2025, Vol. 45文章信息
- 苏维翰, 张楚然, 邓云, 翟德利, 张明达, 李生发, 李逢昌, 唐志忠, 林露湘
- SU Weihan, ZHANG Churan, DENG Yun, ZHAI Deli, ZHANG Mingda, LI Shengfa, LI Fengchang, TANG Zhizhong, LIN Luxiang
- 基于Landsat影像评估鸡足山火烧迹地近40年植被恢复动态
- Assessment of vegetation recovery dynamics over nearly 40 years in the Jizu Mountain burnt area based on Landsat imagery
- 生态学报. 2025, 45(3): 1362-1378
- Acta Ecologica Sinica. 2025, 45(3): 1362-1378
- http://dx.doi.org/10.20103/j.stxb.202404030720
-
文章历史
- 收稿日期: 2024-04-03
- 网络出版日期: 2024-10-21
2. 大理市林业和草原局, 大理 671006;
3. 大理市余金庵国有林场, 大理 671009;
4. 云南西双版纳森林生态系统国家野外科学观测研究站, 勐腊 666303;
5. 云南省气候中心, 昆明 650034;
6. 中国科学院大学, 北京 100049
2. Dali forestry and grassland Bureau, Dali 671006, China;
3. Yu Jin'an State-owned Forest Farm, Dali 671009, China;
4. National Forest Ecosystem Research Station at Xishuangbanna, Mengla 666303, China;
5. Yunnan Climate Center, Kunming 650034, China;
6. University of Chinese Academy of Sciences, Beijing 100049, China
森林火灾(林火)是陆地生态系统中最常见的自然干扰过程之一, 大范围、高强度的林火干扰能够摧毁地表植被并重启群落演替进程, 对生态系统的景观、物种组成和功能等产生一系列影响[1—2]。火烧迹地是指经火灾烧毁后尚未长起新林的土地[3], 对火烧迹地的植被恢复动态进行监测和评估, 是探寻森林次生演替规律的重要方式之一[4]。半湿润常绿阔叶林是滇中高原的水平地带性植被, 是中国西部常绿阔叶林的代表类型和特有类型之一[5—7]。滇中地区的半湿润常绿阔叶林具有典型的中国—喜马拉雅植物区系特征, 组成植被的优势种有很大一部分是中国特有种[8], 具有较高的保护和研究价值。但是, 在滇中地区也广泛存在着由于各种原因导致的火烧事件, 甚至一定程度上维持了当地如云南松林等特定植被类型的存在[9], 而半湿润常绿阔叶林反而在许多地方都已被破坏并亟待恢复[10]。因此, 对当地可能存在的火烧干扰历史和植被恢复过程各阶段的景观、结构和物种组成等特征进行深入研究, 是解释该区域物种共存和群落构建过程及其维持机制的必要前提。
火烧边界确定及火烧程度评估是火烧迹地上恢复生态学研究的基础和前提。基于卫星多光谱影像的遥感植被指数已被证实与基于实地调查的生物量损失的火烈度(Fire severity)估计结果之间存在良好的相关性[11—12], 因此卫星遥感是目前确定大面积林火事件烈度及其边界范围的常用工具之一。归一化燃烧指数(Normalized Burn Ratio, NBR)是目前国际上应用较多的用于火烧迹地识别和火后环境评价的遥感评估参数之一, 该指数由近红外(Near-Infrared Spectroscopy, NIR)波段(0.76—0.90 μm)和短波红外2(Short-Wave Infrared Spectroscopy2, SWIR2)波段(2.08—2.35 μm)计算而成[13]。由于近红外波段对植被中的叶绿素含量变化敏感, 在火灾后常明显减小；而短波红外波段对植被和土壤中的水分含量以及一些土壤条件敏感, 在火灾后常明显增加, 因此结合这些波段的NBR能够相对较好地反映火烧迹地中植被和土壤的光谱特征变化[13—14]。已有研究表明, 火烧前后NBR差值(即差值归一化燃烧率, difference Normalized Burn Ratio, dNBR)的值域区间与现场调查的综合燃烧指数(Composite Burn Index, CBI)[13, 15]存在一定的非线性正相关关系[16], 因此在与一些经验阈值结合后, 可以通过dNBR对火烈度及其边界范围进行定量划分[13]。
时间序列分析是长期生态学研究中评估植被恢复动态和演替进程的重要手段。在火后1年左右, 火烧迹地的各种生态指标可能由于延迟死亡效应(Delayed mortality effect)而持续降低至最低值[13], 之后恢复速度以近似单指数方程趋势(或称比尔定律, Beer′s law)呈先快后慢的动态变化[17—19], 但一般都包含一个3—5年的定居阶段(Establishment and regeneration phase)和10—20年的幼林重建阶段(Young forest regrowth phase)[20]。但是, 由于火烧后的恢复过程与火烧前植被组成及火烧程度有很大关联, 因此在不同植被类型和火烈度下的森林恢复速度可能存在较大差异[21—22]。如一些松属树种的种子更能耐受火烧而在火烧事件后存活和萌发, 但由于其生长速度相对较慢, 因此在火烈度相对较重的迹地上方能表现出更大的竞争优势；而一些阔叶树种(如壳斗科植物)具有更强的萌生能力, 因此在中度和轻度火烈度下能够依托其尚存的根系而快速萌生, 重新占据原有生境[23]。此外, 重度火烈度可能导致土壤性质改变进而影响植物种子的萌发和生长[24], 频繁火烧的森林(如地中海地区)可能比较少受到干扰的地区具有更快的恢复速率[25], 陡峭地段上相对较差的水肥条件也可能导致植被恢复速度随地形坡度的增加而变慢[24]。因此, 对林火干扰频发地区的森林群落构建和物种共存机制进行研究之前, 首先需要对当地植被在不同干扰强度下的自然恢复速率及其与环境因子间的相互影响关系有着清楚认识[26]。
受滇中地区半湿润气候的影响, 林火是云贵高原半湿润常绿阔叶林分布区内广泛存在且频繁发生的自然灾害[27]。目前对当地半湿润常绿阔叶林已有大量的地理分布与区系组成[28]、物种多样性与功能多样性[29—30]等方面的相关研究和报道, 但对半湿润常绿阔叶林地区火烈度对其后的植被恢复过程的影响仍缺乏足够的定量研究。在此, 本研究拟以1984年发生于大理市鸡足山上的半湿润常绿阔叶林火烧事件为主要研究对象, 尝试解决以下三个科学问题：(1)空间上地形因子如何影响火烧事件发生时的不同火烈度区范围；(2)不同烈度的林火干扰对应地段上的植被随时间的恢复过程有怎样的影响；以及(3)这些受不同烈度林火干扰的区域目前处于演替的哪个阶段。为实现以上目标, 本研究以Landsat卫星的多时序遥感影像为主要数据源, 基于dNBR对历史火烧迹地边界进行划分, 在空间上分析地形因子对火烈度的影响；对植被覆盖度指数(Fractional Vegetation Cover, FVC)、NBR和燃烧恢复率(Burn Recovery Ratio, BRR)的时序变化进行分段线性回归, 以判别火烧迹地的不同恢复阶段, 在时间上探索不同火烈度区域的植被恢复速率差异及潜在影响因子；结合火烧迹地与对照区之间的植被光谱特征和林冠高度结构特征比较后, 判明当地火烧迹地次生林目前所处的演替阶段, 以此对当地半湿润常绿阔叶林火烧迹地近40年来自然恢复成效进行评估。本研究结果将为当地半湿润常绿阔叶林次生林演替进程的相关研究提供基础性的火烈度边界、遥感植被指数恢复速率和当前所处演替阶段等定量数据结果供后续科学研究参考。
1 研究方法 1.1 研究区概况本研究主要在大理鸡足山上的大理市余金庵国有林场(100°16′54″ E—100°21′4″ E, 25°57′45″ N—26°2′27″N)开展。大理市余金庵国有林场位于云南省大理白族自治州大理市双廊镇, 属鸡足山西坡。该林场面积3187.38 hm2, 海拔1553—3330 m, 植被组成以半湿润常绿阔叶林为主要的地带性植被, 以云南松(Pinus yunnanensis)、白柯(Lithocarpus dealbatus)、元江锥(Castanopsis orthacantha)、银木荷(Schima argentea)等为主要优势树种[29, 31]。当地气候受西南季风控制, 有明显的雨季(每年5—10月)和旱季(11月—次年4月)[7]。IPCC生物气候数据集库(https://worldclim.org)中对应气象数据显示[32], 当地年均降水量809.98 mm, 年平均气温12.6 ℃。
大理市余金庵国有林场内部分区域曾于1984年5月3日发生森林火灾, 火烧迹地海拔为1850—3318 m(基于ASTER GDEM V2全球地形数据集[33—35], https://www.earthdata.nasa.gov/), 目前该林场内火烧迹地主要恢复为云南松(Pinus yunnanensis)林。本研究主要以植被指数发生明显变化的火烧迹地(1423.71 hm2)作为主要研究区域, 同时选择火烧迹地附近的大理鸡足山余金庵亚热带半湿润常绿阔叶林20 hm2动态监测样地[31]作为未受干扰的老龄林对照区进行对比(图 1)。
|
