劉陳堅(jiān),張黎明,任 引

1 福建農(nóng)林大學(xué)資源與環(huán)境學(xué)院, 福州 3500022 福建農(nóng)林大學(xué)公共管理學(xué)院, 福州 3500023 中國(guó)科學(xué)院城市環(huán)境研究所城市環(huán)境與健康重點(diǎn)實(shí)驗(yàn)室,福建省流域生態(tài)重點(diǎn)實(shí)驗(yàn)室, 廈門 361021

中國(guó)是世界上人工林面積最大的國(guó)家[1]。杉木作為我國(guó)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(zhǎng)快、材質(zhì)好、產(chǎn)量高、用途廣、碳匯潛力巨大等特點(diǎn)[2]。據(jù)2015年中國(guó)林業(yè)發(fā)展報(bào)告結(jié)果顯示,杉木林約占中國(guó)人工林總面積的24%,達(dá)到1239.1萬(wàn)hm2,總蓄積量約為4.74億m3,生產(chǎn)出來(lái)的木材約占中國(guó)商品材的25%。然而,在傳統(tǒng)的杉木人工純林經(jīng)營(yíng)模式中,林分結(jié)構(gòu)簡(jiǎn)單加上多代連栽,容易出現(xiàn)地力衰退、林分生產(chǎn)力下降、病蟲災(zāi)害頻繁、林地生境惡化、水土流失加劇等一系列生態(tài)問(wèn)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(shù)量的上升,導(dǎo)致人地矛盾日益突出,僅僅通過(guò)擴(kuò)大造林面積來(lái)提高森林生物量,效果顯得越來(lái)越有限[4]。因此,如何準(zhǔn)確地預(yù)測(cè)區(qū)域尺度杉木林生物量的時(shí)空演變趨勢(shì),這是至關(guān)國(guó)家重大方針政策制定和生態(tài)產(chǎn)業(yè)體系建設(shè)的關(guān)鍵性戰(zhàn)略課題[5]。趙景柱等提出包括迷碼數(shù)據(jù)、趨善化模型和基于景感營(yíng)造的診斷框架的景感生態(tài)學(xué)為解決該類問(wèn)題提供了技術(shù)支持[6],其提出的景感生態(tài)學(xué)能夠根據(jù)長(zhǎng)時(shí)間持續(xù)變化的景感營(yíng)造,通過(guò)土地利用規(guī)劃、建設(shè)和管理,促進(jìn)自然生態(tài)的良性循環(huán),實(shí)現(xiàn)人與自然的和諧共存。

杉木人工林生物量生態(tài)預(yù)測(cè)最有效的技術(shù)途徑,是以趨善化模型為基礎(chǔ)多源謎碼數(shù)據(jù)融合的綜合評(píng)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(shí)間變化和空間分布上具有高度的異質(zhì)性和非線性,導(dǎo)致森林生物量的模擬和觀測(cè)都具有很大的不確定性,實(shí)驗(yàn)樣地的研究結(jié)果不能應(yīng)用到更大的空間尺度[7]。趨善化模型是解決地表異質(zhì)性的有效工具,3PG2森林生長(zhǎng)模型作為趨善化模型,模擬生物機(jī)制進(jìn)行一定時(shí)間尺度內(nèi)的森林生長(zhǎng)預(yù)測(cè),能夠較好的預(yù)測(cè)外部環(huán)境因子對(duì)森林生長(zhǎng)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(duì)趨善化模型進(jìn)行參數(shù)優(yōu)化、改進(jìn)模型結(jié)構(gòu)、驗(yàn)證模擬結(jié)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(guò)構(gòu)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(jié)構(gòu),解決森林景感營(yíng)造過(guò)程中,由于模型結(jié)構(gòu)缺陷所導(dǎo)致的生態(tài)預(yù)測(cè)不確定性問(wèn)題,該研究對(duì)于減少趨善化模型的不確定性和區(qū)域碳估計(jì)具有重要意義。

