阅读文献是Liu(2021)发表的《Response of global land evapotranspiration to climate change, elevated CO2, and land use change》

01 引言:研究背景和目的

1.1 陆地蒸散发(ET)的重要性

论文首先阐述了陆地蒸散发的重要性,陆地通过ET将陆地降水中的58-65%返回到大气(水蒸气形式),同时带走了大约陆地中51~58%能量ET的变化会影响径流、温度以及其他水文变量等,进而改变可用水源的时空分布格局甚至区域和全球变暖。

因此,研究ET的全球变化以及背后造成的机制(即归因分析谁影响了ET?他们的影响程度各自是多少(量化该影响)?)

1.2 现有的认知与研究不足

前人的研究已经发现了ET的变化主要是由气候变化(Climate Change, CLI),土地利用变化(Land Use Change, LUC)以及升高的CO2浓度(记为CO2)。

但此前,这些驱动因子各自对ET的影响程度并没有被量化,这主要是因为模型(GCMs)设计的限制,对这三个驱动因子的影响信号进行定量的、独立的检测和归因分析,是当前研究中存在的问题。

文中又详细说明了为什么这些驱动因子难以被量化:

  1. 对于LUC,增加或者减少的耕地面积、森林面积都会影响植被截流蒸发(植被冠层会拦截大量的降雨,这些降雨相当一部分会直接从树叶和树枝表面蒸发掉)、地表反照率、土壤属性(土壤水分等)以及植被蒸腾作用(相比于耕地,森林的蒸腾作用明显要强的多,但是温带地区的退耕还林和热带地区的砍伐森林带来的土地利用变化会使得其中的影响复杂化),这些因素相互影响,难以确定分离。
  2. CO2浓度的升高,一方面会使得植被叶片的气孔导度减少(因为CO2足够,仅需要稍稍张开气孔就可以获取足够多的CO2),但是气孔导度是同时控制CO2进入和水蒸气出去的通道,因此气孔导度减少的同时会导致植被的蒸腾作用减弱进而减小ET;但是由于CO2的施肥效应(CO2是植物进行光合作用的原料,CO2的增加类似于给农作物施肥,一定程度上会促进植被的生长),可能会使得植被叶片面积变大,叶片面积的增大又会增多气孔使得ET上升。
  3. 以往的研究只使用一小部分模型(就是没什么工作量),使得得到的结论可能会因为模型的不同等而可能会有不同的结果或者结果的可信度不高(就是它这个结论我得多看几篇文献去确认看看大家使用其他模型是不是也是类似的结果),最终对于CO2浓度上升对于ET的影响在达成共识这里存在困难。

1.3 本文的研究目标

  1. 量化CLICO2LUC在ET变化中的影响
  2. CLICO2LUCET的影响在不同时空尺度上的分布
  3. 进一步量化CLI中降水(P)和潜在蒸散发(PET)的影响

02 主要研究结果与分析

2.1 ET的趋势

总体而言,从全球范围来看,卫星反演的ET趋势是在过去38年(1980–2017)里总体上是增加的,全球面积加权平均的年ET增长率是0.82mm/year。

  1. 从空间范围上来看,全球41.6%陆地面积显示出ET有显著的增长趋势(p < 0.05),仅有不到5%的陆地区域显示出显著的下降趋势;
  2. 从空间分布上来看,ET显著增加最明显的区域位于欧洲、非洲南部、中国南部和印度 ;显著减少的区域则主要在美国西部和巴西南部的部分地区被观测到 ;
  3. 从季节差异上来看,ET在夏季具有显著增长趋势的面积最大(占全球陆地32.2%),其次是春季(31.2%)、秋季(31.0%)和冬季(22.5%);虽然冬季具有显著增长趋势的面积是最小的,但是人家的显著减小趋势面积可是最大的噢(9.8%)。

2.2 生态系统模型(TRENDY)在ET模拟中的表现

  1. 模型模拟(S3)的ET结果与卫星观测数据匹配良好,13个模型中有10个NSE>0.8,为了减少不确定性剔除了剩余的3个来进行后续分析;
  2. 集合平均了前10个模型的NSE达到了0.92;
  3. 模型模拟的ET在空间分布格局上与卫星观测结果有巨大差异,但在时间变化上也就是年和季节尺度上,二者波动相似;

2.3 ET变换的检测与归因分析(核心)

检测的方法是论文提及的the optimal fingerprint method

2.3.1 从全球尺度上来看

  1. 从检测结果来看(见Fig3.0 a),只有CLI的影响信号可以从自然变率的噪音中检测出来,而CO2LUC则被内部变率(可以视为是正常的噪音或者波动,这两个驱动因子有作用,但是单独来看由于各自的影响程度太小而与波动或者噪音没有什么区别而被遮盖掉了)
  2. 从归因结果来看(见Fig3.0 f),CLI所引起的全球ET增加趋势为0.55 mm/year, 是导致全球ET增加的主要驱动因子;

