基于模型和空间自相关分析的森林地上生物量估算不确定性评估及其在碳汇管理中的应用

本研究针对森林地上生物量(AGB)估算中模型不确定性来源复杂、空间自相关影响不明的问题，开发了集成机器学习、空间自相关分析和Bootstrap重采样的综合评估框架。研究首次同时考虑了参考数据(a)、样本变异性(b)、残差变异性(c)和辅助数据(d)四类不确定性来源，通过纽约州2224个林地的实证分析发现残差空间自相关是主导因素(贡献率>50%)，并建立了基于林地特征的回归模型(R2=0.95)实现快速不确定性预测。该研究为精细化森林碳汇管理提供了关键方法学支撑。

　　

随着《巴黎气候协定》的实施，精确量化森林碳汇已成为全球温室气体(GHG)清单编制的核心要求。然而当前森林地上生物量(AGB)估算存在显著瓶颈：传统基于国家森林调查(NFI)的设计推断方法受限于采样密度，难以捕捉小尺度空间异质性；而结合遥感数据的模型方法虽能实现全覆盖制图，但其不确定性来源复杂且缺乏标准化评估框架。特别是在美国东北部等私有林占比高的地区，林地破碎化严重(纽约州73%为私有林，65%面积<40公顷)，现有大尺度不确定性评估方法难以满足小地块管理需求。

美国纽约州立大学环境科学与林业学院(SUNY College of Environmental Science and Forestry)的研究团队在《Research and Practice in Thrombosis and Haemostasis》发表研究，创新性地构建了集成四类不确定性的评估体系。通过机器学习集成模型、异方差残差建模、半变异函数分析和多级Bootstrap重采样等技术，首次实现了对0-2023公顷小地块AGB估算不确定性的系统量化。研究特别揭示了残差空间自相关(范围达5779米)对小地块不确定性的主导作用，并开发出仅需地块面积、周长、AGB密度和森林覆盖率四个易获取参数即可准确预测标准误差(SE)的log-log回归模型。

关键技术包括：1) 基于1000次Bootstrap重采样量化参考数据、样本变异和土地覆盖分类三类不确定性；2) 利用LiDAR-AGB数据构建空间残差模型，采用嵌套Matern半变异函数(基台值1338.35 (Mg ha^-1)²)表征空间自相关；3) 开发自然三次样条模型(R²=0.55)解决残差异方差问题；4) 基于2224个分层随机样本建立SE预测方程。

研究结果显示：

1. 1.

   残差变异主导：在所有地块规模(0-2023公顷)中，残差方差(Var_res)贡献率均超过50%，其中空间自相关导致总方差增加14.8-84.4%。

2. 2.

   地块特征影响：SE与AGB密度呈正相关(β=0.621)，与地块面积(β=-0.089)和周长(β=-0.162)负相关，20公顷以下地块受空间自相关影响尤为显著。

3. 3.

   模型验证效果：基于LiDAR的独立验证显示，89%的地块AGB估值落在95%置信区间内。

讨论部分强调了三方面突破：方法学上首次实现四类不确定性的同步整合，解决了McRoberts等(2022)未处理空间自相关的局限；实践层面开发的回归模型使基层管理者无需复杂计算即可获取可靠SE；科学意义在于明确了提升模型精度(而非增加采样)是减小美国东北部AGB不确定性的最优路径。该研究为《IPCC温室气体清单指南》"尽可能降低不确定性"的要求提供了可操作方案，对全球家庭林主导区域的碳监测具有示范价值。