基于机器学习的森林碳储量时空分布模拟

Spatiotemporal Simulation of Forest Carbon Storage Based on Machine Learning

摘要

森林碳储量是全球碳循环研究的重要内容，应对气候变化具有重要意义。以黑龙江省张广才岭北坡部分区域为研究对象，结合地面观测数据与Landsat TM（thematic mapper）/OLI（operational land imager）传感器数据，采用多种机器学习模型，结合引导聚集Bagging（bootstrap aggregating）集成学习算法，进行森林碳储量模拟。结果表明，1990—2022年研究区森林碳储量呈现显著增加趋势，年平均碳储量达到（80.77±0.27）Mg C/hm²，且空间分布表现出明显的异质性特征，高碳储量区域集中于平坦或半山坡地带。此外，生长季平均气温与森林碳储量呈极显著的正相关关系（P＜0.01），表明气温是影响碳储量变化的主要气候因子。研究结果可为森林碳储量的精准模拟和碳汇管理提供新思路。

Abstract

Forest carbon storage is a critical component of global carbon cycle research and plays a significant role in addressing climate change. This study focused on the northern slope of the Zhangguangcai Mountains in Heilongjiang Province. By combining ground observation data with Landsat TM （thematic mapper）/OLI （operational land imager） data， multiple machine learning models were applied， along with the bootstrap aggregating ensemble learning algorithm， to simulate forest carbon storage. The results showed that from 1990 to 2022， the forest carbon storage in the study area exhibited a significant increasing trend， with an annual average carbon storage of （80.77±0.27） Mg C/hm². The spatial distribution demonstrated notable heterogeneity， with high carbon storage areas concentrated in flat and semi-mountainous regions. Additionally， the mean growing-season temperature was found to have a highly significant positive correlation with forest carbon storage （P<0.01）， indicating that temperature was the primary climatic factor influencing carbon storage changes. This study provides a novel approach for forest carbon storage accurate simulation carbon sink management.

Graphical abstract

关键词

遥感 / 深度学习 / Bagging 集成学习 / 气候因子

Key words

Remote sensing / deep learning / Bagging ensemble learning / climatic factors

0 引言

森林是全球陆地生态系统中最大的植被碳库和碳汇系统^{［1- 2］}，森林固碳被认为是抵减工业温室气体排放的重要路径，许多国家参考森林固碳及碳储量等数据，编制《联合国气候变化框架公约》（UNFCCC）所要求的温室气体排放源和吸收汇清单。受生物和非生物因素的影响，森林生态系统碳收支具有很高的空间分异和时间变化，为加强对陆地生态系统碳循环的研究，国内外启动了很多碳循环研究的重大计划，如全球碳计划（Global Carbon Project）^［3］、北美碳计划（North American Carbon Program）^［4］等。我国也在森林碳汇模拟估算研究中取得了许多重要成果^［5-8］，相关研究成果为我国应对气候变化谈判提供了重要的基础数据和科技支撑。

森林碳储量不仅是森林资源监测的重要指标，也是反映森林生态系统功能和生产力的重要参数，国内外公布了一系列林分级别的生物质模型，国家林业和草原局也颁布了很多行业标准，提供了计算生物量和碳核算的相关参数，这些材料为准确估算森林碳储量提供了有益参考。同时，在许多文献中提供了生物量模拟模型，如DAYCENT^［9］、CENTURY^［10］、ROTHC^［11］、WNMM^［12］和DNDC^［13］等模型，这些模型广泛地应用于草地、农田和森林等主要陆地生态系统，模拟土壤-植被-大气连续体的碳、氮、磷和硫的长期动态，取得了较好的应用结果。2000年以来以中等分辨率成像分光辐射计（moderate-resolution imaging spectroradiometer，MODIS）为代表的遥感数据及其遥感反演技术的发展，为森林碳储量的研究提供了新的评估手段，如MODIS的MOD17A2H，提供了全球每8日和全年的植被总初级生产力及净初级生产力数据产品，为迅速、准确地获取全球植被碳汇信息提供了数据资料。近年来，机器学习技术和遥感技术的发展为估算森林碳储量提供了新路径。基于遥感数据的机器学习方法能够显著提高森林碳储量的估算精度，尤其是在不同区域和复杂森林类型中展现出较强的适用性^［14-17］。但目前每种方式评估的碳储量数据均存在差异，模拟的空间尺度也不尽相同。

