魏士凯, 徐雯雯, 张志东,*, 黄选瑞

河北省森林—草原交错带天然植被景观格局时空尺度效应

魏士凯1,2, 徐雯雯2, 张志东2,*, 黄选瑞2

1.湖南师范大学地理科学学院, 长沙 410081 2. 河北省林木种质资源与森林保护重点实验室/河北农业大学林学院, 保定 071000

为探讨天然植被景观格局时空尺度效应, 利用随机森林分类方法对塞罕坝地区3期(1989、2000和2016年)遥感影像进行图像解译, 并在分层随机抽样调查的基础上通过不断增加缓冲区的方法, 计算基于斑块类型和景观水平的景观指数; 采取尺度图谱分析在时空尺度下不同植被类型景观尺度效应, 并基于信息熵模型明确景观格局分析的最佳空间幅度。结果表明: 1989—2016年期间, 人工林的快速增长致使草地和天然次生林景观面积呈现先降低后增加趋势且破碎化现象严重; 草地和天然次生林在空间尺度上具有相同的变化特征, 而在时间尺度上则呈现不同的变化; 斑块密度、形状指数以及聚集度指数在时空尺度上均具有较强预测性, 且300 m为最佳尺度阈值。不同天然植被类型在时空尺度下其尺度效应也是不同的, 这不仅与植被类型自身对生态环境响应的差异性有关, 也和研究区特殊的人文地理环境密不可分。

塞罕坝; 景观格局; 景观指数; 尺度效应; 信息熵

0 前言

景观格局变化不仅是景观异质性的具体表现, 同时也是包括干扰在内的各种生态过程在不同尺度上作用的结果, 是景观生态学的研究重点之一[1-4]。天然植被作为陆地生态系统的重要组成成分之一, 为人类社会提供了重要的生态和经济服务。然而人为活动和自然条件驱动已造成了天然植被景观异质性的增加以及景观格局的改变[5], 严重影响了生物多样性保护以及生态系统服务价值的正常发挥[6-7]。

基于多尺度分析景观异质性是理解天然植被景观格局变化复杂性和有效监测环境及生物多样性变化的前提[8]。随着遥感和地理信息技术的发展, 利用景观格局指数能够准确识别斑块、类和景观水平空间结构信息及时间动态, 是用于分析格局变化的有效途径之一[9]。然而, 许多景观格局指数对尺度变化的敏感性和可预测性存在差异[1]。如随着粒度大小的变化, 一些景观指数表现出幂函数或线性关系、似阶梯状离散响应或无确定性关系[10-14,1]。目前, 有关粒度大小与景观指数尺度关系已经有了大量的报道[15], 而空间幅度对景观指数尺度效应[16], 尤其是进一步考虑时间动态影响的研究仍需进一步加强[13]。

空间幅度一般指研究所涉及到的空间范围(长度或面积)。改变空间幅度, 景观指数也会发生相应的改变[1], 进而导致天然植被景观格局和过程的变化。因此, 辨识特征空间幅度是进一步理解天然植被景观特定格局和过程的关键[12]。然而, 在用景观指数分析空间幅度尺度效应的过程中, 也面临着诸多挑战。如景观指数会随空间幅度、时间、景观类型等的变化表现出不可预测性和不确定性[1,8,17]。基于此情景, 分析景观指数在各斑块类型及随空间幅度和时间的变化, 检验景观指数尺度效应的敏感性和一致性, 有助于精准预测天然植被景观格局变化及带来的生态影响, 进而加强天然植被景观的管理和保护效率。

森林草原交错带作为典型的生态脆弱区, 受全球变化和人类活动影响剧烈[18]。本研究所在的塞罕坝自然保护区位于典型森林-草原交错带, 是集森林、草原、湿地等为一体的复杂多样的生态系统, 也是河北省少有的物种多样性富集中心之一。然而伴随着人为活动的不断加剧, 致使天然植被景观变化显著, 物种丰富度急剧下降[19]。分析不同空间幅度对景观变化的影响, 能够使当地的管理人员更好的理解野生动植物资源对气候变化和人类活动的响应[20]。在空间幅度转换的过程中, 会发生一些信息的损失或变化, 而应用基于信息理论的技术能够定量空间尺度变化所导致的信息增加或减少量, 有助于确定最优分析空间尺度[21]。本研究以3期遥感影像以及样地调查数据为基础, 通过信息熵模型和尺度图谱分析研究区两大天然植被类型(天然次生林和草地)的景观格局时空尺度效应, 主要探讨以下3个问题: (1)在时空尺度下, 天然植被景观格局发生哪些变化, 其尺度效应如何？(2)在不同植被类型下, 其时空尺度变化是否具有一致性？(3)哪些指数在时空尺度下均具有预测性, 且在哪种空间幅度下能够最大的保存信息丰富度？通过阐明该区天然植被景观格局时空尺度效应, 可为优化当地天然植被分布格局, 提高生物多样性提供指导。

