遥感技术与应用, 2023, 38(2): 413-421 doi: 10.11873/j.issn.1004-0323.2023.2.0413

林业遥感专栏

大兴安岭北段森林扰动对NPP的影响分析

张静宇,1,2, 孙睿,1,2, 柏延臣1,2, 周红敏1,2, 张赫林1,2, 李琪1,2

1.北京师范大学地理科学学部，遥感国家重点实验室，北京 100875

2.北京师范大学地理科学学部，北京市陆表遥感数据产品工程技术研究中心，北京 100875

Effects of Forest Disturbance on NPP in the North of the Greater Khingan Mountain

ZHANG Jingyu,1,2, SUN Rui,1,2, BO Yanchen1,2, ZHOU Hongmin1,2, ZHANG Helin1,2, LI Qi1,2

1.State Key Laboratory of Remote Sensing Science，Jointly Sponsored by Beijing Normal University and Institute of Remote Sensing and Digital Earth of Chinese Academy of Sciences，Beijing 100875，China

2.Beijing Engineering Research Center for Global Land Remote Sensing Products，Institute of Remote Sensing Science and Engineering，Faculty of Geographical Science，Beijing Normal University，Beijing 100875，China

通讯作者: 孙睿（1970-），男，甘肃通渭人，博士，教授，主要从事遥感应用方面的研究。E⁃mail:sunrui@bnu.edu.cn

收稿日期: 2021-10-07   修回日期: 2022-10-24  

基金资助: 国家重点研发计划项目.  2021YFB3901201

Received: 2021-10-07   Revised: 2022-10-24  

作者简介 About authors

张静宇（1993-），女，河北邯郸人，博士研究生，主要从事定量遥感、遥感应用方面的研究E⁃mail:201931051036@mail.bnu.edu.cn , E-mail：201931051036@mail.bnu.edu.cn

摘要

森林扰动影响森林生态系统碳循环和碳平衡，植被净初级生产力（NPP）是表征植被固碳能力的重要指标，分析森林扰动对NPP的影响对于全球变化研究及生态系统承载力和恢复力评估具有重要意义。选取大兴安岭北段地区作为研究区，使用生产的每8 d 30 m分辨率叶面积指数数据集，基于MuSyQ-NPP植被生产力模型估算了该地区2002~2018年森林生长季30 m分辨率时间序列NPP，并使用30 m分辨率森林扰动时间序列产品分析了森林扰动对NPP的影响。研究结果表明：在大兴安岭北段地区，2002~2018年森林生长季NPP多年均值多分布于400~600 g C·m-2·a-1之间，总体呈现缓慢增加趋势；火干扰是研究区的主要扰动因子；2002~2017年森林扰动导致生长季NPP年平均减少量为0.01 Tg C·a-1，在2003年、2006年和2017年，受到面积较大且强度较大的森林扰动后生长季NPP降低幅度较大，分别为0.11 Tg C、0.03 Tg C和0.03 Tg C；发生中高强度森林扰动的2006年扰动区，生长季NPP自2009年开始出现高于扰动前一年的情况。因此，面积大且强度大的扰动对NPP影响大，中高强度森林扰动区域NPP恢复迅速。

关键词： 森林扰动 ; 净初级生产力 ; 大兴安岭 ; 高分辨率 ; 长时间序列

Abstract

Forest disturbance affects the carbon cycle and carbon balance of forest ecosystem， and vegetation Net Primary Productivity （NPP） is an important indicator of vegetation carbon sequestration capacity. Analyzing the effects of forest disturbance on NPP is of great significance for global change research and ecosystem carrying capacity and resilience assessment. The forest coverage in the northern section of the Greater Khingan Mountain is more than 70%， which has been disturbed by human and natural factors for a long time. This region was selected as the study area in this paper. The 30 m resolution time series NPP from 2002 to 2018 was estimated based on the MuSyQ-NPP model and the estimated time series LAI with 30 m resolution， and the 30 m resolution forest disturbance time series product was used to analyze its impact on the NPP in the growth season. The results shown that in the north section of the Greater Khingan Mountain， the multi-year average of NPP is mostly distributed from 400 to 600 g C · m-2 · a-1， and shown a slow increasing trend on the whole. Fire disturbance may be the main disturbance factor in the study area. From 2002 to 2017， the annual average reduction of NPP caused by forest disturbance was 0.01 Tg C · a-1. In 2003， 2006 and 2017， NPP decreased significantly in the forest growth season after large area and high intensity disturbances， the reduced values were 0.11 Tg C， 0.03 Tg C and 0.03 Tg C， respectively. The NPP in the disturbed forest area in 2006 with medium and high intensity disturbance was higher than that in the year before the disturbed year since 2009. In conclusion， the disturbance with large area and high intensity has great effects on NPP， and the NPP in the medium-high intensity disturbance area recovers rapidly.

