CN115452822A - 基于遥感和农田信息获取稻田甲烷排放通量的方法及装置 - Google Patents
基于遥感和农田信息获取稻田甲烷排放通量的方法及装置 Download PDFInfo
- Publication number
- CN115452822A CN115452822A CN202211015875.XA CN202211015875A CN115452822A CN 115452822 A CN115452822 A CN 115452822A CN 202211015875 A CN202211015875 A CN 202211015875A CN 115452822 A CN115452822 A CN 115452822A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- water
- rice field
- acquiring
- rice
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 131
- 235000009566 rice Nutrition 0.000 title claims abstract description 131
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 88
- 230000004907 flux Effects 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 38
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 131
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 81
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 claims abstract description 42
- 238000011160 research Methods 0.000 claims abstract description 36
- 239000005416 organic matter Substances 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 230000001419 dependent effect Effects 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 16
- 230000000696 methanogenic effect Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 230000002262 irrigation Effects 0.000 claims description 9
- 238000003973 irrigation Methods 0.000 claims description 9
- 230000033116 oxidation-reduction process Effects 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 238000001035 drying Methods 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 229930002875 chlorophyll Natural products 0.000 claims description 3
- 235000019804 chlorophyll Nutrition 0.000 claims description 3
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 3
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 claims description 3
- 238000007599 discharging Methods 0.000 abstract description 7
- 239000000047 product Substances 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000002352 surface water Substances 0.000 description 2
- 238000010792 warming Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004177 carbon cycle Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013214 routine measurement Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Business, Economics & Management (AREA)
- Agronomy & Crop Science (AREA)
- Immunology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Biochemistry (AREA)
- Algebra (AREA)
- Analytical Chemistry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
Abstract
本发明提供基于遥感和农田信息获取稻田甲烷排放通量的方法及装置，在区域尺度上利用遥感影像和农田水分调控措施快速模拟稻田CH4排放量。方法包括：步骤1：利用遥感影像，获取近地表温度Ts；步骤2：利用遥感影像，获取生态系统总初级生产力GPP；步骤3：根据研究区域的外源有机物添加情况，计算外源有机质添加造成的甲烷基质增加量COM，并以此确定水分限制因子f(water)在淹水和排干时的曲线；步骤4：以研究区域水稻生育期内的日CH4排放通量为因变量，以Ts、GPP以及f(water)为自变量，构建稻田CH4排放通量的遥感模型；步骤5：采用已标定的遥感模型，输入自变量参数，得到稻田CH4排放通量。
