论文部分内容阅读
植被生产力是生态系统间碳循环的重要指标,也是全球气候变化最重要的参数之一,如总初级生产力（GPP）,净生态系统生产力（NEP）。虽然现在有很多预测植被生产力数值的方法,但估测的不确定性依然存在于不同模型。本研究将基于Google Earth Engine的遥感气象数据与基于涡度协方差技术的全球212个地面通量站点的数据产品结合进行植被生产力的估算,建立了一种基于机器学习的全球站点尺度的估算方法,明显改善了植被生产力的反演精度。利用长时间序列的基于卫星观测数据进行反演,并且结合了随机森林算法。通过与相对应通量站点数据产品的对比,研究结果验证了机器学习方法在反演陆地生态系统生产力中的优势,为后期大尺度碳循环的研究提供了参考和方向。全文得出主要结论如下:（1）增强植被指数（EVI）是预测GPP模型中最重要的输入参数。在预测不同植被覆盖类型的生产力研究中重要性分析表明,EVI被证明是所有模型输入变量中最重要的驱动因素。（2）利用来自全球16个落叶阔叶林通量站点的通量观测数据产品、EVI、陆地表面温度数据、短波辐射数据、降水数据建立了随机森林模型。通过预测其他8个落叶阔叶林通量站点的GPP数值来评估此模型的性能。研究结果表明,与基于过程模型的MOD17A2H产品相比,这种新的GPP预测方法有所改进,其预测结果与通量站点实测数据相比,R2为0.82,RMSE为1.93 g C m-2 d-1。（3）利用来自全球212个站点的数据产品,构建了所有站点的长时间序列的训练和检测数据集。与基于传统过程模型方法的MODIS-GPP产品进行了对比,结果表明,基于大数据和机器学习方法的GPP预测方法在估测GPP数值精度上有了很大提高,在其未分类全球站点的预测结果R2为0.67,RMSE为2.28 g C m-2d-1;在其已分类的全球站点预测结果中,于落叶阔叶林中得到的观测结果最佳,R2为0.81,RMSE为2.02 g C m-2 d-1。（4）将随机森林的应用和来自全球212个站点的数据产品推广至模拟净生态系统碳交换、生态系统呼吸、NEP的研究中,在已分类的全球站点预测结果中,三者均在落叶阔叶林和农田生态系统中得到的观测结果较好。