区域碳收支评估仍然面临较大的不确定性，减小自下而上估算和自上而下反演结果之间的差异对于准确量化区域碳收支至关重要。本研究以北美为例，充分利用现有的通量塔观测和新型卫星地表观测数据，基于先进的长短期记忆（LSTM）深度学习算法，升尺度估算区域净生态系统碳交换（NEE）。我们生成了北美区域0.1°×0.1°、逐月的2001–2021的格网NEE数据集。估算NEE的年均总量为-1.27±0.12 Pg C year^-1，与已有的区域和全球通量升尺度结果（EC-MOD2012为-1.81 Pg C year^-1，FLXCOM2020 RS+CRUJRA1.1和RS+ERA5分别为-3.04和-2.75 Pg C year^-1，NIES2020为-3.30 Pg C year^-1）相比，更接近自上而下反演结果（CarbonTracker2022 估算2001–2020 年NEE为-0.70 Pg C year^-1，OCO-2 v10 MIP集合平均估算2015–2021年NEE为-0.63 Pg C year^-1）。在空间分布上，显示中西部玉米带地区在生长季峰期碳汇最强、而东南地区年度碳汇最强，这与已有的认知相符。基于LSTM的升尺度结果捕捉到了2011年、2012年、2013年、2017年和2020–2021年干旱以及2019年中西部洪水造成的NEE异常，而不考虑记忆效应的结果难以很好捕捉极端事件引起的NEE异常。上述结果表明，基于LSTM的估算结果改进了北美NEE的时空特征刻画，缩小了自下而上和自上而下估算之间的差距，这是朝着区域碳收支精准估算迈出的关键一步。

区域碳收支；净生态系统碳交换；长短期记忆深度学习；通量升尺度；北美地区