天山中部典型林區地上生物量時空變化及影響因素分析

摘要：【目的】研究天山中部典型林區地上生物量在不同時間和空間尺度上的變化規律，分析其影響因素和天然林區生態系統的動態變化過程，探討影響地上生物量變化的環境因素。【方法】以2000～2022年近20年的遙感數據和研究區林地實際樣地數據為基礎，利用遙感信息建立估測模型，估算新疆天山典型天然林區地上生物量，分析該地區生物量的時空動態變化，分析天然林地地上生物量變化的影響因素。【結果】研究區林地地上生物量空間分布差異明顯，東北地區生物量高，西南地區生物量低，主要集中在研究區北部。2022年實習林場森林生物量約為3.728×106 t，最大值約為559.67 t/hm2，平均生物量約為233.45 t/hm2。東北地區生物量高于西南地區，緯度增加導致生物量減少。研究區林地地上生物量年際變化趨勢存在差異，總體呈穩定和增長狀態，52.63%的面積生物量增加，47.37%的面積生物量減小。不同林齡階段的單位面積生物量隨林齡增加而增加，喬木層生物量在成熟林時最高。【結論】幼齡林至過熟林面積和生物量比重不同，需要加大天然更新和人工撫育工作投入。2000～2022年研究區林地地上生物量總體由北向南逐漸增加，降水對生物量增長起到重要作用。實習林場西南區域人類活動頻繁，氣溫和降水變化影響樹木和草地生長，導致東北高、西南低的生物量分布。

關鍵詞：天然林；生物量；遙感信息模型；空間分布

中圖分類號：S717文獻標志碼：A文章編號：1001-4330（2024）09-2237-10

0引 言

【研究意義】森林生物量是評估森林碳儲量和吸收能力的重要指標［1］，研究森林生物量時空變化可以助力建立氣候變化模型［2］。其次，森林生物量時空變化對森林資源管理和保護具有指導意義，可以評估森林資源的可持續利用和管理，同時有助于了解森林生態系統的生物多樣性、物種組成和植被結構等［3］。研究森林生物量時空變化可以監測和預測自然災害和人為干擾的影響，提高應對能力。因此，研究森林生物量的時空變化對制定有效的森林資源管理和保護措施有重要意義。【前人研究進展】隨著遙感技術和地統計學方法的發展，森林生物量時空變化研究取得了相關成果［4］。遙感技術在森林生物量估算中的應用，地統計學方法在森林生物量估算中的應用，以及基于森林生態系統模型的研究可以模擬和預測森林生物量時空變化的趨勢和規律［5-8］。【本研究切入點】利用研究區實地調查數據，并結合同期遙感影像數據，建立基于遙感數據的森林地上生物量估測模型，同時利用模型研究研究區森林地上生物量的時空分布特征。【擬解決的關鍵問題】以2000～2022年近20年的遙感數據和研究區林地實際樣地數據為基礎，利用遙感信息建立估測模型，估算新疆天山典型天然林區地上生物量，分析該地區生物量的時空動態變化。

1材料與方法

1.1材 料

1.1.1研究區概況

試驗設在新疆農業大學實習林場（43°16′～43°26′N，87°46′～87°00′E）。

該林場年均降水量約為600 mm，其中5～9月生長季集中的降水量占總降水量的60%，7月相對濕度約為65%。年均溫度為3℃，而7月平均溫度約為14℃。年日照時數大于1 300 h，無霜期為140 d。該林場地勢呈南高北低的特點，坡度10°～40°，海拔高度在1 700～2 800 m。森林主要分布在北、東北和西北坡，以草類和蘚類的天山云杉（Picea Schrenkiana）純林為主。林區的土壤為普通灰褐色森林土，林下有一些代表性的植物種類，包括高山羊角芹（Agegopodium alpestre）、天山羽衣草（Alchemila tianschanica）、珠芽蓼（Polygonum viviparum）、葶藶（Drabane morosa）、白花三葉草（Trifolium repens）、林地早熟禾（Poa nemoralis）等。

1.1.2實測數據獲取

選擇區域內天山雪嶺云杉作為研究對象，研究共設置25個地面實測調查樣本數據，其中每個森林樣方大小為30 m×30 m。在森林樣本調查中，記錄樣地范圍內單木樹高和胸徑，利用紅外超聲波測高測距儀獲得樹高信息，利用卷尺獲取單木1.3 m處的胸徑。并記錄樣地測量時間、經度、緯度、海拔。

