利用机器学习方法评估全球人工种植红树林与自然生长红树林的生物量比例以及红树林的生物量碳储量

《Environmental Research》：Assessment of Global Planted-to-Natural Mangroves Biomass Ratio and Mangroves Biomass Carbon Stocks by Machine Learning

本研究通过整合大量野外数据，利用机器学习方法首次量化了全球自然红树林地上生物量及人工与自然红树林生物量比例，揭示了淡水输入、海表温度和降水季节性是主要驱动因素，并评估了恢复效果。

　　近年来，红树林生态系统因其在碳储存方面的突出作用，引起了全球范围内的广泛关注。红树林不仅在生物多样性保护、海岸线防护和气候调节等方面发挥着重要作用，而且在应对全球气候变化和减少温室气体排放方面也具有不可替代的价值。然而，尽管其重要性日益凸显，全球红树林的生物量分布，特别是人工种植红树林与自然红树林之间的差异，尚未得到准确的量化。因此，本研究的主要目标是估算全球自然红树林的地上生物量（AGB），并分析人工种植红树林与自然红树林之间的生物量比，同时探讨影响这一比值的关键因素。

本研究提出了一种综合性的机器学习框架，结合了随机森林、因果森林、SHAP（Shapley Additive Explanations）和部分依赖图（Partial Dependence Plot）等方法，用于估算全球人工种植红树林与自然红树林之间的地上生物量比，并深入分析其影响因素。该框架整合了来自4,647个自然红树林样地和737个人工种植红树林样地的实地数据，以及55个生物地理和人为因素。研究结果显示，该模型能够解释全球自然红树林地上生物量70.52%的变异，其平均密度为193.42 Mg/ha。主要的驱动因素包括淡水排放、海面温度和降水季节性。相比之下，人工种植红树林的平均地上生物量密度为104.7 Mg/ha，对蒸散发和人类可达性表现出更高的敏感性。

目前，全球红树林的碳储量估计为2 PgC（1 Pg = 10^15克），其中印度尼西亚、巴西和澳大利亚是红树林碳储量最高的三个国家。研究还指出，如果能够消除人类的干扰，自然红树林的碳储量有望增加0.25 PgC。这些发现为红树林的恢复提供了空间上具体的数据支持，并强调了红树林种植的成功不仅依赖于环境因素，也与社会管理因素密切相关。

在红树林生态系统的研究中，其分布和碳储量的准确评估是实现环境保护目标的关键步骤。因此，近年来越来越多的研究致力于量化全球红树林的地上生物量。现有的方法主要分为两大类：基于遥感的建模和基于生物气候-地理物理的建模。例如，Simard等人（2019）利用遥感技术估算全球红树林高度，并结合高度相关的生物量估算公式，得出全球红树林地上生物量约为1.75 Pg。另一项重要研究则采用随机森林机器学习模型，整合了2,739个实地调查数据集和13个生物物理预测因子，以1°的空间分辨率建模全球红树林地上生物量，估算结果为1.71 Pg。尽管遥感技术能够提供更详细和全面的空间评估，但红树林的地上生物量不仅取决于高度，还受到基面积、树干直径和树木密度等因素的影响。

此外，越来越多的证据表明，提高全球红树林地上生物量的估算精度，不仅需要整合气候、土壤和水文因素，还需要考虑人为变量，如历史干预。因此，整合更广泛的实地观测数据与更全面的环境和人为因素预测因子，对于深入理解全球红树林生物量的分布至关重要。在生物地理过程之外，人工种植红树林与自然红树林之间的差异已被证明对红树林生物量的形成具有关键影响。一项元分析研究表明，人工种植红树林的生物量碳储量可以达到自然红树林的71%至73%。然而，由于环境异质性和多样化的人类干预，这种比值在不同区域表现出显著的局部变化，导致其在空间上的波动。值得注意的是，过去二十年中，人类主导的恢复努力为全球红树林的扩展贡献了约70,740公顷。然而，一个重要的空白依然存在：目前没有全球范围内的红树林生物量量化研究明确考虑人工种植带来的系统性差异。这种缺失可能导致当前全球红树林碳储量估算的误差，并增加对恢复项目碳封存潜力的不确定性。

