黑龙江省森林火后冠层垂直结构生态恢复轨迹

Research on the Vertical Structural Ecological Restoration Trajectory of the Forest Canopy after Forest Fires in Heilongjiang Province

摘要

森林火灾是影响森林生态系统结构与功能的重要干扰因素，系统评估火后森林结构恢复过程对区域生态安全与经营管理具有重要意义。以黑龙江省森林火灾区域为研究对象，基于全球生态系统动力学调查（Global Ecosystem Dynamics Investigation，GEDI）激光雷达数据，结合时空替代方法（space-for-time substitution），系统分析森林火后0~35 a冠层垂直结构的生态恢复轨迹及其差异特征。选取相对高度分位数（RH25、RH50、RH75、RH98）、冠层覆盖度（CC）和植被面积指数（PAI）作为结构指标，通过构建过火区与未燃烧基准区的结构差值序列，采用50 km×50 km网格等权汇总方法，并结合Theil–Sen估计与空间块重采样，对森林结构恢复趋势的稳健性进行评估，进一步按生态区（大兴安岭、小兴安岭、长白山）分组比较火后恢复轨迹与恢复率差异，以及比较不同火烈度条件下的恢复差异。结果表明，火后森林结构恢复具有明显的层次性特征，中层高度结构（RH50）的恢复速率最高（约0.09 m/a），其35 a相对恢复率约为0.33；中上层与林冠顶高度结构（RH75、RH98）虽保持显著恢复趋势，但相对恢复率低于中层结构。冠层属性指标中，PAI的长期变化信号整体强于CC，提示不同冠层属性对火后恢复的响应阶段与持续性存在差异。火烈度对结构恢复具有显著影响，中重火区域在低层高度结构及冠层属性上的恢复趋势不显著，且长期恢复强度明显低于轻火区域。分生态区比较表明，三大生态区的恢复速率与相对恢复程度存在显著差异，差异主要体现在RH25、CC、PAI指标上，其中，长白山地区的恢复速率整体更高，而大兴安岭在低层与冠层属性指标上恢复受限更明显。研究表明，GEDI激光雷达结构参数能够有效分析区域尺度森林火后长期结构恢复过程，可为火后森林恢复评估与经营管理提供科学依据。

Abstract

Forest fires are a major disturbance affecting the structure and functioning of forest ecosystems， and a systematic assessment of post-fire forest structural recovery is essential for regional ecological security and forest management. Taking fire-affected forests in Heilongjiang Province as the study area， this study used global ecosystem dynamics investigation （GEDI） LiDAR data combined with a space-for-time substitution approach to analyze the ecological recovery trajectories of forest vertical structure during 0-35 years after fire and their variability. Relative height metrics （RH25， RH50， RH75， and RH98）， canopy cover （CC）， and plant area index （PAI） were selected as structural indicators. Structural difference series between burned areas and adjacent unburned reference areas were constructed， and a 50 km × 50 km grid-based equal-weight aggregation scheme was applied. The robustness of forest structure recovery trends were evaluated using the Theil-Sen method together with spatial block resampling. Furthermore， the differences in post fire restroation trajectories and rates were compared by ecological zones （Great Khingan Mountains， Lesser Khingan Mountains， Changbai Mountains）， as well as the recovery differences under varying fire severity levels. The results indicatd that post-fire forest structural recovery exhibits clear vertical stratification， with mid-canopy height （RH50） showing the strongest recovery signal， an average recovery rate of approximately 0.09 m/year， and a 35-year relative recovery ratio （R_RR ） of about 0.33； upper-canopy and canopy-top height metrics （RH75 and RH98） also displayed significant recovery trends but with lower relative recovery ratios than the mid-canopy layer. Among canopy attributes， PAI exhibited a more pronounced long-term change signal than CC， suggesting differences in response stages and persistence among canopy properties during post-fire recovery. Fire severity had a significant influence on structural recovery， as moderate- to high-severity burned areas showed non-significant recovery trends in lower-canopy height and canopy attributes， with substantially lower long-term recovery strength than low-severity burned areas. The comparison of ecological zones showed that there were significant differences in the recovery rate and relative recovery degree among the three major ecological zones， mainly reflected in the RH24， CC and PAI indicators. Among them，the recovery rate in the Changbai Mountain area was generally higher， while the restoration of the Great Khingan Mountains was more restricted in the low-level and canopy attribute indicators. This study demonstrates that GEDI LiDAR-derived structural parameters can effectively characterize long-term post-fire forest structural recovery at the regional scale， providing a scientific basis for post-fire forest recovery assessment and forest management.

