亚马逊雨林中微气候的变异性

《Agricultural and Forest Meteorology》：The variability of microclimate in the Amazon Rainforest

亚马逊雨林八区域145个传感器数据揭示微气候温度稳定低于宏观气候，雨季缓冲能力增强12%，主要受植被结构（LAI、CH）、地形坡度及降水调控，为森林生态系统应对气候变化提供关键热力学依据。

　　亚马逊雨林是地球上生物多样性最丰富的生态系统之一，然而，其内部生物体所经历的温度以及调控微气候的生物物理因素却长期缺乏深入研究。微气候模式对生态过程如养分循环、物种动态和树木再生等具有重要影响，而这些过程无法通过粗分辨率的自由大气温度数据集来准确捕捉。本研究通过标准化的实地数据采集方法，对亚马逊盆地内的不同生物地理区域的微气候进行了前所未有的测量，旨在揭示微气候的时空变化特征及其对生态系统的影响。

研究团队在亚马逊盆地的八个不同地点部署了145个微气候传感器，从2016年至2023年间，收集了近四百万次温度数据。这些数据表明，亚马逊雨林的林下温度普遍低于周围的宏观气候温度，其中以中央亚马逊地区的差异最为显著。研究还发现，雨季时所有监测地点的微气候对宏观气候的缓冲能力明显强于旱季。高降水、高叶面积指数（LAI）和高树冠高度增强了微气候的缓冲能力，而地形坡度的增加则表现出负面效应。这些发现为理解亚马逊雨林如何响应气候变化提供了新的视角。

亚马逊雨林的生态系统具有高度的异质性，降雨量从南部的1800毫米每年到西北部超过3000毫米每年不等，而自由大气温度则从南部的21°C到北部的27°C。近年来，人类活动如森林砍伐正在迅速改变这些森林的结构特征。例如，森林树冠的变化使得阳光可以直接照射到林下，从而增加了温暖、干燥空气的进入。这改变了林下微气候，并削弱了其对宏观气候变化的缓冲能力。然而，这些气候差异和结构变化如何具体影响微气候模式仍不清楚，且不同地区的环境因素与微气候之间的相互作用具有高度动态性，使得预测微气候变化对物种和生态系统功能的影响变得困难。

为了澄清这些不确定性，本研究分析了亚马逊雨林中林下温度的区域特征。研究的问题包括：（1）亚马逊盆地不同生物地理区域的林下温度模式有何差异？（2）哪些生物物理因素在不同地区调控了微气候模式？为了解决这些问题，研究团队利用了在亚马逊森林中部署的145个微气候传感器网络，涵盖了广泛的宏观气候、植被结构和地形梯度。在此研究中，“微气候”被定义为地面以上15厘米处的林下空气温度，这一温度对幼苗、土壤生物和其他地表生态过程至关重要。

研究区域覆盖了从5°N到10°S，从70°W到50°W的纬度和经度范围，主要分布在巴西和法属圭亚那。该地区的气候异质性显著，西北部为热带雨林气候（Af）和季风气候（Am），而东南部则为具有明显干季的热带气候（Aw）。研究站点分布在从中央到外围的亚马逊区域，旨在覆盖具有代表性的地区。这些站点的海拔范围从40米到200米，大多数地区地势平坦。每个站点的年平均温度在24°C至27°C之间，从中央区域向外迅速下降。所有八个站点均被联邦机构归类为公共且生产力高的森林，目前的管理计划仅允许低强度的选择性砍伐，禁止大规模砍伐和大面积树冠开敞。因此，这些站点保留了完整的树冠覆盖，成熟树的高度超过20米，结构接近完整，为相对未受干扰的亚马逊雨林提供了代表性样本。145个传感器被均匀分布在这些站点的25米×25米的区域中，具体分布见补充材料（补充图1）。

微气候数据是通过TOMST TMS-4（温度-湿度传感器）数据记录器收集的，这些设备每15分钟记录一次温度，分别在土壤（-6厘米）、地表（+2厘米）和空气（+15厘米）三个高度进行测量。TMS-4数据记录器的测量范围为-60°C至+85°C，分辨率为0.0625°C，精度为±0.5°C。本研究专注于空气温度，所有提到的林下微气候温度均指传感器在地面以上15厘米处的测量值。由于各站点的安装时间不同，记录的持续时间从最短的7个月到最长的32个月不等。为了与ERA5-Land数据的时间分辨率匹配，我们将空气温度数据平均为每小时分辨率，并将记录时间从UTC转换为当地时区。微气候传感器被战略性地分布在整个亚马逊地区，其中两个中心站点和六个其他站点围绕其分布，形成一个圆形布局，有效覆盖了亚马逊的大部分区域。

