Science 论文遭遇连续质疑：重审全球森林恢复潜力

2019 年，Bastin 等在Science发表论文 The global tree restoration potential。论文声称，在不占用现有农田和城市用地的前提下，全球仍有约0.9 billion ha的额外树冠恢复空间，理论上可额外储存约205 GtC。这一数字迅速进入公共传播与政策讨论，成为“种树应对气候变化”叙事中最具代表性的定量结论之一，也深刻影响了政策语境中对于全球恢复潜力的想象。

随着Bastin 论文的影响力的增大，其方法和结论所承受的审查也越严格。后续对该文的挑战主要来自三个层面：其一，现有树冠覆盖底图是否系统性低估了某些地区的现状；其二，模型精度是否因验证方式不当而被高估；其三，即便修正前两者，这类全球机器学习地图本身是否具备可被充分评估的可靠性。

一、 第一轮质疑：大量的Comments

Bastin 论文发表后不久，Science页面很快汇集了多篇正式评论与作者回应。仅 2019 年下半年，就至少出现了 5 篇 Technical Comments ：Veldman 等、Friedlingstein 等、Grainger 等、Lewis 等，以及稍后发表的 Skidmore 等；对应地，Bastin 团队先后发表了 2 篇正式回应 ，并在 2020 年 5 月刊出勘误。

这批评论针对的不是同一个问题，而是从不同角度拆解 Bastin 结论的成立条件。Veldman 等的批评最为直接：他们认为 205 GtC 的估算大约高出 5 倍 ，原因包括土壤有机碳增量被夸大、未充分考虑高纬和高海拔地区树木扩张的增暖效应，以及把稀树草原、草地和灌丛的造林也算成“恢复”。这实际上触及了一个核心概念问题： 树木增加 并不自动等于 生态恢复 。

Friedlingstein 等则把问题推进到全球碳循环尺度。他们指出，Bastin 把 205 GtC 解释为重要的气候缓解潜力，但这一表述与全球碳循环及其对人为排放的响应并不一致。Lewis 等进一步批评，Bastin 文中关于 205 GtC 、关于“全球树木恢复是目前最有效的气候变化解决方案”，以及关于未来热带森林损失的表述，都存在明显问题。Grainger 等的重点则更偏向政策可行性：他们认为 Bastin 忽略了 1980—1990 年代大量森林减缓研究，因而未能区分“技术上适合长树的土地”与“现实中可获得、可操作的土地”。Skidmore 等则指出，如果把 Bastin 的碳吸收主张放回更常见的碳积累时间框架中理解，实现相同固碳目标所需土地面积至少要高出 3 倍 。

Bastin 团队在回应中坚持认为，原始估算针对的是 现有气候条件下成熟生态系统的潜在碳储量 ，而非到 2050 年某个固定时点可实现的年际累积量；他们在对 Skidmore 的回应中也明确表示，原研究并未设定恢复完成的时间上限。同时，作者在综合回应中承认原文表述存在“清晰度不足”的问题，并在后续勘误中对相关文字做了修正。换言之，第一轮争论，已经把问题明确收束为四点：碳汇量是否被高估、恢复与造林是否被混同、土地可行性是否被简化，以及时间尺度是否被表述得不够清楚。

二、Fagan：底图就错了

如果说Science页面上的comment首先质疑的是 Bastin 的解释与推论，那么 Fagan 2020 年发表于Global Change Biology的文章，则把审查推进到更基础的层面： 当前树冠覆盖底图是否本身就存在系统性误差 。Fagan 指出，两张影响广泛的全球恢复潜力图——包括 Bastin 的研究——都在干旱区高估了恢复潜力，其关键原因是底层树冠覆盖产品会系统性低估干旱区稀疏而真实存在的树木。

