摘要
大气顶层（TOA）的反照率控制着地球吸收的太阳能量量，它受到大气和地表反射率的影响。由于过去几十年来土地利用发生了显著变化，因此有必要质疑地表反照率的扰动是否在相应时期影响了TOA反照率。在这里，我们确定了2001年至2020年间地表反照率变化主导TOA反照率趋势的地区，并研究了这与雪覆盖变化、地表土壤湿度和植被密度及绿色程度的关系。我们发现，在全球10.0%的土地面积上，地表反照率的变化是TOA反照率趋势的主要驱动因素，在这些地区，地表反照率的减少导致2001年至2020年间吸收的太阳辐射增加了0.737 ± 4.984 Wm−2。这相当于全球吸收太阳辐射变化的0.019 ± 0.812 Wm−2，大约是2011年至2019年人为二氧化碳排放所导致的辐射强迫的7.0%（IPCC，2021年，https://doi.org/10.1017/9781009157896.009）。苔原和沙漠上方的净TOA变暗分别占所识别辐射反馈的38.6%和21.4%，而温带生物群落导致净TOA变亮，占22.3%。总体而言，雪覆盖变化、植被密度和绿色程度的变化以及地表土壤湿度变化共同驱动了68.5%的地表反照率变化。地表反照率在解释全球某些地区TOA反照率趋势中的重要性，突显了了解地球能量不平衡时陆地表面变化的相关性。
通俗语言总结
地球的气候受到其吸收的阳光量的强烈影响。近几十年来，人类活动和气候变化改变了全球的陆地表面，可能通过改变地表反射率（即反照率）影响了地球对阳光的吸收。在这项研究中，我们确定了陆地表面反照率变化对地球吸收阳光影响最大的地区。此外，我们评估了这些变化与雪覆盖、土壤湿度和植被的变化之间的关系。我们的研究结果表明，由于陆地表面反照率的变化，全球超过10%的土地面积的反照率发生了变化，这导致2001年至2020年间吸收的阳光增加了0.737 ± 4.984 Wm−2，相当于2011年至2019年人为二氧化碳排放所导致的气候变暖的约7.0%（IPCC，2021年，https://doi.org/10.1017/9781009157896.009）。苔原和沙漠上的太阳吸收增加，从而加剧了气候变暖，而温带森林和草原上的太阳吸收减少，从而缓解了气候变暖。总体而言，这些变化主要由植被、雪覆盖和地表土壤湿度的变化驱动。
1 引言
地球大气顶层的反照率决定了它吸收的太阳能量量，从而影响了气候。TOA反照率平均变化0.01对应于3.4 Wm−2的辐射强迫（Jian等人，2018年），几乎是目前人为二氧化碳增加导致的辐射强迫的60%（IPCC，2021年）。TOA反照率的变化与地球温度之间存在强烈的负相关关系（Södergren & McDonald，2022年）；全球古气候模拟显示，气候变化与米兰科维奇周期密切相关（Hays等人，1976年；Imbrie等人，1993年），主要是通过改变地表反照率和云覆盖的反馈效应导致的TOA反照率变化（Eisenman & Armour，2024年）。此外，古气候学表明，由雪覆盖面积和海冰范围增加以及泰加林向南退缩的放大反馈所驱动的TOA反照率变化，是最后一次冰川期的主要原因（Willeit等人，2024年）。鉴于云和地表反照率对TOA反照率的强烈放大反馈（Bender，2011年；Bony等人，2006年；Stephens等人，2015年），识别特定区域的变异性和地表及云反照率的持续变化对于理解全球能量预算和地表温度变化的原因至关重要。TOA反照率受地球表面和大气反射率的控制。大气反射率取决于云、水蒸气和气溶胶（例如，Christopher & Zhang，2002年；Engström等人，2015年；Held & Soden，2000年），而地表贡献则取决于土地覆盖组成（如植被覆盖、冰雪覆盖和海洋）的反射率（Betts，2000年；Myhre & Myhre，2003年；Riihelä等人，2021年）。基于地球系统中辐射传输的简化建模，Donohoe和Battisti（2011年）发现大气反射构成了观测到的全球平均TOA反照率的88%。此外，研究表明，地球表面对TOA反照率的影响向赤道逐渐减小（Jian等人，2018年；Loeb等人，2007年，2019年），陆地表面反照率变化对TOA反照率变异的贡献可以忽略不计（Qu & Hall，2005年）。由于21世纪前二十年全球TOA反照率的减少，观察到TOA反照率稳步下降约0.5 Wm2（Goode等人，2021年；Wu等人，2023年）。这一趋势主要归因于云层的减少（Goessling等人，2025年；Loeb等人，2021年，2022年）；然而，地表反照率的变化被认为是导致吸收太阳辐射增加的第二大因素（Loeb等人，2021年，2025年），贡献高达27%（Loeb等人，2021年）。最近，Hou等人（2025年）首次提供了将人为土地利用和土地覆盖变化以及雪覆盖和自然植被变化与陆地表面反照率变化联系起来的全球分析。他们发现，2001年至2020年间，全球陆地表面变化导致净陆地表面变亮，辐射强迫为-0.142 Wm2。