CN116306265A - 一种基于水碳耦合方法的全球地表蒸散发估算方法 - Google Patents
一种基于水碳耦合方法的全球地表蒸散发估算方法 Download PDFInfo
- Publication number
- CN116306265A CN116306265A CN202310180404.2A CN202310180404A CN116306265A CN 116306265 A CN116306265 A CN 116306265A CN 202310180404 A CN202310180404 A CN 202310180404A CN 116306265 A CN116306265 A CN 116306265A
- Authority
- CN
- China
- Prior art keywords
- evapotranspiration
- parameters
- global
- data
- water
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 29
- 238000010168 coupling process Methods 0.000 title claims abstract description 27
- 230000008020 evaporation Effects 0.000 claims abstract description 41
- 238000001704 evaporation Methods 0.000 claims abstract description 41
- 230000004907 flux Effects 0.000 claims abstract description 38
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 18
- 230000008878 coupling Effects 0.000 claims abstract description 10
- 238000005859 coupling reaction Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 241000196324 Embryophyta Species 0.000 claims description 46
- 229930002875 chlorophyll Natural products 0.000 claims description 31
- 235000019804 chlorophyll Nutrition 0.000 claims description 31
- 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 31
- 230000006870 function Effects 0.000 claims description 18
- 230000005068 transpiration Effects 0.000 claims description 16
- 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 description 14
- 239000002689 soil Substances 0.000 claims description 12
- 230000007812 deficiency Effects 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000001556 precipitation Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000001506 fluorescence spectroscopy Methods 0.000 claims description 8
- 102100039068 Interleukin-10 Human genes 0.000 claims description 6
- 108090000174 Interleukin-10 Proteins 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- 230000029553 photosynthesis Effects 0.000 claims description 5
- 238000010672 photosynthesis Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 229920006395 saturated elastomer Polymers 0.000 claims description 4
- 238000007740 vapor deposition Methods 0.000 claims description 4
