《Agricultural and Forest Meteorology》：Regulatory mechanisms of spatiotemporal variations in aboveground and belowground net primary production in global terrestrial ecosystems
编辑推荐：
地球系统ANPP与BNPP的MLP预测及驱动机制研究。基于5184个观测数据构建改进的MLP模型，实现0.05°分辨率下ANPP（R2=0.74）和BNPP（R2=0.73）的时空模式预测，揭示温度/降水主导ANPP分布，土壤特性主导BNPP格局，全球ANPP与BNPP分别以0.02/0.05PgC yr?2增速，65.4%/60.8%陆地面积呈显著上升趋势。
周涛|熊艳婷|杨志涵|侯玉婷|张玉清|廖丹|王晓东|徐定辉|李平峰|侯鹏|赵文姬|陈国|本杰明·拉菲特|唐晓璐
中国成都理工大学地质灾害防治与地球环境保护国家重点实验室，成都 610095
摘要
净初级生产力是陆地碳循环的关键组成部分，也是生态系统碳封存能力的重要指标。然而，区分地上和地下净初级生产力（ANPP和BNPP）以及理解其空间分布的驱动机制在全球陆地生态系统中仍然具有挑战性。本研究利用基于更新后的数据库（包含5184个实地观测数据）构建的改进型多层感知器网络（MLP），预测了全球陆地生态系统中ANPP和BNPP的时空分布模式，并确定了其驱动机制，分辨率为0.05°。结果表明，MLP模型能够很好地预测ANPP（R2 = 0.74）和BNPP（R2 = 0.73）。从空间上看，ANPP和BNPP都表现出强烈的空间异质性，从热带向极地逐渐减少。从时间上看，ANPP呈增长趋势，年增长率为0.02 Pg C yr?2，1981年至2018年的全球平均值为33.4 ± 0.5 Pg C yr?1；BNPP的平均值也为19.2 ± 0.73 Pg C yr?1，年增长率为0.05 Pg C yr?2。定量分析显示，65.4%和60.8%的陆地面积的ANPP和BNPP呈增长趋势（P < 0.01）。ANPP的空间分布主要受温度和降水影响，而BNPP则受土壤性质控制。这些发现强调了区分ANPP和BNPP对于更好地理解碳分配机制的重要性。这些发现对于深入理解植被对全球气候变化的响应以及改进陆地生态系统碳模型至关重要。
引言
净初级生产力（NPP）是指绿色植被通过光合作用产生的有机物，通过减去用于自养呼吸的能量计算得出，对植物生长、繁殖和生态系统支持至关重要（Xu等人，2020；Yan，2022）。植被NPP在平衡全球碳循环中起着关键作用，不仅是植被生产的代表，也是陆地碳循环和生态系统质量的重要指标。然而，文献中关于全球NPP的估计值存在较大差异，范围从40到80 Pg C yr?1不等（Potter等人，1993；Ruimy等人，1999；Wang等人，2021）。因此，准确量化NPP对于深入理解陆地生态系统中的碳循环在区域和全球尺度上至关重要。
NPP可以细分为ANPP和BNPP。ANPP是监测生态系统内地上植被碳封存能力变化的关键指标（McPartland等人，2020）。近年来，遥感技术的进步已广泛应用于区域和全球尺度的ANPP研究（Liang等人，2015；Tum等人，2016；Brouwers和Coops，2016）。然而，关于影响ANPP分配模式的环境因素（如气候影响（Ganjurjav等人，2016；Guo等人，2017）、养分可用性（Herrero等人，2013；Yang等人，2022）和人为干扰（Chang等人，2021）仍无共识。由于实地测量BNPP的困难和不确定性，BNPP是陆地生态系统中最重要的但理解最少的碳组成部分之一。Quan等人（2020）和Sun等人（2021a）发现不同物种之间的全球BNPP存在显著差异，占总NPP的40%-80%。部分原因在于缺乏足够的实地观测数据（Cramer等人，1999；Milchunas和Lauenroth，2001；Mokany等人，2006；Xu等人，2012）。因此，减少ANPP和BNPP评估的不确定性有助于准确理解生态系统碳封存和分配的时空模式，这对于系统揭示全球陆地生态系统ANPP和BNPP的驱动机制至关重要。
