1. 引言
北京市现有各种矿山300多处，多数分布在山区，由于管理和采矿行业性质，使北京附近山区生态环境和自然景观遭到了严重破坏 [1] [2] 。近年来北京市在矿区生态恢复方面已经做了很多的工作，物种材料应用较丰富、工程措施类型较多、恢复效果差异性明显。因此，对矿区生态状况的长期、客观、准确的监测和评价，不仅是衡量矿区生态修复工作成效、总结提炼修复成果、发现问题及提升矿区生态修复理论的关键环节，也是下一步矿区生态修复、生态建设工作的必要前提 [3] 。
当前，国内对于矿区修复效果缺乏较为系统、全面和科学的生态监测和评价方法。土壤环境因子与植被分布的相关关系已经被广泛讨论 [4] [5] [6] 。一些矿山废弃地的具体研究也证明了土壤化学因子在影响植被的分布上起着关键作用 [7] 。
本文采用国内通用方法对娄子水采石废弃地生态恢复过程中的土壤环境因子与植物群落进行监测，分析二者的关系，为政府决策提供科学依据。
2. 研究区概况
研究区域娄子水采石废弃地位于北京市房山区，属温带大陆性气候，年平均气温为11.6℃，最高气温曾达43.5℃ (1961年6月10日)，最低气温曾至−26℃ (1966年2月22日)；年平均降水量687 mm，最大降水量1322 mm (1954年)，最小降水量277 mm (1975年)；年平均无霜期185天。
3. 实验设计与数据处理
3.1. 实验设计
根据娄子水采石废弃地恢复方式、地形地貌特征、土壤状况、植被类型分布状况、生境类型等生态环境因子，采取网格布点法与典型抽样相结合的办法进行植被、土壤综合采样布点调查。
共调查样地15个，选择不同坡位，不同海拔和恢复方式进行植被调查，合计共41个样方。样地大小为5 m × 5 m，每个样地内植被分乔灌木层和草本层分别进行统计，乔灌木层选取整个样地进行统计，草本层选取样地内对角的两个1 m × 1 m小样方进行统计 [8] 。
3.2. 数据采集
植被调查：主要记录海拔、GPS坐标、微地貌，并记录样方内所有植物的名称、生长型、分盖度、高度、株数等，其中物种高度、盖度、多度均由目测法测定。
土壤调查：首先设置采样分区，在分区内“S”型设置采样点，采集多点混合样，减少分析量，得到平均值。并分上下两层采集(0~10 cm和10~20 cm)土壤样品，分别测定土壤理化性质(机械组成、容重、有机质、pH、电导率、阳离子交换量、全氮、全磷、全钾、碱解氮、速效磷、速效钾)，设置14个土壤采样点。土壤机械组成采用吸管法；容重采用烘干称重法；全氮采用半微量开氏法测定；有机质的测定采用重铬酸钾容量法；全磷的测定采用熔融–比色法；全钾采用熔融–火焰光度法；碱解氮采用碱解扩散法；速效磷采用浸提–比色法；速效钾采用浸提–火焰光度法；电导率采用电导法；pH值采用酸度计测定法；阳离子交换量采用一次性平衡法。
3.3. 数据分析
(1) 群落数量分类
群落数量分类方法采用的是多元分划方法中的TWINSPAN分类法，多元分划法是以整个数据矩阵为基础的，包括三种方法:一是平方和减量法；二是TWINSPAN分类；三是排序轴分类法，TWINSPAN分类方法是目前最常用的一种群落数量分类方法。TWINSPAN是在承认样方分类和种类分类的过程是一致的基础上进行的，首先对数据进行CA/RA排序，同时得到样方和种类第一排序轴，分别用于样方分类和种类分类 [9] 。
(2) 环境因子与植被分布的相关关系：CCA排序
典范对应分析是由对应分析CA/RA修改而产生的新方法。它是把CA/RA和多元回归结合起来，每一步计算结果都与环境因子进行回归，而详细地研究植被与环境的关系。Braak把这一方法用于多元直接梯度分析，以区别前面简单的直接梯度分析。CCA要求两个数据矩阵。一个是植被数据矩阵；一个是环境数据矩阵。不同于以前的直接梯度分析，CCA可以结合多个环境因子一起分析从而更好地反映群落与环境的关系。在种类和环境因子不特别多的情况下，CCA可以将样方排序，种类排序及环境因子排序表示在一个图上，可以直观地看出它们之间的关系。CCA的基本思路是在CA/RA迭代过程中，每次得到的样方坐标都要与环境因子相结合，其结合方式为多元线性回归 [10] 。
(3) 环境因子与植物群落的相关关系：逐步线性回归。
(4) 其他：数据的初步整理、计算与分析使用Microsoft Excel2007进行；相关分析使用SPSS17.0进行；采用SURFER8.0进行土壤肥力异质性分析。
4. 实验结果与分析
4.1. 植物群落数量分类
4.1.1. 乔灌木植被的数量分类
利用植物种的重要值矩阵对娄子水采石场废弃地植物群落进行双向指示种分析。将娄子水采石场废弃地的乔灌木样方、物种排列成TWINSPAN双向分类矩阵。矩阵上方是样方编号(沿垂直方向的数字)，左侧是物种编号，下方是样方的分类结果，右侧是对物种的分类结果，中间为每个物种在各个样方中的丰富度等级。TWINSPAN分类结果见图1，结合实际生态意义，最终采取第二级水平的划分。
Figure 1. TWINSPAN classification for tree and shrub
图1 . 乔灌木TWINSPAN分类结果