- 230000008033 biological extinction Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000012887 quadratic function Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 241000218631 Coniferophyta Species 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 239000000758 substrate Substances 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 230000035772 mutation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000031018 biological processes and functions Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 108700003861 Dominant Genes Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的一种基于水碳耦合方法的全球地表蒸散发估算方法包括以下步骤：首先搜集预处理地面通量站数据、全球SIF数据、叶面积指数数据以及再分析气象数据集；再基于水碳耦合原理相关的植物生理学公式，建立地表蒸散发与SIF之间的关系式；然后，通过将站点尺度数据输入至模型中，并优化得到站点内蒸散发估算参数；随后，通过环境变量、站点蒸散发估算参数和两种不同回归模型，计算全球蒸散发参数；最后，将全球气象再分析产品、全球SIF与全球蒸散发估算参数代入到模型中，得到全球地表蒸散发。估算的全球地表蒸散发产品可为流域水文模拟和水资源规划提供重要且可操作性强的参考依据。
Description
技术领域
本发明涉及遥感蒸散发估算领域，涉及一种基于水碳耦合方法的全球地表蒸散发估算方法。
背景技术
地表蒸散发是全球和区域水循环的重要组分，是能将水循环、能量循环与碳循环连接起来的关键要素。准确估算地表蒸散发对理解水碳循环和能量平衡至关重要。当前，大尺度蒸散发估算模型依赖气象数据和植被物候的遥感产品，但是这些蒸散发模型难以准确表示受生物过程调节的生态因素。因此，当前蒸散发模型的改进重点主要聚焦于对蒸散发过程中生物过程的参数化表征。
近年来，日光诱导叶绿素荧光(SIF)作为植被光合作用的理想探针，在估算蒸散发方面具有很大的潜力，可以刻画蒸散发的重要组成部分——植物蒸腾量。随着卫星遥测和机器学习技术的快速发展，基于遥感重构的叶绿素荧光产品具有较高的时空精度。这类重构数据的出现，补足了目前地面观测叶绿素荧光数据不足的缺陷，开始被广泛应用于全球生态学和水文学领域。
目前，叶绿素荧光与地表蒸散发之间的内在物理联系仍然不清，现有研究普遍存在以下问题：(1)对叶绿素荧光与地表蒸散发的处理经验化；(2)基于叶绿素荧光的蒸散发估算需要依靠大量植物生理学参数，且参数过多，部分参数无法在大尺度上获取，需要引入额外的假设条件，可能会引入较大的不确定性。总体而言，现有研究未能充分融合遥感数据与物理机制估计地表蒸散发。
发明内容
本发明要解决的技术问题在于，针对现有技术中的缺陷，提供一种基于水碳耦合方法的全球地表蒸散发估算方法。
本发明解决其技术问题所采用的技术方案是：
一种基于水碳耦合方法的全球地表蒸散发估算方法，该方法包括以下步骤：
步骤1、搜集地面通量观测数据、气象再分析数据、MODIS地表叶面积指数LAI数据以及全球重建日光诱导叶绿素荧光数据；
步骤2、在站点尺度构建叶绿素荧光与蒸散发的函数关系；
步骤3、在各通量站中对叶绿素荧光与蒸散发之间的关系进行参数率定，求得各通量站下蒸散发的估算参数；
步骤4、构建不同植被气象要素与蒸散发估算参数的函数关系，构建蒸散发估算参数的空间分布数据库；
步骤5、将获取的叶绿素荧光、全球气象数据以及全球蒸散发估算参数代入至步骤2构建的模型中，进行地表蒸散发的估算。
进一步地，所述步骤1包括如下子步骤：
步骤1.1、基于ERA5-Land小时尺度气象再分析数据，提取某一时间分辨率的露点温度Td、气温Ta、饱和水汽压亏缺VPD、相对湿度RH、年均气温MAT、年均降水MAP以及净辐射Rn，同时将上述数据的空间分辨率通过空间插值进行统一；
步骤1.2、基于现有年均降水以及年均潜在蒸散发数据计算干旱指数DI；
步骤1.3、获取陆地通量网数据，筛选出具有至少连续两年有效观测的站点，并提取与步骤1.1相同时间分辨率的站点饱和水汽压亏缺VPD、CO2浓度Ca、气温Ta和站点蒸发潜热ET数据；
步骤1.4、从MODIS数据集中获取地表叶面积指数LAI数据，并将空间分辨率转化为与步骤1.1中相同的空间分辨率；
步骤1.5、获取一定时间段全球重建SIF数据CSIF，并与陆地通量网数据站点进行匹配，得到站点尺度CSIF的时间序列。
进一步地，步骤2的具体方法为：
步骤2.1.根据双源地表蒸散发模型，地表蒸散发可以被分成两个部分：土壤蒸发以及植被蒸腾；由此，地表蒸散发可以被表示为：
ET＝Tr+Es
其中，Es为土壤蒸发，Tr为植被蒸腾，ET为地表蒸散发；
步骤2.2.基于水碳耦合原理建立植被蒸腾Tr与叶绿素荧光SIF的关系；
步骤2.3.构建VPD和Ta对蒸散发的控制函数fVPD和fTa来计算土壤蒸发，其中fVPD和fTa均为二次函数；
步骤2.4.将步骤2.2和步骤2.3中计算得到的植被蒸腾和土壤蒸发相加得到地表蒸散发。
进一步地，GPP与SIF关系可用以下方程表达描述：
GPP＝αSIF+β
从Fick定律角度出发，冠层尺度GPP可以用以下方程描述，
GPP＝gc×(Ca-Ci)
