基于生態(tài)信息診斷框架的杉木人工林生物量生態(tài)預測研究

劉陳堅,張黎明,任 引

1 福建農林大學資源與環(huán)境學院, 福州 3500022 福建農林大學公共管理學院, 福州 3500023 中國科學院城市環(huán)境研究所城市環(huán)境與健康重點實驗室,福建省流域生態(tài)重點實驗室, 廈門 361021

中國是世界上人工林面積最大的國家[1]。杉木作為我國南方人工林重要造林樹種,不僅是面積和蓄積量最大的人工林,而且具有生長快、材質好、產量高、用途廣、碳匯潛力巨大等特點[2]。據2015年中國林業(yè)發(fā)展報告結果顯示,杉木林約占中國人工林總面積的24%,達到1239.1萬hm2,總蓄積量約為4.74億m3,生產出來的木材約占中國商品材的25%。然而,在傳統(tǒng)的杉木人工純林經營模式中,林分結構簡單加上多代連栽,容易出現地力衰退、林分生產力下降、病蟲災害頻繁、林地生境惡化、水土流失加劇等一系列生態(tài)問題,影響林地的可持續(xù)利用[3]。此外,隨著全球工業(yè)化的發(fā)展和人口數量的上升,導致人地矛盾日益突出,僅僅通過擴大造林面積來提高森林生物量,效果顯得越來越有限[4]。因此,如何準確地預測區(qū)域尺度杉木林生物量的時空演變趨勢,這是至關國家重大方針政策制定和生態(tài)產業(yè)體系建設的關鍵性戰(zhàn)略課題[5]。趙景柱等提出包括迷碼數據、趨善化模型和基于景感營造的診斷框架的景感生態(tài)學為解決該類問題提供了技術支持[6],其提出的景感生態(tài)學能夠根據長時間持續(xù)變化的景感營造,通過土地利用規(guī)劃、建設和管理,促進自然生態(tài)的良性循環(huán),實現人與自然的和諧共存。

杉木人工林生物量生態(tài)預測最有效的技術途徑,是以趨善化模型為基礎多源謎碼數據融合的綜合評估[6]。由于人為、自然等多重因素的交互作用,杉木生物量在時間變化和空間分布上具有高度的異質性和非線性,導致森林生物量的模擬和觀測都具有很大的不確定性,實驗樣地的研究結果不能應用到更大的空間尺度[7]。趨善化模型是解決地表異質性的有效工具,3PG2森林生長模型作為趨善化模型,模擬生物機制進行一定時間尺度內的森林生長預測,能夠較好的預測外部環(huán)境因子對森林生長的影響。隨著模型變量的增加以及模型本身非線性的影響,需要對趨善化模型進行參數優(yōu)化、改進模型結構、驗證模擬結果以減小模型模擬中的誤差[8-9]。

本文選擇杉木林分布廣泛的福建南靖縣為研究區(qū)域,通過構建一套生態(tài)信息診斷框架優(yōu)化趨善化模型(3PG2模型)的結構,解決森林景感營造過程中,由于模型結構缺陷所導致的生態(tài)預測不確定性問題,該研究對于減少趨善化模型的不確定性和區(qū)域碳估計具有重要意義。

1 材料和方法

1.1 概述

研究內容包含以下3個部分：一、構建多源迷碼數據的觀測值與運行趨善化模型的模擬值,應用空間統(tǒng)計分析軟件揭示觀測與模擬的生物量差異(BDMO)；二、建立包含Geogdetector軟件、遺傳技術(GI)和計算機程序三個部分組成的生態(tài)信息診斷框架,明確趨善化模型結構的不確定性,定量闡明不同因素對觀測與模擬差異的空間分布的影響，通過遺傳技術提高模型模擬精度；三、預測區(qū)域尺度下杉木生物量時空演變趨勢。

1.2 技術路線

技術路線包括以下五個步驟(圖1)：

圖1 本研究的技術流程圖Fig.1 Workflow of this study showing the five steps outlined

一、構建統(tǒng)一尺度的謎碼數據集,包括樣地解析木數據、區(qū)域森林資源清查數據、區(qū)域氣象觀測數據、DEM數據和3PG2模型數據；二、通過全局敏感性分析和馬爾可夫鏈蒙特卡羅(MCMC)方法對模型參數進行參數優(yōu)化標定與優(yōu)化,提出一種基于數據驅動過程的生態(tài)模型方法；三、運用GIS平臺融合模型模擬與觀測數據結果,闡明BDMO的空間分布；四、采用生態(tài)信息診斷框架,從機理和算法兩方面揭示各類生態(tài)因子對模型結構不確定影響；五、運用計算機程序和3PG2趨善化模型,生成杉木生物量預測結果。

