未来气候变化下黑龙江省人工林碳储量预测

Carbon Storage Projection of Plantations in Heilongjiang Province under Future Climate Change

摘要

为量化环境因子与人为管理对黑龙江省人工针叶林与阔叶林碳储量的影响，并预测其未来碳汇潜力，以期为区域森林碳汇精细化管控、适应性经营策略制定提供科学支撑。结合长期固定样地调查数据和林分收获表，筛选无管理样地，采用随机森林方法分析环境因子对碳储量的影响，进而量化“管理影响系数”以定量评估管理措施的效应，并模拟2020—2060年不同气候与管理情景下的碳储量动态。结果表明，环境驱动呈现显著树种差异，针叶林主要受水分因子和极端高温控制，阔叶林则对低温与热量更为敏感；管理措施对碳汇提升作用显著，且效应因树种和立地而异，阔叶林对管理的响应比针叶林更为敏感，高地位级林分通过优化管理可实现最高23%的碳储量提升；未来预测显示，优化管理在共享社会经济路径2-4.5情景（shared socioeconomic pathway 2-4.5，SSP2-4.5，代表中等排放情景）情景下起“增益”作用，可使碳密度提升18.5~23.8 Mg/hm²，而在共享社会经济路径3-7.0情景（shared socioeconomic pathway 3-7.0，SSP3-7.0，代表高排放情景）情景下发挥“减损”作用，可避免16.4~20.7 Mg/hm²的碳汇损失。在黑龙江省人工林经营中，优化管理是提升并稳定区域碳汇功能的关键途径。建议采取差异化策略，在气候胁迫增强的背景下，优先对人工针叶林及高立地林分实施适应性管理，以最大程度发挥其长期固碳潜力。

Abstract

This study quantified the impact of environmental factors and human management on the carbon storage of coniferous and broadleaf plantations in Heilongjiang Province， and predicted their future carbon sink potential， aiming to provide a scientific basis for the precise management of regional forest carbon sink. Long-term fixed plot survey data and standard stand yield tables were integrated to screen unmanaged sample plots. Random Forest was employed to analyze the impact of environmental factors on carbon storage. A “management impact coefficient” was subsequently quantified to assess the effect of management practices. Finally， carbon storage dynamics from 2020 to 2060 were simulated under various climate change and management scenarios. The results indicated that， environmental drivers exhibited significant species-specific differences： carbon storage in coniferous plantations was primarily controlled by moisture availability and extreme high temperatures， whereas broadleaf plantations were more sensitive to low temperatures and accumulated heat. Management practices significantly enhanced carbon sink， with their effectiveness varying by species and site quality. Broadleaf plantations demonstrated greater responsiveness to management interventions than coniferous stands. On high-quality sites， intensive management increased carbon storage by up to 23%. Future projections revealed that under the SSP2-4.5 scenario， intensive management primarily acted as a “gain” function， increasing carbon density by 18.5-23.8 Mg/hm². Conversely， under the SSP3-7.0 scenario， its role shifted to “loss reduction”， preventing carbon sink losses of 16.4-20.7 Mg/hm². Optimized forest management is crucial for enhancing and stabilizing the carbon sink function of plantations in Heilongjiang Province. A differentiated management strategy is recommended： under increasing climatic stress， priority should be given to implementing adaptive management in coniferous plantations and those on high-quality sites to maximize their long-term carbon sequestration potential.

Graphical abstract

关键词

人工林 / 气候变化 / 经营管理 / 随机森林 / 碳储量 / 森林资源清查数据 / 黑龙江省 / 碳密度

Key words

Plantation forest / climate change / forest management / random forest / carbon storage / forest inventory data / Heilongjiang Province / carbon density

0 引言

全球气候变化深刻影响着森林生态系统的结构与功能^［1］。森林作为关键的陆地碳汇，在吸收和固定大气二氧化碳、缓解气候变暖方面作用不可替代。政府间气候变化专门委员会（intergovernmental panel on climate change，IPCC）指出，森林生态系统约吸收了全球化石燃料排放量的30%，是实现碳中和的重要自然途径^［2］。然而，气候变暖、干旱以及极端事件频发，正改变森林的生长节律与碳储动态，高纬度地区水热失衡问题更为突出，对森林生产力与碳汇稳定性造成深远影响，导致区域碳平衡存在较大不确定性^［3］。

中国人工林面积长期位居全球首位，第九次全国森林资源清查显示，我国人工林面积已达6 600万hm²，占森林总面积的45%以上，成为我国森林碳汇增长的主要来源^［4］。黑龙江省作为高纬寒温带的重要林业基地，森林面积超2 100万hm²，其人工林在区域碳收支中地位关键^［5］。该省人工阔叶林主要包括杨树（Populus spp.）和小黑杨（Populus × xiaohei）等林分类型；落叶松（Larix spp.）、樟子松（Pinus sylvestris var. mongolica）与红松（Pinus koraiensis）共同构成了该地区人工针叶林的主体^［6-7］。在气候变化与人为经营共同影响下，该区域人工林碳储量时空异质性显著，未来碳汇潜力及气候响应机制仍存在较大不确定性。