这一点之所以关键，是因为 Bastin 的恢复潜力本质上是“潜在树冠覆盖”与“当前树冠覆盖”的差值。如果当前树冠覆盖被低估，那么恢复潜力就会被机械地抬高。Fagan 报告，在干旱生物群区，这类底图平均低估树冠覆盖约 5.9% ；由此导致 Bastin 在干旱区的恢复潜力被高估约 315–440 Mha ，即其干旱区恢复潜力的 33%–45% ；即便考虑 Bastin 已排除农田和城市，全球总恢复潜力也可能仍被高估 119–173 Mha 。Fagan 的结论并非否定恢复本身，而是明确指出：将大量干旱、开阔、稀树生态系统视为“待恢复空地”，既会夸大碳汇潜力，也会误导恢复实践。

图1｜干旱区树木恢复潜力与树冠覆盖低估的空间重叠 Bastin 等（2019）识别的干旱区潜在树木恢复区域示例。图(a) 改绘自 Bastin 等（2017），绿色样点表示 Hansen Global Forest Cover（HGFC）产品对实际树冠覆盖的低估；图(b) 改绘自 Bastin 等（2019）。红色框标示区域显示：被识别为具有较高恢复潜力的区域，往往与 HGFC 对树冠覆盖的低估区域空间重叠，提示恢复潜力可能被系统性高估。

三、Ploton：验证方法的幻觉

随后，Ploton 等在 2020 年发表于Nature Communications的论文，将批评焦点转向这类大尺度生态机器学习研究最常被引用的“证据”——模型精度。作者使用中非约 11.8 million trees 的森林清查数据重现大尺度生态制图流程后发现：若采用普通随机交叉验证，模型似乎能够解释超过一半的变异；但一旦采用考虑空间自相关的空间交叉验证，模型表现急剧下降。一个典型结果是，随机 K 折验证下 R² 约为 0.53 ，而空间 K 折验证下仅 0.14 。作者因此指出，忽略空间自相关会系统性夸大模型的预测能力。

Ploton 的研究并未直接重算 Bastin 的树冠恢复面积，但它对 Bastin 这类全球随机森林地图提出了一个关键方法学问题： 如果训练集与测试集在空间上并不独立，那么“高 R²” 不能被直接解释为对新区域的可靠预测能力。 这意味着，Bastin 论文中看上去相当强的拟合与交叉验证结果，需要在更严格的空间验证框架下重新理解。

图2｜随机交叉验证与空间交叉验证下模型性能对比 基于 MODIS 遥感数据与环境变量的地上生物量（AGB）预测结果。图(a) 为随机 10 折交叉验证，图(b) 为空间 44 折交叉验证；热图展示观测值与模型预测值之间的关系。相比随机验证，空间验证下预测精度显著下降，表明在存在空间自相关的数据中，常规交叉验证可能高估模型的泛化能力。

四、Meyer：即便改进验证，全球地图仍未必可被充分评估

Meyer 与 Pebesma 2022 年在Nature Communications发表的评论性文章，又把问题推进了一层。他们讨论的已不只是 Bastin 一篇论文，而是这类“用机器学习生成全球生态变量地图”的研究范式本身。作者指出，很多全球地图依赖的参考样本既稀疏，又高度聚集，并非严格意义上的全球代表性抽样；在这种情况下，模型常常被应用到大量远离训练样本、甚至超出训练特征空间的区域，而这些区域的预测质量事实上难以充分评估。

因此，Meyer 与 Pebesma 提出，全球生态地图不应默认“每个像元都同等可信”，而应明确给出 area of applicability ，也就是模型在哪些地区属于训练数据支撑范围内，哪些地区实质上是在外推。他们的批评并不等于宣布 Bastin 失效，而是要求研究者放弃一种过于乐观的认识： 全球尺度的完整地图，并不自动意味着全球尺度的可靠知识。 对 Bastin 而言，这种批评的含义是，它的价值更接近于一种探索性、上限式估计，而不是可直接下沉为政策清单的精确部署图。

