基于循环神经网络和哈密顿蒙特卡洛的动态草地模型模拟器校准研究

为解决农业生态系统碳循环模型校准中的计算效率瓶颈，芬兰气象研究所团队创新性地将循环神经网络（RNN）与哈密顿蒙特卡洛（HMC）算法结合，构建了BASGRA草地模型的动态模拟器。该研究通过5折交叉验证证实模拟器对叶面积指数（LAI）、初级生产力（GPP/NPP）等关键变量的预测精度超过95%，并在71组校准实验中实现RMSE降低33%-64%，为大规模生态模型参数优化提供了高效解决方案。

　　

农业生态系统的碳循环监测对气候变化 mitigation 至关重要，但传统 process-based 模型如 BASGRA 因计算复杂度高，难以应对参数校准所需的海量迭代运算。尤其在 boreal 草地生态系统中，如何高效量化 CO₂ 通量的时空动态，成为制约碳汇评估精度的关键瓶颈。

芬兰气象研究所（Finnish Meteorological Institute）的研究团队提出了一种创新解决方案：利用长短期记忆网络（LSTM）和全连接神经网络（FNN）构建动态模拟器，替代计算密集的 BASGRA 模型。通过 5 折交叉验证，该模拟器对叶面积指数（LAI）、总初级生产力（GPP）、净初级生产力（NPP）等关键变量的预测 R² 均超过 0.95。研究进一步结合哈密顿蒙特卡洛（HMC）算法，在 71 组校准实验中将 GPP 预测的均方根误差（RMSE）降低 33%-64%，同时显著提升了 LAI 和收获碳通量的估算精度。

研究采用三项关键技术：1）基于 ERA5 气象数据和 Sobol 采样构建包含 92,030 组参数-气象组合的训练数据集；2）通过树结构 Parzen 估计器（TPE）优化 LSTM-FNN 混合架构的超参数；3）应用 No-U-Turn Sampler（NUTS）算法实现高效贝叶斯校准，单次校准仅需 3-16 分钟 CPU 时间。

模型构建与验证
通过不确定性分析筛选出 LAICR、RUBISC 等 10 个关键参数作为输入变量。最优网络架构包含 162 个单元的 LSTM 层和 211 个神经元的 FNN 层，对土壤湿度的预测 NRMSE 低至 0.016。季节性分析显示，模拟器在生长季（5-10 月）的 GPP 预测 R² 达 0.96，但在早春（2-4 月）因积雪动态建模难度性能略有下降。

多站点校准应用
在 Qvidja、Ruukki 和 Viikki 三个芬兰草地站点的校准实验中，跨站点校准显著缩小了 RUBISC（核酮糖-1,5-二磷酸羧化酶含量）等关键参数的后验分布范围。值得注意的是，使用 Ruukki 泥炭地数据校准的模型，其深层根系参数（ROOTDM）呈现双峰分布，反映了土壤类型对参数敏感性的影响。

讨论与展望
该研究首次实现了动态 agroecosystem 模型时间序列输出的高效模拟与校准。相比传统高斯过程（GP）模拟器，LSTM-FNN 架构在 10 维参数空间中的计算效率提升 30 倍以上。未来工作将聚焦于：1）通过延长模拟周期改善早春预测性能；2）整合多源观测数据构建 hierarchical 校准框架；3）拓展该方法至其他作物系统的过程模型。论文发表于《Estuarine, Coastal and Shelf Science》，为生态模型的大尺度应用提供了可复用的技术范式。