-
森林是陆地生态系统的主体,在调节全球碳收支平衡、减少大气二氧化碳等温室气体浓度上升[1-2]等方面发挥重要作用。森林生态系统碳储量作为反映森林资源及生态环境效能的重要指标[3-4],对于正确认识森林生物碳储量对区域碳平衡及生态环境的影响具有重要意义[5]。土壤有机碳、氮是影响森林生长及碳库变化的重要组成元素[6-7],土壤碳氮比是衡量植物生长发育的重要指示性指标[8-9]。森林生态系统碳储量问题是当前的研究热点,对于特定的林分,不同的林分密度[10]、不同的生长阶段[11-13]森林碳储量均存在一定差别。森林经营措施的不同会对林分不同组分碳储量产生影响[14]。一般认为,混交林碳储量要高于纯林[15]。森林抚育作为重要的改善林木生长条件的经营措施,对森林生态系统生物量和碳储量有着重要的影响。抚育措施有利于提高马尾松Pinus massoniana乔木层生物量和碳储量,不利于林下地被物和凋落物生物量和碳的累积[16],而对现有林分进行抚育和管理,可以开发植被碳汇潜力[5]。栎类Quercus天然次生林是河南山区典型的落叶阔叶林,分布广泛,对保障河南生态安全、大径级木材培育具有重要的生态价值和经济价值。已有研究表明:森林抚育作为森林培育的重要经营措施,可以调整林分结构,降低林分密度,促进林分生长,改善林分生长环境[17-18],改变土壤元素循环过程,进而影响森林系统碳储量及其分布。森林抚育如何影响林分和土壤碳分布格局,进而影响生物量和碳储量的报道主要集中在人工针叶林[19-21],关于阔叶次生林的研究较少。本研究通过对栎类天然次生林进行森林抚育实验,设置不同抚育强度,调查乔木层、林下植被层、凋落物层和土壤层的碳、氮分布,分析抚育对栎类天然次生林的不同组分、土壤碳氮分布及碳储能力的影响,为开展碳次生林培育、大径级次生林培育、制定科学合理的森林抚育和可持续经营技术措施提供理论支撑。
-
研究区位于河南驻马店马道林场、三门峡甘山林场和济源邵原林场,分别处于豫南、豫西和豫北山区,分属桐柏山脉、伏牛山脉和太行山脉等栎类天然次生林在河南的主要分布区。该区属暖温带-亚热带、湿润-半湿润季风气候。年平均气温为12.0~16.0 ℃,无霜期为180.0~240.0 d,年降水量为500.0~900.0 mm,多集中在7-8月。森林群落建群种有栓皮栎Quercus variabilis,麻栎Quercus acutissima,锐齿槲栎Quercus alina var. acuteserrata,槲树Quercus dentata,槲栎Quercus aliena,油松Pinus tabulaeformis,马尾松等乔木树种。
-
选择生长条件基本一致的中幼龄栎类天然次生林,采用综合抚育方法对栎类天然次生林进行抚育,伐除对目标树生长有影响的干扰树和生长不良的受压木。根据抚育前后的林分密度,分为轻度(21%),中度(35%),重度(54%)和对照(0%)4个抚育处理,设置重复样地4个·处理-1,面积为0.067 hm2。
森林抚育2 a后进行样地调查。进行常规测树学调查,每块样地依据平均胸径确定平均木,进行树干解析和挖根(取样深度100 cm),测定树干、树枝、树叶、树皮和树根的鲜质量并取样,取样200~500 g·组分-1,称鲜质量后带回实验室在85 ℃下烘干至恒量,用于各组分单株生物量推算和元素测定。林下植被及凋落物采用全部收获法,在各个乔木样地内沿对角线设置3个1 m × 1 m的小样方,将样方内的林下植被全部挖起,分地上、地下部分称其鲜质量,并将3个样方内的地上、地下混合以及全部凋落物分别取样200 g左右,称鲜质量带回实验室在85 ℃下烘干至恒量,用于生物量推算和元素测定。在各个样地内选取具有代表性的地段设置土壤剖面,按照0~10 cm,10~20 cm分层环刀取样,同层土壤取混合样,将土壤样品带回实验室仪测定土壤碳、氮质量分数。样地概况如表 1。
表 1 样地概况
Table 1. Plot description of oak forests
处理 样地 坡位 坡度/(°) 坡向 海拔/m 抚育前林分密度/ (株·hm-2) 抚育后林分密度/ (株·hm-2) 平均胸径/cm 平均树高/cm 轻度 (21%) 1 上 18 西南 380 2 405 1 900 9.9 7.3 2 上 10 西南 378 2 532 2 000 10.7 8.9 3 中 18 西南 374 2 278 1 800 12.4 7.6 4 上 10 西南 378 2 405 1 900 9.8 7.4 中度 (35%) 5 中 18 西南 374 2 000 1 300 14.3 10.0 6 上 13 南 224 1 852 1 204 12.6 9.8 7 上 18 东 876 2 768 1 799 11.3 8.4 8 上 20 东 876 2 791 1 814 11.3 8.4 重度 (54%) 9 上 20 西 1 191 1 630 750 14.6 11.6 10 下 25 西 1 103 1 533 705 19.9 12.0 11 上 25 西南 923 2 324 1 069 11.8 8.2 12 上 20 南 224 2 337 1 075 10.7 9.1 对照 (0%) 13 上 20 西南 923 2 414 2 414 8.5 6.5 14 上 25 南 849 2 628 2 628 7.8 6.0 15 上 20 西南 923 2 414 2 414 8.3 5.2 16 上 20 西南 923 2 219 2 219 11.5 9.1 -
对采集的植物和土壤样品中的有机碳、全氮质量分数分别采用重铬酸钾硫酸氧化法、半微量开氏法进行测定[22]。乔木层各组分全林生物量模型:
$$ W=a{{\left( {{D}^{2}}H \right)}^{b}}。 $$ (1) 式(1)中:W为生物量(t·hm-2);D为胸径(cm);H为树高(m);a,b为常数。植物碳储量(SC)采用单位面积各组分生物量(W)与碳质量分数(wC)的乘积估算:
$$ {{S}_{\text{C}}}=W\times {{w}_{\text{C}}}。 $$ (2) 土壤碳储量计算公式:
$$ {{S}_{\text{OC}}}={{w}_{\text{OC}}}\times \rho \times h\times {{10}^{-1}}。 $$ (3) 式(3)中:SOC为土壤有机碳储量(t·hm-2);wOC为土壤有机碳质量分数(g·kg-1);ρ为土壤容重;h为土壤采样深度(cm)。
数据分析采用SPSS 19.0进行。
-
利用16株树干解析和单株各组分生物量测定数据,采用式(1)建立单株各组分生物量与胸径和树高的估算方程,用来估算全林分生物量。方程各参数及显著性检验结果见表 2。结果表明:单株干、皮、枝、叶、根与胸径和树高的回归方程相关系数都在0.972以上,方程显著性检验结果(P<0.05)表明,拟合方程能够很好描述栎类单株胸径、树高与各组分生物量的关系,可以用来估算单株各组分生物量,进而可以估算林分生物量。
表 2 乔木层各组分生物量估算方程
Table 2. Biomass allometric equation of various component in the tree layer
组分 回归方程 R2 F P值 干 W=0.045 0(D2H)0.915 7 0.978 76.123 0.000 皮 W=0.025 0(D2H)0.702 5 0.982 10.571 0.024 枝 W=0.010 6(D2H)0.997 5 0.972 30.985 0.002 叶 W=0.019 1(D2H)0.801 1 0.981 9.526 0.005 根 W=0.021 1(D2H)0.893 2 0.992 40.129 0.001 -
由栎类天然次生林轻度、中度、重度3种抚育强度和对照的乔木层、林下植被和凋落物碳、氮质量分数(表 3)可知:不同抚育强度乔木层各组分碳、氮质量分数均随着抚育强度的增大而增加,其中乔木层干、皮、枝、叶和根的碳质量分数区间分别为431.41~453.39,433.54~454.66,428.88~438.15,482.17~495.72和401.75~411.53 g·kg-1;氮质量分数分别为2.79~3.26,9.11~9.97,3.67~4.99,13.99~15.20和3.83~4.84 g·kg-1。重度抚育栎类天然次生林乔木层各组分碳质量分数高于其他3种处理,且碳质量分数在乔木层不同组分之间分布规律为叶>皮>干>枝>根;氮质量分数在各组分之间分布规律为叶>皮>根>枝>干。
表 3 不同抚育强度栎类天然次生林碳、氮分布
Table 3. Carbon content of tree layer, forest vegetation and litters
林分组成 碳/(g·kg-1) 氮/(g·kg-1) 对照 (0%) 轻度 (21%) 中度 (35%) 重度 (54%) 对照 (0%) 轻度 (21%) 中度 (35%) 重度 (54%) 乔
木
层干 431.41±25.47 c 446.79±31.78 b 447.82±36.55 b 453.39±28.01 a 2.79±0.13 c 2.93±0.74 b 2.93±1.00 b 3.26±0.75 a 皮 433.54±24.86 c 446.00±24.11 b 446.90±26.63 b 454.66±28.97 a 9.11±1.95 c 9.22±1.74 bc 9.37±1.25 b 9.97±2.56 a 枝 428.88±19.83 c 431.80±18.05 b 432.00±19.77 b 438.15±16.33 a 3.67±0.65 b 3.74±0.78 b 3.80±0.61 b 4.99±1.47 a 叶 489.61±16.80 b 482.17±16.77 c 488.12±18.65 b 495.72±17.22 a 13.99±2.48 b 14.12±3.47 b 14.22±2.97 b 15.20±3.56 a 根 401.75±20.78 b 402.00±19.83 b 402.89±20.47 b 411.53±21.84 a 3.83±0.32 b 3.90±1.46 b 4.07±1.36 b 4.84±0.85 a 林下 地上部分 421.01±30.74 b 422.39±35.23 b 42435±28.01 b 428.75±29.32 a 4.01±1.11 c 411±1.00 c 459±1.17 b 6.86±1.85 a 植被 地下部分 296.36±20.69 b 259.18±14.36 d 283.42±13.26 c 339.39±25.44 a 3.04±0.62 d 3.45±0.73 c 3.7±0.67 b 4.63±0.36 a 凋落物 321.70±18.30 a 311.71±21.36 b 308.94±30.96 b 298.00±27.15 b 8.37±2.88 c 9.01±2.84 b 9.40±2.12 b 10.79±3.06 a 说明:表中数值为平均值±标准差。不同小写字母表示不同抚育强度乔木层各组成碳含量、氮质量分数的差异显著 (P<0.05) 林下植被地上部分和地下部分碳质量分数分布区间为421.01~428.75和259.18~339.39 g·kg-1,氮质量分数分布区间为4.01~6.86和3.04~4.63 g·kg-1。4种抚育强度栎类天然次生林地上部分碳、氮质量分数均高于地下部分,且随着抚育强度的增大而增加。重度抚育栎类天然次生林地下部分碳、氮质量分数最大,分别为339.39和4.63 g·kg-1,碳呈现出随着抚育强度的增大先降低后增加,氮随着抚育强度的增大而增加。不同抚育强度林分凋落物碳、氮质量分数分布区间为298.00~321.70和8.37~10.79 g·kg-1,其中碳质量分数呈现出随着抚育强度增大而降低,氮含量则呈现相反的变化趋势。
