基于局域统计量的黑龙江省多尺度森林碳储量空间分布变化_刘畅

基于局域统计量的黑龙江省多尺度森林碳储量空间分布变化*刘畅李凤日＊＊贾炜玮甄贞（东北林业大学林学院，哈尔滨150040）摘要基于黑龙江省一类样地和生态公益林监测样地（共4163块）数据，应用局域Moran I及局域统计量（局域均值及局域标准差）检验4个尺度（25、50、100和150km ）下黑龙江省森林碳储量的空间分布模式、空间变异和空间相关性，并研究了2005和2010年森林碳储量的变化．结果表明：黑龙江省森林碳储量空间分布存在显著空间正相关，森林碳储量均为相似的变化，而且都不是空间随机发生的；研究区森林碳储量受周围环境因子影响，空间分布存在异质性，且变异较大．2005—2010年，年均森林碳储量空间分布变化存在较大差异，呈增长趋势．局域统计量是描述森林碳储量随着空间和时间变化的有效方法，可以通过ArcGIS 使结果可视化．关键词Moran 指数局域统计量森林碳储量空间分布文章编号1001－9332（2014）09－2493－08中图分类号S717．1文献标识码AMultiple-scale analysis on spatial distribution changes of forest carbon storage in Hei-longjiang Province ，Northeast China based on local statistics．LIU Chang ，LI Feng-ri ，JIA Wei-wei ，ZHEN Zhen （College of Forestry ，Northeast Forestry University ，Harbin 150040，Chi-na ）．-Chin．J．Appl．Ecol ．，2014，25（9）：2493－2500．Abstract ：Taking 4163permanent sample plots from Chinese National Forest Inventory （CNFI ）and key ecological benefit forest monitoring plots in Heilongjiang Province as basic data ，and by using local Moran I and local statistics （local mean and local standard deviation ），the spatial pat-tern ，spatial variation and spatial autocorrelation of forest carbon storage in Heilongjiang Province with four bandwidths of 25，50，100and 150km were investigated ，and the change in forest carbon storage across 2005to 2010was studied．The results showed that the spatial distribution of forest carbon storage in Heilongjiang Province had significantly positive spatial correlation ，which indica-ted that the changes of carbon storage tended to be similar with their neighbors without a non-ran-dom manner．Forest carbon storage was affected by environmental factors ，and the spatial heteroge-neity strongly existed with a large variation in the study area．The spatial distribution of forest carbon storage was significantly different between 2005and 2010with an increasing trend．Local statistics are useful tools for characterizing forest carbon storage change across time and space ，which are vis-ualized by ArcGIS．