基于地理加权 XGBoost 框架估算全球站点级净生态系统交换

《Journal of Geophysical Research: Biogeosciences》：Estimating Global Site-Level Net Ecosystem Exchange With a Geographically Weighted XGBoost Framework

　　

摘要

净生态系统交换（NEE）是陆地碳源汇动态的关键指标，但由于空间异质性和稀疏的通量观测，在全球通量站点中仍然难以估算。现有模型忽视了局部变异性，限制了站点级 NEE 估算的准确性。地理加权回归（GWR）通过允许模型参数随空间变化，捕捉了环境变量对 NEE 影响的空间非平稳性。本研究开发了一个地理加权极端梯度提升（GWXGBoost）框架，将 XGBoost 在建模复杂非线性关系方面的优势与 GWR 的空间显式性相结合。使用来自 387 个全球通量站点的 8 天数据和遥感预测变量，我们针对每个站点局部优化模型参数，以考虑 NEE 驱动因子的空间异质性。我们的结果表明，在 36% 的站点中，水相关变量在 GWXGBoost 中占据主导地位，特别是在干旱地区。GWXGBoost 框架优于传统的全球模型，在 8 天尺度上实现了 R² = 0.63 和 RMSE = 1.21 g C m^?2 day^?1——与全球建模相比，R² 高出约 40%，RMSE 低约 20%。模型在站点尺度的准确性得到提升（R² = 0.84），并在大多数植物功能类型中保持稳健，在落叶阔叶林中值最高（R² = 0.80），在草原中值最低（R² = 0.37）。跨 140 个通量站点的独立验证（R² = 0.61）证明了模型的稳健性和多尺度泛化能力。此外，局部建模产生的 NEE 估算与观测值更一致，比全球模型更好地捕捉了站点特定的 NEE 控制因素。我们的研究表明，使用局部模型对空间异质性进行建模可以提高 NEE 预测并支持碳预算评估。

通俗语言摘要

估算净生态系统碳交换（NEE）——陆地碳源和汇的关键指标——由于空间异质性和稀疏观测而具有挑战性。传统的全球模型使用捕捉广泛环境梯度的预测变量（包括气象和植被预测变量）来考虑空间异质性。然而，此类方法往往无法完全捕捉环境驱动因子与 NEE 之间关系的空间非平稳性，导致预测准确性有限。我们开发了一个地理加权极端梯度提升（GWXGBoost）框架，整合了 XGBoost 和地理加权，以表征局部空间变化。使用 387 个全球通量站点和卫星衍生环境变量，该框架生成特定站点的 NEE 预测。水相关变量主导 NEE 调节，特别是在干旱地区。GWXGBoost 优于常规全球模型，解释了 63% 的 8 天 NEE 方差，比全球对应模型高出 40%，且误差更低。在站点尺度上准确性达到 84%，在不同生态系统间差异显著，落叶阔叶林优于草原。对另外 140 个通量站点的独立验证确认了其稳健的性能。GWXGBoost 比全球模型产生更准确的多尺度 NEE 预测和站点一致的估算。该框架为监测陆地碳动态和细化气候预测提供了改进的工具，对全球碳预算评估具有重要意义。

利益冲突

作者声明本研究无相关利益冲突。

可用性声明

用于模型训练和内部验证的碳通量数据来源于"A Data set of 8-Day Carbon Flux Components for Global Terrestrial Ecosystems, 1991–2023"（Lin et al., 2025）。独立外部验证的数据来自以下通量网络：AmeriFlux (https://ameriflux.lbl.gov/)、ICOS (https://www.icos-cp.eu/)、OzFlux (https://www.ozflux.org.au/) 和 JapanFLUX (https://ads.nipr.ac.jp/japan-flux2024/)。本研究中使用的各个站点数据集对应的通量塔站点名称、IGBP、纬度、经度、开始年份、结束年份、数据来源、数据用途和参考文献完整列表已在 Zenodo 仓库中提供（Huang & Shi, 2026）。遥感和再分析数据获取自：中分辨率成像光谱仪（MODIS）陆地产品 (https://lpdaac.usgs.gov/)、GLASS 数据集 (https://glass.umd.edu/) 和 ERA5 再分析 (https://www.ecmwf.int/en/forecasts/datasets/reanalysis-datasets/era5)。本研究中使用的具体 MODIS 产品包括 MOD11A2（1 km，日间和夜间地表温度，https://lpdaac.usgs.gov/products/mod11a2v061/）、MCD15A2H（500 m，叶面积指数和光合有效辐射比例，https://lpdaac.usgs.gov/products/mcd15a2hv061/）、MOD09A1（500 m，表面反射率波段 1-7，https://lpdaac.usgs.gov/products/mod09a1v061/）、MOD17A2H（500 m，总初级生产力，https://www.earthdata.nasa.gov/data/catalog/lpcloud-mod17a2h-006）和 MOD16A2GF（500 m，蒸散发和潜在蒸散发，https://lpdaac.usgs.gov/products/mod16a2gfv061/）。使用了 2000 年至 2023 年的 ERA5 数据，并仅在通量塔位置提取 2 米气温变量，以填补这些站点衍生 MODIS 时间序列中的缺失值。支持本研究发现的数据集和分析代码已在 Zenodo 仓库中公开可用（Huang & Shi, 2026）。