森林生态系统在陆地碳循环中发挥重要作用，但目前全国森林碳汇估算精度仍存在较大不确定性，准确估算站点到区域尺度的森林碳汇，对于开展国家碳盘点工作和气候变化研究具有重要意义。长短期记忆网络（LSTM）是一种考虑时间记忆效应的深度学习算法，在提高生态系统净碳交换（NEE）模拟精度方面有巨大潜力，有望用于改善区域尺度森林碳汇评估。
       本研究收集了全国11个站点共787个站点-月的长期涡度相关观测数据以及配套的气象和多源遥感数据，此外，特别引入了全国森林年龄分布图，研究基于LSTM模型提高中国森林NEE模拟精度的方法。研究发现，根据森林功能类型（PFT）建立不同的NEE估算模型可以提高NEE的模拟精度，以基于涡度相关数据估算的NEE（i.e., EC-NEE）为标准，混交林估算模型在区分PFT前后，NEE模型模拟结果与EC-NEE的决定系数R²从0.34提高到了0.84，即使是效果不显著的常绿针叶林，R²也从0.34提高到了0.44。基于LSTM的NEE估算模型考虑了14个与NEE相关的变量，在大多数情况下，SIF是月尺度NEE估算最重要的影响因子，其次是FAPAR和气压（Pres）。值得注意的是，研究发现，在未区分PFT时，林龄（Age）对NEE模拟精度影响较大；但区分PFT建模后，林龄对NEE模拟精度改善不显著。本研究为融合多源数据模拟中国森林净碳通量提供了新的方法，有助于更好地理解中国森林生态系统在陆地碳循环中的作用。
 

森林生态系统；净生态系统碳交换（NEE）；长短期记忆网络（LSTM）；涡度相关数据；林龄；中国