这种净陆地表面变亮主要归因于无雪的非LULCC地区的陆地表面变化，对2001年至2019年的二氧化碳辐射强迫的冷却贡献了59.9%（Hou等人，2025年）。尽管Hou等人（2025年）的估计对理解全球陆地表面变化对地表反照率的影响有重要贡献，但这些估计仅反映了瞬时的辐射强迫，没有考虑到大气调整（如云层变化），这些调整可能会完全抵消陆地表面反照率变化的影响。因此，21世纪前二十年陆地表面反照率变化是否显著影响了TOA趋势仍然是一个未解决的问题。在这里，我们开发了一种基于卫星搭载的TOA和地表太阳辐射通量的新型统计算法（来自Clouds and the Earth's Radiation Energy System (CERES)（Kato等人，2018年；Loeb等人，2018年；Wielicki等人，1996年），以解决21世纪前二十年陆地表面反照率变化是否显著影响了TOA反照率趋势的问题。具体来说，我们提出了以下问题：(a) 在哪些陆地地区，地表反照率趋势是TOA反照率的主要驱动因素？(b) 在这些地区，地表反照率趋势背后是否有一个或多个陆地表面属性的显著趋势？(c) 与全球行星反照率趋势相比，地表反照率驱动的趋势大小是多少？与基于简化辐射传输模型的通量划分（例如，Loeb等人，2019年）或基于部分辐射扰动分析的可变归因（例如，Loeb等人，2021年）不同，我们的方法涉及进行网格单元级别的统计过滤程序，消除了其他方法可能引入的混淆效应。
2 材料与方法
图1展示了用于确定2001年至2020年间陆地表面反照率变化主导TOA趋势地区的流程图。图1使用PowerPoint在图查看器中打开。
2.1 CERES-EBAF 4.2
Energy Balanced and Filled (EBAF) 4.2产品是从Terra、Aqua和NOAA-20卫星的CERES仪器中获得的。该产品提供了基于卫星的、均质的TOA辐射通量（Loeb等人，2018年）、地表辐射通量（Kato等人，2018年）和基本云属性数据。后者来自共位成像仪，而地表通量则是通过将EBAF TOA观测数据与SYN1deg-month模拟数据结合得到的（Rutan等人，2015年），以提供与CERES EBAF-TOA产品一致的平均地表辐射通量。CERES EBAF产品具有1° × 1°的空间分辨率和月度时间分辨率的全球覆盖范围。我们下载了2001年至2020年期间的月度全球数据（NASA LARC/SD/ASDC，2023年）。本研究中使用的通量包括在全天空和晴朗天气条件下TOA和地球表面的入射和出射短波辐射，以及云面积分数和云光学厚度。对于最终分析，这些变量是为所有陆地地区计算的，除了那些根据2017年国际地球圈-生物圈计划（Loveland等人，1999年）被分类为裸岩和冰的地区。
2.2 确定地表反照率趋势驱动TOA反照率趋势的地区
为了确定地表反照率和云对TOA反照率的相对影响，我们使用了基于统计建模的网格单元级过滤（图1）（图1显示在图查看器中）。OLS：普通最小二乘回归；GLS：广义最小二乘回归；AR(1)：带有阶数为一的自回归过程的GLS回归；GAM REML：带有受限最大似然的广义加性模型。
2.1 CERES-EBAF 4.2
Energy Balanced and Filled (EBAF) 4.2版本的数据来自Terra、Aqua和NOAA-20卫星的CERES仪器。该产品提供了卫星衍生的、均质的TOA辐射通量（Loeb等人，2018年）、地表辐射通量（Kato等人，2018年）和基本云属性。后者来自共位成像仪，而地表通量则是通过将EBAF TOA观测数据与SYN1deg-month模拟数据结合得到的（Rutan等人，2015年），以提供与CERES EBAF-TOA产品一致的平均地表辐射通量。CERES EBAF产品具有1° × 1°的空间分辨率和月度时间分辨率的全球覆盖范围。我们下载了2001年至2020年期间的月度全球数据（NASA LARC/SD/ASDC，2023年）。本研究中使用的通量包括在全天空和晴朗天气条件下TOA和地球表面的入射和出射短波辐射，以及云面积分数和云光学厚度。对于最终分析，这些变量是为所有陆地地区计算的，除了那些根据2017年国际地球圈-生物圈计划（Loveland等人，1999年）被分类为裸岩和冰的地区。
2.2 确定地表反照率趋势驱动TOA反照率趋势的地区
为了确定地表反照率和云对TOA反照率的相对影响，我们使用了基于统计建模的网格单元级过滤（图1）。我们使用年度平均变量作为响应变量，TOA反照率作为因变量，地表反照率、云覆盖分数和云光学厚度作为预测变量进行了分析。TOA反照率是在全天空条件下计算的，而地表反照率仅在晴朗天气条件下计算。这样做是为了确保地表反照率对TOA反照率的潜在贡献仅限于陆地表面，而不包括不同的云条件。使用年度平均变量可以减少潜在的季节性，这通常与天气系统有关，但对长期趋势无关。虽然每月去季节化异常也可以去除这种季节性效应，但年度平均值可以最小化时间自相关的可能性，这在短期的去季节化云和辐射时间序列中很常见（例如，Loeb等人，2021年）。首先，我们分别对每个网格单元进行了普通最小二乘（OLS）回归：
