《Agricultural and Forest Meteorology》：Strengthening carbon sinks in Tibetan Plateau alpine grasslands over the past four decades
编辑推荐：
王玉阳|马耀明|肖景峰|马伟强|谢志鹏|丁志勇|刘克西中国农业大学草原科学与技术学院，北京 100193，中国摘要青藏高原的高山草原对气候变化非常敏感，在区域和全球碳循环中起着关键作用。因此，准确量化净生态系统二氧化碳交换（NEE）及其气候控制因素对于理解碳动态和改善碳-气候反馈
王玉阳|马耀明|肖景峰|马伟强|谢志鹏|丁志勇|刘克西
中国农业大学草原科学与技术学院，北京 100193，中国
摘要
青藏高原的高山草原对气候变化非常敏感，在区域和全球碳循环中起着关键作用。因此，准确量化净生态系统二氧化碳交换（NEE）及其气候控制因素对于理解碳动态和改善碳-气候反馈的预测至关重要。然而，由于青藏高原上涡度协方差通量观测的空间覆盖范围有限且分布不均，导致区域碳通量估计存在较大不确定性。在这里，我们通过利用38个涡度协方差站点的通量测量数据，并结合卫星和气象预测因子，生成了1982年至2023年青藏高原高山草原的高分辨率（1/30°）月度NEE估计值。结果显示，区域高山草原的碳汇作用显著增强，年平均NEE从-16.7 g C m?2 yr?1下降到-50.1 g C m?2 yr?1。湿润的东部草地是强碳汇（大多< -150 g C m?2 yr?1），而干旱的西部草原仍然是弱碳源（0–60 g C m?2 yr?1）。季节性模式表明，碳吸收在夏季达到峰值，占年际变化的主要部分，而其他季节则表现为净碳释放。敏感性实验表明，变暖和湿润条件增强了碳吸收，而干旱则降低了碳汇强度，尤其是在较干燥的高山草原地区。这些发现为高山草原的碳动态提供了重要见解，并强调了青藏高原对未来气候变化的脆弱性。
引言
人类活动极大地改变了全球碳预算，导致大气中二氧化碳浓度持续上升，2024年已超过423 ppm（Friedlingstein等人，2026年）。这种持续增加加剧了温室效应，加速了全球变暖，并引发了地球系统的广泛响应（He等人，2023年）。陆地生态系统通过光合作用吸收碳，在调节大气二氧化碳方面起着核心作用，即使生态系统碳平衡的相对较小变化也会显著影响大气中的二氧化碳浓度（Fawzy等人，2020年；Ruehr等人，2023年；Yang等人，2022年）。碳循环研究中的一个关键挑战是准确量化生态系统碳平衡，因为它对大气二氧化碳的年际变化有重要影响（Friedlingstein等人，2025年；Piao等人，2009年；Tian等人，2016年）。净生态系统二氧化碳交换（NEE）定义为总初级生产（GPP）与生态系统呼吸（ER）之间的平衡，被广泛用作生态系统碳平衡的指标（Reichstein等人，2005年）。负的NEE表示净生态系统碳吸收，而正的NEE表示向大气的净碳释放。作为生物圈-大气二氧化碳交换的关键指标，NEE对于理解陆地碳循环及其对气候的反馈至关重要。
在过去几十年中，人们投入了大量努力来估计和模拟从区域到全球范围内的NEE（Cho等人，2021年；Ichii等人，2017年；Jung等人，2020年；Lee等人，2025年；Ma等人，2025年；Shi等人，2025年；Yao等人，2018年；You等人，2023年）。这些估计通常基于过程驱动的生态系统模型、大气反演方法和数据驱动的放大技术（Xiao等人，2026年）。过程驱动模型提供了控制碳通量的生物物理和生物地球化学过程的机制表示，但其大规模应用往往受到参数不确定性、结构假设和高质量输入数据可用性的限制（Yuan等人，2024年）。大气反演方法根据大气传输模型和二氧化碳观测数据估计净陆地碳通量，但其粗糙的空间分辨率和区分不同生态系统类型的能力有限，主要适用于全球或广泛的区域评估（Piao等人，2009年）。数据驱动的放大技术利用站点级别的通量测量数据以及卫星遥感和其他环境数据，在站点级别训练机器学习或深度学习模型，然后将结果放大到区域级别（Jung等人，2020年；Nelson等人，2024年；Wang等人，2023b）。其中，基于机器学习的放大技术在区域碳通量研究中得到了广泛应用，并成为研究生态系统碳循环对气候变化响应的重要工具。然而，这些估计的准确性在很大程度上取决于通量站点的数量、空间分布和代表性，以及解释变量的可靠性和完整性。因此，扩大代表性通量观测范围和改进预测框架仍然是基于机器学习放大的区域碳通量估计的主要挑战。
