CN112198299A - 一种基于贝叶斯理论的土壤有机碳矿化能力的测定方法 - Google Patents
一种基于贝叶斯理论的土壤有机碳矿化能力的测定方法 Download PDFInfo
- Publication number
- CN112198299A CN112198299A CN202011052823.0A CN202011052823A CN112198299A CN 112198299 A CN112198299 A CN 112198299A CN 202011052823 A CN202011052823 A CN 202011052823A CN 112198299 A CN112198299 A CN 112198299A
- Authority
- CN
- China
- Prior art keywords
- model
- soil
- organic carbon
- prediction
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000002689 soil Substances 0.000 title claims abstract description 76
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 60
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000033558 biomineral tissue development Effects 0.000 title claims abstract description 40
- 238000002474 experimental method Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 7
- 238000003556 assay Methods 0.000 claims description 6
- 230000002035 prolonged effect Effects 0.000 claims description 5
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000011534 incubation Methods 0.000 claims 1
- 238000000691 measurement method Methods 0.000 claims 1
- 230000007774 longterm Effects 0.000 abstract description 8
- 238000012795 verification Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 230000001360 synchronised effect Effects 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000011160 research Methods 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000012136 culture method Methods 0.000 description 2
- 238000013479 data entry Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 238000007605 air drying Methods 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000002585 base Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000003967 crop rotation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 239000004016 soil organic matter Substances 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/245—Earth materials for agricultural purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- Remote Sensing (AREA)
- Medicinal Chemistry (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Immunology (AREA)
- Theoretical Computer Science (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Processing Of Solid Wastes (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明涉及一种基于贝叶斯理论的土壤有机碳矿化能力的测定方法。本发明基于MCMC算法，通过数据同化的方法反演模型参数，将模型与实验数据结合，实时获取模型预测结果，并进行同期验证，充分利用数据信息，有效提高模型预测精度，大大缩短实验时间，达到通过短期实验获取长期土壤有机碳矿化能力的方法。