根据水碳耦合理论，H2O分子流出植物气孔与CO2公用通道，因此可以根据Fick定律描述蒸腾：
Tr＝gh×(qi-qa)
qi-qa可用以下公式表征：qi-qa＝VPD/Pa
通过以上方程，可求得植被蒸腾量：
根据最优气孔导度理论，
统一量纲后，蒸腾可表达为：
式中：Γ为光合作用补偿点，由以下方程确定，
因此，
其中，α和β为方程参数，gc为植被对CO2的导度，Ca与Ci分别为大气和植物气孔内部的CO2浓度，gh为植物气孔对H2O分子的导度，且存在gc＝gh/1.6；qi为植物叶片内H2O浓度，qa为大气内H2O浓度，Pa为大气压强；，λcf为边际水分利用效率，为常数；O2为叶内部O2分压。
进一步地，土壤蒸发采用以下公式计算，
式中：Δ为饱和水汽压曲线的斜率，γ为干湿表常数，kA为消光系数，其值等于0.6，Rh为相对湿度，LAI为叶面积指数，Rn为地表净辐射，G为地表热通量；fVPD和fTa为VPD和Ta对蒸散发的控制函数，其表达式如下：
fVPD＝1-m(VPD-VPD0)2
fTa＝1-n(Ta-Ta0)2
式中：VPD0和Ta0分别为函数参数，代表最优饱和水汽压亏缺与最优空气温度，m和n为方程的形状参数，采用观测数据优化，采用参数的平均值。
进一步地，计算蒸散发可采用下式估算：
进一步地，步骤3的具体方法为：在各通量站中采用遗传算法对叶绿素荧光与蒸散发之间的关系进行参数率定，优化得各通量站下蒸散发的估算参数。
进一步地，步骤4的具体方法为：
利用各通量站下率定求得的参数，进行蒸散发参数计算，针对每种生态系统下上述公式中α与β的取值，根据植物功能型的分类，可以使用IGBP土地利用类型对植物功能型进行分类，从而依据站点的数量多少使用平均值模型和机器学习模型进行参数确定，其中对于封闭灌丛、常绿阔叶林、混合森林、开放灌丛、湿地五种生态系统采用平均值模型进行参数确定；农田、落叶阔叶林、常绿针叶林、草地、草原、多树草原五种生态系统采用平均值模型进行参数确定。
进一步地，(1)平均值模型：采用基于植物功能型的平均值方法，即：
式中：
为参数α或β在第j种植物功能型区域内的第i个通量站的取值，cj为第j种植物功能型下，所有通量站内参数α或β的平均值，δi为误差；
(2)机器学习模型：将参数α或β与不同植物功能型以及该区域环境变量建立回归模型，形式如下：
单独针对每种植物功能型进行率定，其中(nj)T为第j种植物功能型下的回归系数矩阵，Xi为第i个通量站的环境变量，参与回归的三种环境变量为年平均气温MAT、年平均降水MAP、干旱指数DI这三个因素，因此，对于参数重建使用线性方程则为，
α＝a1+a2 MAP+a3 MAT+a4 DI
β＝b1+b2 MAP+b3 MAT+b4 DI
其中a1、a2、a3、a4、b1、b2、b3、b4为回归系数，方程的具体形式，与率定参数的站点数量有关，当站点多于30的情况，采用增强回归树的机器学习方式，使用多层次统计建模方式，将参数分成i组，重建参数与环境变量之间的非线性关系，
式中：N(.)表示正态分布，μα与μβ分别两参数的均值，
与/>
为参数的方差，ασβ表示不同组间的相关系数，即在不同层次i上回归系数αi与βi在不同组件的相关系数。
进一步地，所述步骤5的具体方法如下：将获取的叶绿素荧光、全球气象数据以及全球蒸散发估算参数代入至步骤2构建的模型中，进行地表蒸散发的估算，即，
ET＝f(α,β,λcf,SIF,VPD,Pa,Ca,Ta,Rh,Rn,O2,LAI,γ)；
在此公式ET为步骤2所建立的模型，输入包括：参数α和β，常量水分利用效率λcf、大气压强Pa，叶绿素荧光数据SIF，气象变量空气温度Ta、空气相对湿度Rh、饱和水汽压亏缺VPD、净辐射Rn、湿度计常数γ，植物状态变量叶片内O2分压O2、叶面积指数LAI。
本发明产生的有益效果是：本发明的一种基于水碳耦合方法的全球地表蒸散发估算方法：(1)科学合理、贴近工程实际；本发明充分利用日光诱导叶绿素荧光在描述植被光合作用上的优势，规避了对植被生理活动机制的假设，直接通过日光诱导叶绿素荧光数据对地表蒸散发进行估算。(2)估算的区域及全球地表蒸散发产品可为流域水文模拟和水资源规划提供重要且可操作性强的参考依据。
附图说明
图1为本发明方法的具体流程图；
图2为本发明方法所构建的描述SIF与GPP函数关系的全球参数分布的示意图；
图3全球地表蒸散发估算均值的概率密度函数的示意图；
图4地表蒸散发估算均值的全球分布的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明实施例的一种基于叶绿素荧光的地表蒸散发估算方法，首先搜集预处理地面通量站数据、SIF数据、叶面积指数数据以及再分析气象数据集；再基于水碳耦合原理相关的植物生理学公式，构建地表蒸散发与SIF之间的函数式；然后，将站点尺度数据输入至模型中，通过优化得到地面通量站点内蒸散发估算参数；随后，通过环境变量、站点蒸散发估算参数和两种不同回归模型，计算全球蒸散发参数；最后，将气象再分析产品、SIF与蒸散发估算参数代入到模型中，得到地表蒸散发，其具体流程详见图1。
下面通过实施例，并结合附图，对本发明的技术方案做进一步具体说明：
步骤1、搜集地面通量观测数据、气象再分析数据、MODIS地表叶面积指数(LAI)数据以及全球重建日光诱导叶绿素荧光数据；
步骤1.2、基于现有年均降水以及年均潜在蒸散发数据计算干旱指数(DI)。
