《Environmental and Sustainability Indicators》:Model-Derived Nonlinear Responses of Ecosystem Services to Climate Extremes in a Typical Subtropical Lake Basin
编辑推荐:
气候极端事件正日益威胁生态系统服务(ESs),然而其非线性效应在亚热带湖泊流域中仍缺乏充分认识。研究人员利用1990—2023年的气象观测与遥感数据,量化了典型亚热带湖泊流域——鄱阳湖流域中的模型衍生碳汇(CS)、产水量(WY)和土壤保持(SC)。结果表明,该
气候极端事件正日益威胁生态系统服务(ESs),然而其非线性效应在亚热带湖泊流域中仍缺乏充分认识。研究人员利用1990—2023年的气象观测与遥感数据,量化了典型亚热带湖泊流域——鄱阳湖流域中的模型衍生碳汇(CS)、产水量(WY)和土壤保持(SC)。结果表明,该流域经历了热极端增强、冷极端减弱以及持续干旱时段增加的趋势。研究期内,CS持续增加,而WY与SC略有下降,并表现出更强的时间波动性。随机森林- SHapley加性解释(RF-SHAP)结果表明,不同生态系统服务对应的主导气候极端驱动因子及其非线性响应模式存在显著差异。CS主要受温度相关极端控制;TX90p和TXx通常在适宜增温范围内促进CS,而当TX10p和TN10p分别超过约30天和35天时,频繁冷极端会抑制CS。相比之下,WY和SC对降水相关极端更为敏感,尤其是R50、R95p和CWD,尽管其正向效应在高降水水平下有所减弱。以SU表征的夏季持久高温在其超过约180天时对WY产生负面影响。空间SHAP格局进一步表明,气候极端效应具有显著区域异质性,尤其体现在山区。上述发现为识别气候敏感区以及在亚热带湖泊流域制定空间定向的生态系统管理与气候适应策略提供了依据。
该论文发表于《Environmental and Sustainability Indicators》,聚焦典型亚热带湖泊流域生态系统服务对气候极端事件的非线性响应机制,研究区域为中国长江中下游的鄱阳湖流域。研究背景在于,全球气候变化不仅表现为平均气候状态的缓慢偏移,更突出体现为热浪、强降水、持续干旱等极端事件在频率、强度与持续时间上的增强。与渐变式气候变化相比,气候极端具有突发性、局地性和高破坏性,往往对生态系统结构、生态过程及人类福祉造成更为剧烈的冲击。生态系统服务(ESs,指生态系统为人类提供的物质供给、调节和支持功能)中的碳汇(CS)、产水量(WY)与土壤保持(SC),直接关系到区域气候调节、水资源安全、农业可持续性及生态安全格局,因此对气候极端尤为敏感。
既有研究已表明,极端高温、异常干旱与强降雨等事件可通过扰动植被生产力、水文过程和侵蚀过程,显著影响生态系统服务供给能力。然而,目前多数关于气候变化与生态系统服务关系的评估,仍以趋势分析或线性相关分析为主,对“何种极端气候在何种范围内促进或抑制生态系统服务”的非线性规律与阈值特征揭示不足。尤其在亚热带湖泊流域这类兼具复杂地形、强季风降水和高生态敏感性的区域,多种生态系统服务对多类气候极端的联合响应机制尚缺乏系统研究。这一知识空缺限制了流域尺度生态脆弱性识别、风险预警及适应性管理策略制定。正是在这一背景下,研究人员针对鄱阳湖流域开展了本项研究,以期从模型解释角度揭示不同生态系统服务对气候极端的主导驱动因子、非线性响应区间与空间异质格局。
在方法上,研究人员整合了1990—2023年多源数据,包括气象站逐日最高温、最低温和降水观测,遥感反演植被指数(NDVI)、太阳辐射、潜在蒸散发、土地利用、数字高程模型(DEM)及土壤数据,统一处理至1 km空间分辨率。首先依据气候变化检测与指数专家组(ETCCDI)框架选取10个极端温度指数和6个极端降水指数;随后利用CASA模型估算碳汇指标,利用InVEST模型中的产水模块和泥沙输移比(SDR)模块分别估算WY与SC;再通过Theil–Sen斜率、Pearson相关和Mantel检验识别初步气候—生态系统服务联系;最后采用随机森林(RF)及SHapley加性解释(SHAP)识别主导驱动因子、解析非线性响应曲线及其空间分布。独立参考数据方面,CS使用2001—2023年MODIS NPP数据进行时间一致性检验,WY与SC分别利用2000—2023年外洲水文站径流深和输沙模数数据进行验证。
研究结果部分可概括如下。
3.1. Temporal trends of Climate Extreme Indices in the Poyang Lake Basin from 1990 to 2023
