陆地碳汇表现出比海洋更大的年际变异(IAV)，驱动着大气CO2增长率的大部分时间变化。准确估计陆地碳收支的年际变异对于预测气候变化背景下生态系统碳平衡和大气CO2浓度变化至关重要。然而陆地碳收支的年际变异模拟具有很大的不确定性，其中一个重要原因是忽视了生态系统对气候变化的记忆效应，即气候变化的潜在滞后影响。
基于全球通量网FLUXNET和中国通量观测研究联盟ChinaFLUX提供的长期定位观测碳通量和气象数据，本研究将记忆效应引入深度学习模型，模拟了全球陆地生态系统净碳交换量（NEE），揭示了NEE对历史气候和植被变化的响应特征，突出了记忆效应对模拟NEE年际变异的重要作用。基于深度学习模型升尺度本研究获得了1983-2015年全球尺度NEE，并进一步揭示了热带区域是主导全球NEE年际变异的重要区域。
研究结果表明，考虑记忆效应的深度学习模型不仅提高了全球陆地NEE的模拟精度，R2提高了0.37 ~ 0.55，RMSE降低了38.97% ~ 52.42%，MAE降低了39.77% ~ 52.38%，而且提高了NEE年际变异的模拟精度，R2提高了0.50 ~ 0.84，RMSE降低了37.13% ~ 72.07%，MAE降低了40.72% ~ 66.49%。NEE对环境和植被变化的记忆效应特征随生态系统类型、环境因子和植物发育阶段而异。在多数生态系统中，NEE对降水的响应要慢于对温度和辐射的响应。非生长期NEE对历史环境变化的综合记忆效应相比生长期更长。热带NEE的年际变异大于高纬度地区，在全球陆地NEE年际变异中占主导地位。热带稀树草原超过热带森林，对热带地区NEE的年际变异贡献最大。研究结果突出了NEE对气候和植被变化的响应速度和强度差异，强调了在碳循环年际变异模拟中考虑记忆效应的重要性。
图1 DL模型表现随时序驱动数据时长的变化，x轴表示记忆长度，即DL模型输入时序数据的长度。
图2 去除环境变量导致的DL模型表现变化（△R2），△R2变化代表了NEE对历史环境和植被变化的响应差异。
图3 记忆效应显著提高了站点观测NEE年际变异的模拟精度。左侧红色框表示考虑记忆效应的DL模型模拟的NEE年际变异与站点观测数据的对比，右侧绿色框表示不考虑记忆效应的模拟结果。
图4 区域NEE对全球NEE年际变异的贡献。（a）和（b）分别是考虑记忆效应和不考虑记忆效应的DL模型模拟的区域贡献结果。
图5 区域NEE对全球NEE年际变异贡献的纬度分布（a）以及热带地区不同生态系统对全球NEE年际变异的贡献（b）。
该论文近期发表于国际学术期刊Agricultural and Forest Meteorology (Q1,IF=6.2)，收录于ChinaFLUX20周年专刊“Carbon, nitrogen and water fluxes of terrestrial ecosystems in China”，论文第一作者为中国科学院地理科学与资源研究所博士生刘卫华，通讯作者为中国科学院地理科学与资源研究所何洪林研究员。研究获得国家自然科学基金（42030509, 42141005）等项目的资助。
论文链接：
https://doi.org/10.1016/j.agrformet.2023.109691