下载:
-
树高和胸径不仅是用来预测林分蓄积量[1]、生物量[2]、立地生产力[2-3]及林分结构[4]的重要变量，而且是森林资源调查及经营效果评价的重要因子。在标准地调查过程中，树高测量难度较大且观测成本高，其观测误差也相对较大，给精准林业质量提升带来了一定困难[2,4]，而胸径观测方便且精度较高。因此，根据标准地调查数据，建立树高与胸径关系预测模型，可降低调查成本，提高预测精度[5]，这对于森林质量精准提升具有重要意义。当前林业研究多采用线性或非线性树高与胸径关系模型来模拟预测两者之间的关系，其参数估计方法多采用最小二乘法来模拟，然而最小二乘法是基于均值回归，利用变量均值来拟合模型参数[6]，该方法要求调查数据需满足独立正态同分布等条件。在林业调查中，树高与胸径观测数据不能满足该要求，而分位数回归对调查数据没有严格要求[7]，利用变量条件分位数来建模[6]，对具有尖峰、厚尾、异方差显著的数据拟合效果更加稳健[8-10]。分位数回归理论框架是由KOENKER[11]提出，已在医学[12]、经济学[13]、教育与政策[14-15]及自然资源管理等领域进行了研究与应用。在林业相关研究中，分位数回归被应用于模拟林分自疏边界线[16]、直径分布规律[17]、林分密度指数[18]及森林病虫害[19]等方面研究。ÖZÇELIK等[20]基于分位数回归建立了树高与胸径关系模型，高慧淋等[21]采用此方法建立了长白落叶松Larix olgensis人工林最大林分密度线模型，提高了模型预测精度及适用性。然而在华北暖温带针阔混交林中，如何基于一个分位数回归模型，预测不同树种树高与胸径关系是亟待解决的科学问题。在混交林中为了描述树种结构对树木生长影响，部分学者[22-25]采用哑变量方法构建了不同间伐方式、不同地域树高曲线及生长量预测模型。然而基于包含哑变量的非线性分位数回归方法来构建不同树种树高与胸径关系模型的研究较少。因此，本研究以河北省塞罕坝华北落叶松Larix principis-rupprechtii与白桦Betula platyphylla针阔混交林为研究对象，基于哑变量方法和分位数回归相结合方法，构建混交林不同树种分位数回归模型，为精确描述树高与胸径的关系提供依据。
-
河北省塞罕坝机械林场(41°22′~42°58′N，116°53′~118°31′E)位于河北省最北部，地势北高南低，属华北暖温带立地类型区，林场总面积约9.2×104 hm2，总蓄积约8.1×106 m3。土壤类型以褐色森林土、棕色森林土及风沙土等为主；成土母质主要为坡积物、残积物及洪积物等；极端最高气温为33.4 ℃，最低气温−43.3 ℃，年均气温−1.3 ℃，年均无霜期64 d，年均降水量460.3 mm，是典型的半干旱半湿润寒温性大陆季风气候。研究区植被类型丰富，主要乔木树种有华北落叶松、白桦、樟子松Pinus sylvestris、云杉Picea asperata等，主要灌木树种有山刺玫Rosa daverica、胡枝子Lespedeza bicolor、沙棘Hippophae rhamnoides等，主要草本植物有地榆Sanguisorba offcinalis、唐松草Thalictrum aquilegifolium、曼陀罗Datura stramonium等。
-
在北曼店、大唤起、阴河、千层板和第三乡等5个林场设立了83块标准地(30 m×30 m)，对标准地内各林分因子(林分密度、平均高、平均胸径、树种断面积、林分总断面积、优势高等)和立地因子(海拔、坡度、坡向、坡位、土层厚度等)进行调查，共调查立木10 104株(华北落叶松5 258株，白桦4 846株)，林分年龄分布为24~45 a，不同标准地混交度分布为0.39~0.62。研究过程中，分树种将观测数据分别按3∶1分为建模数据(62块标准地)和检验数据(21块标准地)，基本信息如表1和表2所示。
表 1 模型建立数据
Table 1. Data of establishment model
统计量 海拔/m 林分断面积/hm2 密度/(株·hm–2) 华北落叶松 白桦 胸径/cm 树高/m 胸径/cm 树高/m 平均值 1 424.00 208.87 1 070.00 15.50 10.60 14.30 10.10 最大值 1 672.00 452.19 1 725.00 34.60 17.90 29.20 16.20 最小值 1 177.00 19.96 675.00 5.00 4.20 5.10 4.60 标准差 149.63 78.69 241.00 4.25 2.34 3.92 1.77 表 2 模型检验数据
Table 2. Data of test model
统计量 海拔/m 林分断面积/hm2 密度/(株·hm–2) 华北落叶松 白桦 胸径/cm 树高/m 胸径/cm 树高/m 平均值 1 464.00 254.00 1 162.00 17.50 11.00 12.50 8.90 最大值 1 540.00 387.40 2 000.00 34.70 17.80 27.20 15.60 最小值 1 396.00 157.83 850.00 5.00 3.20 5.10 4.80 标准差 39.28 73.41 269.76 6.26 2.70 4.47 2.16 -
在描述树木生长及树高与胸径关系的近百种不同模型中，Richard方程不但具有可解释的生物学意义，而且具有易收敛且灵活性高等特性。部分研究基于Richard方程构建了不同林分类型树高与胸径关系的预测模型，均取得了较好的预测结果[18, 20, 26-29]。因此，本研究以Richard方程作为构建华北落叶松与白桦针阔混交林树高与胸径关系基础模型，模型表达如式(1)所示。
$${H_{i\!j}} = 1.3 + a{\left[ {1 - \exp \left( { - b{d_{i\!j}}} \right)} \right]^c} + {\varepsilon _{i\!j}}\text{。}$$ (1) 式(1)中：Hij为第i个样地第j株树的树高(m)；dij为第i个样地第j株树的胸径(cm)；a、b、c为基础模型的参数；εij为误差项。
-
为了解决模型预测精度的影响，可以在模型中加入哑变量[23, 30-32]。包含哑变量的树高与胸径关系预测模型，不仅可以实现模型对不同树种相容性，而且在一定程度上可以提供模型预测精度及适用性，包含哑变量的树高与胸径关系预测模型表达如式(2)所示。
$${H_{i\!j}} = 1.3 + \left( {{a_1}{M_1} + {a_2}{M_2}} \right){\left\{ {1 - \exp \left[ { - \left( {{b_1}{M_1} + {b_2}{M_2}} \right){d_{i\!j}}} \right]} \right\}^{\left( {{c_1}{M_1} + {c_2}{M_2}} \right)}} + {\varepsilon _{i\!j}}\text{。}$$ (2) 式(2)中：Mi为哑变量，当M1=1、M2=0时为华北落叶松，当M1=0、M2=1时为白桦；ai、bi、ci为模型参数；εij为误差项。
-
由于分位数回归对模型误差不需要严格假设条件，因此本研究基于Richard方程，选取5个分位点(τ=0.1、0.3、0.5、0.7、0.9)构建不同树种的树高与胸径关系预测模型，利用加权最小一乘法可以得到不同分位点参数估计值，具体见式(3)。
