浙江省麗水市亞熱帶森林景觀格局對森林碳密度的影響

王劍武，季碧勇，王錚屹，朱程昊

（1.浙江省森林資源監測中心，浙江 杭州 310020；2.國家林業和草原局 華東調查規劃院，浙江 杭州 310019）

氣候變化是人類面臨的全球性問題。到2050 年，為了將全球升溫控制在1.5 ℃以內，必須增加約1 億 hm2森林[1]。森林生態系統是全球陸地生態系統中最大的碳庫[2]。森林碳密度是衡量森林生態系統固碳能力的重要指標，其影響機制越來越受到重視，已圍繞樹種組成[3]、氣候驅動變化[4]、森林管護水平[5]、道路網絡[6]和城市擴張[7]等自然與人為因素開展了富有成效的研究。

實際上，景觀格局反映了自然與人為因素在不同時空尺度上作用的最終結果，并能夠體現各生態過程在不同時空尺度上的相互作用關系[8]。森林景觀格局反映了森林景觀的組成、空間分布、數量、結構和功能等信息[9]，森林景觀規模異質性的增加，改變了森林的結構、功能和過程[10]，關注森林景觀異質性能更好地衡量碳循環等森林生態功能[11]。森林景觀如何影響森林儲量受到越來越多關注[12]，關于森林景觀格局對森林碳儲量的影響機制也進行了研究。森林景觀格局優化可以促進森林碳儲量提高[13]，擴大斑塊面積從而提高森林景觀連通性，促進次生林碳儲量提升[14]，而森林破碎化則會減少森林邊緣的碳儲量[15]。張丹[16]研究了不同尺度城市森林景觀格局與碳儲量的相關性，并指出增加森林斑塊面積和連結度，減小斑塊的平均鄰近距離與周長面積比均可增加城市森林碳儲量。宋潔[17]分析了祁連山森林景觀格局對森林碳儲量的相關性，認為增加森林景觀面積、景觀形狀復雜度、景觀聚集度和連通性能夠提升森林碳儲量。呂海亮[18]研究了城市森林碳密度與景觀格局關系，認為平均斑塊面積與碳密度呈顯著正相關，而景觀形狀指數則與其呈顯著負相關。也有學者聚焦森林景觀格局對森林碳密度的影響研究，通過耦合協調度模型探究碳密度與森林景觀不同組成、分布等特征的關系[19]。然而，量化森林景觀格局對森林碳密度影響的研究還不多，且以上研究雖然解析了森林景觀格局對森林碳密度的相關性，但很少從空間上解釋森林景觀對森林碳密度的影響規律。實際上森林碳密度具有空間自相關性[20-21]，忽略地理因素的空間非平穩性，易導致結果有偏差或估計效率低下。

目前，地理加權回歸模型(GWR)、空間計量模型、地理探測器等方法已被用于分析研究對象與各類驅動因素之間的空間關聯性。其中，GWR 解釋模型方差比其他模型更有效，且相比于普通最小二乘模型(OLS)，能較好地揭示解釋變量的空間異質性，但GWR 模型是基于恒定帶寬，忽略了解釋變量尺度作用差異。為此，FOTHERINGHAM 等[22]提出了多尺度地理加權(MGWR)模型，解決了不同解釋變量在不同尺度同一帶寬的問題，即允許在多個空間尺度上建立自變量和因變量的關系模型。MGWR 模型已成功應用于生境質量[23]、生態效率[24]、森林火災[25]等的驅動因素分析，但在森林景觀研究中的應用仍處于探索階段。

本研究選取了浙江省麗水市為研究區域，采用MGWR 模型探究亞熱帶森林景觀格局對森林碳密度的影響機制和空間非平穩性，為研究區域森林碳密度時空特征提供框架，以期為制定國土綠化、森林質量提升政策，因地制宜開展森林保護與管理提供依據。

