Simulating and projecting future vegetation dynamics in the mid-to-high latitudes of Asia using CMIP5 and CMIP6 models

doi:10.13878/j.cnki.dqkxxb.20240428001

CMIP5和CMIP6模式对亚洲中高纬地区植被的模拟及未来预估

doi: 10.13878/j.cnki.dqkxxb.20240428001

宋仁杰^1,2 ，濮烨^1,2,3 ，魏江峰^1,2

1. 南京信息工程大学气候系统预测与变化应对全国重点实验室/气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心,江苏南京 210044

2. 南京信息工程大学大气科学学院,江苏南京 210044

3. 甘肃省酒泉市气象局,甘肃酒泉 735000

基金项目: 国家自然科学基金项目(41991285)

Simulating and projecting future vegetation dynamics in the mid-to-high latitudes of Asia using CMIP5 and CMIP6 models

SONG Renjie^1,2 ， PU Ye^1,2,3 ， WEI Jiangfeng^1,2

1. State Key Laboratory of Climate System Prediction and Risk Management(CPRM)/Key Laboratory of Meteorological Disaster, Ministry of Education(KLME)/Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters(CIC-FEMD), Nanjing University of Information Science and Technology,Nanjing 210044 ,China

2. School of Atmospheric Sciences, Nanjing University of Information Science and Technology,Nanjing 210044 ,China

3. Jiuquan Meteorological Bureau,Jiuquan 735000 ,China

摘要

亚洲中高纬度地区是受全球变暖影响最严重的地区之一,其生态系统对气候变化高度敏感,该地区植被的未来变化存在很大不确定性。本研究使用第3版全球陆表卫星遥感数据集(Global Land Surface Satellite Product Version 3,GLOBMAP)、第3代全球植被指数数据集(Global Inventory Modeling and Mapping Studies 3rd generation,GIMMS 3g)、全球陆表参数产品(Global Land Surface Satellite Products,GLASS)3套独立的遥感数据集中的叶面积指数(leaf area index,LAI)变量与耦合模式比较计划第5阶段(Coupled Model Intercomparison Project Phase 5,CMIP5)的15个模型、第6阶段(Coupled Model Intercomparison Project Phase 6,CMIP6)的19个模型模拟的叶面积指数及气候因子数据,基于多模型集合均值的方法对亚洲中高纬地区植被的历史及未来特征进行了系统评估。研究结果表明,CMIP6较CMIP5在模拟叶面积指数及其关键气候影响因子(包括地表气温、降水量和地表下行短波辐射)时的不确定性均有所降低。预计在中等排放情景(RCP4.5和SSP2-4.5)和高排放情景(RCP8.5和SSP5-8.5)下亚洲高纬度地区未来的LAI都将增加,且高排放情景下的增长率比中等排放情景更快。未来LAI的增加在暖季比冷季更为显著,表明植被的季节性周期和振幅都将得到增强。在LAI的高值区域,其年度均值与年际标准差增幅相较于LAI的低值区域将更加明显。

关键词

亚洲中高纬 / 植被 / 叶面积指数 / 耦合模式比较计划

Abstract

Vegetation plays a critical role in regulating the water cycle and mediating carbon fluxes within the climate system. It responds rapidly to climate change and is highly sensitive to climate variability. In the context of accelerating global warming, particularly in the mid-to-high latitudes of Asia where warming rates are 2—3 times the global average—vegetation dynamics are expected to undergo significant changes. However, substantial uncertainties persist in projecting future vegetation changes in this region due to model biases, limitations in the spatiotemporal resolution and consistency of satellite remote sensing datasets, and variations in parametrizations of vegetation-climate feedbacks across models. This study integrates three independent satellite-based leaf area index (LAI) datasets—GLOBMAP (Version 3), GIMMS LAI3g, and GLASS—with climate and vegetation outputs from 15 CMIP5 and 19 CMIP6 models. Using a multi-model ensemble mean (MME) framework, we systematically evaluate historical and projected vegetation characteristics in the mid-to-high latitudes of Asia.

Analysis of the satellite datasets reveals that regions with sparse vegetation exhibit higher interannual variability, while dense vegetated regions show more pronounced increasing trends in LAI.Areas of high MME mean LAI, variability, and seasonal amplitude are primarily located in woodland regions at elevations below 1200 m. Among the datasets, GLOBMAP and GLASS exhibit stronger mutual consistency.The MME approach involves simulation performance by mitigating nonlinearities in individual model outputs. Evaluation of historical simulations indicates that both CMIP5 and CMIP6 models perform best in reproducing surface air temperature, with CMIP6 models demonstrating superior accuracy overall. CMIP6 also partially corrects the overestimation of LAI seen CMIP5 simulations. Ensemble simulations (MME) outperform individual modes in reproducing historical vegetation dynamics.

Future projections under both low- and high-emission scenarios (RCP4.5/SSP2-4.5 and RCP8.5/SSP5-8.5, respectively) show consistent increases in LAI mean values, interannual variability, and seasonal amplitude, with larger changes under high-emission scenarios. Regions with higher baseline vegetation cover are projected to experience greater LAI increases. While spatial patterns of change vary, the greatest increases are projected in high-LAI regions, high-latitude zones, and East Asia. Notably, LAI increases during the warm season are more pronounced than those in the cold season, indicating enhanced seasonal growth dynamics under future warming.

This study enhances our understanding of vegetation-climate interactions in complex mid-to-high latitude ecosystems which provides key insights into model performance, vegetation sensitivity, and carbon cycle feedbacks. These findings offer a scientific basis for improving ecosystem modeling and informing regional climate adaptation and carbon management strategies.

Keywords

mid-to-high latitudes of Asia / vegetation dynamics / leaf area index (LAI) / Coupled Model Intercomparison Project

1 资料和方法 1.1 气候与植被观测数据 1.2 CMIP模式数据集 1.3 研究方法 2 结果分析 2.1 地表覆盖类型与观测LAI的特征分布 2.2 CMIP历史模拟的亚洲中高纬植被评估 2.3 不同情景下亚洲中高纬地区植被预估 3 结论与讨论

植被在调控水循环和生态碳通量交换过程中发挥着关键作用，并维系着大气圈、水圈、生物圈和岩石圈之间的生态平衡（陈海山等，2020; Tian et al.，2022）。根据政府间气候变化专门委员会（The Intergovernmental Panel on Climate Change，IPCC）第六次评估报告（IPCC，2021），2001—2020年全球平均地表温度相比1850—1900年上升了0.99℃。大量研究表明，植被能够快速响应气候变化，并对气候变率（如温度、降水和辐射）极为敏感（Skinner et al.，2018; Way，2019; Deans et al.，2020; 吕美霞等，2023）。这种前所未有的变暖趋势势必对植被产生显著影响，并在未来不同情景下引发不同程度的响应。因此，准确把握植被的历史变化特征及其未来趋势，已成为科学家和政策制定者关注的热点问题。

