天山中部典型林区地上生物量时空变化及影响因素分析

摘要：【目的】研究天山中部典型林区地上生物量在不同时间和空间尺度上的变化规律，分析其影响因素和天然林区生态系统的动态变化过程，探讨影响地上生物量变化的环境因素。【方法】以2000～2022年近20年的遥感数据和研究区林地实际样地数据为基础，利用遥感信息建立估测模型，估算新疆天山典型天然林区地上生物量，分析该地区生物量的时空动态变化，分析天然林地地上生物量变化的影响因素。【结果】研究区林地地上生物量空间分布差异明显，东北地区生物量高，西南地区生物量低，主要集中在研究区北部。2022年实习林场森林生物量约为3.728×106 t，最大值约为559.67 t/hm2，平均生物量约为233.45 t/hm2。东北地区生物量高于西南地区，纬度增加导致生物量减少。研究区林地地上生物量年际变化趋势存在差异，总体呈稳定和增长状态，52.63%的面积生物量增加，47.37%的面积生物量减小。不同林龄阶段的单位面积生物量随林龄增加而增加，乔木层生物量在成熟林时最高。【结论】幼龄林至过熟林面积和生物量比重不同，需要加大天然更新和人工抚育工作投入。2000～2022年研究区林地地上生物量总体由北向南逐渐增加，降水对生物量增长起到重要作用。实习林场西南区域人类活动频繁，气温和降水变化影响树木和草地生长，导致东北高、西南低的生物量分布。

关键词：天然林；生物量；遥感信息模型；空间分布

中图分类号：S717文献标志码：A文章编号：1001-4330（2024）09-2237-10

0引 言

【研究意义】森林生物量是评估森林碳储量和吸收能力的重要指标［1］，研究森林生物量时空变化可以助力建立气候变化模型［2］。其次，森林生物量时空变化对森林资源管理和保护具有指导意义，可以评估森林资源的可持续利用和管理，同时有助于了解森林生态系统的生物多样性、物种组成和植被结构等［3］。研究森林生物量时空变化可以监测和预测自然灾害和人为干扰的影响，提高应对能力。因此，研究森林生物量的时空变化对制定有效的森林资源管理和保护措施有重要意义。【前人研究进展】随着遥感技术和地统计学方法的发展，森林生物量时空变化研究取得了相关成果［4］。遥感技术在森林生物量估算中的应用，地统计学方法在森林生物量估算中的应用，以及基于森林生态系统模型的研究可以模拟和预测森林生物量时空变化的趋势和规律［5-8］。【本研究切入点】利用研究区实地调查数据，并结合同期遥感影像数据，建立基于遥感数据的森林地上生物量估测模型，同时利用模型研究研究区森林地上生物量的时空分布特征。【拟解决的关键问题】以2000～2022年近20年的遥感数据和研究区林地实际样地数据为基础，利用遥感信息建立估测模型，估算新疆天山典型天然林区地上生物量，分析该地区生物量的时空动态变化。

1材料与方法

1.1材 料

1.1.1研究区概况

试验设在新疆农业大学实习林场（43°16′～43°26′N，87°46′～87°00′E）。

该林场年均降水量约为600 mm，其中5～9月生长季集中的降水量占总降水量的60%，7月相对湿度约为65%。年均温度为3℃，而7月平均温度约为14℃。年日照时数大于1 300 h，无霜期为140 d。该林场地势呈南高北低的特点，坡度10°～40°，海拔高度在1 700～2 800 m。森林主要分布在北、东北和西北坡，以草类和藓类的天山云杉（Picea Schrenkiana）纯林为主。林区的土壤为普通灰褐色森林土，林下有一些代表性的植物种类，包括高山羊角芹（Agegopodium alpestre）、天山羽衣草（Alchemila tianschanica）、珠芽蓼（Polygonum viviparum）、葶苈（Drabane morosa）、白花三叶草（Trifolium repens）、林地早熟禾（Poa nemoralis）等。

1.1.2实测数据获取

选择区域内天山雪岭云杉作为研究对象，研究共设置25个地面实测调查样本数据，其中每个森林样方大小为30 m×30 m。在森林样本调查中，记录样地范围内单木树高和胸径，利用红外超声波测高测距仪获得树高信息，利用卷尺获取单木1.3 m处的胸径。并记录样地测量时间、经度、纬度、海拔。

