热带安第斯山脉云雾林辐射分配的随机森林建模及其对地表能量通量模拟的改进

为解决热带山地雨林辐射分配模型缺失问题，德国研究团队采用随机森林回归(RFR)开发了区域适应性辐射分配函数，显著提升地表模型(LSM)对漫辐射(%Dif)的预测精度(R2=0.95)，并优化上行短波辐射模拟(RMSE=8.62)。该研究为复杂地形区能量-碳通量研究提供新方法。

　　

在云雾缭绕的南厄瓜多尔安第斯山脉，热带山地雨林(MRF)独特的辐射分配机制长期困扰着气候模型研究者。这片被称为"地球水塔"的生态系统，年均云覆盖率高达85%，其辐射动态既不同于低地热带雨林，也迥异于中纬度森林。传统基于晴空条件开发的半经验辐射分配函数（如Jacovides模型）在此类高云量区域频频失灵，导致地表模型(LSM)对能量通量和碳 sequestration的模拟产生显著偏差。

德国马尔堡大学领衔的研究团队在DFG资助下，利用2007-2014年厄瓜多尔San Francisco河谷的独特地面观测数据集，首次将机器学习引入该领域。通过随机森林回归(RFR)算法，团队开发了适应热带山地环境的动态辐射分配模型，其核心突破在于：不仅能处理常规气象参数，还可捕捉云层突变带来的非线性效应。

研究采用三阶段技术路线：首先利用Nubiscan云观测仪获取云覆盖率数据；随后通过RFR整合太阳高度角、大气透明度指数等12个特征变量；最终将优化后的辐射分配函数接入HUMBOL-TD地表模型进行验证。所有数据均来自海拔1860米的ECSF科研站长期监测网络。

【研究结果】

1. 云覆盖率与辐射分配
   地面观测证实云量对漫辐射占比(%Dif)具有决定性影响。当云覆盖率>80%时，传统模型低估漫辐射达15-20%，而RFR模型准确捕捉到云层多次散射效应。

2. 模型性能比较
   RFR模型在预测%Dif时展现卓越性能(R²=0.95，RMSE=5.33)，较最优传统模型提升23%。应用于上行短波辐射模拟时，其RMSE(8.62)和MAE(5.82)均为最低，且保持最高R²(0.97)。

3. 地表模型改进
   将RFR输出导入HUMBOL-TD模型后，对牧场生态系统的能量通量模拟误差降低19%，证实区域适应性函数对LSM性能的提升作用。

【结论与意义】
该研究首次证实机器学习在热带山地辐射分配建模中的优越性，其动态响应云况变化的特性完美适配MRF的高变异性大气条件。所开发的RFR函数不仅解决了中纬度模型在热带高海拔区的"水土不服"问题，更为重要的是：

1. 为FOR2730研究计划中的生物多样性-气候反馈研究提供精准辐射强迫数据；
2. 建立的"观测-机器学习-地表模型"框架可推广至其他数据稀缺的复杂地形区；
3. 揭示了云雾生态系统中漫辐射对碳汇的潜在调控机制，为后续研究指明方向。

这项发表于《Dynamics of Atmospheres and Oceans》的成果，标志着热带山地气候建模从经验驱动向数据-算法协同的新范式转变。研究团队特别指出，未来需在更多生态系统验证该模型，并探索将其耦合到区域气候模型中的可行性。