松栎林天然更新模拟与不确定性分析
发布时间：2021-11-03 01:25
森林天然更新的复杂性和不确定性是森林生态系统动态预测中的关键问题。本研究引入贝叶斯技术和全局敏感性分析,构建基于竞争、气候和地形3类因子的秦岭松栎林天然更新模型。备选模型形式以泊松（Poisson）模型、负二项（negative binomial,NB）模型、零膨胀泊松（zero-inflated Poisson,ZIP）模型和零膨胀负二项（zero-inflated negative binomial,ZINB）模型为基础。同时,根据模型参数传递的不确定性量化分析结果,阐释影响森林更新小概率事件的主导因子。结果表明:ZINB模型在油松和锐齿栎更新模拟中均优于其他模型。林分总断面积、光截留、坡位和生长季最低温是影响松栎林中油松天然更新的最关键因子;而林分总断面积、坡向与海拔的组合、年均温和最热季节降水量则是影响松栎林中锐齿栎天然更新的关键因子。油松更新模拟中,各类因子对模型输出的不确定性贡献率从小到大依次为:竞争因子（25%）<气候因子（29%）<地形因子（46%）;锐齿栎更新模拟中为:气候因子（12%）<竞争因子（24%）<地形因子（64%）。油松天然更新数量...
【文章来源】：应用生态学报. 2020,31(12)北大核心CSCD
【文章页数】：13 页
【部分图文】：
研究区调查样地的分布
森林更新模拟中,对影响更新的气候因子、竞争因子和地形因子的参数传递的不确定性进行量化,明确了每个参数在模型预测中的作用和意义。本研究通过最优模型ZINB模型分别对油松和锐齿栎更新模型中的计数模型部分和零膨胀模型部分的参数传递的不确定性进行量化,以变异系数(coefficient of variation,CV)来表示(图2)。以计数模型部分参数传递的不确定性为例,分析得出不同参数对模型输出不确定性的贡献率差异较大。油松树种更新模拟结果显示,在竞争因子中,林分总断面积和光截留相关的参数(β1、β2)传递的不确定性均较小,其不确定性CV值的中位数和[25%,75%]分位数分别为0.15[0.13,0.19]和0.32[0.25,0.49];在气候因子中,生长季最低温相关的参数(β6)具有较低的不确定性(0.18[0.14,0.24]),其次为最干季节均温相关的参数(β7)贡献的不确定性(0.22[0.16,0.37]),最干季节降水量相关的参数(β8)不确定性贡献较大,为0.69[0.49,0.81];在地形因子中,由于坡位是哑元变量,所以按其参数(β4,β5)共同传递的不确定性计算,其不确定性CV值较小,为0.42[0.31,0.73],坡度和坡向交互作用相关的参数(β3)传递的不确定性较大,为0.82[0.75,0.97](图2a)。锐齿栎树种更新模拟结果显示,在竞争因子中,林分总断面积相关的参数(β1)传递的不确定性最小,为0.27[0.24,0.32],光截留相关的参数(β2)传递的不确定性较大(0.35[0.29,0.48]);在地形因子中,坡向和海拔交互作用相关的参数(β4)传递的不确定性(0.71[0.62,0.76])小于坡度和坡向交互作用相关的参数(β3)传递的不确定性(0.73[0.63,0.78]);在气候因子中,与年均温相关的参数(β5)传递的不确定性最小,为0.13[0.12,0.15],生长季最低温、最干季节降水量和最热季节降水量相关的参数传递的不确定性较小,分别为0.30[0.23,0.42])、0.18[0.16,0.21]、0.15[0.14,0.17]),而最干季节均温相关的参数传递的不确定性较高,为0.57[0.43,0.73](图2b)。总体而言,计数部分参数传递的不确定性较零膨胀部分敏感,主要是因为零膨胀部分中参数对模型输出的解释只有两种可能性(更新发生或不发生),同时也反映了该部分模型参数仍然有很大的优化空间。参数对模型输出不确定性的贡献较小,其对应的变量对模型结果具有更好的解释效应。因此,竞争因子(林分总断面积、光截留)、气候因子(生长季最低温)和地形因子(坡位)是影响松栎林中油松天然更新的最关键因子;而气候因子(年均温、最热季节降水量)、竞争因子(林分总断面积)和地形因子(坡向与海拔交互作用)是影响锐齿栎天然更新的最关键因子。