Abstrak
Stres kekeringan, yang ditandai dengan peningkatan defisit tekanan uap (VPD) dan defisit kandungan air tanah (SWC), berdampak signifikan pada produktivitas ekosistem (GPP). Menilai faktor-faktor ini secara akurat dalam produk GPP penginderaan jauh (RS) satelit sangat penting untuk memahami konsekuensi ekologis kekeringan dalam skala besar. Namun, keakuratan GPP RS dalam menangkap dampak defisit VPD dan SWC, dibandingkan dengan data fluks EC, masih kurang diselidiki. Di sini kami mengevaluasi 10 produk GPP RS dan nilai rata-ratanya (RSmean) terkait defisit VPD dan SWC di berbagai ekosistem sepanjang gradien kekeringan. Hasil kami mengungkapkan bahwa RSmean dan produk individual umumnya menangkap arah respons GPP (VPD: terutama negatif, defisit SWC: campuran positif/negatif) tetapi secara konsisten salah memperkirakan perubahan GPP absolut. Perbedaan ini spesifik ekosistem dan konsisten di semua produk RS, yang menggarisbawahi perlunya meningkatkan produk RS untuk lebih memperhitungkan dampak VPD spesifik ekosistem dan respons defisit SWC non-linier, sehingga meningkatkan keakuratan GPP RS di bawah kekeringan.
Poin-poin Utama
- RS menangkap respons arah GPP terhadap defisit VPD dan SWC relatif terhadap pengukuran EC tetapi melewatkan besarnya
- Perbedaan dalam perubahan absolut antara RS dan EC bersifat spesifik ekosistem dan konsisten di seluruh produk RS yang diperiksa
- Mengintegrasikan efek VPD spesifik ekosistem dan respons defisit SWC non-linier dapat meningkatkan simulasi RS GPP
Ringkasan Bahasa Sederhana
Kekeringan secara signifikan mempengaruhi seberapa produktif ekosistem dengan mengurangi jumlah air di udara (defisit tekanan uap, VPD) dan di dalam tanah (kandungan air tanah, SWC). Para peneliti menggunakan produk penginderaan jauh (RS) satelit untuk mempelajari dampak kekeringan ini pada produktivitas ekosistem (GPP) di wilayah yang luas. Namun, alat satelit saat ini sering kali secara tidak akurat memperkirakan dampak defisit VPD dan SWC, yang mengarah pada ketidakpastian dalam estimasi GPP selama kekeringan. Dalam studi kami, kami memeriksa kinerja 10 estimasi GPP RS arus utama dan rata-ratanya (RSmean) untuk menilai seberapa baik mereka melacak respons produktivitas ekosistem terhadap defisit VPD dan SWC di berbagai ekosistem sepanjang gradien kekeringan. Kami menemukan bahwa meskipun RSmean dan produk GPP RS individu dapat menangkap tren GPP dalam menanggapi defisit VPD dan SWC, mereka tidak secara akurat cocok dengan perubahan nilai aktual dalam GPP yang diamati di lapangan. Salah estimasi ini bervariasi menurut ekosistem dan konsisten di semua produk RS. Untuk meningkatkan akurasi estimasi GPP pada musim kemarau, kami sarankan agar GPP RS di masa mendatang memperhitungkan efek VPD spesifik ekosistem dan efek defisit SWC non-linier. Hal ini akan memungkinkan penilaian yang lebih andal terhadap dampak kekeringan pada produktivitas vegetasi dalam skala besar.
1 Pendahuluan
Kekeringan, yang ditandai dengan defisit tekanan uap atmosfer (VPD) dan defisit kandungan air tanah (SWC) yang meningkat, berdampak signifikan terhadap produktivitas primer bruto (GPP) terestrial (Sippel et al., 2018 ). Laporan penilaian keenam IPCC (AR6) memperkirakan bahwa pemanasan global akan memperparah kekeringan, yang berpotensi mengancam serapan karbon terestrial dengan menekan GPP (Caretta et al., 2022 ). Oleh karena itu, memperkirakan respons GPP terhadap kekeringan secara akurat sangat penting untuk memahami kerentanan ekosistem dalam skenario iklim mendatang (Chen et al., 2023 ).
Dampak defisit VPD dan SWC pada GPP pada dasarnya terkait dengan kontinum tanah-tanaman-atmosfer (Sperry et al., 2016 ). Ini melibatkan ekstraksi air tanah oleh akar tanaman, pengangkutannya ke daun, dan transpirasi berikutnya melalui stomata (Passioura, 1982 ). Peningkatan VPD memicu penutupan stomata untuk meminimalkan kehilangan air, sehingga mengurangi GPP (Grossiord et al., 2020 ). Demikian pula, penurunan SWC juga menginduksi penutupan stomata karena penurunan konduktansi xilem tanaman dan regulasi asam absisat, yang selanjutnya menurunkan GPP (Buckley, 2019 ).