1 材料与方法

1.1 研究区概况

河北省塞罕坝自然保护区(42°22′—42°31′ N, 116°53′—117°31′ E)位于内蒙古高原东南缘(图1), 地处内蒙古高原与冀北山地交界处。高原—波状丘陵—漫滩—接坝山地组合为该区主要地形地貌[22]。自然保护区属于寒温带大陆性季风气候, 年均气温为-1.4 ℃, 极端最高气温为30.9 ℃, 最低气温为-42.8 ℃; 年降水量490 mm, 蒸发量1230 mm。天然植被中, 乔木树种主要有白桦()、山杨()等, 灌木主要有山刺玫()、山丁子()、山杏()等, 草本以菊科为主, 主要有三穗苔草()、金莲花()、大油芒()等。

1.2 外业调查

外业调查于2014年7—9月进行。基于研究区斑块大小、形状、空间分布广布性等, 共调查了38个典型植被斑块, 其中包括12个草本、11个灌木和15个天然林植被。在样方间隔至少为50 m的基础上, 采取分层随机取样的方法, 共调查草地样方184个(1 m×1 m)、灌木林样方109个(5 m×5 m)和天然次生林样方62个(20 m×20 m)。记录每个样方的海拔、坡度、坡向、坐标以及植被类型; 乔、灌木(DBH ≥ 1 cm)记录种类、高度、胸径、个体数; 草本植物记录物种名、多度、平均高度和最大高度[19]。基于样方数据进行遥感影像分类和模型构建。

图1 研究区样地分布图示意图

Figure 1 The distribution of sampling plots in study area

1.3 遥感影像的获取和处理

本文以1989、2000和2016年3期Landsat TM影像(空间分辨率30 m)作为主要数据(图2), 以2002年SPOT5卫星影像(分辨率2.5 m)、2012年航空影像(分辨率0.5 m)、地形数据、以及当地林场二类调查矢量数据和群落调查数据为辅助数据进行图像预处理和训练样区的选择。根据当地植被覆被现状以及野外调查结果, 将研究区植被划分为4类: 草地、灌木林、人工林和天然次生林。随机森林分类方法相较于传统分类方法具有高效、准确的优点[23]。基于此, 本研究在ENVI5.1软件平台下, 结合enMAP-BOX工具包对遥感影像进行随机森林分类。我们在卫星原始波段、纹理特征数据、地形数据以及植被指数的基础上选取最佳的287个特征变量, 并以此来构建随机森林模型。随机选取30%的数据对3期遥感影像进行精度检验, 其总体精度均在85%以上, 满足研究需求。

注: GD.草地; SD.灌木林; AF.人工林; SF.天然次生林; WB.水体; TC.城镇及建筑用地; BG.裸地

Figure 2 Distribution of vegetation landscape types in Saihanba Nature Reserve in 1989, 2000 and 2016.

1.4 空间格局分析

本研究采取分层随机抽样调查法来变空间幅度, 这种方法相较于传统幅度推译方法(中心点外推和对角线外推)更加客观, 准确和节省成本[24-25]。首先在研究区域内选择草地和天然次生林斑块生成150个随机点。然后分别以随机点为中心, 设置100、200、300、500、700、1000 m共6个幅度的缓冲区(图3), 提取各缓冲区内所需景观指数值。利用尺度图谱分析各景观指标的尺度依赖性。

在以往相关研究的基础上, 考虑到当地特殊的自然人文环境以及各指数在分析景观格局时空尺度效应上的能力[26-27,13], 在景观类型水平上选取了香浓多样性指数(SHDI)和香浓均匀度指数(SHDI), 在斑块类型水平上选取了面积斑块分维数(FRAC- MN)、斑块密度指数(PD)、最大斑块指数(LPI)、景观形状指数(LSI)和聚集度指数(AI)作为分析研究区景观格局尺度效应的指标。各指数的计算在FRAGSTATS 4.2软件中进行。