地球系统模型（earth system models，ESMs）是模拟大气、陆地、海洋、生物圈和冰冻圈中的物理、化学和生物过程以及它们之间相互作用的重要工具（蒋文好和陈活泼，2021）。自1995年始，世界气候研究计划（World Climate Research Programme，WCRP）下的耦合模拟工作组（Working Group on Coupled Modelling，WGCM）发起了国际耦合模式比较计划（Coupled Model Intercomparison Project，CMIP），该计划已成为全球气候模式发展和地球系统科学研究的重要推动力（Meehl et al.，2000，2007; Taylor et al.，2012; 周天军等，2019）。CMIP5提供了基于不同代表性浓度途径（Representative Concentration Pathways，RCPs）的全球气候模式输出（Taylor et al.，2012; Stouffer et al.，2017）。当前，耦合模式比较计划第6阶段（Coupled Model Intercomparison Project Phase6，CMIP6）为该计划的最新阶段，提供了4种共享社会经济路径（Shared Socioeconomic Pathways，SSPs）下的气候模拟。

这些ESMs均提供了叶面积指数（leaf area index，LAI），以表征植被特征（Fang et al.，2019）。卫星资料的结果表明，自20世纪80年代以来，全球植被一直在生长（Mahowald et al.，2016; Chen et al.，2019; 孙晓玲等，2023）。使用这些模型与卫星资料结合开展研究可以在一定程度上避免传统统计模型存在的“相关不意味着因果”以及非线性问题（Jasechko et al.，2013; Wang et al.，2015）。以往研究指出，不同模式在模拟未来情景下的全球植被动态时通常存在较大差异（Anav et al.，2013，2014; Zhu et al.，2023），产生原因在于它们的驱动数据、模型结构以及陆地、大气和海洋模块耦合策略的不同。使用多模型集合均值（multi-model ensemble mean，MME）方法有助于减少ESMs输出中的噪声从而得到更为稳健的结论（姜有山等，2018; Zhu et al.，2024）。Song et al.（2021）对耦合模式比较计划第5阶段（Coupled Model Intercomparison Project Phase5，CMIP5）的全球植被的评估结果表明，ESMs存在对热带和副热带区域植被的非对称估计，即高估了副热带区域的植被密度。Zhao et al.（2020）发现CMIP6模型模拟的LAI均方根误差较CMIP5模型有所减小，与观测数据的相关性增强。Yang et al.（2021）对9个动态植被模型全球植被模拟结果的评估表明，大多数模型呈现高估的状态。在模拟青藏高原等关键地区的植被时，CMIP5模式也会倾向于高估观测的LAI（Bao et al.，2014）。可以看到不同区域、时间尺度和生态系统模型以及对照的LAI资料会导致植被特征的评估结果并不完全统一。Zhao et al.（2020）利用CMIP5和CMIP6两种模式，对未来7种情景进行模拟分析，发现LAI均呈增加趋势，但仅涉及全球平均的LAI时间序列的变异性，且只评估了CMIP6试验中ESMs提供的LAI。

亚洲中高纬度地区因其广阔的地理范围，涵盖了多种地形及多样的气候类型。该区域的气候系统受到陆地和海洋因素的复杂影响，从而孕育了多样化的植被分布模式（Wei et al.，2023）。鉴于此，本研究专注亚洲中高纬地区，选取LAI作为关键指标，旨在评估CMIP5和CMIP6所有可用模式对植被分布的模拟效能，并对未来不同情形的变化趋势进行预估。

1 资料和方法

1.1 气候与植被观测数据

研究使用的土地覆盖数据集基于中分辨率成像光谱仪（Moderate-resolution Imaging Spectroradiometer，MODIS）5.1版产品MCD12C1生成。该数据集由Friedl et al.（2002）基于1 km空间分辨率，通过监督决策树分类算法，利用全球高精度土地覆盖训练站点数据库研制。该产品能够有效识别和量化植被类型的分布及其覆盖率的宏观变化，为全球土地覆盖类型的研究提供了重要数据资源。

在本研究中，基于3个独立的LAI卫星数据集进行分析，包括第3版全球陆表卫星遥感数据集（Global Land Surface Satellite Product Version 3，GLOBMAP）、第三代全球植被指数数据集（Global Inventory Modeling and Mapping Studies 3rd generation，GIMMS 3g）及全球陆表参数产品（Global Land Surface Satellite Products，GLASS）。GLOBMAP（第3版）数据集是由MODIS数据（2000年以来）与历史甚高分辨率扫描辐射计数据（1981—1999年）通过定量融合技术生成的，提供自1981年以来的长时间序列记录，空间分辨率为8 km，时间分辨率分别为半个月（1981—1999年）和8 d（2000—2020年）（Liu et al.，2023）。GIMMS 3g基于其归一化植被参数数据，利用训练有素的神经网络算法推导出LAI数据集，具有（1/12）°的空间分辨率和半个月的时间分辨率，覆盖时段从1982年开始逐年更新（Zhu et al.，2013）。GLASS的LAI数据集则基于AVHRR反射率数据，具备8 d的时间分辨率和0.05°的空间分辨率。Fang et al.（2013）的研究表明，这些数据产品之间展现出高度的一致性和强线性关系。本研究采用了1982—2016年的月度数据集，以研究区域内植被动态的时空特征。

1.2 CMIP模式数据集

本研究使用了15个CMIP5模式（表1）和19个CMIP6模式（表2）的数据集以探究历史及未来时期的LAI变化，这些模式数据可以从全球气候模式数据网站（https://esgf-node.llnl.gov）获取。研究选取的模拟计划包括CMIP5的RCP4.5、RCP8.5以及对应的CMIP6的SSP2-4.5、SSP5-8.5两种情景模拟，以及历史模拟（historical），研究变量包括近地表气温（Near-surface air temperature，Tas）、降水量（Precipitation，Pr）、地表下行短波辐射（Surface downwelling shortwave radiation，Rsds）及LAI。

表1研究所用CMIP5模式

Table1The CMIP5 model used in this study

表2研究所用CMIP6模式

Table2The CMIP6 model used in this study

CMIP5模式的历史试验覆盖了1850—2005年，而CMIP6模式则延伸至2014年，共同模拟了逾百年的地球系统气候变化。对于21世纪的情景试验，CMIP5模式的模拟时间为2006—2100年，而CMIP6模式则为2015—2100年。这些情景试验反映了基于不同社会发展路径和温室气体排放策略的未来气候状态。特别地，SSP2-4.5情景是在SSP2情景框架下，针对RCP4.5情景（即到2100年辐射强迫达到4.5 W/m²）的进一步细化。

1.3 研究方法

利用变异系数分析LAI的波动规律（Milich and Weiss，2000）:

C_{v L A I} = \frac{σ_{L A I}}{μ_{L A I}} 。

(1)

