题目：Conflicting Changes of Vegetation Greenness Interannual Variability on Half of the Global Vegetated Surface
期刊：Earth’s Future
01 研究背景
植被绿度年际变率（Interannual Variability，IAV）是衡量生态系统稳定性和对气候变化敏感性的关键指标，对于监测气候变化对植被影响具有重要意义。通过卫星遥感技术，可以长期监测植被的绿度，评估生态系统的健康状况和功能，并探究温度、降水和大气二氧化碳浓度变化对植被生长的影响。尽管已有研究利用二氧化碳观测和动态全球植被模型（Dynamic Global Vegetation Models，DGVMs）探讨了植被绿度IAV的变化，Fernández-Martínez等（2023）与Luo和Keenan（2022）的研究表明IAV从1950-1980s开始有所增加。然而，针对1980s以后的IAV变化趋势，研究结果尚存在分歧，且现有研究很少基于卫星观测数据进行分析。因此，未来研究亟需应用高分辨率的卫星遥感数据来进一步分析和解释现有研究中的不一致之处，并提供更精确的IAV变化趋势预测。
基于此，Tian等人（2024）基于多个卫星遥感产品和DGVMs，利用变异系数（Coefficient of Variability，CV）量化了过去40年植被绿度IAV的变化，以深化对全球植被绿度IAV变化的理解，并确定驱动IAV变化的潜在因素。
02 研究数据与方法
2.1 卫星遥感数据
本研究使用了6个长期和3个短期卫星遥感数据集，涵盖 NDVI、LAI、SIF和VOD四种类型的植被指标（表1），使用像素聚合 （Pixel Aggregation，PA） 方法将这些卫星遥感产品的空间分辨率统一标准化到0.5°，并使用最大值合成（Maximum Value Composite，MVC）方法将时间尺度统一到月度。由于GIMMS 不同版本数据集具有高度相似性，本研究主要采用了GIMMS NDVI3g，以及VIP15 NDVI、GLASS LAI和GLOBMAP LAI进行分析。
表1 本研究使用的卫星遥感数据集
2.2 LAI估计值
本研究使用来自TRENDY v9（https://blogs.exeter.ac.uk/trendy/）的12个DGVMs（CABLE、CLASSIC、CLM5、ISAM、ISBA、JULES、LPJ、LPX、ORCHIDEE、SDGVM、VISIT和YIB）1982-2014年月度LAI估计值来检验卫星遥感产品和模型模拟的植被IAV变化的一致性。这些模型提供了四种不同的场景下的LAI估计值，即无强迫变化（S0）、仅改变CO2（S1）、不同的CO2和气候（S2）以及不同的CO2、气候和土地覆盖变化（S3）。本研究主要分析了S3情景下LAI估计值的CV趋势。
2.3 量化植被IAV变化
研究使用变异系数（CV），即标准差与平均值的比率，来量化每个数据集的植被IAV，以此消除NDVI、LAI、SIF和VOD等不同数据集之间的量纲差异，确保结果的可比性。研究中，生长季节定义为每个植被像素日均温高于零的时期，该定义排除了无植被生长的冰冻期，并与MODIS NDVI提取的物候日期高度一致。通过累加生长季内的数据值，得到每年的合成值。随后，计算了每10年移动窗口的CV，CV值对应于每个10年窗口的中间年份。利用Theil-Sen方法估计CV趋势，并通过双尾学生t检验确定其统计显著性。最后，使用Mann-Kendall检验来识别显著的单调递增或递减趋势。
2.4 基于遥感的CV趋势一致性水平的分类
研究使用四个长期卫星遥感产品（VIP15 NDVI、GIMMS NDVI3g、GLASS LAI和GLOBMAP LAI）来评估CV趋势的一致性，使用以下标准对每个植被像素的CV趋势的一致性水平进行了分类：
（a） “virtually certain”（CER）：即四个长期卫星产品显示相同且显著的CV趋势（MK检验，p ≤ 0.1）；
（b） “likely”（LIK）：任意三个卫星产品显示相同且显著的CV趋势；
（c） “about likely as not”（ALN）：任意两个卫星产品显示相同且显著的CV趋势；
（d） “possibly”（POS）：仅一个卫星产品显示显著的CV趋势；
（e）“no change”（NOC）：四个卫星产品均未检测到显著的CV变化；
（f） “conflicting”（CON）：不同的卫星产品检测到的CV趋势存在显著的正负差异。
本研究进一步将这些一致性水平分类为四个类型：正向（即 CER（+）、LIK（+）、ALN（+）和POS（+））、负向（即 CER （-）、LIK （-）、ALN （-） 和POS （-））、无变化（NOC）和矛盾（CON）。
2.5 识别驱动IAV变化的因素
