全 文 ：基于局域统计量的黑龙江省多尺度
森林碳储量空间分布变化*
刘摇 畅摇 李凤日**摇 贾炜玮摇 甄摇 贞
(东北林业大学林学院, 哈尔滨 150040)
摘摇 要摇 基于黑龙江省一类样地和生态公益林监测样地(共 4163 块)数据,应用局域 Moran I
及局域统计量(局域均值及局域标准差)检验 4 个尺度(25、50、100 和 150 km)下黑龙江省森
林碳储量的空间分布模式、空间变异和空间相关性,并研究了 2005 和 2010 年森林碳储量的
变化.结果表明: 黑龙江省森林碳储量空间分布存在显著空间正相关,森林碳储量均为相似
的变化,而且都不是空间随机发生的;研究区森林碳储量受周围环境因子影响,空间分布存在
异质性,且变异较大. 2005—2010 年,年均森林碳储量空间分布变化存在较大差异,呈增长趋
势.局域统计量是描述森林碳储量随着空间和时间变化的有效方法,可以通过 ArcGIS 使结果
可视化.
关键词摇 Moran指数摇 局域统计量摇 森林碳储量摇 空间分布
文章编号摇 1001-9332(2014)09-2493-08摇 中图分类号摇 S717. 1摇 文献标识码摇 A
Multiple鄄scale analysis on spatial distribution changes of forest carbon storage in Hei鄄
longjiang Province, Northeast China based on local statistics. LIU Chang, LI Feng鄄ri, JIA
Wei鄄wei, ZHEN Zhen (College of Forestry, Northeast Forestry University, Harbin 150040, Chi鄄
na) . 鄄Chin. J. Appl. Ecol. , 2014, 25(9): 2493-2500.
Abstract: Taking 4163 permanent sample plots from Chinese National Forest Inventory ( CNFI)
and key ecological benefit forest monitoring plots in Heilongjiang Province as basic data, and by
using local Moran I and local statistics (local mean and local standard deviation), the spatial pat鄄
tern, spatial variation and spatial autocorrelation of forest carbon storage in Heilongjiang Province
with four bandwidths of 25, 50, 100 and 150 km were investigated, and the change in forest carbon
storage across 2005 to 2010 was studied. The results showed that the spatial distribution of forest
carbon storage in Heilongjiang Province had significantly positive spatial correlation, which indica鄄
ted that the changes of carbon storage tended to be similar with their neighbors without a non鄄ran鄄
dom manner. Forest carbon storage was affected by environmental factors, and the spatial heteroge鄄
neity strongly existed with a large variation in the study area. The spatial distribution of forest car鄄
bon storage was significantly different between 2005 and 2010 with an increasing trend. Local statis鄄
tics are useful tools for characterizing forest carbon storage change across time and space, which are
visualized by ArcGIS.
Key words: Moran index; local statistics; forest carbon storage; spatial distribution.
*“十二五冶国家科技支撑计划项目(2011BAD37B02)、长江学者和
创新团队发展计划项目(IRT1054)资助.
**通讯作者. E鄄mail: fengrili@ 126. com
2013鄄12鄄04 收稿,2014鄄06鄄06 接受.
摇 摇 森林作为陆地生态系统的主体,对维护大气 CO2
浓度平衡起着至关重要的作用[1] .森林碳汇的作用越
来越明显,森林碳汇分布计量方法自然成为目前的研
究热点.近年来,相关研究主要集中在森林生物量和
碳储量方面,森林碳储量的空间分布研究仍然很少.
不同地理位置的地形地貌、气候条件和立地条件均有
所不同,这些不同的环境必然会造成森林碳储量的差
异,即森林的碳储量分布存在不均匀性.因此,必须了
解这些区域在各方面的特点,以更好地管理森林、提
高森林的固碳能力,进而利用森林来降低大气中的
CO2含量、减缓全球变暖等灾害的发生.
空间尺度的研究可以帮助确定热点效应[2-4]、
降低濒危物种的灭绝[5]及模拟物种的多样性[6-7] .
应 用 生 态 学 报摇 2014 年 9 月摇 第 25 卷摇 第 9 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
Chinese Journal of Applied Ecology, Sep. 2014, 25(9): 2493-2500
没有一个尺度可以绝对正确地分析生物系统的结构
和功能,同样的生物学问题在不同尺度的研究可能
会得到不同的结果[8] . 因此,确定一个方法来研究
物种的空间分布具有重要意义.在空间分析中,变量
的观测值(数据)一般按照某给定的地理单位为抽
样单位而得到,尤其当数据在大区域内收集时,随着
地理位置的变化,变量间的关系或结构会发生改变,
这种现象称之为空间非平稳性[9] . 空间非平稳性在
空间数据中普遍存在,因而在利用数据进行研究前,
必须合理地解决这种空间非平稳性问题. 局域统计
量是一个可以很好地解决空间非平稳性的方法. 其
具体计算方法为:定义一个地理权重和一个移动窗
口,对于一个目标样点,该点上的局域统计量根据这
个地理权重和移动窗口内所有的相邻点计算而得.