式中:C_vLAI是某时序的LAI值的变异系数; σ_LAI表示LAI的标准差; μ_LAI为均值。C_vLAI值越大，表明数据越离散，LAI的年际波动越大; 反之则表明数据分布更集中。对于LAI的季节内振幅，则采用植被在一年中LAI的最大和最小之差来衡量。

在所有的趋势分析中，均采用Mann-Kendall（M-K）检验来确保检测到的趋势具有显著的统计意义（Hamed，2008）。M-K检验是气候诊断和预测中常用的统计工具，用于确定时间序列中是否存在明显趋势。对于序列X_t，构造统计量Z进行检验:

S = \overset{n - 1}{\underset{i = 1}{Σ}} \overset{n}{\underset{j = i + 1}{Σ}} s g n (x_{j} - x_{i}),

(2)

\begin{matrix} V_{a r} (S) = \\ \frac{n (n - 1) (2 n + 5) - \overset{m}{\underset{i = 1}{Σ}} t_{i} (t_{i} - 1) (2 t_{i} + 5)}{18}, \end{matrix}

(3)

Z = \{\begin{array}{ll} \frac{S}{\sqrt{Var (S)}}, S > 0 \\ 0, S = 0 \\ \frac{S + 1}{\sqrt{Var (S)}}, S < 0 \end{array}

(4)

式中:S是时间序列中任意两点差异的阶跃函数值之和; n是数据点的数量; m表示平局组数（重复数据的集合）; t_i表示平局的次数（每个平局的大小为i的重复次数）。当|Zs|≥Z_1-2_α时，拒绝零假设（表示无趋势），其中显著性水平α在本文中取0.05。

2 结果分析

2.1 地表覆盖类型与观测LAI的特征分布

亚洲中高纬地区（60°~160°E，40°~80°N）北起北地群岛，南至长白山脉，西起乌拉尔山脉，东至鄂霍次克海。该区域呈现自北向南由平原逐渐升高至中部的高原和山地、再向南逐渐降低，从西部的丘陵和高原逐渐升高至中部的高原、再向东逐渐降低的地势特征。复杂的地理特征加之纬度因素使得该区域气候类型多样，中部以温带大陆性气候为主，北部地区属于寒带气候，而东南沿海区域则表现为温带季风气候。由于太平洋沿岸到亚洲内陆的大陆梯度以及纬度的差异，导致该区域的气温、降水、辐射等气候要素分布不均，进而形成了多样化的植被覆盖类型和复杂的空间分布格局。从图1可以看到，高原地区植被覆盖较为稀疏，类型相对单一。例如，在祁连山与蒙古高原接壤地带，主要分布着裸土和稀疏植被。在中国新疆、内蒙古以及蒙古国，主要的植被类型为草地。相对而言，中国东北地区以及西西伯利亚平原等地的植被类型更为丰富，以林地为主。在65°N以北的区域，灌木成为较为普遍的植被类型。总体上，亚洲中高纬的植被分布类型由南向北呈现出贫瘠-丰富-贫瘠的变化趋势。

在评估了生态系统植被覆盖类型的基础上，为了深入探究亚洲中高纬度区域近几十年LAI的变化趋势，本研究综合分析了3组卫星观测数据集的年际变异程度与年增长趋势。鉴于GIMMS、GLASS和GLOBMAP 3组数据的时间跨度分别为1982—2016年、1982—2018年和1982—2020年，本研究统一选取1982—2016年作为分析的时间范围，并将所有数据集重新采样至0.5°×0.5°的空间分辨率上。考虑到冬季地表被冰雪覆盖对LAI的影响，在LAI的变异程度分析时排除了冬季月份的数据。3组资料的分析结果并不完全一致:GLOBMAP数据集显示60°N以北地区的LAI变异系数较大，蒙古高原部分地区的变异系数超过0.9（图2c）。GLASS数据集揭示了60°N以北地区、蒙古高原以及中国新疆和甘肃部分地区的LAI变异系数均达到0.9以上（图2b）。相比之下，GIMMS数据集的LAI变异系数普遍较低，大部分地区的变异系数低于0.45（图2a）。这一发现表明，不同卫星数据源在反映同一地区LAI变异性方面存在差异。

亚洲中高纬LAI变异系数的高值区主要分布在60°N以北的区域：蒙古高原、哈萨克丘陵以及中国新疆、甘肃和内蒙古等地区。这些区域的植被覆盖较为稀疏，以草丛和灌木为主，其在生长季节的LAI变化幅度较大。与之相比，过去30 a间植被生长趋势的高值区与LAI变异系数的高值区分布相反，主要集中于森林等植被类型丰富且覆盖度较高的地区，尤其是在60°N的纬度带上（图2d—f）。尽管3组卫星观测数据在植被生长趋势的具体数值上存在差异，但其空间分布特征相似，表明植被增长趋势在60°N左右的地区尤为显著。这一现象可能与该纬度带的气候条件、植被类型及其对环境变化的响应有关。

图1亚洲中高纬地区的地表覆盖类型

Fig.1Dominant land-cover types across the mid-to high-latitude regions of Asia

图23个卫星观测数据集的LAI在历史时期（1985—2016年）的变异系数（a—c）及逐年变化趋势（d—f; 单位:m²/m²）的空间分布（阴影区域通过置信度为95%的显著性检验）:（a、d）GIMMS;（b、e）GLASS;（c、f）GLOBMAP

Fig.2Satellite-derived LAI during the historical period (1985—2016) : (a—c) spatial distribution of coefficient of variation and (d—f) linear trends (units: m²/m²) . Shaded areas denote regions significant at the 95% confidence level.Datasets: (a, d) GIMMS; (b, e) GLASS; (c, f) GLOBMAP

图3展示了3种LAI卫星数据集在亚洲中高纬地区的年均值、年际变率和季节幅度。通过对比分析，本研究发现不同卫星数据集在LAI的增长趋势上存在差异。为了进一步探究这些差异，本研究对比了3个指标的空间分布。结果表明，在3种卫星数据集中，LAI的年均值、年际变率和季节幅度的高值区均集中于60°N的纬度带及东北平原。具体而言，GLOBMAP数据集显示的LAI年均值最高，且缺失数据较少（图3c），而GIMMS数据集的LAI年均值最低，缺失数据较多（图3a）。GLASS数据集的LAI年际变率最大（图3e）。季节幅度的空间分布与年均值类似，GLOBMAP数据集的季节幅度最大，最大值可达4.8 m²·m^-2（图3i），而GIMMS数据集的季节幅度最小，最大值不超过3.5 m²·m^-2（图3g）。

图33个卫星观测数据集的LAI在历史时期（1982—2016年）的年平均值（a—c; 单位:m²/m²）、年际标准差（d—f; 单位:m²/m²）和季节幅度（g—i; 单位:m²/m²）:（a、d、g）GIMMS;（b、e、h）GLASS;（c、f、i）GLOBMAP