人工林碳积累受树种特性、环境因子及人为管理三类因素共同调控，后两者主导其时空格局^［8-9］。因此，量化三者的相对贡献，是准确评估与预测碳汇潜力的关键。早期研究多采用线性模型量化环境的影响^［10-11］。但森林与环境的关系常呈高度非线性，传统模型难以有效捕捉其复杂机制。近年来，机器学习方法（如随机森林）能更好地处理此类问题，已成为研究的主流方法^［12-13］。然而，现实环境中人为管理效应常与环境效应高度耦合，导致二者难以被有效区分^［14］。虽可通过设置对照实验识别管理效应，但该方法在区域尺度上往往缺乏足够样本^［15］。

综上所述，如何有效区分环境与人为管理对森林碳储量的独立贡献，是当前面临的关键挑战，也制约着适应性管理策略的优化。为此，本研究以黑龙江省典型人工针叶林（落叶松、樟子松、红松）与人工阔叶林（杨树、小黑杨）为研究对象，整合长期固定样地数据与林分收获表，筛选无管理样地，采用随机森林量化环境影响，进而构建管理系数以评估管理措施优劣，并通过多情景模拟，揭示未来气候与管理交互作用下两类人工林的碳汇潜力，旨在为黑龙江省人工林适应性经营、区域碳汇增效管控提供科学参考。

1 材料与方法

1.1 研究区域概况

本研究实验区域位于黑龙江省（43°25′~53°33′N，121°11′~135°05′E）。该省地处中国东北高纬寒温带，属温带大陆性季风气候，冬季寒冷干燥，夏季温暖多雨，年均温-4~5 ℃，年降水量300~700 mm。地势西北和东南较高，东北和西南较低，大兴安岭、小兴安岭、张广才岭和完达山等主要山脉构成了该地区的地形骨架，丘陵、谷地、松嫩平原和三江平原等多种地貌类型交织，形成了复杂多样的立地环境，水热条件和森林类型表现出显著的梯度变化。这种广阔的空间跨度和巨大的海拔差异，塑造了独特的生态特征。

黑龙江省森林面积约2 150万hm²，森林覆盖率达到47.3%，作为我国最重要的国有林区之一，黑龙江省不仅是商品材生产基地，也在生态碳汇中发挥重要作用。区域内的人工林，特别是以落叶松、樟子松、红松为主的人工针叶林，以及以杨树、小黑杨为代表的人工阔叶林，在区域生态系统碳收支和林业生产中占据关键地位。

1.2 数据来源与预处理

1.2.1 样地数据与林分收获表

本研究收集了1990—2015年共6期覆盖上述研究区域全域的森林资源连续清查固定样地数据。在剔除了其中遭受过任何重大自然干扰（火灾、病虫害、风倒、洪涝）的样地后，分别收集到人工针叶林样地共979块，人工阔叶林样地636块，每块样地至少复测过一次，调查间隔时间为5 a。该数据每次调查均进行每木检尺，记录了树种、年龄、胸径、树高、郁闭度、单木材积和林分蓄积等信息，每块样地面积大小为0.067 hm²。基于上述信息，本研究计算了各样地的生物量、碳储量及地位级指数，生物量采用黑龙江省地方标准推荐的相容性生物量模型计算；地位级指数则依据优势木平均高与林龄的关系，参照《黑龙江省市县林区主要林分类型收获表》中的标准进行判定^［16］；碳储量密度采用生物量密度乘以转化系数0.47得到，该系数的选取主要依据于颖等^［17］针对东北林区森林含碳率的本地化测定结果。该研究基于大量实测数据，结果可靠，已在区域相关研究中得到广泛应用。

为构建自然状态下的理论生长基准，本研究采用黑龙江省质量技术监督局发布的地方标准《黑龙江省市县林区主要林分类型收获表》。该标准是黑龙江省森林经营的权威技术文件，基于大量实测样地数据制定，提供了各地位级指数下林分平均高、胸径和蓄积量随林龄变化的标准化预期值，近似代表区域平均自然生长水平，可被用于拟合理论生长曲线。

1.2.2 环境数据

为解析环境对林木生长的影响，本研究根据各样地的地理坐标提取了其调查年份及前四年的环境数据，包括气候、地形和土壤三大类共23个变量。气候数据来自ClimateAP，逐年提取17项气候指标^［18-19］。地形数据基于ASTER GDEM数字高程模型，通过空间分析工具衍生出各样地的坡度、坡向因子^［20］。土壤数据来源于世界土壤数据库（harmonized world soil database，HWSD），提取了各样地的土壤类型、表层土壤有机质质量分数及土层厚度^［21］。各变量详情见表1。