Keywords： Forest disturbance ; NPP ; The Greater Khingan Mountain ; High resolution ; Time series

PDF (3718KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

张静宇, 孙睿, 柏延臣, 周红敏, 张赫林, 李琪. 大兴安岭北段森林扰动对NPP的影响分析. 遥感技术与应用[J], 2023, 38(2): 413-421 doi:10.11873/j.issn.1004-0323.2023.2.0413

ZHANG Jingyu, SUN Rui, BO Yanchen, ZHOU Hongmin, ZHANG Helin, LI Qi. Effects of Forest Disturbance on NPP in the North of the Greater Khingan Mountain. Remote Sensing Technology and Application[J], 2023, 38(2): 413-421 doi:10.11873/j.issn.1004-0323.2023.2.0413

1 引 言

森林生态系统是陆地生态系统中最大的碳库，在全球碳循环和减缓全球变暖方面发挥着至关重要的作用。现如今，各类扰动（如森林火灾、病虫害、森林砍伐等）在森林动态变化过程中扮演着重要角色［1］，并正直接或间接地影响着森林生态系统的碳循环和碳平衡。

White等［2］将扰动定义为“破坏生态系统、群落或种群结构并改变资源、基质可用性或物理环境的任何相对离散事件”。目前，针对森林扰动检测和扰动特征（面积、强度等）已经开展了大量研究［3-7］；另外，有部分研究分析了扰动对森林生态系统的影响，例如扰动会改变森林的多样性、组成和结构［8-9］，对比了不同火干扰强度下的林分更新等［10］；还有一些研究分析了扰动对森林碳储量的影响，研究多是基于样方数据、森林清查数据或低分辨率遥感数据进行的，很少基于高分辨时间序列遥感数据，而且大多使用了生物量这一地表参数［11-15］。植被生产力是反映植被固碳能力的重要指标，是衡量生态系统碳源\汇的主要参数，净初级生产力（Net Primary Productivity， NPP）是指绿色植物在单位时间、单位面积上所积累的有机物总量［16］，对全球变化研究和生态系统承载力、恢复力评估具有重要意义［17］。使用高分辨率长时间序列遥感产品分析森林扰动对NPP的影响，可以更好地探究森林受到干扰后生态系统的承载力和恢复力。

大兴安岭是我国分布最北、面积最大的森林，也是我国重要的林业基地之一。在其北段地区有大片的原始森林，森林覆盖率可达70%以上。这里常年受到不同范围、强度和频次的火干扰，尤其在春秋两季，森林火灾发生更为频繁［14，18］。火干扰是此地区森林退化的主要驱动因素，灾后森林的更新恢复一直备受关注［19］。同时，此地区也存在森林砍伐等人为干扰。本文选取大兴安岭北段作为研究区，估算了2002~2018年30 m分辨率LAI/FPAR时间序列数据集，并基于这些数据估算了2002~2018年30 m分辨率森林生长季的NPP产品。然后，使用30 m分辨率森林扰动产品分析了扰动对NPP的影响。

2 数据与研究区

2.1　研究区

根据郑度划分的中国生态地理区域单元［18］，大兴安岭被划分为4个区域（图1）：寒温带湿润地区大兴安岭北段山地落叶针叶林区（Ⅰ），大兴安岭北段西侧森林草原区（Ⅱ），大兴安岭中段山地草原森林区（Ⅲ），大兴安岭南段草原区（Ⅳ）。本文的研究区是大兴安岭北段地区（Ⅰ），该地区以原生寒温性针叶林生态系统为主，是我国唯一的寒温带针叶林分布区。主要树种包括兴安落叶松、樟子松、白桦、山杨等，受气温制约，生物循环速率较低，森林覆盖率可达70%以上［20］。该地区平均海拔约900 m，整个地势呈现西北高、东南低的特征。冬季寒冷漫长，夏季凉爽短暂，生长季较短主要集中在7、8月份，研究将5月至10月定为生长季。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   大兴安岭范围［21］

Fig.1   The region of the Greater Khingan Mountain


2.2　数据介绍

研究所用数据主要包括遥感数据、气象数据以及地面测量数据3个部分。遥感数据使用了清华大学宫鹏教授团队生产的土地覆盖（Land cover）数据集FROM-GLC（Finer Resolution Observation and Monitoring of Global Land Cover）以及本文生产的叶面积指数（Leaf Area Index，LAI）时间序列数据集和光合有效辐射吸收比（Fraction of Absorbed Photosynthetically Active Radiation，FPAR）时序数据集。以上3个数据集的时间分辨率均为8 d，空间分辨率均为30 m。FROM-GLC数据集覆盖全球［25］。研究提取了大兴安岭北段森林的土地覆盖数据（图2），森林面积约为94 799.50 km2。其中，常绿针叶林面积占比最大，为64%；混交林面积占比次之，为21%；落叶阔叶林面积占比8%，落叶针叶林面积占比7%。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   大兴安岭北段森林土地覆盖图

