全球变暖背景下，生态系统的变化不再只体现为“慢慢变绿”，而越来越多地表现为几周内突然爆发式增强的短时生长。这类“快速生长（flash flourishing）”看似短暂，却可能在关键时间窗内显著改变碳汇强度、蒸散耗水与地表能量分配：一方面，它能在短期内迅速抬升光合作用与生物量积累；另一方面，也可能加速土壤水分与养分消耗、重塑后续季节的生长轨迹与生态系统稳定性，并为后续热浪、干旱或火险等复合风险提供可能的前置条件。然而，现有研究多聚焦生长季开始/峰值/结束（SOS/POS/EOS）等传统物候指标，难以识别与解释这些高幅度、短持续、却具有系统性影响的快速生长，因此我们对它们的时空分布、变化趋势与主导驱动因子仍缺乏系统认知，也缺少把它们纳入物候预测与生态风险评估的量化框架。

近期，实验室跨时空尺度气候变异机理团队陈海山教授与美国橡树岭国家实验室Jiafu Mao研究员合作指导的博士生孔祥旭及其合作者，通过融合多源卫星植被数据、气候再分析资料与TRENDY v12多模型模拟结果，对北半球中高纬度植被“快速生长”事件进行了定义与定量分析，提出了基于植被指数变化速率与持续时长的识别框架，揭示了此类事件在过去20年间频次、持续时间与强度的时空特征，并明确了不同环境因子在驱动其长期变化与阶段调控中的作用。该研究进一步发现，快速生长事件起始阶段的特征对生长季峰值绿度、POS及EOS具有重要预测价值，为理解植被生长动态与改进物候预测提供了新视角。相关研究成果发表于国际权威期刊《npj Climate and Atmospheric Science》，主要结论如下：

1.北半球植被快速生长事件的时空分布特征

研究表明，快速生长事件的频次具有显著的纬度梯度。在≥45°N的高纬地区，平均约57.5%的年份会发生快速生长事件，其发生频次是30°-45°N中纬地区的1.6倍。其中，森林生态系统的事件频次最高，表明高生物量生态系统对快速生长过程更为敏感。事件持续时间和强度在50-60°N地区达到最大值（图1）。

过去20年（2003-2022年），约73.4%、77.4%和80.4%的研究区域内，快速生长事件发生频次、持续时间和强度显著增加。这一趋势在东亚、北美北部及西伯利亚地区尤为突出。同时，事件起始阶段、后期阶段以及整个阶段的植被指数均表现出显著上升趋势（图2）。

图1 植被快速生长事件的空间分布。（a）基于多源卫星数据（CSIF、PKU GIMMS NDVI、MODIS EVI、kNDVI 与MODIS LAI）集合平均的快速生长事件年发生频次；（b）TRENDY v12 S3情景（全强迫）下18个模式GPP集合平均后得到的快速生长事件年发生频次。图中频次统计均在10×10窗口内进行，且仅展示事件数≥10的窗口。（c）基于卫星植被指数计算的事件持续期内平均植被指数（转化为百分位数）；（d）基于TRENDY v12 S3 GPP产品计算的事件持续期内平均植被指数（转化为百分位数）。所有百分位值均通过最大-最小值归一化至[0, 1]区间，并且统计在10×10窗口内进行。

图2 快速生长事件特征的变化趋势。（a, c）基于多源数据集合平均的快速生长事件年发生频次趋势（单位：σ yr-1，2003–2022年）空间分布：（a）CSIF、PKU GIMMS NDVI、MODIS EVI、kNDVI与MODIS LAI数据集；（c）TRENDY v12 S3情景下18个模式的GPP产品。趋势在10×10窗口内计算，仅保留事件数≥10的窗口。（b, d）与（a, c）对应，分别为卫星数据集合（b）和TRENDY S3 GPP集合（d）的事件整个阶段平均植被植被（转化为百分位数）趋势（单位：σ yr-1）。图中打点区域表示至少有三套卫星数据（a, c）或九个TRENDY GPP模式（b, d）在趋势符号上一致。（e）快速生长事件频次、持续时间和强度的标准化时间序列（均值±标准差，2003–2022年），黑色虚线为卫星产品结果，彩色实线为TRENDY GPP结果。（f）与（e）类似，展示起始阶段（onsetvp））、事件后期阶段（post‑onsetvp）及事件整个阶段（wholevp）平均植被指数（转化为百分位数）标准化时间序列。

2.北半球植被快速生长的原因

大气CO₂浓度升高是导致植被快速生长事件频次、持续时间和强度呈上升趋势的主导因素，超过80%的研究区域内可以解释其增强趋势（图3）。在事件内部，不同环境因子呈现阶段特异性调控：温度在事件起始阶段发挥关键的正反馈作用，促进植被生长加速；而在事件后期，过强的太阳辐射则可能通过光抑制等生理机制转变为限制性因子（图4）。

图3 植被快速生长事件趋势的主导因子。（a）2003–2022年间，驱动10×10窗口内快速生长事件频次趋势的主导因子的集合平均空间分布。（b）同一时期，驱动快速生长事件整个阶段植被指数（转化为百分位数）趋势的主导因子的集合平均空间分布。在每个网格单元中，分别计算仅由CO₂施肥效应、气候变化或土地利用与覆盖变化（LULCC）单独作用所产生的趋势值。通过比较这三个趋势值的绝对值大小，将绝对值最大的因子判定为该单元的主导驱动因子。事件频次定义为每个网格单元内快速生长事件的总数。图中结果为TRENDY模式各情景下18个GPP数据集的集合平均。打点表示至少九个数据集在趋势方向上一致。

图4 快速生长事件期间植被指数（转化为百分位数）的主导因子。（a）、（c）、（e）分别展示基于五套独立植被数据集（CSIF、PKU GIMMS NDVI、MODIS EVI、MODIS NDVI及MODIS LAI）得到的事件整个阶段、起始阶段与后期阶段的结果，仅绘制在至少三套数据集中被一致识别的主导因子。（b）、（d）、（f）为对应的总初级生产力（GPP）分析结果，基于TRENDY S3情景下18个模式输出，仅展示在至少九个模式模拟结果中一致识别的主导因子。所有结果均在10×10空间窗口计算，以确保统计的稳健性。

3.基于植被快速生长特征的物候预测

此外，快速生长事件的起始阶段信息本身就具有很强的前兆意义，并不只是对当下环境变化的被动响应。只用几个直观指标——事件开始日期、结束日期，以及结束时植被状态——就能提前预测生长季关键节点：峰值绿度的平均可预测性约67.9%，POS的可预测性高达92.9%（误差约21.8天），EOS甚至可提前约170天预测（可预测性93.9%，误差约35.4天）。贡献分析显示，峰值绿度主要由结束时植被状态控制（贡献68.8%）；而POS与EOS更大程度取决于事件开始得早不早（开始日期贡献分别为76.9%和57.5%）（图5）。这一结果表明，基于早期快速生长信号构建物候预测模型具有可行性，有望提升对生态系统季节动态及碳汇功能变化的预测能力。

图5 北半球中高纬度地区植被峰值绿度、峰值日期与生长季结束日期的预测结果。（a, c, e）分别为峰值绿度（a）、峰值日期（POS）（c）和生长季结束日期（EOS）（e）可预测性的空间分布，结果为CSIF、PKU GIMMS NDVI、MODIS EVI、kNDVI及MODIS LAI数据集的集合平均。（b, d, f）分别为基于PKU GIMMS NDVI数据集构建的峰值绿度（b）、POS（d）与EOS（f）的路径图。箭头旁的数值为标准化路径系数，星号表示显著性（p< 0.001）。模型整体拟合度的p值见表4.1。箭头颜色表示系数符号（蓝色为负，红色为正），箭头宽度与系数大小成比例。图中黄点表示可预测性大于80%的网格单元。柱状图上方的*表示可预测性大于80%的区间。

相关文章：

Kong X., J. Mao*, H. Chen*, Z. Zeng , Y. Hao, Y. Wang, Y. Zhang, A. Che , M. Jin, X. Shi, F. Hoffman. 2026 Flash flourishing of northern hemisphere vegetation and its drivers (2003-2022). npj CAS, doi: 10.1038/s41612-026-01346-3.