Studi terbaru yang menggunakan pengukuran fluks ground eddy-covariance (EC) telah memeriksa peran relatif VPD dan SWC dalam mengatur GPP di berbagai ekosistem dan gradien iklim. Studi-studi ini menunjukkan bahwa VPD terutama memengaruhi GPP di gradien kekeringan yang luas dan berfungsi sebagai pemicu stres air yang lebih signifikan daripada defisit SWC di ekosistem lembap (misalnya, hutan mesik) (Kimm et al., 2020 ; Novick et al., 2016 ; Sulman et al., 2016 ; S. Xu et al., 2023 ). Sebaliknya, di ekosistem semi-kering dan kering (misalnya, padang rumput), defisit SWC memiliki dampak negatif yang lebih besar pada GPP ketika SWC turun di bawah ambang batas kritis (Fu et al., 2022 ; Stocker et al., 2018 ). Secara kolektif, studi-studi ini menyoroti pentingnya mempertimbangkan peran berbeda dari defisit VPD dan SWC dalam menilai dampak stres kekeringan pada produktivitas tanaman di berbagai iklim dan ekosistem.
Meskipun lokasi menara fluks EC menyediakan data dasar yang berharga untuk memeriksa dampak stres kekeringan pada GPP, jumlah dan cakupan spasialnya yang terbatas menimbulkan kendala (Pastorello et al., 2020 ). Untuk memungkinkan pemantauan skala besar terhadap dampak kekeringan pada produktivitas ekosistem, produk GPP berbasis penginderaan jauh (RS) satelit telah dikembangkan dan digunakan secara luas (Jiao et al., 2021 ; Ryu et al., 2019 ).
Meskipun ada keuntungan menggunakan RS GPP untuk menilai dampak kekeringan pada produktivitas, ketidakpastian tetap ada. Set data RS GPP yang berbeda dapat menghasilkan hasil yang bervariasi karena asumsi yang beragam tentang dampak kekeringan di seluruh dimensi stres (yaitu, VPD vs. defisit SWC) dan jenis ekosistem (Bao et al., 2022 ; Wang et al., 2022 ; Zhang et al., 2015 , 2023 ). Misalnya, estimasi GPP berdasarkan kedalaman optik vegetasi (VOD), yang diperoleh dari emisi gelombang mikro permukaan berbasis satelit, sensitif terhadap kandungan air tajuk, menjadikannya indikator yang lebih baik untuk dampak defisit SWC pada tanaman (Lyons et al., 2021 ; Wild et al., 2021 ). Sebaliknya, estimasi GPP tertentu (misalnya, Moderate Resolution Imaging Spectroradiometer, produk MODIS GPP) ditemukan lebih baik menangkap efek VPD, karena mereka menggabungkan fungsi stres air atmosfer (Hwang et al., 2008 ; Pei et al., 2020 ; Yuan et al., 2014 ). Studi sebelumnya juga menunjukkan bahwa dalam ekosistem mesik (misalnya, hutan Eropa Timur), di mana VPD terutama memengaruhi dinamika GPP, MODIS GPP selaras dengan pengukuran EC GPP, menunjukkan penurunan yang lebih jelas dengan meningkatnya VPD dibandingkan dengan GPP berbasis VOD. Sebaliknya, dalam ekosistem kering (misalnya, lahan kering Amerika Utara Bagian Barat), di mana defisit SWC terutama mendorong dinamika GPP, GPP berbasis VOD lebih sensitif terhadap perubahan SWC dan lebih selaras dengan pengamatan EC, sementara MODIS GPP cenderung meremehkan kehilangan GPP yang terkait dengan defisit SWC (Hwang et al., 2008 ; Wild et al., 2021 ).