针对以上问题，本研究拟结合遥感与深度学习技术，基于森林地上生物量观测数据，探索利用中等分辨率遥感数据模拟小区域尺度的森林生态系统碳储量分布的可行性，分析森林碳储量在1990—2022年的时间变化趋势和空间异质性，揭示森林碳储量变化的气候驱动机制，为森林碳储量的精准模拟和碳汇管理提供新思路。

1 数据和方法

1.1 研究区概况

研究区位于黑龙江省东南部张广才岭东坡的牡丹江市下辖的海林市，位于129°10′48″—129°24′00″E，45°31′48″—45°41′24″N，土地面积约160.74 km²，研究区属中温带大陆性季风气候，年平均气温为2.26 ℃，年平均降水量为617.19 mm。林业管理部门通常根据林分组成和立地条件将林分划分为小班，可以认为每个小班的林分类型是均质的。本研究区共包含443个小班，并在每个小班的地理中心选取一个样地作为研究的样本点，时间对应3次森林资源调查的时间（分别是1989年、1999年和2009年）。研究区内主要树种为蒙古栎、红松、樟子松、云杉和冷杉等。

1.2 数据获取与处理

1.2.1 地面调查数据

本研究收集并整理了1989年、1999年和2009年研究区森林资源规划与设计调查的数据，包括树高（m）、胸径（cm）、单位面积立木数量（株/hm²）和蓄积量（m³/hm²），该数据的记录单位是小班。根据这些数据，利用董利虎^［18］提出的各向异性生长方程计算了不同森林类型的单位面积生物量（t/hm²），并参照于颖等^［19］的森林碳转换因子计算森林碳储量（BOI，式中记为B_OI），计算公式为

B_{\mathrm{O}\mathrm{I}}=(B_{\mathrm{O}\mathrm{I}\mathrm{s}\mathrm{t}\mathrm{e}\mathrm{m}}+B_{\mathrm{O}\mathrm{I}\mathrm{b}\mathrm{r}\mathrm{a}\mathrm{n}}+B_{\mathrm{O}\mathrm{I}\mathrm{l}\mathrm{e}\mathrm{a}\mathrm{v}}+B_{\mathrm{O}\mathrm{I}\mathrm{r}\mathrm{o}\mathrm{o}\mathrm{t}})\cdot a。（1）

式中：B_{OI stem}、B_{OI bran}、B_{OI leav}、B_{OI root}分别是树木的茎、枝、叶、根的生物量；a为碳转换因子，取值为0.441 2。据此可计算出每个样地（30 m×30 m）的碳储量。

1.2.2 遥感数据

本研究应用Landsat数据反演森林碳储量。该数据来源于美国地质调查局（http：//glovis.usgs.gov/），其中，1989—2011年应用Landsat5/TM数据，2013—2022年应用Landsat8/OLI数据，均选用空间分辨率为30 m的波段数据。为与地面调查数据的时间进行匹配，选取遥感数据的时间范围为每年的6—10月。在对数据进行辐射校正、大气校正和云去除等预处理的基础上，提取6个原始波段，包括蓝（BLUE，式中记为B_LUE）、绿（GREEN，式中记为G_REEN）、红（RED，式中记为R_ED）、近红外（NIR，式中记为N_IR）、短波红外1（SWIR1，式中记为S_WIR1）、短波红外2（SWIR2，式中记为S_WIR2），并计算了11个常用的指数，具体见表1。以地面调查的小班为地理单元，将各指标在每个小班的年平均值作为森林碳储量遥感监测模型的输入数据。

1.3 研究方法

1.3.1 变量筛选方法

为确保森林碳储量模拟模型的高效性和准确性，本研究采用基于梯度提升决策树（gradient boosting decision tree，GBDT）的特征重要性评估方法，结合方差膨胀因子（variance inflation factor，VIF）进行变量筛选。

利用Python软件的网格搜索（GridSearchCV）模块确定GBDT算法的最佳参数。对17个指标，穷举搜索一组参数的所有可能组合，找到性能最优的参数。本研究选用5折交叉验证，并以均方误差（mean squared error，MSE）作为评分指标，对超参数组合进行穷举搜索，并通过交叉验证评估每组参数的性能。参数设置及搜索范围见表2。

