当前位置：首页 > news >正文

精读文献|《CATENA》新文：全球植被绿化对生态系统水分利用效率的响应

news 来源：原创 2024/9/29 3:34:31

文章简介

1.文章摘要

2.研究背景及意义

3.研究数据及方法

4.研究结果

5.研究讨论

6.研究结论

7.文章引用

文章简介

论文名称：Response of ecosystem water-use efficiency to global vegetation greening（全球植被绿化对生态系统水分利用效率的响应）
第一作者及单位：胡泽银(博士生|贵州大学林学院）
通讯作者及单位：戴全厚（教授|贵州大学林学院）
文章发表期刊：《CATENA》（中科院1区Top期刊|最新影响因子：6.2）
期刊平均审稿速度：4.8个月（参考）

1.文章摘要

在过去的二十年间，全球植被呈现绿化趋势。然而，关于碳-水循环耦合在植被绿化响应中的变化知之甚少。一个可以表征这种耦合的关键指标是生态系统的水分利用效率（WUE）。因此，该研究基于1982年至2018年的遥感数据，利用Theil-Sen趋势分析、Mann-Kendall（M-K）检验、逐步回归和Lindeman Merenda Gold（LMG）模型，探讨了全球植被绿化对生态系统WUE的影响。该研究的结果显示，在过去三十年中，全球植被绿化对总初级生产力（GPP）、蒸散发（ET）和WUE产生了积极影响。在这些植被绿化地区的70%中，包括印度、中国、俄罗斯、日本、朝鲜、欧洲和北美，WUE有所增加，WUE每年增加0.002 g C kg H₂O yr^−1，这一增幅是全球植被覆盖区的两倍。逐步回归分析结果表明，植被绿化对WUE变化的贡献达到80%，远高于气候因素的贡献。GPP因植被绿化对WUE变化的贡献约为81%。此外，该研究还发现，在全球绿化地区，叶面积指数（LAI）解释了WUE变化的80%，植被对WUE有积极影响。因此，在未来的生态恢复计划设计中，应考虑到WUE，并优先选择低耗水量的植被，以实现可持续的生态系统服务和区域发展。

2.研究背景及意义

研究背景

植被在调节陆地与大气之间的碳和水循环中起着关键作用，同时提供了诸如碳固存、水土保持、气候调节和物质供给等宝贵的生态系统服务。目前，全球植被持续绿化，这被视为捕捉大气碳的重要方式，对于实现碳中和和缓解气候变化至关重要。然而，植被绿化带来的蒸腾作用增强，导致了水循环和水可用性的变化。虽然植被绿化通过增强光合作用和植物生产力，增加了碳固存，但这种增加也引发了碳固存与水消耗之间的权衡。尽管已有研究评估了植被绿化对碳汇或水资源的影响，但植被绿化引起的碳与水权衡关系仍不清楚。生态系统水分利用效率（WUE）作为表征碳-水循环耦合的关键指标，其变化对理解植被生态水文过程具有重要意义。

研究意义

量化全球植被绿化对生态系统WUE的影响，对于理解碳-水循环和生态水文过程至关重要。虽然一些研究集中于局部、区域和国家尺度上植被类型或其变化对WUE的影响，但大规模植被变化对WUE影响的机制尚不明确，特别是在全球气候变化情景下。不同生态系统类型和地区的植被绿化对WUE的影响可能存在差异，全球植被变化是一个高度异质性的现象。该研究基于1982年至2018年的遥感数据，识别了全球植被绿化区域（GVGA），揭示了这些区域中WUE的地理空间模式，确定了WUE的变化模式，并量化了WUE变化对植被变化和气候因素（温度和降水）的响应。研究结果将有助于更好地理解碳-水循环耦合和生态恢复的水文效应。

