《Journal of Arid Environments》：Quantifying uncertainty for near-natural forestation in arid regions
编辑推荐：
本研究提出一种融合变分推断与一维卷积神经网络（1DCNN）的近自然造林（NNF）模型，用于量化干旱区造林不确定性。通过Lower Tarim River Basin案例验证，该模型在准确率（提升13.1%）和Kappa系数（提升16.07%）上显著优于随机森林、支持向量机等传统方法，同时有效抑制了传统模型对造林面积的高估（106-142%）。不确定性分析表明地形和水文因素对模拟结果影响最大，为干旱区精准造林提供可靠工具。
贾曲|齐刘|桂东伟|刘云飞|冯新龙|Sameh Kotb Abd-Elmabod|王海林|赵建平|慈梦涛
中国科学院新疆生态与地理研究所沙漠与绿洲生态国家重点实验室，干旱地区生态安全与可持续发展重点实验室，中国新疆乌鲁木齐
摘要
在干旱地区，植树造林在缓解气候变化和土地退化方面发挥着关键作用。然而，传统的植树计划往往无法复制天然森林所提供的生态服务，甚至可能威胁自然环境。本文将变分推断（Variational Inference）整合到一维卷积神经网络（1DCNN）中，以促进干旱地区的近自然造林规划，并量化其中的不确定性。该模型与机器学习方法进行了比较，并以塔里木河流域下游（LTRB）为例进行了应用。塔里木河流域下游是世界上最大的内陆流域之一，长期以来一直在进行恢复工作。研究结果表明：1）变分1DCNN在准确性上比传统模型高出13.1%，并且避免了传统方法中常见的造林面积高估现象（106–142%）。2）LTRB中潜在造林区域的不确定性较低，且这些区域主要分布在河流沿岸。3）水文和地形因素对潜在造林模拟的不确定性有很大影响。本文开发的近自然造林模型在预测造林机会方面表现良好，不确定性量化有助于提高干旱地区的可持续造林规划。
引言
然而，一些干旱地区的项目成功率很低，因为在这些水资源有限的地区盲目植树可能导致水资源短缺和土地退化（Cao等人，2016年；Ji等人，2020年；Mu?oz-Rojas等人，2021年）。例如，印度的一些植树项目过于注重植树数量，结果导致生物多样性下降、地下水加速枯竭和土壤养分失衡（Jose，2024年）。此外，研究表明，天然森林在生态系统服务、土壤碳储量、土壤和水资源保护以及生物多样性方面具有更好的效果（Cao，2008年；Gibson等人，2011年；Hua等人，2022年）。因此，迫切需要在干旱地区采用基于自然的解决方案，利用自然生态系统的力量来提高造林项目的成功率（Zhang等人，2016年；Zastrow，2019年）。
近自然造林（NNF）起源于Gayer在1886年提出的“可持续森林管理”概念（Gayer，1886年）。其基本原则是利用适应当地环境的自然植被作为基准，模拟在物种组成和空间结构上类似于当地自然植被的植被群落（de Albuquerque等人，2025年）。近自然造林生长速度较慢，可能无法像高密度单一栽培林那样快速提供生态系统服务，但所需的水量较少。它建立的生态系统具有很强的恢复力和抗干扰能力（Hishe等人，2021年）。目前，NNF是一种基于自然的解决方案，以潜在的自然植被为参考，考虑了当前环境条件与稳定自然植被之间的关系（Tüxen，1956年）。Brzeziecki等人（1993年）提出了“最小像素数”模型，这是将NNF概念转化为可量化模型的第一个尝试。这项开创性工作为NNF实践提供了操作模拟范例。Guisan和Zimmermann（2000年）提出了BIOMOD框架，整合了多种传统机器学习算法，标志着机器学习在近自然造林应用的开端。Zhong等人（2021年）利用BIOMOD中的最大熵方法提高了NNF模拟的准确性，确定了中国东北松嫩平原湿地近自然植被恢复的优先区域。Stankovic等人（2019年）在改进的BIOMOD2模型中使用了多种机器学习算法，模拟了热带生态系统中小规模海草的适宜生境，为海草恢复提供了实用工具。总体而言，这些研究强调了NNF在恢复生态功能方面模仿自然植被的能力（Auestad等人，2016年）。然而，NNF是否能在水资源严重有限的干旱地区成功实施，以实现可持续的环境和社会经济发展，仍需进一步探索。
此外，当前的近自然方法通常依赖固定参数来模拟自然条件，忽略了模拟结果的不确定性，可能导致不可靠的恢复规划（Levavasseur等人，2012年；Del Corso等人，2025年）。由于生态知识不足，观测数据限制和模型结构缺陷会导致模拟结果存在较大不确定性（Lakshminarayanan等人，2017年）。为解决这一问题，变分推断（VI）已被证明可以通过概率权重分布有效量化不确定性，并且在物理学、工程学和医学等多个领域都具有应用价值（Kapoor等人，2023年；Del Corso等人，2025年）。此外，熵是衡量随机变量不确定性的指标，可用于解释模型不确定性并帮助研究人员识别不确定性来源（Xiao等人，2023年）。为了提高模型可靠性并促进干旱地区的有效造林规划，利用VI和熵来量化和分解NNF模拟中的不确定性将是有益的。然而，将VI和熵整合到当前的近自然方法中，以捕捉和分离NNF映射中的不确定性，仍有待研究。
