全球岩石化学风化离子通量<strong>1980</strong>—<strong>2100</strong>年时空变化的高分辨率评估

doi:10.11867/j.issn.1001-8166.2026.015

河流化学风化是全球地球化学循环的关键环节，其动态变化对于深入理解和评估气候变化影响至关重要。结合Lechuga-Crespo模型与随机森林算法，并利用第六次国际耦合模式比较计划未来不同气候情景的数据集，对1980—2100年全球岩石化学风化离子通量［Ca²⁺、Mg²⁺、Na⁺、Alkalinity（HCO $3 -$ 和CO $3 2 -$ ）、SO $4 2 -$ 和Cl^-］的长期动态变化及其地理特征进行了系统评估。结果显示，全球岩石化学风化离子通量在不同气候情景下变化显著，尤其在高排放情景（SSP5-8.5）下，预计全球岩石化学风化离子通量总量将大幅增加，至2100年其平均增幅可达35%，届时全球总量将达到6.6×10⁹ Mg/a。东南亚、南亚次大陆和撒哈拉以南的非洲地区是未来化学风化作用的高值核心区域。降水被确定为影响岩石化学风化离子通量变化的最显著因子（显著增加的面积占比为99%；贡献率为32%~33%）。不同岩性对气候变化的响应差异主要受矿物组成和结构特性的制约，其中碳酸盐沉积岩和硅质碎屑沉积岩在全球变暖背景下均表现出加速风化的趋势。引入长期动态模拟和未来情景预测，并结合多种气候驱动因子，为岩石化学风化离子通量的未来变化提供了更为系统和全面的评估。这种多维度分析为岩石化学风化在全球碳循环和环境响应中的作用提供了扎实的科学依据。

关键词: 离子, 岩石化学风化, 气候变化, 第六次国际耦合模式比较计划（CMIP6）

Riverine chemical weathering is a vital part of the global biogeochemical cycle, and its fluctuations are key to fully understanding and evaluat the effects of climate change on the Earth system. However, large uncertainties still remain regarding the long-term evolution of chemical weathering and its spatial responses under future climate scenarios. In this study, the Lechuga-Crespo model was integrated with the Random Forest algorithm, and future climate scenario datasets from CMIP6 were employed to systematically assess the long-term dynamic variations and geographical characteristics of global Ionic fluxes from rock Chemical Weathering (ICWR), including Ca²⁺, Mg²⁺, Na⁺, Alkalinity (HCO $3 -$ , CO $3 2 -$ ), SO $4 2 -$ and Cl^-, during the period from 1980 to 2100. The results reveal that global ICWR exhibits significant variations under different climate scenarios. In particular, under the high-emission scenario (SSP5-8.5), the global total ICWR is projected to increase substantially. By the end of the 21st century, the global total ionic flux is expected to rise by approximately 35% compared with the historical baseline, reaching about 6.6×10⁹ Mg/a in 2100. From a spatial perspective, Southeast Asia, the South Asian subcontinent, and sub-Saharan Africa are identified as the core high-value regions of future chemical weathering intensity, indicating strong regional heterogeneity in the response of weathering processes to climate change. Among the climatic drivers, precipitation is determined to be the most influential factor controlling ICWR variability, accounting for approximately 32%~33% of the overall contribution, with nearly 99% of the global land area exhibiting a significant increasing trend associated with precipitation changes. Further investigation into weathering mechanisms shows that the differential responses of various lithologies to climate change are primarily governed by their mineral composition and structural properties. Both carbonate rocks and silicate clastic rocks exhibit accelerated weathering trends under the context of global warming, highlighting the important role of lithological characteristics in regulating chemical weathering intensity.By introducing long-term dynamic simulations and future scenario projections and integrating multiple climatic drivers, this study provides a more systematic and comprehensive assessment of future ICWR changes. The multidimensional analytical framework established here offers a robust scientific basis for understanding the role of rock chemical weathering in the global carbon cycle and its environmental responses to ongoing climate change.

Key words: Ions, Chemical weathering of rocks, Climate change, Coupled Model Intercomparison Project Phase 6 (CMIP6).