$$ S=\sum\limits_{{H_{i\!j}} \geqslant {{\hat H}_\tau }({d_{i\!j}})} {\tau \left[ {{H_{i\!j}} - {{\hat H}_\tau }({d_{i\!j}})} \right]} + \sum\limits_{{H_{i\!j}} < {{\hat H}_\tau }({d_{i\!j}})} {(1 - \tau )\left[ {{{\hat H}_\tau }({d_{i\!j}}) - {H_{i\!j}}} \right]}\text{。} $$ (3) 式(3)中：S为不同分位点估计值；
${\hat H_\tau }$ 、Hij分别为第i个样地第j株树在不同分位点τ树高预测值与树高值(m)；dij第i个样地第j株树胸径(cm)；τ为分位点。 -
统计分析均基于SPSS 24.0和SAS 9.4中的PROC NLIN和PROC NLP完成，基于模型确定系数(R2)、平均差(MD)、平均绝对误差(MAD)对模型拟合精度及适用性进行评价与比较。
$${R^2} = 1 - \sum\limits_{i = 1}^m {\sum\limits_{i = 1}^{{n_i}} {{{({H_{i\!j}} - {{\hat H}_{i\!j}})}^2}} \Big/\sum\limits_{i = 1}^m {\sum\limits_{i = 1}^{{n_i}} {{{({H_{i\!j}} - {{\overline H}_{i\!j}})}^2}} } }\text{；} $$ (4) $${M_{\rm{D}}} = \sum\limits_{i = 1}^m {\sum\limits_{j = 1}^{{n_i}} {({H_{i\!j}} - {{\hat H}_{i\!j}})} } \Big/\sum\limits_{i = 1}^m {{n_i}}\text{；}$$ (5) $${M_{{\rm{AD}}}} = \sum\limits_{i = 1}^m {\sum\limits_{j = 1}^{{n_i}} {\left| {{H_{i\!j}} - {{\hat H}_{i\!j}}} \right|} } \Big/\sum\limits_{i = 1}^m {{n_i}} \text{。}$$ (6) 式(4)~(6)中：Hij、
${\hat H_{i\!j}}$ 和${\overline H_{i\!j}}$ 分别为树高观测值、预测值和平均值；m为标准地数量；n为标准地株数。 -
图1为不同树种胸径与树高的关系。华北落叶松和白桦的树高分别为4~18和6~16 m，胸径分别为6~32和6~28 cm。
图 1 不同树种胸径与树高分布
Figure 1. Height-diameter distribution of different tree species
-
从表3可见：在华北落叶松与白桦针阔混交林中，基于分位数回归的不同树种不同分位点确定系数均大于传统回归方法，平均差及平均绝对误差均小于传统回归方法。在确定的5个分位点中，当分位点τ=0.7时，华北落叶松与白桦的树高与胸径关系预测模型精度最高。基于不同分位点预测模型建立了不同树种在各分位点残差分布图(图2)，确定当分位点位为τ=0.7时，华北落叶松与白桦树高与胸径关系模型能够更好描述两者之间的关系。
图 2 不同树种各分位点残差分布
Figure 2. Residual distribution of each quantile of different tree species
表 3 基础模型和分位数回归模型拟合与评价
Table 3. Fitting and evaluation of basic model and quantile regression model
模型 参数 评价指标 a b c MD MAD R2 OLSL 20.299 0.001 0.155 1.518 2.447 0.814 OLSB 16.301 0.032 0.906 1.877 2.654 0.787 τL=0.1 17.445 0.033 0.978 0.962 2.032 0.848 τL=0.3 17.576 0.038 0.982 0.725 1.709 0.855 τL=0.5 17.657 0.043 0.992 0.465 1.342 0.872 τL=0.7 17.998 0.051 1.002 0.213 0.561 0.912 τL=0.9 18.005 0.065 1.005 1.432 2.206 0.839 τB=0.1 13.956 0.043 0.892 0.992 2.043 0.848 τB=0.3 14.559 0.052 0.981 0.681 1.882 0.861 τB=0.5 14.703 0.059 0.997 0.428 1.269 0.882 τB=0.7 14.996 0.071 1.001 0.235 0.852 0.921 τB=0.9 15.011 0.092 1.009 1.469 2.322 0.838 说明：L表示华北落叶松，B表示白桦；OLS表示最小二乘法 -
基于不同分位点预测模型，分别对华北落叶松和白桦的树高与胸径关系进行了模拟(图3)。不同树种在不同分位点树高与胸径关系预测趋势及范围基本一致，表明包含哑变量的分位数回归模型预测效果较好。
图 3 不同分位点树高与胸径的关系
Figure 3. Relationship between tree height and DBH of different quantiles
-
在描述树高与胸径关系的多种线性和非线性预测模型中，通常采用具有生物学意义且灵活性较高的Richard方程来研究不同林分类型树高与胸径的关系[26, 33]，因此，本研究将Richard方程作为构建华北落叶松与白桦混交林树高与胸径关系基础模型。对红松Pinus koraiensis人工林、土耳其松Pinus brutia和黎巴嫩雪松Cedrus libani混交林的研究[20, 26-28]表明：Richard方程是描述其树高与胸径关系的最优模型。
在构建树木生长及生物量预测模型中，包含哑变量模型具有更高的预测精度[22, 25, 31-32]。本研究在华北落叶松与白桦针阔混交林中，基于非线性分位数回归构建的包含哑变量树高与胸径的关系模型，其精度高于传统回归预测模型，这与人工林最大密度线确定[21]及树高与胸径关系模型[20]的研究结论相一致，表明非线性分位数回归较传统回归方法更加稳定，可用于人工林和混交林立地潜在生产力的评价。
-
本研究以塞罕坝华北落叶松与白桦针阔混交林调查数据为基础，确定Richard模型为描述不同树种树高与胸径关系的基础模型，在基础模型中构造一个表示树种的哑变量，并利用分位数回归在一个模型中同时估计不同树种及不同分位点的树高与胸径关系模型参数，经过检验不同树种分位数回归模型均能较好反映树高与胸径的关系，当分位点τ=0.7时，分位数回归模型预测精度最高，拟合效果最好。
Relationship between height and diameter at breast height(DBH) in mixed coniferous and broadleaved forest based on quantile regression
