一种用于评估当前和未来气候情景下全球红树林造林潜力的机器学习框架

《Environmental Research》：A machine learning framework to assess global mangrove forestation potential under current and future climate scenarios

本研究利用机器学习框架（随机森林算法、SHAP解释、PDP可视化）整合48个环境因子，评估全球红树林覆盖潜力及驱动因素，量化社会经济和生态约束下的造林潜力及碳汇（6.9 GtC）。结果显示当前气候条件下潜在造林面积达156,682 km2，热带西北大西洋、亚马逊和印度尼西亚潜力最高，土壤饱和水分和离海距离为主要驱动因子，未来SSP5-8.5情景下海平面上升可能导致损失26,820 km2。

　　

李国豪|马一飞|卓天宇|齐新宇|游学毅

天津大学环境科学与工程学院，中国天津市津南区300350

摘要

红树林造林是碳封存最有效的林业实践之一。本研究开发了一个机器学习框架，整合了随机森林算法、Shapley加性解释（SHAP）和偏依赖图（PDP），利用包括气候、地形、土壤和海洋特征在内的48个环境层来评估全球红树林覆盖潜力及其驱动因素。基于红树林覆盖潜力，本研究量化了在社会经济和生态土地利用限制下的红树林造林潜力，以及造林的碳储存潜力。结果显示，在当前气候条件下，有156,682平方公里的红树林造林潜力。在评估世界海洋生态区（MEOW）省份、MEOW生态区和国家的红树林造林潜力分布时，发现热带西北大西洋、亚马逊地区和印度尼西亚的造林能力最强。SHAP和PDP的结果表明，土壤饱和含水量和距海距离是控制红树林覆盖潜力的关键因素。在不同的社会经济路径（SSP1-2.6和SSP5-8.5）下，由于气候变化，红树林覆盖潜力总体上有所增加。然而，在SSP5-8.5路径下，仅海平面上升就可能使当前的造林潜力减少26,820平方公里。此外，当前造林潜力中只有19,361平方公里与未来两种情景下预计增加的覆盖面积重叠，表明气候变化对造林结果的协同增强效应有限。从国家层面来看，印度尼西亚、巴西、澳大利亚、墨西哥和菲律宾的红树林造林碳储存潜力最高，分别为1.016 GtC、0.514 GtC、0.409 GtC和0.391 GtC。本研究提供的具有清晰空间细节的全球红树林造林潜力地图可以为国际范围内的红树林造林提供重要支持。

引言

识别造林潜力的时间和空间变化对于通过林业实施气候缓解策略至关重要（Xu等人，2023年），红树林作为关键的沿海森林物种也不例外。然而，与陆地森林不同，红树林在生态上具有独特性，它们位于陆地-海洋交界处，受到陆地和海洋过程的共同影响，并依赖于与潮汐淹没、盐度和海岸地貌相关的特定环境因素（Li等人，2024年）。尽管存在这些根本差异，但在全球森林评估中，红树林通常被归类为一般的“森林”类别，而没有明确承认其生态独特性，这是一种方法论上的局限（Bastin等人，2019年；Fagan等人，2022年；Williams等人，2024年）。这种做法可能会简化红树林与环境之间的关系，并导致评估结果出现偏差。

这种忽视不仅是因为所需的环境数据类型不一致（Adame和Lovelock，2011年；Das等人，2019年），还因为红树林的遥感观测方法与其他森林完全不同（Li等人，2025b；Zhao等人，2024年）。红树林的遥感方法必须应对潮汐动态、水体浑浊度和狭窄的沿海分布，这使得需要独立分析红树林。

以往对红树林分布的建模主要集中在使用物种分布模型、统计回归或机器学习方法来评估环境适宜性或存在-缺失模式（Feng等人，2024年；Hu等人，2020a）。虽然这些研究在识别红树林可能出现的区域方面有效，但它们没有明确说明在自然条件下给定空间单元内可以支持多少红树林覆盖。此外，现有的红树林评估研究主要依赖于有限的一组海洋变量，如海表温度和盐度（Blanco-Sacristán等人，2022年；Cui等人，2024年），但这些变量不足以代表所有海洋和海岸过程的影响。

