随着全球气候变化的加剧,探讨林木生长对气候变化的响应可为森林可持续经营提供技术支撑。优势木的生长状况是林分生产潜力的体现,且一般认为优势木的生长受林分密度及间伐强度影响较小,因此以优势木为研究对象能更好的分析单木生长和气候的关系。本研究以江西省杉木(Cunninghamia lanceolata)人工林优势木为研究对象,基于优势木的解析木数据和Climate AP软件中提取的10个气候因子数据,采用随机森林、增强回归树和Cubist 3种机器学习算法,分别构建了含气候因子的单木胸径、树高和材积生长模型,并预测了研究区杉木人工林在2010-2060年3种未来气候情景(RCP 2.6、RCP 4.5和RCP 8.5)下的优势木单木生长情况,为气候变化下杉木人工林的可持续经营及管理提供参考依据。主要结果与结论如下:(1)采用3种机器学习算法构建的胸径和树高生长模型的决定系数(R~2)均达到0.80以上,材积生长模型的R~2均达到0.55以上,且胸径、树高和材积生长模型的拟合精度和预测效果均表现为:增强回归树>Cubist>随机森林。增强回归树的最优参数组合均为:树的棵数(n.trees)=10000、收缩参数(shrinkage)=0.01和交互深度(interaction.depth)=9。基于交叉验证,最优胸径生长模型的评价指标为:均方根误差(RMSE)=1.3960 cm,平均绝对误差(MAE)=1.0846 cm;最优树高生长模型的评价指标为:RMSE=1.1884 m,MAE=0.8973 m;最优材积生长模型的评价指标为:RMSE=0.0384 m~3,MAE=0.0215 m~3。应用增强回归树可以更好预测杉木人工林优势木单木生长的规律。(2)3种机器学习算法的自变量相对贡献率的计算结果都表明:年龄对杉木生长的贡献最大,温度对杉木生长的影响比降水更大。通过最优增强回归树计算,对于胸径生长模型,自变量的重要性排序为:年龄>生长季平均气温>生长季最低气温>年平均气温>生长季最高降水量>生长季最低降水量>冷热温差>生长季平均降水量>生长季最高气温>干燥数>年平均降水量;对于树高生长模型,自变量的重要性排序为:年龄>年平均气温>冷热温差>生长季最低气温>生长季最高降水量>生长季平均降水量>生长季平均气温>生长季最高气温>生长季最低降水量>年平均降水量>干燥数;对于材积生长模型,自变量的重要性排序为:年龄>冷热温差>生长季最低气温>年平均气温>生长季最高降水量>生长季平均降水量>生长季平均气温>生长季最高气温>生长季最低降水量>年平均降水量>干燥数。(3)处于同一年龄时,相比当前气候条件,未来气候情景下杉木胸径、树高和材积的生长均增加。在RCP 8.5的气候情景下,胸径和树高的生长表现最佳,RCP 4.5其次,RCP 2.6表现最差;在RCP 4.5的气候情景下,材积的生长表现最佳,RCP 2.6其次,RCP 8.5表现最差。在杉木0-10 a内,气候变化对杉木生长影响不大,10 a后气候变化对生长有促进作用,在30-35 a之后生长开始减缓。胸径在30 a时,在RCP8.5气候情景下总生长量是当前总生长量的1.30倍,之后生长速度放缓;树高在35 a时,在RCP 8.5气候情景下总生长量是当前总生长量的1.50倍;材积在30 a时,在RCP 4.5气候情景下总生长量是当前总生长量的2.37倍,且40 a达到了数量成熟龄。