-
摘要:
目的 基于包含哑变量的非线性分位数回归方法，构建华北落叶松Larix principis-rupprechtii与白桦Betula platyphylla针阔混交林树高与胸径关系的预测模型，对研究混交林中树种结构及立地生产力预测具有重要意义。 方法 以河北省塞罕坝机械林场华北落叶松与白桦针阔混交林为研究对象，利用83块标准地调查数据，基于哑变量分别采用最小二乘法和非线性分位数回归方法，构建不同树种树高与胸径关系模型。 结果 基于包含哑变量的非线性分位数回归预测模型精度高于最小二乘法，其中利用最小二乘法拟合不同树种模型，其确定系数、平均差及平均绝对误差分别为0.787~0.814、1.581~1.877、2.447~2.654；而利用非线性分位数回归不同树种不同分位点模型，其确定系数、平均差及平均绝对误差分别为0.839~0.921、0.213~1.469、0.561~2.322，经过残差分析确定，当分位点τ=0.7时，不同树种树高与胸径关系预测模型精度较高。 结论 与最小二乘法相比，基于非线性分位数构建的包含哑变量不同树种树高与胸径关系的预测模型精度更高。图3表3参33 Abstract:Objective With the employment of nonlinear quantile regression method using dummy variables, the current study is aimed to establish a prediction model for the relationship between height and diameter at breast height (DBH) in Larix principis-rupprechtii and Betula platyphylla mixed forest so as to better predict the tree structure and site productivity of mixed forests. Method Taking L. principis-rupprechtii and B. platyphylla mixed forest of Saihanba Mechanised Tree farm in Hebei Province as the research object, with 83 pieces of standard land survey data used and dummy variables created, this paper adopted the least square method and nonlinear quantile regression method respectively in the construction of the relationship model of tree height and DBH of different species. Result The accuracy of the nonlinear quantile regression prediction model based on dummy variables was higher than that of the one constructed using the least square method. Specifically, when the least square method was used to fit the tree height and DBH relationship model of different tree species, the determination coefficient, average difference and average absolute error of different tree species models were within the range of 0.787−0.814, 1.581−1.877 and 2.447−2.654 respectively. When the nonlinear quantile regression method was used, the coefficient, average deviation, and average absolute error were within the range of 0.839−0.921, 0.213−1.469, 0.561−2.322. In accordance with the residual analysis, when the quantiles of τ is 0.7, the relationship model of tree height and DBH of different species demonstrated a higher accuracy. Conclusion To sum up, compared with the one constructed employing the least square method, the prediction model of tree height and DBH relationship of different tree species adopting the nonlinear quantile regression method has higher prediction accuracy. [Ch, 3 fig. 3 tab. 33 ref.] -
Key words:
- forest ecology /
- nonlinear quantile regression /
- height-DBH /
- dummy variables /
- mixed forest
-
随着城市化加速发展，不透水地面逐渐增多，城市热岛效应(urban heat island effect，UHI)日益凸显。学者们多从热环境时空变化[1−2]、影响机制及驱动力[3]、城市热岛效应缓解方法[4]等方面展开研究，但较少关注景观网络在缓解热岛效应中的作用。这些研究表明，地表温度受斑块间的热交换影响显著，热源与热汇的连通性是影响热流动的重要因素。然而，地表温度难以反映整体格局和连通性，需要合适的方法来准确描述热环境的空间格局。对城市热岛的研究侧重于整体区域尺度或是斑块水平上的统计分析，忽视了景观网络对缓解城市热环境的作用。陈利顶等[5]利用“源-汇”理论，将热环境与生态过程结合，为解决城市热环境问题提供新思路。
