青海省祁连县高寒草甸草原土壤有机碳分布特征

为了评价青海省祁连县高寒草甸草原有机碳的分布特征,本研究以祁连县海拔2 963-3 392m范围内高寒草甸草原为研究对象,采用野外调查取样结合室内分析的方法,分析了祁连县高寒草甸草原0-50cm土层土壤有机碳的分布规律。结果表明,土壤有机碳含量随着土层深度的增加而显著减少(P0.01),表现为0-1010-2020-3030-4040-50cm;土壤有机碳密度和土壤有机碳储量同土壤有机碳含量分布有相同的趋势;土壤有机碳与地上生物量和植被盖度呈极显著(P0.01)正相关关系,表明土壤有机碳含量随着盖度和地上生物量的增加而增加。土壤有机碳含量与土壤容重呈极显著(P0.01)负相关关系;相反,随着土层深度的增加,土壤含水量逐渐减少,土壤有机碳含量与土壤含水量呈极显著(P0.01)正相关。     

高寒草甸冷季牧场不同休牧期对土壤种子库的影响

为明晰青藏高原高寒草甸冷季牧场的适宜休牧期,在东祁连山天祝高寒草甸设置了土壤解冻临界期—牧草枯黄期(RP1)、土壤解冻后期—牧草枯黄期(RP2)、牧草返青初期—牧草枯黄期(RP3)、牧草返青后期—牧草枯黄期(RP4)和当地传统休牧(优势牧草高5 cm—牧草枯黄期)(RP5)5个休牧期,研究了土壤种子库的物种组成、密度、多样性及其与地上植被的关系。结果表明：供试土壤种子库中共萌发27种植物,分属12科23属;5个休牧期土壤种子库密度表现为RP1(2 136.67粒·m^-2)>RP2(1 983.33粒·m^-2)>RP3(1 576.67粒·m^-2)>RP4(1 220粒·m^-2)>RP5(863.33粒·m^-2);香农-威纳指数和辛普森多样性指数在RP1休牧土壤种子库中较高,Pielou均匀度指数在RP5中最高;5个休牧期土壤种子库与地上植被的Sorensen相似性指数在0.38～0.49,其中RP1休牧与地上植被的相似性最高。综上,土壤解冻临界期—牧草枯黄期休牧更有利于土壤储备植物种子,增加草地的抗干扰能力。     

青藏高原高寒草甸六种杂类草植物种子萌发期抗旱性研究

为了明晰种子萌发期干旱耐受性与种子相关性状的关系,本研究采用聚乙二醇(Polyethylene glycol,PEG)模拟干旱胁迫的方法对六种高寒草甸杂类草植物种子在不同程度干旱胁迫下的萌发率变化,以及种子大小、萌发率和系统发育距离与萌发干旱耐受性的关系进行了研究。结果表明,随着PEG浓度的增加,种子萌发率呈降低趋势;较低浓度PEG对半抱茎葶苈(Draba subamplexicaulis)、尼泊尔蝇子草(Silene nepalensis)、蓬子菜(Galium verum)种子萌发具有显著的抑制作用;较高浓度PEG对六种杂类草种子萌发均有显著的抑制作用。种子大小与萌发干旱耐受性正相关,即随着种子大小的增加,种子萌发阶段的抗旱性增加;而萌发率和系统发育距离与萌发干旱耐受性无相关性。综上,可以优先考虑大种子物种作为退化草地恢复中抗旱物种。     

不同养分添加对高寒植物功能性状的影响

为研究不同养分添加下高寒植物功能性状的变化情况,预测大气氮、磷沉降加剧背景下植物功能性状的演变趋势,本试验分析了高低浓度梯度氮、磷养分添加对青海省门源县典型高寒草甸10种常见物种功能性状的影响。结果表明:氮单独添加和氮、磷交互作用对所测6种功能性状均无显著影响;磷单独添加和高磷单独添加分别对比叶面积、叶干物质含量影响显著(P<0.05),对其余功能性状无显著影响;氮、磷混合添加显著影响了除地上生物量外5种功能性状(P<0.05);大部分物种对氮、磷单独添加不敏感,氮、磷混合添加对除甘肃棘豆(Oxytropis kansuensis)和美丽风毛菊(Saussurea pulchra)外的8种植物多种功能性状影响显著(P<0.05)。本研究表明大气氮、磷沉降持续加剧可能会使高寒植物高度增加、叶片变大变薄,茎密度减小,地上生物量变化不明显或仅略微增加。     