| 图 1 研究区影像对比 Fig. 1 Presents a comparison of images from the study area 1974年12月为Keyhole卫星影像, 1986年12月为Landsat TM影像, 2021年10月为ArcGIS Online影像 |
本研究使用1986—2023年间30 m空间分辨率和16 d时间分辨率的Landsat-5/专题制图仪(Thematic Mapper, TM)、Landsat-7/增强专题成像仪(Enhanced Thematic Mapper Plus, ETM+)和Landsat-8/陆地成像仪(Operational Land Imager, OLI)逐年影像数据(Path：131, Row：42), 主要选择每年12月前后的无云影像进行分析(表 1)。影像下载自美国地质调查局(United States Geological Survey, USGS)网站(https://glovis.usgs.gov/), 已经过辐射定标、大气校正与几何校正等预处理。为避免人为活动导致的土地利用变化干扰数据分析结果, 以1974年全色影像(Keyhole卫星影像, 分辨率约为13 m, https://glovis.usgs.gov/), 2021年高分影像(ArcGIS Online, 分辨率约为1 m, https://www.arcgis.com)分别作为火烧前和当代参考(图 1), 人工剔除火灾前和当代能够清楚辨识的农田、建筑用地等人类活动区域。本文所有遥感数据分析均以WGS_1984_UTM_Zone_47N坐标系为准, 所用的栅格数据均以30 m×30 m分辨率进行重采样和分析。
| 年份 Year |
数据源 Data source |
传感器 Sensor |
成像时间 Imaging time |
年份 Year |
数据源 Data source |
传感器 Sensor |
成像时间 Imaging time |
|
| 1986 | Landsat5 | TM | 19861220 | 2005 | Landsat5 | TM | 20051106 | |
| 1987 | Landsat5 | TM | 19880209 | 2006 | Landsat5 | TM | 20061211 | |
| 1988 | Landsat5 | TM | 19881225 | 2007 | Landsat7 | ETM+ | 20071206 | |
| 1989 | Landsat5 | TM | 19891126 | 2008 | Landsat5 | TM | 20090117 | |
| 1990 | Landsat5 | TM | 19901231 | 2009 | Landsat7 | ETM+ | 20091211 | |
| 1991 | Landsat5 | TM | 19911218 | 2010 | Landsat5 | TM | 20101222 | |
| 1992 | Landsat5 | TM | 19921220 | 2011 | Landsat7 | ETM+ | 20120203 | |
| 1993 | Landsat5 | TM | 19931223 | 2012 | Landsat7 | ETM+ | 20121219 | |
| 1994 | Landsat5 | TM | 19941226 | 2013 | Landsat8 | OLI | 20131011 | |
| 1995 | Landsat5 | TM | 19951213 | 2014 | Landsat8 | OLI | 20150307 | |
| 1996 | Landsat5 | TM | 19961231 | 2015 | Landsat8 | OLI | 20160105 | |
| 1997 | Landsat5 | TM | 19980103 | 2016 | Landsat8 | OLI | 20161120 | |
| 1998 | Landsat5 | TM | 19981231 | 2017 | Landsat8 | OLI | 20171225 | |
| 1999 | Landsat5 | TM | 19991122 | 2018 | Landsat8 | OLI | 20181126 | |
| 2000 | Landsat5 | TM | 20001226 | 2019 | Landsat8 | OLI | 20191225 | |
| 2001 | Landsat5 | TM | 20011213 | 2020 | Landsat8 | OLI | 20201227 | |
| 2002 | Landsat5 | TM | 20021029 | 2021 | Landsat8 | OLI | 20211220 | |
| 2003 | Landsat5 | TM | 20031203 | 2022 | Landsat8 | OLI | 20221223 | |
| 2004 | Landsat5 | TM | 20041205 | 2023 | Landsat9 | OLI | 20231218 | |
| TM：专题制图仪Thematic mapper；ETM+：增强专题成像仪Enhanced thematic mapper plus；OLI：陆地成像仪Operational land imager | ||||||||
以归一化燃烧指数(NBR)反映火烧后的植被光谱恢复过程[36], 并以差值归一化燃烧指数(dNBR)来提取火烧迹地面积并评估火烈度[14, 36], 通过ENVI 5.6(美国, NV5 Geospatial Solutions, Inc.)的“Spectral Indices Batch”工具计算NBR和dNBR。NBR的具体公式为：
|
式中, NIR和SWIR2分别是TM或ETM+影像的第4波段(近红外波段, 0.76—0.90 μm)和第7波段(短波红外波段2, 2.08—2.35 μm), 或OLI影像的第5波段(近红外波段, 0.85—0.88 μm)和第7波段(短波红外波段2, 2.11—2.29 μm)。火烧迹地NBR在恢复过程中的影像变化见图 2。
|
| 图 2 研究区NBR值景观变化图 Fig. 2 Landscape change map of NBR values in the study area NBR：归一化燃烧指数Normalized burn ratio；各年份图中左侧不规则区域为火烧迹地, 右侧矩形区域为对照区 |
dNBR通过以下公式计算：
|
式中, NBRpre是表示火灾发生前遥感影像的NBR值, NBRpost是表示火灾发生后遥感影像的NBR值。由于本研究中林火发生的时间为1984年, 但该区的多光谱数据最早从1986年才开始记录, 因此选取最接近火烧年份的1986年TM影像的NBR值作为NBRpost。虽然本研究缺乏火烧前的多光谱数据记录, 但对研究区的数据预分析结果表明40年前的火烧迹地范围内NBR数值在近十年来已基本饱和并不再有明显增加趋势, 因此选取2019—2023年OLI影像的NBR的平均值作为NBRpre。此外, 由于不同年份的NBR计算结果之间可能由于光照效应、季节性物候[13, 37]和传感器本身性能差异[38]等问题而存在一些数值上的偏差, 因此本研究选取火烧迹地周边没有明显历史干扰的20 hm2样地区域[31]的dNBR均值为归零基准进行校正, 以此缓解数值结果的偏移问题。
dNBR的值域范围为-2—2, 但dNBR小于-0.5或大于1.3的栅格通常不被计入森林火烧迹地面积[39], 因为此时数值上的漂移更多是由于误配准、云层遮挡或原始Landsat数据中的异常而引起的噪声所致[39—40]。同时, dNBR值在-0.5—0.1范围内通常表示火烧迹地在对应时间间隔内变化较小或无变化, 并且火灾前后的物候差异会影响未燃烧区dNBR值的分布, 因此该范围内的值不计入森林火烧迹地面积的统计[41]。本研究参考Key和Benson的景观评价(Landscape Assessment, LA)采样与分析方法[39]中火烈度与dNBR的对应关系, 将火烧迹地的火烈度划分为以下四个等级：轻度, 0.100—0.269；中低度, 0.270—0.439；中高度, 0.440—0.659；重度, 0.660—1.300。
1.4 时间序列变化分析 1.4.1 植被覆盖度以植被覆盖度(FVC)反映整个火烧迹地的植被恢复过程[42]。FVC主要基于归一化植被指数(Normalized Difference Vegetation Index, NDVI)计算, NDVI计算公式如下[43]：
|
式中, Red为TM/ETM+影像中的第3波段(红光波段, 0.63—0.69 μm), 或OLI影像中的第4波段(红光波段, 0.64—0.67 μm)。
NDVI计算完成后, 进一步通过像元二分模型对FVC进行计算[44]：
|
式中, NDVIveg为纯植被像元的最大值, 在本研究中取土地利用单元内频率累计表中累计频率为95%的NDVI值代表NDVIveg；NDVIsoil为纯土壤像元的最大值, 在本研究中取累计频率为5%的NDVI值为NDVIsoil[45]。
1.4.2 燃烧恢复率燃烧恢复率(BRR)是基于NBR构建, 可用于评估火烧迹地植被恢复状况[41]。通过ENVI 5.6的“Spectral Indices Batch”工具计算BRR：
|
式中, t0, td和ta分别代表火灾前时间点、火灾达到最大破坏程度时间点和评估恢复的时间点。其中, NBRt0为2019—2023年NBR均值, NBRtd为1986年NBR值。BRR值划分为6个等级[41]：非常差, BRR<0%；差, 0%≤BRR<25%；一般, 25%≤BRR<50%；好, 50%≤BRR<75%；非常好, 75%≤BRR<100%；极好, BRR≥100%。