1.5 基于信息熵的最优尺度选择

利用信息熵模型可以帮助我们很好确定不同尺度中景观格局信息的丰富度。景观格局变化是一个时空变化的过程, 是内部矛盾和外部活动共同作用的结果[28], 这也决定了其复杂的内部信息。如果熵值在相应尺度上较大, 则说明该尺度上景观格局包含信息也越复杂, 从而越难准确描述其内部结构特征。一般情况下, 尺度的变化会影响遥感影像分类的准确性, 从而进一步影响景观格局本身的复杂性。因此找出一个包含最丰富信息的最佳尺度很有必要, 而信息熵作为衡量信息量的重要指标在景观格局尺度效应研究中已经得到了应用[29]。其基本公式如下:

图3 塞罕坝自然保护区随机点生成和缓冲区建立

Figure 3 Random points and buffer zones in Saihanba nature reserve

表1 选取的景观指数

在本研究中,表示各景观类型面积(=1,2…,5), m2,为研究区总面积, m2,表示各景观类型面积占总面积的比例, 具体公式如下:

2 结果与分析

2.1 植被变化

1989—2016年期间, 塞罕坝地区人工林呈不断增长趋势, 并在2016年成为最主要的植被类型(32.00%), 灌木林则相反, 逐步成为所占比重最小的植被类型(5.73%)(图2)。草地和天然次生林作为研究区最主要的天然植被类型, 在1989—2016年期间, 均呈现先降低后增加趋势, 面积构成分别从1989年的29.60%和30.01%, 到2000年的27.71%和29.26%, 过渡到2016年的28.23%和30.49%。

2.2 时间尺度效应

在时间尺度上, 根据各景观指数随着时间变化是否具有相同变化趋势来判别它们的预测性。通过判读不同时期景观格局指数响应曲线交叉情况进行判断, 具体可分为两类: 类型A, 3个时期景观指数响应曲线没有相交(图4); 类型B, 曲线有相交(图5)。

类型A中面积斑块分维数、斑块密度、景观形状指数以及聚集度指数随时间变化其大致走向具有一致性(图4)。草地和天然次生林虽然在面积斑块分维数中其时间尺度具有可预测性, 但随着时间的推移, 该指数在两种景观类型间变化趋势有所不同: 草地呈先增加后降低趋势, 而天然次生林则呈逐渐减小趋势(图4); 斑块密度指数与景观形状指数在两种植被类型中均在2016年呈最大值, 表明了研究区天然植被景观在该时期破碎度较高且缺乏整体性; 聚集度指数在两种植被类型中均呈降低趋势, 但草地类型最小值发生在2000年(图4), 说明在1989年各天然植被类型空间链接较高, 聚集程度较大。

类型B中最大斑块指数、香浓多样性指数和香浓均匀度指数随时间变化其走向一致性不强, 存在明显交叉(图5)。最大斑块指数可为我们确定景观中的优势斑块类型提供很好的帮助, 其值在不同的景观类型中情况也不同: 随着时间的推移, 草地大体上呈降低趋势, 而天然次生林呈增加趋势。香浓多样性指数以及均匀度指数在时间尺度上具有相同的变化趋势, 其值总体呈降低的变化趋势, 说明各天然植被类型在27年来异质性不断降低, 分布也趋于均匀化。

2.3 空间尺度效应

在空间尺度下, 依据景观格局指数随幅度变化的可预测性, 将指数分为三类: 第1类指数随幅度变化可预测性较强, 即指数值与幅度存在简单的尺度效应(呈单调性变化)。第2类指数随幅度变化可预测性较差, 即指数值与幅度存在复杂的尺度效应(呈阶梯状变化)。第3类指数随幅度变化不具备可预测性, 即指数值与幅度不存在尺度效应(变化不规律)。

由图4和图5可知, 第一类指数包括斑块密度、景观形状指数以及聚集度指数。斑块密度在两种景观类型中降低趋势相似, 其中第一尺度域为100—300 m。考虑到节省成本以及保持总体特征的前提, 最佳尺度一般选择第一尺度域内中等偏大的尺度[30]。即它们的最佳空间尺度为300 m。景观形状指数随着幅度的增加, 呈单调增长趋势, 没有明显拐点, 即在空间幅度上始终具有很强的预测性。聚集度指数在两种景观类型中随着幅度的增加, 增加趋势相似, 且第一尺度域为100—300 m, 即最佳空间尺度为300 m。