基于STARFM的草地地上生物量遥感估测研究——以甘肃省夏河县桑科草原为例

遥感数据具有实时、动态、大范围等特点,在草地资源监测与管理研究中获得了广泛应用。然而,单一的遥感植被指数无法同时满足草地地上生物量观测中时空分辨率的需求。因此,本研究基于时间序列Landsat NDVI和MODIS NDVI数据,结合时空融合算法（spatial and temporal adaptive reflectance fusion model, STARFM）,生成了2000-2016年高时空分辨率的植被指数数据集（NDVI_STARFM,时间分辨率为16 d,空间分辨率为30 m）,并基于2013-2016年地面实测草地地上生物量数据,构建了夏河县桑科草原高寒草地地上生物量遥感反演模型,分析了2000-2016年研究区草地地上生物量生长状况和变化趋势。结果表明：1）基于NDVI_STARFM的最优估测模型为乘幂模型,其R²为0.58,均方根误差（root mean square error, RMSE）为795.62 kg·hm^-2,模型的表现能力次于Landsat NDVI最优估测模型（R²=0.76,RMSE=634.83 kg·hm^-2）,而优于MODIS NDVI最优估测模型（R²=0.24,RMSE=937.79 kg·hm^-2）;2）基于NDVI_STARFM最优估测模型对各样区草地地上生物量总产的估测精度优于MODIS NDVI而次于Landsat NDVI,总体精度达84.05%;3）2000-2016年来,夏河县研究区草地地上生物量总体呈现增加趋势,其中90%左右的区域年增量大于30 kg·hm^-2,草地地上生物量呈现减少趋势的区域仅占2.30%。     

青藏高原东北边缘云杉-冷杉林火烧迹地不同坡向植物群落结构与多样性研究

采用野外调查与植物群落相似性分析,研究了青藏高原东北边缘云杉-冷杉林火烧迹地不同坡向植物群落组成和物种多样性特点,结果表明：经过火后15年恢复,云杉-冷杉火烧迹地有草本植物22科40属46种,其中优势科有菊科,种类数最多（11种）,其次为毛茛科6种,伞形科4种,蓼科3种,茜草科、龙胆科、蔷薇科和忍冬科各2种;在草地北坡、西北坡、东北坡和东坡分别分布着高山冷蕨+密生薹草+总状橐吾群落、密生薹草+高山冷蕨+野草莓群落、密生薹草+野草莓+箭竹群落和密生薹草+野草莓+总状橐吾群落;北坡的Margarlef丰富度指数和Shannon-Wiener多样性指数最高,东坡的Simpson优势度指数最高,而4个坡向草地的Pielou均匀度指数差异不显著;不同坡向植物群落存在一定的梯度格局,但是彼此分布之间存在一定的差异。通过研究分析可以得出：随着坡向由阴坡（北坡）到半阳坡（东坡）的变化,植被盖度逐渐减小;北坡的Margarlef丰富度指数和Shannon-Wiener多样性指数均最大,其次是西北坡和东北坡,而东坡的最小;不同坡向植被类型分异现象较弱,植物群落存在相似性。     

雾灵山亚高山草甸植物群落特征研究

通过对雾灵山亚高山草甸植物群落基本特征的研究发现，在调查所涉及的69种植物中，大叶章、便质早熟禾、地榆、藁本、双花堇菜、红叶藁木、银莲花、披针叶苔草以及细叶苔草等植物的重要值较高，在群落中占据明显优势；群落的Simpson指数为11．75；Shannon-Wiener指数为4．19；PIE指数为0．91。以这3个指数为基础的群落均匀度指数分别为0．17，0．69，0．93。从总体来看，群落的生态优势度指标偏高，而物种多样性指数偏低。     

气候变暖对祁连山草甸草原土壤氮素矿化作用的影响

用盖顶冻土管将祁连山草甸草原土壤的原状土柱从3 100 m移植到海拔2 900 m和2 600 m处培养和分析。研究结果表明,随着气温升高,该土壤的氮素净氨化速率、净硝化速率、净矿化速率有明显的增加趋势,这说明气候变暖将增强该区土壤氮素的矿化作用。     

遥感和GPS支持的高山草甸土草地盖度精确量化研究

The principles of remotely estimating grassland cover density in an alpine meadow soil from space lie in the synchronous collection of in situ samples with the satellite pass and statistically linking these cover densities to their image properties according to their geographic coordinates. The principles and procedures for quantifying grassland cover density from satellite image data were presented with an example from Qinghai Lake, China demonstrating how quantification could be made more accurate through the integrated use of remote sensing and global positioning systems （GPS）. An empirical model was applied to an entire satellite image to convert pixel values into ground cover density. Satellite data based on 68 field samples was used to produce a map of ten cover densities. After calibration a strong linear regression relationship （r^2 = 0.745） between pixel values on the satellite image and in situ measured grassland cover density was established with an 89% accuracy level. However, to minimize positional uncertainty of field samples, integrated use of hyperspatial satellite data and GPS could be utilized. This integration could reduce disparity in ground and space sampling intervals, and improve future quantification accuracy even more.