当前位置:问答库>论文摘要

题目:黄土高原子午岭森林群落物种多样性的多尺度研究

关键词:黄土高原,物种多样性,加性分配法,空间尺度,组织尺度,主成分分分析(PCA)

  摘要


黄土高原生态系统处于极度退化的状态,对该地区植被进行恢复和治理显得尤为重要。其中,森林植被多样性的有效保护与管理是退化生态系统保护与重建的重要标志与内容。目前,有较多与黄土高原森林群落物种多样性有关的研究,但基于多尺度的分析研究尚未见报道。物种多样性格局与所研究的尺度紧密联系,并随空间、时间和组织尺度的变化而变化。基于多尺度的物种多样性研究能够有助于全面且客观地理解该区物种多样性规律,且成功的森林保护计划必须考虑物种多样性在不同尺度上所产生的效应。因此,本研究以分析物种多样性在多尺度上的变化规律为出发点,引入空间尺度并首创基于多组织尺度的物种多样性研究,依据不同研究区的植被特点和地形状况,采用两种不同的尺度分析角度来对分析该区植被特点,并通过同一研究中不同尺度间的比较,与其它地区多尺度研究结果的比较,以及基于空间尺度和组织尺度两种研究结果的比较,来全面系统的分析并阐述研究区物种多样性变化规律与特点。
选取恰当的分析方法是研究物种多样性与尺度关系的关键,而定量分析区域物种多样性在不同等级尺度上如何分配则是研究的基础。加性分配(γ=α+β)法可以跨尺度对α和β多样性进行比较研究,能较好地实现定量分析物种多样性随尺度的变化规律。国外已有大量学者运用加性分配法进行物种多样性多尺度研究,但国内的相关研究还较少。除了空间尺度,加性分配法还可以应用到组织尺度、时间尺度等,任何分类因子(如资源利用方式、生境)间的多样性分配关系都可以通过该法则来分析。因此,本研究首次将加性分配法引入到黄土高原空间尺度研究中,并创造性的采用加性分配法进行多组织尺度分析,这在国内外的相关研究中尚属首例。
本研究分别分析了黄土高原柴松群落物种多样性随空间尺度变化规律以及马栏林区森林群落的物种多样性随组织尺度的变化规律,从空间尺度和组织尺度两个角度阐述了子午岭物种多样性及变化规律,剖析了这些规律对揭示物种多样性格局和过程的重要性,并探讨了加性分配法在多尺度研究中的重要意义,研究结果为该区森林物种多样性的保护与管理提供了理论依据。结果如下:
1.用加性分配法分析了柴松(Pinus tabulaeformis f. shekannesis)群落随样方、坡位和坡面3种尺度的物种多样性变化规律,结果表明:(1)坡面尺度是物种组成和维持的关键尺度:以物种丰富度为指标时,坡面尺度对区域多样性贡献最大,说明在区域范围内坡面是物种组成和维持的关键尺度;而以Shannon-Wiener和Simpson多样性为指标时,最大多样性分配在样方内,这是由于这2个指数不仅考虑了物种数,还考虑了样方内多度以及常见种和稀有种的影响和作用;(2)稀有种对物种多样性格局起决定作用:以Shannon-Wiener多样性为指标时,样方间、坡位间和坡面间尺度的β多样性对区域多样性贡献的百分比都大于以Simpson多样性为指标时的百分比,这主要是由稀有种在各尺度间的分布格局所决定的;(3)样方间、坡位间和坡面间的β多样性大小顺序各不相同:各尺度间的β多样性大小顺序在乔木、灌木、草本3层以不同多样性指数表示时各不相同,这与群落乔木层、灌木层和草本层的物种组成和分布情况以及不同尺度间环境异质性有密切关系。鉴于柴松林的物种多样性分布规律及其分布面积较小,认为在对柴松林进行保护时,应适当增大保护区的面积,以维持和保护较高的物种多样性,并为进一步研究柴松林的更新、扩散、演替等提供必要的条件。
2.用加性分配法研究了马栏林区森林群落在随群丛组、群系和植被型3种尺度的物种多样性变化规律,结果表明:(1)群丛组尺度是物种组成和维持的关键尺度:区域物种多样性(γ)可加性分配分为群丛组内(α1)、群丛组间(β1)、群系间(β2)和植被型间(β3)4个多样性成分,无论用物种丰富度指数还是Shannon-Wiener多样性或Simpson多样指数,乔木、灌木和草本植物的最大物种多样性都存在于群丛组内(草本层的物种丰富度除外),说明群丛组尺度是度量该区物种多样性的最佳尺度。(2)稀有种对物种多样性格局起决定作用:植被型、群系和群丛组3种组织尺度的Shannon-Wiener多样性百分比均大于Simpson多样性百分比,说明稀有种的分布对马栏林区各植被组织尺度的物种多样性格局起主要作用。(3)群丛组间、群系间和植被型间的β多样性大小顺序不相同:各尺度间的β多样性大小顺序在乔木、灌木、草本3层以不同多样性指数表示时各不相同,这与乔木、灌木、草本植物3层的物种组成和分布,以及主导不同植被组织尺度的物种多样性的因素差异有密切联系。由于黄土高原环境条件相对较差,植被类型相对较少,物种组成较简单,构成了该区特有的物种多样性变化规律,如果将该方法运用到其他植被类型较为复杂的地区,可能会得到更好的结果,或揭示出更多本研究所没有发现的规律。