塔-卫星机器学习框架下泰国季节性干旱龙脑香林日总初级生产力估算及Sentinel-2条件性增益评估

《Forests》：A Tower-to-Satellite Machine Learning Framework for Daily Gross Primary Productivity Estimation in a Seasonally Dry Dipterocarp Forest, Thailand

　　

季节性干旱龙脑香林对碳吸收表现出强烈季节限制，但卫星预测价值仍不确定。研究人员在泰国Sakaerat评估了一个用于日总初级生产力（gross primary productivity, GPP）的塔到卫星框架，将698天涡度相关（eddy covariance, EC）数据和气象数据与来自约90%气候态通量足迹内非重叠10天中值合成的Sentinel-2植被指数相结合。合成影像通过仅向后匹配分配至EC日（最大时效：45天）。四种算法接受了嵌套净化分块交叉验证和独立的184天留出集（2026年2月至8月）评估。2025年，日间划分（daytime-partitioned, DT）GPP为2302.62 g C m^?2 yr^?1，其中79%发生在雨季，而夜间划分（nighttime-partitioned, NT）GPP高60.11%。在开发阶段，Sentinel-2降低了随机森林（random forest）和XGBoost的误差，但在DT下增加了支持向量回归（support vector regression, SVR）和岭回归（ridge regression）的误差；在NT下，四种算法均改善。M4-SVR具有最低的平均外层折均方根误差（root mean square error, RMSE）（1.582，而M1-SVR为1.586 g C m^?2 d^?1），但合并的折外（out-of-fold, OOF）RMSE更高（1.751对1.649）。留出集性能下降（RMSE = 3.313 g C m^?2 d^?1；R² = 0.404），并出现季节内负R²和高GPP低估。这些结果表明，在季节和气象基线之外存在条件性卫星增益，但季节内日尺度技能有限；全年和跨站点泛化仍未检验。

研究背景方面，总初级生产力（gross primary productivity, GPP；生态系统光合固碳总量）是陆地生物圈与大气之间最大的总碳通量，调控生态系统碳输入、生物量生产及气候—碳反馈；净生态系统交换（net ecosystem exchange, NEE；光合吸收与生态系统呼吸的差值）则用于判断森林碳源汇功能。涡度相关（eddy covariance, EC；微气象通量观测方法）可连续观测NEE并划分得到GPP，但受摩擦风速过滤、缺失数据重建及日间/夜间划分影响，且EC源区为动态通量足迹（flux footprint；塔观测源区）而非固定区域。Sentinel-2虽能以10—20 m分辨率表征冠层，但卫星像元/合成与塔源区在时空上不匹配；机器学习可表达非线性关系，但时间结构数据在随机划分下易产生过乐观性能。泰国Sakaerat季节性干旱龙脑香林（dry dipterocarp forest, DDF）具有明显季风气候、旱季落叶、反复火烧及强水分限制，是检验卫星信息是否在季节性和气象基线之外提供日GPP预测信息的严格场景。既有研究多强调植被指数相关、传感器/算法比较或全预测因子模型性能，尚未充分解析在同时考虑EC目标不确定性、塔—卫星匹配、时间依赖和时间泛化时，足迹匹配Sentinel-2对日GPP的增量价值。因此，研究人员在Sakaerat DDF构建测量感知的塔到卫星机器学习框架，以日累积GPP为目标，联合周期性更新的Sentinel-2植被指数、日气象变量和季节项，评估EC派生GPP对数据完整性、u^*阈值及DT/NT划分的敏感性，检验Sentinel-2在控制年日序（day of year, DOY）季节性后与GPP的关系及其对合成时效和有效足迹覆盖的敏感性，并通过预定义特征消融量化Sentinel-2在随机森林（random forest, RF）、极端梯度提升（extreme gradient boosting, XGBoost）、支持向量回归（support vector regression, SVR）和岭回归（ridge regression）中的增量预测价值。研究意义在于识别卫星冠层信息何时具有信息量，而不声称改进EC测量精度、业务化日预测技能或跨站点可迁移性。

