CN114462701A - 基于陆地水储量的月尺度陆地植被碳储量计算优化方法 - Google Patents
基于陆地水储量的月尺度陆地植被碳储量计算优化方法 Download PDFInfo
- Publication number
- CN114462701A CN114462701A CN202210112194.9A CN202210112194A CN114462701A CN 114462701 A CN114462701 A CN 114462701A CN 202210112194 A CN202210112194 A CN 202210112194A CN 114462701 A CN114462701 A CN 114462701A
- Authority
- CN
- China
- Prior art keywords
- land
- data
- vegetation
- reserve
- carbon
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 89
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 82
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000004364 calculation method Methods 0.000 title claims description 23
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 36
- 238000011160 research Methods 0.000 claims abstract description 23
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 22
- 239000002689 soil Substances 0.000 claims abstract description 18
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 35
- 230000004044 response Effects 0.000 claims description 14
- 230000035945 sensitivity Effects 0.000 claims description 9
- 239000003673 groundwater Substances 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 7
- 238000006386 neutralization reaction Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 9
- 239000002352 surface water Substances 0.000 description 8
- 238000001704 evaporation Methods 0.000 description 6
- 230000008020 evaporation Effects 0.000 description 6
- 230000005484 gravity Effects 0.000 description 6
- 238000001556 precipitation Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004177 carbon cycle Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于陆地水储量的月尺度陆地植被碳储量计算的优化方法，首先收集典型研究区内的历史实测气象数据资料，大气二氧化碳浓度数据和卫星遥感产品数据；构建研究区土壤湿度的时间序列；收集大气CO2浓度数据，并进行插值处理；再构建基于水文气象数据和陆地水分的植被碳储量定量估算模型。本发明提出了一种植被碳储量的估算方法，考虑了陆地可利用水分对植物固碳能力和碳储量的影响，为资源规划管理部门更加精确地估算区域碳存储能力提供科学参考依据，从而提出更加合理的碳中和管理规划方案。
Description
技术领域
本发明涉及水文水资源应用技术领域，具体地说涉及基于陆地水储量的月尺度植被碳储量计算优化方法。
背景技术
自工业革命以来，大气CO2浓度从约280ppm(parts per million)增加到约415ppm，致使全球地表平均气温持续升高，进而导致极端天气气候事件频发。为维持全球碳循环稳定，海洋和陆地生态系统吸收空气中CO2的能力也在不断增强，进而在一定程度上减缓了温室气体的上升趋势。植被碳储量作为陆地碳循环过程中最关键的变量之一，其变化过程与气候变化联系密切。因此，为缓解温室效应以减少极端气象事件对人类社会经济的负面影响，研究陆地生态系统的植被碳存储能力至关重要。此外，对植被碳储量的变化的分析，既有利于保障我国生态环境安全，又有助于资源规划管理部门精准预估区域植被碳吸收量，制定合理有效的区域碳中和规划方案。