-
由不同抚育强度栎类天然次生林碳氮比分布(图 1)可知:除树皮外,干、枝、叶、根碳氮比在对照、轻度、中度抚育时没有显著差异(P>0.05),而重度抚育碳氮比显著最小(P<0.05),分别为139.2,87.8,32.6,85.0。不同抚育强度林下植被碳氮比分布呈现一定的规律,即地上部分对照、轻度抚育碳氮比显著大于中度和重度抚育(P<0.05),重度抚育时碳氮比值最小,其值为62.5;地下部分对照碳氮比值显著大于轻度、中度、重度抚育(P<0.05)。不同抚育强度凋落物碳氮比大小顺序为:对照>轻度>中度>重度,分别为34.6,32.9,27.6,38.4,重度抚育时碳氮比值显著最小(P<0.05),为27.6。由此可见,通过森林抚育后,林分不同组分之间的碳、氮质量分数均有一定的增加,但是碳质量分数增加幅度小于氮质量分数的增加幅度。这说明与对碳质量分数的影响相比,森林抚育对于氮质量分数的影响更大。
-
从表 4可以看出:不同抚育强度栎类天然次生林乔木层、林下植被层和凋落物层生物量和碳储量的分布规律为:乔木层>凋落物层>林下植被层。轻度、中度、重度、对照4种抚育强度下,栎类天然次生林乔木层生物量分别为48.86,74.20,114.93和33.31 t·hm-2,碳储量分别为21.42,32.62,51.24,14.35 t·hm-2,生物量和碳储量均随抚育强度的增大而增加。轻度、中度和重度抚育强度栎类天然次生林乔木层各组分生物量和碳储量均高于对照,大小顺序为重度>中度>轻度>对照。可见森林抚育措施通过改善林分生长环境,促进了林木快速生长,增加了林分生长量,有利于碳储能力的提高。
表 4 不同抚育强度栎类天然次生林林分生物量、碳储量及分布特征
Table 4. Biomass, carbon storage and distribution characteristics of tree layer, forest vegetation and litters
林分组成 生物量/(t·hm-2) 碳储量/(t·hm-2) 对照 (0%) 轻度 (21%) 中度 (35%) 重度 (54%) 对照 (0%) 比例/% 轻度 (21%) 比例/% 中度 (35%) 比例/% 重度 (54%) 比例/% 乔
木
层干 15.51± 22.86± 34.88± 54.25± 6.69± 46.62 10.21± 47.67 15.62± 47.88 24.60± 48.00 9.60 d 5.27 c 10.24 b 36.72 a 4.14 d 2.35 c 4.59 b 16.65 a 皮 2.16± 2.97± 4.09± 5.61± 0.94± 6.55 1.32± 6.16 1.83± 5.61 2.55± 4.98 1.00 c 0.52 c 0.92 b 2.93 a 0.43 c 0.23 bc 0.41 b 1.33 a 枝 6.23± 9.41± 14.93± 24.47± 2.67± 18.61 4.06± 18.95 6.45± 19.77 10.72± 20.92 4.24 d 2.36 c 4.78 b 17.96 a 1.82 d 1.02 c 2.07 b 7.87 a 叶 3.12± 4.44± 6.42± 9.31± 1.53± 10.66 2.14± 9.99 3.13± 9.60 4.61± 9.00 1.67 c 0.90 c 1.64 b 5.54 a 0.82 c 0.43 c 0.80 b 2.74 a 根 6.28± 9.19± 13.88± 21.29± 2.52± 17.56 3.69± 17.23 5.59± 17.14 8.76± 17.10 3.78 d 2.07 c 3.97 b 14.07 a 1.52 d 0.83 c 1.60 b 5.79 a 合计 33.31 d 48.86 c 74.2 b 114.93 a 14.35 d 100 21.42 c 100 32.62 b 100 51.24 a 100 林下 地上 0.27± 0.52± 1.14± 1.65± 0.11± 26.19 0.22± 45.83 0.48± 35.04 0.71± 44.65 0.40 d 0.02 c 1.22 b 1.80 a 0.17 d 0.01 c 0.52 b 0.77 a 植被 地下 1.05± 0.99± 3.13± 2.60± 0.31± 73.81 0.26± 54.17 0.89± 64.96 0.88± 55.35 2.05 c 0.14 c 4.20 a 1.71 b 0.16 b 0.04 b 0.50 a 0.73 a 合计 1.32b 1.51 b 4.27 a 4.25 a 0.42 c 100 0.48 c 100 1.36 b 100 1.59 a 100 凋落物 29.69± 25.50± 20.62± 17.05± 9.55± 7.95± 6.37± 5.08± 1.49 a 3.31 b 5.63 c 3.03 d 0.48 a 1.03 b 1.30 c 0.90 c 说明:小写字母表示不同抚育强度乔木层各组分、林下植被层、凋落物层的生物量和碳储量差异性显著 (P<0.05) 不同抚育强度栎类天然次生林乔木层各组分碳储量大小关系均为:干>枝>根>叶>皮,其中树干的碳储量最大,在轻度、中度、重度和对照4个抚育强度林分中,分别占乔木层碳储量比例为47.67%,47.88%,48.00%和46.62%;树枝碳储量在4个抚育强度林分中所占乔木层碳储量比例为18.00%~21.00%;树皮碳储量占乔木层碳储量比例最小,低于7.00%。
不同抚育强度栎类天然次生林林下植被地上部分生物量和碳储量均小于地下部分,因此,林下植被地下部分碳储可被看做是森林生态系统碳库的重要组成部分。轻度、中度、重度、对照等4种抚育强度林下植被的生物量分别为1.51,4.27,4.25和1.32 t·hm-2,碳储量分别为0.48,1.36,1.59,0.42 t·hm-2,其中中度和重度抚育林分林下植被生物量无显著差异,因此重度抚育时林下植被生物量和碳储量最高。
凋落物层在轻度、中度、重度抚育和对照林分的生物量分别为25.50,20.62,17.05,29.69 t·hm-2,碳储量分别为7.95,6.37,5.08,9.55 t·hm-2。可以看出:经过森林抚育的凋落物生物量和碳储量均小于对照,且轻度>中度>重度,这说明森林抚育措施主要是促进了林木生长和林下植被生物量的增加,但是却降低了凋落物产生,导致凋落物总的现存量减少。
-
表 5为不同抚育强度不同土层厚度栎类天然次生林土壤有机碳、全氮质量分数及有机碳碳储量。由表 5可以看出:土壤有机碳、全氮质量分数及有机碳碳储量具有明显的垂直分布特征,土壤表层(0~10 cm)有机碳质量分数、全氮质量分数和有机碳储量均显著高于10~20 cm土层(P<0.05)。
表 5 不同抚育强度土壤碳、氮质量分数及碳储量
Table 5. Soil organic carbon /nitrogen content and carbon /nitrogen storage of different thinning density
处理 土层厚度/cm 有机碳/(g·kg-1) 全氮/(g·kg-1) 土壤有机碳储量/(t·hm-2) 对照 (0%) 0~10 14.32±2.41 c 2.27±0.62 c 18.53±4.331 b 10~20 8.26±0.34 c 0.82±0.10 a 12.11±3.027 c 轻度 (21%) 0~10 14.87±1.75 c 3.09±0.53 b 19.42±1.567 b 10~20 8.31±1.01 bc 0.81±0.07 a 10.63±2.007 c 中度 (35%) 0~10 15.89±3.85 b 3.15±0.88 b 22.10±6.961 a 10~20 8.63±1.03 b 0.83±0.12 a 13.01±1.223 b 重度 (54%) 0~10 16.93±4.22 a 3.88±0.94 a 22.79±5.920 a 10~20 9.01±1.12 a 0.86±0.17 a 13.95±2.650 a 说明:表中数值为平均值±标准差。同列数据标不同小写字母表示同一土层厚度差异性显著 (P<0.05)。 不同抚育强度下土壤0~10 cm层的土壤有机碳、全氮质量分数范围分别为14.32~16.93和2.27~3.88 g·kg-1,10~20 cm层土壤有机碳、全氮质量分数范围分别为8.26~9.01和0.81~0.86 g·kg-1。0~10 cm层,重度和中度抚育土壤有机碳、全氮质量分数和有机碳储量显著大于对照林分(P<0.05);10~20 cm层,重度和中度抚育土壤有机碳质量分数和有机碳储量显著大于对照林分,而土壤全氮质量分数各处理之间差异不显著(P>0.05)。可见森林抚育后减少了林分密度,疏开了林分,使得阳光可以直射地面,加快了土壤有机元素周转速率,有效增加了表层土壤有机碳、全氮的质量分数,促进了土壤对碳、氮的固持能力。
-
在轻度(21%),中度(35%),重度(54%)抚育和对照(0%)的抚育管理下,栎类天然次生林乔木层各组分、林下植被地上部分、凋落物层的碳、氮质量分数均随着抚育强度的增大而增加,但是碳氮比(C/N)值却是重度抚育(54%)时最小,说明森林抚育使乔木层各组分、林下植被地上部分的碳、氮质量分数增加,但是碳质量分数增加速率比氮增加的速率小。与子午岭辽东栎Quercus wutaishanica林的研究结果一样[23]。栎类天然次生林碳质量分数在乔木层各组分之间和林下植被地上、地下部分碳、氮质量分数差异比较大。有的研究认为:乔木层各器官之间碳质量分数差异不显著,但是有些研究却发现各器官之间差异显著(P<0.05)或极显著(P<0.01),例如尾巨桉树Eucalyptus urophylla × E. grandis叶的碳含量较高[24],侧柏Platycladus orientalis除了果实外叶的碳含量最高[25],不同林龄格木Erythrophleum fordii和栓皮栎Quercus variabilis干碳含量较高[26-27],各器官之间差异均显著(P<0.05)。本研究中栎类天然次生林的叶碳质量分数显著最高,这可能是植被各组分功能和生理特点具有自身差异性[28],仍需要我们进一步研究。表层土壤碳、氮质量分数大于深层土壤,这可能是抚育加速了凋落物分解并使养分归还到土壤表层,使得土壤有机质增加的原因。
