受气候驱动的适应性管理提高了落叶松人工林的生产力及碳相关效益

《Journal of Environmental Management》：Climate-driven adaptive management improves productivity and carbon outcomes in larch plantations

　　

摘要

人工林在木材生产和减缓气候变化方面发挥着关键作用，但其生长动态日益受到气候变化条件的影响。传统的林分密度管理图（SDMD）对气候变化不敏感，这限制了其在持续环境变化下的适用性。为了解决这一问题，我们通过将年热量-湿度指数（AHM）纳入基于幂律公式的核心尺寸-密度关系中，开发了一种适用于落叶松（Larix spp.）人工林的气候敏感型SDMD。研究结果显示，该模型具有正的气候敏感性，估计弹性为0.0906。在观测到的AHM范围内（15–25），这对应着平均直径约6%的增加，表明气候对林分发育有不可忽视的影响。引入AHM改变了SDMD的结构，导致沿气候梯度的直径、体积、碳储量和细长度关系发生了系统性变化。模拟结果表明，在AHM值增加的情况下（即温度更高、湿度更低的情况下），首次间伐的强度降低。因此，这种气候敏感型SDMD预测，在模拟的AHM梯度上，林分密度增加了34.5%，林分体积增加了26.7%，碳储量增加了24.3%，反映了气候通过改变树木大小和林分密度对林分碳含量的间接影响。本研究提供了一个基于气候的决策框架，用于优化林分密度管理，将气候变异性与森林生产力和碳结果联系起来，支持在变化的环境条件下对落叶松人工林进行适应性管理。

引言

由于温室气体排放导致的全球气候变化严重影响了世界各地的树木分布、生长和死亡模式，以及森林生态系统的功能强度和权衡，不同国家的不同地区受到的影响也各不相同。最近的一项研究表明，中国和印度都在积极推进绿化工作，其中中国的效果主要源于大规模的植树计划，而印度的则体现在集约化的农业上（Chen等人，2019年）。到2018年，中国的人工林总面积已增加到约7954万公顷，但其质量相对较差，每公顷的体积约为59.30立方米，仅为天然森林的一半（国家林业和草原管理局，2019年）。同时，人工林也是中国木材需求的重要来源，主要是由于2014年对天然林实行了商业采伐禁令（Xu等人，2018年）。因此，通过密度调节等管理措施改善广泛分布的人工林的数量和质量，不仅可以缓解木材供需不平衡，还可以通过基于自然的管理方法为实现碳中和目标做出重大贡献。

间伐计划对于调整林分结构和控制树木竞争至关重要。然而，这些计划是复杂的过程，涉及生物（例如生产力）、技术（例如间伐强度）、经济（例如盈利能力）和生态（例如碳封存）等方面的决策（Lin等人，2026年；Xu等人，2026年）。在实地试验结果的支持下，森林管理者可以在理论上或实践中确定林木生长的最佳上限和下限。然而，后者通常需要数年甚至数十年的时间才能实施，而且当实际条件和管理目标与试验条件不同时，结果可能无法准确应用（Lei等人，2007年；Ruiz-Mirazo和Gonzalez-Rebollar，2013年；Moreau等人，2020年）。因此，另一种方法是使用林分密度管理图（SDMD），它通过一组经验性定量函数描述了树木尺寸、林分密度、生产效率或其他属性（例如林分稳定性、火灾风险）之间的复杂关系（López-Sánchez和Rodríguez-Soalleiro，2009年；Pérez-Cruzado等人，2011年；Tang等人，2016年；Isaacson等人，2024年）。然而，近年来，由于全球气候的持续变化和碳交易市场的指数级扩张，将碳相关目标纳入SDMD受到了广泛关注（世界银行，2023年）。在之前的研究中，碳相关的SDMD通常是通过使用转换因子（如生物量扩展因子和树干与根比例）将碳储量与林分体积联系起来的（Castedo-Dorado等人，2009年；Isaacson等人，2024年）。然而，林分生物量与林分体积之间的关系已被证明是复杂的非线性关系，而不是简单的线性关系（Fang等人，2001年；Dong和Li，2017年）。因此，将碳相关目标直接纳入SDMD在实践中可能更加准确和有效。