通过整合单木尺度的信息来获得森林样地尺度的地上生物量信息［4］。以实际测量得到的单木树高和胸径数据为基础，地上生物量公式计算得到单木地上生物量。

M=0.080 7×D2.259 57×H0.256 63.（1）

式中，M为生物量，D为胸径，H为树高。

1.1.3试验数据

采用数据包括2015年新疆农业大学实习林场森林资源二类调查、遥感影像资料。遥感影像数据选用美国陆地卫星计划的第7、8颗卫星，即Landsat-7 ETM+和Landsat-8 OLI。该卫星搭载了增强型主题成像仪（ETM+）和陆地成像仪（OLI）传感器，具有时间分辨率为16d和空间分辨率为30 m的特点。下载的陆地数据产品为一级产品（Collection1 Level-1），数据需要进行辐射定标、大气校正等预处理，均在ENVI软件中完成。选取2000～2022年7～8月覆盖研究区全境的、云量覆盖lt;10％的遥感影像，总计6景。

通过中国气象数据网站（http：//data.cma.cn/site/index.html）收集该研究区气象站点多年的年均温度和年均降水量数据，分析生物量与气象因子（温度和降水量）之间的关系。

1.2方 法

1.2.1地上生物量模型构建

基于遥感影像的天然林地地上生物量反演模型是通过影像中提取的因子与样地实测地上生物量之间建立关系，具有确定数学关系的线性模型［9-11］。运用岭回归模型、最小二乘法和逐步回归构建地上生物量模型，将样本分为2部分，其中80%用于模型构建，20%用于模型检验。表1

1.2.2模型精度验证

选择3种评价指标检验模型（决定系数R2、均方根误差RMSE、模型精度P）。绘制出实测值与预测值1∶1线图。表2

1.2.3研究区地上生物量变化趋势

采用一元线性回归趋势分析法，通过计算地上生物量的年际变化率，分析新疆天山典型天然林区地上生物量的时空动态变化［12-14］。该方法是一种高效的、稳健的非参数统计趋势计算方法，对于测量误差和异常值数据不敏感，适用于长时间分析序列数据的趋势。

Slope=n×∑ni=1i×xi－∑ni=1xi∑ni=1in×∑ni=1i2－∑ni=1i2.（2）

式中，xi为第i年的对应时间段地上生物量的平均值，i为研究区时段第i年，n为研究时间长度，n取值为20，i取值为1～20。Slope为方程的斜率，当Slopegt;0时，表示地上生物量呈上升趋势，即研究区林区地上生物量增加趋势；当Slopelt;0时，表示地上生物量呈下降趋势，即研究区林区地上生物量减少趋势。

2结果与分析

2.1变量选取与相关性

研究表明，选用植被指数（6个）、纹理特征（36个）共45个特征变量，以完成预处理的遥感影像为数据源，提取实测样点所对应的影像像元值，列出影像中提取出的特征变量与样地实测生物量进行Person相关分析筛选出相关性大于0.5以上的9种特征变量。图1，表3

2.2生物量估测模型建立（图2）

2.2.1岭回归

研究表明，相比普通回归分析，岭回归模型的R2值通常稍低，但回归系数的显著性明显提高。岭回归在处理共线性问题和存在病态数据较多的研究中具有较大的实用价值。研究森林区域选取7种变量，采用python调用岭回归模块进行运算，通过岭迹图，确定K值取0.097，模型决定系数（R2）为0.729，呈极显著性（Plt;0.01），得到岭回归模型散点图。