Key words ：Moran index ；local statistics ；forest carbon storage ；spatial distribution．*“十二五”国家科技支撑计划项目（2011BAD37B02）、长江学者和创新团队发展计划项目（IＲT1054）资助．＊＊通讯作者．E-mail ：fengrili@126．com 2013-12-04收稿，2014-06-06接受．森林作为陆地生态系统的主体，对维护大气CO 2浓度平衡起着至关重要的作用［1］．森林碳汇的作用越来越明显，森林碳汇分布计量方法自然成为目前的研究热点．近年来，相关研究主要集中在森林生物量和碳储量方面，森林碳储量的空间分布研究仍然很少．不同地理位置的地形地貌、气候条件和立地条件均有所不同，这些不同的环境必然会造成森林碳储量的差异，即森林的碳储量分布存在不均匀性．因此，必须了解这些区域在各方面的特点，以更好地管理森林、提高森林的固碳能力，进而利用森林来降低大气中的CO 2含量、减缓全球变暖等灾害的发生．空间尺度的研究可以帮助确定热点效应［2－4］、降低濒危物种的灭绝［5］及模拟物种的多样性［6－7］．应用生态学报2014年9月第25卷第9期Chinese Journal of Applied Ecology ，Sep．2014，25（9）：2493－2500DOI:10.13287/j.1001-9332.20140613.005没有一个尺度可以绝对正确地分析生物系统的结构和功能，同样的生物学问题在不同尺度的研究可能会得到不同的结果［8］．因此，确定一个方法来研究物种的空间分布具有重要意义．在空间分析中，变量的观测值（数据）一般按照某给定的地理单位为抽样单位而得到，尤其当数据在大区域内收集时，随着地理位置的变化，变量间的关系或结构会发生改变，这种现象称之为空间非平稳性［9］．空间非平稳性在空间数据中普遍存在，因而在利用数据进行研究前，必须合理地解决这种空间非平稳性问题．局域统计量是一个可以很好地解决空间非平稳性的方法．其具体计算方法为：定义一个地理权重和一个移动窗口，对于一个目标样点，该点上的局域统计量根据这个地理权重和移动窗口内所有的相邻点计算而得．移动窗口根据自定义的带宽确定，根据距离样点近的点影响大、距离样点远的点影响小的原则来确定相邻点的权重［10－12］．局域统计量能为每一个样点提供有用的信息，可提供一个直接的方法评定和描述在这个地理区域内样点变量的空间异质性．空间自相关同样是研究空间问题的热点，通常物种的聚集由其他相邻物种的数量及位置决定．Mo-ran指数（Moran I）是一种常用的评定全局空间自相关的方法，且局域Moran I已成功应用在评定和检验局部聚集及局部非稳定性的研究中［13－15］，如Brunsdon等［10］利用一个实例首次将局域统计量应用在经济学中；Ma等［16］将纽约市区分成不同的方块，利用局域统计量方法研究了鸟类物种的分布，均取得了很好的效果，但尚无学者研究森林碳储量的空间分布．森林碳储量的空间分布受林分因子和环境因子的影响，必然会存在空间的相关性和空间异质性．故对森林碳储量，尤其是大范围的研究时，一定要考虑到这些空间变异的影响．为此，本研究基于2005—2010年黑龙江省一类样地和生态公益林监测样地数据，采用局域统计量及全局和局域Moran I 的方法，选择不同带宽（25、50、100、150km），对不同尺度2010年黑龙江省森林碳储量的空间分布模式、空间变异和空间自相关进行研究，并与2005年黑龙江省森林碳储量分布进行对比，分析黑龙江省森林资源在不同空间尺度下的分布规律和影响因子，以期为森林管理者提供有效的帮助．1研究区域与研究方法1.1研究区域概况黑龙江省位于中国的东北部（43ʎ25'—53ʎ33'N，图1研究区域的空间分布Fig．1Spatial distribution of the study area．A：大兴安岭Da Xing’an Mountain；B：小兴安岭北坡North of Xiao Xing’an Mountain；C：小兴安岭南坡South of Xiao Xing’an Mountain；D：张广才岭西坡West of Zhangguangcai Mountain；E：张广才岭东坡East of Zhangguangcai Mountain；F：完达山脉Wanda Mountain；G：松嫩平原Songnen Plain．