山体基面高度对欧亚大陆东南部林线分布的影响——山体效应定量化研究

根据收集到173个林线数据,采用纬度、经度和基面高度的三元一次方程拟合欧亚大陆东南部林线分布,计算各自的标准回归系数和贡献率,以此来确定山体基面高度(山体效应的简明表达形式)对林线分布高度的影响。结果表明,纬度、经度和山体基面高度对林线分布高度的贡献率分别为30.60%、26.53%、42.87%。以北纬32o为界线,对其以北、以南区域也分别进行了分析,基面高度的贡献率达到24.10%和39.11%。分析不同尺度和区域山体基面高度作用于林线的贡献率不难发现:在欧亚大陆东南部以基面高度代表的山体效应对于林线高度的影响显著,明显地超过了纬度和经度。基面高度的作用受气候条件和海陆位置影响较小,不论大陆内部或沿海,基面高度分异对山地垂直带分异的影响都相对独立和稳定。该结果定量地表明了山体效应对林线分布高度的重要作用。     

山体基面高度对青藏高原及其周边地区雪线空间分布的影响

山体效应是地理地带性之外,在大尺度上影响垂直带分布的主要因素,山体基面高度则是山体效应的第一影响因子。青藏高原及其周边地区,雪线呈现出中心高、周围低,与山体基面高度相一致的环状分布模式。为分析山体基面高度对雪线分布的影响,本文共收集青藏高原及周边地区雪线数据142个,采用纬度、经度和基面高度为自变量的三元一次方程拟合研究区雪线分布,计算各自的标准回归系数和相对贡献率,再将基面高度划分成5个子集（0~1000 m、1001~2000 m、2001~3000 m、3001~4000 m和4001~5000 m）,分析基面高度不同的山地对雪线的影响差异。结果表明：① 在青藏高原,纬度、经度和基面高度对雪线高度分布的相对贡献率分别为51.49%、16.31%和32.20%;② 随着基面高度的增高,各子集模型的决定系数虽有逐渐降低的趋势,但仍保持在较高的值域（R²=0.895~0.668）,说明模型的有效性;③ 随基面高度的抬升,纬度和山体基面高度对雪线分布高度的相对贡献率分别表现出降低（92.6%~48.99%,R²=0.855）和增大（3.33%~31.76%,R²=0.582）的趋势,表明基面高度越高,其对雪线分布高度的影响越大。     

阿尔卑斯山山体效应及其对林线的影响分析

阿尔卑斯山是欧亚大陆上著名的山地,对欧洲的地理生态格局具有重要的影响。山体效应产生的原因在于隆起的高原或山地吸收了更多的太阳辐射。因此,论文以阿尔卑斯山为研究对象,利用收集到的气象台站观测数据、林线、数字高程数据,以及基于半球视域算法计算得到的太阳辐射数据等,分析阿尔卑斯山气温的空间分布格局以及最热月、最冷月、全年的太阳辐射量,同时以太阳辐射作为山体效应的代用因子,采用逐步回归分析方法构建了阿尔卑斯山林线分布模型,探究该山地的山体效应及其对林线的影响。研究结果表明：① 阿尔卑斯山具有明显的山体效应,山体内部的太阳辐射量远高于山体边缘地区,这也是山体内部气温和林线高度都高于山体边缘地区的主要原因。最热月、最冷月和全年总太阳辐射量在山体内部比边缘地区分别高10~20、20~40和200~400 kWh/m²。② 太阳辐射能更好地定量化山体效应,以太阳辐射为山体效应代用因子建立的林线分布模型具有更高的精度。与基于气温、降水构建的林线分布模型(R²= 0.522)相比,该模型具有更高的模拟精度(R² = 0.736),同时太阳辐射对林线分布的贡献率最大(1月、7月太阳辐射的贡献率分别为34.75%、27.82%),超过了气温和降水的贡献率(分别为26.24%和11.17%)。     

