PNAS ：结合机器学习的生态系统集成模型显著提升了对美国农田N2O通量预测的准确性

背景：氧化亚氮（N₂O）是重要的温室气体，农业排放占主导，但其排放预测因时空变异性和复杂生物过程而困难重重。传统机理模型需站点校准且难以捕捉高排放事件，纯机器学习模型泛化能力弱且缺乏机理解释。研究目的：构建一个耦合生态系统过程模型与机器学习的集成建模系统（EMS），旨在提高农田N₂O通量预测的准确性，特别是对高排放事件和泛化能力的提升。结论：EMS模型在训练和独立测试站点均表现出高预测精度（R² = 0.84），显著优于纯机器学习模型。研究明确了土壤有机碳、铵态氮等关键驱动因子及其非线性阈值行为，揭示了高排放事件需要多种条件（如充足的氮、碳底物及适宜的水温）同时满足。该集成方法有效结合了机理与数据驱动优势，为改进温室气体清单和评估管理措施提供了可靠工具。