1.3.2 建模方法

本研究采用引导聚集Bagging（bootstrap aggregating）算法降低模型方差，提升小样本区域的预测能力，同时在处理复杂、异质性显著的森林碳储量数据时表现出较高的鲁棒性。参数设置为：使用增强型神经网络（improved-neural-net，INN）、轻量级梯度提升机（light gradient boosting machine，LGBM）和极限梯度提升（extreme gradient boosting，XGBoost）作为基础学习器；集成模型的弱学习器数量设置为50，每个弱学习器通过自举法（Bootstrap）从原始数据集中随机抽样生成训练子集；采样比例为80%，以保证多样性；最终输出采用加权平均法整合各学习器的预测结果，权重依据交叉验证得分确定。为了提高模型的稳定性，设置最大迭代次数为100，早停机制的容忍度（patience）为10，避免过拟合。各基础学习器参数设置如下。

Improved-Neural-Net采用4层Improved-Neural-Net网络结构，简化模型复杂度并满足数据建模要求；隐藏层使用ReLU激活函数进行非线性映射，输出层采用线性激活函数以适应回归任务；模型训练采用自适应矩估计优化器（adaptive moment estimation，Adam）（学习率0.001），通过暂退法（Dropout）和早停机制防止过拟合，同时使用小批量（32）和100轮次迭代确保模型高效收敛与稳定。

LGBM模型的学习率为0.05，决策树数量为200，树的最大深度为7，叶节点的最小样本数为20，子采样比例为0.8，特征采样比例为0.8，采用均方误差作为损失函数。并通过5折交叉验证评估模型性能，确保参数选择的合理性与结果的泛化能力。

XGBoost模型的学习率为0.05，决策树数量为300，树的最大深度为6，最小分裂增益为0.1，子样本比例为0.8，特征采样比例为0.8，正则化参数为1。模型采用均方误差作为损失函数，通过5折交叉验证评估模型性能，确保参数选择的稳定性和预测结果的泛化能力。

本研究通过均方根误差（root mean square error，RMSE）来衡量模拟场与观测场之间的偏差，通过平均绝对误差（mean absolute error，MAE）来衡量模拟场或观测场自身的离散程度，通过相关系数（correlation coefficient，R）衡量模拟场与观测场之间的相关程度，利用泰勒图（Taylor，2001）描述各模式的模拟能力（图略），图中模式点到观测点的距离（无量纲，具体数据见表3中的距离指数）表示模拟场经观测场标准差标准化后的中心化标准差，距离越短，表示模拟场的模拟能力越好。

2 结果与分析

2.1 森林碳储量模型构建

将地面观测数据作为因变量，GREEN、SWIR1、NDVI、RVI、NDMI、BSI指标作为自变量，按照7∶3的比例划分训练集和测试集，并将训练集代入IMPROVED-Neural-Net、LGBM、XGBoost模型和基于前3个模型融合的模型（简称融合模型，下同），再用测试集检验模型的模拟效果，结果见表3，分析可见，各机器学习模型模拟的森林碳储量的RMSE在0.1 Mg C/hm²以下，MAE在1.5 Mg C/hm²以下，R在0.6以上，表明机器学习模型在模拟森林碳储量中产生较好效果。另外，从距离指数上看，融合模型的结果与地面观测结果的距离最短，说明融合模型的模拟效果要好于单一模型。对比采样前后各模型模拟精度指标可见，采样后各模型模拟的RMSE和MAE均低于采样前，R高于采样前，距离指数小于采样前。说明采样后的数据处理与Bagging集成算法产生了协同效应，通过采样后的数据处理，不平衡问题得到了进一步缓解，模型可以更准确地预测类别较少的样本，而Bagging的多模型融合机制在这一基础上进一步增强了效果。

2.2 森林碳储量时空分布特征

分析图1可知，1990—2022年研究区森林碳储量呈现极显著的增加趋势，年平均碳储量为（80.77±0.26） Mg C/hm²。从年代际分析，1990 s最低，为（80.59±0.25） Mg C/hm²，之后逐年代上升，到2020 s之后上升到（81.05±0.15）Mg C/hm²。

研究区森林碳储量在20.0~114.0 Mg C/hm²，表现出显著的局部异质性特征。高碳储量区域主要集中在地势较平坦或半山坡地带，这些区域土壤肥力较高，以红松针阔混交林为主，森林植被结构完整，生物量积累较为丰富。相比之下，低碳储量区域多分布于地形陡峭或土壤条件较差的区域，可能与植被覆盖度较低或林分结构简单有关。这种空间分布模式与立地条件对森林生产力的影响一致，进一步印证了地形和土壤肥力是驱动碳储量空间分异的关键因素。