1 研究方法

1.1 研究區概況

麗水市位于浙江省西南部，27°25′～28°57′N 和118°41′～120°26′E，地貌以丘陵、中山為主，市域面積為1.73 萬km2。麗水市屬中亞熱帶季風氣候，溫暖濕潤，雨量充沛，具有典型的山地氣候。作為南方亞熱帶重要的集體林區，及浙江省森林資源最為豐富的設區市，截至2019 年，麗水市森林面積為142.14 萬hm2，森林覆蓋率為82.27%，森林蓄積量為0.96 億m3，居浙江省前列。近年來，隨著快速的城市化和社會發展，該地區土地利用發生了相當大的變化，這對森林提供生態系統服務能力產生了重要影響[26]。同時該地區國家公園和自然保護地建設，以及森林管理活動也對森林碳循環產生了重大影響[27]，增強了森林景觀格局和森林碳密度的空間異質性。

1.2 數據來源

①土地利用矢量數據來源于浙江省森林資源年度變更成果。將研究區的土地利用分為喬木林地、竹林地、灌木林地、未成林造林地、苗圃地、跡地、宜林地和非林地等8 種類型。為更細致刻畫森林景觀特征，進一步把喬木林地細分為針葉林、闊葉林、針闊混交林等3 種類型。地類和樹種分類按照DB33/T 640—2017《森林資源規劃設計調查規程》[28]執行。②樣地數據來源于麗水市716 個森林資源連續清查樣地(以下簡稱連清樣地)的現場調查，全市以公里格網4 km×6 km 間距布設樣地，單個樣地面積為0.08 hm2，形狀為正方形。③數字高程模型來源于地理空間數據云(http://www.gscloud.cn/)，分辨率為30 m。④年降水量和年平均氣溫數據根據資源環境科學與數據中心下載的中國756 個氣象站觀測數據，通過普通Kriging 法進行空間插值形成柵格數據，分辨率為30 m。以上數據均取2012 和2019 年的數據。

1.3 測算森林碳密度

①利用2012 和2019 年連清樣地實測的樣木數據，將每株樣木樹種歸類至表1 所列的樹種類型。②使用樹高-胸徑曲線模型計算單株樹(竹)高；③使用冠長模型計算單株樹(竹)冠長；④使用單株立木(竹)生物量模型計算各樣地內的單株活立木(竹)的地上和地下部分生物量，再通過與含碳率的乘積測算單株活立木(竹)的碳儲量；⑤將樣地內各株活立木(竹)的碳儲量累加形成樣地林分水平的碳儲量，然后除以樣地面積得到森林碳密度。⑥利用ArcMap 10.8 的球面半變異函數模型的普通Kriging 法，形成麗水市森林碳密度空間分布圖。樹高-胸徑曲線模型、冠長模型、生物量模型見表1，含碳率見表2。

表1 樹高-胸徑曲線模型、冠長模型和生物量模型Table 1 Height-diameter curves model, crown length model and biomass model

表2 樹種含碳率Table 2 Carbon contents of species

為驗證碳密度空間分布結果精度可靠性，基于已有數據，先將空間分布結果由柵格轉為矢量面要素的格網，并裁切提取出麗水市行政范圍內的格網；再將每個格網的面積與其碳密度相乘并匯總加和得到麗水市森林碳儲量；然后按照文獻[29]所述的系統抽樣統計方法，基于連清樣地計算麗水市森林碳儲量的估計中值、估計精度和估計區間；最后根據文獻[30]，基于空間分布結果計算的森林碳儲量如落入估計區間，則說明該結果是有精度保證的，森林碳儲量是碳密度乘以麗水市面積得到，也可說明森林碳密度空間分布結果是有精度保證的。

1.4 量化森林景觀格局指數

選擇5 個常用且相關性較低的景觀指標：香農多樣性指數(SHDI)、最大斑塊指數(LPI)、斑塊密度(PD)、蔓延度指數(CONTAG)、景觀形狀指數(LSI)。各指標的含義和計算公式見文獻[31]。另外，本研究選擇了年平均降水量(PREP)、年平均氣溫(TEMP)、海拔(ELEV)作為控制變量。氣溫和降水量是影響森林固碳能力最常見的氣候要素，其影響是雙向的。氣溫會影響植被光合作用和凈初級生產力，從而影響森林生長[32]，但高溫引起的呼吸增加可能使碳儲量隨著溫度升高而減少[33]。一定范圍內的水資源會促進森林的生長，水分過多則會抑制土壤呼吸，影響植物生長[34]。使用Fragstats 4.2 軟件，參照已有對市級尺度的景觀研究[35-36]，選取5 km×5 km 為窗口大小，采用移動窗口法生成各景觀指標柵格圖，基于ArcMap 10.8 生成4 km×4 km 的格網(研究區共計1 204 個網格)，對每個格網的景觀格局指標數值和控制變量數值分區統計。