对各群落类型依据其优势种和TWINSPAN划分的指示种进行命名。
I火炬树——平基槭群落
该群落平均盖度约为34.29%，优势种为火炬树，重要值为0.3655，特征种平基槭的重要值为0.2192。
II火炬树——榆树群落
该群落类型在本矿区的分布最广，其群落平均盖度约为36.00%，优势种为火炬树，重要值为0.2371；特征种为榆树，重要值为0.1823。
III荆条——禾朔荛花群落
该群落平均盖度约为34.00%，优势种为荆条，重要值为6955，特征种为禾朔荛花，其重要值为0.0502。
4.1.2. 草本植被的数量分类
草本植被的TWINSPAN分类结果见图2，结合实际生态意义，最终采取第二级水平的划分。
I铁杆蒿——马唐群落
该群落平均盖度约为34.29%，优势种为铁杆蒿，重要值为0.4263，特征种马唐的重要值为0.2576。
II苜蓿群落
该群落平均盖度约为36.00%，优势种和特征种均为苜蓿，重要值为0.2996。
III小甘菊——鬼见愁锦鸡儿群落
该群落平均盖度约为34.00%，优势种为小甘菊，重要值为0.8880，特征种为鬼见愁锦鸡儿，其重要值为0.0136。
IV小甘菊——波斯菊群落
该群落平均盖度约为10.00%，优势种为小甘菊，重要值为0.6893，特征种为波斯菊，其重要值为0.3107。
Figure 2. TWINSPAN classification for herbaceous
图2. 草本TWINSPAN分类结果
4.2. 土壤环境因子与植被分布的相关关系
4.2.1. 乔灌木植物群落与土壤环境因子的关系
利用CCA分析了11个土壤因子与娄子水矿区乔灌木植被分布的相关关系。CCA排序的前两个轴只保留了物种数据总方差的48.9%，因此分析中可能丢失了很大一部分的物种信息。但前两轴的物种与环境相关系数相当高，共解释了物种–环境关系总方差的52.5% (表1)。只保留CCA的前两轴，就能很好地反映娄子水矿区乔灌木植被与土壤理化因子之间的关系。
Table 1. Statistical results of CCA (tree and shrub)
表1. CCA排序统计结果(乔灌木)
土壤环境因子及其代码见表2。土壤化学因子与排序轴相关系数见表3，两排序轴与土壤因子相关性均不显著。
Table 2. CCA soil environment factors and their codes
表2. CCA土壤环境因子及其代码
Table 3. The relative coefficients of the soil environmental factors with the compositor axis of CCA (tree and shrub)
表3. 土壤环境因子与CCA排序轴相关系数(乔灌木)
由TWINSPAN划分而得到矿区各个群落类型在排序图上虽然有交叉重叠，但它们的相对位置仍然可以从排序图中看出(图3)。群落I位于排序图的左下方，各样地与较高土壤总钾、总磷对应。群落II位于排序图的中部，与环境因子的关系并不明显。群落III位于排序图的上方，与较高的pH对应。
A：火炬树；B：侧柏；C：榆树；D：山杨；E：荆条；F：杠柳；G：禾蒴荛花；H：臭椿；I：三裂绣线菊；E：平基槭；K：鬼见愁锦鸡儿；L：紫穗槐
Figure 3. Double sequence plot of CCA for tree and shrub
图3. 乔灌木CCA双序图
从各物种的CCA排序来看，臭椿、紫穗槐位于排序图的右侧，这显然与其生境土壤电导率，速效钾等的高含量有关，但土壤总钾含量并不高。荆条和禾朔荛花位于排序图的下方，与较高的土壤pH，土壤总磷对应。山杨和平基槭位于排序图的左下方，这与较高的土壤总钾、总磷和pH有关，与土壤有机质、电导率和速效钾负相关。杠柳和榆树位于排序图的上方，这与较高的土壤阳离子交换容量等有关，与土壤总磷和pH负相关。排序图中部的物种火炬树、鬼见愁锦鸡儿和侧柏则属于土壤因子梯度上的过渡类型。
4.2.2. 草本植物群落与土壤环境因子的关系
利用CCA分析了11个土壤因子与娄子水矿区草本植被分布的相关关系。CCA排序的前两个轴只保留了物种数据总方差的28.5%，因此分析中可能丢失了很大一部分的物种信息。但前两轴的物种与环境相关系数相当高，共解释了物种–环境关系总方差的51.1% (表4)。
Table 4. Statistical results of CCA (herbaceous)
表4. CCA排序统计结果(草本)
土壤化学因子与排序轴相关系数见表5，第一排序轴与土壤因子相关性均不显著，土壤有机质与第二排序轴相关关系显著(r = 0.4140, P < 0.05)，土壤阳离子交换容量与第二排序轴相关关系极显著(r = 0.5052, P < 0.001)。
Table 5. The relative coefficients of the soil environmental factors with the compositor axis of CCA (herbaceous)
表5. 土壤环境因子与CCA排序轴相关系数(草本)
