基于随机森林模型的东北三省乔木林生物质碳储量预测*

田惠玲 朱建华,2 何 潇 陈新云 简尊吉 李宸宇 郭学媛 黄国胜 肖文发,2

(1.中国林业科学研究院森林生态环境与自然保护研究所 国家林业和草原局森林生态环境重点实验室 北京 100091；2.南京林业大学南方现代林业协同创新中心 南京 210037； 3.中国林业科学研究院资源信息研究所 国家林业和草原局森林经营与生长模拟实验室 北京 100091； 4.国家林业和草原局调查规划设计院 北京 100714)

森林是陆地生态系统的主体，其年固碳量约占整个陆地生态系统的2/3，在调节全球碳平衡、减缓温室效应和应对气候变暖等方面具有不可替代的作用(Lunetal., 2018； Linetal., 2019)。2020年，中国政府在第七十五届联合国大会上首次提出： “中国将提高国家自主贡献力度，采取更加有力的政策和措施，二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和”，并明确提出“提升生态系统碳汇增量”的行动方案(中共中央国务院， 2021)。充分发挥森林碳汇功能是减缓气候变化最具有成本有效性的措施之一(Doelmanetal., 2020)。精确估算森林碳汇潜力，对制定“碳中和”目标下应对全球气候变化和增汇减排行动方案具有重要的科学指导意义。

目前，有关森林生态系统碳储量和碳汇功能的预测研究涉及不同测算方法、不同研究尺度、不同森林类型间的差异及其与森林结构、林龄和生境条件的关系(Fangetal., 2001; Richardsetal., 2004; Fangetal., 2014; 李奇等, 2018； 张煜星等, 2021)。总体来说还存在较大不确定性，对未来森林碳储量和碳汇的预测仍缺少合理有效的方法(Huetal., 2015; Qiuetal., 2020)。大多数研究建立的森林碳储量预测模型是基于森林生长随简单林分因子(如林龄)变化的传统统计模型，较少考虑气候、土壤和立地条件的显著影响(Fernndez-Martínezetal., 2014)，而立地与气候因子也与林分生长息息相关。另外，传统统计模型在运用时常常需要满足数据独立、正态分布和等方差等统计假设前提(Ashrafetal., 2013)，当利用非线性形式或自变量较多时，具体模型形式的选择和收敛变得相当困难(欧强新等， 2019)。随机森林模型不需要进行统计假设和预定具体模型形式，能有效处理非线性、交互作用、共线性等问题，同时能有效避免过拟合，不仅可用于回归、分类、预测，而且还可对变量进行重要性度量(De′ath, 2007； Kuhnetal., 2013)，已在林分生长和森林碳储量预测中得到应用且预测效果较好(Minaetal., 2018; Ouetal., 2019; Jevšenaketal., 2021)； 然而，利用随机森林模型对大尺度和多因子影响的森林碳储量预测研究还鲜见报道。

我国东北森林是欧亚大陆北方森林带的重要组分(郗婷婷等, 2006)，也是我国重要商品材和多种林产品的生产基地，其面积和蓄积量分别占全国总量的13.86%和18.51%(国家林业和草原局, 2019)，在我国生态环境建设、实现“碳中和”目标乃至全球碳循环研究中均占有重要地位。目前，关于我国东北森林碳储量及其动态变化的研究大多集中于局部地区或个别树种 (焦燕等, 2005; 王春梅等, 2010; 范春楠等, 2016; Qietal., 2016)，对整个区域尺度的森林碳储量及碳汇潜力的整体性和系统性研究鲜见报道。鉴于此，本研究利用全国森林资源清查固定样地连续监测数据，通过机器学习算法构建基于多因子的森林生长模型，提高森林生长和固碳量的模拟精度，预测东北三省乔木林未来碳汇潜力，探索乔木林碳汇的潜在分布，以期为准确定位我国东北森林在增汇减排中的作用以及科学制定国家“碳中和”行动路径和目标管理提供科学指导。