城市绿地对缓解城市热岛效应具有重要作用[6]，当绿地覆盖面积在40%以下时，绿地系统的空间格局将对环境的增势以及降温产生主要影响[7]，在有限的城市空间中增加大面积的绿地已经难以实现，因此通过优化绿地空间格局来缓解城市热岛效应尤为重要。基于景观生态学“源-汇”理论，识别城市热岛像元与绿地像元，构建多层级生态网络，将是缓解城市热环境的重要手段。生态网络构建方法主要包括形态空间格局分析方法(morphological spatial pattern analysis，MSPA)、最小累积阻力模型以及重力模型等 [8−9]。MSPA方法强调景观内部结构性的连接，可以准确地将前景要素划分为核心、孤岛、孔隙、边缘、环道、桥接和支线等7类，为后期廊道以及生态节点的识别提供理论依据[10−12]。近年来MSPA方法也逐渐应用到城市热岛的研究中，以达到缓解城市热岛效应的目的。景观连通性指数包括整体连通性指数(integral index of connectivity，IIC)、可能连通性指数(probability of connectivity，PC)等，反映了景观对生态过程中能量流动的促进或阻碍作用大小，良好的景观连通性有助于构建稳定的生态环境[13]。最小累积阻力模型是指物种从源地向目标迁移扩散过程中，穿越不同景观表面所需耗费的最小代价的模型[14]，最小累积阻力模型与重力模型相结合能更好地识别生态廊道间的相互作用强度，以筛选具有重要作用的关键廊道。目前，大多数研究利用MSPA、景观连通性指数、最小累积阻力模型等方法进行绿地生态网络的构建，但利用该方法体系构建缓解城市热环境的多层级生态网络的研究相对较少。
本研究以成都市中心城区为研究对象，基于“源-汇”理论，利用MSPA与景观连通性指数，筛选研究区“源”“汇”景观，利用最小累积阻力模型、重力模型以及水文分析模块构建“源-源”“汇-汇”“源-汇”景观廊道以及生态节点，最终形成具备“补偿-运输-作用”功能的多层级景观网络格局，确定需要重点保护的生态用地、重要廊道以及关键节点，提出优化策略，为成都市生态网络空间的构建提供有效支撑。
1. 研究区域与数据来源
1.1 研究区域概况
成都市位于川西平原，30°22′~30°96′N，103°68′~104°49′E，地势较为平坦，由于地形影响，夏季炎热，冬季寒冷。本研究的中心城区(图1)包括郫都区、新都区、青白江区、温江区、金牛区、成华区、龙泉驿区、青羊区、武侯区、锦江区、双流区等11个行政区，总面积为3 732.06 km2。中心城区处于全国两大静风区之一，建筑及人口密度高，地表通风能力弱[15]，不利于城市内部热量扩散，城市热环境矛盾突出，因此具有研究城市热岛效应的典型特征。
1.2 数据来源与处理
所用数据包括2020年空间分辨率为30 m的Landsat 8 OLI卫星影像数据(
http://earthexplorer.usgs.gov )，空间分辨率为30 m的DEM高程数据(https://www.gscloud.cn/ )，以及《成都市国土空间总体规划(2020—2035年)》(草案)等相关规划图件。利用ENVI软件对获取的遥感影像预处理后利用覃志豪等[16]的单窗算法反演地表温度；利用监督分类的方法，将研究区2020年的土地利用类型细分为草地、林地、耕地、水域以及城乡建设用地等5种类型，通过实地调研踏勘与高分辨率遥感影像的目视判别，对分类结果进行校正，最终解译精度达89%以上。2. 研究方法
2.1 生态源地的识别与评价
2.1.1 “源-汇”景观划分
通过计算城市区域与周边地区的平均温度之差来确定相对热岛强度，相对热岛强度越高，相应区域内热岛效应越明显[17]。在ArcGIS中通过计算不同用地类型的相对热岛强度来判别“源-汇”景观。按照LAL等[18]和贾玉雪等[19]的研究将计算结果中相对热岛强度(H)≥0的斑块定义为对城市热环境有促进作用的“源”景观，H＜0的景观定义为“汇”景观。
2.1.2 空间形态格局分析
将“源”景观作为前景，赋值为2，“汇”景观作为背景，赋值为1，并将其转化为30 m×30 m栅格数据；运用Guidos Toolbox软件对其进行MSPA分析，设置8邻域的连通规则，边缘宽度为1，获得7种景观类型：核心区、边缘、孤岛、桥接区、环道、支线和孔隙。按相同步骤将“汇”景观作为前景，“源”景观作为背景，得到“汇”景观的空间形态格局。
2.2 基于景观连通性评价筛选生态源地
景观连通性指数可以衡量不同空间单元之间景观要素的连通性。量化景观要素在生态源地之间进行扩散或者迁移的难易程度，也是衡量生态过程之间联系程度的重要指标[20]。利用Conefor 2.6软件，通过计算IIC、PC以及斑块重要性(dI’)来衡量不同核心斑块的重要程度[21]。考虑研究区内斑块的面积和连通性，通过反复测试计算，设定斑块连接性阈值为2 000，连通概率为0.5。最后，基于景观连通性指数dI’值大小综合评估核心区斑块的景观重要程度。
2.3 阻力面构建
根据研究区现状以及数据的可获取性，最终选取用地类型、高程、坡度以及归一化植被指数(NDVI)来构建综合阻力面。其中高程决定了城市内不同区域的温度分布，坡度影响空气流动和热量累积，不同用地类型对城市热环境产生不同影响，而NDVI则反映了植被覆盖情况，对城市温度、热岛效应和空气质量有重要影响。采用专家打分法确定因子阻力值，并采用层次分析法(AHP)计算其权重值(表1)，通过叠加分析最终生成综合阻力面(图2)。可以看出，研究区内阻力值的呈现由中心向四周扩散，逐渐递减，尤其是东南方向的递减最为明显。
表 1 赋予不同影响因子的阻力值Table 1 Resistance values assigned to different impact factors影响因子 类型分级 赋予阻力值 所占权重 影响因子 类型分级 赋予阻力值 所占权重 用地分类 林地 10 0.520 坡度/( º ) 0~10 10 0.078 水地 20 10~20 30 草地 30 20~30 50 耕地 50 30~40 70 未利用土地 70 40~50 90 建设用地 100 ＞50 100 高程/m ＜200 10 0.078 归一化植被
指数(NDVI)−1.00~−0.20 10 0.201 200~400 30 −0.20~0.30 30 400~600 50 0.30~0.50 50 600~800 70 0.50~0.70 70 800~1 000 90 0.70~1.00 90 ＞1 000 100 2.4 景观生态廊道的构建
在ArcGIS中，利用Cost-distance工具构建研究区的累积耗费距离表面。利用Cost-path构建多对多的潜在生态廊道，以连接不同的“源-汇”景观。最后，利用重力模型[22]计算生态廊道间的相互作用强度，通过筛选合适的强度阈值，确保所有的“源-汇”景观均被连通，从而提取出“源-源”“汇-汇”“源-汇”生态廊道。
2.5 生态节点的识别
识别生态廊道中的关键点和障碍点能够为物种的迁徙及物种保护区的划分和规划提供科学依据[23−24]。在ArcGIS中，运用水文分析模块，对累积耗费距离表面进行水流方向、汇流累积量等一系列分析计算。通过对比不同阈值设定下最小阻力路径的完整性与连通性，最后确定阈值为500构建研究区内的低阻力廊道。运用ArcGIS中的Intersect工具将低阻力值廊道与“源-源”“汇-汇”廊道进行相交分析从而获得不同生态节点，包括生态障碍点与生态关键点，其中生态关键点是生态廊道中能量流动密度较大的点，需要对关键点进行有效利用与保护；对障碍点则需进行生态修复来提升廊道整体的连接度，以保障冷热能的有效传递。
2.6 构建缓解城市热环境多层级“源-汇”景观生态网络
将“源-源”“汇-汇”“源-汇”廊道共同相交[25]，得到一级补偿廊道；将“汇-汇”“源-汇”廊道进行相交，得到二级输送引导廊道；将“源-源”“源-汇”廊道进行相交，得到三级作用廊道，完成廊道的“补偿-运输-作用”的完整体系，构建完整的多层级“源-汇”生态景观网络。
