基于生态大数据和机器学习模型的全球土壤呼吸估计.
Jiangnan Liu1,2, Junguo Hu3,4, Haoqi Liu5
1College of Chemistry and Materials Engineering, Zhejiang A&F University, Hangzhou, 310000, China.
Scientific reports
|June 9, 2024
概括
这项研究使用机器学习和大生态数据来绘制全球土壤呼吸 (Rs),找到地理位置和EVI2是关键驱动因素. 这种方法提高了对生态系统二氧化碳流量的理解.
科学领域:
- 环境科学 环境科学
- 生态生态学 生态生态学
- 数据科学数据科学数据科学
背景情况:
- 土壤呼吸 (Rs) 是陆地生态系统的主要二氧化碳流,但其驱动因素和模型存在不确定性.
- 准确估计全球Rs对于了解气候变化和碳循环至关重要.
研究的目的:
- 用机器学习和生态大数据估计全球土壤呼吸的空间分布和驱动机制.
- 开发和评估用于预测Rs的机器学习模型,并确定影响它的关键环境因素.
主要方法:
- 构建了一个27维的生态大数据集,其中包含五类环境因素.
- 在四个培训策略下应用了四种机器学习方法来模拟Rs.
- 利用随机森林 (RF) 算法估计全球Rs模式并确定有影响力的环境驱动因素.
主要成果:
- 射频模型表现出优异的性能 (R2 = 0.782,RMSE = 285.896,MAE = 180.419 gCm−2y−1),适用于大规模的Rs估计.
- 地理位置被发现是比平均年降水 (MAP) 更重要的驱动力.
- 增强植被指数2 (EVI2) 显示,对Rs估计的贡献比EVI和NDVI更大.
结论:
- 生态大数据和机器学习为大规模Rs估计和驱动分析提供了强大的方法.
- 该研究为全球土壤呼吸的空间模式和环境控制提供了更好的洞察力.
- 这些发现强调了地理因素和先进的植被指数在建模土壤呼吸中的重要性.
相关概念视频
02:16Light Acquisition
8.4K
In order to produce glucose, plants need to capture sufficient light energy. Many modern plants have evolved leaves specialized for light acquisition. Leaves can be only millimeters in width or tens of meters wide, depending on the environment. Due to competition for sunlight, evolution has driven the evolution of increasingly larger leaves and taller plants, to avoid shading by their neighbors with contaminant elaboration of root architecture and mechanisms to transport water and nutrients.
8.4K
02:23The Soil Ecosystem
19.7K
Plants obtain inorganic minerals and water from the soil, which acts as a natural medium for land plants. The composition and quality of soil depend not only on the chemical constituents but also on the presence of living organisms. In general, soils contain three major components:
19.7K