Опубликовано через 21 минуту

Погодные предсезонные условия в агропастбищной экотонной зоне Северного Китая сильнее влияют на растения, чем факторы вегетационного периода

Изменение климата и деятельность человека преобразуют структуру и функции наземных экосистем, особенно в уязвимых регионах, таких как агропастбищные экотоны. Однако степень воздействия изменения климата на рост растительности в этих районах остается малоизученной, во многом из-за влияния антропогенных изменений земного покрова на чувствительность растительности к климатическим вариациям. Это исследование использует спутниковые вегетационные индексы, наборы данных о земном покрове и климатические данные для изучения влияния изменений земного покрова и климата на рост растительности в агропастбищной экотонной зоне Северного Китая (АПЭСК) с 2001 по 2022 год.

Результаты показывают, что чувствительность продуктивности растительности, измеряемая с помощью ядерного нормализованного относительного индекса растительности (kNDVI), варьируется в зависимости от типа земного покрова к изменению климата в АПЭСК. Более того, ридж-регрессионное моделирование демонстрирует, что предсезонные климатические условия (т.е. предсезонные осадки и температура) оказывают более сильное положительное воздействие на продуктивность растительности в вегетационный сезон, чем осадки и температура в течение вегетационного периода, в то время как влияние дефицита давления пара (VPD) является отрицательным. Примечательно, что kNDVI демонстрирует значительную положительную чувствительность (p < 0,05) к осадкам на 34,12% территории и значительную отрицательную чувствительность (p < 0,05) к VPD на 38,80%. Ридж-регрессионная модель объяснила 89,10% общей вариации (R² = 0,891). Эти выводы не только подчеркивают критическую роль как исторических, так и современных климатических условий в формировании роста растительности, но и предоставляют ценную информацию о том, как скорректировать стратегии управления сельским хозяйством и животноводством для улучшения региональной адаптации к климату на основе климатической информации предыдущих сезонов в уязвимых регионах.

Наземные экосистемы все в большей степени подвержены влиянию антропогенного изменения климата (например, глобального потепления и ускорения гидрологического цикла) и изменений в землепользовании/земном покрове (LUCC), обусловленных деятельностью человека, таких как урбанизация, обезлесение, лесовосстановление и расширение сельскохозяйственных угодий [1,2,3]. В ответ на эти стрессоры наземные экосистемы адаптируются, изменяя свою структурную композицию и модифицируя свою чувствительность к климатическим вариациям, что, в свою очередь, влияет на функции экосистем, в частности на первичную продуктивность [3,4]. Следовательно, понимание воздействия изменения климата и LUCC на первичную продуктивность растительности имеет важнейшее значение для эффективного управления экологическими ресурсами и обеспечения благополучия человека, особенно в регионах, сильно зависящих от первичной продуктивности в плане продовольствия, топлива и волокна.

Аридная и семиаридная агропастбищная экотонная зона Северного Китая (далее APENC), являющаяся переходной зоной между земледелием и животноводством, представляет собой типичную хрупкую экологическую зону, высоко уязвимую к изменению климата из-за частых изменений земного покрова, вызванных деятельностью человека [5]. Исторически масштабное преобразование пастбищ и лесных угодий в пахотные земли между 1960-ми и 1990-ми годами привело к серьезной экологической деградации, включая снижение функциональности экосистем, деградацию земель и усиление эрозии почв [6]. Для решения этих проблем с 1999 года были реализованы несколько экологических проектов, такие как проекты «Великая зеленая стена» («Трехсеверная лесополоса»), «Зерно за зелень» и «Источник пыльных бурь Пекина-Тяньцзиня», которые существенно изменили динамику LUCC в APENC [7]. Эти изменения земного покрова вызвали локальные сдвиги биомов, потенциально изменяя чувствительность растительности к климатическим факторам, включая повышение температуры, изменчивость осадков и рост дефицита давления пара (VPD) [8]. Однако степень, в которой частые переходы между пастбищами и пашней влияют на чувствительность растительности к изменениям климата, остается малоизученной, что ограничивает всестороннее понимание взаимодействий между растительностью и климатом.

В дополнение к воздействию LUCC, APENC высокочувствительна к изменению климата [9]. Осадки, являющиеся основным лимитирующим фактором в засушливых экосистемах, играют ключевую роль в формировании продуктивности растительности в регионе [10]. В отличие от температуры, изменчивость осадков включает несколько измерений, включая изменения общего количества, интенсивности и частоты, каждое из которых оказывает различное влияние на продуктивность растительности через различные механизмы [11]. Однако существующие исследования в основном сосредоточены на влиянии общего количества осадков, пренебрегая вариациями интенсивности и частоты осадков. Например, Сюй и др. [12] идентифицировали общее количество осадков как основной определяющий фактор "зелености" растительности, показателя продуктивности, в APENC. Аналогично, Лю и др. [13] и Чен и др. [14] использовали cumulative количества осадков для изучения реакции растительности на изменения климата. Такие исследования, хотя и информативны, дают неполное понимание сложных взаимодействий между режимами осадков и продуктивностью растительности, приводя к упрощенным оценкам климатических воздействий.

Среди различных климатических факторов предсезонная температура и осадки играли ключевую роль в регулировании роста растений, особенно в аридных и семиаридных регионах [15,16]. Предыдущие исследования показывали, что снежный покров играет критическую роль, регулируя влажность почвы, температуру и динамику питательных веществ, что, в свою очередь, влияет на рост растений и продуктивность экосистем [17,18]. Согласно Ян и др. [19], влияние зимних снегопадов на растительность сохранялось и в течение вегетационного сезона. Хуан и др. [20] отметили, что избыток влаги от большего количества снега способствовал росту растительности на высотах ниже 3000 м. Однако на высотах выше 3000 м большее количество снега задерживало наступление весны и подавляло рост растений [20]. Аналогично, предсезонные условия влияли на активность растительности — более теплые температуры запускали ранний рост, а более холодные — задерживали его [21]. Эти выводы подчеркивают важность понимания предсезонных климатических условий, поскольку они непосредственно формируют динамику роста растений и общую продуктивность экосистем в регионах, чувствительных к изменчивости климата.

В контексте взаимодействий климата и растительности анализ чувствительности продуктивности растительности к климатическим переменным необходим для понимания реакции экосистем на изменение климата [22]. Однако сложные взаимосвязи между множественными климатическими факторами часто приводят к мультиколлинеарности, которая может искажать результаты традиционных методов, основанных на регрессии [8]. Чтобы преодолеть эту проблему, данное исследование использует ридж-регрессию, надежный статистический метод, специально разработанный для решения проблемы мультиколлинеарности путем применения L2-регуляризации для стабилизации коэффициентов модели [23]. Этот подход эффективно снижает влияние коррелированных предикторов, что приводит к более надежным и интерпретируемым результатам. Дополнительно, ридж-регрессия не только повышает точность оценок параметров, но и улучшает общую устойчивость модели, делая ее особенно подходящей для сложных, многомерных данных, таких как взаимодействия климата и растительности [24].

Это исследование было направлено на решение двух ключевых исследовательских вопросов:

(1) Влияют ли изменения земного покрова (LUCC) в регионе APENC на чувствительность продуктивности растительности к климатическим переменным (включая VPD и осадки)?

(2) Как взаимодействия метрик осадков и продуктивности растительности реагируют на чувствительность растительности в APENC?

Для изучения этих вопросов в исследовании используется недавно разработанный ядерный нормализованный относительный индекс растительности (kNDVI), который обеспечивает улучшенное представление валовой первичной продуктивности в различных биомах [25]. Дополнительно, исследование интегрирует данные наборов данных о земном покрове и многопродуктовых объединенных климатических записей для анализа реакции растительности на изменение климата в APENC с 2001 по 2022 год.

2.1. Район исследования

Агропастбищная экотонная зона Северного Китая (APENC) расположена в северной части Лессового плато и юго-восточной части Монгольского плато, охватывая широты от 33.5° до 48.6° с.ш. и долготы от 101° до 126.5° в.д. Регион занимает приблизительно 835 000 км² и простирается через 11 провинций и автономных районов, включая Внутреннюю Монголию, Хэйлунцзян, Цзилинь, Ляонин, Пекин, Хэбэй, Шаньси, Шэньси, Нинся, Ганьсу и Цинхай (Рисунок 1a) [26]. Для APENC характерен аридный до семиаридный климат со средними годовыми температурами от 2 °C до 8 °C и средним годовым количеством осадков между 300 мм и 450 мм. Примечательно, что приблизительно от 60% до 70% от общего годового количества осадков выпадает в летние месяцы (с июня по август). Доминирующие типы растительности демонстрируют постепенный переход от леса и лесостепи на северо-востоке к типичной степи и пустынной степи на юго-западе [27].

Рисунок 1. Карты района исследования.** (a) Местоположение и высота над уровнем моря агропастбищной экотонной зоны Северного Китая (APENC). (b) Типы землепользования и земного покрова APENC в 2022 году.

2.2. Наборы данных

2.2.1. Продуктивность растительности

При выборе вегетационных индексов (VI), NDVI (Нормализованный относительный индекс растительности), EVI (Улучшенный вегетационный индекс) и GPP (Валовая первичная продукция) широко используются для оценки продуктивности растительности, но сталкиваются с заметными ограничениями. NDVI страдает от эффекта насыщения в районах с высокой плотностью растительности [28], в то время как EVI, хотя и уменьшает эту проблему с помощью дополнительных спектральных каналов, все же struggles с точностью в таких условиях [29]. GPP, являясь прямым показателем фотосинтетической активности, relies на солне-induced хлорофилльную флуоресценцию (SIF) для улучшенной точности, но ограничена неполными взаимосвязями SIF–GPP и ограниченным пространственным и временным разрешением [30,31].

