Ein allometrisches Modell

Mar 19, 2023

Wissenschaftliche Berichte Band 12, Artikelnummer: 7527 (2022) Diesen Artikel zitieren

2195 Zugriffe

1 Altmetrisch

Details zu den Metriken

Die schnelle Wachstumsrate, die hohe Biomasseproduktion und die jährliche Ernte machen Bambus zu einer geeigneten Art für die kommerzielle Produktion. Für viele Laub- und Nadelbaumarten stehen allometrische Gleichungen zur Verfügung. Das Wissen über die Biomasseproduktion und die allometrischen Gleichungen von Bambus ist jedoch begrenzt. Ziel dieser Studie ist die Entwicklung artspezifischer allometrischer Modelle zur Vorhersage von Biomasse- und synthetischen Höhenwerten als Proxy-Variable für sieben Bambusarten in den Ausläufern des Himalaya. Zwei auf Potenzformen basierende allometrische Modelle wurden verwendet, um die oberirdische Biomasse und die Halmbiomasse vorherzusagen, wobei der Durchmesser auf Brusthöhe (D) allein und D in Kombination mit der Halmhöhe (H) als unabhängige Variable verwendet wurden. Diese Studie erstreckte sich auch auf die Erstellung eines allometrischen H-D-Modells, das zur Generierung synthetischer H-Werte als Ersatz für fehlendes H verwendet werden kann. Bei den sieben untersuchten Bambusarten ist Halm einer der drei Hauptbestandteile der Biomasse (Halm, Zweig und Laub). die wichtigste Komponente mit dem höchsten Anteil (69,56–78,71 %). Die Verteilung des prozentualen (%) Anteils von Halm, Zweig und Laub am oberirdischen Frischgewicht variiert erheblich zwischen verschiedenen Bambusarten. D. hamiltonii weist die höchste Produktivität für oberirdische Biomassekomponenten auf. Das Verhältnis von Trocken- zu Frischgewicht von sieben Bambusarten wurde für Halm, Zweige, Blätter und oberirdische Biomasse geschätzt, um Frischgewicht in Trockengewicht umzurechnen.

Bambus ist eine Gruppe mehrjähriger Pflanzen aus der Familie der Poaceae. Die schnelle Wachstumsrate, die hohe Biomasseproduktion und die jährliche Ernte machen Bambus zu einer geeigneten Art für die kommerzielle Produktion. Es gibt 1642 Bambusarten, die auf der ganzen Welt, hauptsächlich in tropischen und subtropischen Regionen, in einem breiten ökologischen Spektrum vorkommen1. Weltweit wächst Bambus auf einer Fläche von über 35 Millionen Hektar und bedeckt 3,2 Prozent der Waldflächen ihrer Gastländer oder etwa 1 Prozent der globalen Waldfläche2,3. Indien ist eines der reichsten Länder weltweit in Bezug auf genetische Bambusressourcen mit 125 Bambusarten, die zu 23 Gattungen gehören. Die Bambusfläche im Land beträgt 15,68 Millionen Hektar und bietet etwa 2 Millionen traditionellen Handwerkern durch Ernte, Verarbeitung, Wertschöpfung und Verkauf von Bambusprodukten ihren Lebensunterhalt4. Die Nachfrage nach Bambus wird auf 26,69 Millionen Tonnen geschätzt, während das Angebot im Land bei 13,47 Millionen Tonnen liegt5. Insgesamt trägt Bambus dazu bei, wichtige Ziele für nachhaltige Entwicklung der Agenda 2030 der Vereinten Nationen zu erreichen – insbesondere SDG1, SDG7, SDG 11, SDG 12, SDG 13, SDG 15 und SDG 176.

Der Klimawandel aufgrund von Treibhausgasemissionen und der Erschöpfung der fossilen Brennstoffressourcen ist ein großes globales Problem. Indien hat sich auf dem Klimakrisengipfel 2021 der UN-Klimakonferenz (COP26) in Glasgow, Großbritannien, das Ziel gesetzt, seine Emissionsintensität zwischen 2005 und 2030 um 33–35 % zu reduzieren und seine Kohlenstoffemissionen bis 2070 auf Netto-Null zu senken . Indien ist außerdem bestrebt, durch zusätzliche Wald- und Baumbestände bis 2030 eine zusätzliche Kohlenstoffsenke von 2,5 bis 3 Milliarden Tonnen CO2-Äquivalent zu schaffen. Zu den Ansätzen zur Eindämmung des Klimawandels gehören im Großen und Ganzen (i) konventionelle Eindämmungsbemühungen (Dekarbonisierungstechnologien und Techniken, die CO2 reduzieren). , (ii) Techniken für negative Emissionen (Bioenergie-Kohlenstoffabscheidung und -speicherung, Pflanzenkohle, verbesserte Verwitterung, direkte Kohlenstoffabscheidung und -speicherung in der Luft, Meeresdüngung, Erhöhung der Meeresalkalität, Kohlenstoffbindung im Boden, Aufforstung und Wiederaufforstung, Bau und Wiederherstellung von Feuchtgebieten) und (iii) Strahlungstreibende Geoengineering-Technologien (stratosphärische Aerosolinjektion, Aufhellung des Meereshimmels, Ausdünnung von Zirruswolken, weltraumgestützte Spiegel, oberflächenbasierte Aufhellung und verschiedene Strahlungsmanagementtechniken)7,8. Die strahlungstreibenden Geoengineering-Technologien sind derzeit nicht in den politischen Rahmen enthalten7. Bisher umfassen die IPCC-Bewertungen zwei Technologien für negative Emissionen, nämlich die Kohlenstoffabscheidung und -speicherung durch Bioenergie sowie Aufforstung und Wiederaufforstung, um die Machbarkeit der Erreichung der Ziele des Pariser Abkommens9 zu bewerten.

Biomassebasierte Techniken zur CO2-Entfernung umfassen Biomasse zur primären Kohlenstoffspeicherung (z. B. Baum), Verbrennung und anschließende Lagerung der Produkte. Biomasse produziert Biokraftstoffe als nicht-fossile Kraftstoffalternativen, die als kostengünstige, zuverlässige und nachhaltige Energiequelle 9 % (~ 51 EJ) des weltweiten Gesamtprimärenergiebedarfs decken10. Als Biokraftstoffquellen können Biodiesel und Pflanzenkohle dazu beitragen, die Umweltauswirkungen fossiler Brennstoffe zu mildern11,12. In diesem Zusammenhang kann Bambus auch die Emissionen erheblich reduzieren, indem er fossile Brennstoffe für die Energieerzeugung ersetzt und Kohlenstoff bindet, da er schnell wachsen und über einen langen Zeitraum überleben kann, ohne nach der Ernte wesentliche Veränderungen im Halmbestand hervorzurufen, und so dazu beiträgt, die Auswirkungen abzumildern des Klimawandels13,14,15. Bambus ist eine aussichtsreiche und vorrangige Art für die Kohlenstoffspeicherung und -bindung. Nath et al. (2015)16 berichteten, dass die Kohlenstoffbindungsraten der Biomasse für verschiedene Bambusarten weltweit zwischen 13 und 24 Mg C ha−1 pro Jahr lagen. Bambus gilt bei der Aufforstung und Wiederaufforstung als gleichwertig mit Bäumen17 und wurde von Food and Trees for Africa nach dem verifizierten Kohlenstoffstandard zertifiziert18. Bambus hat ein enormes Potenzial für die Verwendung als Rohstoff für die Bioenergieproduktion19,20. Es kann als Energiequelle genutzt werden, indem es in feste, flüssige und gasförmige Brennstoffe umgewandelt wird. Im Vergleich zu vielen Non-Food-Pflanzen wie Chinaschilf (Miscanthus), Rutenhirse (Panicum virgatum), Riesenschilf (Arundo donax), Kurzumtriebspappelgehölz (Populus) oder Weide (Salix) kann Bambus bis zum nächsten Lebenszyklus jährlich Erträge einbringen 30–50 Jahre ohne Beeinträchtigung des Wurzelsystems (Wurzeln und Rhizom). Dadurch kann zusätzlich Bodenerosion verhindert, die Kohlenstoffbindung im Boden verbessert und der Druck auf die bestehenden Wälder verringert werden. Littlewood et al. (2013)21 berichteten über einen hohen Zuckergehalt von 62 % der Trockenmasse in zwei Bambusarten aus China. Trotz des enormen Potenzials von Bambus bei der Produktion von Biomasse, Bioenergie, Kohlenstoffbindung und der Bereitstellung zahlreicher Ökosystemdienstleistungen wurde Bambus in vielen politischen Vereinbarungen im Zusammenhang mit dem Klimawandel (Rahmenübereinkommen der Vereinten Nationen über Klimaänderungen (UNFCCC), dem Kyoto-Protokoll und den Marrakesch-Abkommen) vernachlässigt ) hauptsächlich aufgrund seiner botanischen Klassifizierung als Gras13,14,16,22. Daher ist es dringend erforderlich, unser Verständnis der Biomasseproduktion und Kohlenstoffbindung durch Bambus zu verbessern, damit diese anerkannt und in das Klimaschutzprogramm der UNFCCC einbezogen werden können.

