FORMIND

FORMIND
폼마인드를 이용한 에콰도르 열대 산지 숲 시뮬레이션.시뮬레이션에는 산사태 이벤트도 포함됩니다.그 색깔들은 다른 나무 종들의 그룹을 나타냅니다.

FORMIND(숲 모델 개인 기반)는 종이 풍부한 [1][2]숲의 성장을 시뮬레이션할 수 있는 개인 기반 숲 격차 모델입니다.그것은 1990년대 후반 열대림의 숲 역학을 시뮬레이션하기 위해 개발되었습니다.

포레스트 역학 및 고전적 포레스트 갭 모델

숲의 틈은 나무에서 떨어져 나가는 큰 가지부터 넘어지는 나무, 넘어지는 나무, 큰 [1]나무 무리를 무너뜨리는 산사태까지, 종종 죽어가는 큰 나무들에 의해 발생하는 교란에서 발생합니다.일단 간격이 형성되면, 빛을 필요로 하는 나무 종들이 형성될 수 있고 시간이 지남에 따라 다른 나무 종들이 연속적으로 발생합니다.

갭 모델은 숲의 계승을 연구하고 숲 생태계의 장기적인 역학(표준 수준 모델링)[3][4][5]의 기초가 되는 메커니즘을 조사하는 데 사용되었습니다.

포레스트 갭 모델은 다음과 같은 [3]원칙을 공유합니다.

  • 포리스트는 작은 패치의 모음으로 표시됩니다.숲의 연속적인 단계와 나이는 패치마다 다릅니다.
  • 패치는 인접 네트워크와 독립적이며 다른 패치와 상호 작용하지 않습니다.따라서 트리 모집, 성장 및 사망률과 같은 동적 프로세스는 각 패치에 대해 별도로 계산됩니다.
  • 모든 패치는 자원 조건(즉, 상부 캐노피에 도달하는 빛)과 관련하여 균질하다고 가정합니다.패치 하나의 크기는 일반적으로 가능한 가장 큰 트리 크라운(예: 20m x 20m)의 범위에 따라 선택됩니다.패치의 모든 트리가 상호 작용하므로 트리 위치는 관련이 없습니다.
  • 한 지역 안에 서 있는 나무들은 더 큰 나무 캐노피의 비대칭 음영 효과로 인해 빛을 얻기 위해 경쟁합니다.크라운 및 스템 모양은 다양한 형상(예: 실린더 형태)으로 모델링됩니다.

초기에는 숲 갭 모델이 온대 [6]숲에 적용되었습니다.열대 지방에서 발견되는 더 복잡한 숲의 경우, 갭 모델은 더 높은 종의 풍부함을 고려해야 합니다.또한 자연림은 일반적으로 서로 다른 연속적인 단계의 패치로 구성됩니다.그들의 역학 관계는 주로 나무가 쓰러지면서 틈이 생기는 것에 의해 통제됩니다.게다가, 인간이 초래한 교란(예: 벌목 또는 파편화)은 전 세계 숲의 전반적인 역학에 영향을 미칩니다.이러한 프로세스를 포함하기 위해 포레스트 모델은 복잡성과 구조적 사실성을 효율적인 컴퓨팅과 결합해야 했습니다.

FORMIND 모델 개발

FORMIND는 1990년대 후반에 열대림 역학을 [7]이전보다 더 현실적으로 시뮬레이션하기 위해 개발되었습니다.FORMIND에서 광합성과 호흡과 같은 생리적 과정은 나무 수준(과정 기반 모델)에서 시뮬레이션됩니다.죽어가는 큰 나무들은 쓰러질 수 있고 숲에 틈을 만들 수 있습니다.수백 헥타르의 숲이 있는 스탠드는 연간 시간 단계에서 몇 세기에 걸쳐 시뮬레이션할 수 있습니다.시뮬레이션 영역은 포레스트 갭 모델에 일반적인 20-m x 20-m 패치의 합성입니다.FORMIND에서 이러한 패치는 씨앗 분산과 큰 나무의 쓰러짐을 통해 상호 작용합니다.기본 모델에는 나무 성장, 나무 사망률, 나무 묘목 모집 및 나무 간 경쟁의 네 가지 주요 프로세스 그룹이 포함됩니다.

이 외에도 열대림 현장에 적용할 수 있는 FORMIND에 네 가지 중요한 측면이 통합되어 있습니다.이는 FORMIND를 고전적인 포레스트 갭 모델과 구별합니다.