3.研究数据及方法

研究数据

该研究利用中国国家地球系统科学数据中心提供的全球陆地表面卫星（GLASS）GPP和ET数据集，经过前期研究验证。植被绿化区域的确定基于1982年至2018年期间GLOBMAP数据集中叶面积指数（LAI）的变化趋势，LAI数据来源于中国资源与环境科学数据中心。此外，还使用了气候研究单元（CRU v4.05）提供的降水（PRE）和温度（TEM）数据。为保持数据的空间分辨率一致性，LAI、TEM、PRE和土地覆盖数据在ArcGIS 10.2中通过双线性插值方法进行了从原始分辨率到0.05°× 0.05°分辨率的重采样处理。

表1|本研究的数据源

研究方法

水分利用效率（WUE）变化模式分类

根据Theil-Sen和M-K检验得到的GPP、ET和WUE变化趋势值，分为增加（Theil-Sen > 0）或减少（Theil-Sen < 0）趋势，并进行空间叠加分析。根据(Zou等，2020年；Xue等，2022年)的研究，WUE变化模式被划分为八类（见表2）。

表2|不同情景下水分利用效率（WUE）的变化

评估相关性和贡献率

植被绿化和气候因素对GPP、ET和WUE的影响进行了量化。在逐步回归模型中，标准化回归系数用于量化LAI、温度和降水对WUE的影响强度，并且使用偏相关分析来分析LAI、降水和温度之间的相关性，以及GPP、ET和WUE之间的相关性。Lindeman Merenda Gold (LMG)模型用于量化气候因素和植被绿化对GPP、ET和WUE的相对重要性。相对重要性用于量化单个因素对多元回归模型的贡献，能够消除输入变量顺序对贡献率的影响。模型中单个因素对GPP、ET和WUE的相对贡献率是通过计算所有可能变量的边际贡献和因变量方差的平均值来得到的。

4.研究结果

水分利用效率（WUE）和叶面积指数（LAI）的时空格局

全球植被绿化区域（GVGA）的生长速率约为0.75 × 10^-2 m^2 m^-2 yr^-1，比全球植被覆盖（0.46 × 10^-2 m^2 m^-2 yr^-1）高出1.60倍（图1a）。从空间上看，全球植被覆盖区域中约有76.47%正在变绿，其中58.49%显著变绿，22.77%显著变褐，不足1%保持不变。植被绿化主要集中在北欧、中国南部、印度、加拿大北部、俄罗斯北部、非洲中部、日本、朝鲜和印度尼西亚等区域（图1b）。

图1|全球植被绿化区域中叶面积指数（LAI）（b）和水分利用效率（WUE）（d）的变化。（a）全球植被覆盖区域和全球植被绿化区域（GVGA）的年际LAI变化；（c）在植被绿化背景下水分利用效率的年际变化。CI表示置信区间，LAI指叶面积指数，WUE表示水分利用效率。

水分利用效率（WUE）在GVGA地区显著增加，增长速率为0.23 × 10^-2 g C kg H2O yr^-1（图1c），是全球植被覆盖区域的两倍（0.001 g C kg H2O yr^-1）（图S1）。增加WUE的区域占GVGA的70%以上，包括中国、印度、巴西、瑞典、挪威、美国中部和加拿大西北部。与此同时，中亚、中欧和中非地区的WUE减少（图1d）。

图S1|显示了1982年至2018年间全球GPP、ET和WUE的时空分布格局，像素值仅为P < 0.05。

图S2显示，GVGA地区的初级生产力（GPP）和蒸散发（ET）均以2.56 ± 0.23 g C m^-2 yr^-1和1.13 ± 0.17 kg H2O m^-2 yr^-1的速率增加。增加GPP和ET的区域分别占GVGA的62.50%和76.33%。这表明ET的增加更为广泛，而GPP的增加速度更快（图S2）。此外，GVGA地区的温度（TEM）和降水（PRE）也在1982年至2018年期间有所增加（图S3）。

图S2|全球植被绿化区域中GPP和ET的趋势。(a) GPP趋势的空间格局；(b) GPP的时间趋势；(c) ET趋势的空间格局；(d) ET的时间趋势；(e) 和 (f) 分别为GPP和ET变化区域的百分比。

