近日，西南林业大学西南山地森林资源保育与利用教育部重点实验室、西南地区生物多样性保育国家林业和草原局重点实验室、云南省林下资源保护与利用重点实验室联合大数据与智能工程学院，构建融合物理机制的深度学习模型 MSCarbonNet，实现中国陆地生态系统多碳通量物理一致协同估算，揭示碳通量对温度、降水的差异化气候敏感性，为长期存在的碳通量物理一致性估算难题提供系统性解决方案。该成果以《Physics‑constrained deep learning for joint estimation of terrestrial CO₂ fluxes and differentiated climatic sensitivities across China (2002–2022)》为题，发表于农林科学领域国际权威期刊《Agricultural and Forest Meteorology》（中国科学院一区 TOP，IF 6.6，CiteScore 11.1），彰显我校研究生培养取得新成效。

长期以来，学界在区域尺度陆地碳通量估算方法上存在明显分歧：传统过程机理模型依赖大量经验参数与理论假设，关键参数难以在生态系统尺度实现精确量化，参数取值差异易带来显著估算偏差；纯数据驱动的机器学习模型过度依赖观测数据，忽视碳循环固有的物理规律，在数据稀疏区域易输出违背物理原理的预测结果。上述分歧直接影响碳收支核算精度、碳中和措施评估以及气候政策制定。该研究从物理一致性角度切入，将生态碳循环物理机制内嵌至深度学习训练过程，为破解该难题提供关键实证。

本研究系统整合中国通量网（ChinaFlux）、FLUXNET2015、国家青藏高原数据中心等来源共计 275 个站点年涡度协方差观测记录，涵盖森林、草地、湿地、灌丛、农田 5 类生态系统的 49 个观测站点；融合 Landsat、MODIS 多源遥感数据以及气候、地形、土壤等环境因子，构建物理约束深度学习模型 MSCarbonNet。模型在损失函数中同时嵌入静态碳平衡约束与动态自适应生理约束，实现 GPP、Reco、NEE 三类碳通量的物理一致协同估算，反演得到 2002—2022 年中国陆地生态系统碳通量时空格局及其气候驱动机制。

研究表明，我国陆地碳通量呈现东南高、西北低的空间梯度特征，气候敏感性存在显著的区域分异：约 61.53% 的区域，温度对 GPP 的影响效应强于 Reco，属于 GPP 主导型碳汇区；约 49.52% 的区域（尤以西北及北方过渡带为代表），降水对 Reco 的影响效应更为突出，干旱化会加剧碳损失风险，为 Reco 主导型碳汇区。这说明碳汇稳定性受温度、降水的空间异质性共同调控。据此，碳汇管理应当因地制宜：GPP 主导区域优先开展森林保护与可持续经营；Reco 主导区域着力推进草地恢复和水源保育，提升生态系统应对气候变化的碳汇潜力。

西南林业大学张加龙教授为论文通讯作者，其指导的硕士研究生夏乐艳为第一作者，西南林业大学为论文第一完成单位。本研究得到云南省基础研究计划重点项目（202501AS070047）、国家自然科学基金（32260390）、西南林业大学林学重点学科及重点实验室开放项目（LXXK2023Z06）等资助。