吳恒，胥輝

(1.西南林業(yè)大學 林學院，云南 昆明 650224；2.國家林業(yè)和草原局西南調查規(guī)劃院，云南 昆明 650031)

森林碳儲量信息是研究森林生態(tài)系統能量循環(huán)的重要指標，也是生態(tài)系統科學管理的前提和基礎[1]。隨著地統計學和生態(tài)學的交叉研究表明，由于受海拔、坡度、坡向等地理因子和土壤、降雨、光照等環(huán)境因子的影響，森林資源的分布一般呈現出非隨機分布的特征[2-3]。在較小區(qū)域尺度范圍內，規(guī)模化人工造林短期內可能呈現一定程度的均勻分布，但天然林分的形成和演替都源于環(huán)境因素的綜合影響，從而呈現成群團狀、簇群狀或條塊狀地密集分布[4]。森林生態(tài)系統在自然演替和人為干擾的影響下，碳儲量的空間分布模式是隨時間變化的[5-6]，有必要對森林資源碳儲量分布模式的穩(wěn)定性進行分析，用于森林資源碳儲量調查、監(jiān)測和管理，服務于新時期的生態(tài)文明建設[7-8]。

空間自相關概念提出以來，被廣泛用于社會科學、資源環(huán)境、林業(yè)和農業(yè)等專業(yè)技術領域[9]，主要包括全局空間自相關性Moran’sI、增量空間自相關性分析、局部空間自相關性分析等方法。主要的代表學者包括Haining[10]、Anselin[11]、Cliff[12]、Fisher[13]、Goodchild[14]等。在森林資源的調查監(jiān)測中，可以根據調查的樣地資料或者小班矢量資料對蓄積量、生物量[15]、碳儲量[16-17]和其他林分因子進行空間自相關分析，描述森林資源的分布格局信息[18-19]。以往的研究[20]更多是證明存在空間自相關性，但缺少針對不同林木類型碳儲量空間分布模式的分析，從而缺乏對森林、散生木和四旁樹的碳匯潛力差異化管理模式[21]。

因此，本研究以四川省4期森林資源連續(xù)清查數據，采用Kolmogorov-Smirnova檢驗和Shapiro-Wilk檢驗對未轉換數據進行正態(tài)性檢驗，并對數據進行正態(tài)性轉換；計算碳儲量的全局Moran’sI，分析增量空間自相關特征，再進行局部空間自相關計算，以此探討不同林木類型碳儲量空間分布模式，以期為森林、散生木和四旁樹的碳匯管理提供理論依據。

1 研究區(qū)概況與研究方法

1.1 研究區(qū)概況與數據來源

第九次全國森林資源清查結果顯示[22]，四川省森林面積1 839.77×104hm2，森林覆蓋率38.03%；活立木蓄積197 201.77×104m3，森林蓄積186 099.00×104m3。本文數據來源包括四川省第六次(2002年)、第七次(2007年)、第八次(2012年)和第九次(2017年)森林資源連續(xù)清查數據，樣地總數10 098個，全為固定樣地，8 km×8 km與4 km×8 km兩種樣地間距相間排列，樣地形狀為正方形、邊長25.82 m、面積0.066 7 hm2。按照《森林資源連續(xù)清查技術規(guī)程》[23]對起源、樹種(組)、齡組的劃分方式，將優(yōu)勢樹種進行歸并處理，得到森林植被分起源、樹種(組)、齡組的蓄積量、碳儲量等數據。

1.2 研究方法

1.2.1 正態(tài)分布檢驗及轉換

森林資源儲量空間自相關分析的前提是儲量密度數據服從正態(tài)分布，否則可能會產生比例效應。采用樣地蓄積量、生物量和碳儲量密度數據進行柯爾莫洛夫-斯米洛夫(Kolmogorov-Smirnova)檢驗和夏皮羅-威爾克(Shapiro-Wilk)檢驗。若P<0.05，表示數據不服從正態(tài)分布；若P>0.05，表示數據服從正態(tài)分布。采用正態(tài)轉換對原始數據進行正態(tài)性轉換，對于比例估計和正態(tài)得分，選擇比例估計公式包括Blom①、Tukey②、Rankit③或Van der Waerden④，公式為：