Fig.2   Forest land cover map of the north region of the Greater Khingan Mountain


另外，使用了李若阳等［22］生产的大兴安岭地区森林扰动时间序列数据集，其空间分辨率为30 m，时间分辨率1 a，时间跨度为1987年至2017年。大兴安岭地区年际森林扰动产品是基于长时间序列Landsat系列（Landsat5/7/8）卫星影像，利用构建的局部自适应参数时间序列分割森林扰动探测算法生产的，该产品包含扰动年份和扰动强度两个数据集，可以较好地检测出森林火灾、森林砍伐和城镇扩张造成的小范围森林扰动。生产者精度和用户精度分别为83.1%和93.1%，总体精度约为94.96%。使用土地覆盖数据（图2）作为掩膜，提取了研究区2002~2017年的森林扰动数据，以分析森林扰动对NPP的影响。

气象数据是来自于ECMWF（European Centre for Medium-Range Weather Forecasts） 的ERA5逐小时数据集［23］。该气象数据空间分辨率为0.25°，使用前将其时间分辨率转换为8 d。研究从数据共享网站获取了2002~2018年的气象数据用于NPP估算，包括2 m气温、太阳下行辐射、2 m露点温度、太阳净辐射、净热辐射。遥感数据和气象数据的具体情况如表1所示。

表1   主要数据的参数

Table 1  Parameters of Data

数据名称单位时间分辨率空间分辨率数据来源
LAIm2/m28 d30 m本文估算
FPAR--8 d30 m本文估算
Land cover产品--1 a30 mFROM-GLC
森林扰动产品--1 a30 m李若阳等
2 m气温K1 h0.25°ERA5
太阳下行辐射J/m21 h0.25°ERA5
2 m露点温度K1 h0.25°ERA5
太阳净辐射J/m21 h0.25°ERA5
净热辐射J/m21 h0.25°ERA5

新窗口打开| 下载CSV


地面测量数据使用了2015年大兴安岭地区潮满林场森林资源清查数据。该数据包括4个树种（落叶松、白桦、山杨和樟子松），调查了样方的位置、面积、蓄积量、树种组成、树龄和胸径等信息。研究筛选了面积约16 hm2的38个样方用于评估NPP时间序列产品的精度。使用森林资源清查数据估算NPP的公式如下［17］：

NPP=BaA+bB

其中：a和b为参数，A代表树龄，单位为年；B代表生物量，单位为t DM ha-1。生物量与蓄积量（V，m3 ha-1）的关系式如下：

B=Vc+dV

其中：c和d是常数，不同树种对应不同参数值。将公式（2）计算出的植被净初级生产力乘以含碳量得到单位为g C·m-2·a-1的植被净初级生产力，这里含碳率取值为0.5［24］。

3 研究方法

使用30 m分辨率LAI、FPAR和土地覆盖等数据，基于植被生产力模型MuSyQ-NPP （Multisource data Synergized Quantitative （MuSyQ） NPP）估算了2002~2018年大兴安岭北段30 m分辨率森林生长季NPP，并使用30 m分辨率森林扰动时序数据分析了森林扰动对NPP的影响。

3.1　时间序列LAI产品估算

使用周红敏等［26］提出的算法生产2002~2018年大兴安岭北段区域每8 d 30 m分辨率LAI数据集。此算法使用MODIS LAI产品生成时间序列LAI的上包络曲线，并由此构建LAI动态模型；然后利用地表实测LAI数据与Landsat反射率数据构建神经网络模型。将神经网络模型反演得到的高分辨率LAI数据作为LAI观测数据，利用集合卡尔曼滤波方法实时更新动态模型，以生成研究区30 m分辨率时间序列LAI数据集。

3.2　时间序列FPAR产品估算

大兴安岭北段森林FPAR由 FPAR与LAI之间的经验关系计算得到，计算公式如下［27］：

FPAR=1-e-k×LAI

其中：LAI为叶面积指数；e-k×LAI表示光的透过率；k为消光系数；消光系数计算公式如下［28］：

k(θz)=x2+tan2(θz)x+1.774(x+1.182)-0.733

其中：k(θz)表示太阳天顶角为θz时的消光系数；x与叶倾角分布相关。

3.3　NPP遥感估算及趋势分析

3.3.1　NPP遥感估算方法

基于光能利用率和生态生理过程的植被生产力模型MuSyQ-NPP［29-30］先估算总初级生产力（GPP），如公式（5）。在GPP的基础上，扣除植被自养呼吸，得到净初级生产力，如公式（6）：

