基于地理空间可解释人工智能模型探索全球水文气候因子对植被碳汇的影响机制

《Environmental Impact Assessment Review》：Exploring the influence mechanisms of global hydro-climatic factors on vegetation carbon sinks using geospatial interpretable AI models

　　

**摘要**

水气候因子是影响植被碳汇积累的关键驱动因素，在调节碳-水循环和参与生态过程中发挥着重要作用。然而，各种水气候因子影响植被碳汇的机制仍不清晰，特别是这些因子所表现出的非线性空间异质性及其复杂交互作用尚未得到充分阐释。为此，本研究利用2001—2024年的净初级生产力（NPP）数据及同期多个水气候变量，采用地理空间可解释性人工智能框架（即GeoShapley方法），系统评估了不同全球气候区内各种水气候因子对植被碳汇的显著性、非线性效应及空间异质性。在此基础上，我们进一步运用结构方程模型（SEM）分析了各变量对植被碳汇的路径依赖效应。结果表明：（1）全球植被碳汇和水气候要素均表现出显著的空间时间异质性，且主导因子在不同气候区内差异明显。基于平均绝对GeoShapley贡献值，温度（TEM）在热带和寒冷区排名第一，蒸气压差（VPD）在干旱区排名第一，降水（PRE）在极地排名第一，而温带地区则表现出对空间背景条件的更强依赖性。（2）同时，TEM、PRE和VPD对植被碳汇的影响总体上表现出显著的非线性、阈值效应和空间异质性。（3）SEM分析表明，TEM和PRE还可通过VPD、太阳辐射（SR）和土壤水分（SM）等中介过程产生显著的间接效应；其中VPD对NPP的负向路径尤为突出，是解释植被碳汇响应差异的关键过程通道。研究揭示了不同全球气候区内植被碳汇与各种水气候要素之间复杂且显著不同的非线性关系，为制定差异化的植被碳汇管理策略或指导全球水资源的可持续利用提供了科学依据。

**引言**

植被作为生物圈与大气圈之间的关键环节（Zhang等，2026），通过其碳汇能力充当全球陆地碳循环的天然调节器，从而对全球碳平衡产生深远影响（Cox等，2000）。植被还在陆地-大气相互作用、水和热交换以及生态系统服务供给方面发挥着重要作用（Zhang等，2025）。然而，在全球变暖加剧和人为干扰加重的背景下，极端复合热-旱事件在全球范围内持续频繁发生，水循环受到显著波动（Shi等，2026）。水气候因子的不确定性严重制约了植被生理过程和水资源利用效率，进而一定程度上削弱了植被的碳固定能力（Shuai等，2025）。与此同时，卫星数据揭示，近年来一系列雄心勃勃的生态恢复工程推动了全球植被覆盖率达到前所未有的水平（Anniwaer等，2026）。然而，植被绿色化过程不可避免地增加了水资源需求，这可能进一步加剧区域水资源消耗、放大干旱状况，并提高反复干旱背景下植被退化甚至死亡的风险（Liao等，2025；Shuai等，2026）。此外，在全球不同气候区内，由于供水限制背景、大气蒸散发需求和温度限制条件的差异，植被碳汇对水气候因子的响应可能表现出显著差异（Liu等，2024）。因此，在全球尺度上阐明水气候因子在不同气候区内调节植被碳汇的机制，已成为理解植被碳循环过程及其气候响应的重要前提，也将为制定针对性的植被碳汇和水资源管理策略提供重要指导。

水气候因子对植被碳汇的影响本质上是一个涉及多种水气候因子的调节作用和反馈路径的复杂、耦合、长期过程（Xu等，2026）。近期研究表明，温度（TEM）、太阳辐射（SR）、蒸气压差（VPD）以及水可用性（降水（PRE）和土壤水分（SM））在全球和区域尺度上均能对植被碳固定产生显著影响（Liu等，2024；Xu等，2026）。例如，作为水可用性的关键指标，降水保证了植被碳固定的充足水分供应，显著改变了植被碳积累过程并促进了水资源利用效率（Zhang等，2025a，Zhang等，2025b，Zhang等，2025c）。土壤水分作为植被碳汇过程中的关键水源，在满足植被生长所需水分方面发挥着重要作用（Liu等，2026）。此外，温度、太阳辐射和蒸气压差等与地表能量相关的因子可通过调节植被气孔导度影响植被光合作用的反馈过程，从而显著改变植被碳固定（Yang等，2021；Yang等，2025a，Yang等，2025b）。在此基础上，已有研究从不同角度揭示了多种水气候因子对植被碳固定的影响。然而，在一个统一框架内，这些因子的相对重要性、空间异质性及其路径依赖关系仍缺乏系统性比较。特别是各种水气候因子对植被碳汇影响的空间异质性尚未在全球尺度上得到充分评估。同时，现有研究也未能完全阐明水气候因子共同影响植被碳汇的复杂路径，导致多变量对植被碳固定的路径依赖效应存在不确定性。

此外，我们注意到不同气候区内植被碳汇对水气候因子的响应存在显著差异（Liu等，2024；Song等，2022）。例如，在高纬度和高海拔地区，温度升高通常有助于缓解能量限制并增强植被碳汇；而在干旱和半干旱地区，降水、土壤水分和蒸气压差是更直接决定碳固定能否持续的关键因子。在某些热带和季风边缘地区，温度升高、降水变化与大气干旱增强之间的耦合可能导致双重效应，同时促进和抑制某些过程。这些空间变异可能源于植被在生长过程中针对环境条件所采取的适应策略（Yang等，2025a，Yang等，2025b）。然而，不同气候区内——甚至同一气候区内不同地理位置之间——这种显著的空间异质性效应差异尚未得到充分评估，这可能导致对变量解释力准确性的低估（Khosravi和Ouarda，2026；Yan等，2026）。因此，亟需从空间效应的角度探索植被对各种水气候因子的响应，以增进对植被-水气候交互机制的相互理解。

为应对这些挑战，机器学习算法被广泛用于植被碳汇与各种水气候变量之间复杂关系的研究。该算法能够有效地处理高维数据，并在不依赖预定义物理假设的情况下捕获复杂的非线性关系。其中，极端梯度提升（XGBoost）模型因其卓越的预测精度和稳定的表现而被广泛采用，实现了对植被碳汇驱动机制的稳健分析（Wang等，2022）。然而，这些模型存在"黑箱"问题，严重限制了特定驱动因子内部决策机制的可解释性。对此，可解释性人工智能（AI）提供了一种更为透明的机制来解释模型预测，通常包括全局可解释性和局部可解释性（He等，2026）。在这些模型中，基于合作博弈论的Shapley加性分解（SHAP）模型在相关应用中展现出卓越的性能，不仅能够准确评估预测变量对模型输出的平均影响，还能评估特定驱动因子的局部效应（Ma等，2026a，Ma等，2026b）。然而，相关研究表明，当受到各种水气候过程影响时，植被碳汇具有显著的空间异质性和空间依赖效应（Foroutan等，2025）。作为一种地理空间可解释性人工智能模型，GeoShapley能够将地理坐标与其他水气候变量整合，从而实现空间定位与变量贡献的协同（Li等，2026；Yan等，2026）。由此可见，XGBoost与GeoShapley的无缝结合能够实现水气候因子重要性的量化，并识别这些因子在何处发挥关键作用。同时，结构方程模型（SEM）能够从路径依赖的角度整合温度、降水、蒸气压差、太阳辐射和土壤水分等变量，从而进一步揭示水气候因子影响植被碳汇的直接路径和间接通道（Yu等，2025）。通过有效组合上述模型，可以系统揭示不同气候背景下水气候约束的系统性差异，并进一步阐明水应力、能量供给和土壤水分支持等过程在调节植被碳汇中的相对作用。这种综合视角将有助于提供更准确的建模和更综合的全球"气候-水文-植被"交互机制解释，并为差异化生态管理提供科学依据。

综上所述，本研究聚焦于全球陆地植被，从地理空间可解释性人工智能的角度探索水气候因子影响植被碳汇的机制。与现有研究相比，本文的创新之处在于：系统探索了多种水气候因子在不同全球气候区内影响植被碳汇的机制；不仅量化了这些因子的相对重要性和非线性关系，还从空间上识别了它们发挥关键作用的位置。此外，研究还建立了这些水气候因子影响植被碳汇的路径，强调了在变化的环境条件下植被碳汇的复杂机制特征。这些综合分析框架可以加深对植被与水气候过程之间交互作用的理解，并为全球植被恢复工作提供更具科学性的参考。具体而言，本研究旨在回答以下关键问题：（1）过去二十年来植被碳汇和各种水气候因子的时空格局发生了哪些变化？（2）在不同全球气候区内，哪些水气候因子主导了植被碳汇的影响？更重要的是，这些水气候因子具有怎样的非线性阈值特征和空间异质性？（3）从路径中介机制的角度来看，多种水气候变量影响植被碳汇的直接和间接路径是什么？通过回答上述问题，本研究旨在全面理解全球植被碳汇受水气候条件影响的机制，并为植被碳汇适应政策和可持续水资源管理提供有价值的见解。

**数据收集与处理**

本研究主要收集了四类数据，包括植被碳汇、水气候因子、气候区和植被类型。为确保多源数据的空间一致性，所有栅格数据集均被重采样至0.25°的空间分辨率。对于植被碳汇和水气候因子等连续变量，采用双线性插值方法进行重采样。对于包括气候区和植被类型在内的分类数据，采用最近邻方法进行重采样。

**植被碳汇及其水气候背景的空间格局**

2001—2024年期间，以全球NPP表征的植被碳汇能力表现出显著的空间变异（图3a）。NPP高值区主要集中在热带雨林地区，热带区平均NPP最高，为0.88 kg C·m?2，温带区紧随其后，平均NPP较高，为0.75 kg C·m?2。相比之下，寒冷区、干旱区和极地地区的NPP水平相对较低。多年平均……

**地理空间可解释性人工智能框架在识别植被碳汇机制方面的优势**

通过构建地理空间可解释性人工智能框架，本研究系统揭示了不同气候区内水气候条件影响植被碳汇的复杂机制。

与传统机器学习模型相比，该框架纳入了空间信息，从而在一定程度上克服了人工智能在解释植被碳汇复杂机制方面的"黑箱"局限（Foroutan等，2025；Yan等，2026；结论基于2001年至2024年全球植被碳汇数据和关键水文气候变量，本研究采用结合地理空间可解释人工智能与结构方程模型（SEM）的分析框架，系统刻画了不同气候带水文气候变量与植被碳汇之间的非线性响应模式、空间异质性和统计路径关系。研究结论如下：(1) 全球植被碳汇和关键利益冲突声明作者声明，他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。致谢本研究由国家自然科学基金委联合基金重点项目（编号：U23A2014）和国家自然科学基金（编号：72374185）提供资金支持。牛帅|岳翠胡|梓涵杨|宣芝王|哲盈胡|杰王 中国地质大学土地科学与技术学院，北京100083，中国