生态站点观察数据挖掘取得新突破 ——中国森林凋落物分解速率空间模拟与气候变化响应研究新进展

图1 研究方法总体框架图

图2 中国森林凋落物分解观测数据站点空间分布

图3 凋落物分解关键驱动因子及交互作用特征

森林凋落物分解是连接植被碳输入与土壤碳库的关键生态过程，对森林生态系统中碳循环与养分循环具有核心调控作用。一直以来，全国尺度上缺乏高分辨率、空间连续的凋落物分解速率数据，制约了对森林碳储量动态及其空间异质性的系统认知。针对这一问题，资源所智慧林草创新团队构建了多源数据驱动的智能建模框架，实现了中国森林凋落物分解速率的高精度空间模拟，并系统解析了其主导驱动因子，突破了大尺度定量研究的技术瓶颈。

智慧林草创新团队前期在森林碳循环关键过程中已取得突破性进展：“一种多模态数据融合的森林凋落物智能预测方法”（Chen S H, Zhang H Q, Yang J,et al.Ecological Indicators,2026,182:114497），以及“基于人工智能的中国1km分辨率凋落物量逐月预测新方法”（Guo, M L, Zhang, H Q, Tan, J W,et al.Journal of Forestry Research,2026,37:24）。本研究基于以上成果进一步深化研究，系统整合了全国‌264个森林生态系统站点的观测数据‌，构建了涵盖气候、植被、土壤和地形‌四大类多源环境变量‌的统一数据体系，所有变量均统一至‌1km空间分辨率‌，并完成多源数据的尺度聚合，确保时空一致性。

为精准捕捉非线性驱动关系，系统比较了‌随机森林（Random Forest）、XGBoost、CatBoost和支持向量回归（SVR）‌四种主流机器学习模型，经交叉验证与独立测试集评估，‌XGBoost模型的预测精度和稳定性最优‌，因此选定其作为空间模拟与机制解析的模型。在建模过程中，采用‌随机搜索结合5折交叉验证‌进行超参数优化，有效避免过拟合，并将‌SHAP（Shapley Additive Explanations）方法引入森林凋落物分解研究，揭示了中国森林凋落物分解速率的主要驱动因子。

验证结果表明，模型在独立数据集上决定系数R²约为0.68，说明具备在全国范围应用的可靠性。通过SHAP分析，研究发现影响分解速率的关键因素：年均温是主导因子，地表温度和年降水量也发挥重要作用，而针叶林会明显减缓分解速度。这些因素共同塑造了我国分解速率“东南高、西北低”的格局：华南、西南温暖湿润的林区分解最快，东北寒温带针叶林和西北干旱区则相对缓慢，全国平均分解速率约为每年0.85次。在SSP5-8.5高排放情景模拟中，华北温带阔叶林分解速率将提升22.5%，而西北阔叶林和东北针叶林分别下降10.8%和3.5%，这体现了温度、水分与植被类型的复杂交互作用。

该成果实现了从生态系统站点“点状离散观测”到“空间连续预测”的跨越，同时通过可解释AI技术，让模型不再是“黑箱”，而是成为揭示森林碳循环内在机制的科学工具，为碳汇评估、生态修复以及碳中和路径规划提供科学依据。

研究论文“Mapping the controls and climate-induced vulnerability of forest litter decomposition in China”发表在《Ecological Informatics》（新锐分区1区TOP，IF=7.3），资源所人工智能与可视化实验室硕士研究生雷豪为第一作者，张怀清研究员为通讯作者。该项研究得到国家重点研发计划项目（2023YFF1303701）的资助。