关键技术方法不超过250字：研究基于泰国Sakaerat DDF单塔698天EC与气象数据（2024-09-19至2026-08-17）及Sentinel-2 Level-2A；以通量足迹预测（Flux Footprint Prediction, FFP）模型估计约90%气候态足迹并提取EVI、NIRv、NDRE、LSWI等；采用非重叠10天中值合成和仅向后匹配（≤45天）；EC经双差去噪、REddyProc进行u^*过滤、边际分布采样（marginal distribution sampling, MDS）插补及DT/NT划分；开展Spearman与DOY控制关联、M0—M5消融、四种算法、嵌套净化分块交叉验证、184天独立留出、移动块bootstrap、置换重要性和SHAP分析。

研究结果如下。3.1 数据质量、通量处理与观测支持：EC数据集覆盖698天、33 504条半小时记录；主阈值检出659条异常记录，占筛查前可用NEE观测2.51%；经质控和REddyProc后直接测量NEE占最终数据集38.95%，其余61.05%为插补，日测量比例中位数33.33%，≥75%覆盖日112天、≥90%覆盖日27天；u^*情景间NEE差异中位数仅0.106 μmol CO₂ m^?2 s^?1，但95分位约5.23 μmol CO₂ m^?2 s^?1。3.2 EC派生GPP与NEE的季节动态：DT与NT GPP日值强相关（r=0.836），但均值分别为5.39和8.50 g C m^?2 d^?1，NT在698天中623天高于DT；2025年DT-GPP为2302.62 g C m^?2 yr^?1，雨季占约79%，年NEE-U50为+35.09 g C m^?2 yr^?1且u^*情景范围跨零；月度诊断显示部分月份直接测量覆盖低，绝对碳收支需谨慎解释。3.3 塔—卫星匹配与Sentinel-2时间可用性：FFP显示雨季风向集中于北至东北、干季方向更分散；约90%气候态足迹固定感兴趣区（area of interest, AOI）为2.229 km²，80.3%森林、18.5%农田、1.2%道路；71个10天窗口中55个具有四个主指数完整值，48个合格研究内合成；689/698 EC日获匹配（98.7%），但仅由49个唯一合成支持，平均复用14.1天，中位VI年龄7天，雨季匹配日更少且合成更旧。3.4 GPP与预测因子的季节关联：Spearman分析中潜热通量（latent heat flux, LE）与GPP正相关最强（ρ=0.817），EVI、LSWI、NIRv、SAVI亦强正相关；DOY控制后LE仍最强，干季EVI、NIRv、NDRE、LSWI保留正关联且合成簇置信区间排除零，雨季日尺度关联弱且多不确定；将GPP聚合至48个10天合成窗口后，四个主指数在全期和DOY控制后均呈强正关联，干季亦稳健，雨季仅16个窗口且作为敏感性证据。3.5 Sentinel-2的增值：消融分析：仅含季节性的M0已解释较大GPP变异，SVR和Ridge合并折外R²分别达0.802和0.817；DT目标下，M1至M3加入Sentinel-2使RF和XGBoost的RMSE分别降低0.147和0.122 g C m^?2 d^?1，但使SVR和Ridge误差分别增加0.110和0.266 g C m^?2 d^?1；M3仅在6个外层折中的3—4个折占优；M4至M5加入H和LE进一步降低SVR RMSE 0.184 g C m^?2 d^?1，但M5仅作为塔增强基准。3.6 机器学习算法比较：20个M0—M4×四算法候选中，M4-SVR平均外层折RMSE最低（1.5822 g C m^?2 d^?1），M1-SVR次之（1.5862）；但合并180个验证日时M1-SVR的RMSE低于M4-SVR（1.649对1.751），配对差?0.102 g C m^?2 d^?1；排名稳定性分析显示M4-SVR仅在6次留一折比较中1次居首，重采样中M1-SVR居首频率32.6%高于M4-SVR的30.8%。3.7 独立留出性能与峰值GPP偏差：184天留出集上，M3较M1在四算法总体RMSE均降低，但DT下bootstrap置信区间仅SVR和Ridge排除零；M4-SVR留出R²=0.404、RMSE=3.313 g C m^?2 d^?1、MAE=2.496、rRMSE=64.43%、平均偏差+1.433；干季R²=?0.051、雨季R²=?0.331；观测GPP>10 g C m^?2 d^?1的30天中平均偏差?3.003 g C m^?2 d^?1，29天残差为负。3.8 模型归因与预测因子组贡献：分组置换显示季节性组归因最大（ΔRMSE=1.195 g C m^?2 d^?1且置信区间全大于零），Sentinel-2第二（0.279，但置信区间跨零），气象最小（0.014，跨零）；单变量置换和SHAP均以DOYcos、DOYsin最高，Rg×NIRv交互无明确额外增益。3.9 稳健性与不确定性分析：2025年DT-GPP在U05—U95间变化不超过2.40%，年NEE改变符号，NT-GPP比DT-GPP高60.11%；DT下开发期Sentinel-2增值方向随算法而变，NT下四算法均改善，留出集两种目标下ΔRMSE均为正但置信区间支持不一；≥75%直接测量NEE子集改变性能；VI年龄≤15天子集方向大体保留但样本组成偏向非雨季；仅森林提取使EVI、NIRv、NDRE、LSWI均值升高且雨季差异更大；2026年2月火事件窗口dNBR升高，但不能独立确定过火范围或对EC通量的因果影响。

