紫金山乔木多样性遥感估测及空间分布

4 结论与讨论

传统的生物多样性研究多集中于群落或生态系统层次, 采用的方法多为野外地面调查, 劳动强度大, 工作效率低。以少量野外调查样地数据为主要信息源, 辅之以同期高分辨率遥感数据, 通过建立物种多样性指数与遥感特征值的关系进行生物参数反演, 来获取景观尺度的物种多样性参数, 可以为宏观尺度的生物多样性监测探索出一条科学适用的途径。

研究表明：地形、植被状况、人类干扰因子等是影响紫金山风景林乔木树种多样性指数的主要生态环境因子。Gleason指数较高的林分主要分布在紫金山海拔较低、坡度较为平缓、交通便利的景点周围, 而Shannon-Wiener指数较高的林分则位于海拔较高、坡度较陡、交通不便的山脊及北坡上部。紫金山的 Gleason 指数在空间分布上呈现由西南向东北依次递减的带状分布格局, 而Shannon-Wiener指数在空间分布上呈现出一种圆心偏东的同心圆状。

研究表明：在海拔较低、旅游景点较多、道路密度较大的紫金山山麓和边缘地段, 可以通过增加绿化树种的方式提高风景林的Gleason指数, 从而增加景点的美景度, 增强对国内外游客的吸引力。对于海波较高、道路密度较小、人为干扰较少的紫金山中部和上部及山脊地区, 可以通过划定游人禁入的自然保护小区的方式, 提高风景林的Shannon-Wiener指数, 从而为当地的野生动植物提供良好的生长和栖息环境。

Gleason指数和Shannon-Wiener指数多元线性回归遥感估测模型的R2不高, 分别只有0.534和0.627。原因可能有2个：除了地形、人为干扰、植被生长状况等因子外, 模型中没有考虑微气候、土壤等其他影响生物多样性的因素 ; 紫金山海拔虽然只有448.90 m, 但森林垂直分布较为明显, 风景林乔木树种多样性指数与海拔、坡度、归一化植被指数与人为干扰因子并非线性关系。

关于遥感图像纹理特征, 如能量、熵、对比度、相关性、逆差矩, 由于包含了地物表面信息及其与周围环境的关系, 作为辅助手段, 可以提高计算机分类精度[], 但作为自变量, 能否提高乔木树种遥感估测模型的精度, 有待深入研究。由于篇幅限制, 在众多指数中, 本研究仅仅探索了风景林乔木树种的Gleason指数和Shannon-Wiener指数的遥感估测方法。采用K最邻近分类算法、人工神经网络、支持向量机、随机森林等非参数方法, 在自变量中引入遥感图像纹理特征, 对包括灌木、草本在内的多种生物多样性指数, 进行景观尺度上的森林生物多样性遥感估测, 需要进一步深入研究。