森林岭回归模型表达式：

Y=0.08+0.045×RVI+0.067×NDVI－0.001×ASPECT+0.067×OSVA+0.045×SAVI+0.098×EVI+0.045×SR.（3）

2.2.2最小二乘法

研究表明，森林最小二乘法模型表达式：

Y=0.115+0.002×RTEM+0.062×SR+81 528.105×NDVI－120 938.75×OSVA+0.062×RVI+26 273.913×SAVI－0.109×EVI.（4）

2.2.3逐步回归

研究在建立森林地上生物量反演的回归模型中，选用的回归参数分别是SR和RVI。

森林逐步回归模型表达式：

Y=0.152+0.058×SR+0.058×RVI.（5）

2.3生物量估算模型对比

研究表明，利用最小二乘法模型估算森林生物量作为最优模型，模型的决定系数R2为0.75、RMSE为0.233、P为95.15%。表4

2.4研究区生物量时空分布特征

2.4.1森林生物量空间分布特征

研究表明，2000～2022年研究区林地地上生物量具有明显的空间差异。林地地上生物量呈东北高，西南低的分布特征，地上生物量其值多介于1 500～2 000 kg/m2，生物量高值地区主要集中于研究区北部。2022年该地区的森林生物量约为3.728×106t，最大值约为559.67 t/hm2，平均生物量约为233.45 t/hm2。该实习林场的森林生物量密度分布不均衡，东北地区高于西南地区。随着纬度的增加，生物量逐渐减少。实习林场的经度跨度较小，生物量在经度上无明显的变化趋势。生物量密度呈现出东北高、西南低的分布趋势。图3

2.4.2森林生物量时间分布特征

研究表明，研究区林地地上生物量年际变化趋势存在明显差异。2000～2022年总体上处于稳定和增长状态。变化率大于零，即地上生物量增长面积占比为52.63%，变化率小于零，即地上生物量减小面积占比47.37%，近20年研究区林区地上生物量植被状况呈增长趋势。图3

5个林龄阶段的单位面积生物量分别为127、179.84、188.5、245.5和161.21 t/hm2，整个乔木层生物量在成熟林时达到最高，其余依次为中龄林gt;近熟林gt;过熟林gt;幼林龄。图4

22年间生物量总体呈显著增加趋势，年均值约为2.551×106t，在2000～2010年间生物量呈现一个增值趋势，2010～2015年间生物量呈下降趋势，2015年至今生物量开始呈上升趋势。图5

2.5研究区地上生物量变化的影响因素

研究表明，该实习林场的林地与降水呈高度相关性，相关系数为-0.86～0.90。正相关区域占研究区总面积的56.70%，而负相关区域占研究区总面积的39.21%。正相关区域主要分布在天山西侧，而负相关区域主要分布在天山东侧。该林地与气温之间存在相关性，相关系数在-0.94～0.89。正相关区域和负相关区域分别占总面积的48.99%和51.01%。图6

3讨 论

岭回归是一种专用于处理共线性数据的有偏估计回归方法，在一定程度上降低了精度但能够得到更符合实际、更可靠的回归系数［15］。最小二乘法可以利用现有数据进行函数拟合简单地求得未知数据，并使得这些预测的数据与实际数据之间误差的平方和最小［16］。逐步回归分析是考虑所有自变量（X）对因变量（Y）的作用、显著程度或贡献率。通过逐步引入回归方程中的自变量，按照作用的大小顺序，将对因变量的作用不显著或贡献不大的自变量排除在外，从而构建出最优的回归方程［17］ 。相关性高的植被指数有比植被指数、差值植被指数、归一化植被指数、土壤调节植被指数、优化土壤调节植被指数［18］。

成熟林导致了乔木层生物量达到最大值［19］；过熟林阶段，乔木层树木生长较弱，发育受到限制，群落更新速度较慢，同时森林碳循环减缓。由于老龄乔木的衰老、环境不良和病害等原因，部分老龄乔木死亡，导致生物量降低［20，21］。

利用遥感模型进行森林生物量估算是当前研究的热点领域。徐婷等［22］的研究表明，基于遥感信息的非线性回归模型在森林生物量估算方面优于线性回归模型。范文义等［23］发现森林生物量与植被遥感参数之间存在非线性关系，因此选择非线性方法建立森林生物量模型是可行的。Wang等［24］认为利用不同分辨率的遥感数据进行耦合可以提高估算的准确性，而彭守璋等［25］在祁连山青海云杉林生物量研究中引入降水和温度等气候要素以提高模型精度。此外，基于自学习过程的神经网络方法也能显著提高生物量估算的准确性。李猛等［26］利用BP神经网络对不同树种进行生物量估算，且在一定程度上减小了数据饱和引起的估测误差，表明相较于多元回归模型，神经网络能更真实地反映实际情况。遥感影像的分辨率、获取时间、建模因子的选择以及采样样地的数量和分布都可能影响生物量估算的准确性，因此选择适合的估算模型时需要考虑多个因素的可获取性和适用性［27，28］。研究中采用的野外调查样地数量较少，用于模型构建和验证的样本有限，并且样地分布不均匀，对模型的准确性造成了一定的影响。此外，地形纹理特征、土壤信息等因素也会对森林生物量估算产生影响［29］。未来的研究中需要增加野外调查样地的数量，并确保样点在研究区内均匀分布，进一步优化建模因子，并考虑加入土壤、纹理等因素［30］，以建立精度更高、实用性更强的生物量估算模型。