121ʎ11'—135ʎ05'E），面积45．4ˑ104km2，森林覆盖率43．6%．黑龙江省地域辽阔、地形复杂多样，西北部为大兴安岭山地，北部为小兴安岭山地，东南部由张广才岭、老爷岭、太平岭和完达山等组成的东部山地，西南部是松嫩平原（图1）．山地和丘陵的海拔在300 1500m．该区平原面积广阔，地势低平，大部分海拔在50 250m．山地和平原的分布，构成了黑龙江省北部和东南部高、东部和西南部低的地势．黑龙江省属明显的大陆性季风气候，南北跨中温带与寒温带，年均气温－4 4ħ，年降水量450 700mm，南北温差大，东西降水量分布不均，干旱、冻害等气象灾害频繁．土壤以暗棕壤、黑土、黑钙土、白浆土、草甸土为主，另有少量棕色针叶林土、沼泽土、盐碱土和风沙土．黑龙江省林区林木资源丰富，主要乔木树种有：红松（Pinus koraiensis）、云杉（Pi-cea spp．）、冷杉（Abies nephrolepis）、落叶松（Larix spp．）、樟子松（Pinus sylvestris var．mongolica）、水曲柳（Fraxinus mandshurica）、胡桃楸（Juglans mand-shurica）、黄波罗（Phellodendron amurense）、椴树（Tilia spp．）、柞树（Quercus mongolica）、榆树（Ulmus spp．）、槭树（Acer spp．）、白桦（Batula platyphlla）、枫桦（Betula costata）、黑桦（Betula dahurica）、杨树（Populus spp．）和柳树（Salix spp．）等．1.2研究数据1.2.1样地数据本研究数据来源于黑龙江省市县林区调查的两期固定样地数据（2005和2010年），分别来自一类样地和生态公益林监测样地，共4163块样地，每块样地面积0．06hm2．数据涵盖全省7个区域：大兴安岭（805块样地）、小兴安岭北坡（7784942应用生态学报25卷块样地）、小兴安岭南坡（799块样地）、张广才岭西坡（217块样地）、张广才岭东坡（315块样地）、完达山脉（1021块样地）及松嫩平原地区（228块样地）（图1）．每块样地调查了起源、地理位置（GPS 坐标）、地形特征（海拔、坡度、坡向、坡位等），进行了每木检尺，并计算了林分变量，包括：林分年龄、树种组成、平均胸径、平均树高、每公顷株数、每公顷蓄积等．1.2.2样地碳储量数据单木的碳含量包含树干、树枝、树叶和树根4部分．在一个样地中，每株样木都可以根据已经建立的15个树种（组）相容性立木生物量模型［17］，利用胸径计算出树干、树枝、树叶和树根4部分的生物量．每一部分生物量与已经测定好的该部分的含碳率相乘便是这部分的碳含量；将4部分碳含量相加得到单木碳含量．样地内所有样木碳含量的总和即是样地的碳储量，除以样地面积便可得到每公顷碳储量（表1）．由于样地是大区域机械布点，并非是典型林分的“研究样地”，样地中包含疏林地部分，因此每公顷碳储量平均值偏低．由表1可以看出，人工杨树林的固碳量最少，天然柞树林的固碳量最多；不同样地位置的人工杨树林的固碳量差异最小，不同样地位置的天然柞树林的固碳量差异较大．森林覆盖密集且天然柞树林分布最广的完达山区域的森林碳储量最高；而平原地区森林分布较少，且多为樟子松杨树林，故而森林碳储量分布较少；其他区域如大兴安岭地区大部分为天然落叶松林及天然桦树林，森林碳储量处于中等水平．这种方法可以大致看出森林碳储量的分布，却无法获取详细的信息，故而需要一种更加准确的方法描述森林碳储量的空间分布规律．1.3研究方法1.3.1全局及局域空间指数Moran I 是近年来用于检验及测量空间相关性的主要指数．全局Moran I的计算公式如下：I =n ∑ni =1∑nj =1w ij （d ）（x i －珋x ）（x j －珋x ）∑ni =1∑nj =1w ij （d ）∑ni（x i －珋x ）2（1）式中：x i 和x j 分别为样点i 和j 的观测值（i ≠j ）；珋x为研究区域内所有观测值的均值；n 为样本数；w ij （d ）为根据样点i 与j 之间距离计算的权重．大多数统计检验在开始时都首先确定一个零假设．Moran I 值为零时通常假设为完全空间随机性，源于观测值本身的完全空间随机性、或与这些观测值相关的关联值的完全空间随机性．对本研究来说，森林碳储量的空间分布为随机分布．计算Moran I 值时，通常同时会给出一个可以判断出是否拒绝零假设的标准，称为Z 值．Z 值的临界值为ʃ1．96（α=0．