基于数据驱动的估算、卫星产品和过程导向模型在全球植物碳利用效率方面的差异

《Ecological Indicators》：Divergence in global plant carbon use efficiency across data-driven estimates, satellite product, and process-oriented models

全球植物碳利用效率（CUE）的时空异质性及驱动因素分析。比较数据驱动法、MODIS卫星产品和DGVM模型三种方法，发现CUE空间分布存在显著分歧：数据驱动法显示高纬度CUE低、中非和印度CUE高，而MODIS和DGVM呈现相反格局；时间趋势上，数据驱动CUE下降（-4.2e-04 yr?1），MODIS上升（1.3e-03 yr?1），DGVM无明显变化。温度是主要驱动因素，但方法间关系不同。研究强调需 reconcile方法论偏差以提升CUE全球映射精度，支持碳汇管理。

　　植物碳利用效率（CUE）是衡量植物在吸收大气碳后，其用于生物量积累的比例，通常表示为净初级生产力（NPP）与总初级生产力（GPP）的比值（NPP/GPP）。CUE是陆地碳循环的重要指标，能够反映植被在不同环境条件下碳吸收与释放之间的平衡。然而，由于直接测量碳通量存在技术挑战，全球范围内CUE的空间分布和时间变化趋势仍然存在不确定性。本研究通过三种不同的方法对全球植物CUE进行了比较分析，分别是：基于现有GPP、生态系统呼吸（Re）和土壤异养呼吸（Rh）数据集的数据驱动方法，以及MODIS卫星产品和动态全球植被模型（DGVMs）。研究发现，三种方法在空间和时间上均显示出显著的差异。

在空间分布上，数据驱动方法在高纬度地区表现出较低的CUE，而在撒哈拉以南非洲、印度和澳大利亚北部则显示出较高的CUE，而MODIS和DGVMs则呈现出相反的模式。在时间趋势上，MODIS数据显示全球CUE在2001至2012年间有所上升，数据驱动方法则显示出下降趋势，而大多数DGVMs并未表现出显著的趋势变化。此外，基于机器学习的空间归因分析表明，平均年温度是影响三种方法中CUE空间变化的主要因素，且不同方法间存在特定的关联性。这些差异凸显了通过减少方法论偏差来提高全球植物CUE映射精度的必要性，从而支持在变暖气候下的碳封存策略。

植物CUE的估算方法在过去的几十年中经历了显著的变化。传统的植被模型通常假设CUE是一个接近恒定的值，如0.47，几乎不随生境、物种或林龄变化。然而，近年来的研究开始质疑这一假设，揭示了CUE在植被类型、地理区域和地形梯度上的显著空间差异，以及其对环境变化的动态时间响应。这些变化主要由生理和生态驱动因素引起，例如大气中二氧化碳浓度的升高可以通过抑制光呼吸并增强光合作用效率来提高CUE，而气候变暖则倾向于提高自养呼吸（Ra），从而降低CUE。此外，植被绿化、土壤养分、土地管理以及林龄等因素也会影响植物CUE，通过改变碳吸收与呼吸损失之间的平衡。此外，由于方法论差异，如生物量、涡旋协方差和卫星推导等方法，导致报告的CUE值存在不一致，进一步加剧了这一问题。

在过去的二十年中，卫星观测，特别是来自中分辨率成像光谱辐射计（MODIS）的数据，已经成为大规模估算植物CUE的重要基础。MODIS卫星产品提供了全球范围内的GPP和NPP数据，用于计算CUE。然而，MODIS数据仍然受到系统性偏差的影响，包括遥感算法的不确定性、模型参数的不准确性以及过程表示的限制。另一方面，DGVMs提供了一种替代方法，通过模拟植被的动态变化来估算CUE，但其结果受限于模型结构，因为GPP和Ra都是基于气候驱动因素的参数化函数。虽然之前的研究主要依赖MODIS产品或比较MODIS和DGVMs在大尺度上的CUE模式，但这些方法都存在系统性偏差。此外，早期的比较研究主要关注空间模式，而对时间变化的探索相对较少，导致全球植物CUE的长期演变仍不明确。

随着全球碳通量数据质量的提高和可获得性的增加，包括GPP、Re和Rh，为通过数据驱动方法估算植物CUE提供了新的机会。这些碳通量数据能够独立于卫星遥感算法和DGVM结构假设，推导出CUE的值。因此，数据驱动方法为MODIS和DGVMs提供了一个有价值的补充，同时使得不同方法之间能够在一致的时间和空间框架下进行直接比较。本研究选取了10个代表性的GPP数据集，6个Re数据集和4个Rh数据集，生成了240个模型成员，计算了年度CUE的平均值。由于大多数使用的碳通量数据未提供不确定性估计，因此无法计算CUE的不确定性传播。相反，我们报告了240个模型成员中CUE的标准差。每个碳通量数据集的详细信息在表1中列出。由于这些数据集的重叠期为2001至2012年，因此本研究的所有分析均在此期间进行。所使用的数据统一重采样为0.5°空间分辨率，采用面积平均法进行聚合。

