基于机器学习整合多源环境数据预测内蒙古呼伦贝尔混交林林分生物量

《Trees, Forests and People》：Machine Learning-Based Prediction of Stand Biomass Using Multi-Source Environmental Data in the Hulunbuir Mixed Forests, Inner Mongolia

本研究针对复杂混交林地上生物量（AGB）精确估算的难题，整合林分结构、物种多样性与多源环境因子，应用随机森林（RF）、支持向量机（SVM）和增强回归树（BRT）三种机器学习算法，构建了高精度预测模型。研究发现，林分断面积（BA）和优势木胸径（DD）是关键预测因子，物种多样性（SIM指数）与气候因子（AHM、MAP）显著影响AGB；最优模型RF-M2解释率达83.9%，为森林碳汇评估和适应性管理提供了科学支撑。

　　

随着全球气候变化加剧，大气二氧化碳浓度持续升高，森林生态系统作为重要碳汇，其碳储量精准评估成为生态学和林业管理的核心议题。尤其是在物种组成复杂的混交林中，生物量估算受林分结构、物种多样性、气候和土壤等多因素交互影响，传统线性模型难以捕捉非线性关系，导致预测存在较大不确定性。中国森林生态系统年固碳量达208.0±44.5 TgC，相当于每年抵消762.0±163.2 TgC二氧化碳，凸显其全球碳平衡中的关键作用。然而，现有研究多聚焦单一林型或忽略环境因子整合，亟需开发多源数据融合的机器学习方法，以提升生物量估算精度并揭示其驱动机制。

为应对这一挑战，研究人员在《Trees, Forests and People》发表论文，以内蒙古呼伦贝尔天然混交林为研究对象，基于99个0.1公顷样地调查数据，整合林分属性（如胸径、树高、断面积）、物种多样性指数（Shannon和Simpson指数）、气候变量（如年均温MAT、年降水MAP、热量湿度指数AHM）、土壤性质（pH、有机碳SOC、全氮TN）和地形因子，采用随机森林（RF）、支持向量机（SVM）和增强回归树（BRT）三种机器学习算法，构建了6个不同变量组合的AGB预测模型（M1-M6），并通过留一法交叉验证（LOOCV）评估模型性能。

研究主要技术方法包括：（1）野外样地调查：在呼伦贝尔5个地区设置99个样地，测量所有DBH≥5 cm树木的胸径、树高和冠层密度，记录物种组成，计算Simpson指数（SIM）和Shannon指数；（2）环境数据获取：使用ClimateAP软件提取样点气候变量，采集0-30 cm土壤样品分析pH、SOC、TN等指标；（3）机器学习建模：优化RF（ntree、mtry）、SVM（核函数、gamma、cost）和BRT（学习率、树数量、深度）超参数，计算变量相对重要性并生成偏依赖图；（4）模型验证：采用R2、RMSE和rRMSE评估预测精度。

研究结果揭示：

1. 1.
   模型性能对比：RF模型总体优于SVM和BRT，其中RF-M2模型（包含BA、DD和SIM）表现最佳（R2=0.839，RMSE=14.691 t/ha）。添加物种多样性和环境变量显著提升预测精度，但全变量模型M6因复杂度增加性能略降。
2. 2.
   变量重要性分析：BA是最关键预测因子（相对重要性>35%），其次为DD（约17%）。物种多样性（SIM）贡献度达3.07%–44.45%，气候因子（AHM、MAP）和土壤pH分别贡献0.03%–15.60%和0.49%–19.21%。
3. 3.
   因子影响机制：偏依赖图显示AGB随BA、DD、地形指数（CIE）和AHM升高而增加，但随SIM、土壤pH和MAP升高而下降。Simpson指数升高反映优势种垄断资源，降低群落多样性，反而抑制生物量积累；过高降水（MAP>500 mm）可能导致养分淋失和根系缺氧，制约AGB增长。
4. 4.
   环境因子作用：气候影响强于土壤，AHM（干旱指数）升高抑制生物量，土壤pH在弱酸性条件下最利于AGB积累，中性或碱性土壤限制营养有效性。

研究结论强调，林分结构（BA、DD）和物种多样性（SIM）是驱动混交林生物量积累的核心要素，整合多源环境数据的机器学习模型能显著提升AGB预测可靠性。该研究为温带混交林碳储量估算提供了可推广的框架，支持了森林管理应优化林分密度、保持结构多样性和增强气候适应性的策略，对实现中国“双碳”目标和森林可持续经营具有重要实践意义。