相关实验视频
Updated: Jun 5, 2025
09:05
Measurements of CO2 Fluxes at Non-Ideal Eddy Covariance Sites
Published on: June 24, 2019
7.9K
从数据到洞察力:通过机器学习在德国提升河流温室气体流量
R M Mwanake1, E G Wangari1, K Winkler1
1Karlsruhe Institute of Technology, Institute for Meteorology and Climate Research, Atmospheric Environmental Research (IMK-IFU), Kreuzeckbahnstrasse 19, Garmisch-Partenkirchen 82467, Germany.
The Science of the total environment
|December 15, 2024
概括
机器学习模型使用植被数据准确预测河流的温室气体 (GHG) 流量. 升级数据显示,城市和农业的水域排放更多的温室气体,突出了土地利用对河流排放的影响.
科学领域:
- 环境科学 环境科学
- 水文学的水文学
- 气候科学 气候科学
背景情况:
- 全球河流生态系统是大气温室气体 (GHG) 的重要来源,如二氧化碳 (CO2),甲 (CH4) 和氧化 (N2O).
- 这些温室气体流量的估计是不确定的,因为未解决的时空变化.
- 了解这些变化对于准确的气候建模和环境管理至关重要.
研究的目的:
- 评估机器学习 (ML) 模型在捕获河流温室气体流量的时空变异性方面的有效性.
- 为了比较不同输入数据集的性能,包括遥感植被指数和现场水质数据.
- 对德国的温室气体流量进行升级,并调查流域土地利用对排放趋势的影响.
主要方法:
- 在德国利用了20个不同土地使用和河流大小的河头流域.
- 应用了几种ML模型,包括基于决策树的算法,以建模温室气体度和流量.
- 采用遥感植被指数,现场水质数据和组合数据集作为模型输入.
主要成果:
- 模型性能根据ML模型,输入数据和温室气体类型而异,决策树模型显示出更好的预测能力 (r2 = 0.33到0.72).
- 德国各地每年上调的河流二氧化碳相当量流量范围从1.7到96.4公斤 m-2 yr-1.1.
- 城市和密集耕种的水域表现出最高的温室气体流量,而广泛耕种,林业和牧场的水域表现出较低的排放量.
结论:
- 来自遥感的空间和时间解析的植被指数,结合ML模型,可以有效地提高河流温室气体度和流量.
- 流域土地利用是河流温室气体排放空间时间趋势的重要驱动因素.
- 这种方法提供了一种可靠的方法来评估来自各种河流生态系统的温室气体排放量,并为环境政策提供信息.