В отличие от них, kNDVI использует статистические взаимосвязи высшего порядка среди спектральных отражений для эффективного решения проблем насыщения в NDVI и EVI. Этот подход на основе ядер обеспечивает надежную и точную оценку продуктивности растительности across различных фенологических циклов и климатических зон. Более того, сильная корреляция kNDVI с GPP и SIF усиливает его способность улавливать фотосинтетическую активность, что делает его более надежным и универсальным индексом для применений, таких как оценка урожайности сельскохозяйственных культур и мониторинг окружающей среды [28]. kNDVI рассчитывается как kNDVI = tanh(NDVI²) [28], предлагая более надежную меру продуктивности растительности. Для данного исследования ядерный нормализованный относительный индекс растительности (kNDVI) был получен из продукта MODIS MOD13C2 v061, который имеет месячное временное разрешение и пространственное разрешение 0.05°. MODIS, инструмент NASA, собирает комплексные данные о поверхности Земли, суше, океанах и атмосфере. Эти данные бесценны для изучения глобальных процессов и динамики и играют ключевую роль в прогнозировании изменения климата и мониторинге окружающей среды. В этом исследовании анализировались общедоступные наборы данных. Эти данные можно найти здесь: [https://lpdaac.usgs.gov/products/mod13c2v061/], доступ осуществлен 1 октября 2023 года. Анализ охватил период с 2001 по 2022 год, что позволило оценить долгосрочные тенденции растительности.

2.2.2. Набор данных о земном покрове

Годовые данные о земном покрове были получены из продукта MODIS MCD12C1, который обеспечивает пространственное разрешение 0.05° [32]. В этом исследовании анализировались общедоступные наборы данных. Эти данные можно найти здесь: [https://lpdaac.usgs.gov/products/mcd12c1v006/], доступ осуществлен 1 октября 2023 года. Типы земного покрова, классифицированные по программе Международной геосферно-биосферной программы (IGBP), были объединены в пять категорий для APENC: лесные земли, кустарниковые земли, пастбища, пахотные земли и бесплодные земли (Рисунок 1b).

2.2.3. Климатические данные

Ежедневные климатические данные с пространственным разрешением 0.1° были получены из набора данных Multi-Source Weighted Ensemble Precipitation (MSWEP) [33]. В этом исследовании анализировались общедоступные наборы данных. Эти данные можно найти здесь: [https://www.gloh2o.org/mswep/], доступ осуществлен 1 октября 2023 года. Учитывая как временную динамику режимов осадков, так и их эффекты временного лага, были рассчитаны следующие метрики осадков для вегетационного сезона (апрель-октябрь): общее количество осадков, интенсивность осадков, частота осадков и доля сухих дней. Дополнительно, также оценивались предсезонные осадки (ноябрь предыдущего года по март текущего года). Интенсивность осадков (Pint) определялась как отношение общего количества осадков к дням с осадками (ежедневные осадки ≥ 0.1 мм) в течение вегетационного сезона [34]. Отношение количества сухих дней (ежедневные осадки < 0.1 мм) к общему количеству дней вегетационного сезона использовалось для вычисления доли сухих дней (fdry) [34]. Неранжированный индекс Джини (UGi), который описывает, как количество осадков распределено неравномерно, был использован для указания частоты осадков (Pfre) [34].

В дополнение к метрикам осадков, были включены другие климатические переменные, включая среднюю температуру, среднюю радиацию и средний VPD в течение вегетационного сезона, а также предсезонную среднюю температуру. Эти переменные были получены из набора данных Multi-Source Weather (MSWX) [35]. В этом исследовании анализировались общедоступные наборы данных. Эти данные можно найти здесь: [https://www.gloh2o.org/mswx/], доступ осуществлен 1 октября 2023 года. VPD рассчитывался с использованием пакета "plantecophys" в R, на основе температуры воздуха, относительной влажности и атмосферного давления [36]. Дополнительно, данные о влажности почвы 0–28 см были получены из месячного набора данных ERA5-Land, предоставленного Европейским центром среднесрочных прогнозов погоды (ECMWF) [37]. В этом исследовании анализировались общедоступные наборы данных. Эти данные можно найти здесь: [https://cds.climate.copernicus.eu/], доступ осуществлен 1 октября 2023 года.

В этом исследовании, на основе метода локальной дисперсии [38], были захвачены детали регионального изменения климата и земного покрова, подтверждая, что пространственное разрешение 0.05° лучше, чем 0.1°. Для передискретизации использовалась интерполяция ближайшего соседа с пакетом Terra в R [39], сохраняя исходные значения без артефактов сглаживания, что подходит для категориальных климатических данных. Анализ чувствительности сравнил эффекты изменения разрешения с 0.1° до 0.05°, показав вариации в пределах ±0.02 и отсутствие значительного влияния на выводы. Пропущенные значения заменялись средним значением соответствующих переменных с использованием импутации средним. Дополнительные тесты подтвердили отсутствие значительных ошибок (ошибка < 1%). Источники данных и переменные суммированы в Таблице 1.

Таблица 1. Сводка данных, использованных в этом исследовании.

2.3. Изменения земного покрова

Динамика изменений земного покрова в регионе APENC была систематически проанализирована. Во-первых, ежегодно с 2001 по 2022 год рассчитывалась площадная доля каждого типа земного покрова, и тенденции оценивались с помощью линейной регрессии. Впоследствии анализировались конкретные переходы между типами земного покрова, категоризируя эти изменения по типам. Наконец, тест Манна-Кендалла (MK) [40,41] был применен для оценки статистической значимости изменений внутри одних и тех же категорий земного покрова.

2.4. Влияние вариаций земного покрова на климатическую чувствительность растительности

Чтобы исследовать, влияет ли изменение земного покрова на чувствительность к изменению климата локальной продуктивности растительности, мы выполнили линейные модели смешанных эффектов в регионах изменения земного покрова и эффекты модерации в APENC. В линейных моделях смешанных эффектов средний kNDVI в вегетационный сезон является зависимой переменной, а климатические переменные (т.е. количество осадков в вегетационный сезон, VPD, взаимодействие между количеством осадков в вегетационный сезон и земным покровом и взаимодействие между VPD в вегетационный сезон и земным покровом) являются независимыми переменными, с долгосрочными сериями земного покрова в качестве случайного фактора.

Дополнительно, взаимосвязь между вегетационными индексами и климатическими факторами в различных типах земного покрова была исследована в APENC. Модерирующий эффект земного покрова на взаимосвязь между климатическими факторами и продуктивностью растительности оценивался с помощью группового регрессионного анализа с использованием пакета R "bruceR". В этом анализе тип земного покрова рассматривался как модерирующая переменная и категоризировался в отдельные типы земного покрова. Вегетационные индексы рассматривались как зависимая переменная, в то время как осадки и VPD рассматривались как независимые переменные.

2.5. Чувствительность вегетационного индекса к изменению климата

Был проведен систематический анализ для оценки взаимосвязей между этими переменными. Во-первых, были рассчитаны коэффициенты корреляции Пирсона для оценки парных взаимосвязей между всеми климатическими переменными [42]. Этот шаг предоставил первоначальное представление о силе и направлении межпеременных зависимостей, выделив потенциальное наличие мультиколлинеарности. Матрица корреляции показала значимые корреляции между некоторыми метриками осадков и другими климатическими факторами, что предполагает необходимость дальнейших диагностических мер [43]. Далее, для каждой независимой переменной был вычислен Фактор инфляции дисперсии (VIF), чтобы количественно определить мультиколлинеарность в наборе данных. Значения VIF, превышающие общепринятый порог 5, указывали на существенную мультиколлинеарность между определенными переменными, особенно внутри метрик осадков [44]. Эти результаты дополнительно оправдали использование ридж-регрессии для обеспечения надежности анализа.

Чтобы устранить мультиколлинеарность среди ключевых климатических переменных — таких как количество осадков, доля сухих дней, интенсивность осадков и VPD — использовался анализ ридж-регрессии для оценки чувствительности вегетационного индекса к климатическим факторам. Ридж-регрессия эффективно снижает мультиколлинеарность, предоставляя надежную аналитическую основу для понимания сложных межпеременных взаимосвязей [2].

В модели ридж-регрессии среднее значение ядерного нормализованного относительного индекса растительности (kNDVI) в вегетационный сезон рассматривалось как зависимая переменная. Независимые переменные включали температуру вегетационного сезона, количество осадков, интенсивность осадков, частоту осадков, долю сухих дней, радиацию и VPD, а также предсезонную температуру и количество осадков. Перед анализом все переменные были нормализованы к диапазону 0–1 для обеспечения согласованности.

Коэффициенты регрессии, полученные из анализа ридж-регрессии, использовались для количественной оценки чувствительности продуктивности растительности к климатическим изменениям, предоставляя ценные сведения о том, как растительность реагирует на различные климатические драйверы.

2.6. Анализ пространственной автокорреляции

Анализ пространственной автокорреляции — это метод, используемый для определения, существует ли пространственная агрегация или кластеризация географического явления или переменной, путем изучения его общей степени пространственной дисперсии [45]. Этот анализ показывает, существует ли корреляция между значениями атрибутов географических элементов и их соседних элементов, предоставляя представление о пространственных моделях распределения исследуемого явления.

В этом исследовании использовались два основных индекса для оценки пространственной автокорреляции: Глобальный индекс Морана I и Локальный индекс Морана I.

Глобальный индекс Морана I — это мера общей пространственной автокорреляции переменной по всему району исследования. Он количественно определяет степень сходства или различия значений переменной в соседних местоположениях. Формула для расчета Глобального индекса Морана I следующая:

где n указывает количество пространственных единиц (например, пикселей); 𝑥𝑖 и 𝑥𝑗 указывают значения атрибута в местоположениях; 𝑥̲ указывает среднее значение атрибута по всем местоположениям; ωij указывает пространственный вес между местоположениями 𝑖 и 𝑗.