Fig.3Satellite-based LAI climatology for 1982—2016: (a—c) annual mean (units:m²/m²) , (d—f) inter-annual standard deviation (units:m²/m²) , and (g—i) seasonal amplitude (units:m²/m²) . Panels correspond to (a, d, g) GIMMS; (b, e, h) GLASS; (c, f, i) GLOBMAP

总体来看，3种卫星数据集在这3个指标的空间分布上呈现较高的一致性，均在60°N处形成高值带，且向北和向南逐渐减少，该高值区的植被覆盖类型主要为林地。在年均值和季节幅度方面，GLOBMAP与GLASS数据集的结果更为接近; 而从年际变率角度来看，GLOBMAP与GIMMS数据集的结果更为相似。鉴于卫星反演数据固有的不确定性，后续将综合考虑3种数据集的均值进行分析。

2.2 CMIP历史模拟的亚洲中高纬植被评估

为了定量评估CMIP5和CMIP6模式对LAI以及温度、辐射、降水这3个影响LAI的关键因子在可获取的LAI观测资料时段的模拟性能，研究分析了模式模拟与观测数据之间的空间相关系数、均方根误差（RMSE）和标准差。对比图4、5可知，CMIP6模式在模拟LAI及其影响因子方面相较于CMIP5模式均有所改进。首先，针对LAI的模拟，CMIP6较CMIP5的MME结果的RMSE有所减小，与观测相比，CMIP6模拟的标准差略微偏小，而CMIP5则相对偏大。CMIP5模式的RMSE普遍在0.50~1.75，CMIP5中NorESM1和GFDL系列模拟误差相对较大，而CMIP6模式的RMSE多集中在0.50~1.25，GFDL-ESM4、CMCC-CM2-SR5、CMSS-ESM2及KIOST-ESM的模拟结果较差。在CMIP5中，HadESM2-CC模式对LAI的模拟较好; 在CMIP6中，ACCESS-ESM模式的模拟效果较为突出。

控制陆地碳平衡的主要物理因素包括地表温度和降水，以及通过对入射辐射调控的云量大小（程浩秋等，2023）。分析CMIP对这些关键因子的模拟能力有利于理解LAI模拟误差减小的原因。对于温度的模拟，虽然相关系数有略微的增加，但CMIP6在模拟温度时，大多数模式会高估温度的变率，特别是对于INM-CM和MPI-ESM系列。而对于降水，CMIP6模式相较于CMIP5模式显示出更高的相关系数（超过0.9），CMIP5则介于0.8~0.9; 模式间模拟降水的不确定性较CMIP5更小。较CMIP5而言，CMIP6模式在模拟辐射时的相关系数有所提高，多数模式接近0.99，而CMIP5模式的相关系数多在0.95左右。然而，CMIP6模式在模拟辐射时的标准差有所增加，范围在0.75~1.25，而CMIP5模式的标准差则在0.9~1.1。因此，对于CMIP6模拟的LAI结果，结合变量的模拟结果，可以初步考虑为气温和辐射模拟的变率更大而非降水所导致。这3者的较小模拟误差的协同作用可能是LAI的模拟有所提升的原因。

对比CMIP5和CMIP6的集合平均与观测数据间的空间分布特征可以评估两种模式在历史时期对LAI空间分布的模拟性能。可以看到，CMIP5和CMIP6的MME在模拟LAI的空间分布上均显示出与观测数据较为一致的格局，特别是在60°N附近的高值带（图6a—c）。但CMIP5模式的MME在整个亚洲中高纬的LAI模拟结果普遍偏高，与观测数据相比平均偏差普遍超过1.2（图6d）。相比之下，CMIP6模式的MME在哈萨克丘陵与西伯利亚平原交界处以及东北平原与蒙古高原地区的LAI大于观测值，而在外兴安岭的山地区域的LAI则小于观测值（图6e），其与观测数据的偏差控制在0.8以内。此外，CMIP6模式的MME在整个地区的LAI模拟值也低于CMIP5模式的MME（图6f）。

图4LAI（a; 单位:m²/m²）、降水（b; 单位:kg/（m²·s））、辐射（c; 单位:W/m²）、温度（d; 单位:℃）在CMIP5历史模拟时期（1982—2005年）与观测数据（红色实线）的对比

Fig.4Comparison between CMIP5 historical simulations (1982—2005) and observations （red solid line) for (a) LAI (units: m²/m²) , (b) precipitation (units:kg/ (m²·s) ) , (c) surface down-welling shortwave radiation (units: W/m²) , and (d) near-surface air temperature (units:℃)

2.3 不同情景下亚洲中高纬地区植被预估

图7a、b分别展示了CMIP5模式在RCP4.5和RCP8.5情景下以及CMIP6模式在SSP2-4.5和SSP5-8.5情景下，1984—2100年亚洲中高纬平均LAI的年际变化。整体来看，高排放情景下（SSP5-8.5和RCP8.5）相对中等程度排放情景下（SSP2-4.5和RCP4.5），CMIP6模拟的LAI较CMIP5增量更加明显，但整体上在未来仍不会达到CMIP5模拟的LAI的强度。对比CMIP6模式的两种情景发现，在SSP5-8.5情景下LAI的增长速率明显大于SSP2-4.5情景，且在接近2100年时，CMIP6模式两种情景下LAI增长速率均变缓，这与某些学者的发现一致，全球绿化不会一直持续，温度升高可能会对某些地区植被生长起到抑制作用（Zhang et al.，2022）。CMIP5模式之间的不确定性大于CMIP6模式，CMIP6模式的LAI总体上低于CMIP5模式，更接近观测值。

各集合成员在不同情景下未来LAI的标准差和均值统计结果如图7c、d所示。若将MME表示的均值和3倍标准差限定为模拟LAI的正常范围，对于低排放情景下，无论是CMIP5还是CMIP6均存在模拟LAI异常偏高的模型。其中，GFDL-ESM系列在CMIP5的模拟中，其未来时期LAI（4.0 m²·m^-2）较MME偏高了近一倍，且模拟的变异性也超过了0.3，因此该模型可能不适用于未来对于植被的研究。HadGEM2-CC模型也有类似的特征，但HadGEM2-ES则在正常范围内，这可能需要进一步对该模型参数化设计进行分析（图7c）。在CMIP6的模拟中，未来模拟出现异常高值的模型为BCC-CSM2-MR和CESM2-WACCM，这些异常高值在高排放情景下（图7d）则没有出现，表明在中等排放情景下对LAI模拟的不确定性较高排放情景下的不确定性甚至会更高。