Graphical abstract

关键词

森林火灾 / 结构恢复 / GEDI激光雷达 / 火烈度 / 恢复轨迹 / 冠层垂直结构 / 时空替代 / 相对恢复率

Key words

Forest fire / structural recovery / GEDI LiDAR / fire severity / recovery trajectory / canopy vertical structure / space-for-time substitution / relative recovery rate

0 引言

森林火灾是全球森林生态系统中最重要的自然扰动之一，其发生频率和影响范围在气候变化背景下呈现出明显增强趋势^［1-3］。火灾通过破坏森林植被结构、改变地表能量与物质循环过程，对森林生态系统的稳定性、生产力及碳汇功能产生深远影响^［4］。火灾发生后，森林结构的恢复过程直接关系到生态系统功能的重建及其长期演替方向，因此，系统分析森林火后结构恢复轨迹已成为森林生态与资源管理领域的重要研究内容^［5］。已有研究表明，森林火后恢复并非简单的线性过程，其恢复速率和恢复程度受火烈度、植被类型、立地条件及气候环境等多种因素共同制约^［6-8］。不同火烈度条件下，森林结构破坏程度及其后续恢复路径存在显著差异，尤其在森林垂直结构层次上表现得更为明显^［9］。传统基于光学遥感的火后评估方法多依赖植被指数或烧毁指数，虽能有效反映植被覆盖变化，但在表征森林三维结构恢复方面仍存在一定局限^［10］。近年来，星载激光雷达技术的发展为大尺度森林结构监测提供了新的技术手段。全球生态系统动力学调查（global ecosystem dynamics investigation，GEDI）任务的衍生指标能够直接获取森林冠层高度及垂直结构信息，为火后森林结构恢复研究提供了重要数据支撑^［11-13］。多项研究表明，GEDI提供的高度分位数、冠层结构等参数在森林结构变化监测中具有较高可靠性和应用潜力^［14］。

在火后森林结构恢复研究方面，已有学者尝试将GEDI与多时相Landsat数据相结合，对不同区域的火后恢复轨迹进行定量分析。Lin等^［15］在大兴安岭地区基于GEDI与时间序列Landsat数据分析了森林火后结构恢复过程，揭示了不同结构指标在恢复速率上的显著差异；Wu等^［16］在亚马逊保护区的研究中进一步指出，火后森林结构恢复轨迹具有明显的时序特征和空间异质性。这些研究为理解火后森林结构恢复提供了重要参考，但在区域尺度上系统比较不同结构层次及火烈度下的植被恢复特征仍有进一步拓展空间。此外，受遥感数据轨道采样方式及火点空间分布不均等因素影响，火后结构样本在空间和时间上往往存在显著异质性^［17］。若忽略这种空间相关性，直接基于样点进行趋势分析，可能导致恢复速率估计存在偏倚。因此，在区域尺度研究中，引入合理的空间汇总与稳健统计方法，对提升火后恢复轨迹分析的可靠性具有重要意义^［18］。

基于此，本研究以黑龙江省森林火灾区域为研究对象，综合利用GEDI激光雷达结构参数与火点数据，在网格等权汇总和空间块重采样法的框架下，系统分析森林火后0~35 a的结构恢复轨迹，重点量化不同结构层次的恢复速率及相对恢复程度，以揭示火后森林结构恢复的层次性特征，并为区域尺度森林火后恢复评估与经营管理提供科学依据。

1 研究区与数据

1.1 研究区概况

研究区域为黑龙江省，位于121°11′—135°05′E，43°26′—53°33′N，是中国纬度最高、经度最东的省份。全省总面积约45.48万km²。作为我国东北地区重要的生态屏障，黑龙江省森林资源呈现出显著的空间集聚特征，主要分布于北部的大兴安岭、小兴安岭，东部的完达山、张广才岭以及南部的长白山脉延伸地带，构成一个连贯的森林生态廊道。

1.2 数据来源及预处理

1.2.1 森林覆盖数据

为构建研究区森林掩膜，综合使用中国土地覆盖数据集（China land cover dataset，CLCD）2021版^［19］与全球森林覆盖变化数据集（global forest cover change，GFCC）^［20］树冠覆盖数据；以树冠覆盖率大于20%筛选森林像元，并据年份匹配剔除低覆盖区域，最终形成黑龙江省森林覆盖本底，用于限制火扰动识别与结构恢复分析范围。

1.2.2 火灾扰动与火烈度数据

本研究所用森林火灾扰动数据是基于Landsat系列卫星影像并结合LandTrendr算法提取获得。通过谷歌地球引擎（Google Earth Engine，GEE）云平台获取1987—2022年黑龙江省生长季（5—9月）期间的Landsat 5 TM、Landsat 7 ETM+和Landsat 8 OLI地表反射率数据。为减小不同传感器之间的光谱差异，依据Roy等^［21］提出的传感器归一化方法对OLI影像进行校正，使其与ETM+数据在反射特性上保持一致。

