下载:
-
植物挥发性有机化合物(volatile organic compounds, VOCs)是一类经植物次生代谢合成并排放到空气中的小分子化合物，其年排放量占全球挥发性有机化合物年排放总量的90%以上[1]。VOCs的成分有3万多种[2]，全球的VOCs释放以异戊二烯为主，约占总释放量的50%[3]。一定浓度的VOCs对促进植物生长与繁殖[4]，调节气候变化[5]，改善人体健康并且预防一些慢性疾病[6]等发挥着重要作用。竹子是一种重要的森林资源，中国第9次森林资源清查结果显示：中国竹资源丰富，竹林面积为641.16万hm2，其中毛竹Phyllostachys edulis林为467.78万hm2，占72.96%[7]。作为异戊二烯释放量较大的笋材两用竹种[8−9]，毛竹具有再生能力强、生长期快、造林周期短、产量高等特点，具有较高的生态经济价值[10]。目前，对毛竹VOCs的研究大多集中在叶片或单株尺度[11−13]。张莉等[11]研究指出：毛竹是异戊二烯释放量较大的一种植物，其释放与气温和光照度的变化有着密切的关系；SONG等[12]量化了茎龄对毛竹叶片异戊二烯释放量的影响；CHANG等[13]也证实了除了光照度和气温等外界环境，毛竹的异戊二烯释放量还受到毛竹单位面积叶质量的影响。而基于毛竹林分尺度的VOCs释放特点及其与环境因子的关系研究较少[14]，需要进一步研究探索。浙江省绍兴市诸暨五泄景区森林覆盖率达90%以上，天然植被茂密，种类繁多，其中毛竹林面积大，树种均匀度和自然度高，人为干扰小，可作为野外实验的重要场所[15]。本研究选取景区内代表性毛竹林分为研究对象，采集了4个不同季节以及同一季节同一天上午、中午和下午3个时间段的毛竹林内VOCs，分析鉴定其日变化和季节变化规律及其与环境因子的关系，以期为毛竹的进一步开发利用提供理论依据，同时为进一步构建森林VOCs释放特征模型提供数据支持。
-
样地设置在浙江省绍兴市诸暨五泄景区(27°03′~31°11′N, 118°02′~123°08′E)。该地地处浙东低山丘陵地带，属亚热带季风气候区，气候温和，四季分明，雨量较多，光照充足。年平均气温为16.2 ℃，年平均降水量为1 346.7 mm，年平均降雨日为158.7 d。选取景区内代表性毛竹林分为研究对象：海拔为223.9 m，中坡为140°，平均胸径为11.54 cm，林分密度为3 500株·hm−2，林分面积约为0.87 hm2。该毛竹林2021年为小年，2022年为大年。在林分中心根据5点采样法[16]随机设置5个VOCs采样点(离地面高度1.5 m)，每个采样点之间相隔约20 m。
-
选择晴朗天气，于2021年10月28—30日(秋季)，2022年1月11—13日(冬季)，2022年5月3—5日(春季)，2022年7月20—22日(夏季)的9:00—11:00(上午)， 11:30—13:30(中午)， 14:00—16:00(下午)3个时段，在5个采样点用不锈钢吸附管(通用型5266，MARKES)对VOCs进行连续采样；便捷式采样仪(北京市劳动保护科学研究所)设置采样流速为150 mL·min−1，每个样品富集18 L空气，每个季度45根样品，共获得180根样品。采样后使用便携式气相色谱-质谱联用仪(GC-MS，EXPEC 3500，杭州谱育科技发展有限公司)吸附管模块对样品进行分析，以获得各季节毛竹林VOCs在3 d内上午、中午和下午3个时段的成分和摩尔分数，计算各季节3 d中各时段的平均值，得出各季节VOCs日变化规律；计算各季节林分VOCs日均摩尔分数，取3 d的平均值，作为各季节VOCs的释放水平，得出VOCs季节摩尔分数变化规律；统计各季节3 d中出现过的所有VOCs种类数量，作为各季节VOCs的释放水平。使用浙江农林大学自主研发的环境气象监测站测定林分内环境因子，气象监测站距离地面高度为2 m，布设于样地中心。测量指标包括气温、相对湿度、光照度、细颗粒物(PM2.5)、可吸入颗粒物(PM10)、风速、二氧化碳(CO2)。测量时间间隔为1 min，测量数据实时上传到网络平台。
-
使用质谱仪数据分析软件结合保留时间、峰面积、标准质谱图和美国国家标准与技术研究所(NIST)的标准参考数据库判断组分种类，使用面积归一化外标法计算摩尔分数。外部标准曲线使用物质标准品和色谱级甲醇溶液配置各摩尔分数梯度标准溶液(5、10、20、50 nmol·mol−1)后以便携式气相色谱-质谱联用仪进行定量。根据实测结果和文献研究[17−18]，确定目标物质并分析其摩尔分数变化，萜烯类物质标样有：叶醇、萜烯醇、3-蒈烯、2-蒎烯、崁烯，其他物质使用臭氧前体混合物(PAMS)气体标样定量。标样之外的单萜摩尔分数使用2-蒎烯的标准曲线公式计算，烷摩尔分数使用3-甲基庚烷标准曲线公式计算，芳香烃摩尔分数使用甲苯的标准曲线公式计算，醇类和其他物质摩尔分数使用叶醇的标准曲线公式计算。每个目标化合物的绝对摩尔分数根据标准曲线计算，目标化合物的峰面积和已知标准摩尔分数间的拟合函数拟合优度均高于0.99。
-
采用Excel 2016和Origin 2022对数据进行统计并作图，用SPSS 22 统计分析软件对所有试验数据进行单因素方差分析(ANOVA)。
-
通过吸附管采集的毛竹林内VOCs经GC-MS分析测定，共鉴定出51种化合物(表1)，包含烷类18种、萜烯类11种(包括单萜类10种和异戊二烯1种。因毛竹林内异戊二烯摩尔分数较大，本研究将萜烯类分为异戊二烯和单萜类分别进行分析)、芳香烃类7种、酯类5种、醇类5种以及酮类5种，共6类化合物。其中春季化合物数量最多，共鉴定出44种；夏季、秋季次之，均为40种；冬季最少，仅检测到27种化合物。
表 1 毛竹林VOCs组分及摩尔分数
Table 1. VOCs fraction and concentration in a Ph. edulis forest
化合物种类 化合物 分子式 摩尔分数/(nmol·mol−1) 春季 夏季 秋季 冬季 烷类 2-甲基戊烷 C6H14 0.086±0.023 0.124±0.051 0.094±0.049 0.081±0.071 1,2-二氯乙烷 C2H4Cl2 0.059±0.025 0.113±0.153 0.134±0.063 0.250±0.084 2-甲基己烷 C7H16 0.040±0.010 0.110±0.048 0.083±0.027 − 3-甲基己烷 C7H16 0.050±0.015 0.137±0.121 0.090±0.036 0.117±0.036 1,2-二氯丙烷 C3H6Cl2 0.070±0.066 0.230±0.049 0.236±0.106 0.238±0.082 正戊烷 C5H12 0.078±0.041 0.331±0.070 0.120±0.058 0.187±0.060 甲基环己烷 C7H14 0.045±0.012 0.162±0.043 0.061±0.016 0.094±0.022 2-甲基庚烷 C8H18 0.033±0.009 − 0.025±0.000 − 3-甲基庚烷 C8H18 0.278±0.151 0.183±0.064 0.351±0.219 − 正辛烷 C8H18 0.073±0.029 0.313±0.074 0.212±0.094 0.196±0.124 正壬烷 C9H20 0.036±0.016 − 0.062±0.021 0.050±0.009 正癸烷 C10H22 0.178±0.077 0.256±0.142 0.213±0.071 − 十一烷 C11H24 0.197±0.073 − − − 2-甲基癸烷 C11H24 0.204±0.109 0.152±0.080 − − 十二烷 C12H26 0.264±0.091 0.198±0.070 − − 4-甲基癸烷 C11H24 0.128±0.046 − − − 十三烷 C13H28 0.192±0.019 0.162±0.091 − − 十四烷 C14H30 0.149±0.035 − − − 萜烯类 异戊二烯 C5H8 2.952±0.709 4.370±1.173 2.399±0.611 1.242±0.336 α-蒎烯 C10H16 0.173±0.046 0.325±0.086 0.288±0.124 0.238±0.079 柠檬烯 C10H16 − 0.070±0.012 0.116±0.083 0.109±0.069 桉叶油醇 C10H18O 0.049±0.017 0.204±0.114 − − 3-蒈烯 C10H16 0.046±0.018 0.231±0.116 0.262±0.238 − 月桂烯 C10H16 − − 0.013±0.000 − 左旋-beta-蒎烯 C10H16 0.159±0.075 0.171±0.103 − 0.081±0.028 萜品油烯 C10H16 − 0.156±0.092 0.097±0.032 − β-pinene C10H16 0.119±0.041 0.197±0.095 0.250±0.169 0.184±0.078 莰烯 C10H16 0.174±0.098 0.153±0.071 0.194±0.107 0.092±0.050 薄荷脑 C10H20O 0.323±0.128 0.113±0.052 − − 芳香烃类 苯 C6H6 0.180±0.042 0.144±0.079 0.302±0.092 0.136±0.045 甲苯 C7H8 0.250±0.093 0.169±0.030 0.194±0.067 0.190±0.051 乙苯 C8H10 0.075±0.031 0.121±0.059 0.233±0.055 0.209±0.046 1, 2-二甲苯 C8H10 0.067±0.038 0.114±0.073 0.140±0.057 0.178±0.050 苯乙烯 C8H8 0.109±0.059 − 0.062±0.033 − 1, 3-二甲苯 C8H10 0.110±0.072 0.104±0.039 0.174±0.071 0.236±0.065 叔丁基苯 C10H14 − − 0.064±0.000 − 酯类 乙酸乙酯 C4H8O2 0.362±0.138 0.147±0.084 − − 乙酸丙酯 C5H10O2 0.155±0.025 0.213±0.082 0.262±0.098 − 乙酸正丁酯 C6H12O2 0.046±0.006 0.184±0.032 0.128±0.039 0.154±0.041 乙酸异丁酯 C6H12O2 0.053±0.003 0.284±0.076 0.235±0.068 0.224±0.088 乙酸戊酯 C7H14O2 0.195±0.107 0.169±0.060 − − 醇类 1-庚醇 C7H16O − 0.107±0.034 0.072±0.031 0.132±0.037 异丙醇 C3H8O 0.182±0.146 − 0.140±0.073 − 2-乙基己醇 C8H18O 0.109±0.043 0.077±0.023 0.127±0.138 0.070±0.027 1-十一醇 C11H24O 0.144±0.057 0.414±0.086 0.182±0.076 − 1-癸醇 C10H22O 0.102±0.028 0.376±0.349 0.192±0.111 − 酮类 2-丁酮 C4H8O 0.180±0.059 0.188±0.053 0.155±0.071 0.132±0.097 2-甲基环己酮 C7H12O 0.073±0.036 0.097±0.033 0.093±0.093 0.067±0.014 环己酮 C6H10O − − 0.060±0.021 0.068±0.000 二异丁基酮 C9H18O − − 0.193±0.094 0.109±0.069 2-十一酮 C11H22O 0.128±0.000 0.181±0.000 0.132±0.141 − 说明：－表示未检出该物质。 