廣東西樵山國(guó)家森林公園森林碳儲(chǔ)量空間分布研究

張凌宇,趙慶,吳曉君,許東先,羅皓,謝進(jìn)金

(廣東省森林培育與保護(hù)利用重點(diǎn)實(shí)驗(yàn)室/廣東省林業(yè)科學(xué)研究院,廣州 510520)

0 引言

全球氣候變化已經(jīng)成為21世紀(jì)人類社會(huì)面臨的最大挑戰(zhàn),由于社會(huì)經(jīng)濟(jì)發(fā)展、人口增加以及能源消耗等,二氧化碳排放量逐年增加是當(dāng)代氣候變化的根本原因,并對(duì)碳循環(huán)造成重大影響[1]?；诖?2020年9月,中國(guó)政府向國(guó)際社會(huì)宣布,將提高國(guó)家自主貢獻(xiàn)力度,采取更有力的政策和措施,努力爭(zhēng)取2030年前二氧化碳排放達(dá)到峰值,2060年前實(shí)現(xiàn)碳中和。這是中國(guó)首次向全球明確實(shí)現(xiàn)碳中和的時(shí)間點(diǎn),也是迄今為止世界各國(guó)中做出的最大減少全球變暖預(yù)期的氣候承諾[2]。

森林在全球碳循環(huán)過(guò)程占據(jù)著重要位置,特別是在增加碳匯、維持碳平衡以及氣候調(diào)節(jié)等方面發(fā)揮著重要作用[3]。作為發(fā)展碳匯林業(yè)、減排增匯的基礎(chǔ),精準(zhǔn)獲取區(qū)域尺度森林碳儲(chǔ)量已成為現(xiàn)如今全球氣候變化與碳循環(huán)研究的重要內(nèi)容,森林碳儲(chǔ)量空間分布格局的研究也可以從布局和決策上指導(dǎo)森林經(jīng)營(yíng)方案的制定[4-5]。

目前,有關(guān)森林碳匯估算方法主要分為3種,分別為樣地清查法、利用變分原理建立多物理量模型的渦度相關(guān)法以及模型模擬法[6-9],然而無(wú)論是以換算因子法為基礎(chǔ)的樣地調(diào)查法,還是以地統(tǒng)計(jì)學(xué)和遙感估算技術(shù)為基礎(chǔ)的碳儲(chǔ)量估測(cè)模型進(jìn)行模擬,都存在一定的局限性,實(shí)際上都沒(méi)有考慮森林碳儲(chǔ)量數(shù)據(jù)收集過(guò)程中的空間異質(zhì)性和空間自相關(guān)性[10]。由于林業(yè)數(shù)據(jù)收集過(guò)程中,處于不同位置上的林分存在差異,其森林碳儲(chǔ)量數(shù)據(jù)普遍存在空間異質(zhì)性,這類空間非平穩(wěn)性數(shù)據(jù),容易影響基于傳統(tǒng)統(tǒng)計(jì)方法所得到結(jié)果的準(zhǔn)確性[11],而空間自相關(guān)性則隨著空間距離的變化而變化,在大尺度研究森林碳儲(chǔ)量的空間分布時(shí),往往忽略這種相關(guān)性的影響,使研究結(jié)果的精度大幅度降低,一般采用Moran'sI表示研究區(qū)整體和局域的空間自相關(guān)性[12]。