采用归一化燃烧比指数（normalized burn ratio，NBR）作为火灾扰动识别指标，并利用LandTrendr时间序列分割算法识别森林扰动发生年份及扰动幅度。在此基础上构建1987—2022年黑龙江省森林火灾扰动数据集。

为评估火灾扰动提取结果的可靠性，采用随机抽样方法分别选取200个发生变化样点和200个未发生变化样点，结合Google Earth Pro高分辨率影像与Landsat影像对样点是否存在真实森林火灾扰动进行人工判读，见表1。精度评价结果表明，火灾扰动识别的总体精度为89.75%，Kappa系数为0.79，表明基于LandTrendr的火灾扰动识别结果具有较高可靠性。

火烈度采用差分归一化燃烧比指数（dNBR）进行表征，在样本数量的合理分配后，本研究将火烈度分为轻火（dNBR<0.27）与中重火（dNBR≥0.27）两组，分类阈值依据美国林业局火灾效果监测与库存系统（FIREMON：fire effects monitoring and inventory system）^［22］。

1.2.3 GEDI激光雷达数据

为探索冠层结构恢复轨迹并评估用于分析火灾后植被恢复过程复杂性的有效结构指标，本研究利用了2019—2022年GEDI卫星提供的冠层结构特征，见表2。GEDI卫星是国际空间站上先进的激光测高仪，采用全波形和多光束技术，生成直径为25 m目标圆的垂直冠层结构波形测量数据，由于GEDI所能采集数据的地理纬度范围为北纬51.6°到南纬51.6°，因此黑龙江省大兴安岭北部有部分数据缺失。

为了推导火灾后森林的结构恢复情况，使用了GEDI二级A级（L2A）和二级B级（L2B）产品以提供不同的结构特征。GEDI L2A产品提供了相对高度（RH）指标，这些指标通过波形解释有效捕捉森林的垂直结构。这些高度指标包括RH25、RH50、RH75和RH98，分别代表植被在垂直分布中的25%、50%、75%和98%^{［23，26］}。GEDI L2B产品提供了垂直分层的植物生物物理属性，包括冠层覆盖度（CC）、植被面积指数（PAI）。平均高度均方根误差（root mean square error，RMSE）为3~5 m，多个研究已利用多组机载LiDAR数据和实地测量对这些GEDI植被结构产品的可靠性进行了验证和校准^{［11，27-29］}。本研究整理了黑龙江省的GEDI足迹，并利用回波质量综合指标（sensitivity≥0.90）和综合质量判定标志（quality_flag为1）参数过滤掉受定位性能差、信号质量差以及云层和其他地表条件影响的无效足迹。选取冠层垂直结构特征中位数值的GEDI足迹。该过程涵盖了火烧区域174 620个足迹和基准区1 888 458个足迹。目的是捕捉能代表火烧区域和基准区森林整体结构状况的代表性足迹。

2 研究方法

2.1 时空替代方法构建火后恢复年序列

由于GEDI激光雷达数据仅覆盖2019—2022年，而研究区森林火灾扰动时间跨度为1987—2022年，难以通过单点长期连续观测完整分析火后结构恢复过程。为此，本研究采用时空替代方法（space-for-time substitution），整合不同火灾发生年份的样点，在空间上构建火后恢复时间序列，以拓展结构恢复分析的时间尺度。本研究将2019—2022年获取的GEDI结构样点与历史火灾扰动数据进行空间叠置，对落入火灾影响范围内的结构样点，依据对应火灾发生年份赋予其火后恢复年（recovery year）属性，从而将不同空间位置、不同火灾后时长的样点整合为统一的火后恢复序列。该方法假设在区域尺度上，不同空间位置的森林在相似环境条件和扰动类型下，其火后结构恢复过程具有可比性，因此可通过空间样点组合近似表征时间演替过程。

为确保有效的GEDI足迹落在火烧区内以便追踪结构恢复情况，本研究中设置了以下筛选标准：1）确保火烧区与满足质量要求的GEDI足迹重叠；2）确保火灾日期不晚于GEDI数据获取日期。

此外，为消除区域间立地条件差异对结构参数绝对值的影响，并突出火扰动对森林结构演替的作用，本研究引入基准结构对照方法。基准结构数据通过提取火点周边1 km缓冲区内未发生火扰动的GEDI足迹获得，并在时间尺度上与对应火点结构保持一致，用作局地背景对照。

2.2 网格等权汇总与恢复趋势估计

受GEDI激光雷达轨道采样特征及火点空间分布不均的影响，火后结构样本在空间和时间上均存在明显异质性。若直接基于原始样点进行统计分析，易导致样本密集区域对整体结果产生过度影响，从而引入空间偏倚。

为降低上述影响，本研究在等面积投影（Asia north Albers equal area conic）条件下，将研究区划分为规则的50 km×50 km空间网格，并以网格作为空间统计的基本单元。