Description
技术领域
本发明属于环境监测技术领域，具体涉及基于遥感和农田信息获取稻田甲烷排放通量的方法及装置。
背景技术
甲烷(CH4)是一种重要的温室气体。100年尺度上，它的增温效应是二氧化碳的25-34倍。淹水形成的厌氧环境是CH4产生的必要条件。稻田作为一种人工湿地生态系统，其CH4排放量占人类活动造成的CH4排放总量的8％。因此，估算稻田CH4对于理解它在全球碳循环中的贡献以及缓解全球气候变暖具有重要意义。
研究者一般采用静态箱-气象色谱仪法观测稻田CH4排放规律。虽然静态箱-气象色谱仪法价格低廉、操作简单，但是它的测量结果具有时间连续性差、空间代表性低的特点，并且操作过程费时费力。涡度相关法(EC)能够实现自动连续观测，但是仪器昂贵，并且测量范围只有百米左右。因此，无法利用常规方法实现区域尺度上的稻田CH4排放通量的观测。机理模型(如DNDC模型和CH4MOD模型)，通过简化CH4产生、氧化和运输的过程实现了区域尺度上CH4排放通量的模拟。然而，这些模型一般需要大量的输入参数，其中，有些参数由于不在常规测量的范畴所以很难获得；并且，其中一些参数往往需要通过率定得到，所以模型精度很大程度上依赖于实测数据的数量多少和空间分布。因而，虽然这些模型本身结构完备，但是却很难在实际生产中应用开来。所以，迫切需要一种简单、高效且准确的方式实现区域尺度上稻田CH4排放量的估算。
遥感为计算区域尺度的稻田CH4排放量提供了另一种方法。遥感图像方便易得，且其估算区域尺度水、碳循环的能力已经在森林、旱作物、草地，以及内陆湿地水体中得到了广泛的验证。遥感图像能够模拟水稻植株的物候参数，但是目前利用遥感影像估算稻田CH4排放的研究不仅数量稀少，而且存在着时空变异性差、驱动因素过于简单难以有效反映真实情况等问题。
发明内容
本发明是为了解决上述问题而进行的，目的在于提供基于遥感和农田信息获取稻田甲烷排放通量的方法及装置，能够方便、高效且准确地通过采用少量因素获取稻田CH4排放的变化规律，在区域尺度上利用遥感影像和农田水分调控措施快速模拟稻田CH4排放量。
为了实现以上目的，本发明采用了以下方案：
<方法>
本发明提供基于遥感和农田信息获取稻田甲烷排放通量的方法，其特征在于，包括以下步骤：
步骤1：利用遥感影像，获取研究区域的近地表温度Ts；
步骤2：利用遥感影像，获取研究区域的生态系统总初级生产力GPP；
步骤3：根据研究区域的外源有机物添加情况，计算外源有机质添加造成的甲烷基质增加量COM，并结合f(water)在淹水和排干时的曲线以及灌溉排水记录确定f(water)在生育期内的数值；
步骤3-1，根据研究区域稻田外源有机质添加量时空分布数据，获取该区域全生育期的外源有机质添加量COMt，考虑外源有机质转化为产甲烷基质的比例P以及生育期时长S，采用下列公式(3-1)计算外源有机质添加造成的逐日产甲烷基质增加量COM：
步骤3-2，计算水分对甲烷排放的影响系数f(water)随淹水或落干时长的变化；
步骤3-3，根据COM值查找对应的f(water)随淹水或落干时时间变化曲线，结合灌溉排水记录，获取全生育期的f(water)分布；
步骤4：以研究区域水稻生育期内的日CH4排放通量为因变量，以Ts、GPP以及f(water)为自变量，构建稻田CH4排放通量F(CH4)的遥感模型：
式中，a1、a2、a3、a4、a5为待定系数，通过F(CH4)、Ts、GPP、f(water)的已知数据拟合得到各待定系数，从而得到已标定的F(CH4)遥感模型；标定a1、a2、a3、a4、a5的方法可以为回归分析，采用工具可以为IBM SPSS Statistics 26；
步骤5：采用已标定的F(CH4)遥感模型，输入自变量参数，得到稻田CH4排放通量F(CH4)。
优选地，本发明提供的基于遥感和农田信息获取稻田甲烷排放通量的方法，还可以具有这样的特征：在步骤3-2中，首先根据式(3-2)和式(3-3)分别计算氧化还原电位Eh随淹水或排水时长的变化；
淹水状况下：
Eh(t+1)＝Eh(t)-0.16·(0.23+min(1,COM))·(Eh(t)-BEh) (3-2)
排水(落干)状况下：
Eh(t+1)＝0.8512Eh(t)+0.1488×BEh (3-3)
式中，t是淹水或排水后的日期，在公式(3-2)中BEh是淹水期间最小值，在公式(3-3)中BEh是排水期间氧化还原电位最大值；
然后，根据式(3-4)计算f(water)随Eh的变化：
f(water)＝f(Eh)＝exp(-1.7·(150+Eh)/150) (3-4)。
(Eh＝-150when Eh<-150mv)
优选地，本发明提供的基于遥感和农田信息获取稻田甲烷排放通量的方法，还可以具有这样的特征：步骤1包括如下子步骤：
步骤1-1，利用研究站点的具体经纬度，提取水稻生育期内的温度数据；具体为利用ArcGIS软件获取MODIS产品MOD11A2中的数据集中的数据LST，时段为水稻生育期内，数据的时间分辨率为每8天一个；
步骤1-2，利用LST计算地表温度Ts：
Ts＝LST×0.02-273.15 (1)
式中，Ts的单位是℃。
优选地，本发明提供的基于遥感和农田信息获取稻田甲烷排放通量的方法，还可以具有这样的特征：步骤2包括如下子步骤：
步骤2-1，获取研究区域稻田生态系统的光能利用效率εg；
步骤2-2，提取研究区域光合有效辐射中被叶绿素吸收的比例FPAR；
步骤2-3，计算生态系统总初级生产力GPP＝εg×FPAR×PAR；
式中，GPP的单位为μmol/m2s，εg的单位是mol CO2/mol PPFD，FPAR是无量纲量，PAR的单位是μmol PPFD/(m2s)。
优选地，本发明提供的基于遥感和农田信息获取稻田甲烷排放通量的方法，还可以具有这样的特征：
步骤2-1包括如下子步骤：
步骤2-1-1，计算稻田最大光能利用率的温度限制因子Tscalar：
Tscalar＝(LST-LSTmin)(LST-LSTmax)/((LST-LSTmin)(LST-LSTmax)-(LST-LSTopt)2)(2-1)
式中，Tsopt为最适合水稻生长的温度；
步骤2-1-2，利用研究站点的具体经纬度，采用ArcGIS软件获取MODIS产品MOD09A1中的短波红外发射率ρNIR和近红外反射率ρSWIR，时段为水稻生育期内，数据的时间分辨率为每8天一个；