1 研究区概况

研究区为我国东北辽宁、吉林和黑龙江3省(118° 50′—135° 05′E，38° 43′—43° 25′N)，属温带季风气候和温带大陆性气候，冬冷夏热，年温差大，土壤以黑土为主，土地肥沃，是我国森林资源最集中分布区之一，森林覆盖率42.39%，森林面积3 347.16万hm2，森林蓄积315 749.04万m3。该地区也是我国最主要的天然林区，天然林面积2 612.64万hm2，占该区森林面积的78.06%，天然林蓄积量272 175.05万m3，占该区森林蓄积量的86.20%(国家林业和草原局, 2019)。

2 研究方法

2.1 数据来源

研究基础数据主要包括林分数据、地形数据、气候数据和土壤数据。

林分和地形数据源自全国第6(1999—2003年)、7(2004—2008年)、8(2009—2013年)和9(2014—2018年)期森林资源清查固定样地连续监测数据，包括天然林6 943块、人工林2 099块。从固定样地监测数据库中筛选出与林分蓄积生长和消耗相关的地形、林分因子，地形因子包括 海拔、坡向、坡位和坡度， 林分因子包括起源(包括天然乔木林和人工乔木林)、优势树种(组)、平均年龄、蓄积量、蓄积总生长量和枯损消耗量等因子。

土壤数据源于国家青藏高原科学数据中心(http:∥data.tpdc.ac.cn)发布的《中国土壤有机质数据集》(Weietal., 2013)，其分辨率为30弧秒(赤道处约1 km)。基于固定样地的经纬度信息，提取样地土壤属性数据，包括土壤厚度、碱解氮含量、有效磷含量、速效钾含量、密度、pH、砾石含量和有机质含量。

气候数据包括用于建模的历史气候数据和用于预测的未来气候情景数据。历史气候数据源于全国2 456个气象站点(源于中国气象数据科学共享服务网http:∥data.cma.cn)1995—2015年的逐月气象数据，结合高程和坡向数据(http:∥www.gscloud.cn)，采用协同克里金(Co-Kriging)插值法进行空间插值，生成分辨率为1 000 m ×1 000 m的栅格数据图。未来气候情景数据源于世界气候数据库(http:∥www.worldclim.org)2021—2060年第6次国际耦合模式比较计划(CMIP6)MIROC-ES2L气候系统模式中ssp370情景气候数据。基于固定样地的经纬度信息，获取样地对应的历史和未来情景气候数据，包括 年均气温、 月均气温差、最暖月最高气温、最冷月最低气温、年均气温差、最湿季平均气温、最干季平均气温、最暖季平均气温、最冷季平均气温、年降水量、最湿月降水量、最干月降水量、最湿季降水量、最干季降水量、最热季降水量和最冷季降水量。

2.2 未来乔木林面积预测

在未来乔木林面积预测中，现有乔木林面积以第9次全国森林资源清查结果为基准。第9次全国森林资源清查是2014—2018年进行的，但东北各省调查时间不同，将基准年份统一为2015年。假定现有乔木林面积未来没有森林转化、毁林、采伐更新等干扰活动，各优势树种(组)组成和面积占比未来均保持不变，蓄积生长只与林龄和环境因素有关。

利用中国区域乔木生长适宜分布区数据(Ahrendsetal., 2017)，结合土地覆盖数据(Gongetal., 2019)和DEM数据(地理空间数据云，http:∥www.gscloud.cn)，在扣除现有乔木林地、坡度25°以下的耕地、湿地、水体、苔原、不透水面和冰雪地类后，获得全国潜在新增乔木林面积分布区，依此确定东北各省未来潜在新增乔木林总面积。根据“我国森林覆盖率到2020年增加到23.04%、到2025年提高到24.1%以及到2050年达到并稳定在26%以上”的规划目标，确定未来各时段全国森林面积的平均增长速率。基于第6～9次全国森林资源清查期间的地类变化，统计各省新增人工乔木林和天然乔木林的树种与面积占比，并假定在未来新增森林中保持该比例，以此确定未来各时段东北各省的乔木林面积增长量(表1)，直至达到潜在新增乔木林总面积上限。