1.5 地形及林冠高度数据提取基于ASTER GDEM V2全球地形数据集[33—35], 使用ArcGIS 10.8.1(美国, ESRI)的3D Analyst工具的“栅格表面”工具计算坡向、坡度、剖面曲率、水平曲率, 在R 4.3.2(https://www.r-project.org/)中使用“tidyverse”包[46]计算不同区域的地形湿度指数(Topographic Wetness Index, TWI)。基于2020年全国林冠高度10 m×10 m栅格数据集[47]栅格化至30 m×30 m后提取林冠高度。使用ArcMap工具箱中的“Spatial Analyst”工具中区域分析工具集的“以表格显示分区统计”工具, 统计各火烈度区和对照区内地形因子和林冠高度的最大值、最小值、平均值、标准差和中位数。根据不同火烈度区域, 使用ArcMap工具箱中的“创建渔网”和“创建标注点”工具, 将各地形因子和林冠高度数据逐一导出至每个30 m×30 m栅格中心的点要素中, 再使用R 4.3.2的“car”包以“Levene”法[48—49]对各因子组间进行方差齐性检验, 使用“agricolae”包以最小显著差异法(Least Significant Difference, LSD)[50—51]进行各因子组间多重比较。此外, 还在Excel 2019中计算各区域中每1 m林冠高度的出现频度, 绘制林冠高度—频度分布曲线, 并通过R 4.3.2的“e1071”包[52]计算曲线对应的偏度和峰度。
本研究将坡向分为9个等级, 分别为北坡(0°—25°和337.5°—360°, N)、东北坡(22.5°—67.5°, NE)、东坡(67.5°—112.5°, E)、东南坡(112.5°—157.5°, SE)、南坡(157.5°—202.5°, S)、西南坡(202.5°—247.5°, SW)、西坡(247.5°—292.5°, W)、西北坡(292.5°—337.5°, NW)和平地。其中, 将北坡、东北坡、西北坡、西坡统称为阴坡, 将南坡、西南坡、东坡、东南坡统称为阳坡。
根据土壤侵蚀发生变化的转折点[53], 将坡度划分为4级: 平坡(< 5°)、缓坡(5°—15°)、斜坡(15°—25°)和陡坡(≥25°)。使用ArcGIS 10.8中“重分类”工具进行按以上等级对坡度进行重分类, 之后使用“面积制表”工具计算不同区域的坡度等级比例。
1.6 时间序列变化分析以分段线性回归(Piecewise Linear Regression Model, PLRM)[54]对各火烈度区的FVC、NBR和BRR, 以及云南省大理站1986—2023年的逐年均温和累计降水量进行时间序列上的数据变化规律探索。相比非线性回归, 分段线性回归被认为能够更好的识别和描述非线性过程中的关键变化点[54], 而这些变化点可能对应不同的生态恢复阶段, 为研究提供关键节点的科学依据。基于贝叶斯信息准则(Bayesian information criterion, BIC)[55]对最佳分段点数量进行判断。使用R 4.3.2软件“segmented”包[56]对分段线性回归模型参数进行分析。
2 结果与分析 2.1 火烧边界及火烈度分级dNBR计算结果显示, 研究区内的火烧迹地面积(dNBR>0.1)共有1423.71 hm2(图 3), 其中685.17 hm2分布的区域在林场内部, 占林场总面积21.50%。轻度火烈度区占整个火烧迹地面积比例最大(902.52 hm2, 63.39%), 其次为中低度(437.49 hm2, 30.73%)和中高度(83.34 hm2, 5.85%)火烈度区。重度火烈度区面积占比最小, 仅有0.36 hm2, 占林场总面积的0.03%。
|
| 图 3 不同火烈度区的空间分布 Fig. 3 Spatial distribution of areas with different fire severities |
LSD多重比较结果显示, 海拔在不同火烈度区不存在显著差异(平均值±标准差由轻到重分别为：2570±354a、2717±315a、2744±191a、2806±154a)(图 4)；坡度在不同火烈度区存在显著差异(平均值±标准差由轻到重分别为: 22.2±9.96a、21.8±9.79b、20.7±10.3c、17.5±3.63c)；地形湿度指数在不火烈度区不存在显著差异(平均值±标准差由轻到重分别为：8.63±0.88a、8.62±0.83a、8.61±0.83a、8.63±0.89a)；水平曲率在不同火烈度区不存在显著差异(平均值±标准差由轻到重分别为：0.03±0.98a、0.05±0.96a、0.08±0.96a、-0.28±0.87a)；剖面曲率在不同火烈度区不存在显著差异(平均值±标准差由轻到重分别为：-0.03±1.14a、-0.04±1.12a、-0.13±1.13ab、0.50±1.18a)。
|
| 图 4 不同火烈度地形因子的多重比较 Fig. 4 Multiple comparisons of terrain factors under different fire severities 箱体上下部分表示数据的75%分位数和25%分位数；上下延长线顶点表示数据的最大值和最小值；箱体中间横线表示数据中值。组间不同字母表示LSD多重比较结果存在显著差异(P<0.05) |
对比不同火烈度区的各个坡度级(平坡、缓坡、斜坡和陡坡)的占比发现缓坡的占比随火烈度的增加而增加, 但是陡坡随着火烈度的增加而降低(图 5)。此外, 斜坡和陡坡在不同火烈度区的占比相对较高(轻度占75.33%, 中低度占74.65%, 中高度占69.47%, 重度占50%)。其中, 重度火烈度区的缓坡和斜坡各占比例为50%, 这一分布与其他区域明显不同, 可能是由于重度火烈度区面积过小, 导致了取样偏差。
|
| 图 5 不同火烈度区坡度等级占比 Fig. 5 Proportion of slope classes in areas with different fire severities |
轻度、中低度和中高度火烈度区均以北坡为主, 基本的坡向占比格局相似(图 6)。重度火烈度区以西北坡(50%)和西坡(50%)为主, 与其他区域有所不同, 这可能与重度火烈度区面积过小导致的取样偏差有关。
|
| 图 6 不同火烈度区坡向雷达图 Fig. 6 Radar chart of aspect in areas with different fire severities 不同火烈度区外围表示不同坡向中30 m空间分辨率像元比例的8个方位, 点离圆心的距离越远, 其值越大 |
分段线性回归结果表明, 轻度和中低度火烈度下的NBR、FVC和BRR在时间序列上均在1996年前后有一个分段点；中高度火烈度区的NBR和BRR有两个分段点(1990年和1996年), FVC有三个分段点(1991年、1997年和2021年), 但2021—2023年间的拟合方程并不显著(P>0.05)；重度火烈度区的NBR、FVC和BRR虽然在时间序列上都有着四个分段点, 但NBR在1996—2014年间的两段线性拟合方程均不显著(P>0.05), FVC在2004—2013年间的线性拟合方程不显著(P=0.753), BRR在1997—2016年间的两段线性方程不显著(P>0.05)(表 2)。因此, 判断轻度和中低度火烈度区的恢复过程分为两个阶段：1996年前的快速恢复阶段和1996年至今的降速恢复阶段；中高度和重度火烈度区恢复过程分三个阶段：1990年前的快速恢复阶段, 1990—1996年的降速恢复阶段和1996年后的稳定阶段(图 7)。
| 区域 Area |
光谱指数 Spectral index |
年份区间 Year interval |
斜率 Slope |
截距 Intercept |
决定系数 Coefficient of determination |
F | P |
| 对照 Control |
FVC | 1986—2023 | 0.0017 | -2.4024 | 0.287 | 14.516 | < 0.001 |
| NBR | 1986—2003 | -0.0050 | 11.0126 | 0.417 | 11.434 | 0.004 | |
| 2003—2023 | 0.0010 | -1.1510 | 0.157 | 3.362 | 0.083 | ||
| BRR | 1986—1994 | -0.0616 | 122.6693 | 0.121 | 0.823 | 0.399 | |
| 1994—1996 | 0.4489 | -895.0718 | 0.904 | 9.370 | 0.201 | ||
| 1996—2006 | -0.0655 | 131.4711 | 0.410 | 5.569 | 0.046 | ||
| 2006—2023 | 0.0748 | -150.0844 | 0.520 | 17.305 | < 0.001 | ||
| 轻度 Mild |
FVC | 1986—1998 | 0.0175 | -34.2097 | 0.913 | 105.450 | < 0.001 |
| 1998—2023 | 0.0060 | -11.2568 | 0.708 | 58.192 | < 0.001 | ||
| NBR | 1986—1996 | 0.0175 | -34.2130 | 0.753 | 24.351 | 0.001 | |
| 1996—2023 | 0.0033 | -5.8714 | 0.516 | 27.724 | < 0.001 | ||
| BRR | 1986—1996 | 0.0630 | -125.1453 | 0.795 | 34.894 | < 0.001 | |