-
本研究中,经过抚育的栎类天然次生林乔木层各组分的生物量和碳储量均大于对照,这与间伐措施对马尾松[16]、杉木Cunninghamia lanceolata[29]等树种生物量和碳储量的影响研究结果一致。本研究还发现,乔木层各组分的生物量和碳储量随着抚育强度的增大而增加,差异达到了显著水平,这是因为随着抚育强度的增加,林分密度减少,改善了林木生长条件,减少了树木之间的竞争,提高了林木生长量和生物量,因此,采用适当的抚育措施来调节林分密度,提高林木的生长量,是天然次生林增汇技术的一种有效途径。相关研究表明:轻度抚育对马尾松[16],中度抚育对油松Pinus tabulaeformis[30]最有利于乔木层生物量和碳储量的提高。本研究发现重度抚育最有利于乔木层生物量和碳储量的提高,这可能与次生林自身特点有关。次生林生长分化严重,抚育后保留木胸径、冠幅面积较大,而伐除木普遍为受压木和小径级林木,且抚育之后保留木树冠快速张开,生物量快速增加。
-
林下植被是森林碳储的重要组成部分。森林抚育可以增加林下植物的多样性,但对生物量和碳储量的影响结论不一。油松林随抚育强度的增加,林下植物总生物量也增加,强度抚育后第6年林下植物总生物量增加了70.9%[31],而中度间伐马尾松林林下植被层生物量和碳储量均低于对照区[16]。本研究发现:栎类天然次生林林下植被地上和地下部分碳储量均随着抚育强度的增大而增加,这主要是因为抚育疏开了林冠层,为林下提供温度和光照条件,丰富了次生林林下植被的种类和数量[31];林下凋落物层生物量和碳储量均随着抚育强度的增加而降低,这与对华北落叶松Larix principis-rupprechtii幼龄林[32]的研究结论一致,这可能是抚育措施减小了林冠层的郁闭度,使得地面温度升高,加快了枯枝落叶层的分解,将养分快速归还到土壤层。
-
森林抚育可以通过疏开林冠层,增强土壤生物活性、加速土壤养分循环[33],也可以通过提高林地土壤温度,促进死地被物分解[34],进而改善和提高土壤肥力[35]。这与本研究关于土壤碳储量通过一定强度的抚育显著增加的结论是一致的。
栎类天然次生林林下植被、凋落物层和土壤层之间的生物量和碳储量之间相互影响,相互作用[36]。科学合理的森林抚育措施可以增加乔木层的生物量和碳储量,增加土壤表层的有机碳、氮含量,从而促进林分林木的生长,改善林分的生长环境。林分碳储量研究是一个长期而漫长的观测过程,不同的林分类型、环境条件、生长阶段对森林抚育的敏感性均会存在差异。这需要长期定位观测研究,才能更加有效地评估森林抚育对林分碳储的整体影响效果。
-
建立了栎类单株生物量估算模型,可以用来估算栎类各组分生物量;碳质量分数在乔木层不同组分之间分布规律为叶>皮>干>枝>根;乔木层、林下植被和凋落物层碳、氮质量分数均随抚育强度的增大而增加。
栎类天然次生林乔木层、林下植被层和凋落物层生物量和碳储量均随抚育强度的增大而增加,各层大小关系均为乔木层>凋落物层>林下植被层;重度(54%)抚育最有利于栎类天然次生林乔木层生物量和碳储量的提高。中度和重度(54%)抚育有利于提高栎类天然次生林林下植被和土壤碳储量,凋落物层生物量和碳储量均随抚育强度的增加而降低。
森林抚育有利于栎类天然次生林乔木层、林下植被层生物量和碳储量的提高,不利于凋落物层碳储功能的发挥,而乔木层在栎类天然次生林中碳储量最大,碳汇潜力也最大,研究结果可以为次生林碳汇功能评价和制定科学合理的森林抚育经营措施提供依据。在森林经营与管理中,抚育起着十分重要的影响,确定合理的抚育强度对培育大径级木材,保障生态安全发挥着重要的作用。本研究中重度(54%)抚育的效果明显。
Carbon and nitrogen distribution with forest tending in a natural secondary oak forest
-
摘要: 森林抚育作为重要的森林经营措施,深刻影响着森林生态系统碳储量及其分布。根据抚育前后中幼龄栎类Quercus天然次生林林分密度,分为轻度(21%),中度(35%),重度(54%)和对照(0%)等4个抚育处理水平,抚育2 a后进行测树学调查,研究乔木层各组分、林下植被、凋落物层和土壤碳储量及碳氮分布特征。结果表明:基于16株树干解析资料建立的栎类单株生物量估算模型,可以用来估算栎类各组分生物量;不同抚育强度栎类天然次生林乔木层干、皮、枝、叶和根组分中,叶的碳、氮质量分数最大;乔木层、林下植被和凋落物层碳、氮质量分数均随抚育强度增大而增加,碳氮比(C/N)均随抚育强度增大有减小的趋势;不同抚育强度乔木层各组分生物量和碳储量大小顺序为干>枝>根>叶>皮,轻度、中度、重度和对照的乔木层碳储量分别为21.42,32.62,51.24,14.35 t·hm-2;林下植被、凋落物层生物量和碳储量大小关系为对照>轻度>中度>重度,各层碳储量大小关系均为乔木层>凋落物层>林下植被层;重度抚育有利于提高土壤表层有机碳、全氮质量分数及碳储量,重度抚育时3个指标值分别达到16.93 g·kg-1,3.88 g·kg-1和22.79 t·hm-2。森林抚育有利于栎类天然次生林乔木层、林下植被层生物量和碳储量的提高,不利于凋落物层碳储功能的发挥,而乔木层在栎类天然次生林中碳储量最大,碳汇潜力也最大。Abstract: Forest tending is a crucial practice in the forest ecosystem management, which has a profound impact on forest ecosystem carbon (C) and nitrogen (N) storage and its distribution. However, a great deal of uncertainty remains concerning how plant carbon and nitrogen distribution may be affected by forest tending. In this study, a natural Quercus (oak) secondary forest under different tending intensity treatments (21%, 35%, and 54%) with a control (nontending) was investigated in west mountains area of Henan Province. The characteristics of plant carbon storage as well as the distribution of plant carbon and nitrogen in four stand types with forest tending were studied. Trees under different tending intensity treatments were surveyed after two years of forest tending. Our results show that forest tending operations had a significant influence on plant carbon and nitrogen distribution. Prior to estimate the stand biomass, an estimation model of a single plant biomass was established based on the data of sixteen trees. The plant carbon content and nitrogen content of stem was higher than that of bark, branch, leaf, and root of Quercus in different forest tending treatments. Biomass and carbon storage for all tending intensities in the tree population followed the order of stem > branch > root > leaf > bark. Plant carbon storage for light intensity was 21.42 t·hm-2, for moderate intensity was 32.62 t·hm-2, for heavy intensity was 51.24 t·hm-2, and for the control was 14.35 t·hm-2. The biomass and plant carbon storage of understory vegetation and litter in different forest tending treatments followed the order of control > light > moderate > heavy. The plant carbon storage in different vegetation layers followed the order of overstory > litter > understory. Results showed that heavy intensity tending was more beneficial than other treatments to improve soil organic carbon content, soil total nitrogen content, and the accumulation of soil carbon. This study showed that forest tending was beneficial and could provide a basis for forest carbon sink evaluation to assist in scientific and reasonable forest tending management.