中图分类号:

P512.1

图1 样点位置和原始GLORICH数据库的样点位置

Fig. 1 Selected sampling locations and original GLORICH database information

表1 1980—2010年采样点的水化学数据信息

Table 1 Water chemistry data of sampling sites from 1980 to 2010

数据类型	来源	气候模型/数据产品	时间尺度	空间分辨率
离子浓度［Ca²⁺、Mg²⁺、Na⁺、Alkalinity（HCO $3 -$ 和CO $3 2 -$ ）、SO $4 2 -$ 和Cl^-］	GLOBAL River Chemistry Database	观测数据集	1980—2010年	Grid Data
温度	Terraclimate	再分析数据产品	1980—2014年	4 km×4 km
温度	CMIP6	BCC-CSM2-MR	2015—2100年	25 km
降水	Terraclimate	再分析数据产品	1980—2014年	4 km×4 km
降水	CMIP6	BCC-CSM2-MR	2015—2100年	25 km
风速	Terraclimate	再分析数据产品	1980—2014年	4 km×4 km
风速	CMIP6	BCC-CSM2-MR	2015—2100年	25 km
实际蒸散发	Terraclimate	再分析数据产品	1980—2014年	4 km×4 km
实际蒸散发	CMIP6	BCC-CSM2-MR	2015—2100年	25 km
径流	Terraclimate	再分析数据产品	1980—2014年	4 km×4 km
径流	CMIP6	MRI-ESM2-0	2015—2100年	100 km
土壤水	Terraclimate	再分析数据产品	1980—2014年	4 km×4 km
土壤水	CMIP6	BCC-CSM2-MR	2015—2100年	25 km
土壤温度	Copernicus Climate Change Service	再分析数据产品	1980—2014年	0.1°×0.1°
土壤温度	CMIP6	CESM2-WACCM	2015—2100年	50 km
归一化植被指数	美国国家海洋和大气管理局（NOAA）	卫星观测产品	1980—2014年	0.2°×0.2°
叶面积指数	CMIP6	BCC-CSM2-MR	2015—2100年	25 km
土地利用协调	Land-Use Harmonization²	LUH2 v2h High	1980—2014年	0.25°×0.25°
土地利用协调	Land-Use Harmonization²	LUH2 v2f	2015—2100年	0.25°×0.25°
全球河流流域	HydroSHEDS	矢量数据集	—	矢量数据
全球岩性	GLiM（Global Lithological Map）	岩性数据集	—	0.5°×0.5°

表1 1980—2010年采样点的水化学数据信息

Table 1 Water chemistry data of sampling sites from 1980 to 2010

数据类型	来源	气候模型/数据产品	时间尺度	空间分辨率
离子浓度［Ca²⁺、Mg²⁺、Na⁺、Alkalinity（HCO $3 -$ 和CO $3 2 -$ ）、SO $4 2 -$ 和Cl^-］	GLOBAL River Chemistry Database	观测数据集	1980—2010年	Grid Data
温度	Terraclimate	再分析数据产品	1980—2014年	4 km×4 km
温度	CMIP6	BCC-CSM2-MR	2015—2100年	25 km
降水	Terraclimate	再分析数据产品	1980—2014年	4 km×4 km
降水	CMIP6	BCC-CSM2-MR	2015—2100年	25 km
风速	Terraclimate	再分析数据产品	1980—2014年	4 km×4 km
风速	CMIP6	BCC-CSM2-MR	2015—2100年	25 km
实际蒸散发	Terraclimate	再分析数据产品	1980—2014年	4 km×4 km
实际蒸散发	CMIP6	BCC-CSM2-MR	2015—2100年	25 km
径流	Terraclimate	再分析数据产品	1980—2014年	4 km×4 km
径流	CMIP6	MRI-ESM2-0	2015—2100年	100 km
土壤水	Terraclimate	再分析数据产品	1980—2014年	4 km×4 km
土壤水	CMIP6	BCC-CSM2-MR	2015—2100年	25 km
土壤温度	Copernicus Climate Change Service	再分析数据产品	1980—2014年	0.1°×0.1°
土壤温度	CMIP6	CESM2-WACCM	2015—2100年	50 km
归一化植被指数	美国国家海洋和大气管理局（NOAA）	卫星观测产品	1980—2014年	0.2°×0.2°
叶面积指数	CMIP6	BCC-CSM2-MR	2015—2100年	25 km
土地利用协调	Land-Use Harmonization²	LUH2 v2h High	1980—2014年	0.25°×0.25°
土地利用协调	Land-Use Harmonization²	LUH2 v2f	2015—2100年	0.25°×0.25°
全球河流流域	HydroSHEDS	矢量数据集	—	矢量数据
全球岩性	GLiM（Global Lithological Map）	岩性数据集	—	0.5°×0.5°

