《Trees, Forests and People》：Urban Forest Carbon Storage and Sequestration on the Qinghai-Tibetan Plateau: Machine Learning Analysis and Management Implications for Xining, China
编辑推荐：
为探究高寒、低氧、强辐射环境下城市绿地碳储(CS)与碳汇(CSE)的独特机制，本研究聚焦青藏高原最大城市西宁。通过215个野外样地调查，结合i-Tree Eco模型量化，揭示了西宁市城市绿地平均CS和CSE密度分别为4.08 kg C m-2和0.69 kg C m-2y-1。研究创新性地构建了包含自然环境、群落结构和生物多样性三维度的分析框架，并应用XGBoost-SHAP机器学习模型，发现树体结构多样性(如DBHS, HS)的驱动作用强于传统物种多样性指数(如SW, PU)，且冠幅(CW)存在>3.5米的抑制阈值。研究结果突显了高寒城市碳汇机制的独特性，为优化与管理类似环境的城市绿地提供了科学依据。
在全球应对气候变化的紧迫背景下，城市作为碳排放的“主角”和碳汇提升的“关键战场”，其绿色空间的固碳能力备受关注。然而，当我们把目光投向世界屋脊——青藏高原上的城市时，情况变得特殊而复杂。这里高海拔、低温、低氧、强辐射的极端环境，是否会让城市的“绿色肺叶”以不同的方式呼吸和固碳？现有的、主要基于温带和热带城市的研究结论，在这里还适用吗？为了填补这一重要的知识空白，一项以西宁市——青藏高原上最大的城市——为“天然实验室”的研究应运而生，其成果发表在国际期刊《Trees, Forests and People》上。
为了解答高寒城市绿地独特的碳循环机制，研究团队在西宁市布设了215个20m×20m的样地，进行详尽的植被调查。技术上，该研究主要依托几个关键方法：首先，野外调查与多源数据整合，利用GF-2卫星影像和GIS技术布设样地，并实地测量树木的胸径(DBH)、树高(H)、冠幅(CW)等参数，同时结合国家青藏高原科学数据中心获取温度(T)、海拔(DEM)、降水(P)等1km分辨率的自然环境数据。其次，碳储量与碳汇量化，针对不同植被层采用差异化方法：乔木层使用国际通用的i-Tree Eco模型和异速生长方程估算；灌木层基于全球灌木数据库建立的生物量方程进行转换，并假设其碳储/碳汇比与同科乔木相同；草本层则采用标准样方收割法测定生物量，并通过碳转换系数(0.4)和基于当地割草频率的简化模型估算碳汇。最后，驱动机制解析，研究构建了涵盖自然环境、群落结构、生物多样性三维度的分析框架，先后运用Spearman相关分析、Mantel检验筛选关键因子，并创新性地采用XGBoost-SHAP机器学习模型，来揭示各驱动因子与碳储/碳汇之间复杂的非线性关系和交互作用。
3.1. 西宁市城市绿地植物群落及其CS和CSE现状
研究表明，西宁市城市绿地的整体CS和CSE密度处于较低水平，分别为4.08 kg C m-2和0.69 kg C m-2y-1，且空间分布不均，中心城区高于外围。植被以中小规格个体为主，75%的树木胸径小于10厘米。阔叶落叶树（如国槐、榆树）的碳能力显著高于常绿针叶树。优势树种包括青海云杉、白榆、青杨等。
3.2. 影响城市绿地CS和CSE的因素
相关分析与Mantel检验显示，对于整个植物群落和乔木层，CS和CSE的主要驱动因子是群落结构指标，如胸径(DBH)、胸径多样性(DBHS)、树高多样性(HS)等，而传统的物种多样性指数(如香农-威纳指数SW)影响微弱。灌木层的碳能力则与灌木覆盖面积(SCA)、海拔(DEM)和降水(P)显著相关。草本层碳能力与物种均匀度(PU)等生物多样性因子相关，但影响较弱。
3.3. XGBoost-SHAP分析
XGBoost-SHAP模型的深入解析进一步明确了各因子的贡献度和非线性效应：
- •
对乔木和植物群落：胸径(DBH)、胸径多样性(DBHS)和郁闭度(PC)是主要的正向驱动因子。值得注意的是，冠幅(CW)存在明显的阈值效应，当CW超过3.5米后，其对CS和CSE的贡献由正转负或增长停滞。树高多样性(HS)在达到约0.8后也出现贡献下降的趋势。
- •
对灌木：灌木覆盖面积(SCA)是最强的正向预测因子，其次是海拔(DEM)。灌木的CS和CSE在海拔2300-2400米、年降水量320-340毫米的范围内达到较优值。
- •
对草本植物：物种均匀度(PU)是正向因子，而灌木覆盖面积(SCA)是负向因子，表明过密的灌木层可能会抑制草本层的碳积累。
4. 讨论
本研究揭示了高寒城市绿地碳汇机制与温带城市的显著差异。在严酷的低温、干旱胁迫下，植物群落的结构异质性（如不同大小树木的搭配）比物种多样性更能有效提升光资源利用效率、减少竞争，从而成为驱动碳能力的关键。传统上认为有利于固碳的大冠幅，在西宁这样的高寒环境下可能因冬季维持成本过高而转化为负担，这体现了“环境韧性优先于个体最大增长”的适应策略。对于灌木，其碳能力强烈依赖于局地水热条件的精准匹配。
基于这些机制，研究提出了针对性的“适应性提升”优化策略。在结构管理上，应利用现有树木以中小径级为主、生长潜力大的“增长红利”，通过抚育促进胸径增长；对冠幅超过3.5米、树高多样性超过0.8的过密群落，可采取选择性疏枝，将生长重心从扩张转向适应力。在物种配置上，优先选用抗旱、耐寒、适应性强的乡土树种，如国槐(Styphnolobium japonicum)、白榆(Ulmus pumila)、青海云杉(Picea crassifolia)等作为“骨干”树种。在群落构建上，倡导构建乔-灌-草复层植被，建议比例为60:20:20，并确保胸径多样性(DBHS)大于1.5，以最大化结构互补效应。在生境调控上，通过集水、设置常绿防风林创造“暖岛”效应，并依据太阳辐射模拟进行精准的物种-立地匹配。
综上所述，这项研究不仅量化了青藏高原典型高寒城市西宁的绿地碳储量与碳汇能力，更重要的是，通过先进的机器学习手段，解码了其背后独特的、以结构驱动为核心的生态学机制。它挑战了将温带地区经验直接套用于特殊生境的惯性思维，提出了“适应性提升”这一科学且可操作的高寒城市低碳绿地营建路径。该研究框架与结论对于青藏高原乃至全球类似高寒、干旱地区城市的生态规划与碳中和目标实现，具有重要的科学参考价值和实践指导意义。
