季节性冻融循环下森林土壤有机碳动态建模：东北小兴安岭地区CEEMDAN-LSTM-CNN混合深度学习框架的构建与碳固持意义

《Frontiers in Forests and Global Change》：Modeling forest soil organic carbon dynamics under seasonal freeze–thaw cycles: implications for carbon sequestration in cold-region forest ecosystems

　　

在温带至寒温带森林区域，季节性冻融过程对土壤有机碳（Soil Organic Carbon, SOC）动态及碳平衡产生显著影响。这些区域作为关键的碳汇，低温与周期性冻结抑制了有机质的分解。然而，在全球变暖背景下，冻结期的缩短和冻融循环的加剧可能加速土壤有机质的分解，向大气释放更多碳。因此，准确刻画冻融条件下SOC的变化对于理解陆地碳循环和改进区域碳评估至关重要。本研究中，研究人员选取中国东北小兴安岭一处典型季节性冻融林区作为研究地点，构建了一种融合自适应噪声完备集成经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN）、长短期记忆（Long Short-Term Memory, LSTM）网络和二维卷积神经网络（Convolutional Neural Networks, CNN）的混合深度学习框架，用以模拟森林SOC的时间动态。CEEMDAN方法被用于将非平稳的SOC序列分解为多个固有模态分量，有效提升了模型捕捉与冻融循环相关的非线性及多尺度变化的能力。CEEMDAN–LSTM–CNN模型展现出显著高于传统CNN–LSTM和LSTM模型的预测精度，R²分别提升了37.6%和47.8%，误差指标（RMSE、MAE、MAPE）降低了30%以上。优化后的模型实现了0.83的稳定R²，表明其具有强大的预测性能。这些结果表明，所提出的混合框架为模拟季节性冻融森林土壤中的SOC动态提供了一个稳健且精确的方法，有助于深化对寒冷区域生态系统碳过程及其对气候变化响应的理解。

**论文解读**

**一、研究背景与科学问题**

在全球陆地生态系统中，北半球高纬度和高海拔的永久冻土及季节性冻土区域是巨大的土壤有机碳（Soil Organic Carbon, SOC）储库，其碳储量超过全球SOC总量的50%，约为当前大气碳库的两倍。这些巨大的碳库与中高纬度森林生态系统高度重叠，低温与湿润环境抑制了有机质的分解，使该区域长期作为重要的碳汇（Carbon Sink）发挥功能。

然而，全球变暖和人类活动干扰正在显著削弱这些冻融环境的稳定性。在此背景下，冻融循环（Freeze–thaw Cycle）作为高纬度及高海拔区域的核心物理过程，对温度变化极为敏感。增温情景下，冻融节律的改变预计将削弱低温对有机碳的物理保护，加速历史上被封存的碳的分解，从而减少土壤碳储量，并可能引燃“增温–碳释放–进一步增温”的正反馈循环。已有观测数据显示，季节性冻土区森林土壤的碳循环过程正在发生显著变化，表层SOC持续下降，暗示区域碳汇功能存在减弱风险。因此，阐明季节性冻融作用下森林SOC的动态响应机制，准确量化碳汇与碳源（Carbon Source）转变的阈值，已成为模拟未来全球碳循环轨迹、评估气候反馈及制定有效气候缓解策略的核心科学挑战。

此前多数研究依赖于传统的多元线性回归方法，难以捕捉冻融条件下SOC动态的非线性波动和非平稳（Non-stationary）特征。尽管长短期记忆网络（LSTM）和卷积神经网络（CNN）等深度学习模型在捕捉复杂非线性模式方面优势显著，但LSTM对原始观测数据中的高频噪声敏感，而CNN的卷积结构在表征冻融驱动的长程非线性相互作用方面能力受限。为应对这一问题并将非平稳时间序列转化为更易处理的子序列，研究人员引入了自适应噪声完备集成经验模态分解（CEEMDAN）方法。该方法可在无需预设基函数的前提下，自适应地将非线性、非平稳信号分解为一系列固有模态函数（Intrinsic Mode Functions, IMFs），有效抑制了传统经验模态分解（EMD）中常见的模态混叠（Mode Mixing）问题，为后续的深度学习建模提供去噪和特征提取基础。