1.2.3 空间数据产品

本研究还收集了多种空间分布产品用于实现空间模拟与未来预测。其中人工林空间分布数据来源于2020年中国30 m分辨率人工林分布数据^［4］。植被类型空间分布数据来自中国科学院植物研究所发布的《1∶100万中国植被图》^［22］，本研究从中提取针叶林和阔叶林空间分布。

2015年森林树龄和地位级指数空间分布数据分别来自杜一尘等^［23］的研究，两种产品均采用地理加权回归模型结合固定样地调查数据生成，并通过林火烈度分布对结果进一步修正。

2015年研究区生物量空间分布数据则来自国家青藏高原科学数据中心发布的《中国森林地上生物量分布图》（2001—2020），本研究基于人工针叶林和阔叶林空间分布对该数据进行掩膜，提取结果作为未来森林生物量变化的初始数据^［24］。

未来不同情景气候变化数据同样来自ClimateAP，该数据包括未来四种气候情景模式：SSP1—2.6、SSP2—4.5、SSP3—7.0和SSP5—8.5，本项目所采用的未来气候变量与历史时期保持一致。最终，所有空间数据被重采样为1 km分辨率并重投影为1984世界大地坐标系（world geodetic system 1984，WGS-84）。

1.3 研究方法

本研究将两类人工林的生物量划分为三种因素影响的加和，即林龄因素、环境因素和人为管理因素。计算方法见公式（1）。

B=B^{\mathrm{*}}+B^{\mathrm{*}}\times e+B^{\mathrm{*}}\times m。（1）

式中：B为单位面积生物量，t/hm²；B^{\mathrm{*}}为平均外界环境条件下，林龄因素的影响量（基准生物量）；e为外界环境影响的比例系数；m为人为管理影响的比例系数。

通过式（1）可见，要想量化人为管理的影响则首先需要量化林龄和外界环境因素的影响。为此，本研究首先采用收获表刻画了两种人工林在不同地位级指数下生物量密度随林龄的变化趋势（理论生长曲线）；之后计算了各样地的生物量密度及地位级指数，并与基准生长曲线进行对比以此筛选出无管理样地；在此基础上，采用随机森林模型结合一系列环境变量来量化外界环境对生物量的影响。具体研究方法如下。

1.3.1 基准生长曲线的构建

本研究采用收获表中记录的胸径、树高和林分株数等信息采用异速生长方程来计算不同林龄下生物量密度的变化。计算方法见公式（2）。

W=a\times (D^b\times H^c)。（2）

式中：W为单株生物量；D为平均胸径；H为平均树高；系数a、b、c的取值来源于收获表。

在此基础上利用Richards方程分别拟合人工针叶林和阔叶林在不同地位级指数下的生物量与林龄的关系，即理论生长曲线。其中，针叶林的理论生长曲线参数由落叶松、樟子松和红松收获表数据的平均值确定；阔叶林的理论生长曲线参数则由杨树和小黑杨收获表数据的平均值确定。计算方法见公式（3）。

B^{\mathrm{*}}=a(\mathrm{1}-e^{-bt}{)}^c。（3）

式中：B^{*}\mathrm{为}自然生长状态下的基准生物量，t/hm²；t为林龄，a；a、b和c为拟合参数，分别代表生物量上限、生长速率和曲线形状。两种人工林不同地位级指数下的Richards方程的拟合参数见表2。

1.3.2 外界环境影响的量化

为获取用于训练环境效应的随机森林（random froest，RF）模型的“无管理”样本，需要将实际观测生物量中的人为管理效应（m）最小化。本研究假定，在地位级指数确定的条件下，如果一块样地实测的B与由林龄决定的B^*高度一致，则认为该样地未受到显著的人为管理干预。具体筛选标准为：根据各样地的地位级指数及实测生物量与1.3.1节构建的理论生长曲线进行对比，实测生物量处于理论生长曲线±10%阈值区间内的样地，定义为无管理自然生长样地。该阈值的选择基于两方面依据：一是涵盖生物量模型本身的预测不确定性与野外调查中不可避免的测量误差^［25］；二是敏感性分析显示，该阈值能在保留足够样本量与保证生长曲线代表性纯度之间取得最优平衡^［26］。经筛选，最终获得针叶林无管理样地313块，阔叶林135块，见表3。

随后，利用筛选出的“自然生长样地”重新拟合理查德方程，得到一组代表研究区在无显著人为干扰下平均生长水平的参数（参见表2下方注释），由此确立用于本研究的B^* 平均计算模型。对于这些样地，设定其管理系数m=0。此时，样地实测B与此平均B^* 的差异，可完全归因于样地特异性的环境条件。因此，外界环境影响系数e可通过公式（4）进行计算。

e=\frac{B-B^{\mathrm{*}}}{B^{\mathrm{*}}}。（4）

需要说明的是，本研究定义的“无管理”是一种基于生物量表现的相对概念，指未实施能显著改变林分自然生长轨迹的集约化经营措施（如结构化疏伐、施肥和整地等），并不等同于完全无人涉足。样地筛选过程可能受到基准生长曲线代表性、模型误差以及小规模、非系统性人为活动的影响，这构成该方法潜在的不确定性来源。

