竞争压力与腐殖质厚度对亚热带杉木死亡率的协同影响机制研究

《Agricultural and Forest Meteorology》：High competition and low humus thickness contribute to Chinese fir mortality in subtropical China

本研究针对杉木人工林死亡率预测精度不足的问题，通过构建混合效应逻辑回归模型，系统解析了树木性状、林分属性、立地条件和气候因子的综合影响。研究发现林分密度（BAlarger）和腐殖质厚度是核心驱动因子，创新性引入plot-level随机效应使模型AUC提升至0.831，为亚热带森林可持续经营提供了量化工具。

　　

在亚热带森林生态系统中，杉木（Cunninghamia lanceolata）作为我国重要的用材树种，其人工林健康经营始终是林业领域的核心议题。然而随着全球气候变化加剧，杉木人工林死亡率波动现象日益凸显，但对其驱动机制的认知仍存在显著空白。传统死亡率模型受限于二元数据特性和空间异质性，在预测精度和机制解析方面面临瓶颈，特别是对多因子交互作用的量化表征不足。这种认知缺口直接制约了人工林精准经营策略的制定，尤其在气候变化背景下如何通过林分结构调整提升生态系统稳定性，成为亟待解决的科学问题。

针对这一挑战，研究团队以江西省杉木人工林为研究对象，创新性地构建了包含plot-level（样地水平）、tree-level（树木水平）和cross-level（嵌套水平）随机效应的混合效应逻辑回归框架。研究基于国家森林连续清查（NFI）2006-2016年的三期动态数据，系统评估了25个潜在预测因子，涵盖树木性状、林分属性、立地条件和气候因子四个维度。通过方差膨胀因子（VIF）诊断排除多重共线性干扰后，最终保留17个核心变量进入模型构建。技术方法的核心突破体现在三个方面：采用混合效应模型处理层次数据结构，利用受试者工作特征曲线（ROC）确定最优分类阈值，通过似然比检验比较不同随机效应结构的模型性能。

选择独立变量

通过方差膨胀因子（VIF）诊断，研究团队从初始25个因子中筛选出17个VIF值≤10的变量作为预测因子，有效规避了多重共线性对模型稳定性的干扰。筛选过程剔除了DBH²、ln(DBH)等衍生变量，确保了变量的独立性和可解释性。

无随机效应模型

基础逻辑回归模型识别出9个显著预测因子，包括树木胸径（DBH）、大于对象木胸高断面积和（BA_larger）、林分断面积（BA）、冠层郁闭度（CC）等竞争指标，以及最热月均温（MWMT）和夏季降水（PJJA）等气候因子。该模型曲线下面积（AUC）为0.740，分类准确率（ACR）达63.7%，但存在未观测异质性导致的估计偏差。

随机效应整合的影响

通过引入不同层次的随机效应，模型性能出现显著分化。plot-level随机效应模型（logit_plot17）表现最优，AUC提升至0.831，ACR达到77.2%。相反，tree-level随机效应模型因过度参数化导致拟合优度下降，cross-level模型则出现收敛困难。似然比检验证实plot-level随机效应可显著改善模型拟合效果（P<0.001）。

最优模型与关键驱动因子

最终确定的logit_plot17模型在截距项、BA_larger和CC三个组分上引入plot-level随机效应。模型识别出四个核心死亡驱动因子：BA_larger（OR=1.032）、CC（OR=1.021）、BA（OR=1.015）和腐殖质厚度（OR=0.956）。其中BA_larger每增加1m²/ha，死亡风险上升3.2%，而腐殖质厚度每增加1cm则风险降低4.4%。

阈值优化算法

通过比较误分类率最小阈值和cut-point阈值，确定0.221为最优分类阈值。该阈值使模型在保持较高灵敏度（0.792）的同时，特异度达到0.761，实现了死亡风险的精准分级。

研究结论表明，高强度竞争（体现为BA_larger和CC）与薄弱腐殖层是驱动杉木死亡的关键生态过滤器。创新性提出的plot-level随机效应模型有效解决了传统方法对空间自相关处理不足的缺陷，为亚热带人工林死亡率预测提供了新范式。实践层面建议通过保留林地表层凋落物增强腐殖质积累，结合适时疏伐调控林分密度，这对提升杉木人工林气候韧性和实现可持续经营具有重要指导意义。该成果为《Agricultural and Forest Meteorology》期刊在森林生态系统建模研究提供了方法论创新案例。