修正跨全球生物群区双叶光能利用率模型中总初级生产力估算的水分胁迫相关偏差

《Science of Remote Sensing》:Correcting water-stress-related bias in gross primary productivity estimates from a two-leaf light-use-efficiency model across global biomes

【字体: 大 中 小 】 时间:2026年07月26日 来源:Science of Remote Sensing 7.1

编辑推荐:

  总初级生产力是陆地碳循环的基础,然而广泛使用的光能利用率 模型常因对水分胁迫表达不充分而表现出系统性偏差。为解决这一局限性,研究人员开发了LUE-XGBoost这一混合LUE模型,该模型集成了一个数据驱动模块,以修正修正双叶光能利用率 框架内GPP估算的水分胁

  
总初级生产力是陆地碳循环的基础,然而广泛使用的光能利用率 模型常因对水分胁迫表达不充分而表现出系统性偏差。为解决这一局限性,研究人员开发了LUE-XGBoost这一混合LUE模型,该模型集成了一个数据驱动模块,以修正修正双叶光能利用率 框架内GPP估算的水分胁迫相关偏差。研究人员重新优化了RTL-LUE中针对温度、饱和水汽压差 (VPD) 和辐射的约束函数,以减少基线结构误差,随后使用XGBoost算法,结合对水分胁迫敏感的预测因子,即植被光学厚度 (VOD)、土壤湿度 (SM) 及其滞后项,来学习剩余的残差误差。在时间站点年份保留评估中,数据集包含了534个训练站点年和341个时间保留测试站点年,未经残差修正的精细RTL-LUE(基线)表现明显优于现有的LUE模型。加入数据驱动的残差模块进一步改进了GPP估算,并显示出强泛化能力(在日尺度和8天尺度上的测试R2 (RMSE)分别为0.70 (2.43 gC m?2 day?1)和0.75 (2.08 gC m?2 day?1)),优于主流LUE模型(日尺度R2提高18.6%至27.3%,RMSE降低13.9%至23.9%)。尽管纯数据驱动的XGBoost模型实现了略高的整体精度,但LUE-XGBoost在严重干旱和高温条件下表现出更强的稳健性。沙普利加性解释分析强调了水分状态预测因子的重要性,包括SM与VOD的交互作用以及滞后VOD,表明时间滞后的植被水分状态信息对残差修正有贡献。总体而言,新模型展现出增强的稳健性和可移植性,从而在全球尺度上改进了GPP估算。
总初级生产力 是陆地碳循环的核心指标,决定了陆地碳汇的潜力。目前,估算GPP的方法主要包括经验模型、基于过程的机理模型和基于光能利用率 (LUE) 的半经验模型。LUE模型将GPP模拟为吸收的光合有效辐射 (APAR)、光能利用率和环境胁迫标量的乘积,因参数少、数据需求低而被广泛应用。然而,现有的LUE模型在表示水分胁迫时常采用预设的瞬时标量,隐含了植被光合作用对水分可用性响应是即时且静态的假设。大量观测证据表明,植被对水分胁迫的响应具有非线性、时间滞后性和生态系统依赖性,这导致传统LUE模型在水分胁迫区域存在持续的估算偏差。为解决上述问题,研究人员以修正双叶光能利用率 (RTL-LUE) 框架为基础,提出了一种结合物理过程与数据驱动的混合模型LUE-XGBoost。该研究重新定义了温度、饱和水汽压差 (VPD) 和太阳辐射的约束函数,并引入机器学习 算法来学习与未解决水分状态效应相关的残差误差。通过充分挖掘瞬时与历史累积的水分信号,有效改善了全球尺度GPP估算的准确性与稳健性。该研究成果已发表在《Science of Remote Sensing》期刊。

在关键技术方法方面,研究人员首先基于分位数回归和最小二乘法重新校准了温度、VPD和辐射的响应参数,构建了物理约束基线模型。随后,引入极致梯度提升 算法处理多源遥感与气象数据,利用植被光学厚度 (VOD)、土壤湿度 (SM)、降水及其多尺度滞后项和交互项作为预测因子,对基线模型的GPP残差进行学习。样本队列主要来源于全球206个通量塔站点的FLUXNET2015数据集。最后,运用沙普利加性解释 (SHAP) 方法解释各特征因子的非线性贡献与滞后效应,并通过决定系数 (R2) 和均方根误差 (RMSE) 进行模型评估。

模型参数化结果
通过全局参数优化与校准,研究得出了不同植物功能型 (PFT) 在温度、VPD和辐射响应上的生理特征参数。例如,C4作物和稀树草原更适应高温环境,常绿阔叶林和灌木具有较强的耐寒性。在VPD响应方面,C3作物对中度大气干燥表现出高敏感性,而混交林展现出极强的抗旱能力。光照响应参数表明,C4作物具有高光饱和点和高光能利用率策略,而不同植被类型在光响应陡度上存在显著差异,这些参数的优化使模型在生理机制上更加贴合实际。

模型性能评估
在日尺度评估中,经物理优化的LUE-baseline模型的精度显著优于现有LUE模型。加入水分胁迫相关预测因子的LUE-XGBoost模型表现最佳,在大多数PFT中实现了最低的RMSE和较高的R2。在8天尺度上,LUE-XGBoost进一步提升了对短期变化和中长期趋势的平衡能力,在所有PFT中均取得最低RMSE。严格的独立站点验证显示,LUE-XGBoost在未见过的通量塔站点上仍保持稳定的预测能力。通过基于干旱指数 (AI) 的水分限制分层评估,结果表明该残差修正模型在水分受限条件下改进更为显著,但在湿润且高温条件下改进有限甚至略有降低。

水分控制协同与滞后效应的SHAP分析
利用SHAP方法对残差修正项中的水分相关预测因子贡献度进行分解。结果显示,瞬时的水分胁迫标量与降水是主导预测因子。SM与VOD的交互作用以及多个滞后的VOD特征具有极高的重要性,证实了纳入滞后和协同效应的必要性。高历史冠层生物量或快速生长(高滞后VOD)意味着更高的蒸散发需求和更快的水分消耗,导致在给定的当前水分状态下,历史高耗水会加剧实际水分限制,从而产生负残差修正。分PFT的SHAP排序证实了滞后VOD信号在不同植被类型模型残差修正中的普适重要性。

讨论部分总结与结论翻译
在混合LUE框架中,加性残差修正策略比乘性残差策略更具实用性,因为它直接匹配绝对残差学习目标,允许正负修正,避免了乘性方法在极端值下的模型不稳定性。虽然纯XGBoost模型整体精度略高,但在严重干旱和高温条件下,融合物理机制的LUE-XGBoost表现出更强的稳健性。研究也指出模型存在不确定性,主要源于遥感产品与通量塔观测的空间尺度不匹配、简单化处理的水分过程以及生态系统的异质性。研究最终得出结论:重新校准的环境标量提供了可靠的生理基线,LUE-XGBoost成功整合了滞后水分特征,在敏感性生态系统中提升尤为明显,并揭示了瞬时水分与历史耗水对GPP的相反调控作用。LUE-XGBoost为融合过程机理与机器学习以改进全球GPP估算提供了有效途径。未来研究应利用高时空分辨率遥感数据,更精细地刻画多尺度水分动态及其对碳循环的影响。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号