物理约束深度学习联合估计中国陆地CO2通量与差异化气候敏感性（2002–2022）

《Agricultural and Forest Meteorology》：Physics-constrained deep learning for joint estimation of terrestrial CO 2 fluxes and differentiated climatic sensitivities across China (2002–2022)

　　

• 碳平衡约束与自适应GPP-Reco相关性约束共同约束联合估计。
• MS-CarbonNet联合估计三种CO2通量，R2分别为0.82、0.79和0.73。
• 2002–2022年GPP、Reco和NEE呈现东南高至西北低的梯度分布，且呈上升趋势。
• 温度在中国61.5%以上区域主导GPP；降水在49.5%以上区域主导Reco。

引言

陆地生态系统CO2通量是连接地球系统物质循环和能量流动的关键组成部分。准确估计关键陆地CO2通量——总初级生产力（GPP）、生态系统呼吸（Reco）和净生态系统交换（NEE）——为理解碳循环-气候反馈机制提供了基本的科学基础。此外，它还有助于评估碳中和措施和制定稳健的气候政策（Jiang et al., 2022; Schimel, 1995; 2022）。中国陆地碳汇规模巨大，占全球陆地碳汇的10–13%，呈现显著的增长趋势，在全球CO2通量预算中发挥着关键作用（Huang et al., 2023; Yang et al., 2022; Ye and Chuai, 2022）。

准确理解中国陆地碳汇依赖于关键CO2通量的高精度估计。自20世纪60年代以来，众多生态系统模型被开发并广泛应用于不同空间尺度上量化CO2通量（Burman et al., 2024; Li et al., 2023a）。全球涡度相关（EC）观测网络及其他观测技术的进步为模型开发和验证提供了坚实基础，并丰富了人们对生态系统碳循环过程的理解（Pastorello et al., 2020a; Wang et al., 2024; Zheng et al., 2025）。然而，基于站点的观测在空间代表性和时间连续性方面存在固有局限，这阻碍了对区域尺度CO2预算动态的直接表征（Jung et al., 2020）。因此，研究重心已转向区域尺度估计方法。当前区域CO2通量估计主要采用两类方法：基于过程的机制模型和纯数据驱动的机器学习（ML）模型。这两种方法都在很大程度上弥补了点观测留下的空间覆盖空白，并取得了显著的研究进展（Ciais et al., 2020; Cohrs et al., 2024; Konovalov et al., 2025; Raza et al., 2024; Tramontana et al., 2016; Virkkala et al., 2021; Xia et al., 2025）。

这些方法为区域估计提供了可行的途径。然而，其固有局限导致了显著的不确定性。对于基于过程的机制模型，其可靠性在很大程度上取决于一组经验参数和理论假设。这些关键参数在生态系统尺度上难以准确量化，其数值变化可导致显著的估计偏差（Yang et al., 2025; Zhu et al., 2023）。例如，Liang等（2022）表明CASA模型中的εmax参数在不同生态系统间存在较大变异性，范围为0.389至0.985 g C MJ?1。这一单个关键参数的变异性引入了相当大的不确定性，导致不同植被类型的CO2通量估计偏差在28.62%–105.90%范围内。相比之下，纯数据驱动的ML模型面临另一组挑战。其训练过程往往过度依赖观测数据本身，而忽视了支配碳循环的内在物理规律。这可能导致在数据稀疏区域的预测违反物理原理。深度学习模型具有强大的特征提取和序列建模能力。然而，未经物理约束训练的模型可能受限于较差的外推性能和物理上不合理的预测（Fan et al., 2025）。因此，将生态系统碳循环的物理机制融入数据驱动的深度学习框架中，已成为提高区域CO2通量估计准确性和可信度的关键科学任务（Wang et al., 2022a）。

近年来，CO2通量估计研究逐渐从对模型输出进行事后物理验证转向在模型训练内部施加约束，由此产生了物理引导深度学习范式（Bradley et al., 2022; Zhuang et al., 2025）。现有用于CO2通量估计的物理信息方法可大致分为两类。第一类使用基于过程模型的输出或参数作为物理先验，与数据驱动模型耦合以增强物理真实性。例如，Zhu等（2024）利用UFLUX模型估计GPP和Reco，然后根据CO2通量间的等量关系推导NEE。第二类将CO2通量间的物理等量关系作为约束嵌入模型中以保持物理一致性。例如，Sun等（2026）基于多变量随机森林（MRF）开发了Co-Ecocarbon模型，利用这些物理关系同时模拟GPP、Reco和NEE。然而，此类约束在很大程度上局限于碳平衡，并未纳入GPP与Reco之间的动态耦合，从而阻碍了对二者响应对比差异及其在极端条件下耦合变化的表征（Fan et al., 2025）。因此，探索如何将额外的生理学原理整合到训练目标中以同时提高估计准确性和生态一致性，仍有相当大的空间。此外，陆地碳汇的空间特征、时间动态和主导过程仍未得到充分约束。陆地碳汇的时空模式和驱动机制尚未得到系统阐明（Keenan et al., 2017）。尽管已广泛认识到水分可用性和温度是控制全球和区域尺度碳汇时空变异的主导因素，但关于其各自效应仍缺乏系统的定量研究。具体而言，温度和水分可用性如何分别影响GPP和Reco，进而决定中国NEE的年际变化模式，仍需进一步研究（Dang et al., 2024; Wang et al., 2022b; Wang et al., 2023; Wu et al., 2025; Yu et al., 2013）。