为了量化外界环境影响，本研究以上述方法筛选出的无管理样地作为样本，采用随机森林（RF）算法结合气候、地形和土壤等变量来量化外界环境对生物量的影响（e），各样地的e则采用式（4）计算得到。随机森林作为机器学习中一种重要的非参数模型算法，是利用多个决策树进行分类和预测的方法，这是一种集成学习的思想，能克服使用单个决策树带来的过拟合问题，能够自动进行特征选择和特征缩放，对高维度，复杂的数据有较好的适应性同时对噪声和异常数据有较强的容错能力^［27-28］。RF在建立决策树时，每棵树使用的样本和特征不相同，这使得每棵树训练的结果也不相同，保证了结果的随机性。在模型训练阶段，调整模型参数是提高模型精度的有效途径。RF在训练过程中需要调整的参数有ntree和mtry（ntree表示随机森林中构建的决策树数量，mtry表示每个节点分裂时随机抽取的候选变量数量），选取最佳参数能够保证模型有最佳的预测精度，本研究通过网格搜索法寻找最优参数以提高模型性能。具体参数设置见表4。

1.3.3 人为管理影响及未来碳储量的量化

基于1.3.2构建的RF模型可以量化其他有管理样地的外界环境影响系数，进而结合式（1）推导得到各样地的m，反映了实际管理措施相对于“无管理”状态的偏离程度。m可理解为管理措施导致的生物量相对变化率，本研究将管理措施划分为3个等级：优化管理（m>0）、无管理（m=0）、退化管理（m<0）。m>0表示优化管理促进生长，m<0表示管理不当或退化导致生长抑制，m=0表示无显著人为干预。其计算逻辑为：在筛选出“无管理”样地并利用随机森林模型量化e后，对于任一其他样地，其m可通过公式（5）计算得出。

m=(\frac{B}{B^{\mathrm{*}}}-\mathrm{1})-e。（5）

为了量化未来气候及管理共同作用下两类人工林的碳汇潜力，本研究设定了两种未来气候变化情景（SSP2-4.5、SSP3-7.0），以及三种人为管理情景（无管理、平均管理及最优管理情景），其中平均管理情景采用全部样地管理系数m的均值作为模拟参数，最优管理情景选取各样地m排序前25%样本的均值作为模拟参数。初始年（2015年）森林碳储量、林龄及地位级指数的空间分布来自1.2.3中的空间分布数据集。

2 结果与分析

2.1 环境因子对碳储量的影响

基于1.3.2筛选出的无管理样地数据，本研究采用随机森林模型量化了环境因子对人工林碳储量的影响。经参数优化后的模型在测试集上表现出良好的预测性能，其中人工针叶林模型的拟合优度（R²）为0.805，人工阔叶林模型R²为0.729，见表5，表明模型可有效解释两类人工林生物量的空间变异特征。本研究进一步通过将生物量结果乘以转化系数0.47，推导出环境因子对碳储量的影响。

模型揭示了不同林分类型间环境驱动因子的显著差异及其复杂的非线性响应特征。对于针叶林，年降水量（MAP）与碳储量呈正相关，且表现出双阶段响应：当MAP高于600 mm时，碳储量随降水量增加的速率为每100 mm提升5.88 Mg/hm²；而当MAP低于450 mm时，碳储量随降水量减少的速率增至每50 mm下降8.6 Mg/hm²。同时，气候水分亏缺量（CMD）和极端最高温（EXT）对针叶林碳储量表现为显著的负效应，而表层土壤有机质质量分数（SOC）则显示出积极的促进作用，并在质量分数超过4.5%后促进效应趋于稳定。阔叶林碳储量则主要受极端低温（EMT）和海拔（ELEV）控制，二者均与碳储量负相关。其中，对海拔的负响应呈现出垂直地带性分异：在海拔300~600 m的主体分布区，碳储量随海拔上升的下降速率为每100 m降低3.67 Mg/hm²；而在海拔高于800 m的区域，下降速率急剧增加至每100 m降低9.1 Mg/hm²。此外，生长度日数（DD>5）和降雪量（PAS）对阔叶林碳储量表现为正驱动，而低温日数（DD<0）的抑制作用在超过140 d后会明显增强。