4结 论

4.1

2000～2022年间研究区林地地上生物量总体呈现为由北向南逐渐增加的趋势，南部、中部林地分布集中，北部较分散。研究区林地地上生物量整体是以稳定和增长为主，大面积地上生物量呈东南高西北低的分布特征。气候对于林地的影响较小，新疆气候呈现暖湿化特征，增加降水对于地上生物量的生长具有积极的影响。降水量与林地地上生物量之间的相关性要优于气温与地上生物量之间的相关性。

4.2成熟林的乔木层生物量高于其他龄组，且成熟林gt;近熟林gt;中龄林gt;过熟林gt;幼龄林。幼龄林尚未完全发育，干物质积累缓慢，冠层空间未得到充分利用，因此不利于生物量的积累；在中龄林到近熟林阶段，树木进入林冠层，使得冠层空间逐步得到充分利用，光合作用增加，从而促进生物量的积累；成熟林阶段，树木比例达到稳定状态，树高、胸径和冠幅等树体结构因子均达到最高值。

参考文献（References）

［1］陈治中， 昝梅， 杨雪峰， 等. 新疆森林植被碳储量预测研究［J］. 生态环境学报， 2023， 32（2）： 226-234.

CHEN Zhizhong， ZAN Mei， YANG Xuefeng， et al. Prediction of forest vegetation carbon storage in Xinjiang［J］. Ecology and Environmental Sciences， 2023， 32（2）： 226-234.

［2］李盈昌. 森林地上生物量的遥感估测模型优化及时空分析方法［D］.南京：南京林业大学，2021. "

LI Y. Optimization and spatiotemporal analysis method of remote sensing estimation model of forest aboveground biomass［D］. Nanjing： Nanjing Forestry University， 2021.

［3］ 钱春花， 李明阳， 郑超. 苏南丘陵山区森林生物量时空变化驱动因素分析［J］. 江苏农业学报， 2021， 37（2）： 382-388.

QIAN Chunhua， LI Mingyang， ZHENG Chao. Analysis on driving factors of spatiotemporal changes of forest biomass in hilly areas of southern Jiangsu［J］.Jiangsu Journal of Agricultural Sciences， 2021， 37（2）： 382-388.

［4］ 张晓娟， 李东杰， 刘思含， 等. 遥感技术在 “双碳” 目标实现中的应用进展［J］. 航天返回与遥感， 2022， 43（6）： 106-118.

ZHANG Xiaojuan， LI Dongjie， LIU Sihan， et al. Application progress of remote sensing technology in the realization of＼＼ “double carbon＼＼” goal［J］. Spacecraft Recovery amp; Remote Sensing， 2022， 43（6）： 106-118.

［5］ 曹海翊， 邱心怡， 贺涛. 森林生物量遥感卫星发展综述［J］. 光学学报， 2022， 42（17）： 1728001.

CAO Haiyi， QIU Xinyi， HE Tao. Review on development of forest biomass remote sensing satellites［J］. Acta Optica Sinica， 2022， 42（17）： 1728001.

［6］钱春花.喀斯特地区森林生物量遥感反演与时空动态分析［D］.南京：南京林业大学，2022.

QIAN C. Remote sensing inversion and spatiotemporal dynamic analysis of forest biomass in karst area［D］. Nanjing： Nanjing Forestry University， 2022.

［7］蔡潮勇，曹姗姗，孔繁涛等.2014年新疆天山西部云杉地上生物量空间分布数据集［J］.中国科学数据（中英文网络版）， 2022， 7（3）： 250-263.

CAI C， CAO S， KONG F， et al. Spatial distribution dataset of aboveground biomass of spruce in western Tianshan Mountains， Xinjiang in 2014［J］.Science Data in China （Chinese and English Online）， 2022， 7（3）： 250-263.

［8］ 陈冬花， 邹陈， 李滨勇， 等. 西天山云杉林生物量与植被指数关系研究［J］. 北京师范大学学报（自然科学版）， 2011， 47（3）： 321-325.