Untuk mengatasi ketidakpastian ini, studi ini bertujuan untuk mengevaluasi secara komprehensif 10 produk GPP RS satelit arus utama (Tabel S1 dalam Informasi Pendukung S1) dengan menganalisis kinerja mereka dalam menangkap efek defisit VPD dan SWC pada GPP. Kami mengumpulkan data EC yang tersedia secara global untuk membandingkan produk-produk GPP RS ini di bawah berbagai gradien SWC-VPD dan tipe ekosistem. Secara khusus, kami membahas tiga pertanyaan: (a) Seberapa baik nilai rata-rata dari 10 produk GPP (RSmean) menangkap pola (termasuk arah dan besarnya) respons GPP terhadap defisit VPD dan SWC di bawah berbagai kondisi VPD-SWC dibandingkan dengan yang diperoleh dari pengamatan EC? (b) Apakah pola respons GPP, dari data RSmean dan EC, konsisten di seluruh ekosistem hutan, non-hutan, dan lahan pertanian? (c) Apakah produk GPP RS yang berbeda menunjukkan kinerja konvergen atau divergen dalam menangkap respons GPP terhadap defisit VPD dan SWC? Dengan menjawab pertanyaan-pertanyaan ini, kami berharap dapat meningkatkan pemahaman kami tentang keandalan penggunaan produk RS GPP untuk penilaian dampak stres kekeringan dan memberikan tolok ukur penting untuk perbaikan di masa mendatang dalam mengkarakterisasi secara akurat baik efek defisit VPD maupun SWC.
2 Bahan dan Metode
2.1 Bahan
Kami menggunakan dua jenis data utama: (a) data fluks EC dari FLUXNET2015 dan jaringan fluks Eropa, dan (b) produk GPP berbasis RS Satelit.
2.1.1 Pengukuran EC dan Meteorologi di Lapangan
Kami meninjau situs EC dari FLUXNET2015 dan jaringan European Flux, yang memproses data menggunakan alur kerja standar (Pastorello et al., 2020 ), yang dirinci dalam Teks S3 dari Informasi Pendukung S1 . Sebanyak 80 situs, yang mencakup tahun 2001 hingga 2015, dipilih berdasarkan ketersediaan GPP harian, kadar air tanah (SWC), dan tiga variabel meteorologi utama: VPD, radiasi gelombang pendek masuk (SW), dan suhu udara (Ta). Pengukuran SWC permukaan digunakan karena jumlah situs yang memiliki data SWC kedalaman dalam jauh lebih sedikit. Rincian tentang 80 situs disediakan dalam Tabel S2 dan Gambar S3 dari Informasi Pendukung S1 .
2.1.2 Produk GPP Berbasis RS Satelit
Kami menganalisis sepuluh produk GPP global yang banyak digunakan (Tabel S1 dalam Informasi Pendukung S1 ): MODIS (SW Running et al., 2004 ), VPM (Zhang et al., 2017 ), ECLUE (Y. Zheng et al., 2020 ), GOSIF (Li & Xiao, 2019a , 2019b ), VODCA2 (Wild et al., 2021 ), BESS (Jiang & Ryu, 2016), P-model (Stocker et al., 2019 ), dan FLUXCOM (RF/ANN/MARS) (Jung et al., 2020 ). Produk-produk ini dipilih karena dua alasan utama. Pertama, mereka menggunakan metodologi estimasi GPP yang beragam dan representatif (Zhu et al., 2024 ). Kedua, produk-produk ini tersedia untuk umum, mencakup periode jangka panjang (setidaknya 2001–2015) dengan resolusi temporal yang relatif tinggi, mulai dari interval harian hingga 8 hari. Uraian terperinci dan metode pemrosesan disediakan dalam Teks S1 dan S2 dari Informasi Pendukung S1 .
2.2 Metode
Untuk mengevaluasi efektivitas produk satelit RS GPP dalam menilai respons GPP terhadap stres kekeringan (defisit VPD dan SWC), kami melakukan tiga analisis utama. Pertama, kami memilih lokasi EC untuk meminimalkan potensi ketidaksesuaian skala antara pengukuran RS dan EC (Bagian 2.2.1). Kedua, kami melatih model jaringan syaraf tiruan (ANN) untuk menghubungkan VPD dan SWC dengan GPP, memperoleh sensitivitas GPP terhadap stres kekeringan menggunakan model-model ini (Bagian 2.2.2 ). Akhirnya, kami membandingkan hasil sensitivitas stres kekeringan GPP RS dengan hasil EC yang sesuai (Bagian 2.2.2 dan 2.2.3 ). Diagram alir yang merangkum analisis ini disajikan dalam Gambar S2 dari Informasi Pendukung S1 . Evaluasi dilakukan untuk nilai rata-rata dari 10 produk GPP (RSmean, Bagian 3.1 dan 3.2 ) dan produk individual (Bagian 3.3).