通過整合單木尺度的信息來獲得森林樣地尺度的地上生物量信息［4］。以實際測量得到的單木樹高和胸徑數據為基礎，地上生物量公式計算得到單木地上生物量。

M=0.080 7×D2.259 57×H0.256 63.（1）

式中，M為生物量，D為胸徑，H為樹高。

1.1.3試驗數據

采用數據包括2015年新疆農業大學實習林場森林資源二類調查、遙感影像資料。遙感影像數據選用美國陸地衛星計劃的第7、8顆衛星，即Landsat-7 ETM+和Landsat-8 OLI。該衛星搭載了增強型主題成像儀（ETM+）和陸地成像儀（OLI）傳感器，具有時間分辨率為16d和空間分辨率為30 m的特點。下載的陸地數據產品為一級產品（Collection1 Level-1），數據需要進行輻射定標、大氣校正等預處理，均在ENVI軟件中完成。選取2000～2022年7～8月覆蓋研究區全境的、云量覆蓋lt;10％的遙感影像，總計6景。

通過中國氣象數據網站（http：//data.cma.cn/site/index.html）收集該研究區氣象站點多年的年均溫度和年均降水量數據，分析生物量與氣象因子（溫度和降水量）之間的關系。

1.2方 法

1.2.1地上生物量模型構建

基于遙感影像的天然林地地上生物量反演模型是通過影像中提取的因子與樣地實測地上生物量之間建立關系，具有確定數學關系的線性模型［9-11］。運用嶺回歸模型、最小二乘法和逐步回歸構建地上生物量模型，將樣本分為2部分，其中80%用于模型構建，20%用于模型檢驗。表1

1.2.2模型精度驗證

選擇3種評價指標檢驗模型（決定系數R2、均方根誤差RMSE、模型精度P）。繪制出實測值與預測值1∶1線圖。表2

1.2.3研究區地上生物量變化趨勢

采用一元線性回歸趨勢分析法，通過計算地上生物量的年際變化率，分析新疆天山典型天然林區地上生物量的時空動態變化［12-14］。該方法是一種高效的、穩健的非參數統計趨勢計算方法，對于測量誤差和異常值數據不敏感，適用于長時間分析序列數據的趨勢。

Slope=n×∑ni=1i×xi－∑ni=1xi∑ni=1in×∑ni=1i2－∑ni=1i2.（2）

式中，xi為第i年的對應時間段地上生物量的平均值，i為研究區時段第i年，n為研究時間長度，n取值為20，i取值為1～20。Slope為方程的斜率，當Slopegt;0時，表示地上生物量呈上升趨勢，即研究區林區地上生物量增加趨勢；當Slopelt;0時，表示地上生物量呈下降趨勢，即研究區林區地上生物量減少趨勢。

2結果與分析

2.1變量選取與相關性

研究表明，選用植被指數（6個）、紋理特征（36個）共45個特征變量，以完成預處理的遙感影像為數據源，提取實測樣點所對應的影像像元值，列出影像中提取出的特征變量與樣地實測生物量進行Person相關分析篩選出相關性大于0.5以上的9種特征變量。圖1，表3

2.2生物量估測模型建立（圖2）

2.2.1嶺回歸

研究表明，相比普通回歸分析，嶺回歸模型的R2值通常稍低，但回歸系數的顯著性明顯提高。嶺回歸在處理共線性問題和存在病態數據較多的研究中具有較大的實用價值。研究森林區域選取7種變量，采用python調用嶺回歸模塊進行運算，通過嶺跡圖，確定K值取0.097，模型決定系數（R2）為0.729，呈極顯著性（Plt;0.01），得到嶺回歸模型散點圖。

