全中国总初级生产力的特定生态系统气候与生物物理控制因素：机器学习与空间因果推断方法

《Journal of Geophysical Research: Biogeosciences》：Ecosystem-Specific Climatic and Biophysical Controls on Gross Primary Productivity Across China: Machine Learning and Spatial Causal Inference Approach

　　总初级生产力（GPP）是陆地碳循环的一个基本组成部分，但在大陆尺度上，其长期动态和控制机制仍然不确定，尤其是在生态系统对气候变化反应不同的区域。我们利用综合地球系统诊断框架，研究了2002年至2020年中国主要陆地生态系统的年总初级生产力（AGPP）的时空趋势和过程控制机制。通过空间趋势分析、机器学习预测、功能响应分析和空间因果推断——地理模式因果性（GPC）的综合应用，我们将预测性关联与主导性机制约束区分开来。全国范围内，AGPP略有增加（+11.3 gC m?2 yr?1），但这掩盖了生态系统间的显著分化：湿地表现出快速增长（+72.6 gC m?2 yr?1），而森林AGPP则显著下降（?12.9 gC m?2 yr?1）。空间因果分析确定了全国一致的控制层级，叶面积指数（LAI）、光合有效辐射（PAR）和大气CO?（ρc,yr）影响最为显著，而蒸散需求、降水和气温则起次要作用。因果机制具有强烈的生态系统特异性。耕地生产力主要受PAR、LAI和CO?支配，气温无明显因果作用。草地受辐射、冠层结构、CO?和土壤氮素共同限制。森林生产力受热约束，但对大气干燥表现出强烈负响应，表明水分胁迫正在加剧。湿地生产力主要取决于辐射和CO?，水分条件和冠层结构的影响微乎其微。通过分离预测与空间推断的因果性，本研究阐明了中国陆地碳汇的生态系统特异性控制和脆弱性。中国的陆地生态系统是重要的碳汇，能从大气中吸收大量二氧化碳。然而，这种碳吸收的稳定性如何以及哪些环境因素的影响最为显著，仍存在不确定性。利用2002年至2020年植物生产力高分辨率数据集以及机器学习和空间因果推断方法，我们发现中国整体植物生产力仅略有增长，这掩盖了不同生态系统间的巨大差异。湿地生产力显著增加，而森林生产力则下降。影响生产力的因素在不同生态系统间差异显著。在耕地中，阳光、叶面积和大气CO?浓度上升是最重要的因素。草地生产力受阳光、植被结构、CO?、水分可用性和土壤肥力的影响。在森林中，温度促进生产力，但大气干燥加剧和水分限制成为重要约束因素。湿地生产力主要受阳光和大气CO?影响，水分条件和植被结构的影响相对有限。这些发现表明，中国的碳汇对环境变化并非均匀响应，这意味着有效的减缓气候和生态系统管理措施应针对不同生态系统中起作用的特定控制因素进行定制。作者声明，本研究不存在利益冲突。本研究使用的主要AGPP数据集可从Fan等人（2023）处获取。用于验证的MOD17A3HGF NPP数据集可从Running和Zhao（2021）处获取。原始GPC代码及其配套文档可从Zhang和Wang（2025）处获取。修改后的GPC代码和本研究中使用的所有分析脚本已存档于Anaba和Cabral（2026），并可通过相关GitHub仓库额外获取（https://github.com/clementianaba-creator/MS1_Codes）。