1.3 全局驗證

由于模型結構、輸入變量和參數復雜性等原因,導致趨善化模型模擬存在著許多不確定性,因此模型模擬結果必須進行驗證。鑒于目前沒有完善的理論驗證體系來支持趨善化模型的發(fā)展,全球驗證的難度較大,因此本文采用適應度和假設檢驗驗證3PG2趨善化模型的模擬數據是否準確。

1.4 生態(tài)信息診斷框架

圖2 生態(tài)信息診斷框架的結構組成Fig.2 Structural composition of ecological information diagnostic framework

構建由GeogDetector軟件[10](詳見：www.sssampling.org/geogdetector)、遺傳技術和計算機程序三部分組成的生態(tài)信息診斷框架(圖2)。使用GeogDetector闡明多重影響因素對提升趨善化模型精度的影響機理,揭示其對于趨善化模型結構不確定性的驅動機制；采用遺傳技術優(yōu)化模型結構以提升模擬精度；運用計算機程序和3-PG2模型預測區(qū)域尺度下杉木林生物量的時空演變趨勢。

1.5 趨善化模型：3PG2

3-PG(Physiological Principles In Predicting Growth)模型是由Landsberg和Waring于1997年開發(fā)的一個基于植物光合生理過程的林分生長預測模型[11],該模型是以林分為空間尺度、月份為時間尺度,考慮了實際環(huán)境中完整的碳平衡,同時也考慮了氣候條件、立地條件、經營措施和樹木生理特征等[12],本文預測18年(1990年至2009)以下的杉木生長。

1.6 景感生態(tài)學的應用

杉木人工林生物量經過多年的理論研究、長期定位觀測和實踐探索,在不同林齡養(yǎng)分循環(huán)與周轉速率、不同森林經營管理措施對森林生物量的影響、單木生長模型的構建、生長過程及其固碳能力、生產力與環(huán)境因素的關系等幾個方面已取得重大成果[13-19]。本文采用3PG2趨善化模型結合生態(tài)信息診斷框架,依據小尺度(單木、森林小班)和短時間尺度數據集,預測杉木人工林大尺度(區(qū)域)和長時間尺度的演變趨勢。

2 結果

2.1 優(yōu)化模型診斷框架分析

本文選取小班面積、林齡、林分密度、坡度、坡位、坡向、海拔、腐殖質層、土壤厚度和立地指數等因素進行分析,認為上述多重因素的交互作用與模擬結果不確定性的空間分布具有相似性并且可以被定量化表達,采用GeogDetector軟件揭示生態(tài)因素對BDMO的影響機制(表1)。從林分、地形與土壤因素看,林分組(q值為0.694)對于BDMO的影響占主導地位,而地形組(q值為0.027)土壤組(q值為0.094)的影響較小,其中林齡相比于其他因子是影響B(tài)DMO差異的主導因子。

表1 2009年林分、地形和土壤因素對BDMO的相對重要性

從表2可以看出,各因素之間對于BDMO的影響都具有較強的交互作用。其中林齡與坡度、林齡與海拔、林齡與腐殖質層、林齡與土壤厚度、林齡與林分密度表現為雙因子增強,林齡與坡位、林齡與坡向、林齡與立地指數、林齡與小班面積表現為非線性增強,均通過顯著性檢驗。說明林齡增強了坡度、坡位、坡向、海拔、腐殖質層、土壤厚度、小班面積、林分密度等因素對BDMO的影響。

在遺傳技術的使用中,多元多次方程雖然能夠更大的提升精度,但是所需計算時間較長,且容易導致過擬合現象,所以本文采用多元一次方程生成擬合方程(表3),通過遺傳算法的改進,杉木林模擬生物量精度得到顯著提高。

2.2 時空生態(tài)預測

在時間尺度預測中,2009年森林小班的杉木實測生物量為3047.18 t,改進前后模擬的杉木生物量分別為3845.92 t和3471.88 t,偏差從26.21%下降到13.94%。

利用y=a×x+b一元一次方程來表達觀測值與模型值的關系,將其可視化,應用遺傳算法后的散點圖更接近于y=x函數,各類指標均表明改進后的模型精度更高(圖3)。

在空間尺度預測中,2009年中森林小班的杉木實測生物量為3047.18 t,杉木林生物量改進前后模擬值分別為3845.92 t和3231.13 t,偏差從26.21%下降到6.07%。如圖4所示,應用遺傳技術后的散點圖更接近于y=x函數,且各項指標均表明改進后的模型精度更高。