森林嶺回歸模型表達式：

Y=0.08+0.045×RVI+0.067×NDVI－0.001×ASPECT+0.067×OSVA+0.045×SAVI+0.098×EVI+0.045×SR.（3）

2.2.2最小二乘法

研究表明，森林最小二乘法模型表達式：

Y=0.115+0.002×RTEM+0.062×SR+81 528.105×NDVI－120 938.75×OSVA+0.062×RVI+26 273.913×SAVI－0.109×EVI.（4）

2.2.3逐步回歸

研究在建立森林地上生物量反演的回歸模型中，選用的回歸參數分別是SR和RVI。

森林逐步回歸模型表達式：

Y=0.152+0.058×SR+0.058×RVI.（5）

2.3生物量估算模型對比

研究表明，利用最小二乘法模型估算森林生物量作為最優模型，模型的決定系數R2為0.75、RMSE為0.233、P為95.15%。表4

2.4研究區生物量時空分布特征

2.4.1森林生物量空間分布特征

研究表明，2000～2022年研究區林地地上生物量具有明顯的空間差異。林地地上生物量呈東北高，西南低的分布特征，地上生物量其值多介于1 500～2 000 kg/m2，生物量高值地區主要集中于研究區北部。2022年該地區的森林生物量約為3.728×106t，最大值約為559.67 t/hm2，平均生物量約為233.45 t/hm2。該實習林場的森林生物量密度分布不均衡，東北地區高于西南地區。隨著緯度的增加，生物量逐漸減少。實習林場的經度跨度較小，生物量在經度上無明顯的變化趨勢。生物量密度呈現出東北高、西南低的分布趨勢。圖3

2.4.2森林生物量時間分布特征

研究表明，研究區林地地上生物量年際變化趨勢存在明顯差異。2000～2022年總體上處于穩定和增長狀態。變化率大于零，即地上生物量增長面積占比為52.63%，變化率小于零，即地上生物量減小面積占比47.37%，近20年研究區林區地上生物量植被狀況呈增長趨勢。圖3

5個林齡階段的單位面積生物量分別為127、179.84、188.5、245.5和161.21 t/hm2，整個喬木層生物量在成熟林時達到最高，其余依次為中齡林gt;近熟林gt;過熟林gt;幼林齡。圖4

22年間生物量總體呈顯著增加趨勢，年均值約為2.551×106t，在2000～2010年間生物量呈現一個增值趨勢，2010～2015年間生物量呈下降趨勢，2015年至今生物量開始呈上升趨勢。圖5

2.5研究區地上生物量變化的影響因素

研究表明，該實習林場的林地與降水呈高度相關性，相關系數為-0.86～0.90。正相關區域占研究區總面積的56.70%，而負相關區域占研究區總面積的39.21%。正相關區域主要分布在天山西側，而負相關區域主要分布在天山東側。該林地與氣溫之間存在相關性，相關系數在-0.94～0.89。正相關區域和負相關區域分別占總面積的48.99%和51.01%。圖6

3討 論

嶺回歸是一種專用于處理共線性數據的有偏估計回歸方法，在一定程度上降低了精度但能夠得到更符合實際、更可靠的回歸系數［15］。最小二乘法可以利用現有數據進行函數擬合簡單地求得未知數據，并使得這些預測的數據與實際數據之間誤差的平方和最小［16］。逐步回歸分析是考慮所有自變量（X）對因變量（Y）的作用、顯著程度或貢獻率。通過逐步引入回歸方程中的自變量，按照作用的大小順序，將對因變量的作用不顯著或貢獻不大的自變量排除在外，從而構建出最優的回歸方程［17］ 。相關性高的植被指數有比植被指數、差值植被指數、歸一化植被指數、土壤調節植被指數、優化土壤調節植被指數［18］。

成熟林導致了喬木層生物量達到最大值［19］；過熟林階段，喬木層樹木生長較弱，發育受到限制，群落更新速度較慢，同時森林碳循環減緩。由于老齡喬木的衰老、環境不良和病害等原因，部分老齡喬木死亡，導致生物量降低［20，21］。

利用遙感模型進行森林生物量估算是當前研究的熱點領域。徐婷等［22］的研究表明，基于遙感信息的非線性回歸模型在森林生物量估算方面優于線性回歸模型。范文義等［23］發現森林生物量與植被遙感參數之間存在非線性關系，因此選擇非線性方法建立森林生物量模型是可行的。Wang等［24］認為利用不同分辨率的遙感數據進行耦合可以提高估算的準確性，而彭守璋等［25］在祁連山青海云杉林生物量研究中引入降水和溫度等氣候要素以提高模型精度。此外，基于自學習過程的神經網絡方法也能顯著提高生物量估算的準確性。李猛等［26］利用BP神經網絡對不同樹種進行生物量估算，且在一定程度上減小了數據飽和引起的估測誤差，表明相較于多元回歸模型，神經網絡能更真實地反映實際情況。遙感影像的分辨率、獲取時間、建模因子的選擇以及采樣樣地的數量和分布都可能影響生物量估算的準確性，因此選擇適合的估算模型時需要考慮多個因素的可獲取性和適用性［27，28］。研究中采用的野外調查樣地數量較少，用于模型構建和驗證的樣本有限，并且樣地分布不均勻，對模型的準確性造成了一定的影響。此外，地形紋理特征、土壤信息等因素也會對森林生物量估算產生影響［29］。未來的研究中需要增加野外調查樣地的數量，并確保樣點在研究區內均勻分布，進一步優化建模因子，并考慮加入土壤、紋理等因素［30］，以建立精度更高、實用性更強的生物量估算模型。