本研究将模型参数传递的不确定性进一步分解为气候因子、竞争因子和地形因子3种类型相关的参数导致的不确定性,在贝叶斯框架下,通过从不同的参数后验概率中抽样,以某一类型参数情况下模型输出值的方差与模型参数总体方差之比来确定该成分的相对不确定性(图3)。结果表明,在油松更新模拟中,竞争因子传递的不确定性最低,占参数总体不确定性的25%(即中位数=25%);其次为气候因子参数传递的不确定性(中位数=29%),地形因子传递的不确定性最高,为46%。锐齿栎更新模拟中,气候因子传递的不确定性最低,占参数总体不确定性的12%,其次为竞争因子(中位数=24%),地形因子传递的不确定性最高(中位数=64%)。
在保持其他变量平均值水平上,描述不同林分总断面积条件下油松和锐齿栎天然更新数量对气候因子的敏感性。采用蒙特卡洛方法从参数的后验概率分布中抽样来模拟更新数量的均值和95%的不确定性变化区间。由图4a可以看出,在油松天然更新模拟中,其天然更新数量随着生长季最低温的升高和最干季节降水量的增加而增加,因此油松天然更新数量对这两个气候因子为正响应,当生长季最低温低于0 ℃时,明显不利于油松树种更新。反之,随着最干季节均温的升高,其天然更新数量下降,呈现负响应趋势。但是,随着林分总断面积的增加,其更新数量明显降低。如当生长季最低温为4 ℃、林分总断面积为20 m2·hm-2时,更新数量的均值和95%的不确定性区间为1682[1506,1826] plants·hm-2,当林分总断面积为30 m2·hm-2时,更新数量降为520[428,579] plants·hm-2。由此可见,林分总断面积与油松天然更新呈现明显的负相关。由图4b可以看出,在锐齿栎天然更新模拟中,其更新数量随着年均温、生长季最低温的升高和最热季节降雨量的增加而增加,呈现正响应趋势;随着最干季节均温的升高,其更新数量下降,出现负响应趋势,对最干季节降水量的敏感性较小。相同条件下,随着林分总断面积的增加,其更新数量均有一定程度的下降。如在年均气温为12 ℃、林分总断面积为20 m2·hm-2时,其天然更新数量的均值和95%的不确定性区间为1472[1295,1648] plants·hm-2;当林分总断面积为30 m2·hm-2时,更新数量为1342[1179,1524] plants·hm-2;当林分总断面积为40 plants·m-2·hm-2时,更新数量为1242[1090,1422] plants·hm-2。从模拟曲线可以看出,与降水相比,更新数量对温度的变化更敏感,说明温度对更新的影响较降水强烈。
本文编号：3472765
【文章来源】：应用生态学报. 2020,31(12)北大核心CSCD
【文章页数】：13 页
【部分图文】：
研究区调查样地的分布
森林更新模拟中,对影响更新的气候因子、竞争因子和地形因子的参数传递的不确定性进行量化,明确了每个参数在模型预测中的作用和意义。本研究通过最优模型ZINB模型分别对油松和锐齿栎更新模型中的计数模型部分和零膨胀模型部分的参数传递的不确定性进行量化,以变异系数(coefficient of variation,CV)来表示(图2)。以计数模型部分参数传递的不确定性为例,分析得出不同参数对模型输出不确定性的贡献率差异较大。油松树种更新模拟结果显示,在竞争因子中,林分总断面积和光截留相关的参数(β1、β2)传递的不确定性均较小,其不确定性CV值的中位数和[25%,75%]分位数分别为0.15[0.13,0.19]和0.32[0.25,0.49];在气候因子中,生长季最低温相关的参数(β6)具有较低的不确定性(0.18[0.14,0.24]),其次为最干季节均温相关的参数(β7)贡献的不确定性(0.22[0.16,0.37]),最干季节降水量相关的参数(β8)不确定性贡献较大,为0.69[0.49,0.81];在地形因子中,由于坡位是哑元变量,所以按其参数(β4,β5)共同传递的不确定性计算,其不确定性CV值较小,为0.42[0.31,0.73],坡度和坡向交互作用相关的参数(β3)传递的不确定性较大,为0.82[0.75,0.97](图2a)。