步骤2-1-3，利用公式(2-2)计算陆表水体指数LSWI：
LSWI＝(ρNIR-ρSWIR)/(ρNIR+ρSWIR) (2-2)
步骤2-1-4，利用公式(2-3)计算稻田最大光能利用率的水分限制因子Wscalar：
步骤2-1-5，利用公式(2-4)计算稻田生态系统的光能利用率εg：
εg＝ε0×Tscalar×Wscalar (2-4)
式中，ε0为稻田生态系统最大的光能利用率，可通过查阅文献获得。
优选地，本发明提供的基于遥感和农田信息获取稻田甲烷排放通量的方法，还可以具有这样的特征：
步骤2-2包括如下子步骤：
步骤2-2-1，利用研究站点的具体经纬度，采用ArcGIS软件获取MODIS产品MOD15A2H中的数据集Fpar中的数据Fpar0，时段为水稻生育期内，数据的时间分辨率为每8天一个；
步骤2-2-2，采用公式(2-5)根据Fpar0计算FPAR：
FPAR＝FPAR0/100 (2-5)
式中，FPAR为无量纲量。
优选地，本发明提供的基于遥感和农田信息获取稻田甲烷排放通量的方法，还可以具有这样的特征：
步骤2-3中PAR根据式(2-6)计算：
PAR＝0.45*SW*4.55 (2-6)
式中，SW为短波辐射，来自研究区域高时空分辨率地面气象要素驱动数据，比如，中国区域高时空分辨率地面气象要素驱动数据集(1979-2015年)，单位为W/m2，4.55为能量与光量子通量转换系数(1J＝4.55μmol PPFD)。
优选地，本发明提供的基于遥感和农田信息获取稻田甲烷排放通量的方法，还可以具有这样的特征：在步骤4中，是采用基于步骤1～3得到的稻田CH4排放时序系列、Ts时序系列，GPP时序系列以及f(water)时序系列，代入到公式(4)的稻田CH4排放模型中，进行回归分析，得到各待定常数值。
<装置>
更进一步，本发明还提供基于遥感和农田信息获取稻田甲烷排放通量的装置，其特征在于，包括：
Ts获取部，利用遥感影像，获取研究区域的近地表温度Ts；
GPP获取部，利用遥感影像，计算研究区域的生态系统总初级生产力GPP；
f(water)确定部，根据研究区域的外源有机物添加情况，计算外源有机质添加造成的甲烷基质增加量COM，并以此确定水分限制因子f(water)在淹水和排干时的曲线，具体采用如下方法：
步骤3-1，根据研究区域稻田外源有机质添加量时空分布数据，获取该区域全生育期的外源有机质添加量COMt(g C/m2)，考虑外源有机质转化为产甲烷基质的比例P(取为定值5.32％)以及生育期时长S(天)，采用下列公式(3-1)计算外源有机质添加造成的逐日产甲烷基质增加量COM(g C-CH4/m2d)：
步骤3-2，计算水分对甲烷排放的影响系数f(water)随淹水或落干时长的变化；
步骤3-3，根据COM值查找对应的f(water)随淹水或落干时时间变化曲线，结合农田灌溉排水记录，获取全生育期的f(water)分布；
遥感模型构建部，以研究区域水稻生育期内的日CH4排放通量为因变量，以Ts、GPP以及f(water)为自变量，构建稻田CH4排放通量F(CH4)的遥感模型：
式中，a1、a2、a3、a4、a5为待定系数，通过F(CH4)、Ts、GPP、f(water)数据拟合得到各待定系数，从而得到已标定的F(CH4)遥感模型；
排放通量获取部，采用已标定的F(CH4)遥感模型，输入待求解时段的自变量参数数据，得到待求解时段的稻田CH4排放通量F(CH4)；
控制部，与Ts获取部、GPP获取部、f(water)确定部、遥感模型构建部、排放通量获取部均通信相连，控制它们的运行。
优选地，本发明提供的基于遥感和农田信息获取稻田甲烷排放通量的装置，还可以包括：输入显示部，与控制部通信相连，用于让用户输入操作指令，并进行相应显示。
优选地，本发明提供的基于遥感和农田信息获取稻田甲烷排放通量的装置，还可以包括：在f(water)确定部中，首先根据式(3-2)和式(3-3)分别计算氧化还原电位Eh随淹水或排水时长的变化；
淹水状况下：
Eh(t+1)＝Eh(t)-0.16·(0.23+min(1,COM))·(Eh(t)-BEh) (3-2)
排水状况下：
Eh(t+1)＝0.8512Eh(t)+0.1488×BEh (3-3)
式中，t是淹水或排水后的日期，在公式(3-2)中BEh是淹水期间最小值，在公式(3-3)中BEh是排水期间氧化还原电位最大值；
然后，根据式(3-4)计算f(water)随Eh的变化：
发明的作用与效果
本发明所提供的基于遥感和农田信息获取稻田甲烷排放通量的方法及装置，首先通过遥感影像获取稻田CH4排放的关键因子Ts和GPP在生育期内的变化，然后确定外源有机质添加造成的逐日产甲烷基质COM的增加量，并以此确定淹水或排水条件下水分对甲烷排放的限制因子f(water)在全生育期内的变化规律，最后结合地面实测的CH4排放通量，标定模型中的待定常数，最终得到可以快速获取稻田CH4排放动态变化规律的模型。本发明可以利用公共的遥感影像和农田灌溉措施，采用少量参数，实现稻田CH4排放规律的模拟，可以在区域尺度上快速准确模拟稻田CH4排放量。
附图说明
图1为本发明涉及的基于遥感和农田信息获取稻田甲烷排放通量的方法的流程图；
图2为本发明实施例涉及的2018～2020年晚稻稻田CH4通量时序系列；
图3为本发明实施例涉及的2018～2020年晚稻稻田Ts时序系列；
图4为本发明实施例涉及的2018～2020年晚稻稻田Tscalar时序系列；
图5为本发明实施例涉及的2018～2020年晚稻稻田ρNIR和ρSWIR时序系列；
图6为本发明实施例涉及的2018～2020年晚稻稻田LSWI和Wscalar时序系列；
图7为本发明实施例涉及的2018～2020年晚稻稻田εg时序系列；
图8为本发明实施例涉及的2018～2020年晚稻稻田FPAR时序系列；
图9为本发明实施例涉及的2018～2020年晚稻稻田GPP时序系列；
图10为本发明实施例涉及的不同COM下的f(water)图；
图11为本发明实施例涉及的全生育期f(water)变化图；
图12为本发明实施例涉及的率定期(2018-2019年)模拟和实测的晚稻稻田CH4通量时序系列；
图13为本发明实施例涉及的验证期(2020年)模拟和实测的晚稻稻田CH4通量时序系列。
具体实施方式
以下结合附图对本发明涉及的基于遥感和农田信息获取稻田甲烷排放通量的方法及装置的具体实施方案进行详细地说明。
