聚焦塔克拉玛干沙漠人工绿地(塔中)与自然沙地(肖塘)的沙尘传输差异,通过BSNE(big spring number eight)梯度集沙仪采集2024年4月1日—7月10日沙尘样品,系统分析了两地沙尘水平通量及粒度分布特征。研究发现:1)沙尘水平通量空间异质性显...聚焦塔克拉玛干沙漠人工绿地(塔中)与自然沙地(肖塘)的沙尘传输差异,通过BSNE(big spring number eight)梯度集沙仪采集2024年4月1日—7月10日沙尘样品,系统分析了两地沙尘水平通量及粒度分布特征。研究发现:1)沙尘水平通量空间异质性显著,肖塘的沙尘水平通量(65.3 kg·m^(-2)·h^(-1))约为塔中的(29.7 kg·m^(-2)·h^(-1))2.2倍,表明自然沙地更易产生沙尘输送。垂直分布规律呈现明显差异:塔中通量随高度呈“降-增-降”非线性波动,在8和63 m处存在转折点,打破了传统幂函数分布规律;而肖塘通量随高度递减,符合幂函数分布。2)粒度组成以极细沙(48.8%)和粉沙(40.6%)为主,合计占比达89.4%。随高度增加,两地均呈现粉沙比例递增、平均粒径细化的趋势,但塔中整体粒径较粗,分选性更优,峰态分布更集中。3)重力作用导致两地的下层(<10 m)局地物质富集。下垫面和沙尘来源不同是造成沙尘水平通量和粒度分布存在差异的主要因素,风速、风向及植被状况是导致沙尘水平通量随时间变化的重要原因,且随风速的增大而增大。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
文摘聚焦塔克拉玛干沙漠人工绿地(塔中)与自然沙地(肖塘)的沙尘传输差异,通过BSNE(big spring number eight)梯度集沙仪采集2024年4月1日—7月10日沙尘样品,系统分析了两地沙尘水平通量及粒度分布特征。研究发现:1)沙尘水平通量空间异质性显著,肖塘的沙尘水平通量(65.3 kg·m^(-2)·h^(-1))约为塔中的(29.7 kg·m^(-2)·h^(-1))2.2倍,表明自然沙地更易产生沙尘输送。垂直分布规律呈现明显差异:塔中通量随高度呈“降-增-降”非线性波动,在8和63 m处存在转折点,打破了传统幂函数分布规律;而肖塘通量随高度递减,符合幂函数分布。2)粒度组成以极细沙(48.8%)和粉沙(40.6%)为主,合计占比达89.4%。随高度增加,两地均呈现粉沙比例递增、平均粒径细化的趋势,但塔中整体粒径较粗,分选性更优,峰态分布更集中。3)重力作用导致两地的下层(<10 m)局地物质富集。下垫面和沙尘来源不同是造成沙尘水平通量和粒度分布存在差异的主要因素,风速、风向及植被状况是导致沙尘水平通量随时间变化的重要原因,且随风速的增大而增大。
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。
