全球植物功能型根系深度预测与驱动因素分析：基于混合建模框架的创新研究

本研究针对地球系统和水文模型中关键参数——根系深度（Rooting depth）缺乏网格化数据的瓶颈问题，通过融合随机森林算法与LPJ-GUESS模型模拟的生态系统数据，构建了首个0.05°分辨率（约5 km）的全球13种植物功能型（PFTs）根系深度数据集（2015-2100年）。研究揭示了不同气候情景下植被根系深度的差异化响应规律（树木变化19.5%–82.5%，灌木13.4%–47.9%，草本3.0%–23.5%），为陆地生物圈建模提供了创新方法学视角和数据支撑。

　　

论文解读

在全球气候变化背景下，植物根系深度（Rooting depth）作为连接土壤-植被-大气系统的关键参数，深刻影响着陆地水文过程与生物地球化学循环。然而，现有根系深度数据存在两大痛点：一是全球尺度网格化数据产品匮乏，二是缺乏对未来气候情景的动态预测能力。尽管Tumber-Dávila等学者已汇编了约5600个观测记录，但这些离散数据难以支撑地球系统模型的参数化需求。更棘手的是，传统空间插值方法依赖静态环境变量，无法捕捉气候变化与土地利用变化对植被动态的复杂影响。

针对这些挑战，中国的研究团队创新性地提出了混合建模框架。这项发表在《Ecological Indicators》的研究，通过整合1184个全球根系深度观测点、LPJ-GUESS动态植被模型模拟的生态系统变量（15项）以及多维度环境因子（22项），首次构建了涵盖13种植物功能型、嵌入不确定性指标的0.05°分辨率全球根系深度数据集（2015-2100）。研究发现，不同植被类型对未来气候的响应差异显著：在SSP585情景下，树木根系深度以每年12.1 cm的速率加深，变化幅度高达82.5%，而草本植物仅变化23.5%。这些发现为理解陆地生态系统适应机制提供了新视角。

研究团队采用三项关键技术方法：1）基于LPJ-GUESS v4.1模型模拟植被结构与功能动态，输入数据包含3种GCMs（EC-Earth3/GFDL-ESM4/MRI-ESM2-0）驱动的气候数据和LUH2土地利用数据；2）随机森林算法融合生态系统变量与环境因子，通过10折交叉验证优化模型（训练集R²=0.95）；3）采用SHAP值、地理探测器等多方法解析驱动因素，数据来源于SoilGrids v2.0土壤属性和SRTM地形数据。

研究结果
3.1 混合模型性能评估
模型在训练集（1073个点）和验证集（111个点）分别达到R²=0.95/NSE=0.90和R²=0.89/NSE=0.74的精度。对比实验显示，单独使用气候变量时验证集R²降至0.52，证实多源数据融合的必要性。

3.2 根系深度时空变异
空间格局显示：2015年热带地区树木根系最深（如刚果盆地达7 m），而高纬度地区较浅（西伯利亚高原<2 m）。至2100年，亚马逊雨林、中非等地区在SSP585情景下加深超过7 m。土壤类型分析表明，树木在砂质黏土中根系最深（4.8 m），草本则在粉砂黏壤土中发育最佳（1.5 m）。

3.3 驱动因子解析
综合重要性分析揭示：植物功能型（PFTs）、数字高程模型（DEM）和年均温是关键驱动因子（总重要性>0.9）。SHAP分析发现，凋落物碳（Litter carbon）与根系深度呈正相关，而高温抑制根系纵向发育。

结论与意义
该研究突破了传统静态建模的局限，通过"过程模型+机器学习"的混合框架，实现了根系深度动态预测的技术革新。数据集首次量化了不同气候路径下根系深度的演化轨迹，例如SSP245情景下灌木根系以2.2 cm/yr速率加深，这一发现为理解植被适应策略提供了量化依据。空间不确定性图谱（UI指数）则指出高纬度地区数据缺口，为后续观测网络优化提供指引。

这项研究的多重价值体现在：方法论上，建立了生态系统变量与机器学习融合的新范式；应用层面，5 km分辨率数据集可直接耦合至CLM、ORCHIDEE等陆面模型；科学认知上，揭示了PFTs分异响应规律，为预测碳-水耦合循环提供了关键参数。正如作者Han和Peng在数据仓储（Zenodo:15361409）中强调的，该成果将显著提升全球变化背景下生态水文过程的模拟精度。