目前常用的研究NPP的方法主要有三种：现场法、模型模拟和数据驱动模拟。基于现场观测的NPP估算方法（如连续地面调查）准确且直接（Sun等人，2021b；Hou，2023）。然而，由于工作量大和采样难度高，现场观测研究通常覆盖范围较小，难以准确捕捉区域和全球尺度上的NPP变化（Hopkinson等人，2016）。模型模拟已经克服了这一限制，在预测NPP方面越来越受欢迎。气候生产模型（如WBINPP模型；Li等人，1998）、生理生态过程模型（如BIOME-BGC模型；Tucker等人，2005）和生态遥感耦合模型（如BEPS模型；Govind等人，2009；Kang等人，2022）可以利用卫星遥感数据有效推导生态系统参数，快速评估植被碳封存能力（Wang等人，2010）。例如，CASA模型的MODIS NPP数据集因其广泛的覆盖范围和长时间序列而备受关注，可以全面探索植被生产的时空模式（Robinson等人，2018）。然而，生理过程模型和遥感耦合模型复杂且需要大量参数，导致模型运行困难（Gang等人，2011）。随着现场观测数据的增加，开发数据驱动的NPP方法以揭示ANPP和BNPP的分配模式以及它们对环境变化的响应变得越来越重要。
在大数据背景下，基于大量观测和遥感数据的数据驱动模型已成为当前研究的重要方法（Sun等人，2021a）。特别是机器学习模型，如随机森林（Tang等人，2021；Zhou等人，2023a）和RBF-ANN（Wang等人，2017），因结合了观测数据的高准确性和遥感的精细时空分辨率而受到认可。这些模型能够有效进行全球NPP估算（Heumann，2011；Huang等人，2009；Wang等人，2008）。数据驱动模型具有数据适应性，尤其是深度学习网络，不需要复杂的物理参数。此外，数据源量的增加以及深度学习模型的发展，为全球陆地生态系统的空间明确NPP估算提供了极好的机会，有助于理解ANPP和BNPP的碳封存能力。
近年来，由于ANPP和BNPP对环境变化的不同响应，对其估算受到了广泛关注（Tian等人，2016；Wolf等人，2021）。然而，目前仍缺乏高精度的全球尺度ANPP预测方法以及高分辨率和长期数据产品。此外，当前的BNPP估算通常依赖于从相应NPP空间数据中减去ANPP，这可能会引入并放大遥感数据中的不确定性（Gherardi和Sala，2020；Zhou等人，2023）。对间接估算的依赖导致全球NPP估算的不确定性增加，从而模糊了ANPP和BNPP的驱动机制。因此，迫切需要开发具有高空间分辨率和高效估算技术的ANPP和BNPP估算方法。Sun等人（2023）开发了一种新的方法框架，结合了全面的观测数据和环境变量来估算草地生态系统中的ANPP和BNPP。他们强调了在NPP估算中考虑土壤和地形等因素的重要性。然而，全球尺度上高分辨率ANPP和BNPP估算的不确定性阻碍了对其驱动机制的深入理解。因此，提高我们估算ANPP和BNPP的能力有助于更精确地量化碳预算，从而有助于区域和全球尺度上的气候变化缓解策略。
本研究的主要目标是使用多层感知器算法（MLP）预测1981年至2018年间ANPP和BNPP的时空分布模式，分辨率为0.05°。该方法将依赖于更新的ANPP和BNPP观测数据集，从而更准确、更全面地估算这些变量之间的关系。通过使用MLP，本研究旨在捕捉数据中的复杂关系和模式，实现对指定时间和空间分辨率下ANPP和BNPP的稳健和精确估算。同时，结合气候、植被、土壤等相关因素，本研究全面阐明了ANPP和BNPP时空变化的驱动机制。这项研究有助于减少陆地生态系统NPP估算的不确定性，解决了关于长时间段和精细空间分辨率下植被净初级生产力时空动态及其主要影响因素的不完整研究问题，以及相关的调控机制。
部分内容摘录
通过交叉验证验证模型
通过10折交叉验证显示，ANPP的R2值为0.74，RMSE为138.37 g C m?2 yr?1；BNPP的R2值为0.73，RMSE为76.33 g C m?2 yr?1（图2a，d）。此外，与实地观测数据相比，预测的ANPP和BNPP显示出较高的LCCC和RPIQ值（ANPP：0.83，2.38；BNPP：0.84，1.88）（表S2）。LOY和LOS交叉验证进一步证明了MLP模型的可靠性，尤其是在LOS情况下，ANPP和BNPP的R2值...
MLP性能
生态系统观测数据的整合有助于提高全球ANPP和BNPP时空模式的模拟效率，但数据分布不均可能限制模型的有效性（Hou，2023）。本研究中，不同生态系统的ANPP和BNPP实地观测数据显示出异质性分布。对不同生态系统间实地观测到的ANPP和BNPP数据的显著性测试（图1b–c）显示，常绿阔叶林（EBF）表现出显著差异...
结论
我们开发了一个复杂的全球网格系统，能够独立精确估算ANPP和BNPP。尽管面临数据更新缓慢和覆盖不均等挑战，MLP模型在捕捉全球ANPP和BNPP的时空模式方面表现出高效率。时空模式显示ANPP和BNPP均呈显著增长趋势，其中BNPP的增长率最高。值得注意的是，ANPP和BNPP表现出不同的时间趋势...
CRediT作者贡献声明
周涛：撰写 – 审稿与编辑，撰写 – 原始草稿，可视化，验证，监督，软件，资源，项目管理，方法论，调查，正式分析，数据管理，概念化。熊艳婷：监督，撰写 – 审稿与编辑。杨志涵：可视化，方法论，数据管理。侯玉婷：撰写 – 审稿与编辑，撰写 – 原始草稿。张玉清：监督。廖丹：监督。王晓东：监督。徐定辉：