从所有环境因子的总体重要性来看，气候因子是驱动黑龙江省人工林碳储量空间变异的主导因素。其中，生长度日数（DD>5）、加热度日数（DD>18）、年热量—湿度指数（AHM）和无霜期天数（NFFD）等热量因子相对重要性最高，累计解释约54%的碳储量变异，见图1。水分因子虽非首要限制因素，但其通过与热量因子的协同作用调节树木生理过程，进而影响碳储量积累。相比之下，所纳入的地形因子（坡度、坡向）与土壤因子（土壤类型、土层厚度）的相对重要性均低于核心气候因子。

2.2 人为管理措施对碳储量的提升作用

通过计算管理系数（m）并划分管理等级，本研究系统评估了人为管理措施对人工林碳储量的影响。基于管理系数的系统评估表明，优化管理对碳储量产生稳定增益，而退化管理则产生显著负面影响，见表6。这一效应在林分类型间存在显著差异：从所有样地的平均水平来看，阔叶林的总体管理系数（0.43）显著高于针叶林（0.26），证明阔叶人工林对集约化经营管理的响应更敏感、碳汇提升潜力更大。阔叶林优化管理样地的平均m（1.10±0.45）为针叶林（0.51±0.31）的2.2倍，表明阔叶林对优质管理的响应更为敏感，碳汇提升潜力更大。然而，在退化管理下，两者的m值降幅相当，表明不当管理带来的碳损失风险在不同林分类型间普遍存在。研究区内仅33%的针叶林样地和47%的阔叶林样地处于优化管理状态，表明区域人工林经营管理水平存在巨大提升空间。

管理措施对碳密度的提升效应在不同龄级中普遍存在，见图2。在优化管理下，针叶林成熟林碳密度达到121.46 Mg/hm²，阔叶林过熟林达到84.02 Mg/hm²，其数值均显著高于无管理与退化管理下的同类林分。人为管理的调控效应可抵消部分林分类型间固有碳汇能力差异，见表7。例如，在优化管理下的阔叶林成熟林碳密度（80.77 Mg/hm²）显著高于在退化管理下的针叶林成熟林（64.37 Mg/hm²）。

管理效率表现出明显的立地依赖性。高地位级指数（>14）的林分对管理措施的响应更为敏感。在优质立地条件下，人工针叶林通过优化管理获得的碳储量提升幅度最高，可达23%。分析表明，典型管理措施的效果因立地条件而异：在高地位级林分中，间伐能有效促进生物量积累；而在低地位级林分中，则需要结合土壤改良等措施才能取得理想的碳汇提升效果。

2.3 未来不同情景下人工林碳汇潜力预测

基于第六次国际耦合模式比较计划（coupled model intercomparison project phase 6，CMIP6）多情景气候数据与不同管理措施设置，本研究模拟了2020—2060年黑龙江省人工针叶林和阔叶林碳储量的变化趋势。模拟结果显示，气候情景与管理措施共同影响人工林的长期碳汇能力。

在SSP2—4.5情景下，不同管理措施下的人工林碳密度均保持增长，但增幅存在明显差异。优化管理下的碳密度增长最为显著，至2060年，针叶林碳密度达到98.6 Mg/hm²，阔叶林达到59.5 Mg/hm²，较2020年分别增长约81%和104%。3种管理水平的碳储量曲线在整个模拟期内持续上升，表明在此情景下管理措施能够持续提升碳汇水平，见表8。在SSP3—7.0情景下，碳积累受到明显抑制。无管理情景的碳密度在模拟后期增长趋缓，其中阔叶林分在2040年后基本停止增长，针叶林分的增速也显著降低。与此相比，优化管理仍能维持碳密度的稳定增长，至2060年，针叶林碳密度为90.5 Mg/hm²，阔叶林为53.5 Mg/hm²。该结果表明，高胁迫气候情景下，人工经营管理的核心功能由增汇转变为稳汇，可有效维持人工林碳汇功能稳定性。

两类林分对管理与气候的响应特征各异。针叶林在所有情景下均保持较高的碳密度，表现出较强的稳定性，是构建稳定碳库的理想树种。阔叶林虽然基准碳密度较低，但对管理措施的反应更为敏感，特别是在SSP2—4.5情景下，其碳密度提升幅度大于针叶林。模拟结果显示，通过实施优化管理，研究区人工针叶林与阔叶林的总碳储量可从2020年的约131.2 Tg C增长至2060年的约247.3 Tg C，其间累计增量约为100~120 Tg C，见图3。

3 讨论

3.1 环境因子的主导作用与生理调控机制

本研究揭示了黑龙江省人工林生长主要受气候因子支配，其中热量与水分的匹配关系决定了林分生产力的空间上限。这说明，在高纬度地区，水热协调不仅影响光合碳汇效率，也调节树木对气候波动的敏感性，这一结果与Li等^［29］、Zhao等^［30］的研究结果基本一致，均表明东北温带森林的生产力格局主要受气候因素主导。