1.5 空間自相關分析

地理學第一定律表明，在涉及具有地理空間的數據時，事物之間距離越近關聯性越大[37]。采用Global Moran’sI和Local Moran’sI來描述森林碳密度的全域和局部聚類特征。計算公式可見文獻[38]。Moran’sI介于-1 到1 之間，＞0 表示存在正相關性，＜0 表示存在負相關性，0 表明不存在空間自相關。使用GeoDa 1.12 繪制LISA (local indicators of spatial association)圖，反映森林碳密度的空間格局，LISA 圖包括4 個類別，“高—高”和“低—低”表示空間正相關，“高—低”和“低—高”表示空間負相關。Global Moran’sI也將用于量化MGWR 模型的殘差空間自相關，如果殘差存在顯著的空間自相關，則表明模型中缺失了關鍵解釋變量。

1.6 MGWR 模型

采用MGWR 模型探究森林景觀格局對森林碳密度的多尺度影響。MGWR 模型通過不斷尋找各解釋變量的最優帶寬并不斷更新參數估計值，直至系數迭代收斂，從而形成最終回歸結果[39]。該模型如下：

其中，yi是格網i的被解釋變量；xij是格網i的第j個解釋變量；βbwj(ui,vi)為格網i的第j個解釋變量的局部回歸系數，(ui,vi)為格網i的空間位置，bwj為第j個解釋變量回歸系數所使用的帶寬bw；m為解釋變量的個數；εi為誤差項。本研究采用MGWR 2.2 進行模型構建，MGWR 形式選擇Gaussian，空間Kernel 類型選擇Adaptive Bisquare 函數，帶寬搜尋方法采用Golden Section，模型最優化準則采用AICc 準則。

2 結果與分析

2.1 森林碳密度空間格局

2012—2019 年，研究區森林碳密度平均值從23.19 t·hm-2提高到31.96 t·hm-2，年均增量為1.25 t·hm-2。根據研究區森林資源連續清查結果，森林面積和森林蓄積量分別從2012 年的132.81 萬hm2和0.65 億m3增加到142.14 萬hm2和0.96 億m3，年均分別增加1.33 萬hm2和0.04 億m3，森林面積和森林蓄積量逐年上升促進了森林碳密度增加。森林碳密度空間分布格局存在顯著差異，低森林碳密度主要在研究區的北部、西部和西南部的森林碳密度較高(圖1)。2012 和2019 年研究區的Global Moran’I分別為0.889 和0.891 (P＜0.01)，表明森林碳密度較高或較低區域趨于聚集。由圖2 發現：①“高—高”區域主要分布在西南部和中南部地區。西南部是甌江源頭，擁有錢江源-百山祖國家公園百山祖園區等多處自然保護地，得益于較少的人為干擾、公益林保護和森林生態保護修復，森林質量高。②“低—低”區域主要分布在北部，北部地區包含松谷平原和碧湖平原，這些地區耕地、建筑用地較多，受人類活動影響頻繁。③“低—高”區域分布極少，說明出現周圍森林碳密度高而本地森林碳密度低的空間結構概率較低。

圖1 麗水市森林碳密度空間分布圖Figure 1 Spatial distribution map of forest carbon density in Lishui City

圖2 麗水市森林碳密度LISA 分布特征圖Figure 2 Spatiotemporal characteristics of LISA map of forest carbon density in Lishui City

基于麗水市連清樣地，系統抽樣統計結果(表3)表明：2012 年全市森林碳儲量估計中值為4 023.48 萬t，估計區間為(3 729.05～4 317.90)萬t，估計精度為92.68% (P＜0.05)。2019 年全市森林碳儲量估計中值為5 541.19 萬t，估計區間為(5 192.46～5 889.91)萬t，估計精度93.71%為(P＜0.05)。2012 和2019 年基于空間分布結果計算的森林碳儲量分別為4 023.08 萬t和5 543.42 萬t，均位于相應年份的估計區間內，說明森林碳密度空間分布結果是有精度保證的。

