一种考虑通量足迹的跨多样化生态系统高分辨率碳通量预测方法

arXiv:2512.01917v2 公告类型：替换 摘要：涡度协方差（EC）通量塔提供 $CO_2$ 通量的原位测量值，并为基于卫星产品构建的预测性“尺度上推”模型提供地面真值数据。然而，如今许多卫星能够分辨的空间尺度小于 EC 通量塔的通量足迹范围。我们从理论上证明，在异质性景观中，使用高分辨率数据训练的尺度上推模型必须考虑 EC 通量塔的通量足迹，才能避免像元级预测出现偏差。为解决这一问题，我们提出 Footprint-Aware Regression（FAR），这是一个同时预测空间通量足迹和像元级 $CO_2$ 通量估计值的深度学习框架，并证明在训练数据充足的情况下，该框架能够产生无偏的像元级预测。我们在 AMERI-FAR25 数据集上展示了 FAR 的应用，该数据集将 205 个站点年的通量塔数据与对应的 Landsat 影像相结合；结果表明，FAR 优于未考虑通量足迹的模型。在由留出站点构成的数据集上，相较于表现最佳的固定通量足迹基线模型，FAR 将半小时尺度的 $R^2$ 从约 0.575 提高至 0.634，并将 RMSE 降低了约 7%。与分辨率较粗的 990 米基线模型相比，FAR 在月平均和年平均尺度上的提升更大。站点级分析表明，这些提升覆盖了多种生态系统类型。无论通量足迹是通过联合学习得到，还是使用成熟的通量足迹模型独立估计，均可观察到这些性能提升，尽管不同方法得到的通量足迹大小存在显著差异。在 Western Cascades 的区域对比中，FAR 生成的通量估计值分布与现有高分辨率过程模型的结果相当。