Локальный индекс Морана I измеряет степень пространственной автокорреляции в каждом отдельном местоположении, позволяя идентифицировать локальные модели пространственной кластеризации. Это помогает определить, характеризуются ли определенные области значительными пространственными кластерами или выбросами высоких или низких значений, которые могут быть не очевидны в глобальном анализе. Формула для Локального индекса Морана I в местоположении iii задается следующим:

3.1. Пространственно-временные процессы изменений земного покрова**

Анализ набора данных MCD12C1 показал, что приблизительно 17% региона APENC испытали изменения земного покрова между 2001 и 2022 годами, с заметными изменениями на пастбищах и пахотных землях (Рисунок 2). В частности, доля пастбищ в регионе значительно снизилась с годовой скоростью 0.34% (y = −0.0034x + 7.72, p < 0.05, R² = 0.78), в то время как процент пахотных земель значительно увеличился приблизительно на 0.26% в год (y = 0.0026x − 5.09, p < 0.05, R² = 0.79) (Рисунок 2a). В отличие от этого, площадные проценты лесов, кустарниковых земель и бесплодных земель показали небольшие вариации на протяжении всего периода исследования.

Рисунок 2. Изменение землепользования и земного покрова в APENC с 2001 по 2022 год.** (a) Тенденция изменений землепользования и земного покрова в регионе APENC с 2001 по 2022 год; (b) карта иллюстрирует конкретные переходы типов земного покрова между 2001 и 2022 годами; (c) пространственное распределение значимости изменения земного покрова было определено с использованием теста Манна-Кендалла (MK). Белые области указывают на отсутствие значительных изменений в земном покрове, а красные области представляют регионы с небольшими изменениями (−1.96 < z < 1.96), в то время как черные области обозначают регионы со значительными изменениями земного покрова (z > 1.96 или z < −1.96).

Преобладающие переходы наблюдались между пастбищами и пахотными землями, причем преобразования пастбищ в пахотные земли составляли 43.6% всех изменений, в то время как переходы от пахотных земель к пастбищам представляли 26.2% (Рисунок 2b).

Значимость изменений земного покрова анализировалась с использованием теста Манна-Кендалла (MK). Результаты показали, что регионы со значительными изменениями земного покрова, обозначенные черным, составляли 53.7% от общей площади изменений (с z > 1.96 или z < −1.96), что позволяет предположить, что эти области испытали существенные изменения земного покрова. В отличие от этого, регионы с незначительными изменениями (обозначенные красным) занимали 46.3% площади изменений, со значениями z в диапазоне от −1.96 до 1.96, что позволяет предположить, что изменения земного покрова в этих областях были либо незначительными, либо статистически не значимыми. Дополнительно, белые области представляют регионы без изменений. Эти выводы позволяют предположить, что пространственное распределение изменений земного покрова в районе исследования проявляет определенную неравномерность, причем области значительного изменения немного превосходят области с незначительными изменениями (Рисунок 2c).

3.2. Влияние изменений земного покрова на климатическую чувствительность растительности

Результаты анализа показали значительные взаимодействия между климатическими факторами, specifically дефицитом давления пара (VPD) и осадками, и земным покровом, выделяя их коллективное воздействие на продуктивность растительности, оцененную по kNDVI. Примечательно, что VPD проявлял значительную отрицательную чувствительность к kNDVI в 12.54% региона (p < 0.05), указывая, что увеличение атмосферной сухости detrimentalally влияло на продуктивность растительности в этих областях (Рисунок 3a). В отличие от этого, положительная чувствительность к VPD наблюдалась в 6.32% региона (p < 0.05), что позволяет предположить, что умеренное увеличение VPD могло принести пользу растительности в определенных экосистемах. Когда взаимодействие между VPD и земным покровом учитывалось, значительная отрицательная чувствительность уменьшалась на 5.32%, а положительная чувствительность уменьшалась на 3.28% (Рисунок 3b). Это сокращение подчеркнуло роль земного покрова в moderating реакции растительности на VPD, вероятно, обусловленную вариациями в типах растительности, методах управления землей или адаптивных характеристиках.

Рисунок 3. Результаты растровой линейной модели смешанных эффектов, с земным покровом в качестве случайного эффекта и климатическими факторами в качестве фиксированных эффектов.** (a) иллюстрирует воздействие дефицита давления пара (VPD) на вегетационный индекс (kNDVI). (b) выделяет взаимодействие между VPD и земным покровом. (c) показывает воздействие осадков на вегетационный индекс (kNDVI). (d) изображает взаимодействие между осадками и земным покровом. Регионы, помеченные черным ×, указывают на статистически значимые тенденции (p < 0.05).

Аналогично, осадки демонстрировали значительную положительную чувствительность к kNDVI в 10.54% региона (p < 0.05), указывая, что увеличение осадков положительно влияло на продуктивность растительности в этих областях (Рисунок 3c). И наоборот, отрицательная чувствительность отмечалась в 5.64% региона (p < 0.05), что позволяет предположить, что чрезмерные осадки могут иметь detrimental effects на растительность из-за таких факторов, как переувлажнение или вымывание питательных веществ. При учете взаимодействия между осадками и земным покровом положительная чувствительность существенно уменьшилась на 8.57%, в то время как отрицательная чувствительность увидела небольшое сокращение на 1.39% (Рисунок 3d). Эти выводы подчеркнули влияние земного покрова в modulating эффектов осадков на продуктивность растительности, потенциально через вариации в способности удержания воды, свойствах почвы или структуре растительности.

Термины взаимодействия дополнительно указали, что земной покров играл ключевую роль в формировании реакции растительности на климатические переменные. Включение этих взаимодействий в модель улучшило понимание пространственно неоднородных воздействий климатических факторов на динамику растительности, предоставляя более всесторонний взгляд на лежащие в основе экологические процессы.

В этом исследовании реакция вегетационного индекса (kNDVI) на климатические факторы (осадки и VPD) анализировалась с использованием типа земного покрова в качестве модерирующей переменной. Результаты показали, что введение типа земного покрова значительно улучшило точность подгонки регрессионной модели. Конкретно, коэффициент детерминации (R²) регрессионной модели между kNDVI и осадками составлял 0.75, когда тип земного покрова не учитывался, тогда как R² модели улучшался до 0.81, когда тип земного покрова добавлялся как модерирующий эффект. Аналогично, R² регрессионной модели между kNDVI и VPD улучшался с 0.72 до 0.76, Это дополнительно подтвердило значительную роль типа земного покрова в moderating и влиянии на реакцию растительности.

Существовали значительные различия в реакции kNDVI на осадки и VPD при различных типах земного покрова. С увеличением осадков существовала значительная положительная корреляция (p < 0.001) между kNDVI и осадками на пашне и траве, в то время как реакция была слабее или даже близка к нулю в лесу, кустарнике и бесплодных областях (Рисунок 4a). В отличие от тенденции реакции осадков, kNDVI травы и пашни показал значительную отрицательную корреляцию с VPD по мере увеличения VPD; однако kNDVI лесных областей показал положительную корреляцию с VPD (Рисунок 4b). kNDVI кустарниковых и бесплодных областей показал небольшую реакцию на изменения VPD. Следовательно, роль типа земного покрова в регулировании реакции растительности на климатические факторы нельзя игнорировать.

Рисунок 4. Влияние осадков на kNDVI в различных типах земного покрова (a) и влияние VPD на kNDVI в различных типах земного покрова (b).** Длина каждой линии представляет диапазон климатического фактора (т.е. разницу между его максимальным и минимальным значениями) для соответствующего типа земного покрова. Наклон линии указывает силу и направление взаимосвязи: линии в первом и третьем квадрантах представляют положительную корреляцию между климатическим фактором и kNDVI, тогда как линии во втором и четвертом квадрантах указывают на отрицательную корреляцию. ** указывает p < 0.01; *** указывает p < 0.001.

3.3. Корреляция среди климатических факторов и анализ коллинеарности

Матрица корреляции показала значительные взаимосвязи между различными климатическими факторами, выделяя их сложные взаимозависимости. Сильные положительные корреляции наблюдались между изменчивостью почвенной влаги (SWV) и осадками (P) (r = 0.85, p < 0.001), а также между дефицитом давления пара (VPD) и радиацией (Rad) (r = 0.78, p < 0.001) (Рисунок 5). И наоборот, существуют сильные отрицательные корреляции между VPD вегетационного сезона и осадками (r = −0.80, p < 0.001), а также между радиацией (Rad) и осадками (P) (r = −0.74, p < 0.001) (Рисунок 5).

Рисунок 5. Коэффициенты корреляции Пирсона среди климатических переменных.** По диагонали отображаются гистограммы распределения каждой переменной, в то время как диаграммы рассеяния показывают тенденции распределения и линейные корреляции между переменными, с красными кривыми, представляющими тенденции нелинейной подгонки. Показанные коэффициенты корреляции являются коэффициентами Пирсона, и уровни значимости указаны звездочками (* для p < 0.05 и *** для p < 0.001).

Значительные корреляции между переменными указывали на наличие мультиколлинеарности, которая могла бы скомпрометировать надежность регрессионных анализов. Чтобы количественно определить степень мультиколлинеарности, был вычислен Фактор инфляции дисперсии (VIF), с результатами, представленными в **Таблице 2**. Анализ VIF подтвердил существование существенной мультиколлинеарности среди климатических переменных. Следовательно, ридж-регрессия была использована как надежный статистический метод для решения этой проблемы и снижения эффектов мультиколлинеарности в последующих анализах.

Таблица 2. Фактор инфляции дисперсии климатического фактора.