受植物自身生理情况及外界环境因素的影响，毛竹林不同季节各类VOCs成分有所差别，主要成分也不相同。烷类化合物春季主要成分为3-甲基庚烷(0.278 nmol·mol−1)和十二烷(0.264 nmol·mol−1)，夏季主要成分为正戊烷(0.331 nmol·mol−1)和正辛烷(0.313 nmol·mol−1)，秋季主要成分为三甲基庚烷(0.351 nmol·mol−1)，冬季主要成分为1, 2-二氯乙烷(0.250 nmol·mol−1)和1, 2-二氯丙烷(0.238 nmol·mol−1)；萜烯类化合物在春、夏、秋、冬四季主要成分均为异戊二烯，分别为2.952、4.370、2.399、1.242 nmol·mol−1；芳香烃类化合物在春、夏两季主要成分均为甲苯，分别为0.250和0.169 nmol·mol−1，秋季主要成分为苯(0.302 nmol·mol−1)，冬季主要成分为1,3-二甲苯(0.236 nmol·mol−1)；酯类化合物春季主要成分为乙酸乙酯(0.362 nmol·mol−1)，秋季主要成分为乙酸丙酯(0.262 nmol·mol−1)，夏季和冬季主要成分均为乙酸异丁酯，分别为0.284和0.224 nmol·mol−1；醇类化合物春季主要成分为异丙醇(0.182 nmol·mol−1)，夏季主要成分为1-十一醇(0.414 nmol·mol−1)和1-癸醇(0.376 nmol·mol−1)，秋季主要成分为1-癸醇(0.192 nmol·mol−1)和1-十一醇(0.182 nmol·mol−1)，冬季主要成分为1-庚醇(0.132 nmol·mol−1)；酮类化合物春、夏、冬三季主要成分均为2-丁酮，分别为0.180、0.188、0.132 nmol·mol−1，秋季主要成分为二异丁基酮(0.193 nmol·mol−1)。
-
如图1所示：从季节来看，毛竹林总VOCs摩尔分数从高到低依次为夏季、春季、秋季、冬季。夏季检测到的总VOCs摩尔分数最高，为10.600 nmol·mol−1，春季、秋季、冬季分别为8.068、7.254、4.432 nmol·mol−1。夏季总VOCs摩尔分数显著(P＜0.05)高于秋季，秋季显著(P＜0.05)高于冬季，春季显著高(P＜0.05)于冬季；春季与夏季、春季与秋季之间差异不显著。由此可见，不同季节的毛竹林内总VOCs摩尔分数差别较大。
图 1 不同季节毛竹林总VOCs摩尔分数
Figure 1. Total concentration of VOCs in a Ph. edulis forest in different seasons
-
如图2所示：毛竹林内各类VOCs中，萜烯类中的异戊二烯组分在4个季节的占比均最高，占总VOCs比例为26%~40%，其次为烷类，占比为21%~27%，醇类和酮类占比较低，仅为2%~7%。从各类VOCs在4个季节所占比例来看，异戊二烯在夏季所占比例最高，为40.28%，比在春季、秋季和冬季所占的36.93%、33.61%和26.60%分别高3.35%、6.67%和13.68%，夏季所占比例显著(P＜0.05)高于冬季，其他季节之间差异不显著；烷类在春季所占比例最高，为26.66%，比冬季、夏季和春季所占的23.20%、21.57%和21.11%分别高3.46%、5.09%和5.55%，但四季间差异不显著；单萜类在夏季所占比例最高，为15.55%，比在冬季、秋季和春季所占的12.93%、12.84%和11.97%分别高2.62%、2.71%和3.58%，且四季之间差异也不显著；芳香烃类在冬季所占比例最高，为19.29%，比在秋季、春季和夏季所占的14.65%、8.33%和6.23%分别高4.64%、10.96%和13.06%，冬季占比显著(P＜0.05)高于秋季，而秋季又显著(P＜0.05)高于春季和夏季，春季和夏季之间差异不显著。酯类、醇类和酮类占比较低(低于10.00%)，在4个季节相差不大，且差异均不显著。由此可见：各类VOCs占总VOCs比例均受季节变化影响，且异戊二烯和芳香烃2类物质受影响较大，不同季节间存在显著差异。毛竹是强异戊二烯释放树种，异戊二烯释放量高于其他各类物质。
图 2 不同季节毛竹林各类VOCs组分所占比例
Figure 2. Relative content of concentration of various VOCs components in a Ph. edulis forests in different seasons
-
如表2所示：春季， 总VOCs摩尔分数在上午达到最高，为9.074 nmol·mol−1，中午次之，为8.621 nmol·mol−1，下午最低，为6.509 nmol·mol−1。毛竹林内各类VOCs摩尔分数全天各时刻以异戊二烯最高，烷类、醇类和酮类较低。在中午，异戊二烯摩尔分数最高可达3.806 nmol·mol−1，占总VOCs的44.00%，上午次之，为2.838 nmol·mol−1，下午最低，为2.301 nmol·mol−1；烷类和单萜类摩尔分数日变化波动较小，且都为上午和中午时段较高，下午较低；芳香烃类摩尔分数日变化趋势与总VOCs日变化相近，从高到低依次为上午、中午、下午；酯类和醇类摩尔分数日变化波动较大，从高到低依次均为上午、下午、中午，且醇类摩尔分数上午约是中午的4倍；酮类摩尔分数从高到低依次表现为下午、中午、上午。
表 2 毛竹林各季节各时段VOCs摩尔分数
Table 2. Concentration of VOCs in a Ph. edulis forest by season and time
季节 时段 各VOCs组分及总VOCs摩尔分数/(nmol·mol－1) 异戊二烯 烷类 单萜类 芳香烃类 酯类 醇类 酮类 总VOCs 春季 上午 2.838±0.396 2.438±0.739 1.043±0.324 0.937±0.335 0.991±0.281 0.604±0.179 0.223±0.071 9.074±2.325 中午 3.806±0.351 2.198±0.444 1.102±0.385 0.600±0.134 0.483±0.156 0.156±0.057 0.276±0.107 8.621±1.633 下午 2.301±0.337 1.798±0.540 0.757±0.181 0.502±0.099 0.544±0.204 0.214±0.078 0.394±0.102 6.509±1.541 夏季 上午 3.841±0.670 3.084±0.658 1.546±0.374 0.592±0.188 1.158±0.212 0.972±0.471 0.441±0.091 11.634±2.663 中午 5.690±0.589 2.366±0.618 1.559±0.562 0.661±0.307 1.037±0.340 0.186±0.049 0.210±0.067 11.710±2.533 下午 3.316±0.303 1.521±0.492 1.696±0.803 0.674±0.138 0.876±0.256 0.199±0.059 0.174±0.027 8.455±2.077 秋季 上午 2.354±0.051 1.409±0.660 1.264±0.815 1.114±0.380 0.659±0.198 0.786±0.339 0.439±0.204 8.024±2.646 中午 3.161±0.103 1.709±0.857 0.702±0.385 1.036±0.222 0.341±0.112 0.541±0.384 0.549±0.345 8.038±2.410 下午 1.834±0.469 1.397±0.525 0.800±0.462 0.980±0.297 0.351±0.105 0.239±0.056 0.101±0.024 5.702±1.938 冬季 上午 1.194±0.130 1.118±0.441 0.651±0.251 1.032±0.169 0.331±0.182 0.054±0.014 0.201±0.057 4.580±1.243 中午 1.540±0.218 1.274±0.463 0.815±0.262 0.962±0.091 0.378±0.038 0.074±0.017 0.254±0.129 5.298±1.219 下午 0.843±0.268 0.723±0.209 0.314±0.057 0.587±0.056 0.418±0.115 0.211±0.075 0.322±0.174 3.418±0.955 夏季， 总VOCs摩尔分数在中午和上午较高，分别为11.710和11.634 nmol·mol−1，下午最低，为8.455 nmol·mol−1。毛竹林内各类VOCs摩尔分数全天各时刻以异戊二烯最高，其次为烷类，酮类较低。在中午，异戊二烯摩尔分数最高可达5.690 nmol·mol−1，约占总VOCs的50.00%，上午次之，为3.841 nmol·mol−1，下午最低，为3.316 nmol·mol−1；烷类、酯类和酮类摩尔分数日变化趋势相同，从高到低依次均为上午、中午、下午；单萜类和芳香烃类摩尔分数日变化波动较小，且均为下午和中午较高，上午较低；醇类摩尔分数日变化波动最大，从高到低依次为上午、下午、中午，且上午的摩尔分数是中午的5倍以上。
秋季， 总VOCs摩尔分数也体现为在中午和上午较高，分别为8.038和8.024 nmol·mol−1，下午最低，为5.702 nmol·mol−1。毛竹林内各类VOCs摩尔分数全天各时刻以异戊二烯最高，其次为烷类，酯类、醇类和酮类较低。中午时，异戊二烯摩尔分数最高可达3.161 nmol·mol−1，占总VOCs的40.00%，上午次之，为2.354 nmol·mol−1，下午最低，为1.834 nmol·mol−1；烷类和酮类摩尔分数日变化趋势与异戊二烯相同，从高到低依次均为中午、上午、下午；单萜类和酯类摩尔分数日变化趋势相同，从高到低依次均为上午、下午、中午；芳香烃类和醇类摩尔分数日变化趋势相同，从高到低依次为上午、中午、下午。从摩尔分数日变化波动来看，芳香烃类日变化波动最小，酮类最大。
冬季， 总VOCs摩尔分数在中午达到最高，为5.298 nmol·mol−1，上午次之，为4.580 nmol·mol−1，下午最低，为3.418 nmol·mol−1。毛竹林内各类VOCs摩尔分数全天各时刻以异戊二烯最高，其次为烷类，醇类最低。在中午，异戊二烯摩尔分数最高可达1.540 nmol·mol−1，占总VOCs的30.00%，上午次之，为1.194 nmol·mol−1，下午最低，为0.843 nmol·mol−1；烷类和单萜类摩尔分数日变化趋势与异戊二烯相同，从高到低依次均为中午、上午、下午；芳香烃类摩尔分数从高到低依次为上午、中午、下午；酯类、醇类和酮类摩尔分数日变化趋势相同，从高到低依次均为下午、中午、上午，且酯类日变化波动最小，醇类最大。