为了解决这些关键问题，本研究旨在实现以下具体目标：首先，开发一个高分辨率（1公里）的全球自然红树林地上生物量地图，通过整合最全面的实地数据集和一系列生物地理与人为预测因子来实现这一目标。其次，量化全球范围内人工种植红树林与自然红树林地上生物量的比值，生成全球首个空间上明确的这一比值地图。最后，生成一个修订后的全球红树林生物量碳储量估算，明确区分自然与人工种植红树林，并识别其生物量分布的关键环境和人为驱动因素。

本研究的主要创新在于其整合的机器学习框架，以及对人工种植与自然红树林之间生物量差异的明确空间量化。这些差异是当前全球红树林碳储量评估中的主要不确定性来源。通过实现这些目标，本研究旨在提供具有空间分辨率的数据，以指导有效的红树林恢复和保护策略。

在研究方法方面，本研究首先整合了最大的实地数据集，包括4,228个自然红树林样地和737个人工种植红树林样地，显著扩展了以往的研究成果。随后，采用了一种两阶段建模方法，以提高模型的准确性和适用性。在第一阶段，通过随机森林模型对自然红树林的地上生物量进行估算，同时利用因果森林模型分析人工种植红树林与自然红树林之间的生物量比。在第二阶段，通过SHAP和部分依赖图方法，对模型的预测结果进行解释，以识别影响生物量分布的关键因素。这些方法的结合不仅提高了模型的预测能力，还增强了对红树林生态系统复杂性的理解。

本研究的结果表明，自然红树林的地上生物量在全球范围内表现出显著的差异，其主要驱动因素包括淡水排放、海面温度和降水季节性。相比之下，人工种植红树林的地上生物量受到蒸散发和人类可达性的影响更为显著。这种差异可能是由于自然红树林在长期演化过程中适应了特定的环境条件，而人工种植红树林则受到人为管理因素的直接影响。因此，为了提高红树林生物量估算的准确性，需要同时考虑自然和人为因素的影响。

此外，本研究还强调了红树林恢复项目的有效性不仅取决于环境条件，还与社会管理因素密切相关。例如，人类可达性高、管理规范的地区，人工种植红树林的地上生物量可能更高，而人类活动频繁、管理不善的地区，人工种植红树林的地上生物量可能较低。因此，为了实现有效的红树林恢复，需要综合考虑环境和人为因素的影响，并采取相应的管理措施。

在实际应用中，这些研究结果可以为政策制定者和环境管理者提供重要的参考。例如，通过了解自然红树林的地上生物量分布和影响因素，可以制定更加科学的保护策略，以最大限度地提高红树林的碳储存能力。同时，通过分析人工种植红树林与自然红树林之间的生物量比，可以评估不同恢复措施的效果，并优化红树林种植方案。此外，这些结果还可以为国际社会提供数据支持，以推动全球范围内的红树林恢复和保护行动。

在数据可用性方面，本研究的所有数据均公开可获取，以促进学术界和公众对红树林生态系统的研究。此外，研究结果已发布在Zenodo数据库中，以便于进一步的分析和应用。这些数据的开放不仅有助于提高研究的透明度，还能够促进跨学科合作，推动红树林生态系统研究的进一步发展。

在研究结论方面，本研究强调了红树林生态系统在全球碳循环中的重要性，并指出其地上生物量的准确估算和影响因素的深入分析对于实现环境保护目标至关重要。通过采用整合的机器学习框架，本研究不仅提高了模型的预测能力，还提供了空间上具体的数据，以支持红树林的恢复和保护。此外，研究还指出，红树林恢复项目的成功不仅依赖于环境因素，也与社会管理因素密切相关，因此需要综合考虑这些因素，以实现有效的红树林管理。

总之，本研究通过整合广泛的实地数据和先进的机器学习方法，对全球红树林的地上生物量和人工种植与自然红树林之间的生物量比进行了深入分析。这些研究结果不仅提高了对红树林生态系统复杂性的理解，还为红树林的恢复和保护提供了重要的数据支持。通过消除人类干扰，自然红树林的碳储量有望得到显著提升，这将对全球气候变化的应对具有重要意义。同时，这些结果也强调了红树林恢复项目的成功需要综合考虑环境和社会因素，以实现可持续的管理和发展。