Description
技术领域
本发明涉及土壤监测技术领域，特别涉及一种基于贝叶斯理论的土壤有机碳矿化能力的测定方法。
背景技术
室内培养法是测定土壤有机碳矿化特征的一个常用方法。具体操作一般是在密闭的容器中培养一定量的土壤，通过测定一定时间频率内土壤矿化释放的 CO2来计算土壤有机碳的矿化速率与矿化量。如王丹等在《生态学报》发表的“植被类型变化对长白山森林土壤碳矿化及其温度敏感性的影响”，利用室内培养法探究不同林分土壤有机碳的矿化过程。以往的实验研究中，一般是参照前人文献中的实验时间，按一周、两周或一月一次的频率，对土壤样品进行半个月到三个月的培养实验，如杨浩等在《资源与环境学报(英文版)》发表的“土地利用方式对中国东南部亚热带地区土壤有机质矿化的温度和湿度敏感性的影响”，通过42天的培养试验探究不同土地利用方式下土壤有机碳的矿化特征和温度敏感性。少数以观测长期矿化特征为目的的实验，将培养时间延长至一年及以上。如袁瑱等在《应用于环境生物学报》发表了“太岳山森林土壤有机碳矿化随温度、湿度和培养时间的变化特征”，将培养时间延长到387天，探究不同水分含量下土壤有机碳的长期矿化规律及累积矿化量。
由于土壤有机碳矿化是一个缓慢的过程，短期的培养试验一般不足以反映矿化特征，研究者会延长培养时间以获取更多的矿化信息。但长期的培养试验耗时耗力，阻碍了对土壤有机碳长期矿化特征及矿化能力的研究。将实验数据与模型预测结合，以模型预测值替代后期实验结果，是缩短培养时间、快速获取长期土壤有机碳矿化数据的一个有效方式。使用分库模型对室内培养数据进行拟合，利用数据同化技术优化参数，预测未来CO2的释放量，是目前进行土壤有机碳矿化预测的常用方法，但对用于模型预测的实验数据没有明确的规范，使得模型预测准确程度受到培养时间的影响。刘浩宇等在《水土保持通报》发表的“阿尔泰山冷杉林下土壤有机碳矿化特征”中，认为双指数模型能够较好地拟合与预测为期100天的室内培养数据。而Schadel发表在《Oecologia》的“Separating soil CO2 effluxinto C-pool-specific decay rates via inverse analysis of soil incubationdata”却指出，380天的室内培养数据仍不足以使三库模型得出准确预测。目前的研究中并没有一个准确的判断培养时间的方法，在使用培养数据预测土壤有机碳矿化等研究和计算时，培养时间不同造成的数据信息量不足，是模型预测不准确、土壤有机碳矿化特征分析不准确的重要原因之一。
为此，特提出本发明。
发明内容
本发明的目的在于提供一种基于贝叶斯理论的土壤有机碳矿化能力的测定方法，该方法基于MCMC算法，通过数据同化的方法反演模型参数，将模型与实验数据结合，实时获取模型预测结果，并进行同期验证，充分利用数据信息，有效提高模型预测精度，大大缩短实验时间，达到通过短期实验获取长期土壤有机碳矿化能力的方法。
为了实现以上目的，本发明提供了以下技术方案：
一种基于贝叶斯理论的土壤有机碳矿化能力的测定方法，包括：
获取实验数据：进行室内恒温培养实验，在短期内定期检测土壤有机碳矿化速率，得到实验数据；所述实验数据包括：土壤的初始有机碳含量、每期土壤CO2累加释放量；
对模型进行设定：向模型输入所述土壤的初始有机碳含量作为初始条件，并设定土壤有机碳矿化速率参数的先验概率分布；
利用模型预测：将所述每期土壤CO2累加释放量输入所述模型，得到参数的后验概率分布，以及预测未来土壤的有机碳释放CO2累加值结果；
判断准确程度：计算所述模型的预测精度RMSE，并输入下一期的实验数据来重复所述利用模型预测的步骤，并与上一期的预测结果进行对比，判断 RMSE的变化趋势以及所述模型的准确程度；
反复迭代优化：重复所述利用模型预测和所述判断准确程度的步骤，直至所述准确程度达到设定标准；
输出结果：输出参数的后验概率分布以及模型的预测结果；
其中，所述模型为三库一级动力学模型，其公式如下：
Ci(1)＝fiCtot，
Ccum＝∑Ci，
其中，Ccum表示土壤在t时间内释放的CO2累加量，Ci为第i个碳库释放的 CO2累加量，Ctot为土壤的初始有机碳含量，fi为第i个碳库占土壤总有机碳库的比例；ki为第i个碳库释放CO2的速率。
本发明的上述方法首先通过室内恒温培养实验测定短期内土壤有机碳矿化速率，然后利用贝叶斯理论(先验概率分布和后验概率分布都属于该理论)，结合马尔科夫链蒙特卡洛(MCMC)方法(本发明具体采用三库一级动力学模型)，将实验数据输入模型中进行数据同化与预测，继续进行室内培养实验的测定，并对模型预测结果进行验证，反复迭代优化模型参数直至实测值与模拟值的误差小于容许范围并稳定，终止室内培养实验，并以模型预测获取长期(指检测时间截止后的长时间内，该期限根据情况调整)土壤有机碳矿化动态过程。
本发明采用的三库一级动力学模型中，所有变量涉及同一计量的应采用同一单位标准。例如若Ctot的单位采用mg·g-1(即每克土壤所含的碳重量mg)时， Ccum的单位为mg·g-1，Ci的单位采用mg·g-1，ki的单位采用mg·g-1day-1。
其中，检测的每期土壤CO2累加释放量是由CO2释放量计算而得，并非直接检测得到，随着设备改进也有可能直接检测出CO2累加释放量。
“定期检测”可根据实际情况而定，通常间隔时间越短，检测频次越多，预测的结果越准，然而也增加了实验难度，因此应总和各因素而定。另外，在实验初期宜频繁检测，后期则延长检测时间间隔。