在每一个恢复年份内，首先计算每个网格内火点结构参数的中位数，以代表该网格当年的结构水平；随后对所有网格中位数进行再次汇总，获得研究区尺度下的年度结构中位数序列。该“网格等权二级汇总”方法避免了样本密集区域对整体结果的过度影响，使年度序列更接近省域尺度的空间平均恢复过程，而非受局部高密度样点加权影响的结果，从而提升恢复趋势估计的空间代表性。

为判断火扰动后的相对恢复过程，本研究结合泰尔-森（Theil-Sen）估计方法构建结构差值序列Δ（t），对火后结构恢复趋势进行拟合，用于表征过火区域相对于未燃烧基准区的结构偏离程度。Δ（t）的构建基于网格等权年度中位数，并作为后续趋势估计与恢复率计算的基础，趋势显著性采用曼-肯德尔法（Mann-Kendall）检验（α=0.05）。

将恢复时间t定义为GEDI观测年份与对应火发生年份之差，设在火后恢复时间t（a）内，第g个空间网格中某一森林结构指标的观测值为B_g （t），表示过火区域（burned area）的结构状态。同时，在与该过火区域空间邻近且未发生火扰动的基准区内，提取对应年份与空间尺度下的森林结构指标，记为D_g （t）表示未燃烧基准区（baseline/datum）的结构状态。为消除不同区域间初始结构条件差异的影响，并突出火扰动后的相对恢复过程，本研究构建的结构差值序列公式为

\begin{array}{c}{\mathrm{\Delta }}_g\left(t\right)=B_g\left(t\right)-D_g\left(t\right)\end{array}。（1）

式中，Δ _g （t）表征在火后恢复时间t时，过火区域相对于未燃烧基准区的结构偏离程度。当Δ _g （t）＜0时，表示过火区域结构尚未恢复至基准水平；当Δ _g （t）≈0时，表示结构特征已接近或达到基准状态。

在省域总体序列构建的基础上，进一步开展生态区尺度分析，根据生态区边界将50 km×50 km网格划入对应生态区；随后在每个恢复年份内，分别对各生态区内网格中位数进行二级汇总，形成生态区尺度年度Δ序列，用于跨生态区比较。

2.3 空间块重采样与稳健性评估

鉴于研究区内不同年份样本数量及空间分布存在明显不均衡（如GEDI足迹密度差异），本研究引入空间块重采样（spatial block resampling）对恢复趋势结果的稳健性进行评估^［30］。具体地，以50 km网格为空间块进行1 000次无放回重采样（每次抽取80%网格），并设置单年有效网格≥30、有效年份≥15的门槛；在每次重采样中重复执行年度汇总与Theil-Sen估计，以获得恢复速率的经验分布并评估稳健性。

2.4 恢复率指标的构建

为定量衡量火扰动后森林结构在长期尺度上的恢复程度，并实现不同结构指标及不同火烈度条件下恢复能力的可比分析，本研究在结构差值序列Δ（t）的基础上引入相对恢复率指标（relative recovery，RR）^［31］。

基于Theil-Sen方法拟合得到的结构差值趋势函数

\widehat{\mathrm{\Delta }}\left(t\right)=\beta t+\alpha。（2）

式中：\beta表示结构差值的长期变化速率（恢复速率）；\alpha为结构差值的估计值（初始偏离程度）。

研究期内最大恢复年限为35 a，火后结构恢复幅度表示为

{\mathrm{\Delta }}_{\mathrm{35}-\mathrm{0}}=\widehat{\mathrm{\Delta }}\left(\mathrm{35}\right)-\widehat{\mathrm{\Delta }}\left(\mathrm{0}\right)。（3）

为消除不同垂直结构指标量纲差异，并使恢复幅度具有相对意义，进一步以基准区结构水平\overline{R}进行归一化，构建恢复指标

R_{\mathrm{R}\mathrm{R}}=\frac{\widehat{\mathrm{\Delta }}\left(\mathrm{35}\right)-\widehat{\mathrm{\Delta }}\left(\mathrm{0}\right)}{\overline{D}}。（4）

式中：\overline{D}为未燃烧基准区在研究期内对应结构指标的多年平均水平；R_RR表示火后35 a内结构偏离程度的改善幅度相对于基准结构水平的比例，用于衡量不同结构指标及不同火烈度情景下恢复幅度的相对大小。R_RR越大表示恢复幅度越高。

该恢复率指标能够衡量在给定时间尺度内，结构偏离程度相对于基准结构水平的相对改善幅度，适用于不同结构层次、不同火烈度以及不同生态区之间的定量比较。

3 结果与分析

3.1 总体恢复轨迹特征

为分析火后森林结构相对于未燃烧基准区的变化过程，本研究得到的年度Δ分布及Theil-Sen趋势线，见图1。

总体来看，各结构指标的恢复轨迹存在明显差异。4个高度分位指标（RH25、RH50、RH75、RH98）整体呈现随恢复年限增加而持续改善的趋势，表明过火区高度结构与基准区之间的差距逐步缩小。其中，RH50、RH75与RH98的恢复趋势在统计上表现极显著，且在空间重采样下具有高度一致性；RH25同样呈正向变化，但其恢复强度相对较弱。