2.3.2 从区域尺度上看

  1. 在热带和高纬度地区,造成ET变化的主导因子还是CLI;但是在南半球温带和北半球温带,主导因素转变为LUC

2.3.3 从季节尺度上看

  1. CLI在各个季节的影响信号都是可以检测到的(高于噪音);
  2. 除了秋季,CLI在所有季节中对ET的影响都占主导作用;
  3. 秋季,LUC的贡献/影响超过了CLI成为主导驱动因子;

2.4 ET变化成因的时空分布格局

就是阐述不同的驱动因子所单独造成的那部分ET趋势的时空分布。

2.4.1 CO2浓度上升的影响

从空间分布上来看,CO2浓度上升导致了全球大部分区域的ET减少;(这说明CO2对植被的生理效应(例如气孔减小抑制蒸腾作用)的负面影响是大于CO2对植被施肥效应的正面影响)

此外,还说明了为什么热带雨林地区受CO2影响反而其ET增加了,主要是其施肥效应导致叶面积指数LAI的增加。

2.4.2 CLI的影响

  1. CLI导致的那部分ET在全球大部分区域都是增加的;
  2. CLI占主导的区域里,P是更主要的驱动因子,主导了全球48.4%的陆地面积,而PET则占17.1%;
  3. PPET的分布有明显的地理分布规律,P主导干旱区域的ET趋势,PET主导湿润地区的ET趋势;

2.4.3 LUC的影响

  1. LUC在全球尺度上的总体影响相对较小,但是在局部地区的影响非常强烈;
  2. LUC所导致的ET减少的区域主要集中在热带雨林的毁林区域(其中一部分被农田所覆盖);
  3. LUC所导致的ET减少的区域主要集中在植树造林农田灌溉显著增加区域;

03 结论

  1. 气候变化(CLI)是影响ET变化的最主要驱动因子;
  2. CLI的主导作用主要取决于降水(P)。P控制(主导)了全球48.4%陆地区域(且这些区域绝大多数位于干旱地区)的ET变化,而潜在蒸散发(PET)主导了全球17.1%陆地区域(大部分属于湿润地区)的ET变化;
  3. CO2浓度的上升时第二大驱动因子,它导致了绝大多数(尤其是植被茂密的区域)地区的ET减少;
  4. LUC依据其变化的不同其造成的影响截然相反。在毁林地区会减少ET;而在植树造林地区会增加ET。但是由于正负相抵,LUC整体上对ET的影响是非常有限(小)的;

本文由博客一文多发平台 OpenWrite 发布!

文献精读:气候变化、CO2浓度提高和土地利用变化对全球陆地蒸散发的影响分析的更多相关文章

  1. 对于应用需要记录某个方法耗时的场景,必须使用clock_gettime传入CLOCK_MONOTONIC参数,该参数获得的是自系统开机起单调递增的纳秒级别精度时钟,相比gettimeofday精度提高不少,并且不受NTP等外部服务影响,能准确更准确来统计耗时(java中对应的是System.nanoTime),也就是说所有使用gettimeofday来统计耗时(java中是System.curre

    对于应用需要记录某个方法耗时的场景,必须使用clock_gettime传入CLOCK_MONOTONIC参数,该参数获得的是自系统开机起单调递增的纳秒级别精度时钟,相比gettimeofday精度提高 ...

  2. NOIP2016提高组初赛(C++语言)试题 个人的胡乱分析 Part 3.

    *已更新 胡乱分析的第三部分,程序填空(所谓的完善程序) 说到初赛,好像本周六就是了.哇好激动.. 填空题都是玄学.也许get到点了就会好做一些.. (标红的是填在空里的答案) T1.交朋友 (小矮个 ...

  3. NOIP2016提高组初赛(C++语言)试题 个人的胡乱分析 Part 2.

    洛谷秋令营day1模拟赛原地爆炸,心态崩了.于是打算写一下初赛题放松一下. 上次胡乱分析到了选择题,这次我想说说后面的题. 问题求解 T1.有一个1x8的方格图形,黑白两色填涂每个方格,两个黑格并不能 ...

  4. NOIP2016提高组初赛(C++语言)试题 个人的胡乱分析

    最近在做历年的初赛题,那我捡几道比较有代表性的题说一下好了 原题可以在这里看:https://wenku.baidu.com/view/10c0eb7ce53a580217fcfede.html?fr ...

