主流实证增长模型预测结果与新西兰辐射松（Pinus radiata (D. Don) 林场实际生长情况之间的差异

《Forest Ecosystems》：Discrepancies between predictions of mainstream empirical growth models and observed forest growth of Pinus radiata (D. Don) plantations in New Zealand

新西兰桉树种植园生长模型（PPM88和300-index）基于2013-2023年永久样方数据验证，发现两者均系统性高估生长量（6.8%-16.2%），且误差随林龄增加扩大，区域差异显著（如坎特伯雷误差大，尼尔森较准确）。气候变化导致温湿度变化及土壤养分下降是主要误差来源，模型未充分纳入环境因子及遗传改良影响，需开发整合环境动态和生理过程的新模型。

　　这项研究围绕新西兰广泛种植的辐射松（*Pinus radiata*）展开，重点评估了两种长期使用且已发展超过三十年的森林生长与产量模型在预测当前森林生长情况时的表现。辐射松是新西兰林业产业的核心树种，占据了全国91%的造林面积，总面积达到170万公顷，同时也是全球最重要的造林树种之一。其快速生长能力和对多种环境条件的适应性，使其成为许多国家的森林资源管理中的关键组成部分。然而，随着气候变化的加速，这些模型的预测能力正面临前所未有的挑战，这不仅影响了森林管理的决策，也对国际气候承诺（如《巴黎协定》）中森林在减缓气候变化方面的作用提出了质疑。

### 一、研究背景与意义

辐射松在新西兰的林业体系中占据着至关重要的地位，不仅因为其经济价值，还因为其在生态服务中的作用。这些树木不仅提供木材等传统产品，还参与碳封存、土壤与水资源保护以及休闲活动等。因此，对森林生长和产量的准确预测对于制定长期的森林管理策略和投资决策至关重要。然而，随着气候条件的变化，传统模型在预测森林生长时逐渐暴露出不足，特别是在较长的轮伐周期内，其预测结果与实际观测数据之间存在显著偏差。这种偏差不仅影响了森林管理的效率，还可能导致投资失误和政策制定的偏差。

研究的核心在于评估两种模型——PPM88（Pumice Plateau Model 1988）和300-index模型（包括其区域漂移版本）——在预测森林生长时的表现。这两种模型是新西兰森林种植者广泛使用的工具，但它们的预测能力是否仍然适用于当前的森林环境，是本研究试图解答的问题。通过分析过去十年（2013–2023）的永久样地（PSPs）数据，研究者希望揭示模型预测与实际观测之间的差距，并探讨其背后的原因。

### 二、研究方法与数据

本研究使用了新西兰全国范围内的永久样地数据，这些数据涵盖了多种年龄、林分大小类别以及主要处于第二或第三轮伐周期的林地。数据集中包含6,407个样地，为模型评估提供了广泛的地理和生态背景。研究者利用FORECASTER建模套件，结合地理边界调整，对模型进行了模拟，以评估其在不同区域和时间尺度上的预测能力。研究还计算了模型的误差指标和拟合度统计量，以衡量模型的准确性。

在模型评估过程中，研究者采用了一种混合方法，既包括定量分析，也包括定性分析。通过残差分析，研究者检查了模型预测结果的正常性和一致性。此外，研究还对不同区域的模拟误差进行了分析，使用重复测量方差分析（ANOVA）方法，并结合Satterthwaite近似自由度，以评估误差的变化情况。研究中还应用了Tukey事后分析和Kenward-Roger近似方法，以确保结果的统计显著性。

### 三、研究结果

研究结果显示，所有模型在预测30年轮伐周期内的森林基面积（BA）和体积（V）时均存在一定程度的高估现象。PPM88模型的误差相对较小，其基面积的平均绝对误差（MAE）为8.39 m2·ha?1，体积的MAE为68.28 m3·ha?1。相比之下，300-index模型及其区域漂移版本的误差更大，分别达到了9.72 m2·ha?1和9.52 m2·ha?1，体积的误差也更高。总体来看，PPM88模型的预测偏差在6.8%至16.2%之间，而300-index模型的偏差则更大。