第二类指数为面积斑块分维数以及最大斑块指数。面积斑块分维数在两种景观类型随着幅度的增加均呈先增加后减少的趋势, 第一尺度域均为100—300 m, 即它们的最佳空间尺度为300 m。最大斑块指数则是先减少后增加, 尺度阈值同面积斑块分维数一致也为300 m。

图4 研究区草地和天然次生林景观指数多尺度响应(类型A)

Figure 4 Multi-scale response of landscape metrics of grasslands and natural secondary forests in study area (type A)

图5 研究区草地和天然次生林景观指数多尺度响应(类型B)

Figure 5 Multi-scale response of landscape metrics of grasslands and natural secondary forests in study area (type B)

第三类景观指数为景观格局指数中的香浓多样性指数以及香浓均匀度指数。它们在空间幅度上变化情况相似, 即在小尺度(100—300 m)上呈随机变化, 然后趋于一致(图5)。为进一步验证景观格局指数对空间幅度变化的响应曲线的有效性, 增加辨识度, 本文选取第一类中的3种景观指数进行数学模型拟合(表2), 发现其拟合度均较为理想。

2.4 时空尺度效应

通过对景观格局指数时间、空间尺度效应进行汇总分析(表 3), 可以发现, 在时空尺度下, 均具有预测性的指数分别为斑块密度、形状指数以及聚集度指数。

2.5 基于信息熵景观格局最优尺度选择

本研究以2016年景观格局变化为例来讨论信息熵对空间尺度的响应问题, 研究区景观格局信息熵在100—300 m变化不大, 在300 m时开始急速下降, 一些重要信息开始丢失(图6)。因此, 本文认为100—300 m为最佳阈值区间。

3 讨论

表2 景观指数曲线拟合表

表3 景观格局指数时空尺度效应以及空间相关性

图6 不同尺度景观格局信息熵值的变化

Figure 6 Changes of information entropy values for different landscape patterns along spatial scales

本文发现该研究区无论是在景观格局指数还是信息熵方面, 均具有明显的幅度阈值且300 m处是一个重要的临界域幅度(表3、图6)。虽然两种指标的结果相似, 但它们所能表达的信息却并不相同, 如信息熵模型往往只考虑景观格局各类型的多少和各类型景观面积分布的均匀情况[40], 而景观指数则在描述景观类型的斑块形状、密度等具有自身明显优势[41-42]。因此, 我们在进行景观格局分析时, 应将两者结合起来进行讨论, 这样才能更加全面的认识研究区的景观格局变化情况。我们在综合考虑景观格局幅度效应以及信息熵结果后, 认为300 m为该研究区最佳空间尺度。不同幅度外推方法得到的最佳空间尺度可能也有所不同, 杨莎莎[43]通过与本文相似的外推方法(样点外推)对苏子河流域的景观格局进行尺度效应分析时发现, 当缓冲区≤300 m时, 旱地、建筑用地和水田景观连通性和聚集程度较高; 而当缓冲区＞300 m时, 林地聚集连通程度较好。虽然该结果与本文结果有些相似(300 m为景观格局分析的重要尺度阈值), 但就目前来看, 运用文中外推方法进行的景观格局尺度效应研究还很少见, 且不同区域特征和景观类型可能具有不同的尺度阈值, 这严重制约了我们对于最优尺度的跨区域普适性的探讨。

通过以上研究可以看出, 破碎化以及植被结构单一成为威胁当地生物多样性以及生态安全的重要因素, 这对当地物种栖息地的选择和保护具有负面影响, 尤其是当幅度大于300 m时, 景观格局将会发生明显波动, 这对栖息地范围比较敏感的爬行动物以及鸟类的生存产生巨大威胁[13]。对此当地林场应积极采取应对措施, 对于草地应最大程度的减少人为干扰, 做好“封山禁牧”工作; 对于天然林应在减少人为干扰的前提下, 做好天然更新工作, 形成稳定边缘区物种群落结构, 从而使核心区的生物多样性得到一定保护。加强生态廊道建设, 努力形成集中连片的分布特征。天然植被的恢复对生物多样性具有促进作用, 反过来, 一些动物(如鸟和啮齿动物)又会为植被种子传播提供帮助。因此, 我们应该对那些易受栖息地范围影响的生物进行实时监测, 从而为保护当地生物多样性以及生态系统多样性提供帮助[13,44]。