4結 論

4.1

2000～2022年間研究區林地地上生物量總體呈現為由北向南逐漸增加的趨勢，南部、中部林地分布集中，北部較分散。研究區林地地上生物量整體是以穩定和增長為主，大面積地上生物量呈東南高西北低的分布特征。氣候對于林地的影響較小，新疆氣候呈現暖濕化特征，增加降水對于地上生物量的生長具有積極的影響。降水量與林地地上生物量之間的相關性要優于氣溫與地上生物量之間的相關性。

4.2成熟林的喬木層生物量高于其他齡組，且成熟林gt;近熟林gt;中齡林gt;過熟林gt;幼齡林。幼齡林尚未完全發育，干物質積累緩慢，冠層空間未得到充分利用，因此不利于生物量的積累；在中齡林到近熟林階段，樹木進入林冠層，使得冠層空間逐步得到充分利用，光合作用增加，從而促進生物量的積累；成熟林階段，樹木比例達到穩定狀態，樹高、胸徑和冠幅等樹體結構因子均達到最高值。

參考文獻（References）

［1］陳治中， 昝梅， 楊雪峰， 等. 新疆森林植被碳儲量預測研究［J］. 生態環境學報， 2023， 32（2）： 226-234.

CHEN Zhizhong， ZAN Mei， YANG Xuefeng， et al. Prediction of forest vegetation carbon storage in Xinjiang［J］. Ecology and Environmental Sciences， 2023， 32（2）： 226-234.

［2］李盈昌. 森林地上生物量的遙感估測模型優化及時空分析方法［D］.南京：南京林業大學，2021. "

LI Y. Optimization and spatiotemporal analysis method of remote sensing estimation model of forest aboveground biomass［D］. Nanjing： Nanjing Forestry University， 2021.

［3］ 錢春花， 李明陽， 鄭超. 蘇南丘陵山區森林生物量時空變化驅動因素分析［J］. 江蘇農業學報， 2021， 37（2）： 382-388.

QIAN Chunhua， LI Mingyang， ZHENG Chao. Analysis on driving factors of spatiotemporal changes of forest biomass in hilly areas of southern Jiangsu［J］.Jiangsu Journal of Agricultural Sciences， 2021， 37（2）： 382-388.

［4］ 張曉娟， 李東杰， 劉思含， 等. 遙感技術在 “雙碳” 目標實現中的應用進展［J］. 航天返回與遙感， 2022， 43（6）： 106-118.

ZHANG Xiaojuan， LI Dongjie， LIU Sihan， et al. Application progress of remote sensing technology in the realization of＼＼ “double carbon＼＼” goal［J］. Spacecraft Recovery amp; Remote Sensing， 2022， 43（6）： 106-118.

［5］ 曹海翊， 邱心怡， 賀濤. 森林生物量遙感衛星發展綜述［J］. 光學學報， 2022， 42（17）： 1728001.

CAO Haiyi， QIU Xinyi， HE Tao. Review on development of forest biomass remote sensing satellites［J］. Acta Optica Sinica， 2022， 42（17）： 1728001.

［6］錢春花.喀斯特地區森林生物量遙感反演與時空動態分析［D］.南京：南京林業大學，2022.

QIAN C. Remote sensing inversion and spatiotemporal dynamic analysis of forest biomass in karst area［D］. Nanjing： Nanjing Forestry University， 2022.

［7］蔡潮勇，曹姍姍，孔繁濤等.2014年新疆天山西部云杉地上生物量空間分布數據集［J］.中國科學數據（中英文網絡版）， 2022， 7（3）： 250-263.

CAI C， CAO S， KONG F， et al. Spatial distribution dataset of aboveground biomass of spruce in western Tianshan Mountains， Xinjiang in 2014［J］.Science Data in China （Chinese and English Online）， 2022， 7（3）： 250-263.