Die Bewertung der Holzbiomasse ist hilfreich bei der Holzgewinnung, der Verfolgung von Veränderungen der Kohlenstoffvorräte und der Quantifizierung der Menge an Kohlendioxid, die aus der Atmosphäre gebunden werden kann. Zur Schätzung der Baumbiomasse werden im Allgemeinen destruktive Methoden und indirekte Methoden (Biomassegleichungen) verwendet. Die Verwendung von Biomassegleichungen ist kostengünstig und weniger zeitaufwändig. Es wird von den Vereinten Nationen als gemeinsamer Rahmen und Leitfaden für bewährte Verfahren für die CO2-Berichterstattung bei der Umsetzung des neu entstehenden Marktmechanismus für Emissionsgutschriften anerkannt23. Die Biomassegleichung sagt die Biomasse auf der Grundlage leicht korrelierbarer Messvariablen wie dem Durchmesser in Brusthöhe und der Baumhöhe voraus24,25. Bei Bambus wird die Schätzung der Biomasse jedoch aufgrund des unterschiedlichen Alters und der Vielzahl an Halmen komplizierter. Bei Bambus werden von Händlern und Landwirten okkulare Methoden zur Bewertung der Biomasse eingesetzt, die langjährige Erfahrung vor Ort erfordern und ein hohes Maß an Ungenauigkeit aufweisen, was zu enormen Verlusten für Landwirte, Forstwirte, Industriebetriebe und andere Bambusanbauer führt. Daher besteht ein dringender Bedarf an der Entwicklung standortspezifischer Vorhersagemodelle/Gleichungen zur Schätzung der Biomasse in Bambus. Von den verschiedenen nichtlinearen Modellen sind allometrische Modelle aufgrund zahlreicher rechnerischer Vorteile wie der hohen Konvergenz der Modellparameter im Vergleich zu den meisten anderen nichtlinearen Modellen, der besten Anpassungsgüte und den geringen statistischen Fehlern am effizientesten für die Schätzung der Biomasse26,27,28 ,29.

In der Literatur sind allometrische Gleichungen für Laub- und Nadelbaumarten verfügbar. Das Wissen über die Biomasseproduktion in Bambus ist jedoch begrenzt. Die meisten allometrischen Gleichungen für Bambus sind für Phyllostachys-Arten in China verfügbar30,31,32,33. In Indien sind trotz der großen Bambusfläche allometrische Gleichungen für einige Arten verfügbar, nämlich Bambusa cacharensis, Bambusa balcooa, Bambusa tulda, Bambusa vulgaris, Dendrocalamus hamiltonii, Dendrocalamus longispathus, Melocanna baccifera, Schizostachyum dullooa und Pseudostachyum polymorphum im Nordosten Indiens34 ,35; D. strictus in Nordindien36,37; Bambusa-Bambos in Ostindien38 und Südindien39. In Nordindien wurden nicht viele Arbeiten zur Schätzung der Biomasse von Bambus durchgeführt. Die vorliegende Studie wurde daher an sieben kommerziell wichtigen Bambusarten durchgeführt mit dem Ziel, (i) allometrische Modelle für sieben Bambusarten zu entwickeln, um sowohl oberirdische als auch Halmbiomasse vorherzusagen, (ii) eine Beziehung zwischen Höhe und Durchmesser für die Bambusarten zu ermitteln und (iii) Bestimmen Sie den Biomasseertrag und den relativen Beitrag verschiedener Biomassekomponenten dieser Bambusart.

Die Studie wurde in den westlichen Ausläufern des Himalaya durchgeführt, um allometrische Modelle zur Vorhersage der Biomasse von sieben kommerziell wichtigen Bambusarten zu entwickeln, nämlich Bambusa balcooa, Bambusa bambos, Bambusa vulgaris, Bambusa nutans, Dendrocalamus hamiltonii, Dendrocalamus stocksii und Dendrocalamu strictus. Alle ausgewählten Bambusarten sind von kommerzieller Bedeutung und stehen auf der Prioritätenliste der National Bamboo Mission, der indischen Regierung und der International Bamboo and Rattan Organization (INBAR). Für die Datenerfassung von sieben verschiedenen Bambusarten wurden zwei Standorte in einer Entfernung von 275 km ausgewählt (Abb. 1). Die Einzelheiten der Untersuchungsstandorte sind in Tabelle 1 aufgeführt. Das Pflanzmaterial für Standort 1 wurde in der Baumschule des Uttarakhand Bamboo and Fibre Development Board, Dehradun, Indien, gesammelt. Für Standort 2 wurden die in der Baumschule gezüchteten Pflanzen aus Bambusgärtnereien in verschiedenen Teilen des Landes bezogen. Die Identifizierung der Bambusarten basierte auf morphologischen Merkmalen, die von Seethalakshmi und Kumar (1998)40 beschrieben wurden.

Die Standortkarte der Untersuchungsstandorte [Karte wurde mit der ArcGIS-Desktop-Software (Version 10.1) erstellt].

Für die Probenahme wurden drei Parzellen von 0,018 ha (15 m × 12 m) für jede Art an Standort 1 ausgewählt. Für Standort 2 wurden drei Parzellen von 0,0225 ha (15 m × 15 m) für jede Art ausgewählt. Jede Parzelle bestand aus 9 Bambusklumpen, die aus zahlreichen Bambushalmen (Stangen) bestanden. Die Probenauswahl erfolgte mithilfe eines zweistufigen Zufallsstichprobenentwurfs, bei dem Klumpen als Probenahmeeinheit der ersten Stufe und Halme als Probenahmeeinheit der zweiten Stufe berücksichtigt wurden. Insgesamt wurden 39 Parzellen (21 an Standort 1 und 18 an Standort 2) mit 351 Klumpen abgegrenzt, um von 2017 bis 2020 jedes Jahr Daten zu sammeln. Um die Halmgrößenverteilungen innerhalb der Probeparzellen zu verstehen, wurden drei Klumpen zufällig ausgewählt und gemessen ihr Horstumfang, Kronendurchmesser, Halmzahl, Halmdurchmesser in Brusthöhe. Abhängig von der Halmgröße wurden unterschiedliche Durchmesserklassen erkannt, die den gesamten Durchmesserbereich abbilden. Von jeder Durchmesserklasse wurden für jede Art in jedem Büschel drei reife Halme (> 3 Jahre alt) nach dem Zufallsprinzip geerntet. Das Alter der reifen Halme in den Büscheln wurde anhand der Halmscheide, der Halmfarbe, der Position der Halme sowie des Wachstums und der Entwicklung von Zweigen und Blättern bestimmt41. Die zusammenfassenden Statistiken für biometrische Parameter verschiedener untersuchter Bambusarten sind in Tabelle 1 aufgeführt. Der Durchmesser jedes Bambushalmes wurde mit Hilfe eines Messschiebers auf Brusthöhe gemessen. Nach der Ernte des Halmes wurde seine Höhe mit dem Maßband gemessen und in verschiedene Komponenten, nämlich Blatt, Zweig und Halm, getrennt. Für die jeweiligen Komponenten im Feld wurden Frischgewichte ermittelt. Teilproben aus oberen, mittleren und unteren Teilen der Halme unterschiedlichen Alters wurden bei 65 °C bis zur Gewichtskonstanz im Ofen getrocknet, um das Verhältnis von Trockengewicht zu Frischgewicht zu bestimmen42.

Für die Biomassemodellierung von sieben Bambusarten wurden zwei Potenzgleichungsformen allometrischer Gleichungen entwickelt. Die erste war eine allgemeine allometrische Potenzgleichung mit zwei Parametern wie folgt:

Dabei bezeichnet „a“ die Proportionalitäts- oder Skalenkonstante, „b“ die Potenz- oder Formkonstante und \(\varepsilon_{i}\) die Fehlerkomponente nach der Normalverteilung mit einem Mittelwert von Null und einer nicht konstanten Varianz \( \sigma_{i}^{2}\) dh,\(\varepsilon_{i} \sim iid\,N(0,\sigma_{i}^{2} )\). 'x' sei eine einzelne Prädiktorvariable. Als x-Variablen wurden hier der Durchmesser auf Brusthöhe (D) und das Halmvolumen (D2H) verwendet. Darüber hinaus wurde die Potenzform der allometrischen Gleichung mit drei Parametern verwendet:

wobei „a“ die Skalenkonstante bezeichnet, „b“ und „c“ die Formkonstante für die Prädiktorvariablen x bzw. z bezeichnen; \(\varepsilon_{i}\) sei die Fehlerkomponente, die einer Normalverteilung mit einem Mittelwert von Null und einer nicht konstanten Varianz \(\sigma_{i}^{2}\) folgt, dh\(\varepsilon_{i} \sim iid \,N(0,\sigma_{i}^{2} )\). Für die Biomassemodellierung wurde D als x und H als z verwendet.

Der Fehlerterm beider bereits besprochener allometrischer Formen, vorausgesetzt, er ist heteroskedastisch (dh nicht konstante Varianz). Daher wurde ein gewichtetes Anpassungsmodell verwendet, um die Varianz der Restvariation mithilfe der Funktion \(\,\sigma_{i}^{2} = Var(\varepsilon_{i} ) = \hat{\sigma }^ zu berechnen {2} (v_{i} )^{2\delta }\); wobei \(\hat{\sigma }^{2}\) die Summe der geschätzten Fehler der Quadrate ist; \(v_{i}\) ist die Gewichtungsvariable, die der i-ten beprobten Pflanze/Gruppe zugeordnet ist; und \(\delta\) ist der Koeffizient der zu schätzenden Varianzfunktion43,44,45. Daher wurde die gewichtete Maximum-Likelihood-Methode zur nichtlinearen Modellierung fester Effekte verwendet, um die Biomassegleichungen für die sieben Bambusarten mithilfe des Pakets „nlme“ der Statistiksoftware RStudio (R-Version 4.1.0) anzupassen. Die Details der allometrischen Form der Gleichungen, die zum Testen und Validieren der besten Anpassung verwendet werden, sind in Tabelle 2 aufgeführt. Statistische Unterschiede zwischen den Biomassekomponenten der sieben Arten wurden mithilfe einer Varianzanalyse untersucht. Weitere Post-hoc-Analysen wurden mithilfe des Honest Significant Difference (HSD)-Tests von Tukey durchgeführt, um einen paarweisen Vergleich zwischen den Biomassekomponenten der Arten zu erreichen.

