文章题目：Predictability of abrupt shifts in dryland ecosystem functioning
发表期刊：Nature Climate Change
影响因子：29.6
第一单位：比利时鲁汶大学
在线日期：2024-01-03
干旱地区的生态系统对于全球碳循环和人类生存具有重要意义，支撑着全球三分之一的人口。然而，这些生态系统正面临气候变化和人类活动的双重压力，导致土地退化、荒漠化，并可能影响其作为碳汇的功能。特别是在全球变暖的背景下，干旱地区可能经历 渐进性变化或突变（abrupt shifts），后者通常由临界阈值被突破或外部冲击（如极端气候事件或人为干扰）引发。
传统的 早期预警信号（EWS, Early Warning Signals） 对于检测这些突变至关重要，有助于提前识别风险区域，避免生态系统退化；支持干旱地区的可持续发展，维持生态服务功能；帮助制定气候适应和缓解策略，减少粮食安全威胁。尽管时间自相关性（temporal autocorrelation）等度量方法在实验环境或理论研究中可有效检测突变，但由于遥感数据的噪声、时间序列较短，这些方法在大规模应用中存在局限性。此外，现有的突变预测研究主要集中于水生生态系统，而对于干旱生态系统，尤其是基于卫星数据的预测研究仍然不足。
本研究使用机器学习（Machine Learning, ML）方法，结合多种遥感和地理数据，提高突变预测的准确性。以 苏丹-萨赫勒地区（Sudano–Sahelian） 作为研究区域，分析 2025 年可能发生的生态系统突变风险。结合 时间自相关、降水和植被动态、土壤特征及人类活动压力，优化预测模型。通过 交叉验证 评估模型的适用性，并与传统 基于度量的预警信号方法（logistic regression） 进行比较。
研究使用 Boosted Regression Trees（BRT） 模型进行预测，并采用 时间交叉验证（Temporal Cross-validation）进行评估。模型的总体准确率达 75.1%，精确度 76.6%，召回率 72.3%，F1 分数 74.3%。BRT 模型相比传统 Logistic Regression 方法更准确，后者仅使用时间自相关性进行预测，表现较差。不同预测时间窗口（1-5 年提前量） 评估表明，1-3 年的预测表现较稳定，而 4 年及以上的预测准确性有所下降。
通过变量重要性分析，模型确定了降水减少的地区更容易发生生态系统突变。过去 20 年，苏丹-萨赫勒地区部分区域降水持续下降，增加了突变风险。高降水变异性（24-33mm）使生态系统更不稳定，可能增加突变的可能性。随着全球变暖，干旱地区的降水变异性预计会加剧。NDVI 变异性越大，生态系统越不稳定，更容易出现突变。土壤养分影响植被对环境变化的响应，氮含量较低的区域更容易出现功能退化。在人口密度较高（0-19 人/km²）的地区，突变概率增加，但在高度人口稠密区域，该效应趋于稳定。这主要是由于缓慢的土地利用变化（如农业扩张）会逐步降低生态系统的弹性，使其更容易出现突变；但在人口密集地区，土地利用可能已经发生剧烈变化，因此突变难以提前预测。
研究利用 BRT 模型进行前瞻性预测，研究区大部分区域突变风险较低（低于 31%），但少数区域突变风险极高（高于 90%）。高风险地区主要位于科特迪瓦北部、加纳中部、贝宁、托戈和尼日利亚部分区域。在这些高风险区域长期降水趋势为负值（-0.111 ± 0.137），表明降水持续减少。降水变异性较高（32.27 ± 5.54 mm），增加了生态系统的不稳定性。
相邻地区经历突变后，该地区发生突变的概率增加 32.2%。可能是由于生态系统存在 空间依赖性，当邻近区域生态功能退化时，剩余区域受到的压力增加，使其更容易发生突变。
机器学习预测模型存在 27.7% 的假阴性率（即实际发生突变但未被预测到）。未能预测因突发事件（如砍伐森林或极端气候事件）导致的突变。数据噪声和时间序列过短可能影响预测效果。
本研究成功开发了一种基于机器学习的早期预警系统，可在 1-3 年提前预测干旱生态系统的突变风险。降水长期下降趋势和降水变异性是突变的主要驱动因素，气候变化加剧可能进一步增加突变的风险。高风险区域主要集中在西非的部分地区（如科特迪瓦、加纳、尼日利亚等），这些地区的生态系统可能在 2025 年面临较大压力。突变可能由生态系统临界阈值被突破引发，空间邻近性也会影响突变的发生。未来干旱地区的保护措施应重点关注 降水减少区域，通过生态修复和可持续管理 降低生态系统突变的风险。
图1.时间序列示例以及相关预测因素如何影响突然的转移发生。A – D，RUE和相关预测变量的时间序列：季节性的NDVI和降雨趋势和时间AC1。示例表明，在模型正确预测的情况下，突然移动发生的像素（a，b）（c）；并且没有发生，但模型错误地预测了发生的情况（d）。训练期（方法）在时间序列中以黑色突出显示。时间序列中的棕色线是趋势线。e – h提出了变量对模型预测的影响；最右键表示模型得出的最终概率：在E，F和H中预测突然的偏移发生，而在G中，预测是不会发生变化。通过仅依靠B中的AC1趋势强度，将不预测转移，而将这些信息与其他预测变量相结合，从而做出了正确的预测。SD，标准偏差。
图2.BRT模型性能和预测变量的边际效应图。A，BRT和Logistic回归（LOG）模型性能。B，BRT模型对不同交货时间的敏感性。在A和B中，重复评估十次（方法）；数据表示为平均值±标准偏差。根据Kruskal – Wallis，随后进行了邓恩的事后测试，不同的字母代表组之间的显着（p <0.05）差异。C – F，降雨SD（C），降雨趋势（D），NDVI SD（E）和AC1趋势强度（F）的边际效应图。黄土方法用于推断趋势（蓝色）曲线。
图3.在2025年发生突然变化的风险增加的地区。该地图代表了由BRT模型估计的2025年突然转移概率，该模型培训了三年的交货时间，并使用NDVI和降雨数据（方法）。仅分析了水限制环境中的像素（方法）。
