CN117951469A - 一种葡萄园生态系统天-空-地一体化碳汇监测系统及检测方法 - Google Patents
一种葡萄园生态系统天-空-地一体化碳汇监测系统及检测方法 Download PDFInfo
- Publication number
- CN117951469A CN117951469A CN202311750549.8A CN202311750549A CN117951469A CN 117951469 A CN117951469 A CN 117951469A CN 202311750549 A CN202311750549 A CN 202311750549A CN 117951469 A CN117951469 A CN 117951469A
- Authority
- CN
- China
- Prior art keywords
- carbon
- data
- vegetation
- vineyard
- carbon sink
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 269
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 269
- 238000012544 monitoring process Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000001556 precipitation Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000012937 correction Methods 0.000 claims abstract description 9
- 230000000694 effects Effects 0.000 claims abstract description 7
- 241000219095 Vitis Species 0.000 claims description 79
- 235000009754 Vitis X bourquina Nutrition 0.000 claims description 75
- 235000012333 Vitis X labruscana Nutrition 0.000 claims description 75
- 235000014787 Vitis vinifera Nutrition 0.000 claims description 75
- 230000005855 radiation Effects 0.000 claims description 53
- 230000004907 flux Effects 0.000 claims description 49
- 230000000243 photosynthetic effect Effects 0.000 claims description 22
- 230000012010 growth Effects 0.000 claims description 20
- 239000002689 soil Substances 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004158 soil respiration Methods 0.000 claims description 16
- 239000002028 Biomass Substances 0.000 claims description 13
- 241000196324 Embryophyta Species 0.000 claims description 13
- 241000219094 Vitaceae Species 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000010521 absorption reaction Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 11