锐齿栎树种更新模拟结果显示,在竞争因子中,林分总断面积相关的参数(β1)传递的不确定性最小,为0.27[0.24,0.32],光截留相关的参数(β2)传递的不确定性较大(0.35[0.29,0.48]);在地形因子中,坡向和海拔交互作用相关的参数(β4)传递的不确定性(0.71[0.62,0.76])小于坡度和坡向交互作用相关的参数(β3)传递的不确定性(0.73[0.63,0.78]);在气候因子中,与年均温相关的参数(β5)传递的不确定性最小,为0.13[0.12,0.15],生长季最低温、最干季节降水量和最热季节降水量相关的参数传递的不确定性较小,分别为0.30[0.23,0.42])、0.18[0.16,0.21]、0.15[0.14,0.17]),而最干季节均温相关的参数传递的不确定性较高,为0.57[0.43,0.73](图2b)。总体而言,计数部分参数传递的不确定性较零膨胀部分敏感,主要是因为零膨胀部分中参数对模型输出的解释只有两种可能性(更新发生或不发生),同时也反映了该部分模型参数仍然有很大的优化空间。参数对模型输出不确定性的贡献较小,其对应的变量对模型结果具有更好的解释效应。因此,竞争因子(林分总断面积、光截留)、气候因子(生长季最低温)和地形因子(坡位)是影响松栎林中油松天然更新的最关键因子;而气候因子(年均温、最热季节降水量)、竞争因子(林分总断面积)和地形因子(坡向与海拔交互作用)是影响锐齿栎天然更新的最关键因子。本研究将模型参数传递的不确定性进一步分解为气候因子、竞争因子和地形因子3种类型相关的参数导致的不确定性,在贝叶斯框架下,通过从不同的参数后验概率中抽样,以某一类型参数情况下模型输出值的方差与模型参数总体方差之比来确定该成分的相对不确定性(图3)。结果表明,在油松更新模拟中,竞争因子传递的不确定性最低,占参数总体不确定性的25%(即中位数=25%);其次为气候因子参数传递的不确定性(中位数=29%),地形因子传递的不确定性最高,为46%。锐齿栎更新模拟中,气候因子传递的不确定性最低,占参数总体不确定性的12%,其次为竞争因子(中位数=24%),地形因子传递的不确定性最高(中位数=64%)。
在保持其他变量平均值水平上,描述不同林分总断面积条件下油松和锐齿栎天然更新数量对气候因子的敏感性。采用蒙特卡洛方法从参数的后验概率分布中抽样来模拟更新数量的均值和95%的不确定性变化区间。由图4a可以看出,在油松天然更新模拟中,其天然更新数量随着生长季最低温的升高和最干季节降水量的增加而增加,因此油松天然更新数量对这两个气候因子为正响应,当生长季最低温低于0 ℃时,明显不利于油松树种更新。反之,随着最干季节均温的升高,其天然更新数量下降,呈现负响应趋势。但是,随着林分总断面积的增加,其更新数量明显降低。如当生长季最低温为4 ℃、林分总断面积为20 m2·hm-2时,更新数量的均值和95%的不确定性区间为1682[1506,1826] plants·hm-2,当林分总断面积为30 m2·hm-2时,更新数量降为520[428,579] plants·hm-2。由此可见,林分总断面积与油松天然更新呈现明显的负相关。由图4b可以看出,在锐齿栎天然更新模拟中,其更新数量随着年均温、生长季最低温的升高和最热季节降雨量的增加而增加,呈现正响应趋势;随着最干季节均温的升高,其更新数量下降,出现负响应趋势,对最干季节降水量的敏感性较小。相同条件下,随着林分总断面积的增加,其更新数量均有一定程度的下降。如在年均气温为12 ℃、林分总断面积为20 m2·hm-2时,其天然更新数量的均值和95%的不确定性区间为1472[1295,1648] plants·hm-2;当林分总断面积为30 m2·hm-2时,更新数量为1342[1179,1524] plants·hm-2;当林分总断面积为40 plants·m-2·hm-2时,更新数量为1242[1090,1422] plants·hm-2。从模拟曲线可以看出,与降水相比,更新数量对温度的变化更敏感,说明温度对更新的影响较降水强烈。
本文编号：3472765
本文链接：https://www.wllwen.com/wenshubaike/mfmb/3472765.html