步骤1.3、获取FLUXNET2015数据和ChinaFLUX数据等地面通量观测数据，筛选出具有足够数据长度的站点，并提取时间分辨率为4天的站点VPD、CO2浓度(Ca)、气温(Ta)和站点蒸发潜热(ET)数据。
步骤1.4、从MODIS数据集中获取地表叶面积指数数据，并将空间分辨率转化为0.05°。
步骤1.5、获取2002-2018年全球重建SIF数据CSIF数据集，并与地面通量观测站点进行匹配，得到站点尺度CSIF的时间序列。
步骤2、在站点尺度构建叶绿素荧光与蒸散发的函数关系；
本发明的步骤2的具体方法为：
本发明基于水碳耦合原理以及SIF与总初级生产力(GPP)的关系构建蒸散发与SIF之间的关系。根据双源地表蒸散发模型，地表蒸散发可以被分成两个部分：土壤蒸发(Es)以及植被蒸腾(Tr)。由此，地表蒸散发可以被表示为：
ET＝Tr+Es (1)
式中：Tr可通过水碳耦合建立与叶绿素荧光的关系。
GPP与SIF关系可用以下方程表达描述：
GPP＝αSIF+ β (2)
式中：α和β为方程参数；从Fick定律角度出发，冠层尺度GPP可以用以下方程描述，
GPP＝gc×(Ca-Ci) (3)
式中：gc为植被对CO2的导度，Ca与Ci分别为大气和植物气孔内部的CO2浓度。
根据水碳耦合理论，H2O分子流出植物气孔与CO2公用通道，因此可以根据Fick定律描述蒸腾：
Tr＝gh×(qi-qa) (4)
式中：gh为植物气孔对H2O分子的导度，且存在gc＝gh/1.6；qi为植物叶片内H2O浓度，qa为大气内H2O浓度。
qi-qa可用以下公式表征：
qi-qa＝VPD/Pa (5)
式中：Pa为大气压强
通过以上方程，可求得植被蒸腾量：
根据最优气孔导度理论，
式中：λcf为边际水分利用效率(常数)，各生态系统下水分利用效率如表1所示。
统一量纲后，蒸腾可表达为：
式中：Γ为光合作用补偿点，由以下方程确定，
式中：O2为叶内部O2分压，在此取2.09×104Pa。
土壤蒸发采用以下公式计算，
式中：Δ为饱和水汽压曲线的斜率，γ为干湿表常数，kA为消光系数，其值等于0.6，Rh为相对湿度，LAI为叶面积指数，Rn为地表净辐射，G为地表热通量；fVPD和fTa为VPD和Ta对蒸散发的控制函数，本发明中使用二次函数，
fVPD＝1-m(VPD-VPD0)2 (11)
fTa＝1-n(Ta-Ta0)2 (12)
式中：VPD0和Ta0分别为函数参数，代表最优饱和水汽压亏缺与最优空气温度，m和n为方程的形状参数。采用观测数据优化，采用参数的平均值：VPD0＝1.20kPa，T0＝6.78℃，m＝-0.17，n＝-0.0017。
因此计算蒸散发可采用下式估算：
如表1所示为各生态系统类型水分利用效率取值：
表1各生态系统类型水分利用效率取值
| 生态系统类型 | 水分利用效率(mol |
| ENF | 250 |
| EBF | 750 |
| DNF | 250 |
| DBF | 1250 |
| MF | 1000 |
| CSH | 700 |
| OSH | 700 |
| WSA | 1200 |
| SAV | 1200 |
| GRA | 700 |
| WET | 560 |
| CRO | 800 |
| CVM | 750 |
| BSV | 700 |
步骤3、在各通量站中采用遗传算法对叶绿素荧光与蒸散发之间的关系进行参数率定，求得各通量站下蒸散发的估算参数；
进一步地，本发明的步骤3的具体方法如下：
所述遗传算法为常规优化技术，具体为：
遗传算法的基本运算过程如下：
(1)参数初始化：为模型参数设置种群个体数M，每个个体采用参数值作为编码依据，初始种群标记为P(0)，设置最大迭代次数N；
(2)个体适应度评价：计算群体中每个个体的适应度，在此以模型模拟误差的相反数作为适应度函数；
(3)选择运算：依据个体适应度评价函数，选择适合的个体，保留下去，用于交叉与变异，将个体特征遗传下去；
(4)交叉运算：交叉运算将发生在同一代个体当众，用于把上一代两方(x1和x2)优势基因遗传到下一代(y1和y2)，采用线性交叉运算：
y1 ＝ax1+(1-a) x2 (14)
y2 ＝ax2+(1-a) x1 (15)
a取值满足0.3<a<0.4的随机实数；
(5)变异运算：将变异算子作用于计算群体，使得个体产生一定的优势变异，在自然竞争中能出现优势个体，在选择、交叉、变异操作之后，得到下一代群体P(t+1)，不断重复操作步骤(2)-(5)；
(6)终止：达到最大迭代次数N时，取最后一代种群中适应度最大的参数，作为模型的解。
步骤4、采用两种方法，构建不同植被气象要素与蒸散发估算参数的函数关系，构建蒸散发估算参数的空间数据库；
进一步地，本发明的步骤4的具体方法如下：
利用各通量站下率定求得的参数，进行蒸散发参数计算。针对每种生态系统下上述公式中α与β的取值，根据植物功能型的分类，可以使用IGBP土地利用类型对植物功能型进行分类，从而依据站点的数量多少使用两种模型进行参数确定：
(1)平均值模型：采用类似于在陆面模型中通常用到的基于植物功能型的平均值方法，即：
式中：
为参数α或β在第j种植物功能型区域内的第i个通量站的取值，cj为第j种植物功能型下，所有通量站内参数α或β的平均值，δi为误差。对于CSH、EBF、MF、OSH、WET五种生态系统的站点数均少于5，采用此方法确定参数。即，对于拟合数据过少的生态系统，采用该植物功能型下各参数α或β在此植物功能型下的平均值。
(2)机器学习模型：将参数α或β与不同植物功能型以及该区域环境变量建立回归模型，形式如下：
