论文内容
研究背景：
近几十年来，对不同气候条件下(过去、现在和未来)大尺度植被分布的理解和预测主要采用两种自下而上的方法。一是气候与物种分布或植物功能性状之间关系的统计建模，以及利用物种或植物功能性状集合来预测群落或生物群系水平上的植被分布(如Conradi et al .，2020;Yang et al, 2019)。另一种是基于过程的大尺度植被分布植被模型，如动态全球植被模型(dgvm)(如Hickler et al, 2012;Ito等人，2020;Scheiter et al, 2020;Sitch et al, 2008)。dgvm可以与地球系统模型(esm)耦合(Fisher & Koven, 2020)，因此是预测植被分布变化及其与气候系统反馈的重要工具。在dgvm中，各种过程已被参数化，以描述主要植被类型的大尺度动态(称为植物功能类型，PFTs;参见Wullschleger et al .， 2014)，如光合作用、物候、碳分配、补充、死亡率和火灾干扰(Lasslop et al .， 2020)。理想情况下，如果上述过程在模型中得到充分描述，则不同pft的分布或优势应来自pft之间对光、水和养分的竞争。然而，在现实中，为了忠实地代表不同pft的地理分布(见表1)，dgvm中必须对生存、建立或死亡等缺乏详细描述的各种植被过程实施简单而硬编码的气候阈值(见表1)。这些硬编码的气候阈值是dgvm中最不确定的参数之一(Forkel et al, 2019;Horvath等人，2021;Song & Zeng, 2014;Zhu et al .， 2018)。它们可能导致dgvm中植被对气候变化做出不切实际的强烈而快速的响应，从而阻碍了它们在esm中用于未来预测的应用(Masson- Delmotte et al, 2021)。
研究内容：
我们首先研究了在决策树归纳中包含气候极端值的附加价值，以证明气候极端值在塑造当今植被分布中的重要性。然后，我们将决策树模型应用于未来气候情景，并将结果与dgvm和其他方法的结果进行比较，以进一步证明极端气候对预测未来优势植被变化的重要性。这些结果有望为基于过程的模型(如dgvm)提供信息，以进一步改进其对每种植被类型的不同过程的气候阈值的参数化，而不是作为纯粹的经验方法。
该产品由数据提供商主要基于MODIS Terra和Aqua反射率数据的监督学习分类而制作。选择该产品的主要原因之一是，除了来自同一卫星产品的陆地表面数据外，气候数据不涉及其分类算法(Friedl et al, 2010)。我们没有混合来自多个来源的植被类别，而是为我们的主要场景选择了一个数据产品，以确保处理的一致性。该数据产品包括三种不同的土地覆盖分类方案。本研究采用国际地圈-生物圈计划(IGBP)分类方案。IGBP方案中17种土地覆盖类型的定义可以在Strahler et al(1999)中找到。原始数据集的分辨率为0.05 × 0.05度。我们首先将其重新划分为10 × 10分钟网格，然后根据研究中使用的气候变量重新采样到50 × 50公里网格。MODIS土地覆盖数据提供了给定网格单元的每种土地覆盖类型的部分。我们通过为每个观测值分配一个在给定网格单元中占比最高的植被类型的类标签来提取优势植被类型变量。由于我们的目标是模拟自然植被，因此排除了具有100%人类活动覆盖的网格单元(土地覆盖类型:城市和建筑，农田，农田和自然植被马赛克)，水或两者的组合。
为了尽可能多地在欧洲、北美和印度保留观测数据，我们假设尽管有人类活动，但自然土地覆盖类型的相对比例将保持不变。例如，如果某地区的土地覆盖由50%的耕地、30%的混交林和20%的落叶阔叶林(DBF)组成，我们假设该地区的自然优势植被类型为混交林。
仅使用气候平均值(BIOCLIM变量)作为输入数据对所有MODIS植被类型进行分类的决策树产生了信息丰富且相当准确的结果。
用BIOCLIM和CEI变量的决策树所示。该树的准确率达到67%。两个决策树都基于BIO12变量(即年降水量)开始分裂。
提供了两种决策树的当前植被分布预测图。我们可以看到，决策树将一些MODIS类划分为几个叶子(子类)，这些叶子(子类)聚集在不同的区域。
报告了两种全局决策树的每一类的精度和召回率，并在补充材料中提供了混淆矩阵。最准确的分类类型是贫瘠地、冰雪和EBF。在有CEI变量的决策树中，与没有CEI变量的决策树相比，空白网格单元具有稍高的召回值。在预测中，它最常与开阔的灌木丛和草地混淆。冰雪网格单元在包含CEI变量的决策树中具有更高的召回值，而在仅包含BIOCLIM变量的决策树中具有更高的精度值。EBF在两种决策树中的分类都很好。EBF最常与热带稀树草原混淆。
总结了决定决策树中每种植被类型优势的阈值。从结果可以看出，年降水量(BIO12)对两个决策树中EBF(≥1584 mm)和瘠薄地(≤152 mm)的优势至关重要。
在不同的未来情景下，每种植被类型的总覆盖面积预计会发生变化。
RCP8.5情景下优势植被类型易感地的空间分布。
进一步分析了在未来情景下，每种植被类型的空间分布将如何变化。举例说明了预测的RCP8.5对草地的变化。其他植被类型的结果可在补充资料中找到。
使用ESA CCI LC方案植被类型构建的决策树与MODIS决策树的准确率相同，达到67%。尽管这两棵树看起来不同，但我们可以发现一些相似之处。
表示基于ESA CCI数据集的MODIS决策树叶子中的观测值如何在决策树中进行预测。
研究结论：
在这项研究中，我们采用决策树归纳法来探索植被与气候之间的全球联系。已经确定了不同植被类型占优势的重要气候阈值。其中，极端气候阈值(如极冷或极干旱)对常绿针叶林、落叶针叶林、草地、开阔灌丛和稀树草原等植被类型在当前和未来的主导地位至关重要。此外，植被类型的气候阈值(如耐寒性)可能随环境条件(如湿度)而变化。植被对气候响应的这些方面在dgvm中都没有得到充分的考虑。这凸显了dgvm在表示不同植被类型对极端气候的阈值响应方面需要进一步改进，以便为地球系统模型提供更好的未来植被变化预测。
决策树模型被证明是一种强大的工具，可以将土地覆盖类型划分为更详细的子类型，并以连贯的方式从新兴的大型气候和植被数据集中生成和更新我们对气候和植被分布之间关系的理解。尽管如此，我们不建议单独使用决策树进行植被预测，而是将它们与专家知识相结合，以批判性地评估已确定阈值的生物学意义和含义。
为了促进决策树挖掘在不同地区植被类型潜在气候阈值的探索及其在dgvm参数化中的应用，我们注意到，使用该工作流构建的决策树也可以在无法获得DGVM结果的情况下，快速生成与过去或未来气候平衡的大尺度植被分布的合理初步猜测。然而，它必须谨慎应用，因为在当前的决策树模型中没有考虑对植被至关重要的一些环境变量，例如二氧化碳浓度
期刊信息
期刊：GLOBAL CHANGE BIOLOGY
影响因子（2022）：11.6
中科院分区：环境科学与生态学一区
转自：“农科学术圈”微信公众号
如有侵权，请联系本站删除！