图S3|全球植被绿化区域中降水（PRE）和温度（TEM）的趋势。TEM，温度（℃）；PRE，降水（mm）。

WUE变化格局

根据空间叠加分析显示，全球植被绿化区域（GVGA，图S1）中水分利用效率（WUE）展现出八种模式，但未观察到IDD和DII模式（见图2）。因此，仅考虑六种模式进行进一步分析，即DDD、DDI、DID、IDI、IID和III。在GVGA中，53%的区域展现出III模式（见图2a），包括印度、中国、美国中部、土耳其、俄罗斯、非洲、西欧和巴西东南部（见图2b）。其次是DID和DDI模式，分别占GVGA的17%和15%（见图2a）。这两种模式通常出现在中国东北部、哥伦比亚、巴西西北部和印度尼西亚（见图2b）。此外，该研究发现DDD、DID和III模式的植被绿化速率低于全球植被绿化速率（见图2c）。相反，DDI、IDI和IID模式的植被绿化速率约为全球植被绿化速率的1.5倍（见图2c）。根据我们的分析，57.96%的WUE受GPP驱动（见图2a），包括DDD和III模式（见图2d和e）；20.26%的WUE受ET驱动，包括DDI和IID模式；21.77%的WUE由GPP和ET共同驱动，包括DID和IDI模式。

图2|不同情景下WUE的分布模式。(a) 不同WUE模式的空间分布；(b) 六种WUE模式的相对面积；(c)、(d) 和 (e) 分别代表六种WUE变化模式下LAI、GPP和ET的Theil-Sen斜率。LAI，叶面积指数；WUE，水分利用效率；GPP，总初级生产力；ET，蒸散发。在DDD模式中，GPP、ET和WUE均减少；在DDI模式中，GPP和ET减少，WUE增加；在DID模式中，GPP和WUE减少，ET增加；在IDI模式中，GPP和WUE增加，ET减少；在IID模式中，GPP和ET增加，WUE减少；在III模式中，GPP、ET和WUE均增加。

气候和植被对水分利用效率（WUE）的贡献

WUE对气候和植被变化的响应

根据趋势分析结果，该研究将GVGA（某地名）划分为WUE（水分利用效率）增加（G&I）和减少（G&D）的区域。在G&I和G&D区域，LAI（叶面积指数）、TEM（温度）和PRE（降水量）显著增加（图3）。相比之下，G&D区域的年降水量显著增加，增长率为0.66 ± 0.23毫米/年。逐步回归分析显示，温度对WUE影响不显著，主要影响因素是植被和降水。在G&I区域，WUE主要受植被和降水影响，LAI解释了超过88.31%的WUE变化，而降水影响约为12%。在G&D区域，植被对WUE的影响大于气候因素。

图3|1982年至2018年不同情景下WUE、PRE、TEM和LAI的年际变化。(a)和(b)分别表示全球植被变绿情景下WUE减少和增加的区域。注：TEM，温度（°C）；PRE，降水量（mm）；LAI，叶面积指数（m²/m⁻²）；WUE，水分利用效率（g C kg H₂O⁻¹ yr⁻¹）。

气候、植被与WUE的关系

图4显示LAI（叶面积指数）与WUE（水分利用效率）之间有较高的相关性（r = 0.69）。在像素尺度上，64.67%的植被变绿区域中，LAI与WUE呈正相关，主要集中在印度、西北中国、美国中部、中南部非洲。而在不到10%的植被变绿区域中，LAI与WUE呈负相关，主要位于俄罗斯北部。大约25%的区域中，LAI与WUE之间的相关性较弱或不存在。相比之下，降水量（PRE）与WUE的相关性较差（r = 0.45）。46.31%的区域中，PRE与WUE呈负相关，主要集中在中亚和欧洲；20.35%的区域中，PRE与WUE呈正相关；在约33%的区域中，PRE与WUE的相关性较弱或不存在。温度（TEM）与WUE的关系呈抛物线型，仅24%的区域中TEM与WUE呈负相关，而不到10%的区域中呈正相关。在约66%的区域中，TEM与WUE的部分相关性较弱或不存在。这表明，当LAI、PRE和TEM同时存在时，PRE和TEM对WUE的影响极其微弱，尤其是TEM。