GPP=LUECI×FPAR×PAR
NPP=GPP-Ra

其中：LUECI为基于晴空指数计算的光能利用率，根据植被类型和晴空指数通过参数优化确定；FPAR为光合有效辐射比率； PAR为光合有效辐射；Ra为自养呼吸消耗的能量。

使用森林清查数据估测的NPP验证NPP遥感估算结果，使用均方根误差（RMSE）来描述两者的差异，RMSE计算公式如下：

RMSE=1n∑i=1nyi-yi^2

其中：yi表示基于森林清查数据估测的NPP；yi^表示基于MuSyQ-NPP模型估算的NPP；n表示验证数据的数量。RMSE越小，估算误差越小。

3.3.2　NPP趋势分析

基于最小二乘法的线性回归模型用来描述2002~2018年大兴安岭北段生长季森林NPP年际变化趋势：

θslope=n∑i=1niNPPi-∑i=1ni∑i=1nNPPin∑i=1ni2-∑i=1ni2

其中：n表示时间序列年数；NPPi表示第i年的NPP值，2002年为第1年。θslope表示NPP长期趋势，其为正值时表示NPP呈现增长趋势；其为负值时则相反。

3.4　森林扰动与NPP

结合2002~2017年大兴安岭北段森林扰动时间序列产品与NPP时间序列产品计算2002~2017年扰动区森林生长季NPP逐年减少量。通过统计扰动年份与其前后一年NPP差值的最大值，得到扰动区森林生长季NPP逐年减少量（NPPdiff），具体计算公式如下：

NPPdiff=MAXNPPi-1-NPPi,NPPi-1-NPPi+1,NPPi-NPPi+1

其中：i表示第i年；2002年为第1年；NPPi-1、NPPi、NPPi+1分别为扰动年份前一年、扰动年份以及扰动年份后一年森林生长季NPP。

4 结果与分析

4.1　模拟NPP验证结果

基于MuSyQ-NPP模型估算的NPP与基于森林资源清查数据估算的NPP对比，验证结果（图3）显示R2为0.219，均方根误差（RMSE）为78.097 g C·m-2·a-1，偏差（Bias）为57.535 g C·m-2·a-1。NPP模型估算值存在一定的高估，但总体上可以较好地模拟大兴安岭北段森林净初级生产力。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   大兴安岭北段植被净初级生产力验证结果

Fig.3   Validation results of vegetation NPP in the North section of the Greater Khingan Mountain


4.2　NPP空间分布特征与年际变化

研究估算了2002~2018年大兴安岭北段森林生长季NPP，由于Landsat 7数据存在条带，未估算2012年LAI和NPP。大兴安岭北段森林生长季NPP多年均值介于160~800 g C·m-2·a-1之间（图4（a）），多分布于400~600 g C·m-2·a-1，与Ge等在该区域估算的NPP结果较为一致［31］。从森林生长季NPP年际变化图中可以看出（图4（b）），2002~2018年森林生长季总NPP呈现出不显著增长趋势，变化率为0.10 Tg C·a-1。分段来看，2002~2008年呈下降趋势，2008~2018年呈增加趋势，最高值出现在2018年，为55.44 Tg C·a-1，最低值出现在2008年，为42.81 Tg C·a-1。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   2002~2018年大兴安岭北段森林生长季NPP

Fig.4   NPP in the forest growth season in the North section of the Greater Khingan Mountain from 2002 to 2018


4.3　森林扰动对NPP的影响分析

4.3.1　森林扰动时间序列产品

2002~2017年大兴安岭北段森林扰动年份空间分布如图5（a）所示。在2003年（紫色区域）、2006年（暗红色区域）和2017年（天蓝色区域）呈现出大片森林受到扰动的特征。通过查询资料发现，2003年5月发生了“金河—根河”特大森林火灾［32］。2006年发生了多起特大森林大火，较大的火场出现在黑龙江大兴安岭地区［33］；2017年内蒙古大兴安岭北部原始林区发生多起火灾［34］，以上森林火灾发生的时间、地理位置与森林扰动产品较为一致。因此，森林大火引起了大兴安岭北段大面积的森林扰动。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   2002~2017年大兴安岭北段森林扰动年份及扰动强度空间分布图

Fig.5   Spatial distribution map of forest disturbance year and intensity in the North section of the Greater Khingan Mountain from 2002 to 2017