2.2.1 Pemilihan Lokasi EC
Mengingat perbedaan jejak spasial antara pengukuran EC di darat (<1 km) dan RS GPP (dengan ukuran piksel 0,5°, sekitar 50 km), kami melakukan penyaringan lokasi tambahan untuk meminimalkan ketidaksesuaian skala. Kami menerapkan proses dua langkah untuk memilih lokasi EC dengan tutupan vegetasi homogen yang dapat mewakili piksel RS GPP yang sesuai (Teks S4 dalam Informasi Pendukung S1 ). Hal ini menghasilkan pemilihan 36 lokasi (lokasi ditunjukkan dengan * dalam Tabel S2 dari Informasi Pendukung S1 ) yang dikelompokkan menjadi tiga tipe ekosistem utama: hutan (hutan jarum hijau abadi—ENF, hutan berdaun lebar hijau abadi—EBF, hutan berdaun lebar gugur—DBF, dan hutan campuran—MF), nonhutan (padang rumput—GRA), dan lahan pertanian (CRO) sesuai Fernández-Martínez et al. ( 2020 ).
2.2.2 Pelatihan Model ANN dan Analisis Sensitivitas
Untuk menilai sensitivitas GPP terhadap defisit VPD dan SWC, kami menggunakan model ANN, metode pembelajaran mesin berbasis data yang banyak digunakan dalam penelitian ekologi (Green et al., 2020 ; Stocker et al., 2018 ). Di setiap situs, kami mengadopsi model ANN feed-forward dari Fu et al. ( 2022 ), mengikuti proses tiga langkah: (a) penyaringan data; (b) pelatihan dan evaluasi model; dan (c) menentukan sensitivitas GPP terhadap defisit VPD dan SWC berdasarkan model yang dilatih (Teks S5 dalam Informasi Pendukung S1 ). Definisi terperinci tentang sensitivitas terhadap defisit VPD dan SWC disediakan dalam Teks S6 dari Informasi Pendukung S1 . Situs contoh (US-Blo), yang mengilustrasikan estimasi model ANN tentang sensitivitas GPP terhadap defisit VPD dan SWC disertakan dalam Gambar S5 dari Informasi Pendukung S1 .
2.2.3 Metrik untuk Membandingkan Sensitivitas RS GPP terhadap Defisit VPD dan SWC dengan Pengukuran EC
Kami menggunakan metrik perbedaan untuk mengevaluasi bias sistematis dalam sensitivitas RS GPP relatif terhadap hasil EC menggunakan Persamaan 1 :
di mana S RS dan S EC menunjukkan sensitivitas GPP terhadap defisit VPD atau SWC yang berasal dari data RS dan EC, masing-masing, di seluruh lokasi relevan.
3 Hasil
3.1 Sensitivitas GPP Secara Keseluruhan terhadap Stres Kekeringan: EC Versus RSmean Satelit
Hasil kami menunjukkan bahwa RSmean, nilai rata-rata dari 10 produk GPP, menangkap arah umum respons GPP terhadap defisit VPD dan SWC di seluruh gradien VPD-SWC (Gambar 1a, 1b, 1d , dan 1e ). Namun, hal ini gagal mereproduksi perubahan GPP absolut dibandingkan dengan pengukuran EC (Gambar 1c dan 1f ).
Analisis sensitivitas GPP terhadap VPD menggunakan data EC mengungkap respons yang dominan negatif di seluruh ruang VPD-SWC, dengan variasi dalam distribusi nilai sensitivitas negatif ini (Gambar 1a ). Demikian pula, RSmean menunjukkan sensitivitas yang terutama negatif terhadap VPD (Gambar 1b ), tetapi secara konsisten meremehkan nilai sensitivitas GPP negatif di seluruh rentang VPD-SWC yang luas dibandingkan dengan hasil EC (Gambar 1c ).
Untuk defisit SWC, data EC menunjukkan respons campuran, dengan sensitivitas positif dan negatif tergantung pada kondisi VPD-SWC spesifik (Gambar 1d ). Sensitivitas positif mendominasi ketika SWC tinggi (>persentil ke-60 SWC), sementara sensitivitas negatif menang ketika SWC menurun (persentil ke-90) (Gambar 1e ). Akibatnya, perbedaan signifikan dalam besarnya sensitivitas defisit GPP-SWC diamati antara data EC dan RSmean, dengan RSmean cenderung meremehkan sensitivitas positif (negatif) dalam kondisi SWC tinggi (rendah) (Gambar 1f ).