表2 随机森林模型在10折交叉验证下的预测精度评估结果

Table 2 Performance of the random forest models evaluated using 10-fold cross-validation

离子类型	样本点数/个	种子数/个	R²	RMSE	MAE
Alkalinity	9 247	40	0.94	0.002	0.000 6
Ca²⁺	8 446	40	0.90	0.037	0.015 3
Cl^-	8 830	40	0.85	0.004	0.001 3
SO $4 2 -$	8 891	40	0.86	0.002	0.000 6
Mg²⁺	8 212	40	0.94	0.001	0.000 3
K⁺	7 900	40	0.78	0.0001	0.000 04
Na⁺	7 976	40	0.80	0.008	0.002 4

表2 随机森林模型在10折交叉验证下的预测精度评估结果

Table 2 Performance of the random forest models evaluated using 10-fold cross-validation

离子类型	样本点数/个	种子数/个	R²	RMSE	MAE
Alkalinity	9 247	40	0.94	0.002	0.000 6
Ca²⁺	8 446	40	0.90	0.037	0.015 3
Cl^-	8 830	40	0.85	0.004	0.001 3
SO $4 2 -$	8 891	40	0.86	0.002	0.000 6
Mg²⁺	8 212	40	0.94	0.001	0.000 3
K⁺	7 900	40	0.78	0.0001	0.000 04
Na⁺	7 976	40	0.80	0.008	0.002 4

表3 1980—2010年岩石化学风化离子通量（ICWR）的校正系数表

Table 3 Correction coefficients for Ionic fluxes derived from Chemical Weathering of Rocks （ICWR） during 1980-2010

离子	F_sim（本文）/（×10⁹ Mg/a）	F_obs（Lechuga-Crespo）/（×10⁹ Mg/a）	校正系数α_x
Alkalinity	2.218	2.139	0.964
Ca²⁺	0.913	0.477	0.522
Mg²⁺	0.397	0.119	0.300
Na⁺	0.604	0.202	0.334
K⁺	0.103	0.027	0.262
SO $4 2 -$	1.091	0.490	0.449
Cl^-	0.453	0.024	0.053

表3 1980—2010年岩石化学风化离子通量（ICWR）的校正系数表

Table 3 Correction coefficients for Ionic fluxes derived from Chemical Weathering of Rocks （ICWR） during 1980-2010

离子	F_sim（本文）/（×10⁹ Mg/a）	F_obs（Lechuga-Crespo）/（×10⁹ Mg/a）	校正系数α_x
Alkalinity	2.218	2.139	0.964
Ca²⁺	0.913	0.477	0.522
Mg²⁺	0.397	0.119	0.300
Na⁺	0.604	0.202	0.334
K⁺	0.103	0.027	0.262
SO $4 2 -$	1.091	0.490	0.449
Cl^-	0.453	0.024	0.053

表4 全球岩石化学风化离子通量（ICWR）总量不确定性传播估算

Table 4 Uncertainty propagation estimation of the global total Ionic fluxes derived from Chemical Weathering of Rocks （ICWR）

离子	$F x$ /（×10⁹ Mg/a）	权重W_x	R²	相对误差ε_x /%	（W_x ε_x）²
Alkalinity	2.218	0.384	0.94	5	0.000 37
SO $4 2 -$	1.091	0.189	0.86	6	0.000 13
Ca²⁺	0.913	0.158	0.9	6	0.000 09
Na⁺	0.604	0.104	0.8	7	0.000 05
Cl^-	0.453	0.078	0.85	7	0.000 03
Mg²⁺	0.397	0.069	0.94	5	0.000 01
K⁺	0.103	0.018	0.78	8	0.000 002

表4 全球岩石化学风化离子通量（ICWR）总量不确定性传播估算

Table 4 Uncertainty propagation estimation of the global total Ionic fluxes derived from Chemical Weathering of Rocks （ICWR）

离子	$F x$ /（×10⁹ Mg/a）	权重W_x	R²	相对误差ε_x /%	（W_x ε_x）²
Alkalinity	2.218	0.384	0.94	5	0.000 37
SO $4 2 -$	1.091	0.189	0.86	6	0.000 13
Ca²⁺	0.913	0.158	0.9	6	0.000 09
Na⁺	0.604	0.104	0.8	7	0.000 05
Cl^-	0.453	0.078	0.85	7	0.000 03
Mg²⁺	0.397	0.069	0.94	5	0.000 01
K⁺	0.103	0.018	0.78	8	0.000 002