相比之下，冠层属性指标（CC与PAI）总体亦呈改善趋势，但0~35 a全期线性拟合框架下，其长期持续变化幅度弱于高度结构指标。需要指出的是，过往研究表明，轻度、中度火烧迹地EVI可在6~8 a恢复，重度迹地14 a恢复^［32-33］，而冠层高度、生物量等的恢复则需要持续较长时间^［34］，类似地，近期基于多源遥感构建的全球火后森林再生数据集也显示，不同结构属性的恢复速率与持续性存在显著差异，恢复评估需结合时间尺度加以理解。因此，冠层指标可能存在火后早期快速恢复并进入平台期的非线性过程^［35］。

为同时体现“恢复速率—长期改善幅度—相对恢复程度”，进一步计算35 a净改善幅度Δ（35）-Δ（0）以及相对恢复率R_RR（相对于基准结构水平的归一化改善比例）。在总体尺度下，RH50的净改善幅度和相对恢复率均为各高度指标中最高，说明中层高度结构在35 a尺度内的相对恢复率最大；RH75与RH98虽具有较高的恢复速率，但其相对恢复率明显低于RH50。冠层属性指标的相对恢复率整体偏低，表明其长期改善幅度相对于基准结构尺度仍然有限。

3.2 不同火烈度下恢复趋势的差异

在总体恢复趋势的基础上，进一步比较不同火烈度条件下森林结构恢复过程的差异，见图2和表3。

3.2.1 高度结构指标的火烈度响应

在轻火条件下，各高度分位指标均表现为正向恢复趋势。其中，RH50、RH75与RH98的恢复趋势为极显著，且空间一致性较高；RH25亦表现为显著的正向恢复，但其稳定性相对较弱。

在中重火条件下，高度结构的恢复呈现出更为明显的分化特征。RH50、RH75与RH98仍保持极显著的正向恢复趋势，表明中上层高度结构在较强扰动背景下仍可持续改善。然而，RH25的恢复趋势在统计上表现为不显著，且空间一致性较低，说明低层高度结构在中重火条件下的恢复过程更不稳定，对扰动强度更为敏感。

总体而言，火烈度对高度结构恢复的影响主要集中在低层高度指标，而中上层高度结构在不同火烈度条件下均表现出较为一致的改善方向。

3.2.2 冠层属性指标（CC、PAI）的火烈度响应

冠层属性对火烈度差异的响应更为显著。轻火条件下，CC与PAI均呈现显著的正向恢复趋势，表明在较低扰动强度下，冠层闭合程度与结构复杂性可逐步恢复。

相比之下，在中重火条件下，CC与PAI的恢复趋势均表现为不显著，且空间一致性较低（图2）。这一结果表明，强火扰动可能对冠层结构的长期恢复形成持续制约，使其在较长时间尺度内难以达到稳定改善状态。

3.3 不同生态区的恢复轨迹差异

为检验生态环境差异对火后结构恢复的影响，本研究将黑龙江省划分为大兴安岭、小兴安岭与长白山三大生态区，3个生态区的火烈度均以中度和重度火为主，分别计算各结构指标的恢复趋势斜率、显著性、35 a净改善幅度与相对恢复率，见表4。结果表明，三大生态区的恢复动态存在明显差异，在长白山地区整体表现出更强的持续改善信号；而大兴安岭部分指标呈下降趋势且不显著。小兴安岭恢复趋势为正，但冠层属性偏弱。整体来看，生态区差异主要集中在RH25及冠层属性指标（CC/PAI）上，提示区域气候、地形与林型背景可能导致火后恢复速率与长期改善幅度的分化。

生态区比较结果表明，黑龙江省火后结构恢复存在明显的空间分异，这种分异可能与三大生态区在气候水热、地形起伏、林型组成与火行为特征上的差异有关。例如，大兴安岭处于更高纬度/更寒冷背景下，生长季长度与更新过程可能限制冠层属性（CC、PAI）及低层结构的恢复，且大兴安岭北部区域存在GEDI数据缺失，可能对生态区比较造成一定影响；长白山与小兴安岭受温度与降水条件差异影响，可能呈现不同的高度层恢复优势。总体而言，生态区尺度的差异强调了在省域尺度结论之外，火后恢复评估与经营管理需要结合生态分区开展差异化策略。

3.4 净改善幅度与相对恢复率的对照解释

相对恢复率（R_RR）从长期改善幅度的角度，对不同结构指标及火烈度条件下的恢复差异提供了补充信息，见表3。结果显示，不同结构层次与火烈度条件下的相对恢复率存在明显差异。