3. 结果与分析
3.1 生态源地的识别与评价
3.1.1 “源-汇”景观的识别
从图3A可以看出：“源”景观在研究区中部呈现聚集特征，“汇”景观大多分散分布在研究区的西北部以及东南部。其中，“汇”景观斑块总计
98342 个，占研究区域总面积的62.1%，以大面积的带状水域和块状绿地为主；“源”景观斑块总计212 231个，占研究区域总面积的37.9%，由大面积建设用地组成。3.1.2 基于MSPA的“源-汇”景观分析
从“源-汇”景观的MSPA格局分析(图3B)可以看出：“源”核心景观密集地分布在研究区中部，多为城市建设用地；研究区西北以及东南两侧的“源”景观核心斑块较为破碎，景观连通性较差。研究区中部的“汇”景观由于城市绿地破碎化严重导致空间连通性较差。对比不同景观要素类型面积比(表2)发现：“源”景观核心区面积为1 169.33 km2，占“源”景观前景要素总面积的31.83%；“汇”景观核心区面积为2 053.78 km2，占“汇”景观前景要素总面积的55.91%，对城市热岛效应起重要作用。最终，分别筛选面积在0.01 km2以上的源、汇核心斑块作为重要核心斑块，以进行景观连通性分析。
表 2 “源”“汇”景观要素不同类型面积占比Table 2 Area proportion of different types of “source” “sink” landscape elements景观类型 “汇”景观面
积占比/%“源”景观面
积占比/%核心区 55.91 31.83 孤岛 0.07 0.14 孔隙 2.46 1.61 边缘区 3.32 3.77 环岛 0.06 0.04 桥接区 0.06 0.08 支线 0.21 0.26 3.1.3 基于景观连通性的生态源地筛选
将dI’值大于0.1的斑块作为研究的生态源地，分别筛选出24 个“源”“汇”生态源地(图3C)，其中“源”景观生态源地占研究区总面积的28.81%，“汇”景观生态源地占研究区总面积的53.60%。“汇”生态源地主要分布在青白江生态带、龙泉山国家森林片区、三圣乡片区、青龙湖湿地公园片区、兴隆湖湿地公园片区以及江安河流域段，而“源”景观生态源地主要分布在金牛区、成华区、锦江区、青羊区以及武侯区(简称“五城区”)。
3.2 多层级“源-汇”景观廊道
3.2.1 “源-汇”景观廊道构建
基于最小成本路径构建“源-源”廊道276条，“汇-汇”廊道266条，“源-汇”廊道690条。利用重力模型最终筛选出“源-源”廊道102条，总长度为2 081.6 km，“汇-汇”廊道141条，总长度为1 907.8 km，“源-汇”廊道325条，总长度为7 698.0 km (图4)。其中“源”景观23、24号生态源点与“汇”景观23号生态源点仅由单条景观廊道连通，表明它们在整个热环境中相对独立，呈孤岛状分布，受到其他景观斑块的影响较小，导致在整个热传导的过程中不能发挥良好的作用。
3.2.2 不同类型生态廊道与城市景观格局的空间关系
统计不同行政区内各廊道的占比情况(表3)发现：新都区、郫都区与双流区内各类“源-汇”重要廊道最多，主要以毗河、岷江等河流，部分廊道呈簇团状分布，说明在研究区冷热交换过程中起到了重要作用；由于五城区分布有大片的“源”景观生态源地，且建筑密度相对较高，区域内各层级“源-汇”重要廊道分布较少，导致其在冷热交换过程中发挥的作用较小。尤其是成华区建筑密度为14.49%，各层级廊道占比都相对较低，区域内大量热空气堆积不易扩散，热岛效应明显。
表 3 研究区各行政区景观廊道分布Table 3 Distribution of landscape corridors in each administrative district行政区 建筑密度/% “源-源”廊道长度/km 所占比例/% “汇-汇”廊道长度/km 所占比例/% “源-汇”廊道长度/km 所占比例/% 新都区 20.50 825.32 26.6 642.65 17.2 23 563.22 21.87 郫都区 20.43 518.02 16.7 810.47 21.8 17 422.12 16.17 双流区 12.72 509.82 16.4 689.71 18.6 23 944.23 22.22 温江区 19.12 357.46 11.5 233.84 6.2 9 438.32 8.76 龙泉驿区 11.16 345.57 11.1 171.33 4.6 9 768.86 9.06 金牛区 18.99 229.24 7.3 379.07 6.2 5 423.08 5.03 青白江区 15.01 201.95 6.5 31.16 0.8 3 699.39 3.43 成华区 14.49 90.75 2.9 18.13 0.5 2 827.71 2.62 锦江区 18.01 11.05 0.3 177.75 4.7 3 295.24 3.06 青羊区 28.09 7.04 0.2 303.22 8.2 3 500.85 3.25 武侯区 22.20 5.26 0.2 409.52 11.0 4 882.50 4.53 3.2.3 生态关键点与生态障碍点的数量与空间分布特征
利用水文分析模块获取低阻力廊道95条，将低阻力廊道与“源-汇”廊道相交分析得到生态障碍点148个，生态关键点103个(图5A)，其中生态关键点在青羊区、武侯区以及锦江区与双流区交汇处出现堆积现象，导致该区域出现功能廊道不能充分利用的问题。生态关键点整体分布与“汇”景观生态源地分布情况大致相同，这意味着加强“汇”景观源地的生态建设，降低周边阻力值，将会有效提升网络连通性。而生态障碍点大多聚集在建筑密度相对较高的区域，生态障碍点堆积处出现大量的热能无法有效被传输，加强生态障碍点的生态修复对城市热量的传导具有重要作用。
图 5 低阻力廊道、生态障碍点与关键点分布(A)及“源-汇”多层级景观网络示意图(B)Figure 5 Distribution of low-resistance corridors, ecological barrier points and key points (A), and “source-sink” multi-level landscape network (B)3.2.4 缓解热环境的多层级生态网络构建
多层级“源-汇”景观网络中(图5B)，一级补偿廊道36条，主要由岷江、毗河和其他河流廊道构成，分布在研究区西部以及北部，在城市中发挥着冷热空气交换的重要作用，是补充能量的主要途径；二级输送引导廊道125条，主要分布在西部、南部以及北部的三环路附近，起到将冷空气运输和分配的作用，是实现能量传递的次要路线；三级作用廊道86条，主要分布在研究区西北以及东北部，主要承担实现热空气的运输和分配的任务，是“源-汇”景观能量交换过程的末端环节。3种廊道共同作用，实现了廊道的“补偿-输送-作用”的功能，以达到缓解城市热岛效应的作用。
4. 缓解城市热环境的优化策略
4.1 生态源地优化
优化生态网络中的“源-汇”景观源地对改善城市热环境具有重要作用。在五城区中大量建筑密度高、人口高度密集的“源”景观生态源地，应加强垂直绿化、屋顶绿化等来增加植被覆盖率；在源地周围增加社区口袋公园、绿化带等构建缓冲区，以改善城市生态环境。对于龙泉驿区、双流区等植被覆盖率高、生态质量好的“汇”景观生态源地，可建设生态公园和自然保护区、引进生态景观设计等，以增强其改善气候环境的生态效能。