由于当前碳储量计算方法存在物理机制不明、植被碳储量存在高估等问题，区域植被碳储量的反演和估算仍然处在研究和探索之中。目前，大多数的植被碳储量计算方法主要以历史气候和地表植被覆盖类型等因素结合动态全球植被模型，推算地表植被碳储量的变化时间序列(Ecological Modelling,2007,200(3-4):279-307)。但是以往的计算方法和模型，对于地表可利用水分对植被碳储量变化的影响考虑不充分，存在高估地表植被碳储量变化等问题(Nature,2018,560(7720):628；Nature,2021,592(7852):65)。并且，现有技术未能充分利用卫星遥感观测信息，基于卫星数据和水量平衡方法建立地表可利用水分时间变化序列，分析其对陆地植被碳储量变化的影响未见文献报道。
发明内容
本发明的目的在于克服现有技术的不足，提供一种考虑地表可利用水分的植被碳储量的定量估算方法，考虑了陆地可利用水分对植物固碳能力和碳储量的影响，为资源规划管理部门更加精确地估算区域碳存储能力提供科学参考依据，从而提出更加合理的碳中和管理规划方案。
本发明提出一种基于陆地水储量的月尺度陆地植被碳储量计算优化方法，包括以下步骤：
步骤1，选择典型研究区域，收集区域内的历史气象数据资料、大气二氧化碳浓度数据，获取卫星遥感产品数据；
其中，所述典型研究区域为下垫面覆盖类型以森林草地为主的区域；
步骤2，重建所述典型区域内的陆地水储量的时间序列，并计算地下水变化量；
步骤3，建立所述典型区域内的大气CO2浓度的时间序列；
步骤4，基于研究区域实测气象数据资料和地表可利用水分构建包含植被碳储量对可利用水分变化的响应模块，量化水分变化对植被碳储量的影响；
步骤5，基于研究区域实测气象数据资料和陆地可利用水分响应模块的植被碳储量模型，构建植被碳储量定量估算模型，并将所述CO2浓度作为驱动数据输入到植被碳储量模型。
进一步地，所述步骤1中还包括对所获取数据的预处理，具体包括：
步骤1.1、气象数据资料为月尺度数据集，采用当地观测数据进行降尺度处理，通过线性插值方式将气象数据从月尺度转换为日尺度；
步骤1.2、所述卫星遥感产品数据包括GRACE和GRACE-FO卫星反演的陆地水储量产品数据，对这些数据进行预处理，统一时间尺度和空间分辨率。
更进一步，步骤2.1，采用长短期记忆方法对卫星反演数据的缺失值进行插值填补，重建陆地水储量的时间序列；
步骤2.2，将陆地水储量时间序列的数据进行时间尺度和空间分辨率的统一，再根据水量平衡原理计算陆地水储量变化量。
再进一步地，所述步骤3中采用外延插值对研究区的CO2数据进行插值填补。
再进一步地，采集研究区关于土地利用类型的卫星遥感数据，计算下垫面植被覆盖类型和覆盖百分率；
利用土壤湿度数据对SEIB-DGVM模型进行模型优化，添加陆地可利用水分响应模块用于提升植被碳储量的计算精度，采用多元线性回归方法重新进行参数率定，分析陆地碳储量对地表水分各组分变化的敏感程度，确定碳储量对地表水分变化的响应关系，具体如下：
ΔCS＝k1ΔSM+k2ΔSWE+k3ΔGW+k4ΔCI+ε
其中，ΔCS为SEIB-DGVM模型模拟的植被碳储量变量，k1为土壤含水量变化量的敏感系数，k2为积雪含水当量变化量的敏感系数，k3为地下水变化量的敏感系数，k4为冠层截留含水量变化量的敏感系数，ε为数据残差，ΔSM为土壤含水量变化量，ΔSWE为积雪含水当量变化量，ΔCI为冠层截留含水量变化量，ΔGW为地下水变化量。
6、根据权利要求5所述的基于陆地水储量的月尺度陆地植被碳储量计算优化方法，其特征在于：
步骤5的具体过程如下：
观测得到的土壤可利用水分、气象数据、CO2数据和植被数据以及率定好参数的水分响应模块输入或耦合到SEIB-DGVM模型中，构建校正的植被碳储量估算模型，具体如下：
CSa＝CS+k1ΔSM+k2ΔSWE+k3ΔGW+k4ΔCI
其中，CS为SEIB-DGVM模型计算得出植被碳储量，CSa为考虑可利用水分变化的实际植被碳储量。
本发明的优点在于：
现有模型主要是基于大气二氧化碳浓度和气象数据作为驱动数据模拟陆地植被碳储量的变化趋势。与现有技术相比，本发明的改进之处在于考虑研究区内地表水分限制对陆地植被碳储量变化趋势的影响。将遥感观测陆地水储量数据、大气CO2浓度数据和气象数据进行结合，能够模拟土地可利用水分影响下的植被碳储量变化趋势。该方法明晰了土壤可利用水分对植被碳储量的影响作用机制，为资源规划管理部门更加精确地估算区域碳存储能力提供科学参考依据，从而提出更加合理的碳中和管理规划方案。
附图说明
图1为本发明方法的具体流程图；
图2为基于长短期记忆法的GRACE重力卫星插值处理图；
图3为本发明构建的考虑陆地可利用水分的植被模型模拟的典型研究区植被碳储量结果图。
具体实施方式
下面结合附图以及具体实施例，对本发明的技术方案做进一步的说明。
<实施例>
如图1所示，本发明提供了一种基于陆地水储量的月尺度陆地植被碳储量计算优化方法包括以下步骤：
