1 引言
随着全球气候变化问题的日益严峻， 碳循环及其对环境的影响逐渐成为了国内外学界和公众关注的焦点（IPCC， 2023）。碳循环的失衡导致大气中二氧化碳浓度升高， 从而引发了一系列环境问题， 如全球气候变暖和海平面上升。因此， 准确模拟和评估地表碳通量， 对于全球气候治理和生态保护具有至关重要的科学意义。近年来， 中国政府在气候变化应对方面采取了诸多措施， 并提出了国家碳中和战略。该战略旨在2030年前实现碳达峰， 并力争在2060年前实现碳中和。为实现碳中和目标， 必须深入理解碳循环运行机理， 积极探索和发展碳通量评估手段， 以准确模拟碳通量收支水平， 为政策制定和生态保护提供科学依据。
当前用于碳通量评估方法可分为“自下而上”和“自上而下”两大类（Piao et al， 2012）。“自下而上”包括样地清查法、 涡度相关法和模型模拟法（刘坤等， 2023）。样地清查法的优势在于方法明确、 技术简单， 可以直接获得最为准确和可靠的数据； 缺点是工作量大、 耗时长、 时间分辨率有限、 测量误差大， 难以考虑全部类型的陆地生态系统， 同时该方法无法考虑生态系统内碳的横向转移过程（Tang et al， 2018）。涡度相关法是目前唯一基于微气象理论直接测量大气与植被冠层、 土壤之间物质循环和能量交换的观测技术， 可以实时监测生态系统的地-气碳交换， 减小生态环境数据的短期波动带来的不确定性（于贵瑞等， 2014）。然而该方法仍然存在诸如通量塔布设要求高、 涡度测量仪器工作原理缺陷、 夜间测量数据偏移等不足（Qi et al， 2021）。模型模拟法包括经验模型和生态过程模型。经验模型不考虑环境因素的影响， 模型参数没有特定的生态学含义， 不能从机理上对碳汇过程进行解释。生态过程模型考虑了光合作用和呼吸作用， 包含许多复杂的过程和参数， 理化过程清晰， 但也给模拟结果带来很大不确定性（刘坤等， 2023）。此外， 有研究人员发现生态过程模型放大了地-气碳通量对气候变化响应的不确定性（Shi et al， 2018）。“自上而下”方法指大气反演模型， 通过CO2浓度分布反演地表碳源汇。受限于观测数据的精度和覆盖率， 该方法主要用于评估自然生态圈的CO2通量、 湿地的CH4通量等（刘毅等， 2021）。
基于上述方法， 学者们在碳通量评估、 观测和模拟方面做了大量研究。然而， 其过程受到多种因素的共同影响， 呈现复杂性和非线性特点， 给准确评估碳通量带来困难。同时， 不同方法评估的碳源汇存在较大的差异。例如， Jiang et al（2016）利用清查法估算的中国陆地的碳汇为0.21~0.33 Pg·C·a-1； Liang et al（2020）通过大气反演方法估算的中国陆地碳汇为1.11±0.38 Pg·C·a-1。与传统的碳通量估算方法不同， 基于数据驱动的机器学习方法具有强大的自适应能力（Huang et al， 2021）和处理非线性过程的能力（Saxe et al， 2014； 陈永义等， 2004）。且各种机器学习算法， 如人工神经网络（Huang et al， 2021）、 CNN神经网络-LSTM深度学习（夏侯杰等， 2023）、 随机森林（Zeng et al， 2020）、 梯度提升决策树算法（叶宇辰等， 2024）、 模型树集成（Yao et al， 2018）、 支持向量回归（Zhang et al， 2023）等在碳通量研究中已展现出巨大潜力。通过训练机器学习模型来识别碳循环过程中的复杂关联， 厘清影响碳通量过程的关键因素， 可以更准确地评估和预测碳通量收支情况。
