陆地生态系统总初级生产力(GPP)对历史环境因子记忆效应的量化研究及其对碳汇评估的启示

本研究针对当前生态系统总初级生产力(GPP)时间变异评估不准确的问题，通过引入长短期记忆(LSTM)深度学习模型，系统量化了GPP对环境因子（温度、降水、短波辐射、VPD）和植被指数(NDVI)的记忆效应特征。研究发现降水具有4-11个月的累积效应，NDVI影响强于环境因子，考虑记忆效应后GPP模拟精度提升20-39%，全球GPP在1983-2015年呈显著增长趋势(0.10 Pg C yr-1)。该研究为碳循环过程建模提供了新范式。

　　

在全球气候变化背景下，陆地生态系统总初级生产力(GPP)作为碳循环的核心环节，其时间变异特征直接关系到碳汇功能的稳定性评估。然而现有研究存在两大瓶颈：一是传统模型忽视环境因子对GPP的滞后影响（记忆效应），二是不同生态系统响应机制存在显著差异。这种认知空白导致全球GPP趋势和年际变异(IAV)的评估存在高达56%的不确定性，严重制约着碳中和政策的科学制定。

为解决这一难题，中国科学院相关团队在《Ecological Indicators》发表创新研究。该团队整合FLUXNET2015和中国通量网(ChinaFLUX)的213个站点长期观测数据，构建了基于LSTM的深度学习模型(MemModel)。研究突破性地采用渐进式输入扩展实验和变量排除法，首次系统量化了多生态系统尺度下GPP对环境因子和NDVI的记忆效应长度与强度特征。

关键技术方法包括：1) 整合全球102个森林、38个草地等6类生态系统通量数据；2) 开发包含双LSTM层的深度学习架构，采用网格搜索优化超参数；3) 通过Z-score标准化处理气候和NDVI数据；4) 运用十折交叉验证评估模型性能；5) 基于线性回归和去趋势分析量化GPP趋势与IAV。

【模型精度】MemModel的R²达0.82-0.93，较忽略记忆效应的模型(noMemModel)提升20-39%。其中湿地记忆效应最长(11个月)，灌木丛最短(4个月)。模拟GPP趋势的RMSE降低49-78%，IAV模拟精度提升54-86%。

【记忆效应特征】降水在森林、稀树草原和灌木丛中表现出5个月的累积效应，显著长于温度/辐射/VPD的<3个月响应。NDVI的即时响应最强（△R²达19.47%），在灌木丛生态系统中其影响力超过所有环境因子总和。

【全球格局】1983-2015年全球GPP呈显著增长(0.10 Pg C yr^-1)，但MemModel结果比动态全球植被模型(DGVMs)低0.18-0.49 Pg C yr^-1，反映CO₂施肥效应未被纳入。考虑记忆效应使IAV估计值(1.51 Pg C yr^-1)比传统模型高36%。

讨论部分揭示了三个机制突破：1) 降水长记忆效应源于植物碳分配策略转变和深层土壤水利用，森林比草地的响应延迟多4个月；2) NDVI的强即时响应印证植被状态对光合作用的调控优势；3) VPD与温度的响应差异反映生态系统水分利用策略，湿地中VPD需2个月累积而温度即时响应。该研究为动态全球植被模型提供了记忆效应参数化方案，其构建的0.5°分辨率全球GPP数据集(1983-2015)将显著提升碳汇评估可靠性。

研究创新性地提出"生态系统记忆指纹"概念，指出不同生态系统对历史气候的依赖特征如同生物指纹般独特。例如稀树草原对降水的高敏感性(△R²达9.88%)与浅根系特性相关，而森林对NDVI的依赖(6.50%)反映冠层结构的持续影响。这些发现为应对气候变化的生态系统管理提供了时空精准调控的理论基础，特别是对干旱区植被恢复的时机选择具有重要指导价值。未来研究需整合CO₂/氮沉降等多尺度驱动因子，以更全面解析碳-气候反馈机制。