表1 2016—2060年东北三省新增乔木林面积

2.3 随机森林模型

随机森林模型是一种以决策树为基学习器的集成学习方法，其通过重抽样构建一系列基学习器(如m个)，并将这些基学习器的预测结果组合起来并输出(Prasadetal., 2006； 周志华， 2016)，兼顾解决回归问题和分类问题的能力。在随机森林模型构建中，需设置2个重要超参数，即决策树的数目(ntree)和决策树树节点随机抽选的变量个数(mtry)。一般来说，当决策树的数目大于500后，模型整体误差率趋于稳定(周志华， 2016)，为保障预测结果的可靠性且不影响计算效率，本研究决策树的数目均设置为1 000(Ouetal., 2019)。对于随机森林回归模型来说，决策树树节点随机抽选的变量个数为全部自变量个数的1/3(周志华， 2016)，本研究决策树树节点随机抽选的变量个数根据自变量具体个数进行调优(Kuhnetal., 2013)。利用统计软件R4.0.3中的randomForest包进行随机森林建模，并调用Caret软件包进行10折交叉验证。

按照森林起源和优势树种(组)划分，首先将林分(仅包含平均年龄)、地形、土壤和气候因子作为自变量(共29个)，即1≤mtry≤29，以蓄积总生长量为因变量，利用10折交叉验证法分别训练和评估29个随机森林模型(ntrees=1 000，mtry=1, 2, …, 29)，选择泛化能力最佳的模型作为最优模型，由此建立不同起源各优势树种(组)的蓄积总生长量模型。然后将平均年龄和优势树种(组)、地形因子、土壤因子和气候因子作为自变量，将是否发生枯损2种类型作为因变量，利用随机森林分类方法建立枯损判断模型，判断样地内是否发生枯损。再将发生枯损的枯损消耗量作为因变量，采用随机森林回归方法建立乔木林蓄积枯损消耗量模型。

依据10折交叉验证的决定系数(R2)、均方根误差(root mean square error, RMSE)和平均绝对偏差(mean absolute error, MAE)3个指标对回归模型进行评价，基于：真正类(模型预测发生枯损消耗且实际发生枯损消耗的样本个数)、假正类(模型预测发生枯损消耗但实际未发生枯损消耗的样本个数)、真负类(模型预测不发生枯损消耗且实际不发生枯损消耗的样本个数)、假负类(模型预测不发生枯损消耗但实际发生枯损消耗的样本个数)(李婉华等， 2016)4项指标对分类模型进行评价，由此计算精度指标衡量模型性能(郭颖婕等， 2016)。

2.4 乔木林蓄积生长消耗预测

对于现有乔木林，利用构建的随机森林模型，以未来平均林龄和气候因子作为自变量，获得现有乔木林样地蓄积总生长量和蓄积消耗预测值。乔木林蓄积净生长量等于蓄积总生长量减去蓄积枯损消耗量，以2015年各乔木林样地的蓄积量为基准，加上未来各年蓄积净生长量后即为当年样地蓄积量。按各样地所代表的千米网格面积进行加权汇总，可以获得各省未来乔木林蓄积量：

ΔVN(p,t)=ΔVG(p,t)-ΔVL(p,t)；

(1)

Vp,t=Vp,t-1+ΔVN(p,t)；

(2)

(3)

式中： ΔVN(p,t)为第t年第p样地的蓄积净生长量(m3·hm-2a-1)； ΔVG(p,t)为第t年第p样地的蓄积总生长量(m3·hm-2a-1)； ΔVL(p,t)为第t年第p样地的蓄积枯损消耗量(m3·hm-2a-1)；Vp,t为第t年第p样地的单位面积蓄积量(m3·hm-2)；Vp,t-1为第t-1年第p样地的单位面积蓄积量(m3·hm-2)；Ap为样地p所代表的网格面积(hm2)；Vi,t为i省第t年的乔木林总蓄积量(m3)。