表5 1980—2100年岩石化学风化离子的总量估算 (×10⁹ Mg/a)

Table 5 Estimation of total ionic fluxes from rock chemical weathering during 1980-2100

时间	Alkalinity	Ca²⁺	Cl^-	K⁺	Mg²⁺	Na⁺	SO $4 2 -$	Z（Σions）	不确定（±6%）
1980—2010年	2.218	0.913	0.453	0.103	0.397	0.604	1.091	5.779	±0.347
2010—2100年（SSP1-2.6）	2.251	1.029	0.552	0.115	0.434	0.624	1.152	6.157	±0.369
2010—2100年（SSP5-8.5）	2.369	1.095	0.601	0.126	0.469	0.676	1.254	6.590	±0.395

表5 1980—2100年岩石化学风化离子的总量估算 (×10⁹ Mg/a)

Table 5 Estimation of total ionic fluxes from rock chemical weathering during 1980-2100

时间	Alkalinity	Ca²⁺	Cl^-	K⁺	Mg²⁺	Na⁺	SO $4 2 -$	Z（Σions）	不确定（±6%）
1980—2010年	2.218	0.913	0.453	0.103	0.397	0.604	1.091	5.779	±0.347
2010—2100年（SSP1-2.6）	2.251	1.029	0.552	0.115	0.434	0.624	1.152	6.157	±0.369
2010—2100年（SSP5-8.5）	2.369	1.095	0.601	0.126	0.469	0.676	1.254	6.590	±0.395

图2 不同岩性在历史期及未来SSP1-2.6和SSP5-8.5情景产生的主要离子通量
岩性类型包括EV（蒸发岩）、MT（变质岩）、SC（碳酸盐沉积岩）、SS（硅质碎屑沉积岩）、SM（混合沉积岩）、VA（酸性火山岩）和VB（基性火山岩）。

Fig. 2 Major ionic fluxes produced by different lithologies during the historical period and under the SSP1-2.6 and SSP5-8.5 scenarios
The lithological types include EV （Evaporites）， MT （Metamorphic rocks）， SC （Carbonate Sedimentary rocks）， SS （Siliciclastic Sedimentary rocks）， SM （Mixed Sedimentary rocks）， VA （Acidic Volcanic rocks）， and VB （Basic Volcanic rocks）.

图3 岩石化学风化离子通量（ICWR）在历史期（1980—2010年）和未来期（2010—2100年）下的时间变化趋势

Fig. 3 Temporal trends of Ionic fluxes derived from Chemical Weathering of Rocks （ICWR） during the historical period （1980-2010） and the future period （2010-2100）

图4 1980—2010年岩石化学风化离子通量的空间演变趋势

Fig. 4 Spatial evolution of Ionic fluxes derived from Chemical Weathering of Rocks （ICWR） from 1980 to 2010

图5 1980—2100年岩石化学风化离子通量的空间演变趋势（SSP1-2.6情景）

Fig. 5 Spatial evolution of Ionic fluxes derived from Chemical Weathering of Rocks （ICWR） from 1980 to 2100 under the SSP1-2.6 scenario

图6 1980—2100年岩石化学风化离子通量的空间演变趋势（SSP5-8.5情景）

Fig. 6 Spatial evolution of Ionic fluxes derived from Chemical Weathering of Rocks （ICWR） from 1980 to 2100 under the SSP5-8.5 scenario

图7 岩石化学风化离子通量与实际蒸散发之间偏相关系数的空间分布
仅显示通过显著性检验（P≤0.05）的区域；AET为实际蒸散发。

Fig. 7 Spatial distribution of the partial correlation coefficients between Ionic fluxes derived from Chemical Weathering of Rocks （ICWR） and actual evapotranspiration
Only statistically significant regions （P≤0.05） are displayed； AET： Actual Evapotranspiration.

图8 岩石化学风化离子通量与降水之间偏相关系数的空间分布
仅显示通过显著性检验（P≤0.05）的区域；PPT为降水。

Fig. 8 Spatial distribution of the partial correlation coefficients between Ionic fluxes derived from Chemical Weathering of Rocks （ICWR） and precipitation
Only statistically significant regions （P≤0.05） are displayed； PPT： Precipitation.

