本研究分析了196个FLUXNET2015站点的夜间净生态系统CO2交换（NEEnight）与温度（空气/土壤温度）之间的时间序列数据，探讨了夜间净生态系统CO2交换与温度之间的关系。研究发现，48%的站点显示出夜间净生态系统CO2交换与温度之间存在单峰关系。研究还估算了这些站点的表观最适温度参数，并评估了使用指数型方程和单峰方程对夜间净生态系统CO2交换预测的影响。
从FLUXNET2015 Tier1数据集获取196个站点的半小时时间分辨率的气温（Tair）、土壤温度（Tsoil）和净生态系统CO2交换（NEE）数据。
选择同时拥有气温和土壤温度数据的站点，确保数据质量控制和标准化处理。
夜间定义为每个站点光合有效辐射低于20 W m^-2的时间段。
（1）温度响应曲线的构建
对每个站点，将夜间气温或土壤温度以1°C为间隔进行分组（binning）。
利用散点图展示NEEnight与分组后的夜间气温或土壤温度的关系。
（2）统计模型拟合
使用广义相加模型（Generalized Additive Model, GAM）和自然立方样条函数拟合单峰响应曲线。GAM方法允许数据本身确定响应曲线的形状，而不是受限于参数模型类别中的预设形状。
通过GAM方法确定NEEnight随温度升高先增加、达到峰值后随温度继续升高而下降的单峰关系。
（3）最佳拟合方程的评估
将GAM拟合的单峰响应曲线与三种指数型方程（固定Q10、Arrhenius方程和GPM方程）进行比较，使用调整后的R²来评估每种方程对NEEnight温度响应曲线的拟合优度。
图1|11个不同生物群落的涡度相关通量塔站点的4个夜间净生态系统CO2交换量(NEEnight)和夜间气温(Tair-night)响应曲线。
结果显示NEEnight随温度上升先指数增加，达到站点特定的峰值后，随着温度的继续上升而下降。这表明在这些站点中，NEEnight与温度之间存在单峰关系。
（4）表观最佳温度（Topt）的估算
定义Topt为NEEnight在GAM回归线中达到最大值时的夜间温度。
分析了Topt在不同生物群落类型中的分布差异。
图2|由77个( Topt-air-night )和82个( Topt-soil-night )涡动相关通量塔站点得到站点特定表观最佳温度( Topt )分布。( a )显示明显最适温度的位点分布图。( b )由各站点夜间空气温度( Topt-air-night )和夜间土壤温度( Topt-soil-night )得到的整体表观最适宜温度。( c )表观最适空气温度( Topt-air-night )和表观最适土壤温度( Topt-soil-night )的比较，( d )利用不同生物群落的空气温度计算表观最适温度。( e )利用不同生物群落的土壤温度计算表观最适温度。
结果表明，这些站点显示出NEEnight与温度之间单峰响应关系，并且Topt在不同站点间变化显著，范围从7.3°C到28.9°C（Topt-air-night）和5.8°C到32.1°C（Topt-soil-night）。
（5）驱动因子分析
使用岭回归分析了影响Topt空间变异的驱动因子，包括气候、植被和土壤属性等因素。
图3|影响表观最佳温度（Topt）的驱动因子。环境、植被和土壤因子在解释表观最适气温( Topt-air-night , a)和表观最适土壤温度( Topt -土-夜, b)中的相对重要性。由岭回归系数得出的相对重要性表明了每个变量对响应的相对影响。正值表示正相关关系，负值表示负相关关系。*表示岭回归的系数通过bootstrap方法在95 %的置信区间下显著。
结果表明，温度相关变量（如NTAmean、NTAmax和TAV）、水资源相关变量（如MAP和AI）和植被相关变量（如年GPP）共同解释了Topt-air-night的空间变异。
（6）预测模型的比较
利用观测到的最大夜间温度，比较了不同数学方程预测NEEnight的效果，计算了预测值与观测值之间的效应大小（effect size）。
图4|通过4个数学方程(来自66个地点的结果)预测夜间最高气温(Tmax-air)下CO2净生态系统交换量(NEEnight)夜间预测效应量的分布。(a)单峰曲线，(b)Arrhenius型方程，(c)广义指数多项式模型(GPM)，(d)Q10方程，其中Q10为2。包含离群值的位点被排除在均值和中位数效应量计算之外。零控的效应量(黑色虚线)、平均效应量(红色虚线)和中位数效应量(蓝色虚线)也在表中。
结果显示，使用单峰方程的预测偏差较小，而其他三种指数型方程的预测偏差较大。
图5|通过4个数学公式(来自66个地点的结果)预测夜间土壤温度最大值( Tmax-soil )下夜间生态系统CO2交换( NEEnight )效应大小的分布。
结果与图4类似，但这是在最大夜间土壤温度（Tmax-soil）下，通过四种数学方程预测NEEnight的效果大小分布。使用Tsoil-night进行预测稍微减少了所有四种方程的偏差，尽管单峰方程仍然显示出较小的偏差。
研究发现，93个站点（48%）显示出NEEnight与温度之间的单峰关系，这些站点的NEEnight在达到一个特定的最佳温度后，随着温度的升高而下降。使用单峰方程预测NEEnight（通常被视为夜间生态系统呼吸，ERnight）可以显著提高ER估计的准确性，并减少不确定性，特别是在全球变暖的背景下。