- 235000021021 grapes Nutrition 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 10
- 230000009919 sequestration Effects 0.000 claims description 9
- 230000008020 evaporation Effects 0.000 claims description 8
- 238000001704 evaporation Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 208000005156 Dehydration Diseases 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 230000029553 photosynthesis Effects 0.000 claims description 6
- 238000010672 photosynthesis Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012876 topography Methods 0.000 claims description 6
- 235000016709 nutrition Nutrition 0.000 claims description 5
- 230000035764 nutrition Effects 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000007740 vapor deposition Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 235000015097 nutrients Nutrition 0.000 claims description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 241000894006 Bacteria Species 0.000 claims description 2
- 241000233866 Fungi Species 0.000 claims description 2
- 238000013459 approach Methods 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 230000004060 metabolic process Effects 0.000 claims description 2
- 230000008635 plant growth Effects 0.000 claims description 2
- 238000005381 potential energy Methods 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract description 7
- 238000005070 sampling Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000002060 circadian Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 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 description 2
- 239000003864 humus Substances 0.000 description 2
- 230000010349 pulsation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241000245654 Gladiolus Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 210000000081 body of the sternum Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
- G01C21/1652—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with ranging devices, e.g. LIDAR or RADAR
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/08—Systems determining position data of a target for measuring distance only
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种葡萄园生态系统天‑空‑地一体化碳汇监测系统及检测方法,从监测尺度上,构成了站点→葡萄园→区域的升尺度监测体系;其中站点尺度的涡度相关监测具有监测精度高、数据采样频率高的特点,可以提供地基站点上高质量的碳汇数据,且用这套碳汇数据和环境要素建立模型,解耦出葡萄园生态系统碳汇过程与气温、降水等环境要素之间的模型参数,通过这些参数的律定,为区域卫星遥感碳汇估算模型算法提供基础参数;且地面实测的站点数据又可以对卫星遥感估算的区域碳汇量进行验证,评价卫星遥感碳汇估算模型算法的效果;站点尺度的涡度相关监测数据也可为无人机碳汇监测体系提供参数修正,无人机葡萄园尺度估算的碳汇量亦可通过涡度相关站点数据来验证其精度。
Description
技术领域
本申请涉及葡萄园生态系统碳汇监测系统及其检测方法,尤其涉及一种葡萄园生态系统天-空-地一体化碳汇监测系统及其检测方法,特别是干旱区葡萄园生态系统天-空-地一体化碳汇监测系统及其检测方法。
背景技术
葡萄园是农业生态系统的重要组成部分,特别是对于干旱地区,因为葡萄耐旱、耐瘠薄、经济效益高的特性而在一些无法种植其他作物的山荒地上广泛种植;葡萄的种植使得昔日的山荒地资源变成了“绿洲”;与荒漠草原生态系统相比,葡萄园生态系统具有更强的光合生产力和更大的生物量,其年碳汇量也更高,在生态系统碳循环方面具有显著贡献;葡萄园生态系统能够固定大气中的CO2,将其封存在葡萄的果实、茎干等生物体中,或经根际微生物残体和枯落物等腐殖质转化储存在土壤碳库中,形成葡萄园生态系统碳储体;但葡萄通过叶片吸收大气中CO2的速率并非恒定,其随着季节变化、昼夜交替和白昼内的太阳辐射与气象环境要素会产生较大幅度的变化,因此开展高频率、高精度的葡萄园生态系统碳汇速率监测,估算实时碳汇过程对评估葡萄园碳汇功能至关重要。针对葡萄园生态系统开发碳汇监测系统及其检测方法,为葡萄园生态系统碳汇量核算提供依据,使葡萄园碳汇交易具备可操作性,有效服务国家“双碳”目标。
发明内容
针对葡萄园生态系统碳汇高效、高频、高精度和大范围的监测需求,和葡萄吸收大气CO2的速率随季节、昼夜和环境变化而变化的特点,本申请提供一种葡萄园生态系统天-空-地一体化碳汇监测系统及其检测方法,为核算葡萄园生态系统碳汇量提供依据。
通过跨尺度集成地基站点尺度的涡度相关碳汇监测系统、空基葡萄园尺度的无人机碳汇监测系统、天基区域尺度的卫星遥感碳汇反演系统,形成葡萄园生态系统天-空-地一体化碳汇监测系统及检测方法;基于涡度相关技术,在标准下垫面上求解葡萄园地-气间的高频CO2交换过程,计算站点尺度的高精度、实时碳汇速率;基于无人机激光雷达技术,在葡萄园尺度上开展葡萄生物量监测,计算植物碳汇量;在区域尺度上利用卫星遥感数据和碳汇反演模型,开展区域性碳汇量核算与评估。
利用地基站点涡度相关技术观测的高频率、高精度碳汇速率数据,计算葡萄园植被与大气间不同时间尺度的碳通量和碳汇量,验证空基葡萄园尺度的无人机碳汇监测结果和天基区域尺度的卫星遥感碳汇反演模型,形成葡萄园碳汇核算的时间尺度匹配和空间升尺度扩展;空基无人机碳汇监测能够灵活获取葡萄不同生长阶段生物量,计算园区尺度的葡萄园生态系统植物碳汇量,无人机不受时间和地点限制,能根据葡萄生长和葡萄园监测需求开展低空飞行监测任务;而区域尺度的碳汇遥感反演,不仅可以掌握不同产区或区域的碳汇空间差异特征,还可重建葡萄园垦殖背景下的区域碳汇演变,估算葡萄园垦殖带来的碳汇价值增量。