（1）在这里（以及后续的建模方程中），、、和分别代表晴朗天气下的地表反照率、云覆盖分数和云厚度的预测变量，beta（）是待估计的参数。假设误差是正态且独立分布的，期望值为零，方差恒定。为了检测满足建模假设的像素——这是保证统计有效性和模型推断的基本前提——我们使用了Durbin-Watson检验（Durbin & Watson，1950年）来检测时间自相关性，Breusch-Pagan检验（Breusch & Pagan，1979年）来检测异方差性，rainbow检验（Utts，1982年）来检测线性，以及Shapiro-Wilk检验（Shapiro & Wilk，1965年）来检测正态性。前三项检验在95%的显著性水平上进行，而Shapiro-Wilk检验在99%的显著性水平上进行。这样做是为了降低I型错误（错误阳性结论）的概率，因为高斯模型对非正态性具有很强的鲁棒性，这种违规不应成为转向更复杂建模技术的强理由（Knief & Forstmeier，2021年）。我们移除了所有违反两个或更多OLS回归假设的网格单元。这样做是为了确保模型的高可靠性，同时避免引入可能导致过度拟合的 overly complex 模型。对于只违反一个统计假设的网格单元，我们根据需要满足的建模准则引入了三种额外的建模技术。对于存在异方差性或非正态性的网格单元，我们通过对TOA反照率进行对数变换来拟合OLS回归模型：
（2）
这里，误差假设是正态且独立分布的，期望值为零，方差恒定。对于存在时间自相关的网格单元，我们应用了广义最小二乘（GLS）建模：
（3）
这里，误差遵循一阶自回归过程，即，假设残差与前一年的残差相关。是当前观测的干扰，假设是正态且独立分布的，期望值为零，方差恒定，是表示前一个残差对当前误差影响的自回归参数，在假设下。对于TOA反照率和预测变量之间存在非线性关系的网格单元，我们使用限制性最大似然拟合了带有样条平滑函数的广义加性（GAM）模型：对于那些采用修订后模型的网格单元，我们进行了第二次筛选过程，去除了所有在对数变换后的OLS回归中违反四个假设的网格单元。此外，我们还移除了所有违反正态性假设的GLS拟合网格单元以及违反独立性假设的GAM拟合网格单元。后者的判断使用了Ljung-Box检验（Ljung & Box, 1978），并且考虑了两年的滞后时间。筛选结果见表1。
表1. 不同统计模型（OLS，普通最小二乘回归；GLS，广义最小二乘回归；GAM，广义加性模型）拟合的网格单元数量，用于识别在表面反照率变化前后的TOA反照率区域
为了确定在研究期间表面反照率是TOA反照率变化主导因素的网格单元，我们计算了这些模型的总决定系数（grid cell-wise），并将其分解为云层和表面反照率的相对重要性。对于OLS回归，相对重要性的计算使用了relaimpo包（Grömping, 2007）和简单未加权平均值（Lindeman等人，1980年）；而对于GAM模型，我们使用了gam.hp包（Lai等人，2024年），该包基于平均共享方差的概念。对于使用GLS回归建模的网格单元，我们使用rr2包中的似然函数计算了总决定系数和半偏决定系数（Ives, 2019年）。这是通过比较完整模型与简化模型的GLS平方和来实现的。对于简化模型，我们使用了仅包含截距的模型；而对于相对决定系数，我们每次排除一个预测变量来拟合简化模型，并比较了相对系数的变化。那些至少解释了50%总建模方差的网格单元（即≥0.5），并且表面反照率是主导因素的网格单元（即表面反照率的相对决定系数≥0.5），被确定为最终候选单元。这些单元被保留下来进行进一步分析，而其余的则被移除。最后，对于满足上述标准的网格单元，我们使用了Theil-Sen中位数方法（Sen, 1968；Thiel, 1950）进行了逐网格单元的趋势建模，作为一种稳健的统计方法来估计每十年的平均变化率。这是针对每个感兴趣的变量分别进行的，即全天空TOA反照率、晴空地面反照率、云层覆盖率和吸收的太阳辐射。通过从全天空入射太阳辐射中减去全天空出射太阳辐射来计算后者。移除了那些表面反照率和TOA反照率趋势相反的网格单元。使用Mann-Kendall检验（Mann, 1945）检测到统计显著的趋势，p < 0.05。该检验是非参数的，基于感兴趣变量与时间维度的Kendall等级相关性来检测单调趋势。对于包含两个或更多相同观测值的网格单元，检验提供的p值是基于正态分布的近似值而非精确值。使用网格单元级别的趋势估计值的面积加权平均来计算变量的全球平均趋势。
2.3 土地覆盖属性
