朴世龙院士团队NEE | 气候引起的树木死亡信号被广泛和长期的绿化所掩盖
文摘
科学
2024-03-12 13:36
北京
![]()
植被绿化被认为是近几十年来的主要趋势，但干旱和热浪后森林中树木死亡的严重脉冲也被广泛报道。这些观察结果提出了一个问题：观测到的气候引起的树木死亡信号可能会在多大程度上影响空间颗粒和时间范围内的整体植被绿度。本文比较了全球1303 个树木死亡地点不同时空尺度的生长季节归一化差异植被指数 (NDVIGS)的变化，还使用机器学习算法（XGBoost 和 SHAP 模型）来确定有助于解释这些变化的主要环境和生态系统因素（图3）。为了验证研究结果的稳健性，文章还使用不同的数据集和方法进行了一系列验证分析。![]()
图1.来自与树木死亡地点位置相对应的多尺度传感器的 NDVIGS变化。（a）全球 1,303 个因干旱和/或极端高温而导致树木死亡的地点的地理位置；（b）树木死亡事件发生年份的NDVIGS异常（ΔNDVI）频率分布，根据三个传感器的去趋势 NDVIGS 时间序列计算得出；(c)来自 Landsat (1984-2020)、MODIS (2000-2020) 和 GIMMS (1982-2015) 的 NDVIGS的正向（绿化）、负向（褐化）和非显著趋势的比例
结果表明全球植被绿化与树木死亡率上升这两种看似截然不同的观测结果，一般表现在不同的时空尺度上。在较高的空间分辨率下，严重的树木死亡事件对遥感得出的植被绿化率（ΔNDVI）有短期的负面影响。然而，如果以更粗的空间尺度或更长的时间尺度来考察，这些影响可能会被部分甚至完全掩盖（图1）。在 30 米分辨率下，树木死亡引起的NDVIGS减少(|ΔNDVI|)与本地植物物种丰富度（NSR）和林高负相关,地形异质性是导致不同空间粒度下ΔNDVI不同的主要因素（图3）。研究结果强调了时空尺度对于统一理解气候变化在渐进（例如变暖和二氧化碳增加）和突然（例如干旱和热浪）变化下对森林生产力和树木死亡率的影响的重要性。![]()
图2.根据不同传感器的 ΔNDVI 值将树木死亡地点分类。本研究中使用的树木死亡地点的全球数据集是通过Hammond等人（2022）先前报道的树木死亡事件的荟萃分析获得的。该数据集记录了1970-2018 年间极端干旱和热应激导致的1303 个地点树木死亡事件的地理参考位置和时间。使用了三个卫星传感器: Landsat (30m)、MODIS（250m）以及AVHRR（8km）的NDVI和EVI产品，借助GEE对数据进行了预处理。从TerraClimate数据库提取了树木死亡地点的 PDSI、SPEI 和降水量；从HWSD v1.2数据库提取了AWC等土壤信息；植被属性数据（林高、根深、树木密度）提取自全球森林树冠高度数据集、全球地球观测综合水资源评估项目及相应的全球产品。使用了本地植物物种丰富度（NSR）数据间接指示全球植物物种丰富度梯度。高程、坡度及坡向等地形信息来自于SRTM30m分辨率的DEM数据。研究使用了针对自相关数据改进的Mann-Kendall趋势检验检查树木死亡地点的NDVIGS、NDVImax和EVIGS的长期趋势，在 P<0.05 水平上确定了 Mann-Kendall 趋势分析的显著趋势。计算了 ΔNDVI 值作为树木死亡率短期影响的衡量标准，ΔNDVI是树木死亡发生年份NDVIGS的去趋势距平。使用单向方差分析比较了三个卫星产品整个周期的 ΔNDVI，考虑到这三种产品覆盖了不同的时间段，还使用t检验对这三种产品中每对重叠时间段的ΔNDVI进行了配对比较。通过比较不同分辨率卫星产品的ΔNDVI值，将所有可用站点分为四大类（图2）。结合使用 XGBoost 和 SHAP 模型来检查 |ΔNDVILandsat| 之间与15个自变量（干旱强度、年平均降水量、AWC、土壤粘粒含量、土壤砂粒含量、林高、根深、树木密度、NSR、高程、坡度、坡向、elevation_cv、slope_cv和aspect_cv）。同样的机器学习模型也被用来分析驱动因素对不同空间尺度树木死亡强度差异的影响。![]()
文章进行了一系列的额外数据分析以检验结果的稳健性：1）为了消除传感器之间系统差异的潜在影响并验证相关结果的稳健性，使用Landsat数据构建了270m和8km的组合网格计算了每个树木死亡地点 270 米或 8 公里组合网格内树木死亡的 Landsat 像素的百分比，并使用机器学习模型研究其变化的因素；2）为了进行同一时间段的比较，比较了不同传感器重叠时间段内NDVIGS的趋势；3）比较了基于 Landsat 数据的 270 m 和 8 km 的组合网格以及相应的 MODIS 和 GIMMS 网格ΔNDVI；4)使用NDVImax和EVIGS代替NDVIGS，分析其趋势变化；5）为了检验气候数据的分辨率的影响，使用0.5°分辨率的降水和SPEI代替4公里分辨率的降水和PDSI，并重新运行机器学习模型。![]()
图3.多尺度传感器的ΔNDVI 对潜在驱动因素的依赖性。驱动因素的重要性按降序排列，分别针对|ΔNDVILandsat|、YLandsat-MODIS 和 YLandsat-GIMMS的变化。
*原文链接：https://doi.org/10.1038/s41559-024-02372-1 *论文作者：Yuchao Yan【Peking University】，Shilong Piao*【Peking University】,...,Anping Chen*【Colorado State University】,...
