《Global Ecology and Conservation》:Exploring divergent drivers of gross primary productivity in rubber plantations and natural tropical forests in Xishuangbanna: SHAP combined with causal machine learning analysis
编辑推荐:
东南亚热带雨林正快速转为橡胶林,但这种植被转换如何改变总初级生产力(GPP)的环境控制因素仍不清楚。研究人员基于中国西双版纳天然林与橡胶林五年的涡动相关通量数据、气象观测、土壤测量及叶面积指数(LAI)数据,结合可解释机器学习(SHAP)与双重机器学习(DML
东南亚热带雨林正快速转为橡胶林,但这种植被转换如何改变总初级生产力(GPP)的环境控制因素仍不清楚。研究人员基于中国西双版纳天然林与橡胶林五年的涡动相关通量数据、气象观测、土壤测量及叶面积指数(LAI)数据,结合可解释机器学习(SHAP)与双重机器学习(DML),比较两类森林日尺度GPP的环境驱动因子并量化其潜在因果效应。六种机器学习模型(RF、XGBoost、LightGBM、SVM、MLP、AdaBoost)以26个变量评估预测性能:天然林中XGBoost最优(R2=0.790),橡胶林中LightGBM最优(R2=0.802)。SHAP分析确定土壤温度(ST)、气温(AT)、蒸散(ET)和LAI为两类森林预测GPP的关键变量,但这些变量对GPP的影响存在垂直空间异质性且模式各异。天然林中DML验证土壤温度为主导限制因子(θ=2.72,p<0.001),LAI为次重要限制因子(θ=-2.02,p<0.001);橡胶林中光合有效辐射(PAR)因果系数最大但年尺度不显著(θ=2.45,p=0.21),季节分析显示该非显著性由干热季PAR对GPP因果效应极弱(θ≈0,p>0.05)抵消雾凉季与雨季强正效应所致。SHAP依赖图与DML条件平均处理效应(CATE)一致揭示两林型LAI-GPP响应曲线无缝衔接,最优LAI区间3.5–4.2,边际贡献显著高于其余区间。基于西双版纳橡胶林实测LAI采用分位数映射校准海南橡胶林遥感LAI,校准后LAI提升海南GPP预测性能。
研究背景方面,热带雨林是应对全球气候变化的重要缓冲带,并在全球碳循环中居核心地位。受经济利益与粮食需求驱动,东南亚包括西双版纳的常绿阔叶林持续向橡胶林等人工林转化,至2026年西双版纳橡胶林面积达7413.38 km2,占区域总面积38.68%。这种植被转换改变生态系统碳吸收能力,但环境控制因子如何随之变化机制不明。传统统计方法难以处理非线性,常规机器学习缺乏可解释性,即便引入SHAP也只能得到边际贡献而非因果,SEM等因果工具仍依赖假设。因此研究人员提出融合可解释机器学习(IML,以SHAP实现)与双重机器学习(DML)的框架,基于西双版纳天然林、橡胶林及海南儋州橡胶林涡动相关通量塔(塔高分别70 m、55 m及海南站点)五年原位气象、土壤、冠层LAI数据(共28个有效变量,含辐射、温湿、风、降水气压、分层土壤温湿度及乔灌草分层LAI),比较日尺度GPP驱动机制并量化因果。
主要关键技术方法上,研究人员整合三部分站点原位监测数据,经清洗后按每月随机抽10天训练、其余测试做分层抽样;采用RF、LightGBM、SVR、AdaBoost、XGBoost五种模型以贝叶斯优化调参、5折交叉验证以RMSE、MAE、R2评估,取最优模型;以SHAP计算各变量边际贡献并绘特征重要性与偏依赖图(PDP);以DML(交叉拟合与正交化)估计处理变量对GPP的因果系数θ及条件平均处理效应(CATE),并对海南橡胶林以分位数映射校准GLASS遥感LAI(8天分辨率)对比地面月尺度LAI插值效果。