根据地理分布，我们已经确定表面反照率变化是TOA反照率趋势的主要驱动因素，我们利用RESEOLVE生态区域数据集（Dinerstein等人，2017年）将所有网格单元分类为生物群落和生态区域。RESEOLVE生态区域数据集描绘了846个陆地生态区域，这些区域被分为14个生物群落。为了理解所识别区域内表面反照率变化的主要原因，我们使用了2001年至2020年的植被绿色度和密度、雪覆盖以及土壤湿度数据（第2.3.1-2.3.4节），因为这些属性与表面反照率密切相关（例如，Bounoua等人，2000年；Flanner等人，2011年；Hasler等人，2024年；Hou等人，2025年；Li等人，2018年；Sturm等人，2005年；Weidong等人，2002年）。我们应用了第2.2节中描述的相同网格单元级统计建模过程，但是以晴空地面反照率为响应变量，以土地表面属性（第2.3.1-2.3.4节）为预测变量，来识别这些属性的相对重要性。使用Theil-Sen中位数方法进行了网格单元级别的趋势建模。使用Mann-Kendall检验（p < 0.05）识别了显著趋势。为了满足第2.2节中描述的相同建模标准，在计算属性的总体相对贡献之前，由于模型违规，移除了10.8%的表面驱动TOA趋势的陆地区域。这意味着只有89.2%的网格单元计算了表面属性的最终相对贡献，对这些网格单元进行了表面和TOA反照率、云层以及吸收的太阳辐射的趋势建模（表1）。
2.3.1 标准化差异植被指数
标准化差异植被指数（NDVI）是根据MODIS Terra MOD13C2（v6.1）月度植被指数数据集计算得出的，其空间分辨率为0.05°（Didan, 2021）。在计算NDVI的年平均值之前，我们使用产品中的质量标志去除了所有含有雪和/或云的像素。年平均NDVI数据通过面积平均聚合成1°×1°的经纬度网格。
2.3.2 叶面积指数
我们使用了Yan、Wang、Peng等人（2023年）的高质量重新处理的中分辨率成像光谱辐射计（MODIS）叶面积指数（LAI）数据集来计算年平均LAI。HiQ-LAI是一个覆盖2000-2022年的全球数据集，它通过捕捉植被物候的季节性变化，提供了比标准MODIS LAI更好的时空一致性（Yan、Wang、Peng等人，2023年）。这里使用的数据集空间分辨率为5×10³米（Yan、Wang、Weiss、Myneni，2023年）。因此，基于算术平均值进行了聚类，将LAI数据转换为1°×1°的网格单元，与CERES数据同步。
2.3.3 积雪覆盖
我们使用了欧洲航天局（ESA）气候变化计划（CCI）雪项目（https://climate.esa.int/en/projects/snow/）的雪覆盖数据。这是一个覆盖1979年1月至2023年12月四十年的全球每日雪覆盖比例数据集（Xiao等人，2025年）。这些观测数据基于高级非常高分辨率辐射计的中分辨率光学卫星数据。我们应用了“可视”雪覆盖比例变量，该变量表示从太空可见的陆地表面上的雪覆盖面积，即在学校中，雪覆盖由森林树冠上的可见雪表示（Xiao等人，2025年）。雪覆盖以每个网格单元的百分比表示，空间分辨率为约0.05°。值为零表示无雪的表面，而值为100表示完全被雪覆盖的陆地表面。通过产品算法移除了可能受到云层干扰或在极夜期间收集的所有观测数据。进行了空间平均聚类，将雪覆盖数据转换为1°×1°的网格单元。
2.3.4 土壤表面湿度
我们使用了ESA CCI土壤湿度项目（https://climate.esa.int/en/projects/soil-moisture/）的土壤湿度数据。该项目提供了全球每天土壤表面湿度的数据，覆盖土壤表面最上层约0-0.05米的深度，空间分辨率为0.25°。我们使用了最新版本（v09.1）的综合产品（Dorigo等人，2017年；Gruber等人，2019年；Preimesberger等人，2020年），该数据基于来自活跃和被动微波传感器的观测。在计算年平均土壤湿度之前，我们使用了产品中的相关质量标志来屏蔽具有密集植被、被雪覆盖或冻结土壤的网格单元，以及由于合并算法未收敛而缺失或不可靠的观测数据。我们基于算术平均值进行了空间聚合，将土壤湿度数据转换为1°×1°的网格单元。
3 结果
3.1 表面反照率趋势对TOA反照率趋势的贡献
在全球10.0%的陆地面积中，表面反照率趋势是TOA反照率趋势的主要驱动因素。这些区域主要分布在北美洲、非洲、亚洲和澳大利亚（图2）。在2001年至2020年期间，我们发现表面反照率的趋势平均每十年为-0.0044 ± 0.0176（图2b），相应的平均十年TOA反照率趋势为-0.0014 ± 0.0081（图2a），这大约是Donohoe和Battisti（2011年）以及Loeb等人（2019年）发现的大气衰减效应的三分之一。同一时期，云层覆盖比例的趋势平均每十年为-0.030 ± 1.247%（图2c），而云层光学厚度平均十年趋势为-0.0064 ± 0.1926（图2d）。因此，云层和表面反照率的综合趋势平均导致20年期间TOA变暗。图2显示了2001年至2020年期间表面反照率被确定为TOA反照率趋势主导因素的区域内的全天空TOA反照率（a）、晴空地面反照率（b）、云层覆盖比例（c）、云层厚度（d）和吸收的太阳辐射（e）的十年平均趋势。