| 1996—2023 | 0.0141 | -27.4221 | 0.493 | 24.339 | < 0.001 | ||
| 中低度 Moderate-low |
FVC | 1986—1996 | 0.0353 | -69.7451 | 0.982 | 500.831 | < 0.001 |
| 1996—2023 | 0.0059 | -10.9980 | 0.768 | 82.659 | < 0.001 | ||
| NBR | 1986—1995 | 0.0333 | -65.7040 | 0.907 | 77.707 | < 0.001 | |
| 1995—2023 | 0.0043 | -7.9691 | 0.650 | 48.327 | < 0.001 | ||
| BRR | 1986—1995 | 0.0749 | -148.7040 | 0.900 | 72.299 | < 0.001 | |
| 1995—2023 | 0.0097 | -18.5757 | 0.619 | 42.174 | < 0.001 | ||
| 中高度 Moderate-high |
FVC | 1986—1991 | 0.0786 | -155.8006 | 0.991 | 344.357 | < 0.001 |
| 1991—1997 | 0.0358 | -70.7576 | 0.969 | 155.115 | < 0.001 | ||
| 1997-2021 | 0.0044 | -7.9475 | 0.588 | 31.389 | < 0.001 | ||
| 2021—2023 | 0.0121 | -23.5444 | 0.483 | 0.933 | 0.511 | ||
| NBR | 1986—1990 | 0.0826 | -163.8672 | 0.951 | 57.625 | 0.005 | |
| 1990—1996 | 0.0307 | -60.7186 | 0.873 | 34.494 | 0.002 | ||
| 1996—2023 | 0.0040 | -7.3445 | 0.607 | 38.673 | < 0.001 | ||
| BRR | 1986—1990 | 0.1371 | -272.3079 | 0.956 | 65.841 | 0.004 | |
| 1990—1996 | 0.0489 | -96.8363 | 0.865 | 32.140 | 0.002 | ||
| 1996—2023 | 0.0066 | -12.2849 | 0.601 | 37.630 | < 0.001 | ||
| 重度 Severe |
FVC | 1986—1988 | 0.1946 | -386.3879 | 0.998 | 595.687 | 0.026 |
| 1988—1994 | 0.0537 | -106.1526 | 0.857 | 24.032 | 0.008 | ||
| 1994—2004 | 0.0047 | -8.4890 | 0.411 | 5.582 | 0.046 | ||
| 2004-2013 | -0.0028 | 6.5887 | 0.015 | 0.107 | 0.753 | ||
| 2013—2023 | 0.0135 | -26.2347 | 0.522 | 9.815 | 0.012 | ||
| NBR | 1986—1990 | 0.1111 | -220.6084 | 0.932 | 27.321 | 0.035 | |
| 1990—1996 | 0.0346 | -68.4585 | 0.817 | 17.799 | 0.013 | ||
| 1996—2000 | 0.0032 | -5.5973 | 0.052 | 0.164 | 0.713 | ||
| 2000—2014 | -0.0014 | 3.5525 | 0.015 | 0.182 | 0.677 | ||
| 2014—2023 | 0.0142 | -27.8713 | 0.659 | 15.451 | 0.004 | ||
| BRR | 1986—1990 | 0.1478 | -293.4509 | 0.964 | 79.755 | 0.003 | |
| 1990—1997 | 0.0474 | -93.7267 | 0.886 | 38.885 | 0.002 | ||
| 1997—2008 | -0.0052 | 11.2347 | 0.181 | 2.205 | 0.168 | ||
| 2008—2016 | -0.0205 | 42.1451 | 0.498 | 4.964 | 0.076 | ||
| 2016—2023 | 0.0081 | -15.3862 | 0.586 | 8.487 | 0.027 | ||
| FVC：植被覆盖度Fractional vegetation cover；NBR：归一化燃烧指数Normalized burn ratio；BRR：燃烧恢复率Burn recovery ratio | |||||||
|
| 图 7 不同火烈度FVC、NBR和BRR分段回归分析 Fig. 7 Segmented regression analysis of FVC, NBR, and BRR under different fire severities FVC：植被覆盖度Fractional Vegetation Cover；NBR：归一化燃烧指数Normalized Burn Ratio；BRR：燃烧恢复率Burn Recovery Ratio；黑色实线代表LOESS模型, 灰色虚线代表PLRM置信区间为95%的预测带 |
根据BIC对1986—2023年雨季和旱季的逐年温度和降水的最佳分段点进行判断(图 8), 计算结果均无分段点。雨季与旱季温度均逐年显著线性上升(P<0.05)；雨季降水逐年线性下降(P>0.05), 旱季降水逐年显著线性下降(P<0.05)。
|
| 图 8 不同火烈度气象因子分段回归 Fig. 8 Segmented regression analysis of meteorological factors under different fire severities 黑色实线代表LOESS模型, 灰色虚线代表PLRM置信区间为95%的预测带 |
轻度、中低度、中高度、重度火烈度区和对照区林冠高度的均值分别为：16.4 m、16.3 m、16.1 m、15.8 m、26.4 m, 各火烈度区林冠高度平均值均小于对照区。轻度、中低度、中高度、重度火烈度区的林冠高度—频度曲线近似, 但均与对照区呈现明显区别(图 9)：对照区林冠高度的偏度为-0.11, 而轻度、中低度、中高度、重度火烈度区偏度分别为-0.04、-0.04、0.06、0.00；对照区峰度为-0.12, 各火烈度区轻度、中低度、中高度、重度火烈度区峰度分别为0.47、0.67、0.01、-1.70。仅从偏度和峰度来看, 中高度火烈度区的数据接近正态分布, 而其他区域的数据偏度接近于零, 但峰度有较大的差异。
|
| 图 9 以30 m栅格为单位的研究区2020年不同火烈度区林冠高度频度分布图 Fig. 9 Frequency distribution of canopy height in different fire severity areas of the study area in 2020, using 30 m grid units |
受影像拍摄的时间限制, 本研究中用于火烧边界划分的影像数据最早为1986年, 晚于火烧事件发生的1984年, 若考虑火烧后两年内的恢复和本研究中去除人为干扰的火烧迹地区域, 1984年火灾发生后的NBR和FVC可能会比本研究选用的1986年时的数值更低, 因此本研究中得到的火烧迹地范围可能仍小于1984年真实的林火发生范围。尽管如此, 本研究中所划火烧迹地的近红外波段反射光谱与正常植被有着明显区别, 未形成“红边现象”, 因此至少能够确认本研究中划定的1423.71 hm2范围内确实发生过森林火灾[57]。此外, 由于火后森林的延迟死亡效应通常还需一年左右时间方能完全显现[42], 而森林林冠一旦发生破损, 通常需要数年甚至数十年时间方能重新回到郁闭状态[58—59], 因此1984—1986年仅两年时间并不足以满足破损林冠恢复的要求, 本研究对火烧迹地边界的整体划分结果依然具有相对的可靠性。
本研究中, 海拔、水平曲率、垂直曲率和TWI等地形因子在不同火烈度区域间基本没有显著差异, 仅重度火烈度区与其他区域可能在海拔和坡向上有所区别, 但这更可能是因为重度火烈度区面积过小(仅0.36 hm2), 占火烧迹地面积的(0.03%)而导致的取样偏差。
坡度是本研究中在各火烈度区之间存在显著差异的主要地形因子。坡度越大的区域似乎越容易发生低烈度、大范围林火, 也暗示了这些陡坡地段上的林火蔓延速度可能较平地更快。这可能与“热上升效应”有关, 即斜坡上的热量和火焰倾向于向上移动, 坡度相对较大的地方可能更易受到火烧事件的影响[60]；但由于大坡度也更易导致水分和养分流失[61], 这些地段并不利于植被生长, 因此可燃物积累可能也相对较少, 导致火烈度也多以低烈度为主。
本研究中各火烈度区主要集中在北坡(阴坡), 这可能与本研究区整体的地形特征有关。同时, 虽然阴坡往往由于相对较低的日照量和较高的湿度导致土壤含水量较高[62]而较阳坡更不易发生火灾, 但由于阴坡相对湿冷的气候条件可能导致植被更加茂密且林下可燃物积累更多[63], 这可能导致火灾一旦发生, 火势就会较阳坡更加剧烈, 而阴坡较高的林分密度也可能更有助于火势通过冠层快速传播[64]。
