| 机器学习在陆地生态系统碳汇模拟中的应用现状与展望 |
| 摘要点击 1597 全文点击 175 投稿时间：2025-06-30 修订日期：2025-09-19 |
| 查看HTML全文
查看全文 查看/发表评论 下载PDF阅读器 |
| 中文关键词 机器学习 陆地生态系统 碳通量 空间模拟 净生态系统交换 |
| 英文关键词 machine learning terrestrial ecosystem carbon flux spatial simulation net ecosystem exchange |
| DOI 10.13227/j.hjkx.202506358 |
| 作者 | 单位 | E-mail | | 谢昕雨 | 清华大学环境学院, 区域环境安全全国重点实验室, 北京 100084 | xiexy23@mails.tsinghua.edu.cn | | 王东滨 | 清华大学环境学院, 区域环境安全全国重点实验室, 北京 100084 | wdb2016@tsinghua.edu.cn | | 连宇 | 清华大学环境学院, 区域环境安全全国重点实验室, 北京 100084 | | | 矫仁宗 | 清华大学环境学院, 区域环境安全全国重点实验室, 北京 100084 | | | 李丹丹 | 清华大学环境学院, 区域环境安全全国重点实验室, 北京 100084 | | | 段雷 | 清华大学环境学院, 区域环境安全全国重点实验室, 北京 100084 | | | 贺克斌 | 清华大学环境学院, 区域环境安全全国重点实验室, 北京 100084 | | | 蒋靖坤 | 清华大学环境学院, 区域环境安全全国重点实验室, 北京 100084 | |
|
| 中文摘要 |
| 在“双碳”战略背景下，评估以陆地生态系统为代表的典型区域内碳汇空间分布，对精准解析区域碳汇功能具有重要意义. 净生态系统交换（NEE）是衡量生态系统净碳通量的重要指标. 为精准地模拟区域NEE的空间分布特征，目前相关研究中广泛采用的方法包括清单法、过程模型法和大气反演法等. 近年来机器学习作为一种数据驱动工具逐渐应用于NEE空间模拟，展现出在处理非线性复杂关系方面的独特优势. 系统梳理了目前在NEE空间分布模拟中应用的主要方法，论述了基于机器学习方法的NEE空间分布模拟的基本原理与应用现状，分析了不同生态系统中的关键特征识别及算法选择，并对在城市生态系统等复杂环境下应用机器学习方法开展NEE分布特征研究的前景进行了展望. |
| 英文摘要 |
| Under the “Dual-Carbon” strategy， assessing the spatial distribution of carbon sinks in typical regions represented by terrestrial ecosystems is essential for accurately characterizing regional carbon sink functions. Net ecosystem exchange （NEE） serves as a key indicator of ecosystem carbon fluxes. To accurately simulate the spatial patterns of regional NEE， commonly used methods include the inventory method， process-based models， and atmospheric inversion techniques. In recent years， machine learning has emerged as a powerful data-driven approach for spatial NEE modeling， offering distinct advantages in capturing complex nonlinear relationships. This study reviews the main methods applied in NEE spatial distribution modeling， elaborates on the principles and current applications of machine learning-based approaches， analyzes key feature selection and algorithm choices across different ecosystem types， and discusses the potential of applying machine learning to investigate NEE spatial characteristics in complex environments such as urban ecosystems. |