移动窗口根据自定义的带宽确定,根据距离样点近
的点影响大、距离样点远的点影响小的原则来确定
相邻点的权重[10-12] .局域统计量能为每一个样点提
供有用的信息,可提供一个直接的方法评定和描述
在这个地理区域内样点变量的空间异质性.
空间自相关同样是研究空间问题的热点,通常
物种的聚集由其他相邻物种的数量及位置决定.
Moran 指数(Moran I)是一种常用的评定全局空间
自相关的方法,且局域 Moran I 已成功应用在评定
和检验局部聚集及局部非稳定性的研究中[13-15],如
Brunsdon等[10]利用一个实例首次将局域统计量应
用在经济学中;Ma 等[16]将纽约市区分成不同的方
块,利用局域统计量方法研究了鸟类物种的分布,均
取得了很好的效果,但尚无学者研究森林碳储量的
空间分布.森林碳储量的空间分布受林分因子和环
境因子的影响,必然会存在空间的相关性和空间异
质性.故对森林碳储量,尤其是大范围的研究时,一
定要考虑到这些空间变异的影响.为此,本研究基于
2005—2010 年黑龙江省一类样地和生态公益林监
测样地数据,采用局域统计量及全局和局域 Moran I
的方法,选择不同带宽(25、50、100、150 km),对不
同尺度 2010 年黑龙江省森林碳储量的空间分布模
式、空间变异和空间自相关进行研究,并与 2005 年
黑龙江省森林碳储量分布进行对比,分析黑龙江省
森林资源在不同空间尺度下的分布规律和影响因
子,以期为森林管理者提供有效的帮助.
1摇 研究区域与研究方法
1郾 1摇 研究区域概况
黑龙江省位于中国的东北部(43毅25忆—53毅33忆 N,
图 1摇 研究区域的空间分布
Fig. 1摇 Spatial distribution of the study area.
A: 大兴安岭 Da Xing爷 an Mountain; B: 小兴安岭北坡 North of Xiao
Xing爷an Mountain; C:小兴安岭南坡 South of Xiao Xing爷an Mountain;
D: 张广才岭西坡 West of Zhangguangcai Mountain; E: 张广才岭东坡
East of Zhangguangcai Mountain; F: 完达山脉Wanda Mountain; G: 松
嫩平原 Songnen Plain.
121毅11忆—135毅05忆 E),面积 45. 4伊104 km2,森林覆盖
率 43. 6% .黑龙江省地域辽阔、地形复杂多样,西北
部为大兴安岭山地,北部为小兴安岭山地,东南部由
张广才岭、老爷岭、太平岭和完达山等组成的东部山
地,西南部是松嫩平原(图 1).山地和丘陵的海拔在
300 ~ 1500 m.该区平原面积广阔,地势低平,大部分
海拔在 50 ~ 250 m.山地和平原的分布,构成了黑龙
江省北部和东南部高、东部和西南部低的地势.
黑龙江省属明显的大陆性季风气候,南北跨中
温带与寒温带,年均气温-4 ~ 4 益,年降水量 450 ~
700 mm,南北温差大,东西降水量分布不均,干旱、
冻害等气象灾害频繁.土壤以暗棕壤、黑土、黑钙土、
白浆土、草甸土为主,另有少量棕色针叶林土、沼泽
土、盐碱土和风沙土. 黑龙江省林区林木资源丰富,
主要乔木树种有:红松(Pinus koraiensis)、云杉(Pi鄄
cea spp. )、冷杉 ( Abies nephrolepis)、落叶松 ( Larix
spp. )、樟子松(Pinus sylvestris var. mongolica)、水曲
柳(Fraxinus mandshurica)、胡桃楸 ( Juglans mand鄄
shurica)、黄波罗 ( Phellodendron amurense)、椴树
(Tilia spp. )、柞树(Quercus mongolica)、榆树(Ulmus
spp. )、槭树(Acer spp. )、白桦(Batula platyphlla)、枫
桦 ( Betula costata)、黑桦 ( Betula dahurica)、杨树
(Populus spp. )和柳树(Salix spp. )等.
1郾 2摇 研究数据
1郾 2郾 1 样地数据摇 本研究数据来源于黑龙江省市县
林区调查的两期固定样地数据(2005 和 2010 年),
分别来自一类样地和生态公益林监测样地,共 4163
块样地,每块样地面积 0. 06 hm2 .数据涵盖全省 7 个
区域:大兴安岭(805 块样地)、小兴安岭北坡(778
4942 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 25 卷
块样地)、小兴安岭南坡(799 块样地)、张广才岭西
坡(217 块样地)、张广才岭东坡(315 块样地)、完达
山脉(1021 块样地)及松嫩平原地区(228 块样地)
(图 1). 每块样地调查了起源、地理位置(GPS 坐
标)、地形特征(海拔、坡度、坡向、坡位等),进行了
每木检尺,并计算了林分变量,包括:林分年龄、树种
组成、平均胸径、平均树高、每公顷株数、每公顷蓄积
等.