为了研究微气候缓冲能力，我们选择了八个代表性的生物物理变量，包括地形特征、植被特征和区域宏观气候。这些变量涵盖了坡度、方位、海拔、叶面积指数、树冠高度、潜在蒸散发、降水和太阳辐射。其中，坡度被用作一个分类变量，通过将其分为八个方向（包括南北和东西方向）进行处理。这些环境变量的详细信息见表2。地形特征来源于航天雷达地形任务（SRTM）的数字高程模型（DEM），空间分辨率为30米。植被特征数据则来源于欧洲空间局的哥白尼全球土地服务（CGLS）和GEDI传感器数据。通过整合这些变量，我们能够更全面地评估微气候的缓冲机制。

在研究中，我们发现，尽管宏微观气候温度之间存在显著差异，但微气候的缓冲能力在不同地区和季节中存在变化。例如，在雨季，微气候温度普遍低于宏观气候温度，而旱季则表现出相反的趋势。此外，地形坡度对缓冲能力的影响显著，较高的坡度会削弱微气候对宏观气候的缓冲作用。这可能与坡度对水分保持、地表和地下水的重新分布以及风暴露有关。研究还发现，某些区域的微气候缓冲能力在不同季节中保持稳定，而其他区域则表现出明显的季节性变化。

在讨论部分，研究团队强调了森林结构和宏观气候因素对微气候缓冲能力的综合影响。研究发现，尽管宏观气候温度在某些区域较高，但森林结构通过增强蒸腾作用和遮荫效果，显著降低了林下温度。例如，具有较高叶面积指数和树冠高度的站点表现出更强的缓冲能力。然而，研究也指出，地形因素对缓冲能力的影响相对较小，这可能是因为模型中已经考虑了宏观气候温度的变化。此外，研究还发现，微气候缓冲的均衡值与宏观气候温度之间存在反向关系，这表明在高温地区，植被可能通过增加蒸腾作用来调节温度，从而降低林下微气候的均衡温度。

研究还探讨了微气候缓冲对亚马逊雨林生态系统在气候变化背景下的影响。随着大气温度的上升，亚马逊雨林面临的威胁日益加剧，如生物多样性丧失、降雨模式变化和火灾风险增加。特别是在林下，温度直接影响温度敏感生物的生理过程，如草本植物和两栖动物。微气候缓冲不仅影响物种分布，还调控蒸腾速率和生物地球化学循环。研究结果表明，保持森林结构的完整性，尤其是树冠高度和叶面积指数，对于维持微气候稳定性至关重要。

尽管本研究提供了重要的见解，但仍然存在一些局限性。首先，由于温度测量具有时间自相关性，因此在解释统计关系时需要谨慎，以避免因假设独立观测而产生的偏差。研究团队通过比较标准线性混合模型（LMM）与包含一阶自回归（AR(1)）残差结构的模型，发现时间自相关性对缓冲能力估计的影响较小。其次，研究中使用的预测变量分辨率和精度可能存在不足，例如叶面积指数数据来源于中等分辨率的遥感产品（约300米），可能无法准确捕捉植被结构的微小变化。此外，研究未明确探讨植被结构和环境变量在旱季和雨季之间的变化，未来的研究应进一步分析这些季节性动态，以确定微气候缓冲是否由相同的预测变量驱动，或是否会随水分和能量条件的变化而改变。

综上所述，本研究通过广泛的实地数据采集和详尽的环境变量分析，揭示了亚马逊雨林中微气候的时空变化特征及其缓冲机制。这些发现不仅加深了我们对亚马逊生态系统内部微气候模式的理解，也为评估气候变化对森林生态的影响提供了科学依据。然而，为了进一步提高研究的准确性，未来的工作应结合更高分辨率的结构数据和更精确的预测变量，以更全面地揭示微气候变化的驱动因素和其对生态系统的影响。