对于未来新增乔木林，将林龄作为自变量代入模型估计各省新增乔木林单位面积蓄积生长量和消耗量的平均值，与新增乔木林面积(表1)的乘积即为新增乔木林蓄积生长量和消耗量的估计值。

2.5 乔木林生物质碳储量和年碳汇量估算

根据森林资源清查结果，将单个树种面积(或蓄积)占乔木林面积(或总蓄积)比例低于50%的树种，按照其生理生态特征的相似性进行合并(表2)。基于中国森林生物量数据库(罗云建等， 2013)中乔木林单位面积蓄积量与生物量之间的关系，构建东北三省各主要优势树种(组)生物量密度与单位面积蓄积量的拟合方程，并用于估算乔木林各样地的生物量密度(表2)。生物量密度乘以相应的生物量含碳率为乔木林生物质碳密度，再乘以样地对应的网格面积为乔木林生物质碳储量，将乔木林生物质碳储量的年变化量视为乔木林生物质年碳汇量：

lnBj=lnaj+bj×lnVj；

(4)

Bj,p=aj×Vj,pbj×λj；

(5)

(6)

(7)

式中：Bj为树种j的生物量密度(MgC·hm-2)；Vj为树种j的单位面积蓄积量(m3·hm-2)；aj和bj为树种j的生物量-蓄积相关方程系数；Bj,p为样地p树种j的生物量密度(MgC·hm-2)；Vj,p为样地p树种j的单位面积蓄积量(m3·hm-2)；λj为树种j的生物量密度校正系数；Cj为树种j的生物质碳储量(MgC)； CFj为树种j的生物量含碳率；Ap为样地p所代表的格网面积(hm2)； ΔCt为第t年的乔木林生物质碳汇量(MgC·a-1)；Cj,t为第t年树种j的生物质碳储量(MgC)；Cj,t-1为第t-1年树种j的生物质碳储量(MgC)。

表2 东北三省主要乔木林树种(组)的生物量-蓄积模型与碳计量参数Tab.2 Biomass-volume model and carbon accounting factors for dominant tree species (groups) of three provinces in northeast China

3 结果与分析

3.1 随机森林模型验证

3.1.1 乔木林蓄积总生长量模型评价 不同起源优势树种(组)乔木林蓄积总生长量的随机森林最优模型评价指标存在差异(表3)。天然林中除油松林、白桦林、阔叶混交林和针阔混交林外，其他优势树种(组)的决定系数R2均大于0.6； 而人工林中除云杉林外，其他优势树种(组)的决定系数R2均小于0.6。最优随机森林模型中决策树树节点随机抽选的变量个数(mtry)在不同起源优势树种(组)间也存在差异(表3)。

表3 天然林和人工林优势树种(组)乔木林蓄积总生长量最优模型评价指标Tab.3 Optimal model evaluation indicators of volume gross growth of dominant tree species (group) in natural and planted forests

3.1.2 乔木林蓄积枯损消耗模型评价 基于训练数据构建的天然林和人工林枯损消耗随机森林分类模型的训练精度分别为98.30%和99.35%，总体误判率分别为1.70%和0.65%。随机森林模型对天然林和人工林发生枯损消耗的误判率分别为0.15%和1.00%，未发生枯损消耗的误判率分别为2.39%和0.21%(表4)。东北三省优势树种(组)林分蓄积枯损消耗量的随机森林模型表现较好，天然林和人工林枯损消耗模型的决定系数(R2)分别为0.671和0.731(表4)。

表4 天然林和人工林优势树种(组)枯损消耗模型混淆矩阵与评价指标Tab.4 Confusion matrix and evaluation indicators of mortality model of dominant tree species (group) in natural and planted forests

3.1.3 乔木林蓄积净生长量实际值与随机森林模型模拟值比较 由图1可知，基于随机森林模型预测的东北三省乔木林蓄积净生长量与森林资源清查固定样地监测的乔木林蓄积净生长量无明显差异，2个时期的乔木林蓄积净生长量模拟值与实际值仅分别相差7.29%和-8.68%(P<0.05)。这表明，本研究构建的随机森林模型能够用于东北三省乔木林蓄积净生长量预测，结果较为可靠。

