利用CMIP6地球系统模型评估青藏高原当前与未来的植被动态

《Environmental Impact Assessment Review》：Assessing present and future vegetation dynamics on the Qinghai–Tibet Plateau using CMIP6 Earth System Models

　　

**摘要**
青藏高原（TP）的植被动态调节着能量、水和碳通量，与脆弱的高寒生态系统稳定性密切相关。因此，评估耦合模型比较计划第6阶段（CMIP6）地球系统模型（ESMs）模拟青藏高原植被动态的能力，对于解释未来生态系统对气候变化的响应至关重要。本文利用GLASS植被产品、MODIS衍生的植被覆盖数据和CN05.1气象观测资料，评估了33个CMIP6 ESMs在1982–2014年间的历史植被模拟结果。基于可复现的排名体系，该体系综合了历史LAI标量性能和空间格局技巧，选取了10个排名最高的模型——这些模型在所有三个SSP情景下均具有完整的未来LAI、GPP和NPP输出——用于构建性能筛选的多模式集合平均（MME10）。结果表明，CMIP6模型总体上能够再现青藏高原LAI的季节循环和东南–西北大尺度空间梯度。然而，全部33个模型的集合相比GLASS高估了1982–2014年区域平均生长季LAI 146.8%，且大多数模型将LAI的季节峰值延迟1–2个月。与GLASS GPP和NPP产品的历史评估显示，相比相应的全量集合，MME10将GPP的空间均方根误差（RMSE）降低了17.5%，将NPP的空间均方根误差降低了13.2%。MME10的预测表明，在所有SSP情景下，生长季LAI、GPP和NPP均一致增加，其中SSP5-8.5情景下的增强最为显著。在该情景下，预计2081–2100年的集合平均价值相比1982–2014年的历史均值分别增加120.3%、119.8%和135.0%。本研究为评估CMIP6对青藏高原植被动态和生产力的模拟提供了区域特定基准，并支持对脆弱高海拔环境未来生态系统变化的解释。

**引言**
青藏高原（TP）的植被动态具有广泛的环境意义，因为这一高海拔地区将气候调节、水文过程、生态系统稳定性和陆地碳循环联系在一起。青藏高原及其周边山地系统作为"亚洲水塔"，储存着维持主要亚洲河流系统并支撑下游生态系统和生计的冰雪（Immerzeel等，2020）。高原上的植被变化可以改变地表能量交换、蒸散发、土壤热力和水分条件以及碳吸收，从而影响局部生态系统功能和更广泛的陆–气反馈（Forzieri等，2020；IPCC，2021；Lan等，2021；Worden等，2021；Zeng等，2017）。鉴于全球气候系统的快速变暖以及高山生态系统对水热变化的显著敏感性，理解青藏高原的植被动态对于评估脆弱高海拔环境的生态系统响应和碳循环反馈至关重要（Nolan等，2018；Zeng等，2022；IPCC，2021）。

近期的观测研究记录了青藏高原广泛的气候和生态变化。该地区在过去几十年经历了显著的暖化和湿润化（Wang等，2018；You等，2020），预计到本世纪末，地表气温相比1981–2010年将升高1.9–6.3°C（Chen等，2022）。多个植被指标表明，在这些变化的水气候条件下，植被生长总体上呈增强趋势。例如，2003–2020年间青藏高原LAI显著增加（Maina等，2022）；1982至2015年GPP总体增加，但1998年后增长率下降（Ren等，2024）；FVC从2001年的0.38增加到2020年的0.41，并呈现出与西北–东南方向相关的水热条件梯度（Guo等，2023）。这些发现与报道全球变暖条件下北半球植被绿度增强的研究结果基本一致（Liu等，2024；Wang等，2022a；Yang等，2024）。然而，由于温度、降水、海拔和水分可利用性在区域间差异显著，青藏高原的植被变化具有空间异质性。因此，区域评估不仅需要考虑总体绿化的趋势，还需要考虑不同环境条件下的对比响应。

不同的植被指标代表了生态系统结构和功能的不同但互补的方面。LAI是一个关键的结构变量，在多个时间和空间尺度上调节着光合作用、蒸散发、反照率和陆–气相互作用（Ewert，2004；Yan等，2012；Kang等，2007；Pang等，2022；Pang等，2025）。FVC描述了地表植被的空间范围与分布，这影响着生物量和土壤碳储量，并调节着植被与气候之间的生物地球化学反馈（Arneth等，2010；Bathiany等，2010；Strengers等，2010）。相比之下，GPP和NPP量化了生态系统的碳吸收和生产率。这些变量综合了冠层结构与光合能力、呼吸、碳分配以及环境约束。因此，LAI、FVC、GPP和NPP提供了关于植被结构和生态系统功能的互补信息，它们的协同评估对于全面评估青藏高原的植被动态是必要的。

参与耦合模型比较计划第6阶段（CMIP6）的地球系统模型（ESMs）为模拟历史植被动态和预测不同社会经济路径下的未来生态系统响应提供了重要框架。ESMs表征了大气圈、岩石圈、水圈、生物圈和冰冻圈之间的相互作用，近期的模型发展越来越多地纳入了陆地生态系统和植被过程（Ziehn等，2017；Wu等，2019；Bao等，2020；Danabasoglu等，2020；Zhang等，2020；Lawrence等，2019；Li等，2019）。与CMIP5相比，CMIP6包含了更多的参与ESMs，以及动态全球植被模型的进一步发展，后者被纳入某些ESMs中以模拟气候变化下植被结构和分布的互动变化（Collins等，2011；Watanabe等，2011；Eyring等，2016）。然而，模拟的植被变量取决于大气强迫、地表参数化、植被物候和碳循环过程。这些成分的偏差可能会传播到模拟的LAI、FVC、GPP和NPP中，影响陆地生态系统的表征及其气候反馈（Tao等，2020）。因此，全面的模型评估是解释基于CMIP6的植被预测的先决条件，特别是在地形复杂且气候敏感的区域，如青藏高原。

以往的基于CMIP的评估显著增进了对植被模拟偏差的理解，但仍存在重要局限性。全球评估已识别出在表征LAI、植被分布和生产率相关变量方面的持续困难，包括GPP高估、全球平均LAI偏差以及草地和森林覆盖的误差（Anav等，2013；Brovkin等，2013；Ziehn等，2017；Zhu等，2019；Sellar等，2019；Zhao等，2020；Song等，2021）。在区域尺度上，Bao等（2014）发现CMIP5 ESMs高估了LAI且未能良好地表征青藏高原的植被覆盖，Liu和Lu（2022）则报告称多个GCMs倾向于高估青藏高原LAI且未能准确再现观测到的长期趋势。这些研究表明，尽管植被建模取得了进展，但仍存在显著的不确定性，特别是在地形复杂且水气候梯度强烈的区域。此外，许多现有评估侧重于个别变量、全球尺度的模型行为或直接的多模式集合平均。目前尚不清楚那些能更好再现青藏高原历史植被特征的模型是否能为预测植被结构和生态系统生产力提供更有依据的基础。

为了弥补这些差距，本研究利用长期卫星产品和气象观测作为参考数据集，评估了33个CMIP6 ESMs在1982–2014年间模拟青藏高原植被动态和生产力的能力。我们评估了模型在再现关键植被变量的季节循环、空间格局、年际变率和长期趋势方面的性能，并应用多个基于LAI的指标来识别历史植被结构模拟相对可靠的模型。随后，我们独立评估了固定LAI筛选集合的历史GPP和NPP性能，以评估筛选的跨变量适用性。基于此性能筛选的集合——即MME10——我们研究了2015–2100年SSP1-2.6、SSP2-4.5和SSP5-8.5情景下LAI、GPP和NPP的未来变化。该分析旨在确定历史LAI性能是否为集合选择提供了有依据的基础，并刻画三个SSP情景下预测的植被和生产率变化的幅度、空间格局、模式间差异和稳健性。

**研究区域**

研究区域覆盖青藏高原，即地球上最高、最大的高海拔高原。青藏高原的特点是陡峭的地形梯度、复杂的陆–气相互作用以及显著的水热条件空间异质性。作为几条主要亚洲河流的发源地和亚洲冰冻圈的重要组成部分，高原在调节区域水资源、地表能量交换和高海拔碳循环方面发挥着关键作用。

**植被季节特征**

如图2所示，在生长季期间，GLASS观测和大多数模型都显示出LAI的明显峰值。LAI从5月开始快速上升，8月达到峰值，然后在9月逐渐下降。然而，在特定月份ESM模拟之间存在显著差异，许多模型表现出季节性峰值延迟1–2个月。例如，CESM2、NorESM2-MM和CMCC-ESM2等模型在生长季的大部分时间相比GLASS观测倾向于高估LAI。

**讨论**

全部33个模型的集合相比GLASS高估了区域平均生长季LAI 146.8%，这表明从CMIP5到CMIP6的改进尚未完全解决青藏高原高山植被结构表征的长期难题（Bao等，2014；Liu和Lu，2022）。这种偏差不太可能源于单一来源，而可能是气候强迫、地表参数化和碳分配过程的综合效应。大多数模型显示出……

**结论**

本研究为评估CMIP6 ESMs对植被结构、植被分布和碳生产率的模拟提供了青藏高原特定基准，并将历史模型性能与未来生态系统预测联系起来。基于多个评估指标，我们识别了10个相对高性能的模型并构建了MME10，以预测青藏高原LAI、GPP和NPP到本世纪末的空间和时间轨迹。

（1）历史期间

**作者贡献声明**

Qi Wang：撰写–原稿，正式分析，数据整理。Xuejia Wang：撰写–审阅与编辑，监督，概念化。Tao Wang：可视化。Xiaohua Gou：概念化。Guojin Pang：撰写–审阅与编辑。Wenxin Zhang：撰写–审阅与编辑，概念化。

**利益冲突声明**

作者声明他们不存在可能影响本文工作的已知财务利益或个人关系。

**致谢**

本研究由中国教育部基础学科与交叉学科突破计划（JYB2025XDXM910）、国家自然科学基金（42477483、42661024）、青海省自然科学基金（2026-ZJ-920T）、111计划（B26053）和兰州大学引进人才启动基金（561120217）共同资助。我们感谢兰州大学超级计算中心提供的计算支持。

Qi Wang | Xuejia Wang | Tao Wang | Xiaohua Gou | Guojin Pang | Wenxin Zhang
中国兰州730000，兰州大学环境与资源学院，西部环境系统教育部重点实验室