2002~2017年大兴安岭北段地区森林扰动强度空间分布如图5（b）所示。扰动强度为扰动前一年的归一化燃烧指数减去扰动年的归一化燃烧指数并乘以1 000，归一化燃烧指数由近红外波段和短波红外波段计算而来［22］。从图5（b）中可以看出，2003年森林扰动强度多在200~600之间，2006年森林扰动强度多在800~1 000的区间， 2017年森林扰动强度多在600~800之间。另外，2010年与2016年的扰动强度也较大。2010年6月大兴安岭林区因雷击引发多起森林火灾，其中最大一处火场位于黑龙江、内蒙古交界处［35］，2016年5月阿里亚林场和阿尼亚林场都发生了森林火灾［33］，过火面积约0.23 km2。火干扰可能是大兴安岭北段森林的主要森林扰动因子。

4.3.2　森林扰动对NPP的影响

经统计2002~2017年大兴安岭北段森林扰动区扰动年生长季NPP减少量、扰动面积、扰动强度如图6所示。从扰动面积分析，在图5（a）中呈现出大范围森林扰动特征的2003年、2006年和2017年，森林扰动面积均较大。2003年扰动面积最大为942.85 km2； 2017年次之，为372.52 km2；2006年扰动面积为266.56 km2。2002年扰动面积为265.98 km2，扰动面积较大但扰动区分散。从扰动强度分析，2006年扰动强度最大，为654，2003年、2010年、2016年、2017年扰动强度也较大，分别为444、498、610、612。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   大兴安岭北段森林扰动对NPP的影响

Fig.6   Effects of forest disturbance on NPP in the North section of the Greater Khingan Mountain


2002~2017年大兴安岭北段森林扰动导致的NPP减少量年平均值为0.01 Tg C /a。其中2003年、2006年和2017年扰动面积和扰动强度均较大，直接导致扰动年NPP分别减少0.11 Tg C，0.03 Tg C和0.03 Tg C，NPP受到森林扰动影响大。2010年与2016年森林扰动强度大但扰动面积小，NPP减少量小。2002年森林扰动面积大但强度小，NPP减少量也较小。面积大且强度大的森林扰动对NPP产生的影响较大。

在发生森林扰动时间较早的区域，使用长时间序列数据分析森林扰动强度对生长季NPP产生的持续影响。2003年、2006和2010年森林扰动区生长季NPP均值年际变化如图7所示。从图中可以看出，2003年森林扰动区受到扰动后，NPP持续低于扰动前一年NPP数值，直到2016年才出现高于扰动前一年（2002年）NPP的情况。2010年森林扰动区受到扰动后，NPP也持续低于扰动前一年NPP数值。然而，2006年森林扰动区受到扰动后，NPP先低于扰动前一年NPP，从2009年就开始出现NPP高于扰动前一年（2005年）NPP的情况，在此之后2013、2016年NPP均高于扰动前一年NPP。2006年比2003年和2010年扰动强度大，但是植被恢复速度最快。从2002~2017年森林扰动强度来看，2003年与2010年森林扰动强度为中低强度，2006年为中高强度。有研究表明中高强度火干扰消灭了上层树木，并允许大量的再生［10］，NPP迅速恢复。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   森林扰动区生长季NPP年际变化

Fig.7   Interannual variation of NPP in the growth season in the forest disturbed areas


5 结论与讨论

研究估算了2002~2018年大兴安岭北段地区30 m空间分辨率森林生长季NPP，并分析了森林扰动对NPP的影响，得到以下结论：

（1）从空间分布上看，2002~2018年大兴安岭北段地区生长季森林NPP介于160~800 g C·m-2·a-1，多分布于400~600 g C·m-2·a-1。从年际变化来看，2002~2018年大兴安岭北段地区生长季森林NPP呈现出不显著增长趋势，变化率为0.10 Tg C·a-1。分段来看，2002~2008年呈下降趋势，2008~2018年呈增加趋势，最高值出现在2018年，为55.44 Tg C·a-1，最低值出现在2008年，为42.81 Tg C·a-1。

（2）在大兴安岭北段地区，森林大火可以引起大面积、高强度的森林扰动，火干扰可能是主要扰动因子。

（3）从受到扰动后的影响看，面积较大且扰动强度较大的森林扰动对NPP产生较大影响。从受到扰动后的持续影响看，中高强度森林扰动区域NPP恢复迅速。

研究中也存在一定的问题：

（1）模型输入数据的精度（高分辨率LAI时间序列产品和土地覆盖产品）影响NPP估算的精度。高分辨率LAI基于改进的集合卡尔曼滤波同化算法生成，该算法在一定程度上平滑了LAI的估算结果，影响NPP时间序列产品的估算。另外，大兴安岭地区长年遭受火干扰，森林过火区会逐渐转变为草地，导致土地覆盖类型发生变化。因此，如果使用土地覆盖动态产品估算时间序列NPP，能够进一步提高数据生产精度。