在轻火条件下，各高度指标的R_RR均为正值，其中RH50的R_RR最大，RH75与RH98次之；冠层属性指标的R_RR虽低于高度结构，但整体仍表现为正向改善。相较之下，中重火条件下的R_RR分布更为分化：RH50、RH75与RH98仍保持较高的R_RR，表明中上层高度结构在长期尺度内具有一定恢复潜力，而RH25、CC与PAI的R_RR较低，且其不确定性较大，说明低层高度与冠层属性在强火扰动后长期改善幅度有限。

需要指出的是，净改善幅度与相对恢复率并不完全一致。部分高度指标虽具有较高的净改善幅度，但其相对恢复率仍相对较低，表明在35 a尺度内，这些结构层次的改善幅度尚不足以与基准结构水平完全接近。该结果提示，火后森林结构恢复具有明显的层次性特征，不同结构维度在恢复速度与长期改善程度上可能存在错位。

4 讨论

4.1 不同结构指标恢复差异的生态意义

本研究结果显示，黑龙江省森林火后结构恢复具有明显的垂直层次性：中层结构（RH50）的恢复速率最高；低层（RH25）在轻火下呈正向恢复，但整体恢复强度低于中高层结构。在35 a尺度内高层结构仍表现出“恢复滞后”的特征，这一现象符合火后森林演替的一般规律，火后早期草本—灌木—幼树快速占据空缺生态位，首先推动低层结构的快速回升；随着时间推移，林分进入以乔木生长为主导的阶段，中层高度增长更显著；而林冠顶高度与高分位高度（如RH75、RH98）的形成依赖较长时间的胸径增长、树冠扩展与竞争排斥过程，因此恢复周期更长，在35 a尺度内仍可能未达到未燃烧基准水平。

该垂直层次差异与近期基于星载/机载激光雷达的火后研究结论一致，在大兴安岭地区，冠层覆盖与PAI往往比高分位高度指标恢复更快，而RH类高层指标恢复更慢，反映了“冠层属性先恢复、垂直高度后恢复”的结构演替路径^［15］。同样，在北方针叶林火后高度恢复研究中，也常观察到35 a尺度内高度仅恢复至火前的部分比例，提示高度结构的长期恢复属性^［36］。

冠层属性指标方面，PAI的恢复趋势整体强于CC。这可能意味着火后森林在“植被体量/结构复杂度”（与PAI相关）的恢复速度快于“冠层闭合程度”（与CC相关）的恢复速度。

总体而言，RH25和RH50对火后早期恢复更敏感，而RH75和RH98表征的高层结构恢复更滞后；PAI较CC更能反映植被体量与结构复杂度的累积恢复过程。

4.2 火烈度对恢复轨迹的长期影响

从火烈度分组结果看，轻火与中重火在多个结构指标恢复速率上存在差异：中重火恢复更慢、恢复程度更低。这说明，强火扰动不仅造成即时的结构损失，还可能通过改变更新来源、种子库/萌芽能力、立地环境与竞争格局等机制，导致结构恢复的长期抑制效应。

与国内外近期研究对比，试验结果在“烈度—恢复”关系上具有一致性。例如，基于Landsat时间序列的研究表明，不同火烈度区的植被指数恢复年限存在显著差异，高烈度区通常需要更长时间恢复到稳定水平，且恢复过程可能呈阶段性^［37］。值得注意的是，尽管多光谱指数（如EVI、NBR等）往往更早出现“回升”或“平台期”，但结构高度与结构复杂度仍可能处于持续恢复过程中^［38］。

4.3 不确定性与局限性

本研究虽通过网格等权、空间块重采样等方法降低了数据异质性影响，但受数据与方法本身制约，结果仍存在一定不确定性。1）GEDI数据仅覆盖2019—2022年，且大兴安岭北部存在数据缺失，影响该区域恢复特征分析与生态区比较的准确性。2）时空替代法的应用，需要假设不同火烧斑块在立地条件和气候背景上具有可比性。然而，研究区复杂的生态背景与历史干扰相互叠加，可能导致这一假设难以完全满足，从而使恢复轨迹的估计存在一定偏差。3）受样本量限制，火烈度简化为轻火、中重火两类，平滑了扰动强度的连续梯度，可能会低估极端火的长期影响。后续研究可通过融合多源激光雷达数据进一步优化分析。