05），如果Z 值在－1．96 1．96，则P 值＞0．05，表示不能拒绝零假设，所表现出的模式很可能是随机空间过程产生的结果；如果Z 值＞1．96或＜－1．96，则P 值将＜0．05，可以拒绝零假设，说明所观测到的空间模式不可能是随机过程产生的结果．在这种情况下，可具有统计显著性的聚类或分散模式．这种方法可以判断n 个样点内的观测值之间是否存在空间相关性［18］．按照不同距离计算的Moran I 可以绘制成一张空间相关图，能更清楚地表现观测值之间的表1黑龙江省主要林分类型每公顷碳储量统计Table 1Basic statistics of carbon storage of main forest types （t ·hm －2）林分类型Stand type 样地数Plot number 2005年碳储量Carbon storage in 2005均值Mean 标准差SD 最小值Min．最大值Max．2010年碳储量Carbon storage in 2010均值Mean 标准差SD 最小值Min．最大值Max．Ⅰ25929．9220．330122．1539．9720．260．8787．19Ⅱ1647．5010．76072．9913．0012．330．5181．13Ⅲ21829．9515．86074．6737．8218．071．1279．41Ⅳ8625．9116．33066．7837．1818．411．3779．53Ⅴ46225．2919．17092．2431．2419．870．1292．84Ⅵ23831．3521．711．0294．0535．7922．601．15101．07Ⅶ114931．1620．840109．2138．8421．560．03116．27Ⅷ46839．0722．280108．5747．4722．181．07123．59Ⅸ80441．7826．390134．7250．2126．131．70151．39Ⅹ23337．8720．2594．9345．1120．246．56154．38Ⅺ8238．8422．82095．2645．2224．320．78106．52Ⅰ：人工落叶松林Larch plantation ；Ⅱ：人工杨树林Poplar plantation ；Ⅲ：人工樟子松林Mongolian pine plantation ；Ⅳ：人工针阔混交林Broad-leaf-conifer mixed forest plantation ；Ⅴ：天然桦树林Birch forest ；Ⅵ：天然落叶松林Larch forest ；Ⅶ：天然软阔混交林Soft broad-leaved mixed for-est ；Ⅷ：天然硬阔混交林Hard broad-leaved mixed forest ；Ⅸ：天然柞树林Oak forest ；Ⅹ：天然针阔混交林Broadleaf-conifer mixed forest ；Ⅺ：天然针叶混交林Conifer mixed forest．59429期刘畅等：基于局域统计量的黑龙江省多尺度森林碳储量空间分布变化相关性随距离的变化情况［11－12］．全局的Moran I表示研究区域内整体的空间自相关性，而要检验每块样地上的空间自相关性是否显著，即要用到局域的Moran I．局域Moran I是把全局的（x i－珋x）局域化，形式如下：I i =（xi－珋x）∑jwij（d/xj－珋x）（2）式中：x i和x j分别为样点i和j的观测值（i≠j）；珋x 为研究区域内所有观测值的均值；w ij（d）为样点i与j之间距离计算的权重．局域Moran I用来检验独立观测值空间聚集情况及空间非稳定性，表现了目标样地与其周围一定距离内所有样地之间的关系．如果计算结果接近于给定距离内所有样地的均值，那么这个样地呈现空间正相关，即相似聚集（hot spots）；如果计算结果显著高于或低于给定距离内所有样地的均值，那么这个样地呈现空间负相关，即不同聚集（cold spots）［19］．局域Moran I可以绘制成空间分布图，能更清晰地显示相似聚集和不同聚集的分布．1.3.2局域描述性统计量研究区域内的每块样地都有各自的地理坐标（u i，v i），需要选取一个连续单调递减函数来表示权重与距离间的关系，即空间权重．空间权函数的计算方法有很多种，常用的有Gaussian 函数法，公式如下：wi =exp（－d2i/h2）（3）或者bi-square函数法，公式如下：wij （ui，vi）=（1－（dij/h）2）2（4）式中：d ij为样地i点（u i，v i）与其相邻点之间的距离（i≠j）；h为描述权重与距离之间函数关系的非负衰减参数，称为带宽（band width）．