科罗拉多落基山脉山体效应定量化研究

落基山脉作为北美最大的内陆山地,其山体效应对林线分布具有很大影响,导致林线海拔远高于周围内陆山体及其他海岸山地。然而,以往落基山脉山体效应研究多集中于定性研究,但是山体效应如何量化,如何根据落基山脉的地形气候条件构建区域山体效应的定量化模型,目前鲜有研究。通过分析台站处山体增温及量化落基山脉山体效应的影响因子,并计算最热月均温10℃等温线的海拔高度,来定量化地估算科罗拉多落基山脉山体效应值大小及其对林线分布的影响。结果表明:(1)用山体增温值表示山体效应大小是合理且比较理想的指标。科罗拉多落基山脉增温显著,所有台站的增温均值为2.07℃,增温幅度为0.78~4.29℃。(2)科罗拉多落基山脉山体效应的主要影响因素为山体基面高度和降水大陆度,二者与山体增温构建的线性拟合模型具有较高的解释能力,判定系数高达71.2%。(3)科罗拉多落基山脉不同纬度带山体内外最热月10℃等温线分布高度对比表明,山体内部理想林线高度均高于山体外部的理想林线分布,内外分布差异为400~700 m。定量分析科罗拉多落基山脉的山体效应模型,优化了区域尺度的山体效应模型精度,有助于深入认识山体效应及其对垂直带分布的影响。     

山体基面高度对青藏高原及其周边地区雪线空间分布的影响简

山体效应是地理地带性之外,在大尺度上影响垂直带分布的主要因素,山体基面高度则是山体效应的第一影响因子。青藏高原及其周边地区,雪线呈现出中心高、周围低,与山体基面高度相一致的环状分布模式。为分析山体基面高度对雪线分布的影响,本文共收集青藏高原及周边地区雪线数据142个,采用纬度、经度和基面高度为自变量的三元一次方程拟合研究区雪线分布,计算各自的标准回归系数和相对贡献率,再将基面高度划分成5个子集（0~1000 m、1001~2000 m、2001~3000 m、3001~4000 m和4001~5000 m）,分析基面高度不同的山地对雪线的影响差异。结果表明：① 在青藏高原,纬度、经度和基面高度对雪线高度分布的相对贡献率分别为51.49%、16.31%和32.20%;② 随着基面高度的增高,各子集模型的决定系数虽有逐渐降低的趋势,但仍保持在较高的值域（R²=0.895~0.668）,说明模型的有效性;③ 随基面高度的抬升,纬度和山体基面高度对雪线分布高度的相对贡献率分别表现出降低（92.6%~48.99%,R²=0.855）和增大（3.33%~31.76%,R²=0.582）的趋势,表明基面高度越高,其对雪线分布高度的影响越大。     

山体效应对台湾常绿阔叶林分布上限的影响

山体效应使山体内部的垂直植被带相对升高,影响山地的立体生态格局.台湾岛中央山脉在3500m以上,山地植被的分布高度不仅受到纬度和季风的影响,也必然受到山体效应的影响.采用台湾生物多样性信息中心发布的数据,利用多元线性回归模型分析纬度、山体效应(以山体基面高度为简单量化指标)以及季风(以冬雨量占全年降水量百分比为简明代表)对台湾常绿阔叶林分布上限的影响.结果表明,纬度、山体效应和季风为自变量的线性回归模型R2为0.562,回归方程显著,具有统计学意义,三个变量的贡献率分别为26.32％、64.12％与9.56％.这表明山体效应对台湾山地垂直带的影响非常显著,远远超过了纬度与季风的作用.同时还发现,冬雨量与垂直带分布高度的相关性以24.13°N为界,南北完全相反.该纬度以南,冬雨量与垂直带分布高度呈现较强的正相关性;而在以北,正相关性显著下降甚至出现了一定的负相关.后者应该与冬雨量过多有密切关系.     

青藏高原山体效应的遥感估算及其生态效应分析

山体效应是隆起的山体所产生的热力效应,其结果之一就是相同垂直带界限自外围向内部有升高的趋势。本文结合MOD11C3地表温度产品和地面144个气象台站实测气象数据,估算青藏高原内外相同高度上的温差(也即高原山体效应值)。具体结论如下:(1)最大温差(10.04℃~11.70℃)出现在高原中南部,即雅鲁藏布江以北藏北高原以南。由此为核心向北、向东、向西均逐渐减小;(2)数据点上同高度内外温差与局部基面高度有紧密关系,基面高度每抬升100 m,温差增加约0.051℃,并有加速增大的趋势;(3)山体基面高度与山体效应存在明显的线性关系,其决定系数R2高达0.5306。但山体基面高度最高的区域山体效应并非最大,说明还有其他因子影响山体效应的大小,可能的因子包括大气湿度、纬度、地形开阔程度等,在建立山体效应数字模型时必须加以考虑;(4)高原山体效应对雪线分布高度的抬升作用更甚于其对林线。山体效应估值最大的区域,分布着6 000 m以上极高雪线;最高林线(4 900 m)分布于本研究中山体效应估算值较低的相对多雨区,因为林线的发育还要求一定的降水量。     