5 结论

本研究结合GEDI激光雷达结构参数与火扰动数据，构建火后与未燃烧基准区的结构差值框架，系统分析黑龙江省森林火后0~35 a的结构恢复轨迹，明确火烈度与生态区对恢复过程的调控效应。研究区森林火后整体呈持续恢复态势，垂直结构恢复具有一定层次性，中层结构（RH50）恢复速率与相对恢复程度最优，低层（RH25）则恢复相对较慢。冠层属性的恢复响应存在分异，PAI相较CC对火后累积结构变化的敏感性更高，能更清晰反映长期恢复信号。火烈度对恢复过程存在一定调控作用，中重火区域的恢复趋势程度均低于轻火，且该差异在低层结构与冠层属性指标上表现更为突出，体现强火扰动对森林结构重建的长期抑制效应。大兴安岭、小兴安岭与长白山三大生态区的恢复特征存在空间分异，差异主要集中于RH25及冠层属性指标，反映生态环境背景对火后恢复的潜在影响。本研究揭示的火后森林结构恢复规律，可为黑龙江省火后森林生态恢复的分区施策与长期经营管理提供定量参考。

参考文献

[1] BOWMAN D M J S， BALCH J K， ARTAXO P，et al.Fire in the Earth system［J］.Journal of Advertising，2009，324（5926）：481-484.

[2] JOLLY W M， COCHRANE M A， FREEBORN P H，et al.Climate-induced variations in global wildfire danger from 1979 to 2013［J］.Nature Communications，2015，6（1）：7537.

[3] CANADELL J G， MEYER C P， COOK G D，et al.Multi-decadal increase of forest burned area in Australia is linked to climate change［J］.Nature Community，2021，12（1），6921.

[4] BOND W J， KEELEY J E.Fire as a global ‘herbivore’：The ecology and evolution of flammable ecosystems［J］.Trends in Ecology & Evolution，2005，20（7）：387-394.

[5] JOHNSTONE J F， ALLEN C D， FRANKLIN J F，et al.Changing disturbance regimes，ecological memory，and forest resilience［J］.Frontiers in Ecology and the Environment，2016，14（7）：369-378.

[6] PARKS S A， HOLSINGER L M， PANUNTO M H，et al.High-severity fire：Evaluating its key drivers and mapping its probability across western US forests［J］.Environmental Research Letters，2018，13（4）：044037.

[7] STEPHENS S L， COLLINS B M， BIBER E，et al.U.S.federal fire and forest policy：emphasizing resilience in dry forests［J］.Ecosphere，2016，7（11）：e01584.

[8] TURNER M G， BRAZIUNAS K H， HANSEN W D，et al.Short-interval severe fire erodes the resilience of subalpine lodgepole pine forests［J］.Proceedings of the National Academy of Sciences，2019，116（23）：11319-11328.

[9] LYDERSEN J M， NORTH M P， COLLINS B M.Severity of an uncharacteristically large wildfire，the Rim Fire，in forests with relatively restored frequent fire regimes［J］.Forest Ecology and Management，2014，328：326-334.

[10] KEY C H， BENSON N C.LA-1 landscape assessment （LA） sampling and analysis methods［M］//FIREMON：Fire Effects Monitoring and Inventory System.Washington，DC，USA：USDA Forest Service，2006.

[11] DUBAYAH R， BLAIR J B， GOETZ S，et al.The global ecosystem dynamics investigation：High-resolution laser ranging of the Earth’s forests and topography［J］.Science of Remote Sensing，2020，1：100002.

[12] DUBAYAH R， HOFTON M， BLAIR J，et al.GEDI L2A elevation and height metrics data global footprint level V001［J］.NASA EOSDIS Land Processes Distributed Active Archive Center （DAAC） Data Set，2020：GEDI02_A.001.

[13] POTAPOV P， HANSEN M C， KOMMAREDDY I，et al.Landsat analysis ready data for global land cover and land cover change mapping［J］.Remote Sensing，2020，12（3）：426.

[14] DUBAYAH R， TANG H， ARMSTON J，et al.GEDI L2B canopy cover and vertical profile metrics data global footprint level V001［J］.NASA EOSDIS Land Processes Distributed Active Archive Center （DAAC） Data Set，2020：GEDI02_B.001.

[15] LIN S， ZHANG H， LIU S，et al.Characterizing post-fire forest structure recovery in the Great Xing’an Mountain using GEDI and time series Landsat data［J］.Remote Sensing，2023，15（12）：3107.

[16] WU Q， LEE C K F， WANG J A，et al.Improved assessment of post-fire recovery trajectory of forests in Amazon’s protected areas［J］.Remote Sensing of Environment，2025，326：114802.

[17] BURNS P， HAKKENBERG C R， GOETZ S J.Multi-resolution gridded maps of vegetation structure from GEDI［J］.Scientific Data，2024，11（1）：881.

[18] EFRON B， TIBSHIRANI R J.An introduction to the bootstrap［M］.New York，USA：Chapman and Hall/CRC，1994.

[19] YANG J， HUANG X.The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019［J］.Earth System Science Data Discussions，2021，13（8）：1-29.