表3 分別基于連清樣地、森林碳密度空間分布結果計算的麗水市森林碳儲量Table 3 Forest carbon storage in Lishui City based on the continuous forest inventory and spatial distribution of forest carbon density, respectively

2.2 基于MGWR 模型的空間非平穩性分析

2.2.1 變量尺度效應 由表4 可見：2012 和2019 年的MGWR 模型的Adj-R2分別達0.898 和0.892。模型的帶寬包含44、79、992 和1 204，由于研究區被劃分為1 204 個網格，因此從行政邊界角度看，帶寬992 和1 204 的空間尺度可定義為市級，44 和79 可定義為縣級。LSI 帶寬為44，作用尺度較小，表明景觀形狀復雜度對森林碳密度的影響在空間上存在較大差異。CONTAG、LPI 和SHDI 的帶寬都較大，說明森林景觀連通性、面積優勢度和景觀多樣性對森林碳密度影響的空間差異相對較小，也表明上述3 個影響因素回歸系數空間異質性較不明顯。PD 帶寬從79 升至1 204，作用尺度在擴大，意味著景觀破碎化程度對森林碳密度影響的空間差異在變小。

2.2.2 回歸結果 由表4 可見：從景觀格局指標的回歸參數2 期均值的絕對值看，CONTAG 對森林碳密度影響最大，其次是SHDI 和PD，LPI 和LSI 相對影響較小。從圖2 的局部R2看，研究區大部分區域擬合優度較高，模型可以揭示研究區2012 年森林碳密度總變化的17.8%～95.9%和2019 年的22.1%～96.6%。從各影響因素beta 系數的正負值占比看，除CONTAG 和SHDI 外，其余景觀格局的參數估計值正負情況都存在，即對森林碳密度表現不同效應影響，說明MGWR 模型能將系數的局部特征呈現出來。

2.2.3 回歸結果的空間非平穩性 由圖3 可見：2012 和2019 年，CONTAG 對森林碳密度的負向影響均從研究區的西北向東南下降，但對森林碳密度的負向驅動力在研究期間逐漸減弱。這可能是因為西北部包含了松古平原，同時遂昌縣境內分布有若干小盆地，斜坡平緩，茶葉等經濟林種植面積廣，應當通過加強農田林網建設和平原綠化增加片狀森林面積，降低經濟樹種的景觀連通度，提高區域森林碳密度。PD 系數在研究區范圍內以負值為主，并且負值區域在逐漸增多，說明降低森林破碎化程度一定程度上可減少對森林碳密度的負向影響。LPI 系數以負值為主，意味著大部分區域需要減少人為干擾，維持植被自然生長狀態。從2012 年到 2019 年，LPI 系數正值區域有所增加，在西北部和中西部等區域與森林碳密度呈正相關關系，說明這些地方通過適當增加森林撫育、補植造林等措施，能夠對提高森林碳密度產生積極影響。從2012 年到2019 年，LSI 對森林碳密度的驅動力逐漸增強。說明在一定程度上，隨著斑塊形狀的復雜度增加，森林碳密度也會隨之增加。2019 年，LSI 對森林碳密度的正向影響由西向東下降，這表明相對于研究區東部，西部森林斑塊復雜程度的增加對森林碳密度的正向影響更大。這可能是因為森林景觀斑塊形狀復雜，能夠促進斑塊邊緣的植被形成高效率的能量共生網絡[40]，增強森林的邊緣效應，而斑塊邊緣通常具有較高的初級生產力[41]。從2012 年至2019 年，SHDI 對森林碳密度的負向驅動力逐漸減弱，形成負向影響由西向東增加的格局，說明研究區的林分種類分布比較均勻。年平均降水量系數總體上呈現由東部大于西部轉變為西部大于東部的趨勢，但2 期正向與負向影響區域的數量差異較小。年平均氣溫對森林碳密度的正向影響區域逐漸增多，而海拔系數空間分布差異不大。2019 年，年平均降水量主要在西部和西南部與森林碳密度呈正相關關系，其余區域主要呈負相關關系。年平均氣溫系數空間分布與年平均降水量有一定相似，主要在西南部和西北部與森林碳密度呈正相關關系。研究區的絕大部分區域的海拔與森林碳密度呈正相關關系，并且中部區域的正相關關系更強。年平均降水量、年平均氣溫系數正值分布區域包含了錢江源-百山祖國家公園百山祖園區、九龍山國家級自然保護區、括蒼山省級森林公園，充分利用豐富的水熱資源，加強自然保護地內森林生態系統保護修復，有助于提高森林碳密度。