CHEN Donghua， ZOU Chen， LI Binyong， et al. Relationships between biomass and vegetation index of picea schrenkiana var. tianshanica in western Tianshan Mountain［J］. Journal of Beijing Normal University （Natural Science）， 2011， 47（3）： 321-325.

［9］ LY/T 2655—2016.立木生物量模型及碳计量参数 云杉［S］.

LY/T 2655—2016.Tree biomass models and related parameters to carbon accounting for Picea［S］.

［10］ 周蓉， 赵天忠， 吴发云. 基于Landsat 8遥感影像的地上生物量模型反演研究［J］. 西北林学院学报， 2022， 37（2）： 186-192.

ZHOU Rong， ZHAO Tianzhong， WU Fayun. Aboveground biomass model based on landsat 8 remote sensing images［J］. Journal of Northwest Forestry University， 2022， 37（2）： 186-192.

［11］ 许振宇， 李盈昌， 李明阳， 等. 基于Sentinel-1A和Landsat 8数据的区域森林生物量反演［J］. 中南林业科技大学学报， 2020， 40（11）： 147-155.

XU Zhenyu， LI Yingchang， LI Mingyang， et al. Forest biomass retrieval based on Sentinel-1A and Landsat 8 image［J］. Journal of Central South University of Forestry amp; Technology， 2020， 40（11）： 147-155.

［12］杨淑霞，冯琦胜，孟宝平等.三江源地区高寒草地地上生物量时空动态变化［J］.草业科学， 2018， 35（5）： 956-968.

YANG S， FENG Q， MENG B. Spatial-temporal dynamics of aboveground biomass in alpine grassland in Sanjiangyuan area［J］.Pratacultural Science， 2018， 35（5）： 956-968.

［13］ 李晴晴， 曹艳萍， 苗书玲. 黄河流域植被时空变化及其对气候要素的响应［J］. 生态学报， 2022， 42（10）： 4041-4054.

LI Qingqing， CAO Yanping， MIAO Shuling. Spatio-temporal variation in vegetation coverage and its response to climate factors in the Yellow River Basin， China［J］. Acta Ecologica Sinica， 2022， 42（10）： 4041-4054.

［14］ 王公鑫， 井长青， 董萍， 等. 新疆荒漠草地生物量估算及影响因素研究［J］. 草地学报， 2022， 30（7）： 1862-1872.

WANG Gongxin， JING Changqing， DONG Ping， et al. Study on biomass estimation and influencing factors of desert grassland in Xinjiang［J］. Acta Agrestia Sinica， 2022， 30（7）： 1862-1872.

［15］王启元，赵艳玲，房铄东等.基于多光谱遥感的裸土土壤含水量反演研究［J］.矿业科学学报， 2020， 5（6）： 608-615. "

Wet al. Inversion of soil water content in bare soil based on multispectral remote sensing［J］.Journal of Mining Science， 2020， 5（6）： 608-615.

［16］ 刘天龙. 济南市森林蓄积量遥感监测研究［D］. 济南： 山东师范大学， 2015.

LIU Tianlong. Study on Remote Sensing Monitoring of Forest Volume in Jinan City［D］.Jinan： Shandong Normal University， 2015.

［17］ 罗庆辉， 徐泽源， 许仲林. 天山雪岭云杉林生物量估测及空间格局分析［J］. 生态学报， 2020， 40（15）： 5288-5297.

LUO Qinghui， XU Zeyuan， XU Zhonglin. Estimation and spatial pattern analysis of biomass of Picea schrenkiana forests［J］. Acta Ecologica Sinica， 2020， 40（15）： 5288-5297.

［18］ 张文强， 罗格平， 郑宏伟，等. 基于随机森林模型的内陆干旱区植被指数变化与驱动力分析： 以北天山北坡中段为例［J］. 植物生态学报， 2020， 44（11）： 1113-1126.

ZHANG Wenqiang， LUO Geping， ZHENG Hongwei， et al. Analysis of vegetation index changes and driving forces in inland arid areas based on random forest model： a case study of the middle part of northern slope of the North Tianshan Mountains［J］.Chinese Journal of Plant Ecology， 2020， 44（11）： 1113-1126.