图9 岩石化学风化离子通量与温度平均值之间偏相关系数的空间分布
仅显示通过显著性检验（P≤0.05）的区域；TAV为温度平均值。

Fig. 9 Spatial distribution of the partial correlation coefficients between Ionic fluxes derived from Chemical Weathering of Rocks （ICWR） and temperature average value
Only statistically significant regions （P≤0.05） are displayed； TAV： Temperature Average Value.

图10 气候变化因子对岩石化学风化离子通量的相对贡献率

Fig. 10 Relative contributions of climate changes to Ionic fluxes derived from Chemical Weathering of Rocks （ICWR）

表6 本文与其他研究的岩石化学风化离子通量计算结果的比较 (×10⁹ Mg/a)

Table 6 Comparison of the Ionic fluxes derived from Chemical Weathering of Rocks （ICWR） calculations in this study with those of other studies

离子类型	Probst（1992）^［16］	Lechuga-Crespo等（2020）^［18］					Gong等（2023）^［15］	本文
离子类型	Probst（1992）^［16］	M1	M2	M3	M4	M5	1980—2010年	1980—2100年（SSP1-2.6）	1980—2100年（SSP5-8.5）
Ca²⁺	0.51	0.374	0.484	0.428	0.527	0.477	0.892	1.029	1.095
Mg²⁺	0.141	0.100	0.121	0.107	0.132	0.119	0.309	0.434	0.467
K⁺	0.073	0.025	0.029	0.024	0.031	0.027	0.114	0.115	0.126
Na⁺	0.211	0.223	0.202	0.176	0.221	0.202	0.489	0.624	0.676
SO $4 2 -$	0.355	0.401	0.500	0.465	0.545	0.49	0.774	1.152	1.254
Cl^-	0.223	0.246	0.263	0.221	0.287	0.024	0.410	0.552	0.601
Alkalinity	2.013	1.815	2.234	1.954	2.434	2.139	2.414	2.251	2.367
ICWR总量	3.526	3.184	3.833	3.375	4.177	3.478	5.402	6.157	6.586

表6 本文与其他研究的岩石化学风化离子通量计算结果的比较 (×10⁹ Mg/a)

Table 6 Comparison of the Ionic fluxes derived from Chemical Weathering of Rocks （ICWR） calculations in this study with those of other studies

离子类型	Probst（1992）^［16］	Lechuga-Crespo等（2020）^［18］					Gong等（2023）^［15］	本文
离子类型	Probst（1992）^［16］	M1	M2	M3	M4	M5	1980—2010年	1980—2100年（SSP1-2.6）	1980—2100年（SSP5-8.5）
Ca²⁺	0.51	0.374	0.484	0.428	0.527	0.477	0.892	1.029	1.095
Mg²⁺	0.141	0.100	0.121	0.107	0.132	0.119	0.309	0.434	0.467
K⁺	0.073	0.025	0.029	0.024	0.031	0.027	0.114	0.115	0.126
Na⁺	0.211	0.223	0.202	0.176	0.221	0.202	0.489	0.624	0.676
SO $4 2 -$	0.355	0.401	0.500	0.465	0.545	0.49	0.774	1.152	1.254
Cl^-	0.223	0.246	0.263	0.221	0.287	0.024	0.410	0.552	0.601
Alkalinity	2.013	1.815	2.234	1.954	2.434	2.139	2.414	2.251	2.367
ICWR总量	3.526	3.184	3.833	3.375	4.177	3.478	5.402	6.157	6.586

