提出的结果基于全球土地 - 大气耦合实验 - 耦合模型比较项目阶段5（GLACE-CMIP5）数值实验6。该模型实验最初旨在研究历史和未来情况下的土壤水分 - 气候反馈机制，尤其是它们对极端热量事件的影响6。它的实验设计灵感来自原始的GLACE实验43，该设计的重点是土壤水分在季节性天气可预测性中的作用。六个ESM用于全球气候模拟：社区气候系统4模型（CCSM4），欧洲社会ESM（EC-ERTH），欧洲中心/汉堡6（ECHAM6），地球物理动力学实验室模型（GFDL），Institut Pierre-Simon Laplace Laplace Model（IPSLAPLACE MODED（IPSLATER）和澳大利亚社区（IPS）和澳大利亚社区（IPS）和澳大利亚人（IPS）和澳大利亚人（IPS）和澳大利亚人（Ips）和澳大利亚人（Ips）和澳大利亚人（Ips）和澳大利亚杂物（IPERATER CLATER）和澳大利亚杂物。碳通量的模型输出仅适用于四种模型（CCSM4，ECHAM6，GFDL和IPSL），并且某些变量的可用性在某些情况下受到限制（补充表4），这解释了为什么不能使用所有模型进行某些分析（例如，图1C）。

　　对照（CTL）和土壤水分（实验A）实验包括大气 - 领域仿真（扩展数据2），使用规定的SST，海冰，土地使用和大气CO2浓度来自该模型的每个模型完全耦合的参考CMIP5运行（在其中使用CCSM4除外，该参考CMIP5运行自身都使用了CCSM4除外。与所谓的“离线”模拟不同，在该模拟中，陆地表面模型由固定的气象强迫驱动，耦合模拟可以解决土地和大气之间的水和能量交流，从而使土地过程能够回到大气中并在本地影响它。模型模拟涵盖了自1950年和21世纪以来的历史时期（RCP8.5场景）。记录控制实验的更多详细信息，包括大气和土地模型组件的描述，请参见Seneviratne等人6。CTL和实验之间的唯一强制差异是模拟的是土壤水分变异性。在实验A中，根据1971 - 2000年期间的控制运行计算的参考气候学（季节性周期）规定了土壤水分（图1）。因此，两个模拟之间的主要区别（在气候时间尺度上）与土壤水分的变化有关。值得注意的是，在更精细的，气象，时间尺度（例如，每日时间序列），通用循环模型固有的内部变异性也将导致两个模拟之间的差异。

　　处方土壤水分意味着水平衡不一定是保守的。对这种与社区地球系统模型（CESM）50的不平衡的研究表明，全球范围 +8％（相对于年度平均降水量）的净失衡（即所有添加水和减法的总和）与土地蒸发的总体增加有关。我们注意到，在某些特定区域，与去除的（负失衡）相比，添加水的水可能少，并且由于抑制的LAC被抑制，在两种情况下都发现极端温度均降低（正或负失衡）。尽管对全球平均降水量没有明显影响，但降水分布有一些变化（例如，极端事件比热带事件增加了）。我们期望CTL和实验A之间的降水变化会对碳通量产生任何影响（因为规定了土壤水分）。

　　为了启用一致的比较，我们使用保守的重新放置并计算每月平均值将所有模型输出重新网格重新网格为2°的共同分辨率。此处介绍的整个分析集中在1960 - 2005年期间的IAV上。我们注意到，VPD首先是根据温度和相对湿度的平均值计算得出的，然后将平均每月平均。IAV对应于去除季节周期后剩余的信号，以及每月的任何长期线性趋势（减去每个月的长期趋势）。对于ECHAM6模型，在整个分析中丢弃了位于藏族高原中的两个网格细胞，因为实验A中存在虚假的尖峰。尽管这项工作着重于异常（即与季节周期的偏差），但我们也说明了在CTL和实验A中模拟的NBP，GPP和呼吸和干扰的季节性循环图7。对于完整性，我们还提供了全球平均水平，温度，VPD和辐射iav的全球时间序列，相似的图1）。