2.3 气候因子对森林储量的影响

统计距离研究区最近的气象观测站（距离为40.26 km）的生长季气象因子，制作森林碳储量与气象因子关系的散点图，如图2所示。分析图2可见，森林碳储量与气温呈极显著的正相关关系，其中，与生长季平均气温关系最密切，线性回归的决定系数R²为0.678，生长季平均气温的升高可以增强光合作用或延长生长季长度，从而促进森林植被的生物量积累和碳固存能力，这种温度驱动的碳储量增长机制在中高纬度地区的森林生态系统中尤为常见^［20-21］。

研究区森林碳储量与降水无显著相关性，原因可能是研究区的土壤类型（以棕壤和暗棕壤为主）对森林碳储量的稳定性起到了一定的作用。棕壤和暗棕壤通常具有较高的有机质含量和良好的土壤结构，这不仅为森林植被提供了丰富的养分，还增强了土壤的保水能力和缓冲性能，这种土壤特性使得森林生态系统能够在一定程度上抵御降水不稳定性带来的水分胁迫，降低了降水对森林碳储量的直接作用。

研究区森林碳储量与生长季平均风速存在显著的负相关关系，可能是因为风速可导致林冠层的破碎化，改变森林的微气候条件，另外，较高的风速会加速植被叶片的蒸腾作用，导致植物体内水分流失加快，为了维持水分平衡，植物可能会减少气孔开度，从而降低光合作用，这会直接影响植物的生物量积累和碳固定能力，进而导致碳储量的减少^［22-23］。

尽管日照是光合作用的重要驱动因素，但由于其他环境因素如温度、湿度和土壤类型等的作用，森林的碳储量与生长季节的日照时数之间并没有显著的相关性^［24］。

3 讨论

3.1 森林碳储量的一致性与差异

本研究的森林年均碳储量为（80.77±0.27） Mg C/hm²，与北半球温带森林的平均碳储量（60~80 Mg C/hm²）^［25］、北美地区森林碳储量（70~90 Mg C/hm²）^［24］和欧洲温带森林碳储量（60~80 Mg C/hm²）^［26］相当。本研究区森林碳储量在1990—2022年呈现显著的增加趋势，这一结果与中国^［6］和北半球温带地区^［2］森林生态系统碳储量增加的趋势一致，表明森林在应对气候变化中发挥了重要的碳汇功能。但与刘文瑞等^［5］基于MODIS与光能利用率模型（carnegie-ames-stanford approach，CASA）对伊春市森林净初级生产力（net primary productivity，NPP）动态的研究结果相比，本研究计算的碳储量增速较为缓慢，这可能与研究区森林立地条件、森林年龄结构以及数据尺度的差异有关。此外，本研究发现高碳储量区域主要分布在平坦或半山坡区域，这与赵苗苗等 ^［8］关于立地条件对碳储量分布影响的研究结论一致。

3.2 气候驱动机制的对比

森林碳储量与生长季平均气温的正相关关系在已有研究中也得到广泛验证。赵苗苗等^［8］研究表明，温度通过影响光合作用速率和生物量积累，显著驱动了森林碳储量的增加，尤其是在中温带和寒温带森林生态系统中。降水对森林生态系统碳储量的影响因区域气候条件、森林类型和管理措施的不同而存在显著差异^{［7，22，27］}。降水的季节性分配和总量变化可能通过影响土壤水分状况，间接调节森林生态系统对温度变化的响应。例如，在降水充沛的年份，土壤水分充足，能够更好地支持植被在高温条件下的生长需求；而在降水较少的年份，深根系植被通过获取深层土壤水分，维持了相对稳定的生态系统功能，减少了降水波动对碳储量的负面影响^［28-29］。这可能是本研究区森林碳储量与生长季降水量无显著相关性的原因之一。