就目前来看, 关于景观格局空间尺度的跨区域普适性研究还存在一些不足, 这需要我们通过更多相关研究来进一步加强了解。本研究只选用了一种抽样方法进行尺度分析, 而单一的抽样方法往往因研究区地理环境的复杂性而不能完全适用于所有的尺度分析, 这需要我们在以后的研究过程中寻找到合适的抽样组合方式, 从而为更加准确的分析景观格局尺度效应提供可能[45]。

4 结论

天然植被景观格局在人工林快速增长的背景下破碎化问题比较严重, 且景观格局开始向非均衡化发展。草地和天然次生林在空间尺度上具有相同的变化特征, 而在时间尺度上则呈现不同的变化。各指数在时空尺度下具有明显不同的尺度效应, 其中在时空尺度下均具有较强尺度效应的指数为: 斑块指数、形状指数以及聚集度指数。300 m作为保存信息丰富度的最佳信息熵阈值以及最佳幅度阈值, 可作为该研究区最佳分析尺度。

[1] WU Jianguo. Effects of changing scale on landscape pattern analysis: scaling relations[J]. Landscape Ecology, 2004, 19(2): 125–138.

[2] FU Bojie, LIANG Di, LU Nan. Landscape ecology: Coupling of pattern, process, and scale[J]. Chinese Geographical Science, 2011(4), 21: 385–391.

[3] 董灵波, 刘兆刚, 李凤日. 大兴安岭盘古林场森林景观的空间分布格局及其关联性[J]. 林业科学, 2015, 51(7): 28–36.

[4] 周梅, 张飞, 王娟, 等. 新疆艾比湖流域景观格局尺度效应[J]. 干旱区研究, 2017, 34(5): 1184–1195.

[5] TURNER M G, DONATO D C, ROMME W H. Consequences of spatial heterogeneity for ecosystem services in changing forest landscapes: priorities for future research[J]. Landscape Ecology. 2013, 28(6), 1081–1097.

[6] TANG Ling, ZHANG Guangyong. A GIS-based spatial extent in gradient analysis of urban green space pattern in Shenyang, China[J]. International Conference on Remote Sensing IEEE, 2011, 5658–5661.

[7] ZHANG J, FU M, ZENG H, et al. Variations in ecosystem service values and local economy in response to land use: a case study of Wu’an, China[J]. Land Degradation and Development, 2013, 24(3): 236–249.

[8] KELLY M, TUXEN K. A, STRALBERG D. Mapping changes to vegetation pattern in a restoring wetland: Finding pattern metrics that are consistent across spatial scale and time[J]. Ecological Indicators, 2011, 11(2): 263–273.

[9] 王德智, 邱彭华,方源敏. 丽香铁路建设对沿线景观格局影响的尺度效应及其生态风险[J]. 应用生态学报, 2015, 26(8): 2493–2503.

[10] WU Jianguo, SHEN Weijun, SUN Weizhong, et al. Empirical patterns of the effects of changing scale on landscape metrics[J]. Landscape Ecology, 2002, 17(8): 761–782.

[11] SHEN Weijun, JENERETTE G D, WU Jianguo, et al. Evaluating empirical scaling relations of pattern metrics with simulated landscapes[J]. Ecography, 2004, 27(4): 459–469.

[12] LUDOVICO F, SANTIAGO S, MICHELE M, et al. Quantifying Forest Spatial Pattern Trends at Multiple Extents: An Approach to Detect Significant Changes at Different Scales[J]. Remote Sensing, 2014, 6(10): 9298–9315.

[13] CAMPAGNARO T, FRATE L, CARRANZA M L, et al. Multi-scale analysis of alpine landscapes with different intensities of abandonment reveals similar spatial pattern changes: Implications for habitat conservation[J]. Ecological Indicators, 2017, 74: 147–159.

[14] FANG Shu, ZHAO Yonghua, HAN Lei, et al. Analysis of Landscape Patterns of Arid Valleys in China, Based on Grain Size Effect[J]. Sustainability, 2017, 9: 2263.

[15] FRAZIER A E. Surface metrics: scaling relationships and downscaling behavior[J]. Landscape Ecology, 2015, 31(2): 1–13.

