卿东升,张 江,李建军,彭进香,刘 帅

(1.中南林业科技大学,长沙 410000;2.湖南应用技术学院,湖南 常德 415000;3.南方林业生态应用技术国家工程实验室,长沙 410000)

森林生态系统具有改善人类居住环境、提供资源、提供栖息地、防风固沙、涵养水源、保持水土、制造氧气及碳汇等功能,被誉为“地球之肺”。森林是人类及其它动物、微生物赖以生存、不可或缺的环境基础[1-4]。有研究表明,林分空间结构不仅仅会影响林木自身的生长,同时也会对林分中其它生物的生存环境造成影响,林分空间结构在很大程度上影响着林分生长、发育和稳定性[5-7]。从研究进展来看,国内外关于森林空间结构的研究并不多[8]。近百年以来,全球气候总体呈持续变暖的趋势明显[9]。工业时代之后,人类对森林的干预频率更高、程度更深,因而,有必要科学地研究林木在空间关系上的问题。

根据研究进展,混交度最早是由Von等[10]提出。2008年,汤孟平、胡艳波、惠刚盈等[11-15]学者对混交度的表述、量化等问题的解决方案做了改进,认为混交度表示对象木的最近邻木中与对象木不属同种的个体所占的比例,用来描述林分树种相互隔离程度的指数。一般来说,混交度包括简单混交度、树种多样性混交度和物种空间状态,是林分空间结构的重要评价指标之一。混交度在一定程度上可以反映树种的多样性,相关文献表明,林分内树种数量越多,生物多样性就越高,林分抵御病虫害的韧性越强,林分越稳定[16-19]。此外,还有研究者提出了物种多样性和混交度之间关系的量化方法[13,18,30],表明基于空间关系上的树种多样性指标正在逐渐被研究人员所认可和重视。

从林分空间关系的角度上看,无论使用哪一种混交度的量化方法,如何选取相邻木是混交度量化中所面临的关键问题[20]。根据研究进展可知,目前关于林分空间关系中相邻木选取的方法主要有以下3种方法:基于“1+4”最邻近相邻木[14,20],基于半径R圆的方法[21-22]及基于Voronoi图确定相邻木的方法[24-26]。但不同的选取策略是否会导致对象木相邻木的数量、位置及类别均存在差异,进而影响混交度的量化结果。到目前为止,尽管有研究者应用这几种相邻木选择方案求解了相关林木空间关系的问题,但这3种相邻木的选择方案在不同林分类型中相邻木的差异性如何尚不完全清楚。为了研究林分混交度在不同相邻木选择方案下的异同点,文中从聚集分布林分、随机分布林分、均匀分布林分及稀疏分布林分的角度上设置了31块样地,研究这3种方案在求解不同林分类型混交度的差异性及相关性,为林分空间关系量化问题提供参考。

1 研究区域和数据来源

研究区设定在南洞庭湖区(北纬27°39′～28°41′,东经112°18′～113°14′),南洞庭湖区的植被区划属中亚热带北部常绿阔叶林地带,湖区地理环境优越,地貌类型多样,气候温和湿润,土壤种类繁多,境内动、植物资源丰富,具有多重利用价值,是支持国民经济建设的重要自然资源,该地区混交林较多。根据标准调查方法,对样地中胸径大于2cm的林木进行了统计,纪录其分布位置及树种类型。

2 研究方法

2.1 样地设置

文中共设置了31块样地,其中调研样地22块,模拟样地9块,分为聚集分布、随机分布、稀疏分布及均匀分布林分类型,主要的树种为红枫(Acerpalmatum′Atropurpureum′)、罗汉松(Podocarpusmacr-ophyllus(Thunb.) D.Don)、马尾松(PinusmassonianaLamb.)、梧桐(Firmianasimplex(Linnaeus) W.Wight)及香椿(Toonasinensis(A.Juss.) Roem.)组成的混交林,各样地树种状况如表1所示。

