近日,我集团李仲玢教授课题组在深度学习的陆地生态系统碳通量估算研究方面取得重要进展。研究成果以《Estimating carbon fluxes over North America using a physics-constrained deep learning model》为题,发表于国际摄影测量与遥感学会期刊ISPRS P&RS。论文第一作者为我集团2023级博士研究生樊彬,合作导师包括:张汉奎教授(南达科他州立大学)、肖劲峰教授(新罕布什尔大学)、车向红副研究员(中国测绘科学研究院)、刘志华研究员(中国科学院沈阳应用生态研究所)、Gustau Camps-Valls教授(西班牙瓦伦西亚大学)以及陈镜明教授(福建师范大学及多伦多大学)。
研究背景与创新点
陆地生态系统碳通量的准确估算(包括净生态系统交换量(Net Ecosystem Exchange, NEE)、总初级生产力(Gross Primary Production, GPP)和生态系统呼吸量(Ecosystem Respiration, RECO))对理解全球碳循环和应对气候变化至关重要。传统估算方法通常独立计算NEE、GPP 和 RECO,忽略了它们之间固有的物理关系,产生生态学上不合理的结果。为解决这一问题,本研究开发了一种融合物理约束(NEE = RECO − GPP)的时间序列Transformer深度学习模型,这种约束的引入显著提升了模型预测结果的物理一致性与泛化能力。
成果应用与意义
该物理约束 Transformer 模型成功生成了500 米分辨率、时空连续且物理一致的北美地区年度碳通量产品(包括NEE、GPP 和 RECO),在陆地生态系统碳循环研究中展现出重要应用潜力。
基于 CNN + Transformer 的陆地生态系统碳通量估算模型结构
该研究得到国家自然科学基金面上项目(项目编号:42471084)、欧盟委员会"地平线2020"研究与创新计划、欧洲研究理事会(ERC)协同资助项目"基于机器学习的地球系统理解与模拟"(USMILE,项目协议号:855187),以及"欧洲人工智能可持续发展灯塔计划"(ELIAS,项目协议号:101120237)的资助。
论文链接: https://www.sciencedirect.com/science/article/pii/S0924271625002606