赣江流域中上游森林净生态系统生产力空间格局及其影响因素

《Forests》：Spatial Patterns and Influencing Factors of Forest Net Ecosystem Productivity in the Middle and Upper Reaches of the Ganjiang River Basin

　　

净生态系统生产力(NEP)反映了森林生态系统的净碳平衡，被广泛用于评估其碳汇能力。对于赣江流域，识别森林NEP的高低区域并解释其控制因素有助于更有针对性的碳汇管理。然而，在复杂环境条件下，NEP的非线性响应以及植被类型间的差异仍不完全清楚。在本研究中，研究人员估算了2023年赣江流域中上游的森林NEP。然后使用XGBoost–SHAP框架检验了气候、地形和林分结构因素的影响，并识别了可能的阈值响应。结果表明，森林NEP具有明显的空间差异。高NEP值主要分布在周边地区，而低值集中在中心区域。空间分布也显示出显著的正自相关。在区域尺度上，海拔(DEM)、年平均气温(TEMP)和饱和水汽压差(VPD)是影响NEP的主要因素。然而，不同植被类型的主要驱动因素不同。SHAP结果进一步表明，一些因素存在非线性阈值效应。降水量在1400–1680 mm范围内表现出抑制作用，而VPD在0.48–0.54 kPa范围内表现出类似的负响应。这些结果有助于解释区域森林碳汇的形成，并为特定森林类型的生态管理提供参考。

在全球变暖和碳中和目标的背景下，改善陆地生态系统碳汇能力成为应对气候变化的重要途径。森林作为主要碳库，其净生态系统生产力(NEP)直接反映碳源汇状态。然而，在复杂环境条件下，NEP的非线性响应及不同植被类型间的驱动机制差异尚不清晰。为此，研究人员以赣江流域中上游（位于江西省中南部，面积约38,200 km2）为研究区，估算了2023年森林NEP，并采用XGBoost–SHAP框架分析其空间格局与影响因素。研究结论包括：(1) 森林NEP具有显著空间异质性，高值集中于周边山地，低值分布于中央河谷平原，全局莫兰指数为0.6752，呈正空间自相关；(2) 区域尺度上，海拔(DEM)、年平均气温(TEMP)和饱和水汽压差(VPD)为主要驱动因子；(3) 不同植被类型主导因子不同，针叶林受降水影响，阔叶林和竹林对VPD敏感，混交林和灌丛与林分结构因子（如蓄积量VOL、林龄AGE、郁闭度CD）更相关；(4) 降水在1400–1680 mm、VPD在约0.48–0.54 kPa范围内对NEP有负向阈值效应，VOL和CD也存在与林分发育相关的阈值。研究为分类森林碳汇管理提供了参考，论文发表在《Forests》上。

本研究采用的主要技术方法包括：利用CASA（Carnegie–Ames–Stanford Approach）光能利用率模型，结合MODIS遥感数据、气象数据（温度、降水、太阳辐射）和植被类型图，估算净初级生产力(NPP)；基于温度和降水驱动的经验公式计算异养呼吸，进而得到NEP（NPP减去异养呼吸）。运用全局和局部莫兰指数进行空间自相关分析。建立三种机器学习模型（Random Forest、LightGBM、XGBoost），通过五折交叉验证和贝叶斯优化进行性能比较，选择表现最优的XGBoost（测试R2=0.73，MAE=4.12，RMSE=6.85）进行后续分析。采用SHAP（Shapley Additive Explanations）方法量化因子重要性、非线性响应和交互效应。数据来源包括DEM、坡度、气象站点插值数据、遥感产品以及林分调查数据（林分蓄积量VOL、郁闭度CD、林龄AGE等），所有数据重采样至250 m分辨率并统一投影。