红树林联盟基于历史损失提供了可靠且保守的红树林恢复估计（Worthington和Spalding，2018年）。这是一种基于专家意见和历史土地覆盖假设的特定区域的有效评估方法。然而，在全球范围内，可能无法充分考虑近几十年的复杂环境动态或红树林有限的自然殖民能力。尽管当前红树林种植园的成功建立受到物种选择、栽培方法、种植时间以及种植园的运营和管理等技术条件的限制（Arifanti等人，2022年），但了解在自然条件下哪些区域适合红树林生长——这里定义为红树林覆盖潜力——仍然是确定红树林造林潜力的前提。红树林造林潜力是指在各种现实世界限制下通过造林和再造林增加红树林覆盖的范围。在本研究中区分覆盖潜力和造林潜力至关重要。因此，目前需要基于全球自然因素的高分辨率红树林覆盖潜力地图来进行全球红树林造林评估。

本研究的主要目标是：1）开发一个机器学习框架，以评估当前和未来气候下的全球红树林覆盖潜力；2）通过应用生态和社会经济限制来推导实际的红树林造林潜力；3）量化这种造林的碳储存潜力（图1）。基于已发表的全球树木潜力估算方法（Bastin等人，2019年），本研究使用48个环境变量（代表气候、地形、土壤和海洋特征），以1公里的分辨率绘制全球红树林覆盖潜力地图。然后通过减去现有的红树林覆盖面积并排除受生态和社会经济土地利用限制的区域，得出红树林造林潜力。应用了包括Shapley加性解释（SHAP）、偏依赖图（PDP）、方差膨胀因子（VIF）和成对相关性分析在内的综合变量分析框架。此外，通过尽可能替换未来的环境数据，本研究估计了红树林覆盖潜力的未来变化。最后，本研究根据碳储存计算公式和以往研究的元分析结果（Bourgeois等人，2024年；Hutchison等人，2014年；Jiang等人，2025年）估计了红树林造林的碳储存潜力。本研究旨在为红树林造林规划和政策提供必要的空间指导。

研究区域

研究区域被定义为在当前气候条件下所有潜在适合红树林生长的沿海区域。根据以往的全球红树林研究，海拔低于平均高潮水位（MHWS）的沿海土地被视为可能适合红树林生长的区域。

MHWS是通过潮汐高度和潮汐负荷之和计算得出的（CNES，2024年）。潮汐高度估计为半日潮振幅（M2 + S2）中的较大值的两倍。

模型性能和不确定性

本研究开发的随机森林模型在假设的自然条件下估计红树林覆盖潜力方面表现出很高的预测能力。K折交叉验证（K=10）的R2值为90.56%。90.62%的袋外（OOB）准确率进一步表明模型拟合良好，过拟合现象最小。为了量化预测不确定性，本研究计算了每个像素预测红树林覆盖的标准偏差（以绝对百分比表示）。

讨论

红树林不仅是森林生态系统的重要组成部分，其保护和恢复也是沿海湿地管理的主要目标。研究表明，红树林是最具碳效率（Xu等人，2024年）、环境效益（Ur Rahman等人，2024年）和经济效益（Gong等人，2024年）的生态系统之一，但由于其适宜环境的复杂性，它们经常被排除在全球森林系统分析之外。

主要发现

本研究提供了全球范围内的红树林覆盖潜力、红树林造林潜力及相关碳储存的明确空间评估。在当前气候条件下，本研究确定了大约156,682平方公里的全球红树林造林潜力。从碳储存潜力的角度来看，全球总碳储存潜力为6.9 GtC，表明红树林具有广泛的碳效益。

CRediT作者贡献声明

游学毅：撰写——审稿与编辑、监督、概念构思。齐新宇：方法论、数据管理。卓天宇：撰写——初稿、数据管理。马一飞：撰写——初稿、方法论、数据管理。李国豪：撰写——审稿与编辑、撰写——初稿、可视化、数据管理

未引用的参考文献

哥伦比亚大学灾害与风险研究中心-CHRR-Columbia University，哥伦比亚大学国际地球科学信息网络-CIESIN-Columbia University，2005年；联合国粮食及农业组织，2018年；Fox-Kemper等人，2021年；Garner等人，2021年；NOAA物理科学实验室；Olson等人，2004年；Reagan等人，2024年；Service CMEM，2020年；Trabucco和Robert，2019年；Ur等人，2024年；Wessel和Smith，1996年；Yeager和Large，2008年。

数据可用性

本研究使用的所有数据均在线公开可用。本文中的所有栅格结果已存储在Zenodo数据库中（https://zenodo.org/records/15161430）。

利益冲突声明

? 作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。