针叶林的生长主要受水分（MAP）和极端高温（EXT）的调控，当MAP低于450 mm时，其生物量下降速率显著加剧，这与Fang等^［31］关于落叶松水热响应研究的结论一致，高温与水分限制呈现阶段性主导特征。相比之下，本研究所涵盖的阔叶林类型，其生物量积累则对极端低温（EMT）和海拔表现出更高的敏感性，尤其是在海拔高于800 m的区域，生物量下降速率急剧增加，这与Kong等^［32］关于杨树霜冻损害及光合器官低温失效机制的研究发现相吻合。这种响应机制的差异，是实现树种差异化气候适应性管理的核心理论依据。本研究发现针、阔叶林地上碳储量对环境因子的响应机制存在显著差异。森林碳汇功能具有复杂性。刘贝贝等^［33］的研究表明，阔叶林土壤活性碳含量较高，而寒温带针叶林的土壤有机碳库整体稳定性更强。这表明二者在碳汇功能上优势互补，即：阔叶林可能通过较快的碳周转参与短期循环，而针叶林则倾向于贡献更持久、稳定的土壤碳储存。

3.2 人为管理措施的碳汇增益效应

本研究提出了管理系数，从而实现了对人为管理效应的量化分离。研究结果显示，优化管理能显著提升林分碳储量，优化管理下的阔叶林碳汇功能甚至可以超越管理不善的针叶林。例如，本研究中优化管理下的阔叶林成熟林碳密度显著高于退化管理下的针叶林成熟林，二者碳储量差值高达29.06 Mg/hm²。这种增益主要源于优化管理（如结构化疏伐、配方施肥）能够有效优化林分空间结构，改善林内光照与土壤养分条件。Diao等^［34］的研究结果显示，积极的疏伐管理通过优化林木生长空间与资源条件，有效促进了人工林碳储量的快速恢复与积累。这从实践上印证了本研究所揭示的管理措施对提升碳汇的积极作用。

管理效应表现出显著的立地依赖性。在高地位级指数（>14）的林分中，优化管理对针叶林碳储量的提升幅度最高可达23%，这一发现与Dong等^［35］针对东北落叶松人工林的研究结论一致。在高立地条件下，通过调整林分密度与轮伐制度等管理措施，能对碳库增长产生最大的贡献。其科学原理在于，优越的立地本身具备更高的生产潜力，通过间伐等管理措施可以更有效地将资源（光、水、养分）导向目标树种。反之，在低地位级指数林分中，单纯的疏伐效果有限，必须结合土壤改良等直接改善立地条件的措施。

3.3 管理措施在未来气候变化下的功能转变

本研究的碳密度结果与针对同类林分的区域实测研究高度吻合。韩泽华等^［36］的研究提供了详细的分类基准数据：黑龙江省主要人工针叶林（如樟子松、落叶松）的碳密度在20.08~144.16 Mg/hm²，而主要人工阔叶林（如杨树）的碳密度在9.40~95.87 Mg/hm²。本研究优化管理下针叶林和阔叶林的碳密度均处于上述对应区间的中上游，表明其碳汇效能优良；而本研究定义的无管理样地碳密度则多处于该区间的中下游，这与“缺乏集约经营导致生长潜力未充分释放”的预期一致，共同验证了本研究分类与基准设定的合理性。

本研究通过多情景模拟揭示了人工林管理措施在未来气候变化下的动态功能转变。在SSP2—4.5中低排放情景下，优化管理以碳汇增益为核心功能，使针叶林和阔叶林在2060年的碳密度较无管理情景分别提升23.8 Mg/hm²和18.5 Mg/hm²。而在SSP3—7.0高排放、高气候胁迫情景下，优化管理转为碳汇减损功能，成功避免了针叶林和阔叶林分别20.7 Mg/hm²和16.4 Mg/hm²的碳汇损失。这种功能转变的生态学机制在于，优化管理通过维持合理的林分密度和树木活力，从而优化林木的水分利用效率、增强树势，这增强了林木对干旱和高温等气候胁迫的耐受能力，特别是在缓解干旱和高温胁迫方面发挥了关键作用。这一发现与Murphy等^［37］的研究结论吻合，通过前瞻性的管理策略并结合气候情景模拟，是增强森林碳储量长期稳定性的核心途径。本研究的结果证实，这种动态的、适应性的管理确实能够通过维持合理的林分结构和树木活力，增强林木对干旱与高温等气候胁迫的耐受能力，从而在气候多变性的背景下履行其“减损”功能，保障碳汇的稳定性。