综合毛竹林内的VOCs摩尔分数在春季、夏季、秋季、冬季各时段的变化规律，可以发现：异戊二烯在4个季节的各时段均高于其他各类物质，且在4个季节均呈现出中午最高，上午次之，下午最低的规律。除春季外，其他各季节的总VOCs摩尔分数均呈现出中午最高，上午次之，下午最低的规律，其他各类物质摩尔分数所呈现的日变化规律在各季节有所不同，但总体趋势保持为上午和中午较高，下午较低。各类VOCs摩尔分数的日变化波动范围也较为不同，综合4个季节来看，醇类日变化波动最大，单萜烯和芳香烃日变化波动较小。
-
如图3所示：从四季整体来看，毛竹林内VOCs摩尔分数与各环境因子都有一定的相关性，其中，异戊二烯、总VOCs摩尔分数与环境因子的相关性表现出相似特征，均与气温存在极显著正相关(P＜0.001)，与PM2.5和PM10极显著负相关(P＜0.01)，与臭氧呈显著负相关(P＜0.05)，与其他环境因子相关不显著。烷类摩尔分数与气温存在极显著正相关(P＜0.01)，与PM2.5和PM10极显著负相关(P＜0.01)，与其他环境因子相关不显著。单萜类摩尔分数与气温存在极显著正相关(P＜0.01)，与PM2.5和PM10显著负相关(P＜0.05)，与臭氧呈极显著负相关(P＜0.01)，与其他环境因子相关性不显著。芳香烃类摩尔分数与CO2和相对湿度呈显著正相关(P＜0.05)，和其他环境因子相关性不显著。酯类摩尔分数与气温存在极正显著相关(P＜0.01)，与PM2.5、PM10和臭氧呈显著负相关(P＜0.05)，与其他环境因子相关不显著。醇类和酮类摩尔分数在四季均较低，与各环境因子都不存在显著相关。另外，各类VOCs摩尔分数与风速都呈负相关；除芳香烃类和酮类外，其他VOCs摩尔分数都与气温呈正相关，与PM2.5、PM10和臭氧呈负相关。
图 3 毛竹林VOCs与各环境因子相关性
Figure 3. Correlation between VOCs and various environmental factors in a Ph. edulis forest
-
VOCs在自然界中发挥着重要作用，植物释放VOCs不仅与植物本身及所处的生理状态与发育阶段有关，还受外界气温、光照度等环境因素的影响[19−21]。由于各类VOCs摩尔分数的日变化和季节变化规律较为不同，毛竹主要释放异戊二烯，且占比较大，因此本研究主要针对异戊二烯和总VOCs摩尔分数日变化和季节变化进行讨论，以此作为毛竹林VOCs释放特征。
本研究发现：在毛竹林中检测到多种VOCs，主要包括异戊二烯、烷类、单萜类、芳香烃类、酯类、醇类和酮类。这与王茜[22]和李娟等[23]的研究结果相似，但在具体的种类以及量值上存在一定的差异，可能与毛竹林所在的位置等因素有关。不同的位置外源环境也不尽相同，从而导致毛竹林内小气候的差异，一定程度上影响VOCs的合成与释放，使VOCs种类和量值上产生差别[24]。在春季检测到的VOCs数量最多，夏季次之，冬季最少，可能是因为春夏两季为毛竹的快速生长期，毛竹的生理活性强，因此产生的次生代谢产物也更丰富[25]。
本研究还发现：各季节各时段异戊二烯摩尔分数及占总VOCs比例均高于其他各类VOCs，夏季中午最高，为5.690 nmol·mol−1，约占总VOCs的50.00%，也说明毛竹是强异戊二烯释放树种。这也与已有研究结果相符[26−27]。从季节变化来看，毛竹林中异戊二烯和总VOCs以及其他各类主要VOCs，如烷类和单萜类化合物摩尔分数在夏季最高，春季次之，冬季最低，在BAI等[26]和井潇溪[28]的研究中也得出类似的结论。夏季气温升高，毛竹叶片内部异戊二烯合成酶的活性增强，增加了异戊二烯释放量[29]，同时，毛竹会生成更多的VOCs来保护自身免受因高温引起的氧化应激，以维持细胞膜的完整性和流动性[30]。从日变化来看，除春季总VOCs摩尔分数外，其余各季节异戊二烯和总VOCs摩尔分数均呈现为从上午开始逐渐升高，在中午出现高峰，随后逐渐降低的规律，这也与王志辉等[31]和郭希娟等[32]的研究结果基本吻合，可能是因为VOCs摩尔分数受气温和光照影响较大，上午随气温升高和光照增强，VOCs摩尔分数升高；11:00—13:00，气温和光照达到一天中最大值，VOCs释放的峰值也出现在中午前后，下午开始下降[33]。其他各类VOCs摩尔分数在不同季节的日变化规律较不一致，这可能与不同化合物的分子结构以及受环境因子影响程度不同有关[34]。
复杂的环境因子对VOCs的合成和释放影响巨大[35]，如气温、光照度、相对湿度、二氧化碳和臭氧等都是影响VOCs产生和释放的重要因素[36]。本研究发现：毛竹林内VOCs与各环境因子都有一定的相关性，其中，异戊二烯、烷类、单萜类、酯类和总VOCs摩尔分数与气温呈显著正相关，与PM2.5、PM10和臭氧呈显著负相关。郭霞[37]和任琴等[38]也得出了异戊二烯等的释放对气温变化有着高依赖性的结论。VOCs的释放速率随气温的升高而加快，可能主要是气温对酶影响的结果[38]。与PM2.5、PM10以及臭氧呈显著负相关可能是因为萜烯类等易发生光化学反应，形成二次有机气溶胶(secondary organic aerosols, SOA)，该物质是PM2.5和PM10的重要组成部分，从而对VOCs摩尔分数产生影响[39−40]。而张福珠等[41]和林威等[42]研究指出：植物的异戊二烯释放速率和光照度关系密切，光照是影响异戊二烯释放速率最强的环境因子。但在本研究中并未发现光照度对异戊二烯摩尔分数变化的显著影响，原因可能是环境监测站主要监测林下小气候，监测到的光照度容易受到样地内毛竹的遮挡，无法准确计量，因此，大气环境中的光照度对异戊二烯释放速率的影响还需进一步深入研究。
-
在毛竹林中检测到的VOCs以烷类、萜烯类、芳香烃类、酯类、醇类和酮类共6类51种化合物为主，其中以萜烯类的异戊二烯释放量最大。各类VOCs摩尔分数在季节动态变化上与总VOCs比较一致，为夏季最大，春季次之，冬季最小。各类VOCs摩尔分数在各季节的日变化趋势不尽相同，但总体上呈现为上午和中午较高，下午较低的规律。毛竹林内VOCs摩尔分数与各环境因子均有一定的相关性，其中主要的几类VOCs与气温呈显著正相关，与PM2.5、PM10和臭氧呈显著负相关。
Characteristics of volatile organic compounds release in Phyllostachys edulis forests and their relationship with environmental factors
-
摘要:
目的 了解毛竹Phyllostachys edulis林内挥发性有机化合物(VOCs)的季节动态变化以及日变化规律，并分析各环境因子对其VOCs摩尔分数变化的影响。 方法 采用吸附管富集采样与气相色谱-质谱联用技术(GC-MS)测定浙江省绍兴市诸暨五泄景区中毛竹林内VOCs成分，分析其变化规律，并结合环境气象监测站数据，分析VOCs摩尔分数与各环境因子的相关性。 结果 ①在毛竹林检测出多种物质，主要为烷类、萜烯类、芳香烃类、酯类、醇类和酮类共6类，萜烯类摩尔分数最大，为7.249 nmol·mol−1，其中又以组分异戊二烯为主，约占萜烯类的80%。②从季节变化来看，总VOCs摩尔分数在夏季最大，为10.600 nmol·mol−1；其次为春季和秋季，分别为8.068 和7.254 nmol·mol−1；冬季最小，仅为4.432 nmol·mol−1，且各类主要VOCs的季节变化趋势与总VOCs相同。③从日变化来看，在春季总VOCs摩尔分数在上午最大，为9.074 nmol·mol−1，其次为中午，为8.621 nmol·mol−1，下午时段最小，为6.509 nmol·mol−1；在夏季、秋季和冬季，总VOCs摩尔分数均在中午最大，分别为11.710、8.038和5.298 nmol·mol−1，下午最小，分别为8.455、5.702和3.418 nmol·mol−1。各类主要VOCs的日变化趋势与总VOCs相同，均为上午和中午时段摩尔分数较大。④VOCs与各环境因子都存在相关性，其中萜烯类、烷类、酯类和总VOCs与气温呈显著正相关(P＜0.05)，与细颗粒物(PM2.5)、可吸入颗粒物(PM10)和臭氧呈显著负相关(P＜0.05)。 结论 在不同季节和时段，毛竹林VOCs种类和摩尔分数不同，其中异戊二烯是决定毛竹林VOCs动态变化的主要物质。图3表2参42 Abstract:Objective The aim is to understand the seasonal dynamics and daily variation patterns of volatile organic compounds (VOCs) in Phyllostachys edulis forest, and analyze the influence of environmental factors on their concentration changes. Method The VOCs in Ph. edulis forest in Zhuji Wuxie scenic area, Shaoxing City of Zhejiang Province were determined by sorbent tube enrichment sampling and gas chromatography-mass spectrometry (GC-MS). Its variation pattern was analyzed and the correlation between VOCs concentration and various environmental factors was also analyzed based on the data from environmental meteorological monitoring stations. Result (1) A variety of substances were detected in Ph. edulis forest, mainly including alkanes, terpenes, aromatic hydrocarbons, esters, alcohols and ketones. The largest concentration of terpenes was released, with a maximum of 7.249 nmol·mol−1, of which the dominant component was isoprene, accounting for about 80% of terpene. (2) From the perspective of seasonal variation, the concentration of total VOCs was the largest in summer (10.600 nmol·mol−1), followed by spring and autumn (8.068 and 7.254 