此外， 当前已有较多针对林、 草地等下垫面开展碳通量模拟的研究， 但作为最活跃的陆地生态系统碳库， 农田生态系统碳汇时空差异大， 同时由于固碳边界界定、 管理措施等复杂性， 目前的研究对水稻种植区碳汇估算研究还存在较大的不确定性， 尤其是长江三角洲地区（Fernández-Martínez et al， 2019； Piao et al， 2012； Tang et al， 2018； 张彩霞等， 2011； 赵明月等， 2022）。长江三角洲（以下简称长三角）地区生态系统类型复杂， 地表覆盖多样。截止到2015年， 长三角中游地区的耕地面积为171497 km2， 占长三角中游总面积的30.41%（胡昕利等， 2019）。在夏秋季， 长三角地区主要的耕种作物为水稻， 其种植面积已占到全国总耕地面积的25%， 占世界水耕土壤面积的23%。研究水稻生态系统的碳循环对发展农业生产， 调控大气碳源、 汇具有重要作用（王玺洋等， 2016）。综上， 本文分析了长三角水稻种植区东台站净生态系统碳通量（net ecosystem exchange， NEE ）与气象因子的关系， 基于多层感知器（Multilayer perceptron， MLP）构建了长三角水稻种植期NEE模型， 评估了模型性能， 并验证了模型的时空稳定性。
2 资料来源与方法介绍
2.1 资料来源
涡度相关（Eddy covariance， EC）技术是测定大气与生态系统之间CO2交换最直接的方法， 该技术提供的通量观测数据已广泛应用于陆地生态系统的碳循环研究（Lü et al， 2022）。本文使用的观测数据由EC系统得到， EC系统由三维音速风速计和开路式CO2/H2O红外气体分析仪等组成。观测数据分别来自东台站和寿县站， 两个站点均位于长三角， 下垫面为实施稻麦轮作制的农田下垫面， 东台站与寿县站分别于6 -9月和6 -11月耕种水稻。观测数据包括利用涡度相关技术获得的水稻生态系统NEE和气象数据： 气温T、 饱和水汽压差VPD、 相对湿度RH、 太阳短波辐射K ↓、 摩擦速度u *、 风速WS。数据时间分辨率为30 min， 经过数据处理及质量控制。站点观测基本信息如表1 所示。研究数据及其系统仪器的布设和数据质量控制可查看于2022年发布的数据集： https： //doi.org/10.5281/zenodo.6552301（Duan et al， 2022） 。
表1 站点基本信息Table 1 Basic information of observation sites |
| 站点 | 东台 | 寿县 |
|---|---|---|
| 经度/（°E） | 120.47 | 116.79 |
| 纬度/（°N） | 32.76 | 32.44 |
| 海拔/m | 4 | 27 |
| 土壤类型 | 黏土 | 粉质黏壤土 |
| 数据时段 | 2015 -2017年 | 2015 -2018年 |
| 数据缺测比例 | 0.12% | 9.48% |
水稻物候期包括出苗、 三叶、 移栽、 返青、 分蘖、 拔节、 孕穗、 抽穗、 乳熟和成熟共计10个阶段， 其中移栽、 分蘖、 抽穗和成熟为最为重要的4个阶段（王琛智等， 2018）， 由于水稻种植不同站点及年际积温不同， 水稻出苗时间不同， 本文所提到的水稻种植期由站点出苗物候期的记录日期5月11日开始至站点收获物候期的记录日期10月31日结束（Duan et al， 2021）。
2.2 MLP及实验设计
MLP是一种人工神经网络， 已广泛应用于图像捕捉等领域的分类和预测（Qi et al， 2016）。MLP主要由输入层、 隐藏层和输出层三层感知结构构成。每一层感知器都包含若干的神经元， 而不同层之间的神经元通过权重进行连接。为了调整权重， 使网络能够学习从输入到输出的映射关系， MLP采用了反向传播算法进行训练（Dai et al， 2022）。构建模型时， 需要经过数据准备、 网络设计、 模型训练和评估等步骤。技术路线如图1 所示。