图4|TEM、PRE、LAI和WUE之间的偏相关和相关关系。蓝线和红线分别表示1:1线和趋势线。注：TEM为温度（℃）；PRE为降水量（毫米）；LAI为叶面积指数（平方米每平方米）；WUE为水分利用效率（克碳每千克水每年）。

在六种模式中，LAI、PRE和TEM都显著增加（图5a）。DDD、DID和IID模式中WUE下降，而III、IDI和DDI模式中WUE上升，表明这六种WUE变化模式合理。LAI与WUE的相关性高（|r| > 0.8），主要在III、DDD和DID模式中，其中在DDD和DID模式中呈负相关（图5b）。在DDD和DID模式中，TEM与WUE呈负相关（r > 0.6），在III模式中呈正相关（r > 0.8）。在III模式中，PRE与WUE呈正相关（r = 0.64）。在DDI和IID模式中，LAI、TEM和PRE对WUE的影响不显著。

图5|不同情景下温度、降水量、LAI和WUE的相关性和趋势变化。TEM为温度（℃）；PRE为降水量（毫米）；LAI为叶面积指数（平方米每平方米）；WUE为水分利用效率（克碳每千克水每年）。DDD表示GPP、ET和WUE都减少；DDI表示GPP和ET减少而WUE增加；DID表示GPP减少、ET增加而WUE减少；IDI表示GPP增加、ET减少而WUE增加；IID表示GPP和ET增加而WUE减少；III表示GPP、ET和WUE都增加。

气候和植被对WUE的贡献

根据LMG分析，该研究观察到在GVGA中，GPP对WUE的贡献率为81.82%（图6a）。图S3显示，约70%的GVGA贡献了超过80%的GPP，主要集中在加拿大、美国西部、俄罗斯、中国西部、澳大利亚和巴西东南部。相比之下，蒸腾量（ET）对WUE变化的贡献较低，贡献率不到GPP的四分之一（约18.18%）。约10%的植被变绿区域中，蒸腾量对WUE的贡献超过80%，主要位于中亚和欧洲、巴西北部、刚果和印度尼西亚。总体而言，图6a显示，LAI对WUE的最大直接贡献约为35%。其中，约29.08%是由LAI驱动的GPP对WUE变化的影响。温度（TEM）对WUE变化的直接贡献率为33%，其中19.8%为负影响。相比之下，降水量（PRE）对WUE的负面贡献仅为12.4%，但其正面贡献为18.9%。在这六种模式中，DDD、DID和III模式的贡献率分别为61%、57.5%和41.7%，主要受植被变绿的影响。在DDI模式中，降水对WUE的影响更为显著，其贡献率为48.1%。在IDI和IID模式中，温度和植被对WUE的影响更为显著。以上结果表明，植被变绿对WUE的影响大于气候因素的影响，这与图4的结论一致。

5.研究讨论

水分利用效率（WUE）如何响应植被绿化

在该研究中，基于GLOBMAP-LAI数据集，该研究发现1982-2018年间全球植被持续增绿，结果与先前研究一致。GVGA区域内的GPP、ET和WUE显著增加（图1c）。根据LMG分析，GPP对WUE变化的贡献超过80%，其中78.79%为正贡献，而ET的贡献仅为20%（图6）。