基于以往的研究，本研究选择了几个影响IAV变化的潜在驱动因素，分别是干旱指数 （AI）、年平均气温 （MAT）、年平均降水量 （MAP）、土地利用和土地覆盖变化 （LUCC）、月均LAI、LAI趋势 （LAItrend） 和氮沉积 （N deposition）。从全球干旱指数数据集（https://figshare.com/articles/dataset/Global_Aridity_Index_and_Potential_Evapotranspiration_ET0_Climate_Database_v2/7504448/5）中可获得AI，时间为1970年至2000 年，空间分辨率为30弧秒，本研究使用月度AI进行分析，其中AI值越低表示越干燥。MAT和MAP提取自网格化的CRU-JRA V2.1数据集（6 小时和0.5°分辨率）（https://crudata.uea.ac.uk/cru/data/hrg/v4announcement.htm）。土地利用强度基于1992至2019年的300米分辨率ESA CCI土地覆盖类型产品计算（https://www.esa-landcover-cci.org/?q=node/164），量化了每个0.5°空间网格中土地覆盖变化的比例。年平均LAI为1982年至2014年GLASS LAI 和GLOBMAP LAI的平均值，LAItrend（即斜率）使用 Mann-Kendall 和 Theil-Sen方法计算。N deposition是1984年至2016年氮沉积数据集（https://conservancy.umn.edu/items/1b5b51bd-5167-4407-aac3-232795284584）的平均值，空间分辨率为2°× 2.5°，以上数据集均使用重采样统一分辨率为0.5°×0.5°。
首先使用双样本t检验方法，检验每个因素的高值和低值是否导致统计学上显著不同的CV趋势。基于此，选择了对CV趋势有显著影响的四个因素（即AI、MAT、LAItrend和N deposition），并使用多元回归方法量化它们分别对CV趋势的影响，公式如下：
其中y代表CV趋势，XAI、XMAT、XLAItrend和 XND分别代表AI、MAT、LAItrend和N deposition的归一化值，a、b、c和d是每个因素的系数。
最后，量化每个驱动因素对CV趋势的贡献，公式如下：
其中Y表示 Xfactor的贡献（即XAI、XMAT、XLAItrend和XND），σ表示Xfactor对应的系数。
03 主要发现
3.1 多卫星遥感产品观测到的CV趋势
1982-2014年CV趋势的空间模式存在显著的空间异质性和产品间的趋势差异（图1a-1d）。VIP15 NDVI、GIMMS NDVI3g、GLASS LAI和GLOBMAP LAI得出的全球CV趋势分别为0.008 ± 0.247%/年、-0.002 ± 0.197%/年、-0.182 ± 0.304%/年、0.151 ± 0.381%/年（图1f）。通过比较GIMMS NDVI3g和GIMMS LAI3g的CV趋势，发现两者的差异较小（RMSE=0.14，R2=0.64），表明产品间CV趋势的差异可能更多源自数据处理算法，而非NDVI和LAI 之间的固有差异。此外，PKU GIMMS NDVI的CV趋势与GIMMS NDVI3g产品一致（RMSE=0.09，R2=0.74）。MOD13C1 NDVI、OCO2 SIF和VOD这三个短期卫星遥感数据集显示出不同的CV趋势：VOD呈正趋势，SIF呈负趋势，MOD13C1 NDVI则没有明显的CV趋势（图1e）。
图1 1982- 2014年卫星遥感产品CV趋势的全球分布。植被像素具有统计显著性的CV趋势进行颜色编码（p≤0.1）。（a） VIP15 NDVI（b）GIMMS NDVI3g（c）GLASS LAI（d）GLOBMAP LAI（e）七个卫星遥感产品CV的时间变化。阴影误差线表示平均值±1标准差。（f） 直方图为四种长期卫星遥感产品的CV趋势。
3.2 卫星遥感产品和模型估计CV趋势的一致性
研究比较了四个长期卫星遥感产品得出的CV趋势与12个DGVMs模拟的LAI的CV趋势。结果表明，全球约一半有植被覆盖区域在卫星遥感产品中显示出相互矛盾的CV趋势（图 2a）。另一半区域中，22.20%的植被表面呈现显著的正CV 趋势，主要分布在澳大利亚、亚洲内陆、南部非洲、美国南部和墨西哥；28.20%的植被表面呈现显著的负CV趋势，主要分布在刚果盆地及其周边，以及俄罗斯北部和西部地区（图2b和2d）。同时，在确定为“无矛盾”的区域， DGVMs模拟的LAI的CV趋势与卫星遥感产品观测到的CV趋势之间的相关性较弱（RMSE=0.29，R2=0.18），表明模型与观测数据在描述植被IAV变化方面存在差异。在大约68%的“无矛盾”植被表面区域，模型与卫星遥感产品的趋势大约一致（如北美西部、西伯利亚和澳大利亚），但其余32%的区域，模型与卫星数据表现出相反的趋势（图2e），限制了使用DGVM进行归因分析的可能性。
图2 卫星遥感产品的CV趋势与模型估计LAI的CV趋势的一致性。（a） 四种长期卫星遥感产品（即VIP15 NDVI、GIMMS NDVI3g、GLASS LAI和GLOBMAP LAI）的CV趋势一致性的空间分布。其中从每个遥感产品得出的具有统计意义的CV趋势用颜色编码。（b） 和 （c） 分别是1982年至2014年四个长期卫星遥感产品观测的平均CV趋势和MMEM（即S3情景下12个DGVMs的平均值）得出的CV趋势的空间模式。（d） 直方图总结了卫星遥感产品和MMEM的CV趋势。（e） 卫星遥感产品和MMEM之间的CV趋势散点图。红色实线为拟合线，黑色实线为指1：1线。在 （b）–（e） 中排除了具有CON和NOC类型的区域。