近年來(lái)大量研究表明,地理加權(quán)回歸模型(Geographically weighted regression model, GWR)在解決空間異質(zhì)性和空間自相關(guān)性問(wèn)題上具有明顯的優(yōu)勢(shì)。GWR模型最早在國(guó)外應(yīng)用在環(huán)境科學(xué)和社會(huì)科學(xué)等研究領(lǐng)域[13-14]。引入國(guó)內(nèi)后,GWR模型在林業(yè)領(lǐng)域做出諸多應(yīng)用。例如王海賓等[15]以浙江省內(nèi)一景Landsat 8影像覆蓋范圍內(nèi)的喬木林為研究對(duì)象,采用GWR模型和協(xié)同克里格插值法分別構(gòu)建了喬木林地上碳密度估算模型,結(jié)果顯示GWR模型構(gòu)算的模型精度要明顯高于協(xié)同克里格插值法的模型精度,同時(shí)GWR模型較好地保留了估算變量的空間異質(zhì)性;李明澤等[16]通過(guò)將遙感因子和林分因子相結(jié)合的方法建立了基于GWR模型的大興安嶺森林立地質(zhì)量估算模型,結(jié)果顯示加入空間樣地信息的GWR模型有效地降低了空間自相關(guān)性。除了對(duì)比分析傳統(tǒng)GWR模型和其他模型在估算精度上的差異以外,也有學(xué)者采用GWR模型和其他模型相結(jié)合的方法對(duì)研究目標(biāo)進(jìn)行模擬和預(yù)測(cè),如Zhen等[17]以黑龍江涼水自然保護(hù)區(qū)各小班風(fēng)倒木數(shù)據(jù)為研究對(duì)象,分別利用地理加權(quán)邏輯回歸(Geographic weighted logistic regression,GWLR)、地理加權(quán)泊松模型(GWPR)和GWR模型對(duì)風(fēng)倒木發(fā)生概率、數(shù)量和蓄積進(jìn)行了研究,結(jié)果顯示局域模型在模型擬合優(yōu)良性上要優(yōu)于相應(yīng)的全局模型,并形成了良好的模型殘差分布;戚玉嬌[18]采用最小二乘模型(Ordinary Least Squares, OLS)、空間誤差模型(Spatial error model, SEM)、GWR模型3種空間模型和普通最小二乘模型對(duì)森林的碳儲(chǔ)量進(jìn)行了估測(cè),研究結(jié)果顯示,GWR模型的擬合效果要明顯優(yōu)于其他3種模型,相比于OLS模型和SEM模型,GWR模型在最大程度上消除了模型殘差的空間自相關(guān)性。

林地“一張圖”是以“互聯(lián)網(wǎng)+”、云計(jì)算、大數(shù)據(jù)為戰(zhàn)略背景,在一定程度上實(shí)現(xiàn)了森林資源管理的精細(xì)化與科學(xué)化,本研究以2020年廣東西樵山國(guó)家森林公園森林資源管理“一張圖”數(shù)據(jù)為基礎(chǔ),運(yùn)用OLS模型、SEM模型和GWR模型分別對(duì)該地區(qū)森林碳儲(chǔ)量的空間分布進(jìn)行模擬,分析全局模型和不同參數(shù)配置下的空間模型在解決空間自相關(guān)性上的優(yōu)劣,為解決空間非平穩(wěn)性問(wèn)題提供了一種思路和方法,此外,通過(guò)分析研究區(qū)不同區(qū)域的空間異質(zhì)性,也可以為該地區(qū)建立基于區(qū)域尺度的城郊森林公園景觀健康評(píng)價(jià)指標(biāo)體系以及森林景觀異質(zhì)性研究提供理論支持[19-21]。

1 研究地區(qū)與研究方法

1.1 研究地區(qū)概況

研究區(qū)廣東西樵山國(guó)家森林公園位于佛山市南海區(qū)的西南部,屬南亞熱帶季風(fēng)氣候區(qū),土壤主要為赤紅壤,植物種類豐富,其中主要的喬灌草植物有380多種,代表性植物群落為南亞熱帶季風(fēng)常綠闊葉林,主要喬木由殼斗科(Fagaceae )、樟科(Lauraceae)、山茶科(Theaceae )、梧桐科(Sterculiaceae)和大戟科( Euphorbiaceae )等種類的樹(shù)種組成;灌木主要有青江藤(Celastrushindsii)、五指毛桃(Ficushirta)、鬼燈籠(Clerodendrumfortunatum)和車輪梅(Rhaphiolepisindica)等;草本植物主要有禾本科和蕨類植物火炭母(Polygonumchinense)、露籽草(Ottochloanodosa)、芒萁(Dicranopterispedata)和三叉蕨(Tectariasubtriphylla)等。