3.3 方法的对比

与传统统计模型，如日尺度碳循环模型（daily century model，DAYCENT）、洛桑土壤碳模型（rothamsted carbon model，ROTHC），以及单一机器学习模型相比，本研究创新性地结合了Improved-Neural-Net、LGBM和XGBoost 3种机器学习模型，并通过Bagging集成学习算法显著提高了模拟精度。例如与中国森林碳汇模型（forest ecosystem carbon budget model for China，FORCCHN）相比^［6］，深度学习方法在数据驱动的基础上减少了对过程参数依赖，表现出更强的适用性与精确度。与全球尺度模型（如MOD17A产品）的粗略估算不同，本研究在中等分辨率（30 m）遥感数据的支持下，结合机器学习方法，对小尺度森林碳储量的空间异质性进行精确模拟，补充了全球尺度数据在局部区域的精度不足问题^［3，10］。

3.4 研究的局限性

森林碳储量的动态受多种因素影响，包括土壤性质、降水量和人类活动等，本研究主要侧重于气候因子的影响，未全面纳入其他驱动因子；本研究的数据时间尺度主要集中在6—10月的生长季，未能捕捉非生长季的碳储量动态；研究区域较小，未来可在不同森林类型和更大空间尺度上验证该方法的适用性。

4 结论

通过结合遥感技术与深度学习模型，模拟分析张广才岭北坡森林碳储量的时空分布特征。结果显示，森林碳储量在1990—2022年呈现极显著的增加趋势，且在空间分布上表现出显著的异质性特征。此外，森林碳储量与生长季平均气温表现出极显著的正相关关系，线性回归分析的决定系数（R²）达到0.678。这一研究结果不仅揭示了森林碳储量的空间与时间动态，也为理解其驱动机制提供了新的视角。

参考文献

[1] BOND-LAMBERTY B， BAILEY V L， CHEN M，et al.Globally rising soil heterotrophic respiration over recent decades［J］.Nature，2018，560：80-83.

[2] PAN Y， BIRDSEY R A， FANG J，et al.A Large and Persistent Carbon Sink in the World′s Forests［J］.Science，2011，333（6045）：988-993.

[3] CANADELL J G， DICKINSON R， HIBBARD K，et al.Global carbon project（2003） science framework and implementation［R］.Earth System Science Partnership（IGBP，IHDP，WCRP，DIVERSITAS） Report No.1；Global Carbon Project Report No.1，Canberra.2003.

[4] WOFSY S， HARRISS R.The north american carbon program，U.S.［R］：Carbon Cycle Science Steering Group，2002.

[5] 刘文瑞，李晓婷，李彤，等.基于MODIS和CASA模型的伊春市森林植被NPP变化特征及其影响因子分析［J］.生态学杂志，2022，41（1）：150-158.

[6] LIU W R， LI X T， LI T，et al.Spatiotemporal variations of forest NPP and related driving factors based on MODIS and CASA models in Yichun［J］.Chinese Journal Of Ecology，2022，41（1）：150-158.

[7] 吕富成，马建勇，曹云，等.基于FORCCHN模型的中国典型森林生态系统碳通量模拟［J］.生态学报，2022，42（7）：2810-2821.

[8] LYU F C， MA J Y， CAO Y，et al.Carbon fluxes simulation of China′s typical forest ecosystem based on FORCCHN model［J］.Acta Ecologica Sinica，2022，42（7）：2810-2821.

[9] 于贵瑞，高扬，王秋凤，等.陆地生态系统碳氮水循环的关键耦合过程及其生物调控机制探讨［J］.中国生态农业学报，2013，21（1）：1-13.

[10] YU G R， GAO Y， WANG Q F，et al.Discussion on the key processes of carbon-nitrogen-water coupling cycles and biological regulation mechanisms in terrestrial ecosystem［J］.Chinese Journal of Eco-Agriculture，2013，21（1）：1-13.

[11] 赵苗苗，赵娜，刘羽，等.森林碳计量方法研究进展［J］.生态学报，2019，39（11）：3797-3807.

[12] ZHAO M M， ZHAO N， LIU Y，et al.An overview of forest carbon measurement methods［J］.Acta Ecologica Sinica，2019，39（11）：3797-3807.

[13] PARTON W J， SCHIMEL D S， COLE C V，et al.Analysis of factors controlling soil organic matter levels in great plains grasslands［J］.Soil Science Society of America Journal，1987，51（5）：1173-1179.

[14] PARTON W J， SCURLOCK J M O， OJIMA D S，et al.Observations and modeling of biomass and soil organic matter dynamics for the grassland biome worldwide［J］.Global Biogeochemical Cycles，1993，7（4）：785-809.