在利用模型预测时，模型计算得到的结果为CO2累加释放量，通常以“平均值±标准差”作为结果的容许范围。
在判断准确度时，由于RMSE(均方根误差)是预测值与真实值偏差的平方与观测次数n比值的平方根，因此值越低，预测越准确，因此对比当期预测结果的RMSE与上一期预测结果的RMSE，若减小，则可以继续进行实验，若不再减小或者减小幅度不显著，则可以认定优化的预测模型已相当准确。
也可以预先设定RMSE的容许范围，若判断准确度时，若RMSE未在容许范围内，则将该期测定数据输入测定数据集，重复数据同化过程，直至实验数据中的信息足够使模型达到准确预测。
在一些实施方式中，所述对模型进行设定步骤中，设定的总预测期为600 天以内。经验证，本发明获得测定方法对600天内的预测结果都很高的准确度。
在一些实施方式中，所述利用模型预测步骤中，设定模型预测重复100次，得到土壤有机碳释放CO2累加值，并计算平均值和标准差。
在一些实施方式中，所述反复迭代优化是基于贝叶斯理论的数据同化方法进行，采用的公式为：
P(θ|Z)∝P(Z|θ)P(θ)；
参数的所述后验概率分布P(θ|Z)可以通过给定的所述先验概率分布P(θ)和似然函数P(Z|θ)得到；给定参数的所述先验概率分布P(θ)后，通过马尔科夫链- 蒙特卡洛方法(MCMC)计算得到参数的所述后验概率分布；所述模型中的参数fi与ki均通过该方法获得。
该理论能有效提高参数优化能力，降低模型预测的不确定性。
在一些实施方式中，所述定期检测为：
在实验开始后的14天内每天或每两天检测一次，之后的频率为每月至少一次检测。
在一些实施方式中，所述设定标准为：
模型预测结果的RMSE不再减小，
并且所有测定数据均在模型预测结果的平均值±标准差范围内。
在一些实施方式中，在所述反复迭代优化过程中，当所述准确程度达到设定标准后，再延长两期土壤CO2累加释放量的实验数据，若延长的数据也达到了模拟准确的设定标准，则终止优化。这样通过三期的反复验证可以提高结果准确性。
在一些实施方式中，所述室内恒温培养实验的条件是：使土壤的含水量保持在55％～60％。
通常土壤失水量超过5％时应加水，使水含量达到60％。
另外，在检测开始前还应当使土壤保持稳定状态，例如先在室温下保持3天，然后设定培养温度下保持4天的预培养。
在一些实施方式中，在所述输出结果的步骤中，输出的模型的预测结果为 CO2释放累加量，并且处理为平均值±标准差的范围。
综上，与现有技术相比，本发明达到了以下技术效果：
(1)缩短实验时间：通过准确的模型预测，以模型预测值替代后期实验值，大大缩短培养试验的时间；
(2)提高预测准确度：应用基于贝叶斯理论的数据同化方法，有效提高参数优化能力，降低模型预测的不确定性；
(3)方法灵活度高：将预测结果表达为一个容许的区间范围，便于实验者对土壤有机碳矿化特征的判断和结果的选择；
(4)降低了实验成本：将模型预测与实验数据紧密结合，充分利用实验数据中的信息，并根据不同土样的特异性差异，实时预测，指导实验进程，降低实验成本。
附图说明
图1为输入1-14天的数据后得到的预测结果模型；
图2为输入28天的数据后得到的预测结果模型；
图3为输入210天的数据后得到的预测结果模型；
图4至6分别为三个碳库释放CO2的速率k1、k2、k3的分布。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述，但是本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限制本发明的范围。实施例中未注明具体条件者，按照常规条件或制造商建议的条件进行。所用原药、试剂或仪器未注明生产厂商者，均为可以通过市售购买获得的常规产品或者可以根据现有技术制备得到。
实施例1
研究区概况
研究区位于江苏省南京市溧水区白马科研基地(31°35′16″N，119°10′43″E)，年平均温度15.4℃，年平均降水量1087.4mm，土地利用方式为以水稻和小麦为主要种植作物的轮作农田，pH5.6-7.8,土壤质地为粘壤土。在样地0-20cm土层取得土样，除去表面植物残留物及石砾、植物根系等，过2mm筛，室温下将土样风干。测得土壤有机碳含量为22.9g/kg。
以上述研究区为土壤取样地点，进行基于贝叶斯理论的土壤有机碳矿化能力获取方法的验证，具体包括以下步骤：
1)设置室内培养试验
设置室内培养试验，取80克土，在整个培养试验过程中保持失水量大于 5％时加水，维持60％的土壤含水量。进行25℃下3天，然后35℃下4天的预培养。35℃恒温条件下，开始室内培养实验，使用碱吸收法，以1-14天每两天测定一次、之后每14天测定一次的频率，进行CO2释放量的测定，获取第2， 4，6，8，10，12，14，28·····(第14天后每隔14天检测)天的实验数据。
2)将数据输入模型，同步进行模型预测
获得第14天的培养数据后，将1-14天的数据输入模型，进行参数优化与预测，总预测期为600天，设定模型预测重复100次，得到土壤有机碳释放CO2累加值，并计算平均值和标准差。得到的预测结果模型如图1所示。
模型为三库一级动力学模型，其公式如下：
Ci(1)＝fiCtot，
Ccum＝∑Ci，
其中，Ccum表示土壤在t时间内释放的CO2累加量，单位采用mg·g-1；
Ci为第i个碳库释放的CO2累加量，单位采用mg·g-1，
Ctot为土壤的初始有机碳含量(22.9g/kg)，
fi为第i个碳库占土壤总有机碳库的比例；在一个模型中，fi的加和为1；
ki为第i个碳库释放CO2的速率，单位采用mg·g-1day-1。
基于贝叶斯理论的数据同化方法进行参数优化，定理公式表示为：
