森林生态系统养分重吸收过程的动态参数化：基于混合模型的创新研究

《Forest Ecosystems》：Dynamic parameterization of the nutrient resorption process in forest ecosystems with a hybrid model

为解决传统生态系统模型静态常量无法捕捉养分重吸收效率(NuRE)高变异性、影响模型预测精度的问题，本文研究人员开展了一项主题为森林生态系统养分重吸收过程动态参数化的研究。研究者构建了一个结合可解释性异速生长模型与随机森林残差校正的混合框架，并提议以重吸收养分量(ReNu)替代传统的比例型NuRE作为建模目标。研究结果表明，该模型在拟合ReNu时性能优异（R2> 0.7），能更准确、动态地描述养分重吸收过程，为全球环境变化下的森林养分循环建模提供了有力工具，具有重要科学意义。

　　

森林是地球的“绿色之肺”，它们不仅吸收二氧化碳，也通过精细的内部循环，将养分高效地回收再利用，以应对生长环境的资源限制。这个过程被称为养分重吸收(Nutrient resorption)，它指的是植物在叶片衰老前，将宝贵的氮(N)、磷(P)等营养物质从老叶中“抢救”回体内，用于新组织的生长。这种“变废为宝”的策略，是植物在贫瘠环境中优化资源利用、减少对外部养分依赖的关键机制，深刻影响着森林凋落物质量、土壤养分输入乃至整个生态系统的生产力。

然而，当我们试图用复杂的生态系统模型来预测气候变化下的森林动态时，这个看似简单的过程却成了模型预测能力的“阿克琉斯之踵”。全球性的养分添加实验和荟萃分析已反复揭示，养分重吸收效率(Nutrient resorption efficiency, NuRE)，即被重吸收的养分占绿叶养分浓度的百分比，存在巨大的变异性，并受到叶片和土壤养分浓度、气候（年均温MAT、年均降水MAP）、植物功能型等多种因素的复杂调控。可矛盾的是，在目前主流的地球系统模型（如CENTURY, CASA-CNP, JSBACH-CNP）中，为了简化计算，NuRE通常被设定为一个静态常量（如50%），或根据不同植物功能型分配固定值。这种“一刀切”的做法，显然无法捕捉现实世界的高变异性，导致模型在模拟养分循环和预测生态系统对全球变化的响应时产生显著偏差，甚至高估未来的碳吸收。此外，NuRE本身作为一个比率型指标，其计算依赖绿叶养分浓度和被重吸收养分量(Resorbed nutrient amount, ReNu)两个变量，这种结构也容易放大数据误差，增加预测的不确定性。为了弥合实验观测与模型模拟之间的鸿沟，为生态系统模型提供一个更精确、动态的养分重吸收过程表征，成为了一个亟待解决的关键科学问题。

为了应对这一挑战，由南京信息工程大学、中国科学院等机构研究人员组成的研究团队在《Forest Ecosystems》上发表了一项开创性研究。他们独辟蹊径，引入了两大核心创新：首先，他们不再将目光局限于改良对NuRE的预测，而是转向了一个更为根本的建模目标——直接预测重吸收养分量(ReNu)。ReNu是一个绝对值，避免了比率带来的误差传递问题，理论上应具有更好的稳健性和可预测性。其次，他们构建了一个新颖的“混合模型”框架。这个框架的核心是一个“多因子异速生长模型”，它用数学公式（幂函数乘积形式）将叶片养分状态、土壤养分条件和气候因子等多个影响因素统一纳入一个可解释的参数化方程中，这是对传统单因子模型的重大扩展。然而，研究人员深知生态过程的复杂性远超简单公式的刻画能力，为了捕捉那些非线性关系和因子间的交互作用，他们巧妙地以这个异速生长模型的预测残差（即模型无法解释的部分）作为新的目标，利用强大的数据驱动工具——随机森林(Random Forest, RF)模型进行学习和校正。最终，将异速生长模型的预测值与随机森林的残差校正值相加，得到了混合模型的最终预测。这种“白盒”（可解释模型）与“黑盒”（数据驱动模型）的有机结合，旨在兼顾模型的机理解释性与预测灵活性。