3.2 Variasi Respon GPP terhadap Stres Kekeringan pada Berbagai Jenis Ekosistem
Hasil kami menunjukkan bahwa RSmean menangkap arah keseluruhan respons GPP terhadap defisit VPD dan SWC di hutan (DBF, ENF, dan MF), non-hutan (GRA), dan lahan pertanian (CRO), konsisten dengan hasil EC (Gambar 2 ). Namun, terdapat perbedaan dalam besaran sensitivitas antara RSmean dan EC di antara tipe ekosistem ini (Gambar 2 ).
Data EC secara konsisten menunjukkan sensitivitas negatif terhadap VPD di seluruh ruang VPD-SWC untuk ketiga tipe ekosistem (Gambar 2a, 2d , dan 2g ). Terdapat perbedaan penting dalam sensitivitas GPP-VPD di antara tipe ekosistem, dengan hutan dan non-hutan menunjukkan sensitivitas negatif yang lebih jelas dibandingkan dengan lahan pertanian ketika SWC tinggi. RSmean juga menangkap sensitivitas negatif serupa terhadap VPD di seluruh tipe ekosistem (Gambar 2b, 2e , dan 2h ), tetapi variasi dalam besaran sensitivitas diamati (Gambar 2c, 2f , dan 2i ). Hutan menunjukkan perkiraan yang lebih rendah dari sensitivitas GPP negatif terhadap VPD, sementara non-hutan dan lahan pertanian cenderung melebih-lebihkannya.
Sensitivitas defisit GPP-SWC yang diperoleh dari data EC menunjukkan variasi signifikan di antara berbagai tipe ekosistem. Hutan dan non-hutan menunjukkan sensitivitas positif dan negatif yang beragam (Gambar 2j dan 2m), sementara lahan pertanian sebagian besar dicirikan oleh sensitivitas positif (Gambar 2p ). Non-hutan menunjukkan nilai sensitivitas yang lebih negatif dibandingkan dengan hutan (Gambar 2j dan 2m ). RSmean umumnya selaras dengan arah sensitivitas yang diamati dalam data EC untuk hutan dan non-hutan (positif vs. negatif) dan untuk lahan pertanian (terutama positif) (Gambar 2k, 2n , dan 2q ). Namun, dalam hal besaran sensitivitas, RSmean terutama meremehkan sensitivitas defisit GPP-SWC negatif di kawasan nonhutan, khususnya ketika SWC berada di bawah ambang batas (yaitu, persentil ke-70) (Gambar 2o ), sementara ketiga tipe ekosistem meremehkan efek positif defisit SWC di sebagian besar ruang VPD-SWC (Gambar 2l, 2o , dan 2r ).
3.3 Kinerja Setiap Produk RS dalam Menangkap Respon GPP terhadap Stres Kekeringan
Konsisten dengan hasil EC, setiap produk RS menangkap efek negatif VPD di tiga tipe ekosistem yang diperiksa (Gambar 3a ), dengan hutan dan non-hutan menunjukkan sensitivitas VPD negatif yang menurun dengan gradien SWC yang mengering, sementara lahan pertanian menunjukkan pola yang berlawanan (Gambar 3c, 3e , dan 3g ). Secara khusus, semua produk menunjukkan respons yang sama terhadap VPD di hutan, meskipun dengan perkiraan yang lebih rendah secara sistematis dari efek VPD negatif (Gambar 3c , Gambar S7a dan S7c dalam Informasi Pendukung S1) dibandingkan dengan non-hutan dan lahan pertanian (Gambar 3e , Gambar S8a dan S8c dalam Informasi Pendukung S1 ; Gambar 3g , Gambar S9a dan S9c dalam Informasi Pendukung S1). Di non-hutan, semua produk menunjukkan respons VPD negatif konvergen dengan perbedaan antara hasil RS dan EC (Gambar 3e , Gambar S8a dan S8c dalam Informasi Pendukung S1 ). Untuk lahan pertanian, produk RS menunjukkan respons VPD negatif yang sebanding, meskipun model P dan VODGPP menunjukkan bias yang lebih besar (Gambar 3g , Gambar S9a dan S9c dalam Informasi Pendukung S1 ).
