基于水碳联合约束的混合深度学习模型实现蒸散发与总初级生产力协同估算

本研究创新性地提出了一种结合水碳联合约束的混合深度学习框架（HDWC），通过将深度学习预测的气孔导度（Gs）作为关键生物物理变量嵌入过程模型，实现了向日葵和玉米生态系统中蒸散发（ET）与总初级生产力（GPP）的高精度协同估算。相比单一约束模型（HDW/HDC），HDWC在Kling-Gupta效率（KGE）和均方根误差（RMSE）指标上表现更优，显著提升了模型泛化能力和生理机制解释性。

　　

Highlight

气孔导度及其与水碳动态的互作机制

冠层气孔导度（G_s）作为调控生态系统碳-水通量的核心枢纽，深刻影响着植物对气候变化的响应策略（Medlyn et al., 2012）。本研究采用的深度学习（DL）方法突破了传统模型对多变量交互作用的表征局限——例如Raghave等（2024）发现混合DL模型可将G_s预测误差降低40%。特别值得注意的是，HDWC模型通过耦合光合-蒸腾的协同优化目标，成功再现了干旱条件下向日葵气孔"午休"现象（midday depression），这种生理节律的精准模拟使得GPP和ET的日动态预测误差较单约束模型降低15-22%。

结论

本研究构建的混合深度学习框架创新性地将深度神经网络与基于过程的ET-GPP模型相融合，通过三种约束策略（水约束HDW、碳约束HDC、水碳联合约束HDWC）的系统比较发现：HDWC模型在向日葵（权重系数0.5）和玉米（0.6）系统中均展现出最佳平衡性，其KGE值分别达0.881和0.931，且将ET的RMSE控制在0.45-0.50 mm d^?1、GPP的RMSE降至0.97-1.35 g C m^?2 d^?1。多年度验证表明该框架能有效降低年际变异性和极端偏差，其气孔导度预测结果更符合植物水分利用效率（WUE）的生理学规律，为智慧农业的碳-水协同管理提供了可解释性强的量化工具。