全球植被光合生理与总初级生产力的时空特征及其关键水热驱动因素

doi:10.7522/j.issn.1000-694X.2026.00148

摘要/Abstract

摘要：

在全球气候变化加剧的背景下，探明植被光合生理信号与总初级生产力的时空分异特征及其水热驱动机制，是准确评估全球碳汇潜力的关键。本研究基于2002—2024年全球LHSIF和TRAX GPP数据，分析了全球植被日光诱导叶绿素荧光（SIF）和总初级生产力（GPP，以C计量）的时空变化及其关键水热驱动因素。结果表明：全球植被SIF和GPP的年际变化速率中位数分别为5.48×10⁻⁴ mW·m⁻²·sr⁻¹·nm⁻¹·a⁻¹和7.5×10⁻³ g·m⁻²·d⁻¹·a⁻¹；变化趋势整体以稳定和上升为主，SIF显著上升和下降区域分别占29.88%和8.64%，GPP分别占31.07%和21.56%，部分区域的光合生理信号未能同步转化为生态系统碳固定能力；SIF主要受热量或辐射因子驱动（相对贡献为57.87%），GPP则更受水分因子驱动（相对贡献为55.95%），SIF与GPP的主导驱动因子在不同植被类型和气候类型下发生系统性转变，光合生理信号向碳固定结果的转化受区域水热条件、气候背景和植被功能属性共同控制；总蒸散发、总降水量及地表向下热辐射等关键水热因子对植被光合与生产力的驱动作用呈现出非线性特征与阈值效应，且在不同的长期变化趋势下表现出非对称性。

关键词: 全球植被, 陆地碳汇, 日光诱导叶绿素荧光, 总初级生产力, 时空演变, 水热驱动, 随机森林

Abstract:

Against the backdrop of intensifying global climate change， elucidating the spatiotemporal differentiation characteristics of vegetation photosynthetic physiological signals and gross primary productivity， along with their hydrothermal driving mechanisms， is crucial for accurately assessing the global carbon sink potential. Based on global LHSIF and TRAX GPP data spanning from 2002 to 2024， this study analyzed the spatiotemporal variations in solar-induced chlorophyll fluorescence （SIF） and gross primary productivity （GPP）， and identified their key hydrothermal drivers. The results show that the interannual variation rates of global SIF and GPP are 5.48×10^-4 mW·m^-2·sr^-1·nm^-1·a^-1 and 7.5×10^-3 g·m^-2·d^-1·a^-1， respectively. The overall variation trends are predominantly stable and increasing， with areas showing significant increases and decreases in SIF accounting for 29.88% and 8.64%， respectively， and those for GPP accounting for 31.07% and 21.56%， respectively. In some regions， photosynthetic physiological signals fail to synchronously translate into ecosystem carbon sequestration capacity. Furthermore， SIF is primarily driven by thermal or radiation factors （with a relative contribution of 57.87%）， whereas GPP is more strongly driven by moisture factors （with a relative contribution of 55.95%）. The dominant driving factors of SIF and GPP undergo systematic shifts across different vegetation types and climate zones， and the translation of photosynthetic physiological signals into carbon sequestration outcomes is jointly controlled by regional hydrothermal conditions， climatic backgrounds， and vegetation functional attributes. Further analysis indicates that the driving effects of key hydrothermal factors， including total evapotranspiration， total precipitation， and surface thermal radiation downwards， on vegetation photosynthesis and productivity exhibit pronounced non-linear characteristics and threshold effects. Additionally， these driving mechanisms demonstrate asymmetry under different long-term variation trends.

Key words: global vegetation, terrestrial carbon sink, solar-induced chlorophyll fluorescence, gross primary productivity, spatiotemporal evolution, hydrothermal drivers, random forest

中图分类号:

Q945

张雅梅, 宋美垚, 贾冬梅. 全球植被光合生理与总初级生产力的时空特征及其关键水热驱动因素[J]. 中国沙漠, 2026, 46(5): 300-313.

