我院青年教师陆姣及其团队在国际权威期刊《Forests》在线发表了题为“Improving the Gross Primary Production Estimate by Merging and Downscaling Based on Deep Learning”的研究成果。植被总初级生产力（GPP）的可靠估算对理解全球碳平衡和准确评估陆地生态系统支持人类社会可持续发展的能力至关重要。然而，目前多种GPP产品的变化和趋势并不一致。为了提高GPP的估算精度，本研究采用深度学习方法融合了23个CMIP6模式数据，生成了空间分辨率为0.25°的逐月GPP融合数据，时间范围覆盖1850-2100年，未来预估时期包含四种气候情景（SSP1-2.6，SSP2-4.5，SSP3-7.0和SSP5-8.5）。以GLASS GPP为基准，比较了多模式集合平均和融合产品（CMIP6_DLGPP）的精度。结果表明，与多模式集合平均相比，CMIP6_DLGPP与GLASS GPP之间的决定系数从0.66提高至0.86，RMSD从1.77gCm⁻²d⁻¹降低至0.77gCm⁻²d⁻¹，随机误差显著降低。此外，融合产品可以更好地捕捉长期变化趋势，尤其是植被茂密的东南沿海地区。在未来不同气候情景下，中国区域GPP呈上升趋势，随着辐射强迫水平的增加，变化趋势增强。研究结果有助于科学地理解气候变化对中国GPP的潜在影响。

图1.深度学习模型框架

图2.CMIP6_DLGPP、GLASS GPP、多模式集合平均和23个CMIP6模式测试数据集的归一化泰勒图

论文信息：

Lu, J., Wang, G., Feng, D., Nooni, I. K.: Improving the Gross Primary Production Estimate by Merging and Downscaling Based on Deep Learning, Forests, 14(6), 1201, 2023.

数据地址：

https://doi.org/10.6084/m9.figshare.22004504.v1

链接地址：

https://doi.org/10.3390/f14061201