**二、研究内容与重要意义**

为克服传统统计及单一深度学习模型的局限性，研究人员以中国东北小兴安岭山脉带岭林业局东方红林场的天然针阔混交林季节性冻融区为研究对象，构建了CEEMDAN–LSTM–CNN混合预测模型。该模型通过CEEMDAN自适应信号分解与LSTM–CNN时序建模框架的协同，旨在从数据预处理和模型构建两个层面提升SOC动态的预测性能。

具体目标包括：（1）开发一个混合深度学习框架以提高季节性冻融条件下森林SOC动态的预测精度；（2）通过整合CEEMDAN信号分解与LSTM–CNN架构增强非线性时序特征的提取；（3）为理解SOC响应和支持气候敏感区森林碳管理提供一个可靠的方法学框架。本研究的重要科学意义在于，通过结合自适应信号分解和深度学习方法，克服了传统手段在捕捉冻融区SOC非平稳、多尺度波动方面的不足，为未来气候变化情景下森林碳循环响应的模拟和理解提供了新的分析工具与洞见。

**三、关键技术与方法概述**

在野外实验设计上，研究人员选取了非冻结期（7月）、冻融交替期（10月）、冻结期（1月）和融化期（3月）四个代表性时期，在小兴安岭典型季节性冻融林区设置了7个样地，采集表层（0–10 cm）土壤样本。基于野外实测的15天平均气温基准，通过室内控温培养实验模拟反复冻融过程（共计30个循环），并利用重铬酸钾–硫酸外加热法测定SOC含量。

在模型构建上，研究人员首先采用CEEMDAN方法将原始非平稳SOC序列自适应地分解为9个固有模态函数（IMFs）和1个残差分量，以降低数据的非平稳性并凸显内在的时序模态特征。随后，构建LSTM–CNN预测模块：每个IMF分量依次输入包含128个记忆单元的LSTM层以学习时序依赖关系；其后接续一维CNN层（包含512个卷积核，卷积核尺寸为3，激活函数采用ReLU）以提取多尺度局部特征，并应用最大池化和Dropout正则化（比率=0.2）防止过拟合。最后通过全连接层得到预测输出，模型采用Adam优化器（学习率0.001）进行训练。为验证模型有效性，研究中构建了单一LSTM模型和CNN–LSTM混合模型作为对照基线。

**四、主要研究结果**

**4.1 CEEMDAN分解与各IMF分量预测性能**

CEEMDAN方法将原始SOC序列分解为IMF₁至IMF₉以及一个残差分量，分解结果显示分量的频率和波动幅度依次递减，呈现出从高频细节到低频趋势的多尺度结构。每个IMF分量的振荡模式比原始序列更简单、规则，验证了分解结果的有效性。对IMF分量物理意义的深入分析表明：高频分量（IMF₁–IMF₃）具有较高预测误差，其波动可能源于随机噪声、测量误差或突发性外部干扰；中频分量（IMF₄–IMF₇）的预测精度显著提高，揭示了受温度、降水等系统性因素驱动的季节性及年际尺度的周期性演变；而低频和趋势分量（IMF₈–IMF₉及残差）变化平缓，反映土壤发育、有机质长期累积等多年代际尺度的稳定过程。

**4.2 不同预测模型性能对比**

相较于对照模型，CEEMDAN–LSTM–CNN混合模型展现出显著的性能优势。与单一LSTM模型相比，其均方根误差（RMSE）降低了32.3%，决定系数（R²）提升了47.9%；与CNN–LSTM模型相比，RMSE降低了22.8%，R²提升了37.5%。从拟合曲线来看，LSTM模型的训练集拟合分散，决定系数仅为0.5359；CNN–LSTM模型通过引入局部特征提取能力有所改善，训练集R²提升至0.5621，但仍因缺乏对原始数据的多尺度预处理而存在性能瓶颈。相比之下，CEEMDAN–CNN–LSTM模型实现了质的飞跃：训练集RMSE、MAE、MAPE分别较LSTM模型降低36.24%、37.04%、45.04%，R²急剧上升至0.8116。在测试集中，该模型的泛化能力亦显著优于对照，RMSE、MAE、MAPE较LSTM模型分别降低34.32%、39.28%、47.87%，R²达到0.8186，且训练集与测试集R²差值仅为0.7%，有效抑制了过拟合。