nmol·mol−1, respectively). The smallest was in winter, only 4.432 nmol·mol−1, and the seasonal variation trend of various major VOCs was the same as that of total VOCs. (3) From the perspective of daily variation, the total VOCs concentration was maximum in the morning in spring (9.074 nmol·mol−1), followed by 8.621 nmol·mol−1 at noon and a minimum of 6.509 nmol·mol−1 in the afternoon. In summer, autumn and winter, the maximum VOCs concentration at noon was 11.710, 8.038 and 5.298 nmol·mol−1, and the lowest values in the afternoon were 8.455, 5.702 and 3.418 nmol·mol−1. The daily variation trend of various major VOCs were the same as that of total VOCs, with higher concentrations in the morning and at noon. (4) VOCs were correlated with various environmental factors, among which terpenes, alkanes, esters and total VOCs were significantly positively correlated with temperature, and significantly negatively correlated with PM2.5, PM10 and ozone (P＜0.05). Conclusion The types and contents of VOCs in Ph. edulis forest are different in different seasons and time periods, and isoprene is the main substance that determines the dynamics of VOCs. [Ch, 3 fig. 2 tab. 42 ref.] -
森林在陆地生态系统中发挥着重要的碳汇作用。森林生物量的空间精准量化对了解陆地碳储量、碳收支、碳平衡，以及它们与全球气候变化之间的关系具有重要意义[1-3]。森林地上生物量(AGB)为林木干、枝、叶的有机体干质量，不含林木根部、灌木、草本及林下枯枝落叶，是森林生物量的主体部分。近年来，采用遥感技术反演森林AGB展露出巨大的潜力，光学、激光雷达(LiDAR)、被动微波雷达和合成孔径雷达(SAR)等多种遥感数据用于森林AGB的估测，使得森林AGB估测的区域尺度性、经济性及精度等不断提升[3-7]。其中，SAR不受天时、天气的影响，且微波波长较长，在森林中具有较强的穿透能力，因此在获取森林密度、树高、AGB等森林垂直结构因子方面极具潜力[2, 8-10]。SAR估测森林AGB的能力有赖于其工作频率的高低，大量研究证实了低频波段后向散射对森林AGB变化的敏感性更强。在常用于森林监测的微波波段中，频率较低的P波段SAR后向散射系数对森林AGB变化最为敏感[11-13]。目前P波段的研究多基于机载数据展开，且研究区多位于国外，而国内相关研究则开展较少。CARTUS等[1]基于AfriSAR、BioSAR和TropiSAR机载飞行试验，使用P、C、L波段联合进行了森林AGB反演，结果表明P波段与森林结构因子的树干、树枝的相关性较高，P波段的加入有力地提高了反演的准确度和精度。LIAO等[14]使用TropiSAR机载P波段数据，采用层析方法(TomoSAR)将相干幅度、干涉相位和后向散射特征建模对法属圭亚那热带雨林AGB进行了反演，结果表明树高特征的引入可有效提高森林AGB反演精度，决定系数(R2)最高可达0.7。冯琦等[10]使用国产机载P波段数据结合坡度因子，在考虑当地入射角和坡度的情况下建立对数统计模型，对内蒙古根河市生态站的寒温带针叶林进行森林AGB的反演，最高反演精度R2为0.634、均方根误差(RMSE)为12.07 t·hm−2。
现有采用P波段SAR数据进行的森林AGB估测，多集中在采用P波段的后向散射信息、相位和相干性信息，而对于极化信息的利用则较少。由于SAR信息的差异，使得其用于森林AGB估测的方法也差异明显，如采用后向散射信息估测森林地上生物量，多采用线性回归参数模型；而采用相位和相干性信息利用层析技术进行森林AGB估测则多基于植被微波散射模型或电磁波信号模型进行反演。线性回归模型简单灵活，但通常无法表征P波段特征与森林AGB变化之间的复杂关系；植被散射模型或者电磁波信号模型能够体现森林与P波段电磁波之间的部分物理作用机制，但模型较复杂，应用推广困难。
近年来，随着极化SAR数据的丰富，可提取的极化SAR特征涌现，非参数模型被广泛应用于SAR极化特征农作物生长参数的定量反演，并表现出较强的反演能力和较好的应用推广性。鉴于P在森林监测中的潜力，其极化特征在森林AGB估测中并未深入探索，参数模型过于简单、植被微波散射模型理解过于困难，本研究以中国北方典型寒温带森林作为研究对象，使用机载P波段SAR数据，提取多种极化特征，在分析其P波段极化散射特征的基础上，探索采用参数和非参数模型进行森林AGB估测的可行性，旨在明确P波段森林的极化散射特征，探索采用P波段极化SAR数据进行森林AGB估测具体应用的有效方法。
1. 研究区概况
研究区为位于内蒙古呼伦贝尔盟的根河市大兴安岭森林生态系统国家野外科学观测研究站(大兴安岭生态站)，50°49′~50°51′N，121°30′~121°31′E。该研究站是中国纬度最高的森林生态研究站，面积为102 km2。研究区气候类型为典型的寒温带大陆性季风气候。研究区地势相对平缓，区域内80%的坡度小于15°，海拔高度分布在800~1 200 m，森林覆盖率大于75%，主要树种为兴安落叶松Larix gmelinii、白桦Betula platyphylla、樟子松Pinus sylvestris var. mongolica等。
2. 数据获取与预处理
2.1 P波段SAR数据获取与预处理
采用的P波段SAR数据由机载CAMSAR系统获得[15]。通过协议方式获取根河实验区机载P波段全极化(HH/HV/VV/VH) SLC数据。该数据是2013年9月以“奖状Ⅱ”飞机平台，以CASMSAR系统右视观测获取的全极化SAR数据。获取过程中飞行方向为自西向东，飞行高度为5 807 m，获取时间为2013年9月13—16日，极化方式为HH/HV/VH/VV，产品模式为SLC，幅宽为6 km × 7 km，中心入射角为55.058°，距离向分辨率为0.666 m，方位向分辨率为0.625 m。机载P波段SAR数据的预处理关键步骤包括多视处理、正射校正、入射角校正和极化方位角校正。多视视数在距离向和方位向均为3，数据的正射校正、入射校正参考文献[10]；极化方位角校正过程和算法见文献[16]。P波段SAR数据预处理结果、森林AGB抽样点及林分概况见图1。
图 1 P波段SAR数据(A)及其覆盖区样点分布(B)、林分概况(C)Figure 1 P band SAR data (A), the distribution of samples (B) and stand examples (C)2.2 激光雷达(LiDAR)数据获取与预处理
LiDAR获取的数字表面模型(DSM)、数字高程模型(DEM)用于P波段SAR数据的地理编码，由冠层高度模型(CHM)获取的LiDAR森林AGB数据用于反演模型的训练及验证。本研究获取的机载LiDAR数据是将Leica机载雷达系统荷载于“运-5”飞机平台上，于2012年8—9月在根河实验区开展飞行任务。该原始数据密度为5.6个·m−2的点云数据，激光中心波谱值为1550 nm，在初始点云数据的基础上，提取了研究区域高精度的DEM (图2A)、CHM (图2B)和森林AGB(图2C)等衍生产品。DSM、DEM、CHM数据的详细生成方法参考文献[17]，高精度LiDAR森林AGB的详细提取过程与方法参考文献[10,18]。
为保证建模样本和验证样本能够代表整个研究区的森林AGB水平，以高精度LiDAR森林AGB图为基础，按照750 m的空间采样间隔，在ArcGIS中采用交互人工干预(去除道路及裸露地物)的方法选取113个样点(图1B)作为森林AGB反演模型的训练与验证。机载P波段SAR数据覆盖区森林林相不均匀，平均AGB较低，约46.7 t·hm−2，且大于100 t·hm−2的采样点仅有5个。113个样点AGB以10 t·hm−2间隔得分布情况(图1B)：0~10 t·hm−2，3个；＞10~20 t·hm−2，14个；＞20~30 t·hm−2，17个；＞30~40 t·hm−2，17个；＞40~50 t·hm−2，18个；＞50~60 t·hm−2，14个；＞60~70 t·hm−2，10个；＞70~80 t·hm−2，8个；＞80~90 t·hm−2，7个；＞90 t·hm−2，5个。
3. 方法
3.1 森林P波段极化散射特征分析
极化目标分解方法是从全极化数据中提取地物极化信息的有效方法，目前多种极化分解参数在森林类型识别中表现出巨大的潜力。本研究采用目前常用的极化后向散射系数、常用的3种极化分解方法提取极化SAR特征，并基于此分析森林的极化散射特征。提取P波段HH、HV和VV等3个极化的后向散射系数，基于3个后向散射系数的雷达植被指数(RVI)、极化辨别率参数(PDR)；基于Freeman-Durden三分量分解的体散射分量(FVOL)、单次散射分量(FODD)、二次散射分量(FDBL)、体地散射比分量(FD1/FD2，1表示地散射分量是ODD和DBL的和，2表示地散射分量仅为ODD)；基于Yamaguchi的体散射分量(YVOL)、单次散射分量(YODD)、二次散射分量(YDBL)、螺旋体散射分量(YHLX)；基于H-A-ALPHA极化分解的极化散射熵(entropy)、反熵(anisotropy)、散射角(alpha)、目标方位向角(beta)、相位差角1(gamma)、相位差角2(delta)。3种极化分解方法参考文献[19-20]。由于本次飞行试验时并未布设角反射器用于定标，因此本研究使用的后向散射系数值仅有相对含义。
森林在P波段极化特征响应分析的目的是为了确定P波段对森林AGB动态变化敏感的极化特征参数，从而确定有效的极化特征参数进行森林AGB的估测。将研究区的森林AGB划分为A (表示生物量在0~30 t·hm−2变化时对应后向散射系数的箱线变化，均值约20 t·hm−2)，B (31~50 t·hm−2，40 t·hm−2)，C (51~70 t·hm−2，60 t·hm−2)，D (71~90 t·hm−2，80 t·hm−2)，E (＞91 t·hm−2，100 t·hm−2)等5个变化等级，分别制作各等级相应P波段SAR提取参数值的箱线图，分析研究区各极化特征参数对森林AGB动态变化的响应，进而分析其极化散射特征。为了定量的分析各极化特征与森林AGB变化的关系，计算了它们之间的皮尔逊相关系数及显著性水平。
