题目：Widespread increasing vegetation sensitivity to soil moisture
期刊：Nature Communications
01 研究背景
植被是调节地表和大气之间水、能量和碳交换的重要组成部分。与此同时，植被提供多种基本的生态系统服务，如粮食生产和碳吸收，而碳吸收对减缓气候变化至关重要。植被对土壤水分的敏感性变化与多个过程有关：（1）土壤干燥和更频繁的干旱导致敏感性增加；（2）植物可以通过气孔调节水分损失（以减少光合作用为代价）；（3）植被组成可以影响生态系统的水分敏感性。然而，目前气候变化如何影响全球植被对土壤水分供应的敏感性，以及是否存在植被对土壤水分高度敏感的地区尚不明晰。基于此，量化植被对土壤水分敏感性的空间模式及其变化对推断生态系统脆弱性和开发陆面模型具有重要意义，并有助于更准确地预测未来的陆地碳汇和全球气候。
Wantong Li（2022）等人利用1982年至2017年间TRENDY v7模型和观测数据，并通过可解释机器学习的方法系统分析了叶面积指数（LAI）与土壤水分异常（去趋势和去季节化）之间的关系，量化了土壤水分对LAI的影响，揭示了全球LAI对土壤水分敏感性的空间模式，为提高陆面模型预测准确性提供关键支撑。
02 研究数据和方法
2.1 研究数据
1.观测数据
叶面积指数（LAI）：采用第三代全球建模和制图研究LAI（GIMMS3g V1）、陆地长期数据记录LAI（LTDR V 5）、全球陆地表面卫星LAI（GLASS V 40）、长期全球测绘LAI（GLOBMAP V 3）和GEOV 2-AVHRR LAI产品（https://www.theia-land.fr/wp-content/uploads/2020/11/THEIAMU-44-0369-CNES-GEOV2-AVHRR-Product-User-Manual-V2.pdf）。
温度、地表向下太阳辐射、饱和水汽压差（VPD）、总降水量：采用了CRU-JRA V 3.26气象数据集（https://www.dropbox. com/sh/nlwz4n4r2k02ovb/AAC7Bqcom/sh/nlwz4n4r2k02ovb/AAC7BqTjS8fe4CR2IWWAfnRMa?dl=0）。
土壤水分：使用ERA5-Land 再分析数据（https://cds.climate.copernicus.eu/cdsapp#!/dataset/reanalysis-era5-land?tab=form），第1层（0-7厘米深度）作为近表层土壤水分，第2层（7-28厘米）和第3层（28-100厘米）的加权平均值作为次表层土壤水分。
2.模型数据
使用TRENDY v7模型模拟1982-2017年期间的月LAI和多层土壤水分，模型中输入了可变的二氧化碳排量、气候和土地利用变化等，并使用了相同的气候强迫数据集（CRU-JRA v2.0），包括温度、地表向下的太阳辐射（太阳辐射）、VPD、总降水量等。
3.辅助数据
采用来自VCF5KYR数据集的三种类型的土地覆盖和土地利用数据：树木覆盖、非树木覆盖和裸地（http://www.fao.org/aquastat/en/geospatial-information/global-maps-irrigated-areas/latest-version/）。通过非树木覆盖（如草和灌木）与总植被覆盖之间的比率可以区分非树木覆盖分数，并将其作为归因分析中反映植被组成的生态变量之一。
2.2 数据预处理
将所有观测和模型数据的时间和空间分辨率统一插值为月和0.5°×0.5°。在插值后的信号中选择温度大于5°C和LAI平均值大于0.5的生长季节数据，并过滤掉植被指数为负的值以保持时间一致性，同时分别减去长期月平均信号，去除季节性和长期趋势，以获得每个单一植被和水文气候变量的异常。干旱指数计算为长期平均净辐射与降水量之比，干旱值大于1表示为半干旱地区或干旱条件。
2.3 整体敏感性
首先计算每个观测产品（或地表模型）总体敏感性的时间变化和趋势，然后对不同产品进行平均，以获得更稳健的多产品估计。该研究使用可解释的机器学习（SHapley Additive exPlanations：SHAP）研究LAI对土壤水分有效性的敏感性。具体为：将近表层土壤水分对LAI异常的贡献从其他变量（包括次表层土壤水分）的影响中分离。同时，也将次表层土壤水分的贡献从其他变量（包括近表层土壤水分）的影响中分离出来。为此，需要首先训练随机森林模型，然后应用Shapley方法分离每个预测因子对目标变量的边际贡献。随机森林可用于提高结果稳定性，并且它不需要使用足够数量的数据对预测器和目标变量进行统计假设。