4.2 生态节点优化
对区域内生态障碍点来说，可以推广绿色建筑以有效地吸收太阳辐射，对新建城区的建筑布局进行合理规划，降低建筑密度、增加绿色基础服务设施以降低城市表面的温度，有效改善城市热岛效应。对生态关键点可退耕还林、扩大区域植被绿化面积、建立生态缓冲区等来降低生态关键点周边的阻力值，以确保生态关键点与生态廊道的连通性，保障热量之间的相互流通。
4.3 生态廊道优化
一级补偿廊道多依托水系以及绿道进行构建，是调节气候的关键要素，可对其进行生态规划保护，包括河道整治、整合岸线资源以及拓宽绿道宽度等。二级输送引导廊道相当于城市通风廊道，可对廊道布局、地形特征和内部设施等方面合理规划，以保证冷空气的输送，尤其需注重绿地植被结构的优化设计，确保其通透性。三级作用廊道主要起热交换的作用，可以拓宽廊道横截面、加强沿线绿化建设等提高其作用效率。
4.4 生态网络的空间联系
通过生态缓冲区的建设提高生态关键点与障碍点的生态环境质量，增强与生态廊道的有效连接与过渡，强化“源”“汇”景观生态源地之间的相互渗透，增加绿色基础设施建设，减弱高密度建成区对自然生态环境的干扰，推进城市生态环境多层次、立体化、网络化的建设思路，整体提升生态网络缓解城市热岛效应的能力。
5. 讨论与结论
本研究共筛选“源” “汇”景观源地24个，“源-源”廊道102条，“汇-汇”廊道141条，“源-汇”廊道325条，生态关键点103个，生态障碍点148个。多层级景观网络中，一级补偿廊道36条，二级输送廊道125条，三级作用廊道86条，分布在研究区北部、南部与西北部。
与其他研究相比[15−16]，本研究利用MSPA方法提取研究区内与城市热环境相关的“源-汇”景观核心斑块，计算景观连通性筛选“源-汇”景观生态源地，使生态源地识别过程更科学，减少生态源地识别的主观性；运用最小累积阻力模型与重力模型，最终构建多层级生态网络优化格局，该研究方法框架将为缓解城市热环境提出新的研究思路。综合运用水文分析模块构建的低阻力廊道与不同类型的“源”“汇”景观生态廊道相交，获取缓解城市热环境的生态关键点与生态障碍点，同时，将不同类型的“源”“汇”生态廊道进行相交，构建多层级的“源-汇”生态网络，分析城市建设开发状况与生态网络的空间格局关系，可更直观地揭示出生态网络脆弱区域存在的生态问题。
本研究仅对2020年的城市热环境数据展开分析，城市景观格局不断地发生变化，根据不同时期城市景观格局与城市热岛效应之间的动态变化关系，筛选具有高稳定性、高连通性的源地，综合构建缓解热环境的优化生态网络空间格局，将是后期研究的重点方向。生态网络建设是一个复杂的过程，涉及诸多因素，需要从不同尺度进行多层次分析和构建。增强城市与周边地区生态斑块之间的联系，保护核心生态斑块的完整性，保护区域的生物多样性并促进城市的可持续发展是其最终目的，因此从多尺度协同角度出发来构建综合生态网络，也是后期研究的重要方向。
-
图 2 不同树种各分位点残差分布
Figure 2 Residual distribution of each quantile of different tree species
图 3 不同分位点树高与胸径的关系
Figure 3 Relationship between tree height and DBH of different quantiles
表 1 模型建立数据
Table 1. Data of establishment model
统计量 海拔/m 林分断面积/hm2 密度/(株·hm–2) 华北落叶松 白桦 胸径/cm 树高/m 胸径/cm 树高/m 平均值 1 424.00 208.87 1 070.00 15.50 10.60 14.30 10.10 最大值 1 672.00 452.19 1 725.00 34.60 17.90 29.20 16.20 最小值 1 177.00 19.96 675.00 5.00 4.20 5.10 4.60 标准差 149.63 78.69 241.00 4.25 2.34 3.92 1.77 
下载: 导出CSV
表 2 模型检验数据
Table 2. Data of test model
统计量 海拔/m 林分断面积/hm2 密度/(株·hm–2) 华北落叶松 白桦 胸径/cm 树高/m 胸径/cm 树高/m 平均值 1 464.00 254.00 1 162.00 17.50 11.00 12.50 8.90 最大值 1 540.00 387.40 2 000.00 34.70 17.80 27.20 15.60 最小值 1 396.00 157.83 850.00 5.00 3.20 5.10 4.80 标准差 39.28 73.41 269.76 6.26 2.70 4.47 2.16
下载: 导出CSV
表 3 基础模型和分位数回归模型拟合与评价
Table 3. Fitting and evaluation of basic model and quantile regression model
模型 参数 评价指标 a b c MD MAD R2 OLSL 20.299 0.001 0.155 1.518 2.447 0.814 OLSB 16.301 0.032 0.906 1.877 2.654 0.787 τL=0.1 17.445 0.033 0.978 0.962 2.032 0.848 τL=0.3 17.576 0.038 0.982 0.725 1.709 0.855 τL=0.5 17.657 0.043 0.992 0.465 1.342 0.872 τL=0.7 17.998 0.051 1.002 0.213 0.561 0.912 τL=0.9 18.005 0.065 1.005 1.432 2.206 0.839 τB=0.1 13.956 0.043 0.892 0.992 2.043 0.848 τB=0.3 14.559 0.052 0.981 0.681 1.882 0.861 τB=0.5 14.703 0.059 0.997 0.428 1.269 0.882 τB=0.7 14.996 0.071 1.001 0.235 0.852 0.921 τB=0.9 15.011 0.092 1.009 1.469 2.322 0.838 说明：L表示华北落叶松，B表示白桦；OLS表示最小二乘法
下载: 导出CSV
-