-
Key words:
- forest management /
- forest tending /
- tending intensity /
- carbon storage /
- oak secondary forest /
- carbon distribution
-
木材在中国可再生资源中占有很大的比例。随着国民经济逐步增长,木材市场不断扩大。目前,由于优质木材频频出现供需不平衡、木材造假等问题,因此采用多种识别技术来甄别木材种类已成为必然。木材种类识别除了依照形态学处理外,还可以使用计算机图像识别、DNA识别等方法[1-3],但是这些方法和传统的取样方法一样[4],都需要对树木进行剖析和制样,对于一些珍贵的木材会造成不必要的浪费,甚至会降低本身的价值。近红外光谱分析技术是20世纪70年代兴起的一种新的木材识别分析技术。它作为一种常用的测量工具,具有快速、无损、在线分析等优势。近几年,学者们应用近红外光谱技术对木材种类进行了识别研究[5],如王学顺等[6]利用近红外光谱技术,结合主成分分析(PCA)和BP神经网络对不同木材种类进行了识别研究,效果良好。谭念等[7]基于近红外光谱技术,联合PCA和支持向量机实现了木材种类的有效鉴别。
目前,近红外光谱分析技术用于木材种类识别大多采用PCA进行特征提取,实现数据降维,但这种方法的特征值筛选有一定的局限性,仅凭累计贡献率决定特征值的个数,无法通过参数化等方法对处理过程进行干预,效率和物理实用性不高。连续投影算法(SPA)是一种常用的特征波长筛选算法。它能够利用向量的投影分析,寻找含有最低限度冗长信息的变量组,通过参数调整可实现较强物理实用性的数据压缩。陈远哲等[8]基于SPA构建了最小偏二乘法回归模型,适用于淡水鱼储藏期质构品质的快速无损检测。郭文川等[9]通过比较不同特征提取方式,得出采用SPA和随机森林识别准确率最高。遗传算法(GA)用于寻优,广泛应用于机器学习等领域。
本研究将SPA和GA联用,在运用SPA获得特征值后,应用GA进一步寻找最佳特征参数,以提升木材识别的效率和准确率。本研究以红檀Swartizia spp.、刺猬紫檀Pterocarpus erinaceus、巴里黄檀Dalbergia bariensis、大果紫檀Pterocarpus macrocarpus、红檀香Myroxylon balsamu、破布木Cordia dichotoma、豆瓣香Osmanthus delavayi、檀香紫檀Pterocarpus santalinus、中美洲黄檀Dalbergia granadillo和黑檀Dalbergia nigra为研究对象,应用可见/近红外光谱仪采集10种木材的光谱图,运用不同的预处理方式叠加进行降噪分析,以BP神经网络为木材种类的分类识别算法,探讨经GA优化的SPA较之常规特征提取算法的优越性,为更精确高效的木材识别提供参考。
1. 材料与方法
1.1 数据采集与主要仪器
数据采集:参与试验的木材共10种,试样为6 cm×5 cm×2 cm的木块。每种木材制备5块样本,共计50块。每块木材分10个点采集光谱,以木块横向等分2份,纵向等分5份,取每份的中心点作为标记进行采样,每个点采集10组数据,取平均值作为此样点的实验数据,即1块试样采集10组实验数据,10种木材共计采集500组实验数据。样点采集遵循以下原则:①采谱过程中每15 min进行1次空白校正,以保证光谱的稳定性。②每块木材样本大小、薄厚和形状均保持一致,确保样点在每块样本木块上的属性相同,最大程度缩小误差。
主要仪器:LabSpec 5000光谱仪(ASD公司,美国),波长为350~2 500 nm。用光谱仪配套的软件Indico Pro Version 3.1采集光谱数据。
1.2 主成分分析法(PCA)
PCA是一种常用的波段降维手段。主成分通常表示为原始变量的某种线性组合,它们不仅能够代表原始变量绝大多数的信息,还可以一定程度上去除噪声,压缩数据,对高维数据进行降维,减少预测变量的个数[10]。
1.3 连续投影算法(SPA)
SPA是一种使矢量空间共线性最小化的前向变量选择算法,在降低共线信息的研究和有效信息获取的研究中取得较好的成效[11-12]。本研究应用SPA在光谱全波段中筛选出少量几个特征波段,不仅能够减少参与识别的光谱波段个数,并且可以保证特征波段之间的共线性最小,进而提高识别正确率和速度。
1.4 SPA-GA-BP神经网络识别方法
当SPA筛选后的输入自变量较多且不是相互独立时,利用BP神经网络容易出现过拟合的现象,从而导致所建立的模型精度低、建模时间长等问题,因此,在构建模型前,有必要对输入自变量进行优化,选择最能反映输入与输出关系的自变量参与建模。GA优化能较好解决上述问题。利用GA进行优化计算,需要将解空间映射到编码空间,每个编码对应问题的1个解。本研究将编码长度设计为10,木材光谱特征的每位对应1个输入自变量,每一位的基因取值只能是“1”和“0”,如果一位值为“1”,表示该位对应的输入自变量参与最终的建模;反之,则表示“0”对应的输入自变量不作为最终的建模自变量。选取测试集数据均方误差的倒数作为GA的适应度函数,这样,经过不断的迭代进化,最终筛选出最具代表性的输入自变量参与建模[13-14]。GA优化的设计步骤主要为:首先产生初始种群,对适应度函数进行计算,其次进行选择、交叉和变异的基础操作,最后优化结果输出,构建其模型。设计步骤如图1所示。
2. 结果与分析
2.1 10种木材的原始光谱图
应用LabSpec 5000光谱仪采集10种木材的原始光谱图,其中选取红檀的50个样本进行对比分析(图2)。
为了更直观地对比10种木材光谱图的差异,分别取10种木材中第1组数据进行绘图分析(图3)。由图3可见:大果紫檀、红檀和檀香紫檀的强度数值过小,几乎与x轴重叠。
由图2和图3可以看出:同一种木材光谱图的波形基本一致,但强度值略有差异;刺猬紫檀、巴里黄檀、红檀香、破布木、豆瓣香、中美洲黄檀这6种木材的光谱图从波峰、形状上相似性均较高,黑檀与这6种木材的光谱图也较相似,仅在第1个波谷处形状上略有差异。
2.2 主成分分析的BP神经网络识别
原始光谱图往往带有一定的噪声,影响BP神经网络识别的正确率,因此有必要对光谱数据进行预处理[15-17]。数据的预处理方法较多,本研究分别采用了移动平均法、移动平均法+多元散射校正(MSC)、移动平均法+标准正态变量变换(SNV)、Savitzky-Golay卷积平滑算法(S-G滤波器)、S-G滤波器+MSC和S-G滤波器+SNV对10种木材的原始光谱进行了预处理,通过对比分析以确定最佳的预处理方法。
针对上述的几种预处理方法,分别进行主成分特征提取。以累计贡献率达95%及以上为主成分个数的选取标准。以选取的主成分为输入向量,40个样本作为训练,10个样本作为测试(后文测试数据均与此相同,不再赘述)。应用BP神经网络进行木材种类识别测试,经过20次的随机试验,获得各种预处理下BP神经网络的平均识别结果(表1)。由表1可以看出:采用S-G滤波器+SNV预处理时,BP 神经网络获得的平均识别率最高,达到了84.7%。
表 1 不同预处理的PCA-BP神经网络识别率Table 1 PCA-BP neural network recognition with different preprocessing检测方式 预处理方法 累计贡
献率/%主成分
个数/个平均识
别率/%可见/近红外光谱 对照组 95 12 80.2 移动平均法 95 14 81.4 移动平均法+MSC 95 10 82.1 移动平均法+SNV 95 11 83.5 S-G滤波器 95 12 81.3 S-G滤波器+MSC 95 13 82.9 S-G滤波器+SNV 95 15 84.7 为了方便对比10种木材各自的识别效果,整理了S-G滤波器+SNV预处理时10种木材的BP神经网络识别结果:10种木材的识别效果相差不大,最低为豆瓣香(83.1%),最高为刺猬紫檀(85.8%)。
2.3 SPA-BP神经网络识别
2.3.1 不同预处理的对比分析
针对2.2节中的几种预处理方法进行SPA的BP神经网络识别探讨,以确定最佳的预处理方法。为了对比预处理的效果,针对SPA方法中的起始波段和特征值个数进行了随机设置。令SPA方法中的起始波段(Winitial)为15 nm,特征值个数(Ntot)为10,对各种预处理后的数据进行SPA特征提取,应用BP神经网络进行20次的随机识别,得出10种木材的平均识别率(表2)。由表2可以看出:对于不同的预处理方式,SPA-BP的正确识别率有所不同,移动平均法+SNV的预处理方法最佳,正确率可达88.2%,因此,后续在分析SPA-BP神经网络识别木材时,本研究仅针对移动平均法和SNV叠加的预处理方法进行分析。
表 2 不同预处理的SPA-BP神经网络平均识别率Table 2 Average recognition rate of SPA-BP neural network with different pretreatments预处理方法 平均识
别率/%预处理方法 平均识
别率/%对照组 86.1 S-G滤波器 86.4 移动平均法 87.2 S-G滤波器+MSC 86.8 移动平均法+MSC 86.5 S-G滤波器+SNV 87.3 移动平均法+SNV 88.2 2.3.2 基于吸收峰的最佳起始波段分析
影响SPA特征提取的因素通常有2个,分别是Winitial和Ntot。随着Winitial和Ntot的改变,提取的特征波长分布会有所不同,从而影响最终BP神经网络的正确识别率,此处探讨最佳Winitial的选取方法。光谱图中的特征吸收峰对被分析物质是很关键的特征,因此首先考虑分别以木材的吸收峰和非吸收峰作为起始波段,通过对比分析,确定最佳起始波段。①吸收峰作为起始波段的选取。光谱图中分布了大小不一的波峰,选取波峰特征较明显的吸收峰进行分析,以波峰点为中心点,取宽度相等的波段区间(每个波段均取51个数据)作为吸收峰的集中分布波段,10种木材的吸收峰集中波段如表3所示。由表3可以看出:10种木材的吸收峰重叠的波段有1 230~1 260、1 780~1 810、1 940~1 970 nm。分别取3个波段的中位数作为起始波段值,即1 245、1 795和1 955 nm。因为Winitial的数值表示为序列号,所以在此基础上减去初始波段350 nm,Winitial最终取值分别为895、1 445、1 605 nm。②非吸收峰作为起始波段的选取。将全波段350~2 500 nm等分成5份,分别在每个等分波段中随机选取1个非吸收峰作为起始波段。本研究随机选取的5个波段的波长分别为365、1 145、1 345、1 700、2 300 nm。在此基础上减去初始波段350 nm,Winitial最终取值分别为15、795、995、1350、1 950。分别以上述的吸收峰和非吸收峰为起始波段值,即以15、795、895、995、1 350、1 445、1 605、1 950 nm作为SPA的起始波段。SPA的特征值个数统一取10,进行BP神经网络识别,经过20次的随机试验,10种木材提取的特征波长分布和平均识别率如表4所示。由表4可以看出:以吸收峰作为起始波段时,特征波长分布大多追溯在吸收峰附近。对比表4的识别率可见,起始波段为1 445 nm时最高,达90.4%,其余按照1605、895、795、995、1 350、1 950和15 nm的顺序依次递减。不难看出,吸收峰作为起始波段的识别率普遍优于非吸收峰。