Drei häufig verwendete Modelle passen zur Statistik, nämlich. Akaike-Informationskriterien46, Bayesianische Informationskriterien47 und angepasstes R2 (Adj.R2) wurden verwendet, um die besten allometrischen Gleichungen gemäß den folgenden Formeln zu bewerten, zu vergleichen und auszuwählen:

AIC = − 2ln(L) + 2p, wobei L die Wahrscheinlichkeit des Modells ist und p die Anzahl der Modellparameter und n die Stichprobengröße ist.

BIC = − 2ln(L) + pln(n), wobei L die Wahrscheinlichkeit des Modells und p die Anzahl der Modellparameter sowie n die Stichprobengröße ist.

\(Adj.R^{2} = 1 - \frac{RSS/(n - p)}{{TSS/(n - 1)}}\), wobei RSS = Restquadratsumme, TSS = Gesamtsumme von Quadrat, und p ist die Anzahl der Parameter des Modells und n ist die Stichprobengröße.

Das Modell mit dem höchsten Adj.R2 und dem niedrigsten AIC- und niedrigsten BIC-Wert wurde als bestes Modell ausgewählt47. Zur Beurteilung der Modellleistung wurden auch Diagnosediagramme der beobachteten Werte im Vergleich zu Anpassungs- und Resttrends verwendet.

Zur Auswahl, Bewertung und zum Vergleich der Modelle wurde die Monte-Carlo-Kreuzvalidierungsmethode angewendet48,49,50,51. Die Methode teilt den Datensatz nach dem Zufallsprinzip in zwei Teile auf, wobei etwa 80 % für die Modellentwicklung und 20 % für die Kreuzvalidierung bestimmt sind, und wiederholt R-mal (etwa 100 Mal), um stabile Statistiken zu erhalten. Modellanpassungsstatistiken und Kreuzvalidierungskriterien wurden für jede zufällig ausgewählte Datenreihe berechnet und über R-Reihen (ungefähr 100) gemittelt. Um die Vorhersagezuverlässigkeit des angepassten Modells zu bewerten, wurden drei statistische Validierungskriterien verwendet, nämlich Bias (Prozentsatz), Root Mean Squared Error (RMSE) und Mean Absolute Percentage Error (MAPE).43,44,45,50,51,52. 53,54 gemäß den folgenden Formeln:.

\(MAPE(\% ) = \frac{1}{R}\sum\nolimits_{r = 1}^{R} \frac{100}{n} \sum\nolimits_{i = 1}^{n} {\frac{{\left| {y_{i} - \hat{y}_{i} } \right|}}{{y_{i} }}}\), wobei \(y_{i}\) = Beobachteter Wert und \(\hat{y}_{i}\) = Prädizierter Wert, R = Häufigkeit der Kreuzvalidierung. Als bestes Modell wurde ein Modell mit dem niedrigsten statistischen Fehlerwert in Bezug auf Bias, RMSE und MAPE bevorzugt.

Eine allometrische Gleichung der Form H = aDb + e wurde verwendet, um die Beziehung zwischen der Körpergröße (H) und dem Durchmesser in Brusthöhe (D) zu entwickeln, wobei „a“ die Normalisierungskonstante (Skala) und „b“ die Form ist Parameter und e ist ein Fehlerterm folgt der Normalverteilung mit einem Mittelwert von Null und einer nicht konstanten Varianz \(\sigma_{Hi}^{2}\), dh \(e_{i} \sim iid\,N(0,\sigma_{ Hallo}^{2} )\). Die Modellentwicklung erfolgte mithilfe der gewichteten Maximum-Likelihood-Methode zur nichtlinearen Modellierung fester Effekte und die Validierung mithilfe der Monte-Carlo-Kreuzvalidierungsmethode.

Die Biomasse in verschiedenen Komponenten (Halme, Äste und Blätter) an Standort 1 wurde durch die Ernte von drei zufällig ausgewählten Halmen unterschiedlich alten Klumpens (aus dem Jahr 2013–19) für jede Art bestimmt. Unterproben aus den oberen, mittleren und unteren Teilen der Halme unterschiedlichen Alters wurden bei 65 °C bis zur Gewichtskonstanz im Ofen getrocknet, um das Verhältnis von Trockengewicht zu Frischgewicht zu bestimmen, das zur Bestimmung der Biomasse in verschiedenen Komponenten verwendet wurde42. Die jeweiligen Biomassewerte in verschiedenen Komponenten wurden mit der Halmzahl und der Klumpendichte multipliziert, um die Biomasse auf Hektarbasis zu berechnen, und addiert, um die Gesamtbiomasse für jede Art zu erhalten. Daten zum Kohlenstoffbestand und zur Bindungsrate wurden geschätzt, indem eine Kohlenstoffkonzentration von 42 %, 47 % bzw. 50 % in Laub, Zweigen und Halmbiomasse angenommen wurde34. Die Kohlenstoffspeicherung in den verschiedenen Halmkomponenten wurde durch Multiplikation der Biomasse mit der Kohlenstoffkonzentration bestimmt. Die gesamte Kohlenstoffspeicherung in der oberirdischen Biomasse wurde durch Summieren der Kohlenstoffkonzentrationswerte für Laub-, Zweig- und Halmbestandteile ermittelt.

Die Varianzanalyse ergab, dass verschiedene oberirdische biometrische Parameter der sieben Bambusarten, nämlich Halmdurchmesser, Halmhöhe, Halmgewicht, Laubgewicht und Gewicht der oberirdischen Biomasse, signifikant variierten (p < 0,05). Eine Post-hoc-Analyse durch den ehrlichen signifikanten Differenztest (HSD) von Tukey ergab, dass D. hamiltonii den höchsten durchschnittlichen Halmdurchmesser (5,99 cm), Halmhöhe (11,91 m), Halmgewicht (16,92 kg) und Laubgewicht (1,53 kg) aufweist. und Gewicht über dem Boden (20,39 kg). Das durchschnittliche Zweiggewicht von D. hamiltonii wurde jedoch als das höchste beobachtet (1,93 kg). Dennoch unterschied es sich nicht wesentlich von den anderen Bambusarten, nämlich B. balcooa, B. bambos, B. nutans und B. vulgaris (Tabelle 3). Darüber hinaus zeigte der HSD-Test von Tukey, dass bei den sieben Bambusarten das Verhältnis von Trockengewicht zu Frischgewicht verschiedener oberirdischer Biomassekomponenten wie Halm, Zweig, Blattwerk und gesamte oberirdische Biomasse (AGB) erheblich unterschied. oberirdische B. nutans hatten die höchsten Trocken-zu-Frischgewichtsverhältnisse für Halm (0,63), Zweig (0,62) und AGB (0,61). D. strictus hingegen hatte das höchste Trocken-zu-Frischgewichtsverhältnis (0,53) für Blätter (Tabelle 4). Die Verteilung der Biomasse ergab, dass die Halmkomponente den größten Anteil hat (69,56–78,71 %), gefolgt von Zweigen (12,04–17,79 %) und Laub (3,50–16,94 %). B. bambos erwarb die meiste Zweigbiomasse (17,79 %) unter den sieben Bambusarten, während D. stocksii die meiste Halm- (78,71 %) und Blattbiomasse (16,94 %) ansammelte (Abb. 2).

Verteilung des prozentualen (%) Anteils von Halmen, Zweigen und Blättern an der oberirdischen Biomasse bei verschiedenen Bambusarten.

Unter Verwendung von Daten aus geernteten Halmen von > 3 Jahre alten Bambusplantagen wurden drei allometrische Gleichungen [allometrische Form (1) in A1 und A2; Allometrische Form (2) in A3] wurden für die frische oberirdische Biomasse (AGB) und das Frischhalmgewicht für die sieben Bambusarten ermittelt. Darüber hinaus wurde das allometrische Modell A1 erneut etabliert, indem der Durchmesser in Brusthöhe (H) als Prädiktor für die Bambushöhe (H) verwendet wurde. Der Bereichswert von Adjusted-R2 (Adj.R2) (0,82–0,97), AIC (190,24–562,79) und BIC (205,57–580,74) für die drei Modelle deutete auf eine unterschiedliche Anpassungsgenauigkeit, aber auf einen hohen Adj.R2 und einen niedrigen AIC und BIC hin Wert für die drei Modelle, belegte die Angemessenheit der Übernahme allometrischer Modelle (Tabelle 5).

Die Monte-Carlo-Kreuzvalidierungsmethode entfaltete die Vorhersagegenauigkeit der angepassten allometrischen Modelle mit dem erweiterten Wert von ABias (− 14,62 bis 8,90 %), ARMSE (0,98–5,12) und AMAPE (11,28–30,29 %) und ergab eine unterschiedliche Vorhersagegenauigkeit der angepassten Modelle Modell. Im Gegensatz dazu weisen die drei Modelle niedrige Fehlerwerte auf, was auf ihre Vorhersagefähigkeiten hinweist (Tabelle 6).

