评估用于估算加拿大泥炭地净生态系统交换的建模方法

《Scientific Reports》：Evaluating modeling approaches for estimating net ecosystem exchange in Canadian peatlands

　　

摘要

泥炭地是全球重要的碳库，然而泥炭地碳循环模型通常仅限于站点尺度。为了能够在缺乏原位测量的泥炭地预测二氧化碳 (CO₂) 通量，机器学习算法必须基于多个站点的原位 CO₂ 通量测量数据进行训练。在本研究中，汇编了覆盖七个生态区的 21 个加拿大泥炭地站点的全年涡度协方差 (EC) 衍生的净生态系统交换 (NEE) 测量数据和 32 个水文气候预测变量。对预测变量（特征）进行的综合特征选择工作流程确定，模型性能在四个特征时趋于稳定，即：蒸散发、燃烧面积指数、归一化水分指数和模拟土壤湿度。四种机器学习算法：ElasticNet 回归 (EN)、Light Gradient-Boosting Machine (LGBM)、随机森林回归 (RF) 和支持向量回归 (SVR) 使用预留测试数据进行训练和评估。表现最好的模型是 LGBM 模型，随后通过留一生态区法敏感性分析评估其泛化能力，该分析强调了在将此模型框架应用于其他站点之前，确保预测变量落在训练数据范围内的必要性。这些发现为区域尺度化提供了一个框架，以改善加拿大空间显式的 CO₂ 排放估计。