3.2 东北三省乔木林未来生物质碳储量动态变化

2015—2060年，东北三省现有乔木林的生物质碳储量和碳密度均呈增加趋势，且天然林贡献更大(表5)。现有乔木林生物质碳储量由2015年的1 497.92 TgC增至2060年的3 078.19 TgC，45年间累计增加1 580.28 Tg C。现有乔木林平均生物质碳密度由2015年的47.02 MgC·hm-2增至2060年的96.62 MgC·hm-2，平均增加1.10 MgC·hm-2a-1； 但现有乔木林生物质年碳汇量由2015—2020年的41.28 TgC·a-1降至2055—2060年的31.43 TgC·a-1， 2015—2060年间年碳汇量为35.12 TgC·a-1。

2015—2060年，东北三省新增乔木林生物质碳储量和碳密度均呈增加趋势，且人工林贡献更大(表5)。2060年，新增乔木林生物质碳储量可达314.95 TgC，生物质年碳汇量2020—2060年呈波动性变化，平均为7.00 TgC·a-1。2060年，新增乔木林生物质碳密度可达51.65 MgC·hm-2，新增乔木林生物质碳密度2015—2060年间年均增加1.15 MgC·hm-2a-1。

综合现有乔木林和新增乔木林， 2060年东北三省乔木林生物质碳储量将达3 393.15 TgC，比2015年时增加1 895.23 TgC，年碳汇增量为42.12 TgC·a-1(表5)。2060年东北三省乔木林平均生物质碳密度将达89.40 MgC·hm-2，比2015年时净增42.38 MgC·hm-2。乔木林碳储量和碳密度增加主要源于现有天然林和新增人工林。

图1 东北三省每两期间森林资源清查乔木林蓄积净生长量实际值与随机森林模型模拟值比较Fig. 1 Comparison between the measured and the random forest model simulated national forest inventories of three provinces in northeast China

表5 2015—2060年东北三省现有乔木林和新增乔木林碳储量、年增汇及碳密度Tab.5 Carbon storage, annual carbon sink, and carbon density of existing and new arbor forests from 2015 to 2060 of three provinces in northeast China

3.3 东北三省各省份乔木林未来生物质碳储量动态变化

由图2可知， 2015—2060年东北三省各省份乔木林生物质碳储量和碳密度均呈增加趋势。辽宁省、吉林省、黑龙江省乔木林生物质碳储量分别由2015年的139.19、463.58和895.15 TgC增至2060年的328.95、915.83和2 148.37 TgC，乔木林生物质碳密度分别由2015年的32.71、59.75和45.11 MgC·hm-2增至2060年的75.20、109.32和85.24 MgC·hm-2，辽宁省、吉林省、黑龙江省乔木林生物质碳储量分别增长189.76、452.26和1 253.22 TgC，碳密度分别增长42.49、49.57和40.13 MgC·hm-2。东北三省乔木林生物质碳储量表现为黑龙江省>吉林省>辽宁省，生物质碳密度则表现为吉林省>黑龙江省>辽宁省。

图2 2015—2060年东北三省各省份乔木林碳储量及碳密度变化Fig. 2 Variations in carbon storage and carbon density of arbor forest from 2015 to 2060 of various provinces in Northeast China

2015—2060年东北三省各省份乔木林生物质年碳汇量在不同时段的表现不同(图3)。黑龙江省乔木林生物质年碳汇量在东北三省占有主导地位，其乔木林生物质年碳汇量2015—2060年呈现先增加后降低的趋势， 2036—2040年达最大值29.30 TgC·a-1，这可能与该省现有林中幼龄林面积占比(61.12%)较高以及未来森林逐步趋于成熟、生长速率下降所导致的年碳汇能力减弱有关(国家林业和草原局, 2019； 马晓哲等, 2011)； 辽宁省和吉林省乔木林生物质年碳汇量2015—2060年持续下降，年碳汇量分别从2015—2020年的5.35和11.21 TgC·a-1降至2056—2060年的3.75和9.26 TgC·a-1，这可能与吉林省现有乔木林近、成、过熟林面积占比较高(50.81%)以及辽宁省主要树种已处于生长速率下降阶段有关(国家林业和草原局, 2019； Qietal., 2016)。