Das allometrische Modell A1 ergab den höchsten adj.R2 (0,94) für B. bambos, den niedrigsten AIC (209,02–269,03) und BIC (221,35–283,08) für B. bambos und B. nutans. Darüber hinaus zeigte es auch den niedrigsten Vorhersagefehler für B. bambos und B. nutans, mit dem niedrigsten ABias (− 2,74 bis 0,50 %), ARMSE (2,14–4,02) und AMAPE (10,83–25,88 %). Mit dem niedrigsten AMAPE (17,66). –22,50 %) und ARMSE (1,31–3,91) zeigte das A2-Modell den niedrigsten Vorhersagefehler für D.stocksii und B.vulgaris. Darüber hinaus fand A2 den niedrigsten ABias (− 4,08 %) für B. vulgaris. Für B. balcooa, D. hamiltonii und D. strictus ergab Modell A3 den höchsten Adj.R2 (0,87–0,97) und den niedrigsten AIC (335,17–550,55). ) und BIC (367,52–564,76). Darüber hinaus wies es auch den niedrigsten Vorhersagefehler für B. balcooa, D. hamiltonii und D. strictus auf, mit den niedrigsten ABias (−7,13 bis −0,47 %) und AMAPE (18,96–23,45 %) für B. balcooa, D. hamiltonii sowie den niedrigsten ARMSE (2,97–23,45) für B. balcooa und D. hamiltonii.

Insgesamt war das oberirdische A1-Modell für B.bambos und B.nutans am effizientesten, während A2 für D.stocksii und B.vulgaris am zuverlässigsten war und A3 für B.balcooa, D.hamiltonii und D.strictus am besten geeignet war. gemäß den Ergebnissen der oberirdischen Biomassemodellierung (Tabellen 5 und 6). Die Abbildungen 3 und 4 zeigen die Ergebnisse der am besten angepassten allometrischen Modelle für die Vorhersage des oberirdischen Frischgewichts. Die Ergebnisse zeigen, dass die gewichteten, am besten angepassten allometrischen Modelle die Heteroskedastizität in Residuen effektiv erfassen und viel niedrigere Residuen liefern. Darüber hinaus wurde festgestellt, dass die Residuen optisch zufällig waren (kein Muster aufwiesen), was auf eine hohe Anpassungsgenauigkeit hinweist.

A1-A4-Plots, dargestellt im Vergleich zu den am besten angepassten allomterischen Modellen für die Vorhersage des oberirdischen Frischgewichts bei B. balcooa, B. bambos, B. nutans bzw. D. hamiltonii. Während B1-B4 porträtierte gewichtete Reste im Vergleich zu den am besten angepassten oberirdischen Frischgewichtswerten in B. balcooa, B. bambos, B. nutans bzw. D. hamiltonii darstellt.

A5-A7-Diagramme, dargestellt im Vergleich zu den am besten angepassten allomterischen Modellen für die oberirdische Frischgewichtsvorhersage bei D. stocksii bzw. D. strictus. Während B5-B7 porträtierte gewichtete Reste im Vergleich zu den am besten angepassten oberirdischen Frischgewichtswerten in D. stocksii, D. strictus bzw. B. vulgaris darstellt.

Die Erstellung allometrischer Modelle für frische Halmbiomasse ergab niedrigere Adj.R2- (0,80–0,96), AIC- (200,39–554,83) und BIC- (205,72–578,54) Werte als das angepasste Modell für frische oberirdische Biomasse, was auf eine höhere Konsistenz der Allometrie schließen lässt Modelle (Tabelle 7). Die Kreuzvalidierungsergebnisse der angepassten allometrischen Modelle ergaben einen geringen Vorhersagefehler mit erweiterten Werten von ABias (− 11,68 bis 7,03 %), ARMSE (0,79–4,70) und AMAPE (11,10–30,10 %), was eine hohe Vorhersagegenauigkeit zeigt (Tabelle 8).

Es wurde festgestellt, dass Modell A1 bei der Vorhersage der frischen Halmbiomasse von B. bambos die beste Leistung erbringt, da es die höchste Anpassungsgenauigkeit mit adj.R2 (0,95), AIC (200,39) und BIC (212,72) und den niedrigsten Vorhersagefehler mit ABias (− 4,99) aufweist %) ARMSE (3,16) und AMAPE (23,14 %). Es wurde festgestellt, dass das A2-Modell bei fünf Bambusarten, nämlich B.balcooa, B.nutans, D.hamiltonii, D.stocksii und B.vulgaris, mit maximaler Anpassungs- und Vorhersagegenauigkeit besser abschneidet als das A1- und A3-Modell. Hier wurde die höchste Anpassungsgenauigkeit von A2 durch den höchsten Adj.R2 (0,80–0,89), den niedrigsten AIC (253,26–545,05) und BIC (205,72–563,01) beobachtet. Die höchste Vorhersagegenauigkeit von A2 wurde durch die niedrigsten ABias (− 8,24 bis 6,11 %), ARMSE (1,71–3,93) und AMAPE (11,10–23,98 %) definiert. A3 erwies sich dagegen als am besten geeignet für D. strictus hat die höchste Anpassungsgenauigkeit [höchster Adj.R2 (0,96), niedrigster AIC (283,21) und BIC (315,57)] und den niedrigsten Vorhersagefehler [ABias (− 2,62 %) ARMSE (0,79) und AMAPE (27,21 %)].

Die Ergebnisse des angepassten allometrischen Modells der allgemeinen Leistungsform für die H-D-Modellierung in den sieben Bambusarten zeigten, dass der Adj.R2-Wert des angepassten Modells für die sieben Bambusarten > 0,7 war, mit Ausnahme der Art B. nutans mit Adj. R2 = 0,69 (Tabelle 9). B. bambos hingegen hatte den höchsten Adj.R2 (0,89), den niedrigsten AIC (156,04) und BIC (497,83). Im Gegensatz dazu wurden die höchsten AIC- (497,83) und BIC-Werte (485,78) bei D.hamiltonii gefunden. Darüber hinaus wurde die Vorhersagegenauigkeit der angepassten Modelle H–D bewertet und es wurde festgestellt, dass die Abweichung der angepassten Modelle zwischen –1,57 (in B. vulgaris) und –3,91 (in D. stocksii) lag. Der RMSE lag zwischen 1,16 (bei D. strictus) und 2,70 (bei D. hamiltonii). Der niedrigste MAPE-Wert (9,34) wurde bei B. bambos gefunden, während der höchste MAPE-Wert (20,52) bei D. hamiltonii beobachtet wurde (Tabelle 10).

Die Biomasse in verschiedenen Komponenten zeigte den maximalen Beitrag von Halmen, gefolgt von Ästen und Blättern, mit Ausnahme von B. vulgaris, wo die Blattbiomasse größer war als die Zweigbiomasse. Die Halmbiomasse folgte der Reihenfolge: B. vulagris > B. balcooa > B. nutans > D. hamiltonii > D. strictus > B. bambos > D. stocksii. Die Zweigbiomasse war bei B. nutans am höchsten, gefolgt von B. balcooa, und am niedrigsten bei D. strictus, während die Blattbiomasse bei B. nutans am höchsten war, gefolgt von B. vulgaris. Die Gesamtbiomasse war bei B. balcooa (212,6 Mg ha-1) am höchsten, gefolgt von B. nutans (209,2 Mg ha-1). Die mittlere Gesamtbiomasse reichte von 11,87 Mg ha-1 pro Jahr bei D. stocksii bis 30,37 Mg ha-1 pro Jahr bei B. balcooa. Die Kohlenstoffspeicherung der Biomasse lag in der vorliegenden Studie im Bereich von 40,8–104,2 mit einer jährlichen Kohlenstoffspeicherrate von 5,83–14,88 Mg ha−1 Jahr−1 (Tabelle 11).

Bei Bambus weist der Halm eine überraschende Biomasseproduktivität auf, da er die Angewohnheit hat, jährlich aus horizontalen Rhizomsystemen zu sprießen, was eine jährliche Ernte ermöglicht, ohne die Bodenoberfläche freizulegen. Bambus spielt eine wichtige Rolle im globalen Kohlenstoffkreislauf, indem er durch seinen Biomasseakkumulationsprozess atmosphärischen Kohlenstoff bindet55,56,57,58. Von den sieben untersuchten Bambusarten ist der Halm unter den drei Hauptbestandteilen der Biomasse (Halm, Zweig und Blattwerk) der wichtigste mit dem höchsten Anteil (69,56–78,71 %) an der oberirdischen Biomasse, der zusammengenommen mehr als doppelt so hoch ist Zweig und Laub. Darüber hinaus hat Bambushalm aufgrund seiner vielseitigen Verwendbarkeit einen hohen kommerziellen Wert59. Die Verteilung des prozentualen (%) Anteils von Halm, Zweig und Laub am oberirdischen Frischgewicht variiert erheblich zwischen verschiedenen Bambusarten (Abb. 2).

Die Analyse der Varianz (ANOVA) ergab eine signifikante (p < 0,05) unterschiedliche Produktivität oberirdischer biometrischer Komponenten (Halmdurchmesser, Halmhöhe, Halmfrischgewicht, Blattfrischgewicht und oberirdisches Frischgewicht) für die sieben Bambusarten. Der HSD-Post-hoc-Test von Tukey ergab, dass D. hamiltonii im Durchschnitt die höchste biometrische Produktivität für Halmdurchmesser D (5,99 cm), Halmhöhe H (11,91 m), Halmfrischgewicht (16,92 kg) und Blattfrischgewicht (1,53) aufweist kg) und oberirdisches Frischgewicht (20,39 kg). Beim Frischgewicht der Zweige wurde zwar festgestellt, dass D. hamiltonii die höchste Produktivität aufwies, jedoch nicht signifikant höher als die von B. balcooa, B. bambos, B. nutans und B. vulgaris (Tabelle 3). Die unterschiedliche Wachstumsrate der sieben Bambusarten zeigte, dass für die Erstellung des Modells für die Biomassevorhersage eine artenspezifische und eher eine allgemeine Beziehungsstudie erforderlich ist.

