综合框架：本研究提出了一个创新的NEE升尺度综合框架（对应原文图1：NEE升尺度框架示意图。该图清晰地展示了从数据输入（涡度协方差数据、遥感影像、DEM、水文数据）开始，依次通过OBIA分割生成空间计算单元、利用MIKE21水动力模型计算水文情态变量、从遥感数据提取环境变量，最后通过集成机器学习模型进行训练和升尺度的完整工作流程）。
OBIA空间计算单元分割：为克服像素法在异质湿地景观分割中的不足，采用基于对象影像分析的多分辨率分割算法。该算法以Landsat 8影像和DEM为基础图层，将研究区划分为内部具有相似光谱、纹理和形状特征的空间单元，作为后续升尺度的基本计算单元。通过评估不同参数组合下单元内、单元间环境变量的方差，确定了最优分割参数。
水文-环境变量计算：
水动力模型：采用MIKE21二维水动力模型，模拟鄱阳湖湿地2013-2020年的日水位过程。模型经过率定与验证，性能可靠（对应原文附图S4：MIKE21模型率定验证结果图。该图展示了多个水文站模拟与观测水位过程线的高度一致性，NSE系数在0.70-0.87之间）。基于模拟结果，计算了平均水位、最大洪水位、淹没频率和水位波动等关键水文情态变量。
环境变量：从遥感数据集中获取了包括MOD09A1地表反射率波段、叶面积指数、光合有效辐射吸收比例、昼夜地表温度、发射率、降水、NDVI、EVI和NDWI等可能影响碳通量的环境变量。
集成机器学习模型：研究选取了随机森林、支持向量回归、XGBoost等十种主流机器学习模型。采用Powell无导数优化算法，以最小化均方根误差为目标，为各模型预测值分配最优权重并进行集成（公式1-3）。同时，也对比了R²加权法和基于梯度信息的SLSQP优化器两种集成方法。所有模型均采用递归特征消除法筛选关键变量。
案例研究：鄱阳湖湿地：鄱阳湖是典型的洪水湿地，水位季节变幅可达15米。研究利用南矶和蛇山两个涡度协方差站2013-2020年的日尺度NEE观测数据进行建模与验证（对应原文图2：研究区与涡度协方差站位置示意图。图2a-b展示了鄱阳湖在长江流域的位置及其水系；图2c标明了两个EC站（南矶、蛇山）的具体点位；图2d为南矶站实景照片）
模型性能对比：在十种单一机器学习模型中，GBDT表现最佳（R²=0.74）。在三种集成方法中，基于Powell优化的集成模型取得了最优性能，其验证集R²为0.76，RMSE和MAE分别为0.51和0.39 g C m⁻² d⁻¹，均优于最佳单一模型（对应原文表1：各机器学习模型性能对比表）。该集成模型在加入高斯噪声和5%缺失值的鲁棒性测试中也表现出最小的性能衰减，显示了其优越的稳定性。因此，后续升尺度分析均采用该模型。
关键驱动因子识别：SHAP可解释性分析表明，最大洪水位是影响NEE最重要的变量，贡献了31.21%的变化。其次为增强型植被指数和白天地表温度（对应原文图4a：基于SHAP值的变量重要性排序图。该图以降序条形图形式量化了各水文-环境变量对NEE预测的平均绝对贡献度）。MFL与NEE呈显著正相关，表明洪水位的升高会增加CO₂排放（对应原文图4b：MFL的SHAP依赖图）。EVI与NEE呈显著负相关，表明植被越茂密，CO₂吸收越强。白天地温与NEE呈正相关，而夜间地温的影响呈非线性，存在约13°C的阈值。
升尺度NEE的时空变化与不确定性：
年际变化：2013-2020年间，鄱阳湖湿地在多数年份（如2013, 2018年）表现为碳汇，但在2016和2020年表现为碳源（对应原文图5b：年净CO₂交换量时间序列图）。空间上，永久淹没区通常表现为碳源或弱碳汇，而季节性的湖滨带则主要充当碳汇（对应原文图5a：多年平均NEE空间分布图。该组地图以年为单位展示了NEE的空间格局，暖色（红）表示碳源，冷色（蓝）表示碳汇，清晰显示了湖心水域与湖滨带的功能差异）。
年内变化：湿地通常在5月至8月（丰水期）表现为净CO₂排放源，在7月达到峰值；在其他月份（特别是枯水期）表现为净CO₂吸收汇（对应原文图6a-b：月均NEE空间分布及总量序列图。图6a展示了不同月份NEE的空间分布，图6b的柱状图显示了湿地每月是净吸收（负值）还是净排放（正值），与EC观测的季节模式一致）。
不确定性：升尺度结果的不确定性在空间上呈现异质性，河道附近区域的不确定性通常较高。
本研究通过耦合水动力模型，首次将高时空分辨率的水文情态变量系统性地纳入洪水湿地NEE升尺度研究。研究发现最大洪水位是主导NEE变异的关键因素，其升高会通过抑制洪水敏感型植物（如苔草、芦苇）的光合作用，并改变土壤微生物活性，从而导致净CO₂排放增加。这强调了在洪水湿地碳循环研究中不可忽视水文情态的作用。
研究证实，采用OBIA分割得到的空间单元，比固定大小的网格更能贴合异质的湿地景观斑块，从而为升尺度提供了更合理的计算基础。集成机器学习模型通过Powell优化算法有效融合了不同单一模型的优势，获得了比任何单一模型都更优且更稳健的预测性能，为区域碳通量估算提供了可靠工具。
空间分析表明，湖滨带是关键的碳汇区，而将湿地简单视为均一水体则会严重高估其碳源强度。这凸显了在湿地碳收支评估中充分考虑景观空间异质性的重要性。本研究结果可指导差异化的湿地管理，例如优先保护湖滨带植被以维持碳汇功能，同时兼顾其生物多样性保护等生态服务。
本研究开发了一个综合涡度协方差观测、OBIA分割、水动力模拟和集成机器学习的框架，用于提升洪水湿地净生态系统CO₂交换的升尺度评估。主要结论如下：
所提出的综合框架能有效实现洪水湿地NEE的高精度升尺度模拟。其中，基于Powell优化的集成机器学习模型性能最优（R²=0.76），且鲁棒性最强。
水文情态是驱动NEE变化的关键因素，其中最大洪水位是最重要的控制变量，其升高会导致CO₂排放增加。
鄱阳湖湿地的碳源汇功能存在显著空间异质性。永久淹没区多为碳源，而季节性暴露的湖滨带是主要的碳汇区。湿地整体在多数年份为碳汇，但在丰水期（5-8月）表现为碳源。
该框架为量化复杂水文条件下洪水湿地的碳通量时空动态提供了可行方案，有助于更准确地评估湿地碳收支，并为制定针对性的湿地保护与恢复策略以增强碳汇功能提供了科学依据。
10个月宝宝每天需要喝多少奶粉？