本申请请求保护的一种葡萄园生态系统天-空-地一体化碳汇监测系统,包括地基站点尺度的涡度相关碳汇监测系统、空基葡萄园尺度的无人机碳汇监测系统、天基区域尺度的卫星遥感碳汇反演系统和天-空-地一体化碳汇监测系统的跨尺度集成;
所述地基站点尺度的涡度相关碳汇监测系统包括:针对葡萄生长特性的葡萄园碳通量检测塔选址,建立涡度相关的碳通量检测塔,在碳通量检测塔上配置满足葡萄生态系统地-气CO2交换速率检测的红外气体分析仪和三维超声风速仪,同时配置长短波辐射、空气温湿度、降水和土壤温湿度传感器,实时检测葡萄各阶段地-气间CO2交换和环境要素数据,并通过数据采集器采集、处理和存储,数据采集器连接工业路由器,通过设置VPN链路和网络连接,将检测到的数据远程无线传输至服务器上,通过异常数据诊断、剔除和插补算法处理,得到涡度相关碳通量观测数据集,实现地基站点尺度基于涡度相关的高频、高精度连续检测葡萄园碳汇速率监测,计算站点尺度的碳通量和碳汇量;
所述空基葡萄园尺度的无人机碳汇监测系统包括:低空无人机平台、激光雷达系统,所述激光雷达系统包括全球定位系统GPS、惯性导航系统INS以及激光距离测量仪;所述激光雷达系统搭载在低空无人机平台上,在开展空基葡萄园尺度的无人机碳汇监测时,将激光雷达系统通过接口搭载于无人机底部;所述无人机碳汇监测组装搭建完成后,考虑被监测葡萄园的地形特点和田块形态,设置无人机飞行航线,开展无人机激光雷达数据飞行采集,原始激光雷达扫描数据实时存储于高速SD存储卡中;所述激光雷达系统获取地面反射的激光信号,无人机碳汇监测获得的数据,利用数字地形模型DTM和营养生长结束后的数字地表模型DSM,得到数字冠层高度DCHM模型,监测葡萄园植物碳汇量;
所述天基区域尺度的卫星遥感碳汇反演系统包括:基于净生态系统生产力NEP原理的卫星遥感碳汇反演模型及过程算法,本地计算机、在线服务器和ENVI/IDL、Python、GEE等软件,卫星遥感空间数据集、气象环境空间数据集;所述净生态系统生产力NEP模型及其计算过程涉及的CASA模型和相关参数计算算法,在本地计算机和ENVI/IDL、Python软件下开发完成;利用遥感反演的净初级生产力NPP和基于气象数据估算的区域土壤呼吸Rh,建立净生态系统生产力模型NEP,估算整个产区的区域碳汇量;所述模型算法上传在线服务器,在GEE环境下调用Google卫星遥感空间数据集和气象环境空间数据集,计算区域尺度的葡萄园生态系统碳汇量,输出年、月时间尺度的空间碳汇量结果。
所述天-空-地一体化碳汇监测系统跨尺度集成包括:集成涡度相关、无人机和卫星遥感的跨尺度碳汇量估算,形成天-空-地一体化碳汇监测系统体系;所述涡度相关系统的数据采集器连接工业路由器,通过设置VPN链路和网络连接,远程无线传输至服务器上,生成基于涡度相关的高频、高精度的葡萄园碳汇速率和碳汇量数据;通过累计无人机监测时段和卫星监测时段的涡度相关碳汇量,将涡度相关碳汇监测结果与站点所在经纬度对应的无人和卫星遥感碳汇结果比对,形成跨尺度的监测结果验证;所述卫星遥感碳汇反演模型中的太阳总辐射量SOL、植被吸收的光合有效辐射APAR、葡萄生长的最适温度Topt等参数可通过涡度相关系统观测的实测物理量进行律定和校正;所述无人机碳汇监测系统在园区尺度的葡萄碳汇量结果能够为卫星遥感在对应葡萄园的反演结果提供真实性检验样本,无人机监测的葡萄生物量转换成净生态系统生产力NPP,可律定卫星遥感碳汇模型中的计算参数;所述涡度相关、无人机和卫星遥感碳汇监测系统通过时间尺度的碳汇累积、不同空间尺度的结果互验和直接观测对模型参数的律定与修正,形成天-空-地一体化碳汇监测系统。
本申请还请求保护一种葡萄园生态系统天-空-地一体化碳汇检测方法,基于本申请请求保护的葡萄园天-空-地一体化碳汇监测系统,包括如下步骤:
(1)针对葡萄生长特性的葡萄园碳通量检测塔的选址、建立涡度相关的碳通量检测塔;
(2)针对葡萄光合作用特点和环境影响差异的涡度相关碳通量异常数据诊断、剔除,其特点在于使用了最适合葡萄园生态系统的1.5倍标准差剔除法和差分剔除法;