  1. 열대 숲에서 높은 나무 종의 풍부함은 식물 기능 유형(PFT)의 개념, 즉 나무 종의 그룹화로 커버됩니다.
  2. 자연적인 이유(예: 나무 넘어짐, 가장자리 효과) 또는 인위적인 활동(예: 나무 벌목)에 의해 발생하는 소규모 및 대규모 장애는 산림 구조 및 역학에 미치는 영향에서 조사할 수 있습니다.
  3. 개별 트리의 계산된 탄소 균형은 소규모 또는 대규모 숲 지역의 탄소 흐름을 추정하기 위해 업스케일링이 가능한 상세한 프로세스 기반 접근 방식을 기반으로 합니다.현재 버전의 FORMIND는 동적 전역 식생 모델 접근 방식을 사용하여 대륙 규모의 숲(예:[8] 아마존 전체)의 탄소 순환을 시뮬레이션합니다.
  4. 이 모델은 원격 감지 데이터(예: Lidar 또는 [9]Radar의 숲 높이)와 병합할 수 있습니다.
  5. 이 모델은 온대 [10]및 한대 부위에도 적용할 수 있습니다.


모델링된 프로세스

나무 생장: 나무 바이오매스 생장은 잎 광합성, 유지 및 생장 호흡 비용을 포함하는 생리학 기반 나무 탄소 균형에 의해 결정됩니다.나무 바이오매스의 증가는 높이, 줄기 직경, 줄기 부피 및 잎 면적의 증가를 초래합니다.

나무 사망률: 배경 사망률은 일반적으로 연간 평균 사망률로 계산됩니다.또는 나무 크기 또는 줄기 직경 성장의 함수로 사망률을 계산할 수도 있습니다.게다가, 나무들은 공간을 위해 경쟁합니다.붐비는 스탠드에서는 나무 왕관이 겹치면 사망률이 증가합니다.만약 큰 나무들이 죽는다면, 그들은 그들의 왕관이 작은 나무들을 손상시키고 캐노피 틈을 만드는 이웃한 지역으로 떨어질 확실한 확률을 가지고 있습니다.따라서 나무는 다양한 이유(나이, 성장률, 우주 경쟁, 나무 넘어짐 피해)로 인해 죽을 수 있습니다.모든 개별 트리 사망률은 확률적 사건으로 시뮬레이션됩니다.

모집:나무는 주변 숲(지속적인 씨앗 비) 또는 동일한 숲 스탠드 내의 어미 나무에서 기원할 수 있는 씨앗에서 나옵니다.씨앗이 발아하기 위해서는 일정량의 빛이 필요하기 때문에, 다른 나무들의 그늘에 의해 그들의 발달이 방해될 수 있습니다.이 경우, 씨앗은 발아에 적합한 빛의 조건이 될 때까지 일정 시간 동안 패치(씨드 뱅크)의 토양에 축적됩니다.더 나은 빛 조건을 기다리는 동안, 씨앗의 일부가 죽습니다(종자 사망률).빛의 조건이 바뀌자마자(예: 간격 생성을 통해) 씨앗은 발아하기에 충분한 빛을 받을 수 있습니다.

나무 경쟁:개별 나무들 간의 경쟁은 세 가지입니다.첫째, 나무의 성장은 주로 빛에 의해 이루어집니다.패치에 있는 큰 나무는 들어오는 방사선의 대부분을 받고 작은 나무를 가립니다(비대칭 빛 경쟁).둘째, 나무들은 공간을 두고 경쟁합니다.사람들로 붐비는 지역의 나무들은 사망률이 증가함에 따라 감소합니다.셋째, 인접한 패치 사이에 큰 나무가 쓰러지면서 생긴 틈이 지역 사망률을 높입니다.또한, 어미 나무의 씨앗 분산은 패치 간의 추가적인 상호 작용으로 이어집니다.

모델링된 각 프로세스는 특정 스터디 사이트에 대해 모수화될 수 있을 정도로 유연합니다.모델 모수화 값을 얻으려면 사이트별 포레스트 인벤토리 및 스템 직경 증분 측정이 필요합니다.모델의 사이트별 적응을 위해서는 추가 정보가 도움이 됩니다.누락된 매개변수 값은 성숙한 숲의 기준 재고 데이터로 사용하는 보정 프로세스에 의해 결정될 수 있습니다(예: 일부 연구에서 모집 비율에 대해 수행됨).그러나 모델에 사용되는 대부분의 모수는 문헌(최소한 일반적인 범위)에서 알 수 있습니다.예를 들어, 열대 숲에서는 매년 서 있는 나무의 약 1-2%가 죽습니다.