气象参数可通过影响生化反应过程和物理传输速率来影响NEE， 如改变酶的效率或碳通量物理传输效率等（游桂莹等， 2018）。T和K ↓主要体现在影响植物的生长、 代谢和光合作用过程， 从而影响碳的循环和存储。u *和WS分别反映垂直和水平物质与能量输送（刘辉志等， 2018）。此外， 生态学研究较少使用绝对湿度的概念， 而更多地依赖于RH等变量来反映当前环境相对植被生长理想环境的相对物理量（Fukai and Cooper， 1995； 孙敏洁等， 2009）， 因此本文还在MLP中输入了RH和VPD。
本文随机选取了东台站2015 -2016年水稻种植期70%的数据作为训练集构建MLP模型， 剩余30%的数据作为验证数据集。调整隐藏层及神经元数， 经过多次实验和迭代确定模型的内部参数设置， 确定MLP模型隐藏层数及每层神经元数。
长三角水稻种植区气候特征相近， 采用基于少数站点观测建立的MLP模型模拟长三角水稻种植区的NEE， 对认识区域NEE分布特征至关重要。同时， 模型时空扩展能力是衡量模式性能的重要指标。因此， 以东台站2017年水稻种植期观测的气象资料作为MLP模型的输入模拟NEE并与观测的NEE比较， 评估模型在时间维度上的稳定性； 利用寿县站2015 -2016年水稻种植期的气象资料作为MLP模型的输入模拟NEE并与观测的NEE比较， 评估模型在空间维度上的稳定性； 利用寿县站2017 -2018年水稻种植期的气象资料作为MLP模型的输入模拟NEE并与观测的NEE比较， 评估模型的时空稳定性。
2.3 评估方法
采用皮尔森相关系数（R）、 均方根误差（RMSE）， 以及偏差（MB）等统计参数评估模型对水稻NEE的模拟性能：
式中： n为样本总量； i为样本序号； Si 与Oi 分别表示第i组模拟与观测的NEE； 与 为模拟与观测的NEE平均值。R表示两个变量之间线性关系的强弱， 其绝对值在0.6~0.8之间表示两种物理量间存在强相关， 0.4~0.6之间表示两种物理量存在中等相关。RMSE用于衡量MLP模型模拟NEE的误差， RMSE的值越小表示模型模拟的误差越小。MB代表是模拟值与预测值之间的偏差， 即误差的平均值。
3 结果与讨论
3.1 NEE与气象要素的相关性
受气象条件日变化的影响， 水稻种植期植被的光合、 呼吸和蒸腾等作用存在昼夜差异， 导致NEE也存在明显的日变化。分析发现NEE与气象因子相关性存在明显的日变化（图3 ）。K ↓和T对植被的光合作用和呼吸作用都有重要影响。K ↓对NEE的影响发生在白天， 存在显著的负相关， 表明白天CO2吸收随短波辐射的升高而增强， 与前人观测结果相似（Baldocchi et al， 2001； 郭仕侗等， 2023）。进一步分析发现NEE与K ↓的相关性呈双峰结构， 在08:00（北京时， 下同）和15:00的R达到极小值。NEE与T的R随时间呈类余弦曲线变化， 日出和日落前后， R发生剧烈转折。夜间的NEE与T呈正相关， 即夜间CO2排放随气温的升高而升高； 而日间呈负相关， 白天CO2排放随气温的升高而降低。R的昼夜差异可能归因为植被昼夜生理活动的差异。白天植被同时进行光合作用（碳汇）和呼吸作用（碳源）， 夜间则为呼吸作用。夜间温度升高， 植被呼吸作用增强， CO2的排放增加， 碳源增强； 白天温度升高， 植被虽然同时发生光合作用和呼吸作用， 但光合作用吸收的CO2增加量大于呼吸作用释放的CO2增加量， CO2的净吸收增加， 净碳汇作用增强（Chen et al， 2023； Yang et al， 2022）， 因此， 在生长季昼夜温差越大越有利于生态系统吸收CO2（朱志鹍等， 2015）。
