基于机器学习的兴安落叶松生态系统在不同时间尺度的碳通量模拟及影响因素分析

　　 摘要:

机器学习已经广泛用于生态系统研究。基于2014年1月1日至2018年12月31日兴安落叶松生态系统碳通量（NEE）观测数据，分析了其动态变化特征，并采用多种机器学习方法进行模拟。结果表明：（1）生长季兴安落叶松生态系统NEE日动态呈“U”变化，整体表现为碳汇，7月份碳汇能力最强，达67.57 g C m-2 月-1，9月至次年5月表现为碳源。（2）结构方程模型分析表明，兴安落叶松生态系统NEE的主要影响因子为潜热通量（LE）、净辐射（Rn）、叶面积指数（LAI）、空气温度（Ta）、相对湿度（RH）、饱和水汽压差（VPD）和土壤含水量（SWC），其中潜热通量和净辐射是影响NEE变化的最主导因素。（3）四种机器学习方法（RF、XGBoost、SVM、ANN）均能较准确地模拟兴安落叶松生态系统NEE，其中XGBoost和RF的模拟结果最为相近，但XGBoost在模拟精度和计算效率方面优于RF。研究结果为应用机器学习方法估算生态系统碳通量提供了依据。