현재 및 미래의 애플리케이션

산림 공장 접근법: FORMIND와 같은 산림 격차 모델은 산림 생산성과 종 다양성 사이의 관계를 연구하는 데 사용될 수 있습니다.최근의 연구는 나무 종의 다양성이 증가함에 따라 숲의 생산성이 종종 증가한다는 것을 보여주었습니다.그러나, 몇몇 연구는 생산성과 다양성 사이의 변하지 않거나 심지어는 반대의 관계를 보여줍니다.우리는 더 넓은 범위의 다양성-생산성 [11]관계를 연구했습니다.장기적인 시뮬레이션 대신, 수천 개의 다른 숲 스탠드가 생성되어 다양한 숲 구조(예: 다양한 기본 면적 값 또는 이질적인 나무 높이)와 다양한 종 혼합물을 결합했습니다.이러한 접근 방식을 산림 공장이라고 하며 식물 모델을 사용하기 위한 근본적인 새로운 개념을 도입합니다.이러한 각 가상 포레스트 스탠드에 대해 포레스트 갭 모델을 사용하여 포레스트 생산성을 계산할 수 있습니다.얻어진 다양성 – 생산성 관계는 현장 연구와 비교할 수 있습니다.다수의 포레스트 스탠드 분석 도구로 포레스트 갭 모델을 사용하는 이 새로운 방법은 포레스트 승계 시뮬레이션 방법(포레스트 팩토리 접근법)에 비해 수많은 포레스트를 훨씬 빠르게 분석할 수 있습니다.

매개 변수 보정을 위한 포레스트 인벤토리 데이터 통합: 포레스트 갭 모델에서 매개 변수 추정은 시간이 많이 걸리는 프로세스입니다.이러한 모델의 수동 보정 및 민감도 분석은 많은 수의 시뮬레이션을 필요로 하므로 계산 수요가 증가합니다.따라서 모델 매개 변수의 자동 보정을 위해 특정 조건(예: 기후, 토양)에서 직접 측정이 누락되거나 수행될 때 신속한 확률적 보정 방법 모음이 FORMIND에서 [12]개발 및 적용되었습니다.이러한 방법은 모델을 천 번 실행하여 시뮬레이션 결과와 현장 관측치 간의 차이를 자동으로 최소화합니다.또한 매개 변수 불확실성 평가를 위해 대략적인 베이지안 방법을 마르코프 체인 몬테 카를로 접근법과 함께 사용할 수 있습니다.이러한 방법은 시간 및 공간에서 제한된 수의 관측치를 사용할 수 있는 포리스트 사이트에도 사용할 수 있습니다.모델 결과와 사용 가능한 관찰 데이터를 신중하게 검토한 후 수동 및 자동 보정을 결합하면 포레스트 갭 모델의 매개 변수화가 성공적으로 이루어집니다.

포레스트 모델링과 원격 감지 연결: 매우 최근의 유망한 포레스트 모델 적용은 원격 감지 측정과 결합됩니다.레이더(Tandem-X 및 Tandem-L 위성 임무의 맥락에서 무선 탐지 및 범위 지정) 및 라이다(Lidar, 빛 탐지 및 범위 지정)와 같은 기술은 숲의 3D 구조를 측정할 수 있습니다.그러나 바이오매스와 같은 숲의 중요한 속성은 경험적 관계를 사용하여 원격 감지를 통해 간접적으로만 추정할 수 있습니다.이러한 관계의 도출은 필드 데이터의 가용성과 원격 감지 데이터의 공간적 해상도에 의해 오랫동안 제한되어 왔습니다.포레스트 모델에 의해 생성된 가상 포레스트 인벤토리 데이터는 포레스트 구조를 탐색하고 원격 감지 측정을 위한 새로운 개념을 개발하기 위한 새로운 접근 방식을 제공합니다.[13] FORMIND는 공간 규모의 함수로서 캐노피 높이와 지상 바이오매스 사이의 관계를 조사하는 역할을 했습니다.이러한 관계는 교란된 숲 스탠드에 대해서도 분석되었습니다.