（2）植被光合作用能力与生长季持续时间显著相关，影响植被生产力的过程［36］。在估算森林生长季NPP时，本文以5月份至10月份为生长季，生长季持续时间未随年份动态变化。研究表明气候变暖导致北半球温带植被春季物候期平均每10 a提前1~3 d［37］。若使用动态的森林生长季长度，能更准确地分析森林扰动对生长季NPP产生的影响。

（3）各种森林扰动之间存在一定的相互作用。例如研究表明森林病虫害和火灾干扰在时空尺度上具有很强的相关性和潜在反馈［38］。由于区分森林扰动类型的产品很少，且病虫害等扰动难以监测［39］，本文未考虑森林扰动相互作用对NPP的影响。若能结合干扰因子类型及其相互作用进行分析，能更准确地评估森林扰动对NPP的影响。

参考文献

WILSON D C， MORIN R S， FRELICH L E， et al.

Monitoring disturbance intervals in forests： A case study of increasing forest disturbance in Minnesota

［J］. Annals of Forest Science， 2019， 76（3）. DOI： 10.1007/s13595-019-0858-3

[本文引用: 1]

ALVAREZl-YEPIZ J C， MARTINEZ-YRIZAR A， FREDERICKSEN T S.

Special issue：Resilience of tropical dry forests to extreme disturbance events

［J］. Forest Ecology and Management，2018，426：1-6. DOI：10.1016/j.foreco. 2018. 05.067

[本文引用: 1]

ANTROPOV O， RAUSTE Y， PRAKS J， et al.

Mapping forest disturbance due to selective logging in the Congo Basin with Radarsat-2 time series

［J］. Remote Sensing， 2021， 13（4）： 1-16. DOI：10.3390/ rs13040740

[本文引用: 1]

DE MARZO T， PFLUGMACHER D， BAUMANN M， et al.

Characterizing forest disturbances across the Argentine Dry Chaco based on Landsat time series

［J］. International Journal of Applied Earth Observation and Geoinformation，2021，98. DOI： 10.1016/j.jag.2021.102310

KONG Y L， HUANG Q Q， WANG C Y， et al.

Long short-term memory neural networks for online disturbance detection in satellite image time series

［J］. Remote Sensing， 2018， 10（3）： 452. DOI： 10.3390/rs10030452

SEBALD J， SENF C， SEIDL R.

Human or natural？ Landscape context improves the attribution of forest disturbances mapped from Landsat in central Europe

［J］. Remote Sensing of Environment，2021，262. DOI：10.1016/j.rse.2021.112502

ZHOU G X， LIU M， LIU X N.

An autoencoder-based model for forest disturbance detection using Landsat time series data

［J］. International Journal of Digital Earth， 2021， 14（9）： 1087-1102. DOI： 10.1080/17538947.2021.1949399

[本文引用: 1]

ADEMOLA O J， VANDEN BROECKE B， LEIRS H， et al.

Effects of forest disturbance on the fitness of an endemic rodent in a biodiversity hotspot

［J］. Ecology and Evolution， 2021， 11（5）： 2391-2401. DOI： 10.1002/ece3.7214

[本文引用: 1]

NEERAJA U V， RAJENDRAKUMAR S， SANEESH C S， et al.

Fire alters diversity， composition， and structure of dry tropical forests in the Eastern Ghats

［J］. Ecology and Evolution， 2021， 11（11）： 6593-6603. DOI： 10.1002/ece3.7514

[本文引用: 1]

WALDROP T A， BROSE P H.

A comparison of fire intensity levels for stand replacement of table mountain pine （pinus pungens Lamb.）

［J］. Forest Ecology and Management， 1999， 113（2-3）：155-166. DOI：10.1016/S0378-1127（98）00422-8

[本文引用: 2]

XU W R， HE H S， HAWBAKER T J， et al.

Estimating burn severity and carbon emissions from a historic megafire in boreal forests of China

［J］. Science of the Total Environment， 2020， 716. DOI： 10.1016/j.scitotenv. 2020.136534

[本文引用: 1]

YUE C， CIAIS P， LUYSSAERT S， et al.

Simulating boreal forest carbon dynamics after stand-replacing fire disturbance： Insights from a global process-based vegetation model

［J］. Biogeosciences，2013，10（12）：8233-8252. DOI： 10.5194/bg-10-8233-2013

ZHAO F， HEALEY S P， HUANG C Q， et al.