带宽越大，权重随距离增加/衰减得越慢；带宽越小，权重随距离增加/衰减得越快．根据Moran I绘制的空间相关图选择带宽，当Moran I接近0时的距离即为带宽．根据权函数可以计算带宽距离h范围内所有邻域样点的空间权重，距离近的样点影响大，距离远的样点影响小．Gaussian函数和bi-square函数是目前地理加权回归模型最常用的两类权函数方法［20］．本研究使用bi-Square函数作为权函数．对于研究区域内每个空间样点而言，当定义一个固定距离之后，利用所计算的空间权重来计算该距离内样地的局域统计量．局域统计量能表现出传统的全局统计量所不能表现出的空间信息，即局域内森林碳储量的分布状况及相互影响．局域均值及局域标准差的计算公式如下：珋xi（ui，vi）=∑nj=1xjwij（ui，vi）∑nj=1wij（ui，vi）（5）sx（ui，vi）=∑nj=1［xj－珋xi（ui，vi）］2wij（ui，vi槡）（6）式中：x i和x j分别为样点i与j的观测值（i≠j）；w ij（ui，vi）为根据样点i与j之间距离计算的权重［21］．利用ArcGIS软件的可视化功能显示区域空间统计量，使结果更清晰明了、简单易懂［22］．1.4数据处理用ＲOOKCASE计算全局Moran I及局域Moran I．ＲOOKCASE是一种用Visual Basic Application （VBA）编写的Excel宏文件［23］．采用GWＲ3．0软件计算全局及局域空间统计量［24］．采用ArcGIS软件完成结果的可视化．采用Kriging插值方法对黑龙江省森林碳储量不同带宽情况下局域Moran I的Z值进行插值，采用样条插值方法对黑龙江省森林碳储量的局域均值、局域标准差及局域均值差异进行插值．栅格大小为ArcGIS自动选取的最佳大小3600m．2结果与分析2.1全局空间自相关及带宽选择本研究采用Moran I来测量空间的自相关性，即一个样地森林碳储量的变化与其相邻样地森林碳储量变化之间的关系．每个样地按照其坐标不同作为一点数据进行处理．按照10km间隔，分别计算2005和2010年森林碳储量的全局Moran I，并绘制空间相关图（图2）．结果显示，黑龙江省森林碳储量的空间自相关性随距离的变大而逐渐缩小．根据赤池信息量准则（AIC）计算的最佳带宽为25km，因图22005和2010年黑龙江省森林碳储量Moran I相关图Fig．2Moran I correlogram of forest carbon storage in Hei-longjiang Province in2005and2010．6942应用生态学报25卷表2不同尺度的黑龙江省森林碳储量Moran I及Z值Table2Global Moran I and Z value of forest carbon stor-age in Heilongjiang Province at different spatial scales带宽Bandwidth（km）Moran I Z P 250．189085．67＜0．0001 1000．103889．39＜0．0001 5000．0279130．32＜0．0001 10000．004175．03＞0．0051300－0．0002－1．55＞0．005此本文以25km为起始值计算全局Moran I．由表2可以看出，当带宽为25、100、500km时，Moran I均为正值，并且P值全部＜0．0001，表示拒绝Moran I零假设，即森林碳储量在一定距离内并不是随机分布，而呈聚类的趋势．但随着距离的增加，这种聚类的趋势会逐渐减弱，空间自相关性也变弱．当带宽为1000km时，Moran I趋近于0，且P值＞0．005，说明森林碳储量的空间自相关性迅速减小．带宽超过1000km后（h=1300km），Moran I为负值，并且趋近于0，且P＞0．005，说明森林碳储量的空间分布趋于稳定并呈现出负相关关系．2.2局域统计量局域统计量提供了一种详细描述生物物种区域变化的空间信息方法．本研究基于此描述黑龙江省样点森林碳储量变化及其与相邻样点碳储量的关系．局域统计量可通过ArcGIS软件的可视化功能显示在地图上．为了更好地显示森林碳储量的空间变化，在分类时选择自然间断法．这种分类方法是尽量使分级的方差最小，即各类内部的差异达到最小．