物种多样性更高且结构更复杂的森林与ENSO强迫的耦合程度更低

《Remote Sensing Applications: Society and Environment》：More diverse and structurally complex forests are less tightly coupled to ENSO forcing

　　

厄尔尼诺-南方涛动(ENSO, El Ni?o–Southern Oscillation)异常会产生极端水文气候事件，塑造并改变森林特征，但其对不同热带森林类型的空间显式和时滞影响仍缺乏定量研究。研究人员开发了一个25年像素级(pixel-wise)时间序列建模框架，以评估秘鲁北部马拉尼翁河谷(Mara?ón Valley)——全球ENSO驱动降水振幅最高的区域——ENSO相关海洋指标如何影响植被动态。针对每个1 km像素，研究人员拟合了独立模型，将月平均增强植被指数(Enhanced Vegetation Index, EVI)与4个海洋指标〔尼诺1+2区海表温度距平(Ni?o 1+2 SST)、跨尼诺指数(Trans-Ni?o Index, TNI)及多变量ENSO指数(Multivariate ENSO Index, MEI)〕在0–6个月滞后(lag)下的数值相关联。随后，研究人员利用秘鲁国家森林清查(Peruvian National Forest Inventory)野外数据，比较模型预测力(R2)及各自变量显著估计值如何随森林类型和森林特征变化。建模结果显示干旱森林的R2高于亚马逊森林，大河沿岸局部R2较高。TNI与Ni?o 1+2 SST影响最强，峰值响应分别出现在2个月和6个月滞后。在干旱森林中，树种多样性和森林基面积(basal area)与EVI均值及时间变异性呈正相关，但与模型R2呈负相关，表明物种更多样、结构更复杂的森林与ENSO强迫的耦合较不紧密。这些结果表明特定海洋指标（尤其是TNI和Ni?o 1+2）可支撑干旱—雨林过渡带生态系统监测的业务化早期预警工具开发。

论文解读：物种多样性更高且结构更复杂的森林与ENSO强迫的耦合程度更低

本文发表于Remote Sensing Applications: Society and Environment，由Pablo Salazar Zarzosa、Salvador Arenas-Castro、Cristina C. Bastias等学者合作完成。

研究背景与意义

厄尔尼诺-南方涛动(ENSO, El Ni?o–Southern Oscillation)是由热带太平洋海-气相互作用驱动的周期性气候现象，其暖位相(El Ni?o)、冷位相(La Ni?a)及中性位相交替产生大尺度海表温度(SST, Sea Surface Temperature)、大气压力和环流异常，进而影响全球天气、水文及生态系统动态。ENSO异常可触发极端洪水、干旱与飓风，改变区域植被结构与生物多样性，然而ENSO对不同热带森林类型（热带旱林tropical dry forest、亚马逊雨林amazon rainforest、洪泛林flooded forest）的空间显式影响及时间滞后效应尚缺乏系统性定量研究。单一空间统计模型难以捕捉不同森林类型、地形及管理方式对SST异常的异质性响应，且传统研究常假设固定时滞或使用全局ENSO指数，忽略了局地海洋指标（如Ni?o 1+2区和跨尼诺指数TNI）的预测优势及森林自身结构复杂性对气候强迫的缓冲作用。秘鲁北部马拉尼翁河谷是ENSO驱动降水变率全球最高的区域，也是热带旱林向亚马逊雨林的生态过渡带(ecotone)，是研究ENSO–植被耦合关系的理想场所。因此，研究人员开展本研究以量化ENSO相关海洋指标对不同森林类型植被动态(EVI, Enhanced Vegetation Index)的预测力、最优时滞及最敏感海洋指标，并检验森林物种多样性与结构复杂性（基面积basal area）是否削弱植被对ENSO强迫的敏感性。

