编辑推荐：
为解决 CARBWARE 模型缺乏更新与补充功能的问题，研究人员针对爱英两国 Sitka 云杉主导的 CCF 林分，开发预测更新与补充的模型。发现 SVR 模型优于传统模型，但林分水平更新模型不够稳健，为 CCF 模拟提供了新方法。
森林作为陆地生态系统的核心，其可持续经营一直是全球关注的焦点。连续覆盖林业（Continuous Cover Forestry, CCF）作为一种摒弃皆伐、维持多层冠层的营林模式，在生态保护与木材生产平衡方面展现出独特优势，尤其适用于爱尔兰占比超 50% 的 Sitka 云杉（
Picea sitchensis）林分。然而，传统森林生长模型如爱尔兰的 CARBWARE，缺乏对自然更新（树木从种子萌发的过程）和补充（树木达到胸径≥7 cm 阈值的自然生长过程）的预测功能，这使得 CCF 模式下不规则林分的动态模拟与管理面临挑战。如何精准预测 CCF 林分的更新与补充，成为提升森林资源管理科学性的关键瓶颈。
为填补这一空白，来自相关研究机构的研究人员围绕爱英两国 Sitka 云杉主导的 CCF 林分展开研究。他们旨在挖掘影响更新与补充的关键林分变量，并开发相应模型。研究成果发表在《Forest Ecology and Management》，为 CCF 模型优化提供了重要突破。
研究采用爱英两国 CCF 过渡林分的 AFI（Association Futaie Irrégulière）和 ISN（Irregular Silviculture Network）协议样地数据，涵盖英格兰西南部低地、威尔士及北爱尔兰高地等多类型立地。数据包含 2006-2022 年 2-4 周期的重复调查，涉及 basal area（BA，断面积）、site index（SI，立地指数）、crown competition factors（CCFs，冠层竞争因子）等 10 个林分变量。研究对比了传统线性 / 非线性回归与机器学习支持向量回归（Support Vector Regression, SVR）方法，构建更新与补充的概率和数量预测模型。
3.1 再生模型表现
传统林分水平再生模型预测能力不足，尽管 SVR 概率模型 AUC 达 0.669，但数量模型 R2 低且存在显著偏差，表明再生过程受微气候、林分管理等复杂因素影响，基于现有数据难以精准建模。
3.2 补充概率模型对比
在 7 种补充概率模型中，SVR 模型表现突出，训练 / 测试准确率达 93.4%/91.0%，AUC 为 0.928，显著优于传统逻辑回归模型。传统模型如 Vanclay（1989）和 Yang 等（2015）模型的 TPR（真阳性率）和 Precision（精确率）较低，分类能力有限。
3.3 补充数量模型性能
SVR 模型在补充数量预测中优势显著，训练 / 测试 R2 分别为 0.99 和 0.80，RMSE（均方根误差）仅 101，远低于传统模型。引入 SRA（代表冠层面积和）等变量虽提升传统模型 R2，但 SVR 通过整合 10 个变量的非线性关系，实现了更优预测。
3.4 关键变量影响
增量 MSE 分析表明，林分方差指数（STVI）、胸径（DBH）和目标树种密度比（SD）是影响补充数量的核心因素。STVI 反映的林分结构异质性通过创造冠层间隙促进更新，SD 则与种子产量正相关；而 DBH、平均树高（H）等变量因冠层郁闭度增加抑制幼苗存活。
研究表明，SVR 模型在 CCF 林分补充预测中显著优于传统线性 / 非线性模型，其模拟结果与现有生态认知一致，即林分结构异质性和目标树种比例是补充的关键驱动因素。然而，再生过程因受未纳入模型的微环境、生物干扰（如鹿啃食、虫害）等因素影响，仍需更精细的数据支撑。
该研究为 CARBWARE 等森林模型嵌入更新与补充功能提供了可行方案，揭示了机器学习在处理复杂林分动态中的潜力。未来需结合更大规模数据集（如国家森林资源清查数据）和单木模型，进一步提升模型普适性，为 CCF 模式下森林可持续经营提供更精准的科学工具。这一成果不仅深化了对 CCF 林分动态的理解，也为全球森林管理向更生态友好的经营模式转型提供了技术参考。