[1]	Gaillardet J， Dupré B， Louvat P， et al. Global silicate weathering and CO₂ consumption rates deduced from the chemistry of large rivers［J］. Chemical Geology， 1999， 159（1/2/3/4）： 3-30.
[2]	Hindshaw R S， Tipper E T， Reynolds B C， et al. Hydrological control of stream water chemistry in a glacial catchment （Damma Glacier， Switzerland）［J］. Chemical Geology， 2011， 285（1/2/3/4）： 215-230.
[3]	Stallard R F， Edmond J M. Geochemistry of the Amazon： 2. the influence of geology and weathering environment on the dissolved load［J］. Journal of Geophysical Research： Oceans， 1983， 88（C14）： 9 671-9 688.
[4]	Meybeck M. Global occurrence of major elements in rivers ［J］. Geochemistry of Earth Surface Systems： A Derivative of the Treatise on Geochemistry， 2010，5： 207-233.
[5]	Kemeny P C， Torres M A， Lamb M P， et al. Organic sulfur fluxes and geomorphic control of sulfur isotope ratios in rivers［J］. Earth and Planetary Science Letters， 2021， 562： 116838.
[6]	Walker J C G， Hays P B， Kasting J F. A negative feedback mechanism for the long-term stabilization of Earth’s surface temperature［J］. Journal of Geophysical Research： Oceans， 1981， 86（C10）： 9 776-9 782.
[7]	Li H W， Wang S J， Bai X Y， et al. Spatiotemporal distribution and national measurement of the global carbonate carbon sink［J］. Science of the Total Environment， 2018， 643： 157-170.
[8]	Xu Y F， Liu W J， Xu B， et al. Riverine sulfate sources and behaviors in arid environment， northwest China： constraints from sulfur and oxygen isotopes［J］. Journal of Environmental Sciences， 2024， 137： 716-731.
[9]	Sioli H. Hydrochemistry and geology in the Brazilian Amazon region ［J］. Amazoniana， 1968， 1（3）： 267-77.
[10]	Gibbs R J. Mechanisms controlling world water chemistry［J］. Science， 1970， 170（3 962）： 1 088-1 090.
[11]	Moon S， Huh Y， Qin J H， et al. Chemical weathering in the Hong （Red） River basin： rates of silicate weathering and their controlling factors［J］. Geochimica et Cosmochimica Acta， 2007， 71（6）： 1 411-1 430.
[12]	Gislason S R， Arnorsson S， Armannsson H. Chemical weathering of basalt in southwest Iceland： effects of runoff， age of rocks and vegetative/glacial cover［J］. American Journal of Science， 1996， 296（8）： 837-907.
[13]	Beaulieu E， Goddéris Y， Donnadieu Y， et al. High sensitivity of the continental-weathering carbon dioxide sink to future climate change［J］. Nature Climate Change， 2012， 2（5）： 346-349.
[14]	Tipper E T， Lemarchand E， Hindshaw R S， et al. Seasonal sensitivity of weathering processes： hints from magnesium isotopes in a glacial stream［J］. Chemical Geology， 2012， 312： 80-92.
[15]	Gong S H， Bai X Y， Luo G J， et al. Climate change has enhanced the positive contribution of rock weathering to the major ions in riverine transport［J］. Global and Planetary Change， 2023， 228： 104203.
[16]	Probst J L. Géochimie et hydrologie de l’érosion continentale. Mécanismes， bilan global actuel et fluctuations au cours des 500 derniers millions d’années ［M］. Strasbourg： Université Louis Pasteur， 1992.
[17]	Gong S H， Wang S J， Bai X Y， et al. Response of the weathering carbon sink in terrestrial rocks to climate variables and ecological restoration in China［J］. Science of the Total Environment， 2021， 750： 141525.
[18]	Lechuga-Crespo J L， Sánchez-Pérez J M， Sauvage S， et al. A model for evaluating continental chemical weathering from riverine transports of dissolved major elements at a global scale［J］. Global and Planetary Change， 2020， 192： 103226.
[19]	Hartmann J， Lauerwald R， Moosdorf N. A brief overview of the GLObal RIver CHemistry database， GLORICH［J］. Procedia Earth and Planetary Science， 2014， 10： 23-27.
[20]	Abatzoglou J T， Dobrowski S Z， Parks S A， et al. TerraClimate， a high-resolution global dataset of monthly climate and climatic water balance from 1958-2015［J］. Scientific Data， 2018， 5： 170191.
[21]	Sabater M. ERA5-land monthly averaged data from 1981 to present， Copernicus Climate Change Service （C3S） Climate Data Store （CDS）［J］. Earth System Science Data， 2019， 55： 567.
[22]	Pinzon J， Tucker C. A non-stationary 1981-2012 AVHRR NDVI₃g time series［J］. Remote Sensing， 2014， 6（8）： 6 929-6 960.
[23]	Tucker C J， Pinzon J E， Brown M E， et al. An extended AVHRR 8-km NDVI dataset compatible with MODIS and SPOT vegetation NDVI data［J］. International Journal of Remote Sensing， 2005， 26（20）： 4 485-4 498.
