融合GEDI冠层结构复杂性指标的涡度协方差碳水通量大陆尺度升尺度研究

本研究针对传统机器学习升尺度方法忽略冠层结构多样性的问题，通过整合NASA GEDI激光雷达数据（RH/FHD）、MODIS NIRv植被指数及气象数据，构建了精度提升的GPP（R2 0.79→0.91）和ET（R2 0.79→0.85）预测模型，生成1 km分辨率美国本土网格化数据集，揭示了冠层复杂性增强生态系统抗旱力的新机制。

　　

在全球气候变化背景下，准确量化陆地生态系统碳水和能量交换对理解碳循环至关重要。传统基于涡度协方差(EC)站点的观测虽能直接测量碳通量(GPP)和蒸散发(ET)，但站点稀疏分布导致区域尺度评估存在巨大挑战。尽管机器学习(ML)方法已用于通量升尺度，但现有模型过度依赖气候数据和植被指数，忽视了冠层结构多样性对光合效率和湍流交换的关键调控作用。这一认知空白限制了我们对生态系统功能响应环境变化的预测能力。

为解决这一科学难题，新罕布什尔大学的研究人员创新性地将NASA全球生态系统动态调查(GEDI)激光雷达数据引入通量升尺度研究。这项发表于《Remote Sensing of Environment》的工作，通过整合GEDI衍生的冠层高度(RH)和叶层高度多样性(FHD)指标、90个AmeriFlux/NEON站点观测数据、MODIS近红外植被指数(NIRv)及Daymet气象数据，构建了新一代碳水通量预测模型。关键技术包括：利用GEDI激光雷达点云提取三维冠层结构参数，结合随机森林算法优化特征选择，生成2019-2023年美国本土(CONUS)1 km分辨率日尺度GPP/ET网格化产品。

【Relationships of GPP and ET with canopy structure and complexity metrics】
研究发现年际GPP和ET与FHD呈显著对数正相关，证实复杂冠层结构通过提升光能利用率(LUE)和彭曼系数(PT)增强生产力。当FHD>0.8时，这种增益效应逐渐饱和。

【Comparison of five canopy structural metrics】
对比GEDI五种冠层参数发现，RH和FHD在不同生态系统类型中表现出最强的季节稳定性，其1:1:1线性关系R²达0.93-0.97，成为最可靠的建模输入特征。

【Mapping GPP and ET by incorporating GEDI metrics】
引入RH和FHD使GPP预测RMSE降低36%（1.77→1.14 gC m^?2 d^?1），ET预测RMSE降低17%（0.82→0.68 mm d^?1）。空间制图显示复杂冠层区域年GPP最高可达2800 gC m^?2 yr^?1，较简单结构生态系统高出42%。

【Conclusions】
该研究首次系统论证了冠层结构复杂性在通量升尺度中的核心价值：1）多层冠层通过光能再分配减少光合"饱和效应"，使LUE*FPAR提升19%；2）复杂结构缓冲微气候波动，使GPP季节变异系数降低28%；3）干旱事件中，高FHD生态系统GPP损失减少53%，揭示结构多样性是抗旱力的关键生物物理因子。这些发现为下一代地球系统模型开发提供了观测约束，也为基于激光雷达的全球碳监测系统建设奠定方法论基础。Jingyi Bu和Jingfeng Xiao团队开创的"结构-功能"耦合建模框架，将推动从叶片到景观尺度的生态过程认知革新。