①

②

③

④

式中:R為得分，r為等級，w為個案權重的總和。

1.2.2 空間自相關性計算

(1)全局空間自相關計算 全局空間自相關分析的公式為：

⑤

z-score值計算公式為：

⑥

式中:E(I)為期望，Var(I)為方差。

(2)增量空間自相關計算 運用增量空間自相關工具計算空間聚類模式最顯著距離，該距離作為局部空間自相關分析的尺度參數[24]。

(3)局部空間自相關計算 局部莫蘭指數(Local Moran’sI)公式為：

⑦

式中:變量、自變量同公式⑤。

1.2.3 空間自相關性差異分析

分析森林資源蓄積量、生物量和碳儲量空間自相關性間的差異，將高值聚集、低值聚集、相異聚集和隨機分布的分析結果運用于抽樣。采用增量空間自相關工具計算得出的空間聚類模式(類別變量)，進行斯皮爾曼(Spearman)等級相關系數計算和卡方檢驗(交叉分析)。

2 結果與分析

2.1 正態(tài)分布檢驗及轉換

活立木、林木、散生木和四旁樹碳儲量密度未進行轉換前Kolmogorov-Smirnova檢驗和Shapiro-Wilk檢驗顯著性值均小于0.01(表1)，為非正態(tài)分布。各年度的活立木、林木、散生木和四旁樹碳儲量密度分布偏度值均大于0，偏度值為其標準誤差的3倍以上，呈正偏態(tài)分布，其中偏度最大的為散生木。轉換后的碳儲量密度均具有較好的正態(tài)分布性，能夠用于森林資源碳儲量的空間自相關性分析。

2.2 全局空間自相關性分析

活立木和林木碳儲量密度全局Moran’sI指數均大于0.10，z-score值均大于40.00，P-值均小于0.0000，表明活立木和林木碳儲量密度分布存在極顯著的空間正相關性；2002年至2017年全局Moran’sI指數均呈下降趨勢，表明活立木和林木碳儲量密度相似聚集程度呈下降趨勢。散生木和四旁樹碳儲量密度空間正相關性顯著低于活立木和林木，全局Moran’sI指數均小于0.10，散生木碳儲量密度相似聚集程度具有波動特征，四旁樹碳儲量密度相似聚集程度則呈上升趨勢，見表2。

表1 碳儲量密度正態(tài)分布檢驗Tab.1 Results of normality test for carbon storage densities

表2 碳儲量密度全局空間的自相關指數Tab.2 Results of global spatial autocorrelation for carbon storage densities

2.3 增量空間自相關性分析

活立木碳儲量密度全局Moran’sI指數隨距離的增加逐漸降低(圖1)，但始終大于0，z-score值先增加后降低，且始終大于2.58，表明活立木碳儲量密度的空間聚類模式隨距離的變化始終表現為極顯著的空間正相關關系?；盍⒛咎純α棵芏?002年、2007年、2012年和2017年的z-score峰值距離分別為2.986 4、2.998 5、2.998 5和3.137 1均呈現動態(tài)上升趨勢。

圖1 活立木碳儲量增量空間自相關曲線Fig.1 Incremental spatial autocorrelation of standing carbon storage by distance

林木碳儲量密度全局Moran’sI指數隨距離的增加逐漸降低(圖2)，但始終大于0；z-score值先增加后降低，且始終大于 2.58。這表明林木碳儲量密度的空間聚類模式隨距離的變化始終表現為極顯著的空間正相關關系。林木碳儲量密度2002年、2007年、2012年和2017年的z-score峰值距離分別為2.986 4、2.986 4、2.986 4和3.137 1，較活立木更穩(wěn)定。

圖2 林木碳儲量增量空間自相關曲線Fig.2 Incremental spatial autocorrelation of forest carbon storage by distance

散生木碳儲量密度全局Moran’sI指數隨距離的增加呈波動變化，大于一定距離后全局Moran’sI指數為負值(圖3)。z-score則出現2個峰值，表明散生木碳儲量密度的空間聚類模式隨距離的變化空間自相關性不穩(wěn)定，即散生木碳儲量不具有穩(wěn)定的空間自相關性。

圖3 散生木碳儲量增量空間自相關曲線Fig.3 Incremental spatial autocorrelation of scatter carbon storage by distance

四旁樹碳儲量密度全局Moran’sI指數隨距離的增加呈波動變化，大于一定距離后全局Moran’sI指數為負值，且空間自相關性Moran’sI指數顯著小于活立木、林木和散生木(圖4)。z-score呈不規(guī)律的波動變化，表明四旁樹碳儲量密度的空間聚類模式隨距離的變化空間自相關性不穩(wěn)定，即四旁樹碳儲量不具有穩(wěn)定的空間自相關性，且不穩(wěn)定性顯著大于散生木。

圖4 四旁樹碳儲量增量空間自相關曲線Fig.4 Incremental spatial autocorrelation of side carbon storage by distance