**4.3 CEEMDAN–LSTM–CNN混合模型的协同机制与泛化能力**

该混合模型的协同优势体现在两个方面。其一，CEEMDAN分解将原始复杂SOC序列解耦为对应不同生物地球化学过程的子序列，将全局建模难题转化为一系列更具针对性的子问题，从而为高精度预测奠定基础。其二，LSTM层通过门控机制学习各IMF分量内部的长程依赖关系，捕捉SOC变化的记忆效应和周期性模式；而后接的一维CNN层则充当“特征优化器”，从LSTM产出的高阶表征中进一步提取拐点、突变等具有强辨别力的局部模式，增强了模型对微妙动态变化的敏感性。二者形成从时序记忆到局部优化的特征学习管道，共同提升了预测精度与泛化稳定性。

**4.4 混合模型架构参数优化与性能调控**

为进一步提升模型性能，研究人员基于控制变量法系统优化了LSTM–CNN混合架构的超参数。以“基准CEEMDAN–LSTM–CNN”模型（128个LSTM单元，单层结构，512个CNN卷积核，核尺寸3，池化窗口1，单卷积层）为基准，依次调整关键参数构建了八种对比配置。实验结果表明：将LSTM隐藏单元增至256或扩展为双层堆叠结构并未带来显著增益，反而可能导致梯度传播问题或过拟合；减少CNN卷积核数量至256或缩小卷积核尺寸至2均削弱了模型的特征提取能力；将池化窗口增大至2则导致高频细节信息丢失，精度下降。相比之下，引入双层堆叠CNN结构（方案7：LSTM128_StackedCNN_K3_P1）实现了最显著的性能提升，表明加深卷积特征提取通路的层次结构，而非单纯增加LSTM的深度或宽度，更能有效提升模型的表达力和鲁棒性。该最优配置在所有评价指标上均表现最佳，稳定R²达到0.83，较基准提升了2.53%。

**五、总结与讨论**

本研究证实了CEEMDAN–LSTM–CNN混合框架在应对季节性冻融区森林SOC动态预测任务中的可靠性与优越性。更精确的SOC模拟有助于增强对寒区森林碳汇稳定性的评估，深化对SOC响应气候变暖和冻融干扰的机理认识，并为适应性森林碳管理及气候缓解策略提供科学支撑。在局限性上，文章指出，本研究的土壤样本来源于小兴安岭代表性季节性冻融森林生态系统，未来需在不同林型、气候区和生态系统条件下验证该框架的普适性和可迁移性；同时，当前模型主要聚焦于SOC变化中的非线性时序模式提取，尚未明确纳入微生物活动、土壤理化性质及碳转化过程等关键生态驱动机制。

**研究结论：** 本研究提出了一个CEEMDAN–LSTM–CNN混合模型以模拟季节性冻融区森林SOC的动态变化。通过集成CEEMDAN信号分解与深度学习，该模型有效解决了SOC数据固有的非平稳性和模态混叠问题。CEEMDAN自适应地将原始SOC序列分解为IMFs，使LSTM和CNN组件能够分别捕捉长程依赖性和局部时序特征。实验结果表明，CEEMDAN–LSTM–CNN模型的预测精度显著高于传统LSTM和CNN–LSTM模型，所有主要性能指标均获改善，拟合精度和泛化能力同步增强。进一步的超参数优化证实，加深卷积特征提取路径而非增加LSTM深度或宽度，能最有效地提升模型鲁棒性和预测性能，最优配置实现了0.83的稳定R²。总体而言，该研究确认了“分解–集成”式深度学习框架在复杂环境时间序列预测中的有效性，所提出的方法为水文、气象和生态预测任务中提供了一个稳健且可迁移的建模途径。未来研究应整合更多环境驱动因子并探索Transformer或注意力机制等先进架构，以进一步增强模型的泛化能力和可解释性。