1.2 森林碳儲(chǔ)量數(shù)據(jù)來(lái)源

森林碳儲(chǔ)量數(shù)據(jù)來(lái)源于2020年廣東西樵山國(guó)家森林公園森林資源管理“一張圖”數(shù)據(jù),本研究中的森林碳儲(chǔ)量指森林植被碳儲(chǔ)量,包括喬木碳儲(chǔ)量、林下植被碳儲(chǔ)量、灌木碳儲(chǔ)量和草本碳儲(chǔ)量。單位面積森林的碳儲(chǔ)量,即森林碳密度,是單位面積森林生物量與碳轉(zhuǎn)換系數(shù)的乘積,國(guó)際常用的碳轉(zhuǎn)換系數(shù)為0.5,單位面積生物量的估算采用廣東省森林資源監(jiān)測(cè)中心提供的生物量擴(kuò)展因子方程,利用連續(xù)清查數(shù)據(jù)中的測(cè)樹(shù)因子,分樹(shù)種推算出樣地實(shí)測(cè)生物量,而對(duì)于一些沒(méi)有對(duì)應(yīng)生物量方程的樹(shù)種,選擇相近樹(shù)種的生物量方程代替計(jì)算[22-23]。

1.3 模型變量的選擇

本研究采用逐步選擇法(引入和剔除的顯著性標(biāo)準(zhǔn)ɑ =0.05)對(duì)模型變量進(jìn)行選取,通過(guò)引入和剔除交替進(jìn)行自變量檢查,直到無(wú)統(tǒng)計(jì)學(xué)意義的新變量可以引入也無(wú)自變量可以剔除時(shí)為止。結(jié)合平均胸徑、平均樹(shù)高、林分蓄積量、林分密度、郁閉度、坡度、坡向、海拔、下木蓋度、土壤厚度和枯枝落葉厚度11個(gè)初始變量進(jìn)行選擇,在對(duì)各參數(shù)進(jìn)行相關(guān)性檢驗(yàn)的基礎(chǔ)上,得到林分平均胸徑、林分平均高、海拔和坡度4個(gè)影響森林碳儲(chǔ)量分布的變量,本研究中所有的獨(dú)立變量都進(jìn)行了標(biāo)準(zhǔn)化處理。

1.4 最小二乘模型(OLS)

最小二乘模型是利用多組觀察值求得p個(gè)自變量X與因變量Y之間殘差平方和最小的一種擬合方法,其表達(dá)式如下。

(1)

式中:β為估算的未知固定效應(yīng)的模型系數(shù)向量;ε為模型殘差,服從N(0,σ2)。

1.5 空間誤差模型(SEM)

空間誤差模型表示在空間上鄰域的Y對(duì)該點(diǎn)沒(méi)有直接影響,空間相關(guān)性來(lái)自其他因素影響,其表達(dá)式如下。

Y=Xβ+λWε+ξ。

(2)

式中:Wε為空間誤差項(xiàng);ξ是真正的模型誤差項(xiàng),服從N(0,σ2I);λ為空間自相關(guān)參數(shù)。

1.6 地理加權(quán)回歸模型(GWR)

地理加權(quán)回歸模型是將距離權(quán)重作為一種解決空間異質(zhì)性的方法納入到模型中,從而在很大程度上減少甚至消除由于空間異質(zhì)性的作用導(dǎo)致回歸模型參數(shù)估計(jì)不準(zhǔn)確的影響,其表達(dá)式如下。

(3)

式中:β0(ui,vi)為回歸模型的截距;(ui,vi)為第i取樣點(diǎn)的地理坐標(biāo);βk(ui,vi)為第i取樣點(diǎn)上第k個(gè)參數(shù)的估計(jì)值,屬于一個(gè)地理函數(shù)坐標(biāo),ε為模型殘差,服從N(0,σ2)。

