A spatially explicit dynamic biomass baseline for forest-management carbon projects in China

技术摘要：面向中国森林管理碳项目的空间显式动态生物量基准线

问题陈述
森林碳项目，特别是改善森林管理（IFM）计划，依赖于反事实基准线来确定“额外性”——即在没有项目干预的情况下本会实现的碳增益。目前的基准线方法论往往存在显著偏差。静态参考水平和粗略的区域平均值无法解释森林生物量的动态特性，而这种特性受林龄、历史管理轮伐期以及自然或人为干扰的影响。这些过度简化的做法会导致两种关键错误：基准线设定过低会夸大减排收益（过度授信），而基准线设定过高则会掩盖真实的工程成就。现有的事后评估方法（如匹配法或合成控制法）虽然对审查很有价值，但无法提供在项目注册阶段所需的标准化、空间显式的事前基准线。因此，需要一个能够将基于年龄的生长、空间生物量潜力、历史管理连续性和观测到的损失风险整合到统一、可审计的预测系统中的框架。

研究方法
作者开发了一个针对中国的动态、空间显式反事实基准线框架，采用了耦合生长曲线的方法。该方法通过以下步骤进行：

1. 数据分层与生长曲线拟合：

   • 将包含 24,237 条森林样地记录的国家数据集根据植被带、森林类型和来源（天然或人工林）划分为 155 个生态分层。
   • 为每个分层利用 Richards、Logistic 和 Weibull 函数拟合“年龄–生物量积累曲线”。建立了一个包含 67 条最终生长曲线的库。
   • 不确定性分析表明，渐近生物量项（即最大潜在生物量）是这些拟合曲线的主要不确定性来源。

2. 空间生物量天花板估计 ($B_{eco}$)：

   • 为了解决渐近项的不确定性，作者使用空间显式的可达近自然生物量 ($B_{eco}$) 取代了生长方程中的静态渐近线。
   • $B_{eco}$ 通过 50 个随机森林模型集成进行建模，这些模型是在成熟、低干扰的森林像素（选自自然保护区和国家公园）上训练的。
   • 预测因子包括气候变量（如月温差）、土壤属性、地形、距保护区的距离以及树木覆盖度。该模型在空间块交叉验证中的 $R^2$ 为 0.39。

3. 耦合生长曲线框架：

   • 该框架将特定分层的生长曲线形状与像素级的 $B_{eco}$ 天花板相结合。
   • 敏感性分析比较了一个标准模型（$M_0$，仅随 $B_{eco}$ 变化渐近线）与一个替代模型（$M_1$，其中生长速率也随 $B_{eco}$ 协同变化）。研究发现，$M_1$ 对大多数分层的改进微乎其微（RMSE 降低不足 5%），从而证明了在全国应用中使用更简洁的 $M_0$ 是合理的。

4. 反事实情景投影：

   • 在三种情景下对 2000 年至 2020 年的年度反事实轨迹进行投影（具有 20 年的时间跨度）：
     • BAU（照常进行）： 在没有采伐或生物量重置的情况下，不受约束的持续生长。
     • S1（管理约束）： 延续历史管理轮伐期（例如，15 年短轮伐期、60 年长轮伐期）和生物量重置。
     • S2（观测损失）： 在 S1 的基础上，加入基于中国森林地上生物量动态（CFATD）时间序列估算的生物量损失事件的概率和严重程度。注：这些损失是通过生物量变化识别的，而非归因于特定驱动因素（如火灾或采伐）。

主要结果

• 基准线差异： 未受约束的 BAU 情景产生的基准线始终高于管理约束情景（S1 和 S2）。对于 2000 年开始的项目，全国范围内 BAU 与 S1 的平均差异在 10 年时为 9.98 Mg ha⁻¹，在 20 年时增加到 14.40 Mg ha⁻¹。对于 2020 年开始的项目，该差距在 10 年时达到 29.30 Mg ha⁻¹，在 20 年时达到 36.99 Mg ha⁻¹。
• 偏差驱动因素： 这种差异在短轮伐期人工林、油棕和农林复合系统中最为显著。人工林的 BAU–S1 差距明显大于天然林。在生物量潜力高且管理密集的南部省份（如海南、广东、广西、福建），空间差异最为显著。
• 生态分层贡献： 少数分层主导了全国性的差异。前六个生态分层（包括天然和人工马尾松、杉木及典型常绿阔叶林）贡献了超过 �70% 的全国 BAU–S1 总差异。
• 损失事件的影响： 与 S1 相比，纳入观测到的生物量损失事件（S2）对全国平均值的影响极小（差异 < 0.22 Mg ha⁻¹），尽管它改变了局部轨迹和下降的时机。
• 不确定性传播： 基准线投影的不确定性主要由可达生物量天花板 ($B_{eco}$) 驱动，它解释了绝大部分方差。与损失事件参数（概率和留存率）相关的不确定性在全国尺度上可以忽略不计（对区间宽度的贡献 < 0.04%），尽管在某些特定敏感分层中略高。

意义与主张
本文声称提供了一个“用于基准线设定的国家参考”，能够为中国 IFM 项目精确且可靠地量化气候减缓成果。该框架的意义在于其能够：

1. 限制开发者裁量权： 通过使用外部独立数据（国家森林调查和遥感数据）而非项目特定报告，该框架降低了系统性过度授信的风险。
2. 确保可审计性和可更新性： 数据库基于一致的规则构建，并可随着新调查数据或生物量产品的出现而进行更新。
3. 体现历史连续性： 与静态基准线不同，这一动态框架明确纳入了历史管理轮伐期和观测到的损失机制，防止将自然恢复或持续的碳积累误分类为项目额外性。
4. 支持政策制定： 作者认为，该框架可以作为开发中国 IFM 方法论的基础模块，解决目前规则碎片化和风险预防不足的问题。

作者保持了审慎的态度，指出虽然该框架提供了一个稳健的反事实生物量模块，但它并未解决所有碳信用挑战，如泄漏、永久性、采伐木制品或土壤碳。他们强调，该框架是一个用于透明评估额外性的工具，而非针对所有碳库核算的完整解决方案。