图6|气候和植被对GVGA中WUE的贡献率。GPP表示总初级生产力，ET指蒸散量；TEM为温度（℃）；PRE为降水量（毫米）；LAI为叶面积指数（平方米每平方米）；WUE为水分利用效率（克碳每千克水每年）。DDD表示GPP、ET和WUE都减少；DDI表示GPP和ET减少而WUE增加；DID表示GPP减少、ET增加而WUE减少；IDI表示GPP增加、ET减少而WUE增加；IID表示GPP和ET增加而WUE减少；III表示GPP、ET和WUE都增加。

在空间上，GVGA中超过90%的WUE变化主要由GPP驱动，GPP与WUE正相关（图7）。结果显示LAI与GPP正相关（r=0.77，P < 0.05）（图7），表明植被绿度的增加提高了植被生产力。大量研究记录了LAI分布模式和幅度的变化可以改变光合作用有效辐射的吸收及净辐射在潜热和显热通量之间的分配，从而驱动GPP变化。研究结果也显示了LAI、GPP和WUE之间的相关性（图6）。值得注意的是，该研究发现LAI显著增加与WUE下降和GPP增长率降低相关。大量老化叶片具有低同化能力和低树冠光透射，特别是在常绿针叶林和常绿阔叶林中。由于年ET主要受水分可用性和太阳能控制，LAI对ET的影响不显著。一些研究显示ET对LAI有显著的季节响应，但长期响应较弱。因此，在年际尺度上，GPP对LAI的响应比ET更显著。植被绿化主要通过LAI驱动的GPP对WUE产生主导效应。

图7|GPP、ET、LAI和WUE之间的相关性来源于1982-2018年的平均值。GPP为总初级生产力；ET为蒸散量；LAI为叶面积指数（平方米每平方米）；WUE为水分利用效率（克碳每千克水每年）。

WUE变化的驱动因素

多项研究表明，生态系统水分利用效率（WUE）的变化主要受生物因素（植被变化）和非生物因素（气候变量）的影响。在1982年至2018年期间，该研究发现植被变绿（植被生长）是导致WUE变化的主要驱动因素，而非气候因素的影响较小（见图3和图4）。温度（TEM）通过延长植被生长季节促进了植被生产力的增加和蒸腾量（ET）的增加（见图8a和c）。然而，在GVGA中，TEM与WUE之间的关系并非非线性（抛物线）（见图3），表明TEM对WUE的影响可能具有条件依赖性。降水量（PRE）在生态水文过程中起着关键作用，增加的降水量与增强的ET和植被生长相关联（见图8b和d）。然而，由于植被与水资源的密切关联，植被变绿导致的降水增加可以抵消由于ET增加而导致的水分损失（Li等, 2018）。在GVGA中，PRE与WUE的相关性较弱（r < 0.5）（见图3）。

图8|GPP和ET与气候变量之间的关系。TEM，温度（℃）；PRE，降水量（毫米）；GPP，总初级生产力；ET，蒸散量；LAI，叶面积指数（平方米每平方米）；WUE，水分利用效率（克碳每千克水每年）。

在六种变化模式中，模式III覆盖了GVGA的50%以上，主要集中在印度、中国南部、美国中部和非洲雨林地区（见图2）。在这些核心区域，植被对WUE变化的贡献为37%，其中32%归因于植被驱动的植被生产力（GPP）的增加（见图6b）。先前的研究指出，温度（TEM）和降水量（PRE）是植被生长的主要驱动因素（Xu等, 2020）。当TEM适宜植被生长且PRE足够支持植物生长和蒸腾时，光合作用得到增强，从而提高了植被生产力（Xue等, 2022）。因此，在模式III中，WUE的变化主要受气候和植被的影响（见图2）。模式IID占GVGA的17%，主要分布在刚果盆地和欧亚大陆。该地区气候为热带和亚热带雨林气候，水资源丰富，TEM较高，叶面积指数（LAI）是蒸腾和GPP的限制因素。在模式IDI中，GPP和ET分别显示出显著增加和减少，而TEM和LAI与WUE呈正相关（r > 0.5）。在DID模式中，TEM贡献了WUE变化的48%。然而，高TEM导致的蒸腾增加并加速干旱，导致GPP显著减少，从而降低了WUE（He等, 2017; Xu等, 2019）。DDD模式覆盖的GVGA面积最小，但该模式中TEM和PRE对WUE变化的贡献分别为40%和29%。因此，该模式区域为碳水循环（植被生长）提供了充足的能量和水资源（Zhou等, 2014; Zou等, 2020）。

