在全球变暖背景下，北方森林对气候变化更为敏感，同时是重要的陆地碳汇，但其碳通量模拟尚存在较大的不确定性。本研究拟借助先进的深度学习算法（LSTM长短期记忆网络）对这一问题开展研究，以便为后续开展其机理模拟提供参考。本研究利用2013年至2017年间芬兰北方针叶林的羰基硫（COS）和CO₂通量（光合碳通量GPP和净碳通量NEE）数据，开展基于LSTM的不同时间尺度（从半小时到周）的通量模拟研究。结果表明，在不同时间尺度下，模型预测COS、GPP和NEE的效果呈现出显著变化。在半小时尺度，预测COS的R²为0.51，RMSE为7.78pmol m-² s^-1；GPP的R²为0.62，RMSE为3.51µmol m^-2 s^-1；NEE的R²为0.75，RMSE为2.08µmol m^-2 s^-1。然而，模型在3小时和6小时尺度上的预测性能明显下降，其中在6小时尺度，预测COS的R²为0.23，GPP的R²为0.20，NEE的R²为0.17。但是，当扩大至日尺度时，模型预测效果显著改善；在更长的周尺度下，预测效果进一步增强，COS的R²为0.87，RMSE为5.87pmol m^-2 s^-1；GPP的R²为0.81，RMSE为1.40µmol m^-2 s^-1，NEE的R²为0.58，RMSE为1.44µmol m^-2 s^-1。此外，不同时间尺度下，影响COS和CO₂通量的主要环境因子也存在差异。在较短时间尺度下，光合有效辐射可能是COS和CO₂通量主控因子，而在较长时间尺度下，则更多地受到土壤温度和水分状况控制。上述发现为北方针叶林碳通量机理模拟提供了重要线索。
 

北方针叶林；LSTM模型；羰基硫；二氧化碳；通量预测；时间尺度