平衡木材供应与粮食需求：评估中国广西地区桉树种植园扩张的驱动因素及其时空冲突

《Travel Medicine and Infectious Disease》：Balancing wood and food: assessing the drivers and spatiotemporal conflicts of Eucalyptus plantation expansion in Guangxi, China

　　蔡文华|黄秋霞|杨健|余乐|杨远征|祖嘉兴|王嘉莉|李振贤
中国北部湾环境变化与资源利用重点实验室（教育部资助）及南宁师范大学地表过程与智能模拟重点实验室，南宁，530001

**摘要**
桉树已成为中国亚热带地区种植最广泛的树种之一，虽然带来了显著的经济效益，但也引发了与农业的土地利用冲突。了解这种扩张背后的驱动机制对于实现可持续的土地利用管理至关重要。为了制定平衡木材生产和农业稳定的策略，我们利用提升回归树（Boosted Regression Tree, BRT）模型研究了桉树种植园的时空扩张动态，并预测了其潜在的适宜生境分布。分析结果显示，桉树的扩张经历了三个不同的阶段。尤为重要的是，这种扩张逐渐从边缘坡地转向了平坦的河谷底部，加剧了该地区的农林冲突。气候条件在所有扩张阶段始终是主要的大尺度调控因素。BRT模型确定了决定适宜性的关键降水阈值，表明桉树对最干燥季度的降水量（>110毫米）和年平均降水量（1000–1700毫米）具有高度敏感性。在当前气候情景下，预计研究区域的中部和南部将有较大的适宜生境面积。本研究提供了气象因素如何塑造短轮伐林业扩张模式并导致土地利用紧张的空间明确证据。我们的发现为制定基于气候信息的选址和管理政策提供了重要的科学见解，以实现中国亚热带地区木材经济目标与优质农业资源保护之间的可持续平衡。

**1. 引言**
为满足日益增长的全球木材需求，桉树已成为全球种植面积最大的速生树种之一，其种植面积已超过2257万公顷（Booth 2013, Zhang and Wang 2021, Bukoski et al., 2022）。然而，桉树单一种植的快速扩张和广泛采用引发了关于其生态和社会影响的广泛讨论，包括生物多样性丧失、土壤退化以及与农业的土地利用冲突（Mendham et al., 2011, Tomé et al., 2021, Wang et al., 2021b, Xu et al., 2021, Lemessa et al., 2022）。经济发展（木材生产）与环境和粮食安全问题之间的这种紧张关系凸显了更好地理解种植园动态的迫切需求，并促使了相关监管的加强（McEwan et al., 2020; Wang et al., 2021a, Yu et al., 2021）。尽管已有大量研究分别关注桉树的生态影响或经济效益（Wu et al., 2021, Abate et al., 2022, Walker et al., 2025），但对其时空扩张模式及其根本驱动因素的系统性、大规模评估仍然有限。现有研究往往依赖于局部分析，缺乏对大规模扩散动态的全面评估（Qiao et al., 2016, Zhang et al., 2023）。实际上，桉树的扩张是由生物物理适宜性（如气候和地形）与社会经济驱动因素（如政府政策和经济激励）之间的协同作用所推动的，但这些因素在空间和时间上的相对重要性和相互作用机制尚未得到充分量化（Molla et al., 2023, Mao et al., 2024, Yang et al., 2024）。大多数研究主要强调生物物理因素，而经常忽视社会经济驱动因素的影响（López-Sánchez et al., 2021, Yang et al., 2024）。尽管直接量化不透明政府政策的影响具有挑战性，但夜间光照指数和人口密度等代理变量可以有效捕捉区域木材需求和环境管理优先级（Doll et al., 2006, Keola et al., 2015, Tritsch and Le Tourneau 2016）。此外，道路可及性通过影响种植和运输成本，对种植园分布起到关键作用，从而影响当地土地利用决策（Laurance et al., 2017, Kleinschroth et al., 2019）。了解桉树的历史扩张趋势并识别其关键驱动因素对于划定潜在适宜生境至关重要，这是实现可持续森林管理和有效政策制定的前提。