Mengenai respons terhadap defisit SWC, produk RS umumnya menangkap campuran sensitivitas positif dan negatif di seluruh gradien SWC tinggi ke rendah (Gambar 3b ). Ini termasuk sensitivitas positif dan negatif campuran serupa yang diamati di hutan dan non-hutan, dan sensitivitas positif yang dominan di lahan pertanian (Gambar 3d , Gambar S7b dalam Informasi Pendukung S1 ; Gambar 3f , Gambar S8b dalam Informasi Pendukung S1 ; Gambar 3h , Gambar S9b dalam Informasi Pendukung S1 ). Di hutan, produk RS cenderung meremehkan efek positif ketika SWC tinggi (>persentil ke-10), kemudian meremehkan efek negatif dalam kondisi SWC rendah (persentil VPD ke-80) (Gambar S7d dalam Informasi Pendukung S1 ). Di lahan nonhutan, semua produk RS meremehkan dampak positif ketika SWC berada di atas persentil ke-10 dan dampak negatif ketika SWC berada di bawah persentil ke-70 (Gambar S8d dalam Informasi Pendukung S1 ). Untuk lahan pertanian, sebagian besar produk RS (kecuali VODGPP) terus-menerus meremehkan dampak positif (Gambar S9d dalam Informasi Pendukung S1 ).
4 Diskusi dan Kesimpulan
Produk GPP berbasis RS sangat penting untuk menilai dampak kekeringan pada fluks karbon terestrial dan membandingkan model sistem Bumi (Sippel et al., 2018 ). Studi ini mengevaluasi secara komprehensif kapasitas 10 produk GPP RS, termasuk nilai rata-rata (RSmean) dan masing-masing produk, untuk menangkap dampak relatif defisit VPD dan SWC—dua dimensi utama yang menggambarkan kekeringan—pada GPP di berbagai gradien VPD-SWC dan tipe ekosistem.
Konsisten dengan penelitian sebelumnya (Fu et al., 2022 ), data EC mengungkap respons GPP negatif terhadap VPD dan respons positif dan negatif campuran terhadap defisit SWC (Gambar 1a dan 1b ). Baik RSmean dan semua produk RS menangkap arah umum respons ini (Gambar 1 , 3 , dan 3b , Gambar S6a dan S6b dalam Informasi Pendukung S1 ), tetapi cenderung meremehkan besarnya absolut perubahan GPP dibandingkan dengan data EC. Perkiraan yang terlalu rendah ini terbukti dalam sensitivitas GPP negatif terhadap VPD di seluruh ruang VPD-SWC, dan sensitivitas GPP positif (negatif) terhadap defisit SWC dalam kondisi SWC tinggi (rendah) (Gambar 1 , 3 , dan 3b , Gambar S6c dan S6d dalam Informasi Pendukung S1 ). Temuan ini menunjukkan bahwa sementara produk RS dapat menangkap efek kekeringan pada produktivitas tanaman, kemampuannya untuk mengukur kehilangan GPP absolut karena kekeringan masih belum pasti.
Perbedaan magnitudo signifikan yang diamati antara RS dan EC dapat dikaitkan dengan keterbatasan akurasi produk RS dalam pemodelan stres kekeringan (yaitu, VPD tinggi dan SWC rendah) (Liu et al., 2020 ; Lu et al., 2022 ). Ke-10 produk dalam studi ini dapat diklasifikasikan menjadi tiga jenis berdasarkan representasi stres air: (a) indikator kekeringan atmosfer (MODIS, ECLUE, GOSIF, BESS, dan FLUXCOM), (b) gabungan indikator kekeringan atmosfer dan defisit kelembaban tanah (P-model), dan (c) indikator kadar air tanaman (VPM, VOD).
Hasil EC menunjukkan bahwa sensitivitas GPP terhadap VPD bervariasi di berbagai ekosistem (Gambar 2a, 2d , dan 2g ). Temuan ini sejalan dengan penelitian sebelumnya (Grossiord et al., 2020 ; S. Xu et al., 2023 ), yang menunjukkan bahwa kurva respons GPP-VPD bervariasi menurut spesies tanaman dan tipe ekosistem. Namun, produk GPP RS sering kali menggunakan koefisien yang seragam (misalnya, kemiringan tetap dalam model konduktansi stomata dalam model BESS) atau persamaan respons empiris (misalnya, MODIS) untuk secara luas mewakili hubungan GPP-VPD, mengabaikan variasi spesifik spesies dan ekosistem (Pei et al., 2020 , 2022 ). Pendekatan ini gagal menangkap respons GPP aktual terhadap VPD seperti yang diamati dalam data fluks EC (Gambar 1d dan 3a , Gambar S6c dalam Informasi Pendukung S1 ). Perbedaan antara hasil RS dan EC bervariasi di berbagai jenis ekosistem (Gambar 2c dan 3c , Gambar S7c dalam Informasi Pendukung S1 ; Gambar 2f dan 3e , Gambar S8c dalam Informasi Pendukung S1 ; Gambar 2i dan 3g , Gambar S9c dalam Informasi Pendukung S1 ), yang menunjukkan bahwa RS GPP mungkin tidak sepenuhnya menangkap respons khusus ekosistem. Temuan ini menekankan perlunya penyempurnaan metodologi RS untuk mengukur efek VPD diferensial di berbagai jenis ekosistem.