**3.1 NPP估算结果与精度评价**：CASA模型模拟的平均NPP为817.39 g C m?2 year?1，与MODIS 2023年NPP产品（MOD17A3HGF）显著相关（R2=0.652, p<0.001），表明估算可靠。

**3.2 NEP估算结果与空间分布特征**：研究区平均森林NEP为426.66 g C m?2 year?1，高值区集中在周边山地（罗霄山、南岭），低值区呈条带状分布于赣江河谷平原及吉泰盆地。按植被类型均值排序：阔叶林>混交林>竹林>灌丛>针叶林，所有类型NEP呈长尾分布。

**3.3 空间自相关结果**：全局莫兰指数为0.6752（p<0.01），高-高(HH)集聚区占18.33%，分布在西南罗霄山、南部南岭及东部边缘山地；低-低(LL)集聚区占10.52%，集中在赣江河谷平原和吉泰盆地，统计显著性高。

**3.4 森林NEP驱动因素分析**：十种候选因子（含DEM、坡度、气温等）的方差膨胀因子(VIF)均小于5，无多重共线性。皮尔逊相关分析显示，林分蓄积量VOL、郁闭度CD和DEM与NEP正相关，VPD负相关。

**3.5 基于SHAP的驱动力分析**：3.5.1 模型性能比较与选择：XGBoost优于随机森林和LightGBM，因此选为SHAP解释的基础模型。3.5.2 局部特征模型：单个样本的SHAP力图显示DEM、林分密度SD和坡度SLOPE为主要影响因子。3.5.3 因子重要性与效应：区域尺度上DEM、TEMP和VPD最重要；不同植被类型中，针叶林、阔叶林和竹林主要受地形和水热因子驱动，混交林受DEM、TEMP和VOL影响，灌丛受DEM、AGE和CD主导。3.5.4 关键因子的非线性响应：整体上，DEM在约300 m以下呈负效应，以上转为正效应并稳定；TEMP在19.3–19.8°C、VPD在0.48–0.55 kPa时呈负向贡献；针叶林中降水在1400–1680 mm呈负效应；阔叶林和竹林VPD负效应范围约0.49–0.54 kPa；混交林VOL在200 m3 hm?2以下时正效应显著，以上减弱；灌丛CD在0.8以上时正效应增强。

讨论部分指出，NEP驱动机制因植被类型而异，且受多因子交互作用影响。针叶林中降水和气温存在交互，降水的负效应受水热条件调节；阔叶林和竹林中VPD与DEM耦合，低海拔区VPD负效应更强，竹林的干旱敏感性更高。研究存在局限性：机器学习模型基于数据关系而非因果机制，NEP验证依赖间接比较而非通量塔直接观测，且研究为单一年份（2023年），时空范围有限。未来应结合更多地面观测和长时序数据，扩展至其他区域。

结论部分翻译如下：
(1) 研究区森林NEP呈现明显的空间分布特征，高值主要分布于周边山区，低值出现在中央河谷。全局莫兰指数达0.6752，显示显著正空间自相关。高-高(HH)集聚区在西南罗霄山、南部南岭和东部边缘山地呈带状，低-低(LL)集聚区主要位于赣江河谷平原和吉泰盆地。森林NEP空间分布与当地地形条件和森林结构密切相关。
(2) 在区域尺度上，DEM、TEMP和VPD是与森林NEP关联最密切的因子，表明地形、热力和大气水分条件对NEP变异起重要作用。XGBoost–SHAP框架进一步量化了这些因子的相对贡献并刻画了其非线性响应。
(3) 不同植被类型NEP的主要驱动因子不同。针叶林主要与降水相关，阔叶林和竹林对大气水分亏缺更敏感，混交林和灌丛则与林分结构变量（如VOL、AGE、CD）关联更强。降水在1400–1680 mm范围内和VPD在约0.48–0.54 kPa范围内对模型估算的NEP呈负贡献，VOL和CD也表现出与林分发育和群落结构相关的阈值响应。
(4) 区域碳汇管理应考虑植被类型差异。针叶林、阔叶林和竹林对水分相关因子响应不同，而混交林和灌丛与林分结构联系更紧密。因此，应根据各植被类型的主导因子和阈值特征调整管理策略。