Es wurde festgestellt, dass das Verhältnis von Trocken- zu Frischgewicht von sieben Bambusarten in verschiedenen Komponenten innerhalb der Art deutlich unterschiedlich war. Das höchste Verhältnis von Trocken- zu Frischgewicht wurde für Halm (0,63), Zweig (0,62) und oberirdische Biomasse (0,61) bei B. nutans gefunden, wohingegen das höchste Verhältnis im Blattwerk (0,53) bei D. strictus erreicht wurde. Die Beziehungsgleichung zwischen Trockengewicht und Frischgewicht zeigte, dass die Variabilität des Frischgewichts direkt proportional zum Trockengewicht (Biomasse) ist (Tabelle 4).

Die allometrische Beziehung ermöglicht eine zerstörungsfreie und indirekte Messung von Biomassekomponenten und ist häufig der bevorzugte Ansatz, da sie weniger zeitaufwändig und kostengünstiger ist als direkte Messungen. Die Biomasseproduktion der sieben Bambusarten weist eine hohe positive Korrelation mit dem Durchmesser auf Brusthöhe (D) und der Halmhöhe (H) auf, hatte jedoch keine signifikante Korrelation mit dem Alter. Dies ähnelte den Ergebnissen von Yen et al.58 für die Bambusarten S. dullooa, P. polymorphum und M. baccifera. Daher wurde D, eine Kombination aus D und H, für die Vorhersage der Biomasse unter Verwendung kombinierter Daten von mehr als drei Jahre alten Bambusplantagen verwendet. Viele Autoren haben bereits festgestellt, dass D und D2H gute Prädiktorvariablen für die allometrische Bambusmodellierung sind59,60,61. Die Ergebnisse zeigten, dass D eine gültige unabhängige Variable war, aber die Verwendung von Volumen (D2H) als zusammengesetzte unabhängige Variable oder die Einbeziehung von H als separate unabhängige Variable führte zu einer weiteren Verbesserung der Vorhersagegenauigkeit sowohl für oberirdische Biomasse als auch für Halmbiomasse mit Ausnahme der Bambusarten B.bambos und B. nutans für frische oberirdische Biomasse und B. bambos für die Vorhersage des Gewichts frischer Halme (Tabellen 5, 6, 7 und 8). Hier hat die Verwendung von H als zusätzliche unabhängige Variable die Vorhersagegenauigkeit nicht verbessert, ein erhöhter Vorhersagefehler kann jedoch auf Messfehler in H-Daten zurückzuführen sein, oder die Einbeziehung von H kann einen Maskierungseffekt auf D während der Modellanpassung haben. A1 mit D allein als unabhängiger Variable schnitt sehr gut ab und lag normalerweise sehr nahe am A2- und A3-Modell. Eine weitere Biomassegleichung, die D als unabhängige Variable verwendet, hat den praktischen Vorteil einer einfachen Messung61,62. Das A1-Modell wurde auch von Yen et al.41, Kaushal et al.36 als zuverlässiges Modell für die Biomassevorhersage beschrieben

Die allgemeine Leistungsform der allometrischen Gleichung A2 mit Volumen (D2H) als unabhängiger Variable erwies sich als am zuverlässigsten für die Vorhersage des oberirdischen Frischgewichts bei den Bambusarten D.stocksii und B.vulgaris, wohingegen A2 für die Vorhersage des Frischgewichts von Halmen bei fünf Bambusarten die beste Lösung darstellte Arten, nämlich B.balcooa, B.nutans, D.hamiltonii, D.stocksii und B.vulgaris. Dieser Befund stimmte mit allometrischen Modellen überein, die von Singnaret al.63 für die Biomassevorhersage in dünnwandigen Bambusarten erstellt wurden, und mit allgemeinen Erkenntnissen von Chave et al.53 in Holzarten zur Vorhersage der oberirdischen Biomasse unter Verwendung des Baumstammvolumens (D2H).

Die allometrische Gleichung A3 mit drei Parametern und D und H als unabhängige Variablen erwies sich bei den Bambusarten B. balcooa, D. hamiltonii und D. strictus als am zuverlässigsten für die Vorhersage des oberirdischen Frischgewichts, wohingegen A3 für die Vorhersage des Frischhalmgewichts das am besten geeignete Modell war D. strictus. Für A3 bot die Verwendung von D und H als unabhängige Variablen mehr Flexibilität, um eine Beziehung zur Biomassereaktion herzustellen.

Die Anpassungs- und Vorhersagegenauigkeit der am besten angepassten allometrischen Modelle für die Vorhersage von Frischgewichten über dem Gewicht wurde visuell anhand von Liniendiagrammen untersucht. Das Residuendiagramm der Vorhersagefehlerwerte zeigte, dass allometrische Modelle, die die Methode der gewichteten nichtlinearen Modellierung mit maximaler Wahrscheinlichkeit mit festen Effekten verwenden, die heteroskedastische Beziehung zwischen der Biomassereaktion und den Prädiktorvariablen gut erfassen und viel niedrigere Residuen erzeugen. Darüber hinaus wurde festgestellt, dass die Residuen optisch zufällig (kein Muster) waren, was auf eine hohe Anpassungsgenauigkeit hinweist (Abb. 3 und 4).

Vorhersagemodelle für die Biomasseschätzung lieferten die besten Statistiken zur Anpassungsgüte und erhöhten die statistische Effizienz bei der Biomasseschätzung. Das Kreuzvalidierungsverfahren ergab, dass die Parameterwerte in den Modellen stabil sind und die Modelle daher zuverlässig Biomasse vorhersagen können. Allerdings waren die Modelle datengesteuert, sodass sich die Wachstumsbeziehungen mit der Änderung der klimatischen Bedingungen ändern und die entwickelten Modelle nur innerhalb des bei der Probenahme abgedeckten DBH- und Höhenbereichs gültig sind und auch andere Variationsquellen in der Studie nicht berücksichtigen. Daher sind diese Modelle nur auf Bambusarten mit ähnlichen Wachstumsbedingungen anwendbar.

Sehr häufig konnten die am besten angepassten allometrischen Modelle aufgrund der fehlenden Beobachtung von H64 nicht angewendet werden. Synthetische H-Werte wurden als Proxy-H unter Verwendung des allometrischen HD-Modells generiert, um den H-Wert zu erhalten. Die für die sieben Bambusarten entwickelte H-D-allometrische Gleichung ergab eine hohe Anpassungsgenauigkeit mit hohem Adj.R2 (> 0,7), mit Ausnahme von B. nutans (0,69). Die höchste Anpassungsgenauigkeit wurde bei B. bambos beobachtet, während der niedrigste Wert bei D. hamiltonii beobachtet wurde (Tabellen 9 und 10). Ein ähnliches Ergebnis wurde auch von Kempeset al.24 und Sileshi25 festgestellt. Die H-D-Beziehung wurde unter Verwendung einer > 3 Jahre alten Bambusplantage entwickelt, bei der H ein Plateau erreichte, d. h. es gab kein Wachstum in Durchmesser und Höhe65. Nach unserem Kenntnisstand hat diese Studie zum ersten Mal eine allometrische Modellierung zur Quantifizierung der H-D-Beziehung zwischen den sieben Bambusarten, nämlich B. bambos, B. nutans, D. stocksii, B. vulgaris und B. balcooa, etabliert , D. hamiltonii und D. strictus.

Die Biomasse verschiedener Bambusarten reichte von 83,1 bei D. stocksii bis 212,6 bei B. balcooa. Insgesamt sind die Werte von D. stocksii B. bambos, D. strictus und D. hamiltonii in der vorliegenden Studie (83,1–115,5 Mg ha-1) geringer als die Werte (206–212,6 Mg ha-1) von B. vulgaris, B. nutans und B. balcooa. Der Unterschied in der Biomasse wird auf die Unterschiede in der Halmgröße, der Halmhöhe und der Halmdichte der Bambusarten sowie auf deren unterschiedlichen Ressourcenbedarf (Wasser, Licht, Nährstoffe usw.) und deren Nutzungseffizienz zurückgeführt. Unsere Werte liegen im Bereich der gemeldeten durchschnittlichen Bambusbiomasse von 124 Mg ha-1, mit einem Bereich von 60–242 Mg ha-1 16. Unsere Biomassewerte für D. strictus (90,7 Mg/ha für 7 Jahre) sind vergleichsweise höher als der gemeldete Wert von 11–36 Mg ha−1 für reife (5 Jahre alte Halme auf > 20 Jahre alten Horsten) trockene tropische Bambussavanne mit einer Dichte von 253–267 ha−1 66 und 30–49 Mg ha−1 in einer 3–5 Jahre alten D. strictus-Plantage in einer trockenen tropischen Region67. Die Werte für B. bambos (89,23 Mg ha-1) sind vergleichsweise viel niedriger als die gemeldeten Werte von 109–167 Mg ha-1 für B. bambos-Plantagen in Ostindien68 und 287 Mg ha-1 für B. bambos in Südindien69. Die niedrigste Biomasse bei B. bambos wird auf die großflächige Sterblichkeit neuer Bambussprossen nach der ersten Klumpenernte im Jahr 2018 zurückgeführt. Die Werte für B. balcooa und B. vulgaris betragen 208 bzw. 212 Mg ha−1 über 7 Jahre mit mittlerer Produktivität von 29–30,3 Mg ha−1J−1 sind höher als die aus Miscanthus produzierte Biomasse (5,9–13 Mg ha−1J−1)70, aber vergleichbar mit den Werten von 121,5 Mg ha−1 für 4 Jahre mit einer durchschnittlichen Produktivität von 30,4 für die Mischung Bestand von B. cacharensis, B. vulgaris und B. balcooa im Nordosten Indiens71.

