全球植被生产力的波动与气候变化密切相关，但气候变化将如何调节植被生产力受气候限制的强度尚不明确。课题组基于Shapley加性可解释(SHAP)机器学习方法，系统追踪了1982至2018年期间全球植被生产力气候限制的时空演变规律。研究结果显示，在温带、寒带和极地地区，温度主要限制生长季早期的植被生产力，温度和辐射共同限制生长高峰期和后期的植被生产力。相比之下，水分和辐射分别主要限制干旱和赤道地区的生产力。此外，研究结果揭示，全球范围内温度限制普遍缓解，而水分限制普遍增强。本研究强调，在理解温暖气候下区域和全球碳动态时，必须更加明确地考虑水分限制的影响。该研究成果近期发表于国际知名期刊JGR-Biogeoscience。

研究背景：

陆地植被生产力作为量化陆地生态系统光合作用碳吸收的基本变量，受温度、太阳辐射、水分可用性和大气CO₂浓度等多种水文气象参数的共同调控。近年来，全球变化显著，已对植被生产力产生重要影响。因此，理解气候变化对植被生产力的影响对于准确预测区域和全球碳循环至关重要。然而，由于植物对环境变化的适应，气候对植被生产力的影响在空间和时间上具有异质性。此外，研究表明，气候变化通过改变水热条件对陆地植被产生了双重影响：变暖通过缓解温度限制、延长生长季节和促进光合作用，增强了北方和北极地区的植被生产力；而在干旱区，气温升高可能加剧水分压力，反而降低植被生产力。广泛的变暖及由湿变干的趋势，重新塑造了植被生产力的气候限制格局，凸显了研究这些限制因素动态变化的必要性。

尽管气候对植被生产力限制的影响已有广泛记录，但由于涉及不同时间尺度、区域和多种因素，分析通常变得复杂。因此，开展全面研究，描述跨季节和区域的植被生产力气候限制及其时间演变，并同时考虑多种气候因素，显得尤为重要。然而，目前尚缺乏系统性研究来解决这一问题。

SHAP是一种基于博弈论的更为稳健、理论基础更强的可解释机器学习方法。SHAP不仅提供一致且数学上精确的特征重要性度量，还能够考虑变量间的相互作用，尤其擅长捕捉复杂非线性关系。因此，SHAP已广泛应用于分类和表面参数反演中的预测因子影响解释，并为生态系统动态提供局部解释。基于长期时间序列GPP数据，我们采用SHAP方法分析了植被生产力气候限制的时空演变规律。

研究方法：

GPP-XGB 模型构建：XGBoost是一种基于迭代树的集成学习算法，包含多个通过纠正前一个树错误进行训练的决策树。该算法采用贪心算法进行特征选择，每次仅涉及一个新特征，从而使模型对共线性不敏感，能够有效捕捉变量间的交互作用并避免过拟合，被广泛应用于生态系统动态的预测和分析。本研究首先提取了1982-2018年期间BELMANIP2站点的ERA5、CO₂浓度和GLASS GPP的月尺度数据。随后，随机选取75%的数据用于训练XGBoost模型，构建GPP-XGB模型，并使用剩余25%的数据进行验证，通过均值误差(ME)、均方根误差(RMSE)和决定系数(R²)评估模型性能。

SHAP可解释机器学习：SHAP通过将模型预测值分解为先验期望和每个输入特征对模型输出的平均边际效应(SHAP值)，量化了机器学习模型中输入和输出变量之间的相关性。对于基于树的机器学习模型，TreeExplainer-based SHAP进一步将SHAP值分解为主效应(SHAP主值，不考虑其他输入变量的交互作用)和变量间的交互效应(SHAP交互值)。XGB-SHAP框架采用这一方法来解释XGBoost模型的预测，已成功应用于全球变化下生态系统植被响应的局部解释。本研究使用XGB-SHAP对构建的GPP-XGB模型进行解释以分离各气候因子对GPP的影响(以SHAP值量化)。SHAP值的单位为g C/m²/d，与GPP的单位一致，表示输入气候变量对预测GPP的贡献。负的SHAP值表示输入变量降低了预测GPP，正值则表示输入变量增加了预测GPP。此外，SHAP值绝对值的平均数可作为给定变量的特征重要性。