使用Theil-Sen中位数方法在网格单元级别检索了线性趋势。黑色十字代表使用Mann-Kendall检验（p < 0.05）确定的具有统计显著趋势的区域。在2001年至2020年期间表面反照率趋势主导TOA反照率的区域内，平均吸收的太阳辐射为0.737 ± 4.984 Wm−2（图2e）。这一增加对应于二十一世纪前二十年的全球短波辐射反馈0.019 ± 0.812 Wm−2，相当于2011年至2019年人为CO2排放的辐射强迫的约7.0%（IPCC, 2021）。在所识别的区域中，表面反照率趋势解释了69.1%的TOA反照率趋势（支持信息S1中的图S1b）。所有预测因子的平均总贡献率为80.1%（支持信息S1中的图S1a）。只有三个网格单元显示出表面反照率和TOA反照率之间的非显著关系（p > 0.05）。尽管我们发现云层覆盖比例（支持信息S1中的图S1c）和云层厚度（支持信息S1中的图S1d）在解释TOA反照率趋势方面的贡献存在相当大的空间变异性，但这两个属性的平均相对重要性几乎相同，分别为14.5%（p = 0.202）和16.3%（p = 0.151）。
3.2 生物群落特定的反照率、云层和辐射强迫趋势
表面反照率被确定为TOA反照率趋势主导因素的陆地区域包括（相对于总趋势面积的百分比在括号中）苔原（14.2%）、泰加林（北方森林；12.9%）、沙漠（包括旱生灌木丛；31.9%）、温带草原（包括温带稀树草原和灌木丛；18.0%）、山地草原（包括山地灌木丛；4.7%）、热带和亚热带草原（包括热带和亚热带稀树草原和灌木丛；10.0%）以及温带森林（包括温带混交林、阔叶林和针叶林；6.4%）（图3）。总共有1.9%的陆地面积被归类为其他生物群落。这主要包括淹没的草原和稀树草原，以及地中海森林、林地和灌木丛。接下来，我们分别展示了每个生物群落中表面反照率、TOA反照率和云层贡献的平均趋势，针对表面反照率增加和减少的区域。所示的面积百分比是相对于经历变化的生物群落面积给出的。
3.2.1 苔原
对于苔原，81.1%的区域（支持信息S1中的图S2a）中表面反照率变化是TOA反照率趋势的主要驱动因素，这些区域的陆地表面变暗。这导致了所有生物群落中最强的表面反照率下降（-0.0193 ± 0.0236）（图4a）。同时，苔原地区的云层平均增加（图4c和4d），这有助于大气变亮，从而抵消了表面反照率的降低。这是大多数苔原的主要趋势，除了阿拉斯加西南部和哈德逊湾西侧的加拿大低北极苔原，那里的云层覆盖减少（图2c）。总体而言，苔原的TOA反照率每十年下降了-0.0057 ± 0.0085（图4b）。这导致了每十年1.802 ± 2.430 Wm−2的太阳辐射吸收（图4f），相当于全球估计的0.0067 ± 0.0090 Wm−2（图4g）。冻原在全球所有地区吸收的太阳辐射总量中占比达到了38.6%。图4（在图查看器中打开）。
每十年的平均趋势包括：晴朗天空下地表反照率（a）、全天空顶ulator（TOA）反照率（b）、云层覆盖率（c）、云层厚度（d）、由于地表反照率变化而吸收的太阳辐射（根据Bright & O'Halloran, 2019年的方程式17计算）（e）、由于TOA反照率变化而吸收的太阳辐射（在特定生物群落区域内平均）（f），以及由于全球TOA反照率变化而吸收的太阳辐射（在地球整个表面上平均）（g）。
3.2.2 沙漠
沙漠地区的云层覆盖率（图4c）和云层厚度（图4d）主要减少了。这导致经历地表变暗和变亮的地区的TOA反照率下降（参见支持信息S1中的图S2d和S2e）。例如，经历地表变暗的地区的TOA反照率变化幅度更大（-0.0053 ± 0.0033），而经历地表变亮的地区则较小（0.0046 ± 0.0032）（见支持信息S1中的图S2c），尽管表面反照率的变化趋势相反（分别为-0.0098 ± 0.0073和0.0119 ± 0.0087，见支持信息S1中的图S2b）。然而，在这些平均趋势背后，我们发现特别是在澳大利亚的辛普森沙漠、印度和巴基斯坦的塔尔沙漠、阿拉伯沙漠的部分地区以及撒哈拉沙漠的东南部，2001年至2020年间云层覆盖率有所增加（见图2c）。相比之下，卡拉哈里沙漠、撒哈拉沙漠北部和西部、戈壁沙漠、中亚北部沙漠以及里海东北部的哈萨克半沙漠的云层覆盖率显著减少（见图2c）。云层厚度的变化模式则不那么系统化（见图2d）。共有63.7%的沙漠地区因地表反照率变化而使TOA反照率下降（参见支持信息S1中的图S2a）。地表变亮主要发生在中亚北部沙漠、哈萨克半沙漠和阿拉伯沙漠。总体而言，地表驱动的TOA反照率变化导致每十年吸收的太阳辐射增加了0.445 ± 2.21 Wm⁻²（见图4f），相当于全球范围内的0.0037 ± 0.0183 Wm⁻²（见图4g）。沙漠地区在全球所有地区吸收的太阳辐射总量中贡献了第二大的比例（21.4%）。
3.2.3 泰加林