1.7 模型殘差的空間自相關(guān)性

本研究分別采用全局和局域的MoranI來(lái)評(píng)價(jià)模型殘差的空間分布,全局MoranI計(jì)算公式如下。

(4)

(5)

在本研究中,局域MoranI用來(lái)檢測(cè)每一個(gè)獨(dú)立樣地點(diǎn)模型殘差的局部聚集狀況,當(dāng)局域MoranI<0時(shí),說(shuō)明在該樣地點(diǎn)周圍聚集著不同的模型殘差,此時(shí)模型殘差的空間分布最好,當(dāng)該點(diǎn)的局域MoranI>0時(shí),表示在該樣地點(diǎn)周圍聚集著相似的模型殘差[24]。

1.8 模型擬合優(yōu)度比較

1.9 數(shù)據(jù)處理

本研究分別采用SAS9.3、GeoDa、GWR4.0軟件建立OLS模型、SEM模型和GWR模型,采用Excel下宏文件ROOKCASE對(duì)全局和局域MoranI值進(jìn)行計(jì)算,最后基于ArcGIS 軟件平臺(tái),采用反距離權(quán)重法(Inverse Distance Weight,IDW)對(duì)GWR模型下的空間分布圖進(jìn)行繪制。

2 結(jié)果與分析

2.1 模型擬合

由表1可知,對(duì)于OLS模型而言,所有變量的方差膨脹因子(Variance Inflation Factor,VIF)均小于5,表明模型各自變量間不存在多重共線性,并且在ɑ =0.05水平上所有變量的參數(shù)估計(jì)值均表現(xiàn)出統(tǒng)計(jì)顯著性,可以對(duì)因變量進(jìn)行很好的解釋。在OLS模型各變量中,林分平均胸徑、林分平均高和海拔的參數(shù)估計(jì)值為正,說(shuō)明這3個(gè)變量與碳儲(chǔ)量呈正相關(guān),坡度的參數(shù)估計(jì)值為負(fù),說(shuō)明其與碳儲(chǔ)量呈負(fù)相關(guān),所有變量對(duì)森林碳儲(chǔ)量影響由大到小順序?yàn)?林分平均高、林分平均胸徑、坡度、海拔。

表1 最小二乘模型各變量的參數(shù)估計(jì)值、標(biāo)準(zhǔn)誤差和顯著性檢驗(yàn)Tab.1 Parameter estimates, standard error and significance test of variables in OLS model

由表2可知,SEM模型各變量的參數(shù)估計(jì)值同樣通過(guò)了顯著性檢驗(yàn),且與森林碳儲(chǔ)量在正負(fù)相關(guān)性上與OLS模型表現(xiàn)相同,但是在對(duì)森林碳儲(chǔ)量的影響大小上與OLS模型存在差異,由大到小順序?yàn)?林分平均高、林分平均胸徑、海拔、坡度。

表2 空間誤差模型各變量參數(shù)估計(jì)值、標(biāo)準(zhǔn)誤差和顯著性檢驗(yàn)Tab.2 Parameter estimates, standard error and significance test of variables in SEM model

相對(duì)于OLS模型和SEM模型得到的一組參數(shù),GWR模型給出了5組模型參數(shù)估計(jì)值,分別為最小值、25%分位值(Q1)、中值、75%分位值(Q3)和最大值,見(jiàn)表3。

表3 地理加權(quán)回歸模型各變量參數(shù)估計(jì)值的描述性統(tǒng)計(jì)Tab.3 Descriptive statistics of parameter estimates of variables in GWR model