<实施例>
本实施例中，在江西省南昌市向塘镇高田村一位农民的田里进行研究，该田块实行双季早晚稻种植模式，本实施例仅针对2018-2020年间的晚稻。实测数据采用LI-7700开路式CH4通量观测仪测量，安装位置为28°26′45″N，116°00′20″E。实施例中各公式序号均按顺序重新编号。
如图1所示，本实施例中，基于遥感和农田信息获取稻田甲烷排放通量的方法包括如下步骤：
步骤1：在研究区域安装仪器收集CH4排放数据。采用Eddypro软件对收集到的数据进行分析处理。仪器观测的原始时间分辨率为每30分钟，确定研究的时间尺度为水稻生育期内日尺度，利用Excel将时间分辨率为30分钟的数据整理成逐日的形式，由于遥感图像的时间分辨率为每8天一个数据，所以选择遥感图像获取当日的CH4排放数据构建模型。2018和2019年晚稻期间的数据用于率定模型参数，2020年晚稻期间的数据用于验证模型效果。2018-2020年晚稻稻田CH4通量时序系列如图2所示。
利用遥感影像，提取研究区域的近地表温度Ts。
本实施例中，Ts下载自美国地质调查局(https://www.usgs.gov/)，研究区域对应的条带号是h28v06。图像的时间分辨率为每8天1次，空间分辨率为500m。
利用ArcGIS软件获取MODIS产品MOD11A2中的数据集中的数据LST，该遥感图像的时间分辨率为每8天一次，空间分辨率为1km。利用公式(1)基于LST计算Ts：
Ts＝LST×0.02-273.15(1)
式中，Ts的单位是℃。水稻生育期内每8天的Ts时序结果如图3。
步骤2：利用遥感影像，获取研究区域的生态系统总初级生产力GPP。
步骤2-1，计算稻田生态系统的光能利用效率εg。具体操作如下：
步骤2-1-1，利用公式(2)计算稻田最大光能利用率的温度限制因子Tscalar:
Tscalar＝(LST-LSTmin)(LST-LSTmax)/((LST-LSTmin)(LST-LSTmax)-(LST-LSTopt)2)(2)
式中，Ts为最适合水稻生长的温度，Tsmin,Tsmin和Tsopt分别为该区域水稻生长的最小、最大和最适宜温度，本实施例中分别取为3℃、42℃和16℃。水稻生育期内每8天的Tscalar时序结果如图4。
步骤2-1-2，利用ArcGIS 10.2软件获取MODIS产品MOD09A1中的短波红外发射率ρNIR和近红外反射率ρSWIR，时段为水稻生育期内，数据的时间分辨率为每8天一个，空间分辨率为500m；
步骤2-1-3，根据公式(3)计算陆表水体指数LSWI：
LSWI＝(ρNIR-ρSWIR)/(ρNIR+ρSWIR) (3)
步骤2-1-4，根据公式(4)计算稻田最大光能利用率的水分限制因子Wscalar：
水稻生育期内每8天的ρNIR和ρSWIR时序系列如图5所示，每8天的LSWI和Wscalar时序结果如图6所示。
步骤2-1-5，根据公式(5)计算稻田生态系统的光能利用率εg：
εg＝ε0×Tscalar×Wscalar (5)
式中，ε0为稻田生态系统最大的光能利用率，本实施例中根据文献取为0.6molCO2/mol PPFD。2018-2020年晚稻稻田εg时序系列如图7所示。
步骤2-2，提取研究区域的光合有效辐射中被叶绿素吸收的比例FPAR。本实施例中，步骤2-2具体包括如下操作：
步骤2-2-1，利用研究站点的具体经纬度，采用ArcGIS软件获取MODIS产品MOD15A2H中的数据集Fpar中的数据Fpar0，该遥感图像的时间分辨率为每8天一个，空间分辨率为500米；
步骤2-2-2，根据公式(6)利用Fpar0计算地表温度FPAR：
FPAR＝FPAR0/100 (6)
式中，FPAR为无量纲量。2018-2020年晚稻稻田FPAR时序系列如图8所示。
步骤2-3，由步骤2-1得到的εg，步骤2-2得到的FPAR及站点实测的光合有效辐射PAR计算GPP：
GPP＝εg×FPAR×PAR (7)
式中，GPP的单位为μmol/m2s，εg的单位是mol CO2/mol PPFD，FPAR是无量纲量，PAR的单位是μmol PPFD/(m2s)根据式(8)计算。2018-2020年晚稻稻田GPP时序系列如图9所示。
PAR＝0.45*SW*4.55 (8)
式中，SW为短波辐射，来自中国区域高时空分辨率地面气象要素驱动数据集(1979-2015年)，单位为W/m2，4.55为能量与光量子通量转换系数(1J＝4.55μmol PPFD)。
步骤3，根据研究区域的外源有机物添加情况，计算外源有机质添加造成的甲烷基质增加量COM，并以此确定水分限制因子f(water)在淹水和排水时的曲线，步骤6具体操作如下：
步骤3-1，根据查找中国稻田外源有机质添加量时空分布图，获取该区域全生育期的外源有机质添加量COMt(g C/m2)，结合外源有机质转化为产甲烷基质的比例P(取为定值5.32％)以及生育期时长S(天)，根据公式(9)计算外源有机质添加造成的逐日产甲烷基质增加量COM(g C-CH4/m2d)：
步骤3-2，计算水分对甲烷排放的影响系数f(water)随淹水或落干时长的变化，步骤3-2还包括如下步骤：
步骤3-2-1，根据式(10)～(11)计算氧化还原电位Eh随淹水或排水时长的变化；淹水状况下，采用公式(10)：
Eh(t+1)＝Eh(t)-0.16·(0.23+min(1,COM))·(Eh(t)-BEh) (10)
排水状况下，采用公式(11)：
Eh(t+1)＝0.8512Eh(t)+0.1488×BEh (11)
式中，t是淹水或排水后的日期；BEh是氧化还原电位最大值(排水期间)和最小值(淹水期间)，本实施例中分别为300mv和-250mv。
步骤3-2-2，根据式(12)计算f(water)随Eh的变化，得到不同COM下淹水和排水过程中f(water)随时间变化的曲线，如图10所示
f(water)＝f(Eh)＝exp(-1.7·(150+Eh)/150) (12)
(Eh＝-150when Eh<-150mv)
步骤3-3，根据COM值查找对应的f(water)随淹水或落干时时间变化曲线，结合农田灌溉排水记录，获取全生育期的f(water)分布，如图11所示。
步骤4，率定得到基于MODIS影像获取稻田CH4排放通量模型中待定常数的具体数值，并且评价模型在率定期的表现，具体操作如下：
