摘要
长短期记忆（LSTM）网络能够有效地捕捉生态系统碳通量预测中的时间依赖性，但它们所学习到的时间模式究竟反映的是真实的生态记忆，还是源于架构偏差，目前尚未得到充分探索。本研究开发了一种LSTM-注意力模型，用于预测净生态系统交换（NEE）的两个组分流——总初级生产力（GPP）和生态系统呼吸（Reco），并提出了一套用于验证整合梯度（IG）归因的方法，该方法包含两个互补实验。时间随机打乱测试用于检验归因模式是否依赖于输入的时序顺序，而时间步消融则用于确认模型对各个输入月份的功能依赖性。该模型被应用于北美地区43个通量塔站点，涵盖落叶阔叶林（DBF）、常绿针叶林（ENF）和草地（GRA），在六种配置下，测试集 R2 为0.75–0.90，且在10成员集成中表现出高度的归因稳定性。GPP在三个生物群落中均表现出近期主导的时间记忆特征，而Reco则表现出依赖生物群落的结构特征：在DBF中表现为长期记忆（t = ?6时 R2 下降47.68%），在GRA中表现为近期主导（t = ?1时 R2 下降125.26%），在ENF中则表现为介于两者之间的行为。时间随机打乱使生态系统特异性模式崩溃或重新组织，而消融的 R2 下降在所有六种配置中与IG归因分布定性一致。分解分析进一步揭示，NEE记忆中的长期成分主要来自Reco，而短期成分主要来自GPP。本工作提供了一种可迁移的方法论，用于在深度学习归因分析中区分具有生态学意义的时间信号与统计伪影，在地球科学领域具有广泛的适用性。
通俗语言摘要
生态系统会以各种方式"记住"过去的环境条件，这些记忆会影响当日的二氧化碳交换。例如，森林夏季的碳吸收可能取决于几个月前的条件。深度学习模型能够检测到这类时间依赖性，但它们所识别出的模式究竟反映的是真实的生态过程还是统计伪影，目前尚不清楚。我们构建了深度学习模型，用于预测北美地区43个站点的光合作用碳吸收（GPP）和呼吸碳释放（Reco），这些站点涵盖落叶阔叶林、常绿针叶林和草地。随后，我们开发了两种独立测试，以验证这些时间模式确实反映了模型对过去条件的利用方式。在所有三个生态系统中，光合作用主要受最近一个月的影响，而呼吸则表现出不同的模式：落叶林呼吸最受5至6个月前条件的影响，草地呼吸主要受最近一个月的影响，而常绿林呼吸则在两种时间尺度上均有响应。在森林中，长期记忆主要来自土壤和根系呼吸，而短期响应则来自光合作用。在草地中，两个过程主要响应近期条件。两种测试均确认这些模式反映了真实的生态依赖性，而非统计伪影。这种验证方法可以提高利用深度学习进行环境科学探索的信心。
利益冲突声明
作者声明不存在与本研究相关的利益冲突。
可用性声明
本研究使用的涡度相关通量数据为公开数据。AmeriFlux FLUXNET数据产品于2024年10月22日从AmeriFlux数据门户（https://ameriflux.lbl.gov）获取，FLUXNET2015数据集于2024年11月5日从https://fluxnet.org获取。各站点的数据产品分别引用如下：CA-Cbo（Staebler, 2026）；US-WCr（Desai, 2026）；CA-TPD（Arain, 2025）；US-UMd（Classen等, 2026）；US-UMB（Classen等, 2023）；US-Oho（Chen等, 2021）；US-xBR（NEON, 2025）；US-MOz（Wood & Gu, 2026）；US-MMS（Novick & Phillips, 2026）；US-ONA（Silveira & Bracho, 2026）；US-Ro4（Baker & Griffis, 2026）；US-Hn2（Liu等, 2026）；US-ARb（Torn, 2019a）；US-ARc（Torn, 2019b）；US-A32（Billesbach等, 2018）；US-KFS（Brunsell, 2026）；US-Var（S. Ma等, 2026）；US-KLS（Brunsell, 2025）；US-Wkg（Scott, 2026a）；US-NGC（Torn & Dengel, 2026）；US-SRG（Scott, 2026b）；PA-SPs（Wolf等, 2016a）；CA-Qfo（Margolis, 2016）；US-GLE（Massman, 2016）；US-Me2（Law, 2016）；CA-TP1（Arain, 2016a）；CA-TP2（Arain, 2016b）；CA-TP3（Arain, 2016c）；CA-TP4（Arain, 2016d）；US-Blo（Goldstein, 2016）；US-Prr（Kobayashi & Suzuki, 2016）；US-BZS（Euskirchen, 2025）；CA-NS1（Goulden, 2016a）；CA-NS2（Goulden, 2016b）；CA-NS3（Goulden, 2016c）；CA-NS4（Goulden, 2016d）；CA-SF1（Amiro, 2016a）；CA-SF2（Amiro, 2016b）；US-NR1（Blanken等, 2016）；US-Goo（Meyers, 2016）；PA-SPn（Wolf等, 2016b）；US-AR1（Billesbach等, 2016a）；US-AR2（Billesbach等, 2016b）。MOD13Q1可在https://ladsweb.modaps.eosdis.nasa.gov/search/下载。GLASS LAI和FAPAR产品可在GLASS项目官方网站（https://glass.hku.hk/download.html）获取。GOSIF可在全球生态研究组数据仓库中获取（https://globalecology.unh.edu/data/GOSIF.html）。来自北京大学GIMMS NDVI产品（1.2版）的NDVI可在Zenodo上获取（Li等, 2023b）。支持本研究的模型代码、输入数据和输出结果已归档于Zenodo（T. Ma, He, & Huang, 2026）。