青藏高原和阿尔卑斯山山体效应的对比研究

山体效应不仅对气候产生重大影响,也对区域地理生态格局有深远影响,尤其是它对山地垂直带分布和结构类型等的影响已经为地理学家和地植物学家所认识。目前相关研究主要集中在山体效应定量化方面,缺少不同山地山体效应的对比研究,因此对山体效应的区域差异性了解不足。本文选择欧亚大陆上具有明显山体效应的两个山地青藏高原和阿尔卑斯山为研究对象,利用收集到的气象台站观测数据、林线和DEM数据以及基于MODIS地表温度估算的青藏高原和阿尔卑斯山气温数据等,通过对比分析青藏高原与阿尔卑斯山相同海拔高度上的气温以及林线分布高度等来探讨两个山地的山体效应差异性。分析结果表明青藏高原的山体效应比阿尔卑斯山更为强烈,表现为：① 由于山体效应影响,在相同海拔高度上（4500 m）,青藏高原内部气温远高于阿尔卑斯山的气温,尤其是在最热月高原内部气温比阿尔卑斯山内部气温高10~15℃,在最冷月高原内部气温比阿尔卑斯山内部气温高5~10℃。② 由于山体效应影响,青藏高原内部林线也远高于阿尔卑斯山内部林线,约高2000~3000 m。本研究将为山体效应的影响因素分析奠定基础,同时对于揭示欧亚大陆山地生态系统格局具有一定的科学意义。     

基于云模型的白马雪山和博格达山林线与树线分布高度及影响因素的比较分析北大核心CSCD

林线作为重要的地理和生态界线,备受国内外学者的关注。然而林线和树线之间的过渡区内不同类型的植被斑块交错分布,呈现一定的随机性,导致林线和树线的分布界线也具有一定的模糊性。目前大多数研究将林线/树线简化为连续变化的曲线,难以表达和分析林线与树线的模糊性和过渡区内不同类型植被斑块分布的随机性。本研究采用复合高程信息的NDVI数据提取白马雪山和博格达山林线与树线数据点,构建林线与树线分布高度云模型,定量分析林线和树线分布的不确定性,在此基础上比较白马雪山与博格达山林线与树线影响因素的差异。主要结论:①构建了白马雪山和博格达山林线/树线分布高度云模型,以林线、树线分布高度云模型用期望(Ex)、熵(En)、超熵(He)3个数字特征来表达林线、树线分布的整体特性。②博格达山林线与树线分布高度云模型的熵(林线410.71 m、树线597.32 m)和超熵(林线66.22 m、树线280.86 m)大于白马雪山(熵:林线182.33 m、树线193.96 m;超熵:林线56.26 m、树线65.86 m),即博格达山林线与树线分布的不确定性高于白马雪山。③干燥度是白马雪山林线与树线分布高度贡献率最高的影响因素(50.26%、44.11%),其次是7月均温(12.76%、17.93%)和积雪效应(23.97%、11.48%),而博格达山林线与树线分布高度贡献率最高的影响因素是7月均温(48.15%、60.59%),其次是干燥度(28.57%、17.67%)。两地林线和树线分布的主导因素明显差异。本研究以白马雪山和博格达山林线与树线分布高度云模型的数字特征,表达林线和树线分布的模糊性和随机性,并比较分析两地林线与树线影响因素的差异,为精细分析垂直带分布的复杂性、定量分析垂直带影响因子的尺度变化和空间分异,提供了新的角度和方法。     