图5同图4，但为CMIP6模式

Fig.5Same as Fig.4, but for CMIP6 historical simulations

对于植被的季节性变化可以从图8a、b中得到一些结论。总的来说，亚洲中高纬地区LAI的季节性生长周期通常为4—11月，在8月达到峰值。在中等排放情景（SSP2-4.5）下，CMIP6模式预测的未来时期LAI峰值低于CMIP5模式历史时期的峰值（图8a）。相对地，在高排放情景（SSP5-8.5）下，CMIP6模式预测的未来时期LAI峰值略高于CMIP5模式历史时期的峰值（图8b）。此外，未来时期的LAI生长季长度有所延长，峰值LAI显著增加，特别是在7—9月期间增长最为显著。在SSP2-4.5情景下，LAI增长了约0.4，而在SSP5-8.5情景下增长了约0.7。相比之下，在寒冷月份LAI的增幅较小，SSP2-4.5情景下增长了约0.1，SSP5-8.5情景下增长了约0.15。其LAI的季节性增长存在明显的季节差异性主要原因在于该区域植被的生长模式呈现出季节性。

前面提到区域平均的未来亚洲中高纬LAI呈现出CMIP6低于CMIP5的预估差异（图7），那么其空间分布格局的预估差异有怎样的特征呢?为此，本研究对比分析了两种模式在两种不同情景下（中等排放情景和高等排放情景）MME在未来时期（2071—2100年）的年均空间分布（图9）。结果显示，在两种情景下，LAI的空间分布格局具有较高的相似性。在高等排放情景下，与中等排放情景相比，两种模式预估的LAI均呈现增加趋势，但CMIP5模式的增幅普遍低于CMIP6模式（图9c、f）。此外，在55°N的纬度带上，CMIP5模式在高排放情景下甚至略低于低排放情景下的模拟，且通过了置信度为95%的显著性检验，而CMIP6并未出现这种退化特征。在60°~65°N区域以及中国的东北平原模拟的LAI呈现显著的增加区域，说明更高的排放导致的增暖对中高纬区域的植被影响更大。

图6CMIP5 MME（a）、CMIP6 MME（b）与卫星资料（c）的LAI集合均值（单位:m²/m²）; CMIP5 MME（d）、CMIP6 MME（e）在历史时期（1982—2005年）与观测LAI集合均值的差异（单位:m²/m²）以及CMIP6 MME与CMIP5 MME LAI集合均值的差异（f; 单位:m²/m²）

Fig.6MME mean LAI (units: m²/m²) for 1982—2005: (a) CMIP5, (b) CMIP6, and (c) satellite observations. Differences (units: m²/m²) are shown for (d) CMIP5 minus observations, (e) CMIP6 minus observations, and (f) CMIP6 minus CMIP5

由于CMIP6对LAI的模拟更加接近观测，图10总结了在SSP2-4.5情景和SSP5-8.5情景下，亚洲中高纬未来（2071—2100年）与历史时期（1984—2014年）的LAI的3个关键指标的空间分布及其差异，并与3个观测数据集的平均值进行了比较。可以看到，MME的历史模拟LAI空间分布与观测数据高度一致，特别是在40°~65°N之间形成了一个高值带。在SSP2-4.5情景下的未来时期，该高值带向南北扩展，且整体LAI均值较历史时期增大，特别是在60°N附近的高值带增幅最大，且这些变化通过了置信度为95%的显著性检验。LAI增加最多的区域主要为林地，且多位于海拔1 200 m以下的平原地区，这些地区降水量充足和温度升高为植被生长提供了更有利的条件。相比之下，新疆、甘肃和蒙古高原等干旱半干旱地区的植被增长非常有限，这些地区水资源匮乏，植被对水的需求更为迫切。SSP2-4.5情景下，MME的年际标准差和季节幅度均低于观测值，但空间格局与观测较为一致。年际标准差的高值带与LAI均值的空间分布相似，且在未来时期，西西伯利亚平原南部、中西伯利亚高原南部以及中国东北地区北部的年际标准差有显著增高。季节幅度在未来时期相比历史时期也有所增长，特别是在中国东北地区。

在SSP5-8.5情景下，未来时期MME的3个指标的空间格局与观测数据也非常吻合，且与SSP2-4.5情景相似，但高值区的范围更广，增幅更大，未来与历史观测的对比更为明显，显著性增加。LAI的3个指标增加最多的区域主要为林地和降水充足的平原地区，而干旱半干旱地区的植被增长非常有限。总体上，未来时期相比历史时期具有更高的LAI值，SSP5-8.5情景下的增幅大于SSP2-4.5情景，且变化的空间模式类似。LAI值较高地区的均值和年际标准差增加幅度较大，而高纬度地区和东亚地区的季节幅度变化较大。这些结果表明，未来气候变化情景下，亚洲中高纬地区的植被生长将发生显著变化，尤其是在林地和降水充足的地区。

图7CMIP5模式RCP4.5（蓝色实线，阴影范围为一个标准差）和CMIP6模式SSP2-4.5（绿色实线，阴影范围为一个标准差）的LAI集合均值，蓝（绿）色虚线代表CMIP5（6）集合成员的LAI的年际变化，并给出历史时期（1984—2014年）的GLOBMAP（黄色实线）、GLASS（棕色实线）和GIMMS（紫色实线）LAI观测值（a; 单位:m²/m²）;（b）同（a），但为高排放情景（RCP8.5，SSP5-8.5; 单位:m²/m²）; 未来时期（2071—2100年）在低排放情景下（c；CMIP5:实心散点; CMIP6:星标散点）的LAI均值与标准差统计;（d）同（c），但为高排放情景（RCP8.5，SSP5-8.5; 单位:m²/m²）

Fig.7(a) MME mean LAI from CMIP5 models under RCP4.5 scenario (blue solid line; shaded area represents ±1 standard deviation) and from CMIP6 models under SSP2-4.5 (green solid line; shaded area represents ±1 standard deviation) . The dashed blue (green) lines indicate the spread of individual CMIP5 (CMIP6) ensemble members. Observational LAI data from GLOBMAP (yellow solid line) , GLASS (brown solid line) , and GIMMS (purple solid line) for the historical period (1984—2016) are also shown (units: m²/m²) ; (b) Same as (a) , but for high-emission scenarios: RCP8.5 for CMIP5 and SSP5-8.5 for CMIP6 (units: m²/m²) ; (c) Mean LAI and standard deviation (units: m²/m²) for the future period (2071—2100) under low-emission scenarios (solid dots for CMIP5; star symbols for CMIP6) ; (d) Same as (c) , but for high-emission scenarios (RCP8.5 for CMIP5, SSP5-8.5 for CMIP6; units: m²/m²)

3 结论与讨论

首先利用3种观测数据集对亚洲中高纬植被生长趋势进行了分析，并对比了这些数据集之间的一致性。随后，采用这些观测数据的集合平均对CMIP5和CMIP6模式在模拟亚洲中高纬地区LAI的性能进行了评估。最后，预测了在中等排放情景和高排放情景下亚洲中高纬地区未来LAI的变化趋势和空间分布。得到以下主要结论:

1）在亚洲中高纬地区，植被分布较为稀疏的区域表现出较大的植被波动，而植被覆盖丰富的区域则显示出较大的增长趋势。3种数据集之间的比较显示，GLOBMAP与GLASS数据集的相似性较高，表明它们在模拟植被方面具有较好的一致性。

2）CMIP5和CMIP6模式在模拟温度方面表现最佳，且CMIP6模式在模拟精度上相较于CMIP5模式有所提升。两种模式均能较好地再现LAI的空间分布特征。此外，MME在模拟LAI方面表现更佳，说明集合方法能够提高模式预测的准确性。但CMIP5模式对亚洲中高纬度LAI存在高估，而CMIP6模式虽改善了这一现象，但高估问题仍然存在。

3）在未来两种排放情景下，植被的年际变化均显示出增长趋势，且植被覆盖度较高的区域LAI的增长幅度超过了覆盖度较低的区域。CMIP5模式之间的不确定性较CMIP6模式大，CMIP6模式的LAI模拟结果普遍低于CMIP5模式，且更接近观测值。季节变化与长期变化趋势一致，即CMIP6模式的LAI值低于CMIP5模式，未来时期的LAI值高于历史时期。此外，温暖季节的LAI增长大于寒冷季节，表明植被的季节性生长特征在未来将趋于增强。

图8RCP4.5情景与SSP2-4.5情景下CMIP模拟历史时期（1984—2015年; CMIP5:蓝色点线; CMIP6:绿色点线）与未来时期（2071—2100年; CMIP5:蓝色实线; CMIP6:绿色实线）的LAI季节循环特征（a; 单位:m²/m²），误差线为一个标准差;（b）同（a），但为高排放情景（RCP8.5，SSP5-8.5; 单位:m²/m²）

Fig.8(a) Seasonal cycle characteristicsof LAI under moderate-emission scenarios (RCP4.5 for CMIP5 and SSP2-4.5 for CMIP6) , including the historical period (1984—2015; CMIP5: blue dotted line; CMIP6: green dotted line) and the future period (2071—2100; CMIP5: blue solid line; CMIP6: green solid line) . Error bars represent ±1 standard deviation (units: m²/m²) . (b) Same as (a) , but for high-emission scenarios (RCP8.5 for CMIP5 and SSP5-8.5 for CMIP6; units: m²/m²)

图92071—2100年CMIP5模式RCP4.5排放情景下亚洲中高纬地区LAI集合均值（a; 单位:m²/m²）;（b）同（a），但为RCP8.5情景（单位:m²/m²）; CMIP5高排放情景（RCP8.5）相对中低排放情景（RCP4.5）的LAI差异（c; 单位:m²/m²）;（d）同（a），但为CMIP6模式的SSP2-4.5情景（单位:m²/m²）;（e）同（a），但为CMIP6模式的SSP5-8.5排放情景（单位:m²/m²）; CMIP6高排放情景（SSP5-8.5）相对中低排放情景（SSP2-4.5）的LAI差异（f; 单位:m²/m²）。阴影区表示通过置信度为95%的显著性检验

Fig.9(a) MME mean LAI over the mid-to-high latitudes of Asia under the CMIP5 RCP4.5 scenario for the future period (2071—2100; units: m²/m²) ; (b) Same as (a) , but for the CMIP5 RCP8.5 scenario (units: m²/m²) ; (c) LAI differences between high-and moderate-emission scenarios in CMIP5 (RCP8.5 minus RCP4.5; units: m²/m²) ; (d) Same as (a) , but for the CMIP6 SSP2-4.5 scenario (units: m²/m²) ; (e) Same as (a) , but for the CMIP6 SSP5-8.5 scenario (units: m²/m²) ; (f) LAI differences between high-and moderate-emission scenarios in CMIP6 (SSP5-8.5 minus SSP2-4.5; units: m²/m²) .Shaded areas indicate regions where changes are statistically significant at the 95% confidence level

图10历史时期各数据集的LAI年平均值（a、d、g、j；单位：m²/m²）、年际标准差（b、e、h、k；单位：m²/m²）及季节幅度（c、f、i、l；单位：m²/m²）：（a—c）3个卫星观测数据均值；（d—f）CMIP历史模拟MME；（g—i）CMIP6模式SSP2-4.5情景下未来MME；（j—l）CMIP6模式SSP5-8.5情景下未来MME；CMIP6模拟的SSP5-8.5情境下的未来模拟MME（j—l；单位：m²/m²）；CMIP6模式中等（g、h、i）、高（j、k、l）排放情景下未来模拟相对于历史模拟的LAI年平均值差异（m、p；单位：m²/m²）、年际标准差差异（n、q；单位：m²/m²）及季节幅度差异（o、r；单位：m²/m²）。阴影区表示通过置信度为95%的显著性检验

Fig.10(a, d, g, j) Annual mean LAI (units: m²/m²) ; (b, e, h, k) Interannual standard deviation of LAI (units: m²/m²) ; (c, f, i, l) Seasonal amplitude of LAI (units: m²/m²) . Results are shown for different datasets by row: (a—c) Mean of the three satellite-observed datasets; (d—f) MME from historical CMIP simulations; (g—i) MME from future CMIP6 simulations under SSP2-4.5 scenario; (j—l) MME from future CMIP6 simulations under SSP5-8.5. (m, p) Differences in annual mean LAI, (n, q) differences in interannual standard deviation, and (o, r) differences in seasonal amplitude between future CMIP6 simulations (SSP2-4.5 and SSP5-8.5) and historical simulations (units: m²/m²) . Shaded areas indicate regions where changes are statistically significant at the 95% confidence level

4）从空间分布来看，MME的均值、年际标准差和季节幅度的高值区主要分布在林地，尤其是海拔1 200 m以下的平原地区。与历史时期相比，未来时期在两种排放情景下的LAI均值、年际标准差和季节幅度普遍更高，其中SSP5-8.5情景下的增幅大于SSP2-4.5情景。尽管两种情景下的LAI变化空间模式存在差异，但LAI值较高的地区在均值和年际标准差上的增幅较大，而高纬度地区和东亚地区的季节幅度变化较大。

虽然CMIP6模型在植被模拟能力上有所提升，但CMIP5和CMIP6的地球系统模式在准确描述地球生态系统对季节温度的敏感性方面仍有不足（Park and Jeong，2021），这表明改进气候模型以更精确捕捉生态响应是必要的。本研究在技术层面也存在一些不足。首先MME的方法仍然会考虑模拟误差较大的模型，在一些研究中基于模拟效果分配权重的方法可能会获得更加准确的结论，如贝叶斯换型平均（Bayesian model averoging，BMA; Zhu et al.，2017）仅使用模式的MME分析未来LAI的变化缺乏可靠的数据支撑，而采用涌现约束的方法对历史LAI建模相关关系，实现对模式模拟的未来变化进行约束，可以形成更加可靠的结论（Zhu et al.，2024）。其次，本研究只是初步分析了LAI与其影响因子的模拟效果，并从中推断LAI模拟效果提升的原因，未来还需要进一步从机制上解释这些因子与LAI的联系，如使用偏最小二乘回归（Rosipal and Krämer，2006）的方法来克服因子间的共线性，从而对LAI进行归因分析，为气候变化影响评估和适应策略的制定提供更加充分的科学依据。