以往的研究通常将种植园扩张视为一个连续且单调的过程，未能捕捉到在不断变化的政策和市场条件下土地利用变化的非平稳动态（Zhang and Wang 2021, Molla et al., 2023）。这种做法掩盖了潜在驱动因素的关键时间变化，因为扩张模式及其主导因素可能因市场需求变化、政策干预或品种技术进步而突然改变。为解决这一局限性，本研究提出使用全球Moran’s I（一种空间自相关度量方法，Li et al., 2007, Tillé et al., 2018）将长期历史记录客观划分为不同的扩张阶段（Ahn et al., 2009）。随时间变化的空间聚类模式可以作为由政策或市场变化驱动的土地利用变化非平稳动态的稳健代理（Guo et al., 2025, Yu et al., 2025）。这种时间分割使得能够进行特定阶段的分析，准确指出关键气候、地形和社会经济驱动因素的影响何时以及如何发生变化。通过应用这一框架，本研究旨在开发一个时间明确的模型，更好地阐明桉树扩张的机制，并确定其可持续栽培的最佳区域。

中国广西的桉树种植面积动态体现了全球种植园林业的扩张趋势。作为中国最大的桉树种植中心，广西的种植面积从2000年的87万公顷增长到2020年的300多万公顷（Zhang et al., 2023, Yang et al., 2024）。这种快速的土地利用变化凸显了理解速生树种种植园扩张动态的重要性（López-Sánchez et al., 2021, Molla et al., 2023）。本研究结合时间序列遥感分析和机器学习算法来研究广西的这些动态。我们的具体目标是：（1）利用Landsat衍生的分布图准确量化2004年至2019年间桉树种植园的时空扩张模式（Yang et al., 2024）；（2）在特定阶段框架内使用稳健的机器学习模型识别和排序扩张的关键生物物理和社会经济驱动因素；（3）开发一个整合生物物理约束和社会经济因素的生境适宜性模型，以预测潜在的扩张区域，从而突出木材与粮食土地利用的潜在冲突区。这些发现将为制定空间定向的管理策略、优化种植园布局以及在广西及其他类似亚热带地区平衡生态保护与经济目标提供关键的科学支持。

**2. 研究区域**
中国西南部的广西省（20°54′N – 26°24′N, 104°26′E – 112°04′E）是研究亚热带种植园扩张动态的典型区域（图1）。选择该地区作为研究区域是因为其独特的地理和生态特征。该地区以山地和丘陵地形为主，地形从西北部的云贵高原延伸到中部和西南部的广阔喀斯特平原。湿润的亚热带季风气候，年温度在16.5至23.1°C之间，年降水量在1080至2750毫米之间，为林业创造了极为有利的生物物理条件。这些条件非常适合像桉树这样的速生、短轮伐物种。

**图1.** 研究区域的空间分布（a）；以及16年观察期（2004–2019年）内桉树种植园的空间聚类模式（b），使用Moran’s I指数进行量化。

这些环境因素与桉树种植的重大经济优势（如高生长率、劳动效率和更高的收入）相结合，推动了过去二十年的快速土地利用转换（Li et al., 2024, Yang et al., 2024）。因此，广西已成为中国最大的桉树种植基地，使其成为研究经济激励与农业土地变化之间复杂相互作用的理想案例。

**3. 材料与方法**
**3.1. 数据集**
2004–2019年的桉树年度分布图，空间分辨率为30米，来源于Yang et al.（2024）。这些地图基于标准时间植被指数曲线进行像素级时间序列分析生成，能够捕捉速生、短轮伐桉树的独特特征。这些地图的整体分类准确率超过80%，足以满足本研究的需求。

我们选择了25个环境变量进行分析，包括19个生物气候变量、3个地形变量和3个社会经济变量。生物气候变量（代表温度和降水模式）是建模物种生境适宜性的常用预测因子（Ibanez-Justicia et al., 2020, Merkenschlager et al., 2023）。这些数据来自2000年至2020年间广西省19个气象站收集的气候数据，然后使用R语言的dismo和raster包计算并插值到500米分辨率的网格中。

