湿地CH4排放的滞后温度敏感性：模型评估与全球观测的对比研究

本研究针对湿地甲烷（CH4）排放模型普遍低估温度滞后效应的问题，通过整合25个涡度协方差站点观测数据与42种模型（包括生物地球化学模型、大气反演模型和机器学习模型），首次系统量化了CH4-温度滞后现象。研究发现，84%的观测站点呈现显著正滞后效应，而模型普遍存在低估现象，其中机器学习模型表现最差。该研究为改进模型参数化提供了关键依据，对提升全球CH4收支预测精度具有重要意义。

　　

湿地作为全球最大的自然甲烷（CH₄）排放源，其排放动态对气候变化具有重要反馈作用。然而，当前模型在模拟CH₄排放时普遍忽视了一个关键现象——温度滞后效应（hysteresis），即CH₄排放峰值往往滞后于温度峰值。这种滞后可能源于微生物底物积累等复杂过程，但现有生物地球化学模型（BU）、大气反演模型（TD）和机器学习模型（ML）对其刻画能力尚未系统评估。

为解决这一科学空白，研究人员基于FLUXNET-CH₄网络的25个湿地站点观测数据，对比分析了42种模型的模拟性能。研究采用滞后指数（hysteresis index）量化CH₄与温度的相位差，发现温带和北极湿地中84%的站点存在正滞后现象，峰值排放平均滞后温度峰值15-30天。令人意外的是，机器学习模型几乎完全无法捕捉这一特征，而TD模型（尤其基于大气浓度约束的版本）比BU模型更接近观测值，但仍系统性低估滞后强度。

关键技术方法包括：1）利用涡度协方差（EC）技术获取站点级CH₄通量；2）构建滞后指数量化温度敏感性；3）整合13种BU模型、22种TD模型和7种ML模型的模拟结果进行多模型比对。

季节性CH₄排放滞后特征
以加拿大CA-SCB站点为例，CH₄排放峰值较温度峰值延迟1个月，滞后指数达0.38。这种模式与微生物底物（如乙酸）的季节性积累高度相关。

模型性能差异
TD模型因受大气CH₄浓度观测约束，平均滞后指数（0.12）显著高于BU模型（0.08），但均低于观测值（0.18）。ML模型则普遍呈现无滞后特征（指数<0.05），反映其难以学习非即时响应机制。

调控机制解析
冻土区站点滞后效应最强（指数>0.25），表明土壤解冻过程通过释放储存有机质加剧滞后。微生物群落动态模型显示，甲烷菌（methanogens）活性恢复需累积足够还原当量，这解释了温度下降期仍维持高排放的现象。

该研究首次揭示全球尺度湿地CH₄滞后的普遍性，指出当前模型在表征微生物-底物-温度耦合机制方面的不足。研究建议将滞后参数化纳入BU模型，并开发融合过程机制的混合机器学习框架。这些改进对准确预测气候变暖下的CH₄正反馈至关重要，尤其考虑到北极湿地持续变暖可能放大滞后效应。论文发表于《Agricultural and Forest Meteorology》，为IPCC甲烷预算评估提供了新的理论依据。