气候变化增加了许多森林生态系统中风倒和雪害的频率和严重程度，使得林分结构稳定性在人工林管理中变得越来越重要（Yao等人，2015年；Lu等人，2024年）。林分稳定性，特别是对风倒和雪害的抵抗力，在人工林管理中是一个重要的考虑因素，因为结构不稳定可能导致巨大的经济和生态损失。例如，Yao等人（2015年）报告称，在中国东北部的半自然针叶林和阔叶混交林中，风倒树木的比例达到了7.6%，并且大树受到的损害频率明显高于小树。尽管可以使用机制模型和经验模型来评估风倒损害的潜在风险，但经验模型或定量指标更容易与现有的森林生长模型结合使用（Pukkala等人，2016年；Díaz-Yá?ez等人，2017年）。在树木或林分层面，最直接的经验稳定性指标是细长度系数（SC）， 定义为树高与胸高直径的比率（Wang等人，1998年）。一般来说，SC值较小表示在给定树冠长度下树木的重心位置较低，从而比SC值较大的相似树木具有更高的稳定性（Valinger和Fridman，2011年；Schindler等人，2012年；Sharma等人，2016年）。一些研究，例如Castedo-Dorado等人（2009年）和Tang等人（2016年），通过使用林分平均高度而不是优势高度将SC纳入SDMD，因为后者对风倒损害的敏感性更高（Yao等人，2015年；Sharma等人，2016年）。

落叶松（Larix spp.）是一种高度受管理的耐寒树种，在中国东北部广泛种植（约316万公顷）。半个多世纪以来，落叶松一直是该地区再造林和绿化的主要树种之一。与其他针叶树种的比较表明，集约管理的人工林至少可以将轮伐体积产量翻倍，并生产更多高价值的产品（Dong和Li，2017年；Xu等人，2022年）。然而，一些研究（例如Lei等人，2016年；Dong等人，2024a,b）表明，气候变化显著改变了这种树种的生长和死亡过程。与当前气候相比，在RCP 2.6的未来气候情景下，落叶松人工林的年增长量可能增加12.23%，尽管这会导致老龄林分的死亡率增加16.62%（Lei等人，2016年）。

为了解决这些知识空白，本研究旨在为中国东北部的人工林开发一种气候敏感型SDMD，以支持在气候变化条件下的适应性森林管理。具体来说，我们首先通过使用主成分分析和模型选择技术来筛选一组全面的气候变量，以确定哪些气候因素是影响林分动态（如木材体积、碳储量和林分稳定性）的主要驱动因素。基于识别出的关键气候因素，我们接着量化了不同气候条件如何调节最佳间伐计划。通过阐明气候变化需要调整间伐制度的机制，本研究将气候敏感性纳入SDMD框架，为在变化的环境条件下对落叶松人工林进行适应性管理提供了科学依据。

部分片段

基础数据

用于开发SDMD的数据来自2009年至2013年期间在中国东北部黑龙江省、吉林省和辽宁省（东经118°50′-135°05′，北纬38°43′-53°25′）建立的389个永久样地（PSPs）。这些样地在8×8公里的采样网格上系统分布，代表了该地区的经营性落叶松人工林。所有样地每5年重新测量一次，任何间伐措施都遵循了相关技术标准。

选定的气候变量

前三个主成分解释了气候数据96.1%的变异性（表2）。根据PCA加载结果，最重要的气候变量分别是第一主成分上的MWMT和DD18，第二主成分上的MAI和MAP，以及第三主成分上的MCMT和DD_0。皮尔逊相关性热图显示，21对变量中有18对（85.7%）具有显著相关性（p < 0.05），表明这些变量之间存在大量冗余。

讨论

气候变化对森林生态系统的影响已经得到广泛证实（Lei等人，2016年；Levesque等人，2019年；Dong等人，2024a,b）；因此，开发气候敏感型工具变得比以往任何时候都更为紧迫。与传统的SDMD（例如Barrio Anta和álvarez González，2005年；Casta?o-Santamaría等人，2013年；Tang等人，2016年）相比，所提出的框架明确将气候效应纳入了核心尺寸-密度的关系中。

结论

这里描述的图表是中国东北部落叶松人工林的气候敏感型SDMD，其中QMD的建模精度最低（adjR2<80%），而VOL和CAR的建模精度相对较高（adjR2>95%）。这些图表可以帮助我们确定最佳的间伐计划，同时也可以用来评估气候变化对间伐计划、木材产量、碳封存量和林分稳定性的影响。随着AHM值的增加，

CRediT作者贡献声明

Dong Lingbo:撰写 – 审阅与编辑，撰写 – 初稿，可视化，验证，方法论，调查，资金获取，正式分析，数据整理，概念化。Zhang Nengneng:撰写 – 审阅与编辑，撰写 – 初稿，可视化，方法论，调查，正式分析。Bettinger Pete:撰写 – 初稿，方法论，正式分析。Liu Zhaogang:撰写 – 审阅与编辑，撰写 – 初稿，可视化，监督，

关于写作过程中使用生成式AI和AI辅助技术的声明

在准备这项工作时，作者使用了ChatGPT来改进语言表达和可读性。使用该工具后，我们根据需要审查和编辑了内容，并对出版物的内容负全责。

资金

本研究得到了中国国家自然科学基金（资助编号：32471856）的资助。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

Lingbo Dong|Nengneng Zhang|Pete Bettinger|Zhaogang Liu

中国东北林业大学林学院可持续森林生态系统管理重点实验室，哈尔滨，150040