1郾 2郾 2 样地碳储量数据 摇 单木的碳含量包含树干、
树枝、树叶和树根 4 部分. 在一个样地中,每株样木
都可以根据已经建立的 15 个树种(组)相容性立木
生物量模型[17],利用胸径计算出树干、树枝、树叶和
树根 4 部分的生物量. 每一部分生物量与已经测定
好的该部分的含碳率相乘便是这部分的碳含量;将
4 部分碳含量相加得到单木碳含量. 样地内所有样
木碳含量的总和即是样地的碳储量,除以样地面积
便可得到每公顷碳储量(表 1). 由于样地是大区域
机械布点,并非是典型林分的“研究样地冶,样地中
包含疏林地部分,因此每公顷碳储量平均值偏低.
摇 摇 由表 1 可以看出,人工杨树林的固碳量最少,天
然柞树林的固碳量最多;不同样地位置的人工杨树
林的固碳量差异最小,不同样地位置的天然柞树林
的固碳量差异较大. 森林覆盖密集且天然柞树林分
布最广的完达山区域的森林碳储量最高;而平原地
区森林分布较少,且多为樟子松杨树林,故而森林碳
储量分布较少;其他区域如大兴安岭地区大部分为
天然落叶松林及天然桦树林,森林碳储量处于中等
水平.这种方法可以大致看出森林碳储量的分布,却
无法获取详细的信息,故而需要一种更加准确的方
法描述森林碳储量的空间分布规律.
1郾 3摇 研究方法
1郾 3郾 1 全局及局域空间指数 摇 Moran I 是近年来用
于检验及测量空间相关性的主要指数.全局 Moran I
的计算公式如下:
I =
n移
n
i = 1
移
n
j = 1
w ij(d)(xi - 軃x)(x j - 軃x)
移
n
i = 1
移
n
j = 1
w ij(d)移
n
i
(xi - 軃x) 2
(1)
式中:xi 和 x j 分别为样点 i 和 j 的观测值( i 屹 j);軃x
为研究区域内所有观测值的均值;n 为样本数;w ij
(d)为根据样点 i与 j之间距离计算的权重.
大多数统计检验在开始时都首先确定一个零假
设. Moran I值为零时通常假设为完全空间随机性,
源于观测值本身的完全空间随机性、或与这些观测
值相关的关联值的完全空间随机性.对本研究来说,
森林碳储量的空间分布为随机分布. 计算 Moran I
值时,通常同时会给出一个可以判断出是否拒绝零
假设的标准,称为 Z 值. Z 值的临界值为依1. 96(琢 =
0. 05),如果 Z值在-1. 96 ~ 1. 96,则 P 值>0. 05,表
示不能拒绝零假设,所表现出的模式很可能是随机
空间过程产生的结果;如果 Z 值>1. 96 或<-1. 96,
则 P值将<0. 05,可以拒绝零假设,说明所观测到的
空间模式不可能是随机过程产生的结果. 在这种情
况下,可具有统计显著性的聚类或分散模式.这种方
法可以判断 n个样点内的观测值之间是否存在空间
相关性[18] .按照不同距离计算的 Moran I 可以绘制
成一张空间相关图,能更清楚地表现观测值之间的
表 1摇 黑龙江省主要林分类型每公顷碳储量统计
Table 1摇 Basic statistics of carbon storage of main forest types ( t·hm-2)
林分类型
Stand type
样地数
Plot
number
2005 年碳储量 Carbon storage in 2005
均值
Mean
标准差
SD
最小值
Min.
最大值
Max.
2010 年碳储量 Carbon storage in 2010
均值
Mean
标准差
SD
最小值
Min.
最大值
Max.