表 3 10种木材吸收峰个数和集中波段Table 3 Number of absorption peaks and concentrated bands of 10 species of wood木材种类 吸收峰个数/个 集中分布波段/nm 红檀 7 920~970、1 010~1 060、1 210~1 260、1 570~1 620、1 779~1 829、1 921~1 971、2 122~2 172 大果紫檀 7 930~980、1 020~1 070、1 220~1 270、1 580~1 630、1 780~1 830、1 920~1 970、2 120~2 170 檀香紫檀 7 932~982、1 023~1 073、1 221~1 271、1 568~1 618、1 777~1 827、1 921~1 971、2 123~2 173 刺猬紫檀 9 763~813、1 222~1 272、1 308~1 358、1 461~1 511、1 548~1 598、1 760~1 810、1 931~1 981、
2 092~2 142、2 211~2 261巴里黄檀 9 765~815、1 221~1 271、1 307~1 357、1 466~1 516、1 545~1 595、1 769~1 819、1 930~1 980、
2 087~2 137、2 219~2 269红檀香 9 753~803、1 223~1 273、1 309~1 359、1 463~1 513、1 558~1 608、1 771~1 821、1 932~1 982、
2 092~2 142、2 212~2 262破布木 9 763~813、1 222~1 272、1 317~1 367、1 463~1 513、1 551~1 601、1 772~1 822、1 933~1 983、
2097~2147、2214~2264豆瓣香 9 766~816、1230~1280、1317~1367、1468~1518、1554~1604、1775~1825、1940~1990、
2095~2145、2 216~2 266中美洲黄檀 9 753~803、1 218~1 268、1 305~1 355、1 457~1 507、1 544~1 594、1 769~1 819、1 928~1 978、
2 084~2 134、2 209~2 259黑檀 9 881~931、1 218~1 268、1 305~1 355、1 452~1 502、1 557~1 607、1 772~1 822、1 923~1 973、
2 092~2 142、2 218~2 268表 4 不同起始波段的SPA-BP神经网络平均识别率Table 4 Average recognition rate of SPA-BP neural network with different starting bands特征值数/个 起始波段/nm 10种木材提取特征波长分布/nm 平均识别率/% 10 895 364~368、2 141~2 144;402~410;418~426;324、2 135~2 142;375~383;432~440;400~408;476~484;420~428;1 452~1 460 89.7 10 1 445 478~586;410~418;423~431;500~508;405~413;436~444;418~426;693~701;891~899;888~896 90.4 10 1 605 133~135、2 137~2 142;891~899;891~899;2 135~2 142、2 132;419~427;819~827;420~428;446~454;892~990;893~901 90.1 10 15 2133~135、2 137~2 142;2 133~2 135、2 137~2 142;408~416;292、22 135~2 142;375~383;430~438;414~422;461~469;420~428;890~898 88.3 10 795 61~64、2 139~2 143;405~413;420~428;326、2 135~2 142;378~386;527~535;403~411;478~486;420~422、1 453~1 458;1 350~1 358 89.5 10 995 203~209、2 141~2 142;399~407;418~426;349~352、2 138~2 142;3381~389;434~442;421~429;485~493;527~535;1 452、1 454~ 1458、1 461~1 463 89.2 10 1 350 82~90;891~899;434~442;519~527;416~424;886~894;420~428;694~702;891~899;888~896 88.9 10 1 950 13、2 135~2 142;379~387;407~415;281、2 135~2 142;293~301;428~436;
1 058~1 066;450~458;413、1 452~1 459;1 452~1 46088.6 说明:木材依次为红檀、大果紫檀、檀香紫檀、刺猬紫檀、巴里黄檀、红檀香、破布木、豆瓣香、中美洲黄檀、黑檀 2.3.3 最佳特征值个数分析
将起始波段固定为最佳,即Winitial=1 445 nm,探讨Ntot取不同数值时,对BP神经网络识别木材的影响。从图3的光谱图可以看出:红檀、大果紫檀、檀香紫檀3种木材样本的吸收峰有7个,刺猬紫檀、巴里黄檀、红檀香、破布木、豆瓣香、中美洲黄檀和黑檀有9个。考虑吸收峰能更好地反映木材光谱图的特征,Ntot分别取了7和9,同时参考SPA的相关文献[18-21],且基于BP神经网络输入向量过多也会影响识别精度,又分别取了5、8、10、20、25进行了对比分析。基于以上特征数,分别应用BP神经网络进行木材识别,每个状态仍随机运行20次,获得的结果如表5所示。分析表5可知:整体上,当特征值个数取7和9时正确率偏高,说明特征值个数的取值和吸收峰值有关;当特征值个数取9时识别率最高,达93.2%,说明特征值个数和单个木材的吸收峰无关,应由整体的吸收峰来确定。
表 5 同一起始波段不同特征波段的SPA-BP神经网络平均识别率Table 5 Average recognition rate of SPA-BP neural network with the same starting band and different characteristic bands起始波
段/nm特征值
数/个平均识
别率/%起始波
段/nm特征值
数/个平均识
别率/%1 445 5 92.3 1 445 10 90.6 1 445 7 93.0 1 445 20 92.7 1 445 9 93.2 1 445 25 91.2 1 445 8 91.6 2.3.4 10种木材的最佳识别结果分析
基于最佳预处理方式(移动平均法+SNV)、最佳起始波段(Winitial=1 445 nm)和最佳特征值个数(Ntot=9),整理出SPA-BP神经网络识别10种木材各自的识别结果(表6)。由表6可以看出:在最佳参数设置下,SPA-BP神经网络的识别率较高,大果紫檀、红檀香、中美洲黄檀和黑檀的平均识别率均为100.0%,其他木材的平均识别率最低达90.7%,最高达95.1%。
表 6 同一预处理方式10种木材的SPA-BP神经网络平均识别率Table 6 Average recognition rate of SPA-BP neural network for 10 species of wood with the same pretreatment method木材种类 平均识
别率/%木材种类 平均识
别率/%木材种类 平均识
别率/%红檀 90.9 巴里黄檀 94.2 中美洲黄檀 100.0 大果紫檀 100.0 红檀香 100.0 黑檀 100.0 檀香紫檀 90.7 破布木 94.6 平均 95.7 刺猬紫檀 95.1 豆瓣香 91.0 说明:预处理方式为移动平均法+SNV,起始波段为1 445 nm, 特征值数为9个 2.4 SPA-GA-BP神经网络识别
针对SPA的最佳预处理方式(移动平均法+SNV)、最佳起始波段(Winitial=1 445 nm)和最佳特征值个数(Ntot=9),基于SPA-GA的BP神经网络识别方法随机运行20次,采用GA优化前后建模时间明显缩短;大果紫檀、红檀香、中美洲黄檀和黑檀在采用GA优化前后正确识别率均为100.0%,说明这4种木材在采用SPA特征提取时,识别率较高,采用GA优化后对正确识别率影响不大;其他6种木材采用SPA特征提取时均有一定的误判,运用GA优化后识别率有一定的提高。其中破布木的识别率由90.0%提升到了100.0%,巴里黄檀由88.9%提升到了100.0%,刺猬紫檀由90.9%提升到了100.0%。虽然每次仅提升1种木材,但通过多次运行,可达到整体提升的效果。
针对上述20次运行结果,获得10种木材各自的识别结果:大果紫檀、中美洲黄檀、刺猬紫檀、巴里黄檀、红檀香、破布木和黑檀平均识别正确率高达100.0%,其他3种木材的平均识别率最低达91.5%,最高达95.7%,10种木材的平均识别率达98.0%。
已有的木材识别研究的特征提取方法主要集中于主成分分析[22]、导数处理[23]等,主成分分析的平均识别率为70.0%~95.3%,导数处理识别率达98.6%。虽然这些研究识别率较高,但这些研究参与识别的木材种类大多仅为4~5个,对于同时识别10种木材未见尝试。经研究,参与识别的木材种类越多,识别率越难保证。本研究的主成分分析法识别10种木材,平均识别率仅为84.7%。本研究采取SPA-GA联合的特征提取方法,识别对象为10种木材,通过调整吸收峰、特征值等参数,最终7种木材的平均识别率达100.0%,且识别速度提高为原来的2~3倍。为了进一步验证识别率的鲁棒性,本研究还采用多种预处理的方式,使得原始数据表现出良好的稳定性和容错性。最后实验数据均为随机20次运行的结果,说明训练好的模型可以随时间和频次迁移应用,识别性能不会降低。
3. 结论