P(θ|Z)∝P(Z|θ)P(θ)
即参数的后验概率分布P(θ|Z)可以通过给定的参数先验概率分布P(θ)和似然函数P(Z|θ)得到。给定参数的先验概率分布P(θ)后，通过马尔科夫链-蒙特卡洛方法(MCMC)计算得到参数的后验概率分布。
3)判断预测结果准确性
获取第21天的培养数据，将更新后的测定数据集输入模型，得到新的预测值及RMSE-21(下文以RMSE-x表示第x天数据输入后的模型RMSE值)， RMSE-21大于RMSE-14，以前14天数据得到的预测结果作为备选预测，继续进行培养试验。
获取第28天数据，输入模型得到预测结果并计算RMSE-28，RMSE-28大于RMSE-21,但第28天的培养数据未处于备选预测的范围内(即实验值没有落入预测值的平均值±标准差的范围内)，如图2所示。取消备选预测，试验继续。随着数据加入，不断重复数据同化过程。
试验-预测进行至第210天。其后两期(224、238天)的RMSE均高于 RMSE-210，且培养数据在第210天的预测范围内，认为第210天的模型预测结果准确。
培养238天内预测结果的RMSE值如表1所示。
表1不同时期预测结果的RMSE值
4)获取模型预测结果，终止试验
输出模型预测结果图表，210天后停止试验，以模型预测结果作为210天后的土壤有机碳矿化数据，模型预测结果如图3所示，三个碳库释放CO2的速率k1、k2、k3的分布分别如图4至6所示。
从图3和表1可看出，本发明对第210天以后以及第600天内这段期间的预测结果非常准确，因此本发明可以将实验周期缩短在210天以内，也极大提高了测定效率。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种基于贝叶斯理论的土壤有机碳矿化能力的测定方法，其特征在于，包括：
获取实验数据：进行室内恒温培养实验，在短期内定期检测土壤有机碳矿化速率，得到实验数据；所述实验数据包括：土壤的初始有机碳含量、每期土壤CO2累加释放量；
对模型进行设定：向模型输入所述土壤的初始有机碳含量作为初始条件，并设定土壤有机碳矿化速率参数的先验概率分布；
利用模型预测：将所述每期土壤CO2累加释放量输入所述模型，得到参数的后验概率分布，以及预测未来土壤的有机碳释放CO2累加值结果；
判断准确程度：计算所述模型的预测精度RMSE，并输入下一期的实验数据来重复所述利用模型预测的步骤，并与上一期的预测结果进行对比，判断RMSE的变化趋势以及所述模型的准确程度；
反复迭代优化：随室内恒温培养实验进程不断增加数据，重复所述利用模型预测和所述判断准确程度的步骤，直至所述准确程度达到设定标准；
输出结果：输出参数的后验概率分布以及模型的预测结果；
其中，所述模型为三库一级动力学模型，其公式如下：
Ci(1)＝fiCtot，
Ccum＝∑Ci，
其中，Ccum表示土壤在t时间内释放的CO2累加量，Ci为第i个碳库释放的CO2累加量，Ctot为土壤的初始有机碳含量，fi为第i个碳库占土壤总有机碳库的比例；ki为第i个碳库释放CO2的速率。
2.根据权利要求1所述的测定方法，其特征在于，所述对模型进行设定步骤中，设定的总预测期为600天以内。
3.根据权利要求1所述的测定方法，其特征在于，所述利用模型预测步骤中，设定模型预测重复100次，得到土壤有机碳释放CO2累加值，并计算平均值和标准差。
4.根据权利要求1所述的测定方法，其特征在于，所述反复迭代优化是基于贝叶斯理论的数据同化方法进行，采用的公式为：
P(θ|Z)∝P(Z|θ)P(θ)；
参数的所述后验概率分布P(θ|Z)可以通过给定的所述先验概率分布P(θ)和似然函数P(Z|θ)得到；给定参数的所述先验概率分布P(θ)后，通过马尔科夫链-蒙特卡洛方法(MCMC)计算得到参数的所述后验概率分布；所述模型中的参数fi与ki均通过该方法获得。
5.根据权利要求1或2所述的测定方法，其特征在于，所述定期检测为：
在实验开始后的14天内每天或每两天检测一次，之后的频率为每月至少一次检测。
6.根据权利要求1或3所述的测定方法，其特征在于，所述设定标准为：
模型预测结果的RMSE不再减小，
并且所有测定数据均在模型预测结果的平均值±标准差范围内。
7.根据权利要求1所述的测定方法，其特征在于，在所述反复迭代优化过程中，当所述准确程度达到设定标准后，再延长两期土壤CO2累加释放量的实验数据，若延长的数据也达到了模拟准确的设定标准，则终止优化。
8.根据权利要求1所述的测定方法，其特征在于，所述室内恒温培养实验过程中维持土壤的含水量饱和。
9.根据权利要求1所述的测定方法，其特征在于，在所述输出结果的步骤中，输出的模型的预测结果为CO2释放累加量，并且处理为平均值±标准差的范围。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011052823.0A CN112198299B (zh) | 2020-09-29 | 2020-09-29 | 一种基于贝叶斯理论的土壤有机碳矿化能力的测定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011052823.0A CN112198299B (zh) | 2020-09-29 | 2020-09-29 | 一种基于贝叶斯理论的土壤有机碳矿化能力的测定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112198299A true CN112198299A (zh) | 2021-01-08 |