单独针对每种植物功能型进行率定。其中(nj)T为第j种植物功能型下的回归系数矩阵。Xi为第i个通量站的环境变量。其中CRO、DBF、ENF、GRA、SAV、WSA生态系统类型站点数量均不少于5个，因此采用该方法确定参数的空间分布。参与回归的三种环境变量为年平均气温(Mean annual temperature,MAT)、年平均降水(Mean annual precipitation,MAP)、干旱指数(Dryness index,DI)这三个因素。因此，对于参数重建使用线性方程则为，
α＝a1+a2 MAP+a3 MAT+a4 DI (18)
β＝b1+b2 MAP+b3 MAT+b4 DI (19)
需要说明的是，方程的具体形式，与率定参数的站点数量有关。当站点多的情况，采用增强回归树的机器学习方式，使用多层次统计建模方式，将参数分成i组，重建参数与环境变量之间的非线性关系，
式中：N(.)表示正态分布，α与μβ分别两参数的均值，
与/>
为参数的方差，ασβ表示不同组间的相关系数，即在不同层次i上回归系数αi与βi在不同组件的相关系数。在此通过增强回归树这一项机器学习方法实现，该方法可得出不同自变量对因变量影响的大小，该方法可不受自变量之间的交互作用的影响，因为可以较好地克服过拟合的问题。在得到全球各生态系统下参数估计模型，并依据模型得到全球蒸散发估算参数。采用多元线性模型估算结果如表2所示。
表2模型参数函数形式确定
其中PFT为IGBP的植被类型。如图2所示，给出了一种全球蒸散发估算参数分布示意图。
步骤5、将步获取的叶绿素荧光、全球气象数据以及全球蒸散发估算参数代入至步骤2构建的模型中，进行地表蒸散发的估算，即，
ET＝f(α, β, λcf,SIF,VPD,Pa,Ca,Ta,Rh,Rn,O2,LAI,γ) (21)
在此公式ET为公式(13)所建立的模型，输入包括：参数α和β，常量水分利用效率λcf、大气压强Pa，叶绿素荧光数据SIF，气象变量空气温度Ta、空气相对湿度Rh、饱和水汽压亏缺VPD、净辐射Rn、湿度计常数γ，植物状态变量叶片内O2分压O2、叶面积指数LAI。
如图3与图4所示，图3展示了参数的概率密度分布图；图4展示了估算全球蒸散发的年均值全球分布。
本实施例的发明思路为：首先搜集预处理全球陆地通量站数据FLUXNET2015与ChinaFLUX数据、全球SIF数据、叶面积指数数据以及再分析气象数据集；再基于水碳耦合原理相关的植物生理学公式，对地表蒸散发与SIF之间的关系式进行推导；然后，通过将站点尺度数据输入至模型中，通过优化得到FLUXNET2015与ChinaFLUX各站点内蒸散发估算参数；随后，通过环境变量、站点蒸散发估算参数和两种不同回归模型，计算全球蒸散发参数；最后，将全球气象再分析产品、全球SIF与全球蒸散发估算参数代入到模型中，得到全球地表蒸散发。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于水碳耦合方法的全球地表蒸散发估算方法，其特征在于，该方法包括以下步骤：
步骤1、搜集地面通量观测数据、气象再分析数据、MODIS地表叶面积指数LAI数据以及全球重建日光诱导叶绿素荧光数据；
步骤2、在站点尺度构建叶绿素荧光与蒸散发的函数关系；
步骤3、在各通量站中对叶绿素荧光与蒸散发之间的关系进行参数率定，求得各通量站下蒸散发的估算参数；
步骤4、构建不同植被气象要素与蒸散发估算参数的函数关系，构建蒸散发估算参数的空间分布数据库；
步骤5、将获取的叶绿素荧光、全球气象数据以及全球蒸散发估算参数代入至步骤2构建的模型中，进行地表蒸散发的估算。
2.根据权利要求1所述的一种基于水碳耦合方法的全球地表蒸散发估算方法，其特征在于，所述步骤1包括如下子步骤：
步骤1.1、基于ERA5-Land小时尺度气象再分析数据，提取某一时间分辨率的露点温度Td、气温Ta、饱和水汽压亏缺VPD、相对湿度RH、年均气温MAT、年均降水MAP以及净辐射Rn，同时将上述数据的空间分辨率通过空间插值进行统一；
步骤1.2、基于现有年均降水以及年均潜在蒸散发数据计算干旱指数DI；
步骤1.3、获取陆地通量网数据，筛选出具有至少连续两年有效观测的站点，并提取与步骤1.1相同时间分辨率的站点饱和水汽压亏缺VPD、CO2浓度Ca、气温Ta和站点蒸发潜热ET数据；
步骤1.4、从MODIS数据集中获取地表叶面积指数LAI数据，并将空间分辨率转化为与步骤1.1中相同的空间分辨率；
步骤1.5、获取一定时间段全球重建SIF数据CSIF，并与陆地通量网数据站点进行匹配，得到站点尺度CSIF的时间序列。
3.根据权利要求1所述的一种基于水碳耦合方法的全球地表蒸散发估算方法，其特征在于，步骤2的具体方法为：
步骤2.1.根据双源地表蒸散发模型，地表蒸散发可以被分成两个部分：土壤蒸发以及植被蒸腾；由此，地表蒸散发可以被表示为：
ET＝Tr+Es
其中，Es为土壤蒸发，Tr为植被蒸腾，ET为地表蒸散发；
步骤2.2.基于水碳耦合原理建立植被蒸腾Tr与叶绿素荧光SIF的关系；
步骤2.3.构建VPD和Ta对蒸散发的控制函数fVPD和fTa来计算土壤蒸发，其中fVPD和fTa均为二次函数；
步骤2.4.将步骤2.2和步骤2.3中计算得到的植被蒸腾和土壤蒸发相加得到地表蒸散发。
4.根据权利要求3所述的一种基于水碳耦合方法的全球地表蒸散发估算方法，其特征在于，
GPP与SIF关系可用以下方程表达描述：
GPP＝αSIF+β
从Fick定律角度出发，冠层尺度GPP可以用以下方程描述，
