净生态系统CO_(2)交换量(NEE)和蒸散(ET)是表征半干旱区生态系统碳水循环能力的重要指标。对碳水通量动态变化的准确模拟和驱动机制的深入分析,有助于明确黄土高原半干旱区草地生态系统的功能及其对气候变化的响应。基于黄土高原铁杆蒿...净生态系统CO_(2)交换量(NEE)和蒸散(ET)是表征半干旱区生态系统碳水循环能力的重要指标。对碳水通量动态变化的准确模拟和驱动机制的深入分析,有助于明确黄土高原半干旱区草地生态系统的功能及其对气候变化的响应。基于黄土高原铁杆蒿草地生态系统2018—2022年日尺度通量观测数据,使用多元线性回归模型、机器学习模型(随机森林、支持向量机和人工神经网络模型)和融合生态学知识与机器学习的生态知识-机器学习(EML)模型分别对NEE和ET进行拟合。其中,有6种基于不同生态假设的EML模型用于拟合NEE,7种基于不同生态假设的EML模型用于拟合ET。最后构建拟合效果最好和解释能力最优的EML模型并探究环境和植被因素对NEE和ET的影响。结果表明:(1)包含了气象因素、土壤水分因素和植被因素的EML模型对NEE和ET的拟合效果最好,R2和RMSE分别为0.81和0.70 g C m^(-2)d^(-1),0.83和0.48 mm/d,MRE和MAE分别为1.72和0.48 g C m^(-2)d^(-1),0.29和0.30 mm/d。该模型在NEE和ET上的拟合能力较多元线性回归模型提升了24.62%和12.16%,较机器学习模型平均提升了13.02%和6.87%。(2)空气温度是NEE和ET的主要影响因素,重要性占比分别为63.12%和60.38%。6℃和22℃是草地NEE日均空气温度的阈值,在6—22℃之间NEE处于下降趋势,在22℃后NEE变为平稳趋势。0℃和22℃是草地ET日均空气温度的阈值,当空气温度大于22℃后,ET由上升趋势转变为平稳趋势。(3)土壤水分因素在NEE和ET的重要影响因素中的占比分别为17.13%和5.66%,NEE对土壤水分的敏感性高于ET。研究结果有助于完善半干旱区草地生态系统碳水通量的模拟方法,并明确其对环境和植被因素的响应。展开更多
[目的]叶面积指数(leaf area index, LAI)作为生态系统水循环过程模拟研究的关键参数,其快速动态模拟可解决土壤水-汽-热-气耦合模型STEMMUS(simultaneous transfer of energy, mass and momentum in unsaturated soil)只能使用固定或实...[目的]叶面积指数(leaf area index, LAI)作为生态系统水循环过程模拟研究的关键参数,其快速动态模拟可解决土壤水-汽-热-气耦合模型STEMMUS(simultaneous transfer of energy, mass and momentum in unsaturated soil)只能使用固定或实测LAI作为输入参数的局限性。[方法]将EPIC模型中的“植物叶面积发育子模块”与STEMMUS模型耦合,采用2019年和2020年子洲县山地苹果试验示范基地苹果生长条件下实测的果树蒸腾、土壤水分和土壤温度数据对模型进行率定与验证,以评估耦合模型在黄土高原的适用性。[结果]通过优化植物生长参数,耦合叶面积发育子模块后的STEMMUS模型对苹果树蒸腾耗水过程的模拟精度显著提高,率定年和验证年的归一化均方根误差(NRMSE)和平均绝对误差(MAE)分别从原模型的40.2%、61.9%和0.52、0.64 mm/d降低到耦合模型的30.0%、33.2%和0.42、0.38 mm/d。同时,耦合模型可较好地模拟苹果园的土壤水热动态过程,在率定期和验证期模拟土壤水分体积分数和土壤温度的NRMSE分别为1.4%~32.9%和2.9%~9.5%,MAE分别为0.13~4.26 cm^(3)/cm^(3)、0.34~1.49℃。[结论]模拟值与实测值吻合度较高,表明耦合模型可准确描述黄土高原苹果园果树叶面积动态生长和生态水文过程,研究结果可为黄土区果园生态水文过程的研究提供技术支撑。展开更多
[目的]为比较地形变化监测算法在黄土高原砒砂岩区的适用性。[方法]以皇甫川流域特拉沟一支沟为研究对象,采用无人机摄影测量技术获取2022年7月至2023年3月影像,结合SfM技术生成三维点云数据,比较分析[digital elevation model of diffe...[目的]为比较地形变化监测算法在黄土高原砒砂岩区的适用性。[方法]以皇甫川流域特拉沟一支沟为研究对象,采用无人机摄影测量技术获取2022年7月至2023年3月影像,结合SfM技术生成三维点云数据,比较分析[digital elevation model of difference(DoD)、cloud to cloud(C2C)、cloud to mesh(C2M)、multiscale model to model cloud comparison(M3C2)]等4种算法的侵蚀产沙监测精度,并分析点云密度变化对各方法精度的影响。[结果](1)4种常用算法在空间上都能监测到大幅度地表变化。其中,以M3C2算法的结果最优,线性拟合结果最好(R^(2)=0.953,p<0.01),且综合误差最小(MAE=0.0161 m,MRE=3.37%,RMSE=0.0194 m),C2M算法其次,DoD算法再次,而C2C算法结果最差。(2)通过比较,DoD算法仅适用于平坦区域的快速检测,坡度陡峭的区域监测侵蚀沉积量存在高估的现象。(3)M3C2和C2C算法对点云密度变化敏感,而C2M和DoD受点云密度变化影响较小。[结论]研究结果可为黄土高原砒砂岩地区基于UAV-SfM的侵蚀产沙监测方法的选择提供参考。展开更多