3.4. Пространственные распределения чувствительности вегетационного индекса к изменчивости климата

Впоследствии ридж-регрессия была использована для оценки чувствительности продуктивности растительности к изменению климата по всему региону APENC. Все значения чувствительности, отмеченные ниже, представляют собой средние значения, рассчитанные для всего региона. Результаты моделирования модели ридж-регрессии, использованной в этом исследовании, могут быть выражены следующим образом: kNDVI = 5.1218 + 0.125Ppre + 0.090P + 0.086Pint + 0.061Tpre + 0.056SWV + 0.019T + 0.0039UGi−0.046fdry − 0.0584Rad− 0.117VPD. Модель с R² = 0.891 и RMSE = 0.0125. Результаты показали, что как предсезонные осадки и температура, так и осадки вегетационного сезона, влажность почвы и интенсивность осадков оказывали положительный эффект на продуктивность растительности. И наоборот, VPD, радиация и доля сухих дней проявляли негативные воздействия на продуктивность растительности (Рисунок 6). Примечательно, что предсезонные осадки показали самую высокую положительную чувствительность, в то время как VPD продемонстрировал наибольшую отрицательную чувствительность (Рисунок 6). Дополнительно, влияние температуры вегетационного сезона и частоты осадков (т.е. UGi) на продуктивность растительности было минимальным (Рисунок 6).

Рисунок 6. Чувствительность среднего kNDVI в вегетационный сезон к внутрисезонным климатическим факторам, использованная в ридж-регрессии в APENC с 2001 по 2022 год.** Примечания: VPD указывает дефицит давления пара (гПа), UGi указывает Неранжированный индекс Джини (без единицы), Tpre указывает предсезонную температуру (°C), T указывает температуру (°C), SWV указывает влажность почвы (%), Rad указывает радиацию (Вт/м²), Ppre указывает количество предсезонных осадков (мм), Pint указывает интенсивность осадков (мм/день), P указывает количество осадков (мм), и fdry указывает долю сухих дней (%). Полоски погрешностей представляют 95% доверительные интервалы оценок чувствительности, отражая степень неопределенности, связанную с коэффициентами регрессии для каждого климатического фактора.

С пространственной точки зрения, значительная положительная чувствительность к осадкам вегетационного сезона наблюдалась в 34.12% региона APENC, за ней следовали 23.43% для SWV вегетационного сезона, 22.93% для предсезонных осадков и 7.89% для предсезонной температуры (Рисунок 7b,c,f,h, **Таблица 3**). В отличие от этого, 38.80% региона проявляли значительную отрицательную чувствительность к VPD, с 13.72% для доли сухих дней и 9.73% для радиации (Рисунок 7a,e,j, **Таблица 3**). Дополнительно, не было наблюдаемо значительных различий в климатической чувствительности across типам биомов (т.е. леса, кустарниковые земли, пастбища, пахотные земли и бесплодные земли) в пределах региона APENC (Рисунок 8).

Рисунок 7. Пространственное распределение чувствительности между средним kNDVI в вегетационный сезон и внутрисезонными климатическими факторами в APENC с 2001 по 2022 год.** a–j показывают чувствительность доли сухих дней (%) (a), предсезонной температуры (°C) (b), предсезонных осадков (мм) (c), температуры (°C) (d), радиации (Вт/м²) (e), влажности почвы (%) (f), интенсивности осадков (мм/день) (g), осадков (мм) (h), Неранжированного индекса Джини (без единицы) (i) и дефицита давления пара (гПа) (j), соответственно. Регионы, помеченные черными точками, указывают на статистически значимые тенденции (p < 0.05).

Рисунок 8. Чувствительность среднего kNDVI в вегетационный сезон к внутрисезонным климатическим переменным в различных биомах.** Примечания: Tpre указывает предсезонную температуру (°C), Ppre указывает количество предсезонных осадков (мм), Rad указывает радиацию (Вт/м²), T указывает температуру (°C), VPD указывает дефицит давления пара (гПа), UGi указывает Неранжированный индекс Джини (без единицы), Pint указывает интенсивность осадков (мм/день), P указывает количество осадков (мм), fdry указывает долю сухих дней (%), и SWV указывает влажность почва (%).

Таблица 3. Доля пикселей чувствительности между kNDVI и климатическими факторами.

3.5. Результаты анализа пространственной автокорреляции

Чувствительность растительности к климатическим факторам проявляла значительную пространственную гетерогенность. Глобальные значения Морана I указали на сильные пространственные автокорреляции для всех климатических факторов, что позволяет предположить, что регионы с похожей чувствительностью были пространственно сгруппированы, а не распределены случайно (**Таблица 4**). Предсезонные осадки (Ppre), интенсивность осадков (Pint) и осадки вегетационного сезона (P) имели сильные и концентрированные эффекты на вегетационные индексы, указывая на значительную и последовательную реакцию растительности на эти климатические факторы (Рисунок 9). В отличие от этого, Неранжированный индекс Джини (UGi) и радиация (Rad) проявляли более слабые и более рассеянные эффекты на вегетационные индексы, что позволяет предположить ограниченную чувствительность растительности к этим переменным (Рисунок 9). Эти выводы подчеркнули значительную пространственную кластеризацию чувствительности растительности к климатическим факторам, выделяя важность мелкомасштабного пространственного моделирования в лучшем понимании динамики растительности при изменении климата.

Рисунок 9. Пространственное распределение паттернов кластеризации и выбросов для чувствительности растительности к климатическим переменным. Кластеры Высокий-Высокий (красный) и Низкий-Низкий (синий) указывают регионы со значительной пространственной автокорреляцией, в то время как выбросы Высокий-Низкий (коричневый) и Низкий-Высокий (светло-синий) представляют локализованные отклонения. Незначительные области (серый) lack сильных паттернов кластеризации. Переменные включают (a) дефицит давления пара (VPD), (b) Неранжированный индекс Джини (UGi), (c) предсезонную температуру (Tpre), (d) температуру вегетационного сезона (T), (e) влажность почвы (SWV), (f) радиацию (Rad), (g) осадки вегетационного сезона (Pint), (h) долю сухих дней (fdry), (i) количество осадков (P) и (j) предсезонные осадки (Ppre).

Таблица 4. Глобальный индекс Морана I и тестирование значимости для чувствительности растительности к климатическим факторам.

4.1. Взаимосвязь между LUCC и антропогенной деятельностью

LUCC преимущественно управлялась антропогенной деятельностью [46,47]. Это исследование наблюдало, что 17% земного покрова в регионе APENC изменилось между 2001 и 2022 годами, причем приблизительно 69.8% этих изменений resulted from переходов между пахотными землями и пастбищами. Этот вывод согласуется с предыдущими исследованиями Вэй и др. [6]. Преобладание переходов от пашни к пастбищу предполагало непрерывный цикл практик управления землей, таких как забрасывание пашни, которое могло усугубить фрагментацию местообитаний и нестабильность экосистем [48]. Понимание механизмов, лежащих в основе этих переходов, было необходимо для разработки эффективных стратегий сохранения для смягчения негативных экологических последствий изменений землепользования [49].

Динамика землепользования в APENC с 2005 по 2009 год в основном находилась под влиянием политических вмешательств и миграции населения. В течение этого периода площади пашни снизились, в то время как пастбища расширились, движимые двумя основными факторами. Во-первых, инициатива «Зерно за зелень» привела к преобразованию песчаных и низкокачественных пахотных земель в экологически восстановленные земли [50]. Во-вторых, снижение сельского населения, в значительной степени из-за миграции в города, привело к нехватке сельскохозяйственной рабочей силы. Следовательно, большие площади пашни были заброшены, способствуя расширению пастбищ [6]. Официальная статистика указывает, что сельскохозяйственное население уменьшилось с 745 миллионов в 2005 году до 689 миллионов в 2009 году, отражая существенные демографические сдвиги. В неразвитых сельских районах сельскохозяйственные системы оказались особенно уязвимыми к изменениям в доступности рабочей силы, климатическим условиям и политическим мерам.

В отличие от периода 2005–2009 годов, годы с 2009 по 2022 стали свидетелями обращения, с пастбищами, все в большей степени преобразуемыми в пахотные земли. Этот сдвиг мог быть приписан двум ключевым факторам. Во-первых, отмена сельскохозяйственного налога в 2006 году сдержала сокращение пашни. Во-вторых, введение в 2009 году политики «Защитить красную линию пашни» обязало, чтобы площадь пашни поддерживалась выше 1.2 миллиона квадратных километров для защиты национальной продовольственной безопасности [51]. Эти тенденции отражали более широкие сдвиги в землепользовании, характеризуемые интенсифицированными сельскохозяйственными практиками и преобразованием земель. Такие изменения представляли значительные проблемы для балансирования экологического сохранения с человеческими потребностями [52].

Деградация пастбищ оставалась насущной экологической проблемой. Между 2001 и 2022 годами пастбища снижались с годовой скоростью 0.34%. Это постоянное снижение было вызывающим беспокойство, учитывая критическую экологическую роль пастбищ, включая секвестрацию углерода, стабилизацию почвы и обеспечение местообитаний для разнообразных видов [53]. Продолжающаяся деградация могла бы скомпрометировать устойчивость экосистем, приводя к эрозии почвы, деградации и потере биоразнообразия [54,55]. Поэтому было необходимо отдать приоритет усилиям по сохранению и восстановлению пастбищ для обеспечения стабильности экосистем.

В дополнение к LUCC, другие экологические и экологические факторы также могли значительно способствовать устойчивости растительности [56]. Свойства почвы, такие как содержание органического вещества почвы, текстура и способность удержания воды, играли ключевую роль в поддержке растительности, регулируя доступность воды и питательных веществ [57]. Более того, биоразнообразие, включая богатство видов и функциональное разнообразие, усиливало стабильность и устойчивость экосистем, способствуя комплементарному использованию ресурсов и снижая восприимчивость к нарушениям [58]. Эти факторы, наряду с LUCC, взаимодействовали сложными способами, формируя динамику и устойчивость растительности. Поэтому в будущем необходима более всесторонняя структура, которая интегрирует LUCC со свойствами почвы и биоразнообразием, чтобы лучше понять и управлять устойчивостью растительности в регионе APENC.