1 材料和方法

1.1 概述

研究?jī)?nèi)容包含以下3個(gè)部分：一、構(gòu)建多源迷碼數(shù)據(jù)的觀測(cè)值與運(yùn)行趨善化模型的模擬值,應(yīng)用空間統(tǒng)計(jì)分析軟件揭示觀測(cè)與模擬的生物量差異(BDMO)；二、建立包含Geogdetector軟件、遺傳技術(shù)(GI)和計(jì)算機(jī)程序三個(gè)部分組成的生態(tài)信息診斷框架,明確趨善化模型結(jié)構(gòu)的不確定性,定量闡明不同因素對(duì)觀測(cè)與模擬差異的空間分布的影響，通過(guò)遺傳技術(shù)提高模型模擬精度；三、預(yù)測(cè)區(qū)域尺度下杉木生物量時(shí)空演變趨勢(shì)。

1.2 技術(shù)路線

技術(shù)路線包括以下五個(gè)步驟(圖1)：

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

一、構(gòu)建統(tǒng)一尺度的謎碼數(shù)據(jù)集,包括樣地解析木數(shù)據(jù)、區(qū)域森林資源清查數(shù)據(jù)、區(qū)域氣象觀測(cè)數(shù)據(jù)、DEM數(shù)據(jù)和3PG2模型數(shù)據(jù)；二、通過(guò)全局敏感性分析和馬爾可夫鏈蒙特卡羅(MCMC)方法對(duì)模型參數(shù)進(jìn)行參數(shù)優(yōu)化標(biāo)定與優(yōu)化,提出一種基于數(shù)據(jù)驅(qū)動(dòng)過(guò)程的生態(tài)模型方法；三、運(yùn)用GIS平臺(tái)融合模型模擬與觀測(cè)數(shù)據(jù)結(jié)果,闡明BDMO的空間分布；四、采用生態(tài)信息診斷框架,從機(jī)理和算法兩方面揭示各類生態(tài)因子對(duì)模型結(jié)構(gòu)不確定影響；五、運(yùn)用計(jì)算機(jī)程序和3PG2趨善化模型,生成杉木生物量預(yù)測(cè)結(jié)果。

1.3 全局驗(yàn)證

由于模型結(jié)構(gòu)、輸入變量和參數(shù)復(fù)雜性等原因,導(dǎo)致趨善化模型模擬存在著許多不確定性,因此模型模擬結(jié)果必須進(jìn)行驗(yàn)證。鑒于目前沒(méi)有完善的理論驗(yàn)證體系來(lái)支持趨善化模型的發(fā)展,全球驗(yàn)證的難度較大,因此本文采用適應(yīng)度和假設(shè)檢驗(yàn)驗(yàn)證3PG2趨善化模型的模擬數(shù)據(jù)是否準(zhǔn)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(jié)構(gòu)組成Fig.2 Structural composition of ecological information diagnostic framework

構(gòu)建由GeogDetector軟件[10](詳見(jiàn)：www.sssampling.org/geogdetector)、遺傳技術(shù)和計(jì)算機(jī)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(duì)提升趨善化模型精度的影響機(jī)理,揭示其對(duì)于趨善化模型結(jié)構(gòu)不確定性的驅(qū)動(dòng)機(jī)制；采用遺傳技術(shù)優(yōu)化模型結(jié)構(gòu)以提升模擬精度；運(yùn)用計(jì)算機(jī)程序和3-PG2模型預(yù)測(cè)區(qū)域尺度下杉木林生物量的時(shí)空演變趨勢(shì)。

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(gè)基于植物光合生理過(guò)程的林分生長(zhǎng)預(yù)測(cè)模型[11],該模型是以林分為空間尺度、月份為時(shí)間尺度,考慮了實(shí)際環(huán)境中完整的碳平衡,同時(shí)也考慮了氣候條件、立地條件、經(jīng)營(yíng)措施和樹木生理特征等[12],本文預(yù)測(cè)18年(1990年至2009)以下的杉木生長(zhǎng)。

1.6 景感生態(tài)學(xué)的應(yīng)用

杉木人工林生物量經(jīng)過(guò)多年的理論研究、長(zhǎng)期定位觀測(cè)和實(shí)踐探索,在不同林齡養(yǎng)分循環(huán)與周轉(zhuǎn)速率、不同森林經(jīng)營(yíng)管理措施對(duì)森林生物量的影響、單木生長(zhǎng)模型的構(gòu)建、生長(zhǎng)過(guò)程及其固碳能力、生產(chǎn)力與環(huán)境因素的關(guān)系等幾個(gè)方面已取得重大成果[13-19]。本文采用3PG2趨善化模型結(jié)合生態(tài)信息診斷框架,依據(jù)小尺度(單木、森林小班)和短時(shí)間尺度數(shù)據(jù)集,預(yù)測(cè)杉木人工林大尺度(區(qū)域)和長(zhǎng)時(shí)間尺度的演變趨勢(shì)。