表1 样地大小及林木株数

2.2 研究方法

1)混交度量化方法。文中选用的混交度计算公式[14]为：

(1)

式中:Mi表示林分空间结构中对象林木i的混交度,vij是混交度的取值变量,当对象林木i与相邻木j为同种林木时,vij=0,而当对象林木i与相邻木j为不同种林木时,vij=1,n是对象木i的相邻木株数。

Mi的取值在[0,1]之间,一般可以使用单株林木混交度的均值来表示林分混交度

(2)

式中:N为研究区域内的总林木株数,Mi为第i株林木的混交度。

林分的混交度值也在[0,1]的范围之内,若取值为0,则为0混交,说明为纯林；若取值为1,表示极强度混交。林分混交度是林分空间结构中反映多树种多样性的重要指标,一般认为,林分混交度值越大,林分越稳定。

2)边缘校正。由于靠近边界的林木无法获取其完整的相邻林木分布状况,需对样地的边缘进行校正。文中采用缓冲区法[25],只有核心区的林木才是目标树,而缓冲区域的林木仅作为核心区目标树的相邻木,文中设定距离各边界为0.5m的区域为样地的缓冲区。

3)半径R值及基于Voronoi 图相邻木。文中半径R的值按Daniels[22]的要求取值为R=3.05m,基于Voronoi图相邻木的由树木点位置构建Voronoi 图和Delaunay三角网确定对象木的最近邻木数[27],例如,随机分布样地BM1半径R的设定及构建的Voronoi 图和Delaunay三角网如图1及图2所示。

图1 半径R的设定

图2 Voronoi图及Delaunay三角网

3 结果与分析

3.1 聚集分布林分

为了方便分析,文中将每个样地中的林木映射至二维平面中,聚集分布林分(AM1—AM9)情况如图3所示。

图3 聚集分布样地林分基本分布图

表2 样地AM1—AM9在不同选择方案下相邻木数量及平均混交度

实验表明,在聚集分布的林分中,不同方案选取相邻木的数量及林分混交度值存在差异,但差异性较小。在9个样地中,对象木在基于半径R圆的方案下求得的最大相邻木数量为20株,平均相邻木数为7株,林分平均混交度值为0.58；在基于Voronoi图的方案下求得的最大相邻木数量为10株,平均相邻木数为6株,林分平均混交度值为0.57；在基于“1+4”最邻近的方案下求得的相邻木数量均为4株,其林分平均混交度值为0.56。从总体上看,在聚集分布林分中,相邻木的数量从范围、平均值及林分平均混交度值上均有基于半径R圆>基于Voronoi图>基于“1+4”最邻近相邻木。

3.2 随机分布林分

随机分布样地林分(BM1—BM9)基本分布情况如图4所示。

图4 随机分布样地林分基本分布图

表3 样地BM1—BM9在不同选择方案下相邻木数量及平均混交度

在随机分布BM1—BM9的样地林分中,对象木在基于半径R圆的方案下求得的最大相邻木数量为13株,平均相邻木的株数为4株,林分平均混交度值为0.68；在基于Voronoi图的方案下求得的相邻木最大数量为9株,平均相邻木的株数为6株,林分平均混交度值为0.71；在基于“1+4”最邻近的相邻木选择方案中,相邻木的数量均为4株,林分平均混交度值也为0.71。从总体上看,在随机分布的林分中,从相邻木数量范围的角度上看,有基于半径R圆>基于Voronoi图>基于“1+4”最邻近相邻木。从林分平均相邻木数量的角度上看,有基于Voronoi图>基于半径R圆=基于“1+4”最邻近相邻木；而在林分平均混交度上有基于“1+4”最邻近相邻木=基于Voronoi图>基于半径R圆。