步骤1：选择森林或者草地为主要覆盖类型的地区为典型研究区域，收集区域内的历史气象数据资料和大气二氧化碳(CO2)浓度数据，下载多种卫星遥感产品，主要包括GRACE和GRACE-FO卫星反演的陆地水储量产品和MCD12C1下垫面土地利用类型产品，全球陆面数据同化系统GLDAS的蒸发量、径流量、降雨量、土壤含水量、冠层含水量、高寒地区的积雪当量以及FLUXNET地面实测资料，对这些数据进行预处理，统一时间尺度到逐月尺度和空间分辨率到0.5°。
研究先采用重力卫星提供的球谐系数和质量浓度的变化，通过C20改正、一阶项改正、空间平滑等方法进行校正处理，计算陆地水储量的变化值。球谐系数和质量浓度的月数据主要是来源于德克萨斯大学空间研究中心(CSR,http://www2.csr.utexas.edu/grace/)，德国地球科学研究中心(GFZ,http://isdc.gfz-potsdam.de/grace-isdc/)和美国国家航空和宇宙航行局的喷气动力实验室(JPL,https://grace.jpl.nasa.gov/)共同发布的RL06数据，本实施例选取2000年4月至2021年4月数据。RL06版本采用最新的时变重力场模型和标准，与后续的GRACEFollow-On重力卫星所用模型和处理标准一致，极大减少了方法带来的不确定性。陆地水储量变化采用等效水高来表示(单位为cm)，其计算公式如下：
式中：
和
分别为去除背景场的l阶m次月的时变重力场模型球谐系数；a为地球平均半径，取6371km；固体地球平均密度ρave≈5.517×103kg/m3；Δρave(γ,θ,λ)为物质的体密度变化；
为l阶m次规格化勒让德函数；θ和λ分别表示经度和纬度；γ为质点距微分单元的距离；Δh为陆地水储量变化等效水高；和分别表示经度和纬度l为球谐展开的阶；m为球谐展开的次；为地球平均半径；水密度ρω≈103kg/m3；和分别为去除背景场的(kl为线性内插获取的地球模型阶负载勒夫系数；Wl,m为扇形滤波权函数，计算公式如下：
Wl,m＝Wl×Wm (3)
Wl由递推公式得到，式中r为高斯平滑函数的半径：
同理，将l换成m，可递推得到Wm。该公式反映在70阶以内，随着平滑半径的增加，曲线收敛的速度加快，低阶项所占权重愈大，本实施例平滑半径取值为1000km。
根据0.5°的降水量、蒸发量和径流量的月平均值，分别计算1°×1°所在栅格包含4个0.5°×0.5°网格的平均值，得到分辨率为1°的降水值、蒸发值和径流值。基于水量平衡方程计算公式如公式(7)所示：陆地水储量的单位时间变化量等于降水减去蒸发再减去径流，分别计算0.5°和1°的陆地水储量变化值(S0.5°和S1°)，建立S1°和GRACE的经验回归函数关系式：
ΔSi＝Pi-ETi-Ri (7)
式中：Pi、ETi、Ri分别为同化数据GLDAS在1°网格的第i个月的降水量、蒸发量和径流量，单位mm/month。GRACEi+2为GRACE卫星反演得到1°网格的陆地水储量值，单位mm/month。研究发现GRACE卫星反演得到的陆地水储量数据GRACE与基于水量平衡计算得到的ΔS存在t时间的时滞效应，本示例中t为2，即基于水量平衡方法计算所得陆地水储量后移两个月，再建立回归函数方程。
选择通过显著性检验(P<0.05)和决定系数最高的回归函数进行降尺度。将基于回归方程计算得到的地表水储量模拟值GRACEmodel和卫星反演得到的地表水储量观测值GRACEobserve进行比较，计算残差值(GRACEres)，计算公式如下：
GRACEres＝GRACEmodel-GRACEobserve (9)
基于公式(8)和(9)，建立S0.5°和GRACE的经验回归函数关系，将残差值作为修正项对基于S0.5°算出来的GRACE0.5°结果进行校正，得到最终的降尺度函数关系式。
式中：TWS0.5为拟合得到的0.5°分辨率的地表水储量，mm/month；ΔSi,0.5为0.5°分辨率的、基于GLADS同化数据得到的地表水储量，mm/month；
步骤2：采用长短期记忆法对卫星反演数据的缺失值进行插值填补，重建陆地水储量的时间序列。由于技术问题，GRACE/GRACE-FO产品在11个月(2017年7月至2018年5月)的数据间隙中丢失了数据。先采用长短期记忆法(LSTM)进行模型训练，将地面观测得到的温度数据、降水数据和基于GLDAS计算得到的地表水储量数据作为训练样本输入模型，用于重建地表水储量变化的时间序列，进行插值填补11个月的空缺值。如图2所示，给出了本实施例构建的长短期记忆法(LSTM)模型记忆单元的示意图。
将插补填充后的GRACE重力卫星反演的陆地水储量的序列数据先调整空间分辨率，使其与GLDAS同化数据的空间分辨率一致，为0.5°。为了得到地表可利用水分的各组分变化趋势，尤其是地下水变化量。结合降尺度的GRACE数据和重采样的GLDAS数据，根据水量平衡方程计算土壤湿度，对土壤湿度变化数据在进行空间滤波处理以消除异常值，生成高精度土壤可利用水分数据集，计算地下水变化方程如下：
ΔTWS＝ΔSM+ΔSWE+ΔCI+ΔGW (11)
其中，ΔTWS为陆地水储量变化量，ΔSM为土壤含水量变化量，ΔSWE为积雪含水当量变化量，ΔCI为冠层截留含水量变化量，ΔGW为地下水变化量。