为了更好地理解桉树分布的驱动因素，我们还纳入了地形和社会经济变量。地形因素（如海拔、坡度和地形湿润指数TWI）对于捕捉局部微气候和水文条件至关重要，这些是物种建立和生长的基本决定因素（Franklin et al., 2000）。社会经济因素（如人口密度、夜间光照指数和道路影响指数）对于理解人类活动如何影响种植园建立至关重要（Rudel 2009, Laurance et al., 2017）。例如，人口密度和道路网络反映了劳动力可用性、市场准入和土地利用竞争，这些都是种植园扩张的关键驱动因素。夜间光照指数作为经济发展和人类压力的代理指标，表明某些地区的土地利用需求可能促进或限制桉树种植。这些变量共同作为人类压力的代理，使我们能够量化人类活动对景观的累积影响，并识别人类活动可能改变或限制桉树分布的区域。地形层、人口密度（Sorichetta et al., 2015）和夜间光照数据（Elvidge et al., 2021）来自Google Earth Engine。道路影响指数（RII）用于量化与交通基础设施相关的可及性和潜在干扰。根据景观生态学的既定方法，RII定义为：
**RII = ∑n=16(Wn*(1?Dn/15)**
其中Dn是像素到最近道路类型的距离，Wn是该道路类型的权重系数。道路数据包括六种类型（高速公路、铁路、国道、省道、农村道路和其他道路），权重系数来自先前的研究（Sanderson et al., 2002, Yang et al., 2021, Xiao et al., 2023）。高速公路和国道的权重系数较高，反映了它们对景观可及性和相关发展的更大影响，而农村道路的权重系数较低，反映了它们更局部的影响。最大影响距离15公里同样来自同一文献（Sanderson et al., 2002, Yang et al., 2021, Xiao et al., 2023），表示超过这一距离后道路对土地利用模式的影响可以忽略不计。为了评估这一参数在广西桉树种植园特定背景下的稳健性，我们在提升回归树建模框架内测试了不同的最大距离（10公里和20公里）（见第3.2节）。

**3.2. 方法论**
为了解决桉树扩张中的非平稳动态，我们在进行驱动因素分析之前将整个研究时期客观划分为不同的阶段。鉴于观察到的扩张模式经常偏离计划的管理策略，而是受到不断变化的市场和政策条件的调节，因此需要一种依赖于土地利用变化内在空间动态的方法（Das et al., 2017, Lee and Li 2017）。我们采用了全球Moran’s I（一种广泛认可的空间自相关度量方法，Moran 1950, Tillé et al., 2018, Chen 2023）来客观划分历史数据。这一分析有两个关键目的：（1）精确描述了桉树种植园随时间变化的空间聚类模式；（2）识别了重要的时间转折点，从而根据这些空间模式的突然变化将历史记录划分为不同的阶段。

为了量化桉树的时空扩张，我们分析了不同海拔和坡度梯度上的分布动态。此外，我们利用30米分辨率的土地覆盖数据集（Xu et al., 2018）来确定扩张的具体来源。通过将年度土地利用图与我们的桉树分布进行空间叠加，我们为每个扩张阶段构建了土地利用转换矩阵。这种方法使我们能够量化在16年研究期间，包括耕地、森林和灌木丛在内的主要土地利用类型转变为桉树种植园的过程。为了阐明推动桉树扩张的机制并预测潜在的适宜区域，我们采用了提升回归树（BRT）分析方法。BRT在生态建模中特别有效，因为它能够很好地处理非线性关系，并捕捉高维预测因子之间的复杂相互作用（Elith等人，2008年）。我们的建模遵循了一个特定阶段的框架，以捕捉环境和社会经济驱动因素随时间的变化影响。我们为基准年（2004年）以及通过Moran’s I分析确定的三个扩张阶段（2004-2009年、2009-2012年和2012-2019年）分别开发了BRT模型（De'Ath 2007年，Elith等人，2008年）。对于每个模型，相应阶段结束时的桉树分布图作为二元响应变量。