玉 259 29. 92 20. 33 0 122. 15 39. 97 20. 26 0. 87 87. 19
域 164 7. 50 10. 76 0 72. 99 13. 00 12. 33 0. 51 81. 13
芋 218 29. 95 15. 86 0 74. 67 37. 82 18. 07 1. 12 79. 41
郁 86 25. 91 16. 33 0 66. 78 37. 18 18. 41 1. 37 79. 53
吁 462 25. 29 19. 17 0 92. 24 31. 24 19. 87 0. 12 92. 84
遇 238 31. 35 21. 71 1. 02 94. 05 35. 79 22. 60 1. 15 101. 07
喻 1149 31. 16 20. 84 0 109. 21 38. 84 21. 56 0. 03 116. 27
峪 468 39. 07 22. 28 0 108. 57 47. 47 22. 18 1. 07 123. 59
御 804 41. 78 26. 39 0 134. 72 50. 21 26. 13 1. 70 151. 39
愈 233 37. 87 20. 25 0 94. 93 45. 11 20. 24 6. 56 154. 38
欲 82 38. 84 22. 82 0 95. 26 45. 22 24. 32 0. 78 106. 52
玉: 人工落叶松林 Larch plantation; 域: 人工杨树林 Poplar plantation; 芋: 人工樟子松林 Mongolian pine plantation; 郁: 人工针阔混交林 Broad鄄
leaf鄄conifer mixed forest plantation; 吁: 天然桦树林 Birch forest; 遇: 天然落叶松林 Larch forest; 喻: 天然软阔混交林 Soft broad鄄leaved mixed for鄄
est; 峪:天然硬阔混交林Hard broad鄄leaved mixed forest; 御:天然柞树林 Oak forest; 愈:天然针阔混交林 Broadleaf鄄conifer mixed forest; 欲:天然
针叶混交林 Conifer mixed forest.
59429 期摇 摇 摇 摇 摇 摇 摇 摇 刘摇 畅等: 基于局域统计量的黑龙江省多尺度森林碳储量空间分布变化摇 摇 摇 摇 摇 摇 摇 摇
相关性随距离的变化情况[11-12] .
全局的 Moran I表示研究区域内整体的空间自
相关性,而要检验每块样地上的空间自相关性是否
显著,即要用到局域的 Moran I.局域 Moran I是把全
局的(xi-軃x)局域化,形式如下:
Ii = (xi - 軃x)移
j
w ij(d / x j - 軃x) (2)
式中:xi 和 x j 分别为样点 i 和 j 的观测值( i 屹 j);軃x
为研究区域内所有观测值的均值;w ij(d)为样点 i与
j之间距离计算的权重.局域 Moran I 用来检验独立
观测值空间聚集情况及空间非稳定性,表现了目标
样地与其周围一定距离内所有样地之间的关系. 如
果计算结果接近于给定距离内所有样地的均值,那
么这个样地呈现空间正相关,即相似聚集 ( hot
spots);如果计算结果显著高于或低于给定距离内
所有样地的均值,那么这个样地呈现空间负相关,即
不同聚集(cold spots) [19] .局域 Moran I 可以绘制成
空间分布图,能更清晰地显示相似聚集和不同聚集
的分布.
1郾 3郾 2 局域描述性统计量摇 研究区域内的每块样地
都有各自的地理坐标(ui,vi),需要选取一个连续单调
递减函数来表示权重与距离间的关系,即空间权重.
空间权函数的计算方法有很多种,常用的有 Gaussian
函数法,公式如下:
w i =exp(-d2i / h2) (3)
或者 bi鄄square函数法,公式如下:
w ij(ui,vi)= (1-(dij / h) 2) 2 (4)
式中:dij为样地 i 点(ui,vi)与其相邻点之间的距离
( i 屹 j);h为描述权重与距离之间函数关系的非负
衰减参数,称为带宽( band width). 带宽越大,权重
随距离增加 /衰减得越慢;带宽越小,权重随距离增
加 /衰减得越快.根据 Moran I 绘制的空间相关图选
择带宽,当 Moran I 接近 0 时的距离即为带宽.根据
权函数可以计算带宽距离 h范围内所有邻域样点的
空间权重,距离近的样点影响大,距离远的样点影响
小. Gaussian 函数和 bi鄄square 函数是目前地理加权
回归模型最常用的两类权函数方法[20] .本研究使用
bi鄄Square函数作为权函数.
对于研究区域内每个空间样点而言,当定义一
个固定距离之后,利用所计算的空间权重来计算该
距离内样地的局域统计量. 局域统计量能表现出传
统的全局统计量所不能表现出的空间信息,即局域
内森林碳储量的分布状况及相互影响. 局域均值及
局域标准差的计算公式如下:
軃xi(ui,vi) =
移
n
j = 1
x jw ij(ui,vi)
移
n
j = 1
w ij(ui,vi)
(5)
sx(ui,vi) = 移
n
j = 1
[x j - 軃xi(ui,vi)] 2w ij(ui,vi)
(6)
式中:xi 和 x j 分别为样点 i与 j的观测值( i 屹 j);w ij
(ui,vi)为根据样点 i 与 j 之间距离计算的权重[21] .
利用 ArcGIS软件的可视化功能显示区域空间统计
量,使结果更清晰明了、简单易懂[22] .
