衛星看見土地「更綠」，為什麼科學家反而更擔心？40 年資料顯示全球乾旱地大範圍波動加大——綠化可能正在遮住穩定性下降

如果一片乾旱草原在衛星影像上比四十年前更綠，我們直覺會把它當成好消息：植物增加、碳吸收提高、生態恢復。可是 2026 年 9 月 10 日發表於《Nature Climate Change》的研究提醒，平均值變好，不代表系統變穩。研究分析 1982 到 2020 年多套全球 leaf area index，也就是葉面積指數資料，看到全球乾旱地持續綠化，同時年際波動卻增加，而且增加的空間範圍約涵蓋全球乾旱地的八成以上。

這個結果最值得一般讀者理解的，不是某一個遙測技術，而是一個生活化的概念：一個家庭平均年收入提高，並不代表生活更安穩；如果最好的一年收入很高、最差的一年卻更低，風險可能反而增加。乾旱地也是如此。研究發現，LAI 的高值上升、低值下降，代表「好年份更好、壞年份更壞」的分化正在擴大。對依賴牧草、野生植物、水源與季節性生產的人來說，真正危險的常常不是平均狀態，而是最差那一年能不能撐過去。

研究團隊指出，植被對降雨變化的敏感度增加，是年際波動上升的重要驅動因素。也就是說，乾旱地看似變綠，卻可能更加依賴「雨有沒有剛好來」。一旦降雨偏少、延遲或集中在不適合的時間，植被低點就可能更低。這對碳循環也有影響，因為全球碳模型若只看到長期綠化趨勢，可能低估極端乾旱年份對碳吸收與生態服務的衝擊。

更值得注意的是，研究比較現有 dynamic global vegetation models 後發現，模型並不能充分重現觀測到的「持續綠化、波動增加、上下界分離」現象。這不是說模型沒有用，而是告訴我們模型仍有盲點。當真實世界的植被反應比模型更敏感，未來對碳匯、牧草供應、土地退化與生態轉折的預測就會有更大的不確定性。

這也正好說明為什麼雙向知識不能只把地方知識放在「文化補充」的位置。衛星很強，它可以一天之內看見跨國的大尺度變化；但牧民、農民、獵人或長期在乾旱地生活的人，會用完全不同的方式辨認穩定性。他們可能記得某一條季節性溪流晚了多久才有水、某種草今年先枯、牲畜必須比往年更早移動、某一處看起來綠卻不耐踩踏，或某種植物雖然量多但營養與可利用性變了。這些資訊未必能直接從 LAI 看出來。

因此，真正有價值的系統不是「衛星取代地方觀察」，也不是「地方經驗不需要衛星」，而是把兩種尺度接起來。衛星先告訴我們哪一區的波動異常增加，再由地方紀錄解釋那個波動對人與生態代表什麼；地方若持續回報某處草場變得不可靠，也可以反過來讓研究者檢查遙測指標是否漏掉了植物種類、土壤水分或放牧壓力等因素。

對臺灣來說，我們未必把高山、河谷或東部農牧地稱為典型 global drylands，但「平均看起來正常、極端年份卻更難承受」的問題同樣重要。氣候變遷下，降雨時序改變、乾旱與豪雨交替、坡地水分波動，都可能讓傳統的平均年雨量失去部分解釋力。原鄉農業、採集與林地管理若只依一條年度平均線，可能忽略真正決定生活風險的低谷。

人工智慧可以在這裡扮演新的角色。第一，是把長期衛星 LAI、降雨、土壤水分與地面紀錄一起分析，辨認「均值上升但最低點惡化」的區域。第二，是建立地方回報介面，讓土地使用者用照片、語音或簡短標記記錄「今年草提早乾」「水源延後」「牲畜移動時間改變」。第三，是將模型的預測不確定性直接呈現，而不是只輸出一個看似精確的風險分數。

這裡還有一個治理問題：誰定義「土地變好」？如果國際碳市場只看綠度或碳吸收平均值，某地可能被標記為生態改善；但地方社群如果同時感受到水源更不可靠、可食植物減少、牧草低谷加深，那麼「改善」就不是完整答案。生態指標必須與使用者實際需要連接，否則一個全球尺度上漂亮的綠化圖，可能遮住地方尺度的脆弱性。

《Nature Climate Change》這篇研究的標題用了「Greening masks stability loss」，非常精準。它提醒我們，氣候變遷時代最需要警戒的不只是下降，也包括被上升平均值遮住的波動。當我們只問「今年是不是比以前更綠」，可能錯過更重要的問題：「這片土地還可靠嗎？」

對原住民與地方社群來說，可靠性往往比平均值更貼近日常決策。何時播種、何時轉場、哪一個水源能撐過旱季、哪一種植物在壞年份仍會出現，都是關於穩定性的知識。當衛星的四十年資料開始看見同一個問題，科學與傳統知識之間最有意義的連結，也許不是彼此證明，而是共同把「平均數之外的世界」重新放回決策中心。

從平均綠度轉向最壞年份的準備

研究中的年際變異不是抽象統計量。對依賴草場、水源或季節性採集的人來說，它可能表現在雨季晚到幾週、可放牧期間縮短、某一種植物雖長得快卻撐不過熱浪，或同一片地在連續乾年後需要更久恢復。管理計畫若只把長期平均綠度當作成功指標，便可能在高值年份過度樂觀，忽略低值年份的食物、水與收入風險。因此，遙測監測宜同時呈現平均趨勢、變異幅度、歷史低點和異常持續時間，讓決策者知道「變綠」是否伴隨更大的不穩定。

這也改變了調適的做法。地方團隊可先把最容易受低谷影響的資源列出來，例如關鍵水點、牧草生長窗口、種子來源、野生食物或移動路徑；再搭配雨量、土壤水分、地面照片與使用者觀察，設定需要提早調整的門檻。行動未必都是大型工程，也可能是提前備水、調整放牧強度、保留休耕區、分散採集壓力或安排社區共同巡查。門檻必須由實際承擔後果的人共同修訂，不能只由全球模型輸出決定。

對碳與復育專案而言，這項研究尤其提醒我們，不能以單一年度的綠化成果推論長期韌性。若資助與驗證機制只獎勵短期植被增加，可能誘發忽略水分、物種組成與低谷風險的做法。較完整的評估應公開不確定性，分別說明觀測資料、模型推估和地方回報各自能支持什麼。人工智慧可協助比對長期序列與找出異常區域，但在地管理者仍須決定哪些變化具有生計或文化意義，以及何時應停止把一張漂亮的地圖當成好消息。

研究結果也不表示所有乾旱地都會以同樣方式改變。資料尺度、植被類型、降雨型態、土地使用和管理歷史都會影響判讀；一個區域出現更大波動，不能直接推論另一個區域必然退化。正因如此，公開溝通應避免把衛星指標說成單一預言，而要清楚交代它揭示的是值得追蹤的風險訊號。把差異與未知寫出來，反而更能協助地方在下一個乾年之前做出可調整的準備。

持續追蹤也應把低谷後的恢復速度記錄下來，因為同樣的綠度下降，可能對不同社群造成很不一樣的時間壓力與調度負擔。

原傳媒AI｜依你的角色繼續追問

選擇你的角色，查看依職責設計的後續追問。

資料來源與延伸閱讀

• Nature Climate Change｜Greening masks stability loss in drylands
• Zenodo｜GIMMS LAI4g dataset
• Zenodo｜Code for Greening masks stability loss in drylands