基于表示学习的任务感知调制用于陆地碳通量的尺度上推

论文信息

标题: Task Aware Modulation Using Representation Learning for Upsaling of Terrestrial Carbon Fluxes

作者: Aleksei Rozanov, Arvind Renganathan, Vipin Kumar

发布日期: 2026-03-10

arXiv ID: 2603.09974v1

PDF 链接: 下载 PDF

3 分钟速览

研究问题：如何从稀疏、区域偏差显著的地面碳通量观测中，准确推断全球连续尺度的碳通量场，克服现有数据驱动模型在新区域泛化能力弱的瓶颈。
核心方法：提出任务感知调制与表征学习框架（TAM-RL），结合双向 LSTM 任务编码器、特征线性调制（FiLM）和知识引导的复合损失函数，实现零样本域泛化的升尺度。
关键结果：与当前最优产品 FLUXCOM‑X‑BASE 相比，TAM‑RL 将 GPP 的 RMSE 降低 9.6%，NEE 降低 8%，R²相对提升幅度在 19.4%–43.8% 之间（表 1）。
主要局限：在水体、混交林、落叶阔叶林和常绿针叶林等生态系统上仍存在较大误差；空间和气候异质性引起的误差变异性未根本消除。
适合读者：从事碳循环模拟、陆面过程升尺度、地理空间机器学习以及物理知识嵌入深度学习的研究人员与算法工程师。

论文背景和研究动机

准确估算陆地与大气间的 CO₂交换量是全球碳收支评估和气候反馈预测的核心任务。涡度相关（EC）通量塔能提供高精度的局地净生态系统交换（NEE）、总初级生产力（GPP）和生态系统呼吸（RECO）实测值，但全球仅约数百个站点，且集中分布在北美和欧洲（图 1），无法直接形成空间连续产品。传统空间插值方法忽视生态系统背景和时序动态，表现不佳。近年来，融合卫星遥感与气象再分析数据的机器学习方法兴起，最具代表性的框架为 FLUXCOM 及其升级版 FLUXCOM‑X‑BASE（基于 XGBoost）。然而，这些模型大多在有限站点上训练，遇到未见过的生物群系或气候区时，泛化能力急剧下降。

根本原因在于，通量–特征关系高度依赖环境上下文：同一植被指数在不同天气条件下可能反映截然不同的生理状态；数据的时空分辨率、噪声特性差异也会引入协变量漂移。因此，研究者开始转向领域泛化和任务感知学习，希望模型学习过程级的不变表征，而不仅仅是统计相关性。TAM‑RL 框架的出现恰好契合这一需求，它原为少样本学习设计，在环境建模中已展现优势。本文将其扩展至零样本升尺度任务，并通过引入碳平衡物理约束，实现跨站点的稳健预测。

核心方法和技术细节

TAM‑RL 框架的核心由两个网络组成：调制网络和前向预测网络（图 2）。

调制网络：包含一个基于 BiLSTM 的任务编码器 $\mathcal{E}$ 和调制参数生成器 $G$ 。编码器接收每个站点的历史驱动数据，生成任务嵌入向量 $z_i$ ，用以捕获站点特有的功能属性和时序模式。随后，MLP 生成器 $G$ 将 $z_i$ 转化为两组特征线性调制（FiLM）参数： $\gamma_1, \beta_1$ 用于输入特征的仿射变换， $\gamma_2, \beta_2$ 用于 LSTM 最终隐藏状态的调节。形式上， $x' = \gamma_1 \odot x + \beta_1, \quad h' = \gamma_2 \odot h + \beta_2$ 这种调制使模型能在不修改基础架构的情况下，针对每个站点动态调整表示。
前向模型 $\mathcal{F}$ ：为标准 LSTM 解码器，负责基于经过调制的驱动特征序列生成逐日碳通量预测。训练时采用两阶段策略：
1. 预训练阶段：仅训练 LSTM 解码器，不使用任务特定信息，以获得跨站点的共享时序特征基础。
2. 联合训练阶段：对每个站点，利用小型支持集计算任务嵌入，调制网络生成参数注入解码器，再通过查询集计算损失并反向传播更新全部参数。这种元学习风格使模型习得 “如何针对新站点快速调制预测器” 的能力。

损失函数设计充分体现了知识引导的理念：

\mathcal{L} = \mathrm{MSE} \cdot w_{\mathrm{qc}} \cdot w_{\mathrm{igbp}} \cdot w_{\mathrm{koppen}} + \alpha \cdot L_{\mathrm{flux}}, \quad \alpha=0.1

其中 $w_{\mathrm{qc}}$ 根据 NEE 连续质量标志给予高质量样本更高权重； $w_{\mathrm{igbp}}$ 和 $w_{\mathrm{koppen}}$ 分别为基于 IGBP 生态区和 Köppen 气候类型的逆频类别权重，用于缓解站点空间分布不均衡问题。 $L_{\mathrm{flux}}$ 惩罚违反碳平衡方程 $\mathrm{NEE} = \mathrm{RECO} - \mathrm{GPP}$ 的预测，使模型同时输出 GPP、RECO，并在推理阶段将 GPP 和 RECO 截断至非负。