该部分基于5年滑动平均分析了1990—2023年鄱阳湖流域16个气候极端指数的时序演变。研究表明,流域在过去三十余年中呈现显著的暖化极端增强特征,SU、TX90p、TN90p、WSDI和TXx等暖极端指标异常值在近年更为突出;与此同时,TX10p、TNn和CSDI等冷极端总体减弱。降水极端如R50、RX1day和R95p整体上表现为减弱趋势,但年际波动仍然明显;CDD则持续上升,说明持续干旱时段趋于延长。由此可见,鄱阳湖流域的气候极端变化表现为热极端强化、冷极端削弱、干旱持续性增强,而降水极端虽总体弱化但波动显著。
3.2. Trends of ESs in the Poyang Lake Basin from 1990 to 2023
该部分通过模型结果及其验证分析,揭示了三类生态系统服务的时间变化与空间分异。研究显示,CS在整个研究期内持续上升,Theil–Sen斜率为36.82 gC/m
2·10yr,说明植被生产力表征的碳汇能力不断增强。WY总体略降,斜率为?5.50 mm/10yr,并在2000年代和2010年代呈现明显年际波动。SC同样总体下降,斜率为?31.45 t/ha·10yr,且在2010年代波动最大。从空间分布看,CS在中央湖区和平原区较低,在外围山地和森林区较高;WY空间异质性显著,高值主要分布于东部和东北部;SC则在东、南、西部山地边缘较高,在中部平原和北部湖区较低。空间趋势进一步表明,CS在多数区域上升,而WY和SC在中西部和西南部等地出现下降,体现出气候、地形、植被覆盖与土地利用的综合影响。
3.3. Associations Between Climate Extremes and ESs
该部分通过Mantel检验分析气候极端与生态系统服务之间的结构相关性。
3.3.1. Correlations between Extreme Temperature Indices and ESs
研究发现,温度极端与不同生态系统服务之间的联系存在显著差异。CS与暖极端指数的相关性最强,尤其是WSDI、TXx、TX90p、TN90p和SU,提示碳汇变化更密切地受暖热条件频率、强度与持续时间影响。WY与若干温度指标仅表现为弱到中等、且方向不一的相关关系,说明其热响应更复杂。SC与温度极端的相关性总体较弱,仅对TX10p、TN10p、SU和FD0等指标略显敏感。总体上,温度极端主要影响CS,而对WY与SC的作用相对较弱且不稳定。
3.3.2. Correlations between Extreme Precipitation Indices and ESs
该部分表明,降水极端与WY和SC的关系更为紧密。R50、R95p和R99p等强降水指标与WY和SC之间普遍具有较强相关性,说明强降水频率与强度是调控区域水文过程和土壤保持的重要因子。WY还与CWD和RX1day相关,表明持续湿润时段和极端单日降水均有助于水资源供给与径流形成。相较之下,CDD与WY、SC关系较弱或为负,反映持续干旱不利于供水和生态调节功能。CS与降水极端总体相关性较弱,除CDD外,多数强降水指标与CS的相关性不高,说明碳汇对降水极端的响应可能受干湿持续时间和植被生理过程共同调节。
3.4. Machine Learning Attribution Analysis of Climate Extremes-ESs Relationships
该部分运用RF-SHAP方法识别主导因子并揭示非线性响应模式。
3.4.1. Screening of Main Climate Extremes Drivers Affecting ESs Supply
研究指出,CS的特征重要性排序中以温度相关极端占主导,TX90p影响最大,其次为TXx、TX10p和TN10p,说明暖极端与冷极端均与CS变化密切相关。SHAP汇总图进一步显示,高TX90p和高TXx通常对应正SHAP值,而高TX10p和高TN10p则更多对应负SHAP值。WY方面,R50和R95p远高于其他变量,是最关键驱动因子,其后为CWD、SU、RX1day和R99p,高R50、高R95p和高CWD主要促进WY,而高SU则抑制WY。SC也呈现类似的降水主导模式,R50、R95p、CWD和RX1day多表现为正向贡献,而SU在高值下则趋于负向贡献。模型性能方面,WY和SC的解释度中等,R
2分别为0.50和0.49;CS的R
2为0.34,提示其变化还受到植被动态、土地利用变化、养分供给和人类活动等非气候因素影响。
3.4.2. Nonlinear Response Patterns of Main Climate-Extremes drivers on ESs
这是全文核心结果之一。对于CS,TX90p在约30天时SHAP贡献由负转正,并在约50天左右达到较高水平,之后略有下降;TXx在超过约38 °C时由负转正,表明适度增温可促进植被生产力与碳汇。相反,TX10p随频次增加而转为负效应,约30—35天后抑制作用明显;TN10p也在约35—40天附近表现出最强负效应,说明频繁冷昼和冷夜不利于植被活动。对于WY,R50在约7—8天后转为正贡献,R95p在约500—600 mm后转正,CWD在约6—9天之间迅速由负转正并趋于稳定;SU则呈倒U形,约165—170天时正向作用达到峰值,而超过约180天后转为负向,表明过长的夏季高温期会因蒸发需求增加而削弱产水。对于SC,R50在约10个强降水日后由负转正,R95p和CWD在各自转折范围后总体增强SC;SU则呈更复杂的U形响应,在约150—185天区间内主要表现为负向贡献。总体而言,CS主要对温度极端呈现非线性响应,而WY与SC主要响应降水极端,且均存在明显转折区间与边际效应减弱现象。