GPP＝gc×(Ca-Ci)
根据水碳耦合理论，H2O分子流出植物气孔与CO2公用通道，因此可以根据Fick定律描述蒸腾：
Tr＝gh×(qi-qa)
qi-qa可用以下公式表征：qi-qa＝VPD/Pa
通过以上方程，可求得植被蒸腾量：
根据最优气孔导度理论，
统一量纲后，蒸腾可表达为：
式中：Γ为光合作用补偿点，由以下方程确定，
因此，
其中，α和β为方程参数，gc为植被对CO2的导度，Ca与Ci分别为大气和植物气孔内部的CO2浓度，gh为植物气孔对H2O分子的导度，且存在gc＝gh/1.6；qi为植物叶片内H2O浓度，qa为大气内H2O浓度，Pa为大气压强；，λcf为边际水分利用效率，为常数；O2为叶内部O2分压。
5.根据权利要求4所述的一种基于水碳耦合方法的全球地表蒸散发估算方法，其特征在于，土壤蒸发采用以下公式计算，
式中：为饱和水汽压曲线的斜率，为干湿表常数，为消光系数，其值等于0.6，Rh为相对湿度，LAI为叶面积指数，Rn为地表净辐射，G为地表热通量；fVPD和fTa为VPD和Ta对蒸散发的控制函数，其表达式如下：
fVPD＝1-m(VPD-VPD0)2
fTn＝1-n(Ta-Ta0)2
式中：VPD0和Ta0分别为函数参数，代表最优饱和水汽压亏缺与最优空气温度，m和n为方程的形状参数，采用观测数据优化，采用参数的平均值。
6.根据权利要求5所述的一种基于水碳耦合方法的全球地表蒸散发估算方法，其特征在于，计算蒸散发可采用下式估算：
7.根据权利要求1所述的一种基于水碳耦合方法的全球地表蒸散发估算方法，其特征在于，步骤3的具体方法为：在各通量站中采用遗传算法对叶绿素荧光与蒸散发之间的关系进行参数率定，优化得各通量站下蒸散发的估算参数。
8.根据权利要求4所述的一种基于水碳耦合方法的全球地表蒸散发估算方法，其特征在于，步骤4的具体方法为：
利用各通量站下率定求得的参数，进行蒸散发参数计算，针对每种生态系统下上述公式中α与β的取值，根据植物功能型的分类，可以使用IGBP土地利用类型对植物功能型进行分类，从而依据站点的数量多少使用平均值模型和机器学习模型进行参数确定，其中对于封闭灌丛、常绿阔叶林、混合森林、开放灌丛、湿地五种生态系统采用平均值模型进行参数确定；农田、落叶阔叶林、常绿针叶林、草地、草原、多树草原五种生态系统采用平均值模型进行参数确定。
9.根据权利要求8述的一种基于水碳耦合方法的全球地表蒸散发估算方法，其特征在于，
(1)平均值模型：采用基于植物功能型的平均值方法，即：
式中：
为参数α或β在第j种植物功能型区域内的第i个通量站的取值，cj为第j种植物功能型下，所有通量站内参数α或β的平均值，δi为误差；
(2)机器学习模型：将参数α或β与不同植物功能型以及该区域环境变量建立回归模型，形式如下：
单独针对每种植物功能型进行率定，其中(nj)T为第j种植物功能型下的回归系数矩阵，Xi为第i个通量站的环境变量，参与回归的三种环境变量为年平均气温MAT、年平均降水MAP、干旱指数DI这三个因素，因此，对于参数重建使用线性方程则为，
α＝a1+a2 MAP+a3 MAT+a4 DI
β＝b1+b2 MAP+b3 MAT+b4 DI
其中a1、a2、a3、a4、b1、b2、b3、b4为回归系数，方程的具体形式，与率定参数的站点数量有关，当站点树多于30的情况，采用增强回归树的机器学习方式，使用多层次统计建模方式，将参数分成i组，重建参数与环境变量之间的非线性关系，
式中：N(.)表示正态分布，μα与μβ分别两参数的均值，
与/>
为参数的方差，τσασβ表示不同组间的相关系数，即在不同层次i上回归系数αi与βi在不同组件的相关系数。
10.根据权利要求1述的一种基于水碳耦合方法的全球地表蒸散发估算方法，其特征在于，所述步骤5的具体方法如下：将获取的叶绿素荧光、全球气象数据以及全球蒸散发估算参数代入至步骤2构建的模型中，进行地表蒸散发的估算，即，
ET＝f(α，β，λcf，SIF，VPD，Pa，Ca，Ta，Rh，Rn，O2，LAI，γ)；
在此公式ET为步骤2所建立的模型，输入包括：参数α和β，常量水分利用效率λcf、大气压强Pa，叶绿素荧光数据SIF，气象变量空气温度Ta、空气相对湿度Rh、饱和水汽压亏缺VPD、净辐射Rn、湿度计常数γ，植物状态变量叶片内O2分压O2、叶面积指数LAI。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310180404.2A CN116306265B (zh) | 2023-02-24 | 2023-02-24 | 一种基于水碳耦合方法的全球地表蒸散发估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310180404.2A CN116306265B (zh) | 2023-02-24 | 2023-02-24 | 一种基于水碳耦合方法的全球地表蒸散发估算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116306265A true CN116306265A (zh) | 2023-06-23 |
| CN116306265B CN116306265B (zh) | 2024-03-08 |
Family