1郾 4摇 数据处理
用 ROOKCASE计算全局 Moran I 及局域 Moran
I. ROOKCASE 是一种用 Visual Basic Application
(VBA)编写的 Excel宏文件[23] .采用 GWR 3. 0 软件
计算全局及局域空间统计量[24] . 采用 ArcGIS 软件
完成结果的可视化.采用 Kriging插值方法对黑龙江
省森林碳储量不同带宽情况下局域 Moran I 的 Z 值
进行插值,采用样条插值方法对黑龙江省森林碳储量
的局域均值、局域标准差及局域均值差异进行插值.
栅格大小为 ArcGIS自动选取的最佳大小 3600 m.
2摇 结果与分析
2郾 1摇 全局空间自相关及带宽选择
本研究采用 Moran I 来测量空间的自相关性,
即一个样地森林碳储量的变化与其相邻样地森林碳
储量变化之间的关系. 每个样地按照其坐标不同作
为一点数据进行处理. 按照 10 km 间隔,分别计算
2005 和 2010 年森林碳储量的全局 Moran I,并绘制
空间相关图(图 2).结果显示,黑龙江省森林碳储量
的空间自相关性随距离的变大而逐渐缩小. 根据赤
池信息量准则(AIC)计算的最佳带宽为25 km,因
图 2摇 2005 和 2010 年黑龙江省森林碳储量 Moran I相关图
Fig. 2 摇 Moran I correlogram of forest carbon storage in Hei鄄
longjiang Province in 2005 and 2010.
6942 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 25 卷
表 2摇 不同尺度的黑龙江省森林碳储量Moran I 及 Z值
Table 2摇 Global Moran I and Z value of forest carbon stor鄄
age in Heilongjiang Province at different spatial scales
带宽
Bandwidth (km)
Moran I Z P
25 0. 1890 85. 67 <0. 0001
100 0. 1038 89. 39 <0. 0001
500 0. 0279 130. 32 <0. 0001
1000 0. 0041 75. 03 >0. 005
1300 -0. 0002 -1. 55 >0. 005
此本文以 25 km为起始值计算全局 Moran I.
摇 摇 由表 2 可以看出,当带宽为 25、100、500 km时,
Moran I均为正值,并且 P 值全部<0. 0001,表示拒
绝 Moran I 零假设,即森林碳储量在一定距离内并
不是随机分布,而呈聚类的趋势. 但随着距离的增
加,这种聚类的趋势会逐渐减弱,空间自相关性也变
弱.当带宽为 1000 km时,Moran I 趋近于 0,且 P 值
>0. 005,说明森林碳储量的空间自相关性迅速减
小.带宽超过 1000 km 后(h = 1300 km),Moran I 为
负值,并且趋近于 0,且 P>0. 005,说明森林碳储量
的空间分布趋于稳定并呈现出负相关关系.
2郾 2摇 局域统计量
局域统计量提供了一种详细描述生物物种区域
变化的空间信息方法. 本研究基于此描述黑龙江省
样点森林碳储量变化及其与相邻样点碳储量的关
系.局域统计量可通过 ArcGIS软件的可视化功能显
示在地图上.为了更好地显示森林碳储量的空间变
化,在分类时选择自然间断法.这种分类方法是尽量
使分级的方差最小,即各类内部的差异达到最小.本
研究选取 4 个差异较大的尺度 (25、50、100、150
km)计算局域统计量和空间局域指数( local indica鄄
tors of spatial association,LISA),并以 2010 年数据为
例,对比不同尺度下森林碳储量随空间尺度的变化.
为了方便比较,图例均选取统一的分类级别.
从图 3A可以看出,在小的空间尺度上(25、50
km),大部分区域显示为非显著性的 Moran I(-1. 96
1. 96),只
有极少部分区域是显著性负值的 Z(<-1. 96).说明
当空间尺度较小时,森林碳储量空间分布的自相关
性较低,并且少部分存在相关性的地方表现为聚类
模式.
局域均值可以直观地显示森林碳储量的空间分
布变化(图 3B). 不同带宽(25、50、100、150 km)计
算结果显示,这种变化随空间尺度而变化.带宽越小
(25 km),可以更细致地显示局域的信息;而带宽越
大(150 km),则可以显示整体的空间分布趋势. 因
此局域均值是检验森林碳储量随尺度变化的相似聚
集(hot spots)方法.
摇 摇 标准差是实际应用中最广泛的测度数据差异水
平的统计量,但全局的标准差并不可以表示任何空
间差异.本研究用局域标准差来描述森林碳储量的
空间变异程度,即与局域均值的差异.黑龙江省的森
林碳储量在不同空间尺度的局域标准差(图 3C)与
局域均值类似,小的带宽可以反映出更细致的变化,
较大带宽的局域标准差则越来越平滑,趋向整体的
标准差.
摇 摇 为了对比森林碳储量在不同时空分布的变化,
将 2010 年森林碳储量的局域均值减去 2005 年森林
碳储量的局域均值并除以相应的间隔期,得到空间
变化分布的年均变化分布图(图 4). 2005、2010 年
全省森林碳储量均值分别为 32. 64 和 40. 20 t,全局
统计量显示期间的森林平均碳储量增长了 7. 56 t.