3.2 火后的植被恢复阶段划分BRR主要反映了植被的光谱特性变化, 能够直观地指示火灾对生态系统影响的程度以及植被恢复过程中的健康状态[65]；FVC则着重于植被的空间覆盖特性, 直接关联到生态系统的生产力、生物多样性以及土壤侵蚀和水文循环的变化[66]。本研究中, BRR和FVC的变化趋势始终近似, 表明当地植被的火后恢复在光谱特征和覆盖度特征上都表现出了相似的变化趋势。总体而言, 本研究中火烧迹地的遥感植被指数自火烧事件后约22年(1996年前后)达到稳定, 长于一些北方针叶林(16年)重新恢复至火烧前光谱指数水平的时间[67], 这可能与当地的具体物种组成和光谱特征有关。
本研究中年均温和累计年降水量等气候因子并未表现出明显的阶段性变化, 因此火烧迹地上遥感植被指数的阶段性变化主要体现的是当地植被本身的次生演替规律, 而未受明显的气候变化的影响。当地森林BRR和FVC的恢复速度与火烈度存在一定关系, 具体表现为1990年前重度和中高度火烈度区BRR和FVC的恢复速率(斜率)高于中低度和轻度区, 而1996年后重度和中高度火烈度区的各遥感植被指数均已基本达到饱和而不再有明显变化。此现象与已有报道一致, 即火烧迹地的植被光谱会在火烧事件后的最初几年表现出较快的恢复速度, 而且火烈度越高的地段植被光谱的恢复速度越快[22, 68—70]。这可能与中高火烈度区域的森林林冠被严重破坏有关, 此时的开阔生境更有助于先锋草本和灌木的快速定居和生长[71]。
在严重干扰后的森林环境中, 植物群落的恢复往往依赖于少数几种具有高度适应性的先锋种, 这些种群能够在竞争较少的环境中迅速生长并占据主导地位[72]。当这些先锋种构成整个林冠上层后, 其成树个体也往往能够存活数十年的时间, 因此导致重度和中高度火烈度区的遥感植被指数在其占据优势期间内不再发生明显变化。而在中低度和轻度火烈度区内, 由于仍有不少的原先树种残留, 先锋种与原有树种之间、实生苗与萌生枝之间在火烧后的林窗和林间空地上存在着复杂的竞争关系[73], 这可能导致这些区域的植被光谱恢复速率低于重度和中高度火烈度区。此外, 本研究中中低度火烈度区相对较大的坡度也有可能制约了这些地段上的植被恢复速度, 因为较大坡度区具有相对较差的水肥条件而可能限制植被的生长[61]。
3.3 研究区当代林冠高度火灾后的森林恢复是一个漫长的过程[74], 植被光谱的恢复并不足以全面评估森林内部结构和组成的恢复动态。虽然2023年时轻度、中低度、中高度和重度火烈度区的FVC(分别为0.92、0.93、0.93、0.99)均已基本恢复至对照区(0.98)水平, 但各火烈度区的NBR(轻度、中低度、中高度和重度分别为0.78、0.77、0.77和0.81)仍低于对照区(0.93), 这暗示火烧迹地上的植被光谱组成仍与对照区存在差异, 可能与具体树种的光谱反射率差异有关[75]。作者在当地现场踏查中也发现, 火烧迹地内目前仍以云南松为主要优势种, 树种组成上与对照区(以白柯等阔叶树种为优势种)存在明显区别(数据未列出)。同时, 林冠平均高度也表现为对照区>轻度>中低度>中高度>重度的趋势, 这表明历史火烧程度仍对当地的树种组成和林冠高度结构存在着遗留效应, 火烧迹地上的次生林至今可能仍处于以云南松等先锋种在林冠上层占优势, 其他当地顶极种正陆续进入林下的次生演替前中期。
亚热带地区的常绿阔叶林的林冠高度一般相对均匀, 林冠高度—频度分布曲线更接近一个高耸的正态分布的曲线[76—77]。本研究中, 对照区林冠高度—频度分布曲线的偏度最小(-0.11), 曲线高耸且明显向左拖尾(左偏), 表明此时森林的林冠高耸且平整, 呈现出常绿阔叶林林冠的典型特征；而火烧迹地各火烈度区域上的林冠高度—频度分布曲线的偏度均明显高于对照区且林冠整体高度明显偏低, 除重度火烈度区因栅格样本过少(仅4个栅格)而结果异常波动外, 其他火烈度区的林冠高度—频度曲线表现为中高度>中低度>轻度的趋平趋势。这可能与各火烈度干扰下森林的受损程度及其后的恢复趋势有关。中高度火烈度干扰的森林由于原有冠层树木的大量死亡, 新定居的先锋种组成相对简单且生长时间基本同步, 使得它们的高度分布更加集中于少数高度级[78]而表现出相对高的峰度, 但最大高度仍低于对照区；而轻度和中低度林火干扰的森林地段虽也有部分冠层个体死亡, 但原有的树种组成和森林结构可能并未被完全破坏, 新增物种和原有物种间竞争激烈而导致各高度级上都有一定的个体数量分布, 林冠高度—频度曲线整体趋平[79]。此外, 由于林冠高度通常与森林地上生物量(Aboveground Biomass, AGB)积累存在着密切的正相关关系[80—82], 而各火烈度区的最大林冠高度至今均低于对照区, 这暗示着火烧迹地的森林地上生物量仍有较大的恢复空间。
4 结论自火烧事件发生至今, 大理鸡足山余金庵火烧迹地的轻度和中低度火烈度区经历了快速恢复(1986—1996年)和减速恢复(1996年至今)两个阶段, 且NBR和FVC至今仍有缓慢增加的趋势；中高度和重度火烈度的恢复可分为快速恢复(1986—1990年)、减速恢复(1990—1996年)和稳定(1996年至今)阶段, 不同火烈度区的NBR和FVC在1996年后即已不再发生明显变化。各火烈度区的海拔、TWI、水平曲率、垂直曲率和坡向特征近似, 坡度较高的区域更容易发生大范围的低火烈度火灾。1986—2023年间当地气候因子无明显的阶段性变化, 各火烈度区FVC和NBR的阶段性变化是当地植被次生演替进程的直接反映。目前, 各火烈度区的FVC和NBR已接近对照区水平, 但林冠高度仍相对较低, 森林地上生物量可能仍有较大的恢复空间。建议未来应进一步加强对各火烈度区内物种多样性、功能多样性的监测和研究, 以更全面地解释当地次生林演替进程中的物种共存与群落构建机制的动态变化。
致谢: 中国科学院西双版纳热带植物园苏跃波、和雪莲、姚志良、Madhuparna Chatterjee、顾荣、李树琼、王金蒙、孙文娟等为数据分析工作提供指导, 张彩彩、马郎、马玖、姜凌生、杨必成等为火烧迹地现场踏查和边界核对提供协助, 大理市余金庵国有林场和滇中高原森林生态系统云南省野外科学观测研究站余金庵分站提供后勤支持, 特此致谢。| [1] |
Buma B, Wessman C. Forest resilience, climate change, and opportunities for adaptation: a specific case of a general problem. Forest Ecology and Management, 2013, 306: 216-225. DOI:10.1016/j.foreco.2013.06.044 |
| [2] |
岳超, 罗彩访, 舒立福, 沈泽昊. 全球变化背景下野火研究进展. 生态学报, 2020, 40(2): 385-401. DOI:10.5846/stxb201812202762 |
| [3] |
孔繁花, 李秀珍, 王绪高, 赵善伦, 石秉路, 高振岭. 林火迹地森林恢复研究进展. 生态学杂志, 2003, 22(2): 60-64. DOI:10.3321/j.issn:1000-4890.2003.02.014 |
| [4] |
廖瑶, 李雪, 刘芸, 黄林峰, 田鹏举, 谷晓平. 基于植被指数的高分一号遥感影像火烧迹地提取评价. 自然灾害学报, 2021, 30(5): 199-206. |
| [5] |
吴征镒, 朱彦丞, 姜汉侨. 云南植被. 北京: 科学出版社, 1987: 231-274.
|
| [6] |
姜汉侨. 云南植被分布的特点及其地带规律性(续). Plant Diversity, 1980, 2(2): 1-3. |
| [7] |
沈泽昊, 张健. 半湿润常绿阔叶林: 分布, 结构与植物多样性特征. 生物多样性, 2023, 31(11): 23436. DOI:10.17520/biods.2023436 |
| [8] |
彭明春, 党承林. 云南鸡足山元江栲群落和高山栲群落的群落多样性研究. 云南大学学报: 自然科学版, 1999, 21(2): 156-159. DOI:10.3321/j.issn:0258-7971.1999.02.022 |
| [9] |
Su W H, Shi Z, Zhou R, Zhao Y J, Zhang G F. The role of fire in the Central Yunnan Plateau ecosystem, southwestern China. Forest Ecology and Management, 2015, 356: 22-30. DOI:10.1016/j.foreco.2015.05.015 |
| [10] |
刘文耀, 刘伦辉, 荆桂芬, 和爱军. 云南松林与常绿阔叶林中枯落叶分解研究. 云南植物研究, 2000, 22(3): 298-306. DOI:10.3969/j.issn.2095-0845.2000.03.011 |
| [11] |
Van Gerrevink, Max J., Sander Veraverbeke. Evaluating the near and mid infrared bi-spectral space for assessing fire severity and comparison with the differenced normalized burn ratio. Remote Sensing, 2021, 13(4): 695. DOI:10.3390/rs13040695 |
| [12] |