研究结果部分,3.1节机器学习拟合性能中,LightGBM在橡胶林最优(R2=0.802,MAE=0.871,RMSE=1.139),XGBoost在天然林最优(R2=0.790,MAE=0.748,RMSE=1.025),支撑后续解释与因果分析。3.2节IML与DML特征重要性显示,两类林中10 cm与20 cm土壤温度(ST)均居SHAP贡献首位;天然林气温(AT、NGAT)与蒸腾(VP)更重,橡胶林蒸散(ET)与风向(WD)更重;LAI均列第四但天然林以乔木层LAI_T主导、橡胶林以灌木层LAI_S更重。DML中天然林STL3(30 cm土温)为最强因果驱动(θ=2.72),橡胶林PAR系数最大但不显著(θ=2.45,p=0.21),净辐射(RN)显著(p<0.001),LAI_Total在两林型均列第二。3.3节LAI偏依赖分析中,两林型LAI_Total-SHAP曲线呈近似反“M”形,阈值3.3与6.3,3.3–6.3为正贡献;天然林LAI_T在>6.4才明显正贡献,灌木层LAI_S在<0.24正、>0.24负,草本层LAI_H在<0.4正、>0.4负,表明天然林下层在稀疏冠层期补光贡献大;橡胶林LAI_T跟随LAI_Total,灌草层多为负。CATE分析显示橡胶林LAI_Total在2.2–3.75转正、峰值约4,天然林随LAI升高效应递减,乔木层LAI_T在>1.25多以正为主,验证IML阈值但因果区间更平滑。
讨论部分,4.1节垂直空间异质性指出冠下气温(NGAT)因果强于冠上(ATATC),天然林NGAT-ATATC达-0.95℃、橡胶林仅0.09℃,天然林近地相对湿度93.40%高于橡胶林85.24%,辐射能多转为潜热;土壤层橡胶林以STL2(10 cm)、STL4(50 cm)重要反映浅深双层吸水,天然林STL3>STL2>STL1>STL4对应多物种浅中深层共用根系。4.2节季节因果分化中,橡胶林PAR在雾凉季(11–2月)与雨季(5–10月)显著正、干热季(3–4月)近零致年尺度不显著;雾凉季LAI_Total主导但因老叶光合酶活降;雨季风向(西南季风)正因果通过增湿缓解气孔水势促进光合。4.3节光利用效率(LUE,LUE=GPP/(PAR×(1-e-k×LAI)),k天然林0.8、橡胶林0.6)显示橡胶林日均GPP各季高13.6%–23.0%,去异常后均值1.873 g C MJ-1高于天然林1.202 g C MJ-1,季节波动弱于GPP本身,说明季节动态由冠层结构与辐射主导。4.4节LAI生态解释确定橡胶林最优LAI区间3.5–4.2,低于3.3捕光不足、高于4.2自遮阴与维持呼吸抵消。4.5节不同LAI源影响中,分位数映射校准遥感LAI使海南橡胶林R2较无LAI提升0.95%、较西双版纳橡胶林现场LAI模型再升1.14%,因遥感8天分辨率且含叶绿素信息更代表光合叶面积。4.6节局限为潜在未测混杂(极端干旱、土壤微生物呼吸)与仅3塔5年数据限制外推。
结论部分翻译:本研究融合可解释机器学习与双重机器学习,比较西双版纳天然林与橡胶林日GPP因果驱动。天然林XGBoost最优(R2=0.790),橡胶林LightGBM最优(R2=0.802)。SHAP确定土壤温度、气温、蒸散与LAI为共同关键预测因子但具垂直异质性;DML揭示天然林以土壤温度为主导限制(θ=2.72,p<0.001),橡胶林PAR季节效应分化(雾凉与雨季正、干热近零)致年尺度不显著,LAI为橡胶林年尺度主要限制。SHAP依赖与CATE一致给出两林型LAI-GPP曲线无缝衔接、最优LAI 3.5–4.2。橡胶林LUE(1.873 g C MJ-1)显著高于天然林(1.202 g C MJ-1)。基于西双版纳橡胶林实测分位数映射校准海南遥感LAI提升其GPP预测。结果为植被转换改变碳吸收机制提供因果证据,并为橡胶林可持续管理给出定量目标。该文发表于《Global Ecology and Conservation》。