2.4 敏感性趋势
将总体敏感性为负或不显著（p>=0.1）的网格单元定义为非土壤水分控制区域，这意味着辐射等与能量相关的变量可能主要控制植被生长。因此，在研究植被-水关系的变化时，首先去除这些网格单元。为了分别了解LAI对近表层和次表层土壤水分敏感性的时间变化，将整个1982-2017年研究期间的数据分为12个3年的区间段（1982-1984年，1985-1987年，...，2015-2017年）。假设3年内LAI和土壤水分之间的网格单元相互作用几乎是线性的，并通过SHAP和泰尔-森回归进一步来推断时间敏感性，使用交叉验证的自带分数移除模型性能低于训练数据本身平均值的网格单元，并显示泰尔-森回归的非显著（p>=0.1）结果。
2.5 归因分析
由于LAI通常更受次表层土壤水分的控制，将重点放在次表层土壤水分上，采用随机森林和SHAP归因方法来预测LAI对次表层土壤水分的敏感性趋势。与此同时，在随机森林模型中使用近表层土壤水分作为预测因子，以推断LAI对次表层土壤水分的敏感性，但没有评估对近表层土壤水分的相应敏感性。接着以敏感性趋势作为目标变量，将生长季节的多个水文气候和生态因素作为预测因子，使用全球网格单元训练模型，然后利用SHAP值来量化每个单一因素对敏感性趋势的边际贡献，最后通过SHAP重要性算法（每个预测变量的绝对加权平均边际贡献）对全球相关变量的重要性进行排序。通过这种方法确定敏感性趋势的主导因素，进一步提出了降水趋势和总体敏感性这两个最重要变量的综合影响，并阐明了分组生态系统的潜在机制。
03 主要发现
3.1 LAI对全球土壤水分敏感性的空间分布
观测结果表明，对近地表土壤水分具有正LAI敏感性的区域的面积分数略高于负敏感性（图1a）。在（半）干旱地区，如北美南部、欧亚大陆南部、南美洲东部、澳大利亚和东非，显著的正敏感性（p<0.01）表明近表层土壤水分的增加增强了LAI。然而在北方地区也存在许多负敏感性地区，这些地区的近表层土壤水分的增加更倾向于抑制LAI增加，这可能与土壤水分过剩如水涝有关（图1a）。LAI对土壤水分的负敏感性也可能是由混合效应引起的，因为温度和辐射等变量是这些地区LAI的主要控制因素，而土壤水分与这些变量呈负相关，对于次表层土壤水分，正敏感性的分布更为广泛（图1b）。
模型中LAI对土壤水分敏感性的全球空间分布与基于观测的结果具有一致性（图1c、d）。进一步对比观测和模型结果发现，对于近表层土壤水分，湿热（干冷）地区LAI的敏感性被高估（低估）了（图1e），对于次表层土壤水分，最大的高估发生在干燥地区，而潮湿地区的偏差较低（图1g），模型模拟的次表层土壤水分的空间敏感性模式与观测结果更一致（图1f、h）。
图1 1982-2017年LAI对全球土壤水分敏感性的空间分布。（a）和（b）分别为观测 LAI对近地表和次表层土壤水分敏感性的空间分布，（c）和（d）为陆面模型LAI对近地表和次表层土壤水分敏感性的空间分布；（e）和（g）为不同土壤水分条件下观测结果和模型结果之间的平均差异，（f）和（h）为不同土壤水分条件下观测和模型结果之间的空间相关性。（a-d）中只显示了通过 p<0.01显著性检验的区域。
3.2 LAI与土壤水分的空间非线性关系
基于观测的结果表明，LAI对土壤水分的敏感性通常在干燥条件下较高，而在潮湿条件下降低，结果呈现非线性关系（图2）。模型与观测结果之间的不匹配和模型之间的差异可能与模型中发生在土壤-植被连续体、根系剖面和水势中的过程不同表示有关。植被水分胁迫也可能与大气干燥（水汽压不足）以及土壤干燥有关，但它们的相对作用仍不明晰，因此难以在模型中捕捉。
图2 全球LAI对土壤水分敏感性的响应函数。（a）为来自观测和陆面模型的LAI敏感性对生长季节平均近地表土壤水分的响应函数；（b）与（a）相似，但LAI对次表层土壤水分的敏感性较高。在a、b中，包括对土壤水分具有显著敏感性的全球网格单元。在p<0.01水平上对每个网格单元进行双侧显著性检验，用泰尔-森回归进行评估。实线和阴影区域显示LAI敏感性的中位数和四分位数范围。a和b的底部为观测和模型中近地表土壤水分的概率分布。
