2021-4-9 | 森林保护论文
作者：徐婷 李明阳 吴文浩 单位：南京林业大学森林资源与环境学院 句容市农业委员会
本研究以句容市下蜀镇2006年森林资源二类调查数据为主要信息源，以地理信息系统软件ArcGIS、统计分析软件SPSS为挖掘工具，通过主成分分析和聚类分析，揭示森林资源调查数据库中隐含的森林健康空间分布规律、森林健康与生态环境因子间的量化关系等知识，以期为面向森林可持续经营指标的森林资源空间数据挖掘探索出一条科学适用的技术路线。
1研究区域概况
下蜀镇位于江苏省句容市北部，宝华山东侧，地理范围为东经119°4'23″～119°15'4″，北纬32°4'23″～32°12'29″，土地面积160km2，人口6.3万人。地处长江三角洲，是长江南岸的经济重镇，是江苏省句容市唯一的沿江镇，拥有3.5km长的长江深水岸线，位于佛教圣地“律宗第一名下蜀镇山”宝华山脚下，东离古城镇江30km，西距古都南京35km，在上海经济辐射区边缘，南京都市区规划圈内。下蜀镇自然条件得天独厚，属北亚热带季风气候，四季分明，雨水充沛，日照充足，年降水量1105km，年均温15.1℃，年均日照时间2018h，年均无霜期229d。下蜀镇境内多低山丘陵，地势高低不平，总体呈现南高北低趋势，南部依偎宝华山，中部为低山丘陵，北部依靠长江，地势平坦。水陆交通发达，矿藏资源丰富。长江黄金水道、宁镇公路、312国道、沪宁铁路横贯东西;句蜀公路、新大公路纵申南北，交织成网;大道河、便民河直通长江。工业经济基础较好，已逐步形成了建材、化工、服装、机械四大工业类项。下蜀镇用材林树种有水杉(Metasequoiaglyptrobides)、马尾松(Pinusmassoniana)、棣棠(Kerriajaponica)等，经济林树种有油桐(Verniciafordii)、板栗(Casta-neamollissima)、青梅木(mangachagpoiBlanco)、葡萄(Vitisvinifera)、柿树(Diospyroskaki)、桃树(Prunuspersica)等270多种，形成了“南林北菜”的农业发展格局。
2数据来源及研究方法
2.1数据来源及预处理研究所用的主要数据有:1)下蜀镇2006年二类调查固定样地空间数据库，包括1216个小班，其中小班的属性表除了包括地类、林种、树种、平均胸径、平均树高、单位蓄积等常规调查因子外，还增加了森林健康调查因子;2)2006年下蜀镇遥感卫星SPOT5数据包(全色+多光谱)，全色波段空间分辨率为2.5m，多光谱波段空间分辨率为10m;3)地理要素的矢量文件，根据融合后的SPOT5遥感图像生成的包含居民地、交通干线(国道、省道、铁路)的矢量文件;4)根据下蜀镇1∶10000地形图制作的研究地区数字高程模型(DEM)，空间分辨率为3.3m。根据相关文献可知［3－8］，森林健康与林分单位面积蓄积量、平均高度、平均胸径、平均年龄等林分调查因子有关，与林分所处的坡度、海拔、坡向等地形因子有关，并受到与居民点距离大小、离道路远近等人类干扰因子的影响。利用Erdas9.2进行卫星图像预处理、全色波段与多光谱波段的空间分辨率融合、自然色彩变换、空间子集运算。在此基础上，借助GIS平台对获取的森林资源二类调查的原始小班数据进行预处理，选取与森林健康有关因子。首先，通过ArcGIS中的FeaturetoPoint工具，将1216个片林小班数据多边形文件转换成矢量文件;其次，利用其SpatialAnalyst的表面分析工具，生成研究区域海拔、坡度、坡位3个栅格图层;第三，通过Arc-GIS9.3鼠标屏幕跟踪生成道路、居民点图层，并进行缓冲分析生成道路、居民地缓冲图层;最后利用GIS平台上外挂式分析工具HawthTools中的Inter-sectPointTool，分别与道路缓冲区、居民点缓冲区、海拔、坡度、坡位栅格图层相交，生成距道路距离、距居民点距离、坡度、海拔、坡5个新的属性特征。在最后生成的空间数据库中，包含森林健康、6个林分因子(单位面积蓄积量、平均树高、平均胸径、平均年龄、植被覆盖度、植被高度)，3个地形因子(坡度、海拔、坡位)，2个人类干扰因子(居民点距离大小、离道路远近)，共计12个属性。
2.2主成分分析主成分分析法(Principalcomponentanalysis(PCA))是通过构造原评价指标的综合指标用以代替原指标进行评估的方法。主成分之间是相互独立的，通常少数几个主成分就能在很大程度上反映原有指标提供的信息，这些主成分被称作主成分向量。主成分分析法一方面能消除重叠的信息，另一方面又起到降维的作用。通过对主成分中各指标系数的分析，确定每一主成分所综合的意义［9］。
2.3聚类分析聚类分析(ClusterAnalysis)是根据事物本身的特性研究个体分类的方法。聚类分析的原则是同一类中的个体有较大的相似性，不同类的个体差异很大，将性质相近的归为一类，将性质差别较大的归入不同的类。当要聚成的类数已知时，使用快速聚类过程可以很快将观测量分到各类中去，其特点是处理速度快，占用内存少。快速聚类适用于大样本的聚类分析，它能快速地把各观测量分到各类中去。本研究采用K－MeansCluster执行快速样本聚类，使用k均值分类法对观测量进行聚类。K－MeansCluster不仅是快速样本聚类过程，而且是一种逐步聚类分析。所谓逐步聚类分析就是先把被聚对象进行初始分类，然后逐步调整得到最终分类。
3结果与分析
3.1主成分分析首先分析与森林健康有关的11个生态因子的相关性。KMO检验用于比较观测相关系数值与偏相关系数值的一个指标，KMO的值越逼近1，表明对这些变量进行因子分析的效果越好，一般偏相关性大于0.9时相关性最佳，0.7以上可以接受，0.5以下不宜做因子分析。论文中KMO值为0.767，因此可以做因子分析。Bartlett球形检验是检验相关阵是否是单位阵，经Bartlett检验表明，Bartlett值为5153.190，Bartlett球形检验统计量的sig＜0.01，由此否定相关矩阵是一个单位矩阵的零假设，即认为各变量间存在相关性。因子载荷是变量与公共因子的相关系数，对于一个变量来说，载荷因子绝对值较大的因子与它的关系更密切，也更能代表这个变量。因此，从表1中可知，3个因子反映了主载荷变量的信息。根据公因子内各个变量特点，给每个公因子命名如下:①森林活力因子，最重要的变量，解释总方差的37.979%，主要包含4个变量信息，即平均树高、平均胸径、活立木蓄积、平均年龄;②森林环境胁迫因子，解释总方差的23.234%，主要包含5个变量信息，即坡度、海拔、坡向、距道路距离、距居民点距离;③森林组织结构因子，解释总方差的14.242%，主要包含2个变量信息，即植被覆盖度、植被高度。将主成分分析的结果与GIS平台中片林小班数据属性表进行连接，结合片林小班数据将主成分分析的结果利用GIS平台表达出来，绘制出3个公因子分布图(图1、图2、图3)。