一项新的研究表明，植物吸收过量二氧化碳 (CO2) 的能力可能远低于气候模型先前的估计。格拉茨大学于 2026 年 1 月 5 日发布的一项研究表明，气候模型高估了自然固氮作用（植物生长的关键因素），幅度约为 50%。

该研究强调了氮有效性在使植物有效利用增加的二氧化碳水平进行生长方面的关键作用。虽然二氧化碳含量升高可以刺激植物生长，但这种效应取决于充足的氮，氮是光合作用和植物整体健康所必需的营养物质。气候模型中对自然固氮作用的过高估计表明，在高二氧化碳条件下植物生长所带来的气候降温益处不如预期。

这一发现对气候变化预测具有重大意义。由于植物吸收的二氧化碳比预期少，地球应对气候变化的天然缓冲能力减弱，导致未来气候预测的不确定性增加。格拉茨大学的一位首席研究员表示：“植物作为碳汇的能力下降意味着大气中的二氧化碳水平可能会比预测的更快上升，从而可能加速全球变暖。”

气候模型是复杂的计算工具，可模拟地球的气候系统，其中包含大气成分、洋流和地表过程等各种因素。这些模型依靠算法和庞大的数据集来预测未来的气候情景。然而，正如这项研究表明的那样，关键参数（如固氮率）的不确定性会严重影响这些预测的准确性。

该研究还强调了将更准确的生物过程表示纳入气候模型的重要性。传统模型通常会简化复杂的生态相互作用，这可能导致模型预测与实际观测之间存在差异。目前正在探索人工智能 (AI) 和机器学习领域的最新进展，以改进这些过程的表示。人工智能算法可以分析大型数据集，以识别通过传统建模方法可能不明显的模式和关系。例如，可以训练机器学习模型以根据温度、降水和土壤成分等环境因素来预测固氮率。

这项研究的影响超出了科学界。决策者依靠气候模型来为与减排和气候适应战略相关的决策提供信息。认识到植物可能无法像以前认为的那样吸收那么多二氧化碳，因此有必要重新评估这些战略。可能需要采取更积极的减排措施才能达到气候目标，并且可能需要更加重视开发直接从大气中去除二氧化碳的技术。

未来的研究将侧重于改进固氮率的估计，并将这些改进的估计纳入气候模型。科学家们还在探索通过可持续农业实践来增强自然固氮作用的方法。人工智能和机器学习融入气候建模预计将在提高气候预测的准确性和可靠性方面发挥越来越重要的作用。