［19］ 宋良友， 何功秀. 不同林龄阶段杉木人工林生物量和碳储量的分布特征［J］. 湖南林业科技， 2021， 48（1）： 71-75， 94.

SONG Liangyou， HE Gongxiu. Distribution characteristics of biomass and carbon storage of Cunninghamia lanceolata plantation in different age stages［J］. Hunan Forestry Science amp; Technology， 2021， 48（1）： 71-75， 94.

［20］ 曾伟， 江斌， 余林， 等. 江西杉木人工林生物量分配格局及其模型构建［J］. 南京林业大学学报（自然科学版）， 2016， 40（3）： 177-182.

ZENG Wei， JIANG Bin， YU Lin， et al. Biomass allocation and its model construction of Cunninghamia lanceolata plantations in Jiangxi Province［J］. Journal of Nanjing Forestry University （Natural Sciences Edition）， 2016， 40（3）： 177-182.

［21］ 潘鹏， 吕丹， 欧阳勋志， 等. 赣中马尾松天然林不同生长阶段生物量及碳储量研究［J］. 江西农业大学学报， 2014， 36（1）： 131-136.

PAN Peng， LYU Dan， OUYANG Xunzhi， et al. A study on biomass and carbon storage of natural Pinus massoniana forest at different stand growing stages in central Jiangxi Province［J］. Acta Agriculturae Universitatis Jiangxiensis， 2014， 36（1）： 131-136.

［22］ 徐婷， 曹林， 佘光辉. 基于Landsat 8 OLI的特征变量优化提取及森林生物量反演［J］. 遥感技术与应用， 2015， 30（2）： 226-234.

XU Ting， CAO Lin， SHE Guanghui. Feature extraction and forest biomass estimation based on landsat 8 OLI［J］. Remote Sensing Technology and Application， 2015， 30（2）： 226-234.

［23］ 范文义， 李明泽， 杨金明. 长白山林区森林生物量遥感估测模型［J］. 林业科学， 2011， 47（10）： 16-20.

FAN Wenyi， LI Mingze， YANG Jinming. Forest biomass estimation models of remote sensing in Changbai Mountain forests［J］. Scientia Silvae Sinicae， 2011， 47（10）： 16-20.

［24］ Wang X X， Jia K， Li S， et al. Estimating Fractional Vegetation Cover From Landsat-7 ETM+ Reflectance Data Based on a Coupled Radiative Transfer and Crop Growth Model［J］.IEEE Transactions on Geoscience and Remote Sensing， 2017， 55（10）.

［25］ 彭守璋， 赵传燕， 郑祥霖， 等. 祁连山青海云杉林生物量和碳储量空间分布特征［J］. 应用生态学报， 2011， 22（7）： 1689-1694.

PENG Shouzhang， ZHAO Chuanyan， ZHENG Xianglin， et al. Spatial distribution characteristics of the biomass and carbon storage of Qinghai spruce （Picea crassifolia） forests in Qilian Mountains［J］. Chinese Journal of Applied Ecology， 2011， 22（7）： 1689-1694.

［26］李猛，陆彦羽，卢腾飞等.云南怒江流域森林地上生物量光学遥感估测及饱和点分析［J］.西南林业大学学报（自然科学）， 2022， 42（3）： 116-127.

LI M， LU Y， LU T， et al. Optical remote sensing estimation and saturation point analysis of aboveground biomass in the Nu River Basin of Yunnan［J］.Journal of Southwest Forestry University （Natural Science）， 2022， 42（3）： 116-127.

［27］ 李路， 常亚鹏， 许仲林. 乌鲁木齐南山森林生物量和碳储量空间分布特征［J］. 水土保持研究， 2018， 25（5）： 72-77.

LI Lu， CHANG Yapeng， XU Zhonglin. Spatial distribution characteristics of the biomass and carbon storage of forest in Nanshan Mountain， Urumqi［J］. Research of Soil and Water Conservation， 2018， 25（5）： 72-77.

［28］ 曾晶， 张晓丽. 高分一号遥感影像下崂山林场林分生物量反演估算研究［J］. 中南林业科技大学学报， 2016， 36（1）： 46-51.

ZENG Jing， ZHANG Xiaoli. Laoshan forest biomass estimation based on GF-1 images with inversion algorithm［J］. Journal of Central South University of Forestry amp; Technology， 2016， 36（1）： 46-51.