Assessing the effects of fire disturbances and timber management on carbon storage in the Greater Yellowstone ecosystem

［J］. Environmental Management，2018，62（4）：766-776. DOI： 10.1007/s 00267-018-1073-y

LI Mingze， WANG Bin， FAN Wenyi， et al.

Simulation of forest net primary production and the effects of fire disturbance in Northeast China

［J］. Chinese Journal of Plant Ecology， 2015， 39（4）： 322-332.

[本文引用: 1]

李明泽，王斌，范文义，等.

东北林区净初级生产力及大兴安岭地区林火干扰影响的模拟研究

［J］.植物生态学报， 2015， 39（4）： 322-332.

[本文引用: 1]

QU Hongjun， SUN Xiaoxin.

Changes of carbon storage of forest ecosystems in

"5. 6" forest fire area in Daxing' an mountains［J］.Journal of Northeast Forestry University，2021，49（1）：112-116.

[本文引用: 1]

屈红军， 孙晓新.

大兴安岭过火区不同森林生态系统碳储量的变化

［J］.东北林业大学学报，2021，49（1）：112-116.

[本文引用: 1]

LIU J， CHEN J M， CIHLAR J， et al.

Net primary productivity distribution in the BOREAS region from a process model using satellite and surface data

［J］. Journal of Geophysical Research-Atmospheres， 1999， 104（D22）： 27735-27754. DOI： 10.1029/1999JD900768

[本文引用: 1]

ZHOU G S， WANG Y H， JIANG Y L， et al.

Estimating biomass and net primary production from forest inventory data： A case study of China’s Larix forests

［J］. Forest Ecology and Management， 2002， 169（1-2）： 149-157. DOI： 10.1016/S0378-1127（02）00305-5

[本文引用: 2]

ZHENG Du. The systematic research of chinese eco-geographical area［M］. Beijing： Commercial Press， 2008.

[本文引用: 2]

郑度. 中国生态地理区域系统研究［M］. 北京： 商务印书馆， 2008.

[本文引用: 2]

WANG Anbin， GAO Lushuang， YANG Jing.

Dynamic of spatial pattern under different fire disturbance intensity in Daxingan mountains

［J］. Journal of North-East Forestry University， 2021， 49（3）： 52-56，66.

[本文引用: 1]

王安彬，高露双，杨晶.

大兴安岭地区火干扰强度与林分空间格局的动态关系

［J］.东北林业大学学报， 2021， 49（3）： 52-56，66.

[本文引用: 1]

ZHANG Shaowei， ZHANG Gongqiao， HUI Gangying.

Analysis of spatial-temporal pattern of forest net primary productivity of the Great Khingan in Inner Mongolia

［J］. Forest Research， 2019， 32（5）： 74-82.

[本文引用: 1]

张少伟， 张弓乔， 惠刚盈.

内蒙古大兴安岭森林净初级生产力时空格局分析

［J］.林业科学研究， 2019， 32（5）： 74-82.

[本文引用: 1]

ZHU Q， ZHAO J J， ZHU Z H， et al.

Remotely sensed estimation of Net Primary Productivity（NPP） and its spatial and temporal variations in the Greater Khingan mountain region， China

［J］. Sustainability，2017，9（7）. DOI：10.3390/su9071213

[本文引用: 1]

LI Ruoyang.

Forest disturbance detection and analysis using time series Landsat images

［D］. Beijing： Beijing Normal University， 2019.

[本文引用: 2]

李若阳.

基于Landsat时间序列遥感数据的森林扰动探测及分析

［D］. 北京： 北京师范大学， 2019.

[本文引用: 2]

HERSBACH H， BELL B， BERRISFORD P， et al.

ERA5 hourly data on single levels from 1979 to present

［EB/OL］.［2022-10-19］.！/dataset/reanalysis-era5-single-levels？tab=form

URL     [本文引用: 1]

LI Shimei， YANG Chuanqiang， WANG Hongnian， et al.

Carbon storage of forest stands in Shandong Province estimated by forestry inventory data

［J］. Chinese Journal of Applied Ecology， 2014， 25（8）： 2215-2220.

[本文引用: 1]

李士美， 杨传强， 王宏年， 等.

基于森林资源清查资料分析山东省森林立木碳储量

［J］. 应用生态学报， 2014， 25（8）： 2215-2220.

[本文引用: 1]

GONG P， WANG J， YU L， et al.

Finer resolution observation and monitoring of global land cover：First mapping results with Landsat TM and ETM+ data

［J］. International Journal of Remote Sensing，2013，34（7）：2607-2654. DOI： 10.1080/01431161.2012.748992

[本文引用: 1]

ZHOU H M， WANG C J， ZHANG G D， et al.