鉴于我们25个候选预测因子的高维性质，我们实施了两步变量选择协议，以确保统计上的简洁性和生态上的可解释性。首先，我们进行了预建模的共线性筛查。使用皮尔逊相关系数（|r|）和方差膨胀因子（VIF）来评估预测因子。在高度冗余的情况下（|r| > 0.8或VIF > 5），我们保留了对桉树具有更高生态相关性的变量（例如，选择Bio11而不是Bio1）（图S1）。这一步解决了统计冗余问题，同时考虑了不同扩张阶段之间相关结构的轻微变化。其次，我们对每个BRT模型进行了混合变量选择和优化，以平衡统计简洁性和跨阶段的可比性。在初步的共线性过滤之后，所有剩余的预测因子都被用来拟合初步模型，以计算它们的相对贡献。为了确保时间上的一致性比较，无论具体统计排名如何，都保留了一组核心的基础预测因子（包括地形、道路可达性和人口密度）。对于次要变量，我们应用了迭代的BRT简化程序。排名在前七位的或贡献超过3%的变量被自动保留为关键信号。这种特定阶段的迭代程序使模型能够捕捉到随着种植园行业的发展，驱动因素主导性的变化。在所有最终模型中，有十个生物气候变量作为关键预测因子脱颖而出：等温性（Bio3）、年温差（Bio7）、最湿润季度的平均温度（Bio8）、最干燥季度的平均温度（Bio9）、最冷季度的平均温度（Bio11）、年降水量（Bio12）、最干燥月份的降水量（Bio14）、降水量季节性（Bio15）、最干燥季度的降水量（Bio17）和最冷季度的降水量（Bio19）。为了确保最佳性能，我们在所有阶段进行了迭代调整。最终的超参数——学习率（0.01）、树复杂度（5）和袋装比例（0.75）——是通过最小化交叉验证的偏差来选择的（Elith等人，2008年）。

模型的训练数据是使用随机抽样方法生成的，在广西生成了15000个采样点。点之间的平均间距约为4公里，这超过了通常推荐的2公里阈值，以最小化生态数据中的空间自相关性（Dormann等人，2007年）。这种间距确保了训练数据的足够独立性，从而能够进行稳健的模型拟合，同时保持了多阶段特定模型的计算可行性。对于每个特定阶段的模型，存在点被定义为相应年份分布图中桉树出现的位置。这种方法产生了一个不平衡的数据集，反映了真实的景观分布情况：在所有阶段中，存在点大约占总样本的5-12%（例如，2019年模型中有1608个存在点，13381个不存在点）。我们故意保留了这种自然的分布比例，以避免人为夸大存在记录的代表性，这可能导致对适宜栖息地的过度预测（Pe?alver-Alcázar等人，2021年）。BRT模型因其对类别不平衡的相对鲁棒性而受到认可，因为它们的基于树的结构和提升程序能够有效地从少数类别中学习，而不会引入不必要的偏差（Elith等人，2008年）。

为了验证模型性能没有因不平衡的比例而受到影响，我们使用阈值独立的指标（接收者操作特征曲线下面积：AUC）和阈值依赖的指标（敏感性、特异性、Kappa）来评估所有特定阶段的模型。一致的高AUC值证实了模型能够有效地区分存在和不存在。此外，为了确保模型捕捉到了桉树扩张的空间依赖性并产生了无偏估计，我们使用全局Moran’s I分析来评估模型残差的空间独立性。对于每个阶段（2004年、2009年、2012年和2019年），我们基于15000个随机抽样的残差和K最近邻（k = 10）空间权重矩阵计算了Moran’s I统计量。鉴于我们的样本量很大，我们主要关注Moran’s I系数的绝对大小（I < 0.1）来评估空间冗余，因为接近零的值表明预测因子充分解释了观察到的空间结构（Segurado等人，2006年）。

为了量化变量重要性估计的不确定性，我们使用了10次迭代的自助法重采样。对于每个自助样本，我们重新拟合了BRT模型并重新计算了变量重要性。每个变量相对贡献的95%置信区间来自自助分布的第2.5和97.5百分位数。最后，我们使用dismo包中的gbm.interactions函数检查了预测因子之间的相互作用（Elith等人，2008年）。相互作用强度基于相互作用项解释的残差偏差来量化，较高的值表示更强的相互作用。最后，我们将拟合的特定阶段BRT模型应用于整个研究区域，生成了空间明确的概率表面，预测了在当前气候条件下的桉树种植园的潜在分布。这种方法产生了一个明确的适宜性地图，确定了可持续桉树发展的最佳区域，并为土地利用规划和政策干预提供了空间明确的基础。

通过整合这些方法，我们的研究提供了对中国广西省桉树种植园扩张驱动因素的详细理解，从而支持了可持续森林管理的知情决策。所有空间数据处理和采样都是使用Google Earth Engine（GEE）、ArcGIS Pro 3.0.1和Python进行的。统计分析和BRT建模是在R软件中完成的。

