基于机器学习方法估算冠层导度

《Agricultural and Forest Meteorology》：Machine learning-based approach for estimating canopy conductance

　　机器学习模型在模拟Gs方面优于Jarvis型模型。随机森林揭示休眠期较高的Gs主要受Ta和RH控制。改进的Gs模拟在一定程度上增强了亚高山森林的日ET估算精度。**引言**蒸散（ET）是连接水循环、碳循环和能量循环的关键纽带，是生态系统水平衡和能量平衡的重要组成部分，也是生态过程与水文过程之间的关键界面（Zhou等，2020）。准确的ET估算是水资源可持续开发、利用和调配的基础。可靠的ET模拟（尤其是使用Penman-Monteith（P-M）方程时）的核心在于冠层导度（Gs），它代表气孔导度从叶片到冠层的尺度转换（Huang等，2007）。气孔是分布在叶片表面的微观孔隙，是植被与大气之间水汽交换的主要通道（Damour等，2010）。气孔通过调节蒸腾作用，控制植物的水分状态、干旱敏感性和资源竞争，最终影响从景观到全球的水文过程（Hetherington and Woodward，2003；Lin等，2022）。尽管Gs的直接测量仍然十分困难（Chen等，2020；Li等，2016；Shan等，2019；Srivastava等，2018），但开发将气孔功能与植物性状及环境驱动因子联系起来的稳健数学模型，对于预测生态系统响应和解释观测到的生理行为都具有重要的价值（Buckley，2017）。这一建模挑战在亚高山暗针叶林中尤为关键，因为准确的ET模拟对于理解区域水平衡以及支持有效的森林和水资源管理至关重要。经验模型和过程模型已被广泛用于模拟Gs。经验模型具有数据依赖性强、外推能力强、能够阐明协变量关系等优势（Houshmandfar等，2021）。然而，其开发往往受到先验实验对植物-环境响应表征的约束（Ball等，1987；Jarvis，1976；Macfarlane等，2004；Monteith，1995），并面临参数无法直接测量（Shao等，2023）以及对多因子交互效应表征不足（Wang等，2020）等局限性。当应用于对比气候条件或涉及动态参数变化的情景（Jung等，2009；Powell等，2013；Trugman等，2018）时，经验模型的预测结果可能偏离实际的生理响应。其中，Jarvis型模型及其改进版本仍然使用最为广泛（Jarvis，1976；Wright等，2012）。尽管这些模型通过经验函数描述Gs对环境因子的响应，但它们隐含地假设影响变量之间相互独立（Lhomme，2001），这种简化在复杂环境条件下可能导致显著误差。相比之下，基于过程的气孔导度模型整合了基本的生理学原理，提供了更强的机制表征能力，并能更好地模拟干旱响应等过程。这些模型在土壤干燥条件和整合植物水分传输状态时尤为有利。尽管如此，它们仍面临参数化精度、捕捉复杂植物动态响应以及对过度简化假设的依赖等挑战（Sperry等，2017；Vialet-Chabrand等，2017）。因此，基于过程的模型尚未得到广泛应用（Choat等，2012；Sabot等，2020）。近年来，机器学习技术的快速发展促使越来越多的研究者将这些方法应用于植物响应预测（Chen等，2020；Johnson等，2016；Kurz等，2009；Liu等，2018；Pan等，2020；Papale and Valentini，2003；Périé and de Blois，2016；Van Klompenburg等，2020）。机器学习已被广泛证明能够增强复杂环境条件下的预测性能（Elavarasan and Vincent，2020；Ells??er等，2020；Houshmandfar等，2021；Liu等，2018；Silva等，2019；Van Klompenburg等，2020；Vitrack-Tamam等，2020），特别是通过捕捉气象和环境因子与Gs之间高度非线性和不稳定的关系。Lobell and Asseng（2017）提出，机器学习和其他统计方法可能在预测作物产量和评估气候变化影响方面优于生物物理模型。