Generating a spatio-temporal complete 30 m leaf area index from field and remote sensing data

［J］. Remote Sensing， 2020， 12（15）： 18. DOI： 10.3390/rs121 52394

[本文引用: 1]

CASANOVA D， EPEMA G F， GOUDRIAAN J.

Monitoring rice reflectance at field level for estimating biomass and LAI

［J］. Field Crops Research， 1998， 55（1-2）： 83-92. DOI： 10.1016/S0378-4290（97）00064-6

[本文引用: 1]

SONG C H， KATUL G， OREN R， et al.

Energy， water， and carbon fluxes in a loblolly pine stand：Results from uniform and gappy canopy models with comparisons to eddy flux data

［J］. Journal of Geophysical Research-Biogeosciences， 2009， 114（G4）. DOI： 10.1029/2009JG000951

[本文引用: 1]

YU T， SUN R， XIAO Z Q， et al.

Estimation of global vegetation productivity from global land surface satellite data

［J］. Remote Sensing，2018，10（2）：20. DOI：10.3390/rs10020327

[本文引用: 1]

WANG J M， SUN R， ZHANG H L， et al.

New global MuSyQ GPP/NPP remote sensing products from 1981 to 2018

［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2021， 14： 5596-5612. DOI： 10.1109/JSTARS.2021.3076075

[本文引用: 1]

GE W Y， DENG L Q， WANG F， et al.

Quantifying the contributions of human activities and climate change to vegetation net primary productivity dynamics in China from 2001 to 2016

［J］. Science of The Total Environment， 2021， 773： 145648. DOI： 10.1016/j.scitotenv.2021.145648

[本文引用: 1]

ZHANG Qiyue， ZHAO Pengwu， ZHOU Mei， et al.

Spatial difference of remote sensing index and land surface remperature in burned area

［J］. Journal of Northeast Forestry University， 2020， 48 （1）： 80-87.

[本文引用: 1]

张岐岳， 赵鹏武， 周梅， 等.

火烧迹地遥感指数与地表温度空间差异性

［J］. 东北林业大学学报， 2020， 48 （1）： 80-87.

[本文引用: 1]

HAN Jingwei， WU Xuehong， SONG Guiying.

Transition precipitation analysis during defend against the Great Xing' an Mountain forest conflagration in Inner Mongolia

［J］. Meteorological Monthly， 2007， 33 （8）： 52-59.

[本文引用: 2]

韩经纬， 吴学宏， 宋桂英.

2006年大兴安岭特大森林火灾防扑火关键期转折性降水特征

［J］.气象， 2007， 33 （8）： 52-59.

[本文引用: 2]

LU Xi.

More than 2000 people in Inner Mongolia put out several fires in the Greater Khingan Mountain， and the prairie fire on the border between China and Mongolia was extinguished

［EB/OL］. （2017-07-05）［2022-10-19］.）

URL     [本文引用: 1]

陆茜.

内蒙古两千余人扑救大兴安岭多起火灾 中蒙边境草原大火熄灭

［EB/OL］.（2017-07-05）［2022-10-19］..

URL     [本文引用: 1]

XIAO Leitao.

More than 5300 offivers and soldiers saved the Greater Khingan Mountain fire at 11 fire sites

［EB/OL］.（2010-06-30）［2022-10-19］.）

URL     [本文引用: 1]

肖磊涛. 5300余名森警官兵在11

个火场扑救大兴安岭火灾

［EB/OL］.（2010-06-30）［2022-10-19］..

URL     [本文引用: 1]

ZHOU Yuke.

Analysis of controlling factors for vegetation productivity in Northeast China

［J］. Acta Geographica Sinica， 2020， 75（1）： 53-67.

[本文引用: 1]

周玉科.

中国东北地区植被生产力控制因素分析

［J］.地理学报， 2020， 75（1）： 53-67.

[本文引用: 1]

BERTIN R I.

Plant phenology and distribution in relation to recent climate change

［J］. Journal of the Torrey Botanical Society， 2008， 135（1）： 126-146. DOI： 10.3159/07-RP-035R.1

[本文引用: 1]

BAI M， WANG X， YAO Q， et al.

ENSO modulates interaction between forest insect and fire disturbances in China

［J］. Natural Hazards Research，2022，2（2）：138-146. DOI：10. 1016/j.nhres.2022.04.001

[本文引用: 1]

WANG Ning， YUE Cairong， LUO Hongbin，et al.

Review on forest disturbance detection methods by remote sensing

［J］. World Forestry Research，2022，35（4）：40-46.

[本文引用: 1]

王宁，岳彩荣，罗洪斌，等.

森林扰动遥感影像检测方法研究进展

［J］.世界林业研究，2022，35（4）：40-46.

[本文引用: 1]

/

〈 〉