Der Vergleich von Bambus mit anderen Biomasse produzierenden Arten ergab, dass die Biomasseproduktion von Bambusarten mit der vieler anderer Kurzumtriebsholzarten wie Leucaena leucocephala (87 Mg ha−1 in 5 Jahren) vergleichbar ist. Populus deltoides (48,7–128 Mg ha−1 in 3–9 Jahre alten Plantagen) und Eukalyptus (54,1–101,8 Mg ha−1 in 5 und 8 Jahre alten Plantagen)72,73,74,75.

Die Kohlenstoffspeicherung in der vorliegenden Studie lag zwischen 40,8 und 104,2, was ebenfalls innerhalb der gemeldeten Werte der mittleren Kohlenstoffspeicherwerte von 30 bis 121 Mg ha−1 liegt. 16. Unsere Werte sind jedoch viel niedriger als die Kohlenstoffspeicherwerte von 169 bis 259 Mg C ha-1 in Bambuswäldern in China und Phyllostachys edulis (169,4 Mg C ha-1), Bambusa stenostachya (114 Mg C ha-1) aus Taiwan, Bambusa bambos (143,3 Mg C ha-1) aus Indien14. Die Kohlenstoffspeicherwerte sind jedoch vergleichbar oder höher als die mittleren Schätzungen von 39 und 86 Mg C ha−1, die für Wälder in China und weltweit gemeldet werden76,77. Im Vergleich zu schnell wachsenden Kurzumtriebsbäumen ist die Kohlenstoffspeicherung bei Bambusarten viel höher als die gemeldete oberirdische Kohlenstoffspeicherung von 28,67 Mg ha−1 74 und 22,04–23,23 Mg ha−1 bei Pappeln78.

Die Biomasse-Kohlenstoffspeicherrate liegt in der vorliegenden Studie mit 5,83–14,88 Mg ha–1 Jahr unter der des 10 Jahre alten Dendrocalamus latiflorus (16 Mg ha–1 Jahr)79, liegt jedoch im angegebenen Bereich von 6–24 Mg C ha−1 Jahr−1 für verschiedene Bambusarten weltweit16. Im Vergleich zu anderen Holzbaumarten ist die Kohlenstoffspeicherrate in der vorliegenden Studie höher als bei Grewia optiva (0,63–0,81 Mg ha–1 Jahr)26 und bei anderen agroforstwirtschaftlichen Praktiken (0,29–15,21 Mg ha–1 Jahr–1)80. Der Unterschied im Kohlenstoffbindungspotenzial kann auf Unterschiede in der Baumdichte, im Alter, in der Struktur und in der Kohlenstoffkonzentration in verschiedenen Komponenten zurückgeführt werden26,74.

In dieser Studie wurden artspezifische, zweiparameterige allometrische Gleichungen mit einfacher und zusammengesetzter Regressorvariable sowie dreiparameterige allometrische Gleichungen für oberirdische Biomasse entwickelt. Darüber hinaus wurden auch artspezifische Höhen-Durchmesser-Modelle entwickelt, um die Bambushöhe vorherzusagen, die als Proxy für die Höhenvariable und für allometrische Gleichungen verwendet werden können, ohne die Höhe von Bambus zu messen. Da die allometrischen Gleichungen unter Verwendung strenger Kriterien entwickelt wurden, können wir auch den Schluss ziehen, dass die entwickelten Gleichungen zur Schätzung der Biomasse eine bessere Biomassevorhersage für Halm- und oberirdische Biomasse liefern. Es ist zu erwarten, dass die Modelle die Genauigkeit bei der Schätzung von Biomasse und Kohlenstoffbindung in bambusbasierten Ökosystemen Indiens unter verwalteten natürlichen Beständen oder unter ähnlichen Bedingungen angebauten Plantagen erhöhen werden. Darüber hinaus können die entwickelten Modelle angesichts der breiten Mehrzwecknutzung der Bambusarten Forstfachleuten, Bambusbauern und anderen Interessengruppen nützliche Informationen über Halmbiomasse und oberirdische Biomasse liefern.

Altersmodellierung und Wurzelbiomasse wurden aufgrund einiger methodischer Schwierigkeiten nicht in diese Studie einbezogen. Die zukünftige Einbeziehung dieser Parameter kann die Vorhersagegenauigkeit verbessern. Darüber hinaus wurden diese Modelle aus einem begrenzten Datensatz abgeleitet, der die Ausläufer des Himalaya abdeckt, was ihre Anwendbarkeit auf ähnliche Standortbedingungen einschränkt.

Das Pflanzmaterial wurde von verschiedenen staatlichen Baumschulen aus verschiedenen Teilen des Landes bezogen, für die alle Genehmigungen eingeholt wurden. Die gesamte Sammlung entspricht den relevanten institutionellen, nationalen und internationalen Richtlinien und Gesetzen.

Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim jeweiligen Autor erhältlich.

Vorontsova, MS, Clark, LG, Dransfield, J., Govaerts, RHA & Baker, WJ World Checklist of Bamboos and Rattans 102 (Science Press, 2017).

Google Scholar

Lobovikov, M., Paudel, S., Ball, L., Piazza, M., Guardia, M., Ren, H., Russo, L. & Wu, J. Bambusressourcen der Welt: eine im Rahmen dieses Rahmens erstellte thematische Studie der globalen Waldressourcenbewertung 2005. Food & Agriculture Org., (2007).

FAO. Global Forest Resources Assessment 2020: Hauptbericht, Rom. Zugriff am 18. November 2021. https://www.fao.org/3/ca9825en/ca9825en.pdf. https://doi.org/10.4060/ca9825en (2020).

ISFR http://www.indiaenvironmentportal.org.in/files/file/isfr-fsi-vol1.pdf (Zugriff am 18. November 2021) (2019).

Salam, K. Die Armen verbinden: Bambus, Probleme und Perspektiven. South Asia Bamboo Foundation (SABF) (2013), abgerufen am 17. Dezember 2013 von jeevika.org/bamboo/2g-article-fornbda.docx.

INBAR. Zugriff am 18. November 2021. https://www.inbar.int/global-programmes/.

Osman, AI, Abdelkader, A., Johnston, CR, Morgan, K. & Rooney, DW Thermische Untersuchung und kinetische Modellierung der Verbrennung von Lignozellulose-Biomasse für die Energieerzeugung und andere Anwendungen. Ind. Eng. Chem. Res. 56, 12119–12130 (2017).

Artikel CAS Google Scholar

Fawzy, S., Osman, A., Doran, J. & Rooney, DW Strategien zur Eindämmung des Klimawandels: eine Übersicht. Umgebung. Chem. Lette. 18, 2069–2094 (2020).

Artikel CAS Google Scholar

IPCC. Globale Erwärmung von 1,5 °C. In: Masson-Delmotte, V., Zhai, P., Pörtner, H.-O., Roberts, D., Skea, J., Shukla, PR, Pirani, A., Moufouma-Okia, W., Péan, C., Pidcock, R., Connors, S., Matthews, JBR, Chen, Y., Zhou, X., Gomis, MI, Lonnoy, E., Maycock, T., Tignor, M. und Waterfeld, T . (Hrsg.) Ein IPCC-Sonderbericht über die Auswirkungen der globalen Erwärmung von 1,5 °C über dem vorindustriellen Niveau und die damit verbundenen globalen Treibhausgasemissionspfade im Kontext der Stärkung der globalen Reaktion auf die Bedrohung durch den Klimawandel, nachhaltige Entwicklung und Bemühungen zur Beseitigung der Armut (2018). https://www.ipcc.ch/site/assets/uploads/sites/2/2019/06/SR15_Full_Report_High_Res.pdf (Zugriff am 22. Dezember 2019).

Osman, A. et al. Umwandlung von Biomasse in Biokraftstoffe und Ökobilanz: ein Rückblick. Umgebung. Chem. Lette. 19, 4075–4118 (2021).

Artikel CAS Google Scholar

Balajii, M. & Niju, S. Aus Biokohle gewonnene heterogene Katalysatoren für die Biodieselproduktion. Umgebung. Chem. Lette. 17, 1447–1469. https://doi.org/10.1007/s10311-019-00885-x (2019).

Artikel CAS Google Scholar

Gunarathne, V., Ashiq, A., Ramanayaka, S., Wijekoon, P. & Vithanage, M. Biokohle aus Siedlungsabfällen zur Ressourcenrückgewinnung und Schadstoffsanierung. Umgebung. Chem. Lette. 17, 1225–1235. https://doi.org/10.1007/s10311-019-00866-0 (2019).

Artikel CAS Google Scholar

Lobovikov, M., Schoene, D. & Yping, L. Bambus im Klimawandel und ländlichen Lebensunterhalt. Mitig. Anpassen. Strateg. Globus. Änderung 17, 261–276 (2012).

Artikel Google Scholar

Yuen, JQ, Fung, T. & Ziegler, AD Kohlenstoffvorräte in Bambusökosystemen weltweit: Schätzungen und Unsicherheiten. Für. Ökologisch. Geschäftsführer 393, 113–138 (2017).

Artikel Google Scholar

Devi, AS & Singh, KS Potenzial zur Kohlenstoffspeicherung und -bindung in oberirdischer Bambusbiomasse im Nordosten Indiens. Wissenschaft. Rep. 11, 837 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Nath, AJ, Lal, R. & Das, AK Bewirtschaftung von Bambusholz für Kohlenstoffanbau und Kohlenstoffhandel. Globus. Ökologisch. Konserv. 3, 654–663 (2015).

