整合林分与环境因素以提高地上碳储量估算精度

《Trees》：Integrating stand and environmental factors to enhance aboveground carbon stock estimation

　　准确估算毛竹林（Phyllostachys edulis）的地上碳储量（FCS）对于缓解气候变化、森林管理和实现碳中和目标具有重要意义。这需要建立包含重要环境因子的综合模型。然而，以往研究大多依赖以林分结构变量为主导的模型，无法充分捕捉地形、土壤和气候因素的影响。此外，对于渐进式多因子耦合下不同建模方法性能差异的系统评估，以及其表征FCS分布特征的能力研究仍然有限，从而限制了模型的可解释性和普适性。基于来自八个省份毛竹林的样地水平调查数据，本研究构建了包含不同解释变量组合的五种FCS模型。在确认预测变量间不存在多重共线性后，系统评估了传统普通最小二乘法（OLS）回归及机器学习方法（包括随机森林RF和支持向量机SVM）的拟合和预测性能。结果表明，逐步引入地形、土壤和气候因素后，OLS模型的拟合精度有所改善，而机器学习模型（尤其是RF模型）在多因子耦合条件下表现出显著更高的解释力、预测精度和稳定性（R2 > 0.564）。这些模型在捕捉FCS与多驱动因子之间复杂非线性关系方面更为有效。变量重要性分析表明，林分结构因子（尤其是胸高断面积和林分平均高）是FCS的主要决定因素。地形（海拔）、土壤（容重和土壤砾石含量）以及气候（18°C以上积温和Hargreaves参考蒸发量）因素通过非线性关系发挥重要的调控作用。地形、土壤和气候因素对模型的相对贡献率分别介于3.82%~15.16%、9.55%~17.89%和3.42%~23.32%之间，其中气候因素的影响强于土壤因素。本研究弥补了传统FCS估算模型在表征复杂森林生态系统中环境异质性和非线性过程方面的不足，拓展了其大规模应用潜力。研究结果表明，基于林分结构、融合多维环境信息、采用机器学习方法（如随机森林）构建的多因子耦合模型，为提升区域尺度森林地上碳储量估算的稳定性和准确性提供了有效手段。