图1亚洲中高纬地区的地表覆盖类型

Fig.1Dominant land-cover types across the mid-to high-latitude regions of Asia

下载: 全尺寸图片

图5同图4，但为CMIP6模式

Fig.5Same as Fig.4, but for CMIP6 historical simulations

下载: 全尺寸图片

表1研究所用CMIP5模式

Table1The CMIP5 model used in this study

下载: 全尺寸图片

表2研究所用CMIP6模式

Table2The CMIP6 model used in this study

下载: 全尺寸图片

图1亚洲中高纬地区的地表覆盖类型

Fig.1Dominant land-cover types across the mid-to high-latitude regions of Asia

图5同图4，但为CMIP6模式

Fig.5Same as Fig.4, but for CMIP6 historical simulations

表1研究所用CMIP5模式

Table1The CMIP5 model used in this study

表2研究所用CMIP6模式

Table2The CMIP6 model used in this study

图(10) / 表(2)

引用本文

宋仁杰,濮烨,魏江峰,2025.CMIP5和CMIP6模式对亚洲中高纬地区植被的模拟及未来预估[J].大气科学学报,48(5):777-791.

复制

Song R J, Pu Y, Wei J F,2025.Simulating and projecting future vegetation dynamics in the mid-to-high latitudes of Asia using CMIP5 and CMIP6 models[J].Trans Atmos Sci,48(5):777-791.

Copy

计量

图1亚洲中高纬地区的地表覆盖类型

Fig.1Dominant land-cover types across the mid-to high-latitude regions of Asia

图5同图4，但为CMIP6模式

Fig.5Same as Fig.4, but for CMIP6 historical simulations

表1研究所用CMIP5模式

Table1The CMIP5 model used in this study

表2研究所用CMIP6模式

Table2The CMIP6 model used in this study

Anav A, Friedlingstein P, Kidston M, et al., 2013. Evaluating the land and ocean components of the global carbon cycle in the CMIP5 earth system models[J]. J Climate, 26(18): 6801-6843. DOI: 10. 1175/JCLI-D-12-00417. 1.

Anav A, Murray-Tortarolo G, Friedlingstein P, et al., 2014. Evaluation of land surface models in reproducing satellite derived leaf area index over the high-latitude Northern Hemisphere. Part Ⅱ: earth system models[J]. Remote Sens, 5(8): 3637-3661. DOI: 10. 3390/rs5083637.

Bao Y, Gao Y H, Lü S H, et al., 2014. Evaluation of CMIP5 earth system models in reproducing leaf area index and vegetation cover over the Tibetan Plateau[J]. J Meteor Res, 28(6): 1041-1060. DOI: 10. 1007/s13351-014-4023-5.

Chen C, Park T, Wang X H, et al., 2019. China and India lead in greening of the world through land-use management[J]. Nat Sustain, 2: 122-129. DOI: 10. 1038/s41893-019-0220-7.

陈海山, 钱满亿, 华文剑, 2020. 中南半岛春季植被覆盖变化及其与ENSO的联系[J]. 大气科学学报, 43(6): 1065-1075. Chen H S, Qian M Y, Hua W J, 2020. Vegetation cover change in the Indo-China Peninsula in spring and its relation to ENSO[J]. Trans Atmos Sci, 43(6): 1065-1075. DOI: 10. 13878/j. cnki. dqkxxb. 20201014007. (in Chinese).

程浩秋, 魏江峰, 宋媛媛, 等, 2023. 2022年夏季长江流域干旱的水循环模拟和分析[J]. 大气科学学报, 46(6): 813-824. Cheng H Q, Wei J F, Song Y Y, et al., 2023. Simulation and analysis of the water cycle in the Yangtze River basin drought in summer 2022[J]. Trans Atmos Sci, 46(6): 813-824. DOI: 10. 13878/j. cnki. dqkxxb. 20230323001. (in Chinese).

Deans R M, Brodribb T J, Busch F A, et al., 2020. Optimization can provide the fundamental link between leaf photosynthesis, gas exchange and water relations[J]. Nat Plants, 6(9): 1116-1125. DOI: 10. 1038/s41477-020-00760-6.

Fang H L, Jiang C Y, Li W J, et al., 2013. Characterization and intercomparison of global moderate resolution leaf area index (LAI) products: Analysis of climatologies and theoretical uncertainties[J]. J Geophys Res: Biogeosci, 118(2): 529-548. DOI: 10. 1002/jgrg. 20051.

Fang H L, Baret F, Plummer S, et al., 2019. An overview of global leaf area index (LAI): methods, products, validation, and applications[J]. Rev Geophys, 57(3): 739-799. DOI: 10. 1029/2018rg000608.

Friedl M A, McIver D K, Hodges J C F, et al., 2002. Global land cover mapping from MODIS: algorithms and early results[J]. Remote Sens Environ, 83(1/2): 287-302. DOI: 10. 1016/S0034-4257(02)00078-0.

Hamed K H, 2008. Trend detection in hydrologic data: the Mann-Kendall trend test under the scaling hypothesis[J]. J Hydrol, 349(3/4): 350-363. DOI: 10. 1016/j. jhydrol. 2007. 11. 009.

IPCC, 2021. Climate change 2021: the physical science basis[R]. Cambridge, United Kingdom and New York: Cambridge University Press.

Jasechko S, Sharp Z D, Gibson J J, et al., 2013. Terrestrial water fluxes dominated by transpiration[J]. Nature, 496(7445): 347-350. DOI: 10. 1038/nature11983.

蒋文好, 陈活泼, 2021. CMIP6模式对亚洲中高纬区极端温度变化的模拟及预估[J]. 大气科学学报, 44(4): 592-603. Jiang W H, Chen H P, 2021. Assessment and projection of changes in temperature extremes over the mid-high latitudes of Asia based on CMIP6 models[J]. Trans Atmos Sci, 44(4): 592-603. DOI: 10. 13878/j. cnki. dqkxxb. 20210203001. (in Chinese).

姜有山, 张高杰, 陈明诚, 等, 2018. 23个CMIP5模式对厄尔尼诺事件生命史模拟能力的评估[J]. 大气科学学报, 41(5): 608-619. Jiang Y S, Zhang G J, Chen M C, et al., 2018. Evolution features of El Niño events simulated by 23 CMIP5 models[J]. Trans Atmos Sci, 41(5): 608-619. DOI: 10. 13878/j. cnki. dqkxxb. 20180330001. (in Chinese).