MODIS数据驱动的CUE计算方法使用MOD17A3HGF V6.1产品中的年度GPP和NPP数据。MODIS数据的不确定性可以通过GPP和NPP的标准差进行估计。通过Theil-Sen估计器和Mann-Kendall显著性检验，对2001至2012年期间的CUE和相关碳通量的时间趋势进行了评估。Theil-Sen斜率β是趋势的稳健、非参数估计方法。MODIS数据驱动的CUE趋势分析显示，CUE在2001至2012年间显著上升，而数据驱动方法则显示下降趋势，大多数DGVMs未表现出显著变化。个体DGVM分析表明，在研究期间，16个模型中有11个未表现出显著趋势，这与集合平均结果一致。三种方法中观察到的CUE趋势差异可以解释为NPP和Ra的相对增长率。在数据驱动方法中，Ra显著增加，而NPP则没有显著变化。Ra的相对快速增长导致了CUE的下降。相反，MODIS数据驱动的CUE增加可能源于NPP相对于Ra的更快增长，但这一解释仍需进一步验证。将MODIS数据驱动的Ra估算与涡旋协方差（EC）数据驱动的Re分解进行基准比较，有助于澄清这些不一致。相比之下，DGVMs数据驱动的CUE似乎稳定，可能源于模型结构中对NPP和Ra的平衡变化，从而减弱了其对年际气候变化的响应。此外，MODIS数据驱动的CUE在空间上表现出更广泛的显著变化，表明该方法可能对气候驱动的变化更敏感。

本研究还通过随机森林模型与SHAP（Shapley Additive Explanations）方法对植物CUE的空间变化进行了归因分析。结果表明，平均年温度是影响三种方法中植物CUE空间变化的主要因素。SHAP分析应用于每个数据驱动的240个模型成员，得出了一致的结果，确认了平均年温度对CUE空间变化的主导作用。部分依赖关系显示，数据驱动CUE在-20°C至-5°C之间增加，随后在高于-5°C的温度下出现波动。MODIS数据驱动的CUE在低于20°C时稳定，但高于20°C时迅速下降。DGVMs数据驱动的CUE则随着平均年温度的上升而单调下降。其他环境因素，如干旱指数、土壤有机碳、生物量和太阳辐射，也起到了次要作用，但其重要性因方法而异。

这些发现强调了不同方法在估算植物CUE时可能产生的显著差异。因此，需要更精确的全球植物CUE评估及其趋势，这是提高陆地碳循环预测可靠性的关键。此外，由于数据驱动方法需要多个碳通量产品在时间上的重叠，本研究的时间分析局限于2001至2012年。未来这些数据集的更新将有助于扩展时间范围。值得注意的是，没有一种方法能够提供全球植物CUE的确定性描述，每种方法都有其独特的优点和局限性。数据驱动方法依赖于全球GPP、Re和Rh数据集，其上规模和验证受到遥感塔和土壤呼吸现场观测的稀疏性和不均匀分布的限制。例如，FLUXNET2015遥感塔在温带地区的观测记录占61.4%，而热带、极地和干旱地区则被低估。类似的情况也出现在土壤呼吸数据库（SRDB）中，其中70%的Rh记录来自温带地区，而热带、干旱和极地地区仍被低估。这种基础数据的空间不平衡可能导致在温带以外地区估算GPP、Re和Rh时产生区域不确定性。MODIS和DGVMs数据驱动的CUE估算仍然受到关键生物物理过程和参数不确定性的限制。解决这些不一致需要通过扩展地面观测，特别是在被低估的生境中进行基准比较，并开发先进的数据融合框架，结合多种CUE数据源。此外，结合涡旋协方差和机器学习方法的CUE估算，为构建全球、观测约束的CUE数据集提供了新的途径。通过将涡旋协方差方法与数据驱动估算、卫星产品和DGVM模拟相结合，可能通过贝叶斯调和显著减少不确定性，提高全球CUE映射的精度，并加强碳-气候反馈的预测。

综上所述，本研究揭示了2001至2012年间，通过数据驱动、MODIS和DGVMs方法估算的植物CUE在地理分布和时间变化上的显著差异。所有方法均显示出热带常绿阔叶林中较低的CUE，以及温带地区较高的CUE。在高纬度地区（>60°N），数据驱动方法显示较低的CUE，而MODIS和DGVMs则显示出较高的CUE。时间趋势方面，数据驱动方法显示CUE下降，MODIS显示上升，而DGVMs则保持稳定。平均年温度是影响三种方法中植物CUE空间变化的主要因素，且不同方法之间存在特定的关联性。这些发现强调了不同方法在估算植物CUE时可能产生的显著差异，并突显了需要更精确的全球植物CUE评估及其趋势的重要性，这是提高全球碳循环预测可靠性的关键。