《Forest Ecosystems》：An algorithm-based approach for tree selection in continuous cover forestry
编辑推荐：
为应对爱沙尼亚推广连续覆盖林业(CCF)面临的实践经验与精细数据不足等挑战，本研究建立了一个CCF长期实验样地，并开发了一种基于算法的择伐区树木自动选择方法，利用详细的单木级样地数据确定保留与采伐的树木。这项研究为CCF在当地的实施提供了重要的方法论支持与实证基础，有助于推动近自然森林经营。
想象一下，一片森林不再经历“剃光头”式的皆伐，而是始终保持连续的林冠覆盖，依靠自然更新，形成结构多样的复层林。这种被称为连续覆盖林业(Continuous Cover Forestry, CCF)的经营理念，正在全球范围内，尤其是在北欧，受到越来越多的关注。然而，在爱沙尼亚，尽管CCF的呼声渐高，其实践之路却障碍重重。森林经营者们普遍感到困惑：一方面，传统的、基于平均林分特征的森林调查数据，难以满足CCF对结构异质性和空间信息的高要求；另一方面，现有的森林经营规则主要是为同龄林管理设计的，缺乏针对CCF的具体指导。此外，在择伐(selection cutting)这一CCF核心技术中，如何精准地选择哪些树该砍、哪些树该留，以保证林分结构多样性和持续更新，很大程度上依赖现场林业工作者的经验判断，缺乏标准化的决策支持工具。这些挑战共同构成了一个难题：如何在爱沙尼亚因地制宜地实施CCF？
为了回答这个问题，来自爱沙尼亚生命科学大学的一支研究团队开展了一项开创性的研究。他们选择了一片位于爱沙尼亚西部的私有林分，建立了一个专门的CCF实验样地。这片74年生的桦木林被划分为三个区域：一个计划进行传统皆伐，一个作为不进行任何干预的对照区，而最核心的部分则被划为择伐实验区。在这里，研究人员并没有让林业工人凭经验做决定，而是尝试用一种更“聪明”的方式——算法。他们收集了实验区内13个圆形样地的详细数据，包括每一棵胸径大于等于4厘米树木的树种、胸径、空间位置等信息，然后，他们开发了一套基于R语言的算法，为每一棵符合条件的树木计算一个“采伐优先级得分”，从而自动决定其去留。这项研究的目标，不仅是为这片特定的森林提供一个科学的采伐方案，更是为在爱沙尼亚推广CCF探索一条基于数据和算法的、可复制的决策路径。相关研究成果发表在《Forest Ecosystems》期刊上。
为开展此项研究，研究人员主要运用了以下几种关键技术方法：首先，在爱沙尼亚西部一处10.42公顷的私有桦木林建立了CCF长期实验样地，并按照爱沙尼亚森林研究样地网络的设计，布设了36个永久性圆形样地（半径20或25米），系统收集了样地和单木级别的详细属性数据。其次，基于R语言开发了择伐决策算法，该算法的核心是构建一个评估函数，为样地内每棵胸径≥4厘米的树木分配1-9分的采伐优先级得分。算法应用了严格的生态保留准则（如保留大树、死木、未来树、高多样性集群等）和基于得分的经营优化规则，并整合了多种描述林分结构空间异质性的指数计算，包括物种混合指数、死木混合指数和直径分化指数。最后，通过虚拟采伐模拟，在满足法定最小断面积约束的前提下，确定了每棵树的最终去留，生成了用于指导实地采伐作业的决策表和空间示意图。
3. 结果
3.1. 算法输出与决策表