［8］ 陳冬花， 鄒陳， 李濱勇， 等. 西天山云杉林生物量與植被指數關系研究［J］. 北京師范大學學報（自然科學版）， 2011， 47（3）： 321-325.

CHEN Donghua， ZOU Chen， LI Binyong， et al. Relationships between biomass and vegetation index of picea schrenkiana var. tianshanica in western Tianshan Mountain［J］. Journal of Beijing Normal University （Natural Science）， 2011， 47（3）： 321-325.

［9］ LY/T 2655—2016.立木生物量模型及碳計量參數 云杉［S］.

LY/T 2655—2016.Tree biomass models and related parameters to carbon accounting for Picea［S］.

［10］ 周蓉， 趙天忠， 吳發云. 基于Landsat 8遙感影像的地上生物量模型反演研究［J］. 西北林學院學報， 2022， 37（2）： 186-192.

ZHOU Rong， ZHAO Tianzhong， WU Fayun. Aboveground biomass model based on landsat 8 remote sensing images［J］. Journal of Northwest Forestry University， 2022， 37（2）： 186-192.

［11］ 許振宇， 李盈昌， 李明陽， 等. 基于Sentinel-1A和Landsat 8數據的區域森林生物量反演［J］. 中南林業科技大學學報， 2020， 40（11）： 147-155.

XU Zhenyu， LI Yingchang， LI Mingyang， et al. Forest biomass retrieval based on Sentinel-1A and Landsat 8 image［J］. Journal of Central South University of Forestry amp; Technology， 2020， 40（11）： 147-155.

［12］楊淑霞，馮琦勝，孟寶平等.三江源地區高寒草地地上生物量時空動態變化［J］.草業科學， 2018， 35（5）： 956-968.

YANG S， FENG Q， MENG B. Spatial-temporal dynamics of aboveground biomass in alpine grassland in Sanjiangyuan area［J］.Pratacultural Science， 2018， 35（5）： 956-968.

［13］ 李晴晴， 曹艷萍， 苗書玲. 黃河流域植被時空變化及其對氣候要素的響應［J］. 生態學報， 2022， 42（10）： 4041-4054.

LI Qingqing， CAO Yanping， MIAO Shuling. Spatio-temporal variation in vegetation coverage and its response to climate factors in the Yellow River Basin， China［J］. Acta Ecologica Sinica， 2022， 42（10）： 4041-4054.

［14］ 王公鑫， 井長青， 董萍， 等. 新疆荒漠草地生物量估算及影響因素研究［J］. 草地學報， 2022， 30（7）： 1862-1872.

WANG Gongxin， JING Changqing， DONG Ping， et al. Study on biomass estimation and influencing factors of desert grassland in Xinjiang［J］. Acta Agrestia Sinica， 2022， 30（7）： 1862-1872.

［15］王啟元，趙艷玲，房鑠東等.基于多光譜遙感的裸土土壤含水量反演研究［J］.礦業科學學報， 2020， 5（6）： 608-615. "

Wet al. Inversion of soil water content in bare soil based on multispectral remote sensing［J］.Journal of Mining Science， 2020， 5（6）： 608-615.

［16］ 劉天龍. 濟南市森林蓄積量遙感監測研究［D］. 濟南： 山東師范大學， 2015.

LIU Tianlong. Study on Remote Sensing Monitoring of Forest Volume in Jinan City［D］.Jinan： Shandong Normal University， 2015.

［17］ 羅慶輝， 徐澤源， 許仲林. 天山雪嶺云杉林生物量估測及空間格局分析［J］. 生態學報， 2020， 40（15）： 5288-5297.

LUO Qinghui， XU Zeyuan， XU Zhonglin. Estimation and spatial pattern analysis of biomass of Picea schrenkiana forests［J］. Acta Ecologica Sinica， 2020， 40（15）： 5288-5297.

［18］ 張文強， 羅格平， 鄭宏偉，等. 基于隨機森林模型的內陸干旱區植被指數變化與驅動力分析： 以北天山北坡中段為例［J］. 植物生態學報， 2020， 44（11）： 1113-1126.

ZHANG Wenqiang， LUO Geping， ZHENG Hongwei， et al. Analysis of vegetation index changes and driving forces in inland arid areas based on random forest model： a case study of the middle part of northern slope of the North Tianshan Mountains［J］.Chinese Journal of Plant Ecology， 2020， 44（11）： 1113-1126.