3.3 提高LAI对土壤水分的敏感性
在对全球结果进行平均后，观测LAI对次表层土壤水分的敏感性有显著增加的趋势（图3a）。LAI对次表层土壤水分敏感性的趋势空间分布中，大约30%的区域LAI敏感性增加，主要发生在北美中部和南部、欧亚大陆中部、印度、澳大利亚、东非、南美中部和东部。相比之下，在南非中部、非洲和亚马逊温带、中欧、东亚和中亚，约15%的研究区域观测LAI敏感性下降（图3b），模型模拟的结果也有相似的空间分布（图3c）。
图3 LAI对次表层土壤水分敏感性的变化趋势。（a）为1982- 2017年间每3年平均计算的全球平均LAI对次表层土壤水分敏感性的时间变化，实线表示集合观测和陆面模型的中值结果，阴影区域表示多个LAI产品和模型的LAI灵敏度的四分位数范围；**表示通过Mann-Kendall评估的双侧显著性检验（p<0.01）；（b）为观测LAI对次表层土壤水分敏感性的趋势，（c）为陆面模型中LAI对次表层土壤水分敏感性的趋势，浅蓝色和红色表示变化不显著（p>=0.1）；深蓝色和红色表示显著变化（p<0.1）。在b、c中，对p<0.1水平的每个网格单元进行双侧显著性检验。
3.4 LAI敏感性趋势对土壤水分的归因
归因分析有利于了解LAI对次表层土壤水分敏感性的变化，进行归因分析时只关注次表层土壤水分，因为LAI通常更受该层土壤水分控制。归因分析解释了从相关水文气候和生态变量的观测中推断出的敏感性趋势，揭示了观测空间趋势与LAI对次表层土壤水分的总体敏感性和年际降水趋势密切相关（图5）。将图3b的结果与图4a的结果进行对照分组，发现LAI对次表层土壤水分敏感性的正趋势在总体敏感性最大和降水量减少最多的区域最强。LAI敏感性在确定敏感性趋势中的作用在模型中不清楚，这一关键缺陷正是LAI敏感度建模趋势差的原因（图1、2）。针对已确定的主要对照组，评估了基于模型的LAI敏感性趋势的空间模式（图4b），发现降水的减少（增加）导致LAI对土壤水分的敏感性增加（减少），这与基于观测的结果一致。
图4 按降水趋势和总体敏感性分组的LAI对次表层土壤水分敏感性趋势（a）表示按降水趋势和总体敏感性分组的观测集合平均值中LAI和次表层土壤水分敏感性趋势的中值；每组中网格单元的数量以白色显示；（b）与（a）类似，只把观测数据集替换为陆面模型。
图5 观测LAl对次表层土壤水分敏感性全球趋势的相对重要性和边际贡献。STD为标准差，T为温度，P为降水，VPD为饱和水汽压差，SW为入射短波太阳辐射。
04 主要结论
Wantong Li（2022）等人分析了观测和陆面模型的LAI和土壤水分之间的关系，并通过可解释机器学习的方法，评估了1982-2017年期间全球LAI对土壤水分的敏感性。研究发现，在1982-2017年期间，土壤水分控制区LAI对土壤水分的敏感性显著增加，这种显著增加主要是由水供应（即降水）的减少驱动的，并由LAI对水可用性的敏感性调节。先进的地表模型不能再现这种不断增加的敏感性，这与模型空间模式中LAI总体敏感性的偏差表示有关。
理解土壤水分-植被相互作用的变化需要以整体敏感性的形式共同考虑气候变化和植被特征。LAI总体敏感性结果表明，生态系统对水资源的脆弱性日益增加，这可能导致未来干旱加剧时植被碳吸收的进一步减少，从而加剧气候变化。
05 引发思考
文章利用了多种不同源的观测数据进行结果的互相比对，证明了研究结论的稳健性，同时也与陆面模型结果进行比较，分析了模型不足，为提高陆面模型预测准确性提供关键理论支撑。
文章基于可解释的机器学习，从本质上将土壤水分对LAI的影响与其他相关的驱动因素影响中分离，其可靠性远高于纯粹基于相关性的分析方法。这种可解释的机器学习归因方法，对气候检测与归因的相关研究有着重要的借鉴意义。
编者注
以上总结仅代表个人对论文的理解，仅供研究参考所用，不用于商业用途。若上述理解内容有误，请以论文原文为主。
原文出处
Li,W.,Migliavacca,M., Forkel, M. et al. Widespread increasing vegetation sensitivity to soil moisture. Nat Commun 13, 3959 (2022). https://doi.org/10.1038/s41467-022-31667-9
