全球气候变化严重了影响人类生存和自然生态。建立森林生长与收获模型对于准确评估气候变化下的森林生长过程至关重要，为应对气候变化提供了理论基础。作为我国南方重要的速生用材树种，杉木在碳汇领域扮演着重要的角色。然而，对于气候变化如何影响杉木生长，仍存在较大的不确定性，尤其是位于杉木北带东区的安徽省。本研究以80块受人为干扰较少、不同林龄序列的杉木人工林样地为研究对象，基于两种建模方法(①人工神经网络(ArtificialNeuralNetworks,ANN)模型；②分别考虑龄级和立地(海拔、坡度、坡向和坡位)等级随机效应的非线性混合效应模型(Nonlinear Mixed-Effects model, NLME))，构建包含林龄、竞争、气候和土壤因子的林分蓄积(Vs)、林分生物量(M)和林分碳储量(C)模型。并采用十折交叉验证法(Ten-fold Cross Validation)对模型进行评价和比较。基于最优模型，厘清气候等因子如何影响杉木生长，模拟当前和未来气候情景下2025~2100年杉木人工林生长趋势，并交叉分析不同龄级和不同林场下杉木人工林对未来气候变化的响应，为气候变化下杉木人工林碳汇能力和林分产量的准确评估以及如何应对气候变化提供一定的理论依据。本文主要研究结果如下： (1)基于NLME和ANN构建了气候敏感的杉木人工林生长收获模型。杉木人工林Vs的NLME模型在基于坡向等级随机效应时表现最好；杉木人工林M的NLME模型和C的NLME模型在基于龄级随机效应时表现最好。 (2)基于ANN构建了气候敏感的杉木人工林生长收获模型。Vs、M和C的ANN模型调优结果具有一致性，RMSEcv均随size的增加逐渐增加，其增长幅度均随decay的增加逐渐降低。在Vs的ANN模型中，decay=0.01以及size=5时，模型拟合精度达到最优；在M的ANN模型中，decay=0.001以及size=3时，模型拟合精度达到最优；在C的ANN模型中，decay=0.0001以及size=3时，模型拟合精度达到最优。 (3)通过模型评价与检验发现，在Vs、M和C的模型中，NLME和ANN均显著优于基础模型和最优广义非线性模型，能解释97%以上的模型变异。其中NLME各项评价指标均优于ANN，Vs、M和C的最优模型的2Rcv分别达到0.9726、0.9845、0.9841。 (4)基于最优模型分析了各自变量与因变量的偏依赖关系。Vs、M和C的模拟结果具有一致性，Vs、M和C均随BA、Sand和MAP的增大逐渐增大，随Sand的增加无明显变化。其中，Vs、M和C随BA的增长幅度均最大，其次是Age，然后是MAP，随Sand的增长变化最小。 (5)以幼龄林样地“S65”为初始数据，基于最优模型预测了当前和未来气候情景下杉木人工林Vs、M和C在2025~2100年变化情况。气候变化对Vs、M和C的影响也表现出一致性，随年份的增加杉木人工林Vs、M和C均呈先逐渐增加后趋于稳定的趋势。未来气候情景下Vs、M和C均低于当前气候情景，具体表现为：SSP1-2.6＞SSP5-8.5＞SSP2-4.5＞SSP3-7.0＞Current。 (6)基于最优模型交叉分析杉木人工林不同龄级和不同林场Vs、M和C对气候变化的响应，发现未来气候变化对M和C的影响程度随林龄的增大而减小；未来气候变化对西田林场Vs、M和C的影响程度均大于马宗岭林场。未来气候变化总体上对杉木生长产生不利影响。其中，年均降水是对杉木生长影响最大的气候因子，随着降水量的增加，杉木人工林Vs、M和C越大。然而，未来气候情景下降水减小，使得林分生长减缓，产量降低。尤其是林分结构不稳定的幼龄林和降水相对较少的西田林场受未来气候变化影响较大，需要采取一定措施来减小气候变化的影响。
NETL
