深度学习方法因其优异的非线性拟合能力被越来越多地应用于陆地生态系统碳通量估算任务中.然而常用的“端到端”建模框架在全球模拟任务中虽然较好拟合陆地碳通量季节变化过程,却存在低估年际变异的问题.因此,明确已有建模框架是如何导致不同时间尺度碳通量模拟的不确定性,是进一步提升深度学习模型的准确性和完善数据驱动建模方法的前提.基于净生态系统碳交换(NEE)在季节和年际尺度具有不同响应和变化规律这一先验知识,本研究结合奇异谱分析(SSA)方法和长短时记忆(LSTM)模型提出了“知识引导”建模框架,并使用FLUXNET站点观测数据进行验证.结果表明,LSTM模型的表现优于其他基准方法,同时“知识引导”框架显著提高了年际NEE模拟的性能.通过跨尺度应用已训练的季节和年际LSTM模型并结合小波分析,进一步揭示了NEE季节动态和年际变异具有完全不同的响应规律.基于SHAP方法和模型响应评估结果表明,辐射(46.9%)和温度(24.5%)分别是驱动NEE季节和年际尺度变化的主导贡献因子,而饱和水汽压差(VPD)、降水和风速变化在年际LSTM模型中的影响高于季节LSTM模型.研究结果同时揭示了“端到端”框架的模型在训练过程中为季节分量主导,并证明尺度知识引导是提高深度学习模型对生态系统NEE模拟精度的有效手段.