本研究选取4个差异较大的尺度（25、50、100、150 km）计算局域统计量和空间局域指数（local indica-tors of spatial association，LISA），并以2010年数据为例，对比不同尺度下森林碳储量随空间尺度的变化．为了方便比较，图例均选取统一的分类级别．从图3A可以看出，在小的空间尺度上（25、50 km），大部分区域显示为非显著性的Moran I（－1．96＜Zi＜1．96），剩余部分显示为正值的Z（＞1．96），只有极少部分区域是显著性负值的Z（＜－1．96）．说明当空间尺度较小时，森林碳储量空间分布的自相关性较低，并且少部分存在相关性的地方表现为聚类模式．局域均值可以直观地显示森林碳储量的空间分布变化（图3B）．不同带宽（25、50、100、150km）计算结果显示，这种变化随空间尺度而变化．带宽越小（25km），可以更细致地显示局域的信息；而带宽越大（150km），则可以显示整体的空间分布趋势．因此局域均值是检验森林碳储量随尺度变化的相似聚集（hot spots）方法．标准差是实际应用中最广泛的测度数据差异水平的统计量，但全局的标准差并不可以表示任何空间差异．本研究用局域标准差来描述森林碳储量的空间变异程度，即与局域均值的差异．黑龙江省的森林碳储量在不同空间尺度的局域标准差（图3C）与局域均值类似，小的带宽可以反映出更细致的变化，较大带宽的局域标准差则越来越平滑，趋向整体的标准差．为了对比森林碳储量在不同时空分布的变化，将2010年森林碳储量的局域均值减去2005年森林碳储量的局域均值并除以相应的间隔期，得到空间变化分布的年均变化分布图（图4）．2005、2010年全省森林碳储量均值分别为32．64和40．20t，全局统计量显示期间的森林平均碳储量增长了7．56t．3讨论由不同带宽的全局Moran I绘制成的空间相关图，可表现出森林碳储量随带宽变化而变化的趋势．2010年，当带宽为25km时，Moran I值为0．189，说明森林碳储量存在很大的空间自相关性，而这种自相关会随着距离的不断变大而减少；在带宽1000 km时这种变化趋于平稳，到1200km时趋近于0，在1300km时为负值，并保持不变，说明在带宽1000km之后，森林碳储量的空间自相关现象消失，并在超过一定范围后，呈负相关关系，但影响较小．2005年与2010年空间自相关的总体趋势相似．局域Moran I可用来检验并且可视化地显示森林碳储量的局域聚类及空间非稳定性．随着空间尺度的加大（100、150km），研究区森林碳储量的空间正相关性逐渐增大，同时负相关也会变大，但空间正相关远大于空间负相关．说明在研究大尺度森林碳储量分布时，空间的影响不可忽视．对于本研究来说，大部分研究区域的森林碳储量存在正相关性，即森林碳储量之间均为相似的变化，而且这些变化都不是随机发生，周围的环境、地形、气候都有可能直接影响这些变化．局域均值比单纯的插值更能表现出森林碳储量分布的空间状态．从图4可以看出，研究区域内森林碳储量的分布并不均匀，且差异很大，最小值分布在黑龙江省西部（松嫩平原），低于26.43t·hm－2，最79429期刘畅等：基于局域统计量的黑龙江省多尺度森林碳储量空间分布变化图32010年黑龙江省森林碳储量在不同带宽下局域Moran I 的Z 值（A ）、局域均值（B ）及其标准差（C ）Fig．3Z value of local Moran I （A ），localized mean （B ），localized standard deviation （C ）for forest carbon storage in Heilongjiang Province with different bandwidths in 2010．a ）25km ；b ）50km ；c ）100km ；d ）150km．下同The samebelow．图42005—2010年黑龙江省森林碳储量不同带宽下局域均值的变化Fig．4Changes in the localized mean for forest carbon storage between 2005and 2010in Heilongjiang Province with different band-widths．大值分布在西南部（张广才岭）及中北部（小兴安岭），高于53．06t ·hm －2．西部的松嫩平原为主要人类活动聚集地，森林主要以农田防护林为主，因而整体碳储量密度较低；西南部的张广才岭及中北部的小兴安岭为森林主要分布区，整体碳储量密度最高；大兴安岭和完达山地区的森林含碳量处于中等位8942应用生态学报25卷置．