文献分享 | Scientific data：利用随机森林和遥感监测欧亚气象站的碳-水通量

为了较准确了解陆地生态系统的碳水循环，需要在分布稀疏且不均匀的涡度相关通量站点的基础上，利用分布更广的气象站点进行碳水通量模拟。本研究构建一套新框架，包括机器学习，决定系数(R ² )，欧氏距离，遥感(RS)，使用随机森林模型和RS模拟欧亚气象站的每日净生态系统二氧化碳交换（NEE）和水通量（WF），利用2002-2020年期间3774和4427个气象站结合RS信息（NEE-RS和WF-RS）分别产生了NEE和WF数据库，利用1983 - 2018年4667个和6763个气象站点的无遥感信息分别产生NEE和WF数据集。对于每个气象站，碳水通量均满足精度要求。这四个碳水通量数据集对于提高生态系统碳水动态的评估具有很大潜力。本研究提出了评估模式转换适用性的框架，建立了从通量站到气象站的桥梁，这些高精度数据集可用于评价基于生态系统/地表/遥感/大气反演模型模拟的区域或全球尺度生态系统碳水通量的精度。

图1 研究框架

R ² ，决定系数；

MLR，多元线性回归。

NEE-RS：基于RFM与遥感(RS)的净生态系统二氧化碳交换(NEE)；

WF-RS：基于RS的RFM的水通量(WF)；

这些解释了在RFM构建中使用RS变量的事实。

NEE-WRS：基于RFM的无RS的NEE；

WF-WRS：基于RFM的WF，没有RS；RS变量包括中分辨率成像光谱仪1~7波段的光合有效辐射、增强型植被指数、地表水体指数和地表反射率的百分比。

图2 研究区及碳水通量模拟模型(随机森林模型, RFM)的精度

(a)覆盖5种主要景观类型的156个欧亚通量站的分布。

(b)基于欧亚通量站的RFM精度评估。

该图显示了在9个类别的测试集中测试的R ²  ≥ 0.5的RFMs的百分比。

图3 碳水通量模拟模型(随机森林模型, RFM)在试验通量站的精度表现

基于NEE (生态系统二氧化碳净交换量)和WF (水通量) R ² 的RFM对(a)总体156站、(b)湿地16站、(c)农田23站、(d)草地47站和 (e)森林64站的交叉验证精度表现。箱线图显示了测试集每个通量站对不同类别的R ² 分布。

图4  R ² 模拟模型 (RSM)预测的R ² 在各气象站点的分布

R ² 的空间分布分别为：

(a) NEE - RS情景下4466个气象站点

(b) NEE - WRS情景下6849个气象站点

(c) WF - RS情景下4466个气象站点

(d) WF - WRS情景下6849个气象站点

(e) 不同情景下气象站点R ²  < 0.5、0.5 ≤ R ²  < 0.7和R ²  ≥ 0.7的百分比分布

图5 欧亚气象站碳水通量的时空变化

3-11月日均值的空间分布的 (a)2003-2020年3436个气象站点NEE-RS和 (b)1984-2018年4352个站点NEE-WRS。(c)气象台站日均NEE (生态系统二氧化碳净交换)值的年际变化和相应的95 %置信区间（以阴影带表示）。3-11月日均值的空间分布的 (d) 2003-2020年的3990个站点WF-RS和 (e)1984-2018年的6302个站点WF-WRS。(f)气象站日平均水通量(WF)值的年际变化。

图6 本研究结果与GOSAT、MODIS和FLUXCOM在2010 - 2013年逐月的NEE (生态系统二氧化碳净交换量)和WF (水通量)进行比较

涡度协方差通量站可提供高时间分辨率生态系统尺度碳和能量通量观测数据，但现有通量站分布稀疏且不均匀，产生相当不连续的数据，这限制了大尺度碳-水通量的研究，相比之下，气象站分布密集，有长时间持续观测数据，其结合机器学习和遥感方法可作为有效的补充，本研究框架对于数据缺少和大尺度相关研究有一定借鉴意义。

张子奇 | 供稿

   林永强 | 编辑

      陈磊 | 审核