[1] DUCEY M J, KNAPP R A. A stand density index for complex mixed species forests in the northeastern United States [J]. For Ecol Manage, 2010, 260(9): 1613 − 1622. [2] 周晏平,雷泽勇,赵国军,等. 沙地樟子松不同树高-胸径模型比较分析[J]. 华南农业大学学报, 2019, 40(3): 75 − 81. ZHOU Yanping, LEI Zeyong, ZHAO Guojun, et al. Comparing different height-diameter models of Pinus sylvestris var. mongolica in sandy land [J]. J South China Agric Univ, 2019, 40(3): 75 − 81. [3] 樊伟,许崇华,崔珺,等. 基于混合效应的大别山地区杉木树高-胸径模型比较[J]. 应用生态学报, 2017, 28(9): 2831 − 2839. FAN Wei, XU Chonghua, CUI Jun, et al. Comparisons of height-diameter models of Chinese fir based on mixed effect in Dabie Mountain area, China [J]. Chin J Appl Ecol, 2017, 28(9): 2831 − 2839. [4] 徐庆华,杨进良,黄练忠,等. 次生常绿阔叶林群落林冠结构对林下植被的影响[J]. 浙江农林大学学报, 2019, 36(6): 1151 − 1157. XU Qinghua, YANG Jinliang, HUANG Lianzhong, et al. Influence of canopy structure on understory vegetation of secondary evergreen broadleaf forest communities [J]. J Zhejiang A&F Univ, 2019, 36(6): 1151 − 1157. [5] PYA N, SCHMIDT M. Incorporating shape constraints in generalized additive modelling of the height-diameter relationship for Norway spruce [J]. For Ecosyst, 2016, 3(2): 112 − 125. [6] WANG Jing. Bayesian quantile regression for parametric nonlinear mixed effects models [J]. Stat Methods Appl, 2012, 21(3): 279 − 295. [7] GERACI M, BOTTAI M. Linear mixed quantile regression models: extensions and developments [J]. Lifetime Data Anal, 2007, 13(4): 497 − 512. [8] 张兴皖,周石鹏. 人口老龄化与区域产业结构——基于分位数回归的实证研究[J]. 经济数学, 2019, 36(1): 24 − 31. ZHANG Xingwan, ZHOU Shipeng. Population aging and regional industrial structure: empirical research based on quantile regression [J]. J Quant Econ, 2019, 36(1): 24 − 31. [9] 田德超,李凤日,董利虎. 依据分位数回归建立的长白落叶松潜在最大冠幅预测模型[J]. 东北林业大学学报, 2019, 47(8): 41 − 46. TIAN Dechao, LI Fengri, DONG Lihu. Potentila maximum crown width prediction model of Larix olgensis by quantile regression [J]. J Northeast For Univ, 2019, 47(8): 41 − 46. [10] BOHORA S B, CAO Q V. Prediction of tree diameter growth using quantile regression and mixed-effects models [J]. For Ecol Manage, 2014, 319: 62 − 66. [11] KOENKER R. Quantile Regression[M]. London: Cambridge University Press, 2005: 32 − 38. [12] AUSTIN P C, SCHULL M J. Quantile regression: a statistical tool for out-of-hospital research [J]. Acad Emergency Med, 2003, 10(7): 789 − 797. [13] MACHADO P J A F, MATA J. Counterfactual decomposition of changes in wage distributions using quantile regression [J]. J Appl Econ, 2010, 20(4): 445 − 465. [14] HAILE G A, NGUYEN A N. Determinants of academic attainment in the United States: a quantile regression analysis of test scores [J]. Educ Econ, 2008, 16(1): 29 − 57. [15] CADE B S, NOON B R, FLATHER C H. Quantile regression reveals hidden bias and uncertainty in habitat models [J]. Ecology, 2005, 86(3): 786 − 800. [16] ZANG Hao, LEI Xiangdong, ZENG Weisheng. Height-diameter equations for larch plantation in northern and northeastern China: a comparison of the mixed-effects, quantile regression and generalized additive models [J]. Forestry, 2016, 89(4): 434 − 445. [17] MEHTÄTALO L, GREGOIRE T G, BURKHART H E. Comparing strategies for modeling tree diameter percentiles from remeasured plots [J]. Environmetrics, 2010, 19(5): 529 − 548. [18] DUCEY M J. The ratio of additive and traditional stand density indices [J]. Western J Appl For, 2009, 24(1): 5 − 10. [19] EVANS A M, GREGOIRE T G. A geographically variable model of hemlock woolly adelgid spread [J]. Biol Invasions, 2007, 9(4): 369 − 382. [20] ÖZÇELIK R, CAO Q V, TRINCADO G, et al. Predicting tree height from tree diameter and dominant height using mixed-effects and quantile regression models for two species in Turkey [J]. For Ecol Manage, 2018, 419/420: 240 − 248. [21] 高慧淋,董利虎,李凤日. 