讨论部分总结：原文指出雨季集中79%年DT-GPP，符合干旱诱导落叶后湿季恢复的季节碳动态；但61.05% NEE为MDS插补，且插补使用气象信息，与机器学习预测因子存在结构依赖，≥75%直接测量子集仅作为观测支持敏感性而非独立GPP参考；DT与NT年GPP相差60.11%，说明通量划分假设显著影响GPP量级及卫星增量价值结论，年NEE跨零使碳源汇状态不确定。干季Sentinel-2指数在DOY控制和合成簇推断后仍与GPP正关联，合成尺度关联亦支持冠层变化信号，但雨季日尺度关联弱且不确定；LE在DOY调整后仍与GPP最密切，尤其雨季，但LE包含蒸腾与非蒸腾蒸发，不能独立证明气孔调控。Sentinel-2增量价值取决于算法、评估时期和EC派生目标定义，并在观测支持子集中不稳定性显现；VI年龄限制改变评估样本而非增加唯一卫星观测，故不能将较大ΔRMSE solely归因于更新卫星信息。时间泛化方面，开发期排名未保证后期性能，M3总体RMSE低于M1但季节内R²为负，表明合并性能主要反映季节GPP水平分离而非季节内日尺度准确预测；高GPP低估跨模型配置出现，不能仅归因于SVR。不确定性源于EC动态源区与固定AOI非加权空间均值不匹配、混合地类、Sentinel-2 10天合成时间支持有限、单塔单完整年及留出集同站点；更高频VIIRS或HLS等替代未评估。结论部分翻译：本研究在泰国Sakaerat干旱龙脑香林评估了用于估算日GPP的塔到卫星机器学习框架。结果揭示碳交换强烈季节变化，2025年DT-GPP为2302.62 g C m^?2 yr^?1，约79%发生在雨季。年NEE在u^*情景下为?3.98至+60.92 g C m^?2 yr^?1，表明年碳源汇状态不确定。DT-GPP在u^*情景间变化不超过2.40%，而NT-GPP比DT-GPP高60.11%，显示对通量划分方法的显著敏感性。Sentinel-2植被指数与GPP呈强季节关联，但其增量预测价值随算法和GPP目标变化。开发期，Sentinel-2降低RF和XGBoost的DT-GPP预测误差但增加SVR和Ridge误差，而NT-GPP下四算法均改善。独立留出集上，M3在两种GPP目标下对四算法均较M1降低RMSE，但DT下仅SVR和Ridge的95% bootstrap置信区间排除零，NT下四算法均排除。M4-SVR取得最低开发期平均外层折RMSE（1.582 g C m^?2 d^?1；合并R²=0.823），但留出集性能下降（RMSE=3.313 g C m^?2 d^?1；R²=0.404）。季节内负R²（干季?0.051；雨季?0.331）和高GPP低估进一步揭示日GPP预测局限，尽管合并性能较强。总体而言，该框架受控评估了间歇更新Sentinel-2冠层指数何时在季节和气象基线外增加预测信息，同时揭示对通量划分和时间验证的敏感性；它补充而非改进EC派生GPP分析，可靠季节内日预测和跨站点可迁移性仍未确立。