基于机器学习的亚热带森林中二氧化碳通量的多尺度时间动态及其对环境因素的响应

《European Journal of Forest Research》：Multi-scale temporal dynamics of CO2 flux in subtropical forests based on machine learning and their responses to environmental factors

亚热带森林净生态系统交换（NEE）的机器学习方法评估表明，LSTM模型在时空特征捕捉上表现最佳（R2>0.82，RMSE<0.11），揭示了NEE的季节性和日变化规律，并量化了不同森林类型的年碳汇能力（阔叶林>竹林>针叶林），环境因子（辐射、湿度、温度）对NEE的驱动作用存在类型与时间尺度差异。

　　

摘要

亚热带森林是全球碳循环的重要组成部分，然而，净生态系统交换（NEE）的复杂时间动态及其环境控制因素仍难以通过传统方法完全理解，尤其是在时间变化较大的地区。为应对这一挑战，本研究评估了机器学习技术——具体来说是长短期记忆（LSTM）网络、人工神经网络和CatBoost——在分析亚热带森林NEE的多尺度时间特征和环境响应机制方面的有效性，数据基于阔叶林（2013–2020年）、竹林（2010–2022年）和针叶林（2003–2010年）的涡度协方差数据。研究结果表明，LSTM在高时间分辨率的NEE分析中始终优于其他模型，在所有数据集中都表现出优异的性能（R² > 0.82，RMSE < 0.11 mg CO₂ m^?2s^?1），这表明其具有捕捉复杂生态动态的强大能力。多尺度时间分析揭示了CO₂通量的显著季节性和日变化特征，表现为生长季节高CO₂吸收量和U形日变化模式。年碳封存能力因森林类型而异，排序为：阔叶林（-629 ± 81 g C m^?2 yr^?1）> 竹林（-614 ± 64 g C m^?2 yr^?1）> 针叶林（-455 ± 69 g C m^?2 yr^?1）。环境因素，尤其是辐射、湿度和温度，被确定为NEE的主要驱动因素，其影响因森林类型和时间尺度而异。辐射对竹林影响显著，湿度在阔叶林中影响最大，温度则同时影响阔叶林和竹林。本研究增强了对这些生态系统中碳循环过程的理解，并为生态监测和气候变化建模提供了宝贵的见解。