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
机器学习已经广泛用于生态系统研究。基于2014年1月1日至2018年12月31日兴安落叶松生态系统碳通量(NEE)观测数据,分析了其动态变化特征,并采用多种机器学习方法进行模拟。结果表明:(1)生长季兴安落叶松生态系统NEE日动态呈“U”变化,整...机器学习已经广泛用于生态系统研究。基于2014年1月1日至2018年12月31日兴安落叶松生态系统碳通量(NEE)观测数据,分析了其动态变化特征,并采用多种机器学习方法进行模拟。结果表明:(1)生长季兴安落叶松生态系统NEE日动态呈“U”变化,整体表现为碳汇,7月份碳汇能力最强,达67.57 g C m^(-2)月^(-1),9月至次年5月表现为碳源。(2)结构方程模型分析表明,兴安落叶松生态系统NEE的主要影响因子为潜热通量(LE)、净辐射(Rn)、叶面积指数(LAI)、空气温度(Ta)、相对湿度(RH)、饱和水汽压差(VPD)和土壤含水量(SWC),其中潜热通量和净辐射是影响NEE变化的最主导因素。(3)四种机器学习方法(RF、XGBoost、SVM、ANN)均能较准确地模拟兴安落叶松生态系统NEE,其中XGBoost和RF的模拟结果最为相近,但XGBoost在模拟精度和计算效率方面优于RF。研究结果为应用机器学习方法估算生态系统碳通量提供了依据。展开更多
弄清碳收支变化是促进区域可持续发展的重要方面。研究结合光合能力模型(Photosynthetic Capacity Model,PCM)和呼吸遥感模型(Remote Sensing Model for Ecosystem respiration,Re-RSM)提出了一个完全基于遥感数据的陆地碳收支动态评估...弄清碳收支变化是促进区域可持续发展的重要方面。研究结合光合能力模型(Photosynthetic Capacity Model,PCM)和呼吸遥感模型(Remote Sensing Model for Ecosystem respiration,Re-RSM)提出了一个完全基于遥感数据的陆地碳收支动态评估模型(Remote Sensing Land Carbon Budget Dynamic Assessment Model,RS-CBM),引入中国三北地区(东北、华北和西北地区)7种植被类型(玉米农田、针阔混交林、落叶针叶林、高寒草地、灌丛草甸、荒漠草原和芦苇湿地)的多年碳通量观测数据对RS-CBM模型进行参数化和验证,并应用此模型定量评估了2001—2020年三北地区植被NEE的时空特征与规律。结果表明,RS-CBM模型的模型精度高达0.75,均方根误差为0.07 mol·m^(-2)·d^(-1),RS-CBM模型的NEE模拟值与通量观测值具有较好的一致性,在不同植被类型的生长季旺盛期均出现较明显的碳吸收峰值,但存在不同程度的峰值低估现象。2001—2020年三北地区的NEE变化呈波动上升趋势,年平均值为82.01 g·m^(-2)·a^(-1),年平均增长量为5.843 g·m^(-2)·a^(-1),总体表现为碳汇。三北地区NEE在空间上呈现南高北低,东高西低的空间分异性。综上,RS-CBM模型能较好地模拟出三北地区碳收支变化和空间分布,具有在区域尺度模拟NEE时空变化的潜力。展开更多
为实现农田生态系统碳通量动态监测,提出一种基于Landsat系列多源遥感数据的农田生态系统碳通量估算方法。以美国东北部内布拉斯加州大学农业研发中心的3块试验田地为研究区域,并结合AmeriFlux公开的对应通量站点数据进行后续建模分析...为实现农田生态系统碳通量动态监测,提出一种基于Landsat系列多源遥感数据的农田生态系统碳通量估算方法。以美国东北部内布拉斯加州大学农业研发中心的3块试验田地为研究区域,并结合AmeriFlux公开的对应通量站点数据进行后续建模分析。从气候变量、土壤性质、植物性状3方面综合出发,优选与农田生态系统碳通量密切相关的遥感因子,构建覆盖农田生态过程关键环节的全遥感要素数据集。随后,构建基于随机森林(Random forest,RF)的农田碳通量回归预测模型,相比于岭回归模型和套索模型,该模型在农田生态系统碳通量估算方面效果更优,其决定系数(Coefficient of determination,R^(2))达到0.94,均方根误差(RMSE)为4.281 g/(m^(2)·d)。基于随机森林模型进行因子的重要性分析可知,DVI、NDWI、MSAVI、NRI、NDVI对碳通量估算的贡献度分别为35.6%、25.8%、12.2%、7.8%、5.2%。在以上研究基础上,通过农田生态系统碳收支时空演变特性分析可知,内布拉斯加州2013年作物生育期内的7、8月时农田碳汇能力最强,在种植初期大豆和玉米均呈现弱碳源,且玉米的碳源能力更强,在生长高峰期时玉米和大豆均呈碳汇,且玉米碳汇能力更强。本研究为农田生态系统碳收支精准估算,进而指导农业生产提供理论支持。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。
文摘机器学习已经广泛用于生态系统研究。基于2014年1月1日至2018年12月31日兴安落叶松生态系统碳通量(NEE)观测数据,分析了其动态变化特征,并采用多种机器学习方法进行模拟。结果表明:(1)生长季兴安落叶松生态系统NEE日动态呈“U”变化,整体表现为碳汇,7月份碳汇能力最强,达67.57 g C m^(-2)月^(-1),9月至次年5月表现为碳源。(2)结构方程模型分析表明,兴安落叶松生态系统NEE的主要影响因子为潜热通量(LE)、净辐射(Rn)、叶面积指数(LAI)、空气温度(Ta)、相对湿度(RH)、饱和水汽压差(VPD)和土壤含水量(SWC),其中潜热通量和净辐射是影响NEE变化的最主导因素。(3)四种机器学习方法(RF、XGBoost、SVM、ANN)均能较准确地模拟兴安落叶松生态系统NEE,其中XGBoost和RF的模拟结果最为相近,但XGBoost在模拟精度和计算效率方面优于RF。研究结果为应用机器学习方法估算生态系统碳通量提供了依据。
文摘为实现农田生态系统碳通量动态监测,提出一种基于Landsat系列多源遥感数据的农田生态系统碳通量估算方法。以美国东北部内布拉斯加州大学农业研发中心的3块试验田地为研究区域,并结合AmeriFlux公开的对应通量站点数据进行后续建模分析。从气候变量、土壤性质、植物性状3方面综合出发,优选与农田生态系统碳通量密切相关的遥感因子,构建覆盖农田生态过程关键环节的全遥感要素数据集。随后,构建基于随机森林(Random forest,RF)的农田碳通量回归预测模型,相比于岭回归模型和套索模型,该模型在农田生态系统碳通量估算方面效果更优,其决定系数(Coefficient of determination,R^(2))达到0.94,均方根误差(RMSE)为4.281 g/(m^(2)·d)。基于随机森林模型进行因子的重要性分析可知,DVI、NDWI、MSAVI、NRI、NDVI对碳通量估算的贡献度分别为35.6%、25.8%、12.2%、7.8%、5.2%。在以上研究基础上,通过农田生态系统碳收支时空演变特性分析可知,内布拉斯加州2013年作物生育期内的7、8月时农田碳汇能力最强,在种植初期大豆和玉米均呈现弱碳源,且玉米的碳源能力更强,在生长高峰期时玉米和大豆均呈碳汇,且玉米碳汇能力更强。本研究为农田生态系统碳收支精准估算,进而指导农业生产提供理论支持。