[24]	Lehner B， Verdin K， Jarvis A. New global hydrography derived from spaceborne elevation data［J］. Eos， Transactions American Geophysical Union， 2008， 89（10）： 93-94.
[25]	Hartmann J， Moosdorf N. The new global lithological map database GLiM： a representation of rock properties at the Earth surface［J］. Geochemistry， Geophysics， Geosystems， 2012， 13（12）： 2012GC004370.
[26]	Eyring V， Bony S， Meehl G A， et al. Overview of the Coupled Model Intercomparison Project Phase 6 （CMIP6） experimental design and organization［J］. Geoscientific Model Development， 2016， 9（5）： 1 937-1 958.
[27]	Zhou Z H. Machine learning［M］. Singapore： Springer Singapore， 2021.
[28]	Tran T T， Phan N Q， Huynh H X. Random forest model parameters optimization［M］// Intelligent systems and data science. Singapore： Springer Nature， 2024： 237-247.
[29]	Kaiser C， Meuer K， Welp M， et al. Evaluating agroecological practices using the FAO TAPE （tool for agroecological performance evaluation）： a case study of the Lake Bosomtwe Biosphere Reserve， Ghana［J］. Frontiers in Sustainable Food Systems， 2026， 10： 1665695.
[30]	Ludwig W， Amiotte-Suchet P， Probst J L. Enhanced chemical weathering of rocks during the Last Glacial Maximum： a sink for atmospheric CO₂？［J］. Chemical Geology， 1999， 159（1/2/3/4）： 147-161.
[31]	Dhawan P， Dalla Torre D， Niazkar M， et al. A comprehensive comparison of bias correction methods in climate model simulations： application on ERA5-Land across different temporal resolutions［J］. Heliyon， 2024， 10（23）： e40352.
[32]	Taylor J R， Thompson W. An introduction to error analysis： the study of uncertainties in physical measurements［J］. Physics Today， 1998， 51（1）： 57-58.
[33]	Zhang J P， Zhang L B， Xu C， et al. Vegetation variation of mid-subtropical forest based on MODIS NDVI data： a case study of Jinggangshan City， Jiangxi Province［J］. Acta Ecologica Sinica， 2014， 34（1）： 7-12.
[34]	Pohlert T， Hillebrand G， Breitung V. Trends of persistent organic pollutants in the suspended matter of the River Rhine［J］. Hydrological Processes， 2011， 25（24）： 3 803-3 817.
[35]	Li Z L， Bai X Y， Tan Q， et al. Dryness stress weakens the sustainability of global vegetation cooling［J］. Science of the Total Environment， 2024， 909： 168474.
[36]	Chen C， Li D， Li Y， et al. Biophysical impacts of Earth greening largely controlled by aerodynamic resistance［J］. Science Advances， 2020， 6（47）： eabb1981.
[37]	Mackenzie F T， Garrels R. Evolution of sedimentary rocks ［M］. New York：Norton， 1971.
[38]	Suchet P A， Probst J L. A global model for present-day atmospheric/soil CO₂ consumption by chemical erosion of continental rocks （GEM-CO₂）［J］. Tellus B， 1995， 47（1/2）： 273-280.
[39]	Knapp W J， Tipper E T. The efficacy of enhancing carbonate weathering for carbon dioxide sequestration［J］. Frontiers in Climate， 2022， 4： 928215.
[40]	Jamal K， Li X， Chen Y Y， et al. Bias correction and projection of temperature over the altitudes of the Upper Indus Basin under CMIP6 climate scenarios from 1985 to 2100［J］. Journal of Water and Climate Change， 2023， 14（7）： 2 490-2 514.
[41]	Ali Z， Hamed M M， Muhammad M K I， et al. A novel approach for evaluation of CMIP6 GCMs in simulating temperature and precipitation extremes of Pakistan［J］. International Journal of Climatology， 2024， 44（2）： 592-612.
[42]	Cook K H， Vizy E K. Hydrodynamics of regional and seasonal variations in Congo Basin precipitation［J］. Climate Dynamics， 2022， 59（5/6）： 1 775-1 797.
[43]	Cowan D A， Lebre P H， Amon C， et al. Biogeographical survey of soil microbiomes across sub-Saharan Africa： structure， drivers， and predicted climate-driven changes［J］. Microbiome， 2022， 10： 131.
[44]	Akinola O O， Ola Olorum O A. Dispersion of trace elements as consequence of insitu weathering in granite-derived tropical soils in southwestern Nigeria［J］. International Journal of Research and Innovation in Applied Science， 2022， 7（10）： 87-93.
[45]	An Zhengtao， Wei Yongping. Australian wetland water environment management and technology dynamic integration［J］. Advances in Earth Science， 2016， 31（2）： 213-224.
	安正韬， Wei Yongping. 澳大利亚湿地水环境管理和技术的有机结合［J］. 地球科学进展， 2016， 31（2）： 213-224.
[46]	Bufe A， Hovius N， Emberson R， et al. Co-variation of silicate， carbonate and sulfide weathering drives CO₂ release with erosion［J］. Nature Geoscience， 2021， 14（4）： 211-216.