由表3可知,GWR模型產(chǎn)生了較大范圍的參數(shù)估計(jì)值,且GWR模型各參數(shù)估計(jì)值的范圍均包括了OLS模型和SEM模型的參數(shù)估計(jì)值,GWR模型在中值位置下的各參數(shù)估計(jì)值與OLS模型和SEM模型的參數(shù)估計(jì)值在數(shù)值大小上表現(xiàn)出相近性,且與森林碳儲(chǔ)量在正負(fù)相關(guān)性上與二者表現(xiàn)一致。與OLS模型和SEM模型不同的是,GWR模型隨著位置的變化,各參數(shù)估計(jì)值對(duì)森林碳儲(chǔ)量的影響大小也時(shí)刻發(fā)生著變化,如GWR模型在最小值位置下對(duì)森林碳儲(chǔ)量的影響由大到小順序?yàn)?海拔、坡度、林分平均胸徑、林分平均高,而在最大值位置下對(duì)森林碳儲(chǔ)量的影響由大到小順序?yàn)?林分平均高、林分平均胸徑、海拔、坡度。

為了更清楚地表現(xiàn)GWR模型各參數(shù)估計(jì)值的空間分布情況,圖1給出了GWR模型各變量對(duì)應(yīng)參數(shù)的空間分布圖,林分平均胸徑參數(shù)估計(jì)值除了在研究區(qū)南部極小范圍內(nèi)為負(fù)值外,在其他地區(qū)參數(shù)估計(jì)值均為正值,說(shuō)明在這些區(qū)域內(nèi),森林碳儲(chǔ)量隨著林分平均胸徑的增大而增大,此外,從研究區(qū)中部向東西兩側(cè)逐漸延伸,林分平均胸徑對(duì)森林碳儲(chǔ)量的影響逐漸增大(圖1(a));在整個(gè)研究區(qū)范圍內(nèi),林分平均高參數(shù)估計(jì)值均為正值,且自西南向東北方向逐漸增大(圖1(b));在研究區(qū)中部較大范圍內(nèi)海拔參數(shù)估計(jì)值為正值,說(shuō)明在該區(qū)域范圍內(nèi),隨著海拔的逐漸增高,森林碳儲(chǔ)量逐漸增大(圖1(c));坡度方面,從總體上看,坡度參數(shù)估計(jì)值為正的區(qū)域主要集中在研究區(qū)的東北部和北部小范圍地區(qū),參數(shù)估計(jì)值為負(fù)值的區(qū)域約占研究區(qū)總面積的85%以上,說(shuō)明在本研究區(qū)內(nèi)坡度對(duì)于森林碳儲(chǔ)量增加起到抑制作用的區(qū)域要明顯大于起到促進(jìn)作用的區(qū)域(圖1(d))。

圖1 地理加權(quán)回歸模型各變量對(duì)應(yīng)參數(shù)的空間分布Fig.1 Distributions of variable parameters in GWR model

2.2 模型擬合效果評(píng)價(jià)

表4 3種模型評(píng)價(jià)的統(tǒng)計(jì)量Tab.4 Statistics for the evaluation of the three models

2.3 模型殘差的空間自相關(guān)性

圖2給出了3種模型在不同空間距離上模型殘差全局Moran'sI的變化情況,由圖3可知,從總體上看SEM模型和OLS模型在空間距離達(dá)到3 900 m以后逐漸趨于穩(wěn)定,GWR模型的全局Moran'sI基本上都在0上下浮動(dòng),變化幅度較小,且各空間距離下的全局Moran'sI值均小于其他2種模型,模型的穩(wěn)定性最好,SEM模型變化幅度略小于OLS模型,OLS模型的穩(wěn)定性最差。

圖2 3種模型殘差的全局Moran's IFig.2 Global Moran's I correlogram of three models

圖3給出了3種模型殘差局域Moran'sI的空間分布圖,由圖3可知,在OLS模型和SEM模型中,研究區(qū)中北部、東北部及南部的部分區(qū)域產(chǎn)生了較大范圍且取值為正的局域Moran'sI值,說(shuō)明OLS模型和SEM模型的殘差在這些區(qū)域傾向于呈現(xiàn)出相似聚集狀態(tài)。而在GWR模型中,局域Moran'sI取值為正的區(qū)域明顯減少,模型殘差相似聚集狀態(tài)大幅度下降,此時(shí),GWR模型殘差的空間自相關(guān)性明顯低于其他2種模型,產(chǎn)生了最好的局域化空間分布效果。

