中国南亚热带天然栎林生物量碳储量的林分结构主导作用及阈值效应研究

本研究针对亚热带天然栎林碳汇机制不清、缺乏精准调控依据的问题，通过分析170个样地数据，结合XGBoost机器学习与SHAP解释性分析，揭示了林分结构是调控森林碳储量的主导因子（解释度>90%），首次明确了胸径(13.54–13.86 cm)、密度(1082–2407 trees hm?2)、年龄等关键因子的阈值效应及二阶交互作用，为碳中和目标下的森林精准管理提供了科学支撑。

　　

在全球气候变化背景下，森林碳汇功能日益成为缓解温室效应的重要途径。天然林因其稳定性、生物多样性和生态功能，在长期碳储存中扮演着关键角色。中国亚热带地区的天然栎林广泛分布于中低山地带，展现出显著的碳 sequestration 潜力和生态恢复价值。然而，关于驱动这些森林碳储量变化的主要因素，尤其是林分结构的调控作用及其具体阈值范围，当前认识仍不够清晰。传统研究方法往往局限于线性模型，难以捕捉多因子间复杂的非线性关系和交互效应，这限制了对森林碳汇机制深入理解的能力。

为攻克这些难题，一项发表在《Ecological Indicators》上的研究对中国湖南省亚热带天然栎林的生物量碳储存机制进行了深入探索。该研究旨在阐明林分结构和环境因子对森林碳储量（包括地上、地下和总碳储量）的调控影响，并识别关键驱动因子的阈值范围，从而为提升森林碳汇能力、支持碳中和目标提供精确的管理基础。

研究人员系统收集了湖南省170个天然栎林永久样地的数据。这些样地来源于国家森林资源连续清查体系，每个样地面积为25.82米×25.82米。研究团队详细测量了林分结构属性（如起源、优势树种、平均年龄、树高、郁闭度、密度等）、地形因子（海拔、坡度、坡向）以及土壤特性（类型、厚度、腐殖质层厚度）。个体树木数据包括树种、坐标、胸径、树高和材积。基于林分为天然起源、郁闭度≥0.2、树干密度≥300株/公顷、栎类断面积比≥10%的标准，最终筛选出170个符合条件的天然栎林样地用于分析。

在技术方法上，本研究综合运用了多种先进统计与机器学习技术。首先，通过LASSO回归结合方差膨胀因子分析进行特征变量选择，以消除多重共线性并筛选出对森林碳储量有显著影响的预测变量。随后，采用Spearman相关分析探讨各因子与碳储量之间的关联。核心建模部分比较了四种集成树机器学习模型（随机森林RF、XGBoost-XGB、LightGBM-LGBM、梯度提升决策树GBDT）的预测性能，并利用贝叶斯优化进行超参数调优，最终选定预测精度最高的XGBoost模型作为主要分析工具。为增强模型的可解释性，研究引入了SHAP分析框架，量化各变量的总效应、主效应及二阶交互效应。此外，通过广义可加模型和分段线性回归进行阈值效应分析，识别关键驱动因子对碳储量影响的非线性转折点。

3.1. 影响因子选择及其与森林碳储量的相关性

通过两阶段（LASSO回归+VIF诊断）特征选择，最终为地上碳储量FACS和总碳储量FCS确定了13个特征变量（10个林分结构变量、2个土壤变量、1个气候变量），为地下碳储量FBCS确定了14个变量（额外包含1个地形变量）。Spearman相关分析表明，林分结构因子如平均胸径Dg、平均树高H、林龄Age、密度Nd和森林层指数S_index均与FACS、FBCS、FCS呈极显著正相关。

3.2. 机器学习模型的性能评估与选择

在四种机器学习模型中，XGBoost在预测FACS、FBCS和FCS方面均表现出最优性能，测试集R²最高，RMSE和MAE最低，因此被选为后续SHAP分析和结果解释的基础模型。

3.3. 基于可解释XGB模型的森林碳储量驱动因子分析

3.3.1. 对森林碳储量的总效应

SHAP分析显示，林分结构是调控森林碳储量的绝对主导因子，对FACS、FBCS和FCS的解释方差分别达到92.1%、92.4%和91.5%。关键驱动因子包括平均胸径Dg、林分密度Nd、林龄Age和平均树高H。环境因子（气候、土壤、地形）的贡献相对较小。

3.3.2. 对森林碳储量的主效应

主效应分析反映了变量独立于其他变量的影响。与总效应相比，主效应的SHAP值分布范围更窄，幅度更小，表明变量间的交互作用对总效应有重要贡献。Dg、Age等因子在主效应中依然表现出显著影响力。

3.3.3. 对森林碳储量的交互效应

二阶交互效应分析揭示了变量间复杂的协同或拮抗关系。对于FACS，林分结构因子间的交互（如Dg与Nd）效应突出。FBCS受交互效应影响较弱。FCS则表现出“林分结构主导、多因子增强”的交互特征，例如Age与气候因子MAP或土壤氮素的交互。

3.4. 关键驱动因子对森林碳储量的阈值分析

阈值分析揭示了关键林分结构因子与碳储量间的显著非线性关系：

• •
  平均胸径Dg：当Dg低于阈值（FACS: 13.59 cm, FBCS: 13.86 cm, FCS: 13.54 cm）时，其对碳储量的影响为负或增长缓慢；超过阈值后，影响转为正且增长迅速。
• •
  林分密度Nd：存在最优密度区间（FACS: 1105–2344 trees hm^?2, FBCS: 1216–2406 trees hm^?2, FCS: 1082–2311 trees hm^?2），过低或过高均不利于碳储量积累。
• •
  林龄Age：年龄阈值约为34年，超过后碳储量显著增加，但在约70年后增长率放缓。
• •
  平均树高H：阈值约10.1米，超过后碳储量积极增长，但在约11.3-11.5米后出现波动。
• •
  森林层指数S_index：阈值约为0.09，超过后碳储量增加，在0.32-0.33处影响达到峰值。
• •
  栎类断面积比Q_ratio：阈值约为0.44-0.51，超过后对碳储量的正向影响增强。

研究结论与讨论部分强调，本研究发现林分结构是调控南亚热带天然栎林生物量碳储量的主导因素，其解释力超过90%。研究不仅识别了平均胸径、林分密度、林龄、树高、森林层指数和栎类断面积比等关键驱动因子，更重要的是首次量化了这些因子对碳储量影响的非线性阈值范围。例如，平均胸径的阈值约在13.54–13.86 cm，林分密度的适宜区间约在1082–2407 trees hm^?2。同时，研究揭示了林分结构因子之间、以及林分结构与环境和土壤因子之间存在显著的二阶交互作用，共同影响碳储量的形成与分配。

这项研究的重要意义在于：理论上，它通过整合机器学习、SHAP解释性分析和阈值效应模型，深化了对复杂森林生态系统中碳汇功能多因子协同调控机制的理解，突破了传统线性模型的局限。实践上，所识别的关键林分结构参数及其阈值范围为南亚热带天然栎林的近自然经营和碳汇提升提供了精准、可操作的量化依据。例如，对于林龄在35至70年之间的林分，可通过调控密度（维持在1200–2300 trees hm^?2）、保证平均胸径大于14 cm、平均树高超过11米、森林层指数高于0.1、栎类比例超过50%等措施，有效增强其碳 sequestration 能力。这为区域森林管理实现碳中性目标提供了关键科技支撑，也对全球类似生态系统的碳汇管理具有参考价值。研究也指出未来可结合多期连续清查数据探讨碳储量动态的滞后效应，并将研究范围拓展至更广阔的地理区域以验证结论的普适性。