近日，中国地质大学（武汉）国家地理信息系统工程技术研究中心陈能成教授团队在地球科学领域一区TOP期刊《Journal of Hydrology》上发表了题为《Spatial pattern and attribution of ecosystem drought recovery in China》的研究成果。该研究利用多源融合的重力恢复和气候实验卫星（GRACE）陆地水储量（TWS）数据和总初级生产力（GPP）数据构建了干旱和生态系统指标，分析了中国不同气候和生态系统类型2002年至2017年的干旱恢复时间，并详细讨论了影响生态系统之间干旱恢复时间差异的因素。论文通讯作者为中国地质大学（武汉）国家地理信息系统工程技术研究中心陈能成教授，第一作者为吴庭涛博士生。

图1. 论文封面

在全球气候变化的背景下，频繁的干旱事件对生态系统的正常功能构成了严重而持续的威胁。干旱恢复时间，即生态系统恢复到干旱前状态所需的时间，是衡量干旱影响和生态系统稳定性的关键指标。一般来说，恢复时间较短的生态系统对干旱的复原能力较强。然而，以往的研究大多集中在该地区作为一个整体或一种特定类型的生态系统的干旱恢复时间上。不同生态系统之间的干旱恢复时间的差异及其驱动因素在很大程度上是未知的。

图2. 干旱恢复时间识别示意图

本研究首先利用多源融合重力恢复与气候实验（GRACE）陆地蓄水（TWS）数据和总初级生产力（GPP）数据构建干旱和生态系统指标。单一的TWS或GPP数据集可能会引入不确定性，需要多个数据源来减少错误和提高准确性。简单地对来自多个数据源的数据进行平均可能会影响融合数据的准确性，特别是当单个数据源包含较大的错误时。为了解决这一问题，本文采用了扩展三重配置（ETC）方法来实现来自多个来源的数据的加权融合。ETC方法将分配数据集的随机误差方差和相关系数作为数据融合的权重，并实现考虑数据不确定性的加权融合。因此，与简单平均方法相比，GRACE TWS或GPP多源数据融合的ETC方法有望提高数据融合的可靠性。

图3. ETC加权融合数据与原始数据的比较。(a) TWS_ETC与CSR，GSFC，和JPL，(b) GPP_ETC与FluxCom，GLASS，和MODIS

随后，采用seasonal-trend decomposition by loess（STL）方法将原始时间序列分解为趋势、季节和残差分量，并以此构建了干旱指标和生态系统指标，进一步分析了2002-2017年中国在不同气候和生态系统类型条件下的干旱恢复时间。结果表明，中国不同生态系统之间的干旱恢复时间存在显著的空间异质性，东北和西南地区的森林生态系统恢复时间最长，森林生态系统的恢复时间（4.32个月）比耕地（4.07个月）和草原生态系统（3.79个月）长，但在不同气候类型下相同生态系统的恢复时间也存在显著差异。

表1. 中国不同生态系统类型和气候类型的干旱恢复时间

图4. 中国生态系统干旱恢复时间的空间格局

图5. 中国干旱恢复时间的空间关联局部指标（LISA）聚集图

最后，采用随机森林进行归因分析，以确定影响生态系统干旱恢复时间的主要因素。随机森林模型的排列重要性分析可以解释因变量和自变量之间的非线性关系。本研究分别对中国整体、农田、森林和草地生态系统建立了不同的随机森林模型，以了解不同生态系统类型之间的干旱恢复时间差异。随机森林排列重要性的结果表明，不同生态系统类型间干旱恢复时间的差异主要受干旱恢复过程中的温度和降水以及生态系统对干旱的响应的影响。

图6. 基于随机森林模型的不同生态系统中干旱恢复影响因素的相对贡献

论文信息：Wu, Tingtao., Xu, Lei. & Chen, Nengcheng. Spatial pattern and attribution of ecosystem drought recovery in China. Journal of Hydrology 131578 (2024) doi:10.1016/j.jhydrol.2024.131578.

论文链接：https://www.sciencedirect.com/science/article/pii/S0022169424009740