从数据驱动建模视角改进青藏高原陆地碳收支估算:记忆效应与土壤有机碳的关键作用

《Global and Planetary Change》:Refining terrestrial carbon budget estimates for the Qinghai-Tibet Plateau from a data-driven modeling perspective: the pivotal roles of memory effects and soil organic carbon

【字体: 大 中 小 】 时间:2026年09月19日 来源:Global and Planetary Change 4.7

编辑推荐:

   **摘要** 青藏高原(QTP)拥有对气候变化高度敏感的陆地生态系统,但其碳收支的量和分布仍不确定。为此,我们利用长短期记忆(LSTM)网络开发了数据驱动模型,通过整合36个站点(105.5站年)的涡度协方差通量观测数据、卫星反演的地表数据和格点气象与土壤变量,对青藏高原的

  

**摘要**

青藏高原(QTP)拥有对气候变化高度敏感的陆地生态系统,但其碳收支的量和分布仍不确定。为此,我们利用长短期记忆(LSTM)网络开发了数据驱动模型,通过整合36个站点(105.5站年)的涡度协方差通量观测数据、卫星反演的地表数据和格点气象与土壤变量,对青藏高原的生态系统净交换量(NEE)进行了估算。我们显式检验了记忆效应(定义为过去环境条件对当前NEE的持续影响)以及土壤有机碳(SOC)的作用。完全配置的LSTM模型有效捕捉了训练集和测试集中NEE的季节动态,在灌丛(R2=0.92,RMSE=0.36 g C m?2 day?1)和湿地(R2=0.77,RMSE=0.61 g C m?2 day?1)中表现最佳。放大估算表明,2003至2018年间,青藏高原整体上是一个净碳汇,年均固碳量为38.20 Tg C yr?1。显著的碳汇出现在西部草地和东部草甸;高寒草甸和草地是主要贡献者,湿地作用较小,而灌丛则表现为碳源。排除记忆效应会高估碳汇,而省略SOC则会大幅低估碳汇,尤其是在草甸和草地中。纳入记忆效应或SOC显著改变了NEE的季节循环和年际变率,其中记忆效应主要影响相位,SOC则影响幅度。这些发现表明,在数据驱动的青藏高原碳收支评估中,需要同时考虑记忆效应和SOC。

**引言**

陆地生态系统构成了地球上最大的自然碳封存系统,大约吸收了人类活动排放的二氧化碳(CO?)的30%,在缓解全球变暖方面发挥着至关重要的作用(Friedlingstein等,2022)。与此同时,某些环境敏感区域,如北极和青藏高原(QTP,也称为"第三极"),以广泛的永久冻土区为特征,储存着全球近一半的土壤有机碳(SOC)。这些区域目前面临向大气释放大量碳的风险。然而,在估算大规模陆地碳收支——即这些生态系统与大气之间的CO?净交换量(NEE)——的量级、分布和动态方面,仍存在显著的不确定性(Friedlingstein等,2022)。因此,亟需开发有效的方法来准确评估这些区域的碳收支。

估算陆地生态系统区域碳收支的常用方法可大致分为两类:"自下而上"和"自上而下"方法。典型的"自下而上"建模方法通常通过"放大"现场涡度协方差通量观测值到大规模尺度来估算陆地生态系统碳通量,使用陆地生态系统模型(Ju等,2006)或数据驱动的机器学习(ML)方法(Jung等,2020;Liu等,2025)。"自上而下"方法则利用大气传输模型和反演技术,从大气CO?浓度推断陆地生态系统碳通量,称为大气反演(He等,2018;He等,2023)。然而,不同方法各有其优缺点,准确估算生态系统碳收支面临多种挑战。自上而下的大气CO?反演在传输模型、反演技术方面存在相当大的不确定性,且大气CO?观测相对稀疏(He等,2018;He等,2022)。基于生态系统模型的自下而上碳通量估算常常受到模型参数、输入数据、遗漏的碳交换过程以及结构缺陷等方面的不确定性困扰(Piao等,2013)。相比之下,使用数据驱动的机器学习技术来估算碳通量更简便高效,因为它们完全根据数据定制,且不依赖于对陆地生态系统模式的假设(Peylin等,2013)。随着人工智能和深度学习(DL)技术的快速发展,这类方法在解决地球系统科学问题方面展现出巨大潜力,例如碳循环问题(Irrgang等,2021)。作为一种黑箱模型,机器学习通常受到可解释性和透明度的限制。尽管机器学习长期以来在揭示机械成因方面较为薄弱,但可通过可解释人工智能技术加以缓解,如SHAP(SHapley加法解释)方法和IG(积分梯度)方法(Cattry等,2025;Zhao等,2025)。

青藏高原对全球变暖表现出极高的敏感性,过去四十年的升温速率约为同期全球平均水平的两倍(Yao等,2019)。由于气温升高的影响,青藏高原的永久冻土经历了大规模、快速和广泛的退化(Cheng等,2019),这导致地下SOC以CO?形式释放到大气中,进而影响全球变暖。因此,SOC是预测青藏高原碳收支的一个潜在关键因素。然而,具有空间显式信息的SOC储量数据并未被常规地用作涡度协方差基础的数据驱动NEE放大研究中的预测因子,尤其是对于青藏高原而言。尽管大多数研究表明青藏高原整体上表现为碳汇(He等,2019;Wang等,2020;Wang等,2023a),但该碳汇的强度及其空间分布模式仍存在显著不确定性。Wang等(2023b)指出,青藏高原草地的碳封存量范围为26.39至79.19 Tg C yr?1,东部高寒草甸表现为强碳汇,而西部高寒草地接近碳中性。Zheng等(2023)报道,青藏高原地区草地的总碳汇为26.2 Tg C yr?1。然而,从空间上看,青藏高原东南部的NEE表现为碳源,而碳汇主要分布在西部地区,较大的碳源主要在西北地区。根据Zeng等(2023)的研究,青藏高原总碳汇约为22.3 Tg C yr?1,西部为碳汇,东部为碳源。因此,亟需利用改进的方法对青藏高原生态系统碳通量的量级和空间分布进行更精细的估算。

