用于GPP估计的新型混合建模框架:将基于多光谱表面反射率的V_cmax²⁵模拟器集成到基于过程的模型中

科学领域:

• 生态生态学 生态生态学
• 遥感 遥感 遥感 遥感
• 生物地质化学生物地质化学
• 机器学习 机器学习

背景情况:

• 对于了解全球碳循环来说,陆地原始生产率至关重要.
• 准确的GPP估计依赖于最大的碳氧化率 (V_cmax,0²⁵),但生态系统层面的V_cmax,0²⁵衍生具有很高的不确定性.
• 最近的研究表明,光谱反射率和V_cmax,0²⁵之间存在很强的相关性.

研究的目的:

• 使用深度神经网络开发一个用于V_cmax,0²⁵的多光谱表面反射率驱动模拟器.
• 通过将数据驱动的V_cmax,0²⁵模拟器集成到基于过程的模型中,构建一个用于GPP估计的混合建模框架.
• 评估混合GPP模型的性能,并与现有方法进行比较.

主要方法:

• 开发了一个完全连接的深度神经网络来模拟V_cmax,0²⁵从多光谱表面反射率.
• 将数据驱动的V_cmax,0²⁵模拟器集成到基于过程的模型中,以创建混合GPP估计框架.
• 在95个流量位点验证了模型性能,并使用沙普利值分析分析分析了关键光谱带.

主要成果:

• 模拟器V_{cmax,0²⁵在不同土地覆盖类型中显示出令人满意的估计性能 (R: 0.340.80,RMSE: 1443 μmol m^-2 s^-1,MdAPE: 21%66%).}
• 混合GPP模型产生了良好的估计 (R: 0.760.89,RMSE: 1.796.16 μmol m^-2 s^-1,MdAPE: 27% 90%).
• 与EVI驱动的方法相比,多光谱表面反射率显著改善了V_cmax,0²⁵和GPP估计,MdAPE降低了.
• 沙普利价值分析确定红色,近红外和短波红外频段对于V_cmax,0²⁵估计至关重要.

结论:

• 多光谱表面反射率对量化生态系统水平V_cmax,0²⁵具有重大潜力.
• 混合框架通过深度学习有效地利用光谱信息来减少参数不确定性,同时保持物理现实性.
• 这种方法提供了一个强大的工具,可以提高全球GPP估计的准确性.