［19］ 宋良友， 何功秀. 不同林齡階段杉木人工林生物量和碳儲量的分布特征［J］. 湖南林業科技， 2021， 48（1）： 71-75， 94.

SONG Liangyou， HE Gongxiu. Distribution characteristics of biomass and carbon storage of Cunninghamia lanceolata plantation in different age stages［J］. Hunan Forestry Science amp; Technology， 2021， 48（1）： 71-75， 94.

［20］ 曾偉， 江斌， 余林， 等. 江西杉木人工林生物量分配格局及其模型構建［J］. 南京林業大學學報（自然科學版）， 2016， 40（3）： 177-182.

ZENG Wei， JIANG Bin， YU Lin， et al. Biomass allocation and its model construction of Cunninghamia lanceolata plantations in Jiangxi Province［J］. Journal of Nanjing Forestry University （Natural Sciences Edition）， 2016， 40（3）： 177-182.

［21］ 潘鵬， 呂丹， 歐陽勛志， 等. 贛中馬尾松天然林不同生長階段生物量及碳儲量研究［J］. 江西農業大學學報， 2014， 36（1）： 131-136.

PAN Peng， LYU Dan， OUYANG Xunzhi， et al. A study on biomass and carbon storage of natural Pinus massoniana forest at different stand growing stages in central Jiangxi Province［J］. Acta Agriculturae Universitatis Jiangxiensis， 2014， 36（1）： 131-136.

［22］ 徐婷， 曹林， 佘光輝. 基于Landsat 8 OLI的特征變量優化提取及森林生物量反演［J］. 遙感技術與應用， 2015， 30（2）： 226-234.

XU Ting， CAO Lin， SHE Guanghui. Feature extraction and forest biomass estimation based on landsat 8 OLI［J］. Remote Sensing Technology and Application， 2015， 30（2）： 226-234.

［23］ 范文義， 李明澤， 楊金明. 長白山林區森林生物量遙感估測模型［J］. 林業科學， 2011， 47（10）： 16-20.

FAN Wenyi， LI Mingze， YANG Jinming. Forest biomass estimation models of remote sensing in Changbai Mountain forests［J］. Scientia Silvae Sinicae， 2011， 47（10）： 16-20.

［24］ Wang X X， Jia K， Li S， et al. Estimating Fractional Vegetation Cover From Landsat-7 ETM+ Reflectance Data Based on a Coupled Radiative Transfer and Crop Growth Model［J］.IEEE Transactions on Geoscience and Remote Sensing， 2017， 55（10）.

［25］ 彭守璋， 趙傳燕， 鄭祥霖， 等. 祁連山青海云杉林生物量和碳儲量空間分布特征［J］. 應用生態學報， 2011， 22（7）： 1689-1694.

PENG Shouzhang， ZHAO Chuanyan， ZHENG Xianglin， et al. Spatial distribution characteristics of the biomass and carbon storage of Qinghai spruce （Picea crassifolia） forests in Qilian Mountains［J］. Chinese Journal of Applied Ecology， 2011， 22（7）： 1689-1694.

［26］李猛，陸彥羽，盧騰飛等.云南怒江流域森林地上生物量光學遙感估測及飽和點分析［J］.西南林業大學學報（自然科學）， 2022， 42（3）： 116-127.

LI M， LU Y， LU T， et al. Optical remote sensing estimation and saturation point analysis of aboveground biomass in the Nu River Basin of Yunnan［J］.Journal of Southwest Forestry University （Natural Science）， 2022， 42（3）： 116-127.

［27］ 李路， 常亞鵬， 許仲林. 烏魯木齊南山森林生物量和碳儲量空間分布特征［J］. 水土保持研究， 2018， 25（5）： 72-77.

LI Lu， CHANG Yapeng， XU Zhonglin. Spatial distribution characteristics of the biomass and carbon storage of forest in Nanshan Mountain， Urumqi［J］. Research of Soil and Water Conservation， 2018， 25（5）： 72-77.

［28］ 曾晶， 張曉麗. 高分一號遙感影像下嶗山林場林分生物量反演估算研究［J］. 中南林業科技大學學報， 2016， 36（1）： 46-51.

ZENG Jing， ZHANG Xiaoli. Laoshan forest biomass estimation based on GF-1 images with inversion algorithm［J］. Journal of Central South University of Forestry amp; Technology， 2016， 36（1）： 46-51.