NEE与VPD和RH之间的相关性具有相反的日变化型态。VPD和RH的变化受到气温和绝对湿度的共同影响， 因此两个变量在某种程度上体现了温、 湿参量对NEE的影响。大部分时段NEE与VPD和RH显著相关（p<0.01）。白天NEE与VPD为稳定的负相关（R≈-0.25）， 而NEE与RH为稳定正相关（R≈0.18）， 这可能是随着VPD升高/RH降低， 生态系统最大光合速率增大， 而昼间呼吸速率先增大后减小， CO2的吸收增加， NEE减少（宋清海等， 2010）。NEE与湿度参量在夜间的相关性波动较为剧烈： NEE与VPD多呈正相关， 21:00 R达到0.21； NEE与RH则多呈负相关， 21:00达到-0.17。这意味着夜间的CO2排放随VPD的升高而升高， 而随RH的升高而降低。夜间VPD 升高/RH降低， 植被呼吸增大， 释放的CO2增加， 生态系统整体上CO2的排放增强， NEE增加， 碳源增强。
NEE与WS在白天呈正相关， 夜间总体呈负相关， 但它们的相关性偏弱， R小于0.25。u *增大表示大气与下垫面之间的湍流交换越强（Long， 1976）， 生态系统与大气间CO2的交换增强。白天， 陆地生态系统为碳汇（NEE为负值）， u *越大， 大气和地表间CO2交换越快， NEE越小， 导致NEE与u *呈负相关； 夜间， 陆地生态系统为碳源， u *越大， 产生的CO2扩散越快， NEE越大， 导致NEE与u *呈正相关。夜间NEE与u *相关性相对白天更高（R达到0.4）。
3.2 模型验证评估
3.2.1 构建模型
MLP模型输入层是T、 VPD、 RH、 K ↓、 u *、 WS 6种气象要素， 输出层是NEE， 根据多次实验结果， 最终确定MLP模型包括100个隐含层， 每层50个神经元。图4 是训练集数据模拟的NEE与观测值的比较。两者的R达到0.88， RMSE为5.34 μmol·m-2·s-1， MB为-0.35 μmol·m-2·s-1， 这说明构建的MLP模型能较好地拟合NEE， 但是模型拟合NEE的极值偏小， 且NEE存在系统性低估。先前研究也发现对于训练数据集， 模拟和观测数据之间的相关性良好， 而机器学习模型模拟的NEE较观测数据偏低（Zhou et al， 2019）。此外， 发现MLP模型模拟结果存在少量小值（零值附近）， 而这些值对应的观测不为零， 这可能是由于数据不平衡， 导致模型过度依赖于出现频率较高的类别， 而忽略了较低频率的类别， 从而导致不合理零值的出现（Werner de Vargas et al， 2023）。解决这种现象的方法包括重新平衡数据集、 进行更全面的特征选择、 调整预处理流程、 选择适合的模型和优化模型的超参数设置等。通过对数据和模型进行更深入的分析和调整， 可以有效减少模拟结果中的零值出现。
3.2.2 模型评估
4 结论
本研究基于东台站水稻生态系统的气象和NEE观测分析了气象要素对NEE的影响， 并构建了MLP模型， 评估了MLP模型模拟NEE效果及模型的时空稳定性： （1）2015 -2016年东台站观测的温度、 短波辐射等六种气象要素均与NEE呈显著相关， 短波辐射的相关性最高， R为-0.68， 风速相关性最低， R为-0.21。（2）MLP模型能够较好地模拟长三角典型耕地生态系统小时及日尺度NEE， 训练集拟合NEE的R达到0.88， 测试集模拟NEE的R达到0.81。（3）根据2015 -2016年东台站水稻种植期观测资料构建的MLP模型可以较好地模拟2017年东台站、 2015 -2016年寿县站及2017 -2018年寿县站水稻种植期的NEE， 说明构建的MLP模型具有较好的时空稳定性。（4）构建的MLP模型模拟白天平均NEE的效果优于夜间， 模拟日均NEE效果优于模拟小时NEE效果。本研究有助于区域NEE模拟及评估产品的开发。
未来， 在MLP 模型中加入土壤及复杂地形等参数， 校正和优化夜间NEE模拟质量， 将成为碳通量模拟的研究挑战。另外， 探究生态系统的碳循环的机制， 结合数据同化系统进行碳通量模拟， 将成为碳通量模拟研究重点。综合而言引入以深度学习等大数据分析方法， 发展能够产出更高分辨率、 更长时序、 更可靠的陆地碳循环再分析数据产品的碳循环模型-数据融合方法和系统， 对于深入理解碳循环过程、 准确评估全球和区域碳通量具有重要意义。