Artikel Google Scholar

UNFCCC. Neununddreißigste Sitzung des Vorstands des Clean Development Mechanism. UN-Campus, Langer Eugen, Hermann-Ehlers-Str. 10, 53113 Bonn, Deutschland (2008).

FTFA. Nahrung und Bäume für Afrika. Die weltweit ersten Bambus-Kohlenstoff-Kompensationsgutschriften, die im Rahmen des VCS im freiwilligen Kohlenstoffmarkt ausgegeben werden. In:trees.co.za (2012).

Sharma, R., Wahono, J. & Baral, H. Bambus als alternative Bioenergiepflanze und starker Verbündeter für die Landsanierung in Indonesien. Nachhaltigkeit 10, 4367 (2018).

Artikel Google Scholar

Chin, KL et al. Bioenergieproduktion aus Bambus: potenzielle Quelle aus malaysischer Sicht. Bioresources 12, 6844–6867 (2017).

Artikel CAS Google Scholar

Littlewood, J., Wang, L., Tumbull, C. & Murphy, RJ Technoökonomisches Potenzial von Bioethanol aus Bambus in China. Biotechnologie. Biokraftstoffe 6, 173–173 (2013).

Artikel PubMed PubMed Central Google Scholar

Buckingham, K. et al. Das Potenzial von Bambus wird durch veraltete politische Rahmenbedingungen eingeschränkt. Ambio 40, 544–548 (2011).

Artikel PubMed PubMed Central Google Scholar

IPCC shorturl.at/bguxF (Zugriff am 18. November 2021) (2003).

Kempes, CP, West, GB, Crowell, K. & Girvan, M. Vorhersage maximaler Baumhöhen und anderer Merkmale anhand allometrischer Skalierung und Ressourcenbeschränkungen. PLoS ONE 6(6), e20551 (2011).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Sileshi, GW Eine kritische Überprüfung von Modellen zur Schätzung der Waldbiomasse, häufigen Fehlern und Korrekturmaßnahmen. Für. Ökologisch. Geschäftsführer 329, 237–254 (2014).

Artikel Google Scholar

Verma, A. et al. Vorhersagemodelle für die Schätzung von Biomasse und Kohlenstoffvorräten in Grewia optiva auf degradierten Flächen im westlichen Himalaya. Agrofor. Syst. 88(5), 895–905 (2014).

Artikel Google Scholar

Gao, X. et al. Modellierung der Höhen-Durchmesser-Beziehung mithilfe eines allometrischen Gleichungsmodells: eine Fallstudie von Beständen von Phyllostachys edulis. J. Für. Res. 27, 339–347 (2016).

Artikel CAS Google Scholar

Huy, B. & Long, TT Ein Handbuch zur Biomasse- und Kohlenstoffbewertung von Bambuswäldern, technischer Bericht von INBAR (2019).https://www.inbar.int/resources/inbar_publications/a-manual-for-bamboo-forest-biomass -and-carbon-assessment/ (Zugriff am 18. November 2021).

Brahma, B. et al. Eine kritische Überprüfung der Gleichungen zur Schätzung der Waldbiomasse in Indien. Bäume für. Menschen 5, 100098. https://doi.org/10.1016/j.tfp.2021.100098 (2021).

Artikel Google Scholar

Yen, TM, Ji, YJ & Lee, JS Schätzung der Biomasseproduktion und Kohlenstoffspeicherung für eine schnell wachsende Makino-Bambuspflanze (Phyllostachys makinoi) basierend auf dem Durchmesserverteilungsmodell. Für. Ökologisch. Geschäftsführer 260, 339–344. https://doi.org/10.1016/j.foreco.2010.04.021 (2010).

Artikel Google Scholar

FAO. Richtlinien zur destruktiven Messung zur Waldbiomasseschätzung (FAO, Rom, 2012).

Yen, TM Vergleich der oberirdischen Struktur und der oberirdischen Kohlenstoffspeicherung einer Altersreihe von Moso-Bambuswäldern, die unterschiedlichen Bewirtschaftungsstrategien unterzogen wurden. J. Für. Res. 20, 1–8 (2015).

Artikel CAS Google Scholar

Yuen, JQ, Fung, T. & Ziegler, AD Kohlenstoffvorräte im Bambus-Ökosystem weltweit: Schätzungen und Unsicherheiten. Für. Ökologisch. Geschäftsführer 393, 113–138 (2017).

Artikel Google Scholar

Nath, AJ, Das, G. & Das, AK Oberirdisch stehende Biomasse und Kohlenstoffspeicherung in Dorfbambusbäumen im Nordosten Indiens. Biomass Bioenergy 33, 1188–1196 (2009).

Artikel Google Scholar

Rawat, RS, Arora, G., Rawat, VRS, Borah, HR, Singson, MZ, Chandra, G., Nautiyal, R. & Rawat, J. Schätzung der Biomasse und des Kohlenstoffbestands von Bambusarten durch Entwicklung allometrischer Gleichungen. Indischer Rat für forstwirtschaftliche Forschung und Bildung, Dehradun, INDIEN (2018).

Tripathi, SK & Singh, KP Produktivität und Nährstoffkreislauf in kürzlich geernteten und reifen Bambussavannen in den trockenen Tropen. J. Appl. Ökologisch. 31, 109–124 (1994).

Artikel Google Scholar

Kaushal, R. et al. Vorhersagemodelle zur Schätzung der Biomasse und des Kohlenstoffbestands in männlichem Bambus (Dendrocalamus strictus L.) im Doon-Tal, Indien. Acta Ecol. Sünde. 36, 469–476 (2016).

Artikel Google Scholar

Das, D. & Chaturvedi, OP Bambusa bambos (L.) Voss-Plantage in Ostindien: I. Halmrekrutierung, Trockenmassedynamik und Kohlenstofffluss. J. Bamboo Rattan 5(1&2), 47–59 (2006).

Google Scholar

Shanmughavel, P. & Francis, K. Oberirdische Biomasseproduktion und Nährstoffverteilung beim wachsenden Bambus (Bambusa bambos (L.) Voss). Biomass Bioenergy 10(5/6), 383–91 (1996).

Artikel CAS Google Scholar

Seethalakshmi, KK & Kumar, M. Bamboos of India: Ein Kompendium. Kerala Forest Research Institute, Peechi und International Network for Bamboo and Rattan, Peking (1998).

Yen, TM, Ji, YJ & Lee, JS Schätzung der Biomasseproduktion und Kohlenstoffspeicherung für eine schnell wachsende Makino-Bambuspflanze (Phyllostachys makinoi) basierend auf dem Durchmesserverteilungsmodell. Für. Ökologisch. Geschäftsführer 260, 339–344. https://doi.org/10.1016/j.foreco.2010.04.021 (2010).

Artikel Google Scholar

FAO. Richtlinien zur destruktiven Messung zur Waldbiomasseschätzung (FAO, Rom, 2012).

Huy, B. et al. Allometrische Gleichungen zur Schätzung der oberirdischen Baumbiomasse in immergrünen Laubwäldern Vietnams. Für. Ökologisch. Geschäftsführer 382, 193–205 (2016).

Artikel Google Scholar

Huy, B. et al. Allometrische Gleichungen zur Schätzung der oberirdischen Baumbiomasse in tropischen Dipterocarp-Wäldern Vietnams. Wälder 7(180), 1–19 (2016).

Google Scholar

Huy, B., Poudel, KP & Temesgen, H. „Oberirdische Biomassegleichungen für immergrüne Laubwälder in der Süd-Zentral-Küstenökoregion Vietnams: Auswahl ökoregionaler oder pantropischer Modelle“. Für. Ökologisch. Geschäftsführer 376, 276–283 (2016).

Artikel Google Scholar

Akaike, H. Informationstheorie als Erweiterung des Maximum-Likelihood-Prinzips. In Petrov, BN & Csaki, FE (Hrsg.) Proceedings of the 2nd International Symposium on Information Theory. Budapest: Akademiai Kiado, 267–281 (1973).

Schwarz, GE Schätzung der Dimension eines Modells. Ann. Stat. 6(2), 461–464 (1978).

Artikel MathSciNet MATH Google Scholar

Huy, B. Methodik zur Entwicklung und Kreuzvalidierung allometrischer Gleichungen zur Schätzung der Waldbaumbiomasse. HCM City: Science & Technology, 238 (2017a).

Huy, B. Statistische Informatik in der Forstwirtschaft. HCM City: Science & Technology, 282 (2017b).

Huy, B., Tinh, NT, Poudel, KP, Frank, BM & Temesgen, H. Taxonspezifische Modellierungssysteme zur Verbesserung der Zuverlässigkeit der oberirdischen Baumbiomasse und ihrer Komponentenschätzungen in tropischen trockenen Dipterocarp-Wäldern. Für. Ökologisch. Geschäftsführer 437, 156–174 (2019).

Artikel Google Scholar

Huy, B., Thanh, GT, Poudel, KP & Temesgen, H. Individuelle pflanzenallometrische Gleichungen zur Schätzung der oberirdischen Biomasse und ihrer Bestandteile für eine häufige Bambusart (Bambusa procera A. Chev. und A Camus) in tropischen Wäldern. Wälder 10, 1–17 (2019).

Artikel Google Scholar

Mayer, GD & Butler, GD Statistische Validierung. Ökologisch. Modell. 68, 21–32 (1993).

Artikel Google Scholar

Chave, J. et al. Baumallometrie und verbesserte Schätzung der Kohlenstoffvorräte und des Kohlenstoffgleichgewichts in tropischen Wäldern. Oecologia 145, 87–99 (2005).