研究结果表明:①SPA-GA法识别木材时,选择移动平均法+SNV的预处理方式效果最佳。②对于参数的选择,起始波段选取吸收峰比选取非吸收峰识别率更高,特征值个数结合光谱图的峰值个数选取更恰当。本研究分别选取起始波段为1 445 nm,特征值个数为9个。③SPA-GA提取光谱图特征时识别性能最佳。SPA特征值经GA寻优后,特征个数大多减少为原来的一半左右,优化后BP神经网络的平均识别速度显著提升,大果紫檀、中美洲黄檀、刺猬紫檀、巴里黄檀、红檀香、破布木和黑檀等7种木材的平均识别正确率均高达100.0%,总体识别率较SPA显著提高。
本研究仅选择了红檀、刺猬紫檀、巴里黄檀、大果紫檀、红檀香、破布木、豆瓣香、檀香紫檀、中美洲黄檀和黑檀这10种木材样本进行了探讨,对于其他木材的识别有待进一步研究验证。
-
表 1 样地概况
Table 1. Plot description of oak forests
处理 样地 坡位 坡度/(°) 坡向 海拔/m 抚育前林分密度/ (株·hm-2) 抚育后林分密度/ (株·hm-2) 平均胸径/cm 平均树高/cm 轻度 (21%) 1 上 18 西南 380 2 405 1 900 9.9 7.3 2 上 10 西南 378 2 532 2 000 10.7 8.9 3 中 18 西南 374 2 278 1 800 12.4 7.6 4 上 10 西南 378 2 405 1 900 9.8 7.4 中度 (35%) 5 中 18 西南 374 2 000 1 300 14.3 10.0 6 上 13 南 224 1 852 1 204 12.6 9.8 7 上 18 东 876 2 768 1 799 11.3 8.4 8 上 20 东 876 2 791 1 814 11.3 8.4 重度 (54%) 9 上 20 西 1 191 1 630 750 14.6 11.6 10 下 25 西 1 103 1 533 705 19.9 12.0 11 上 25 西南 923 2 324 1 069 11.8 8.2 12 上 20 南 224 2 337 1 075 10.7 9.1 对照 (0%) 13 上 20 西南 923 2 414 2 414 8.5 6.5 14 上 25 南 849 2 628 2 628 7.8 6.0 15 上 20 西南 923 2 414 2 414 8.3 5.2 16 上 20 西南 923 2 219 2 219 11.5 9.1 表 2 乔木层各组分生物量估算方程
Table 2. Biomass allometric equation of various component in the tree layer
组分 回归方程 R2 F P值 干 W=0.045 0(D2H)0.915 7 0.978 76.123 0.000 皮 W=0.025 0(D2H)0.702 5 0.982 10.571 0.024 枝 W=0.010 6(D2H)0.997 5 0.972 30.985 0.002 叶 W=0.019 1(D2H)0.801 1 0.981 9.526 0.005 根 W=0.021 1(D2H)0.893 2 0.992 40.129 0.001 表 3 不同抚育强度栎类天然次生林碳、氮分布
Table 3. Carbon content of tree layer, forest vegetation and litters
林分组成 碳/(g·kg-1) 氮/(g·kg-1) 对照 (0%) 轻度 (21%) 中度 (35%) 重度 (54%) 对照 (0%) 轻度 (21%) 中度 (35%) 重度 (54%) 乔
木
层干 431.41±25.47 c 446.79±31.78 b 447.82±36.55 b 453.39±28.01 a 2.79±0.13 c 2.93±0.74 b 2.93±1.00 b 3.26±0.75 a 皮 433.54±24.86 c 446.00±24.11 b 446.90±26.63 b 454.66±28.97 a 9.11±1.95 c 9.22±1.74 bc 9.37±1.25 b 9.97±2.56 a 枝 428.88±19.83 c 431.80±18.05 b 432.00±19.77 b 438.15±16.33 a 3.67±0.65 b 3.74±0.78 b 3.80±0.61 b 4.99±1.47 a 叶 489.61±16.80 b 482.17±16.77 c 488.12±18.65 b 495.72±17.22 a 13.99±2.48 b 14.12±3.47 b 14.22±2.97 b 15.20±3.56 a 根 401.75±20.78 b 402.00±19.83 b 402.89±20.47 b 411.53±21.84 a 3.83±0.32 b 3.90±1.46 b 4.07±1.36 b 4.84±0.85 a 林下 地上部分 421.01±30.74 b 422.39±35.23 b 42435±28.01 b 428.75±29.32 a 4.01±1.11 c 411±1.00 c 459±1.17 b 6.86±1.85 a 植被 地下部分 296.36±20.69 b 259.18±14.36 d 283.42±13.26 c 339.39±25.44 a 3.04±0.62 d 3.45±0.73 c 3.7±0.67 b 4.63±0.36 a 凋落物 321.70±18.30 a 311.71±21.36 b 308.94±30.96 b 298.00±27.15 b 8.37±2.88 c 9.01±2.84 b 9.40±2.12 b 10.79±3.06 a 说明:表中数值为平均值±标准差。不同小写字母表示不同抚育强度乔木层各组成碳含量、氮质量分数的差异显著 (P<0.05) 表 4 不同抚育强度栎类天然次生林林分生物量、碳储量及分布特征
Table 4. Biomass, carbon storage and distribution characteristics of tree layer, forest vegetation and litters
林分组成 生物量/(t·hm-2) 碳储量/(t·hm-2) 对照 (0%) 轻度 (21%) 中度 (35%) 重度 (54%) 对照 (0%) 比例/% 轻度 (21%) 比例/% 中度 (35%) 比例/% 重度 (54%) 比例/% 乔
木
层干 15.51± 22.86± 34.88± 54.25± 6.69± 46.62 10.21± 47.67 15.62± 47.88 24.60± 48.00 9.60 d 5.27 c 10.24 b 36.72 a 4.14 d 2.35 c 4.59 b 16.65 a 皮 2.16± 2.97± 4.09± 5.61± 0.94± 6.55 1.32± 6.16 1.83± 5.61 2.55± 4.98 1.00 c 0.52 c 0.92 b 2.93 a 0.43 c 0.23 bc 0.41 b 1.33 a 枝 6.23± 9.41± 14.93± 24.47± 2.67± 18.61 4.06± 18.95 6.45± 19.77 10.72± 20.92 4.24 d 2.36 c 4.78 b 17.96 a 1.82 d 1.02 c 2.07 b 7.87 a 叶 3.12± 4.44± 6.42± 9.31± 1.53± 10.66 2.14± 9.99 3.13± 9.60 4.61± 9.00 1.67 c 0.90 c 1.64 b 5.54 a 0.82 c 0.43 c 0.80 b 2.74 a 根 6.28± 9.19± 13.88± 21.29± 2.52± 17.56 3.69± 17.23 5.59± 17.14 8.76± 17.10 3.78 d 2.07 c 3.97 b 14.07 a 1.52 d 0.83 c 1.60 b 5.79 a 合计 33.31 d 48.86 c 74.2 b 114.93 a 14.35 d 100 21.42 c 100 32.62 b 100 51.24 a 100 林下 地上 0.27± 0.52± 1.14± 1.65± 0.11± 26.19 0.22± 45.83 0.48± 35.04 0.71± 44.65 0.40 d 0.02 c 1.22 b 1.80 a 0.17 d 0.01 c 0.52 b 0.77 a 植被 地下 1.05± 0.99± 3.13± 2.60± 0.31± 73.81 0.26± 54.17 0.89± 64.96 0.88± 55.35 2.05 c 0.14 c 4.20 a 1.71 b 0.16 b 0.04 b 0.50 a 0.73 a 合计 1.32b 1.51 b 4.27 a 4.25 a 0.42 c 100 0.48 c 100 1.36 b 100 1.59 a 100 凋落物 29.69± 25.50± 20.62± 17.05± 9.55± 7.95± 6.37± 5.08± 1.49 a 3.31 b 5.63 c 3.03 d 0.48 a 1.03 b 1.30 c 0.90 c 说明:小写字母表示不同抚育强度乔木层各组分、林下植被层、凋落物层的生物量和碳储量差异性显著 (P<0.05) 表 5 不同抚育强度土壤碳、氮质量分数及碳储量
Table 5. Soil organic carbon /nitrogen content and carbon /nitrogen storage of different thinning density
处理 土层厚度/cm 有机碳/(g·kg-1) 全氮/(g·kg-1) 土壤有机碳储量/(t·hm-2) 对照 (0%) 0~10 14.32±2.41 c 2.27±0.62 c 18.53±4.331 b 10~20 8.26±0.34 c 0.82±0.10 a 12.11±3.027 c 轻度 (21%) 0~10 14.87±1.75 c 3.09±0.53 b 19.42±1.567 b 10~20 8.31±1.01 bc 0.81±0.07 a 10.63±2.007 c 中度 (35%) 0~10 15.89±3.85 b 3.15±0.88 b 22.10±6.961 a 10~20 8.63±1.03 b 0.83±0.12 a 13.01±1.223 b 重度 (54%) 0~10 16.93±4.22 a 3.88±0.94 a 22.79±5.920 a 10~20 9.01±1.12 a 0.86±0.17 a 13.95±2.650 a 说明:表中数值为平均值±标准差。同列数据标不同小写字母表示同一土层厚度差异性显著 (P<0.05)。 -