Efek VPD pada GPP juga diatur oleh SWC (Green, 2024 ). Hasil kami menunjukkan bahwa GPP RS dapat menangkap hubungan defisit GPP-SWC sampai batas tertentu, karena penurunan SWC sering kali bertepatan dengan peningkatan kekeringan atmosfer (Seneviratne et al., 2010 ), di mana VPD berfungsi sebagai faktor stres air yang signifikan yang ditangkap oleh beberapa produk RS (Jiang & Ryu, 2016 ; Jung et al., 2020 ; Li & Xiao, 2019b ; SW Running et al., 2004 ; Zhang et al., 2017 ; Y. Zheng et al., 2020 ). Namun, studi terbaru menunjukkan bahwa dalam kondisi ekstrem—SWC yang sangat kering atau sangat basah—hubungan VPD-SWC terlepas. Di tanah yang sangat kering, penutupan stomata terjadi untuk mencegah hilangnya konduktansi hidrolik yang berlebihan, sehingga lebih besar daripada VPD dalam membatasi produktivitas tanaman (Seneviratne et al., 2010 ; Stocker et al., 2018 ). Sebaliknya, dalam kondisi basah, penurunan SWC dapat mengurangi konduktansi stomata tetapi tetap dapat meningkatkan produktivitas (Fu et al., 2022 ; Green, 2024 ). Pemisahan ini dapat menghambat kinerja produk RS GPP, yang menjelaskan bias dalam menangkap efek defisit SWC dibandingkan dengan data EC dalam kondisi ekstrem (Gambar 1f dan 3b , Gambar S6d dalam Informasi Pendukung S1 ).
Perkiraan yang terlalu rendah dari efek negatif defisit SWC lebih jelas di non-hutan (Gambar S8d dalam Informasi Pendukung S1 ) daripada di hutan, di mana hal itu signifikan hanya dalam kondisi VPD tinggi (>persentil ke-80) dan SWC rendah (persentil ke-10) (Gambar 1d dan 3a , Gambar S6d dalam Informasi Pendukung S1 ). Sebuah studi baru-baru ini menunjukkan bahwa produk RS menggunakan fungsi monotonik untuk mensimulasikan efek SWC pada GPP, yang berbeda dari hubungan kurva berbentuk lonceng GPP-SWC seperti yang diamati dalam studi kami dan studi lain berdasarkan pengamatan EC. Memasukkan fungsi Gaussian ke dalam model LUE dapat memperbaiki misrepresentasi ini (Tagesson et al., 2021 ). Perkiraan yang terlalu rendah lebih jelas terlihat di hutan dan lahan pertanian (Gambar 2l dan 3d , Gambar S7d dalam Informasi Pendukung S1 ; Gambar 2r dan 3h , Gambar S9d dalam Informasi Pendukung S1 ) dibandingkan dengan non-hutan (Gambar 2o dan 3f , Gambar S8d dalam Informasi Pendukung S1 ). Temuan ini menyoroti keterbatasan dalam produk RS GPP, terutama pada kondisi tanah yang sangat basah dan kering, menekankan perlunya peningkatan produk ini agar dapat menangkap hubungan antara GPP dan defisit SWC dengan lebih baik pada berbagai kondisi kelembapan dan tipe ekosistem.
Menariknya, hasil kami menunjukkan perbedaan yang jelas dalam respons hutan dan non-hutan terhadap stres air. Hutan lebih sensitif terhadap efek VPD negatif daripada non-hutan (Gambar 2a dan 2d ), tetapi kurang sensitif terhadap efek defisit SWC negatif dalam ruang VPD-SWC (Gambar 2j dan 2m ). Perbedaan ini dapat dikaitkan dengan sistem akarnya yang beragam (H. Xu et al., 2023 ; C. Zheng et al., 2023 ). Hutan, dengan sistem akar yang lebih dalam, memiliki kapasitas yang lebih tinggi untuk menyerap air tanah, yang berpotensi mengurangi sensitivitasnya terhadap perubahan SWC dan membuatnya kurang reaktif dibandingkan dengan ekosistem non-hutan, seperti padang rumput, di bawah defisit SWC yang tinggi (Hoek van Dijke et al., 2023 ). Respons yang berbeda ini menekankan pentingnya pemodelan karakteristik khusus ekosistem saat mengevaluasi dampak kekeringan.