4.2. Воздействия изменений земного покрова на чувствительность растительности к климату

Чувствительность растительности к изменению климата значительно варьировалась в различных типах земного покрова в районе исследования. Это исследование показало, что взаимосвязи между осадками, VPD и kNDVI различались заметно в различных типах земного покрова. Конкретно, осадки сильно положительно коррелируют с kNDVI на пастбищах и пахотных землях, результат, согласующийся с Лю и др. [59], указывая, что водоснабжение было решающим для роста растительности в этих экосистемах. Увеличение осадков эффективно усиливало влажность почвы, тем самым стимулируя метаболические процессы, такие как фотосинтез и поглощение питательных веществ на пастбищах и пахотных землях [60]. В отличие от этого, взаимосвязь между осадками и kNDVI слабее в лесах и кустарниках, что согласуется с выводами Цзя и др. [27]. Это могло быть связано с typically более глубокими корневыми системами и большими размерами крон древесных растений. Более глубокие корневые системы позволяли лучше access к влажности почвы, в то время как большие размеры крон помогали уменьшить колебания в kNDVI, таким образом уменьшая чувствительность растительности к изменчивым осадкам.

Относительно VPD, kNDVI на пастбищах и пахотных землях показал отрицательную корреляцию с VPD, согласуясь с выводами Лю и др. [59], что позволяет предположить, что более высокий VPD уменьшал относительную влажность, усугубляя потерю воды у растений пастбищ. В условиях водного стресса растения пастбищ typically ограничивали устьичное открытие для уменьшения потери воды [61], что ограничивает фотосинтез и подавляет рост растительности [62]. Однако в лесах VPD положительно коррелирует с kNDVI, возможно, указывая на более высокую адаптивную способность лесов в условиях засухи. Флач и др. [63] suggested, что глобально, леса были менее чувствительны к засухе, чем другие типы растительности. В заключение, результаты этого исследования выделили ключевую роль типа земного покрова в moderating воздействий изменения климата, particularly в терминах дифференциальных реакций растительности на осадки и VPD.

Из-за воздействия LUCC на чувствительность продуктивности растительности к изменению климата, продолжающееся усиление глобального изменения климата представляло значительные проблемы для регионального управления в APENC [64]. Поэтому было решающим реализовать эффективные меры для усиления экологической устойчивости региона [9,65]. Например, в засушливые годы, induced дефицитом предсезонных осадков, suggested, что, с одной стороны, доля сельского хозяйства должна быть уменьшена, а животноводство увеличено; с другой стороны, регулирование водных ресурсов вместе с технологиями орошения (например, капельное орошение и микро-разбрызгивающие системы и т.д.) должны быть приняты для уменьшения водного стресса. Более того, реализация систем сбора и хранения осадков могла бы быть жизнеспособной стратегией в течение сухого сезона. И наоборот, когда предсезонные осадки relatively обильны, могло бы быть beneficial увеличить площадь посевов, particularly путем введения засухоустойчивых культур, таких как пшеница и картофель [10]. Эта стратегия помогла бы минимизировать негативные воздействия изменения климата и уменьшить потенциальный риск продовольственного кризиса [66].

4.3. Реакция вегетационного индекса на изменение климата

Предсезонные осадки играли ключевую роль в определении роста растительности, с выводами, выделяющими их большее воздействие на продуктивность растительности по сравнению с осадками вегетационного сезона. Эта разница была вероятно due to критической роли снегопадов в хранении воды. Увеличение снегопадов усиливало запасы воды, которые впоследствии способствовали росту растительности и улучшали вегетационные индексы [17,18,19]. Эти выводы согласуются с более ранними исследованиями Барретта и др. [67], которые подчеркивали важность адекватной доступности воды для роста растений, particularly в семиаридных и аридных регионах, таких как APENC.

Более теплые предсезонные температуры ускоряли таяние снега, приводя к усиленному хранению почвенной влаги до начала вегетационного сезона. Анализ продемонстрировал, что предсезонные температуры оказывали более сильное влияние на продуктивность растительности, чем температуры вегетационного сезона. Этот результат был вероятно следствием повышения предсезонных температур, изменяющих режимы осадков, сдвигая осадки от снега к дождю [67,68]. Результирующее раннее таяние снега увеличивало запасы влаги в почве в течение критических периодов, когда растения были наиболее чувствительны к дефициту влаги [20]. Эти условия устанавливали благоприятную доступность воды задолго до вегетационного сезона. И наоборот, осадки и температуры вегетационного сезона имели comparatively ограниченные эффекты, так как растения уже были в их активной фазе роста и более отзывчивы к немедленной доступности воды.

Режимы осадков, включая как количество, так и интенсивность, имели положительные эффекты на продуктивность растительности в аридных регионах. Увеличение осадков alleviated водный стресс, усиливая физиологические процессы, такие как фотосинтез, и уменьшая водные ограничения на рост [69]. Например, Ван и др. [65] pointed out, что осадки были ключевым фактором, влияющим на продуктивность растительности, particularly в аридных и семиаридных регионах. Более того, single большие события осадков, как было показано, приводят к большим приростам продуктивности по сравнению с множественными меньшими событиями эквивалентного общего количества осадков, particularly в экосистемах пастбищ [69]. И наоборот, легкие события осадков ниже 5 мм часто имели negligible effects на вегетационные индексы, как наблюдалось на пастбищах по всему северному Китаю [70].

В отличие от этого, дефицит давления пара (VPD) и доля сухих дней оказывали негативные воздействия на продуктивность растительности, выделяя потенциальные уязвимости. Повышенный VPD уменьшал влажность и увеличивал испарительный стресс, который impaired фотосинтез и транспирацию, тем самым уменьшая продуктивность [71]. Аналогично, продолжительные периоды засухи, отраженные в увеличенной доле сухих дней, усугубляли водный стресс, ограничивая устьичную проводимость и уменьшая поглощение углерода [72]. Эти выводы подчеркнули важность эффективного управления водными ресурсами, particularly учитывая растущую аридность, связанную с изменением климата [73]. Несмотря на эти проблемы, растительность в регионе APENC проявляла адаптивные механизмы, чтобы справляться с увеличивающимся VPD и продолжительными засухами. Например, растения могли уменьшать устьичную проводимость, чтобы минимизировать потерю воды при высоком испарительном спросе, усиливая эффективность использования воды даже ценой reduced поглощения углерода [74]. Дополнительно, более глубокие корневые системы позволяли определенным видам access к грунтовым водам во время засух [75]. На уровне сообщества, сдвиги в видовом составе благоприятствовали засухоустойчивым растениям с чертами, такими как высокая эффективность использования воды или засухо-листопадное поведение, further усиливая устойчивость экосистем [76]. Мутуалистические взаимосвязи, такие как те, что с микоризными грибами, также играли роль в улучшении приобретения воды и питательных веществ при стрессе [77].

Эти адаптивные стратегии не только демонстрируют устойчивость растительности в регионе APENC, но и подчеркивают необходимость активного управления для поддержки этих естественных реакций. Политики, способствующие восстановлению экосистем и сохранению засухо-адаптированных видов, необходимы для смягчения долгосрочных воздействий изменения климата [78]. Глядя вперед, будущие исследования должны интегрировать климатические модели и проекции землепользования, чтобы предсказать, как продуктивность растительности может развиваться при различных климатических сценариях и стратегиях управления землей [79]. Такие проекции предоставили бы более всестороннее понимание потенциальных уязвимостей и устойчивости экосистем, способствуя разработке адаптивных стратегий управления, которые обеспечивают экологическую устойчивость перед лицом изменения климата [80]. Дополнительно, включение социально-экономических факторов, таких как рост населения, урбанизация и изменения земельной политики, помогло бы лучше capture сложности динамики землепользования и их взаимодействия с климатическими переменными.

4.4. Ограничения исследования

В этом исследовании климатические данные с исходным пространственным разрешением 0.1° были передискретизированы до 0.05°, чтобы соответствовать разрешению наборов данных о земном покрове. Хотя передискретизация облегчила интеграцию данных, она ввела ограничения, которые могли повлиять на точность и надежность. Передискретизация не улучшала внутреннюю пространственную точность исходных данных; следовательно, локализованные климатические паттерны, particularly в гетерогенных регионах, таких как горные, могли быть не адекватно представлены [81]. Это могло привести к упрощенным анализам взаимосвязей между климатом и процессами земной поверхности, так как интерполяцией полученные более тонкие разрешения не могли fully capture мелкомасштабную изменчивость. Например, экстремальные события осадков, критические для понимания реакций растительности и гидрологических процессов, могли быть замаскированы [82]. Будущие исследования должны отдавать приоритет наборам климатических данных с более высоким собственным разрешением или использовать advanced методы downscaling, которые интегрируют топографические и атмосферные условия, чтобы уменьшить неопределенности и лучше представить пространственную гетерогенность [83].