基于MODIS积雪产品的高亚洲融雪末期雪线高度遥感监测

以2001—2016年逐日MODIS积雪产品为主要数据源,在高亚洲区域发展了大尺度融雪末期雪线高度的遥感提取方法,并对其2001—2016年的时空变化特征进行了分析。提取方法首先对逐日的MODIS积雪覆盖率产品进行去云处理,获得积雪覆盖日数（SCD）数据集;并用冰川年物质平衡观测数据、融雪末期Landsat数据对提取终年积雪的MODIS SCD阈值进行率定;最后以MODIS SCD提取的终年积雪面积结合地形“面积—高程”曲线实现大尺度融雪末期雪线高度信息的提取。结果表明：① 高亚洲融雪末期雪线高度的空间异质性较强,总体上呈南高北低的纬度地带性分布规律;并因受山体效应的影响,雪线高度由高海拔地区向四周呈环形逐渐降低的特点。② 高亚洲2001—2016年融雪末期雪线高度总体上表现为明显的增加趋势。在744个30 km的监测格网中,24.2%的格网雪线高度呈显著增加,而仅0.9%的格网呈显著下降。除兴都库什、西喜马拉雅外,其他地区雪线高度均表现为升高趋势,显著上升的地区主要分布在天山、喜马拉雅中东部和念青唐古拉山等,其中以东喜马拉雅升高最为显著（8.52 m yr ^-1）。③ 夏季气温是影响高亚洲融雪末期雪线高度变化的主要因素,两者具有显著的正相关关系（R = 0.64,P < 0.01）。     

山体效应对北半球林线分布的影响(英文)

Alpine timberline, as the "ecological transition zone," has long attracted the attention of scientists in many fields, especially in recent years. Many unitary and dibasic fitting models have been developed to explore the relationship between timberline elevation and latitude or temperature. However, these models are usually on regional scale and could not be applied to other regions; on the other hand, hemispherical-scale and continental-scale models are usually based on about 100 timberline data and are necessarily low in precision. The present article collects 516 data sites of timberline, and takes latitude, continentality and mass elevation effect(MEE) as independent variables and timberline elevation as dependent variable to develop a ternary linear regression model. Continentality is calculated using the meteorological data released by WorldClim and mountain base elevation(as a proxy of mass elevation effect) is extracted on the basis of SRTM 90-meter resolution elevation data. The results show that the coefficient of determination(R2) of the linear model is as high as 0.904, and that the contribution rate of latitude, continentality and MEE to timberline elevation is 45.02%(p=0.000), 6.04%(p=0.000) and 48.94%(p=0.000), respectively. This means that MEE is simply the primary factor contributing to the elevation distribution of timberline on the continental and hemispherical scales. The contribution rate of MEE to timberline altitude differs in different regions, e.g., 50.49%(p=0.000) in North America, 48.73%(p=0.000) in the eastern Eurasia, and 43.6%(p=0.000) in the western Eurasia, but it is usually very high.     

A study of the contribution of mass elevation effect to the altitudinal distribution of timberline in the Northern Hemisphere简

Alpine timberline, as the ＂ecologica tion of scientists in many fields, especially in transition zone,＂ has long attracted the atten- recent years. Many unitary and dibasic fitting models have been developed to explore the relationship between timberline elevation and latitude or temperature. However, these models are usually on regional scale and could not be applied to other regions; on the other hand, hemispherical-scale and continental-scale models are usually based on about 100 timberline data and are necessarily low in precision. The present article collects 516 data sites of timberline, and takes latitude, continentality and mass elevation effect （MEE） as independent variables and timberline elevation as dependent variable to develop a ternary linear regression meteorological data released by WorldClim and model. Continentality is calculated using the mountain base elevation （as a proxy of mass elevation effect） is extracted on the basis of SRTM 90-meter resolution elevation data. The results show that the coefficient of determination （R2） of the linear model is as high as 0.904, and that the contribution rate of latitude, continentality and MEE to timberline elevation is 45.02% （p=0.000）, 6.04% （p=0.000） and 48.94% （p=0.000）, respectively. This means that MEE is simply the primary factor contributing to the elevation distribution of timberline on the continental and hemispherical scales. The contribution rate of MEE to timberline altitude dif- fers in different regions, e.g., 50.49% （p=0.000） in North America, 48.73% （p=0.000） in the eastern Eurasia, and 43.6% （p=0.000） in the western Eurasia, but it is usually very high.     