对于泰加林，TOA反照率的变化趋势在经历泰加林变暗的地区（-0.0075 ± 0.0050）和经历泰加林变亮的地区（0.0078 ± 0.0037）之间大致相同（参见支持信息S1中的图S2b）。然而，由于68.6%的土地面积的地表反照率变化是TOA反照率变化的主要驱动力，这些地区的平均每十年吸收的太阳辐射为0.471 ± 2.189 Wm⁻²（见图4f）。有趣的是，我们发现所有位于东经100度以东的西伯利亚泰加林（三个网格单元除外）的地表反照率都在下降，而主要是加拿大北部和东部盾状地带的泰加林地区经历了地表变亮（见图2a）。总体而言，泰加林在全球所有地区吸收的太阳辐射总量中贡献了9.2%。
3.2.4 温带森林和温带草原
具有地表驱动的TOA反照率趋势的温带森林和草原主要分布在北美洲中部、中亚和安纳托利亚（见图3a）。在安纳托利亚的温带森林中，我们发现云层减少（见图2c）和地表反照率降低（见图2b），而在北美洲中部的温带森林中，地表反照率主要增加（见图2b）。在温带草原中，我们发现亚洲的云层覆盖率呈系统性增加，而北美洲的云层覆盖率则减少（见图2c）。此外，我们还发现地表变亮的现象普遍存在，尤其是在北部和西部短草地草原以及中部高草地草原（见图2a）。在亚洲，我们观察到哈萨克草原和蒙古-满洲草原东半部的地表明显变亮，而在塞伦盖-奥尔洪草原和达乌里亚森林草原、安纳托利亚东部山区草原以及蒙古-满洲草原西半部，地表反照率下降（见图2b）。大约61.7%和56.8%的温带森林和温带草原分别经历了TOA反照率的增加（参见支持信息S1中的图S2a）。这些生物群落中，地表变亮所占的比例大于地表变暗的比例。值得注意的是，温带森林（-0.845 ± 2.774 Wm⁻²）和温带草原（-0.522 ± 2.232 Wm⁻²）平均每十年对TOA辐射产生了负反馈（见图4f）。总体而言，这些温带生物群落对全球吸收的太阳辐射总量贡献了22.3%。
3.2.5 山地草原
具有地表驱动的TOA反照率趋势的山地草原主要分布在西藏和喜马拉雅地区（见图3a）。经历地表变暗（52.8%）和变亮（47.2%）的土地面积几乎相当（参见支持信息S1中的图S2a），不同生态区域内的地表反照率变化并不一致。在所有生物群落中，山地草原上的云层覆盖率下降趋势最为显著（见图4c），这些地区经历了地表变暗（参见支持信息S1中的图S2d）。山地草原由于TOA反照率变化每十年平均产生-0.158 ± 3.352 Wm⁻²的负辐射强迫（见图4f），这占全球所有地区吸收的太阳辐射总量的1.1%。
3.2.6 热带和亚热带草原
将热带和亚热带草原分为地表反照率增加和减少的区域后，我们发现这些地区的地表反照率和TOA反照率的变化趋势是最弱的（参见支持信息S1中的图S2b和S2c）。在整个撒哈拉稀树草原纬度带上，云层覆盖率的显著变化导致了所有生物群落中云层覆盖率的最大增加（见图4c）。尽管如此，仍有三分之二的热带和亚热带草原经历了TOA反照率的下降（参见支持信息S1中的图S2a），导致这些生物群落每十年平均吸收的太阳辐射为0.491 ± 2.421 Wm⁻²（见图4f）。总体而言，热带和亚热带草原在全球所有地区吸收的太阳辐射总量中贡献了7.4%。
3.3 地表反照率的驱动因素
变化的地表属性（即雪覆盖、NDVI、LAI和地表土壤湿度）共同驱动了大约68.5%的地表反照率变化。然而，不同生物群落之间存在差异，尤其是最北端的生物群落（主要由冻原和泰加林组成）的地表驱动因素的贡献较低（见图5；参见支持信息S1中的图S3a）。在温带草原和山地草原中，驱动因素与地表反照率之间的关联最强，平均值分别为80.1%和76.6%。在这些生物群落中，雪覆盖的变化对地表反照率变化的贡献尤为显著（见图5）。在北纬30度以北的所有地区，雪覆盖的变化对地表反照率变化有显著影响，其相对贡献率为41.7%。
各生物群落的每十年趋势范围（最左列为每个生物群落的晴朗天空地表反照率，黑色水平线代表平均趋势；最右列代表驱动地表反照率变化的地表特征）。我们主要观察到冻原和泰加林的雪覆盖减少，除了加拿大中北极冻原和哈德逊湾周围的泰加林（主要是加拿大东部森林、哈德逊湾南部泰加林以及加拿大东部和北部盾状地带的泰加林）（见图6c）。这些模式明显影响了地表和TOA反照率（见图2a和2b）。三个雪覆盖增加的区域对地表反照率的增加有特别强的影响，它们主要集中在哈萨克草原和半沙漠、蒙古-满洲草原的东部、以及北美洲中部草原（主要是北部短草地草原、怀俄明盆地灌木草原和加拿大白杨树林地）（见图6c）。LAI和NDVI的增加表明植被变得更茂密（见图6b）和更绿（见图6a）。总体而言，植被变化对地表反照率的相对影响为30.3%，尤其是在非洲、阿拉伯半岛和澳大利亚。在这些地区，我们还观察到地表土壤湿度的持续下降（见图6d），这也导致了地表变亮。