　　我们根据补充图2中的可用观察结果评估了NBP，土壤水分，温度和VPD的模拟IAV。6，9-11。对于NBP IAV（补充图6），我们注意到，尽管存在NBP变异性的观察性估计值，但它们彼此不太同意，反映了我们对全球净碳通量的有限了解52,53（补充图6G，“ obs vs vs obs”）。为了关注这些观察数据集在全球更可靠的时间段，我们将Fluxcom RS+Meteo数据集的1980 - 2010年期用于CAMS大气CO2倒置的2000- 2018年期间。我们表明，模型与这些观察性估计值相关，就像观察结果本身相互关联（补充图6G，“模型vs obs”）。我们还发现，在总体（降低）NBP IAV振幅上几乎没有共识。不同模型的全球平均NBP标准偏差范围从CCSM4的每年0.86碳（PG C YR -1）到GFDL的2.76 pg c yr -1。在与观测产品进行比较（补充图6H）时，我们发现 - 众所周知，该cams大气CO2倒置53的标准磁通量RS+Meteo（已知低估了全球NBP IAV52），该值表明值为0.68 pg c Yr -1，而用于全球动态蔬菜模型为0.68 pg C YR -1。因此，某些模型（尤其是GFDL）似乎高估了整体NBP的可变性。但是，无论它们与观测值或其他估计值有多近，所有模型都一致认为，在规定土壤水分时，全局NBP方差降低了约90％，并且间接影响主导了这一响应（图1、3）。

　　我们评估了IAV的空间模式，用于补充无花果中的可用观察数据集，以用于土壤水分，温度和VPD。9–11。模拟的土壤水分IAV模式与ERA5-陆重新分析的总土壤水分相当一致，并与ESA CCI组合产品v4.555的浅土壤水分（5-10 cm深度）的卫星观察结果（补充图9）。关于温度和VPD IAV，我们发现模型和观察源56,57是合理的一致性（补充图10，11）。最后，我们还评估了全球长期平均GPP的空间模式，可以说，这比长期平均NBP更好地限制了观察结果。我们发现，这些模型在空间模式方面与观测数据52,58非常吻合（补充图12）。对于全球平均GPP，两个模型产生了相对较高的全球平均GPP（约为150 pg c yr -1）。但是，根据其他基于卫星的估计值（例如，Joiner等人59报告140 pg c yr-1）并不完全是不现实的。

　　在图2中。2，3我们通过Jung等人2重现了该方法，该方法由NBP模型输出的本地月线性回归组成，以针对主要的气象驱动器（也被估算和降低）：

　　其中s是空间指数（网格点），m是月指数（1至12），而β是回归系数。NBP，SM，T，VPD和R是N×1向量，其中N是年数；NBP表示净生物群体产生异常，SM表示总土壤水分异常，T表示2-m的空气温度异常，VPD表示蒸气压力缺陷异常，R是表面向下太阳辐射异常。在主要文本中，公式（1）的四个组成部分被提及使用更紧凑的符号：

　　其中NBPSM，NBPT，NBPVPD和NBPR对应于土壤驱动的，温度驱动的，VPD驱动和辐射驱动的NBP，NBP*是回归的总体结果。该回归应用于CTL，并分别实验A模拟（每个回归都使用适当的符号或）。在图2b，c中，通过减去等式（2）组件的标准偏差（例如，）来计算年度NBP变异性的差异。

　　因为这种统计方法没有将NBP变异性的其他潜在来源纳入解释变量（尤其是生态系统内存，但也可以发射），并且只能在给定月份内捕获线性关系，因此不应期望它捕获ESM输出的全部复杂性。我们的评估表明，这种方法能够在全局（补充图1、2）和局部（补充图3）量表上重现正确的NBP IAV，尽管由于上述原因，总体NBP的可变性通常被低估了。我们还将这种统计方法应用于NBP通量的两个完全独立的观察估计。我们在1981 - 201052年期间使用Fluxcom RS+Meteo数据集（GSWP3版本），该时期是基于机器学习的磁通塔测量值的高尺度上的放大尺寸，而CAMS V18R3 DataSet53（在2000 - 2018年期间，这是一个大气CO2倒置）。我们发现，不同驱动程序之间全局NBP IAV的总体分区与模型的建议相似（扩展数据图8）。回归复制这些观察性估计值的能力在补充图13中显示了Fluxcom，灵敏度分析能够完美地捕获变异性。这是可能的，因为我们使用与机器学习算法所使用的预测指标相同（即GSWP3气象强迫60）。结果，Fluxcom NEE及其预测因子之间存在完美的内部一致性。但是，对于CAM倒置，这种内部一致性不存在。使用ERE5-LAND54土壤水分，温度，VPD和辐射作为预测因素，我们发现敏感性分析与模型相对吻合，尽管它低估了全球尺度上CAMS NBP异常的大小。在局部，此回归表现良好（补充图13F）， 然而，当考虑区域NBP异常的高度不确定性时，这是一个合理的结果。

