《Ecological Modelling》:Modeling foliage density and leaf mass area dynamics in Intermountain Western USA conifers
编辑推荐:
叶片质量面积(LMA)是量化结构与生理权衡的关键性状。LMA变化由叶片密度和形态共同驱动。LMA广泛应用于生态系统过程模型和火灾研究中,用于模拟活燃料含水量(LFMC),后者是野火行为的主要预测因子。尽管LMA至关重要,但它在季节间和物种间常被视为不变。本研究
叶片质量面积(LMA)是量化结构与生理权衡的关键性状。LMA变化由叶片密度和形态共同驱动。LMA广泛应用于生态系统过程模型和火灾研究中,用于模拟活燃料含水量(LFMC),后者是野火行为的主要预测因子。尽管LMA至关重要,但它在季节间和物种间常被视为不变。本研究测量了美国西部山间10种针叶树的密度、LMA和叶化学特性,并利用这些数据开发了叶片密度和LMA的机械模型。研究人员首先将密度建模为三种组分的组合:中性洗涤纤维(NDF,结构性碳水化合物)、非结构性碳水化合物(NSC)和粗脂肪(CF)。随后将这些叶片密度估计值与全表面面积与体积比(SAV)结合,以预测LMA。这些模型充分预测了所有10种针叶树的种间叶片密度和LMA(R分别为0.77和0.81),以及密集采样的花旗松(Pseudotsuga menziesii)的种内变异(R分别为0.75和0.77)。预测的密度和LMA被应用于机械模型以预测LFMC。预测的LFMC与测量的针叶树LFMC(R分别为0.82和0.73)以及花旗松LFMC(R分别为0.77和0.69)高度相关。该框架可改进生态系统过程模型中LMA的季节性表征,深化对活植被驱动野火行为的理解,并有助于解释调节陆地生产力及全球碳与水循环的叶片权衡。
**论文解读**
**研究背景**
叶片质量面积(LMA)是叶片经济谱(LES)的核心组分,量化了叶片结构与光合能力之间的权衡,其变化主要由叶片密度和形态共同驱动。LMA广泛应用于生态系统过程模型(如BIOME-BGC、FATES)和野火研究中,作为活燃料含水量(LFMC)的关键预测因子,直接影响野火行为模拟。然而,传统模型通常将LMA视为物种或功能群内的静态参数,忽略了其季节间、叶龄间及种间的显著动态变化。这种简化限制了模型对碳、水循环及火灾动态的准确表征。LMA变异可归因于叶片化学组分(如结构性碳水化合物、非结构性碳水化合物和脂质)的浓度变化,但现有研究缺乏对这些组分如何驱动密度和LMA季节变化的机械理解。因此,开发基于叶化学的机械模型,以解释LMA的种间和种内变异,对于改进生态模型和火灾预测具有重要意义。
**研究内容与结论**
研究人员测量了美国西部山间10种针叶树(包括花旗松、冷杉、落叶松、云杉、松树和铁杉等)的新叶和老叶的密度、LMA、全表面面积与体积比(SAV)以及叶化学组分(非结构性碳水化合物(NSC)、粗脂肪(CF)和中性洗涤纤维(NDF))。基于这些数据,建立了机械模型,将密度分解为NSC、CF和NDF的线性组合,并通过SAV将密度转换为LMA。该模型在所有10种针叶树中充分预测了种间密度和LMA变异(R分别为0.79和0.81),并在花旗松中捕捉了种内季节动态(R分别为0.75和0.77)。进一步将预测的密度和LMA应用于机械LFMC模型,预测的LFMC与实测值高度相关(种间R=0.82和0.73;花旗松R=0.77和0.69)。研究结论表明,叶片密度和LMA的季节变化主要由碳分配和物候过程驱动:新叶生长期间,NDF和CF的积累主导了密度增加;老叶则通过NSC的储存和转运调节密度。该框架为理解叶片碳投资策略及其对生态系统过程和野火行为的影响提供了机械基础。论文发表在《Ecological Modelling》。
**主要技术方法**
样本来源:研究人员于2021、2022和2024年在美国蒙大拿州和爱达荷州的6个地点采集了10种针叶树的叶片样本(包括花旗松、冷杉、落叶松、云杉、松树和铁杉等),其中花旗松进行了全季节(3月至10月)密集采样,其他物种在2022年生长季内采集4次。关键技术方法包括:1)叶化学组分测定:采用酶法测定NSC(淀粉和可溶性糖),使用ANKOM XT15提取系统测定CF(异戊二烯、蜡和油),使用ANKOM200纤维分析仪测定NDF(纤维素、半纤维素和木质素);2)物理参数测量:通过密度天平测量体积,利用ImageJ软件分析投影面积,计算SAV和密度;3)统计建模:使用普通最小二乘(OLS)回归建立密度与化学组分的线性模型,并采用5折交叉验证评估模型性能。
