近日，学院唐晓鹿研究员团队在国际顶级期刊《Global Change Biology》发表题为 “Timescale Matters: Finer Temporal Resolution Influences Driver Contributions to Global Soil Respiration” 的研究论文。该研究首次通过深度学习模型揭示了时间分辨率对全球土壤呼吸（Rs）估算及其驱动因子识别的关键影响，为优化陆地碳循环模型、提升气候变化下生态系统碳动态预测精度提供了重要科学依据。

土壤是地球陆地生态系统最大的碳库，储存了超过三分之二的陆地碳，而土壤呼吸作为陆地与大气间第二大碳通量（仅次于光合作用），其动态变化直接影响全球碳平衡与气候系统反馈。然而，现有研究多依赖年度数据建模，忽略了季节尺度上温度、降水与植被动态的非线性交互作用，可能掩盖关键的碳循环驱动机制。

时间尺度对土壤呼吸预测及其驱动因素的影响至关重要。研究团队利用深度学习模型（多层感知机，MLP），基于 1982-2018 年的数据，对全球 Rs 进行了月尺度（MRM）和年尺度（ARM）预测。研究考虑了温度、降水量和叶面积指数（LAI）等关键环境驱动因素，以探讨时间尺度对 Rs 预测及其环境驱动因素影响的差异。较精细的月尺度预测可以更准确地捕捉季节性变化，识别非线性驱动关系，并提高碳通量模型的可靠性。研究结果为优化地球系统模型提供关键参数，例如热带区域需重点考虑干湿季呼吸差异，寒带区域需强化温度季节动态的模拟，助力提升未来气候变化下碳汇潜力预测的可靠性。

论文信息

标题：Timescale Matters: Finer Temporal Resolution Influences Driver Contributions to Global Soil Respiration

期刊：Global Change Biology（2025, 31:e70118）

DOI：10.1111/gcb.70118

基金支持：国家自然科学基金（32271856）、成都理工大学珠峰科学研究计划（80000-2023ZF11410）。