[1] BORYS A, SUCKOW F, REYER C, et al. The impact of climate change under different thinning regimes on carbon sequestration in a German forest district[J]. Mitig Adapt Strat Glob Change, 2016, 21(6):861-881. [2] 徐伟强, 周璋, 赵厚本, 等.南亚热带3种常绿阔叶次生林的生物量结构和固碳现状[J].生态环境学报, 2015, 24(12):1938-1943. XU Weiqiang, ZHOU Zhang, ZHAO Houben, et al. Biomass structure and carbon storage in three evergreen broad-leaved secondary forests in low subtropical China[J]. Ecol Environ Sci, 2015, 24(12):1938-1943. [3] 张继平, 张林波, 刘春兰, 等.井冈山中亚热带森林植被碳储量及固碳潜力估算[J].生态环境学报, 2016, 25(1):9-14. ZHANG Jiping, ZHANG Linbo, LIU Chunlan, et al. Estimation of carbon stock and carbon sequestration potential of mid-subtropical forest in Jinggang Mountain National Nature Reserve[J]. Ecol Environ Sci, 2016, 25(1):9-14. [4] 范佩佩, 韦新良, 郭如意.天目山针阔混交林林木碳储量树种分布特征[J].西北林学院学报, 2015, 30(5):191-195. FAN Peipei, WEI Xinliang, GUO Ruyi. Tree species distribution characteristics of carbon storage of coniferous and broad-leaved mixed forest in Tianmu mountain[J]. J Northwest For Univ, 2015, 30(5):191-195. [5] 胡海清, 罗碧珍, 魏书精, 等.大兴安岭5种典型林型森林生物碳储量[J].生态学报, 2015, 35(17):5745-5760. HU Haiqing, LUO Bizhen, WEI Shujing, et al. Estimating biological carbon storage of five typical forest types in the Daxinganling Mountains, Heilongjiang, China[J]. Acta Ecol Sin, 2015, 35(17):5745-5760. [6] SONG Bianlan, YAN Meijie, HOU Hao, et al. Distribution of soil carbon and nitrogen in two typical forests in the semiarid region of the Loess Plateau, China[J]. Catena, 2016, 143:159-166. [7] HOBLEY E U, WILSON B. The depth distribution of organic carbon in the soils of eastern Australia[J]. Subsom, 2015, 20(1):761-765. [8] 董云中, 王永亮, 张建杰, 等.晋西北黄土高原丘陵区不同土地利用方式下土壤碳氮储量[J].应用生态学报, 2014, 25(4):955-960. DONG Yunzhong, WANG Yongliang, ZHANG Jianjie, et al. Soil carbon and nitrogen storage of different land use types in northwestern Shanxi Loess Plateau[J]. Chin J Appl Ecol, 2014, 25(4):955-960. [9] 王建林, 钟志明, 王忠红, 等.青藏高原高寒草原生态系统土壤碳氮比的分布特征[J].生态学报, 2014, 34(22):6678-6691. WANG Jianlin, ZHONG Zhiming, WANG Zhonghong, et al. Soil C/N distribution characteristics of alpine steppe ecosystem in Qinhai-Tibetan Plateau[J]. Acta Ecol Sin, 2014, 34(22):6678-6691. [10] 王秀云, 孙玉军, 马炜.不同密度长白落叶松林生物量与碳储量分布特征[J].福建林学院学报, 2011, 31(3):221-226. WANG Xiuyun, SUN Yujun, MA Wei. Biomass and carbon storage distribution of different density in Larix olgensis plantation[J]. J Fujian Coll For, 2011, 31(3):221-226. [11] YANG A R, SON Y H, NOH N J, et al. Effect of thinning on carbon storage in soil, forest floor and coarse woody debris of Pinus densiflora stands with different stand ages in Gangwon-do, central Korea[J]. For Sci Technol, 2011, 7(1):30-37. [12] 葛立雯, 潘刚, 任德智, 等.西藏林芝地区森林碳储量、碳密度及其分布[J].应用生态学报, 2013, 24(2):319-325. GE Liwen, PAN Gang, REN Dezhi, et al. Forest carbon storage, carbon density, and their distribution characteristics in Linzhi area of Tibet, China[J]. Chin J Appl Ecol, 2013, 24(2):319-325. [13] 巨文珍, 王新杰, 孙玉军.长白落叶松林龄序列上的生物量及碳储量分配规律[J].生态学报, 2011, 31(4):1139-1148. JU Wenzhen, WANG Xinjie, SUN Yujun. Age structure effects on stand biomass and carbon storage distribution of Larix olgensis plantation[J]. Acta Ecol Sin, 2011, 31(4):1139-1148. [14] 陈乐蓓, 李海玲, 佘诚棋, 等. 2种不同经营模式下杨树生物量及土壤碳储量的空间变异[J].安徽农业大学学报, 2011, 37(1):122-125. CHEN Lepei, LI Hailing, SHE Chengqi, et al. Spatial variation of poplar (Populus deltoids cv. 35) biomass and soil carbon storage at two different management patterns[J]. J Anhui Agric Univ, 2011, 37(1):122-125. [15] 罗达, 史作民, 王卫霞, 等.南亚热带格木、马尾松幼龄人工纯林及其混交林生态系统碳氮储量[J].生态学报, 2015, 35(18):6051-6059. LUO Da, SHI Zuomin, WANG Weixia, et al. Carbon and nitrogen in monoculture and mixed young plantation stands of Erythrophleum fordii and Pinus massoniana in subtropical China[J]. Acta Ecol Sin, 2015, 35(18):6051-6059. [16] 明安刚, 张治军, 谌红辉, 等.抚育间伐对马尾松人工林生物量与碳储量的影响[J].林业科学, 2013, 49(10):1-6. MING Angang, ZHANG Zhijun, CHEN Honghui, et al. Effects of thinning on the biomass and carbon storage in Pinus massoninan plantation[J]. Sci Silv Sin, 2013, 49(10):1-6. [17] KIM S J, YOON T K, HAN S, et al. Initial effects of thinning on soil carbon storage and base cations in a naturally regenerated Quercus spp. forest in Hongcheon, Korea[J]. For Sci Technol, 2015, 11(3):172-176. [18] BOBINAC M T, VUČKOVIĆ M, ANDRAŠEV S. Effects of heavy thinning on Turkey oak tree and stand increment in the five-year period[J]. GlasnikŠumarskog Fakulteta, 2003, 87(87):81-93. [19] 韩福利, 田相林, 党坤良, 等.抚育间伐对桥山林区油松林乔木层碳储量的影响[J].西北林学院学报, 2015, 30(4):184-191. HAN Fuli, TIAN Xianglin, DANG Kunliang, et al. Impact of thinning on carbon storage for Pinus tabulaeformis stands in Shaanxi Qiaoshan[J]. J Northwest For Univ, 2015, 30(4):184-191. [20] 王秀琴. 