农民面向可持续性的行动：一种基于证据的方法论，用于支持放牧奶牛系统中低碳畜牧业的原生森林生态系统

《Agroforestry Systems》：Farmers’ actions towards sustainability: an evidence-based methodology for native forest ecosystems supporting low-carbon livestock in grazed dairy systems

　　

了解森林碳（C）储量的时空分布对于制定应对全球环境变化的策略至关重要。在此，研究人员开发了一个透明的框架，以建立2016–2021年的基线，用于量化、监测和报告智利南部放牧奶牛系统内原生森林的温室气体（GHG）减排和清除增强。研究人员将107个森林样地数据与Sentinel-2多光谱影像相结合，并在Google Earth Engine云平台上实施了随机森林（Random Forest）回归模型。研究结果表明，六个研究地点的原生森林总共储存了113,751.4 Mg C，平均为157.7 Mg C ha^?1。2016年至2021年间碳储量的平均年增长率为3.2 Mg C ha^?1 yr^?1，对应总增长12,598.3 Mg C（46,194 Mg CO₂eq）。模型性能较高，R² = 0.93，RMSE = 22.9 Mg C ha^?1，表明观测值与预测值之间具有稳健的一致性。本研究提出的方法为智利原生森林的碳储量测量和监测提供了一种稳健、透明且可重复的方法。该方法框架可用于推导额外的温室气体排放和清除的基线估计，并可能支持在奶牛景观中开发科学合理的森林碳项目。

草地奶牛生产系统通常与原生森林斑块镶嵌，形成农林复合（Agroforestry）和森林牧场（Silvopasture）景观，提供碳（C）汇、土壤肥力提升、微气候调节和生物多样性保护等生态系统服务，这些系统被广泛认为是气候智能农业的核心组成部分。然而，在碎片化、异质性的树-草镶嵌景观中量化碳储量面临显著挑战，因为传统方法成本高、空间覆盖不足，且粗分辨率模型难以捕捉小斑块的结构变异。智利南部温带牧场拥有约150万公顷草地和大量原生森林残余，但缺乏透明、可重复的碳核算方法。现有研究多依赖粗分辨率数据或独立于实地数据的遥感模型，导致可转移性受限。因此，研究人员开展本研究，旨在开发一种整合实地清查与卫星遥感的可扩展框架，建立2016-2021年碳基线，为低碳畜牧业提供科学依据。该论文发表在《Agroforestry Systems》。

研究人员在智利Los Ríos和Los Lagos地区的六个代表性奶牛场开展了研究。样本来源：六个奶牛场，共107个500 m²圆形样地，采用分层随机采样，基于林分发育阶段和冠层盖度分布。主要关键技术方法包括：1）实地森林碳清查，使用Gayoso等（2000）协议，测量DBH≥5 cm的树木，利用物种特异性材积方程和基本木材密度计算地上生物量，并应用碳分数0.5转换为碳储量；2）Sentinel-2多光谱影像处理，采用多时相云去除法生成无云镶嵌，提取13个光谱波段和植被指数（NDVI、SAVI、EVI、IBI等）；3）在Google Earth Engine云平台上构建随机森林（Random Forest）回归模型，设置ntree=100，使用70%样地训练、30%测试，通过交叉验证调优；4）模型评估采用R²、RMSE、MAPE、MAD和LCCC等指标，并生成2016和2021年壁到壁碳空间分布图。

研究结果如下：

**森林变化与碳储量**：通过将RF模型应用于2016和2021年Sentinel-2影像，研究人员发现所有森林斑块在五年内保持稳定，未发生转化。碳储量从2016年的101,153.1 Mg C增加到2021年的113,751.4 Mg C，净增12,598.3 Mg C（相当于46,194 Mg CO₂eq）。平均碳密度从141.7 Mg C ha^?1增至157.3 Mg C ha^?1，年增量3.2 Mg C ha^?1 yr^?1。各站点差异显著：Site 2最高（4.7 Mg C ha^?1 yr^?1），Site 5最低（1.9 Mg C ha^?1 yr^?1），反映了林分年龄、结构和干扰历史的差异。

**碳模型性能**：通过交叉验证和独立测试集评估，各站点模型表现良好。Site 4性能最优（R²=0.972，RMSE=11.85 Mg C ha^?1，MAD=9.15 Mg C ha^?1，MAPE=9.1%，LCCC=0.96）。所有站点R²介于0.756至0.972之间，RMSE在11.85至31.75 Mg C ha^?1之间。变量重要性分析表明，红边波段（B5、B6、B7）和近红外波段贡献最大，提高了对高生物量区域的敏感性，缓解了传统光学指数的饱和问题。

讨论部分指出，该框架通过整合实地数据、卫星数据和机器学习，显著提高了碎片化奶牛-森林景观中碳估算的精度。尽管光学遥感在高生物量区域存在饱和限制，但Sentinel-2红边波段的使用改善了模型灵敏度。随机森林对多共线性具有鲁棒性，因此相关光谱变量仍能提供互补信息。碳增益主要来自自然生长，符合温带次生林恢复模式，且原生森林斑块包含高生物多样性（如Eucryphia cordifolia、Laurelia sempervirens等IUCN近危物种），凸显了其生态多功能性。该方法可用于改进森林管理（Improved Forest Management, IFM）或避免退化碳项目，提供透明可重复的基线。未来研究应扩展至更大景观尺度，整合生物多样性指标，并探索森林碳动态与牧场生产力的协同效应。

研究结论翻译如下：本研究通过整合实地清查、物种特异性异速生长方程、多光谱卫星数据和机器学习，建立了一个透明且可重复的框架，用于估算碎片化奶牛-森林景观中的地上碳储量。该方法生成了精确的空间显式碳基线，并证明了原生森林斑块中可测量的年碳增益，凸显了它们在农业温室气体平衡中的作用。该方法论为不同森林类型的碳核算提供了可扩展的途径，并支持异质性农林复合系统中的监测、报告和核查。未来研究应将此框架扩展到更广泛的景观，并整合生物多样性指标以阐明碳积累的驱动因素。此外，将森林碳动态与牧场生产力耦合可以揭示生态系统层面的权衡与协同效应，增进我们对这些碳储存、生物多样性和农业生产交汇的多功能景观的理解。