3.2 森林AGB估测方法
3.2.1 多元线性逐步回归模型
多元线性逐步回归模型(MLR)是森林AGB估测中最常用、最经典的方法之一。与常规的线性回归模型相比，MLR可同时完成模型输入参数的优选，进而提高森林AGB估测的效率和精度。MLR是将自变量逐个引入，每次判断自变量对因变量影响的显著性，并对模型中的自变量进行检验，逐个从模型中剔除不显著的变量，从而得到最优模型。即在保证显著性值在0.05以下的情况下，筛选相关性高的特征变量，进而得到因变量的最优估计。MLR的实现算法详见文献[21]。
3.2.2 KNN、SVR、RF非参数模型
KNN[22-25]、SVR[22, 24]和RF[24, 26]是森林AGB估测中常用的非参数模型，与参数模型相比，无固定的模型结构，通常通过数据驱动的方法来确定模型结构并用于森林AGB的估测，因此也称为机器学习方法。在森林AGB估测中，这3种方法各有优势，因此选取这3种方法来探究非参数方法在P波段森林AGB估测中的潜力。
3.3 P波段森林AGB估测结果精度验证
反演结果精度的定量评价通过反演结果与真值之间的决定系数(R2)、均方根误差(RMSE)、平均绝对误差(MAE)、估测精度(Acc)来表征。这4个参数的计算公式参考文献[27]。
4. 结果与分析
4.1 森林P波段极化散射特征分析
本研究获取的P波段中心波长为64 cm，该波段在森林中的穿透性较强。由图3可知：P波段20个SAR特征均表现出对研究区森林AGB变化的敏感性。P波段3种极化方式后向散射系数对森林AGB在0~110 t·hm−2内动态变化的响应与已有研究[28]相似，即后向散射系数的值均随着森林AGB的升高而缓慢增长。在各森林AGB水平中，HH、HV和VV散射能量强度相差并不明显，并且从箱线图(图3)的中值可以看出：HH的单调增长趋势较其他2个极化明显，且异常值较少。这可能是由于P波段波长较长，比较粗树干等圆柱体形状的散射体为森林中的散射体，使得去极化特征明显降低，因此同极化的HH和VV后向散射能量对AGB变化的敏感性明显高于HV[29]。此外，由后向散射系数计算的RVI也随着森林AGB增加而单调增加且未出现饱和现象，并且通过箱线图的宽度变化可以看出：各水平RVI箱宽变化不明显，说明该值对森林结构的变化不敏感，而对森林AGB的变化比较敏感。相比RVI，PDR非单调增长，在不同森林AGB水平，占主导散射的散射体会发生明显变化[30-31]，该现象也可由Freeman-Durden中各个参数随森林AGB变化的响应加以说明。P波段Freeman-Durden分解相关特征中，除FODD和FDBL外，均随着森林AGB的增加而增加，并且2种体地散射比的值均远远大于1。Yamaguchi分解特征对森林AGB的响应趋势与Freeman-Durden分解相关特征的趋势基本一致。P波段H-A-ALPHA分解提取的参数中，散射熵(entropy)随着森林AGB增加而单调增加，而alpha则敏感性不明显。但beta、gamma和delta对森林AGB变化的敏感性则高于散射角alpha。P波段森林的极化散射特征随森林AGB的变化与已有研究中短波长的研究差异明显，说明现有的极化分解建模方法与该森林AGB水平P波段的散射特征有明显差异。
由表1可知：极化分解中表征体散射分量的极化特征与森林AGB变化的显著性较低或不存在显著性，而二次散射特征分量则与森林AGB变化具有强相关性且显著性水平最高。这说明在本研究区，树干与地表形成的二次散射对森林AGB的变化最为敏感，且目前极化分解中的体散模型并不适合P波段研究区森林AGB水平下森林的散射机制。表1的定量分析结果与图4的定性分析结果对比可知：由于各极化参数的值域范围差异明显，图3对森林AGB敏感性较明显的参数在定量分析时相关性并不一定最高，因此图4的分析仅可作为初步参考，对于森林AGB敏感的极化特征参数的分析，仍需要采用皮尔逊系数进行相关性定量分析。
表 1 P波段SAR极化特征与森林AGB相关性分析Table 1 Correlation coefficients of polarization feature and forest AGB特征 R P 特征 R P 特征 R P HH 0.401** 0 F_VOL −0.129 0.173 alpha −0.734** 0 HV −0.249** 0.008 Y_DBL 0.719** 0 beta 0.037 0.696 VV −0.322** 0 Y_ODD 0.323** 0 delta 0.221* 0.018 FD1 −0.453** 0 Y_VOL −0.213* 0.024 gamma 0.314** 0.001 FD2 −0.448** 0 Y_HLX 0.187* 0.047 PDR 0.629** 0 F_DBL 0.650** 0 entropy −0.136 0.151 RVI −0.374** 0 F_ODD 0.303** 0.001 anisotropy 0.436** 0 说明：R代表Pearson相关系数；P代表显著性水平，**代表0.01水平上显著；*代表0.05水平上显著 
图 4 4种模型森林AGB估测与LiDAR抽样点散点图Figure 4 Scatter plots of estimated and LiDAR forest AGB of four models4.2 森林AGB估测结果分析
从表2可知：4种模型中，MLR模型估测结果精度最低，RF精度最高；而KNN和SVR模型的估测精度则相近，R2相同，RMSE、MAE和Acc也基本相同，比RF估测结果的最高值仅低约2%。
表 2 基于4种模型的P波段SAR 森林AGB估测结果Table 2 P band SAR forest AGB inversion using four models波段 反演模型 模型参数 R2 RMSE Acc/% MAE P MLR 显著性为0.0008 0.43 19.16 63.55 16.99 KNN K值为11，欧氏距离 0.54 17.04 71.18 13.44 SVR 惩罚系数7.0 0.54 17.09 71.15 13.45 RF 决策树数为100，树深度为11 0.60 15.98 72.97 12.60 从图4可看出：在整个森林AGB分布中，MLR估测结果分布较其他3种非参数方法分散，在森林AGB大于80 t·hm−2时出现了明显的饱和低估现象。其他3种方法尽管也有低估的现象，但是饱和现象并不明显。此外，本研究中4种方法估测结果的相对误差约30%，而以往区域性森林AGB的估测误差为37%~67%[32]，采用P波段HV后向散射系数的估测结果中，同质性森林地区的相对误差约13%，而异质性地区相对误差则约60%[28]。在采用L-波段极化分解参数进行森林AGB反演研究中，在森林AGB水平低于120 t·hm−2时，后向散射的特征优于3种极化分解的特征，这与本研究中P波段的研究结果基本一致[33]。4种方法的估测结果中均出现了低值高估和高值低估的现象，这与以往采用不同遥感数据源进行森林AGB估测的结果一致[32]。图5中，RF的残差分布最接近高斯分布，尽管峰值出现在10 t·hm−2左右，由于其值分布较窄，因此具有较高的估测精度。KNN和SVR的残差分布图均较为连续，并且分布区间明显高于MLR，但由于正值占比较大，因此总体上呈现高估现象。MLR估测结果的残差分布图在10和20 t·hm−2出现了2个明显的峰值，且所有残差值的分布范围较宽，解释了其估测精度低于其他3种方法的原因。在ENGHART等[34]基于C和L-波段参数和非参数方法森林AGB估测的研究中，也发现MLR的估测结果要略低于非参数模型。然而参数和非参数模型的适用性还受到训练样本大小的影响，因此在训练样本较大时可选择非参数模型进行估测，当样本较小时则可优先选择MLR方法进行森林AGB估测[32]。
图 5 森林AGB估测结果与LiDAR抽样点差值直Figure 5 Histograms of difference between forest AGB estimation results and LiDAR sampling points为了进一步分析P波段极化特征对森林AGB估测的潜力，本研究将研究区森林AGB划分为不同的等级，然后采用4种估测模型中估测结果最优的RF模型进行估测，估测结果见表3。在本研究中将森林AGB划分为3组，其中第1组分别以30、60 t·hm−2为边界划分为3个子组；而第2组和第3组分别以40和50 t·hm−2为界划分为2个子组。由表3可知：分组界限不同，估测精度有明显的差异，分组划分越详细，估测精度(Acc)越高；此外，3种分组情况的估测结果均表明：在森林AGB平均值约45 t·hm−2，最高值不超过120 t·hm−2时，P波段在森林AGB水平较高的分组估测精度较高，如在第1组中，森林AGB大于30 t·hm−2分组的估测精度比小于30 t·hm−2分组的估测精约高5%；而在以50 t·hm−2为分组界限的2组中，森林高AGB组的估测精度比低AGB组的估测精度约高出6%。表3的结果分析表明：待估森林的AGB水平对P波段极化特征进行森林AGB估测的估测精度有明显影响，且P波段极化信息更适合森林AGB较高区域森林AGB的估测。
表 3 基于4种模型的P波段SAR 森林AGB反演情况Table 3 P band SAR forest AGB inversion based on four models序号 AGB分段/
(t·hm−2)R2 RMSE/
(t·hm−2)Acc/% 1 0~30 0.55 4.92 76.12 30~60 0.13 7.95 81.85 ＞60 0.25 14.89 81.57 2 0~50 0.47 8.46 72.15 ＞50 0.30 15.80 78.19 3 0~40 0.48 6.52 74.36 ＞40 0.36 16.21 74.82 5. 结论
针对P波段极化SAR数据在森林AGB估测中的潜力，提取了20个P波段极化SAR参数，探索了森林AGB估测中常用的MLR、KNN、SVR和RF方法在使用P波段极化SAR数据进行森林AGB估测的潜力。结果表明：P波段极化SAR信息在森林AGB估测中具潜力，但估测精度受到待估区域森林AGB水平高低的影响；4种估测方法中，非参数方法的估测结果明显优于MLR估测。P波段森林AGB估测结果中，同样存在AGB低值高估和高值低估的现象，其原因仍需要进一步探索。此外由于本研究区的森林AGB均值为45 t·hm−2，最高值低于120 t·hm−2，所以P波段极化信息在AGB高于120 t·hm−2的森林覆盖区中对森林AGB的估测能力仍有待进一步研究。
-
图 1 不同季节毛竹林总VOCs摩尔分数
Figure 1 Total concentration of VOCs in a Ph. edulis forest in different seasons
图 2 不同季节毛竹林各类VOCs组分所占比例