鉴于此，本研究系统性地整合了CO2通量观测数据以及多模态遥感产品和多维环境驱动因子，包括气候、地形和土壤性质。为增强物理一致性，本研究引入了物理信息损失函数，同时强制施加碳平衡约束和一种新制定的GPP与Reco之间动态可调的生理相关性约束。这构成了基于多源数据融合的物理约束深度学习框架的基础。该框架旨在实现中国陆地生态系统GPP、Reco和NEE的协同高精度估计。具体研究目标为：(1) 开发并验证这一动态耦合的物理约束深度学习框架，实现区域尺度GPP、Reco和NEE的协同、物理一致的高精度估计，从而克服独立建模通量间的物理不一致性；(2) 定量评估中国GPP和Reco对温度和降水的差异性统计敏感性，并探讨不同气候区碳汇对气候驱动因子响应的空间分化。本研究旨在为区域CO2通量估计提供一种兼顾高精度与物理一致性的新方法论。此外，研究还旨在为提高对中国陆地生态系统碳汇功能及其对气候变化响应的理解提供坚实的数据支持。

章节摘要

实测CO2通量数据
本研究系统性地整合了三个来源的通量观测数据：中国通量观测与研究网络（ChinaFlux, www.chinaflux.org, 访问日期2025年4月15日）（Yu et al., 2006）、全球FLUXNET2015数据集（https://fluxnet.org/data/fluxnet2015-dataset/, 访问日期2025年4月15日）（Pastorello et al., 2020b）以及国家青藏高原科学数据中心（TPDC, http://data.tpdc.ac.cn, 访问日期2025年4月15日）（Wang et al., 2025b）。从中国Flux获取了322个站点-年记录。

模型性能比较与评估
如表S5–S7及图3、图4、图5所示，MS-CarbonNet在CO2通量预测方面总体优于无约束模型和单变量模型。在验证集上，该模型对GPP、Reco和NEE的R2值分别为0.82、0.79和0.73，相比对比模型分别提升了0.04–0.21、0.08–0.25和0.13–0.47。在预测误差方面，MS-CarbonNet对GPP的RMSE为249.03 g C m?2 yr?1，对Reco为259.84 g C m?2 yr?1，对...

物理约束多源数据融合模型的优势
本研究提出的多源数据融合物理约束深度学习模型（MS-CarbonNet）在估计中国陆地生态系统三种关键CO2通量方面展现出优越的性能。该性能超越了传统ML模型和不含物理约束的消融模型（图3、图4、图5）。这一结果突显了将物理原理与数据驱动方法相结合的重大潜力，特别是在处理复杂问题时...

结论
本研究通过开发MS-CarbonNet——一种基于中国275个站点-年记录EC通量数据训练的物理约束深度学习模型——解决了物理一致的多通量CO2估计这一长期挑战。该模型纳入了双机制物理信息损失函数，不仅通过碳平衡约束强制施加静态碳平衡，还嵌入了动态自适应的生理相关性约束，使生理...

资助
本工作由云南省基础研究计划（编号202501AS070047）、国家自然科学基金（编号32260390）和西南林业大学林业创新项目（编号LXXK-2023Z06）资助。

代码可用性
本研究中用于模型训练、评估和分析的代码使用Python的TensorFlow Keras API实现。源代码可根据合理请求向通讯作者获取。为确保可重复性，所有关键实现细节，包括模型架构、超参数配置和数据预处理流程，均已在方法部分完整描述。

CRediT作者贡献声明
夏莱雁：撰写–初稿、方法、调查研究、数据整理。滕晨凯：软件。张佳龙：撰写–审阅与编辑、监督。谭洪建：方法、概念化。孔德国：概念化。薛芬：验证。罗凯：验证。姜鑫洲：验证。周赛：验证。

夏莱雁|滕晨凯|张佳龙|谭洪建|孔德国|薛芬|罗凯|姜鑫洲|周赛