将步骤1得到的2018和2019年稻田CH4排放时序系列、2018年和2019年Ts时序系列，步骤2得到的2018年和2019年GPP时序系列以及步骤3得到的f(water)时序系列，代入到公式(13)的稻田CH4排放模型中：
带入的F(CH4)为实测的CH4排放通量，通过在待研究灌区设置的涡度仪实测得到。Ts和GPP的获取时间和频率一致，均为每8天一次。实测的F(CH4)数据采用Ts和GPP获取时间当日的数据，获取的稻田CH4排放通量为每8天一次。
在IBM SPSS Statistics 26平台进行回归分析，得到模型中待定常数a1、a2、a3、a4、a5具体数值，分别为0.028，97.860，0.347，487.917，-252.900。模型在率定期模拟值与实测值如图12所示。
采用决定系数(R2)和均方根误差(RMSE)评价模型在率定期的表现。率定期的R2为0.87，RMSE为41.21mg C/m2d，可见，模型在率定期的精度较高。
步骤5，评价模型在验证期的表现，具体操作如下：
根据步骤4得到的模型参数，以及步骤1计算的2020年Ts的时序系列、步骤2计算的2020年GPP的时序系列和步骤3得到的2020年f(water)时序系列，计算基于该模型预测2020年晚稻期间的稻田CH4排放量，并与实测值对比。模型在验证期的模拟值与实测值如图13所示。
模型在验证期的R2为0.85，RMSE为42.76mg C/m2d，可见模型精度符合要求。由步骤7得到的模型能够用于预测模拟获取稻田生态系统中日尺度的CH4排放通量。
进一步，本实施例还提供了能够自动实现上述方法的装置，该装置包括Ts获取部、GPP获取部、f(water)确定部、遥感模型构建部、排放通量获取部、输入显示部以及控制部。
Ts获取部根据上文步骤1获取研究区域的近地表温度Ts。
GPP获取部根据上文步骤2计算研究区域的生态系统总初级生产力GPP。
f(water)确定部根据上文步骤3确定水分限制因子f(water)在生育期内的分布。
遥感模型构建部根据上文步骤4以研究区域水稻生育期内的日CH4排放通量为因变量，以Ts、GPP以及f(water)为自变量，构建和标定稻田CH4排放通量F(CH4)的遥感模型。
排放通量获取部根据上文步骤5采用已标定的F(CH4)遥感模型，输入待求解时段的自变量参数数据，得到待求解时段的稻田CH4排放通量F(CH4)。
输入显示部用于让用户输入操作指令，并进行相应显示，例如，显示各部的输入、输出和中间运行数据。
控制部与Ts获取部、GPP获取部、f(water)确定部、遥感模型构建部、排放通量获取部、输入显示部均通信相连，控制它们的运行。
以上实施例仅仅是对本发明技术方案所做的举例说明。本发明所涉及的基于遥感和农田信息获取稻田甲烷排放通量的方法及装置并不仅仅限定于在以上实施例中所描述的内容，而是以权利要求所限定的范围为准。本发明所属领域技术人员在该实施例的基础上所做的任何修改或补充或等效替换，都在本发明的权利要求所要求保护的范围内。
Claims (10)
1.基于遥感和农田信息获取稻田甲烷排放通量的方法，其特征在于，包括以下步骤：
步骤1：利用遥感影像，获取研究区域的近地表温度Ts；
步骤2：利用遥感影像，获取研究区域的生态系统总初级生产力GPP；
步骤3：根据研究区域的外源有机物添加情况，计算外源有机质添加造成的甲烷基质增加量COM，并结合f(water)在淹水和排干时的曲线以及灌溉排水记录确定f(water)在生育期内的分布；
步骤3-1，根据研究区域稻田外源有机质添加量时空分布数据，获取该区域全生育期的外源有机质添加量COMt，考虑外源有机质转化为产甲烷基质的比例P以及生育期时长S，采用下列公式(3-1)计算外源有机质添加造成的逐日产甲烷基质增加量COM：
步骤3-2，计算水分对甲烷排放的影响系数f(water)随淹水或落干时长的变化；
步骤3-3，根据COM值查找对应的f(water)随淹水或落干时时间变化曲线，结合灌溉排水记录，获取全生育期的f(water)分布；
步骤4：以研究区域水稻生育期内的日CH4排放通量为因变量，以Ts、GPP以及f(water)为自变量，构建稻田CH4排放通量F(CH4)的遥感模型：
式中，a1、a2、a3、a4、a5为待定常数，通过F(CH4)、Ts、GPP、f(water)的已知数据拟合得到各待定系数，从而得到已标定的F(CH4)遥感模型；
步骤5：采用已标定的F(CH4)遥感模型，输入自变量参数，得到稻田CH4排放通量F(CH4)。
2.根据权利要求1所述的基于遥感和农田信息获取稻田甲烷排放通量的方法，其特征在于：
其中，在步骤3-2中，首先根据式(3-2)和式(3-3)分别计算氧化还原电位Eh随淹水或排水时长的变化；
淹水状况下：
Eh(t+1)＝Eh(t)-0.16·(0.23+min(1,COM))·(Eh(t)-BEh) (3-2)
排水状况下：
Eh(t+1)＝0.8512Eh(t)+0.1488×BEh (3-3)
式中，t是淹水或排水后的日期，在公式(3-2)中BEh是淹水期间最小值，在公式(3-3)中BEh是排水期间氧化还原电位最大值；
然后，根据式(3-4)计算f(water)随Eh的变化：
f(water)＝f(Eh)＝exp(-1.7·(150+Eh)/150) (3-4)。
(Eh＝-150when Eh<-150mv)。
3.根据权利要求1所述的基于遥感和农田信息获取稻田甲烷排放通量的方法，其特征在于：
其中，步骤1包括如下子步骤：
步骤1-1，利用研究站点的具体经纬度，提取水稻生育期内的温度数据；
步骤1-2，利用LST计算地表温度Ts：
Ts＝LST×0.02-273.15 (1)。
4.根据权利要求1所述的基于遥感和农田信息获取稻田甲烷排放通量的方法，其特征在于：
其中，步骤2包括如下子步骤：
步骤2-1，获取研究区域稻田生态系统的光能利用效率εg；
步骤2-2，提取研究区域光合有效辐射中被叶绿素吸收的比例FPAR；
步骤2-3，计算生态系统总初级生产力GPP＝εg×FPAR×PAR。
5.根据权利要求1所述的基于遥感和农田信息获取稻田甲烷排放通量的方法，其特征在于：
其中，步骤2-1包括如下子步骤：
步骤2-1-1，计算稻田最大光能利用率的温度限制因子Tscalar：
Tscalar＝(LST-LSTmin)(LST-LSTmax)/((LST-LSTmin)(LST-LSTmax)-(LST-LSTopt)2) (2-1)
式中，Tsopt为最适合水稻生长的温度；