2.4 森林碳儲(chǔ)量的空間分布

圖4給出了3種模型對(duì)研究區(qū)森林碳儲(chǔ)量模擬的空間分布圖,由圖4可知,3種模型在總體范圍上對(duì)于森林碳儲(chǔ)量空間分布的模擬趨勢(shì)基本相同,即研究區(qū)的中部森林碳儲(chǔ)量較多,在該地區(qū)3種模型的碳儲(chǔ)量含量均在35 t/hm2以上,其他區(qū)域碳儲(chǔ)量相對(duì)較少,但是大部分含量也在30 t/hm2以上,其中OLS模型和SEM模型在模擬森林碳儲(chǔ)量的空間分布上呈現(xiàn)出明顯的相似性,GWR模型模擬的森林碳儲(chǔ)量在35 t/hm2以上的面積要高于OLS模型和SEM模型對(duì)應(yīng)的模擬面積,此外,3種模型的擬合偏差存在差異,其中OLS模型的擬合偏差為2.14 t/hm2,SEM模型的擬合偏差為2.11 t/hm2,GWR模型的擬合偏差為1.36 t/hm2。

圖4 3種模型森林碳儲(chǔ)量的空間分布Fig.4 Spatial distribution of forest carbon storage of three models

3 討論

本研究采用了OLS模型、SEM模型和GWR模型對(duì)西樵山森林碳儲(chǔ)量的空間分布情況進(jìn)行了模擬,對(duì)影響森林碳儲(chǔ)量分布的地形因子和林分因子進(jìn)行了分析,并對(duì)3種模型的擬合效果和空間自相關(guān)性進(jìn)行了分析,結(jié)果表明,3種模型下各變量參數(shù)在對(duì)研究區(qū)森林碳儲(chǔ)量的影響上基本一致,其中林分平均胸徑對(duì)森林碳儲(chǔ)量的影響最大,兩者存在正相關(guān)關(guān)系,這也符合森林生長(zhǎng)規(guī)律,隨著林分平均胸徑的增加,林分整體固碳能力增強(qiáng),森林碳儲(chǔ)量逐漸增大,這與陳科屹等[5]、劉正顯[25]的研究結(jié)果一致。

GWR模型在各參數(shù)對(duì)森林碳儲(chǔ)量靈敏性的描述上也好于其他模型,如處于不同位置下各參數(shù)對(duì)森林碳儲(chǔ)量影響的大小順序存在差異,這是由于GWR模型在運(yùn)算過(guò)程中,隨著模型所處位置的變換,在每個(gè)位置上都會(huì)形成一個(gè)局域空間模型,該模型在運(yùn)行過(guò)程中充分考慮了地形、林分因子變化對(duì)森林碳儲(chǔ)量的影響,通過(guò)獨(dú)立運(yùn)算降低或消除空間自相關(guān)性的影響,從而形成了不同位置下各參數(shù)對(duì)森林碳儲(chǔ)量影響大小和方向的不同,而OLS模型和SEM模型在運(yùn)行過(guò)程中只形成了一個(gè)模型[12, 17-18],因此在各參數(shù)對(duì)森林碳儲(chǔ)量影響的靈敏性描述上存在一定的局限性。在模型擬合方面,GWR模型擬合精度要優(yōu)于OLS模型和SEM模型,原因在于GWR模型充分考慮了變量的空間異質(zhì)性和空間相關(guān)性對(duì)擬合結(jié)果產(chǎn)生的影響,考慮了森林碳儲(chǔ)量和相關(guān)變量在研究范圍內(nèi)的特定關(guān)系[3]。在模型殘差空間自相關(guān)性方面,分析了3種模型殘差的全局空間自相關(guān)性及空間分布,結(jié)果發(fā)現(xiàn),GWR模型的全局自相關(guān)性和全局Moran'sI的起伏程度都明顯小于OLS模型和SEM模型,其局域Moran'sI形成了不同觀測(cè)值聚集的較好的空間分布效果,表明GWR模型的穩(wěn)定性較好,這與其他學(xué)者的研究結(jié)果一致[17, 25-27]。