3摇 讨摇 摇 论
由不同带宽的全局 Moran I 绘制成的空间相关
图,可表现出森林碳储量随带宽变化而变化的趋势.
2010 年,当带宽为 25 km时,Moran I 值为 0. 189,说
明森林碳储量存在很大的空间自相关性,而这种自
相关会随着距离的不断变大而减少;在带宽 1000
km时这种变化趋于平稳,到 1200 km 时趋近于 0,
在 1300 km 时为负值,并保持不变,说明在带宽
1000 km之后,森林碳储量的空间自相关现象消失,
并在超过一定范围后,呈负相关关系,但影响较小.
2005 年与 2010 年空间自相关的总体趋势相似.
局域 Moran I可用来检验并且可视化地显示森
林碳储量的局域聚类及空间非稳定性. 随着空间尺
度的加大(100、150 km),研究区森林碳储量的空间
正相关性逐渐增大,同时负相关也会变大,但空间正
相关远大于空间负相关. 说明在研究大尺度森林碳
储量分布时,空间的影响不可忽视. 对于本研究来
说,大部分研究区域的森林碳储量存在正相关性,即
森林碳储量之间均为相似的变化,而且这些变化都
不是随机发生,周围的环境、地形、气候都有可能直
接影响这些变化.
局域均值比单纯的插值更能表现出森林碳储量
分布的空间状态.从图 4 可以看出,研究区域内森林
碳储量的分布并不均匀,且差异很大,最小值分布在
黑龙江省西部(松嫩平原),低于26郾 43 t·hm-2,最
79429 期摇 摇 摇 摇 摇 摇 摇 摇 刘摇 畅等: 基于局域统计量的黑龙江省多尺度森林碳储量空间分布变化摇 摇 摇 摇 摇 摇 摇 摇
图 3摇 2010 年黑龙江省森林碳储量在不同带宽下局域 Moran I的 Z值(A)、局域均值(B)及其标准差(C)
Fig. 3摇 Z value of local Moran I (A), localized mean (B), localized standard deviation (C) for forest carbon storage in Heilongjiang
Province with different bandwidths in 2010.
a) 25 km; b) 50 km; c) 100 km; d) 150 km. 下同 The same below.
图 4摇 2005—2010 年黑龙江省森林碳储量不同带宽下局域均值的变化
Fig. 4摇 Changes in the localized mean for forest carbon storage between 2005 and 2010 in Heilongjiang Province with different band鄄
widths.
大值分布在西南部(张广才岭)及中北部(小兴安
岭),高于 53. 06 t·hm-2 .西部的松嫩平原为主要人
类活动聚集地,森林主要以农田防护林为主,因而整
体碳储量密度较低;西南部的张广才岭及中北部的
小兴安岭为森林主要分布区,整体碳储量密度最高;
大兴安岭和完达山地区的森林含碳量处于中等位
8942 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 25 卷
置.小尺度带宽(25 km)时,可以更详尽地表示出森
林碳储量的分布及其互相影响;随着带宽的逐渐增
加,图像区分更加平滑,可以整体看出森林碳储量的
分布,总体来看由西北向东南方向递增(150 km).
局域标准差可反映出样地森林碳储量与相邻样
地森林碳储量的关系.带宽 25 km时,标准差的较大
值聚集在黑龙江省中北部,即小兴安岭部分地区、张
广才岭西部及大兴安岭小部分区域. 这些地区的森
林碳储量与黑龙江省平均碳储量相差较大,原因是
这些地区森林覆盖度较广,森林碳储量的分布明显
高于黑龙江省的整体水平. 标准差的较小值表示该
区域森林碳储量接近黑龙江省整体均值,大多分布
在中部的松嫩平原地区. 这些区域面积广、海拔较
低、坡度较缓,人类活动范围大多分布在此,森林覆
盖少,进而影响全省的森林平均碳储量,该地区的森
林碳储量与均值的差异并不大. 随着带宽的逐渐加
大,研究区森林碳储量的空间变异呈非稳定性的变
化趋势,整体来看,从西北向东南呈梯度增加. 这种
空间变异的非稳定性变化说明森林碳储量的差异与
空间分布存在很大的关系.
随着时间的推移,森林碳储量呈明显的空间模
式变化.带宽 25 km 时,所表现的空间模块更细致,
所显示的局部信息更详细,森林碳储量的空间变化
更明显.研究区不同区域森林碳储量的增长程度并
不相同,甚至有少部分区域呈现负增长趋势.究其原
因,可能是样地发生枯损或砍伐造成的.但这些区域
的面积极少,在图上显示的并不明显. 间隔期内,森
林碳储量增长最高的区域达到 14. 59 t·hm-2以上,
而增长最低区域则在 5. 1 t·hm-2以下,可见森林碳
储量的增长随时间的变化存在较大的空间变异. 同
时,随着带宽的逐渐增加,森林碳储量的空间变化趋
于平滑,且趋向整体平均值.当带宽为 150 km时,森
林碳储量的变化量呈阶梯状分布,不同区域间森林
碳储量的差距逐渐缩小,且趋于平均.说明森林碳储
量在时间变化的同时仍然存在空间变异. 因此在以
后的相关研究中,需要充分考虑到空间和时间的双
重影响.