图3 2015—2060年东北三省各省份乔木林年碳汇量变化Fig. 3 Variations in annual carbon sink of arbor forest from 2015 to 2060 of various provinces in Northeast China

4 讨论

4.1 随机森林模型用于森林碳储量预测的评价与验证

目前，区域尺度森林碳储量现状的评估方法较为成熟，但对森林未来碳储量和碳汇量预测则缺少合理有效的方法(Ni, 2013; Huetal., 2015; Tangetal., 2018)。本研究提出以森林资源清查固定样地连续监测数据为依据，同时考虑森林生长和枯损消耗以及其与林分、地形、土壤和气候的关系，基于随机森林模型预测东北三省乔木林蓄积净生长量以及碳储量变化。尽管乔木林蓄积总生长量模型的精度在东北不同乔木优势树种(组)之间存在一定差异(表3)，但基于随机森林模型预测的东北三省乔木林蓄积净生长量与历史时期监测实际数据的吻合度较高(图1),因此，本研究构建的随机森林模型能够用于东北三省未来森林碳储量的预测。

4.2 东北三省乔木林未来碳汇潜力

本研究预测2015—2060年间东北三省乔木林生物质碳储量将净增加1 895.23 TgC，相当于2015年现有乔木林生物质碳储量的127%(表5)，说明东北三省乔木林未来仍具有较大碳汇潜力。尽管东北三省乔木林未来碳汇潜力以现有乔木林年碳汇量占主导，但其年碳汇量随着时间推移表现出减少趋势(表5)，这可能与现有乔木林未来逐步趋于成熟、生长速率下降所导致的年碳汇能力减弱有关(马晓哲等, 2011)。未来新增乔木林年碳汇量随着时间推移呈先增加后减少的趋势， 2040—2045年达到最大值9.44 TgC·a-1(表5)。导致该结果的原因可能有2方面： 一是由于新增乔木林后期趋于成熟，年碳汇能力减弱(马晓哲等, 2011)； 二是2050年后无新增乔木林面积(表1)。因此，为充分发挥东北三省森林在缓解气候变化中的潜力，可适当改革森林采伐限额制度，避免形成以成、过熟林为主的乔木龄组结构，以利于改善森林年碳汇量下降的趋势(许恩银等, 2020)。

本研究发现， 2015—2060年天然林年碳汇量(包括现有林地和新增林地)虽不断减少，但在乔木林年碳汇量中仍占主导地位(表5)，未来45年天然林年碳汇量为31.35 TgC·a-1，占乔木林年碳汇量的74.43%。各时期的碳密度也表现为天然林明显大于人工林(表5)。有研究表明，即使天然林的龄级远小于人工林，其碳密度和固碳能力也高于人工林，这可能是因天然林的林分结构优于人工林，而人工林大多为短周期经营，制约了林分碳汇潜力发挥(Sharmaetal., 2013; Stinsonetal., 2011)。总体而言，现有人工林和新增人工林年碳汇量之和随着时间推移呈现先增加后减少的趋势， 2035—2040年达最大值11.73 TgC·a-1，这与现有人工林中幼龄林面积占比较大以及新增乔木林中人工林比重较大有关(国家林业和草原局， 2019)。因此，若能加强人工林中幼龄林的抚育管理，提高人工林林分质量，合理延长人工林经营周期，将有助于增强东北乔木人工林的碳汇功能。