Figure 2 Relative content of concentration of various VOCs components in a Ph. edulis forests in different seasons
图 3 毛竹林VOCs与各环境因子相关性
Figure 3 Correlation between VOCs and various environmental factors in a Ph. edulis forest
表 1 毛竹林VOCs组分及摩尔分数
Table 1. VOCs fraction and concentration in a Ph. edulis forest
化合物种类 化合物 分子式 摩尔分数/(nmol·mol−1) 春季 夏季 秋季 冬季 烷类 2-甲基戊烷 C6H14 0.086±0.023 0.124±0.051 0.094±0.049 0.081±0.071 1,2-二氯乙烷 C2H4Cl2 0.059±0.025 0.113±0.153 0.134±0.063 0.250±0.084 2-甲基己烷 C7H16 0.040±0.010 0.110±0.048 0.083±0.027 − 3-甲基己烷 C7H16 0.050±0.015 0.137±0.121 0.090±0.036 0.117±0.036 1,2-二氯丙烷 C3H6Cl2 0.070±0.066 0.230±0.049 0.236±0.106 0.238±0.082 正戊烷 C5H12 0.078±0.041 0.331±0.070 0.120±0.058 0.187±0.060 甲基环己烷 C7H14 0.045±0.012 0.162±0.043 0.061±0.016 0.094±0.022 2-甲基庚烷 C8H18 0.033±0.009 − 0.025±0.000 − 3-甲基庚烷 C8H18 0.278±0.151 0.183±0.064 0.351±0.219 − 正辛烷 C8H18 0.073±0.029 0.313±0.074 0.212±0.094 0.196±0.124 正壬烷 C9H20 0.036±0.016 − 0.062±0.021 0.050±0.009 正癸烷 C10H22 0.178±0.077 0.256±0.142 0.213±0.071 − 十一烷 C11H24 0.197±0.073 − − − 2-甲基癸烷 C11H24 0.204±0.109 0.152±0.080 − − 十二烷 C12H26 0.264±0.091 0.198±0.070 − − 4-甲基癸烷 C11H24 0.128±0.046 − − − 十三烷 C13H28 0.192±0.019 0.162±0.091 − − 十四烷 C14H30 0.149±0.035 − − − 萜烯类 异戊二烯 C5H8 2.952±0.709 4.370±1.173 2.399±0.611 1.242±0.336 α-蒎烯 C10H16 0.173±0.046 0.325±0.086 0.288±0.124 0.238±0.079 柠檬烯 C10H16 − 0.070±0.012 0.116±0.083 0.109±0.069 桉叶油醇 C10H18O 0.049±0.017 0.204±0.114 − − 3-蒈烯 C10H16 0.046±0.018 0.231±0.116 0.262±0.238 − 月桂烯 C10H16 − − 0.013±0.000 − 左旋-beta-蒎烯 C10H16 0.159±0.075 0.171±0.103 − 0.081±0.028 萜品油烯 C10H16 − 0.156±0.092 0.097±0.032 − β-pinene C10H16 0.119±0.041 0.197±0.095 0.250±0.169 0.184±0.078 莰烯 C10H16 0.174±0.098 0.153±0.071 0.194±0.107 0.092±0.050 薄荷脑 C10H20O 0.323±0.128 0.113±0.052 − − 芳香烃类 苯 C6H6 0.180±0.042 0.144±0.079 0.302±0.092 0.136±0.045 甲苯 C7H8 0.250±0.093 0.169±0.030 0.194±0.067 0.190±0.051 乙苯 C8H10 0.075±0.031 0.121±0.059 0.233±0.055 0.209±0.046 1, 2-二甲苯 C8H10 0.067±0.038 0.114±0.073 0.140±0.057 0.178±0.050 苯乙烯 C8H8 0.109±0.059 − 0.062±0.033 − 1, 3-二甲苯 C8H10 0.110±0.072 0.104±0.039 0.174±0.071 0.236±0.065 叔丁基苯 C10H14 − − 0.064±0.000 − 酯类 乙酸乙酯 C4H8O2 0.362±0.138 0.147±0.084 − − 乙酸丙酯 C5H10O2 0.155±0.025 0.213±0.082 0.262±0.098 − 乙酸正丁酯 C6H12O2 0.046±0.006 0.184±0.032 0.128±0.039 0.154±0.041 乙酸异丁酯 C6H12O2 0.053±0.003 0.284±0.076 0.235±0.068 0.224±0.088 乙酸戊酯 C7H14O2 0.195±0.107 0.169±0.060 − − 醇类 1-庚醇 C7H16O − 0.107±0.034 0.072±0.031 0.132±0.037 异丙醇 C3H8O 0.182±0.146 − 0.140±0.073 − 2-乙基己醇 C8H18O 0.109±0.043 0.077±0.023 0.127±0.138 0.070±0.027 1-十一醇 C11H24O 0.144±0.057 0.414±0.086 0.182±0.076 − 1-癸醇 C10H22O 0.102±0.028 0.376±0.349 0.192±0.111 − 酮类 2-丁酮 C4H8O 0.180±0.059 0.188±0.053 0.155±0.071 0.132±0.097 2-甲基环己酮 C7H12O 0.073±0.036 0.097±0.033 0.093±0.093 0.067±0.014 环己酮 C6H10O − − 0.060±0.021 0.068±0.000 二异丁基酮 C9H18O − − 0.193±0.094 0.109±0.069 2-十一酮 C11H22O 0.128±0.000 0.181±0.000 0.132±0.141 − 说明：－表示未检出该物质。 
下载: 导出CSV
表 2 毛竹林各季节各时段VOCs摩尔分数
Table 2. Concentration of VOCs in a Ph. edulis forest by season and time
季节 时段 各VOCs组分及总VOCs摩尔分数/(nmol·mol－1) 异戊二烯 烷类 单萜类 芳香烃类 酯类 醇类 酮类 总VOCs 春季 上午 2.838±0.396 2.438±0.739 1.043±0.324 0.937±0.335 0.991±0.281 0.604±0.179 0.223±0.071 9.074±2.325 中午 3.806±0.351 2.198±0.444 1.102±0.385 0.600±0.134 0.483±0.156 0.156±0.057 0.276±0.107 8.621±1.633 下午 2.301±0.337 1.798±0.540 0.757±0.181 0.502±0.099 0.544±0.204 0.214±0.078 0.394±0.102 6.509±1.541 夏季 上午 3.841±0.670 3.084±0.658 1.546±0.374 0.592±0.188 1.158±0.212 0.972±0.471 0.441±0.091 11.634±2.663 中午 5.690±0.589 2.366±0.618 1.559±0.562 0.661±0.307 1.037±0.340 0.186±0.049 0.210±0.067 11.710±2.533 下午 3.316±0.303 1.521±0.492 1.696±0.803 0.674±0.138 0.876±0.256 0.199±0.059 0.174±0.027 8.455±2.077 秋季 上午 2.354±0.051 1.409±0.660 1.264±0.815 1.114±0.380 0.659±0.198 0.786±0.339 0.439±0.204 8.024±2.646 中午 3.161±0.103 1.709±0.857 0.702±0.385 1.036±0.222 0.341±0.112 0.541±0.384 0.549±0.345 8.038±2.410 下午 1.834±0.469 1.397±0.525 0.800±0.462 0.980±0.297 0.351±0.105 0.239±0.056 0.101±0.024 5.702±1.938 冬季 上午 1.194±0.130 1.118±0.441 0.651±0.251 1.032±0.169 0.331±0.182 0.054±0.014 0.201±0.057 4.580±1.243 中午 1.540±0.218 1.274±0.463 0.815±0.262 0.962±0.091 0.378±0.038 0.074±0.017 0.254±0.129 5.298±1.219 下午 0.843±0.268 0.723±0.209 0.314±0.057 0.587±0.056 0.418±0.115 0.211±0.075 0.322±0.174 3.418±0.955
下载: 导出CSV
-