4摇 结摇 摇 论
全局及局域的 Moran I 是描述森林碳储量空间
自相关性的有效方法. 黑龙江省几乎所有区域的森
林碳储量在空间上均为正相关性,即样地间的森林
碳储量存在相似变化,只有极少区域存在负相关性.
采用局域均值及标准差等统计量能简单直接地
描述森林碳储量的空间分布及变化. 通过计算不同
带宽下森林碳储量的局域均值和标准差,可以分析
不同尺度森林碳储量的空间变化. 局域均值的结果
显示,研究区域内森林碳储量的分布并不均匀,且差
异很大,最小值位于黑龙江省西部地区的松嫩平原
地区,最大值位于西南部张广才岭及中北部小兴安
岭地区,大兴安岭地区及完达山地区处于中等水平.
2005—2010 年,大部分区域的森林碳储量呈增
加趋势,且森林碳储量表现出明显的空间模式变化,
在张广才岭西部地区增长最高,大兴安岭西部、小兴
安岭北部及松嫩平原地区增长较少.
研究空间问题时,最需要考虑的问题是:1)寻
找一个可以明确描述空间自相关的指标或方法;2)
在什么尺度下分析最合适. Moran I及局域统计量的
方法可以描述空间自相关性. 本文选取 4 个差异很
大的尺度,利用上述指标对森林碳储量的空间自相
关性进行研究,进而分析森林碳储量在黑龙江省的
分布规律及影响因子.结果表明,森林碳储量存在很
强的空间异质性和空间相关性,但这种特性会在空
间距离变大时逐渐消失,在大尺度或全局尺度研究
森林碳储量的空间分布时,会忽视这种空间变异的
影响,导致研究结果精度大幅降低.因此对森林碳储
量的研究必须在合适尺度上考虑其空间影响. 可按
照不同的指标选取合适尺度,如交叉验证方法、AIC
准则、贝叶斯信息准则等方法.
考虑到环境因子和气候的影响,以后对森林碳
储量空间分布的研究可以引进空间变异因子,并使
用空间方法进行估计和预测. 可以使用地统计学中
的克里格方法及条件模拟算法等,或者使用遥感调
查方法,但以上两种方法的精度普遍较低.地理加权
回归模型( geographically weighted regression,GWR)
是解决空间非稳定性的一种新型方法,即用回归原
理研究具有空间(或区域)分布特征的两个或多个
变量之间数量关系的方法,在数据处理时考虑局部
特征作为权重,对不同的空间尺度问题进行研
究[25] .近年来,地理加权回归模型已被应用于各种
领域,包括经济、人口和社会学等[26-27] . 2004 年,
Zhang 等[28-29]首次将地理加权回归模型引入林学
中,利用地理加权回归模型构建树木生长与直径之
间关系的局域多元模型,进而研究树木在环境竞争
中的生长变化情况.由于考虑了空间的影响,因而精
度较之前有很大提高.因此,在今后的研究中可以考
虑使用该方法对森林碳储量进行估计和预测.
99429 期摇 摇 摇 摇 摇 摇 摇 摇 刘摇 畅等: 基于局域统计量的黑龙江省多尺度森林碳储量空间分布变化摇 摇 摇 摇 摇 摇 摇 摇
参考文献
[1]摇 Zhang L (张摇 亮), Lin W鄄H (林文欢), Wang Z (王
正). Spatial distribution pattern of carbon storage in for鄄
est vegetation of Guangdong Province. Ecology and En鄄
vironmental Sciences (生态环境学报), 2010, 19(6):
1295-1299 (in Chinese)
[2]摇 Lennon JJ, Koleff P, Greenwood JJD, et al. The geo鄄
graphical structure of British bird distribution: Diversi鄄
ty, spatial, turnover and scale. Journal of Animal
Ecology, 2001, 70: 966-979
[3]摇 Nelson TA, Boots B. Detecting spatial hot spots in land鄄
scape ecology. Ecography, 2008, 31: 556-566
[4]摇 Reid WV. Biodiversity hotspots. Trends in Ecology and
Evolution, 1998, 13: 275-295
[5]摇 Kuliopulus H. Amazonian biodiversity. Science, 1990,
248: 1305
[6]摇 Kerr JT, Southwood TRE, Cihlar J. Remotely sensed
habitat diversity predicts butterfly species richness and
community similarity in Canada. Proceedings of the Na鄄
tional Academy of Sciences of the United States of Ameri鄄
ca, 2001, 98: 11365-11370
[7]摇 Rahbek C, Graves GR. Multi鄄scale assessment of pat鄄
terns of avian species richness. Proceedings of the Na鄄
tional Academy of Sciences of the United States of Ameri鄄
ca, 2001, 98: 4534-4539
[8]摇 Blackburn TM, Gaston KJ. Scale in macroecology.
