类型a：

本文介绍的研究论文《FLAML version 2.3.3 model-based assessment of gross primary productivity at forest, grassland, and cropland ecosystem sites》由中国科学院应用生态研究所的赖杰、张媛、王安志等学者团队合作完成，发表在2025年的学术期刊《Geoscientific Model Development》上。该研究开发了一种新型的基于自动机器学习（AutoML）框架的光能利用率（LUE, light use efficiency）模型，用于准确估算陆地生态系统的总初级生产力（GPP, gross primary productivity）。

学术背景
全球碳循环研究亟需准确估算陆地生态系统的GPP，而目前基于卫星遥感的光能利用率模型存在显著的不确定性。不同LUE模型使用的环境限制因子变量和算法差异较大，导致GPP估算结果差异显著。该研究旨在通过结合自动化机器学习框架FLAML和LUE模型的关键变量，开发一种新型的FLAML-LUE模型，以提升不同生态系统类型在不同时间尺度下的GPP估算精度。研究设置了两个具体目标：(1)评估不同输入变量组合对GPP估算的影响；(2)检验模型在极端气候条件下的表现。

研究流程
研究团队选择了中国20个通量观测站点（8个森林、7个草地和5个农田站点）作为研究对象，时间跨度为2003-2022年不等。数据来源包括： 1. 涡度协方差数据：来自Science Data Bank，包括半小时尺度的通量和气象数据 2. MODIS遥感数据：通过Google Earth Engine获取500米空间分辨率的植被指数 3. ERA5-Land再分析数据：提供气温、土壤水分等气候变量 4. SPEI干旱指数数据库：识别干旱事件

研究开发了18种FLAML-LUE模型变体，通过不同fPAR（光合有效辐射吸收比例）和水分胁迫指标的组合构建模型。FLAML框架自动选择最优算法（主要是Extra Trees）并优化超参数，时间预算设置为120秒/次运行。模型验证采用了分块时间序列交叉验证策略，保留了时间依赖性。

主要结果

1. 整体表现：

• 所有FLAML-LUE模型变体在验证数据集上的平均R²达到0.80
• 最优模型FLAML00（EVI+LWSI组合）在混交林站点表现最佳（R²=0.92）
• 模型在混交林和针叶林表现优异（日尺度R²分别达0.92和0.91），但在高寒灌丛和典型草地表现欠佳

1. 生态系统差异：

• 森林生态系统精度最高（R²=0.83），农田次之（R²=0.72），草地最低（R²=0.71）
• 落叶阔叶林、针叶林和混交林的模拟效果优于常绿阔叶林和稀树草原

1. 时间尺度影响：

• 时间分辨率越粗，模型性能越好（日尺度R²=0.64；月尺度R²=0.74）
• NU RMSE从日尺度的0.5518降至月尺度的0.4088

1. 极端气候条件：

• 高温条件下模型精度下降明显（R值普遍降至0.9以下）
• 高VPD条件下性能下降较小，但偏差波动显著
• 干旱条件下模型性能反而略有提升（可能因GPP变异性降低）

结论与意义
该研究开发的新型FLAML-LUE模型为区域尺度的GPP估算提供了新方法，具有以下科学和应用价值： 1. 证明了AutoML框架在生态建模中的应用潜力，特别是FLAML的高效算法选择能力 2. 量化了不同输入变量对GPP估算的影响，为未来LUE模型改进提供了方向 3. 评估了模型在极端气候条件下的稳健性，为气候变化研究提供了可靠工具 4. 模型优于MODIS GPP和PML GPP产品，可作为更精确的碳循环研究工具

研究亮点
1. 首次将FLAML AutoML框架与LUE模型结合，实现算法自动选择和优化 2. 全面评估了模型在多种生态系统和极端气候下的表现 3. 采用创新的分块时间序列验证策略，保留了数据时间特性 4. 揭示了EVI作为fPAR代理相比NDVI的优势

研究也存在一些局限性，如对常绿阔叶林和高寒灌丛的模拟精度较低，这为未来的模型改进指明了方向。作者建议未来可结合太阳诱导叶绿素荧光(SIF)等新型遥感指标，进一步优化模型性能。