气候变化下的生产性景观需具备绿色、湿润与凉爽特征——以德国为例

《Ecological Solutions and Evidence》：Working landscapes under climate change need to be green, moist, and cool—A case study of Germany

　　

城市热岛效应受到广泛关注，但更广泛的"热景观(heat landscapes)"较少被认识，且地表温度(Land Surface Temperature, LST)在国家级尺度上反映生态系统生产（工作）能力的程度未被充分强调。研究人员利用2018—2024年（含德国有气象记录以来最暖最干五个夏季）的Landsat热日LST、生长季末植被绿度（9月归一化植被指数，Normalized Difference Vegetation Index, NDVIsep）及降水量，绘制了德国热斑与功能性景观分布，通过相关分析与混合效应模型(Mixed-Effects Models)分析热调节性能的驱动因子，并提出绿–湿–凉指数(Green–Moist–Cool Index, GMCI)以表征生态系统功能的三元组。结果表明：热调节、植被覆盖与水分有效性紧密耦合，"绿–湿–凉(Green–Moist–Cool)"是维持生产性景观(working landscapes)的基本生态三元组；森林始终是最凉爽环境（热日LST约27–28℃），工业用地最热（约34–35℃）。土地覆被可解释约17%的LST方差，森林具降温效应，建成区与农地则升高LST；植被绿度是降水最强预测因子（每单位NDVIsep增加对应降水+297 mm），LST具强负效应（每℃减少约4.05 mm）。政策讨论应从城市热岛扩展至更广景观系统，退化乡村景观放大气候风险，再造林、再绿化及湿地恢复可通过提升植被覆盖增强能量捕获（光合作用）、保水、固碳及养分循环，改善景观连通性与热缓冲能力，稳定微气候并提高系统耗散能梯度之能力——即热力学做功容量的核心体现。建议采用绿–湿–凉指数(GMCI)沟通与监测生态系统功能，量化可持续土地开发进展并识别修复与自然气候保护优先区。

论文解读：《Working landscapes under climate change need to be green, moist, and cool—A case study of Germany》（发表于Ecological Solutions and Evidence）

研究背景与立项依据

已有研究对城市热岛(Urban Heat Island, UHI)效应关注较多，但对非城市区域因植被丧失、土地退化和集约化利用而形成的广义"热景观(heat landscapes)"及其地表温度(Land Surface Temperature, LST)所反映的生态系统热力学做功能力（即"生产性景观working landscapes"概念——生态系统通过捕获、转化和储存能量与物质来执行生态过程的能力）尚缺乏国家级尺度的系统评估与制图。植被通过遮荫和蒸散(Evapotranspiration, ET)调节表面温度，森林与湿地比农田和建成区更能缓冲极端高温，且植被与水分循环、降水再循环密切相关。传统"working landscapes"多指农林生产用地，本文将其重新定义为具热力学意义的生态系统功能载体。德国2018年起经历了前所未有的复合高温干旱事件，森林大面积衰退，东西部平原农区与城郊热胁迫加剧，但尚无标准化国家级框架识别和监测功能性/失能景观。因此研究人员以德国为案例，基于遥感数据构建空间框架识别与评估working landscapes的调节能力与生态功能。

主要技术方法概述

研究人员基于Google Earth Engine(GEE)平台调用2018—2024年数据集：Landsat 8 & 9反演的热日LST（定义热日为德境内任一像元LST≥40℃之日）、MODIS的9月归一化植被指数（NDVI_sep，代表生长季末残余植被活性）及德国气象局(DWD) 1 km格网年降水量；辅以海拔、土地覆被分类及树冠高度。热景观单元由多年热日LST均值连续冷热斑块划分并参照德国景观地图命名。NDVI_sep、降水和反向标准化LST三者分别线性缩放至0–1后取均值构建像元尺度绿–湿–凉指数(Green–Moist–Cool Index, GMCI)，水体像元仅用降水与LST组分计算。统计分析采用R语言线性混合效应模型(Linear Mixed-Effects Models, LMMs)，固定效应含NDVI_sep、树冠高、降水、海拔、年份，随机效应为土地类型/热景观单元；另做互为因果的互换响应变量规格及Spearman相关；热景观与联邦州间GMCI差异用Kruskal–Wallis检验与Benjamini–Hochberg校正事后检验。

研究结果

■ 3.1 Land surface temperatures（地表温度）

3.1.1 Mean thermal patterns and classification of landscapes：通过2018—2024年多年度热日LST合成图识别出32个显著热景观单元，高温区集中于低地农区和城郊（如前普法尔茨–莱茵美因区均值约32.8℃），低温区聚于山地森林与阿尔卑斯山前地带（博登湖约23.7℃），证明德国有持续的热空间分异格局。

