不同经营方式对油松成熟人工林生长和植物多样性的影响

【目的】基于油松成熟人工林,探索一种兼顾生态效益的大径级用材林培育方式,为我国成熟人工林的科学经营提供参考。【方法】以赤峰市旺业甸实验林场47年生和56年生油松人工林为研究对象,选取2013年和2019年调查的近自然经营、常规经营、封育管理样地乔灌草数据,采用双因素方差分析方法比较3种经营方式对油松成熟人工林胸径增长速度、死亡率、幼树更新以及乔灌草多样性的影响差异。【结果】3种经营油松成熟人工林年均胸径增长速度和6年死亡率差异均显著(P<0.05),近自然经营为0.40 cm/a和0.51%,常规经营为0.36 cm/a和1.44%,封育管理为0.31 cm/a和3.55%。6年间,近自然经营的林下植物种类增加3种,常规经营和封育管理分别减少5种和9种。47年生和56年生林分的乔木Shannon-Wiener指数和Simpson指数增长排序为近自然经营>常规经营>封育管理,更新树苗死亡率和47年生林分的草本Shannon-Wiener指数和Simpson指数下降排序为常规经营<近自然经营<封育管理;3种经营对油松成熟人工林的乔木胸径生长和死亡率以及乔灌草多样性的影响差异具有时效性。3种经营56年生油松人工林的年均胸径增长速度、乔木和灌木的Shannon-Wiener指数、Simpson指数均高于47年生人工林,但草本Shannon-Wiener指数、Simpson指数为47年生林分高于56年生林分。【结论】对油松成熟人工林进行合理经营可提升乔木胸径生长速度,降低死亡率并延缓林分植物多样性下降,表明仍有必要对成熟人工林进行合理经营,以获取更好的经济和生态效益;综合比较3种经营对油松成熟人工林大径级林木培育和植物多样性保护的效果,近自然经营是一种理想的经营方式。

不同经营模式对华北油松人工林碳储量的影响

科学认识不同经营模式下人工林碳储量变化规律对于采取合理的经营措施以提高森林碳汇潜力和木材生产具有重要意义。以赤峰旺业甸实验林场3个龄级(10年林、47年林、56年林)油松(Pinus tabuliformis)人工林为研究对象,调查分析近自然经营、常规经营、未经营等3种经营模式对其生态系统碳储量及6年年均增量的影响。结果表明:3种经营模式的油松人工林生态系统碳储量组成均呈土壤层>乔木层>枯落物层>草本层>灌木层,且乔木层、植被层和生态系统的碳储量均随林龄增加而显著增加(P<0.05);3种经营模式在3个龄级的油松人工林生态系统碳储量年均增量均为正值,未经营林分的随林龄增加而降低,近自然经营林分和常规经营林分通过不同的经营措施均改变了这一下降趋势(P<0.05);近自然经营显著提高了56年林生态系统、47年林和56年林乔木层及3个龄级枯落物层的碳储量年均增量(P<0.05),常规经营显著降低了3个龄级生态系统(P<0.05)、10年林和47年林土壤层碳储量的年均增量(P<0.01);就龄级而言,近自然经营和常规经营56年林生态系统碳储量的年均增量(7.49 Mg·hm^(−2)·a^(−1),3.49 Mg·hm^(−2)·a^(−1))均大于47年林(5.82 Mg·hm^(−2)·a^(−1),1.27 Mg·hm^(−2)·a^(−1))。为提高油松人工林生态系统碳储量,对尚未郁闭的低龄林分应尽量减少抚育间伐等人为干扰,但综合考虑碳储量增长和大径级用材林培育,近自然经营最理想。该研究区60年左右的油松人工林乔木层和生态系统碳储量仍在持续增长,建议提高其成熟林林龄区间的划分,以提高森林生态系统碳汇功能并培育更多的大径材。

联合Sentinel-1和Sentinel-2数据反演森林蓄积量

为明确遥感数据源及机器学习模型对森林蓄积量估测的影响,从而提高区域森林蓄积量估测精度。本文以内蒙古旺业甸林场38个落叶松样地与43个油松样地外业调查数据为基础,提取Senitnel-1和Sentinel-2影像光谱和极化等遥感特征信息。根据不同特征组合分别建立支持向量机回归(Support Vector Regression,SVR)、k最近邻(k-NearestNeighbor,kNN)、多层感知器(Multi-Layer Neural Network,MLP)及多元线性回归(Multiple Linear Regression,MLR)4种蓄积量反演模型,并对模型结果进行精度验证与比较。结果表明:(1)与单一数据源相比,联合Sentinel-1与Sentinel-2数据有助于提高森林蓄积量反演精度(油松蓄积量反演R2提高0.08,RMSE提高10.28 m^(3)·hm^(-2);落叶松蓄积量反演R2提高0.05,RMSE提高4.51 m^(3)·hm^(-2));(2)与MLP和MLR模型相比,SVR与kNN模型的蓄积量反演效果较好。其中,SVR模型在油松蓄积量反演效果最佳(R2=0.84,RMSE=44.58 m^(3)·hm^(-2));kNN模型在落叶松蓄积量反演精度最高(R2=0.74,RMSE=41.41 m^(3)·hm^(-2))。联合Sentinel-1与Sentinel-2多源数据的机器学习方法可获得较高的蓄积量反演精度,可期为区域尺度森林蓄积量遥感反演提供理论支持与可行方案。