Liu W, Song C, Schroeder T A, Cohen W B. Predicting forest successional stages using multitemporal Landsat imagery with forest inventory and analysis data. International Journal of Remote Sensing, 2008, 29(13): 3855-3872. DOI:10.1080/01431160701840166 |
| [13] |
Lutes D C, Keane R E, Caratti J F, Key C H, Benson N C, Sutherland S, Gangi L J. FIREMON: Fire effects monitoring and inventory system. Gen. Tech. Rep. RMRS-GTR-164. Fort Collins, CO: US Department of Agriculture, Forest Service, Rocky Mountain Research Station. 1 CD., 2006: 164.
|
| [14] |
Miller J D, Thode A E. Quantifying burn severity in a heterogeneous landscape with a relative version of the delta Normalized Burn Ratio (dNBR). Remote sensing of Environment, 2007, 109(1): 66-80. DOI:10.1016/j.rse.2006.12.006 |
| [15] |
Keeley J E. Fire intensity, fire severity and burn severity: a brief review and suggested usage. International journal of wildland fire, 2009, 18(1): 116-126. DOI:10.1071/WF07049 |
| [16] |
孔博, 张树清, 张柏, 那晓东, 李晓峰, 卢晓宁. 扎龙湿地火烧严重度分析及火灾对丹顶鹤生境的影响. 湿地科学, 2007, 5(4): 348-355. DOI:10.3969/j.issn.1672-5948.2007.04.009 |
| [17] |
Baret F, Guyot G. Potentials and limits of vegetation indexes for LAI and APAR assessment. Remote Sens Environ, 1991, 35(2-3): 161-173. DOI:10.1016/0034-4257(91)90009-U |
| [18] |
Gouveia C, Dacamara C C, Trigo R M. Post-fire vegetation recovery in Portugal based\ewline on spot/vegetation data. Natural Hazards and Earth System Sciences, 2010, 10(4): 673-684. DOI:10.5194/nhess-10-673-2010 |
| [19] |
Viedma O, Melia J, Segarra D, Garciaharo J. Modeling rates of ecosystem recovery after fires by using Landsat TM data. Remote Sens Environ, 1997, 61(3): 383-398. DOI:10.1016/S0034-4257(97)00048-5 |
| [20] |
Bartels S F, Chen H Y H, Wulder M A, White J C. Trends in post-disturbance recovery rates of Canada's forests following wildfire and harvest. Forest Ecology and Management, 2016, 361: 194-207. DOI:10.1016/j.foreco.2015.11.015 |
| [21] |
Fernandez-Manso A, Quintano C, Roberts D A. Burn severity influence on post-fire vegetation cover resilience from Landsat MESMA fraction images time series in Mediterranean forest ecosystems. Remote Sensing of Environment, 2016, 184: 112-123. DOI:10.1016/j.rse.2016.06.015 |
| [22] |
Liu Z. Effects of climate and fire on short-term vegetation recovery in the boreal larch forests of Northeastern China. Scientific reports, 2016, 6(1): 37572. DOI:10.1038/srep37572 |
| [23] |
Nolè A, Rita A, Spatola M F, Borghetti M. Biogeographic variability in wildfire severity and post-fire vegetation recovery across the European forests via remote sensing-derived spectral metrics. Science of The Total Environment, 2022, 823: 153807. DOI:10.1016/j.scitotenv.2022.153807 |
| [24] |
Blanco-Rodríguez M Á, Ameztegui A, Gelabert P, Rodrigues M, Coll L. Short-term recovery of post-fire vegetation is primarily limited by drought in Mediterranean forest ecosystems. Fire Ecology, 2023, 19(1): 68. DOI:10.1186/s42408-023-00228-w |
| [25] |
Souza-Alonso P, Saiz G, García R A, Pauchard A, Ferreira A, Merino A. Post-fire ecological restoration in Latin American forest ecosystems: Insights and lessons from the last two decades. Forest Ecology and Management, 2022, 509: 120083. DOI:10.1016/j.foreco.2022.120083 |
| [26] |
Seidl R, Rammer W, Spies T A. Disturbance legacies increase the resilience of forest ecosystem structure, composition, and functioning. Ecological Applications, 2014, 24(8): 2063-2077. DOI:10.1890/14-0255.1 |
| [27] |
Ying L, Cheng H, Shen Z, Guan P, Luo C, Peng X. Relative humidity and agricultural activities dominate wildfire ignitions in Yunnan, Southwest China: Patterns, thresholds, and implications. Agricultural and Forest Meteorology, 2021, 307: 108540. DOI:10.1016/j.agrformet.2021.108540 |
| [28] |
Zhu H, Zhou S, Yan L, Shi J, Shen Y. Studies on the evergreen broad-leaved forests of Yunnan, southwestern China. The Botanical Review, 2019, 85: 131-148. DOI:10.1007/s12229-019-09210-1 |
| [29] |
杨涛, 沈泽昊, 王晓凤, 饶杰生, 刘文聪, 田希, 陈稀, 张秋雨, 刘倩, 钱恒君, 解宇阳, 刘其明, 徐衍潇, 涂梦灵, 单子铭, 张玉坤, 侯波, 李建斌, 欧晓昆. 滇中高原亚热带半湿润常绿阔叶林植物群落多样性特征. 生物多样性, 2023, 31(11): 23238. DOI:10.17520/biods.2023238 |
| [30] |
罗彩访, 杨涛, 张秋雨, 王馨培, 沈泽昊. 滇中半湿润常绿阔叶林木本植物的功能特征和功能多样性及其影响因子. 生物多样性, 2023, 31(11): 23215. DOI:10.17520/biods.2023215 |
| [31] |