ID=86814278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310180404.2A Active CN116306265B (zh) | 2023-02-24 | 2023-02-24 | 一种基于水碳耦合方法的全球地表蒸散发估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116306265B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101551459A (zh) * | 2008-10-15 | 2009-10-07 | 北京天宏金睛信息技术有限公司 | 基于遥感的区域蒸散量监测方法 |
| CN101957360A (zh) * | 2010-09-10 | 2011-01-26 | 北京大学 | 一种测量地表蒸散量的方法及系统 |
| CN102354348A (zh) * | 2010-12-16 | 2012-02-15 | 南京大学 | 流域尺度土壤湿度遥感数据同化方法 |
| CN103308665A (zh) * | 2013-05-30 | 2013-09-18 | 北京市园林科学研究所 | 一种城市绿地植物-土壤水分传输分析的方法及装置 |
| CN104077475A (zh) * | 2014-06-24 | 2014-10-01 | 北京师范大学 | 一种基于多算法集成的全球陆表蒸散估算系统及方法 |
| CN106599548A (zh) * | 2016-11-23 | 2017-04-26 | 中国科学院遥感与数字地球研究所 | 陆面蒸散发遥感估算的时空尺度匹配方法及装置 |
| CN108875237A (zh) * | 2018-06-28 | 2018-11-23 | 中国科学院地理科学与资源研究所 | 基于GF-1和Landsat-8结合的作物蒸散发遥感反演方法和系统 |
| CN110059362A (zh) * | 2019-03-22 | 2019-07-26 | 兰州大学 | 考虑植被动态变化的区域尺度双源蒸散发模型的构建方法 |
| CN113008372A (zh) * | 2021-03-08 | 2021-06-22 | 西北农林科技大学 | 一种多角度日光诱导叶绿素荧光自动观测系统 |
| CN114792274A (zh) * | 2022-04-20 | 2022-07-26 | 中国科学院西北生态环境资源研究院 | 一种干旱区山地人工植被建设的布局方法 |
-
2023
- 2023-02-24 CN CN202310180404.2A patent/CN116306265B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101551459A (zh) * | 2008-10-15 | 2009-10-07 | 北京天宏金睛信息技术有限公司 | 基于遥感的区域蒸散量监测方法 |
| CN101957360A (zh) * | 2010-09-10 | 2011-01-26 | 北京大学 | 一种测量地表蒸散量的方法及系统 |
| CN102354348A (zh) * | 2010-12-16 | 2012-02-15 | 南京大学 | 流域尺度土壤湿度遥感数据同化方法 |
| CN103308665A (zh) * | 2013-05-30 | 2013-09-18 | 北京市园林科学研究所 | 一种城市绿地植物-土壤水分传输分析的方法及装置 |
| CN104077475A (zh) * | 2014-06-24 | 2014-10-01 | 北京师范大学 | 一种基于多算法集成的全球陆表蒸散估算系统及方法 |
| CN106599548A (zh) * | 2016-11-23 | 2017-04-26 | 中国科学院遥感与数字地球研究所 | 陆面蒸散发遥感估算的时空尺度匹配方法及装置 |
| CN108875237A (zh) * | 2018-06-28 | 2018-11-23 | 中国科学院地理科学与资源研究所 | 基于GF-1和Landsat-8结合的作物蒸散发遥感反演方法和系统 |
| CN110059362A (zh) * | 2019-03-22 | 2019-07-26 | 兰州大学 | 考虑植被动态变化的区域尺度双源蒸散发模型的构建方法 |
| CN113008372A (zh) * | 2021-03-08 | 2021-06-22 | 西北农林科技大学 | 一种多角度日光诱导叶绿素荧光自动观测系统 |
| CN114792274A (zh) * | 2022-04-20 | 2022-07-26 | 中国科学院西北生态环境资源研究院 | 一种干旱区山地人工植被建设的布局方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116306265B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Assimilation of remote sensing into crop growth models: Current status and perspectives | |
| Migliavacca et al. | The three major axes of terrestrial ecosystem function | |
| CN113919448B (zh) | 一种任意时空位置二氧化碳浓度预测影响因素分析方法 | |
