钱江源国家公园森林物种组成和群落结构

全面了解以国家公园为主体的自然保护地体系木本植物物种组成,特别是珍稀濒危物种,分析其区系特征及不同植被类型群落结构现状,对国家公园物种保护和不同植被类型恢复具有重要指导意义。基于对钱江源国家公园全域的木本植物调查,详细分析了不同胸径大小级森林植被类型的物种组成、区系特征、种-个体曲线分析和结构特征。调查涵盖313个木本物种,温带分布的科多于热带分布的科(22/35),热带分布的属略少于温带分布的属(28/31);中国特有属7个,特有种101个,中国珍稀保护物种10个,世界自然保护联盟(IUCN)红色名录的近危、易危和濒危物种17个。在同等取样水平下,物种多样性在常绿阔叶林最高,天然针叶林次之,杉木林最低;全域所有个体及各林型的径级分布总体呈现明显的倒"J"形,群落总体上更新良好。研究发现钱江源国家公园物种丰富,但由于包含较多次生林等植被类型,整体温带多于热带区系成分,亟待采取措施恢复至典型中亚热带常绿阔叶林植被;研究对钱江源国家公园木本植物物种的多样性及其更新情况等科学和保护实践急需解决的基本问题做出了回答,也为未来钱江源国家公园生物多样性保护和恢复提供了科学依据。     

三峡库区消落带植被NPP估算——基于机器学习优化CASA模型

三峡库区蓄水后,其生态效应受到广泛关注。消落带植被固碳量作为衡量库区生态系统健康状态的重要指标,对库区碳循环与生态净化具有重要意义。针对消落带不同高程植被接受光照的时间有所差异,且受河流水位变化影响,传统的CASA模型在计算消落带植被固碳量时,存在对植物的光能利用率计算不够精确等问题。以三峡库区香溪河陡坡消落带为研究区域,提出了一种耦合RBFNN模型（Radial Basis Function Neural Network）与CASA模型（Carnegie-Ames-Stanford approach）的新方法（RBF-CASA）。基于RBFNN建立环境影响因子模型,借助高程数据及植被指数等特征计算适合消落带区域的环境影响因子。结合CASA模型中温度和水分胁迫因子,提高植被在像元尺度上的净初级生产力（Net Primary Productivity,NPP）的估算精度,并对反演结果进行验证。模型验证结果显示：RBF-CASA模型估算值与观测值的决定系数（Coefficient of determination, R²）为0.730（P<0.01, n=32）。对比原始CASA模型,平均绝对误差（Mean absolute error, MAE）降低10.991,均方根误差（Root mean square error, RMSE）降低了23.861,相对均方根误差（Relative root mean square error, RRMSE）降低5.10%,平均绝对百分误差（Mean absolute percentage error, MAPE）降低1.12%。使用提出的RBF-CASA模型在库区水位落干期（7-8月份）进行固碳量估算,结果表明：NPP月均值在66.234-134.144g C/m²之间,NPP随着高程的增加呈现起伏变化,其总量在150-155m之间达到峰值,均值在170m以上区域最高。在2021年9月植被NPP均值为35.883g C/m²,2022年9月植被NPP均值为25.964g C/m²,由于降雨量减少、长江水位下降,在2021-2022年间植被恢复情况较差。研究结果可为库区碳循环、生态净化及生态修复等决策提供科学依据。     

2001-2019年台风干扰下我国东南沿海地区植被抵抗力和恢复力评估

台风是影响我国陆地生态系统结构和功能的主要自然灾害之一,尤其对东南沿海地区植被具有明显的干扰效应。为深入了解台风对我国沿海地区植被的影响及其响应,基于MODIS增强型植被指数(Enhanced Vegetation Index, EVI)和叶面积指数(Leaf Area Index, LAI),分析了2001-2019年间不同等级的台风对植被EVI和LAI的影响,评估台风登陆时植被的抵抗力及台风过后植被的恢复力。结果表明:(1)2001-2019年间,共有70个台风登陆我国东南沿海地区,其中,台风(TY)、强台风(STY)与超强台风(SuperTY)的数量分别为35、26和9个。我国台湾省的台风登陆次数最多,为26个,其次为广东省(20个);(2)在整个研究区范围内,台风(TY)、强台风(STY)与超强台风(SuperTY) 登陆后的EVI净变化率分别为4.88%、-7.48%、-1.85%,LAI净变化率分别为22.28%、-65.70%、-17.60%;(3)在经历台风干扰后,沿海地区大部分植被可在3个月之内得到恢复,其中浙江省与广东省植被的恢复时间较长,海南省与台湾省植被的恢复时间较短。研究结果对我国沿海地区森林经营管理和生态环境保护具有重要意义。     

