细颗粒物污染（PM2.5）影响中国植物春季返青：对碳吸收及碳中和目标的深远影响

《Nature Communications》：Delayed leaf green-up is associated with fine particulate air pollution in China

为探究多源粒子污染对植物春季返青日期（GUD）和碳吸收的影响，研究人员利用地面记录和卫星观测数据开展相关研究。结果表明，PM2.5污染与植物碳吸收减少、返青日期延迟有关，这对生态系统健康和政策制定意义重大。

　　在全球气候变暖的大背景下，陆地表面在春季呈现出绿化趋势，植物返青日期提前。然而，多源粒子污染对这一过程的影响却一直未被深入了解。就像在一片原本生机勃勃的森林中，空气里的污染物悄悄改变着树木生长的节奏。中国在全球森林保护和恢复中发挥着重要作用，陆地生态系统的碳汇增加，有助于降低大气中二氧化碳（CO₂）水平。但与此同时，中国也面临着严重的空气污染问题，尤其是细颗粒物（PM_2.5）排放。这些污染物不仅危害人类健康，其对植物返青日期和碳吸收的影响也亟待研究。

为了弄清楚这些问题，中国科学院地理科学与资源研究所、中国科学院大学等机构的研究人员展开了深入研究。研究成果发表在《Nature Communications》上。

研究人员利用卫星驱动的 PM_2.5数据记录、地面监测网络的 GUD 数据（1030 个站点 - 物种时间序列）以及卫星衍生的 GUD 和太阳诱导荧光（SIF，一种衡量植物光合作用的指标）数据，从站点到区域尺度研究了春季 GUD 和 SIF 对 PM_2.5污染的响应。

研究结果

1. PM_2.5污染与 GUD 的关系：通过对地面和卫星观测的 GUD 进行综合评估，研究发现 2003 - 2018 年期间，春季（3 - 5 月）PM_2.5异常变化与地面 GUD 的时间模式高度一致。排除温度、降水和辐射的影响后，偏相关分析显示，随着 PM_2.5增加，春季 GUD 显著延迟。例如，地面 GUD 对温度的敏感性为 -0.47（表示提前返青），而 PM_2.5使 GUD 延迟，敏感性为 0.11。卫星 GUD 也得出类似结果，且 PM_2.5对 GUD 和 SIF 的敏感性远强于降水和辐射。空间分析表明，PM_2.5污染对中国九个区域的春季 GUD 和 SIF 都有一致的影响，较高的 PM_2.5污染导致 GUD 延迟，在相对干燥和寒冷的地区更为明显。
2. 潜在机制：研究人员通过 11 个低温累积（CA，植物在休眠期所需的低温量）模型和 5 个热量需求（HR，物候事件所需的累积强迫温度）模型，探究了 PM_2.5污染对 CA 和 HR 的影响。发现较高的 PM_2.5在去除 CA 期间温度变化的影响后，显著增加了 CA，进而延迟了 GUD。此外，较高的 PM_2.5还略微增加了 HR，也导致 GUD 推迟。从生物地球化学角度看，PM_2.5显著降低了最大羧化速率（VC_max，衡量叶片光合能力的指标），与 SIF 呈负相关，同时 PM_2.5与光合有效辐射（PAR）呈负相关，降低了光照可用性，减少了春季绿化的潜力。结构方程模型（SEM）支持了 PM_2.5增加 CA、降低 VC_max、延迟 GUD 并进一步调节春季 SIF 的假设。
3. GUD 模型改进和未来预测：研究人员开发了一系列新的春季 GUD 模型，将 PM_2.5的影响纳入其中。结果显示，纳入 PM_2.5的模型对 GUD 的估计更好，如具有更高的显著相关像素百分比、更高的平均相关系数（R）、更低的平均均方根误差和更高的 Kling - Gupta 效率。其中，将 PM_2.5影响纳入低温和强迫阶段的顺序模型表现最佳。利用该模型预测未来 GUD，在不同排放情景下，考虑 PM_2.5的模型与当前仅基于温度的模型相比，GUD 差异在高污染情景下更为明显，且在中国北方和中部等 PM_2.5污染较高的地区，GUD 延迟更显著。

研究结论和讨论

研究表明，中国的 PM_2.5污染主要通过抵消气候诱导的早期 GUD，减少了植物碳吸收。这让我们更清楚地认识到人类活动对区域生态系统功能的影响以及对气候变化的作用。研究还确定了 PM_2.5导致春季 GUD 延迟的具体机制，即高浓度的 PM_2.5增加了冬季和早春的低温需求，导致春季叶片展开所需的热量增加，同时 PM_2.5对 VC_max的负面影响也解释了高污染下春季 SIF 的下降。

对于中国而言，作为全球最大的 CO₂排放国，设定了 2030 年前达到 CO₂排放峰值、2060 年前实现碳中和的目标。如果 PM_2.5污染得不到妥善解决，将阻碍春季 GUD 提前，影响植物碳吸收，不利于碳中和目标的实现。因此，本研究对政策设计和实施具有重要意义，强调了在实现可持续发展过程中，多种政策之间的协同作用和权衡。同时，也凸显了 PM_2.5对碳循环的调控作用，以及未来气候预测中存在的潜在不确定性。

研究方法

研究人员主要运用了以下关键技术方法：

1. 数据收集：收集中国物候观测网络（CPON）的地面 GUD 记录，利用卫星获取春季 GUD、SIF 以及 PM_2.5数据，并收集气象数据等辅助数据。
2. 模型模拟：使用 11 个 CA 模型和 5 个 HR 模型量化 CA 和 HR；运用 4 种春季物候模型（GDD、SW、SM 和 PM）模拟 GUD，并通过添加 PM_2.5相关参数改进模型。
3. 数据分析：采用 Theil - Sen 斜率估计和 Mann - Kendall 趋势检验分析时间模式；运用岭回归和偏相关分析确定变量间的敏感性和相关性；使用结构方程模型（SEM）探究 PM_2.5污染对春季 GUD 和 SIF 的影响机制。