2 結(jié)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(zhì)層、土壤厚度和立地指數(shù)等因素進(jìn)行分析,認(rèn)為上述多重因素的交互作用與模擬結(jié)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(dá),采用GeogDetector軟件揭示生態(tài)因素對(duì)BDMO的影響機(jī)制(表1)。從林分、地形與土壤因素看,林分組(q值為0.694)對(duì)于BDMO的影響占主導(dǎo)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(dǎo)因子。

表1 2009年林分、地形和土壤因素對(duì)BDMO的相對(duì)重要性

從表2可以看出,各因素之間對(duì)于BDMO的影響都具有較強(qiáng)的交互作用。其中林齡與坡度、林齡與海拔、林齡與腐殖質(zhì)層、林齡與土壤厚度、林齡與林分密度表現(xiàn)為雙因子增強(qiáng),林齡與坡位、林齡與坡向、林齡與立地指數(shù)、林齡與小班面積表現(xiàn)為非線性增強(qiáng),均通過(guò)顯著性檢驗(yàn)。說(shuō)明林齡增強(qiáng)了坡度、坡位、坡向、海拔、腐殖質(zhì)層、土壤厚度、小班面積、林分密度等因素對(duì)BDMO的影響。

在遺傳技術(shù)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(jì)算時(shí)間較長(zhǎng),且容易導(dǎo)致過(guò)擬合現(xiàn)象,所以本文采用多元一次方程生成擬合方程(表3),通過(guò)遺傳算法的改進(jìn),杉木林模擬生物量精度得到顯著提高。

2.2 時(shí)空生態(tài)預(yù)測(cè)

在時(shí)間尺度預(yù)測(cè)中,2009年森林小班的杉木實(shí)測(cè)生物量為3047.18 t,改進(jìn)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(lái)表達(dá)觀測(cè)值與模型值的關(guān)系,將其可視化,應(yīng)用遺傳算法后的散點(diǎn)圖更接近于y=x函數(shù),各類指標(biāo)均表明改進(jìn)后的模型精度更高(圖3)。

在空間尺度預(yù)測(cè)中,2009年中森林小班的杉木實(shí)測(cè)生物量為3047.18 t,杉木林生物量改進(jìn)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(yīng)用遺傳技術(shù)后的散點(diǎn)圖更接近于y=x函數(shù),且各項(xiàng)指標(biāo)均表明改進(jìn)后的模型精度更高。

表2 2009年地形等因素交互作用對(duì)BDMO的影響

表3 2009年遺傳算法擬合的生態(tài)因子回歸函數(shù)結(jié)果

圖3 2009年943個(gè)森林小班應(yīng)用GT前后模擬觀測(cè)對(duì)比圖Fig.3 Comparison chart before and after correction of time scale prediction in 2009

圖4 2009年191個(gè)森林小班應(yīng)用GT前后模擬觀測(cè)對(duì)比圖Fig.4 Comparison chart before and after correction of spatial scale prediction in 2009

以上分析可知,運(yùn)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(duì)于時(shí)間、空間預(yù)測(cè)的3PG2模型結(jié)構(gòu)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(yīng)用

在當(dāng)前社會(huì)經(jīng)濟(jì)、科學(xué)技術(shù)快速發(fā)展的背景下,迫切需要對(duì)景感生態(tài)學(xué)的功能及其應(yīng)用做進(jìn)一步的研究[20-21]。例如,在基于“風(fēng)感”的緊湊型城市開放空間風(fēng)環(huán)境實(shí)測(cè)和CFD模擬比對(duì)研究中,通過(guò)實(shí)測(cè)和模擬數(shù)據(jù)比對(duì)來(lái)研究緊湊型城市開放空間內(nèi)綠地對(duì)行人高度風(fēng)場(chǎng)的實(shí)際干擾程度[22]。