Yamei Zhang, Meiyao Song, Dongmei Jia. Spatiotemporal characteristics and key hydrothermal driving factors of global vegetation photosynthetic physiology and gross primary productivity[J]. Journal of Desert Research, 2026, 46(5): 300-313.

图/表 9

参考文献 47

[1]	Intergovernmental Panel on Climate Change （IPCC）.Climate Change and Land：IPCC Special Report on Climate Change，Desertification，Land Degradation，Sustainable Land Management，Food Security，and Greenhouse Gas Fluxes in Terrestrial Ecosystems［M］.Cambridge，UK：Cambridge University Press，2022.
[2]	Beer C， Reichstein M， Tomelleri E，et al.Terrestrial gross carbon dioxide uptake：global distribution and covariation with climate［J］.Science，2010，329（5993）：834-838.
[3]	Myneni R B， Keeling C D， Tucker C J，et al.Increased plant growth in the northern high latitudes from 1981 to 1991［J］.Nature，1997，386（6626）：698-702.
[4]	Piao S L， Wang X H， Park T，et al.Characteristics，drivers and feedbacks of global greening［J］.Nature Reviews Earth & Environment，2019，1（1）：14-27.
[5]	Zhu W Q， Xie Z Y， Zhao C L，et al.Remote sensing of terrestrial gross primary productivity：a review of advances in theoretical foundation，key parameters and methods［J］.GIScience & Remote Sensing，2024，61（1）：2318846.
[6]	Mohammed G H， Colombo R， Middleton E M，et al.Remote sensing of solar-induced chlorophyll fluorescence （SIF） in vegetation：50 years of progress［J］.Remote Sensing of Environment，2019，231：111177.
[7]	刘良云，杜珊珊，刘新杰，等.日光诱导叶绿素荧光卫星遥感：原理、进展与展望［J］.遥感技术与应用，2026，41（1）：1-22.
[8]	Li X， Xiao J F， He B B，et al.Solar-induced chlorophyll fluorescence is strongly correlated with terrestrial photosynthesis for a wide variety of biomes：first global analysis based on OCO-2 and flux tower observations［J］.Global Change Biology，2018，24（9）：3991-4008.
[9]	Zhang Y G， Guanter L， Berry J A，et al.Model-based analysis of the relationship between sun-induced chlorophyll fluorescence and gross primary production for remote sensing applications［J］.Remote Sensing of Environment，2016，187：145-155.
[10]	Madani N， Parazoo N C， Kimball J S，et al.Recent amplified global gross primary productivity due to temperature increase is offset by reduced productivity due to water constraints［J］.AGU Advances，2020，1（4）：e2020AV000180.
[11]	Lu H B， Qin Z C， Lin S R，et al.Large influence of atmospheric vapor pressure deficit on ecosystem production efficiency［J］.Nature Communications，2022，13（1）：1653.
[12]	佀海翔，王瑞燕，王秋红.黄河流域植被光合动态时空演变及归因分析：基于日光诱导叶绿素荧光数据［J］.生态学报，2024，44（13）：5695-5705.
[13]	季永月，曾思栋，吴涵，等.全球植被总初级生产力时空演变及其关键环境因素［J］.水土保持研究，2026，33（4）：212-221.
[14]	Pickering M， Cescatti A， Duveiller G.Sun-induced fluorescence as a proxy for primary productivity across vegetation types and climates［J］.Biogeosciences，2022，19（20）：4833-4864.
[15]	Martini D， Sakowska K， Wohlfahrt G，et al.Heatwave breaks down the linearity between sun-induced fluorescence and gross primary production［J］.New Phytologist，2022，233（6）：2415-2428.
[16]	Zou C， Liu L Y， Du S S，et al.LHSIF：the long-term harmonized multi-satellite SIF dataset with a resolution of 0.05° spanning 1995 to 2024［DS/OL］.Zenodo，2025..
[17]	Zou C， Du S S， Liu X J，et al.Development of the long-term harmonized multi-satellite SIF （LHSIF） dataset at 0.05° resolution （1995-2024）［J］.Earth System Science Data，2026，18（1）：55-75.
[18]	Chen S Y， Liu X J， Han Q Z，et al.TRAX GPP：global 0.05° monthly GPP dataset （2001-2024） derived from a hybrid LSTM framework［DS/OL］.Zenodo，2026..
[19]	Chen S Y， Liu X J， Han Q Z，et al.A global 0.05° gross primary production dataset from 2001 to 2024 generated using a hybrid LSTM framework［J］.Scientific Data，2026，13（1）：882.
[20]	Copernicus Climate Change Service.ERA5-land monthly averaged data from 1950 to present［DS/OL］.Copernicus Climate Change Service （C3S） Climate Data Store （CDS），2019..
[21]	Friedl M， Sulla-Menashe D.MODIS/terra+aqua land cover type yearly L3 global 0.05Deg CMG V061［DS/OL］.NASA Land Processes Distributed Active Archive Center，2022..