耦合生态系统服务供需的生态安全格局构建——以苏南地区为例

生态系统服务供需平衡是保障生态安全的基础,将生态系统服务供需作用流动机制融入生态安全格局构建对保障区域生态安全和提升人类生态福祉具有重要意义。基于景观生态学原理,提出耦合生态系统服务供需的生态安全格局构建逻辑方法,以苏南地区为研究区构建了景观生态安全格局和社会生态安全格局。研究结果表明:(1)耦合生态系统服务供需的生态安全格局应以维系区域生态安全和保障区域人类生态福祉为构建目标。其中,生态安全以生态系统服务与生态风险为核心关注对象,人类生态福祉的实现依赖于人类主动获取与生态系统服务流;(2)苏南地区生态系统服务供需间存在错配格局,在此基础上分别识别生态源地与需求源地4247.46km²、1882.16km²,生态廊道与供需廊道1614.02km、1915.82km,生态夹点29处、生态障碍点23处、生态供需节点20处;(3)形成"三区四带两组团"的社会-景观生态安全格局优化布局方案,并在此基础上提出针对性保护修复策略,推动经济-生态空间协同发展。研究可为丰富区域生态安全格局构建理论和方法、推动国土空间优化与管控提供参考借鉴。     

植被格局对砒砂岩坡地降雨侵蚀的影响

为进一步研究砒砂岩区不同雨型下植被格局对坡面土壤侵蚀特征的影响,基于野外径流小区原位观测试验与景观生态学相结合的方法,通过对比分析不同坡面的植被斑块格局指数与产流产沙之间的相关关系,阐明植被格局对砒砂岩坡地降雨侵蚀的影响。结果表明:(1)该地区降雨可划分为3类,根据各植被坡面产流产沙能力,得出降雨侵蚀力表现为:雨型II(长历时、大雨量、大雨强) ＞ 雨型III(短历时、小雨量、中雨强) ＞ 雨型I(中历时、中雨量、小雨强)。降雨量和最大30min雨强与产流产沙量呈显著或极显著关系,相关系数0.695以上,是预测该区域水土流失的主要降雨因子。(2)各坡面水土保持能力与降雨类型有关,不同雨型下3种植被坡面减流减沙率分别达0.42%、20.8%以上,不同植被格局坡面减沙效益优于减流效益,3种植被坡面的减流能力为:雨型I ＞ 雨型III ＞ 雨型II。(3)3种植被坡面的径流泥沙模数由小到大依次为:均匀分布 ＜ 聚集分布 ＜ 随机分布,对比区域多年平均径流泥沙模数,3种植被坡面能够减少侵蚀达21.33%以上。(4)景观形状指数和分离度指数是影响坡面产流产沙的主要格局因子,相关系数分别达0.884和0.825以上。产流、产沙量与坡面植被斑块分离度呈显著正相关,与景观形状指数呈显著负相关。坡面产流量(Y₁)与斑块分离度(SPLIT)和景观形状指数(LSI)的关系式为Y₁=8.247SPLIT-6.605LSI+38.928,R²=0.905。以上结果表明植被斑块间的分离度越小,形状越复杂,坡面阻力增大,抗侵蚀能力越强。研究成果可为生态恢复过程中植被斑块格局的优化提供理论依据和数据支撑。     

高寒半干旱区沙地植被土壤水分变化特征及其影响因素

为揭示高寒半干旱区不同降雨强度对植被差异下沙化土地土壤含水量变化过程的影响。以青海共和盆地东缘黄沙头乔木、灌木和裸地为研究对象,基于2020、2021和2022年5月-9月植物生长季土壤含水量、降雨量和细根分布监测数据,分析2020年、2021年、2022年各生境0-200 cm深度土壤水分对小雨、中雨、大雨的响应。连续动态监测结果表明,大雨、中雨条件下,随土层深度的增加土壤水分对降雨的响应时间延长。乔木林和灌木林土壤水分对中雨、大雨最大响应深度为70 cm、100 cm,裸地对中雨、大雨最大响应深度为50 cm、100 cm。随土层深度的增加,小雨对乔木、灌木、裸地土壤水分的补充作用逐渐降低;中雨对灌木林土壤水分的补充作用逐渐降低,乔木林与之相反;大雨时乔木林、灌木林变异系数呈现S型变化,因此大雨对其土壤水分的补充存在明显的分层利用现象。不同植被类型土壤水分空间变化差异以及对降雨的响应受植被冠层截留对降水再分配的影响,土壤含水量与环境因子间的主成分分析表明,郁闭度、叶面积指数、150-200 cm土壤容重、细根生物量密度、根表面积密度、根长密度、比根长是反映研究区土壤水分的显著因子(P ＜ 0.05)。研究表明不同降雨强度植被土壤含水量存在明显差异,高寒半干旱区沙化土地乔、灌植被的建植可提升深层土壤储水能力;结果可为沙化土地恢复和水土流失防控提供科学依据。     