张楚然, 李生发, 李逢昌, 唐志忠, 刘辉燕, 王丽红, 顾荣, 邓云, 张志明, 林露湘. 云南鸡足山亚热带半湿润常绿阔叶林20 ha动态监测样地木本植物生境关联与群落数量分类. 生物多样性, 2024, 32(1): 23393. |
| [32] |
Fick S E, Hijmans R J. WorldClim 2: new 1‐km spatial resolution climate surfaces for global land areas. International journal of climatology, 2017, 37(12): 4302-4315. DOI:10.1002/joc.5086 |
| [33] |
Baldridge A M, Hook S J, Grove C I, Rivera G. The ASTER spectral library version 2.0. Remote sensing of environment, 2009, 113(4): 711-715. DOI:10.1016/j.rse.2008.11.007 |
| [34] |
Satgé F, Bonnet M-P, Timouk F, Calmant S, Pillco R, Molina J, Lavado-Casimiro W, Arsen A, Crétaux J, Garnier J. Accuracy assessment of SRTM v4 and ASTER GDEM v2 over the Altiplano watershed using ICESat/GLAS data. International Journal of Remote Sensing, 2015, 36(2): 465-488. DOI:10.1080/01431161.2014.999166 |
| [35] |
Fujisada H, Urai M, Iwasaki A. Technical methodology for ASTER global DEM. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(10): 3725-3736. DOI:10.1109/TGRS.2012.2187300 |
| [36] |
Cocke A E, Fulé P Z, Crouse J E. Comparison of burn severity assessments using Differenced Normalized Burn Ratio and ground data. International Journal of Wildland Fire, 2005, 14(2): 189-198. DOI:10.1071/WF04010 |
| [37] |
韩丽, 高启, 王秋华, 高仲亮, 王锲. 基于Sentinel-2数据的火烧迹地提取研究. Journal of Natural Disasters, 2023, 32(6): 123-130. |
| [38] |
Flood N. Continuity of reflectance data between Landsat-7 ETM+ and Landsat-8 OLI, for both top-of-atmosphere and surface reflectance: a study in the Australian landscape. Remote Sensing, 2014, 6(9): 7952-7970. DOI:10.3390/rs6097952 |
| [39] |
Key C, Benson N. andscape assessment (LA) sampling and analysis methods, USDA Forest Service, Rocky Mountain Research Station. General Technical Report RMRS-GTR-164-CD, 2006, 81: 38. |
| [40] |
Ireland G, Petropoulos G P. Exploring the relationships between post-fire vegetation regeneration dynamics, topography and burn severity: A case study from the Montane Cordillera Ecozones of Western Canada. Applied Geography, 2015, 56: 232-248. DOI:10.1016/j.apgeog.2014.11.016 |
| [41] |
Chompuchan C, Lin C-Y. Assessment of forest recovery at Wu-Ling fire scars in Taiwan using multi-temporal Landsat imagery. Ecological Indicators, 2017, 79: 196-206. DOI:10.1016/j.ecolind.2017.04.038 |
| [42] |
Wang L, Zhou Y, Liu J, Liu Y, Zuo Q, Li Q. Exploring the potential of multispectral satellite images for estimating the contents of cadmium and lead in cropland: The effect of the dimidiate pixel model and random forest. Journal of Cleaner Production, 2022, 367: 132922. DOI:10.1016/j.jclepro.2022.132922 |
| [43] |
Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sens Environ, 1979, 8(2): 127-150. DOI:10.1016/0034-4257(79)90013-0 |
| [44] |
Chen J M, Pavlic G, Brown L, Cihlar J, Leblanc S, White H, Hall R, Peddle D, King D, Trofymow J. Derivation and validation of Canada-wide coarse-resolution leaf area index maps using high-resolution satellite imagery and ground measurements. Remote Sens Environ, 2002, 80(1): 165-184. DOI:10.1016/S0034-4257(01)00300-5 |
| [45] |
吴昌广, 周志翔, 肖文发, 王鹏程, 汪涛, 黄子杰. 基于MODIS NDVI的三峡库区植被覆盖度动态监测. 林业科学, 2012, 48(1): 22-28. DOI:10.3969/j.issn.1006-2505.2012.01.008 |
| [46] |
Wickham H, Averick M, Bryan J, Chang W, McGowan L, François R, Grolemund G, Hayes A, Henry L, Hester J, Kuhn M, Pedersen T, Miller E, Bache S, Müller K, Ooms J, Robinson D, Seidel D, Spinu V, Takahashi K, Vaughan D, Wilke C, Woo K, Yutani H. Welcome to the Tidyverse. Journal of open source software, 2019, 4(43): 1686. DOI:10.21105/joss.01686 |
| [47] |
Lang N, Jetz W, Schindler K, Wegner J D. A high-resolution canopy height model of the Earth. Nature Ecology & Evolution, 2023, 7(11): 1778-1789. |
| [48] |
Fox J, Bates D, Firth D, Friendly M, Gorjanc G, Graves S, Heiberger R, Monette G, Nilsson H, Ripley B, Weisberg S, Zeleis A. The car package. R Foundation for Statistical computing, 2007, 1109: 1431. |
| [49] |
Brown M B, Forsythe A B. Robust tests for the equality of variances. Journal of the American statistical association, 1974, 69(346): 364-367. DOI:10.1080/01621459.1974.10482955 |
| [50] |
Fisher R A. The design of experiments. Edinburgh: Oliver and Boyd, 1966, 21. |
| [51] |
De Mendiburu F. Package 'agricolae'. R Package, version, 2019: 1-2.