Это исследование изучало LUCC в регионе APENC, используя годовые данные и линейные регрессионные методы. Хотя линейная регрессия была полезна для идентификации широких тенденций, она имела ограничения в capture сложности LUCC, которая является нелинейным и динамическим процессом, находящимся под влиянием социально-экономических, экологических и политических факторов [84]. Предположение линейности в регрессионных моделях могло oversimplified взаимосвязи между изменением землепользования, изменчивостью климата и реакциями экосистем, потенциально упуская ключевые нелинейные взаимодействия. Дополнительно, использование годовых данных ограничивало временное разрешение анализа, потенциально overlooking внутригодовые колебания, которые могли быть критическими для понимания LUCC и чувствительности растительности. LUCC также находился под влиянием социально-экономических факторов, таких как рост населения и практики управления землей, которые не рассматривались в этом исследовании из-за ограничений данных [85]. Будущие исследования могли бы address эти ограничения, используя нелинейное моделирование, машинное обучение или подходы системной динамики, чтобы лучше capture сложность процессов LUCC. Данные с более высоким временным разрешением также могли бы предоставить более глубокие сведения в динамику LUCC и ее влияние на чувствительность растительности к изменению климата.

Это исследование изучило воздействия LUCC и климатической изменчивости на первичную продуктивность растительности в регионе APENC с 2001 по 2022 год. Результаты показали значительное снижение площадей пастбищ, сопровождаемое увеличением пашни, движимое антропогенной деятельностью и изменениями политики. Эффекты осадков и VPD на вегетационные индексы варьировались в различных типах земного покрова. Дополнительно, предсезонные осадки и температура оказывали более сильное влияние на продуктивность растительности, чем осадки и температура вегетационного сезона. В отличие от этого, как VPD, так и доля сухих дней, как было обнаружено, отрицательно влияют на продуктивность растительности. Эти выводы подчеркивают сложность взаимодействий климата и растительности в хрупких экосистемах, таких как APENC. Двигаясь вперед, устойчивые практики управления землей и продолженные исследования необходимы, чтобы обеспечить экологическую и сельскохозяйственную устойчивость региона.

1. He, L.; Wang, J.; Ciais, P.; Ballantyne, A.; Yu, K.; Zhang, W.; Xiao, J.; Ritter, F.; Liu, Z.; Wang, X.; et al. Non-Symmetric Responses of Leaf Onset Date to Natural Warming and Cooling in Northern Ecosystems. PNAS Nexus 2023, 2, pgad308. [Google Scholar] [CrossRef] [PubMed]

2. He, L.; Wang, J.; Peñuelas, J.; Zohner, C.M.; Crowther, T.W.; Fu, Y.; Zhang, W.; Xiao, J.; Liu, Z.; Wang, X.; et al. Asymmetric Temperature Effect on Leaf Senescence and Its Control on Ecosystem Productivity. PNAS Nexus 2024, 3, pgae477. [Google Scholar] [CrossRef]

3. Jiao, K.; Liu, Z.; Wang, W.; Yu, K.; Mcgrath, M.J.; Xu, W. Carbon Cycle Responses to Climate Change across China’s Terrestrial Ecosystem: Sensitivity and Driving Process. Sci. Total Environ. 2024, 915, 170053. [Google Scholar] [CrossRef]

4. Li, C.; Zhang, S. Disentangling the Impact of Climate Change, Human Activities, Vegetation Dynamics and Atmospheric CO2 Concentration on Soil Water Use Efficiency in Global Karst Landscapes. Sci. Total Environ. 2024, 932, 172865. [Google Scholar] [CrossRef] [PubMed]

5. Wei, B.; Wei, J.; Jia, X.; Ye, Z.; Yu, S.; Yin, S. Spatiotemporal Patterns of Land Surface Phenology from 2001 to 2021 in the Agricultural Pastoral Ecotone of Northern China. Sustainability 2023, 15, 5830. [Google Scholar] [CrossRef]

6. Wei, B.; Xie, Y.; Jia, X.; Wang, X.; He, H.; Xue, X. Land Use/Land Cover Change and It’s Impacts on Diurnal Temperature Range over the Agricultural Pastoral Ecotone of Northern China. Land Degrad. Dev. 2018, 29, 3009–3020. [Google Scholar] [CrossRef]

7. Zhang, K.; Dang, H.; Tan, S.; Cheng, X.; Zhang, Q. Change in Soil Organic Carbon Following the ‘Grain-for-Green’ Programme in China. Land Degrad. 2009, 21, 13–23. [Google Scholar] [CrossRef]

8. Bao, Z.; Zhang, J.; Wang, G.; Guan, T.; Jin, J.; Liu, Y.; Li, M.; Ma, T. The Sensitivity of Vegetation Cover to Climate Change in Multiple Climatic Zones Using Machine Learning Algorithms. Ecol. Indic. 2021, 124, 107443. [Google Scholar] [CrossRef]

9. Wei, B.; Bao, Y.; Yu, S.; Yin, S.; Zhang, Y. Analysis of Land Surface Temperature Variation Based on MODIS Data a Case Study of the Agricultural Pastural Ecotone of Northern China. Int. J. Appl. Earth Obs. Geoinf. 2021, 100, 102342. [Google Scholar] [CrossRef]

10. Zhu, H.; Ding, H.; Bi, R.; Hou, M. Characterizing Multiscale Effects of Climatic Factors on the Temporal Variation of Vegetation in Different Climatic Regions of China. Theor. Appl. Climatol. 2021, 148, 33–47. [Google Scholar] [CrossRef]

11. Feldman, A.F.; Feng, X.; Felton, A.J. Plant responses to changing rainfall frequency and intensity. Nat. Rev. Earth Environ. 2024, 5, 276–294. [Google Scholar] [CrossRef]

12. Xue, Y.; Zhang, B.; He, C.; Shao, R. Detecting Vegetation Variations and Main Drivers over the Agropastoral Ecotone of Northern China through the Ensemble Empirical Mode Decomposition Method. Remote Sens. 2019, 11, 1860. [Google Scholar] [CrossRef]

13. Liu, Z.; Liu, Y.; Li, Y. Anthropogenic Contributions Dominate Trends of Vegetation Cover Change over the Farming-Pastoral Ecotone of Northern China. Ecol. Indic. 2018, 95, 370–378. [Google Scholar] [CrossRef]

14. Chen, W.; Li, A.; Hu, Y.; Li, L.; Zhao, H.; Han, X.; Yang, B. Exploring the Long-Term Vegetation Dynamics of Different Ecological Zones in the Farming-Pastoral Ecotone in Northern China. Environ. Sci. Pollut. Res. 2021, 28, 27914–27932. [Google Scholar] [CrossRef]

15. He, L.; Li, Z.; Wang, X.; Xie, Y.; Ye, J. Lagged Precipitation Effect on Plant Productivity Is Influenced Collectively by Climate and Edaphic Factors in Drylands. Sci. Total Environ. 2021, 755, 142506. [Google Scholar] [CrossRef] [PubMed]

16. He, L.; Xie, Y.; Wang, J.; Zhang, J.; Si, M.; Guo, Z.; Ma, C.; Bie, Q.; Li, Z.-L.; Ye, J.-S. Precipitation Regimes Primarily Drive the Carbon Uptake in the Tibetan Plateau. Ecol. Indic. 2023, 154, 110694. [Google Scholar] [CrossRef]

17. Cai, S.; Li, Q. Snow Cover Dynamics: Impacts on Soil Moisture and Plant Growth in Temperate Ecosystems. Mol. Soil Biol. 2024, 3, 109–117. [Google Scholar] [CrossRef]

18. Wang, X.; Wang, T.; Guo, H.; Liu, D.; Zhao, Y.; Zhang, T.; Liu, Q.; Piao, S. Disentangling the Mechanisms behind Winter Snow Impact on Vegetation Activity in Northern Ecosystems. Glob. Change Biol. 2018, 24, 1651–1662. [Google Scholar] [CrossRef]

19. Yang, T.; Huang, F.; Li, Q. Spatial-temporal Variation of NDVI for Growing Season and Its Relationship with Winter Snowfall in Northern Xinjiang. Remote Sens. Technol. Appl. 2017, 32, 1132–1140. [Google Scholar] [CrossRef]

20. Huang, F.; Feng, T.; Guo, Z.; Li, L. Impact of Winter Snowfall on Vegetation Greenness in Central Asia. Remote Sens. 2021, 13, 4205. [Google Scholar] [CrossRef]

21. Liang, H.; Zhao, H.; Cheng, W.; Lu, Y.; Chen, Y.; Li, M.; Gao, M.; Fan, Q.; Xu, Z.; Li, X. Accelerating Urban Warming Effects on the Spring Phenology in Cold Cities but Decelerating in Warm Cities. Urban For. Urban Green. 2024, 102, 128585. [Google Scholar] [CrossRef]

22. Wang, Z. The Variability in Sensitivity of Vegetation Greenness to Climate Change across Eurasia. Ecol. Indic. 2024, 163, 112140. [Google Scholar] [CrossRef]

23. Jegede, S.L.; Lukman, A.F.; Alqasem, O.A.; Elwahab, M.E.A.; Ayinde, K.; Golam Kibria, B.M.; Adewinbi, H. Handling Linear Dependency in Linear Regression Models: Almost Unbiased Modified Ridge-Type Estimator. Sci. Afr. 2024, 25, e02324. [Google Scholar] [CrossRef]

24. Mermi, S.; Akkuş, Ö.; Göktaş, A.; Gündüz, N. A New Robust Ridge Parameter Estimator Having No Outlier and Ensuring Normality for Linear Regression Model. J. Radiat. Res. Appl. Sci. 2024, 17, 100788. [Google Scholar] [CrossRef]

25. Wang, Q.; Moreno-Martínez, Á.; Muñoz-Marí, J.; Campos-Taberner, M.; Camps-Valls, G. Estimation of Vegetation Traits with Kernel NDVI. ISPRS J. Photogramm. Remote Sens. 2023, 195, 408–417. [Google Scholar] [CrossRef]

26. Wei, B.; Xie, Y.; Wang, X.; Jiao, J.; He, S.; Bie, Q.; Jia, X.; Xue, X.; Duan, H. Land Cover Mapping Based on Time-series MODIS-NDVI Using a Dynamic Time Warping Approach: A Casestudy of the Agricultural Pastoral Ecotone of Northern China. Land Degrad. Dev. 2020, 31, 1050–1068. [Google Scholar] [CrossRef]