[22]	Beck H E， Zimmermann N E， McVicar T R，et al.Present and future Köppen-Geiger climate classification maps at 1-km resolution［DS/OL］.Figshare，2018..
[23]	王婷，周道玮，神祥金，等.中国柯本气候分类［J］.气象科学，2020，40（6）：752-760.
[24]	Lillesand T M， Kiefer R W， Chipman J W.Remote Sensing and Image Interpretation［M］. Hoboken，NJ，USA：Wiley，2015.
[25]	Theil H.A rank-invariant method of linear and polynomial regression analysis［J］.Indagationes Mathematicae，1950，12（85）：173.
[26]	Sen P K.Estimates of the regression coefficient based on Kendall’s tau［J］.Journal of the American Statistical Association，1968，63（324）：1379-1389.
[27]	Mann H B.Nonparametric tests against trend［J］.Econometrica，1945，13（3）：245-260.
[28]	Kendall M G.Rank Correlation Methods［M］.London，UK：Griffin，1975.
[29]	Gocic M， Trajkovic S.Analysis of changes in meteorological variables using mann-kendall and sen's slope estimator statistical tests in Serbia［J］.Global and Planetary Change，2013，100：172-182.
[30]	Nemani R R， Keeling C D， Hashimoto H，et al.Climate-driven increases in global terrestrial net primary production from 1982 to 1999［J］.Science，2003，300（5625）：1561-1563.
[31]	Wright M N， Ziegler A.ranger：A fast implementation of random forests for high dimensional data in C++ and R［J］.Journal of Statistical Software，2017，77（1）：1-17.
[32]	Breiman L.Random forests［J］.Machine Learning，2001，45（1）：5-32.
[33]	Lundberg S M， Lee S I.A unified approach to interpreting model predictions［J］.Advances in Neural Information Processing Systems，2017，30：4765-4774.
[34]	Lundberg S M， Erion G， Chen H，et al.From local explanations to global understanding with explainable AI for trees［J］.Nature Machine Intelligence，2020，2（1）：56-67.
[35]	Butterfield Z， Magney T， Grossmann K，et al.Accounting for changes in radiation improves the ability of SIF to track water stress-induced losses in summer GPP in a temperate deciduous forest［J］.Journal of Geophysical Research：Biogeosciences，2023，128（7）：e2022JG007352.
[36]	Chen J D， Liu X J， Yang G J，et al.Different responses of solar-induced chlorophyll fluorescence at the red and far-red bands and gross primary productivity to air temperature for winter wheat［J］.Remote Sensing，2022，14（13）：3076.
[37]	Peng J L， Tang J W， Xie S D，et al.Evidence for the acclimation of ecosystem photosynthesis to soil moisture［J］.Nature Communications，2024，15（1）：9795.
[38]	Chen C， Park T， Wang X H，et al.China and India lead in greening of the world through land-use management［J］.Nature Sustainability，2019，2（2）：122-129.
[39]	Konings A G， Williams A P， Gentine P.Sensitivity of grassland productivity to aridity controlled by stomatal and xylem regulation［J］.Nature Geoscience，2017，10（4）：284-288.
[40]	Forkel M， Carvalhais N， Rödenbeck C，et al.Enhanced seasonal CO₂ exchange caused by amplified plant productivity in northern ecosystems［J］.Science，2016，351（6274）：696-699.
[41]	Zhao M S， Running S W.Drought-induced reduction in global terrestrial net primary production from 2000 through 2009［J］.Science，2010，329（5994）：941-943.
[42]	Jung M， Reichstein M， Ciais P，et al.Recent decline in the global land evapotranspiration trend due to limited moisture supply［J］.Nature，2010，467（7318）：951-954.
[43]	Porcar-Castell A， Tyystjärvi E， Atherton J，et al.Linking chlorophyll a fluorescence to photosynthesis for remote sensing applications：mechanisms and challenges［J］.Journal of Experimental Botany，2014，65（15）：4065-4095.
[44]	Wohlfahrt G， Gerdel K， Migliavacca M，et al.Sun-induced fluorescence and gross primary productivity during a heat wave［J］.Scientific Reports，2018，8（1）：14169.
[45]	Jung M， Reichstein M， Schwalm C R，et al.Compensatory water effects link yearly global land CO₂ sink changes to temperature［J］.Nature，2017，541（7638）：516-520.
[46]	Grossiord C， Buckley T N， Cernusak L A，et al.Plant responses to rising vapor pressure deficit［J］.New Phytologist，2020，226（6）：1551-1566.
[47]	Yuan W P， Zheng Y， Piao S L，et al.Increased atmospheric vapor pressure deficit reduces global vegetation growth［J］.Science Advances，2019，5（8）：eaax1396.

