基于1990-2022年土地利用数据,采用土地利用转移矩阵、地理信息系统(geographic information system,GIS)技术、普通最小二乘模型和时空地理加权回归模型等方法,分析黄河下游地区生态用地的时空演变特征及其驱动机制。结果表明:1990-202...基于1990-2022年土地利用数据,采用土地利用转移矩阵、地理信息系统(geographic information system,GIS)技术、普通最小二乘模型和时空地理加权回归模型等方法,分析黄河下游地区生态用地的时空演变特征及其驱动机制。结果表明:1990-2022年黄河下游地区生态用地非生态化趋势明显,建设用地扩张导致生态用地总量显著减少,内部结构发生明显转换;生态用地空间上呈现“点状扩散-多中心集聚-放射状扩展”的演变特征;社会经济因素和自然因素共同驱动生态用地演变,其中第三产业占比和气温变化的影响持续增强,各驱动因素呈现显著的空间异质性。研究结果为黄河下游地区的生态保护与可持续发展提供了科学依据,并为优化国土空间格局、推动区域生态文明建设提供了重要参考。展开更多
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
文摘基于1990-2022年土地利用数据,采用土地利用转移矩阵、地理信息系统(geographic information system,GIS)技术、普通最小二乘模型和时空地理加权回归模型等方法,分析黄河下游地区生态用地的时空演变特征及其驱动机制。结果表明:1990-2022年黄河下游地区生态用地非生态化趋势明显,建设用地扩张导致生态用地总量显著减少,内部结构发生明显转换;生态用地空间上呈现“点状扩散-多中心集聚-放射状扩展”的演变特征;社会经济因素和自然因素共同驱动生态用地演变,其中第三产业占比和气温变化的影响持续增强,各驱动因素呈现显著的空间异质性。研究结果为黄河下游地区的生态保护与可持续发展提供了科学依据,并为优化国土空间格局、推动区域生态文明建设提供了重要参考。
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。