在区域层面，模型的预测误差存在显著差异。例如，Nelson地区的模型预测结果与实际观测值最为接近，而Canterbury地区的预测误差则明显更大，可能受到异常数据或代表性的不足影响。研究还发现，尽管300-index模型试图通过区域漂移因子来调整偏差，但这种方法并未显著提高模型的预测精度。这表明，模型的预测误差可能更多地与气候条件和土壤特性相关，而不是简单的区域调整。

此外，研究指出，模型在预测早期生长阶段时可能存在一定的偏差。由于大多数生长和产量模型主要关注成熟阶段的生长趋势，而忽略了幼年阶段的生长特性，因此在早期预测中可能存在高估的情况。然而，随着更多数据的积累，这些模型在部分区域（如Nelson、西海岸和南地）表现出较高的准确性，特别是在轮伐期开始前后的林分数据中。

### 四、讨论与挑战

研究结果表明，当前的模型在预测森林生长时存在一定的偏差，这可能与气候变化带来的影响密切相关。全球范围内的研究已经表明，气候变化正在对森林生产力产生深远影响，特别是在温度上升和降水模式变化的背景下。例如，在德国，挪威云杉的SI（立地指数）因气候变化而受到影响，温度升高导致SI降低，但湿度较高的地区则可能表现出更高的生产力。这种趋势在新西兰也有所体现，尤其是Nelson地区，其变干和变暖的气候条件与Pumice Plateau地区的早期条件相似，这可能是PPM88模型在该地区表现较好的原因之一。

然而，研究也发现，模型的预测误差并不完全由气候因素引起，而是可能与多种因素相关，包括土壤条件的变化、林分结构的调整以及遗传改良的影响。例如，随着辐射松的遗传改良，其生长速度和产量可能有所提高，但这种改良的效应在不同林分中存在差异，因此难以通过单一模型来准确预测。此外，林分间的竞争关系也可能影响模型的准确性，尤其是在林冠闭合之后，树木之间的竞争成为生长的主要驱动力。

另一个重要的发现是，当前的模型分类方法可能并不完全符合实际的森林生长趋势。例如，新西兰的森林生长区域划分通常基于政治边界或立地指数，但这些分类并未充分考虑到气候和地质条件的差异。这可能导致模型在某些区域的预测误差较大，尤其是在气候和地质条件截然不同的地区被合并为一个区域的情况下。因此，研究建议未来需要更精确的分类方法，以更好地反映森林生长的复杂性。

此外，研究还指出，现有的模型主要依赖于历史数据和已建立的数学关系，因此它们在应对未来变化时可能缺乏足够的灵活性。为了提高模型的预测能力，未来的研究应考虑引入更详细的土壤和气候变量，以及结合生理学原理，以构建更具前瞻性的模型。这不仅可以提高模型的准确性，还能更好地支持森林管理决策和投资规划。

### 五、结论与建议

本研究的结论表明，当前主流的森林生长与产量模型在预测新西兰辐射松林的生长情况时存在一定的偏差，特别是在较长的轮伐周期内。这种偏差可能源于气候变化、土壤条件变化以及遗传改良等多种因素的综合作用。因此，为了提高模型的预测能力，研究者建议采取以下措施：

1. **定期重新校准和参数调整**：由于现有模型依赖于历史数据，因此需要结合最新的永久样地数据，对模型进行重新校准和参数调整，以确保其在当前环境下的适用性。
2. **引入更详细的环境变量**：模型应考虑土壤和气候条件的动态变化，特别是在应对气候变化的背景下，这些变量对森林生长的影响日益显著。
3. **发展新的模型框架**：未来应探索更加复杂的模型，以更好地模拟森林生长的生理过程和环境相互作用。这可能包括结合多种变量的混合模型，或引入基于生理过程的模型。
4. **加强永久样地数据的收集与维护**：为了提高模型的可靠性，需要进一步扩大永久样地的覆盖范围，并确保数据的持续更新和维护。这将有助于模型更准确地反映当前的森林状况。

通过这些措施，可以更好地支持森林管理决策和投资规划，特别是在应对气候变化带来的不确定性时。同时，这些改进也将有助于提高新西兰林业在国际气候承诺中的贡献，确保森林资源的可持续利用。