4 结论

本研究综合运用多期森林清查数据与多源空间信息，系统揭示了黑龙江省主要人工林碳储量的形成机制及其未来变化趋势。研究结果表明，气候因子与人为管理措施在不同尺度上协同塑造了区域碳汇格局：气候条件限制了碳储量的空间上限及林分类型间的差异，而科学的森林经营措施则在现有立地条件下有效促进了碳积累潜力的最大化。基于研究发现，建议在区域碳汇管理中实施差异化、立地依赖的管理策略。对于抗旱性强、碳库稳定的人工针叶林，应作为高海拔及干旱风险区的主力碳汇类型进行培育，并通过优化密度调控其长期固碳潜力；而对于管理响应敏感、速生的人工阔叶林，则可在立地条件较好、短期增汇需求迫切的区域进行推广，但需注意通过混交等措施降低其气候风险。总体而言，应通过气候适应性经营与生态风险管控相结合的策略，稳步提升区域人工林碳汇能力。然而，本研究的预测模型仍存在一定的局限性。首先，该模型未考虑大气CO₂浓度升高可能产生的施肥效应，在效应理论上可能促进林木生长从而增加碳汇，但也可能受氮磷等养分限制。其次，预测模型未纳入干旱、火灾和病虫害暴发等极端气候事件的突发性干扰，这些事件可能导致碳储量在短期内急剧损失。尽管本研究通过设置不同的气候胁迫情景间接反映了持续性气候压力的影响，但上述过程与不确定性仍可能影响长期碳汇预测的稳定性。因此，未来的研究应进一步结合多源监测数据与过程模型，深入探讨气候极端事件与森林管理措施交互作用的影响机制，为黑龙江省人工林碳汇的长期可持续管理与政策制定提供更加科学的依据。

参考文献

[1] CHEN J M.Carbon neutrality：Toward a sustainable future［J］.The Innovation，2021，2（3）：100127.

[2] IPCC.Climate Change 2021：The Physical Science Basis.Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change ［M］.Cambridge：Cambridge University Press，2021.

[3] FORZIERI G， GIRARDELLO M， CECCHERINI G，et al.Emergent vulnerability to climate-driven disturbances in European forests［J］.Nature Communications，2021，12（1）：1081.

[4] CHENG K， YANG H， TAO S，et al.Carbon storage through China’s planted forest expansion［J］.Nature Communications，2024，15（1）：4106.

[5] 国家林业和草原局.中国森林资源报告（2014—2018）［M］.北京：中国林业出版社，2019.

[6] National Forestry and Grassland Administration.China forest resources report （2014—2018）［M］.Beijing：China Forestry Publishing House，2019.

[7] ZHANG H， HE Z， ZHANG L，et al.Spatial-temporal changes and driving factor analysis of net ecosystem productivity in Heilongjiang Province from 2010 to 2020［J］.Land，2024，13（8）：1316.

[8] LI X， HUANG C， JIN H，et al.Spatio-temporal patterns of carbon storage derived using the InVEST model in Heilongjiang Province，Northeast China［J］.Frontiers in Earth Science，2022，10：846456.

[9] PUGH T A M， LINDESKOG M， SMITH B，et al.Role of forest regrowth in global carbon sink dynamics［J］.Proceedings of the National Academy of Sciences，2019，116（10）：4382-4387.

[10] FU Y， LIU C， HE H S，et al.Assessing the impact of climate warming on tree species composition and distribution in the forest region of Northeast China［J］.Frontiers in Plant Science，2024，15：1430025.

[11] YANG Y， LIU L， ZHANG P，et al.Large-scale ecosystem carbon stocks and their driving factors across Loess Plateau［J］.Carbon Neutrality，2023，2（1）：5.

[12] GUO Z D， HU H F， LI P，et al.Spatio-temporal changes in biomass carbon sinks in China’s forests from 1977 to 2008［J］.Science China Life Sciences，2013，56（7）：661-671.

[13] ZHANG F， TIAN X， ZHANG H，et al.Estimation of aboveground carbon density of forests using deep learning and multisource remote sensing［J］.Remote Sensing，2022，14（13）：3022.

[14] LUO M， WANG Y， XIE Y，et al.Combination of feature selection and catboost for prediction：The first application to the estimation of aboveground biomass［J］.Forests，2021，12（2）：216.

[15] GEORGIOU K， JACKSON R B， VINDUŠKOVÁ O，et al.Global stocks and capacity of mineral-associated soil organic carbon［J］.Nature Communications，2022，13（1）：3797.

[16] RICHTER F J， SUTER M， LÜSCHER A，et al.Effects of management practices on the ecosystem-service multifunctionality of temperate grasslands［J］.Nature Communications，2024，15（1）：3829.

[17] 黑龙江省质量技术监督局. 黑龙江省市县林区主要林分类型收获表：DB23/T 1377—2010 ［S］.哈尔滨：黑龙江省质量技术监督局，2010.

[18] Heilongjiang Provincial Bureau of Quality and Technical Supervision. Yield table of main stand types in city and county forest areas of Heilongjiang province：DB23/T 1377—2010 ［S］.Harbin：Heilongjiang Provincial Bureau of Quality and Technical Supervision，2010.

[19] 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.

[20] 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.