［29］ 劉芳， 馮仲科， 趙芳， 等. 資源三號遙感衛星影像的生物量反演研究［J］. 西北林學院學報， 2015， 30（3）： 175-181.

LIU Fang， FENG Zhongke， ZHAO Fang， et al. Biomass inversion study of ZY-3 remote sensing satellite imagery［J］. Journal of Northwest Forestry University， 2015， 30（3）： 175-181.

［30］ 菅永峰， 韓澤民， 黃光體， 等. 基于高分辨率遙感影像的北亞熱帶森林生物量反演［J］. 生態學報， 2021， 41（6）： 2161-2169.

JIAN Yongfeng， HAN Zemin， HUANG Guangti， et al. Estimation of forest biomass using high spatial resolution remote sensing imagery in north subtropical forests［J］. Acta Ecologica Sinica， 2021， 41（6）： 2161-2169.

Analysis of spatial and temporal variations of aboveground biomass and the factors affecting it in a typical forest area in the central Tianshan Mountains

XIAO Shuting1， YAN An1，WANG Weixia2， ZHANG Qingqing3， HOU Zhengqing1， MA Mengqian1， SUN Zhe1

（1.Xinjiang Key Laboratory of Grassland Restoration and Environmental Information， College of Resources and Environment， Xinjiang Agricultural University， Urumqi 830052，China;2.College of Forestry and Landscape Architecture， Xinjiang Agricultural University， Urumqi 830052，China;3. College of Life Sciences， Xinjiang Agricultural University， Urumqi 830052，China）

Abstract：【Objective】 aboveground biomass at different time and spatial scales and analyze its influencing factors， this project aims to reveal the dynamic change process of the ecosystem in the natural forest area and explore the environmental factors affecting the change of aboveground biomass.

【Methods】 Based on the remote sensing data of the past 20 years from 2000 to 2022 and the actual sample data of the forest land in the study area， this study used the remote sensing information to establish an estimation model， estimate the aboveground biomass in the typical natural forest area of Tianshan Mountain， Xinjiang， and analyze the temporal and spatial dynamic changes of biomass in the area and the influencing factors of the aboveground biomass changes of natural forest lands.

【Results】 The spatial distribution of aboveground biomass in woodland in the study area was obvious， with high biomass in northeast China and low biomass in southwest China， mainly concentrated in the northern part of the study area. In 2022， the forest biomass of the Internship Forest Farm was about 3.728×106 t， the maximum value was about 559.67 t/hm2， and the average biomass was about 233.45 t/hm2. The biomass in the northeast was higher than in the southwest， and the increase in latitude led to a decrease in biomass. There were differences in the interannual variation trend of aboveground biomass in woodland in the study area， and the overall state was stable and growing， with 52.63% of the area biomass increasing and 47.37% of the area biomass decreasing. The biomass per unit area of different forest age stages increased with the increase of forest age， and the biomass of the tree layer was the highest in mature forests.

【Conclusion】 In the forest land in the study area， the area and biomass proportion of juvenile forest to overmature forest are different， and it is necessary to increase the investment in natural regeneration and artificial tending work. From 2000 to 2022， the aboveground biomass of forest land in the study area gradually increased from north to south， and precipitation played a positive role in biomass growth. In the southwest area of the Internship Forest Farm， human activities are frequent， and changes in temperature and precipitation affect the growth of trees and grasslands， resulting in the high distribution of biomass in the northeast and low distribution of biomass in the southwest.

Key words：natural forest; biomass; remote sensing information model; spatial distribution

Fund projects：The 2022 Natural Forest Protection Project （Agricultural University Internship Forest Farm - Natural Forest Carbon Sequestration）

Correspondence author：YAN An （1983-）， male， from Ziyang， Sichuan， Ph.D.， professor， master and doctoral's supervisor， research direction： digital agricultural technology， agricultural resources and environment research， （E-mail）zryanan@163.com

收稿日期（Received）：2024-03-05

基金項目：2022年天保工程（農大實習林場-天然林碳匯）

作者簡介：肖淑婷（1998-），女，新疆博州人，碩士研究生，研究方向為農業信息化，（E-mail）1367388036@qq.com

通訊作者：顏安（1983-），男，四川資陽人，教授，博士，碩士生/博士生導師，研究方向為數字農業技術、農業資源與環境，（E-mail）zryanan@163.com