分析：使用基于XGB-SHAP的方法，获得了1982年至2018年期间每个气候变量的SHAP值。为了探讨温度、辐射和水分对植被生产力的限制作用，将VPD、SM和PRE归类为水分相关变量。通过分析最小SHAP值对应的变量，确定了温度、辐射和水分中哪个因素是限制植被生产力的主要因素。同时，采用Theil-Sen斜率和Mann-Kendall显著性检验评估SHAP值的趋势，以解释气候限制因素的时间演变。负趋势表明该因素对植被生产力的限制在加强，而正趋势则表明有所缓解。

主要结果：

在全局尺度(图1)，温度是限制植被生产力的主要气候因子，其次是水分和辐射。在局部尺度(图2)，植被生产力的主要气候限制因子具有显著的空间异质性和季节差异：在高纬度和极地地区(如青藏高原和北极苔原)，温度是植被生产力的主要限制因素；相比之下，在干旱区(如非洲南部和澳大利亚)，水分是植被生产力的主要限制因素；而在赤道地区(如亚马逊森林和东南亚)，辐射是植被生产力的主要限制因素。从季节变化来看，温度限制在生长季节的开始和结束时最为显著，影响面积超过总面积的50%；而从5月起，温度限制逐渐减弱，而辐射和水分限制则逐渐增强，面积占比分别在7月和8月达到峰值。

全球大部分地区，尤其是北方地区，植被生产力的温度限制呈现缓解趋势(温度SHAP表现为正趋势)；相反，水分限制在全球范围内呈普遍加剧趋势(水分SHAP表现为负趋势)，尤其在中非和欧洲地区(图3、4)，表明水分对植被生长的重要性正在增强。此外，研究揭示南北半球植被生产力主要受温度限制的区域面积占比均呈现显著减少趋势，其中北半球在6月的减少最为显著，速率为每年2.2‰，而南半球在7月的减少最为显著，速率为每年1.2‰；相反，受水分主要限制的区域面积占比均呈显著增加趋势，其中北半球在6月最明显，速率为每年2.8‰，而南半球在9月最明显，速率为每年3.3‰(图5)。

2024年12月15日，国家重点研发计划“典型脆弱生态系统保护与修复”专项项目第一（“多尺度植被结构参量分层精细遥感反演技术”，北京师范大学主持）、第二课题（“生态系统关键过程参量遥感估算技术”，西南交通大学主持）2024年度联合总结会议以线上、线下结合方式在北京顺利召开。

会议邀请了北京大学范闻捷教授、北京林业大学黄华国教授、南京大学居为民教授、北京大学袁文平教授担任会议专家。项目负责人中国科学院空天信息创新研究院柳钦火研究员、课题负责人北京师范大学阎广建教授、西南交通大学尹高飞教授及项目组15余位骨干成员参加了本次会议。会议由居为民教授主持。

会议首先由柳钦火研究员介绍与会专家及参会成员，并致欢迎辞。各子课题负责人围绕年度工作进展、年度考核目标完成情况、经费使用情况以及下年度工作安排进行了详细汇报。本课题年度代表性成果包括：(1)构建了考虑土壤背景影响的SIF冠层逃逸概率估算机理模型，为后续的SIF高光谱反演奠定了基础；(2)发展了基于光谱不变理论的叶片光谱重构方法，通过该方法可以提高叶片叶绿素含量估算精度；(3)提出了基于三维模型的叶片叶绿素含量反演方法，该方法更有利于无人机数据发挥其高空间分辨率优势；(4)发展了生态系统碳水循环过程分层原型模型等。

专家组听取了各子课题的进展汇报，并对课题的进展和成果表示高度肯定，同时提出了宝贵建议。会议最后，专家组与课题组成员进行了深入交流与讨论，进一步明确了下一阶段的研究重点与技术攻关方向。