[20] TOWNSHEND J.Global Forest cover change （GFCC） tree cover multi-year global 30 m V003［J］.NASA EOSDIS Land Processes Distributed Active Archive Center （DAAC） Data Set，2016：GFCC30TC.003.

[21] ROY D P， KOVALSKYY V， ZHANG H K，et al.Characterization of Landsat-7 to Landsat-8 reflective wavelength and normalized difference vegetation index continuity［J］.Remote Sensing of Environment，2016，185：57-70.

[22] SANTOS S M B， BENTO-GONÇALVES A， FRANCA-ROCHA W，et al.Assessment of burned forest area severity and postfire regrowth in Chapada Diamantina National Park （Bahia，Brazil） using dNBR and RdNBR spectral indices［J］.Geosciences，2020，10（3）：106.

[23] BLAIR J B， HOFTON M A.Modeling laser altimeter return waveforms over complex vegetation using high‐resolution elevation data［J］.Geophysical Research Letters，1999，26（16）：2509-2512.

[24] CHEN J M， BLACK T A， ADAMS R S.Evaluation of hemispherical photography for determining plant area index and geometry of a forest stand［J］.Agricultural and Forest Meteorology，1991，56：129-143.

[25] JENNINGS S， BROEN N， SHEIL D.Assessing forest canopies and understorey illumination：Canopy closure，canopy cover and other measures［J］.Forestry，1999，72：59-74.

[26] DUNCANSON L， KELLNER J R， ARMSTON J，et al.Aboveground biomass density models for NASA’s Global Ecosystem Dynamics Investigation （GEDI） Lidar mission［J］.Remote Sensing of Environment，2022，270：112845.

[27] DORADO-RODA I， PASCUAL A， GODINHO S，et al.Assessing the accuracy of GEDI data for canopy height and aboveground biomass estimates in Mediterranean forests［J］.Remote Sensing，2021，13（12）：2279.

[28] LANG N， KALISCHEK N， ARMSTON J，et al.Global canopy height regression and uncertainty estimation from GEDI LIDAR waveforms with deep ensembles［J］.Remote Sensing of Environment，2022，268：112760.

[29] POTAPOV P， LI X， HERNANDEZ-SERNA A，et al.Mapping global forest canopy height through integration of GEDI and Landsat data［J］.Remote Sensing of Environment，2021，253：112165.

[30] LAHIRI S N.Resampling methods for dependent data［M］.New York，USA：Springer Science & Business Media，2013.

[31] HEDGES L V， GUREVITCH J， CURTIS P S.The meta‐analysis of response ratios in experimental ecology［J］.Ecology，1999，80（4）：1150-1156.

[32] 王健，杜玉玲，高钊，等.基于MODIS时序数据的大兴安岭火烧迹地时空变化及其森林恢复研究［J］.自然资源遥感，2024，36（2）：142-150.

[33] WANG J， DU Y l， GAO Z，et al.Exploring the spatio-temporal variations and forest restoration of burned zones in the Great Xing’an range based on MODIS time series data［J］.Remote Sensing for Natural Resources，2024，36（2）：142-150.

[34] 王冰，张金钰，孟勐，等.基于EVI的大兴安岭火烧迹地植被恢复特征研究［J］.林业科学研究，2021，34（2）：32-41.

[35] WANG B， ZHANG J Y， MENG M，et al.Study on vegetation restoration characteristics of Daxing’anling burned area based on EVI［J］.Forest Research，2021，34（2）：32-41.

[36] 苏维翰，张楚然，邓云，等.基于Landsat影像评估鸡足山火烧迹地近40年植被恢复动态［J］.生态学报，2025，45（3）：1362-1378.

[37] SU W H， ZHANG C R， DENG Y，et al.Evaluation of the vegetation recovery dynamics of the burned area in Jichuzhan Mountain over the past 40 years based on Landsat images［J］.Acta Ecologica Sinica，2025，45（3）：1362-1378.

[38] ZANG J， QIU F， ZHANG Y.A global dataset of forest regrowth following wildfires［J］.Scientific Data，2024，11（1）：1052.

[39] QUEINNEC M， COOPS N C， WHITE J C.Characterizing post-fire northern boreal forest height dynamics［J］.International Journal of Remote Sensing，2024，45（7）：2182-2207.

[40] 张吕成，孙志超，董灵波.基于Landsat时间序列数据的火烧迹地识别与恢复效果评价［J］.森林工程，2024，40（5）：8-16.

[41] ZHANG L C， SUN Z C， DONG L B.Evaluation of recognition and restoration effect of burned areas based on Landsat time series data［J］.Forest Engineering，2024，40（5）：8-16.

[42] CELEBREZZE J V， FRANZ M C， ANDRUS R A，et al.A fast spectral recovery does not necessarily indicate post-fire forest recovery［J］.Fire Ecology，2024，20（1）：54.

基金资助

“十四五”国家重点研发计划课题项目(2023YFD2201704)