为了验证这一框架，研究团队运用了两套独立的数据集：一套是中国2011-2015年全国森林样地调查的高分辨率实地观测数据（中国数据集），包含了详细的植被、凋落物、土壤养分及气象信息；另一套是来源于全球荟萃分析的公开数据（全球数据集），覆盖范围更广但分辨率和数据一致性相对较低。研究首先量化了养分重吸收过程在中国及全球尺度上的高变异性，并系统比较了不同森林类型（如天然林与人工林、阔叶林与针叶林、落叶与常绿林）在重吸收特征上的差异。随后，他们分别用构建的异速生长模型和混合模型对ReNu和NuRE进行了拟合与预测，并采用决定系数(R²)和均方根误差(RMSE)等指标严格评估模型性能。

研究主要得出了以下关键结论：

1. 1.
   养分重吸收存在显著变异性：中国森林的氮重吸收效率(NRE)和磷重吸收效率(PRE)均值分别为45.32%和51.95%，但变化范围很大。不同植物功能型间存在显著差异，例如人工林的PRE显著高于天然林，落叶林的ReN和NRE最高。
2. 2.
   以ReNu为建模目标优势明显：无论是异速生长模型还是混合模型，预测ReNu的准确性都远高于预测NuRE。在中国数据集中，异速生长模型对ReNu的预测R²超过0.7，而对NuRE的预测R²则低于0.3，且存在明显的系统偏差。这表明ReNu是一个更稳健、更可预测的建模核心变量。
3. 3.
   混合模型大幅提升预测性能：在异速生长模型的基础上，引入随机森林进行残差校正构建的混合模型，显著提高了对ReNu和NuRE的拟合精度。对于NuRE，混合模型有效纠正了系统偏差，将预测值与观测值之间的回归斜率从0.3左右提升至0.6以上，R²提升至0.68以上。分析表明，对于ReNu，异速生长模型贡献了混合模型预测能力的主要部分；而对于NuRE，随机森林的校正贡献了约一半的方差解释力，凸显了数据驱动方法在捕捉比率型指标复杂模式中的关键作用。
4. 4.
   养分化学计量比影响模型表现：研究发现，模型预测偏差与叶片氮磷比(Leaf N:P)密切相关。当叶片氮磷比处于表示养分平衡的范围（10-20）时，模型校准偏差最小，预测最准确。一旦偏离该范围（即出现明显的氮限制或磷限制），模型偏差显著增大。这说明在养分胁迫条件下，植物可能启动了更复杂的生理调节机制（如改变碳分配、增强菌根共生等），这些是当前异速生长模型未能涵盖的，从而解释了混合模型中随机森林校正的必要性。
5. 5.
   模型对数据质量和不确定性具有稳健性：通过敏感性分析，研究评估了叶片质量损失校正因子(MLCF)和输入变量误差对模型的影响。结果表明，在合理的参数和误差范围内，模型对ReNu的预测保持稳健。但研究也指出，全球数据集因数据异质性和分辨率限制，其模型结果的连续性和外推性不及高质量的中国实地数据集。

研究结论与重要意义

综上所述，本研究成功开发了一个动态参数化森林生态系统养分重吸收过程的新框架。其核心贡献在于两方面：一是方法学上，提出了结合可解释异速生长模型与数据驱动随机森林校正的混合建模思路，为生态过程模型提供了兼顾机理与精度的新范式；二是认识论上，明确倡导将重吸收养分量(ReNu)而非养分重吸收效率(NuRE)作为生态系统模型中的核心预测变量，这有效减少了比率指标带来的不确定性，提升了模型的稳健性。

这项研究的意义深远。在理论层面，它极大地推进了我们对养分重吸收这一关键生态过程机理的理解与量化能力，为准确刻画其在全球变化背景下的动态响应提供了工具。在应用层面，该框架可直接集成到现有的陆地生态系统模型中，取代过于简化的静态常量，从而显著提高模型对森林养分循环乃至碳-氮-磷耦合循环的模拟精度。这对于更可靠地预测全球变化下的生态系统生产力、碳汇功能以及养分限制的影响至关重要。此外，研究所提供的动态养分重吸收估算，也能为森林管理（如人工林树种选择、施肥策略优化）提供定量的科学依据，帮助维持森林生态系统的长期健康与生产力。

尽管研究在数据代表性和某些未包含因子（如菌根类型）方面存在局限，但其提出的框架是灵活、可扩展的。随着更多高质量、多因子观测数据的积累，该模型可以被进一步校准和优化，最终为构建下一代高保真度的地球系统模型奠定坚实基础。