《Forest Ecosystems》：Extraction of eucalyptus age and estimation of its aboveground biomass in China with the integration of empirical model and machine learning algorithm
编辑推荐：
本研究针对中国热带和亚热带地区快速生长的桉树人工林，其高分辨率林龄与地上生物量（AGB）分布制图产品缺失的问题，开发了一种新的技术框架。该研究整合Sentinel-2和Landsat时间序列数据，利用连续的阈值决策策略，首次以月为单位生成了高精度的桉树林龄分布图。在此基础上，结合Chapman-Richards生长函数与机器学习算法，融合林龄与关键环境因子，构建了新的AGB估算模型。最终生成了2023年中国首套10米空间分辨率的桉树分布图、30米分辨率的林龄与AGB分布图，为桉树资源管理和碳评估提供了关键数据支撑，所提出的框架也为其他树种的林龄提取与AGB估算提供了新思路。
在全球应对气候变化和追求可持续发展的背景下，森林作为重要的陆地碳汇，其碳储量的精确估算至关重要。其中，生长迅速、轮伐期短的桉树人工林，在热带和亚亚热带地区广泛分布，不仅是木材生产的重要来源，也在区域碳循环中扮演着关键角色。然而，由于桉树生长快、轮伐期短，其林龄和地上生物量的空间分布动态变化剧烈，传统的森林资源清查方法难以及时、准确地捕捉这些变化。更棘手的是，当前缺乏能够精确区分桉树与其他树种、并准确估算其林龄和地上生物量的有效方法，导致高空间分辨率的全国性桉树林龄和地上生物量分布产品一直处于空白状态。这严重制约了我们对中国桉树人工林碳动态和生态系统服务的深入理解，也影响了相关森林资源管理和碳政策的科学制定。
为了破解这一难题，福建师范大学的Chunxian Tang, Guiying Li, Dengsheng Lu等研究人员在《Forest Ecosystems》上发表了一项研究，旨在开发一种全新的方法，通过整合经验模型和机器学习算法，来精确提取中国亚热带和热带地区的桉树林龄，并估算其地上生物量。
本研究主要运用了以下几个关键技术方法：
首先，研究人员收集并预处理了多源数据，包括2018年至2023年间在中国福建、广东、广西三省收集的143块野外样地数据，用于计算样地水平的地上生物量；Sentinel-2 L2A表面反射率数据用于冬季合成以制图桉树分布，其2019年至2023年的时间序列数据与Landsat（2000-2019年）时间序列数据相结合，用于提取月尺度的林龄；此外，还整合了地形、气候和土壤等环境辅助数据。其次，基于Sentinel-2冬季影像，通过计算增强植被指数、植物衰老反射指数等复合指数，并利用阈值法和随机森林算法，绘制了全国10米分辨率的桉树分布图。第三，提出了一种基于NDVI和NDVI与归一化燃烧指数之差的连续阈值决策策略，从Landsat和Sentinel-2月中值合成时间序列数据中，以月为单位提取桉树林龄。最后，在估算地上生物量时，采用SHAP方法识别关键环境因子，并构建了一个混合模型：以Chapman-Richards生长函数为基础，将其模型参数表达为所选关键环境因子的函数，从而将基于林龄的经验生长模型与处理环境异质性的能力相结合，实现了对桉树地上生物量的高精度估算。
4. 结果分析
4.1. 桉树空间分布分析
对2023年中国桉树分布图的评估显示总体分类精度达到92.11%。空间分布表明，桉树人工林主要集中在华南亚热带地区，广西和广东两省是核心分布区，其面积占全国总面积的83.5%。东部地区（如福建）的分布比西部地区（如云南）更为连续，这可能与地形特征有关。
4.2. 桉树林龄分析
研究人员通过分析桉树林在郁闭和采伐状态下NDVI与DIF（NDVI与NBR之差）的光谱特征，确定了用于识别潜在采伐日期和林木恢复的阈值。评估结果显示，结合Landsat和Sentinel-2数据提取的林龄，其均方根误差仅为1.54年，远低于现有林龄产品。其中，Sentinel-2时间序列主要提取林龄小于4年的幼林，而Landsat则用于提取4年以上的林分。空间分布表明，中国大部分桉树人工林林龄小于4年，占总面积的77.6%，林龄超过10年的桉树林非常少，这反映了以短轮伐期经济利用为主的经营模式。
4.3. 地上生物量估算分析
通过SHAP方法分析环境因子对地上生物量的重要性，排名前三的关键因子是土壤粘粒含量、二月平均降水量和五月平均降水量。这表明土壤保水能力和特定月份的降水对桉树生物量积累具有重要作用。研究人员比较了不同建模策略：单一的对数回归模型、机器学习算法以及结合环境因子的生长曲线模型。结果显示，将三个关键环境因子融入Chapman-Richards函数参数而构建的CRFE3模型表现最佳，其验证R2为0.78，RMSE为21.18 t·ha?1，相对RMSE为22.41%。该模型仅需林龄和三个环境变量，就在保证精度的同时具备了良好的可解释性和可移植性。利用CRFE3模型预测的2023年中国桉树总地上生物量为2.1741亿吨。空间上，热带地区因土壤条件差和短轮伐期，地上生物量普遍低于50 t·ha?1；亚热带地区则主要在150 t·ha?1以下。
4.4. 桉树面积、林龄和地上生物量的综合分析
按林龄组统计分析发现，林龄≤4年的桉树林面积占比高达77.6%，其地上生物量占总量的55.0%。地上生物量密度随林龄增加而增加，但生长速率则相反，幼林（≤2年）的年均生长速率可高达36.8 t·ha?1·year?1，而老林（>14年）则降至12.8 t·ha?1·year?1。各省份比较显示，广西和广东是桉树种植的绝对主力，两省面积和地上生物量合计占比均超过80%。福建省的平均地上生物量密度最高，达到87.09 t·ha?1。
5. 结论与讨论
本研究的核心贡献在于成功开发并验证了一套用于精确提取桉树林龄和估算地上生物量的新技术框架。针对桉树生长快、轮伐期短的特点，提出的连续阈值决策策略有效克服了现有森林干扰检测算法在捕捉其快速变化方面的不足，将林龄提取精度提升至月尺度，均方根误差大幅降低至1.54年。在地上生物量估算方面，创造性地将Chapman-Richards生长函数与机器学习思想结合，通过将生长模型参数表达为关键环境因子（土壤粘粒含量、二月和五月降水）的函数，构建了兼具生物物理机制解释能力和环境适应性强的CRFE3混合模型。该模型仅需四个变量，就在全国尺度上实现了高精度估算。
这项研究首次生成了2023年中国10米空间分辨率的桉树分布图，以及30米分辨率的林龄和地上生物量分布图，填补了该领域的数据空白。这些成果为桉树人工林的资源管理、碳储量评估、碳汇交易及相关政策制定提供了不可或缺的基础数据源。更重要的是，研究所提出的方法论框架——整合高时空分辨率遥感时间序列、基于物理机制的阈值决策和融合经验模型与机器学习的混合建模思路——为其他具有类似生长特性的树种或人工林的林龄与生物量制图提供了新的、可借鉴的见解。未来，该方法可进一步应用于全球其他桉树种植区或其他速生树种，为全球森林碳监测和生态系统服务评估提供更强大的技术工具。