3.3 均匀分布林分

均匀分布样林分(CM1—CM4)基本分布情况如图5所示。

表4 样地CM1—CM4在不同选择方案下相邻木数量及平均混交度

在均匀分布样地CM1—CM4中,三种方案求得林分的平均混交度接近,为0.5左右。在相邻木的数量上,基于Voronoi图的平均相邻木数量相比其它两种方案多；在最少相邻木数量上,基于半径R圆和基于Voronoi图的求解结果一致,而在最大相邻木数量上,基于“1+4”最邻近相邻木与基于半径R圆的求解结果一致。

3.4 稀疏分布林分

稀疏分布样地林分(DM1—DM9)基本分布情况如图6所示。

图6 均匀分布样地林分基本分布图

在稀疏分布样地DM1—DM9中,由于林木之间分布稀疏,方案基于半径R圆求得的平均相邻木数量为1株,林分平均混交度的值为0.44,比基于“1+4”最邻近相邻木和基于Voronoi图所求解的结果都要小,可见,该方案在稀疏分布林分中的求解有一定的局限性。此外,根据实验结果,基于Voronoi图的求解方案在平均相邻木的数量及林分平均混交度的求解结果上与方案基于“1+4”最邻近的求解结果一致。

表5 样地DM1—DM9在不同选择方案下相邻木数量及平均混交度

4 讨论

4.1 不同方案下林分平均相邻木数和平均混交度差异性

从总体林分平均混交度的角度上看,文中实验样地除了稀疏分布中基于半径R圆(R=3.05m)的相邻木的选择方案平均林分混交度值偏低之外,其它几种类(聚集分布林木、均匀分布林分及随机林木林分)的林分所求的林分混交度值的差别均不大,说明相关文献比如汤孟平等[24],惠刚盈等[15],Sannikova等[23],曹小玉等[28],李建军等[29],赵中华等[30]在求林分平均混交度时使用基于“1+4”最邻近相邻木、基于半径R圆(R=3.05m)及基于Voronoi图的方案是合适的。

不同的相邻木选取方案会导致相邻木n的取值存在差异,为当对象木的相邻木n取值过大时,可能把非最近邻木也纳入计算范围,n取值过小时不能兼顾对象木周围最近邻木的所有可能情形,这2种状况都将导致混交度的有偏估计[11,26,31]。对于此类情况,林分的平均相邻木数量如何变化？根据实验结果可知,在聚集分布林分中,使用基于“1+4”最邻近相邻木求得的林分平均相邻木数量为4株,使用基于半径R圆(R=3.05m)求得的平均相邻木数量为7株、用基于Voronoi图求得的平均相邻木数量为6株；在随机分布林分中各方案下平均相邻木数量分别为4,4,6株,在均匀分布林分中各方案下平均相邻木数量分别为4,3,5株,在稀疏林分中各方案下平均相邻木数量分别4,1,4株,稀疏分布林分中基于半径R圆求得的平均相邻木数量与其它两种方案差别较大。

4.2 不同方案单株林木混交度的差异性

单株林木的混交度值在不同的相邻木选择方案下可能会存在差异[25]。在求解单株林木混交度时,大部分的文献直接使用了基于“1+4”最邻近相邻木、基于半径R圆或者基于Voronoi图方案中的一种,并未考虑相关的林分类型[32-34]。事实上,对于单株林木而言,不同的林分类型对不同的相邻木选择方案的响应并不一致,不同相邻木选择方案适合哪种林分类型及不同相邻木选择方案之间是否具有相关性是值得探讨的问题,本研究在不同的林分类型中对3种方案求解单株林木混交度的相关性进行了拟合,其平均相关性如表6所示。