［29］ 刘芳， 冯仲科， 赵芳， 等. 资源三号遥感卫星影像的生物量反演研究［J］. 西北林学院学报， 2015， 30（3）： 175-181.

LIU Fang， FENG Zhongke， ZHAO Fang， et al. Biomass inversion study of ZY-3 remote sensing satellite imagery［J］. Journal of Northwest Forestry University， 2015， 30（3）： 175-181.

［30］ 菅永峰， 韩泽民， 黄光体， 等. 基于高分辨率遥感影像的北亚热带森林生物量反演［J］. 生态学报， 2021， 41（6）： 2161-2169.

JIAN Yongfeng， HAN Zemin， HUANG Guangti， et al. Estimation of forest biomass using high spatial resolution remote sensing imagery in north subtropical forests［J］. Acta Ecologica Sinica， 2021， 41（6）： 2161-2169.

Analysis of spatial and temporal variations of aboveground biomass and the factors affecting it in a typical forest area in the central Tianshan Mountains

XIAO Shuting1， YAN An1，WANG Weixia2， ZHANG Qingqing3， HOU Zhengqing1， MA Mengqian1， SUN Zhe1

（1.Xinjiang Key Laboratory of Grassland Restoration and Environmental Information， College of Resources and Environment， Xinjiang Agricultural University， Urumqi 830052，China;2.College of Forestry and Landscape Architecture， Xinjiang Agricultural University， Urumqi 830052，China;3. College of Life Sciences， Xinjiang Agricultural University， Urumqi 830052，China）

Abstract：【Objective】 aboveground biomass at different time and spatial scales and analyze its influencing factors， this project aims to reveal the dynamic change process of the ecosystem in the natural forest area and explore the environmental factors affecting the change of aboveground biomass.

【Methods】 Based on the remote sensing data of the past 20 years from 2000 to 2022 and the actual sample data of the forest land in the study area， this study used the remote sensing information to establish an estimation model， estimate the aboveground biomass in the typical natural forest area of Tianshan Mountain， Xinjiang， and analyze the temporal and spatial dynamic changes of biomass in the area and the influencing factors of the aboveground biomass changes of natural forest lands.

【Results】 The spatial distribution of aboveground biomass in woodland in the study area was obvious， with high biomass in northeast China and low biomass in southwest China， mainly concentrated in the northern part of the study area. In 2022， the forest biomass of the Internship Forest Farm was about 3.728×106 t， the maximum value was about 559.67 t/hm2， and the average biomass was about 233.45 t/hm2. The biomass in the northeast was higher than in the southwest， and the increase in latitude led to a decrease in biomass. There were differences in the interannual variation trend of aboveground biomass in woodland in the study area， and the overall state was stable and growing， with 52.63% of the area biomass increasing and 47.37% of the area biomass decreasing. The biomass per unit area of different forest age stages increased with the increase of forest age， and the biomass of the tree layer was the highest in mature forests.

【Conclusion】 In the forest land in the study area， the area and biomass proportion of juvenile forest to overmature forest are different， and it is necessary to increase the investment in natural regeneration and artificial tending work. From 2000 to 2022， the aboveground biomass of forest land in the study area gradually increased from north to south， and precipitation played a positive role in biomass growth. In the southwest area of the Internship Forest Farm， human activities are frequent， and changes in temperature and precipitation affect the growth of trees and grasslands， resulting in the high distribution of biomass in the northeast and low distribution of biomass in the southwest.

Key words：natural forest; biomass; remote sensing information model; spatial distribution

Fund projects：The 2022 Natural Forest Protection Project （Agricultural University Internship Forest Farm - Natural Forest Carbon Sequestration）

Correspondence author：YAN An （1983-）， male， from Ziyang， Sichuan， Ph.D.， professor， master and doctoral's supervisor， research direction： digital agricultural technology， agricultural resources and environment research， （E-mail）zryanan@163.com

收稿日期（Received）：2024-03-05

基金项目：2022年天保工程（农大实习林场-天然林碳汇）

作者简介：肖淑婷（1998-），女，新疆博州人，硕士研究生，研究方向为农业信息化，（E-mail）1367388036@qq.com

通讯作者：颜安（1983-），男，四川资阳人，教授，博士，硕士生/博士生导师，研究方向为数字农业技术、农业资源与环境，（E-mail）zryanan@163.com