[15] COLEMAN K， JENKINSON D S.RothC-26.3-A model for the turnover of carbon in soil：model description and user's guide［M］//POWLSON D S，SMITH P，SMITH J U.Evaluation of Soil Organic Matter Models.NATO ASI Series.Berlin：Springer，1995.

[16] LI Y， CHEN D， ZHANG Y，et al.Comparison of three modeling approaches for simulating denitrification and nitrous oxide emissions from loam-textured arable soils［J］.Global Biogeochemical Cycles，2005，19（3）：GB3002.

[17] LI C， FROLKING S， FROLKING T A.A model of nitrous oxide evolution from soil driven by rainfall events：1.Model structure and sensitivity［J］.Journal of Geophysical Research：Atmospheres，1992，97（D9）：9759-9776.

[18] NANDY S， SINGH R， GHOSH S，et al.Neural network-based modelling for forest biomass assessment［J］.Carbon Management，2017，8（4）：305-317.

[19] TANG H， FU P， SHERMAN C S，et al.A deep learning-accelerated data assimilation and forecasting workflow for commercial-scale geologic carbon storage［J］.International Journal of Greenhouse Gas Control，2021，112：103488.

[20] TANG Z， LI M， WANG X.Mapping tea plantations from vhr images using OBIA and convolutional neural networks［J］.Remote Sensing，2020，12（18）：2935.

[21] TUBIELLO F N， SALVATORE M， FERRARA A F，et al.The contribution of agriculture，forestry and other land use activities to global warming，1990—2012［J］.Global Change Biology，2015，21（7）：2655-2660.

[22] 董利虎.东北林区主要树种及林分类型生物量模型研究［D］.哈尔滨，东北林业大学.2015.

[23] DONG L H.Study on biomass models of dominant tree species and forest stand types in northeast China's forest region［D］.Harbin，Northeast Forestry University，2015.

[24] 于颖，范文义，李明泽.东北林区不同尺度森林的含碳率［J］.应用生态学报，2012，23（2）：341-346.

[25] YU Y， FAN W Y， LI M Z.Forest carbon rates at different scales in northeast China forest area［J］.Chinese Journal of Applied Ecology，2012，23（2）：341-346.

[26] MAO J， SHI X， THORNTON P E，et al.Causes of spring vegetation growth trends in the northern mid-high latitudes from 1982 to 2004［J］.Environmental Research Letters，2012，7（1）：014010.

[27] XIANG K， GUO Q， ZHANG B，et al.Impact of preseason climate factors on vegetation photosynthetic phenology in mid–high latitudes of the northern hemisphere［J］.Plants，2024，13（9）：1254.

[28] KATUL G G， OREN R， MANZONI S，et al.Evapotranspiration：A process driving mass transport and energy exchange in the soil-plant-atmosphere-climate system［J］.Reviews of Geophysics，2012，50（3）：RG3002.

[29] ZHANG Z Z， ZHAO P， MCCARTHY H R，et al.Influence of the decoupling degree on the estimation of canopy stomatal conductance for two broadleaf tree species［J］.Agricultural and Forest Meteorology，2016，221：230-241.

[30] HURTEAU M D.Chapter 27-The role of forests in the carbon cycle and in climate change［M］//LETCHER T M.Climate Change（Third Edition）.Elsevier，2021：561-579.

[31] BONAN G B.Forests and climate change：Forcings，feedbacks，and the climate benefits of forests［J］.Science，2008，320（5882）：1444-1449.

[32] KILPELÄINEN A， PELTOLA H.Carbon sequestration and storage in european forests［M］//HETEMäKI L，KANGAS J，PELTOLA H.Forest Bioeconomy and Climate Change.Cham； Springer International Publishing.2022：113-128.

[33] LOGUERCIO G A， SIMON A， WINTER A N，et al.Carbon density and sequestration in the temperate forests of northern Patagonia，Argentina［J］.Frontiers in Forests and Global Change，2024，7：1373187.

[34] COMAS L H， BECKER S R， CRUZ V M，et al.Root traits contributing to plant productivity under drought［J］.Frontiersin Plant Science，2013，4：442.

[35] O'CONNOR J， DEKKER S， STAAL A，et al.Forests buffer against variations in precipitation［J］.Global Change Biology，2021，27（19）：4686-4696.

基金资助

黑龙江省自然科学基金联合引导项目(LH2024C114)