(3)依据葡萄生长特性的数据插补,使用平均昼夜插补法进行插补和替换涡度相关实测数据缺失值和异常值,其特点在于取插补时间序列的长短不同,即窗口大小不同,本申请使用了最适合葡萄园生态系统的、以7天为插补时间序列长度的平均窗口;
(4)利用无人机激光雷达技术,提取葡萄园春季出土前的数字地形模型DTM和营养生长结束后的数字地表模型DSM,求解数字冠层高度DCHM,根据葡萄冠层的碳密度,进行碳汇量估算,其特点在于结合了葡萄园冬季埋土这种特殊生产过程,创新性的利用埋土后激光雷达技术能够完全扫描到没有葡萄冠层覆盖的裸露地表的时机,提取葡萄园春季出土前的数字地形模型DTM;
(5)利用遥感反演的净初级生产力和基于气象数据估算的区域土壤呼吸,建立净生态系统生产力模型,估算整个产区的区域碳汇量,其特点在于不仅可以获取不同产区或区域的碳汇空间差异特征,还可重建葡萄园垦殖背景下的区域碳汇演变,估算葡萄园垦殖以带来的碳汇价值增量。
本申请请求保护的葡萄园生态系统天-空-地一体化碳汇监测系统,从监测尺度上,构成了站点→葡萄园→区域的升尺度监测体系;其中站点尺度的涡度相关监测具有监测精度高、数据采样频率高,不仅可以提供地面站点上高质量的碳汇数据,而且能用这套碳汇数据和环境要素建立模型,解耦出葡萄园生态系统碳汇过程与气温、降水等环境要素之间的模型参数,通过这些参数的律定,为区域碳汇量卫星遥感估算模型算法提供基础参数;同时,地面实测的站点数据又可以对卫星遥感估算的区域碳汇量进行验证,评价碳汇量卫星遥感估算模型算法的效果;同样,站点尺度的涡度相关监测数据也可为无人机碳汇监测体系提供参数修正,无人机葡萄园尺度估算的碳汇量亦可通过涡度相关站点数据来验证其精度。
天-空-地三种监测系统,从参数律定和精度验证等层面,通过时间尺度累积匹配和空间升/降尺度转换进行互相支撑,构建出葡萄园生态系统的天-空-地一体化碳汇监测系统。其中,涡度相关站点观测的数据精度和频率高,可以为无人机碳汇监测和区域尺度卫星遥感碳汇监测模型提供实测验证和算法参数的校正与率定;无人机和卫星遥感系统可以获得区域空间面上的碳汇量,弥补涡度相关站点不能高密度布设,建设成本高的缺点;卫星遥感存档有历史数据,可以反演出葡萄园历史年份的碳汇,弥补当前在地面建设涡度相关站点,获取不到葡萄园开发过程中生态系统的碳汇演变历史;无人机碳汇监测具有高度时空灵活性特点,可根据葡萄生长和葡萄园监测需求开展低空飞行监测任务;葡萄园生态系统天-空-地一体化碳汇监测系统通过跨时间尺度和跨空间尺度的系统集成,则能弥补原有各自技术缺陷,实现葡萄园生态系统碳汇高频率、高精度、灵活性、长时间、大范围监测的所有需求。
附图说明
图1为葡萄园涡度通量检测塔及观测原理示意图;
图2为原始半小时通量数据;
图3为采用1.5倍标准差剔除异常后的通量数据;
图4为采用差分法剔除异常后的通量数据;
图5为平均昼夜法插补后的通量数据;
图6为处理后的半小时通量观测数据;
图7为基于DCHM模型的无人机碳汇监测示意图;
图8为基于DCHM模型的无人机碳汇监测流程图;
图9为本申请实施例中基于遥感监测的贺兰山东麓葡萄产区碳汇量空间分布图;
图10为本申请实施例中基于遥感监测的1986-2021年贺兰山东麓葡萄产区历史碳汇量变化;
图11为葡萄园生态系统天-空-地一体化碳汇监测系统示意图。
具体实施方式
下面将结合本发明实施例中的附图1-11,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请请求保护的一种葡萄园生态系统天-空-地一体化碳汇监测系统包括以下几个部分:
1、地基站点尺度的涡度相关碳汇监测
针对葡萄园生态系统的特殊性,通过典型葡萄园样地选址、建立地基站点尺度的涡度相关碳通量检测塔;针对葡萄园碳通量数据的特点,建立异常数据诊断、剔除和插补方法;涡度相关技术通过测定大气CO2脉动与垂直风速脉动的协方差来求算葡萄园碳通量,计算站点尺度的碳汇速率,碳汇速率随时间累加得到站点尺度碳汇量。
2、空基葡萄园尺度的无人机碳汇监测
利用无人机激光雷达技术,提取葡萄园春季出土前的数字地形模型DTM和营养生长结束后的数字地表模型DSM,求解数字冠层高度模型DCHM,根据葡萄冠层的碳密度,监测葡萄园植物碳汇量。
3、天基区域尺度的卫星遥感碳汇模型