步骤2-1-2，利用研究站点的具体经纬度，采用ArcGIS软件获取MODIS产品MOD09A1中的短波红外发射率ρNIR和近红外反射率ρSWIR，时段为水稻生育期内，数据的时间分辨率为每8天一个；
步骤2-1-3，利用公式(2-2)计算陆表水体指数LSWI：
LSWI＝(ρNIR-ρSWIR)/(ρNIR+ρSWIR) (2-2)
步骤2-1-4，利用公式(2-3)计算稻田最大光能利用率的水分限制因子Wscalar:
步骤2-1-5，利用公式(2-4)计算稻田生态系统的光能利用率εg：
εg＝ε0×Tscalar×Wscalar (2-4)
式中，ε0为稻田生态系统最大的光能利用率。
6.根据权利要求1所述的基于遥感和农田信息获取稻田甲烷排放通量的方法，其特征在于：
其中，步骤2-2包括如下子步骤：
步骤2-2-1，利用研究站点的具体经纬度，采用ArcGIS软件获取MODIS产品MOD15A2H中的数据集Fpar中的数据Fpar0，时段为水稻生育期内，数据的时间分辨率为每8天一个；
步骤2-2-2，采用公式(2-5)根据Fpar0计算FPAR：
FPAR＝FPAR0/100 (2-5)。
7.根据权利要求1所述的基于遥感和农田信息获取稻田甲烷排放通量的方法，其特征在于：
其中，步骤2-3中PAR根据式(2-6)计算：
PAR＝0.45*SW*4.55 (2-6)
式中，SW为短波辐射，来自研究区域高时空分辨率地面气象要素驱动数据。
8.根据权利要求1所述的基于遥感和农田信息获取稻田甲烷排放通量的方法，其特征在于：
其中，在步骤4中，是采用基于步骤1～3得到的稻田CH4排放时序系列、Ts时序系列，GPP时序系列以及f(water)时序系列，代入到公式(4)的稻田CH4排放模型中，进行回归分析，得到各待定常数值。
9.基于遥感和农田信息获取稻田甲烷排放通量的装置，其特征在于，包括：
Ts获取部，利用遥感影像，获取研究区域的近地表温度Ts；
GPP获取部，利用遥感影像，计算研究区域的生态系统总初级生产力GPP；
f(water)确定部，根据研究区域的外源有机物添加情况，计算外源有机质添加造成的甲烷基质增加量COM，并以此确定水分限制因子f(water)在淹水和排干时的曲线，具体采用如下方法：
步骤3-1，根据研究区域稻田外源有机质添加量时空分布数据，获取该区域全生育期的外源有机质添加量COMt，考虑外源有机质转化为产甲烷基质的比例P以及生育期时长S，采用下列公式(3-1)计算外源有机质添加造成的逐日产甲烷基质增加量COM：
步骤3-2，计算水分对甲烷排放的影响系数f(water)随淹水或落干时长的变化曲线；
步骤3-3，根据COM值查找对应的f(water)随淹水或落干时时间变化曲线，结合农田灌溉排水记录，获取全生育期的f(water)分布；
遥感模型构建部，以研究区域水稻生育期内的日CH4排放通量为因变量，以Ts、GPP以及f(water)为自变量，构建稻田CH4排放通量F(CH4)的遥感模型：
式中，a1、a2、a3、a4、a5为待定系数，通过F(CH4)、Ts、GPP、f(water)数据拟合得到各待定系数，从而得到已标定的F(CH4)遥感模型；
排放通量获取部，采用已标定的F(CH4)遥感模型，输入待求解时段的自变量参数，得到待求解时段的稻田CH4排放通量F(CH4)；
控制部，与所述Ts获取部、所述GPP获取部、所述f(water)确定部、所述遥感模型构建部、所述排放通量获取部均通信相连，控制它们的运行。
10.根据权利要求9所述的基于遥感和农田信息获取稻田甲烷排放通量的装置，其特征在于，还包括：
输入显示部，与所述控制部通信相连，用于让用户输入操作指令，并进行相应显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211015875.XA CN115452822B (zh) | 2022-08-24 | 2022-08-24 | 基于遥感和农田信息获取稻田甲烷排放通量的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211015875.XA CN115452822B (zh) | 2022-08-24 | 2022-08-24 | 基于遥感和农田信息获取稻田甲烷排放通量的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115452822A true CN115452822A (zh) | 2022-12-09 |
| CN115452822B CN115452822B (zh) | 2024-04-09 |
Family
ID=84297833
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211015875.XA Active CN115452822B (zh) | 2022-08-24 | 2022-08-24 | 基于遥感和农田信息获取稻田甲烷排放通量的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115452822B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116189813A (zh) * | 2023-04-18 | 2023-05-30 | 南京大学 | 一种基于卫星大气甲烷浓度估算稻田甲烷排放通量的方法 |
| CN117153291A (zh) * | 2023-10-31 | 2023-12-01 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种灌区稻田碳汇价值计算方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010088657A2 (en) * | 2009-02-02 | 2010-08-05 | Planetary Emissions Management | System of systems for monitoring greenhouse gas fluxes |
| KR101361653B1 (ko) * | 2012-10-19 | 2014-02-12 | 한국표준과학연구원 | 벼재배 메탄 배출량의 불확도 평가 방법 |