Artikel ADS CAS PubMed Google Scholar

Basuki, TM, Van Laake, PE, Skidmore, AK & Hussin, YA Allometrische Gleichungen zur Schätzung der oberirdischen Biomasse in den Dipterocarp-Wäldern im tropischen Tiefland. Für. Ökologisch. Geschäftsführer 257, 1684–1694 (2009).

Artikel Google Scholar

Kaushal, R. et al. Wurzelverhalten und Bodeneigenschaften bei verschiedenen Bambusarten im westlichen Himalaya-Vorland, Indien. Wissenschaft. Rep. 10, 4966 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Kramer, PJ & Kozlowski, TT Physiology of Wood Plants 628–702 (McGraw Hill, 1979).

Google Scholar

IPCC Verfügbar unter http://www.ipcc.ch. Zugriff: Oktober 2008 (2008).

Yen, TM, Ji, YJ & Lee, JS Schätzung der Biomasseproduktion und Kohlenstoffspeicherung für eine schnell wachsende Makino-Bambuspflanze (Phyllostachys makinoi) basierend auf dem Durchmesserverteilungsmodell. Für. Ökologisch. Geschäftsführer 260, 339–344 (2010).

Artikel Google Scholar

Inoue, A., Sakamoto, S., Suga, H., Kitazato, H. & Sakuta, K. Konstruktion einer Einweg-Volumentabelle für die drei wichtigsten nützlichen Bambusarten in Japan. J. Für. Res. 18, 323–334 (2013).

Artikel Google Scholar

Kralicek, K., Huy, B., Poudel, KP, Temesgen, H. & Salas, C. Gleichzeitige Schätzung der ober- und unterirdischen Biomasse in tropischen Wäldern Vietnams. Für. Ökologisch. Geschäftsführer 390, 147–156 (2017).

Artikel Google Scholar

Montes, N., Gauquelin, W., Badri, V., Bertaudiere, EH & Zaoui, A. Eine zerstörungsfreie Methode zur Schätzung der oberirdischen Waldbiomasse in gefährdeten Wäldern. Für. Ökologisch. Geschäftsführer 130, 37–46 (2000).

Artikel Google Scholar

Verma, A. et al. Vorhersagemodelle für die Schätzung von Biomasse und Kohlenstoffvorräten in Grewia optiva auf degradierten Flächen im westlichen Himalaya. Agrofor. Syst. 88, 895–905. https://doi.org/10.1007/s10457-014-9734-1 (2014).

Artikel Google Scholar

Singnar, P. et al. Allometrische Skalierung, Biomasseakkumulation und Kohlenstoffvorräte in unterschiedlich alten Beständen dünnwandiger Bambusarten Schizostachyum dullooa, Pseudostachyum polymorphum und Melocanna baccifera. Für. Ökologisch. Geschäftsführer 395, 81–91. https://doi.org/10.1016/j.foreco.2017.04.001 (2017).

Artikel Google Scholar

Huang, S., Price, D. & Titus, SJ Entwicklung ökoregionbasierter Höhendurchmessermodelle für Weißfichten in borealen Wäldern. Für. Ökologisch. Geschäftsführer 129, 125–141 (2000).

Artikel Google Scholar

Yen, TM Halmhöhenentwicklung, Biomasseakkumulation und Kohlenstoffspeicherung in einem anfänglichen Wachstumsstadium für einen schnell wachsenden Moso-Bambus (Phyllostachy pubescens). Bot. Zucht. 57, 10 (2016).

Artikel PubMed PubMed Central Google Scholar

Tripathi, SK & Singh, KP Halmenrekrutierung, Trockenmassedynamik und Kohlenstofffluss in kürzlich geernteten und ausgewachsenen Bambussavannen in den trockenen Tropen Indiens. Ökologisch. Res. 11, 149–164 (1996).

Artikel Google Scholar

Singh, AN & Singh, JS Biomasse, Nettoprimärproduktion und Einfluss der Bambusplantage auf die Bodensanierung in einer trockenen tropischen Region. Für. Ökologisch. Geschäftsführer 119, 195–207 (1999).

Artikel Google Scholar

Das, DK & Chaturvedi, OP Bambusa bambos (L.) Voss-Plantage in Ostindien: I. Halmrekrutierung, Trockenmassedynamik und Kohlenstofffluss. J. Bamboo Rattan 5, 47–59 (2006).

Google Scholar

Shanmughavel, P. & Francis, K. Oberirdische Biomasseproduktion und Nährstoffverteilung beim wachsenden Bambus (Bambusa bambos (L.) Voss). Biomass Bioenergy 10, 383–391 (1996).

Artikel CAS Google Scholar

Arnoult, S. & Brancourt-Hulmel, M. Ein Überblick über die Produktion und Zusammensetzung von Miscanthus-Biomasse für die Bioenergienutzung: genotypische und umweltbedingte Variabilität und Auswirkungen auf die Zucht. Bioenergie Res. 8, 502–526 (2015).

Artikel CAS Google Scholar

Nath, AJ, Das, G. & Das, AK Oberirdisch stehende Biomasse und Kohlenstoffspeicherung in Dorfbambusbäumen im Nordosten Indiens. Biomass Bioenergy 33, 1188–1196 (2009).

Artikel Google Scholar

Bargali, SS, Singh, SP & Singh, R. Struktur und Funktion einer Altersreihe von Eukalyptusplantagen im zentralen Himalaya I. Dynamik der Trockenmasse. Ann. Bot. 69, 405–411 (1992).

Artikel Google Scholar

Rizvi, RH, Dhyani, SK, Yadav, RS & Ramesh, S. Biomasseproduktion und Kohlenstoffbestand von Pappel-Agroforstsystemen in den Distrikten Yamunanagar und Saharanpur im Nordwesten Indiens. Curr. Wissenschaft. 100, 736–742 (2011).

CAS Google Scholar

Kanime, N. et al. Biomasseproduktion und Kohlenstoffbindung in verschiedenen Baumsystemen der zentralen Himalaya-Tarai-Region. For Trees Livelihoods 22(1), 38–50 (2013).

Artikel Google Scholar

Arora, G. et al. Wachstum, Biomasse, Kohlenstoffvorräte und Sequestrierung in Altersreihen von Populus deltoides-Plantagen in der Tarai-Region im zentralen Himalaya. Türke. J. Agrar. Für. https://doi.org/10.3906/tar-1307-94 (2013).

Artikel Google Scholar

Song, X. et al. Kohlenstoffbindung durch chinesische Bambuswälder und ihre ökologischen Vorteile: Bewertung von Potenzialen, Problemen und zukünftigen Herausforderungen. Umgebung. Rev. 19, 418–428 (2011).

Artikel CAS Google Scholar

Winjum, JK, Dixon, RC & Schroeder, PE Kohlenstoffspeicherung in Waldplantagen und deren Holzprodukten. J. Weltressource. Geschäftsführer 8, 1–19 (1997).

Google Scholar

Yadava, AK Biomasseproduktion und Kohlenstoffbindung in verschiedenen Agroforstsystemen der Tarai-Region. Indisch für. 136(2), 234–244 (2010).

Google Scholar

Lou, Y., Li, Y., Buckingham, K., Henley, G. & Zhou, G. Bambus und Klimaschutz: eine vergleichende Analyse der Kohlenstoffbindung. Im International Network for Bamboo and Rattan (INBAR), Peking (2010).

Nair, PKR, Kumar, BM & Nair, VD Agroforstwirtschaft als Strategie zur Kohlenstoffbindung. J. Pflanzennähr. Bodenwissenschaft. 172, 10–23 (2009).

Artikel CAS Google Scholar

Referenzen herunterladen

Die von beiden Förderstellen erhaltene finanzielle Unterstützung wird gebührend gewürdigt. Wir danken auch ICAR und dem Direktor ICAR-IISWC für die Erlaubnis zur Durchführung des Experiments. Wir danken Herrn UVS Chauhan und Herrn Ravish für die technische Unterstützung.

Diese Forschung wurde von der National Bamboo Mission, Neu-Delhi, dem State Forest Department, Uttarakhand, Indien und der International Bamboo and Rattan Organization (INBAR) durch Zuschüsse des IFAD und der niederländischen Regierung sowie vom CGIAR Research Program on Forests, Trees and Agroforestry (FTA) finanziert ).

ICAR-Indisches Institut für Boden- und Wasserschutz, 218, Kaulagarh Road, Dehradun, 248 195, Indien

R. Kaushal, S. Islam, JMS Tomar, S. Thapliyal, M. Madhu, Tarun Singh und Avnindra Singh

GB Pant Universität für Landwirtschaft und Technologie, Pantnagar, Indien

Salil Tewari

Internationale Organisation für Bambus und Rattan, Peking, China

TL Trinh & J. Durai

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

RK, SI, ST, JD konzipierten die Forschung und gestalteten die Experimente; RK trug zu experimentellen Materialien bei; JMST, STTS, AS führten die experimentelle Datenerfassung durch, RK, SI führten die Datenanalyse und -interpretation durch; SI, RK, MM haben das Manuskript erstellt; TLT und JD stellten die Finanzierung sicher und redigierten das Manuskript. Alle Autoren haben das Manuskript überprüft.

Korrespondenz mit S. Islam.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Kaushal, R., Islam, S., Tewari, S. et al. Ein allometrischer modellbasierter Ansatz zur Schätzung der Biomasse von sieben indischen Bambusarten in den westlichen Ausläufern des Himalaya, Indien. Sci Rep 12, 7527 (2022). https://doi.org/10.1038/s41598-022-11394-3

Zitat herunterladen

Eingegangen: 23. November 2021

Angenommen: 15. April 2022

Veröffentlicht: 09. Mai 2022

DOI: https://doi.org/10.1038/s41598-022-11394-3

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.