步骤3：根据文献记录和实际观测资料建立大气CO2浓度的时间序列数据，采用外延插值对研究区的CO2数据进行插值填补，分析CO2的时间变化趋势；
步骤4：采集研究区关于土地利用类型的卫星遥感数据，计算下垫面植被覆盖类型和覆盖百分率。本示例选择了分辨率为1km的MODIS卫星的MCD12C1产品提取植被信息、植被种类和生长状况等信息。结合实地查勘情况确定研究区域内的植被功能类型、面积和生长程度等信息；根据下垫面植被覆盖情况制备植被信息地图。
基于研究区域实测气象数据资料和陆地可利用水分率定植被碳储量定量估算模型参数，采用多元线性回归方法重新进行参数率定，分析陆地碳储量对地表水分各组分变化的敏感程度，确定碳储量对地表水分变化的响应关系：
ΔCS＝k1ΔSM+k2ΔSWE+k3ΔGW+k4ΔCI+ε (12)
其中，ΔCS为SEIB-DGVM模型模拟的植被碳储量变量，k1为土壤含水量变化量的敏感系数，k2为积雪含水当量变化量的敏感系数，k3为地下水变化量的敏感系数，k4为冠层截留含水量变化量的敏感系数，ε为数据残差。该步骤中的敏感系数均可根据线性回归方法计算得出。本实施例中参数分别为，k1为0.3042，k2为0.0509，k3为0.022，k4为0.0033。
步骤5：观测得到的土壤可利用水分、气象数据、CO2数据和植被数据以及率定好参数的水分响应模块输入或耦合到SEIB-DGVM模型中，构建校正的植被碳储量估算模型：
CSa＝CS+k1ΔSM+k2ΔSWE+k3ΔGW+k4ΔCI (13)
其中，CS为SEIB-DGVM模型计算得出植被碳储量，CSa为考虑可利用水分变化的实际植被碳储量。
图3是本发明构建的考虑陆地可利用水分的植被模型模拟的典型研究区植被碳储量结果的时间变化趋势。图中的左纵坐标为CO2浓度，右纵坐标为陆地植被碳储量。植被碳储量的年内波动规律基本一致，但年际变化趋势明显，植被碳储量有一个缓慢上升的趋势。
本实施例的发明思路为：首先收集研究区的历史气象数据资料，包括日尺度的气温、降水、辐射、相对湿度和水平风速，采集大气二氧化碳浓度数据，提取覆盖研究区范围的GRACE和GRACE-FO卫星反演的陆地水储量系列，并收集全球陆面数据同化系统GLDAS，包括蒸发量、径流量、降雨量、土壤含水量、冠层含水量、高寒地区的积雪当量，统一时间尺度和空间分辨率；采用长短期记忆法对GRACE卫星数据进行插值填补，得到完整的陆地水储量序列；基于多源遥感气象数据和大气CO2浓度数据，采用SEIB-DGVM模型计算，实现初步陆地植被碳储量模拟；结合GRACE卫星和GLDAS的数据，得到地表各水分当量的变化趋势，构建植被碳储量对水分当量变化的响应模块；最后结合SEIB-DGVM模型与水分变化响应模块进行长时间系列地表植被碳储量模拟。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (6)
1.一种基于陆地水储量的月尺度陆地植被碳储量计算优化方法，其特征在于，包括以下步骤：
步骤1，选择典型研究区域，收集区域内的历史气象数据资料、大气二氧化碳浓度数据，获取卫星遥感产品数据；
其中，所述典型研究区域为下垫面覆盖类型以森林草地为主的区域；
步骤2，重建所述典型区域内的陆地水储量的时间序列，并计算地下水变化量；
步骤3，建立所述典型区域内的大气CO2浓度的时间序列；
步骤4，基于研究区域实测气象数据资料和地表可利用水分构建包含植被碳储量对可利用水分变化的响应模块，量化水分变化对植被碳储量的影响；
步骤5，基于研究区域实测气象数据资料和陆地可利用水分响应模块的植被碳储量模型，构建植被碳储量定量估算模型，并将所述CO2浓度作为驱动数据输入到植被碳储量模型。
2.根据权利要求1所述的基于陆地水储量的月尺度陆地植被碳储量计算优化方法，其特征在于：所述步骤1中还包括对所获取数据的预处理，具体包括：
步骤1.1、气象数据资料为月尺度数据集，采用当地观测数据进行降尺度处理，通过线性插值方式将气象数据从月尺度转换为日尺度；
步骤1.2、所述卫星遥感产品数据包括GRACE和GRACE-FO卫星反演的陆地水储量产品数据，对这些数据进行预处理，统一时间尺度和空间分辨率。
3.根据权利要求2所述的基于陆地水储量的月尺度陆地植被碳储量计算优化方法，其特征在于：
步骤2.1，采用长短期记忆法方法对卫星反演数据的缺失值进行插值填补，重建陆地水储量的时间序列；
步骤2.2，将陆地水储量时间序列的数据进行时间尺度和空间分辨率的统一，再根据水量平衡原理计算陆地水储量变化量。
4.根据权利要求3所述的基于陆地水储量的月尺度陆地植被碳储量计算优化方法，其特征在于：所述步骤3中采用外延插值对研究区的CO2数据进行插值填补。
5.根据权利要求4所述的基于陆地水储量的月尺度陆地植被碳储量计算优化方法，其特征在于：
采集研究区关于土地利用类型的卫星遥感数据，计算下垫面植被覆盖类型和覆盖百分率；
利用土壤湿度数据对SEIB-DGVM模型进行模型优化，添加陆地可利用水分响应模块用于提升植被碳储量的计算精度，采用多元线性回归方法重新进行参数率定，分析陆地碳储量对地表水分各组分变化的敏感程度，确定碳储量对地表水分变化的响应关系，具体如下：
ΔCS＝k1ΔSM+k2ΔSWE+k3ΔGW+k4ΔCI+ε