尽管具有这些优势，机器学习模型尚未被广泛用于精确的生理预测（如气孔导度和蒸腾速率）（Ells??er等，2020；Houshmandfar等，2021；Liu等，2018；Pan等，2020；Vitrack-Tamam等，2020），这主要是由于难以获取适当的训练数据来驱动模型开发（Silva等，2019）。此外，现有研究尚未对机器学习模型与传统气孔导度模型进行全面比较。气孔导度受多种环境因子的调节（Whitehead，1998）。其中，光强（Q）是调节气孔开度最动态的变量。Santos等（2021）证明了Gs与Q之间呈非线性渐近关系。除光照外，温度也起着关键作用。Jarvis（1976）提出，Gs对气温的响应可以用线性函数或最优响应曲线来描述。关于大气湿度，Lange等（1971）观察到，随着相对湿度（RH）降低，气孔倾向于关闭。然而，植物感知RH的机制仍存在争议（Buckley，2005；Meinzer，2002；Oren等，1999）。Aphalo and Jarvis（1991）提出，水汽压亏缺（VPD）可能比RH更适合作为Gs响应的预测因子。除这些大气驱动因子外，土壤水分供应也对气孔行为产生强烈影响。Fang等（2021）证明了在不同气候区域，Gs对土壤含水量尤为敏感，强调了局部环境条件在驱动气孔动态空间变异中的重要性。山地北方针叶林主要分布在北半球高纬度或高海拔的寒冷地区，也包括某些低纬度山脉（White and Cogbill，1992）。在中国，北方针叶林是最广的寒冷温带常绿针叶林类型之一（Zhang等，2023）。亚高山暗针叶林是长江上游的关键生态屏障，在水土保持方面发挥着不可或缺的作用。贡嘎山位于青藏高原东南边缘，是典型的高山-亚高山生态系统，是研究亚高山生态系统对气候变化在水分和碳循环方面响应的理想站点。为提高蒸散模拟精度，本研究评估了三种机器学习模型在估算冠层导度方面的性能，冠层导度是连接生态系统过程和蒸散的关键参数。其预测能力与使用相同数据集参数化的传统Jarvis型模型进行了基准比较（Houshmandfar等，2015）。随后，使用性能最佳的模型分析Gs动态并估算ET。核心科学目标是：比较机器学习方法与Jarvis型模型在不同环境条件下模拟Gs的相对有效性，并提出适用于亚高山暗针叶林及类似云杉-冷杉森林生态系统的稳健Gs建模框架。**章节摘要****研究区域**贡嘎山（29°20′N–30°20′N，101°30′E–102°15′E），位于青藏高原东缘（图1a），最高峰海拔7550 m。由于短水平距离内相对高差显著，完整的植被带谱沿海拔梯度分布，从干热河谷植被到冻原荒漠群落。暗针叶林是海拔2800至3700 m之间的主要树种，包括冷杉……**Gs模型比较与确定**通过组合各环境因子的候选表达式——即f??（DR）至f??（DR）、f??（VPD）至f??（VPD）、f?（Ta）、f?（TOD）以及f??（SWC）至f??（SWC）——共获得了30种不同的Jarvis型模型表达式。表1展示了产生最佳整体模拟性能的因子方程组合及其优化参数值。该选定的模型组合在α = 0.01置信水平下具有高度显著的相关性，以及……**因子对Gs模型的影响**Gs的生理和环境调控及其潜在调节机制，已在多种森林生态系统中进行了广泛研究，包括杨树人工林（Song等，2021）、亚热带暗针叶林（Xu等，2021）和温带落叶林（Wehr等，2017）。一般而言，Gs已被证明对VPD、辐射（如DR、净辐射（Rn）和PAR）、Ta和SWC有响应。本研究同样识别并验证了……**结论**本研究在贡嘎山亚高山暗针叶林中，将三种机器学习模型（SVM、RF和LSTM）与Jarvis型模型在模拟Gs方面进行了比较。所有模型在不同程度上再现了观测到的Gs动态，但机器学习模型整体表现优于Jarvis型模型。其中，RF模型表现最佳，具有最高的NSE和R2以及最低的MAE和RMSE，表明其作为……Gs模拟方法的潜力。**CRediT作者贡献声明****张心宇：** 撰写——审阅与编辑，撰写——原稿，验证，软件，方法论，正式分析，概念化。**王根绪：** 资源，经费获取，概念化。**常瑞英：** 验证，方法论，正式分析。**郭丽：** 撰写——原稿，方法论，概念化。**胡赵勇：** 验证，方法论，调查。**宋春林：** 软件，方法论，概念化。**李凯：** 撰写——原稿，可视化，监督，数据……张心宇 | 王根绪 | 常瑞英 | 郭丽 | 胡赵勇 | 宋春林 | 李凯 | 孙向阳