[16] AMICI V, ROCCHINI D, FILIBECK G, et al. Landscape structure effects on forest plant diversity at local scale: Exploring the role of spatial extent[J]. Ecological Complexity, 2015, 21: 44–52.

[17] LI Harbin, WU Jianguo. Use and misuse of landscape indices[J]. Landscape Ecology, 2004, 19(4): 389–399.

[18] SOTTILE G D, MERETTA P E, TONELLO M S, et al. Disturbance induced changes in species and functional diversity in southern Patagonian forest-steppe ecotone[J]. Forest Ecology and Management, 2015, 353: 77–86.

[19] 田晓敏, 闫海霞, 袁业, 等. 塞罕坝自然保护区物种丰富度对植被景观破碎化的响应及其空间尺度差异[J]. 林业科学, 2016, 52(12): 13–21.

[20] SCHINDLER S, Von WEHRDEN H, POIRAZIDIS K, et al. Multiscale performance of landscape metrics as indicators of species richness of plants, insects and vertebrates[J]. Ecological Indicators, 2013, 31: 41–48.

[21] HUANG Qiuping, HUANG Jiejun, YANG Xining, et al. Evaluating the scale effect of soil erosion using landscape pattern metrics and information entropy: A case study in the Danjiangkou Reservoir Area, China[J]. Sustainability, 2017, 9(7): 1243.

[22] 秦朋遥, 杨会娟, 蒋凤玲, 等. 河北省塞罕坝保护区天然植物群落数量分类[J]. 应用生态学报, 2016, 27(5): 1383–1392.

[23] 张晓羽, 李凤日, 甄贞, 等. 基于随机森林模型的陆地卫星-8遥感影像森林植被分类[J]. 东北林业大学学报, 2016, 44(6): 53–57.

[24] XIAO Xiangyun, GERTNER G, WANG Guangxing, et al. Optimal Sampling Scheme for Estimation Landscape Mapping of Vegetation Cover[J]. Landscape Ecology, 2005, 20(4): 375–387.

[25] CARRANZA M L, FRATE L, ACOSTA A T R, et al. Measuring forest fragmentation using multitemporal remotely sensed data: three decades of change in the dry Chaco[J]. European Journal of Remote Sensing, 2014, 47(1): 793–804.

[26] 刘立成, 吕世海, 高吉喜, 等. 呼伦贝尔森林—草原交错区景观格局时空动态[J]. 生态学报, 2008, 28(10): 4982–4991.

[27] 闫苗苗, 李家存, 康孝岩. 基于长时相数据的同类型景观指数相关性幅度效应分析——以石家庄为例[J]. 地理与地理信息科学, 2015, 31(5): 79–85.

[28] 肖笃宁, 李秀珍. 景观生态学的学科前沿与发展战略[J]. 生态学报, 2003, 23(8): 1615–1621.

[29] 陈杰, 陈铁桥, 梅小明, 等. 基于最优尺度选择的高分辨率遥感影像丘陵农田提取[J]. 农业工程学报, 2014, 30(5): 99–107.

[30] 张玲玲, 史云飞, 刘玉华. 空间粒度变化对沂蒙山区景观格局指数的影响[J]. 生态学杂志, 2013, 32(2): 459–464.

[31] FAN Qindong, DING Shengyan. Landscape pattern changes at a county scale: A case study in Fengqiu, Henan Province, China from 1990 to 2013[J]. Catena, 2016, 137: 152–160.

[32] LI Jun, ZHANG Yuan , WANG Xiang , et al. Application of GPS Trajectory Data for Investigating the Interaction between Human Activity and Landscape Pattern: A Case Study of the Lijiang River Basin, China[J]. ISPRS International Journal of Geo-Information, 2016, 5(7): 104.

[33] 唐利, 邵景安, 郭跃, 等. 社区水平森林景观格局动态特征与驱动因素[J]. 生态学报, 2017, 37(6): 2101– 2117.

[34] 魏士凯, 范顺祥, 张玉珍, 等. 塞罕坝自然保护区主要植被类型动态及其驱动力[J]. 应用生态学报, 2018, 29(4): 1170–1178.

[35] 彭建, 王仰麟, 张源, 等. 土地利用分类对景观格局指数的影响[J]. 地理学报, 2006, 61(2): 157–168.

[36] 龚建周, 夏北成. 区域土地覆被景观特征的幅度效应及其变异规律[J]. 资源科学, 2007, 29(4): 97–102.