数据层面，本工作构建了包含 579 个 EC 站点（2000‑2023 年）的多源数据集，涵盖 FLUXNET、AmeriFlux、ICOS、JapanFlux 四大网络，结合 MODIS 卫星反射率与植被分类产品、ERA5‑Land 气象再分析数据，所有输入在 2km×2km 窗口内提取并统一至日尺度，以 45 天滑动窗口与 15 天步长构造时序样本。

创新点和贡献

这项工作的主要创新可归纳为以下三点：

首次将任务感知调制引入碳通量零样本升尺度：以往的研究或是针对每个站点单独微调，或是训练一个全局模型而不考虑站点个性。TAM‑RL 通过调制机制，既保留了共享的时序特征抽取能力，又能为每个站点生成专用调整参数，大幅提升跨生物群系泛化能力。
知识引导的复合损失函数设计：将碳平衡物理约束显式嵌入损失项，同时结合质量加权和生态气候逆频加权，迫使模型不仅追求统计精度，还要满足生态系统过程的守恒规律，从而提高了预测的物理合理性和对少数类的拟合能力。
多网络融合与基准对比：基于大规模、多网络的实测数据，系统比较了 TAM‑RL 与纯 LSTM、XGBoost 以及当前业务化产品 FLUXCOM‑X‑BASE 的性能，为社区提供了可复现的评估框架和基准。

实验结果分析

实验在 164 个严格留出的站点上进行评估，结果充分说明了 TAM‑RL 的优势。

整体性能：如表 1 所示，TAM‑RL 在 GPP 和 NEE 两个目标上均取得最低 RMSE 和最高 R²。GPP 的 RMSE 从 XGBoost 的 2.17 gC m⁻² day⁻¹降至 1.97，FLUXCOM‑X‑BASE 为 2.18；R²则从 0.36 提升至 0.43。NEE 方面，RMSE 从 1.76 降至 1.62，R²从 0.16 提升至 0.23。相对提升幅度显著。
跨生态区和气候区表现：图 3 的 RMSE 分布条形图显示，TAM‑RL 在大多数 IGBP 类型和 Köppen 气候区均优于树模型基线，尤其在温带、寒带和干旱区表现突出。不过，水体（WAT）和部分森林类型（MF、DBF、ENF）的提升有限，甚至个别类别与 FLUXCOM‑X‑BASE 接近（相对 RMSE 热力图 4 中差异在 0.4–6.0% 之间），说明现有驱动变量未能充分描述水生或复杂林冠过程。
站点级对比：图 5 的散点图直观展示了 TAM‑RL 与 FLUXCOM‑X‑BASE 的逐站点 RMSE 和 R²差异，大部分站点位于对角线有利侧，进一步证实框架的整体改进，但也暴露了部分站点误差仍较大，这部分站点的误差主要来自气候和生态区的强异质性。

值得注意的是，所有神经网络模型均为 10 次独立运行的集成平均，与 XGBoost 的集成特性对等比较。TAM‑RL 的优势并非来自于复杂的集成，而是调制与物理引导带来的表示学习改进。

实践建议

对于希望在业务中部署 TAM‑RL 或类似知识引导升尺度模型的研究者和机构，以下几点值得关注：

历史数据支持集的选择：TAM‑RL 在推理时需为每个目标站点提供历史时段作为支持集（例如使用 2001、2011、2021 年数据），以计算任务嵌入。实践时应确保支持集包含站点不同气候年份的代表性时段，若站点历史过短，可考虑使用同生态类型临近站点的支持集代替，但需验证传输效果。
损失函数权重的本地化调整：逆频权重 $w_{\mathrm{igbp}}$ 和 $w_{\mathrm{koppen}}$ 依赖于全局类别分布，若应用于全新的区域（如热带亚洲站点）而训练集中该类极稀疏，建议根据目标区域的先验分布微调权重，或引入自适应类别平衡策略，避免过补偿导致预测偏差。
物理约束的扩展：文中仅使用了碳平衡方程，未来可进一步加入能量闭合或水分限制等约束（如蒸散发与 GPP 的耦合），以进一步约束多变量输出的一致性。在部署时，需确保推理阶段同时输出 GPP、RECO，并执行非负截断，以保证碳平衡惩罚的有效性。
不确定性量化：当前 TAM‑RL 为确定性预测，没有输出置信区间。在实际碳核算中，决策者更关心不确定性估计。建议结合集成预测的多次运行方差作为简易不确定性度量，或进一步引入变分贝叶斯调制网络，以量化预测的不确定性。
模型更新与再分析流程：当有新站点加入或时序延长时，可采用增量预训练方式：冻结调制网络的部分参数，仅微调解码器和生成器，从而避免灾难性遗忘，同时降低算力消耗。这也符合碳通量产品逐年更新、再分析的业务需求。

总体而言，TAM‑RL 为全球碳通量升尺度提供了一个灵活、物理一致且具备强大泛化能力的框架，但其实际落地仍需针对特定区域和生态系统的细致适配，以及不确定性量化等功能的补充。