基于分位数回归的长白落叶松人工林最大密度线[J]. 应用生态学报, 2016, 27(11): 3420 − 3426. GAO Huilin, DONG Lihu, LI Fengri. Maximum density-size line for Larix olgensis, plantations based on quantile regression [J]. Chin J Appl Ecol, 2016, 27(11): 3420 − 3426. [22] 高东启,邓华锋,王海宾,等. 基于哑变量的蒙古栎林分生长模型[J]. 东北林业大学学报, 2014, 21(1): 61 − 64. GAO Dongqi, DENG Huafeng, WANG Haibin, et al. Dummy variables models in Quercus mongolica growth [J]. J Northeast For Univ, 2014, 21(1): 61 − 64. [23] 杨英,冉啟香,陈新云,等. 哑变量在云杉地上生物量模型中的应用研究[J]. 林业资源管理, 2015, 12(6): 71 − 76. YANG Ying, RAN Qixiang, CHEN Xinyun, et al. Research on dummy variable in aboveground biomass models for spruce [J]. For Resou Manage, 2015, 12(6): 71 − 76. [24] 唐守正, 朗奎建, 李海奎. 统计和生物数学模型计算[M]. 北京: 科学出版社, 2009: 12 − 15. [25] 郑冬梅,曾伟生. 用哑变量方法构建东北落叶松和栎类分段地上生物量模型[J]. 北京林业大学学报, 2013, 35(6): 32 − 35. ZHENG Dongmei, ZENG Weisheng. Using dummy variable approach to construct segmented above ground biomass models for larch and oak in northeastern China [J]. J Beijing For Univ, 2013, 35(6): 32 − 35. [26] HUANG S, PRICE D, TITUS S J. Development of ecoregion-based height-diameter models for white spruce in boreal forests [J]. For Ecol Manage, 2000, 129(3): 139 − 141. [27] PENG Changhui, ZHANG Lianjun, LIU Jinxun. Developing and validating nonlinear height-diameter models for major tree species of Ontario’s boreal forests [J]. Northern J Appl For, 2001, 18(3): 87 − 94. [28] 臧颢,雷相东,张会儒. 红松树高-胸径的非线性混合效应模型研究[J]. 北京林业大学学报, 2016, 38(6): 8 − 16. ZANG Hao, LEI Xiangdong, ZHANG Huiru. Nonlinear mixed-effects height-diameter model of Pinus koraiensis [J]. J Beijing For Univ, 2016, 38(6): 8 − 16. [29] 陈义刚,谢正生,张祥生,等. 粤北低山丘陵地区小红栲生长过程分析[J]. 华南农业大学学报, 1994, 14(2): 124 − 128. CHEN Yigang, XIE Zhengsheng, ZHANG Xiangsheng, et al. Analysis of the growth process of Castanopsisc arlesii in north Guangdong mountain and hill areas [J]. J South China Agric Univ, 1994, 14(2): 124 − 128. [30] SANTOS F M, TERRA G, CHAER G M, et al. Modeling the height-diameter relationship and volume of young African mahoganies established in successional agro forestry systems in northeastern Brazil [J]. New For, 2019, 50(3): 389 − 407. [31] 李忠国,孙晓梅,陈东升. 基于哑变量的日本落叶松生长模型研究[J]. 西北农林科技大学学报(自然科学版), 2011, 39(8): 69 − 74. LI Zhongguo, SUN Xiaomei, CHEN Dongsheng, et al. Dummy variables model of increment of Larix kaempferi [J]. J Northwest A&F Univ Nat Sci Ed, 2011, 39(8): 69 − 74. [32] 吕常笑,邓华锋,王秋鸟. 基于哑变量的马尾松生物量模型研究[J]. 河南农业大学学报, 2016, 12(3): 304 − 310. LÜ Changxiao, DENG Huafeng, WANG Qiuniao, et al. Dummy variable models in Masson pine biomass [J]. J Henan Agric Univ, 2016, 12(3): 304 − 310. [33] SHARMA R P, VACEK Z, VACEK S, et al. Modelling individual tree height-diameter relationships for multi-layered and multi-species forests in central Europe [J]. Trees, 2019, 33(1): 103 − 119. -
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20190461
点击查看大图
计量
- 文章访问数: 2753
- HTML全文浏览量: 930
- PDF下载量: 79
- 被引次数: 0