[37] 王戈, 于强, 刘晓希, 等. 包头市景观格局时空演变研究[J]. 农业机械学报, 2019, 50(8): 192–199.

[38] 祖拜代·木依布拉, 夏建新, 普拉提·莫合塔尔, 等. 克里雅河中游土地利用/覆被与景观格局变化研究[J]. 生态学报, 2019, 39(7): 2322–2330.

[39] 吕君, 吴必虎. 中国草原旅游研究的进展与展望[J]. 地理科学进展, 2010, 29(4): 403–410.

[40] 王玉明, 王瑞康. 城市化时期郊区土地利用结构信息熵上升的原因[J]. 地理学报, 2018, 73(09): 1647–1657.

[41] 张慧霞, 娄全胜. 基于分形理论及信息熵的广州边缘区绿地空间结构分析——以番禺区为例[J]. 生态环境学报, 2010, 19(7): 1593–1598.

[42] ŠÍMOVÁ P, GDULOVÁ K. Landscape indices behavior: A review of scale effects[J]. Applied Geography, 2012, 34: 385–394.

[43] 杨莎莎, 汤萃文, 刘丽娟, 等. 流域尺度上河流水质与土地利用的关系[J]. 应用生态学报, 2013, 24(7): 1953–1961.

[44] 刘红玉, 李兆富, 李晓民. 湿地景观破碎化对东方白鹳栖息地的影响——以三江平原东北部区域为例[J]. 自然资源学报, 2007, 22(5): 817–823.

[45] RAMEZANI H, HOLM S, ALLARD A, et al. A review of sampling-based approaches for estimating landscape metrics[J]. Norsk Geografisk Tidsskrift-Norwegian Journal of Geography, 2013, 67(2): 61–71.

Spatiotemporal scale effect of landscape pattern for natural vegetation in a forest-steppe zone of Hebei

WEI Shikai1,2, XU Wenwen2, ZHANG Zhidong2,*, HUANG Xuanrui2

1. College of Geographic Science, Hunan Normal University, Changsha 410081, Hunan, China 2. Hebei Province Key Laboratory of Forest Trees Germplasm Resources and Forest Protection/College of Forestry, Agricultural University of Hebei, Baoding 071000, Hebei, China

In order to explore the spatiotemporal scale effect of natural vegetation landscape pattern, the random forest classification method was used to interpret the remote sensing images of three periods (1989, 2000 and 2016) in Saihanba area. On the basis of stratified random sampling survey, the landscape indices based on patch type and landscape level were calculated by buffer method. Landscape scale effects of different vegetation types were studied based on the scale spectrum analysis, at the same time, using the information entropy model to determine the optimum spatial extent of landscape pattern. The results showed that the area of grassland and natural secondary forest decreased first and then increased due to rapid extension of plantations from 1989 to 2016. Grassland and natural secondary forest showed the same change characteristics in spatial scale, while presented the different trends in temporal scale. Patch density, shape index and aggregation index had a strong predictability on spatial and temporal scale, and the best spatial extent scale threshold was 300 meters. Severe fragmentation of natural vegetation from 1898 to 2016, might decline biodiversity at some extent. Different indices had different responses to spatiotemporal scales, which were related to the special human geographical environment of the study area.

Saihanba; landscape pattern; landscape metrics; scale effect; information entropy

10.14108/j.cnki.1008-8873.2022.06.019

k909

A

1008-8873(2022)06-157-10

2020-10-18;

2020-11-11

河北省自然科学基金项目(C2020204026); 亚太森林组织(APFNet) 资助项目(2021P2-CHN); 国家自然科学基金项目(32071759); 湖南省研究生创新项目(CX20200526)

魏士凯(1993—),男, 河南安阳人, 博士研究生, 主要从事景观生态学研究, E-mail: wesk1993@163.com

通信作者:张志东, 男, 博士, 副教授, 主要从事景观生态学研究, E-mail: zhzhido@163.com

魏士凯, 徐雯雯, 张志东, 等. 河北省森林—草原交错带天然植被景观格局时空尺度效应[J]. 生态科学, 2022, 41(6): 157–166.

WEI Shikai, XU Wenwen, ZHANG Zhidong, et al. Spatiotemporal scale effect of landscape pattern for natural vegetation in a forest-steppe zone of Hebei[J]. Ecological Science, 2022, 41(6): 157–166.