Global Ecology and Biogeography, 2002, 11: 185-189
[9]摇 Qin W鄄Z (覃文忠). The Basic Theoretics and Applica鄄
tion Research on Geographically Weighted Regression.
PhD Thesis. Shanghai: Tongji University, 2007 ( in
Chinese)
[10]摇 Brunsdon C, Fotheringham S, Charlton M. Geographi鄄
cally weighted summary statistics: A framework for lo鄄
calized exploratory data analysis. Computers, Environ鄄
ment and Urban Systems, 2002, 26: 501-524
[11]摇 Fotheringham S, Brunsdon C, Charlton M. Quantitative
Geography: Perspectives on Spatial Data Analysis.
Thousand Oaks, CA: Sage Publications, 2000
[12]摇 Shi HJ, Zhang L. Local analysis of tree competition and
growth. Forest Science, 2003, 49: 938-955
[13]摇 Koenig WD. Spatial autocorrelation of ecological phe鄄
nomena. Trends in Ecology and Evolution, 1999, 14:
22-26
[14]摇 Legendre P. Spatial autocorrelation: Trouble or new
paradigm? Ecology, 1993, 74: 1659-1673
[15]摇 Legendre P, Fortin MJ. Spatial pattern and ecological
analysis. Vegetatio, 1989, 80: 107-138
[16]摇 Ma ZH, Benjami. Z, William F, et al. Use of localized
descriptive statistics for exploring the spatial pattern
changes of birds species richness at multiple scales. Ap鄄
plied Geography, 2012, 32: 182-194
[17]摇 Li FR, Liu FX, Jia WW. The development of compati鄄
ble tree biomass models for main species in North鄄
Eastern China. Environmental Biotechnology and Materi鄄
als Engineering, Harbin, 2011: 26-28
[18]摇 Goodchild MF. Spatial Autocorrelation, Concepts and
Techniques in Modern Geography. Norwich, UK: Geo
Books, 1986
[19]摇 Anselin L. Local indicator of spatial association: LISA.
Geographical Analysis, 1995, 27: 93-115
[20]摇 Brunsdon C, Fotheringham S, Charlton M. Geographi鄄
cally weighted local statistics applied to binary data.
Geographic Information Science, 2002, 2478: 38-50
[21]摇 Carroll SS, Pearson DL. Spatial modeling of butterfly
species diversity using tiger beetles (Cicindelidae) as a
bioindicator taxon. Ecological Applications, 1998, 8:
531-543
[22]摇 Fotheringham S, Brunsdon C, Charlton M. Geographi鄄
cally Weighted Regression: The Analysis of Spatially
Varying Relationships. New York: John Wiley and
Sons, 2002
[23]摇 University of Ottawa. LPC Freeware [EB / OL]. (2009鄄
11鄄23) [2014鄄05鄄23 ]. http: / / www. lpc. uottawa. ca /
data / scripts / index. html
[24] 摇 Sawada M. Rookcase: An excel 97 / 2000 visual basic
(VB) add鄄in for exploring global and local spatial auto鄄
correlation. Bulletin of Ecological Society of America,
1999, 80: 231-234
[25]摇 Brunsdon C, Fotheringham AS, Charlton M. Geographi鄄
cally weighted regression: A method for exploring spatial
nonstationarity. Geographical Analysis, 1996, 28: 281-
298
[26]摇 Zhen Z, Li F, Liu Z, et al. Geographically local mode鄄
ling of occurrence, count, and volume of downwood in
Northeast China. Applied Geography, 2013, 37: 114 -
126
[27] 摇 Guo L, Ma Z, Zhang L. Comparison of bandwidth se鄄
lection in application of geographically weighted regres鄄
sion: A case study. Canadian Journal of Forest Re鄄
search, 2008, 38: 2526-2534
[28]摇 Zhang LJ, Shi HJ. Local modeling of tree growth by
geographically weighted regression. Forest Science,
2004, 50: 225-244
[29]摇 Zhang LJ, Liu C, Cheng PF, et al. Modeling spatial
variation in tree diameter鄄height relationships. Forest
Ecology and Management, 2004, 189: 317-329
作者简介摇 刘摇 畅,女,1985 年生,博士研究生.主要从事林
业遥感研究. E鄄mail: CICY198505@ 163. com
责任编辑摇 杨摇 弘
0052 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 25 卷