农业资源与环境学报

作者：唐欢,叶剑,殷华,高振翔,王锦杰,李成

单位：宿迁市气象局, 江苏 宿迁 223800,宿迁市气象局, 江苏 宿迁 223800,宿迁市气象局, 江苏 宿迁 223800,宿迁市气象局, 江苏 宿迁 223800,宿迁市气象局, 江苏 宿迁 223800,扬州大学植物保护学院, 江苏 扬州 225009

关键词：CO2通量，机器学习模型，影响因素，模拟能力，冬小麦，夏玉米，农田,

基金：国家自然科学基金项目（41801013）；江苏省科协青年科技人才托举工程项目（TJ-2023-032）；扬州大学“青蓝工程”资助项目（2023）；宿迁市级指导性科技计划项目（Z2023144）；江苏省气象局青年基金项目（KQ202420）；“宿迁英才”群英计划培养资助项目（2024）

为探究典型冬小麦-夏玉米农田CO2通量的影响因素及不同机器学习模型对其模拟能力，本研究选取中国生态系统研究网络禹城综合试验站冬小麦-夏玉米农田为研究对象，基于气象、土壤和作物生长等数据，通过类别型特征提升（CATBoost）、极限梯度提升（XGBoost）、支持向量机（SVM）、人工神经网络（ANN）、随机森林（RF）和K近邻法（KNN）六种机器学习算法，分析其对逐日净生态系统碳交换量（NEE）、总初级生产力（GPP）和生态系统呼吸（Re）模拟的准确性。结果表明：对不同机器学习模型而言，CATBoost模型对农田NEE、GPP 和Re模拟的准确性都优于其他模型，XGBoost模型次之。对不同输入变量组合而言，当包含气象变量、土壤变量和作物变量时各机器学习模型的模拟效果最佳，其次是包含气象变量和作物变量，而包含气象变量和土壤变量的模拟效果相对较弱。对不同农田类型而言，六种机器学习模型在不同输入变量组合下表现出冬小麦田NEE、GPP 和Re的模拟效果优于对应的夏玉米田，其中冬小麦田GPP 和Re的模拟准确性相近，且优于NEE；而夏玉米田NEE 和GPP 的模拟准确性相近，且优于Re。

来源：2025年第5期

《农业资源与环境学报》期刊编辑部

查看农业资源与环境学报杂志2025年第5期