文摘净生态系统CO_(2)交换量(NEE)和蒸散(ET)是表征半干旱区生态系统碳水循环能力的重要指标。对碳水通量动态变化的准确模拟和驱动机制的深入分析,有助于明确黄土高原半干旱区草地生态系统的功能及其对气候变化的响应。基于黄土高原铁杆蒿草地生态系统2018—2022年日尺度通量观测数据,使用多元线性回归模型、机器学习模型(随机森林、支持向量机和人工神经网络模型)和融合生态学知识与机器学习的生态知识-机器学习(EML)模型分别对NEE和ET进行拟合。其中,有6种基于不同生态假设的EML模型用于拟合NEE,7种基于不同生态假设的EML模型用于拟合ET。最后构建拟合效果最好和解释能力最优的EML模型并探究环境和植被因素对NEE和ET的影响。结果表明:(1)包含了气象因素、土壤水分因素和植被因素的EML模型对NEE和ET的拟合效果最好,R2和RMSE分别为0.81和0.70 g C m^(-2)d^(-1),0.83和0.48 mm/d,MRE和MAE分别为1.72和0.48 g C m^(-2)d^(-1),0.29和0.30 mm/d。该模型在NEE和ET上的拟合能力较多元线性回归模型提升了24.62%和12.16%,较机器学习模型平均提升了13.02%和6.87%。(2)空气温度是NEE和ET的主要影响因素,重要性占比分别为63.12%和60.38%。6℃和22℃是草地NEE日均空气温度的阈值,在6—22℃之间NEE处于下降趋势,在22℃后NEE变为平稳趋势。0℃和22℃是草地ET日均空气温度的阈值,当空气温度大于22℃后,ET由上升趋势转变为平稳趋势。(3)土壤水分因素在NEE和ET的重要影响因素中的占比分别为17.13%和5.66%,NEE对土壤水分的敏感性高于ET。研究结果有助于完善半干旱区草地生态系统碳水通量的模拟方法,并明确其对环境和植被因素的响应。
文摘[目的]叶面积指数(leaf area index, LAI)作为生态系统水循环过程模拟研究的关键参数,其快速动态模拟可解决土壤水-汽-热-气耦合模型STEMMUS(simultaneous transfer of energy, mass and momentum in unsaturated soil)只能使用固定或实测LAI作为输入参数的局限性。[方法]将EPIC模型中的“植物叶面积发育子模块”与STEMMUS模型耦合,采用2019年和2020年子洲县山地苹果试验示范基地苹果生长条件下实测的果树蒸腾、土壤水分和土壤温度数据对模型进行率定与验证,以评估耦合模型在黄土高原的适用性。[结果]通过优化植物生长参数,耦合叶面积发育子模块后的STEMMUS模型对苹果树蒸腾耗水过程的模拟精度显著提高,率定年和验证年的归一化均方根误差(NRMSE)和平均绝对误差(MAE)分别从原模型的40.2%、61.9%和0.52、0.64 mm/d降低到耦合模型的30.0%、33.2%和0.42、0.38 mm/d。同时,耦合模型可较好地模拟苹果园的土壤水热动态过程,在率定期和验证期模拟土壤水分体积分数和土壤温度的NRMSE分别为1.4%~32.9%和2.9%~9.5%,MAE分别为0.13~4.26 cm^(3)/cm^(3)、0.34~1.49℃。[结论]模拟值与实测值吻合度较高,表明耦合模型可准确描述黄土高原苹果园果树叶面积动态生长和生态水文过程,研究结果可为黄土区果园生态水文过程的研究提供技术支撑。
文摘[目的]为比较地形变化监测算法在黄土高原砒砂岩区的适用性。[方法]以皇甫川流域特拉沟一支沟为研究对象,采用无人机摄影测量技术获取2022年7月至2023年3月影像,结合SfM技术生成三维点云数据,比较分析[digital elevation model of difference(DoD)、cloud to cloud(C2C)、cloud to mesh(C2M)、multiscale model to model cloud comparison(M3C2)]等4种算法的侵蚀产沙监测精度,并分析点云密度变化对各方法精度的影响。[结果](1)4种常用算法在空间上都能监测到大幅度地表变化。其中,以M3C2算法的结果最优,线性拟合结果最好(R^(2)=0.953,p<0.01),且综合误差最小(MAE=0.0161 m,MRE=3.37%,RMSE=0.0194 m),C2M算法其次,DoD算法再次,而C2C算法结果最差。(2)通过比较,DoD算法仅适用于平坦区域的快速检测,坡度陡峭的区域监测侵蚀沉积量存在高估的现象。(3)M3C2和C2C算法对点云密度变化敏感,而C2M和DoD受点云密度变化影响较小。[结论]研究结果可为黄土高原砒砂岩地区基于UAV-SfM的侵蚀产沙监测方法的选择提供参考。