27. Jia, Q.; Gao, X.; Jiang, Z.; Li, H.; Guo, J.; Lu, X.; Yonghong Li, F. Sensitivity of Temperate Vegetation to Precipitation Is Higher in Steppes than in Deserts and Forests. Ecol. Indic. 2024, 166, 112317. [Google Scholar] [CrossRef]

28. Camps-Valls, G.; Campos-Taberner, M.; Moreno-Martínez, Á.; Walther, S.; Duveiller, G.; Cescatti, A.; Mahecha, M.D.; Muñoz-Marí, J.; García-Haro, F.J.; Guanter, L.; et al. A Unified Vegetation Index for Quantifying the Terrestrial Biosphere. Sci. Adv. 2021, 7, eabc7447. [Google Scholar] [CrossRef]

29. Huete, A.; Didan, K.; Miura, T.; Rodriguez, E.P.; Gao, X.; Ferreira, L.G. Overview of the Radiometric and Biophysical Performance of the MODIS Vegetation Indices. Remote Sens. Environ. 2002, 83, 195–213. [Google Scholar] [CrossRef]

30. Porcar-Castell, A.; Tyystjärvi, E.; Atherton, J.; Van Der Tol, C.; Flexas, J.; Pfündel, E.E.; Moreno, J.; Frankenberg, C.; Berry, J.A. Linking Chlorophyll a Fluorescence to Photosynthesis for Remote Sensing Applications: Mechanisms and Challenges. J. Exp. Bot. 2014, 65, 4065–4095. [Google Scholar] [CrossRef] [PubMed]

31. Wen, J.; Köhler, P.; Duveiller, G.; Parazoo, N.C.; Magney, T.S.; Hooker, G.; Yu, L.; Chang, C.Y.; Sun, Y. A Framework for Harmonizing Multiple Satellite Instruments to Generate a Long-Term Global High Spatial-Resolution Solar-Induced Chlorophyll Fluorescence (SIF). Remote Sens. Environ. 2020, 239, 111644. [Google Scholar] [CrossRef]

32. Sulla-Menashe, D.; Friedl, M.A. User Guide to Collection 6 MODIS Land Cover (MCD12Q1 and MCD12C1) Product; USGS: Reston, VA, USA, 2018. [Google Scholar]

33. Beck, H.E.; Wood, E.F.; Pan, M.; Fisher, C.K.; Miralles, D.G. MSWEP V2 Global 3-Hourly 0.1° Precipitation: Methodology and Quantitative Assessment. Bull. Am. Meteorol. Soc. 2019, 3, 473–500. [Google Scholar] [CrossRef]

34. Ritter, F.; Berkelhammer, M.; Garcia, C. Distinct Response of Gross Primary Productivity in Five Terrestrial Biomes to Precipitation Variability. Commun. Earth Environ. 2020, 1, 34. [Google Scholar] [CrossRef]

35. Beck, H.E.; Pan, M.; Dutra, E.; Miralles, D.G. Global 3-Hourly 0.1° Bias-Corrected Meteorological Data Including Near-Real-Time Updates and Forecast Ensembles. Bull. Am. Meteorol. Soc. 2022, 103, E710–E732. [Google Scholar] [CrossRef]

36. Duursma, R.A. Plantecophys—An R Package for Analysing and Modelling Leaf Gas Exchange Data. PLoS ONE 2015, 10, e0143346. [Google Scholar] [CrossRef] [PubMed]

37. Muñoz-Sabater, J.; Dutra, E.; Agustí-Panareda, A.; Albergel, C.; Arduini, G.; Balsamo, G.; Boussetta, S.; Choulga, M.; Harrigan, S.; Hersbach, H.; et al. ERA5-Land: A State-of-the-Art Global Reanalysis Dataset for Land Applications. Earth Syst. Sci. Data 2021, 13, 4349–4383. [Google Scholar] [CrossRef]

38. Ming, D.P.; Wang, Q.; Yang, J.Y. Spatial Scale of Remote Sensing Image and Selection of Optimal Spatial Resolution. J. Remote Sens. 2008, 4, 529–537. [Google Scholar] [CrossRef]

39. Franceschi, S.; Fattorini, L.; Gregoire, T.G. Exploiting Nearest-Neighbour Maps for Estimating the Variance of Sample Mean in Equal-Probability Systematic Sampling of Spatial Populations. Spat. Stat. 2024, 64, 100865. [Google Scholar] [CrossRef]

40. Mann, H.B. Nonparametric Tests Against Trend. Econometrica 1945, 13, 245–259. [Google Scholar] [CrossRef]

41. Kendall, M.G. Rank Correlation Methods; Charles Griffin: London, UK, 1948; p. 160. [Google Scholar]

42. Tan, X.; Zhang, L.; He, C.; Zhu, Y.; Han, Z.; Li, X. Applicability of Cosmic-Ray Neutron Sensor for Measuring Soil Moisture at the Agricultural-Pastoral Ecotone in Northwest China. Sci. China Earth Sci. 2020, 63, 1730–1744. [Google Scholar] [CrossRef]

43. Guo, X.; Arshad, M.U.; Zhao, Y.; Gong, Y.; Li, H. Effects of Climate Change and Grazing Intensity on Grassland Productivity—A Case Study of Inner Mongolia, China. Heliyon 2023, 9, e17814. [Google Scholar] [CrossRef] [PubMed]

44. Pradhan, P. Strengthening MaxEnt modelling through screening of redundant explanatory bioclimatic variables with variance inflation factor analysis. Researcher 2016, 8, 29–34. [Google Scholar] [CrossRef]

45. Chen, Y. New Approaches for Calculating Moran’s Index of Spatial Autocorrelation. PLoS ONE 2013, 8, e68336. [Google Scholar] [CrossRef] [PubMed]

46. Lin, X.; Zhao, H.; Zhang, S.; He, Q.; Huete, A.; Yang, L.; Zhang, X.; Zhang, X.; Zhang, Q.; Cai, S. Grassland Irrigation and Grazing Prohibition Have Significantly Affected Vegetation and Microbial Diversity by Changing Soil Temperature and Moisture, Evidences from a 6 Years Experiment of Typical Temperate Grassland. Agric. Ecosyst. Environ. 2025, 380, 109414. [Google Scholar] [CrossRef]

47. Guo, Y.; Boughton, E.H.; Qiu, J. Interactive Effects of Land-Use Intensity, Grazing and Fire on Decomposition of Subtropical Seasonal Wetlands. Ecol. Indic. 2021, 132, 108301. [Google Scholar] [CrossRef]

48. Kong, X. Hotspots of Land-Use Change in Global Biodiversity Hotspots. Resour. Conserv. Recycl. 2021, 174, 105770. [Google Scholar] [CrossRef]

49. Li, X. Spatio-Temporal Characteristics and Driving Factors of Cultivated Land Change in Various Agricultural Regions of China: A Detailed Analysis Based on County-Level Data. Ecol. Indic. 2024, 166, 112485. [Google Scholar] [CrossRef]

50. He, Y.; Kou, W.; Chen, Y.; Lai, H.; Zhao, K. Returning Cropland to Grassland as a Potential Method for Increasing Carbon Storage in Dry-Hot Valley Areas. Sustainability 2024, 16, 4150. [Google Scholar] [CrossRef]

51. Li, S.; Li, X.; Sun, L.; Cao, G.; Fischer, G.; Tramberend, S. An Estimation of the Extent of Cropland Abandonment in Mountainous Regions of China. Land Degrad. Dev. 2018, 29, 1327–1342. [Google Scholar] [CrossRef]

52. Zhu, Y. Simulating the Dynamics of Cultivated Land Use in the Farming Regions of China: A Social-Economic-Ecological System Perspective. J. Clean. Prod. 2024, 478, 143907. [Google Scholar] [CrossRef]

53. Luxi, H.; Yong, G.; Defu, W.; Xiaojing, C.; Huimin, Z.; Jiamao, Y.; Miaomiao, G. Natural Grassland Restoration Exhibits Enhanced Carbon Sequestration and Soil Improvement Potential in Northern Sandy Grasslands of China: An Empirical Study. Catena 2024, 246, 108396. [Google Scholar] [CrossRef]

54. Yang, X.; You, L.; Hu, H.; Chen, Y. Conversion of Grassland to Cropland Altered Soil Nitrogen-Related Microbial Communities at Large Scales. Sci. Total Environ. 2022, 816, 151645. [Google Scholar] [CrossRef] [PubMed]

55. Xu, A.; Liu, J.; Guo, Z.; Wang, C.; Pan, K.; Zhang, F.; Pan, X. Soil Microbial Community Composition but Not Diversity Is Affected by Land-Use Types in the Agro-Pastoral Ecotone Undergoing Frequent Conversions between Cropland and Grassland. Geoderma 2021, 401, 115165. [Google Scholar] [CrossRef]

56. Hou, Y.; Zhang, M.; Wei, X.; Liu, S.; Li, Q.; Liu, W.; Cai, T.; Yu, E. A Comparison of Annual Streamflow Sensitivities to Vegetation Change and Climate Variability in Fourteen Large Watersheds along Climate Zones in China. Catena 2024, 234, 107571. [Google Scholar] [CrossRef]

57. Deng, G.; Jiang, H.; Zhu, S.; Wen, Y.; He, C.; Wang, X.; Sheng, L.; Guo, Y.; Cao, Y. Projecting the Response of Ecological Risk to Land Use/Land Cover Change in Ecologically Fragile Regions. Sci. Total Environ. 2024, 914, 169908. [Google Scholar] [CrossRef] [PubMed]

