《Scientific Data》：Potential tree cover under current and future climate scenarios
编辑推荐：
为解决评估未来森林碳损失风险和碳储存潜力所需数据问题，研究人员开展 “当前和未来气候情景下潜在树木覆盖” 主题研究。他们整合卫星观测数据，运用机器学习框架估算树木覆盖承载能力（TCC），该成果有助于制定造林 / 再造林计划，为气候建模提供参考12。
在全球致力于实现碳中和的大背景下，森林在其中扮演着至关重要的角色。国际政策很大程度上依赖森林实现负碳排放，以抵消难以脱碳部门的剩余排放。然而，气候变化却让森林面临成为碳净源的风险。要想制定有效的基于森林的气候政策，精准了解在不同环境条件下森林存在的生物物理极限至关重要。这就需要高分辨率的全球潜在树木覆盖数据，涵盖当前和未来气候状况，且要与现有树木覆盖地图相匹配，同时考虑自然干扰因素。但现有的潜在树木覆盖数据集，无法完全满足这些需求。
为了解决这些问题，欧洲委员会联合研究中心（JRC）、瑞士苏黎世联邦理工学院（ETH）等机构的研究人员开展了相关研究。他们通过整合卫星观测的树木覆盖数据和机器学习框架，估算出树木覆盖承载能力（Tree Cover Carrying Capacity，TCC），这一指标反映了在考虑自然干扰情况下的最大潜在树木覆盖。研究成果发表在《Scientific Data》上。
研究人员采用了两步法来估算 TCC。第一步，利用分位数回归森林（Quantile Regression Forest，QRF）计算潜在实现树木覆盖（Potential Realized Tree Cover，PRT），它代表了在当前环境条件下观测到的最高树木覆盖，接近真正的潜在树木覆盖，但受当前森林状态限制。第二步，通过常规（均值）随机森林回归计算自然干扰制度（Disturbance Regime，DR），其定义为完整区域（人类对生态系统影响最小的区域）内观测到的树木覆盖与 PRT 平均比率的偏移量。最后，TCC 由 PRT 与（1 - DR）相乘得出。
研究结果表明，该模型在当前气候条件下，与完整森林景观中的森林观测结果吻合度良好，R2 达到 0.83。在不同气候情景下，TCC 的变化情况也有所不同。例如在 SSP2 - 4.5 情景下，到本世纪末，某些地区的 TCC 会发生显著变化。
研究还对模型进行了验证和不确定性评估。验证结果显示，模型在预测未参与参数优化的区域时，R2 为 0.76。不确定性评估表明，模型存在多种不确定性来源，包括参数不确定性、认知不确定性和自变量的不确定性传播。其中，认知不确定性（如使用替代气候数据）可导致树木覆盖估计偏差高达 25%，使用替代土壤数据带来的不确定性可达 20%，采用次优模型参数集产生的不确定性约为 15%。
此外，研究人员将本研究结果与以往研究进行对比。与 Bastin 等人的数据集相比，本研究结果更接近完整区域的树木覆盖观测值，R2 更高（0.83 对比 0.73），并且在空间变化方面表现更优，能更准确地反映不同气候区域的潜在树木覆盖情况。
在研究结论和讨论部分，该研究成果意义重大。TCC 数据集为造林 / 再造林计划提供了基于数据的现实目标，有助于评估未来气候变化情景对特定区域树木承载能力的影响，还能为气候建模提供森林存在的可行性约束，为综合评估模型和土地利用协调数据集（LUH2）提供参考。不过，研究也存在一些局限性。例如，模型未考虑极端事件的可能性、地下水等因素对树木生长的影响，也未涉及时间动态和气候与树木之间的反馈机制。此外，完整区域的采样存在偏差，TCC 不能直接转化为实际行动或政策，在实施造林 / 再造林计划时，还需深入研究当地的社会、土地利用和生态情况。但总体而言，这项研究为理解全球森林与气候的关系提供了重要的数据支持和研究思路，为后续的相关研究和政策制定奠定了基础。
下载安捷伦电子书《通过细胞代谢揭示新的药物靶点》探索如何通过代谢分析促进您的药物发现研究
10x Genomics新品Visium HD 开启单细胞分辨率的全转录组空间分析！
欢迎下载Twist《不断变化的CRISPR筛选格局》电子书
单细胞测序入门大讲堂 - 深入了解从第一个单细胞实验设计到数据质控与可视化解析
下载《细胞内蛋白质互作分析方法电子书》