五、如何重新定位 Bastin 论文

Bastin 论文并未被简单“推翻”，但其最具传播力的数字已经不能再被理解为高度确定的现实可实施面积。

它更合理的定位，是在特定假设下对全球树木恢复上限的一次宏观估算。

Bastin 论文的学术贡献仍然存在：它把“全球还能恢复多少树”转化成了一个可讨论、可检验的定量问题，也推动了恢复科学进入更高分辨率的空间分析阶段。真正需要修正的，不是“恢复是否重要”这一命题，而是对其确定性、适用边界和政策可转译性的判断。后续争论真正告诉我们的，是任何看似完整、精确且具有巨大政策吸引力的Global Map，都必须同时经受三重审查： 输入数据是否可靠，模型验证是否严谨，外推边界是否明确。

References

Bastin, J.-F., Finegold, Y., Garcia, C., Mollicone, D., Rezende, M., Routh, D., Zohner, C. M., & Crowther, T. W. (2019). The global tree restoration potential . Science , 365 (6448), 76–79. https://doi.org/10.1126/science.aax0848 Veldman, J. W., Aleman, J. C., Alvarado, S. T., Anderson, T. M., Archibald, S., Bond, W. J., Boutton, T. W., Buchmann, N., Buisson, E., Canadell, J. G., Dechoum, M. S., Díaz, S., Durigan, G., Ewel, J. J., Fernandes, G. W., Fidelis, A., Fleischman, F., Good, S. P., Griffith, D. M., … Zaloumis, N. P. (2019). Comment on “The global tree restoration potential” . Science , 366 (6463), eaay7976. https://doi.org/10.1126/science.aay7976 Friedlingstein, P., Allen, M., Canadell, J. G., Peters, G. P., & Seneviratne, S. I. (2019). Comment on “The global tree restoration potential” . Science , 366 (6463), eaay8060. https://doi.org/10.1126/science.aay8060 Grainger, A., Iverson, L. R., Marland, G., Prasad, A., & Ringius, L. (2019). Comment on “The global tree restoration potential” . Science , 366 (6463). Lewis, S. L., Wheeler, C. E., Mitchard, E. T. A., & Koch, A. (2019). Comment on “The global tree restoration potential” . Science , 366 (6463), eaaz0388. https://doi.org/10.1126/science.aaz0388 Skidmore, A. K., Wang, T., de Bie, C. A. J. M., Pilesjö, P., & Fatoyinbo, T. (2019). Comment on “The global tree restoration potential” . Science , 366 (6463), eaax0848. Bastin, J.-F., Finegold, Y., Garcia, C., Mollicone, D., Rezende, M., Routh, D., Zohner, C. M., & Crowther, T. W. (2019). Response to Comments on “The global tree restoration potential” . Science , 366 (6463), eaay8108. https://doi.org/10.1126/science.aay8108 Bastin, J.-F., Finegold, Y., Garcia, C., Mollicone, D., Rezende, M., Routh, D., Zohner, C. M., & Crowther, T. W. (2019). Response to Comment on “The global tree restoration potential” . Science , 366 (6463). Bastin, J.-F., Finegold, Y., Garcia, C., Mollicone, D., Rezende, M., Routh, D., Zohner, C. M., & Crowther, T. W. (2020). Erratum for the Report: “The global tree restoration potential” . Science , 368 (6490), eabc8905. https://doi.org/10.1126/science.abc8905 Fagan, M. E., Reid, J. L., Holland, M. B., Drew, J. G., & Zahawi, R. A. (2020). A lesson unlearned? Underestimating tree cover in dryland biomes biases global restoration maps . Global Change Biology , 26 (9), 4679–4690. Ploton, P., Mortier, F., Réjou-Méchain, M., Barbier, N., Picard, N., Rossi, V., Redmond, I., Veillon, L., Bayol, N., Williamson, J., & others. (2020). Spatial validation reveals poor predictive performance of large-scale ecological mapping models . Nature Communications , 11 , 4540. https://doi.org/10.1038/s41467-020-18321-y Meyer, H., & Pebesma, E. (2022). Machine learning-based global maps of ecological variables and the challenge of assessing them . Nature Communications , 13 , 2012. https://doi.org/10.1038/s41467-022-29838-9