圖5 活立木碳儲量密度聚類分布模式Fig.5 Spatial clustering pattern of standing carbon storage density

圖6 林木碳儲量密度聚類分布模式Fig.6 Spatial clustering pattern of forest carbon storage density

2.4 局部空間自相關性分析

在α=0.01的顯著性水平下，活立木碳儲量密度的空間分布存在規(guī)律性，高值聚集區(qū)主要集中在三州地區(qū)(阿壩州、甘孜州和涼山州)，而低值聚集區(qū)主要集中在盆地區(qū)域，相異聚集交錯分布于高值聚集區(qū)與低值聚集區(qū)之間，而三州地區(qū)與盆地區(qū)域的過渡地帶則呈現隨機分布(圖5)。林木碳儲量密度空間分布規(guī)律與活立木的空間分布規(guī)律相似(圖6)。由于散生木和四旁樹的碳儲量不具有穩(wěn)定的空間自相關性，散生木和四旁樹的碳儲量密度局部空間自相關性無明顯規(guī)律。

2.5 聚類分布模式相關性和差異性分析

蓄積量與生物量的聚類分布模式Spearman相關性系數均值為0.859，蓄積量與碳儲量的聚類分布模式Spearman相關性系數均值為0.863，生物量與碳儲量的聚類分布模式Spearman相關性系數均值為0.977。由于生物量與碳儲量間較高的直接相關性，導致生物量與碳儲量的聚類分布模式Spearman相關性系數大于前面兩者。這表明蓄積量、生物量和碳儲量三者間聚類分布模式具有較高的相關性。蓄積量與生物量的聚類分布模式卡方檢驗漸進顯著性均大于0.05，表明蓄積量與生物量的聚類分布模式不存在顯著差異；蓄積量與碳儲量的聚類分布模式卡方檢驗漸進顯著性均大于0.05，表明蓄積量與碳儲量的聚類分布模式不存在顯著差異；生物量與碳儲量的聚類分布模式卡方檢驗漸進顯著性均大于0.05，表明生物量與碳儲量的聚類分布模式不存在顯著差異(表3)。

表3 蓄積量、生物量和碳儲量聚類分布模式卡方檢驗Tab.3 Chi-square test results of spatial clustering pattern for volume,biomass and carbon storage

3 討論與結論

四川省活立木、林木、散生木和四旁樹碳儲量密度未進行轉換前均呈正偏態(tài)分布，活立木和林木碳儲量密度分布存在極顯著的空間正相關性。2002年至2017年活立木和林木碳儲量密度相似聚集程度呈下降趨勢，散生木和四盤樹碳儲量密度的空間聚類模式隨距離的變化空間自相關性不穩(wěn)定。在α=0.01的顯著性水平下，碳儲量高值聚集區(qū)主要集中在阿壩州、甘孜州和涼山州，而低值聚集區(qū)主要集中在四川盆地區(qū)域，相異聚集交錯分布于高值聚集區(qū)與低值聚集區(qū)之間，而三州地區(qū)與盆地區(qū)域的過渡地帶則呈現隨機分布。蓄積量、生物量和碳儲量三者間的聚類分布模式不存在顯著性差異。

在較大區(qū)域尺度上，土壤、海拔、光照和水分等生境因子極小概率會出現均勻一致的情況，生境因子的空間異質性使森林生態(tài)系統碳儲量空間分布呈現區(qū)域化特征，具有一定的結構性，如本研究中碳儲量高值主要集中在阿壩州、甘孜州和涼山州，而低值主要集中在四川盆地區(qū)域，三州地區(qū)與盆地區(qū)域的過渡地帶則呈現隨機分布的現象，表明森林碳儲量是隨機變量與位置相關的隨機函數[20,25-26]。生態(tài)系統是由生物群落及其生存環(huán)境共同組成的動態(tài)平衡系統，隨時間不停地發(fā)生變化，碳儲量作為森林生態(tài)系統能量循環(huán)流動的載體，也隨時間呈現連續(xù)動態(tài)變化的特征。由于環(huán)境資源因子的非均勻分布特點和森林生態(tài)系統內自身競爭因素，森林生態(tài)系統碳儲量一般不會產生均勻分布的格局。

從溫度、水分、土壤、地形等環(huán)境因子和起源、樹種和林層結構等林分因子分析森林資源儲量空間分布格局差異，考慮不同環(huán)境因子間的交互作用對資源儲量時空分布格局的影響將是本研究后續(xù)需要改進的方向[27-28]。