黑龙江省气象因子与落叶松植被净初级生产力相关性分析

2021-05-19周雪

湖北农业科学 2021年9期

周雪

（长安大学地球科学与资源学院，西安 710064）

近年来，逐渐凸显的环境问题已成为社会各界所关注的焦点话题［1］。而这些环境问题往往会因为气候的变化对人类的生产生活产生重大影响，因此气候变化则成为了人们近期最为关注的环境问题之一。与此同时，气候变化同样在生态系统与社会经济的可持续发展方面发挥着重要角色［2，3］。在自然界中，植被是极为重要的生态因子之一。在衡量气候变化方面，植被不但可以被动地承受气候变化带来的影响，又可以对气候变化产生积极的反馈作用。中国拥有极其丰富的森林资源，其中东北地区为中国各种森林资源的主要分布区，其中落叶松林是东北森林分布区一种非常具有代表性的森林植被类型［4，5］。植物净初级生产力（NPP）通常是指绿色植物通过光合作用可以在单位面积、单位时间内积累的有机物数量，也即植物能用于生长、发育以及繁殖的能量值。NPP也是生态系统在一定时间段之中所固定的碳总量，因此，NPP在自然界碳元素的循环中发挥着重要作用。NPP是生态系统中其他生物生存和繁衍的物质基础，通过研究气象因子与NPP的动态变化可以掌握一定的自然规律，从而更好地增加植物的净初级生产力，为其他生物提供更多的物质基础，产生更大的经济效应。有机物的质量或者能量可以用作指示NPP的指标，用来研究生态系统的各种特点，主要包括物质与能量的数量，还包括了固定、消耗、分配、积累与转化等［6-8］。气象因子是影响NPP的重要因素，通过对植被净初级生产力的估算，探讨其与气象因子间的相互响应机理，分析其时空变化以及影响因素，不仅对了解黑龙江省内区域性的生态环境承载力以及人类社会发展过程对于生态环境产生的影响有帮助，还对研究植被与气候变化的相互关系有巨大的理论和现实意义［9］。同时，它不但可以为碳循环与区域性及全球气候变化研究提供数据支持，而且可以为保护、管理、开发利用生物资源甚至创造稳定高效的生态系统提供理论方面的支持［10］。

1 研究区域概况与数据

1.1 研究区域概况

黑龙江省处于中国最东北部，东部和北部与俄罗斯相邻，西部与内蒙古相邻，南部与吉林省相邻。黑龙江省位于北纬 43°26′—53°33′、东经 121°11′—135°05′，南北长度跨越1 120 km，东西宽约930 km，总面积为47.3 万km2（含加格达奇和松岭区）。其东北部为三江平原（包括星凯湖平原），西部属松嫩平原，东南部为东北-西南走向的山地，北部为西北-东南走向的山地［11］，平原海拔多处在50~200 m。

绵延起伏的老爷岭、大小兴安岭和张广才岭构成了黑龙江省以山林为主的自然景观。这些地区分布着极其丰富的天然林资源，是黑龙江省森林资源的重要组成部分。全省林地面积2 007 万hm2，林业经营总面积达3 175 万hm2，约占黑龙江省土地面积的2/3，立木总蓄积量15 亿hm3，森林覆盖率43.6%。全省现有森林资源树种达100 余种，其中30 余种具有非常高的利用价值［12］。此外，松嫩平原和三江平原作为东北平原的一部分，占全省总面积的37.0%。这些地区之中分布着约2 100 种植物，其中有1 000多种具有经济价值。

1.2 研究数据

1.2.1 气象数据从中国气象数据共享服务网（http：//cdc.nmic.cn/home.do）下载 2010 年黑龙江省 30 个固定气象站点的月平均气象数据（包括降水量、平均气温、平均相对湿度、平均风速），下载的气象数据格式为文本文件。

1.2.2 固定样地数据选用黑龙江省的1 523 个落叶松固定样地点，信息来源于2010 年国家森林资源连续清查数据，每一块样地信息都记录了其所处的地理位置以及其他一些调查因子。

2 研究方法

2.1 插值方法

选用反距离权重法（Inverse distance weighted，IDW）、样条函数插值法、克里格（Kriging）插值法分别进行插值分析，最终选择各气象因子对应的最优插值方法［13，14］。

2.1.1 反距离权重法反距离权重法是一种非常普通且简单的空间插值方法，通常可以通过比较确切的或者圆滑的方式进行插值。在插值过程中，对于一个较大的方次，距离较近的数据点将会被赋予相对更高的权重份额，但是对于较小的方次而言，权重份额将会均匀地分布到各个数据点之中。因此，反距离权重法的一般特点是用插值点和采样数据点之间的距离作为加权平均的权值，距离插值点较近的采样数据点通常具有相对较大的权值份额。