| CN112198299B CN112198299B (zh) | 2023-07-04 |
Family
ID=74007967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011052823.0A Active CN112198299B (zh) | 2020-09-29 | 2020-09-29 | 一种基于贝叶斯理论的土壤有机碳矿化能力的测定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112198299B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116735839A (zh) * | 2023-06-15 | 2023-09-12 | 浙江大学 | 量化碳质量和可利用性调控土壤有机碳矿化温度敏感性的方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120021494A1 (en) * | 2010-07-23 | 2012-01-26 | Krebs & Sisier L.P. | Enhanced photosynthesis and photocatalysis water treatment/biomass growth process |
| CN102778551A (zh) * | 2012-07-26 | 2012-11-14 | 中国科学院东北地理与农业生态研究所 | 有机碳矿化培养装置和利用该装置无土测定土壤有机碳矿化速率的方法 |
| CN103345544A (zh) * | 2013-06-11 | 2013-10-09 | 大连理工大学 | 采用逻辑回归方法预测有机化学品生物降解性 |
| CN106980007A (zh) * | 2017-03-09 | 2017-07-25 | 河海大学 | 用于土壤有机碳矿化能力测定的培养装置及测定方法 |
| CN108764527A (zh) * | 2018-04-23 | 2018-11-06 | 中国科学院南京土壤研究所 | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 |
| CN108960429A (zh) * | 2018-05-18 | 2018-12-07 | 成都理工大学 | 矿产资源覆盖区、深部矿床勘查预测方法及系统 |
| CN109933873A (zh) * | 2018-11-02 | 2019-06-25 | 中国林业科学研究院资源信息研究所 | 一种荒漠化地区土壤有机碳密度高空间遥感估测的方法 |
| CN110800411A (zh) * | 2019-10-30 | 2020-02-18 | 南京林业大学 | 一种污泥生物质炭调节土壤碳氮矿化的方法 |
-
2020
- 2020-09-29 CN CN202011052823.0A patent/CN112198299B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120021494A1 (en) * | 2010-07-23 | 2012-01-26 | Krebs & Sisier L.P. | Enhanced photosynthesis and photocatalysis water treatment/biomass growth process |
| CN102778551A (zh) * | 2012-07-26 | 2012-11-14 | 中国科学院东北地理与农业生态研究所 | 有机碳矿化培养装置和利用该装置无土测定土壤有机碳矿化速率的方法 |
| CN103345544A (zh) * | 2013-06-11 | 2013-10-09 | 大连理工大学 | 采用逻辑回归方法预测有机化学品生物降解性 |
| CN106980007A (zh) * | 2017-03-09 | 2017-07-25 | 河海大学 | 用于土壤有机碳矿化能力测定的培养装置及测定方法 |
| CN108764527A (zh) * | 2018-04-23 | 2018-11-06 | 中国科学院南京土壤研究所 | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 |
| CN108960429A (zh) * | 2018-05-18 | 2018-12-07 | 成都理工大学 | 矿产资源覆盖区、深部矿床勘查预测方法及系统 |
| CN109933873A (zh) * | 2018-11-02 | 2019-06-25 | 中国林业科学研究院资源信息研究所 | 一种荒漠化地区土壤有机碳密度高空间遥感估测的方法 |
| CN110800411A (zh) * | 2019-10-30 | 2020-02-18 | 南京林业大学 | 一种污泥生物质炭调节土壤碳氮矿化的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张振明等: "多水平贝叶斯模型预测森林土壤全氮", 《生态学报》 * |
| 李隽永: "城市不同地表覆盖类型下土壤有机碳矿化的差异", 《生态学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116735839A (zh) * | 2023-06-15 | 2023-09-12 | 浙江大学 | 量化碳质量和可利用性调控土壤有机碳矿化温度敏感性的方法 |