目前基于现场观测的通量放大方法通常依赖时间不变的机器学习方法,忽略了气候和环境因素对碳通量的记忆效应(Zeng等,2023;Zhao等,2025)。这些记忆效应定义为过去环境条件(如温度、降水、干旱历史)对当前NEE的持续影响,包括持续时间(过去条件持续影响NEE的时间长度)和强度(它们调节当前碳通量的强度)(Liu等,2019)。记忆效应在塑造陆地碳封存的年际变率(IAV)方面起着关键作用(Bloom等,2020)。因此,理解记忆效应如何影响碳动态对于改善陆地碳循环的IAV预测至关重要。然而,以往基于机器学习方法的碳收支估算研究很少考虑记忆效应的影响。LSTM可以选择性地保留和检索与每个时间步骤和特定问题相关的信息,从而更好地适应环境因素对陆地生态系统碳循环的记忆影响(Huang等,2024)。LSTM在时间序列预测任务中表现出色,能够有效考虑长期因素并整合气候和植被的持久影响,即记忆效应。这一能力有助于表征碳通量的IAV(Besnard等,2019)。综合而言,SOC提供了土壤碳异质性的空间信息,而记忆效应则代表当前NEE对先前环境条件的时序依赖性。

在本研究中,基于包含青藏高原主要生态系统类型36个可用通量塔观测(总计105.5站年)的CO?通量数据集,结合近期广泛观测活动的涡度协方差通量数据、多种卫星地表数据和观测型环境数据,我们利用先进的LSTM深度学习方法,重新审视了2003至2018年间青藏高原的碳收支估算。我们旨在回答以下问题:(1)记忆效应对青藏高原碳收支估算有何作用?(2)纳入SOC对青藏高原碳收支估算有何作用?(3)新估算中青藏高原碳收支的量级、空间分布和IAV是什么,相较于以往估算有何潜在改进?

**方法概述**

**现场数据**

青藏高原是世界上海拔最高的高原,平均海拔超过4公里,面积约为250万平方公里。青藏高原的主要生态系统是高寒草地,主要为草甸和草地,占该区域近60%(Li等,2018;Tan等,2010)。青藏高原的生长期通常从5月持续到9月,而非生长期(NGS)从10月延续到次年4月(Mu等,2023a)。

**站点尺度不同生态系统的NEE预测**

为评估站点尺度的模型性能,我们计算了四种生态系统类型(草甸、草地、湿地和灌丛)训练集和测试集的R2、RMSE和MAE,并进行了详细的统计分析(表S2)。这些指标从拟合优度、误差量级和鲁棒性等方面全面反映了模型在不同生态系统类型中的预测精度和误差特征。对于草甸站点的测试集,

**青藏高原碳收支估算的综合分析**

我们的研究表明,青藏高原高寒草甸、高寒草地、湿地和灌丛生态系统的总碳汇为38.20 Tg C yr?1,2003至2018年间呈上升趋势。具体而言,青藏高原中西部的草原和东部部分草甸表现为碳汇。季节上,碳源主要发生在10月至11月的非生长期,其余月份为碳汇。青藏高原在部分非生长期仍保持碳汇活动。

**结论**

在本研究中,我们采用LSTM模型估算了青藏高原主要生态系统类型的碳收支,突出了记忆效应和SOC在提高估算准确性方面的关键作用。我们的主要发现如下:

(1)LSTM模型有效捕捉了训练集和测试集中的NEE季节波动,灌丛(R2=0.92,MAE=0.27 g C m?2 day?1,RMSE=0.36 g C m?2 day?1)和湿地(R2=0.77,MAE=0.46 g C m?2 day?1,RMSE=0.61 g C m?2 day?1)表现突出。

**CRediT作者贡献声明**

孟瑶赵:写作—初稿、可视化、验证、监督、方法论、调查、形式化分析。魏何:写作—审阅与编辑、可视化、验证、形式化分析。徐培培:写作—审阅与编辑、可视化、验证、方法论、形式化分析。黄成程:写作—审阅与编辑、形式化分析。Ngoc Tu Nguyen:写作—审阅与编辑、形式化分析。江飞:写作—审阅与编辑、形式化分析。王松汉:

**未引用参考文献**

Liu等,2026;Ogle等,2014;Zhao等,2026

**利益冲突声明**

作者声明,没有已知的竞争经济利益或个人关系可能影响本文报告的工作。

**致谢**

本研究由国家自然科学基金(基金号:42277453)、青海省基础研究计划(基金号:2025-ZJ-737)和青海省温室气体与碳中和重点实验室开放研究基金重点项目(基金号:ZDXM-2025-2)资助。我们衷心感谢中国通量观测网络(ChinaFLUX)内所有涡度协方差通量观测数据的采集者和数据分发者。

孟瑶赵|魏何|徐培培|黄成程|Ngoc Tu Nguyen|江飞|王松汉|杨华|刘帅|巨卫民

安徽师范大学地理与旅游学院,安徽芜湖241002,中国
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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