| CN106600434A (zh) * | 2016-10-18 | 2017-04-26 | 河南省农业科学院农业经济与信息研究所 | 基于作物模型与同化技术的作物长势遥感监测方法 |
| CN112270293A (zh) * | 2020-11-12 | 2021-01-26 | 扬州大学 | 一种逐日稻田ch4通量的遥感估算方法 |
| CN113869143A (zh) * | 2021-09-09 | 2021-12-31 | 武汉大学 | 一种基于高光谱成像仪快速识别并提取甲烷点源的方法 |
| CA3201930A1 (en) * | 2020-12-09 | 2022-06-16 | Bruno BASSO | Reduction of nitrogen greenhouse gas emissions in agroecosystems for precision conservation |
-
2022
- 2022-08-24 CN CN202211015875.XA patent/CN115452822B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010088657A2 (en) * | 2009-02-02 | 2010-08-05 | Planetary Emissions Management | System of systems for monitoring greenhouse gas fluxes |
| KR101361653B1 (ko) * | 2012-10-19 | 2014-02-12 | 한국표준과학연구원 | 벼재배 메탄 배출량의 불확도 평가 방법 |
| CN106600434A (zh) * | 2016-10-18 | 2017-04-26 | 河南省农业科学院农业经济与信息研究所 | 基于作物模型与同化技术的作物长势遥感监测方法 |
| CN112270293A (zh) * | 2020-11-12 | 2021-01-26 | 扬州大学 | 一种逐日稻田ch4通量的遥感估算方法 |
| CA3201930A1 (en) * | 2020-12-09 | 2022-06-16 | Bruno BASSO | Reduction of nitrogen greenhouse gas emissions in agroecosystems for precision conservation |
| CN113869143A (zh) * | 2021-09-09 | 2021-12-31 | 武汉大学 | 一种基于高光谱成像仪快速识别并提取甲烷点源的方法 |
Non-Patent Citations (5)
| Title |
|---|
| H. MOULAI;: "Dissolved gases analysis in relation to the energy of electrical discharges in mineral oil", IEEE TRANSACTIONS ON DIELECTRICS AND ELECTRICAL INSULATION, vol. 19, no. 2, 30 April 2012 (2012-04-30), XP011447858, DOI: 10.1109/TDEI.2012.6180243 * |
| 彭世彰;侯会静;徐俊增;杨士红;茆智;: "稻田CH_4和N_2O综合排放对控制灌溉的响应", 农业工程学报, no. 13, 1 July 2012 (2012-07-01) * |
| 彭锃琳: "水肥管理对鄱阳湖流域稻田温室气体排放的影响", 农业工程学报, vol. 36, no. 16, 31 August 2020 (2020-08-31) * |
| 时元智 等: "鄱阳湖平原直播稻 CH 42合综的量通OC 与其及量通 温室效应", 环境科学, vol. 44, no. 3, 31 March 2023 (2023-03-31) * |
| 蒋静艳: "农田土壤甲烷和氧化亚氮排放的研究", CNKI硕士学位论文电子期刊, 15 June 2002 (2002-06-15) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116189813A (zh) * | 2023-04-18 | 2023-05-30 | 南京大学 | 一种基于卫星大气甲烷浓度估算稻田甲烷排放通量的方法 |
| CN117153291A (zh) * | 2023-10-31 | 2023-12-01 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种灌区稻田碳汇价值计算方法及系统 |
| CN117153291B (zh) * | 2023-10-31 | 2024-01-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种灌区稻田碳汇价值计算方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115452822B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Novick et al. | The AmeriFlux network: A coalition of the willing | |
| Dutta et al. | Model development in DNDC for the prediction of evapotranspiration and water use in temperate field cropping systems | |
| CN115452822B (zh) | 基于遥感和农田信息获取稻田甲烷排放通量的方法及装置 | |
| Vargas et al. | Looking deeper into the soil: biophysical controls and seasonal lags of soil CO2 production and efflux | |
| Gao et al. | A MODIS-based Photosynthetic Capacity Model to estimate gross primary production in Northern China and the Tibetan Plateau | |