3.5. Spatial Distribution of SHAP Values for Main Climate Extreme Drivers
该部分揭示了关键气候极端因子的空间贡献格局。对CS而言,TX90p在流域大部分区域表现为正向贡献,东部和南部更强;TXx在东、西边缘多为正,在中北部和西南部则多为负。TX10p和TN10p在大部分区域以弱负贡献为主,仅在部分西部、北部和东部出现局地正值,说明暖极端总体更有利于CS,而冷极端普遍不利。对WY而言,R50、R95p和CWD的正向贡献主要集中在东部和东北部,西部和南部尤其西南部则多为负;SU在南部和西南部普遍对WY产生负向影响,而在北部和东北部仅有弱正贡献。对SC而言,R50、R95p和CWD在流域尺度总体偏正,但空间差异明显,东部和东北部正贡献较集中,西部、中部和南部则常见负值,其中R95p在中部、西南部和南部负向作用尤为明显,提示这些地区对强降雨侵蚀更敏感;SU同样在南部和西南部对SC表现出较多负贡献。
讨论部分首先强调,本研究识别出的并非简单线性关系,而是生态系统服务指标对气候极端的显著非线性和阈值型响应。CS对温度极端更敏感,WY和SC对降水极端更敏感,这种服务特异性响应与既有关于极端气候驱动生态系统功能突变的认识一致。适度暖热条件可促进CS,但其积极作用在更高水平下减弱,且受背景水分条件、植被类型和土地利用影响;频繁冷极端则通过缩短有效生长季和增强低温胁迫,持续抑制CS。对于SC,作者特别指出模型估算的SC表示“避免的土壤侵蚀量”,因此降水极端的正向贡献并不意味着实际侵蚀一定下降,而可能意味着在植被和保育措施存在下,被阻止的侵蚀量增加。研究还强调,SU对WY和SC的影响较以往理解更复杂,其中高SU对WY的不利作用较为明确,而SC在高SU端的“恢复”现象需谨慎解释,因为该区间观测样本较少,且SHAP值反映的是模型衍生关联而非因果阈值。
在生态意义上,研究表明鄱阳湖流域的适应与管理策略需要空间分区、分类施策。北部平原和农业区应通过提升植被覆盖、优化作物结构和增强温度胁迫抵抗能力降低碳汇脆弱性;南部山区则应维持森林覆盖并限制过度扰动,以兼顾CS和SC功能。对于降水极端影响显著且地形起伏较大的南部、西南部和中部地区,植被恢复、坡面防护和可持续土地利用管理应优先推进,同时加强雨水蓄存、径流调蓄与流域综合管理,以提升水资源保障并缓解强降水和水文波动的不利影响。研究也指出,应将基于生态系统的适应措施纳入区域规划,尤其关注高温与降水极端叠加造成的复合生态风险。
论文同时明确了研究局限。其一,模型衍生生态系统服务指标与ETCCDI气候极端指数在一定程度上共享气候输入,可能导致RF关系中存在结构性依赖;同时独立验证数据仅覆盖部分年份,使得识别出的响应区间更应视为模型敏感性信号,而非经实测验证的生态阈值。其二,将高分辨率NDVI、DEM与土地利用数据统一重采样至1 km,可能平滑了山区细尺度地形和植被异质性,进而影响SC估算及局部侵蚀敏感区识别。作者据此提出,未来研究需结合更高分辨率数据、更多独立观测和多模型对比,以降低尺度与结构不确定性。
研究结论部分可译述如下:本研究结合长期气象观测、遥感数据、CASA模型、InVEST模型、随机森林(RF)与SHAP方法,系统分析了1990—2023年典型亚热带湖泊流域——鄱阳湖流域——模型衍生生态系统服务指标对气候极端的非线性响应。研究表明,研究期内流域热极端增强、冷极端减弱、干旱持续性增强;三类生态系统服务呈现分化趋势,其中CS增加,而WY与SC略有下降。空间上,高CS与高SC主要集中于南部、东南部和西部山地区,高WY主要分布于北部和东部山地区。不同生态系统服务对气候极端的响应具有显著差异:CS主要受温度相关极端控制,WY和SC则对降水极端更为敏感。RF-SHAP结果揭示了清晰的非线性响应:适度热极端有利于CS,强降水总体提升WY与SC但在高水平下边际效益减弱,持续夏季高温则会降低二者。空间SHAP格局进一步表明,气候极端贡献具有显著区域差异:暖极端在大部分区域对CS为正向作用,冷极端多为负向;降水极端在东部和东北部对WY与SC的促进作用更明显,而持续高温在南部和西南部普遍削弱这两类服务。总体而言,不同气候极端通过不同路径影响亚热带湖泊流域中的模型衍生生态系统服务指标,因此在气候适应、土地利用规划和生态系统管理中纳入关键极端气候指标及其非线性响应范围,有助于识别气候敏感区并提升区域生态系统在未来气候变率下的韧性。