3.1.2 Interannual variation in hot-day LST：年际LST波动明显（热日数年最大值70天/2018，最小值25天/2021），山地森林常年为热避难所(thermal refugia)但极端年(2018、2022)缓冲能力减弱，农区与河谷平原热斑范围在干热年扩大。

■ 3.2 Vegetation greenness（植被绿度）

多年9月NDVI_sep图显示森林高地（巴伐利亚林山、黑森林、阿尔卑斯）持续高值(0.75–0.82)，东部与中部低地较低(0.55–0.70)且年际波动大（2020、2022显著下降，2021、2023回升），部分森林（如哈茨山）出现"褐变(browning)"。森林绿度较稳定，农区绿度随气候年型大幅变动。

■ 3.3 Precipitation（降水）

德呈现明显东西/南北梯度：东部东北低地(<600–800 mm)、西部山地与阿尔卑斯(>2000 mm，局部>3000 mm)；2018、2019、2022偏干集中东部，2021、2023偏湿。

■ 3.4 Statistical analyses of LST and precipitation models（LST与降水模型的统计分析）

3.4.1 Biophysical drivers of land surface temperature (LST)：LMM显示NDVI_sep为LST最强负向预测因子(?1.97℃/单位NDVI_sep)，树冠高度附加降温(?0.14℃/m)，海拔与降水亦呈弱降温；土地类型随机效应解释17%方差，边际R2=0.331，条件R2=0.444。

3.4.2 Vegetation–climate association in precipitation：NDVI_sep为降水最强正向预测因子(+297 mm/单位)，LST强负向(?4.05 mm/℃)，表明植被促进蒸散与水分再循环，高温抑制降水。

3.4.3 Drivers of LST（景观增广模型）：确认NDVI_sep为主降温预测因子，相对于阿尔卑斯参照，低地与城农区LST显著更高，森林和高海拔景观更冷；土地类型ICC=0.27。

3.4.4 Drivers of precipitation（降水景观模型）：NDVI_sep与海拔为正向，LST为负向；土地类型随机效应对降水解释力极低(ICC≈0.01)，固定效应边际R2=0.853。

3.4.5 Thermal landscape ranking（热景观GMCI排序）：各热景观GMCI具显著差异(H=1,798,913, p<0.001, ε2≈0.51)；最低为奥得河沼泽(Oderbruch)与乌克马克(~0.37)，属危机景观(crisis landscapes)；最高为博登湖(0.70)、上阿尔高(0.68)、阿尔卑斯(0.66)、黑森林(0.61)、巴伐利亚林山(0.59)。

3.4.6 Temporal variability of LST across different ecosystems and land cover types（不同生态系统与土地覆被类型的LST时间变异性）：2018—2024年森林最凉(热日~27–28℃，各类森林差<1℃)，农田介于森林与城市间（休耕/收获后常接近城市），葡萄园可达30–36℃，工业用地最热(~34–35℃)；森林LST年际波动小具热稳定性，农区与城市曲线平行且大幅起落，说明农区在某些条件下热行为与城市近似（热景观污染thermal landscape pollution）。

■ 联邦州GMCI比较：萨克森-安哈尔特(~0.38)与柏林(~0.39)最低，巴登-符腾堡姆、巴伐利亚较高(~0.50–0.54)；东部与北部州下四分位可<0.30，西南部上四分位达~0.65–0.70。

讨论与结论总结（翻译研究结论要点）

研究表明热调节、植被覆盖与水分有效性紧密耦合，"绿–湿–凉(Green–Moist–Cool)"三元组是维持生产性景观功能的基本生态原则。NDVI_sep既是LST最强降温预测因子，也是降水最强正向预测因子，印证植被通过蒸散耗散太阳辐射、加湿大气并促进降水再循环的热力学功能；高温抑制降水，可形成干热自强化反馈。仅降水输入不足以保证生态湿润度，植被决定降水是否被截留、再循环并转化为较凉且有韧性的景观——此即"绿水(green water，入渗土壤并被植物用于光合作用与蒸散的那部分降水)"的作用。GMCI整合LST、NDVI_sep与降水，可高分辨率量化景观做功能力，明确区分德东部低地与城郊农业盆地（低GMCI危机景观）及森林山地（高GMCI生态强区/climate refugia），为修复优先序提供依据。政策话语应从城市热岛转向整体景观系统，退化乡村景观放大气候风险；再造林、再绿化与湿地恢复增强三维生物量、热缓冲与水文滞留，提升生态系统热力学做功容量，是自然气候解决方案(Nature-based Solutions, NbS)的核心。建议建立国家级生态系统功能监测（含年度遥感GMCI评估）并发展"国民自然生产总值"，以功能导向落实EU《自然恢复法》及德《自然基础设施强化法》优先区识别与绩效追踪。森林与湿地不仅是碳库与生境，更是具冷却、保水、区域气候稳定功能的"气候基础设施(climate infrastructure)"，须严格保护并适应性管理以防干旱导致功能衰退。