  5. 机器学习之三:logistic回归(最优化)

    一般来说,回归不用在分类问题上,因为回归是连续型模型,而且受噪声影响比较大.如果非要应用进入,可以使用logistic回归. logistic回归本质上是线性回归,只是在特征到结果的映射中加入了一层函 ...

  6. Logistic回归分析简介

    Logistic回归:实际上属于判别分析,因拥有很差的判别效率而不常用. 1. 应用范围: ①     适用于流行病学资料的危险因素分析 ②     实验室中药物的剂量-反应关系 ③     临床试验 ...

  7. 北京市行政村边界shp数据/北京市乡镇边界/北京市土地利用分类数据/北京市气象数据/降雨量分布数据/太阳辐射数据

     数据下载链接:数据下载链接​ 北京是一座有着三千多年历史的古都,在不同的朝代有着不同的称谓,大致算起来有二十多个别称.北京地势西北高.东南低.西部.北部和东北部三面环山,东南部是一片缓缓向渤海倾斜的 ...

  8. 广东省30m二级分类土地利用数据(矢量)

    数据下载链接:百度云下载链接​ 广东省,地处中国大陆最南部,属于东亚季风区,从北向南分别为中亚热带.南亚热带和热带气候,是中国光.热和水资源最丰富的地区之一.主要河系为珠江的西江.东江.北江和三角洲水 ...

  9. 广西省行政村边界shp数据/广西省乡镇边界/广西省土地利用分类数据/广西省气象数据/降雨量分布数据/太阳辐射数据

    ​  数据下载链接:数据下载链接 广西壮族自治区,地处中国南部,北回归线横贯中部,属亚热带季风气候区.南北以贺州--东兰一线为界,此界以北属中亚热带季风气候区,以南属南亚热带季风气候区. 数据范围:全 ...

  10. 2m高分辨率土地利用分类数据

    数据下载链接:百度云下载链接 土地利用数据是在根据影像光谱特征,结合野外实测资料,同时参照有关地理图件,对地物的几何形状,颜色特征.纹理特征和空间分布情况进行分析,建立统一解译标志的基础之上,依据多源 ...

随机推荐

  1. Intellij Idea 通过svn或者git提交代码时速度慢的解决办法

       问题分析:在使用 IntelliJ IDEA 操作Git的时候,Git响应速度特别满,等待差不多10秒.甚至更长时间才完成操作,真是等的花儿都谢了.    解决方案:更改IntelliJ IDE ...

  2. 2023人形全能赛体操机器人uno代码

    uno // @Author : Hcm #include <SoftwareSerial.h> // 软串口 #include <LobotServoController.h> ...

  3. .NET SDK样式项目打包时如何将引用项目打进同一个包

    此篇为上一篇[<.NET SDK样式项目打包时如何将项目引用转为包依赖>](https://www.cnblogs.com/cnsharp/p/18819771 ")的姊妹篇. ...

  4. Libnetwork底层原理以及Docker网络实现

    1.CNM CNM (Container Network Model) 是 Docker 发布的容器网络标准,意在规范和指定容器网络发展标准,CNM 抽象了容器的网络接口 ,使得只要满足 CNM 接口 ...

  5. 基于人类反馈的强化学习 RLHF

    1.强化学习和语言模型的联系 agent: 语言模型本身 state: prompt(input tokens) action: 选择哪个token作为下一个token(贪婪,top k,top p) ...

  6. C# 与低代码平台的融合:以活字格为例的 Web API 开发实践

    引言 在当今软件开发领域,低代码平台凭借其高效.便捷的特性逐渐成为开发的主流趋势.而 C# 作为一种功能强大的编程语言,在服务端开发中有着广泛的应用.将 C# 与低代码平台相结合,能够充分发挥两者的优 ...

  7. Axios 禁用缓存

    Disable cache for Axios1. set headers.Cache-Control = 'no cache' // not work for 0.19.x or later?2. ...

  8. 如何给 GitHub Copilot "洗脑”,让 AI 精准遵循指令产出高质量代码

    引子 最近在项目中使用 GitHub Copilot 的过程中,我发现了一个很有趣的现象. 当我让 Copilot 帮我写代码时,它总是热情满满地给出一大段实现.但当我仔细审视这些代码时,却经常会发现 ...

  9. SQL Server数据库巡检

    查询所有表名 select name from sysobjects where xtype='u' select * from sys.tables 查询所有表名及对应架构 select t.[na ...

  10. vue中的div 拖拽

    封装指令 const vDraggable = { mounted(el) { let pos1 = 0, pos2 = 0, pos3 = 0, pos4 = 0; el.onmousedown = ...