山体效应及其对林线分布的影响(英文)

The concept of mass elevation effect(massenerhebungseffect,MEE) was intro-duced by A.de Quervain about 100 years ago to account for the observed tendency for temperature-related parameters such as tree line and snowline to occur at higher elevations in the central Alps than on their outer margins.It also has been widely observed in other ar-eas of the world,but there have not been significant,let alone quantitative,researches on this phenomenon.Especially,it has been usually completely neglected in developing fitting mod-els of timberline elevation,with only longitude or latitude considered as impacting factors.This paper tries to quantify the contribution of MEE to timberline elevation.Considering that the more extensive the land mass and especially the higher the mountain base in the interior of land mass,the greater the mass elevation effect,this paper takes mountain base elevation(MBE) as the magnitude of MEE.We collect 157 data points of timberline elevation,and use their latitude,longitude and MBE as independent variables to build a multiple linear regres-sion equation for timberline elevation in the southeastern Eurasian continent.The results turn out that the contribution of latitude,longitude and MBE to timberline altitude reach 25.11%,29.43%,and 45.46%,respectively.North of northern latitude 32°,the three factors’ contribu-tion amount to 48.50%,24.04%,and 27.46%,respectively;to the south,their contribution is 13.01%,48.33%,and 38.66%,respectively.This means that MBE,serving as a proxy indi-cator of MEE,is a significant factor determining the elevation of alpine timberline.Compared with other factors,it is more stable and independent in affecting timberline elevation.Of course,the magnitude of the actual MEE is certainly determined by other factors,including mountain area and height,the distance to the edge of a land mass,the structures of the mountains nearby.These factors need to be included in the study of MEE quantification in the future.This paper could help build up a high-accuracy and multi-scale elevation model for alpine timberline and even other altitudinal belts.     

Implications of mass elevation effect for the altitudinal patterns of global ecology

The varied altitudinal gradient of climate and vegetation is further complicated by mass elevation effect (MEE), especially in high and extensive mountain regions. However, this effect and its implications for mountain altitudinal belts have not been well studied until recently. This paper provides an overview of the research carried out in the past 5 years. MEE is virtually the heating effect of mountain massifs and can be defined as the temperature difference on a given elevation between inside and outside of a mountain mass. It can be digitally modelled with three factors of intra-mountain base elevation (MBE), latitude and hygrometric continentality; MBE usually acts as the primary factor for the magnitude of MEE and, to a great extent, could represent MEE. MEE leads to higher treelines in the interior than in the outside of mountain masses. It makes montane forests to grow at 4800–4900 m and snowlines to develop at about 6000 m in the southern Tibetan Plateau and the central Andes, and large areas of forests to live above 3500 m in a lot of high mountains of the world. The altitudinal distribution of global treelines can be modelled with high precision when taking into account MEE and the result shows that MEE contributes the most to treeline distribution pattern. Without MEE, forests could only develop upmost to about 3500 m above sea level and the world ecological pattern would be much simpler. The quantification of MEE should be further improved with higher resolution data and its global implications are to be further revealed.     

岷江上游林树下线地理分布格局及其空间移动特征

林树下线是干旱河谷背景下一种特殊的地理生态现象,针对林树下线的定位和比对研究是揭示山地环境自然变化过程与人类活动环境效应的有效途径之一。选取岷江上游林树下线为研究对象,采用遥感和GIS聚类分析方法,基于1999-2009年两个时期、聚落区和非聚落区两类区域的比对研究,揭示林树下线的空间分异特征及其移动规律。结果表明：① 林树下线分布具有集聚性特征,主要分布于海拔1400~3800 m V型河谷谷肩上部,这一特征与山区降水随海拔升高的梯度变化相适应;② 6°~15°坡度是林树下线分布的峰值,林树下线随着坡度递增分布明显减少;③ 林树下线坡向分异显著,平均高程表现为南坡高于北坡、东坡高于西坡,最小值为西北方向,源于阴坡水分/湿度更适于植被生长;④ 聚落区林树下线10年间向低海拔空间移动达108.6 m,而非聚落区仅为38 m,这一结果可为定量评估1999年起实施的退耕还林等生态建设工程成效提供科学判据。     

藏北高原土壤温度分布的纬向效应和高度效应

利用ＧＡＭＥ－Ｔｉｂｅｔ野外观测期间所得藏北高原不同地点土壤温度资料,对藏北高原土壤温度分布纬向地带性和垂直地带性特征进行分析,结果表明夏季土壤温度分布主要表现为高度效应,而冬季土壤温度分布主要表现为纬度效应,年平均土壤温度分布是纬度效应和高度效应综合作用的结果。