2001年至2020年间，归一化植被指数（a）、叶面积指数（b）、雪覆盖（c）和地表土壤湿度（d）在那些地表反照率被确定为TOA反照率变化主要驱动因素的区域内的平均十年趋势。Theil-Sen中位数方法被用来在网格单元级别提取线性趋势。黑色十字表示使用Mann–Kendall测试确定的统计显著趋势（p < 0.05）。在热带和亚热带生物群落以及沙漠中，植被变化和地表土壤湿度的变化共同驱动了大约46.5%的地表反照率变化（见图5）。具体来说，我们发现塔尔沙漠的土壤变得更干燥（见图6d），植被更茂密（即LAI增加）（见图6b），以及更绿（即NDVI增加）（见图6a），这些都对地表反照率的减少有显著影响（见图2b）。在辛普森沙漠，我们同时观察到NDVI和LAI的增加和减少趋势，但总体平均为80.5%，植被和土壤湿度动态解释了该生态区域内地表反照率变化的72.3%。阿拉伯沙漠与其他位于北纬30度以南的沙漠不同，它经历了强烈的地表变亮（见图2b），这主要是由地表变褐（即NDVI减少）引起的。在卡拉哈里干旱稀树草原，地表土壤湿度和植被动态解释了地表反照率减少的69.7%。
4 讨论
TOA反照率受地球表面和大气反射率的控制，是全球辐射预算和地球气候系统的关键参数。为了理解温室气体强迫和全球变暖如何影响TOA反照率，需要更好地理解地表反照率变化和云层覆盖变化的相对贡献。因此，在这项研究中，我们旨在确定21世纪前二十年地表反照率变化是TOA反照率变化主要驱动因素的地区。地表反照率变化对冻原以上地区TOA反照率趋势的强烈影响（例如图2和图4）与高纬度地区地表反照率的重要性日益增加是一致的（例如Flanner等人，2011年；Jian等人，2018年）。我们的结果证实，冻原和泰加林（加拿大中北极冻原和哈德逊湾周围的泰加林的雪覆盖增加除外）的退缩导致显著的TOA变暗，并产生了相应的正辐射反馈，这20年前就被认为这些生物群落的TOA反照率的主要驱动因素（Flanner等人，2011年；Qu & Hall，2005年）。高纬度地区的雪覆盖变化（参见支持信息S1中的图S3）是短波辐射反馈的持续驱动因素。如果未来几十年云层变异性和大气衰减保持较小，这种情况可能会持续。我们在沙漠和热带及亚热带草原中发现了几个低纬度热点地区，这些地区地表对TOA反照率变化的贡献显著（例如卡拉哈里沙漠和赞比西稀树草原（Loeb等人，2021年），这与普遍认为低纬度地区地表反照率对TOA变异性贡献较小的观点相反（例如Loeb等人，2019年）。实际上，我们的研究显示，在2001年至2020年间，地表反照率变化的主要驱动因素为沙漠或热带及亚热带草原的面积超过了41%。根据这些生物群落的典型低云量特征（Wilson & Jetz，2016年），TOA反照率的变异性对地表变化特别敏感，因为大气对地表变化的衰减有限。例如在萨赫勒稀树草原和塔尔沙漠，我们发现了地表和TOA反照率变化之间的一些最强关联。在过去的30年里，萨赫勒地区的降雨增加（Pausata等人，2020年）导致了重新绿化，从而显著地表反照率变暗（见图2）。同样，塔尔沙漠的显著绿化（见图6）是由于自2001年以来的季风降水增加以及灌溉农业（Mishra等人，2025年）造成的，这也导致了地表吸收的太阳辐射显著增加。我们的发现挑战了之前关于地表反照率变化在驱动TOA反照率变化中的纬度依赖性的一般观点，并强调了在理解TOA反照率趋势时考虑生态区域或生物群落级别变化的重要性。因此，我们有理由质疑在较低纬度地区，地表反照率的变化是否会在未来的大气顶射（TOA）变化中起到更大的作用，特别是考虑到预计的气候变化、人类活动和放牧压力将改变低纬度干旱地区——如沙漠、稀树草原和旱生灌木丛（Mirzabaev等人，2022年）。对于山地草原，我们观察到了平均行星变暗（图4b）和吸收的太阳辐射量平均减少（图4f）。这种关系看似矛盾，但实际上是由于反照率与辐射反馈之间的非线性比例关系造成的，这种关系通常出现在对大范围地理区域和一年中不同季节的平均估计中。非线性比例关系的产生是因为不同地区接收到的入射太阳辐射量不同，这是由于其纬度、云层状况和大气透射率的独特组合，以及/或者地表反照率变化发生在太阳辐射较低的时候。因此，对于山地草原而言，地表变亮和变暗的区域数量相当，所以TOA反照率下降和吸收的太阳辐射量减少的趋势都是合理的。最近的研究表明，在过去的50年里云量有所减少（Liu等人，2023年；Luo等人，2024年），并且预计这一趋势在本世纪将继续（Luo等人，2024年）。云量的减少是对全球变暖的响应，云量减少越明显，全球变暖的趋势就越强烈（Davis和Maderios，2024年）。在陆地上，云量减少尤为显著（Liu等人，2023年）。Goessling等人（2025年）发现，2023年的全球温度急剧上升是由于TOA反照率创纪录地低，主要是由于低层云量的减少。然而，尽管该研究中云量减少最显著的几个区域都在陆地上，例如加拿大东部和北部的苔原和泰加林地区，但作者主要关注的是海洋上的云变化对TOA的影响，而没有详细讨论陆地上的潜在影响。作为回应，国际研究社区越来越多地讨论并质疑生物圈扰动在这些趋势中的作用（Ibisch等人，2025年；Makarieva等人，2025年）。根据这里进行的分析，我们的研究首次揭示了2001年至2020年期间，加拿大东部和北部苔原及泰加林地区大部分TOA反照率变化是由地表反照率的变化驱动的，而不是云的变化。