UFLUX v2.0：一个用于高效且可解释的陆地碳吸收建模的过程知情机器学习框架
机器学习
2024-10-08 v1 大气与海洋物理
定量方法
摘要
总初级生产力是植物通过光合作用固定的碳量，对于理解全球碳循环和生态系统功能至关重要。基于生态过程知识构建的过程模型容易因其假设和近似而产生偏差。这些限制可能导致全球GPP估算存在相当大的不确定性，这可能对我们的净零目标构成重大挑战。本研究提出了UFLUX v2.0，一个过程知情模型，它整合了最先进的生态知识和先进的机器学习技术，通过学习过程模型与涡度协方差测量之间的偏差来减少GPP估算中的不确定性。我们的研究发现，UFLUX v2.0在模型精度上表现出显著提升，实现了R²为0.79，均方根误差降低至1.60 g C m⁻² d⁻¹，而过程模型的R²为0.51，均方根误差为3.09 g C m⁻² d⁻¹。我们的全球GPP分布分析表明，尽管UFLUX v2.0和过程模型实现了相似的全球总GPP（分别为137.47 Pg C和132.23 Pg C），但它们在空间分布上表现出巨大差异，特别是在纬度梯度上。这些差异很可能是由于过程模型中的系统性偏差以及对气候和环境条件的不同敏感性所致。本研究为跨不同生态系统的GPP建模提供了改进的适应性，并进一步加深了我们对全球碳循环及其对环境变化响应的理解。
引用
@article{arxiv.2410.03951,
title = {UFLUX v2.0: A Process-Informed Machine Learning Framework for Efficient and Explainable Modelling of Terrestrial Carbon Uptake},
author = {Wenquan Dong and Songyan Zhu and Jian Xu and Casey M. Ryan and Man Chen and Jingya Zeng and Hao Yu and Congfeng Cao and Jiancheng Shi},
journal= {arXiv preprint arXiv:2410.03951},
year = {2024}
}