| CN116735839B (zh) * | 2023-06-15 | 2024-01-26 | 浙江大学 | 量化碳质量和可利用性调控土壤有机碳矿化温度敏感性的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112198299B (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | An assessment of the CFS real-time seasonal forecasts | |
| Cao et al. | Analysis of video disdrometer and polarimetric radar data to characterize rain microphysics in Oklahoma | |
| Zobitz et al. | Sensitivity analysis and quantification of uncertainty for isotopic mixing relationships in carbon cycle research | |
| Gaillard et al. | Quality control of large Argo datasets | |
| Seviour et al. | Skillful seasonal prediction of the southern annular mode and Antarctic ozone | |
| CN103293111B (zh) | 一种土壤背景干扰下小麦叶层氮含量光谱监测模型及建模方法 | |
| CN113125644B (zh) | 一种基于土壤共存金属影响的小麦籽粒镉富集量预测方法 | |
| CN109187398A (zh) | 一种小麦植株氮含量的高光谱测定方法 | |
| CN101738383A (zh) | 基于中红外光谱的土壤重金属元素含量快速检测方法 | |
| Soddu et al. | Climate variability and durum wheat adaptation using the AquaCrop model in southern Sardinia | |
| CN111353634B (zh) | 一种基于模式初始场同化的二氧化硫排放源优化方法 | |
| Yang et al. | The effectiveness of digital soil mapping with temporal variables in modeling soil organic carbon changes | |
| CN107505179A (zh) | 一种土壤预处理与养分近红外光谱检测方法 | |
| CN111160680A (zh) | 一种基于信息同化融合的农业干旱评估方法 | |
| Marinescu et al. | Quantifying aerosol size distributions and their temporal variability in the Southern Great Plains, USA | |
| CN114117953A (zh) | 水文模型结构诊断方法、径流预报方法及装置 | |
| CN116805439A (zh) | 一种基于人工智能和大气环流机制的干旱预报方法及系统 | |
| CN112198299A (zh) | 一种基于贝叶斯理论的土壤有机碳矿化能力的测定方法 | |
| Fundel et al. | Calibrated precipitation forecasts for a limited-area ensemble forecast system using reforecasts | |
| He et al. | Uncertainty analysis of eddy flux measurements in typical ecosystems of ChinaFLUX | |
| CN105608296A (zh) | 一种基于荔枝冠层光谱的叶片钾浓度反演方法 | |
| CN114462511A (zh) | 一种基于XGBoost算法的PM2.5数据异常识别方法 | |
| US20240167947A1 (en) | CEEMDAN-based method for screening and monitoring soil moisture stress in agricultural fields | |
| Amiri et al. | Performance of WOFOST model for simulating maize growth, leaf area index, biomass, grain yield, yield gap, and soil water under irrigation and rainfed conditions | |
| Joyce et al. | Standardisation of temperature observed by automatic weather stations |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |