观察到植被与大气相互作用强度的减弱趋势

《Agricultural and Forest Meteorology》：Observed declining strength of vegetation-atmosphere coupling

全球植被-大气耦合（VC）动态与驱动机制研究。基于ERA5和MERRA2再分析数据，采用ω指标（1/Ω）量化VC，结合P模型和BBL模型估算冠层气孔导度，揭示1981-2018年VC空间异质性（干旱区最高，湿润区最低）及年际变化趋势（38.84%-61.98%陆地呈现VC下降）。通过非线性随机森林模型分析表明：叶面积指数（LAI）和风速是主要驱动因子，LAI通过调节蒸散影响VC（过渡带和干旱区主导），风速通过空气动力学导度调控VC（湿润区主导）。研究为植被-气候反馈机制及极端事件增强机理提供了新证据。

　　

李世杰|王国杰|孙善雷|陈泽峰|马泰奥·穆拉|陆蛟|刘琪|李骥|丹尼尔·菲菲·塔维娅·哈根|阿尔穆德娜·加西亚-加西亚|彭健

国家气候系统预测与风险管理重点实验室/教育部气象灾害重点实验室/南京信息科技大学气象灾害预报与评估协同创新中心，中国南京

摘要

陆气耦合（LAC）直接影响极端气候事件的发生。传统上，研究LAC强度时主要使用土壤湿度作为土地条件的代理指标。然而，最近的研究强调了植被-大气耦合（VC）在通过调节水和能量循环来影响极端气候事件演变中的重要作用。尽管取得了这些进展，但VC的全球模式及其驱动机制仍不清楚。在这项研究中，引入了一个具有明确物理意义的指标ω，即冠层导度（g_c）与空气动力导度（g_a）之间的关系，用来表示VC值。利用两个高质量的再分析数据集（ERA5和MERRA2）和两种不同的g_c模型，得出了1981年至2018年的全球年度VC值。两种g_c模型显示出的空间分布相似：干旱地区的VC值最高，湿润地区的VC值最低，过渡区的VC值处于中间水平。研究结果表明，全球38.84%-61.98%的陆地VC值呈下降趋势。使用非线性机器学习方法进行的归因分析显示，叶面积指数（LAI）和风速在不同气候区中对VC变化起主导作用。LAI的增加降低了VC强度，而风速的增强则提高了VC值。在过渡区和干旱区，LAI通过调节蒸腾作用（即g_c）对VC产生影响；而在湿润区，风速通过g_a控制VC的变化。我们的研究分析了全球陆地范围内VC值的时空变化及其驱动机制。这些发现有助于更深入地理解植被-气候反馈及其在放大极端气候事件中的作用。

引言

土壤湿度的变化通过影响蒸散作用来调节地表水和能量的分配（Seneviratne等人，2010年），进而影响局部云的形成和大气边界层，最终调节下风地区的大尺度环流（Taylor等人，2011年，2012年；Hsu等人，2017年）。土壤湿度引起的陆气耦合（LAC），即地表与大气之间水和能量交换的强度（Seneviratne等人，2010年），在过渡性和水资源受限的环境中通常比能量受限的区域更强（Dirmeyer等人，2013年）。然而，最近的研究表明，由于净辐射的增加、土壤湿度的下降和二氧化碳水平的上升，LAC的热点正在向非过渡性区域转移（Denissen等人，2022年；Hsu和Dirmeyer，2023年）。这种LAC的强化有可能放大复合水文气候极端事件，如热浪和干旱（Zhou等人，2019年；Miralles等人，2019年；Berg等人，2016年）。有假设认为植被在LAC动态中起着进一步的重要控制作用（Li等人，2024年；Zscheischler等人，2015年；Williams等人，2015年）；然而，在大尺度上仍缺乏实证证据。因此，理解控制LAC动态的潜在机制对于改善灾害风险管理和提高生态系统对气候极端事件的抵御能力至关重要。

LAC通常通过回归方法、基于物理的统计方法以及基于过程的地球系统模型来评估（Dirmeyer等人，2011年；Miralles等人，2014年；Schwingshackl等人，2017年；Koster等人，2006年）。例如，Dirmeyer等人（2011年）通过结合蒸发分数（EF）的线性斜率和土壤湿度的标准差来估算LAC。Miralles等人（2014年）引入了一个指标来检验土壤湿度与空气温度之间的耦合，通过量化土壤湿度变化对能量平衡的影响。在其他研究中，LAC被量化为土壤湿度与空气温度和蒸散作用等变量之间的耦合强度，基于全球陆气耦合实验的过程模型模拟（Koster等人，2006年）。在这些研究中，土壤湿度被视为土地条件的唯一代理指标，忽略了植被对能量-水分分配的控制。植被通过陆地与大气之间的水和能量交换在影响温度和湿度条件方面起着关键作用。例如，植被覆盖率的增加通常会降低地表反照率，从而增强太阳能量的吸收（Wang等人，2023年；Tian等人，2014年）。同时，更高的植被密度会促进蒸散作用（潜热通量），同时减少显热通量（Forzieri等人，2020年；Chen等人，2023年）。地表温度的相对净升温或降温效应是由这些相反的辐射项和湍流通量的组合产生的，进一步受到局部环境条件的调节（Forzieri等人，2020年）。

VC代表植被与大气之间能量、水和碳的双向交换。通过气孔调节，植被控制蒸腾作用和光合作用，这不仅响应大气驱动因素（如辐射和蒸汽压差），还通过改变湿度、温度、能量分配和边界层动态来反馈给大气（De Kauwe等人，2017年；Miralles等人，2025年）。一些研究试图从不同角度量化VC的强度。最近提出了一个植被-大气耦合指数，以解释空气温度与植被光合作用活动之间的关系，并探讨植被在复合热浪和干旱演变中的作用（Zscheischler等人，2015年）。这种方法有助于识别一个地区是处于能量受限还是水资源受限的状态；然而，它在检测VC强度方面效果较差。早期提出了一个解耦指标Ω来估计植被与大气之间的耦合程度（Jarvis和McNaughton，1986年）。它被定义为冠层导度（g_c）与空气动力导度（g_a）的比率，并根据大气的持水能力进行缩放。Zhang等人（2022年）和De Kauwe等人（2017年）已经使用该指标根据FLUXNET站点的观测数据估算了现场尺度的VC强度。该指标的物理意义代表了植被通过调节气孔状态与大气交换碳和水的能力。

指标Ω是一个有用的指标，用于量化VC的强度。然而，VC的长期变化及其潜在机制在大尺度上仍然复杂，难以分析。一个挑战是，在使用经验模型（如Ball-Berry-Leuning模型（BBL）估算g_c时，需要为不同的植物功能类型校准多个参数，但观测站点的数量少且分布稀疏，限制了该指标在大范围的应用。因此，Zhang等人（2022年）和De Kauwe等人（2017年）采用了逆向Penman–Monteith方程，以潜热通量为输入来估算地表导度。然而，由此得出的地表导度本质上结合了植被和裸土的效应，从而影响了该指标的物理可解释性。为了克服这些限制，Wang等人（2017年）和Stocker等人（2020年）提出了一种新方法（P模型），基于生态进化最优性来获取g_c，从而捕捉最佳气孔行为对环境变量的响应（Tan等人，2021年）。

尽管这些研究提供了相关的见解，但在全球范围内适当量化VC的作用及其驱动机制仍然不足，阻碍了对植被对LAC和极端事件演变影响的全面理解。为了解决这一研究空白，我们使用了ω指标（指标Ω的倒数）来表示植被-大气耦合，利用两种不同的物理模型（P模型、BBL模型）估算g_c，并使用两个最先进的气象数据集（ERA5和MERRA2）作为输入驱动。实施了一个随机森林模型，将VC的年度趋势归因于LAI和气候因素的年度趋势。

部分摘录

地表产品

本研究利用了多个数据集来估算VC值并阐明其潜在机制。从再分析产品ERA5和MERRA2中获取了月度大气变量，包括：2米空气温度和露点温度、近地面压力、风速、向下太阳辐射、降水量、土壤湿度、潜热和显热（Gelaro等人，2017年；Hersbach等人，2020年）。空气温度和露点温度用于估算VPD

全球陆地上VC值的时空变化特征

图2显示了VC长期平均值的明显空间梯度，在干旱地区观测到较高的VC值，在湿润地区观测到较低的VC值。这种空间模式在不同的驱动数据集（ERA5、MERRA2）和冠层导度（g_c）模型（P模型、BBL模型）中都是一致的，特别是在MERRA2-P和MERRA2-BBL组合中更为明显。图2（e）清楚地展示了VC值对干旱指数的响应。密集的植被类型（即ENF、EBF）

使用ω估算VC值的不确定性

在这项研究中，我们使用了ω指标来估算植被-大气耦合（VC）值，这是首次进行全球范围内的VC变化特征分析。尽管ω指标是通过严格的物理推导得出的，但其估算严重依赖于g_c的准确建模，而这在逐渐升温的条件下气孔行为的复杂响应方面仍然是一个重大挑战。Li等人（2023b）之前已经应用了P模型

结论

在这项研究中，我们使用ω指标分析了VC值的时间和空间变化，并使用非线性随机森林模型量化了LAI和气候变量年度趋势对VC年度趋势的贡献。主要结论如下：

(1). VC值的空间分布：两种g_c模型在多年平均值中显示出相似的空间模式，即干旱地区的VC值最高，湿润地区的VC值最低，过渡区的VC值处于中间水平

CRediT作者贡献声明

李世杰：写作 – 审稿与编辑，撰写原始草稿，验证，软件，方法论，调查，正式分析，数据管理，概念化。王国杰：写作 – 审稿与编辑，监督，资金获取，概念化。孙善雷：写作 – 审稿与编辑。陈泽峰：写作 – 审稿与编辑。马泰奥·穆拉：写作 – 审稿与编辑。陆蛟：写作 – 审稿与编辑。刘琪：写作 – 审稿与编辑。李骥：写作 – 审稿与编辑。丹尼尔