在本研究中,無(wú)論從全局Moran'sI在各步長(zhǎng)的起伏跨度上,還是局域Moran'sI的可視化空間分布上,OLS模型和SEM模型都表現(xiàn)出極大的相似性,這是由于研究區(qū)面積較小,并不能很好地反映SEM模型相對(duì)于OLS模型的優(yōu)越性;在模型擬合方面,SEM模型的擬合精度略高于OLS模型,這也說(shuō)明SEM模型雖然在一定程度上可以提高模型的精度,事實(shí)上SEM模型在運(yùn)算過(guò)程中考慮了變量對(duì)模型誤差產(chǎn)生的空間依賴性的影響,但模型誤差項(xiàng)有時(shí)并不能完全反映出實(shí)際的空間自相關(guān)和空間異質(zhì)性情況[10],而GWR模型在研究區(qū)內(nèi)則表現(xiàn)出較好的優(yōu)越性,有效地消除空間自相關(guān)性和解決空間異質(zhì)性問(wèn)題,從而不受研究區(qū)面積大小的限制,同時(shí),GWR模型更容易消除尺度效應(yīng)的影響,近年來(lái)研究顯示,尺度效應(yīng)在森林更新[28]、景觀健康評(píng)價(jià)[21]、物種豐富度[29]、森林景觀類型空間關(guān)聯(lián)性[30]以及優(yōu)勢(shì)樹(shù)種混交林的空間格局[31]等方面都起著重要的作用。

森林植被、土壤屬性、立地條件、氣候條件、凋落物和根系輸入等都影響著森林碳儲(chǔ)量的分布,本研究在借助逐步回歸方法的基礎(chǔ)上,只選取了對(duì)森林碳儲(chǔ)量分布影響最大的林分因子和地形因子進(jìn)行分析,由于研究區(qū)面積限制,并未考慮氣象、土壤和環(huán)境等因子對(duì)森林碳儲(chǔ)量的影響。此外,研究區(qū)以國(guó)家森林公園為主體,兼具游憩和自然教育等功能,人類活動(dòng)可能對(duì)森林碳儲(chǔ)量分布存在一定的影響,如研究區(qū)中軸線多以景區(qū)為主,中部地區(qū)碳儲(chǔ)量高于其他區(qū)域,其樹(shù)干形態(tài)包括群落結(jié)構(gòu)等都經(jīng)過(guò)大規(guī)模人工干預(yù);其他區(qū)域雖然人工林占比也較大,但受人工干預(yù)相對(duì)較小,因此人類活動(dòng)是否影響碳儲(chǔ)量的分布還有待進(jìn)行后續(xù)研究。

4 結(jié)論

2)林分因子對(duì)西樵山森林碳儲(chǔ)量的影響最大,從總體上看,林分平均胸徑和林分平均高與該地區(qū)森林碳儲(chǔ)量呈正相關(guān)關(guān)系。

3)SEM模型在研究區(qū)面積較小的情況下對(duì)空間自相關(guān)性的反映并不靈敏,而GWR模型則不受研究區(qū)大小的限制。

4)相對(duì)于OLS模型和SEM模型,GWR模型的全局Moran'sI基本上都在0上下浮動(dòng),起伏程度較小,形成更好的空間分布效果,有效地降低了空間自相關(guān)性。

5)研究區(qū)西樵山森林碳儲(chǔ)量整體上表現(xiàn)為中部區(qū)域高于周邊區(qū)域的特點(diǎn),其中中部區(qū)域的碳儲(chǔ)量分布范圍在35～40 t/hm2,周邊區(qū)域碳儲(chǔ)量分布范圍在30～35 t/hm2。