[1]	崔天瑞, 梁鹏斌, 张乐乐, 田立德, 高永鹏, 牟建新. 融合OGGM模型与探地雷达数据的羌塘2号冰川厚度分布模拟及冰储量变化预估[J]. 地球科学进展, 2026, 41(3): 301-312.
[2]	罗栋梁, 刘佳, 李晓英, 杜柯飞, 金会军, 陈方方, OLGA Makarieva, 王青志. 气候变化下冰椎演化及其水文生态与灾害效应[J]. 地球科学进展, 2025, 40(8): 767-777.
[3]	陈心怡, 崔腾飞, 潘忆遥, 陈一帆, 李紫函, 伏钱琛, 杨瑞强. 北极陆地环境新型有机污染物的传输及其影响[J]. 地球科学进展, 2025, 40(8): 831-846.
[4]	何春阳, 刘小平, 王伟, 黄庆旭, 刘志锋, 廖威林, 朱国梁. 全球城镇化趋势及其对气候变化的影响[J]. 地球科学进展, 2025, 40(6): 577-591.
[5]	张井勇, 杨占梅, 吴凌云. 夏季极端高温预测模型系统及实际应用[J]. 地球科学进展, 2025, 40(5): 516-524.
[6]	谢思敏, 杜志恒, 王磊, 严芳萍, 崔浩, 陶长廉, 杨佼, 吴通华, 效存德. 北极海底冻土变化特征与温室气体研究进展[J]. 地球科学进展, 2025, 40(4): 360-373.
[7]	向书旗, 陈静, 游超. 中国植被火燃烧格局与展望[J]. 地球科学进展, 2025, 40(2): 207-220.
[8]	龚相文, 李玉强, 王旭洋, 姚博, 连杰, 陈云. 近20年科尔沁地区植被净初级生产力时空动态及其影响因素定量评估[J]. 地球科学进展, 2025, 40(12): 1333-1349.
[9]	王怀海, 宋兆斌, 乔静娟, 张晓雪, 汪正蛟一, 郝芳唯, 左小安. 草原生态系统植物群落稳定性及其影响机制研究进展[J]. 地球科学进展, 2025, 40(11): 1166-1182.
[10]	张井勇. 面向碳中和的气候变化预估与风险研究新框架[J]. 地球科学进展, 2025, 40(1): 15-20.
[11]	陈梦佳, 白炜, 张成铭, 刘文艳, 高泽永. 多年冻土区热喀斯特湖水—热—碳循环过程研究进展[J]. 地球科学进展, 2025, 40(1): 82-98.
[12]	袁星, 周诗玙, 马凤, 王钰淼, 郝奕, 梁妙玲, 陈李楠. 气候和下垫面变化下骤旱形成演变机制研究进展[J]. 地球科学进展, 2024, 39(9): 877-888.
[13]	魏泽勋, 徐腾飞, 方越, 王晶, 秦秉斌, 胡石建, 李颖, 聂珣炜, 张志祥, 李志, 曹智勇, 马强. 热带太平洋—印度洋洋际交换及其气候效应的观测研究[J]. 地球科学进展, 2024, 39(8): 788-800.
[14]	刘锦波, 张勇, 刘时银, 王欣, 蒋宗立. 青藏高原及周边石冰川识别、冰储量及动力学过程研究进展[J]. 地球科学进展, 2024, 39(4): 391-404.
[15]	倪杰, 吴通华, 张雪, 朱小凡, 陈杰, 杜宜臻. 1979—2022年三江源地区大气冻融指数时空变化特征分析[J]. 地球科学进展, 2024, 39(12): 1299-1310.

阅读次数

全文

摘要

选择文件类型/文献管理软件名称

选择包含的内容

High-Resolution Assessment of Spatiotemporal Variations in Global Ionic Fluxes from Rock Chemical Weathering During 1980-2100

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

High-Resolution Assessment of Spatiotemporal Variations in Global Ionic Fluxes from Rock Chemical Weathering During 1980-2100