水热驱动因子	类别	单位	ERA5-Land变量名
总降水量(tp)	水	m	Total precipitation
地下径流(ssro)	水	m	Sub-surface runoff
地表径流(sro)	水	m	Surface runoff
植被蒸腾蒸发(evavt)	水	m(水当量)	Evaporation from vegetation transpiration
潜在蒸散发(pev)	水	m	Potential evaporation
总蒸散发(e)	水	m(水当量)	Total evaporation
地表储水量(src)	水	m(水当量)	Skin reservoir content
土壤体积含水量1(swvl1)	水	m³·m^-3	Volumetric soil water （layer 1）
土壤体积含水量2(swvl2)	水	m³·m^-3	Volumetric soil water （layer 2）
土壤体积含水量3(swvl3)	水	m³·m^-3	Volumetric soil water （layer 3）
土壤体积含水量4(swvl4)	水	m³·m^-3	Volumetric soil water （layer 4）
气温(t_2m)	热	K	2 metre temperature
土壤温度1(stl1)	热	K	Soil temperature （layer 1）
土壤温度2(stl2)	热	K	Soil temperature （layer 2）
土壤温度3(stl3)	热	K	Soil temperature （layer 3）
土壤温度4(stl4)	热	K	Soil temperature （layer 4）
地表净太阳辐射(ssr)	热	J·m^-2	Surface net solar radiation
地表向下太阳辐射(ssrd)	热	J·m^-2	Surface solar radiation downwards
地表净热辐射(str)	热	J·m^-2	Surface net thermal radiation
地表向下热辐射(strd)	热	J·m^-2	Surface thermal radiation downwards
地表潜热通量(slhf)	热	J·m^-2	Surface latent heat flux
地表感热通量(sshf)	热	J·m^-2	Surface sensible heat flux