抚育间伐对落叶松和樟子松人工林碳储量影响[D]. 哈尔滨: 东北林业大学, 2015, WANG Xiuqin. Thinning Impacts on Carbon Storage in Larch and Mongolian Plantation[D]. Harbin:Northeast Forestry University, 2015. [21] 徐庆祥. 抚育间伐对大兴安岭兴安落叶松天然林碳储量的影响[D]. 哈尔滨: 东北林业大学, 2013. XU Qingxiang. Effect of Thinning on Soil Physicochemical Property and Carbon Storage of the Natural Larix gmelinii Forest in Great Xing'an Mountains[D]. Harbin:Northeast Forestry University, 2013. [22] 陈立新.土壤实验实习教程[M].哈尔滨:东北林业大学出版社, 2005:98-141. [23] 王娟, 陈云明, 曹扬, 等.子午岭辽东栎林不同组分碳含量与碳储量[J].生态学杂志, 2012, 31(12):3058-3063. WANG Juan, CHEN Yunming, CAO Yang, et al. Carbon concentration and carbon storage in different components of natural Quercus wutaishanica forest in Ziwuling of Loess Plateau, Northest China[J]. Chin J Ecol, 2012, 31(12):3058-3063. [24] 梁宏温, 温远光, 温琳华, 等.连栽对尾巨桉短周期人工林碳储的影响[J].生态学报, 2009, 29(8):4242-4250. LIANG Hongwen, WEN Yuanguang, WEN Linhua, et al. Effects of continuous cropping on the carbon storage of Eucalyptus urophylla×E. grandis short-rotations plantations[J]. Acta Ecol Sin, 2009, 29(8):4242-4250. [25] 李彦华, 张文辉, 申家朋, 等.甘肃黄土丘陵区侧柏人工幼林的碳密度及分配特征[J].林业科学, 2015, 51(6):1-8. LI Yanhua, ZHANG Wenhui, SHEN Jiapeng, et al. Carbon density and its allocation characteristics of young plantation of Platycladus orientalis in the hilly Loess Region of Gansu Province, China[J]. Sci Silv Sin, 2015, 51(6):1-8. [26] 明安刚, 贾宏炎, 田祖为, 等.不同林龄格木人工林碳储量及其分配特征[J].应用生态学报, 2014, 25(4):940-946. MING Angang, JIA Hongyan, TIAN Zuwei, et al. Characteristics of carbon storage and its allocation in Erythrophleum fordii plantations with different ages[J]. Chin J Appl Ecol, 2014, 25(4):940-946. [27] 江丽媛, 彭祚登, 何宝华, 等. 6个树龄栓皮栎热值与碳含量的分析[J].黑龙江农业科学, 2010(11):85-89. JIANG Liyuan, PENG Zuodeng, HE Baohua, et al. Caloric value and carbon content of Quercus variabilis of six ages[J]. Heilongjiang Agric Sci, 2010(11):85-89. [28] 周鹏, 耿燕, 马文红, 等.温带草地主要优势植物不同器官间功能性状的关联[J].植物生态学报, 2010, 34(1):7-16. ZHOU Peng, GENG Yan, MA Wenhong, et al. Linkages of functional traits among plant organs in the dominant species of the Inner Mongolia grassland, China[J]. Chin J Plant Ecol, 2010, 34(1):7-16. [29] 张水松, 陈长发, 吴克选, 等.杉木林间伐强度试验20年生长效应的研究[J].林业科学, 2005, 41(5):56-65. ZHANG Shuisong, CHEN Changfa, WU Kexuan, et al. Growth effect of intermediate cuttings intensity experiment for twenty years in Cunninghamia lanceolata[J]. Sci Silv Sin, 2005, 41(5):56-65. [30] 游伟斌, 梁芳, 贾忠奎, 等.抚育间伐对北京山区油松林乔木层碳储量的影响[J].北方园艺, 2011(23):203-206. YOU Weibin, LIANG Fang, JIA Zhongkui, et al. Influence of thinning on the carbon storage of Pinus tabulaeformis arborescent stratum[J]. Northern Hortic, 2011(23):203-206. [31] 李春义, 马履一, 王希群, 等.抚育间伐对北京山区侧柏人工林林下植物多样性的短期影响[J].北京林业大学学报, 2007, 29(3):60-66. LI Chunyi, MA Lüyi, WANG Xiqun, et al. Short-term effects of tending on the undergrowth diversity of Platycladus orientalis plantations in Beijing mountainous areas[J]. J Beijing For Univ, 2007, 29(3):60-66. [32] 杨新兵, 张伟, 张建华, 等.生态抚育对华北落叶松幼龄林枯落物和土壤水文效应的影响[J].水土保持学报, 2010, 24(1):119-122. YANG Xinbing, ZHANG Wei, ZHANG Jianhua, et al. Effects of ecological tending on the litter and soil hydrological in young stand of north-China larch[J]. J Soil Water Conserv, 2010, 24(1):119-122. [33] 张鼎华, 叶章发, 范必有, 等.抚育间伐对人工林土壤肥力的影响[J].应用生态学报, 2001, 12(5):672-676. ZHANG Dinghua, YE Zhangfa, FAN Biyou, et al. Influence of thinning on soil fertility in artificial forests[J]. Chin J Appl Ecol, 2001, 12(5):672-676. [34] 赵朝辉, 方晰, 田大伦, 等.间伐对杉木林林下地被物生物量及土壤理化性质的影响[J].中南林业科技大学学报, 2012, 32(5):102-107. ZHAO Chaohui, FANG Xi, TIAN Dalun, et al. Effects of thinning on biomass of under-story, soil physical and chemical properties in Cunninghamia lanceolata plantation[J]. J Cent South Univ For Technol, 2012, 32(5):102-107. [35] 苗惠田, 吕家珑, 张文菊, 等.潮土小麦碳氮含量对长期不同施肥模式的响应[J].植物营养与肥料学报, 2015, 21(1):72-80. MIAO Huitian, LÜJialong, ZHANG Wenju, et al. Response of carbon and nitrogen contents of winter wheat to long-term fertilization treatments in fluvo-aquic soil[J]. J Plant Nutr Fertil, 2015, 21(1):72-80. [36] RUIZ-PEINADO R, BRAVO-OVIEDO A, MONTERO G, et al. Carbon stocks in a Scots pine afforestation under different thinning intensities management[J]. Mitig Adapt Strat Glob Change, 2014, 21(7):1-14. 期刊类型引用(5)
1. 金航峰,于昌昊,范锴萍,吴健清,颜菲菲,汪涵. 基于近红外高光谱成像技术的地方鸡品种鉴别. 现代食品科技. 2024(05): 247-254 . 百度学术
2. 岳蓉,尹本酥,李振发,李粉玲. 基于无人机RGB影像的染条锈冬小麦花青素含量监测. 麦类作物学报. 2024(07): 936-946 . 百度学术
3. 王延年,李鹏程,廉继红,范昊,王炳炎. 纱线卷绕系统恒张力先进控制策略. 纺织高校基础科学学报. 2023(01): 49-56 . 百度学术
4. 孙晓荣,田密,刘翠玲,吴静珠,郑冬钰,靳佳蕊. 基于太赫兹成像技术的发芽葵花籽无损检测研究. 食品科技. 2023(02): 296-302 . 百度学术
5. 付立岩,冯国红,刘旭铭. 基于多元经验模态分解的可见/近红外光谱识别木材研究. 森林工程. 2023(04): 101-109 . 百度学术
其他类型引用(9)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.2017.02.003