淮河流域暖季极端高温干旱复合事件的演变特征及其与气候和植被的关系

使用淮河流域1981年至2020年的149个气象站点的气温和相对湿度数据,分析了流域暖季极端高温干旱复合事件(Compound Drought and Heat Events,CDHEs)的时空演变特征,并通过趋势分析和相关分析法探讨了CDHEs与气候和植被的关系。结果表明:①CDHEs的发生日数在年代际尺度上呈现明显的增加趋势,并且范围扩大,频发区逐渐向淮河流域中西部移动;②在年际尺度上,CDHEs随时间序列呈显著的波动上升趋势,空间分布上以西北部为中心向四周递减。连续CDHEs事件呈年际变化,最大2至4天的连续事件存在波动,2019年达到高峰,并且在流域内零散或成片出现;③在月际尺度上,CDHEs的发生日数在6月最多,其次是5月、7月、9月和8月。淮河流域入汛前的旱情和入汛后的旱涝急转都容易导致CDHEs发生,而且随着月际变化向南移动;④CDHEs对水热条件和大气环流具有特别的敏感性。在850hPa反气旋和500hPa显著高压异常的控制下,高温、低湿、高蒸发和降水少的气候背景有利于淮河地区CDHEs的形成,尤其是在淮河中西部地区。因此,CDHEs的发生与气候变化密切相关;⑤CDHEs与植被生长也存在显著关系。CDHEs与GPP呈显著的负相关,而与NDVI呈显著的正相关,显著地区的土地类型以耕地和城乡、工矿、居民用地为主。GPP和NDVI的不同步可能是因为多种因素的非线性相互作用,而不仅仅是单一因素的影响。此外,对于GPP和NDVI来说,土壤含水量至关重要。总之,本文对淮河流域CDHEs的时空分布特征进行了深入研究,并探讨了其与气候和植被的关系。研究结果可以为该地区的气象灾害防御和生态环境保护提供科学依据和参考。     

秦岭地区林地与草地景观格局变化及其驱动因素

以1980—2015年土地利用数据集为数据源,利用GIS空间分析、景观格局指数和主成分分析法,研究了秦岭地区林地与草地景观格局时空变化特征,并探讨其演化的驱动因素。结果表明:(1)林地和草地是秦岭地区主要景观类型,约占研究区总面积的72%,其中有林地为优势景观类型,其次为高覆盖度草地和中覆盖度草地,其他林地和低覆盖度草地分布面积相对较少。(2)35年来,林地和草地总面积整体呈减少趋势,净减少了309.44km²,其中草地减少占主导地位;空间变化上,损失严重的区域主要分布于以西安市为中心的周边区域,主要向建设用地和耕地转移。(3)林地和草地景观破碎化程度逐渐增加,连通性降低,景观异质性增强且景观形状更为复杂,草地较林地变化明显;空间分布上,林地和草地景观格局指数空间分布特征明显,在地形因子作用下呈现一定的地形梯度性,尤其与海拔的相关性最好。(4)人为活动干扰是影响秦岭地区林地和草地景观格局变化的主要驱动因素,气候因素次之,同时国家宏观政策起着重要的导向作用。减缓人为活动对秦岭地区的过度影响,维护林地和草地的平衡性及完整性,是实现该区生态系统科学管理和资源的可持续利用...     

不同生态恢复模式对黄土残塬沟壑区深层土壤有机碳的影响

黄土高原退耕还林近20年来,大量生态恢复工程的实施,势必对土壤碳库产生影响。为评估生态恢复的土壤碳汇效益,本研究以黄土残塬沟壑区天然次生林、人工生态林和人工经济林等3种生态恢复模式为对象,研究其4 m土壤有机碳(SOC)储量。结果表明:(1)三种生态恢复模式具有明显的碳汇效益。天然次生林4 m SOC储量为(166.40±42.90) t/hm²比坡中农地((58.73±4.73) t/hm²显著增加了183.33%;人工生态林和人工经济林分别为(111.32±13.30) t/hm²、(104.60±7.10) t/hm²比坡中农地高89.54%、78.11%;(2)0—60 cm SOC含量随深度的增加显著降低(P<0.05),由表层的(11.03±7.51) g/kg减少到(2.40±0.93) g/kg,降幅达78.22%,表现出明显的表聚性;60—400 cm SOC含量变化较为稳定,含量较低为(1.81±0.88) g/kg;(3)三种恢复模式深层(1—4 m)SOC储量与坡中农地...     

基于中国生态系统研究网络的典型森林生态系统土壤保持功能分析

森林生态系统土壤保持功能在控制土壤侵蚀以及维持生态安全方面具有不可替代的作用。根据不同气候带降雨特征进行降雨侵蚀力参数校正,基于中国生态系统研究网络(CERN)的森林生态系统长期定位观测样地2005—2015年监测数据利用修正的通用土壤流失方程(RUSLE)定量分析了典型森林生态系统土壤保持功能的时空变化特征,并探讨了土壤保持功能的影响因素。研究结果表明:①日雨量侵蚀力模型在降雨丰富的热带模拟效果优于降雨相对较少的亚热带和温带,参数校正后模拟效果明显提升;②研究期内10个典型森林生态系统土壤保持量变化范围为4.44—891.67 t hm^-2 a^-1,呈现北低南高的空间格局(R²=0.65^***);土壤保持率均达到97%以上;③降雨、归一化植被指数、土壤质地和植被林龄是影响森林生态系统土壤保持功能的主要影响因素;降雨量与土壤保持量显著相关(R²=0.52^*),NDVI和土壤质地与实际土壤侵蚀量显著相关(R²=0.64^**