X-MethaneWet: A Cross-scale Global Wetland Methane Emission Benchmark Dataset for Advancing Science Discovery with AI

甲烷 (CH$_4$) 是仅次于二氧化碳的第二大温室气体，由于其强大的全球变暖潜力，在气候变化中扮演着至关重要的角色。精确地在全球范围内以及在精细时间尺度上模拟甲烷通量，对于理解其时空变异性和制定有效的减排策略至关重要。在本研究中，我们介绍了首个跨尺度的全球湿地甲烷基准数据集（X-MethaneWet），该数据集整合了基于物理模型 TEM-MDM 的模拟数据和来自 FLUXNET-CH$_4$ 的真实世界观测数据。这一数据集为利用新的人工智能算法改进全球湿地甲烷建模和科学发现提供了机会。为了为甲烷通量预测建立人工智能模型基线，我们在 X-MethaneWet 数据集上评估了多种序列深度学习模型的性能。此外，我们探索了四种不同的迁移学习技术，以利用 TEM-MDM 的模拟数据，提升深度学习模型在真实世界 FLUXNET-CH$_4$ 观测数据上的泛化能力。我们的大量实验表明，这些方法具有显著的有效性，突显了它们在推动甲烷排放建模方面的潜力，并有助于开发更准确、更具可扩展性的人工智能驱动的气候模型。

该论文试图解决全球湿地甲烷（CH4）通量预测的挑战，特别是如何通过结合模拟数据和真实观测数据来提高模型的准确性和泛化能力。这是一个重要的问题，因为甲烷是仅次于二氧化碳的第二大温室气体，其精确建模对气候变化研究至关重要。

论文提出了一种创新的跨尺度全球湿地甲烷基准数据集（X-MethaneWet），整合了基于物理的TEM-MDM模拟数据和FLUXNET-CH4的真实观测数据。此外，论文还探索了四种不同的迁移学习技术，以利用模拟数据改进深度学习模型在真实世界数据上的表现。这种方法新颖之处在于将模拟与实际观测相结合，并通过迁移学习提升模型性能。

1. 构建了首个跨尺度全球湿地甲烷基准数据集X-MethaneWet；2. 使用多种序列深度学习模型进行基准测试；3. 探索了四种迁移学习方法，显著提升了模型在真实数据上的泛化能力；4. 实验设计全面，涵盖了不同模型架构和迁移策略的对比分析；5. 数据来源包括TEM-MDM模拟数据和FLUXNET-CH4观测数据，但未提及代码是否开源；6. 提出了未来可以深入研究的方向，例如更复杂的AI算法和更大规模的数据集。

相关研究包括：1. 'A Global Methane Budget 2000–2017'，探讨了甲烷排放的全球预算；2. 'Deep Learning for Earth System Science'，介绍了深度学习在地球系统科学中的应用；3. 'Transfer Learning in Remote Sensing Data Analysis'，讨论了迁移学习在遥感数据分析中的潜力；4. 'Modeling Wetland Methane Emissions Using Machine Learning Techniques'，专注于机器学习在湿地甲烷排放建模中的应用。