表6 不同林分类型在不同相邻木选择方案的平均相关性

由表6可知,在聚集分布的林分中,基于“1+4”最邻近相邻木与基于Voronoi图的平均相关系数R2的值最大,其值为0.71,基于半径R圆与基于Voronoi图的平均相关系数R2的值最小,其值为0.62；在随机分布的林分中,基于“1+4”最邻近相邻木与基于Voronoi图的平均相关系数R2的值最大,其值为0.62,基于半径R圆与基于Voronoi图的平均相关系数R2的值最小,其值为0.37；在均匀分布的林分中,基于“1+4”最邻近相邻木与基于Voronoi图的平均相关系数R2的值最大,其值为0.81,基于半径R圆与基于Voronoi图的平均相关系数R2的值最小,其值为0.71；在稀疏分布的林分中,基于“1+4”最邻近相邻木与基于Voronoi图的平均相关系数R2的值最大,其值为0.61,基于半径R圆与基于Voronoi图的平均相关系数R2的值最小,其值为0.16。以上表明,无论在聚集分布、均匀分布、随机分布及稀疏分布的林分中,基于“1+4”最邻近相邻木与基于Voronoi图这两种相邻选取方案求解林木混交度的结果都比较接近,而基于半径R圆与基于Voronoi图的相邻选取方案差别相对较大。此外,对于不同类型的林分而言,在均匀分布的林分中3种相邻木选择方案求解林木混交度结果的一致性优于其它几种类型的林分。

4.3 不同相邻木选取方案优缺点分析

林木混交度值取决于其与相邻木之间的关系,在不同或者相同的类型林分中,不同相邻木选取方案可能会导致对象林木的相邻木在数量和位置上均存在差异。基于“1+4”最邻近相邻木的相邻木选择方案设计简单,能清晰反映对象木与其周围4株最邻近相邻木之间的关系,但其取值仅仅局限在[0,0.25,0.5,0.75,1]这几个值中。此外,在聚集或者稀疏林分中,对象木相邻木的取值可能会有误差。基于Voronoi图的相邻木选择方案以泰森多变形的边作为相邻木,能比较全面地反映相邻木的数量,但在稀疏林分中,对象木的相邻木数量会偏大,如何合理地进行边缘矫正也是难点问题。基于半径R的圆从理论上来说能全面反映不同森林类型中相邻木的数量,但如何确定R的值是难点,且相邻木数量对半径R的取值敏感。

5 结论

从总体林分平均混交度的角度上看,实验样地中除了稀疏分布林分中基于半径R圆(R=3.05m)的相邻木的选择方案下林分平均混交度值偏低之外,其它几种类(聚集分布林分、均匀分布林分及随机分布林分)的林分在不同相邻木选取方案下求得的林分平均混交度值的差别较小。若从单株林木上看,不同的相邻木选择方案在不同林分类型中存在差异,在聚集林分中,基于“1+4”最邻近相邻木选择方案会导致对象木的相邻木数量偏少,而在稀疏分布林分中,使用基于“1+4”最邻近相邻木及基于Voronoi图相邻木选择方案会导致对象木的相邻木数量偏大。基于半径R圆的相邻木选择方案从理论上来说最能全面反映对象木与相邻木之间在空间上的关系,但对象木的相邻木对半径R的值较为敏感,如何确定R的值是难点问题。从不同相邻木选择方案的相关性上看,无论在聚集分布、均匀分布、随机分布及稀疏分布的林分中,基于“1+4”最邻近相邻木与基于Voronoi图这两种相邻选取方案求解林木混交度的结果都比较接近,而基于半径R圆与基于Voronoi图的相邻选取方案差别相对较大。此外,对于不同类型的林分而言,三种相邻木选择方案求解均匀分布林分结果的一致性优于其它几种类型的林分。

综上所述,对于随机分布林分而言,基于Voronoi图与基于“1+4”最邻近相邻木可以优先考虑作为求解单株林木的混交度问题的解决方案；对于聚集分布林分而言,基于Voronoi图与基于半径R圆可以优先考虑作为求解单株林木混交度问题的解决方案；对于均分分布林分而言,可以根据实验样地林分分布的特点选择一种合适的相邻木选择方案；对于稀疏林分而言,可以选用基于半径R圆作为其求解方案。此外,如何对不完整的Voronoi图进行合理纠正也是难点问题,为了降低相邻木选取误差,对于基于“1+4”最邻近相邻木及基于Voronoi图的相邻木选择方案,还应该根据样地大小设定相应的相邻木与对象林木距离的最大阈值。