Penting untuk dicatat bahwa set data menara fluks yang digunakan dalam studi ini sebagian besar mewakili ekosistem beriklim sedang, sementara ekosistem tropis dan boreal—yang mencakup lebih dari 83% serapan karbon hutan global dari tahun 1990 hingga 2019 (Pan et al., 2024 )—secara signifikan kurang terwakili karena keterbatasan data saat ini. Kurangnya representasi ini mempersulit generalisasi temuan kami di seluruh bioma hutan global, karena ekosistem hutan boreal dan tropis dapat menunjukkan respons fisiologis yang unik terhadap stresor lingkungan. Misalnya, pohon boreal menunjukkan strategi penggunaan air yang lebih konservatif, sering kali menutup stomata untuk meminimalkan kehilangan air, yang mengarah ke sensitivitas negatif GPP yang lebih tinggi terhadap peningkatan VPD (Lin et al., 2015 ; Massmann et al., 2019 ). Sebaliknya, pohon tropis umumnya menggunakan strategi penggunaan air yang lebih agresif, memprioritaskan fiksasi karbon daripada konservasi air, yang menghasilkan sensitivitas GPP yang kurang negatif terhadap peningkatan VPD (Massmann et al., 2019 ). Selain itu, di dalam wilayah tropis, daerah tropis kering yang didominasi oleh pohon peluruh dan semak belukar menghadapi kendala kelembapan tanah yang lebih besar dibandingkan dengan hutan hujan yang selalu hijau, karena mereka perlu menghindari emboli xilem, sehingga menunjukkan sensitivitas negatif GPP yang lebih tinggi terhadap defisit SWC (Hasselquist et al., 2010). Respons khusus jenis hutan ini tidak cukup tertangkap dalam model saat ini, yang cenderung meremehkan dampak negatif defisit SWC pada GPP di wilayah tropis kering dan kurang memperhitungkan keterbatasan VPD di zona boreal. Perbedaan ini mengkhawatirkan, mengingat perubahan iklim diperkirakan akan memperpanjang musim kemarau di daerah tropis (H. Xu et al., 2022) dan meningkatkan kekeringan atmosfer (VPD) di wilayah boreal (Mirabel et al., 2023 ). Untuk mengatasi kesenjangan ini, diperlukan prioritas penerapan menara fluks di ekosistem yang kurang terwakili dan peningkatan parameterisasi sensitivitas GPP terhadap kekeringan, yang pada akhirnya meningkatkan akurasi produk GPP yang diperoleh dari satelit dan menyempurnakan simulasi dampak kekeringan pada dinamika karbon hutan global (Fang et al., 2024 ).
Studi kami menyoroti dua langkah penting untuk memajukan penelitian di masa mendatang. Pertama, saat membandingkan dengan pengukuran EC, nilai stasiun untuk produk RS GPP diekstraksi dari piksel terdekat. Untuk mengurangi ketidakpastian ini, kami memilih data RS dan lokasi menara fluks dengan PFT yang identik dan dominasinya melebihi 60%. Namun, pendekatan ini juga menimbulkan ketidakpastian dalam mengevaluasi kinerja model. Kedua, bias dalam simulasi model RS (seperti yang diteliti dalam studi ini) dipengaruhi oleh data masukan, tetapi memperoleh semua variabel masukan model merupakan tantangan. Melakukan skenario di lokasi menggunakan data masukan yang konsisten dapat membantu mendiagnosis dan memahami ketidakkonsistenan antara RS dan EC dengan lebih baik dalam mengkarakterisasi respons stres GPP-air.
Singkatnya, studi kami memberikan evaluasi komprehensif terhadap produk RS yang ada, keakuratan dan keterbatasannya dalam melacak stres air pada GPP di bawah kekeringan. Kami mengevaluasi kinerja 10 produk RS GPP, serta RSmean, dalam menanggapi defisit VPD dan SWC di berbagai jenis ekosistem, menggunakan pengukuran EC sebagai tolok ukur. Analisis kami menunjukkan bahwa sementara RSmean dan setiap produk individu menangkap respons arah umum GPP terhadap defisit VPD dan SWC di seluruh gradien VPD-SWC, mereka gagal mereproduksi nilai absolut perubahan GPP dibandingkan dengan pengukuran EC. Yang penting, perbedaan antara data RS dan EC bersifat khusus ekosistem dan konsisten di semua produk RS yang diperiksa. Temuan ini menunjukkan bahwa menggabungkan efek VPD khusus ekosistem dan respons defisit SWC non-linier dapat meningkatkan simulasi GPP berbasis RS di bawah kekeringan.