其中，ΔCS为SEIB-DGVM模型模拟的植被碳储量变量，k1为土壤含水量变化量的敏感系数，k2为积雪含水当量变化量的敏感系数，k3为地下水变化量的敏感系数，k4为冠层截留含水量变化量的敏感系数，ε为数据残差，ΔSM为土壤含水量变化量，ΔSWE为积雪含水当量变化量，ΔCI为冠层截留含水量变化量，ΔGW为地下水变化量。
6.根据权利要求5所述的基于陆地水储量的月尺度陆地植被碳储量计算优化方法，其特征在于：
步骤5的具体过程如下：
观测得到的土壤可利用水分、气象数据、CO2数据和植被数据以及率定好参数的水分响应模块输入或耦合到SEIB-DGVM模型中，构建校正的植被碳储量估算模型，具体如下：
CSa＝CS+k1ΔSM+k2ΔSWE+k3ΔGW+k4ΔCI
其中，CS为SEIB-DGVM模型计算得出植被碳储量，CSa为考虑可利用水分变化的实际植被碳储量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210112194.9A CN114462701A (zh) | 2022-01-29 | 2022-01-29 | 基于陆地水储量的月尺度陆地植被碳储量计算优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210112194.9A CN114462701A (zh) | 2022-01-29 | 2022-01-29 | 基于陆地水储量的月尺度陆地植被碳储量计算优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114462701A true CN114462701A (zh) | 2022-05-10 |
Family
ID=81412518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210112194.9A Pending CN114462701A (zh) | 2022-01-29 | 2022-01-29 | 基于陆地水储量的月尺度陆地植被碳储量计算优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114462701A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116562176A (zh) * | 2023-07-11 | 2023-08-08 | 成都理工大学 | 一种基于耦合神经网络与水文物理模型的径流模拟方法 |
| CN117152629A (zh) * | 2023-08-23 | 2023-12-01 | 武汉大学 | 一种流域尺度时变卫星重力空缺数据填补方法及系统 |
-
2022
- 2022-01-29 CN CN202210112194.9A patent/CN114462701A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116562176A (zh) * | 2023-07-11 | 2023-08-08 | 成都理工大学 | 一种基于耦合神经网络与水文物理模型的径流模拟方法 |
| CN116562176B (zh) * | 2023-07-11 | 2023-10-03 | 成都理工大学 | 一种基于耦合神经网络与水文物理模型的径流模拟方法 |
| CN117152629A (zh) * | 2023-08-23 | 2023-12-01 | 武汉大学 | 一种流域尺度时变卫星重力空缺数据填补方法及系统 |
| CN117152629B (zh) * | 2023-08-23 | 2024-03-22 | 武汉大学 | 一种流域尺度时变卫星重力空缺数据填补方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gao et al. | Performance of RegCM4 over major river basins in China | |
| Huang et al. | Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation | |
| Rauthe et al. | A Central European precipitation climatology–Part I: Generation and validation of a high-resolution gridded daily data set (HYRAS) | |
| Herman et al. | Objectively determined 10-day African rainfall estimates created for famine early warning systems | |
| Hagemann et al. | On the determination of atmospheric water vapor from GPS measurements | |