**研究结果**
3.1 密度和LMA模型参数
所有10种针叶树的老叶密度和LMA均显著高于新叶(密度中位数:449.1 kg/m3 vs 325.4 kg/m3;LMA中位数:0.106 kg/m2 vs 0.077 kg/m2)。SAV呈相反趋势,新叶值更高。化学组分方面,老叶NSC浓度更高且变异更大(中位数10.1% vs 6.2%),新叶NDF浓度更高(中位数37.8% vs 33.3%),而CF在叶龄间无显著差异。花旗松的季节动态显示,新叶密度和LMA在6月快速上升,老叶密度在春季新叶萌发前达到峰值后下降,NSC在老叶中呈现显著季节波动(变异度709%),而NDF和CF在新叶发育中稳步增加。
3.2 模型测试
双因素方差分析(ANOVA)显示物种和叶龄对密度均有显著影响(p=0.002和p<0.001),但交互效应不显著。比较三种OLS模型(新叶模型、老叶模型及包含叶龄虚拟变量的组合模型),组合模型在5折交叉验证中表现最佳(平均绝对误差(MAE)=44.12±2.77,平均相关系数R=0.78±0.065),而新叶模型误差较大(MAE=51.03±11.19,R=0.48±0.3)。最终组合模型为:Density? = 987.81×NSC + 802.66×CF + 849.37×NDF - 98.88×DNewOld,所有预测变量和叶龄虚拟变量均显著(p<0.01)。
3.3 密度和LMA建模
预测密度与实测密度在10种针叶树中高度相关(R=0.79),在花旗松中相关性强(R=0.75)。基于预测密度和物种-叶龄平均SAV计算的LMA,在种间(R=0.81)和花旗松种内(R=0.77)均与实测LMA高度相关,并有效捕捉了季节动态。
3.4 LFMC预测参数
新叶的LFMC显著高于老叶(中位数172% vs 116%),新叶的kappa(κ,体积饱和水质量)也更高(中位数672 kg/m3 vs 544 kg/m3),而相对含水量(RWC)在叶龄间差异较小(中位数86.4% vs 88.5%)。花旗松的季节动态显示,新叶LFMC在春季和夏季保持较高水平,老叶LFMC在生长季后期下降。
3.5 预测活燃料含水量
将预测密度与体积水质量(VWM)结合,直接估计LFMC,在种间(R=0.82)和花旗松(R=0.77)中均与实测LFMC高度相关。将预测LMA应用于机械LFMC模型(Variant 5),在种间(R=0.73)和花旗松(R=0.69)中同样有效预测了LFMC季节变异。
**讨论与结论**
**讨论**
本研究提出的机械模型将叶片密度和LMA分解为可量化的化学组分(NSC、CF和NDF),揭示了碳分配和叶片发育对LMA季节变异的驱动作用。新叶通过增加NDF(结构性化合物)和CF(脂质)构建物理结构,而老叶通过NSC的季节性储存和转运调节密度。这解释了花旗松中观察到的近5倍LMA季节差异。模型在火灾研究中的应用表明,LMA作为干物质输入,改进了LFMC的机械预测,为理解燃料负荷和可燃性提供了生理基础。在遥感领域,LMA作为干物质含量(DMC)的关键组分,可提升等效水厚度(EWT)和LFMC的反演精度。在生态系统模型中,动态LMA预测替代了静态参数,有助于更真实地反映碳分配策略和物候响应。然而,本研究仅针对太阳光照叶片,遮阴叶片及不同功能型植物的适用性需进一步验证。
**结论**
研究人员提出了一种新颖的、基于生态生理学的密度模型,整合了叶干质量的生理相关组分,以预测美国西部山间针叶树的叶片质量面积(LMA)变异。尽管LMA在历史上常被视为物种或功能群内的静态参数以简化大规模模拟,但研究结果表明,假设LMA不变会限制模型捕捉关键季节和年龄依赖波动的能力。通过捕捉控制干物质变化的动态碳和物候循环,该新模型可改进过程模型中LMA的季节性表征,深化对植被驱动野火行为的理解,并更广泛地解释调节陆地生产力及全球碳与水循环的叶片权衡。