通過(guò)構(gòu)建生態(tài)信息診斷框架,解決由于趨善化模型結(jié)構(gòu)設(shè)計(jì)不合理所導(dǎo)致的估計(jì)不確定性問(wèn)題。結(jié)果證明,景感營(yíng)造過(guò)程中的趨善化模型可以用來(lái)定量異質(zhì)性,同時(shí)識(shí)別出不確定性的主導(dǎo)因素,本文可以通過(guò)構(gòu)建優(yōu)化算法改進(jìn)模型結(jié)構(gòu)。盡管許多研究都將多個(gè)模型結(jié)合起來(lái)以減少模型結(jié)構(gòu)所造成的不確定性,但仍存在模型獨(dú)立性、模型校準(zhǔn)和驗(yàn)證,以及最優(yōu)模型結(jié)構(gòu)的選擇等問(wèn)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(shù)據(jù)輸入[10],因此本文選擇GeogDetector軟件對(duì)觀測(cè)與模擬的生物量差異(BDMO)進(jìn)行分析。GeogDetector軟件不僅可以處理類型和數(shù)值變量,解決所有類型變量的定量計(jì)算問(wèn)題,而且也是一種基于空間異質(zhì)性假設(shè)的方法。由于生態(tài)研究區(qū)域具有很強(qiáng)的空間異質(zhì)性,可以應(yīng)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(dǎo)因子的解釋力。

不足的是,GeogDetector軟件沒(méi)有顯著性檢驗(yàn),因此需要顯著性檢驗(yàn)來(lái)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(jié)果,采用一種結(jié)合趨善化模型的方法(遺傳技術(shù)：GT)來(lái)提高模擬精度。GT具有內(nèi)在的隱式并行性和良好的自適應(yīng)優(yōu)化能力,可以處理非解析式的目標(biāo)函數(shù)和約束,有助于理解模型結(jié)構(gòu)是如何影響B(tài)DMO,追溯不確定性來(lái)源,避免在景感營(yíng)造過(guò)程中出現(xiàn)新的不確定性問(wèn)題。

雖然本文的案例研究關(guān)于模擬森林生物量,但是生態(tài)信息診斷框架可以應(yīng)用于其他研究領(lǐng)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(jié)合多學(xué)科方法的生態(tài)信息診斷框架可以通過(guò)定量分析和模型數(shù)據(jù)同化提高模型結(jié)構(gòu)的模擬性能,這些改進(jìn)有助于研究人員量化生態(tài)預(yù)測(cè)中模型結(jié)構(gòu)的不確定性,以便在實(shí)際管理應(yīng)用中客觀使用[24-26]。

3.3 主導(dǎo)因素

結(jié)果顯示,林齡不僅是導(dǎo)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(dǎo)因素,而且結(jié)合其余因素的交互作用,因子解釋力均顯著增強(qiáng)或非線性增強(qiáng)。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(shuō)明3PG2模型結(jié)構(gòu)的優(yōu)化設(shè)計(jì)中,應(yīng)當(dāng)增設(shè)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(jī)理以減少模擬結(jié)果的不確定性。

4 結(jié)論

本研究以構(gòu)建生態(tài)信息診斷框架減少3PG2趨善化模型結(jié)構(gòu)在杉木人工林生物量生態(tài)預(yù)測(cè)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(yíng)造過(guò)程中趨善化模型的結(jié)構(gòu)差異,確定模擬和觀測(cè)數(shù)據(jù)集(迷碼數(shù)據(jù)集)之間差異的來(lái)源,減少生態(tài)預(yù)測(cè)過(guò)程中模型結(jié)構(gòu)的不確定性。

在景感營(yíng)造的過(guò)程中,結(jié)合觀測(cè)、模擬、統(tǒng)計(jì)和計(jì)算機(jī)編程等技術(shù)的景感生態(tài)學(xué)能夠通過(guò)結(jié)合迷碼數(shù)據(jù)和趨善化模型,揭示觀測(cè)與模擬之間的聯(lián)系,明確生態(tài)系統(tǒng)與各類生態(tài)因子之間的耦合關(guān)系,為區(qū)域或全球各種環(huán)境問(wèn)題的可持續(xù)管理政策提供技術(shù)支持。