58. Sullivan, P.L.; Billings, S.A.; Hirmas, D.; Li, L.; Zhang, X.; Ziegler, S.; Murenbeeld, K.; Ajami, H.; Guthrie, A.; Singha, K.; et al. Embracing the Dynamic Nature of Soil Structure: A Paradigm Illuminating the Role of Life in Critical Zones of the Anthropocene. Earth-Sci. Rev. 2022, 225, 103873. [Google Scholar] [CrossRef]

59. Liu, L.; Zheng, J.; Guan, J.; Li, C.; Ma, L.; Liu, Y.; Han, W. Strong Positive Direct Impact of Soil Moisture on the Growth of Central Asian Grasslands. Sci. Total Environ. 2024, 954, 176663. [Google Scholar] [CrossRef]

60. Arca, V.; Power, S.A.; Delgado-Baquerizo, M.; Pendall, E.; Ochoa-Hueso, R. Seasonal Effects of Altered Precipitation Regimes on Ecosystem-Level CO2 Fluxes and Their Drivers in a Grassland from Eastern Australia. Plant Soil 2021, 460, 435–451. [Google Scholar] [CrossRef]

61. Manzoni, S.; Vico, G.; Katul, G.; Fay, P.A.; Polley, W.; Palmroth, S.; Porporato, A. Optimizing Stomatal Conductance for Maximum Carbon Gain under Water Stress: A Meta-Analysis across Plant Functional Types and Climates: Optimal Leaf Gas Exchange under Water Stress. Funct. Ecol. 2011, 25, 456–467. [Google Scholar] [CrossRef]

62. Pastore, M.A.; Lee, T.D.; Hobbie, S.E.; Reich, P.B. Interactive Effects of Elevated CO2, Warming, Reduced Rainfall, and Nitrogen on Leaf Gas Exchange in Five Perennial Grassland Species. Plant Cell Environ. 2020, 43, 1862–1878. [Google Scholar] [CrossRef]

63. Flach, M.; Brenning, A.; Gans, F.; Reichstein, M.; Sippel, S.; Mahecha, M.D. Vegetation Modulates the Impact of Climate Extremes on Gross Primary Production. Biogeosciences 2021, 18, 39–53. [Google Scholar] [CrossRef]

64. Yue, Y.; Geng, L.; Li, M. The Impact of Climate Change on Aeolian Desertification: A Case of the Agro-Pastoral Ecotone in Northern China. Sci. Total Environ. 2023, 859, 160126. [Google Scholar] [CrossRef] [PubMed]

65. Wang, B.; Sun, R.; Deng, Y.; Zhu, H.; Hou, M. The Variability of Net Primary Productivityand Its Response to Climatic Changes Basedon the Methods of Spatiotemporal Decompositionin the Yellow River Basin, China. Pol. J. Environ. Stud. 2022, 31, 4229–4312. [Google Scholar] [CrossRef] [PubMed]

66. Wang, X.; Zhang, B.; Zhang, Z.; Tian, L.; Kunstmann, H.; He, C. Identifying Spatiotemporal Propagation of Droughts in the Agro-Pastoral Ecotone of Northern China with Long-Term WRF Simulations. Agric. For. Meteorol. 2023, 336, 109474. [Google Scholar] [CrossRef]

67. Barnett, T.P.; Adam, J.C.; Lettenmaier, D.P. Potential Impacts of a Warming Climate on Water Availability in Snow-Dominated Regions. Nature 2005, 438, 303–309. [Google Scholar] [CrossRef] [PubMed]

68. Changchun, X.; Yaning, C.; Weihong, L.; Yapeng, C.; Hongtao, G. Potential Impact of Climate Change on Snow Cover Area in the Tarim River Basin. Environ. Geol. 2008, 53, 1465–1474. [Google Scholar] [CrossRef]

69. Thomey, M.L.; Collins, S.L.; Vargas, R.; Johnson, J.E.; Brown, R.F.; Natvig, D.O.; Friggens, M.T. Effect of Precipitation Variability on Net Primary Production and Soil Respiration in a Chihuahuan Desert Grassland: Precipitation Variability in Desert Grassland. Glob. Change Biol. 2011, 17, 1505–1515. [Google Scholar] [CrossRef]

70. Yuan, X.; Li, L.; Chen, X.; Shi, H. Effects of Precipitation Intensity and Temperature on NDVI-Based Grass Change over Northern China during the Period from 1982 to 2011. Remote Sens. 2015, 7, 10164–10183. [Google Scholar] [CrossRef]

71. Yuan, W.; Zheng, Y.; Piao, S.; Ciais, P.; Lombardozzi, D.; Wang, Y.; Ryu, Y.; Chen, G.; Dong, W.; Hu, Z.; et al. Increased Atmospheric Vapor Pressure Deficit Reduces Global Vegetation Growth. Sci. Adv. 2019, 5, eaax1396. [Google Scholar] [CrossRef]

72. Satti, Z.; Naveed, M.; Shafeeque, M.; Li, L. Investigating the Impact of Climate Change on Trend Shifts of Vegetation Growth in Gilgit Baltistan. Glob. Planet. Change 2024, 232, 104341. [Google Scholar] [CrossRef]

73. Rosińska, W. Climate Change’s Ripple Effect on Water Supply Systems and the Water-Energy Nexus—A Review. Water Resour. Ind. 2024, 32, 100266. [Google Scholar] [CrossRef]

74. Nasr Esfahani, M.; Sonnewald, U. Unlocking Dynamic Root Phenotypes for Simultaneous Enhancement of Water and Phosphorus Uptake. Plant Physiol. Biochem. 2024, 207, 108386. [Google Scholar] [CrossRef] [PubMed]

75. Kühnhammer, K.; Van Haren, J.; Kübert, A.; Bailey, K.; Dubbert, M.; Hu, J.; Ladd, S.N.; Meredith, L.K.; Werner, C.; Beyer, M. Deep Roots Mitigate Drought Impacts on Tropical Trees despite Limited Quantitative Contribution to Transpiration. Sci. Total Environ. 2023, 893, 164763. [Google Scholar] [CrossRef] [PubMed]

76. Van Der Molen, M.K.; Dolman, A.J.; Ciais, P.; Eglin, T.; Gobron, N.; Law, B.E.; Meir, P.; Peters, W.; Phillips, O.L.; Reichstein, M.; et al. Drought and Ecosystem Carbon Cycling. Agric. For. Meteorol. 2011, 151, 765–773. [Google Scholar] [CrossRef]

77. Wang, P.; Wang, Y.; Shu, B.; Liu, J.-F.; Xia, R.-X. Relationships Between Arbuscular Mycorrhizal Symbiosis and Soil Fertility Factors in Citrus Orchards Along an Altitudinal Gradient. Pedosphere 2015, 25, 160–168. [Google Scholar] [CrossRef]

78. Lei, T.; Wu, J.; Wang, J.; Shao, C.; Wang, W.; Chen, D.; Li, X. The Net Influence of Drought on Grassland Productivity over the Past 50 Years. Sustainability 2022, 14, 12374. [Google Scholar] [CrossRef]

79. Wu, S.; Guo, Z.; Askar, A.; Li, X.; Hu, Y.; Li, H.; Saria, A.E. Dynamic Land Cover and Ecosystem Service Changes in Global Coastal Deltas under Future Climate Scenarios. Ocean. Coast. Manag. 2024, 258, 107384. [Google Scholar] [CrossRef]

80. Hussien, K.; Kebede, A.; Mekuriaw, A.; Beza, S.A.; Erena, S.H. Spatiotemporal Trends of NDVI and Its Response to Climate Variability in the Abbay River Basin, Ethiopia. Heliyon 2023, 9, e14113. [Google Scholar] [CrossRef]

81. New, M.; Lister, D.; Hulme, M.; Makin, I. A High-Resolution Data Set of Surface Climate over Global Land Areas. Clim. Res. 2002, 21, 1–25. [Google Scholar] [CrossRef]

82. Breinl, K.; Di Baldassarre, G. Space-Time Disaggregation of Precipitation and Temperature across Different Climates and Spatial Scales. J. Hydrol. Reg. Stud. 2019, 21, 126–146. [Google Scholar] [CrossRef]

83. Abdollahipour, A.; Ahmadi, H.; Aminnejad, B. A Review of Downscaling Methods of Satellite-Based Precipitation Estimates. Earth Sci. Inform. 2022, 15, 1–20. [Google Scholar] [CrossRef]

84. Masteali, S.H.; Bayat, M.; Bettinger, P.; Ghorbanpour, M. Uncertainty Analysis of Linear and Non-Linear Regression Models in the Modeling of Water Quality in the Caspian Sea Basin: Application of Monte-Carlo Method. Ecol. Indic. 2025, 170, 112979. [Google Scholar] [CrossRef]

85. Wenbo, X.; Hengzhou, X.; Xiaoyan, L.; Hua, Q.; Ziyao, W. Ecosystem Services Response to Future Land Use/Cover Change (LUCC) under Multiple Scenarios: A Case Study of the Beijing-Tianjin-Hebei (BTH) Region, China. Technol. Forecast. Soc. Change 2024, 205, 123525. [Google Scholar] [CrossRef]

Zhang Y, Wang Q, Zhang X, Guo Z, Guo X, Ma C, Wei B, He L. Pre-Season Precipitation and Temperature Have a Larger Influence on Vegetation Productivity than That of the Growing Season in the Agro-Pastoral Ecotone in Northern China. Agriculture. 2025; 15(2):219. https://doi.org/10.3390/agriculture15020219

Перевод статьи «Pre-Season Precipitation and Temperature Have a Larger Influence on Vegetation Productivity than That of the Growing Season in the Agro-Pastoral Ecotone in Northern China» авторов Zhang Y, Wang Q, Zhang X, Guo Z, Guo X, Ma C, Wei B, He L., оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык