準確模擬陸地生態系統碳循環過程是預測氣候變化的基礎，也是目前全球變化研究中重要的前沿領域之一。生態模型作為研究碳循環過程的關鍵手段，其模擬過程需要時間序列連續的植被生理生態參數的支持。近年來，碳通量觀測網的時空覆蓋范圍仍然有限，遙感數據能彌補地面觀測的不足。采用數據同化方法將多源數據與生態過程模型相結合，為碳循環參量同化反演建模提供了一個新思路。 

　　近期，成都山地災害與環境研究所山地定量遙感研究團隊李愛農研究員及其博士研究生謝馨瑤等選擇北美加拿大三個森林觀測站點數據(Saskatchewan Old Aspen, Saskatchewan Jack Pine, Saskatchewan Old Black Spruce)和Boreal Ecosystem Productivity Simulator (BEPS)模型為基礎，構建了基于BEPS生態過程模型和光反應曲線的耦合模型，提出了一種基于碳通量觀測數據和耦合模型的陽葉GPP反演方法，成功實現了一種基于多源遙感數據同化的碳循環過程關鍵參量研究框架。 

　　研究發現，基于數據同化方法，將參量反演問題轉換為模型模擬和多源觀測數據間代價函數最優化問題，能夠為碳循環過程模擬提供一個較為高效率和穩定的參數反演方案。相比于傳統冠層總GPP同化反演，用陽葉GPP修正生態模型的運行軌跡，能夠反映聚集指數、最大光能利用率，冠層最大光合反應速率以及最大羧化反應速率的時間序列變化趨勢，能有效提高碳循環過程模型的模擬精度。該項研究為后續分析復雜地形條件下碳循環過程的模擬誤差，構建更準確的山地碳循環參量遙感反演模型提供了有益的理論認知。 

　　相關研究得到了國家自然科學基金重點項目（41631180）、國家重點研發計劃項目（2016YFA0600103）等的支持，成果發表在領域頂級期刊 Agricultural and Forest Meteorology 上。 

　　論文鏈接：https://www.sciencedirect.com/science/article/pii/S0168192318301394