[1] GUENTHER A, HEWITT C N, ERICKSON D, et al. A global model of natural volatile organic compound emissions [J]. Journal of Geophysical Research, 1995, 100(D5): 8873 − 8892. [2] DUDAREVA N, KLEMPIEN A, MUHLEMANN J K, et al. Biosynthesis, function and metabolic engineering of plant volatile organic compounds [J]. New Phytologist, 2013, 198(1): 16 − 32. [3] OKUMURA M, KOSUGI Y, TANI A. Biogenic volatile organic compound emissions from bamboo species in Japan [J]. Journal of Agricultural Meteorology, 2018, 74(1): 40 − 44. [4] LUN Xiaoxiu, LIN Ying, CHAI Fahe, et al. Reviews of emission of biogenic volatile organic compounds(BVOCs) in Asia [J]. Journal of Environmental Sciences, 2020, 95(9): 266 − 277. [5] YUAN Yali, SUN Zhihong, KANNASTE A, et al. Isoprenoid and aromatic compound emissions in relation to leaf structure, plant growth form and species ecology in 45 East-Asian urban subtropical woody species [J/OL]. Urban Forestry & Urban Greening, 2020, 53: 126705[2023-03-11]. doi: 10.1016/j.ufug.2020.126705. [6] ANTONELLI M, DONELLI D, BARBIERI G, et al. Forest volatile organic compounds and their effects on human health: a state-of-the-art review [J]. International Journal of Environmental Research and Public Health, 2020, 17(18): 6506 − 6541. [7] 国家林业和草原局. 中国森林资源报告[M]. 北京: 中国林业出版社, 2019. National Forestry and Grassland Administration. Forest Resources Report of China [M]. Beijing: China Forestry Publishing House, 2019. [8] 吴建国, 徐天莹, 崔克强, 等. 未来气候变化对武夷山自然保护区毛竹异戊二烯排放速率的影响[J]. 环境科学学报, 2018, 38(4): 1653 − 1664. WU Jianguo, XU Tianying, CUI Keqiang, et al. Effects of climate change on isoprene emission rate from leaves of Phyllostachys pubescens distributed in Wuyi Nature Reserve [J]. Acta Scientiae Circumstantiae, 2018, 38(4): 1653 − 1664. [9] CHANG Tingwei, KUME T, OKUMURA M, et al. Characteristics of isoprene emission from moso bamboo leaves in a forest in central Taiwan [J]. Atmospheric Environment, 2019, 211(1): 288 − 295. [10] GUO Ming, HU Zhengqing, STRONG P J, et al. Evaluating the environmental health effect of bamboo-derived volatile organic compounds through analysis the metabolic indices of the disorder animal model [J]. Biomedical and Environmental Sciences, 2015, 28(8): 595 − 605. [11] 张莉, 白艳莹, 王效科, 等. 浙江省毛竹异戊二烯排放规律及其影响[J]. 生态学报, 2002, 22(8): 1339 − 1344. ZHANG Li, BAI Yanying, WANG Xiaoke, et al. Isoprene emission of bamboo and its implication to ozone level in region [J]. Acta Ecologica Sinica, 2002, 22(8): 1339 − 1344. [12] SONG Yandong, PENG Chunju, WU Qinjiao, et al. Age effects of moso bamboo on leaf isoprene emission characteristics [J]. Front Plant Science, 2023, 14: 1 − 13. [13] CHANG T W, KOSUGI Y, KUME T, et al. Dependance of isoprene emission flux on leaf mass per area of Phyllostachys pubescens (moso bamboo) [J]. Journal of Agricultural Meteorology, 2022, 78(1): 1 − 7. [14] 吴沁娇, 宋艳冬, 陶士杰, 等. 丽水白云国家森林公园5种典型林分挥发性有机化合物释放特征及其与环境因子的关系[J/OL]. 浙江农林大学学报, 2023, 40[2023-07-18]. doi: 10.11833/j.issn.2095-0756.20220676. WU Qinjiao, SONG Yandong, TAO Shijie, et al. VOCs release characteristics of 5 typical stands in Baiyun National Forest Park and their relationship with environmental factors[J/OL]. Journal of Zhejiang A&F University, 2023, 40[2023-07-18]. doi: 10.11833/j.issn.2095-0756.20220676. [15] 易夏. 浙江省五泄风景名胜区典型植物群落评价[D]. 杭州: 浙江农林大学, 2009. YI Xia. Typical Plant Community Evaluation of Wuxie Science Spot in Zhejiang [D]. Hangzhou: Zhejiang A&F University, 2009. [16] 吕嘉欣, 王翔, 项亨旺, 等. 毛竹释放挥发物对空气负离子及微生物的影响[J]. 竹子学报, 2020, 39(3): 49 − 57. LÜ Jiaxin, WANG Xiang, XIANG Hengwang, et al. Effects of volatile components of Phyllostachys edulis on air negative ion and microorganisms [J]. Journal of Bamboo Research, 2020, 39(3): 49 − 57. [17] 林静, 简毅, 骆宗诗, 等. 5种康养植物芬多精成分及含量研究[J]. 四川林业科技, 2018, 39(6): 13 − 19. LIN Jing, JIAN Yi, LUO Zongshi, et al. A study of chemical components and contents in the phytoncidere from 5 species of forest health plants [J]. Journal of Sichuan Forestry Science and Technology, 2018, 39(6): 13 − 19. [18] 吴敏. 5种杉科植物不同部位的精气成分[J]. 中南林学院学报, 2006, 26(3): 82 − 86. WU Min. A study of chemical components in the volatile gas from 5 taxodiaceae species [J]. Journal of Central South Forestry College, 2006, 26(3): 82 − 86. [19] 蒋冬月, 李永红. 植物挥发性有机物的研究进展[J]. 黑龙江农业科学, 2011(11): 143 − 149. JIANG Dongyue, LI Yonghong. Research advances in volatile organic compounds of plant [J]. Heilongjiang Agricultural Sciences, 2011(11): 143 − 149. [20] CHEN Jungang, TANG Jing, YU Xinxiao. Environmental and physiological controls on diurnal and seasonal patterns of biogenic volatile organic compound emissions from five dominant woody species under field conditions [J/OL]. Environmental Pollution, 2020, 259: 113955[2023-03-11]. doi: 10.1016/j.envpol.2020.113955. [21] BARREIRA L M F, DUPORTÉ G, RNKK T, et al. Field measurements of biogenic volatile organic compounds in the atmosphere using solid-phase microextraction arrow [J]. Atmospheric Measurement Techniques, 2018, 11(2): 881 − 893. [22] 王茜. 福州旗山森林公园毛竹游憩林生态保健功能研究[D]. 北京: 中国林业科学研究院, 2015. WANG Qian. Study on Ecological Health Functions of Phyllostachys pubescens Forest in Qishan Mountain of Fuzhou [D]. Beijing: Chinese Academy of Forestry, 2015. [23] 李娟, 王成, 彭镇华. 侧柏挥发物变化规律[J]. 东北林业大学学报, 2010, 38(3): 52 − 56. LI Juan, WANG Cheng, PENG Zhenhua. A study on the volatile matter changes of Platycladus orientalis [J]. Journal of Northeast Forestry University, 2010, 38(3): 52 − 56. [24] 吕嘉欣. 毛竹挥发物对空气负离子及空气微生物的影响[D]. 杭州: 浙江农林大学, 2021. LÜ Jiaxin. Effect of Phyllostachys edulis on Negative Air Anion and Microorganism [D]. Hangzhou: Zhejiang A&F University, 2021. [25] 徐超, 王海湘, 温国胜, 等. 从生理生态角度解析毛竹爆发式生长的原因[J]. 中南林业科技大学学报, 2018, 38(2): 64 − 69, 82. XU Chao, WANG Haixiang, WEN Guosheng, et al. Analysis on the reason of Phyllostachys edulis explosive growth by physiological and ecological [J]. Journal of Central South University of Forestry &Technology, 2018, 38(2): 64 − 69, 82. [26] BAI Jianhui, GUENTHER A B, TURNIPSEED A, et al. Seasonal variations in whole-ecosystem BVOC emissions from a subtropical bamboo plantation in China [J]. Atmospheric Environment, 2016, 124: 12 − 21. [27] 张莉, 王效科, 欧阳志云, 等. 中国森林生态系统的异戊二烯排放研究[J]. 环境科学, 2003, 24(1): 8 − 15. ZHANG Li, WANG Xiaoke, OUYANG Zhiyun, et al. Estimation of isoprene emission from forest ecosystems in China [J]. Environmental Science, 2003, 24(1): 8 − 15. [28] 井潇溪. 北京市森林植物挥发性有机物排放研究[D]. 北京: 北京林业大学, 2020. JING Xiaoxi. Study on Biogenic Volatile Organic Compounds Emission from Forest Plants in Beijing[D]. Beijing: Beijing Forestry University, 2020. [29] 王新雨, 张宜升, 刘子杨, 等. 全球变暖对植被源异戊二烯排放影响的研究进展[J]. 青岛理工大学学报, 2020, 41(4): 55 − 63. WANG Xinyu, ZHANG Yisheng, LIU Ziyang, et al. A review of effects of global warming on biogenic isoprene emission [J]. Journal of Qingdao University of Technology, 2020, 41(4): 55 − 63. [30] LI Tao, BAGGESEN N, SECO R, et al. Seasonal and diel patterns of biogenic volatile organic compound fluxes in a subarctic tundra [J/OL]. Atmospheric Environment, 2023, 292(1): 119430[2023-03-11]. doi: 10.1016/j.atmosenv.2022.119430. [31] 王志辉, 张树宇, 陆思华, 等. 北京地区植物VOCs排放速率的测定[J]. 环境科学, 2003, 24(2): 7 − 12. WANG Zhihui, ZHANG Shuyu, LU Sihua, et al. Screenings of 23 plant species in Beijing for volatile organic compound emissions [J]. Environmental Science, 2003, 24(2): 7 − 12. [32] 郭希娟, 田媛. 一品红挥发性有机物释放日变化规律研究[J]. 环境科学与技术, 2012, 35(10): 107 − 111. GUO Xijuan, TIAN Yuan. Diurnal variations of volatile organic compounds released from Poinsettia [J]. Environmental Science &Technology, 2012, 35(10): 107 − 111. [33] 路通, 田旭平. 圆柏叶挥发性成分夏初的日变化规律[J]. 广西林业科学, 2022, 51(3): 363 − 369. LU Tong, TIAN Xuping. Diurnal change rules on volatile organic compounds of Sabina chinensis leaves in early summer [J]. Guangxi Forestry Science, 2022, 51(3): 363 − 369. [34] 李海东, 高岩, 金幼菊. 珍珠梅花挥发性物质日动态变化的研究[J]. 内蒙古农业大学学报(自然科学版), 2004, 25(2): 54 − 59. LI Haidong, GAO Yan, JIN Youjü. The daily dymamic variances of the VOCs releasing from flower of Sieria kirilowii (Regel) maxim [J]. Journal of Inner Mongolia Agricultural University (Natural Science Edition), 2004, 25(2): 54 − 59. [35] 龚旭昇. 典型沉水植物的主要挥发性有机物组成及环境条件对其产生的影响[D]. 武汉: 湖北大学, 2019. GONG Xusheng. Major Biogenic Volatile Organic Compounds of Typical Submerged Macrophytes and the Effects of Environmental Factors on These BVOCs Production[D]. Wuhan: Hubei University, 2019. [36] 李洪远, 王芳, 熊善高, 等. 植物挥发性有机物的作用与释放影响因素研究进展[J]. 安全与环境学报, 2015, 15(2): 292 − 296. LI Hongyuan, WANG Fang, XIONG Shangao, et al. Research review on the role and the influential factors of the biogenic volatile organic compounds [J]. Journal of Safety and Environment, 2015, 15(2): 292 − 296. [37] 郭霞. 云南省典型乔木植物挥发性有机物释放规律研究[D]. 昆明: 昆明理工大学, 2012. GUO Xia. The Research on Release Regularities of Biogenic Volatile Organic Compounds from the Typical Plants in Yunnan[D]. Kunming: Kunming University of Science and Technology, 2012. [38] 任琴, 谢明惠, 张青文, 等. 不同温度、光照对虫害紫茎泽兰挥发物释放的影响[J]. 生态学报, 2010, 30(11): 3080 − 3086. REN Qin, XIE Minghui, ZHANG Qingwen, et al. Effect on volatile compounds from damaged Eupatorium adenophorum by different temperature and light [J]. Acta Ecologica Sinica, 2010, 30(11): 3080 − 3086. [39] MOCHIZUKI T, TAKANASHI S, WADA R, et al. Canopy fluxes of monoterpene, isoprene and isoprene oxidation products in a pine-oak forest [J]. Journal of Agricultural Meteorology, 2020, 76(1): 36 − 43. [40] 李莹莹, 李想, 陈建民. 植物释放挥发性有机物(BVOC)向二次有机气溶胶(SOA)转化机制研究[J]. 环境科学, 2011, 32(12): 3588 − 3592. LI Yingying, LI Xiang, CHEN Jianmin. Study on transformation mechanism of SOA from biogenic VOC under UV-B condition [J]. Environmental Science, 2011, 32(12): 3588 − 3592. [41] 张福珠, 苗鸿, 鲁纯. 落叶阔叶林释放异戊二烯的研究[J]. 环境科学, 1994, 15(1): 1 − 5, 92. ZHANG Fuzhu, MIAO Hong, LU Chun. Study on emissions of isoprene from deciduous and broadleaf trees [J]. Environmental Science, 1994, 15(1): 1 − 5, 92. [42] 林威, 赵振, 赖金美, 等. 温度和光照对红花檵木和南天竹异戊二烯和单萜烯释放的影响[J]. 环境科学学报, 2019, 39(9): 3126 − 3133. LIN Wei, ZHAO Zhen, LAI Jinmei, et al. Effects of temperature and light on isoprene and monoterpene emission from Loropetalum chinense and Nandina domestica [J]. Acta Scientiae Circumstantiae, 2019, 39(9): 3126 − 3133. 期刊类型引用(0)
其他类型引用(8)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20230249
点击查看大图
计量
- 文章访问数: 582
- HTML全文浏览量: 105
- PDF下载量: 44
- 被引次数: 8