4. 结果
4.1. 桉树种植园的空间扩张动态
从2004年到2019年，中国广西的桉树种植园大幅扩张，到研究结束时估计达到了2.47×10^6公顷。然而，这种扩张在时间和空间上是不均匀的。使用全球Moran’s I的分析显示，桉树扩张的空间自相关性最初从2004年到2009年增加，随后在2012年减少，然后在2019年再次增加（图1b）。基于这三个不同的趋势，研究期间被客观地划分为三个连续的阶段：2004-2009年、2009-2012年和2012-2019年，每个阶段可能反映了潜在的经济驱动因素或森林管理策略的变化。

空间模式分析显示，扩张热点集中在该省中部和南部的纬度梯度上，而北部则始终是一个分布冷点（图2）。这种模式与桉树对温暖潮湿条件的已知生理偏好一致（López-Sánchez等人，2021年；Mao等人，2024年）。尽管总体趋势显示桉树种植园在景观中的增加，但一些局部地区经历了轻微的下降，这可以归因于特定区域政策的影响。总体而言，种植园主要位于县与县之间的过渡地带或城市土地周围的山区。

我们的结果还显示了桉树扩张的明显地形模式。这些种植园的最初建立主要发生在高海拔斜坡上，这一趋势可能是由于土地容易获得和与传统农业的竞争较少。然而，随着时间的推移，扩张明显转向了低海拔的平坦地和缓坡（图3）。这一趋势反映了土地利用的战略变化（图4），桉树种植的显著经济优势，如减少劳动力投入和更高的单位面积收入，激励了将更多生产力高的低洼农业用地转化为种植园（Molla等人，2023年）。这一发现表明，从在边缘土地上机会主义种植转向更有意识地在优质农业土壤上扩张，以最大化经济回报。种植园在平坦地和缓坡上的比例增加，突显了桉树日益增长的经济主导地位及其作为区域土地利用变化的关键驱动因素的作用。

4.2. 驱动因素和潜在的适宜分布
使用10折交叉验证得出的一组验证指标评估了特定阶段BRT模型的预测性能（表1）。总体而言，模型表现出强大的区分能力，平均AUC值在0.738到0.828之间。2009年的模型表现出最高的预测能力（AUC = 0.828 ± 0.007），表明环境和 socioeconomic预测因子在这一时期特别有效地捕捉了扩张动态。模型还在所有阶段表现出高敏感性（0.775–0.914）和特异性（0.778–0.924），表明它们能够平衡地识别桉树的存在和不存在。虽然Kappa统计量（0.286–0.382）处于“公平”一致性的范围内，但这与快速土地利用转变的景观尺度建模一致，在这种建模中，碎片化的土地所有权和随机的人类决策引入了固有的空间噪声。尽管如此，一致的高准确性（>0.77）、稳定的AUC值和低Moran’s I（<0.04）证实了所选变量为识别广西桉树扩张的关键驱动因素提供了可靠的基础。

表1. BRT模型的预测性能和空间独立性（2004-2019年）。AUC值基于10折交叉验证报告为平均值±标准误差。残差Moran’s I值（I < 0.04，p < 0.001）表明残差的空间自相关性得到了有效最小化，确认了模型的稳健性（*p < 0.001）。

我们的特定阶段BRT模型显示，虽然某些变量的相对重要性随时间有所变化，例如人口密度从2004年的17.7%下降到2019年的12.6%，但气候变量在整个阶段始终是最重要的预测因子，解释了大约50%的观察到的变化（图5）。地形和社会经济因素各自解释了大约25%的相对变量重要性，共同解释了模型捕获的变化的一半。特别是，最干燥季度的降水量（Bio17）低于110毫米和年降水量超过1700毫米被发现会抑制桉树的分布（图6，图7）。

变量相互作用的分析揭示了桉树扩张的协同驱动因素在时间上的明显变化（表S1）。在初始阶段（2004年），模型受到年温差和旱季降水量之间异常强的相互作用（Bio7 × Bio17，974.33）的支配，突显了与气候极端相关的环境过滤器的关键作用（图7a）。随着扩张进入过渡阶段（2009-2012年），相互作用强度减弱，但仍集中在降水量季节性的耦合上（例如，Bio9 × Bio17，706.56；Bio12 × Bio17，193.03）。到了成熟阶段（2019年），主要相互作用转向了能量-水分的同步，特别是雨季热量和旱季湿度之间的相互作用（Bio8 × Bio14，203.06）（图7b）。在所有时期，社会经济和地形因素（如道路网络密度（RII）、海拔高度和坡度）始终与气候预测因子相互作用，尽管作用程度较低，这表明景观的可进入性独立于特定的气候制度促进了种植园的扩张。基于拟合的BRT模型，我们预测了当前情景下的适宜生境（见图8）。预测结果显示出明显的空间模式：桉树出现的概率最低的是在广西的西北部，而适宜面积最大的区域集中在该省的中部和南部。这一预测分布与当前的观测数据高度一致。这些结果表明，桉树的种植可能会继续在广西的中部和南部扩展，这可能会加剧对这些地区原始森林和优质农业用地的压力。

为了评估我们的建模结果是否对RII计算中使用的15公里最大距离阈值的选择敏感，我们使用了不同的阈值（10公里、15公里和20公里）进行了模型性能比较。敏感性分析是按照第3.2节描述的相同BRT程序对2019年阶段的模型进行的。结果表明，RII的相对重要性在各个阈值下保持稳定，分别为10公里时13.4%、15公里时12.8%和20公里时12.3%。模型的预测性能通过AUC测量，变化很小，范围在0.732到0.771之间。此外，变量重要性的排名在所有阈值下都是一致的：降水变量（Bio15、Bio8和Bio14）始终排名第一、第二和第三，RII作为第四重要的预测因子出现在所有三种情景中。这些发现证实了我们的建模结果对最大影响距离的选择具有鲁棒性，支持在主要分析中使用文献中推荐的15公里阈值。

4.3. 道路影响距离的敏感性分析

5. 讨论

本研究量化了广西桉树种植园的快速扩张，这反映了全球快速生长的单一树种作物取代自然生态系统和传统农业用地的趋势（Zhang和Wang 2021，Molla等人，2023）。我们的发现基于高分辨率的时空分析和机器学习建模，提供了对这种土地利用转变的动态、驱动因素和未来潜力的全面理解。讨论将这些发现置于可持续森林管理、生态权衡和气候变化适应的更广泛背景下进行综合。

5.1. 时空模式和扩张机制

Moran’s I分析识别出的三个不同阶段的扩张模式并非随机现象，而是反映了经济激励、政策变化和土地可用性之间的复杂相互作用（Lu 2021）。初始阶段（2004-2009年）的空间聚集增加可能对应于林业企业的早期采用，将种植集中在土地冲突最小的最佳坡度地形上。我们的转移矩阵（见图4）证实，森林仍然是转化土地的主要来源，这是一种针对边缘地区的补充土地利用策略。随后的分散阶段（2009-2012年）可能表明是个体农民广泛机会主义采用的时期，导致更加分散的模式。尽管与初始阶段相比，森林和耕地的总转化面积仅略有增加（见图4），但空间模式变得明显更加破碎。这种转变表明，这一时期的桉树扩张是由小规模、零散地侵入现有农业和森林矩阵所定义的，而不是大规模的工业集群。这种分散的模式反映了广西农村土地所有权的固有碎片化，家庭层面自发决定将高收益的木材纳入其现有的土地利用组合中，从而推动了更加空间异质的扩张（Zhang和Wang，2021）。

5.2. 气候驱动因素的主导地位及其生态影响

我们的BRT模型明确指出，气候，特别是与降水相关的变量，是控制桉树种植园分布的最重要因素。对最干燥季度降水量（Bio17 >110毫米）和年降水量（Bio12，1000-1700毫米）的显著敏感性定义了桉树在广西的受限生物气候生态位（见图6）。这种气候控制解释了分布的纬度梯度（Mao等人，2024），其特征是在较冷、较干燥的北部地区有低分布点，在较温暖、较湿润的中部和南部地区有高分布点。值得注意的是，在广西的热带和亚热带背景下，温度并不是主要限制因素，因为水分可用性决定了该物种的生理边界。气候因素相对于社会经济因素的主导地位突显了一个基本限制：无论是由政策还是市场力量驱动的人类活动，都受到物种生物气候包络的约束。然而，社会经济因素（如道路可进入性和人口密度）的持续贡献仍然显著。这反映了种植园林业的物流现实，其中基础设施在气候适宜区域内起着关键的经济决定作用。我们的纵向交互分析进一步强调了Bio17作为最终环境过滤器的角色。如表S2所示，Bio17在2004年、2009年和2012年各阶段的顶级交互中都参与其中，交互强度达到974.33（Bio7 × Bio17）。这种持续的主导地位表明，虽然温度决定了广泛的热生态位，但在最干燥季度的水分可用性，通常与温度变异性相结合，代表了主要的生理瓶颈（见图7a）。值得注意的是，bio17与道路接近度之间的稳定交互（例如，2004年为124.24；2012年为62.71）揭示了一种关键的生物物理-社会经济协同作用。这种生物物理-社会经济协同作用，其中气候适宜性决定了生态潜力，而基础设施促进了其空间实现，越来越被认为是土地利用变化的普遍驱动因素（Lambin等人，2001；Meyfroidt等人，2013）。这种交互意味着高可进入性可能会放大气候优势，而有利的环境反过来又会吸引基础设施投资，进一步促进扩张。到2019年，向能源-水耦合的转变（Bio8 × Bio14，203.06；见图7b）表明，随着种植园的成熟，管理重点应从克服生存瓶颈（Bio17）转向优化资源利用。因此，协调策略解决气候限制（例如抗旱品种）和社会经济驱动因素（例如战略性道路规划）对于可持续的种植园管理至关重要。

BRT模型在所有阶段都表现出高预测性能（AUC：0.738–0.828；表1）。至关重要的是，接近零的残差Moran’s I值（< 0.04）验证了我们建模框架的空间稳健性。这些低系数表明，选定的预测因子有效地解释了扩张过程中固有的空间依赖性，成功地将原始分布数据中的高空间聚集减少到残差中的可忽略不计的“白噪声”（le Roux等人，2013）。这证实了我们识别的阈值和交互（见图6、图7）反映了真实的生态信号，而不是方法论上的伪影。除了这些主要驱动因素外，变量重要性的内部结构还揭示了细微的不确定性。虽然宏观气候约束（如Bio17和Bio14）在定义桉树生态位方面发挥了稳定作用，但像人口密度这样的次要变量的较宽置信区间表明其影响高度依赖于具体情境。这种变异性可能反映了局部管理实践或碎片化的土地利用历史。此外，残差不确定性（即观测到的AUC与完美预测之间的差距）可能归因于未观察到的随机性，包括土壤养分可用性、造林强度和土地利用政策的时空异质性等细尺度驱动因素。同时，也需要认识到我们的社会经济代理主要捕捉的是广泛的区域发展模式，而不是微观激励。由于数据稀缺，未能明确参数化诸如靠近木材加工设施（锯木厂）、木材价格波动和土地所有权安全等关键驱动因素。这些变量的缺失可能导致在市场可进入性超过局部生物物理适宜性的地区低估了当地社区的能动性。未来研究如果包含家庭层面的调查和高分辨率的林业补贴数据，将提供更细致的理解，了解个体决策如何与环境限制相互作用，从而塑造桉树扩张的景观。

5.3. 适宜性预测、未来压力和不确定性

模型预测的持续范围扩张对土地利用规划和生物多样性保护具有重大意义。桉树适宜土地在广西中部和南部的集中与当前的扩张热点一致，表明市场和气候驱动因素正在加剧这些地区的土地利用压力（Molla等人，2023；Mao等人，2024）。这种预测的扩张预示着土地利用冲突的加剧。正如本研究记录的地形变化所示，压力不仅将落在剩余的原始森林上，还将越来越多地落在高质量农业用地上。这种动态在木材生产、粮食安全和生物多样性保护之间创造了复杂的权衡（Zhang和Wang 2021，Abate等人，2022；Walker等人，2025）。如果没有积极的、空间明确的政策干预，桉树种植的经济势头可能会导致生态和农业价值景观的持续转化，从而破坏中国亚热带地区的可持续发展目标。然而，这些预测受到输入不确定性的影响。一个关键的限制是将所有桉树种植园视为一个整体，这忽略了不同品种之间的显著差异。自引入以来，广西的桉树品种经历了广泛的育种，产生了对寒冷、干旱和养分限制具有不同生态耐受性的品种（Mao等人，2024；Aparecido等人，2025）。由于缺乏特定品种的空间明确数据，我们的模型隐含地假设了所有种植区的气候同质性。这种简化可能会掩盖品种特定的生态位占据情况，并可能通过低估边缘地区（例如较冷的北部地区）的扩张潜力或未能考虑品种与当地生物气候条件不匹配时的生产力损失来偏倚我们的适宜性预测。尽管用作响应变量的桉树分布图具有很高的总体准确性（>80%；Yang等人，2024），但在种植园稀疏的景观或早期演替阶段，分类错误可能会加剧。因此，在训练数据有限的地区（如广西东北部），应谨慎解读模型预测。未来的研究应优先获取特定品种的分布数据，并扩大代表性不足地区的实地调查。这种高分辨率的输入将有助于为个别克隆的生态位模型参数化，揭示品种级别的生态位差异如何增强该行业的适应气候变化的能力。在此之前，我们的发现描述了广西桉树的整体气候生态位，提供了一个稳健的基准，同时承认了品种内部复杂性的存在。

