本研究以位于山西省右玉县农牧交错带的半干旱草地生态系统为研究对象,探究短期内不同水平的氮添加对半干旱草地生态系统CO_2交换的影响。试验设置8个梯度0、1、2、4、8、16、24和32 g N·m^(-2)(分别表示为N_0、N_1、N_2、N_4、N_8...本研究以位于山西省右玉县农牧交错带的半干旱草地生态系统为研究对象,探究短期内不同水平的氮添加对半干旱草地生态系统CO_2交换的影响。试验设置8个梯度0、1、2、4、8、16、24和32 g N·m^(-2)(分别表示为N_0、N_1、N_2、N_4、N_8、N_(16)、N_(24)和N_(32))。采用静态箱法对草地净生态系统CO_2交换量(NEE)、生态系统呼吸(ER)进行测定,同时监测10 cm表层土壤温度和含水量。试验结果表明:短期氮添加(N_(32)除外)显著增加农牧交错带半干旱草地生态系统净碳交换,NEE、ER和生态系统总初级生产力(GEP)在整个生长季均随氮素添加水平的上升呈单峰型变化趋势,在N_(16)和N_(24)处理下的生态系统CO_2交换达到最高,而N_(32)显著降低了NEE;不同氮添加水平下,ER和GEP相对NEE更为敏感;表层(0～10 cm)土壤温度与含水量影响生态系统CO_2交换,表现为:土壤温度(10 cm)与ER呈显著正相关(R^2>0.1,P<0.05),表层(0～10 cm)土壤含水量与NEE和GEP分别呈显著正相关和显著负相关(R^2>0.1,P<0.05)。因此,短期不同水平氮添加增加了农牧交错带半干旱草地生态系统净碳吸收,对该地区草地生态系统碳的源/汇功能具有一定的参考意义。展开更多
针对不同陆地生态系统中净生态系统CO_(2)交换量(Net ecosystem exchange,NEE)数据的长期连续测量中存在的数据差异问题,以中国气象局青海高寒生态气象野外科学试验基地野牛沟试验站为研究对象,利用涡动协方差技术获取高寒湿地生态系统...针对不同陆地生态系统中净生态系统CO_(2)交换量(Net ecosystem exchange,NEE)数据的长期连续测量中存在的数据差异问题,以中国气象局青海高寒生态气象野外科学试验基地野牛沟试验站为研究对象,利用涡动协方差技术获取高寒湿地生态系统水平上的NEE数据。通过对比机器学习算法和通量数据后处理算法(Reddyproc)两种数据填充方法,提出了一种结合机器学习与时序异常检测(Time series anomaly detection,TAD)的新框架,用于NEE数据的空白填补。研究结果表明:1)Reddyproc算法在剔除异常值后,NEE插补决定系数(R^(2))达到0.67,数据离散度显著降低,数据质量提升;2)八种机器学习模型中,随机森林(Random Forest,RF)模型表现最优,其决定系数(Coefficient of determination,R^(2))为0.63,均方根误差(Root mean square error,RMSE)为2.17μmol s^(-1)m^(-2),且经过时序异常检测后,估算精度提升了17%;3)Reddyproc和RF估算的CO_(2)通量存在季节性差异,冷季(1—3月和10—12月)Reddyproc估算值低于RF,而暖季(4—9月)则高于RF,表明冬季Reddyproc低估了CO_(2)释放,夏季则低估了CO_(2)吸收。该新框架有效解决了数据采集不确定性和缺失导致的二氧化碳通量计算准确率问题,为研究高寒湿地生态系统的碳固持能力、对气候变化的响应以及极端事件的影响提供了关键数据支持。未来研究应进一步探索新方法的适用性、改进和优化方向,以实现更准确、可靠且适用于不同生态系统的填补模型,为生态系统建模和预测提供强大工具。展开更多
文摘针对不同陆地生态系统中净生态系统CO_(2)交换量(Net ecosystem exchange,NEE)数据的长期连续测量中存在的数据差异问题,以中国气象局青海高寒生态气象野外科学试验基地野牛沟试验站为研究对象,利用涡动协方差技术获取高寒湿地生态系统水平上的NEE数据。通过对比机器学习算法和通量数据后处理算法(Reddyproc)两种数据填充方法,提出了一种结合机器学习与时序异常检测(Time series anomaly detection,TAD)的新框架,用于NEE数据的空白填补。研究结果表明:1)Reddyproc算法在剔除异常值后,NEE插补决定系数(R^(2))达到0.67,数据离散度显著降低,数据质量提升;2)八种机器学习模型中,随机森林(Random Forest,RF)模型表现最优,其决定系数(Coefficient of determination,R^(2))为0.63,均方根误差(Root mean square error,RMSE)为2.17μmol s^(-1)m^(-2),且经过时序异常检测后,估算精度提升了17%;3)Reddyproc和RF估算的CO_(2)通量存在季节性差异,冷季(1—3月和10—12月)Reddyproc估算值低于RF,而暖季(4—9月)则高于RF,表明冬季Reddyproc低估了CO_(2)释放,夏季则低估了CO_(2)吸收。该新框架有效解决了数据采集不确定性和缺失导致的二氧化碳通量计算准确率问题,为研究高寒湿地生态系统的碳固持能力、对气候变化的响应以及极端事件的影响提供了关键数据支持。未来研究应进一步探索新方法的适用性、改进和优化方向,以实现更准确、可靠且适用于不同生态系统的填补模型,为生态系统建模和预测提供强大工具。