| Wu et al. | The potential of the satellite derived green chlorophyll index for estimating midday light use efficiency in maize, coniferous forest and grassland | |
| Chen et al. | Model analysis of grazing effect on above-ground biomass and above-ground net primary production of a Mongolian grassland ecosystem | |
| Wang | Simulation of evapotranspiration and its response to plant water and CO2 transfer dynamics | |
| Zhou et al. | Modeling winter wheat phenology and carbon dioxide fluxes at the ecosystem scale based on digital photography and eddy covariance data | |
| Balasubramanian et al. | Evaluation of DeNitrification DeComposition model for estimating ammonia fluxes from chemical fertilizer application | |
| CN111160680A (zh) | 一种基于信息同化融合的农业干旱评估方法 | |
| Wang et al. | Solar-induced chlorophyll fluorescence as an indicator for determining the end date of the vegetation growing season | |
| Siebers et al. | Emerging approaches to measure photosynthesis from the leaf to the ecosystem | |
| Lees et al. | Assessing the reliability of peatland GPP measurements by remote sensing: From plot to landscape scale | |
| Chen et al. | An enhanced shuttleworth-wallace model for simulation of evapotranspiration and its components | |
| Wang et al. | Making sense of cosmic-ray soil moisture measurements and eddy covariance data with regard to crop water use and field water balance | |
| Rossi et al. | Sentinel-2 estimation of CNC and LAI in rice cropping system through hybrid approach modelling | |
| Li et al. | Simulation of soil nitrogen storage of the typical steppe with the DNDC model: A case study in Inner Mongolia, China | |
| Jiang et al. | A GPP assimilation model for the southeastern Tibetan Plateau based on CO2 eddy covariance flux tower and remote sensing data | |
| Cheng et al. | Improving soil available nutrient estimation by integrating modified WOFOST model and time-series earth observations | |
| Xiao et al. | Evaluation of SHAW model in simulating energy balance, leaf temperature, and micrometeorological variables within a maize canopy | |
| Xiao et al. | A Novel Measurement Method of the Emission Rules of Greenhouse Gases from Fertilized Soil Based on Fourier Transform Infrared Spectrometry with Long Optical Path | |
| Anderson et al. | Future directions for critical zone observatory (CZO) science | |
| Zou et al. | Modeling net ecosystem exchange of CO2 with gated recurrent unit neural networks | |
| Mukherjee et al. | Development of a micrometeorological model for the estimation of methane flux from paddy fields: Validation with standard direct measurements |
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 |