圖3 MGWR 模型系數和局部R2 空間格局Figure 3 Spatial pattern of MGWR model coefficient and local R2

3 討論

3.1 MGWR 模型能反映森林碳密度對森林景觀格局響應的空間分異

本研究發現：森林碳密度具有顯著的空間自相關性，考慮影響因素的空間尺度對模型的結果會產生重大影響。MGWR 模型擬合結果表明，斑塊密度、最大斑塊指數、年平均降水量、年平均氣溫和海拔等變量在不同區域的回歸系數既有正值也有負值，因MGWR 模型使用自適應帶寬，可以更精確地探索驅動因素對森林碳密度的作用機制和空間異質性影響，并明確各驅動因素的具體影響尺度。

3.2 森林景觀格局驅動森林碳密度對森林管理的建議

森林景觀格局對森林碳密度影響表現出不同大小的驅動力和多尺度空間特征，不同尺度需要關注的影響因素是不同的，因此林業管理者可以根據這些特征制定宏觀與微觀的政策。在市級層面，林業管理者需要加強農田林網和生態廊道建設，降低純林的景觀連通度，同時對生態保護修復進行全區域尺度的管理，將森林恢復和減少森林破碎化戰略納入空間規劃中，減少山區森林生態系統中人為干擾和森林破碎化，以提高森林碳密度的整體水平。在縣級尺度上，通過合理配置森林景觀組成可以有效增強森林固碳量[42]，并發揮森林組成成分間相互作用效能，發揮森林邊緣效應優勢。

3.3 局限性和未來研究方向

區域森林碳密度計算是一項復雜的研究任務且有多種計算方法，如采用CASA 模型計算植被凈初級生產力(NPP)，再將其轉換為固碳量，或采用InVEST 模型計算固碳量。森林碳密度受各種因素的影響，本研究是在系統布設的固定樣地計算結果基礎上，采用空間插值形成區域森林碳密度，計算方法在某些方面可能仍需改進。由于缺少灌木林實測數據，本研究未測算樣地內的灌木林碳儲量。隨著尺度增加，森林碳密度的影響因素也愈加復雜，由于景觀格局具有尺度依賴性，MGWR 模型作為線性回歸模型，對愈加復雜的影響因素解釋能力需進一步探討。此外，本研究使用邊長4 km 正方形的網格尺度來創建景觀格局指標，并探究其與森林碳密度的關系，這個尺度可能更適用于建模，對實際森林管理會有不便。在未來研究中可以以鄉鎮、村級行政單位為建模單元，進一步增強模型結果的實際應用性。鑒于森林碳密度的空間自相關性，可以考慮使用空間計量模型進一步探究森林碳密度對森林經營管理和經濟社會發展的響應機制。

4 結論

本研究以浙江省麗水市為研究區，使用MGWR 模型探討了森林景觀格局對森林碳密度的影響。2012 和2019 年，森林碳密度的空間自相關度分別為0.889 和0.891，呈顯著的空間自相關性。森林景觀格局對森林碳密度的影響在空間上存在非平穩性，CONTAG 和SHDI 存在負向影響，PD、LPI、LSI 在空間上正向和負向影響并存。森林景觀格局也表現出不同尺度效應，CONTAG、LPI、SHDI 的作用尺度較大，LSI 作用尺度較小?；谘芯拷Y果，建議進一步重視森林經營管理的空間決策支持，因地制宜實施自然演替和人工干預相結合的森林生態系統保護修復措施，促進森林生態系統碳匯功能提升。