**: P < 0.001; *: P < 0.05.
由TWINSPAN划分而得到的各群落类型在排序图上虽然有交叉重叠，但它们的相对位置仍然可以从排序图中看出(图4)。群落I位于排序图的左上方，各样地与较高土壤有机质、总氮、碱解氮河阳离子交换容量对应。群落II位于排序图的中部，与环境因子的关系并不明显。群落III位于排序图的右上方，与较高的土壤阳离子交换容量对应。群落IV位于排序图的右下方，与较高的土壤总磷对应。
A：铁杆蒿；B：波斯菊；C：地锦；D：针茅；E：狗尾草；F：苦菜；G：荩草；H：马唐；I：草木樨；E：苜蓿；K：鬼针草；L：猪毛蒿；M：黄花蒿；N：沙打旺；O：小红菊；P：灰菜；Q：小甘菊；R：鬼见愁锦鸡儿；S：圆叶牵牛；T：小白酒菊；U：通奶草；V：苦荬菜
Figure 4. Double sequence plot of CCA for herbaceous
图4. 草本CCA双序图
从各物种的CCA排序来看，铁杆蒿、马唐位于排序图的上方，这显然与其生境土壤有机质，速效钾等的高含量有关，但土壤总钾含量并不高。荆条和禾朔荛花位于排序图的下方，与较高的土壤pH，土壤总磷对应。山杨和平基槭位于排序图的左下方，这与较高的土壤总钾、总磷和pH有关，与土壤有机质、电导率和速效钾负相关。杠柳和榆树位于排序图的上方，这与较高的土壤阳离子交换容量等有关，与土壤总磷和pH负相关。排序图中部的物种火炬树、鬼见愁锦鸡儿和侧柏则属于土壤因子梯度上的过渡类型。
4.3. 土壤环境因子与植物群落特征值的相关关系
采用多元逐步回归方法分析α多样性指数及植被高度、盖度与环境因子进行相关性分析。分别计算α多样性指数及植被高度、盖度与环境因子的相关系数，以及与进入回归方程因子的偏相关系数，并计算出多元回归方程。
4.3.1. 环境因子与乔灌木植物群落特征值的相关关系
乔灌木植物群落与环境因子相关关系见表6，总体来说只有群落盖度的回归方程有一定显著性，群落盖度与速效磷含量呈极显著正相关，说明在增加土壤速效磷含量可以增加植被覆盖度。
Table 6. Interrelationships with plant community and soil environmental factors for tree and shrub
表6. 乔灌木植物群落与土壤环境因子相关关系
备注：*P < 0.05，**P < 0.01，样方数为14。
4.3.2. 环境因子与草本植物群落特征值的相关关系
草本植物群落与环境因子相关关系见表7，总体来说群落多样性指数、盖度高度均与环境因子成一定显著性，但回归方程普遍拟合较差(r2最大只有0.356)。群落丰富度与土壤速效钾含量呈显著正相关，均匀度与土壤碱解氮含量呈显著正相关，Shannon指数与土壤速效磷含量和有机质含量均呈极显著正相关，Simpson指数仅与土壤速效磷含量呈显著正相关，群落盖度与土壤全磷含量呈极显著正相关，而与速效钾含量呈极显著负相关；群落平均高度与土壤酸碱性呈显著负相关。
Table 7. Interrelationships with plant community and soil environmental factors for herbaceous
表7. 草本植物群落与环境因子相关关系
备注*P < 0.05，**P < 0.01，样方数为25。
5. 结论
本文的研究表明土壤阳离子交换容量、土壤有机质与娄子水采石废弃地草本植被分布显著相关。土壤环境因子与植物群落特征值的相关关系表明：乔灌木群落盖度与速效磷含量呈显著正相关，说明增加土壤速效磷含量可以增加乔灌木植被覆盖度；草本植物群落丰富度与土壤速效钾含量呈显著正相关，均匀度与土壤碱解氮含量呈显著正相关，Shannon指数与土壤速效磷含量和有机质含量均呈显著正相关，Simpson指数与土壤速效磷含量呈显著正相关，群落盖度与土壤全磷含量呈显著正相关，而与速效钾含量呈显著负相关；群落平均高度与土壤酸碱性呈显著负相关。