基于机器学习算法的吉林省长白落叶松林最大净初级生产力影响因素分析

　　 摘要:

净初级生产力(NPP)是评估森林生态系统质量的重要指标,其最大值(NPP_max)可以反映森林的生产潜力,研究植被NPP_max对合理利用森林资源和森林可持续经营具有重要意义。以吉林省长白落叶松(Larix olgensis A. Henry)林为对象,基于吉林省一类清查固定样地调查数据、2000-2022年的MOD17A3整合提取的NPP_max数据、环境因子数据(地形、气候和土壤因子),采用相关性分析、机器学习算法、Shapley加性解释(SHAP)等方法,分析NPP_max变化的驱动因子。4种机器学习算法中,随机森林模型(RF)对落叶松林NPP_max的预测精度最高,R²为0.540,对应的RMSE值为11.320 gC m^-2 a^-1,其它模型依次为增强回归树(R²= 0.523)、人工神经网络(R²= 0.519)和支持向量机模型(R²= 0.501)。基于RF模型SHAP分析显示,影响落叶松林NPP_max变化的主导因素为18℃以上年积温、全氮和海拔。年积温、全氮含量和海拔对NPP_max存在阈值效应,当18℃以上年积温接近200℃、全氮含量达到2.0 g/kg以及海拔约为800 m时,NPP_max的增减变化明显。通过机器学习模型和SHAP分析处理NPP_max-环境因子复杂非线性关系,较好地解释了环境变量对NPP_max的影响机制。研究表明环境变量和NPP_max之间存在明显的阈值效应,为落叶松林立地质量评价提供了基础。