基于过程模型引导的迁移学习框架实现全球总初级生产力高精度制图

针对全球总初级生产力(GPP)估算中过程模型参数代表性不足与机器学习样本匮乏的难题，本研究创新性地提出BEPS过程模型与EC涡度数据协同的迁移学习框架。通过0.5°粗分辨率BEPS-GPP预训练和0.05°EC数据微调，实现R2 提升0.05、RMSE降低14.14 g C m-2 month-1 的高精度估算，为碳循环研究提供兼具机制解释力与时空扩展性的新方案。

　　

在全球气候变化背景下，准确量化植被光合作用固定的碳量——总初级生产力(GPP)是理解陆地碳循环的关键。然而现有方法面临两难困境：基于生态机理的过程模型如BEPS（Biosphere-atmosphere Exchange Process Simulator）虽机理明确，但受限于0.5°粗分辨率和高计算成本；机器学习方法如FLUXCOM虽能处理大数据，却因EC（Eddy Covariance）站点数据稀疏导致热带等区域出现系统性低估。这种"机理与数据不可兼得"的现状，严重制约着全球碳收支评估的精度。

武汉大学的研究团队在《Agricultural and Forest Meteorology》发表的研究中，开创性地将BEPS模型的全局机理优势与EC站点的高精度数据通过迁移学习融合。该团队以BEPS的0.5°GPP模拟结果为"知识源"，FLUXNET2015的EC数据为"目标域"，采用LightGBM算法构建降尺度预训练模型，再通过EC数据微调获得0.05°高分辨率GPP产品（BEPS-ML GPP）。验证显示其较纯机器学习方法提升R²
0.05，较原始BEPS降低RMSE达14.14 g C m^-2
month^-1
，尤其在赤道区域显著纠正了FLUXCOM产品的低估偏差。

关键技术包括：1）基于双叶模型的BEPS过程模拟生成全局0.5°GPP；2）LightGBM算法构建源-目标域联合约束的迁移学习框架；3）利用MODIS叶面积指数(LAI)、ERA5气象数据等21种环境变量进行特征工程；4）时空交叉验证评估模型扩展性。

【数据】研究整合了FLUXNET2015的212个EC站点数据、MODIS反射率产品及CHELSA气候数据集，构建覆盖2001-2020年的多源数据库。

【Comparison with BEPS GPP】预训练模型成功将BEPS分辨率提升10倍至0.05°，同时保持与SIF（Solar-Induced Fluorescence）产品0.83的高相关性，证明过程模型可有效约束机器学习的空间泛化能力。

【The performance of transfer learning】时空验证显示，该方法在非洲稀树草原等数据稀疏区的R²
达0.72，较传统机器学习提升35%，其构建的全球GPP产品与过程模型BESS的时空格局一致性（R=0.89）显著高于FLUXCOM（R=0.61）。

【Conclusion】该研究首次实现了过程模型与机器学习的机理-数据双驱动融合，不仅产出了2001-2020年0.05°全球GPP新数据集，更开创了"物理机制引导AI"的生态建模范式。这种迁移学习框架可扩展到其他生态参量估算，为应对"双碳"目标下的精准碳监测提供了方法论突破。

研究获得国家自然科学基金（U23A2021）等支持，相关数据可通过通讯作者获取。这一成果标志着生态模型开发从"纯物理"或"纯数据"走向"虚实融合"的新阶段，其构建的BEPS-ML GPP产品已被应用于多个国际碳循环比对计划。