가까운 미래에 FORMIND는 또한 숲 구조와 다른 생태계 기능, 예를 들어 숲 생산성 간의 관계에 대한 이해를 향상시키는 데 사용될 것입니다.

참고 항목

숲

열대림

스탠드 레벨 모델링

동적 전역 식생 모델

탄소 순환

레퍼런스

  1. ^ a b 리코의 피셔, 프리드리히의 본, 마테우스의 단타스 데 폴라, 클라우디아의 디슬리치, 위르겐의 그로네벨트, 구티에레스, 알바로 G., 카즈미르자크, 마틴, 냅, 니콜라이, 레만, 세바스티안 (2016-04-24)."복잡한 열대림의 생태계와 탄소 역학을 이해하기 위해 숲 갭 모델을 적용하여 얻은 교훈"생태 모델링.차세대 생태 모델링, 개념 및 이론: 구조적 현실주의, 출현 및 예측.326: 124–133. doi: 10.1016/j.ecol 모델. 2015.11.018.이 문서에는 Creative Commons Attribution 4.0 International(CCBY 4.0) 라이센스로 제공되는 이 소스의 인용문이 포함되어 있습니다.
  2. ^ "FORMIND". www.formind.org. Retrieved 2017-05-31.
  3. ^ a b Bugmann, Harald (2001-12-01). "A Review of Forest Gap Models". Climatic Change. 51 (3–4): 259–305. doi:10.1023/A:1012525626267. ISSN 0165-0009.
  4. ^ H., Shugart, Herman (2003-10-31). A theory of forest dynamics the ecological implications of forest succession models. Blackburn Press. ISBN 978-1930665750. OCLC 934513367.
  5. ^ Pretzsch, Hans (2009). Forest Dynamics, Growth and Yield. Springer Berlin Heidelberg. pp. 1–39. doi:10.1007/978-3-540-88307-4_1. ISBN 9783540883067.
  6. ^ Botkin, Daniel B.; Janak, James F.; Wallis, James R. (1972). "Some Ecological Consequences of a Computer Model of Forest Growth". Journal of Ecology. 60 (3): 849–872. doi:10.2307/2258570. JSTOR 2258570. S2CID 59334418.
  7. ^ Köhler, Peter; Huth, Andreas (1998-06-22). "The effects of tree species grouping in tropical rainforest modelling: Simulations with the individual-based model Formind" (PDF). Ecological Modelling. 109 (3): 301–321. doi:10.1016/S0304-3800(98)00066-0.
  8. ^ Rödig, Edna; Cuntz, Matthias; Rammig, Anja; Fischer, Rico; Taubert, Franziska; Huth, Andreas (1 May 2018). "The importance of forest structure for carbon fluxes of the Amazon rainforest". Environmental Research Letters. 13 (5): 054013. doi:10.1088/1748-9326/aabc61.
  9. ^ Knapp, Nikolai; Fischer, Rico; Huth, Andreas (February 2018). "Linking lidar and forest modeling to assess biomass estimation across scales and disturbance states". Remote Sensing of Environment. 205: 199–209. doi:10.1016/j.rse.2017.11.018.
  10. ^ Bohn, Friedrich J.; May, Felix; Huth, Andreas (26 March 2018). "Species composition and forest structure explain the temperature sensitivity patterns of productivity in temperate forests". Biogeosciences. 15 (6): 1795–1813. doi:10.5194/bg-15-1795-2018.
  11. ^ Bohn, Friedrich J.; Huth, Andreas (2017-01-01). "The importance of forest structure to biodiversity–productivity relationships". Royal Society Open Science. 4 (1): 160521. doi:10.1098/rsos.160521. ISSN 2054-5703. PMC 5319316. PMID 28280550.
  12. ^ Lehmann, Sebastian; Huth, Andreas (2015-04-10). "Fast calibration of a dynamic vegetation model with minimum observation data". Ecological Modelling. 301: 98–105. doi:10.1016/j.ecolmodel.2015.01.013.
  13. ^ Shugart, Herman H; Asner, Gregory P; Fischer, Rico; Huth, Andreas; Knapp, Nikolai; Le Toan, Thuy; Shuman, Jacquelyn K (2015-11-01). "Computer and remote-sensing infrastructure to enhance large-scale testing of individual-based forest models". Frontiers in Ecology and the Environment. 13 (9): 503–511. doi:10.1890/140327. ISSN 1540-9309.