2.1.2 样条函数插值法样条函数插值法一般会使用2种互不相同的运算方式，即规则样条（Regularized spline）和张力样条（Tension spline）。规则样条一般来说会生成一个比较平滑且变化缓和的表面，以此种运算方式得出来的结果有可能会超出样本点的值域，通常情况下权重与其生成的表面的光滑程度成正比［15］，一般使用的典型值有 0、0.001、0.01、1 和 5。张力样条通常是利用预期要得到的现象及特征来生成一个相对比较粗糙且生硬的表面，以此种运算方式得出来的结果一般更接近于样本点的值域以内，通常情况下权重与其生成的表面粗糙程度成正比［16］，一般会用到的典型值有0、1、5 和10。

2.1.3 克里格插值法克里格插值法是一种既可以生成一个预测表面，还可以给出预测结果的确定性及精度的插值方法。在克里格插值中，权值份额不仅要基于插值点和采样数据点之间的距离，还必须在整体上通过已知数据点的位置和值进行合理的空间分布与排列。当需要对空间权重进行排列时，则必须对其空间自相关进行量化。因此，在使用克里格法进行插值时，权值份额通常取决于已知数据点的表面拟合模型、已知数据点与距预测位置之间的距离以及预测点与已知周围数据点之间的空间分布与排列等空间关系。

2.2 落叶松生物量计算

落叶松的生物量采用东北地区树种的生物量异速方程来计算。通过公式可以估算出落叶松树干、树枝以及树叶等各部位的生物量［17］，地上生物量由各部位的生物量相加得到。

式中，w为生物量；D为胸径；a、b为模型参数。

2.3 落叶松NPP 计算

植被净初级生产力可以通过森林群落年生长量和森林群落年凋落量来估算，计算公式如下。

式中，P为落叶松群落年生长量，L为落叶松群落年凋落量，B为地上生物量，A为树龄，c、d、e、f为对应的林分类型常数。其中，P和L的计算公式如下。

2.4 相关性分析

相关性分析是指对2 个或多个变量元素进行关联的一种衡量方式，进一步探求2 个或多个要素之间的密切程度。Pearson 相关系数的计算公式如下。

式中，n为样本总数；xi和yi分别为2 个变量值；分别为 2 个变量的平均值；r为相关系数，|r|越大，说明y和x的线性相关程度越高。本研究用Pearson 相关性分析来探索NPP与不同气候因子之间相关性的强弱。一般认为Pearson 相关系数不为零即具有相关性，相关系数在0.8~1.0 为极强相关，0.6~0.8 为强相关，0.4~0.6 为中等程度相关，0.2~0.4为弱相关，低于0.2 为极弱相关。

3 结果与分析

3.1 各气象因子最优插值方法

用3 种空间插值方法分别对已知70%的气象因子数据进行插值计算，用其余的30%气象数据对结果进行验证。以气象因子平均相对湿度为例，通过对3 种不同插值方法得到的结果分别与已知真实值作差比较，可以得到3 种不同插值方法的误差。通过对误差、均值和方差的研究对比，可得到相应的最优插值方法。通过组合3 种不同插值方法的参数和大量的统计计算，得到平均相对湿度的克里格插值法、反距离权重法、样条插值法均值方差对比结果（表1）。由表1 可知，对平均相对湿度进行插值的最优方法为反距离权重法。

表1 平均相对湿度不同插值方法的均值、方差对比

对其他几个气象因子的3 种插值结果进行同样的比较验证，对比不同插值方法之间的均值、方差，可以得到各气象因子的相对最优插值方法如表2 所示。结果显示，平均气温和降水量的最优插值方法均为克里格插值法，平均风速的最优插值方法为样条插值法。

表2 不同气象因子最优插值方法

3.2 样地点气象数据提取

以验证得到的不同气象因子最优插值方法获取的固定样地点的气象因子（平均气温、降水量、平均风速和平均相对湿度）的栅格数据为基础，以黑龙江省落叶松固定样地点数据作为参照，通过ArcGIS 平台的ArcToolbox 中的Spatial Analyst 下的提取方法，获得样地点的气象数据。

3.3 黑龙江省样地点落叶松NPP

经计算，各样地点落叶松的NPP平均为392.67 g C/m2，最大为 756.45 g C/m2，最小为 2.63 g C/m2。

3.4 相关性分析

利用SAS 软件对样地气象因子与落叶松NPP进行相关性分析，得到NPP与各气象因子的相关系数，结果如表3所示。由表3可知，NPP与平均气温、降水量、相对湿度、平均风速之间的Pearson 相关系数分别为 0.304 11、0.235 18、0.293 02、0.091 78。由此可以看出，NPP与各气象因子间主要呈弱相关。