小尺度带宽（25km）时，可以更详尽地表示出森林碳储量的分布及其互相影响；随着带宽的逐渐增加，图像区分更加平滑，可以整体看出森林碳储量的分布，总体来看由西北向东南方向递增（150km）．局域标准差可反映出样地森林碳储量与相邻样地森林碳储量的关系．带宽25km时，标准差的较大值聚集在黑龙江省中北部，即小兴安岭部分地区、张广才岭西部及大兴安岭小部分区域．这些地区的森林碳储量与黑龙江省平均碳储量相差较大，原因是这些地区森林覆盖度较广，森林碳储量的分布明显高于黑龙江省的整体水平．标准差的较小值表示该区域森林碳储量接近黑龙江省整体均值，大多分布在中部的松嫩平原地区．这些区域面积广、海拔较低、坡度较缓，人类活动范围大多分布在此，森林覆盖少，进而影响全省的森林平均碳储量，该地区的森林碳储量与均值的差异并不大．随着带宽的逐渐加大，研究区森林碳储量的空间变异呈非稳定性的变化趋势，整体来看，从西北向东南呈梯度增加．这种空间变异的非稳定性变化说明森林碳储量的差异与空间分布存在很大的关系．随着时间的推移，森林碳储量呈明显的空间模式变化．带宽25km时，所表现的空间模块更细致，所显示的局部信息更详细，森林碳储量的空间变化更明显．研究区不同区域森林碳储量的增长程度并不相同，甚至有少部分区域呈现负增长趋势．究其原因，可能是样地发生枯损或砍伐造成的．但这些区域的面积极少，在图上显示的并不明显．间隔期内，森林碳储量增长最高的区域达到14．59t·hm－2以上，而增长最低区域则在5．1t·hm－2以下，可见森林碳储量的增长随时间的变化存在较大的空间变异．同时，随着带宽的逐渐增加，森林碳储量的空间变化趋于平滑，且趋向整体平均值．当带宽为150km时，森林碳储量的变化量呈阶梯状分布，不同区域间森林碳储量的差距逐渐缩小，且趋于平均．说明森林碳储量在时间变化的同时仍然存在空间变异．因此在以后的相关研究中，需要充分考虑到空间和时间的双重影响．4结论全局及局域的Moran I是描述森林碳储量空间自相关性的有效方法．黑龙江省几乎所有区域的森林碳储量在空间上均为正相关性，即样地间的森林碳储量存在相似变化，只有极少区域存在负相关性．采用局域均值及标准差等统计量能简单直接地描述森林碳储量的空间分布及变化．通过计算不同带宽下森林碳储量的局域均值和标准差，可以分析不同尺度森林碳储量的空间变化．局域均值的结果显示，研究区域内森林碳储量的分布并不均匀，且差异很大，最小值位于黑龙江省西部地区的松嫩平原地区，最大值位于西南部张广才岭及中北部小兴安岭地区，大兴安岭地区及完达山地区处于中等水平．2005—2010年，大部分区域的森林碳储量呈增加趋势，且森林碳储量表现出明显的空间模式变化，在张广才岭西部地区增长最高，大兴安岭西部、小兴安岭北部及松嫩平原地区增长较少．研究空间问题时，最需要考虑的问题是：1）寻找一个可以明确描述空间自相关的指标或方法；2）在什么尺度下分析最合适．Moran I及局域统计量的方法可以描述空间自相关性．本文选取4个差异很大的尺度，利用上述指标对森林碳储量的空间自相关性进行研究，进而分析森林碳储量在黑龙江省的分布规律及影响因子．结果表明，森林碳储量存在很强的空间异质性和空间相关性，但这种特性会在空间距离变大时逐渐消失，在大尺度或全局尺度研究森林碳储量的空间分布时，会忽视这种空间变异的影响，导致研究结果精度大幅降低．因此对森林碳储量的研究必须在合适尺度上考虑其空间影响．可按照不同的指标选取合适尺度，如交叉验证方法、AIC 准则、贝叶斯信息准则等方法．考虑到环境因子和气候的影响，以后对森林碳储量空间分布的研究可以引进空间变异因子，并使用空间方法进行估计和预测．可以使用地统计学中的克里格方法及条件模拟算法等，或者使用遥感调查方法，但以上两种方法的精度普遍较低．地理加权回归模型（geographically weighted regression，GWＲ）是解决空间非稳定性的一种新型方法，即用回归原理研究具有空间（或区域）分布特征的两个或多个变量之间数量关系的方法，在数据处理时考虑局部特征作为权重，对不同的空间尺度问题进行研究［25］．近年来，地理加权回归模型已被应用于各种领域，包括经济、人口和社会学等［26－27］．2004年，Zhang等［28－29］首次将地理加权回归模型引入林学中，利用地理加权回归模型构建树木生长与直径之间关系的局域多元模型，进而研究树木在环境竞争中的生长变化情况．由于考虑了空间的影响，因而精度较之前有很大提高．因此，在今后的研究中可以考虑使用该方法对森林碳储量进行估计和预测．99429期刘畅等：基于局域统计量的黑龙江省多尺度森林碳储量空间分布变化。