水热驱动因子	类别	单位	ERA5-Land变量名
总降水量(tp)	水	m	Total precipitation
地下径流(ssro)	水	m	Sub-surface runoff
地表径流(sro)	水	m	Surface runoff
植被蒸腾蒸发(evavt)	水	m(水当量)	Evaporation from vegetation transpiration
潜在蒸散发(pev)	水	m	Potential evaporation
总蒸散发(e)	水	m(水当量)	Total evaporation
地表储水量(src)	水	m(水当量)	Skin reservoir content
土壤体积含水量1(swvl1)	水	m³·m^-3	Volumetric soil water （layer 1）
土壤体积含水量2(swvl2)	水	m³·m^-3	Volumetric soil water （layer 2）
土壤体积含水量3(swvl3)	水	m³·m^-3	Volumetric soil water （layer 3）
土壤体积含水量4(swvl4)	水	m³·m^-3	Volumetric soil water （layer 4）
气温(t_2m)	热	K	2 metre temperature
土壤温度1(stl1)	热	K	Soil temperature （layer 1）
土壤温度2(stl2)	热	K	Soil temperature （layer 2）
土壤温度3(stl3)	热	K	Soil temperature （layer 3）
土壤温度4(stl4)	热	K	Soil temperature （layer 4）
地表净太阳辐射(ssr)	热	J·m^-2	Surface net solar radiation
地表向下太阳辐射(ssrd)	热	J·m^-2	Surface solar radiation downwards
地表净热辐射(str)	热	J·m^-2	Surface net thermal radiation
地表向下热辐射(strd)	热	J·m^-2	Surface thermal radiation downwards
地表潜热通量(slhf)	热	J·m^-2	Surface latent heat flux
地表感热通量(sshf)	热	J·m^-2	Surface sensible heat flux

气候类型	占比	气候类型	占比	气候类型	占比
热带雨林气候	21.61%	常湿冷温气候	7.17%	热带草原气候	2.87%
苔原气候	18.27%	冬干冷温气候	6.65%	冬干暖温气候	2.01%
热带季风气候	17.12%	沙漠气候	5.55%	常湿暖温气候	1.81%
夏干冷温气候	13.11%	夏干暖温气候	3.19%	草原气候	0.64%

气候类型	占比	气候类型	占比	气候类型	占比
热带雨林气候	21.61%	常湿冷温气候	7.17%	热带草原气候	2.87%
苔原气候	18.27%	冬干冷温气候	6.65%	冬干暖温气候	2.01%
热带季风气候	17.12%	沙漠气候	5.55%	常湿暖温气候	1.81%
夏干冷温气候	13.11%	夏干暖温气候	3.19%	草原气候	0.64%

气候类型	有效像元数(n)	SIF				GPP
气候类型	有效像元数(n)	主导因子	主导因子的贡献度	R²	CVR²	主导因子	主导因子的贡献度	R²	CV R²
冬干冷温气候	52 982	地表向下热辐射(strd)	32.44%	0.95	0.76	地下径流(ssro)	20.64%	0.92	0.78
冬干暖温气候	43 405	地表净热辐射(str)	17.32%	0.90	0.68	地表储水量(src)	40.79%	0.90	0.75
夏干冷温气候	13 510	地表向下热辐射(strd)	27.79%	0.94	0.76	地表向下太阳辐射(ssrd)	33.38%	0.94	0.72
夏干暖温气候	11 606	地表净热辐射(str)	20.72%	0.89	0.62	地表储水量(src)	23.38%	0.89	0.53
常湿冷温气候	219 662	总蒸散发(e)	31.46%	0.96	0.89	地表向下热辐射(strd)	17.22%	0.87	0.66
常湿暖温气候	51 824	地表感热通量(sshf)	19.51%	0.87	0.58	地表储水量(src)	35.06%	0.90	0.66
沙漠气候	22 836	地表向下热辐射(strd)	23.78%	0.96	0.69	地表向下热辐射(strd)	17.07%	0.92	0.28
热带季风气候	32 953	地表储水量(src)	26.23%	0.82	0.34	地表储水量(src)	44.23%	0.85	0.54
热带草原气候	117 187	地表储水量(src)	37.35%	0.88	0.69	地表储水量(src)	43.10%	0.88	0.74
热带雨林气候	43 951	地表感热通量(sshf)	10.86%	0.65	0.09	地表储水量(src)	29.45%	0.70	0.37
苔原气候	27 811	总降水量(tp)	28.93%	0.95	0.87	地表向下热辐射(strd)	24.66%	0.92	0.78
草原气候	105 007	地表向下热辐射(strd)	28.26%	0.94	0.80	总蒸散发(e)	21.95%	0.90	0.67