基于太阳诱导叶绿素荧光的杨树人工林总初级生产力预测：改进机器学习模型的创新应用

本研究针对陆地生态系统总初级生产力(GPP)预测中高精度变量和模型缺乏的问题，创新性地结合太阳诱导叶绿素荧光(SIF)与改进的机器学习模型（MLP-RF集成模型和BP/MLP优化模型），通过粒子群优化(PSO)算法提升预测精度。研究在河南省黄淮海农田防护林系统杨树人工林开展连续观测，发现优化后的BP/MLP模型在半小时尺度(R2=0.885)和日尺度(R2=0.921)均表现最优，证实光能利用率(LUE)、吸收光合有效辐射(APAR)等参数对GPP预测的关键作用，为全球碳循环研究提供了创新方法。

　　

在全球碳循环研究中，准确量化植被总初级生产力(GPP)是评估陆地碳汇功能的核心挑战。传统GPP估算方法依赖经验模型或复杂机理模型，存在时空分辨率低、参数敏感性高等缺陷。太阳诱导叶绿素荧光(SIF)虽能直接反映光合作用，但其信号受冠层结构、环境因素多重干扰，且现有预测模型普遍面临变量贡献不清、训练耗时长、鲁棒性不足三大瓶颈。

针对这些问题，中国林业科学研究院黄淮海农田防护林生态系统定位观测研究站的研究团队，在河南省20年生欧美杨人工林开展为期两年的连续观测，创新性地将SIF与改进的机器学习技术结合。研究通过构建多层感知器-随机森林集成模型(MLP-RF)和基于反向传播算法的MLP优化模型(BP/MLP)，并引入粒子群优化(PSO)算法，系统评估了不同时间尺度下SIF预测GPP的潜力。该成果发表于《Forest Ecosystems》，为破解生态系统生产力监测难题提供了新范式。

关键技术方法包括：1) 基于涡度协方差系统和自动SIF观测站获取半小时分辨率碳通量与光谱数据；2) 采用树模型特征选择筛选关键变量；3) 开发具有动态学习率调节功能的BP/MLP神经网络；4) 通过PSO算法优化模型超参数；5) 创新性定义SIF与近红外植被指数乘积参数f_SIF(NIR_vP)以增强信号解释力。

【SIF、VIS和环境因素影响模型预测】研究发现，光能利用率(LUE)和吸收光合有效辐射(APAR)在所有模型中贡献度稳居前两位，其中BP/MLP模型在半小时尺度(R²=0.885)和日尺度(R²=0.921)均优于传统模型，证实融合冠层结构信息的f_SIF(NIR_vP)参数可提升预测精度。

【PSO优化提升模型鲁棒性】经PSO优化后，BP/MLP模型表现最为稳健，半小时尺度R²提升至0.962。特征重要性分析显示，LUE、APAR、光合有效辐射(PAR)和f_SIF(NIR_vP)构成核心变量组合，其相关系数均超过0.7。

【关键参数验证】创新性发现f_SIF(NIR_vP)与GPP的相关性(R=0.784)显著高于原始SIF信号(R=0.761)，证实融合辐射与冠层结构信息能有效增强SIF信号解释力。动态LUE参数使模型能更准确反映环境胁迫下的光合响应。

该研究通过多维度模型优化，首次在温带杨树人工林证实了SIF与机器学习融合技术的巨大潜力。所开发的PSO-BP/MLP模型不仅解决了传统神经网络易陷入局部最优的缺陷，其构建的LUE-APAR-PAR-f_SIF(NIR_vP)参数体系，为全球变化背景下生态系统生产力监测提供了可推广的框架。这项成果对精准评估防护林碳汇功能、优化森林管理策略具有重要实践价值，也为发展新一代"星-空-地"协同的碳循环观测技术奠定了理论基础。