不足和展望

先前的研究使用通量塔数据验证了GLASS的GPP和ET数据产品的可靠性（Yu等, 2018）。然而，这些数据产品主要依赖光能利用效率模型（EC-LUE），其结果高度依赖输入参数，如Bowen比、温度（TEM）、光合有效辐射和归一化差异植被指数（NDVI）。EC-LUE模型未考虑气候类型和土壤变化对结果的影响，这些因素受数据源和空间分辨率影响，可能导致结果不一致（Zhou等, 2016）。此外，NDVI在干旱地区受稀疏植被和裸露土壤表面条件的影响，难以准确反映陆地植被状态。因此，由此推导的GPP和ET可能无法真实反映情况，导致错误结论。为提高结果可靠性，本研究在计算GVGA的WUE时排除了沙漠生态系统。同时，研究还指出当前遥感数据推导的GPP和ET产品未考虑放牧的影响，导致WUE低估（Zhang等, 2014）。未来的研究需要更多观测站数据和长期高分辨率的输入数据，以降低WUE结果的不确定性。

在GVGA中，存在一些WUE变化不显著的像元。为提高结果的可靠性，有必要排除这些不显著变化的像元进行统计分析。本研究采用年际数据进行分析，但某些区域可能未能充分反映WUE变化的实际情况，例如DDD模式区域。因此，未来研究应在季节尺度上进行探索，以深入揭示植被对WUE变化的影响。此外，本研究主要关注了气候变化背景下植被变绿对WUE变化的驱动作用。然而，植被变绿对水文效应的影响是复杂且非线性的，可能改变地表径流、土壤湿度、太阳辐射和二氧化碳等因素，进而直接或间接影响WUE。未来研究需采用非线性模型和更长期的观测数据来模拟和评估植被变化对WUE的影响。

6.研究结论

该研究利用遥感数据结合泰尔森趋势分析、Mann-Kendall检验、偏相关分析和LMG模型，探讨了植被绿化对水分利用效率（WUE）的影响。结果表明，1982年至2018年间，全球植被总总体生产（GPP）、蒸散发（ET）和WUE呈增加趋势，分别为2.15 ± 0.26 g C m^-2 yr^-1、1.06 ± 0.18 kg H2O m^-2 yr^-1和0.2 × 10^-2 ± 3.96E-4 g C kg H2O yr^-1。超过70%的全球植被绿化区域（GVGA）显示出WUE增加，主要集中在印度、中国、俄罗斯、日本、朝鲜、欧洲和北美地区。在Pattern III中，超过50%的GVGA显示出WUE增加，其中植被总总体生产变化对WUE的贡献达到37%，其中32%归因于总体生产。植被绿化对WUE变化的贡献约为80%，植被恢复对WUE既有积极影响也有消极影响。此外，LMG模型和偏相关分析结果显示，植被绿化对WUE变化的影响（约35%）高于气候变量降水量（PRE）和温度（TEM）。因此，研究结论指出，植被绿化能够改善生态系统的水分利用效率。这些发现有助于科学支持生态系统对植被绿化响应的理解，未来生态恢复项目应考虑WUE变化，以实现碳中和和可持续发展目标。

7.文章引用

文章信息：Zeyin Hu, Quanhou Dai, Huyue Li, Youjin Yan, You Zhang, Xue Yang, Xinyin Zhang, Hong Zhou, Yiwen Yao,Response of ecosystem water-use efficiency to global vegetation greening,CATENA,Volume 239, 2024,107952,ISSN03418162,

https://doi.org/10.1016/j.catena.2024.107952.