|
| [52] |
Dimitriadou E, Hornik K, Leisch F, Meyer D, Weingessel A. Misc functions of the Department of Statistics (e1071), TU Wien. R package, 2008, 1: 5-24. |
| [53] |
王晓莉, 王文娟, 常禹, 冯玉婷, 陈宏伟, 胡远满, 池建国. 基于NBR指数分析大兴安岭呼中森林过火区的林火烈度. 应用生态学报, 2013, 24(4): 967-974. |
| [54] |
Muggeo V M R. Estimating regression models with unknown break‐points. Statistics in medicine, 2003, 22(19): 3055-3071. DOI:10.1002/sim.1545 |
| [55] |
Gkioulekas I, Papageorgiou L G. Piecewise regression analysis through information criteria using mathematical programming. Expert Systems with Applications, 2019, 121: 362-372. DOI:10.1016/j.eswa.2018.12.013 |
| [56] |
Muggeo V M R. Segmented: an R package to fit regression models with broken-line relationships. R news, 2008, 8(1): 20-25. |
| [57] |
Boochs F, Kupfer G, Dockter K, Kühbauch W. Shape of the red edge as vitality indicator for plants. Remote sensing, 1990, 11(10): 1741-1753. DOI:10.1080/01431169008955127 |
| [58] |
Yang H, Liu S, Cao K, Wang J, Li Y, Xu H. Characteristics of typhoon disturbed gaps in an old-growth tropical montane rainforest in Hainan Island, China. Journal of Forestry Research, 2017, 28(6): 1231-1239. DOI:10.1007/s11676-017-0402-y |
| [59] |
Muscolo A, Bagnato S, Sidari M, Mercurio R. A review of the roles of forest canopy gaps. Journal of Forestry Research, 2014, 25: 725-736. DOI:10.1007/s11676-014-0521-7 |
| [60] |
Katan J, Perez L. ABWiSE v1. 0: toward an agent-based approach to simulating wildfire spread. Natural Hazards and Earth System Sciences, 2021, 21(10): 3141-3160. DOI:10.5194/nhess-21-3141-2021 |
| [61] |
Chen C, Zou X, Singh A K, Zhu X, Zhang W, Yang B, Jiang X, Liu W. Effects of hillslope position on soil water infiltration and preferential flow in tropical forest in southwest China. Journal of Environmental Management, 2021, 299: 113672. DOI:10.1016/j.jenvman.2021.113672 |
| [62] |
Zhang X, Zhao W, Wang L, Liu Y, Liu Y, Feng Q. Relationship between soil water content and soil particle size on typical slopes of the Loess Plateau during a drought year. Science of the total environment, 2019, 648: 943-954. DOI:10.1016/j.scitotenv.2018.08.211 |
| [63] |
Tian Y, Qiao D, Xu S, Wang N. Effects of tree species and topography on soil and microbial biomass stoichiometry in Funiu Mountain, China. BMC ecology, 2020, 20(1): 1-15. DOI:10.1186/s12898-019-0268-2 |
| [64] |
Lentile L B, Smith F W, Shepperd W D. Influence of topography and forest structure on patterns of mixed severity fire in ponderosa pine forests of the South Dakota Black Hills, USA. International Journal of Wildland Fire, 2006, 15(4): 557-566. DOI:10.1071/WF05096 |
| [65] |
Maxwald M, Immitzer M, Rauch H P, Preti F. Analyzing Fire Severity and Post-Fire Vegetation Recovery in the Temperate Andes Using Earth Observation Data. Fire, 2022, 5(6): 211. DOI:10.3390/fire5060211 |
| [66] |
Chen X, Vogelmann J E, Rollins M, Ohlen D, Key C H, Yang L, Huang C, Shi H. Detecting post-fire burn severity and vegetation recovery using multitemporal remote sensing spectral indices and field-collected composite burn index data in a ponderosa pine forest. International Journal of Remote Sensing, 2011, 32(23): 7905-7927. DOI:10.1080/01431161.2010.524678 |
| [67] |
Bao S G, Wang W J, Liu Z, Zhang H K, Wang L, Ma J, Sun H, Ba S, Wang Y, He H S. Revealing post-megafire spectral and compositional recovery in the Siberian boreal forest using Landsat time series and regression-based unmixing approach. Remote Sensing of Environment, 2024, 311: 114307. DOI:10.1016/j.rse.2024.114307 |
| [68] |
Bright B C, Hudak A T, Kennedy R E, Braaten J D, Henareh K A. Examining post-fire vegetation recovery with Landsat time series analysis in three western North American forest types. Fire Ecology, 2019, 15(1): 1-14. DOI:10.1186/s42408-018-0007-7 |
| [69] |
Guz J, Sangermano F, Kulakowski D. The influence of burn severity on post-fire spectral recovery of three fires in the Southern Rocky Mountains. Remote Sensing, 2022, 14(6): 1363. DOI:10.3390/rs14061363 |
| [70] |
Zhao G, Xu E, Yi X, Guo Y, Zhang K. Comparison of Forest Restorations with Different Burning Severities Using Various Restoration Methods at Tuqiang Forestry Bureau of Greater Hinggan Mountains. Remote Sensing, 2023, 15(10): 2683. DOI:10.3390/rs15102683 |
| [71] |
Oliver C D, Larson B C, Oliver C D. Forest stand dynamics. New York: Wiley, 1996: 520.
|
| [72] |
Johnstone J F, Allen C D, Franklin J F, Frelich L E, Harvey B J, Higuera P E, Mack M C, Meentemeyer R K, Metz M R, Perry G L. Changing disturbance regimes, ecological memory, and forest resilience. Frontiers in Ecology and the Environment, 2016, 14(7): 369-378. DOI:10.1002/fee.1311 |
| [73] |
Turner M G, Hargrove W W, Gardner R H, Romme W H. Effects of fire on landscape heterogeneity in Yellowstone National Park, Wyoming. Journal of Vegetation Science, 1994, 5(5): 731-742. DOI:10.2307/3235886 |
| [74] |
Seidl R, Turner M G. Post-disturbance reorganization of forest ecosystems in a changing world. Proceedings of the National Academy of Sciences, 2022, 119(28): e2202190119. DOI:10.1073/pnas.2202190119 |
| [75] |
Xu W, He H S, Fraser J S, Hawbaker T J, Henne P D, Duan S, Zhu Z. Spatially explicit reconstruction of post-megafire forest recovery through landscape modeling. Environmental Modelling & Software, 2020, 134: 104884. |
| [76] |
Ehbrecht M, Seidel D, Annighöfer P, Kreft H, Köhler M, Zemp D C, Puettmann K, Nilus R, Babweteera F, Willim K. Global patterns and climatic controls of forest structural complexity. Nature communications, 2021, 12(1): 519. DOI:10.1038/s41467-020-20767-z |
| [77] |
Luo Z R, Yu M J, Chen D L, Wu Y G, Ding B Y. Spatial associations of tree species in a subtropical evergreen broad-leaved forest. Journal of Plant Ecology, 2012, 5(3): 346-355. DOI:10.1093/jpe/rtr048 |
| [78] |
Detto M, Levine J M, Pacala S W. Maintenance of high diversity in mechanistic forest dynamics models of competition for light. Ecological Monographs, 2022, 92(2): e1500. DOI:10.1002/ecm.1500 |
| [79] |
Seidl R, Honkaniemi J, Aakala T, Aleinikov A, Angelstam P, Bouchard M, Boulanger Y, Burton P J, De Grandpré L, Gauthier S, Hansen W D, Jepsen J U, Jõgiste K, Kneeshaw D D, Kuuluvainen T, Lisitsyna O, Makoto K, Mori A S, Pureswaran D S, Shorohova E, Shubnitsina E, Taylor A R, Vladimirova N, Vodde F, Senf C. Globally consistent climate sensitivity of natural disturbances across boreal and temperate forest ecosystems. Ecography, 2020, 43(7): 967-978. DOI:10.1111/ecog.04995 |
| [80] |
Meyer V, Saatchi S, Clark D B, Keller M, Vincent G, Ferraz A, Espírito-Santo F, D'oliveira M V, Kaki D, Chave J. Canopy area of large trees explains aboveground biomass variations across neotropical forest landscapes. Biogeosciences, 2018, 15(11): 3377-3390. DOI:10.5194/bg-15-3377-2018 |
| [81] |
Wang M, Sun R, Xiao Z. Estimation of forest canopy height and aboveground biomass from spaceborne LiDAR and Landsat imageries in Maryland. Remote Sensing, 2018, 10(2): 344. DOI:10.3390/rs10020344 |
| [82] |
Lefsky M A, Harding D J, Keller M, Cohen W B, Carabajal C C, Del Bom Espirito‐Santo F, Hunter M O, De Oliveira Jr R. Estimates of forest canopy height and aboveground biomass using ICESat. Geophysical research letters, 2005, 32(22): L22S02. |