青藏高原（TP）平均海拔超过4000米，是地球上最高的高原，也是对气候变化最敏感的地区之一（Yao等人，2022年）。草原占据了高原约三分之二的面积，形成了世界上最大的高山草原生物群落（Wang等人，2023a）。这些生态系统在极端的环境条件下运作，包括低温、强烈的太阳辐射、高风速和贫瘠的土壤，使它们极易受到气候变化的影响（Wang等人，2022年）。作为高海拔陆地生物圈的重要组成部分，青藏高原的高山草原对区域和全球碳循环有着深远的影响，并与中国实现碳中和的目标相关。然而，高原复杂的地形、强烈的气候梯度和显著的生态异质性使得难以量化空间和时间上的碳通量。区域放大的进一步限制在于涡度协方差通量塔的数量有限且分布不均，导致碳预算估计存在较大不确定性。尽管之前的研究提供了关于青藏高原草地碳动态的重要见解，但关于该地区NEE的量级、空间分布和气候控制因素仍存在重大不确定性（Piao等人，2012年；Wang等人，2023b；Wei等人，2021年；Zhuang等人，2010年）。例如，不同研究中对青藏高原碳汇强度的估计差异很大，而且高山草原中NEE的空间模式在不同数据产品和模型模拟中也有显著差异（He等人，2019年；Jung等人，2020年；Piao等人，2012年；Wang等人，2023b，2023c；Yao等人，2018年；Zhuang等人，2010年）。这种不一致性表明，青藏高原碳源和碳汇的量级和空间变异性仍然高度不确定，而有限的观测限制是改进区域NEE估计的主要障碍。解决这些差距需要将长期通量观测与高分辨率遥感和数据驱动的建模相结合，以更好地捕捉“第三极”地区碳通量的空间异质性和气候敏感性。然而，由于建模框架和观测覆盖范围的限制，可靠的量化仍然具有挑战性。
为了解决这些限制，我们汇总了来自青藏高原38个高山草原站点的碳通量观测数据，大大增加了站点覆盖范围，特别是在通量观测长期稀少的西部高山草原地区。我们还纳入了新发布的第三极高分辨率气象强迫数据集（TPMFD，1979–2023年），该数据集相对于早期的强迫产品提供了更高的空间分辨率和准确性。通过整合扩展的通量观测数据、改进的环境强迫数据和极端随机树（ETR）模型，我们开发了1982–2023年青藏高原高山草原的高分辨率（1/30°）月度NEE数据集。这些观测约束的NEE估计不仅作为区域数据产品，还为解决关于青藏高原高山草原碳交换的关键科学问题提供了基础。我们利用这一框架分析了NEE的空间分布、长期趋势、季节性贡献和植被类型差异，并评估了其对变暖和降水变化的敏感性。通过将区域NEE模式与季节动态、草地类型和气候驱动因素联系起来，这项研究超越了区域映射，有助于揭示碳汇强度变化的生态机制。这些分析为评估区域碳平衡和气候敏感性提供了更坚实的基础，并为青藏高原高山草原的碳-气候反馈提供了新的见解。
章节摘录
研究区域和观测站点
青藏高原位于大约73°E–105°E和25°N–40°N之间，面积约为250万平方公里，平均海拔超过4000米，是地球上最高和最广阔的高原。其气候受亚洲夏季季风和中纬度西风相互作用的影响，导致温度和降水的明显东西向梯度（Yao等人，2022年）。年平均温度从干旱地区的约-3.1°C
站点级别NEE估计的模型评估
图2显示了基于站点级别通量观测训练的四种机器学习模型的性能。对于训练数据集，ETR、RF和XGB模型的准确性相当，所有模型的表现都优于LGBM，LGBM的R2为0.77，MAE为0.34 g C m?2 d?1，RMSE为0.48 g C m?2 d?1（图2A–D）。对于测试数据集，所有四种模型的预测性能大致相似，其中ETR表现最佳（R2 = 0.64，MAE = 0.39 g C m?2 d?1，RMSE = 0.55 g C m?2 d?1；图2
扩展的观测覆盖范围重塑了高山草原的碳通量动态
之前的一项研究结合了25个通量站点的涡度协方差观测数据与遥感和再分析数据，重建了1982年至2018年青藏高原高山草原的NEE时空动态（Wang等人，2023b）。在同一时期，本研究中得出的区域平均趋势与早期估计大致一致，但总体上表明碳汇作用较弱（图8）。这种差异主要源于高山草原地区的估计差异
结论
本研究提供了1982–2023年青藏高原高山草原NEE的新长期高分辨率重建数据，空间分辨率为1/30°。结果显示，在过去四十年中，区域碳汇作用显著增强，净碳吸收持续增加。然而，这一趋势在空间上具有异质性，并与生态系统类型和水热条件密切相关。一个关键发现是，高山草地和高山草原之间存在差异
CRediT作者贡献声明
王玉阳：项目管理、方法论、调查、资金获取、正式分析、数据管理。马耀明：数据管理、概念化。肖景峰：正式分析、概念化。马伟强：正式分析、数据管理、概念化。谢志鹏：概念化。丁志勇：概念化。刘克西：概念化。
