结合水动力与集成机器学习模型提升洪泛区湿地碳收支评估精度

本文提出了一种集成涡动协方差测量、对象图像分析（OBIA）、水动力模型与机器学习（ML）技术的框架，用于提升洪泛区湿地净生态系统CO2交换量（NEE）的升尺度估算精度。研究在鄱阳湖湿地实例表明，水文情态（如最大洪水位MFL）是驱动NEE变异的关键因子，集成ML模型较单一模型显著提高了预测稳健性与解释力（R2达0.76），揭示了永久淹没区多为碳源而滨岸带为碳汇的空间格局，为湿地碳管理提供了量化支撑。

　　

研究背景与意义

湿地仅占全球陆地面积的5%–8%，却储存了超过三分之一的土壤有机碳，尤其是洪泛区湿地作为关键湿地类型，在洪水调节、生物栖息地维持和碳汇功能中扮演重要角色。然而，气候变化与人类活动导致湿地景观破碎化、水环境恶化及碳循环扰动，亟需准确量化碳通量的时空变化以支持碳预算和湿地管理。净生态系统CO₂交换量（NEE）是表征碳通量的核心指标，但洪泛区湿地的高度异质性和复杂水文过程使区域尺度NEE估算面临挑战。

方法论创新

本研究构建了一个综合框架，整合多源数据与模型：首先采用对象图像分析（OBIA）对鄱阳湖湿地进行多尺度分割，生成生态学意义明确的计算单元；其次利用MIKE21水动力模型模拟高时空分辨率的水文情态指标（如平均水位WL、最大洪水位MFL、淹没频率IF和水位波动WLF）；再结合遥感获取的环境变量（如增强植被指数EVI、地表温度LST、光合有效辐射比例Fpar等）；最后通过集成十种机器学习模型（包括随机森林RF、支持向量回归SVR、XGBoost等），并以Powell优化算法分配权重，实现NEE的精准升尺度估算。

关键发现

1. 1.
   水文驱动主导碳通量：最大洪水位（MFL）是NEE变异的首要驱动因子（贡献度31.21%），其升高显著促进CO₂排放，源于淹没导致土壤缺氧与光合抑制；而植被指数（EVI）与NEE呈负相关（贡献度10.12%），表明植被光合作用增强碳吸收。
2. 2.
   温度与碳通量的复杂关系：日间地表温度（LST_Day）升高加速CO₂排放，而夜间温度（LST_Night）存在阈值效应（约13°C），低于阈值时混合作用稀释CO₂浓度，高于阈值则微生物呼吸主导排放。
3. 3.
   空间分异规律：永久淹没区多表现为碳源或弱碳汇，而季节性淹没的滨岸带（littoral zones）则为碳汇，凸显水文情态通过改变植被分布与微生物活动调控碳源/汇转换。
4. 4.
   模型集成优势：基于Powell优化的集成ML模型显著提升预测精度（验证集R²=0.76，RMSE=0.51 g C m^?2 d^?1），且对数据噪声和缺失值表现出更强稳健性。

时空动态与不确定性

鄱阳湖湿地在多数年份为碳汇（如2018年净吸收0.50±0.06 Tg C），但2020年因水文异常转为碳源（排放0.17±0.09 Tg C）。月尺度上，5–8月为净排放期（7月最高达0.093 Tg C），11月至次年3月为净吸收期。空间不确定性高值集中于河道附近，反映水文动态与植被覆盖的交互影响。

应用与展望

该框架为洪泛区湿地碳管理提供了可推广的工具，强调需针对滨岸带实施保护以增强碳汇功能。未来需扩展涡动协方差站点覆盖、整合CH₄通量、引入贝叶斯不确定性量化，并探索高频-低频信号分离建模策略，以全面提升碳预算评估的完备性与可靠性。