| Chen et al. | Seasonal global water mass budget and mean sea level variations | |
| Sneeuw et al. | Estimating runoff using hydro-geodetic approaches | |
| Zhang et al. | Integration of MODIS data into a simple model for the spatial distributed simulation of soil water content and evapotranspiration | |
| Marek et al. | Post-processing techniques for reducing errors in weighing lysimeter evapotranspiration (ET) datasets | |
| Chen et al. | A data-model fusion approach for upscaling gross ecosystem productivity to the landscape scale based on remote sensing and flux footprint modelling | |
| Ju et al. | Combining an ecological model with remote sensing and GIS techniques to monitor soil water content of croplands with a monsoon climate | |
| Xu et al. | Improving predictions of water and heat fluxes by assimilating MODIS land surface temperature products into the common land model | |
| CN112905560A (zh) | 一种多源时空大数据深度融合的空气污染预测方法 | |
| CN114462701A (zh) | 基于陆地水储量的月尺度陆地植被碳储量计算优化方法 | |
| CN112684520A (zh) | 一种气象预报的订正方法、装置、计算机设备及存储介质 | |
| CN105069295A (zh) | 基于卡尔曼滤波的卫星以及地面降水测量值同化方法 | |
| Simpson et al. | Comparing maps of mean monthly surface temperature and precipitation for Alaska and adjacent areas of Canada produced by two different methods | |
| Ols et al. | Monitoring climate sensitivity shifts in tree-rings of eastern boreal North America using model-data comparison: shifts in tree growth sensivity to climate | |
| Botía et al. | The CO2 record at the Amazon Tall Tower Observatory: A new opportunity to study processes on seasonal and inter‐annual scales | |
| Yao et al. | A novel NIR–red spectral domain evapotranspiration model from the Chinese GF-1 satellite: Application to the Huailai agricultural region of China | |
| Du et al. | Evaluation of MERRA-2 hourly surface solar radiation across China | |
| Wen et al. | Evaluation of MERRA-2 land surface temperature dataset and its application in permafrost mapping over China | |
| Rhee et al. | Estimating drought conditions for regions with limited precipitation data | |
| Booker et al. | Temporal and spatial simulation of production-scale irrigated cotton systems | |
| CN115755103B (zh) | 一种抗差自适应的gnss水汽层析方法 |
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 |