3.3 驱动CV趋势的因素
对于CV趋势显著的地区， AI、MAT、LAItrend和N deposition是影响CV趋势的显著因素（t 检验，p ≤ 0.001）（图 3h）。具体而言，在干旱程度较低、气温较高、LAItrend为负或低N deposition的地区，CV趋势往往更高、更正。与此相对，DGVMs模拟的LAI的CV趋势与卫星遥感产品观测到的CV趋势在响应生物和非生物因素方面存在差异（图 3a-3g），模型通常低估了CV趋势的敏感性，尤其是在干燥、温暖、褐化和低N沉积区域（图 3a-3g）。
图3 驱动CV趋势的潜在因素。（a）-（g）分别表示干旱指数 （AI）、年平均气温（MAT）、年平均降水量（MAP）、土地利用和土地覆盖变化（LUCC）、LAI 趋势 （LAItrend）、月均LAI和氮沉积（N deposition）。每个面板 （a）–（g）包括来自卫星遥感产品和模拟LAI估计得出的平均CV趋势。（h）小提琴图展示了从对应于7个潜在驱动因子的4个长期卫星遥感产品中获得的平均CV趋势。小提琴图的红色实线和黑色实线分别是中位数和平均值。***：p ≤0.001；不显著（ns）：p > 0。
通过多元回归方法，量化了每个驱动因素对CV趋势的贡献。结果显示MAT是CV趋势的主导因素，尤其在MAT绝对值较大的低高纬度地区；AI是降低CV趋势的关键驱动因素，特别是在美国西部、加拿大东部、北欧和亚洲内陆（图4a）。LAItrend在40°N~50°N之间的地区对CV趋势的影响显著，这一地带是能量限制和水分限制区域的分界线，也是植被褐化严重的地区。N deposition对CV趋势的整体影响很小（图4g）。此外，不同遥感产品和模型之间的回归系数存在显著差异，模型普遍低估了CV趋势对这些因素的敏感性（图 4f）。
图4 驱动CV趋势的因素贡献的空间分布。（a）–（d）分别是 AI、MAT、LAItrend和N deposition。排除了从四个长期卫星遥感产品中获得的CV趋势矛盾和无变化的区域。（e）不同因素组合的回归系数。（f）不同的卫星遥感产品和模型LAI估计值的回归系数。（g）每个因素贡献直方图。
04 主要结论
（1）全球约一半的植被区域在不同遥感产品间表现出矛盾的IAV趋势，而另一半区域，22.20%和 28.20%的植被表面分别表现出显著的正和负IAV趋势。
（2）MAT、AI、LAItrend和N deposition是影响植被IAV变化的主要因素。气温较高且较干旱的地区往往具有增加的CV趋势，而更大的植被绿化趋势和较高的氮沉降导致减少的CV趋势。
（3）DGVMs通常无法捕捉从卫星遥感产品中获得的CV趋势，而卫星遥感产品之间的不一致可能是由其过程算法而不是所使用的传感器引起的。
05 引发思考
这项研究揭示了全球植被绿度年际变率的变化趋势及其与气候变化因素（如气温、干旱指数、LAI趋势和氮沉降）之间的关系，同时指出了现有植被模型的不足，并强调了改进遥感数据处理、模型精确度和制定区域化应对策略的必要性，从而引发了对如何更有效地监测、理解和应对气候变化影响的深入思考。
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
Tian, J., & Luo, X. (2024). Conflicting changes of vegetation greenness interannual variability on half of the Global vegetated surface. Earth's Future, 12, e2023EF004119. https://doi.org/10.1029/2023EF004119
参考文献
Fernández-Martínez, M., Peñuelas, J., Chevallier, F., Ciais, P., Obersteiner, M., Rödenbeck, C., et al. (2023). Diagnosing destabilization risk in global land carbon sinks. Nature, 615(7954), 848–853. https://doi.org/10.1038/s41586-023-05725-1
Luo, X., & Keenan, T. F. (2022). Tropical extreme droughts drive long-term increase in atmospheric CO2 growth rate variability. Nature Communications, 13(1), 1193. https://doi.org/10.1038/s41467-022-28824-5
文字来源：王锐婕
图片来源：https://agupubs.onlinelibrary.wiley.com
编辑：王锐婕
审核：谷天顺 陈盈