[21] WANG T， WANG G， INNES J L，et al.ClimateAP：An application for dynamic local downscaling of historical and future climate data in Asia Pacific［J］.Frontiers of Agricultural Science and Engineering，2017，4（4）：448-458.

[22] FENG L， TIAN X， EL-KASSABY Y A，et al.Predicting suitable habitats of Melia azedarach L.in China using data mining［J］.Scientific Reports，2022，12（1）：12617.

[23] ABRAMS M， CRIPPEN R， FUJISADA H.ASTER global digital elevation model （GDEM） and ASTER global water body dataset （ASTWBD）［J］.Remote Sensing，2020，12（7）：1156.

[24] NACHTERGAELE F， VAN VELTHUIZEN H， VERELST L，et al.The harmonized world soil database［C］//2010 19th World Congress of Soil Science，Soil Solutions for a Changing World， August 01-06，2010 ，Brisbane，Australia.2010：34-37.

[25] 侯学煜.1∶1000000中国植被图集［M］.北京：科学出版社，2001.

[26] HOU X Y.1∶1，000，000 Vegetation Map of China［M］.Beijing：Science Press，2001.

[27] 杜一尘，李明泽，范文义，等.基于地理加权回归模型与林火遥感数据估算森林年龄［J］.林业科学，2019，55（6）：184-194.

[28] DU Y C， LI M Z， FAN W Y，et al.Estimation of forest stand age based on GWR model and forest fire remote sensing data［J］.Scientia Silvae Sinicae，2019，55（6）：184-194.

[29] PIESAT.China’s vegetation biomass distribution product （2001-2020）［DB/OL］.National Tibetan Plateau Data Center，2019.（2025-02-26）.

[30] PAUL K I， RADTKE P J， ROXBURGH S H，et al.Validation of allometric biomass models：How to have confidence in the application of existing models［J］.Forest Ecology and Management，2018，412：70-79.

[31] PIANOSI F， SARRAZIN F， WAGENER T.A Matlab toolbox for global sensitivity analysis［J］.Environmental Modelling & Software，2015，70：80-85.

[32] BREIMAN L.Random forests［J］.Machine Learning，2001，45（1）：5-32.

[33] VALAVI R， GUILLERA-ARROITA G， LAHOZ-MONFORT J J，et al.Predictive performance of presence‐only species distribution models：A benchmark study with reproducible code［J］.Ecological Monographs，2022，92（1）：e01486.

[34] LI X， FAROOQI T J A， JIANG C，et al.Spatiotemporal variations in productivity and water use efficiency across a temperate forest landscape of Northeast China［J］.Forest Ecosystems，2019，6（1）：22.

[35] ZHAO M， YANG J， ZHAO N，et al.Spatially explicit changes in forest biomass carbon of China over the past 4 decades：Coupling long-term inventory and remote sensing data［J］.Journal of Cleaner Production，2021，316：128274.

[36] FANG W， ZHAO Q， CAI Q，et al.The relationships among structure variables of larch forests in China［J］.Forest Ecosystems，2020，7（1）：61.

[37] KONG R S， WAY D A， HENRY H A L，et al.Stomatal conductance，not biochemistry，drives low temperature acclimation of photosynthesis in Populus balsamifera，regardless of nitrogen availability［J］.Plant Biology，2022，24（5）：766-779.

[38] 刘贝贝，蔡体久.大兴安岭北部主要森林类型土壤活性碳组分及碳库稳定性变化特征［J］.水土保持学报，2024，38（6）：203-213.

[39] LIU B B， CAI T J.Characteristics of soil active carbon fractions and carbon pool stability in major forest types in northern Daxing’an Mountains［J］.Journal of Soil and Water Conservation，2024，38（6）：203-213.

[40] DIAO J， LIU J， ZHU Z，et al.Active forest management accelerates carbon storage in plantation forests in Lishui，southern China［J］.Forest Ecosystems，2022，9：100004.

[41] DONG L， LIN X， BETTINGER P，et al.How to maximize the joint benefits of timber production and carbon sequestration for rural areas？ A case study of larch plantations in northeast China［J］.Carbon Balance and Management，2024，19（1）：24.

[42] 韩泽华，李国春，刘丹丹，等.黑龙江省主要乔木林类型碳储量及碳汇能力［J］.北京林业大学学报，2024，46（11）：10-23.

[43] HAN Z H， LI G C， LIU D D，et al.Carbon storage and carbon sink capacity of major arbor forest types in Heilongjiang Province of Northeastern China［J］.Journal of Beijing Forestry University，2024，46（11）：10-23.

[44] MURPHY B A， ROLLINSON C R， DIETZE M C，et al.Insights into nature‐based climate solutions：Managing forests for climate resilience and carbon stability［J］.Journal of Geophysical Research：Biogeosciences，2025，130（3）：e2024JG008391.

基金资助

“十四五”国家重点研发计划课题(2023YFD2201704)