塔里木河流域下游（LTRB）是干旱地区植被恢复的典型案例（Liu等人，2022a）。由于长期缺水和干旱，LTRB的植被分布以灌木为主，树木和草类覆盖较少（Wang等人，2023年）。作为新丝绸之路经济带的交通要道，LTRB的自然植被保障了218国道和格尔木-库尔勒铁路的交通安全（Liu等人，2022a）。然而，由于自1972年以来LTRB的生态系统严重退化，当地居民主要分布在上游和中游地区（Chen等人，2006年）。自2000年以来，中国政府已投入15.4亿美元通过“生态输水”项目恢复这片消失的“绿色走廊”。目前，在现有环境条件下，LTRB的自然植被正在稳步生长，无需人工干预。然而，实际植被面积小于最初的预期（Liu等人，2024年）。已有研究探讨了LTRB的适宜地下水位、土壤特性和水资源供应（Chen等人，2006年；Song等人，2024年）。但基于NNF方法的干旱地区造林潜力尚未得到充分研究。
因此，我们开发了一个结合了VI、一维卷积神经网络（1DCNN）和熵的NNF模型，以确保造林机会映射的可靠性和不确定性量化。将四种广泛使用的传统模型（随机森林RF；支持向量机SVM；K最近邻KNN；决策树DT）与NNF结果进行了对比。为了说明这种方法，我们考虑了LTRB的潜在造林模式，并量化并分解了NNF模拟中的不确定性。本研究使用的输入变量易于获取和测量，使得该模型在全球其他造林地区具有广泛的应用性。该模型提供了不确定性量化和分解模型，提高了NNF映射的可信度，这对于干旱地区的有效造林规划和资源管理至关重要。
研究区域
塔里木河流域下游从大西海子水库延伸到塔依玛湖，构成了塔克拉玛干沙漠和库鲁克沙漠之间的“绿色走廊”（图1a）。该地区的干旱程度明显，年降水量平均为40毫米，潜在蒸发量为2590毫米（Song等人，2024年）。218国道贯穿塔里木盆地多个重要城市和城镇，促进了当地的经济和社会发展。植被被认为是最重要的自然
方法
图2展示了用于干旱地区可靠造林规划的NNF模型。首先，收集植被分布数据和相关环境因素，以开发概率NNF模型。其次，量化模型不确定性并改进模型（如果模型不可靠的话）。最后，如果模型可靠，确定适宜的造林地点、面积和植被类型。
近自然造林模型的性能
图6比较了变分1DCNN与四种传统机器学习方法（SVM、RF、KNN、DT）在NNF模拟中的性能。总体而言，变分1DCNN表现出最佳性能，平均kappa值为0.799，准确率为88.8%。其次是RF、DT和KNN，而SVM的表现最差。
为了全面评估NNF模拟的性能，我们分别计算了每种植被类型（灌木、树木和草）的精确度、召回率和F1分数
变分1DCNN在近自然造林映射中的优越性
虽然NNF指导了造林计划（Ci等人，2023年；Wang等人，2023年；Liu等人，2024年），但其实际应用受到数据和模型不确定性的限制，降低了决策者的信心（Levavasseur等人，2012年）。例如，在LTRB，确定性模型将潜在的自然植被栖息地的高估幅度达到了106–142%。它们在河流沿岸过度预测了树木和草类的分布，而实际上由于地下水较深
结论
本研究提出了一个结合了1DCNN、VI和熵方法的变分深度学习模型，用于生成具有不确定性水平的可靠NNF地图，从而实现有效的造林规划。与传统模型相比，该模型在kappa系数和准确性方面分别提高了16.07%和13.1%。以LTRB为例，变分深度学习模型对NNF的估计
CRediT作者贡献声明
贾曲：撰写——初稿、可视化、方法论、概念化。齐刘：撰写——审稿与编辑、资金获取、概念化。桂东伟：撰写——审稿与编辑、监督、资金获取、概念化。刘云飞：正式分析、数据管理。冯新龙：监督、正式分析。Sameh Kotb Abd-Elmabod：撰写——审稿与编辑、可视化。王海林：方法论。赵建平：监督。慈梦涛：验证。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。
致谢
本工作得到了国家自然科学基金[42307600, 42361144792, 42171042]、阿卜杜拉国王科技大学全球博士后奖学金[REP/1/6845-01-01]、新疆省天山人才培训计划[2023TSYCLJ0049]以及塔里木河源头地区土壤和水过程观测与研究站及绿洲生态安全项目[2025BSYK-07, 2025BSYK-05]的支持。