4.3 东北三省各省份乔木林未来碳汇潜力的差异

有关东北三省各省份乔木林固碳潜力的估算，不同学者考虑不同影响条件，使用不同估算方法，得到的结果存在一定差异。本研究估算的辽宁省、吉林省和黑龙江省2050年乔木林碳储量分别为291.10、822.35和1 892.20 TgC，而Qiu等(2020)估算的结果分别为235.83、868.76、1 549.03 TgC，其差异主要与估算方法和新增林地情景设置有关。相似地，范春楠等(2016)基于吉林省2009和2014年森林资源清查数据得到区域森林年碳汇量为6.89 TgC·a-1，低于本研究中估算的2015—2060年吉林省年碳汇量10.05 TgC·a-1，这是因为除估算方法差异外，本研究对于未来的预测还考虑了新增面积导致的碳汇量增加。

本研究预测的2016—2060年东北三省乔木林生物质年碳汇量中，黑龙江省最大，碳储量年增量达27.85 TgC·a-1，是未来重要的碳增汇区域； 而辽宁省较弱，年碳汇量仅为4.22 TgC·a-1(图2)。黑龙江省乔木林碳储量最大，而吉林省乔木林碳密度最大(图2)，该差异主要与不同省份现有乔木林面积、优势树种(组)以及龄组结构有关，如吉林省乔木林近、成、过熟林面积占比较高，达50.81%，蓄积量占比达69.47%(国家林业和草原局, 2019)。由此表明，东北三省乔木林碳储量空间分布与碳密度空间分布存在较大差异。此外，尽管黑龙江省乔木林年碳汇量2040年后有所下降，但其固碳效果仍然较好。而黑龙江省乔木林碳密度相对较低(图2、图3)，这与黑龙江省现有乔木林中龄林和幼龄林面积所占比例较大有关(国家林业和草原局, 2019)，可见，黑龙江省乔木林碳密度还有很大提升空间。

4.4 不确定性来源

本研究对东北三省未来乔木林固碳潜力的预测仍存在一定不确定性。1) 由于未来毁林、采伐受政策影响较大难以预测，具有很高的不确定性，因此本研究设置的情景之一是假设现有乔木林没有发生毁林、采伐或死亡，乔木林均按照其自然生长过程生长； 但如果乔木林在未来生长过程中遇到人为、灾害等自然干扰导致毁林或死亡，就会出现低密度幼龄林代替高密度成熟林以及现有结果有可能高估未来碳汇的情况，从而造成预测结果的偏差。2) 新增乔木林固碳潜力估算中，对各省份未来新增乔木林的总面积以及不同时段、不同起源、不同树种的面积分配比例，可能会随着政策、经营方式的调整而发生改变。3) 研究未考虑死有机质碳库(凋落物和枯死木)、土壤有机碳库以及采伐的木质林产品碳库的变化。因此，为了更好地预测森林碳汇潜力，需尽可能地考虑政策、干扰、土地利用变化、森林经营技术革新等多方面因素，更全面地评估森林生态系统碳储量动态变化，这对于未来巩固和提升森林碳汇能力、制定区域“碳中和”实现路径是十分必要的。

5 结论

本研究利用全国森林资源清查固定样地连续监测数据，结合区域林分、气候、地形和土壤因子，采用随机森林模型预测东北三省及各省份2015—2060年乔木林生物质年碳汇量。结果表明，东北三省乔木林生物质碳储量2060年可达3 393.15 TgC，比2015年增加1 895.23 TgC， 2015—2060年间年碳汇增量为42.12 TgC·a-1。2015—2060年东北三省乔木林碳储量和碳密度将会持续增加，表现为净的森林碳汇。辽宁省、吉林省、黑龙江省的乔木林碳储量分别由2015年的139.19、463.58和895.15 TgC增至2060年的328.95、915.83和2 148.37 TgC，其乔木林生物质年碳汇量分别为4.22、10.05和27.85 TgC·a-1。黑龙江省乔木林生物质碳储量最大，而吉林省乔木林平均生物质碳密度最高。加强乔木中、幼龄林的经营管理，适度更新成、过熟林，有助于提升乔木林的碳汇功能，发挥东北森林在增汇减排以及实现“碳中和”目标中的作用。