大气环境因子（气候变化、氮沉降、CO2）、生态工程引起的土地利用变化（LCC）及林龄结构变化共同促进了黄土高原植被变绿。然而，目前黄土高原植被变绿的主导因素仍然存在争议。

中国科学院地理科学与资源研究所国家生态科学数据中心何洪林研究团队，对深度学习网络Deep Crossing进行改进，将Bi-LSTM网络和Embedding技术相结合，构建了Deep Crossing LSTM Age (DC-LSTM-Age)网络，将土地利用类型、林龄和大气环境因子作为驱动因子，对黄土高原逐月LAI进行重构。之后结合情景分析方法，定量评估了LCC、气候变化、大气CO2升高和氮沉降对黄土高原退耕还林还草（GGP）区植被变绿的贡献。这一研究成果于2025年7月发表在国际环境主流期刊Environmental Research Letters。

研究结果表明，本研究构建DC-LSTM-Age模型能够准确模拟LAI的大小及其在土地利用变化过程中的时间响应特征。在验证集上，DC-LSTM-Age模拟精度（R2=0.87）优于未考虑LCC和林龄的Bi-LSTM网络（R2=0.79）和未考虑林龄的Deep Crossing LSTM（DC-LSTM）网络 (R2=0.84)。在农田转为草地后，DC-LSTM 和 DC-LSTM-Age 的 LAI 模拟误差（RMSE）相比 Bi-LSTM 分别降低约 72% 和 77%。在农田转为森林后，DC-LSTM-Age 的 RMSE 比 DC-LSTM 低 68.8%。

图1 在验证集MODIS LAI和模拟LAI的散点图（a）Bi-LSTM （b）Deep Crossing LSTM  （c）Deep Crossing LSTM Age

图2 退耕还林还草区MODIS LAI、Bi-LSTM、DC-LSTM和DC-LSTM-Age模拟LAI的时间序列曲线

2001-2021退耕还林区LAI增长速率（0.013 m2 m-2 yr -1）远大于退耕还草区（0.005 m2 m-2 yr -1）。在退耕还林区，LCC是LAI增长主导因素（0.25 m2 m-2，52.9%），其贡献随时间在不断增强。在退耕还草区，大气环境因子是LAI增长主导者（78.5%，0.127 m2 m-2），其中气候变化贡献最高（0.064 m2 m-2，39.5%），CO2次之（0.056 m2 m-2，35.3%），氮沉降的贡献最小（0.007 m2 m-2，4.1%），长时间尺度上来看该区域CO2施肥效应趋于饱和。

图3 黄土高原不同生态工程类型区LCC、气候变化、CO2与氮沉降对LAI增加贡献

图4 黄土高原不同生态工程类型区LCC、气候变化、CO2与氮沉降对LAI增加贡献的动态变化

该研究得到了国家自然科学基金项目（42030509）和国家重点研发计划（2021YFF0703903）的资助。国家生态科学数据中心何洪林研究员为通讯作者，兰州大学博士生王雪婷为第一作者。