主要技术方法概述

研究人员以秘鲁北部马拉尼翁河谷及周边235 445 km²范围为研究区，获取2000–2025年MODIS MOD13Q1产品月均增强植被指数(EVI)并重采样至1 km分辨率。海洋指标选取Ni?o 1+2 SST距平(N12)、多变量ENSO指数(MEI)、南方涛动指数(SOI)及跨尼诺指数(TNI)，经相关性筛选保留N12、MEI、TNI并在0、2、4、6个月滞后下纳入广义线性模型(GLM, Generalized Linear Model)拟合适用的Gamma分布，对每个1 km像素独立建立像素级(pixel-wise)时间序列回归模型。采用Benjamini-Hochberg法控制错误发现率(FDR, False Discovery Rate)筛选显著系数，计算各像素模型决定系数R²。结合MapBiomass土地覆盖数据划分旱林、雨林、洪泛林，并利用秘鲁国家森林清查(NFI, National Forest Inventory) 96个0.5 ha样地的树种组成计算香农-威纳指数(Shannon–Wiener index)和森林基面积，与像元EVI均值、标准差及模型R²进行对数回归分析，检验多样性与结构复杂性对ENSO–植被耦合强度的影响。

研究结果

Oceanic indicators are highly related to vegetation patterns（海洋指标与植被动态高度相关）

像素级建模得到的R²最高可达0.5。R²沿经度方向差异显著：太平洋沿岸至安第斯山麓旱林区域R²较高，安第斯山脉以东亚马逊区域R²较低，但马拉尼翁河、乌卡亚利河(Ucayali)及瓦亚加河(Huallaga)沿岸雨林和洪泛林附近R²局部偏高。说明SST异常对旱林植被变化的解释力更强，对结构复杂雨林解释力较弱，河流影响可使部分雨林像元解释力升高。

Oceanic indicators show contrasting effects across forest types and lagged times（海洋指标在不同森林类型和不同时滞下效应存在差异）

标准化回归系数显示TNI效应最强（尤其2个月滞后），其次为N12（最强效应在6个月滞后）和MEI。TNI lag2在三类森林中>70%的模型具显著影响，是全区最可靠的预测变量；N12 lag6在>25%模型中显著。旱林中各海洋指标显著估计百分比最高，即旱林EVI对ENSO海洋指标响应最普遍且强烈。

Remote sensing data related to biodiversity and vegetation cover（遥感数据与生物多样性和植被盖度的关系）

木本植物物种多样性（Shannon–Wiener index）和森林基面积均与EVI均值及EVI时间标准差(sd)呈指数正相关，说明EVI及其变幅可反映实地测得的森林特征。重要的是，二者均与对应像素模型R²呈指数负相关——即物种更丰富、基面积更大的森林，其EVI被ENSO海洋指标解释的比例更低，表明高多样性与高结构复杂性削弱了植被对ENSO强迫的敏感性（"去耦合"效应）。

讨论与结论翻译

讨论部分指出：像素级方法能匹配植被动态的时空异质性，旱林稀疏植被缺乏雨林的缓冲能力故对ENSO降水异常更敏感，TNI（含Ni?o 1+2分量）因表征东太平洋温度梯度是区域植被动态最佳海洋预测因子，MEI作为全球综合指数局地解释力有限。EVI–R²随多样性/基面积降低的现象支持生态"保险假说(insurance hypothesis)"和林内微气候缓冲(microclimatic buffering)观点——高多样性与复杂林冠结构提升生态系统对极端气候的抗扰性与恢复力。局限性包括EVI为光谱集成信号可能掩盖物候差异，NFI样方面积小于EVI像元及亚马逊异质性可能造成尺度不匹配。

结论（翻译）：

研究结果表明太平洋海温异常与植被动态的关系强度因森林类型而异——旱林中ENSO–植被关系可预测性较高，雨林或洪泛林中较低。不同ENSO指标对不同森林类型在不同时滞下产生影响，暗示太平洋不同区域海温异常所代表的ENSO模态差异会影响马拉尼翁河谷不同区域（并可经遥相关teleconnection影响更广范围）。植被动态变化关联生物多样性变化（至少旱林如此）及植被盖度变化，因此ENSO异常强度或频率增加可能对南美森林稳定性与生产力产生重大影响。最终研究表明，理解ENSO对植被动态的真实影响不能依赖全局模型，而需通过分析局地效应并结合涵盖不同生态系统类型的区域数据集加以整合。