| Kucharik | Evaluation of a process-based agro-ecosystem model (Agro-IBIS) across the US Corn Belt: Simulations of the interannual variability in maize yield | |
| Jin et al. | Parameter sensitivity analysis of the AquaCrop model based on extended fourier amplitude sensitivity under different agro-meteorological conditions and application | |
| Sexton et al. | A theoretical and real world evaluation of two Bayesian techniques for the calibration of variety parameters in a sugarcane crop model | |
| CN110909933B (zh) | 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法 | |
| Waongo et al. | A crop model and fuzzy rule based approach for optimizing maize planting dates in Burkina Faso, West Africa | |
| Su et al. | A global dataset for crop production under conventional tillage and no tillage systems | |
| CN109800921B (zh) | 基于遥感物候同化和粒子群优化的区域冬小麦估产方法 | |
| Chen et al. | A working framework for quantifying carbon sequestration in disturbed land mosaics | |
| CN110705182A (zh) | 耦合作物模型和机器学习的作物育种适应时间预测方法 | |
| Bassiouni et al. | Parsimony vs predictive and functional performance of three stomatal optimization principles in a big‐leaf framework | |
| CN115270042A (zh) | 一种适用于植被碳储量的计量方法 | |
| CN117423003B (zh) | 一种冬小麦越冬期苗情分级遥感监测方法 | |
| Goudriaan et al. | Use of models in global change studies | |
| Confalonieri et al. | Wheat modeling in Morocco unexpectedly reveals predominance of photosynthesis versus leaf area expansion plant traits | |
| CN116306265B (zh) | 一种基于水碳耦合方法的全球地表蒸散发估算方法 | |
| Zhu et al. | Parameterization of a coupled CO 2 and H 2 O gas exchange model at the leaf scale of Populus euphratica | |
| Kamali et al. | Improving the simulation of permanent grasslands across Germany by using multi-objective uncertainty-based calibration of plant-water dynamics | |
| Guo et al. | Calibrating AquaCrop model using genetic algorithm with multi‐objective functions applying different weight factors | |
| Pavlova et al. | Assessment approach of the spatial wheat cultivation risk for the main cereal cropping regions of Russia | |
| CN116030345A (zh) | 基于机器学习模型的叶龄预测方法 | |
| Bhatia | Crop growth simulation modeling | |
| Sadenova et al. | Modelling of Forecasting Crop Yields Based on Earth Remote Sensing Data and Remote Sensing Methods |
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 |