表2 2009年地形等因素交互作用對BDMO的影響

表3 2009年遺傳算法擬合的生態(tài)因子回歸函數結果

圖3 2009年943個森林小班應用GT前后模擬觀測對比圖Fig.3 Comparison chart before and after correction of time scale prediction in 2009

圖4 2009年191個森林小班應用GT前后模擬觀測對比圖Fig.4 Comparison chart before and after correction of spatial scale prediction in 2009

以上分析可知,運用生態(tài)信息診斷框架后,3PG2模型精度顯著提高,各類生態(tài)因子對于時間、空間預測的3PG2模型結構不確定性分別為12.27%和20.14%。

3 討論

3.1 生態(tài)信息診斷框架的應用

在當前社會經濟、科學技術快速發(fā)展的背景下,迫切需要對景感生態(tài)學的功能及其應用做進一步的研究[20-21]。例如,在基于“風感”的緊湊型城市開放空間風環(huán)境實測和CFD模擬比對研究中,通過實測和模擬數據比對來研究緊湊型城市開放空間內綠地對行人高度風場的實際干擾程度[22]。

通過構建生態(tài)信息診斷框架,解決由于趨善化模型結構設計不合理所導致的估計不確定性問題。結果證明,景感營造過程中的趨善化模型可以用來定量異質性,同時識別出不確定性的主導因素,本文可以通過構建優(yōu)化算法改進模型結構。盡管許多研究都將多個模型結合起來以減少模型結構所造成的不確定性,但仍存在模型獨立性、模型校準和驗證,以及最優(yōu)模型結構的選擇等問題[23],因此生態(tài)信息診斷框架是提高模型模擬精度的主要方法。

3.2 生態(tài)信息診斷框架的組成

傳統(tǒng)軟件只能使用特定類型的變量,限制了數據輸入[10],因此本文選擇GeogDetector軟件對觀測與模擬的生物量差異(BDMO)進行分析。GeogDetector軟件不僅可以處理類型和數值變量,解決所有類型變量的定量計算問題,而且也是一種基于空間異質性假設的方法。由于生態(tài)研究區(qū)域具有很強的空間異質性,可以應用GeogDetector軟件研究多重因素作用,量化因素之間的交互作用和確定主導因子的解釋力。

不足的是,GeogDetector軟件沒有顯著性檢驗,因此需要顯著性檢驗來揭示多重因素的交互如何影響模型。為此本文基于GeogDetector軟件的結果,采用一種結合趨善化模型的方法(遺傳技術：GT)來提高模擬精度。GT具有內在的隱式并行性和良好的自適應優(yōu)化能力,可以處理非解析式的目標函數和約束,有助于理解模型結構是如何影響B(tài)DMO,追溯不確定性來源,避免在景感營造過程中出現新的不確定性問題。

雖然本文的案例研究關于模擬森林生物量,但是生態(tài)信息診斷框架可以應用于其他研究領域,例如物種分布、生態(tài)系統(tǒng)中的碳通量和棲息地可用性。結合多學科方法的生態(tài)信息診斷框架可以通過定量分析和模型數據同化提高模型結構的模擬性能,這些改進有助于研究人員量化生態(tài)預測中模型結構的不確定性,以便在實際管理應用中客觀使用[24-26]。

3.3 主導因素

結果顯示,林齡不僅是導致區(qū)域尺度杉木人工林生物量趨善化模型模擬不確定性的主導因素,而且結合其余因素的交互作用,因子解釋力均顯著增強或非線性增強。原因是不同林齡的杉木在光合作用、養(yǎng)分吸收、土壤含水量、群落組成和生理性約束等方面存在顯著差異,能夠間接地影響森林生物量[27- 31]。說明3PG2模型結構的優(yōu)化設計中,應當增設不同林齡序列模塊,闡明新增模塊與初始模塊的相互作用機理以減少模擬結果的不確定性。

4 結論

本研究以構建生態(tài)信息診斷框架減少3PG2趨善化模型結構在杉木人工林生物量生態(tài)預測中的不確定性為例,表明生態(tài)信息診斷框架有助于理解景感營造過程中趨善化模型的結構差異,確定模擬和觀測數據集(迷碼數據集)之間差異的來源,減少生態(tài)預測過程中模型結構的不確定性。

在景感營造的過程中,結合觀測、模擬、統(tǒng)計和計算機編程等技術的景感生態(tài)學能夠通過結合迷碼數據和趨善化模型,揭示觀測與模擬之間的聯系,明確生態(tài)系統(tǒng)與各類生態(tài)因子之間的耦合關系,為區(qū)域或全球各種環(huán)境問題的可持續(xù)管理政策提供技術支持。