通过通过机器学习考虑各种环境因素,通过使用双叶灯光使用效率模型改进全球总初级生产率估计
Zhilong Li1, Ziti Jiao2, Ge Gao1
1State Key Laboratory of Remote Sensing Science, Beijing Normal University, Beijing 100875, China; Institute of Remote Sensing Science and Engineering, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China.
The Science of the total environment
|October 4, 2024
概括
一个新的模型通过整合陆地水储量 (TWS) 和叶子聚集指数 (CI) 等环境因素来改善全球原始生产率 (GPP) 估计. 这种更高的准确性提高了对气候变化下的生态系统碳交换的理解.
科学领域:
- 生态与环境科学 生态与环境科学
- 全球碳循环研究
- 陆地生态系统建模模型
背景情况:
- 准确估计总初级生产率 (GPP) 对于理解陆地生态系统的碳交换至关重要,特别是在气候变化下.
- 现有的双叶光利用效率 (TL-LUE) 模型模拟了GPP组件 (阳光和阴影),但缺乏综合复杂的环境约束和季节性叶子聚集指数 (CI) 变化.
- 环境因素显著影响光合作用能力,需要改进的建模方法.
研究的目的:
- 开发一种新型模型 (TL-CRF),将环境变量和季节性CI差异集成到TL-LUE框架中,以进行增强的GPP估计.
- 研究植物光合作用对关键环境因素的功能反应,包括陆地水储 (TWS).
- 为了产生一个新的,全球一致的数据集GPP,GPPsu,和GPPsh从2002年到2020年.
主要方法:
- 提出了双叶条件随机森林 (TL-CRF) 模型,利用随机森林 (RF) 将环境变量集成到TL-LUE模型中.
- 全球范围内的叶片聚集指数 (CI) 的综合季节性变化.
- 训练并评估了TL-CRF模型,使用来自267个全球旋共变量流量站点的数据.
主要成果:
- 该TL-CRF模型显示显著降低 (约. 52%) 在环境压力因素对最大光效利用效率 (LUE) 的预测误差.
- 与TL-LUE模型相比,在全球GPP估计中获得了更高的准确性 (R2 = 0.87与0.76).
- 确定了陆地水储 (TWS) 作为控制生态系统光合作用强度的主导因素,并证实了光合作用最佳的最低空气温度.
结论:
- TL-CRF模型提供了一种更准确的方法来模拟全球GPP,GPPsu和GPPsh,通过有效地整合环境因素和CI.
- 陆地储水 (TWS) 是生态系统水状况和光合作用活动的关键指标.
- 这些发现为生成新的全球GPP数据集提供了强大的方法,增强了我们对光合作用-环境相互作用的理解.