5.4. 政策影响和可持续管理

我们空间明确的适宜性地图为中国广西桉树种植园的可持续集约化和空间治理提供了决策支持框架。我们的结果不是全面谴责或支持桉树，而是支持一种平衡经济效益与生态完整性的分区管理方法。该框架将景观划分为不同的管理区域：高适宜性区域（广西中部和南部）：管理应集中在现有边界内的可持续集约化上，以支持国家木材安全，同时最小化生态溢出。具体而言，管理者应：I）精准林业：林业企业应优先选择与我们模型识别的特定生物气候制度相匹配的品种（例如，在干燥季度降水量接近110毫米的地区优先选择耐旱品种）。II) 监管保障措施：地方当局必须在子区域层面划定“禁止转换区”，利用高分辨率影像保护剩余的天然林斑块、河岸缓冲区和优质农业用地。这些区域应正式纳入森林管理计划，并严格执行相关法规，以防止进一步侵占。

低适宜性区域（东北部）：鉴于霜冻伤害风险较高且生产力较低，政策工具应限制新的扩张，并促进逐步转向替代系统。可采取的措施包括：
I) 分阶段撤出：借鉴“巴马县模式”，地方政府应对永久基本农田、陡坡（>25°）及水保护区内的种植园进行清查。明确转换时间表（例如，到2030年）并暂停新建苗圃。
II) 针对替代方案的激励措施：应为这些边缘区域设计专门的过渡补贴。对于将桉树改种为本地物种（如肉桂树、小叶榕）或高价值经济作物（如油茶）的农民，补贴应涵盖苗木成本，并在最初的3-5年过渡期内提供收入缺口补助。
III) 技术推广：林业部门应建立示范地块，展示成功的转换案例。推广人员必须提供适合当地易受霜冻影响条件的物种选择和管理技术的实际培训。

此类政策的成功取决于解决根本的经济驱动因素。财政激励措施必须在经济上与桉树收益具有竞争力，以遏制无序扩张。此外，采用改进的管理措施（McMahon和Jackson 2019），如适当的轮作和废弃种植园的再利用，将有助于实现长期可持续性。通过将生物气候适宜性转化为特定地点的具体行动——从品种选择到农场层面的补贴——广西可以更好地平衡桉树系统的经济贡献与社会生态韧性。

6. 结论
本研究重建了桉树种植园在中国广西的历史扩张过程，并阐明了其主要驱动因素。我们发现，桉树种植园的扩张路径是非线性的，受地形变化的影响较大，主要受到气候阈值的限制，但也受到人为因素的促进。根据我们的模型预测，持续的扩张趋势需要将气候适宜性评估与粮食安全和生物多样性保护优先事项结合起来。这对于在短期经济利益与长期保护重要生态系统服务和农业生产能力之间取得平衡至关重要。所提出的方法和发现为评估其他经历类似转型的亚热带地区的种植园动态提供了一个可复制的框架。

未引用的参考文献：Zuur等人，2010年；Das和Ghosh，2017年

披露声明：作者未报告任何潜在的利益冲突。

作者贡献声明：
蔡文浩：撰写——原始草稿、方法论、数据整理。
黄秋霞：方法论、数据整理。
杨健：撰写——审阅与编辑、方法论。
于乐：撰写——审阅与编辑。
杨元正：撰写——审阅与编辑、监督、方法论、资金获取。
祖家兴：方法论。
王家丽：撰写——审阅与编辑。
李振贤：数据整理。