因此，我们的发现强调了需要考虑地表反照率变化，以理解陆地地区的TOA反照率趋势以及陆地表面变化对全球能量不平衡的贡献。最近有研究表明，2001年至2020年间全球陆地表面反照率的变化导致了吸收的太阳辐射量减少了0.142 Wm²（Hou等人，2025年）。尽管我们特定区域的地表反照率变化与Hou等人（2025年）的研究结果相符，但我们研究的整体平均辐射反馈显示了相反的趋势。我们研究中确定的区域仅占Hou等人（2025年）估计的陆地面积的不到10%，这使得比较变得复杂。此外，他们的研究没有考虑20年期间云层、水蒸气、温度和气溶胶的调整，而这些因素在我们的观测驱动估计中是考虑在内的。这些原因可能解释了为什么Hou等人（2025年）发现吸收的太阳辐射量减少，而我们发现吸收的太阳辐射量增加了，这与全球平均趋势一致（Goessling等人，2025年；Loeb等人，2024年，2025年）。根据本世纪预测的云层减少以及大气对地表反照率变化的衰减潜力降低，我们有理由假设未来陆地上的地表反照率变化对TOA反照率的贡献将会相对更大。北半球的陆地面积大于南半球，导致地表反照率的半球不对称性。这种不对称性被赤道以南较厚的云层所补偿，从而维持了长期观测到的TOA反照率的半球对称性（Datseris & Stevens，2021年；Jönsson & Bender，2022年）。这导致了这样一个假设：TOA反照率的半球对称性是地球的基本特性。通过将这里确定的特定区域的地表驱动TOA反照率趋势分解为半球贡献，我们的结果显示，在2001年至2020年期间，地表反照率是TOA反照率变化主导因素的陆地面积的91.8%位于赤道以北。对于地表驱动的净辐射反馈，75.6%来自北半球。这些结果表明，半球不对称的地表驱动TOA变暗可能会导致全球辐射预算的半球不平衡。基于对2001年至2024年CERES数据的分析，Loeb等人（2025年）也得出了类似的结论，即TOA反照率的半球不对称性正在出现。作者将北半球相对于南半球的TOA变暗归因于陆地表面变暗，以及半球间气溶胶-辐射相互作用和水蒸气变化的差异。未来的云分布是否能够应对这种南北不对称的地表驱动TOA反照率变化，仍然是一个未解的问题。
5 结论
基于CERES提供的卫星搭载的TOA和地表太阳辐射通量数据，我们确定了21世纪前二十年里地表反照率是TOA反照率变化主导因素的陆地区域。我们发现，2001年至2020年间，陆地表面反照率的变化显著影响了TOA反照率趋势（即占全球陆地面积的10.0%）。这些地区导致全球吸收的太阳辐射量增加了0.019 ± 0.812 Wm⁻²，相当于2011年至2019年人为二氧化碳排放造成的辐射强迫的约7.0%（IPCC，2021年）。总体而言，68.5%的TOA反照率变化是由雪盖、NDVI、LAI和地表土壤湿度变化驱动的，其中对于北纬30°以北的地区，雪盖动态占这一变化的41.7%。在沙漠以及热带和亚热带生物群落中，地表反照率的变化主要归因于地表土壤湿度和植被动态。地表反照率不仅是衡量气候变化的关键变量，还因其辐射反馈潜力而对全球变暖产生影响。我们的发现强调了需要考虑陆地表面反照率变化，以理解近期和未来的TOA变化，以及人为气候变化下的全球能量不平衡。
致谢
本研究得到了瑞典研究委员会（Formas D-nr 2021–02116）、挪威研究委员会（资助编号：352405）和挪威生命科学大学的支持。M.J.G.负责资金筹措。R.M.B.提出了研究问题。E.N.R.和R.M.B.共同发展了理论。E.N.R.设计了方法论，处理数据，进行了分析并解释了结果。E.N.R.撰写了初稿。M.J.G.和R.M.B.审阅并编辑了手稿。
利益冲突
作者声明与本研究无关的任何利益冲突。
数据可用性声明
CERES数据集可在以下地址获取：https://doi.org/10.5067/TERRA-AQUA-NOAA20/CERES/EBAF_L3B004.2 (NASA/LARC/SD/ASDC, 2023)。RESOLVE数据集可在以下地址获取：https://services.arcgis.com/P3ePLMYs2RVChkJx/arcgis/rest/services/Resolve_Ecoregions/FeatureServer (Dinerstein等人，2017)。雪盖和LAI的数据集可以从Zenodo获取：https://zenodo.org/records/16746237 和 https://zenodo.org/records/12615116 (Xiao等人，2025；Yan, Wang, Peng等人，2023)。ESA CCI土壤湿度项目的综合产品可以从以下地址下载：https://data.ceda.ac.uk/neodc/esacci/soil_moisture (Dorigo等人，2017)，而MOD13C2 NDVI数据则可以在以下地址访问：https://www.earthdata.nasa.gov/data/catalog/lpcloud-mod13c2-061 (Didan，2021)。
打赏