　　这项工作特别有趣的是CTL和实验A之间NBP方差的差异（图2A）。我们发现，通过对四个模型中的三个的灵敏度分析，可以很好地再现这种差异（补充图4）。对于CCSM4模型而言，差异被低估了，但这似乎是相当统一的，并且保留了大多数空间模式（因此，从回归中估计的CTL和实验之间NBP方差的比率接近实际情况；请参见补充表3）。对回归残差的仔细检查表明，生态系统记忆和滞后效应（无法通过等式（1）捕获）对于此模型可能尤其重要。有趣的是，对于某些模型（例如GFDL），当规定了季节性土壤水分时，NBP方差也可以在本地增加（补充图4）。这仅发生在几个干旱地区，这些区域在控制模拟中几乎没有NBP变异性，而土壤水分极低，除了偶尔的潮湿年份。在这些区域开出平均季节性土壤水分会导致每年可用的少量土壤水（而不是每隔几年），这会增加整体NBP的可变性。

　　最后，测试了方程式（1）的几种替代配方。所选公式（公式（1））是最能重现模型NBP输出的公式。潜在的替代配方可能仅使用（i）仅使用土壤水分，温度和辐射，如Jung等2所示；（ii）包括温度和土壤水分而不是VPD之间的相互作用项；（iii）用相对湿度代替VPD。使用这三种替代配方中的任何一个都不会影响研究的主要发现，也就是说，大多数全球NBP变异性都是由间接土壤水分效应驱动的（参见补充图5、14、15）。

　　在图2中。2，3温度和VPD的贡献表示为总和（NBPT＆VPD = NBPT+NBPVPD）。这是因为温度和VPD在一定程度上相关（VPD是根据温度和相对湿度计算的），因此在某些情况下，灵敏度分析将NBP异常归因于这两个变量之一（即温度与VPD）的能力可能受到限制。我们通过分析这两个变量的联合贡献来认识到这种潜在的局限性。为了完整性，在扩展数据图2中也说明了个体贡献。4，5。随着上述警告的扩展数据图4显示，VPD在CTL和实验A之间发生的NBP变异性的降低中的作用要大得多。但是，这并不意味着温度对规定土壤水分的敏感性不如VPD敏感。相反，扩展数据图5表明，敏感性分析归因于VPD的更多NBP可变性，但在实验A中，VPD驱动和温度驱动的NBP变异性都降低了。

　　在图3中，扩展数据图7和补充图。5，14–16，不同驱动因素对NBPCTL方差的贡献是在不同级别的空间聚集水平上计算出来的。使用以下不同水平的聚集：2°，3°，4°，5°，6°，7.5°，9°，10°，12°，12°，15°，20°，20°，22.5°，30°，30°，36°，45°，60°，60°，90°，90°，180°和360°和360°（那个是全球）。贡献的计算如下。与Jung等人2类似，不同的NBP时间序列（NBPSM，NBPT＆VPD和NBPR）首先汇总到给定的空间分辨率。聚集后，在每个网格点计算时间序列（即，依此类推）的方差。然后，如补充信息第2节所述，T＆VPD贡献的差异分解为依赖于LAC的依赖性和非LAC依赖性贡献。之后，与Jung等人类似，与Jung等人类似，对四个贡献的每个贡献计算了差异的全局空间平均值（例如，）。然后，通过将全局空间平均值与所有组件的总和来归一化来计算分量在给定水平的空间聚集水平上的相对贡献（如图3B所示：

　　与Jung等人2相同，在图7中显示的四个不同模型估计的贡献中的传播以两种不同的方式报告。外部不确定性边界代表了四个模型估计的贡献的标准偏差。内部不确定性界限代表了四个估计值之间的标准偏差，但是在删除了每个模型在所有级别的聚合中的平均贡献之后。因此，内部不确定性范围显示了贡献趋势（从区域尺度到全球范围的变化）的不确定性。