择伐算法的输出结果是一张详细的单木级决策表。该表包含了样地编号、树木编号、林层、树种、方位角、距离、胸径测量值、树高、物种混合指数、死木混合指数、直径分化指数、树木损伤情况、采伐优先级得分以及最终的“采伐决定”。例如，在样地3001中，一株胸径较大的云杉因其得分较低（5分）被标记为“是”（采伐），而一株桦木和一株桤木则因得分较高（8分）被标记为“否”（保留）。这张表格将成为指导择伐区实际采伐作业的直接依据，实现“先算后砍”。
3.2. 空间结构与采伐方案可视化
研究通过空间示意图直观展示了个别样地（如3001和3029）的林木空间结构及算法决策结果。图中用不同颜色代表树种，符号大小代表树木尺寸，空心符号表示指定采伐的树木，实心符号表示保留的树木。这些图表不仅便于野外标记作业，也提供了对采伐后预期林分结构的概览。从图中可以清晰看到，保留木与采伐木在空间上交错分布，体现了算法在维持空间异质性方面的考量。
3.3. 采伐强度与林分特征变化
应用择伐算法后，在整个择伐区，总计有931棵树（44%）被指定采伐，1169棵树（56%）被指定保留。各样地的采伐株数比例有所不同。在满足爱沙尼亚《森林经营规则》（2025）对Ⅲ地位级莎草-合叶子型桦木林择伐后最小断面积（11.5 m2·ha-1）的法定约束下，虚拟采伐后第一林层断面积从采伐前的平均17.3 m2·ha-1降至11.9 m2·ha-1。值得注意的是，采伐后林分的平均直径和树高及其变异性均有所增加，这表明算法有效地移除了竞争受压制或价值较低的个体，促进了保留木的结构分化。此外，大树（胸径>40厘米）所占的断面积比例从12.7%上升至18.1%，说明算法优先保留了具有高生态价值的大径级个体。
4. 讨论与结论
本研究在爱沙尼亚建立的CCF实验样地及应用算法进行择伐决策的尝试，具有重要的科学与实践价值。它直接回应了爱沙尼亚相关研究中指出的缺乏CCF长期实证数据的困境，通过建立永久样地和收集面向CCF规划的详细数据集，为未来评估采伐后林分结构、死木动态、自然更新发展等长期变化奠定了基础。
然而，该实验也存在局限性，算法有待进一步完善。例如，研究人员意识到直径分化指数在本次研究中的应用并非完全恰当，其频率分布本应通过分组与其他指数兼容。同时，算法中物种混合指数的计算也有根据最新方法论进行细化的空间。尽管算法以法定最小断面积为约束，但这只是一个监管底线，而非CCF的最优目标。在某些样地观察到较高的采伐强度，部分归因于算法在得分相同时优先移除较小树木的确定性排序规则。这导致了平均直径、树高及其变异性的增加，这更多是移除小树的结果，而非有针对性地保留大树。未来的算法改进可以探索替代的基于直径的规则，以更好地平衡经济目标与CCF原则。
北欧研究表明，CCF的实施需要森林经营规划发生重大变革，特别是支撑管理决策的森林调查数据的类型和详细程度。在实践中，向CCF过渡也需要调整现有的监管框架。本研究建立的实验样地提供了一个实证基础，可用于识别在爱沙尼亚条件下经营连续覆盖林所需的森林调查数据，并支持森林经营规划和育林决策。从长远看，该样地支持不同经营方式之间的比较，并能基于观察到的林分结构和动态随时间的变化，来评估所应用的择伐标准和算法决策的合理性。
综上所述，这项研究通过在爱沙尼亚建立CCF实验样地，并开发基于详细单木级调查数据的择伐算法，为在当地发展和测试CCF实践提供了基准。它展示了利用算法和精细数据支持复杂育林决策的可行性，为爱沙尼亚乃至类似生态区域推广近自然森林经营提供了宝贵的经验、方法支持和长期监测平台。基于算法输出的树木标记工作已于2025年秋季完成，计划在2025-2026年冬季进行实际采伐作业，并于2026年夏季核查实施情况，长期监测则将持续进行。这项工作标志着爱沙尼亚在探索科学化、精准化CCF管理道路上迈出了关键一步。