Liu X F, Sun G P, Fu Z, et al., 2023. Compound droughts slow down the greening of the earth[J]. Glob Chang Biol, 29(11): 3072-3084. DOI: 10. 1111/gcb. 16657.

吕美霞, 马柱国, 李明星, 2023. 气候变化、植被改变及人类用水与黄河流域水循环的研究进展[J]. 大气科学学报, 46(6): 801-812. Lü M X, Ma Z G, Li M X, 2023. A review on the changing water cycle of the Yellow River basin under changes in climate, vegetation, and human water use[J]. Trans Atmos Sci, 46(6): 801-812. DOI: 10. 13878/j. cnki. dqkxxb. 20230919002. (in Chinese).

Mahowald N, Lo F, Zheng Y, et al., 2016. Projections of leaf area index in earth system models[J]. Earth Syst Dynam, 7(1): 211-229. DOI: 10. 5194/esd-7-211-2016.

Meehl G A, Boer G J, Covey C, et al., 2000. The coupled model intercomparison project (CMIP)[J]. Bull Amer Meteor Soc, 81(2): 313-318. DOI: 10. 1175/1520-0477(2000)081＜0313: tcmipc＞2. 3. co;2.

Meehl G A, Covey C, Delworth T, et al., 2007. The WCRP CMIP3 multimodel dataset: a new era in climate change research[J]. Bull Amer Meteor Soc, 88(9): 1383-1394. DOI: 10. 1175/bams-88-9-1383.

Milich L, Weiss E, 2000. GAC NDVI interannual coefficient of variation (CoV) images: ground truth sampling of the Sahel along north-south transects[J]. Int J Remote Sens, 21(2): 235-260. DOI: 10. 1080/014311600210812.

Park H, Jeong S, 2021. Leaf area index in Earth system models: how the key variable of vegetation seasonality works in climate projections[J]. Environ Res Lett, 16(3): 034027. DOI: 10. 1088/1748-9326/abe2cf.

Rosipal R, Krämer N, 2006. Overview and recent advances in partial least squares[M]//Subspace, latent structure and feature selection. Berlin, Heidelberg: Springer Berlin Heidelberg: 34-51. DOI: 10. 1007/11752790_2.

Skinner C B, Poulsen C J, Mankin J S, 2018. Amplification of heat extremes by plant CO₂ physiological forcing[J]. Nat Commun, 9(1): 1094. DOI: 10. 1038/s41467-018-03472-w.

Song X, Wang D Y, Li F, et al., 2021. Evaluating the performance of CMIP6 earth system models in simulating global vegetation structure and distribution[J]. Adv Clim Change Res, 12(4): 584-595. DOI: 10. 1016/j. accre. 2021. 06. 008.

Stouffer R J, Eyring V, Meehl G A, et al., 2017. CMIP5 scientific gaps and recommendations for CMIP6[J]. Bull Amer Meteor Soc, 98(1): 95-105. DOI: 10. 1175/bams-d-15-00013. 1.

孙晓玲, 谢文欣, 周波涛, 2023. CMIP6模式对亚洲陆地生态系统的模拟评估与预估[J]. 气候变化研究进展, 19(1): 49-62. Sun X L, Xie W X, Zhou B T, 2023. CMIP6 evaluation and projection of terrestrial ecosystem over Asia[J]. Clim Change Res, 19(1): 49-62. (in Chinese).

Taylor K E, Stouffer R J, Meehl G A, 2012. An overview of CMIP5 and the experiment design[J]. Bull Amer Meteor Soc, 93(4): 485-498. DOI: 10. 1175/bams-d-11-00094. 1.

Tian F, Yang J H, Du R H, et al., 2022. Sustained vegetation greening enhanced ecosystem water-use efficiency in the Loess Plateau of China in recent 20 years[J]. Ecol Eng, 184: 106768. DOI: 10. 1016/j. ecoleng. 2022. 106768.

Wang S, Huang G H, Baetz B W, et al., 2015. A polynomial chaos ensemble hydrologic prediction system for efficient parameter inference and robust uncertainty assessment[J]. J Hydrol, 530: 716-733. DOI: 10. 1016/j. jhydrol. 2015. 10. 021.

Way D A, 2019. Just the right temperature[J]. Nat Ecol Evol, 3(5): 718-719. DOI: 10. 1038/s41559-019-0877-3.

Wei J F, Liu X C, Zhou B T, 2023. Sensitivity of vegetation to climate in mid-to-high latitudes of Asia and future vegetation projections[J]. Remote Sens, 15(10): 2648. DOI: 10. 3390/rs15102648.

Yang X L, Zhou B T, Xu Y, et al., 2021. CMIP6 evaluation and projection of temperature and precipitation over China[J]. Adv Atmos Sci, 38(5): 817-830. DOI: 10. 1007/s00376-021-0351-4.

Zhang Y C, Piao S L, Sun Y, et al., 2022. Future reversal of warming-enhanced vegetation productivity in the Northern Hemisphere[J]. Nat Clim Change, 12: 581-586. DOI: 10. 1038/s41558-022-01374-w.

Zhao Q, Zhu Z C, Zeng H, et al., 2020. Future greening of the earth may not be as large as previously predicted[J]. Agric For Meteor, 292: 108111. DOI: 10. 1016/j. agrformet. 2020. 108111.

周天军, 邹立维, 陈晓龙, 2019. 第六次国际耦合模式比较计划(CMIP6)评述[J]. 气候变化研究进展, 15(5): 445-456. Zhou T J, Zou L W, Chen X L, 2019. Commentary on the coupled model intercomparison project phase 6(CMIP6)[J]. Clim Change Res, 15(5): 445-456. (in Chinese).

Zhu H H, Jiang Z H, Li L, et al., 2024. Improve the projection of East China summer precipitation with emergent constraints[J]. npj Clim Atmos Sci, 7: 298. DOI: 10. 1038/s41612-024-00863-3.

Zhu J W, Gao X F, Zeng X D, 2023. Changes in the seasonal amplitude of northern ecosystem productivity under future global warming[J]. Atmos Ocean Sci Lett, 16(3): 100295. DOI: 10. 1016/j. aosl. 2022. 100295.

Zhu Z C, Bi J, Pan Y Z, et al., 2013. Global data sets of vegetation leaf area index (LAI) 3g and fraction of photosynthetically active radiation (FPAR)3g derived from global inventory modeling and mapping studies (GIMMS) normalized difference vegetation index (NDVI3g) for the period 1981 to 2011[J]. Remote Sens, 5(2): 927-948. DOI: 10. 3390/rs5020927.

Zhu Z C, Piao S L, Lian X, et al., 2017. Attribution of seasonal leaf area index trends in the northern latitudes with“optimally” integrated ecosystem models[J]. Glob Chang Biol, 23(11): 4798-4813. DOI: 10. 1111/gcb. 13723.

Address：No.219, Ningliu Road, Nanjing, Jiangsu, China

Postcode：210044

Tel：025-58731158