量化气候驱动因素与识别植被碳汇不稳定性的空间风险：以内蒙古中西部为例

《Frontiers in Environmental Science》：Quantifying climatic drivers and identifying spatial risks of vegetation carbon sink instability: a case study of central–western Inner Mongolia

　　

植被碳汇（vegetation carbon sinks）对全球碳预算至关重要，但其在脆弱生态系统中的稳定性仍知之甚少。由于植被碳汇对气候因素的非线性响应以及空间异质性，这一差距在内蒙古中西部尤为明显。本研究整合了时间序列分析、XGBoost-SHAP和优化的MaxEnt模型，利用MODIS/Terra MOD17A3HGF净初级生产力（NPP）数据、来自中国气象数据服务中心的插值气候数据以及来自BCC-CSM2-MR模型的未来气候数据，以识别植被碳汇的气候调节因子并预测其空间风险格局。主要发现包括：（1）2014-2023年间，区域净生态系统生产力（NEP）呈微弱上升趋势，但伴有明显的年际波动；比较2014年和2023年，约25,500 km2的植被区域在碳汇和碳源状态之间发生了转换。（2）温度相关的年际变异性约占NEP波动的62%，其中最暖月最高温度的变异性（bio5_IVA）贡献最大（19.4%）。降水相关的变异性贡献了剩余的38%，温度与降水之间的相互作用共同塑造了生态系统的不稳定性。（3）高风险和极端风险区域聚集在沙漠边缘，风险水平向外递减。SSP126情景下（相对于2023年，到2040年升温1.76°C）的风险格局保持稳定，而SSP245（+2.28°C）和SSP370（+2.53°C）情景则引发了广泛的风险等级转换，凸显了生态过渡带对气候强迫的强烈脆弱性。尽管近期研究强调了饱和水汽压差（vapor pressure deficit）和土壤水分在调节旱地碳汇中的重要作用，但本研究中未直接量化这些因素。未来的工作将整合它们以改进预测。该框架将为脆弱生态系统中植被碳汇的早期预警和针对性管理提供机制基础。

**论文解读：量化气候驱动因子与植被碳汇不稳定性的空间风险——以内蒙古中西部为例**

**研究背景与问题**

干旱区覆盖地球陆地面积约41%，对全球陆地碳汇的年际变异性贡献显著，但植被碳汇（vegetation carbon sinks）在脆弱生态系统中的稳定性尚缺乏深入理解。内蒙古中西部位于典型的干旱/半干旱过渡带，生态系统高度敏感，荒漠化与土地退化加剧，且该区域作为中国重要碳汇区（2022年贡献全国总量超9%），其碳汇波动剧烈，成为不稳定性热点。现有研究多采用相关分析或多元线性回归等传统方法，难以捕捉气候因子与植被碳汇之间的非线性交互与阈值效应。此外，碳汇风险的评估多依赖静态框架，缺乏空间显式预测能力。因此，该研究旨在量化气候变异性对植被碳汇不稳定性的驱动机制，并基于CMIP6情景预测碳源-碳汇转换的空间风险，为脆弱生态系统的早期预警与针对性管理提供科学依据。论文发表在《Frontiers in Environmental Science》。

**主要技术方法**

研究采用以下关键技术：1）基于MODIS/Terra MOD17A3HGF V061产品的净初级生产力（NPP）数据，结合经验模型（Chen等，2012）估算土壤呼吸（Rs）并通过幂函数回归（Zhang等，2020a）换算异养呼吸（Rh），计算净生态系统生产力（NEP）以表征碳汇/源状态；2）运用Sen's slope和Mann-Kendall检验分析NEP的时空趋势；3）利用XGBoost-SHAP可解释机器学习框架，量化7个气候变量（源自中国气象数据服务中心51个站点插值数据）的年际变异性幅度（IVA）对NEP波动的贡献及非线性阈值效应；4）将碳汇-源转换点作为输入，通过优化MaxEnt模型（特征类组合LQHPT，正则化乘数1，基于AICc选择）预测当前及未来（CMIP6 SSP126、SSP245、SSP370情景，2021-2040年数据来自BCC-CSM2-MR模型）的碳汇风险空间分布。

**研究结果**

**3.1 碳汇/源转换的动态特征**
2014-2023年区域年均NEP为0.132 kg C·m^-2·yr^-1，碳汇面积占比超过84%，但年际波动显著（2017年降至86.08%，2023年84.48%）。约25,495 km2区域发生碳汇/源状态转换，其中74.17%为碳汇转碳源，主要分布在沙漠边缘及生态脆弱带。Sen's slope（中位数0.001）显示微弱上升趋势，显著增加区域（6.06%）集中于北部，显著减少区域（0.21%）位于西部和东北部。

**3.2 植被NEP波动的驱动机制**
XGBoost-SHAP分析表明，温度相关因子（bio1_IVA、bio4_IVA、bio5_IVA、bio6_IVA）贡献约62%的NEP波动，其中最暖月最高温度的变异性（bio5_IVA）贡献最大（19.4%）；降水相关因子（bio12_IVA、bio13_IVA、bio15_IVA）贡献38%。SHAP依赖图揭示非线性阈值效应，例如bio1_IVA在低于0.43°C/yr时促进NEP变异性，0.43-0.55°C/yr时抑制作用增强，>0.57°C/yr时促进效应重新上升。降水-温度交互作用（如bio1_IVA×bio12_IVA，平均|SHAP|=1.55）显著，共同塑造碳汇不稳定性。

**3.3 植被碳汇风险的概率评估**
优化MaxEnt模型（AUC训练0.927，测试0.921）预测高风险和极端风险区集中分布于沙漠边缘，中风险区作为过渡带，低风险区占81.70%。关键驱动变量为bio12_IVA（贡献25.6%，置换重要性30.8%）和bio1_IVA（17.4%，置换重要性30.9%），响应曲线显示超过阈值后风险概率急剧上升。未来情景下，SSP126（升温+1.76°C）极端风险区收缩12.7%，低风险区扩张9.4%；SSP245（+2.28°C）中风险区发生双向转换（2,957 km2降级，555 km2升级）；SSP370（+2.53°C）中风险区转换最剧烈（4,737 km2降级，529 km2升级），总转换面积占基线16%，表明强气候强迫下系统性波动。

**讨论与结论**

讨论部分指出，温度变异性对碳汇波动的支配作用补充了以往认为降水主导的认知，极端温度因子（如bio6_IVA）通过影响冬季条件调节生长季生产力。研究未直接量化饱和水汽压差（VPD）和土壤水分，但强调其重要性，计划未来整合。人类活动（如放牧、生态修复）的影响因数据限制未被直接纳入，但初步分析显示其贡献弱于气候因子，风险图应视为气候中心估计。基于风险分区，研究提出管理策略：高/极端风险区优先恢复（如耐旱物种、禁牧），中风险区动态监测预警，低风险区维持稳定。

结论：本研究建立了综合框架评估内蒙古中西部植被碳汇动态与碳源转换风险。主要结论包括：（1）2014-2023年碳汇微弱增加，但沙漠边缘约20,000 km2区域发生碳汇-源转换；（2）温度变异性占NEP波动约62%，降水变异性38%，交互作用显著；（3）高风险区整体收缩，低风险区扩张，SSP126情景下稳定性最高，SSP245和SSP370情景显著增加波动与不确定性，凸显排放路径对生态系统稳定性的关键作用，为过渡带脆弱生态区的针对性管理提供了科学依据。