形改造。采用水平条、 水平阶将坡度高于20°的侧柏低效林小班的坡度降到15°； ③提高土壤全钾质量分数。 保证侧柏低效林小班的土壤全钾最低为24 g·kg-1； ④同时施用上述3 种措施， 提高土壤全磷和全钾质量分数， 并进行微地形改造。

3.5 侧柏低效林空间改造策略模拟

侧柏低效林小班在改造措施实施后林下物种多样性产生明显变化， 空间变化如图5。 实施改造前侧柏低效林小班的分布概率为0.354， 提高土壤全磷（措施①）后分布概率提升至0.431， 微地形改造（措施②）后概率提升至0.379， 提高土壤全钾（措施③）后分布概率提升至0.654，同时实施上述3 种措施（措施④）后分布概率提升至0.738。 微地形改造措施实施后分布概率提升了7%， 与改造前相比没有显著差异， 是较为微弱的。 主要由于坡度对物种多样性高于筛选值的分布概率影响较小， 这个结果很好地解释了最大熵模型对立地环境因子贡献率排序的准确性。 说明增施磷肥和钾肥可提高土壤全磷和全钾质量分数， 微地形改造措施可提升侧柏低效林的物种多样性， 这3 种措施之间并无冲突， 同时施用效果更佳。

图4 侧柏低效林小班林下物种多样性的空间分布概率示意图Figure 4 Spatial probability distribution of understory species diversity in low-function cypress classes

图5 侧柏低效林小班的多样性分布概率示意图Figure 5 Probability distribution of diversity in low-function cypress classes

4 结论与讨论

影响北京市侧柏低效林物种多样性的主要立地环境因子是海拔、 坡向和土壤全磷， 这三者的累积贡献率之和达86.1%， 其中贡献率最高的为海拔， 为46.8%， 该结果与么旭阳等［13］、 薛鸥等［14］、 苏日古嘎等［15］的研究一致。 其原因是热量在垂直梯度上受海拔的变化引起不均匀分配， 从而使植物群落结构和组成呈不同的表达［10,16］； 坡向贡献率达25.9%， 坡面的不同朝向导致植物对光照的接收呈较大差异， 从而引起植物群落的分布和结构变化。 海拔和坡度的变化直接导致侧柏低效林林下群落在温度和光照上的不均衡；土壤全磷的贡献率为9.4%， 土壤的速效氮、 速效磷和速效钾的贡献率明显小于全氮、 全磷、 全钾， 主要在于森林群落对土壤速效氮、 速效磷钾的吸收是一个缓慢的过程， 而且低效林的生长环境大多都处于坡陡、 土壤侵蚀较大的北京市土石山区， 对土壤速效养分的吸收能力不佳。

提高土壤全钾的措施效果最明显， 增施磷肥和钾肥以及微地形改造措施可以对提升侧柏低效林的物种多样性起到积极作用。 这3 种措施同时施用效果比单项措施好， 说明改良立地条件可以起到提高侧柏低效林的林下物种多样性的作用。