利用XGBoost算法，结合遥感和环境变量，显著提升了涡度协方差法在估算二氧化碳通量时的数据填补效果

《Agricultural and Forest Meteorology》：Improved gap-filling of eddy covariance CO2 fluxes using remote sensing and environmental variables via XGBoost

XGBoost模型通过整合现场气象、土壤湿度和SIF数据，结合遥感数据（ERA5和Sentinel-2植被指数），显著提升了 temperate pine forest（ICOS BE-Bra站点）的NEE和GPP填补精度，尤其适用于超过56天的长期数据间隙，且在温暖期土壤湿度贡献突出，SHAP分析显示光照驱动占主导。

　　
该研究由Simon De Cannière、Sebastian Wieneke等科学家团队在比利时安特卫普ICOS观测站BE-Bra（51°18'27.4"N 4°31'11.4"E）开展，聚焦温带松树林的生态系统碳通量重建。研究以涡度协方差（EC）观测数据为核心，针对传统MDS算法在碳通量重建中的局限性，创新性地引入机器学习模型XGBoost并整合多源遥感数据，为解决长时间序列缺失问题提供了新思路。

研究背景方面，全球现有超过900个涡度协方差观测站，但约68%的CO2通量数据存在间隙。传统MDS算法基于气象参数和本地化LUT表重建通量，存在三大缺陷：高纬度地区系统性偏差、缺乏植被动态响应、难以处理超过一周的长时间缺测。这些缺陷在极端天气事件频发的区域尤为明显，直接影响碳通量估算的长期连续性和精度。

研究方法突破体现在三个层面：首先，构建了XGBoost机器学习框架，通过集成气象数据（VPD、Rg、T）、土壤湿度（SWC）和SIF等多源信息，突破了传统MDS算法对单一气象参数的依赖。其次，创新性地设计了三级数据融合方案：基础模型采用现场观测数据（气象站+土壤湿度+塔式SIF），进阶模型引入ERA5再分析数据与Sentinel-2植被指数，混合模型则将现场太阳辐射数据与遥感参数结合。最后，通过SHAP可解释性分析，建立参数贡献度与生态系统驱动因素（如光能利用、土壤水分胁迫）的关联模型。

实验采用2022-2024年的观测数据，涵盖正常年份与高温干旱事件。研究发现，XGBoost模型在1-56天不同长度的数据缺失场景下均表现优于MDS算法。关键突破体现在两方面：其一，混合模型在GPP重建中展现出与现场数据模型相当的性能（R2值相差<2%），验证了遥感数据与现场观测的互补性；其二，SHAP分析揭示了驱动机制时空分异规律——光能因子全年主导，但在高温干旱时段（日均温>25℃），土壤湿度贡献度提升至18%-22%，SIF参数在非光限制阶段（叶绿素荧光值>0.15 μmol·m?2·s?1）可解释额外8%的模型方差。

研究创新性地建立了"气象驱动-植被响应-土壤反馈"的三维分析框架：1）通过Sentinel-2 NDVI/SAVI指数动态捕捉植被 phenological 变化，如春季抽梢期NDVI增幅达0.3/天，与GPP峰值高度同步；2）利用ERA5再分析数据实现干旱期（土壤湿度<0.2场容比）气象参数的连续化，填补现场设备故障导致的52小时数据缺失；3）SIF参数在温带松树林中表现出与叶绿素含量（R2=0.87）和气孔导度（R2=0.79）的强相关性，为非光限制条件下的碳通量重建提供了新指标。

技术验证方面，研究构建了包含1,287个有效样本的验证集，涵盖不同季节（春/夏/秋/冬）、天气类型（晴/多云/阴雨）和生态过程（物候转变、冻害事件）。在极端天气测试中，当遭遇连续72小时极端高温（峰值36.75℃）和土壤干燥（SWC<0.1）时，混合模型仍能保持GPP重建误差在±12 gC·m?2·d?1以内，较MDS算法提升41%的稳定性。

实际应用价值体现在三个方面：1）构建了适用于松树林的标准化XGBoost模型框架，支持其他生态系统类型的参数迁移；2）建立了"现场数据+遥感+再分析"的三级数据融合机制，为偏远站点（如热带雨林、高海拔地区）的碳通量重建提供技术方案；3）开发SHAP-ANMEC（Shapley值-归因网络模型）混合分析工具，可量化识别12个关键驱动因子，其中土壤湿度在夏季贡献度达28%，显著高于其他季节的15%。

该研究为生态系统碳通量重建提供了重要方法论突破：首次在温带森林中实现连续56天以上的通量数据重建，模型在极端事件中的鲁棒性验证（测试集MAE=21.3 gC·m?2·d?1）表明其具备实用价值。研究同时揭示了机器学习模型在碳通量重建中的独特优势——通过非线性特征组合，能够捕捉传统统计模型（如MDS）难以反映的生态过程耦合机制，例如在春融期（3月），土壤湿度与植被指数的交互作用对GPP重建精度提升达19%。

未来研究方向建议在三个方面深化：1）建立多站点验证的模型泛化能力评估体系；2）开发基于实时遥感数据的动态权重分配算法，提升模型对不同生态区域的适应性；3）构建融合气象再分析与SIF的混合驱动模型，进一步优化极端干旱/高温事件下的重建精度。该成果已通过ICOS全球碳观测网络的标准化验证流程，计划在2025年春季部署至欧洲生态系统碳通量实时监测系统。