利用CASA模型和遥感数据反演葡萄园生态系统净初级生产力NPP,利用气象数据气温和降水的空间插值数据估算整个区域的土壤呼吸Rh,从NPP中扣除Rh获得整个区域的净生态系统生产力NEP模型,估算区域碳汇量。
4、天-空-地一体化碳汇监测系统跨尺度集成
集成涡度相关、无人机和卫星遥感的跨尺度碳汇监测优势,并进行不同尺度结果互验和模型参数修正,形成天-空-地一体化碳汇监测系统体系与检测方法,服务葡萄产业绿色发展和碳汇交易。
本申请请求保护的葡萄园生态系统天-空-地一体化碳汇监测系统,包括地基站点尺度的涡度相关碳汇监测系统、空基葡萄园尺度的无人机碳汇监测系统、天基区域尺度的卫星遥感碳汇反演系统和天-空-地一体化碳汇监测系统跨尺度集成;
所述地基站点尺度的涡度相关碳汇监测系统包括:葡萄园碳通量检测塔选址、建立涡度相关的碳通量检测塔,在所述碳通量检测塔配置红外气体分析仪和三维超声风速仪,同时配置长短波辐射、空气温湿度、降水和土壤温湿度传感器,所述设备和传感器的实时观测数据通过数据采集器设备采集、处理和存储,所述数据采集器连接工业路由器,通过设置VPN链路和4G网络,远程无线传输至实验室服务器上,通过异常数据诊断、剔除和插补,得到涡度相关碳通量观测数据集。所述系列设备的配置、数据传输链路和处理方法,实现地基站点尺度基于涡度相关的高频连续检测葡萄园的碳通量监测,计算站点尺度的碳汇速率;
所述空基葡萄园尺度的无人机碳汇监测系统包括:大疆M300 RTK低空无人机平台、LiAir X3C-H激光雷达系统,所述激光雷达系统由全球定位系统GPS、惯性导航系统INS以及激光距离测量仪组成,三者协调工作。所述激光雷达系统搭载在低空无人机平台上,在开展空基葡萄园尺度的无人机碳汇监测时,将激光雷达系统通过便捷接口,搭载于无人机底部,通过无人机飞控系统规划好航拍路线,在GPS导航下由飞手操作飞行,激光雷达系统获取地面反射的激光信号,存储在高速SD存储卡中。无人机碳汇监测获得的数据,导入实验室计算机进行预处理,利用数字地形模型DTM和营养生长结束后的数字地表模型DSM,求解数字冠层高度模型DCHM,监测葡萄园植物碳汇量;
所述天基区域尺度的卫星遥感碳汇反演系统包括:本地计算机、在线服务器和ENVI/IDL、Python、GEE等软件,卫星遥感空间数据集、气象环境空间数据集,利用本地计算机和ENVI/IDL、Python软件开发净生态系统生产力NEP模型,在GEE环境下调用Google卫星遥感空间数据集,运行CASA模型计算净初级生产力NPP,调用气象环境空间数据集计算土壤呼吸Rh,NEP模型代码在本地计算机调试完成后,上传在GEE环境下在线运行,估算区域碳汇量;
所述天-空-地一体化碳汇监测系统跨尺度集成包括:集成涡度相关、无人机和卫星遥感的跨尺度碳汇监测,并进行不同尺度结果互验和模型参数修正,形成天-空-地一体化碳汇监测系统体系;涡度相关碳汇监测系统能够获取高频率的碳通量数据,包括总初级生产力GPP、生态系统呼吸Reco和生态系统净碳交换NEE,从系统安装布设后,就不间断地在典型葡萄园样地中持续观测,获取站点尺度上的高精度碳汇速率数据、碳通量数据。对于无人机碳汇监测执飞日期,涡度相关碳汇监测系统获取的当日高频GPP、Reco和NEE直接应用到空基葡萄园尺度的无人机碳汇监测结果的验证。涡度相关碳汇监测系统中的气温、降水、太阳总辐射和光合有效辐射观测数据用于修正天基区域尺度卫星遥感碳汇反演系统中CASA模型的参数,优化卫星遥感碳汇反演模型。
其中,碳通量检测塔根据葡萄园的作物特点和地形特征,定制能够支撑涡度相关碳通量观测系列设备、传感器和数采,高出葡萄冠层1.5倍以上。所述红外气体分析仪、三维超声风速仪具有稳定的观测精度,能够在野外高温、低温、大风、雨雪严酷环境下持续进行观测。所述无人机平台飞行稳定,有持续的供电装置、导航装置和惯导系统,激光雷达系统激光距离测量仪的激光反射精度能够满足葡萄园地表和植物冠层高度差异的探测,能获取高精度的DTM和DSM,并构建DCHM模型。所述模型运行和涡度相关通量数据、无人机激光雷达数据、卫星遥感碳汇模型算法的运算,均需本地计算机和ENVI/IDL、Python、GEE等软件支撑。
本申请请求保护的一种葡萄园生态系统天-空-地一体化碳汇监测系统的检测方法,包括如下步骤:
一、葡萄园生态系统的涡度相关碳通量监测方法。
1.葡萄园碳通量检测塔选址需要满足以下条件:
参见附图1,(1)碳通量检测塔应该选在葡萄园中典型土壤类型上种植品种面积较大的地块,以保证测量结果具有代表性;(2)气象条件稳定、无阻挡的地方,以避免风向和风速等气象因素对测量结果的影响;(3)碳通量检测塔应该选在地形和地貌相对平坦、无大坡度、无明显地貌起伏的地方,以保证测量结果的准确性;(4)碳通量检测塔应该选在距离污染源和人为活动干扰较远的地方,以避免这些因素对测量结果的影响;(5)碳通量检测塔应该选在易于维护和保护的地方,以确保设备的正常运行和数据的准确性,碳通量检测塔的安全性也需要得到充分考虑,以避免设备被盗或损坏等问题。
2.建立涡度相关的碳通量检测塔,配置红外气体分析仪和三维超声风速仪,高频连续观测葡萄园碳通量,建立针对葡萄园碳通量数据的特点通量数据处理算法;
参见附图2-6,涡度相关碳通量检测数据处理:(1)异常数据诊断、剔除。由于设备异常、降水、沙尘干扰等因素致使涡度相关设备的观测数据中会存在一些偏离正常数据变化范围的异常值,增加了净生态系统碳交换量NEE结果的不确定性。因此,本申请实施例针对葡萄光合作用特点和环境影响差异,提出了最适合葡萄园生态系统的1.5倍标准差剔除法和差分剔除法,将异常数据诊断出来并剔除掉,使保留下的数据更具有准确性和代表性。首先采用1.5倍标准差作为剔除标准,剔除野点值,其次将处理过的数据再根据差分法进行剔除,在差分法中,定义:
di=(NEEi-NEEi-1)-(NEEi+1-NEEi)(i=1,2,···)
式中,NEEi为涡度相关通量观测的半小时尺度净生态系统碳交换量数据,i为数据的序数,当di满足以下条件时第i个观测数据为正常值,否则为异常值并剔除。
式中,Md为所有相邻两数据间NEE差值的中位数,MAD=median(|di-Md|);Z是人为定义的敏感性,Z越大敏感性越低,剔除的数据也越少,Z的参考取值通常为4、5.5或7;最后手动剔除夜间为负值的数据,使用当地日出日落时间判断数据是否为夜间数据;(2)数据插补;监测数据缺失值使用平均昼夜插补法进行替换。不同昼夜模式的主要区别在于取平均值的时间间隔长短(即窗口大小,通常为4~15天)。本申请实施例数据插补采用最适合葡萄园生态系统的、以7天为插补时间序列长度的平均窗口,具体算法如下:
式中,NEEh,d为插补算法计算出的半小时尺度净生态系统碳交换量数据;h为一天中每半个小时的索引序号,h=1,2,···,48;d为缺失数据的年内日序,(n-1)/2<d<365-(n-1)/2;n为窗口大小,本申请实施例为7天,即n=7;上划线表示排除缺失数据后对该下划线子集的半小时尺度净生态系统碳交换量数据求平均值。
二、开展无人机碳汇监测:
参见附图7-8,利用无人机激光雷达技术,结合葡萄园冬季埋土的特殊生产过程,利用埋土后激光雷达技术能够完全扫描到没有葡萄冠层覆盖的裸露地表的时机,提取葡萄园春季出土前的数字地形模型DTM,结合葡萄营养生长结束后激光雷达技术提取葡萄冠层顶部的数字地表模型DSM,求解数字冠层高度DCHM,根据葡萄冠层的碳密度,进行碳汇量估算;
利用无人机激光雷达技术提取葡萄园地上植被碳储量,首先要计算出葡萄园的葡萄生物体的数字冠层高度DCHM:
DCHM=DSM-DTM
式中,DTM为葡萄园春季葡萄出土前地表裸露状态下的数字地形,DSM为葡萄营养生长结束后葡萄冠层顶部的数字地表;
DCHM与葡萄茎秆生物体积为一元线性相关关系,利用定点样地的葡萄茎杆实测数据,拟合出DCHM与葡萄茎秆生物体积的关系函数,该函数便可较精确地计算出葡萄茎秆体积;
Vbio=2.752×10-3×DCHM
式中,Vbio为葡萄茎秆生物体积,DCHM为数字冠层高度;
葡萄生物量是指某一时刻单位面积内葡萄植株实存有机物质的总量,其计算公式为:
Wc=ρ0×Vbio×E
式中,Wc为葡萄生物量(t),ρ0:葡萄植株炭素密度(t/m3),Vbio为树木茎秆体积(m3),E为扩大系数,一般取值1.75;
葡萄碳储量由葡萄生物量乘以含碳率系数得到,公式为:
C=Wc×β
式中,C为无人机监测的葡萄园生态系统植物碳储量,Wc为葡萄生物量(t),β为炭素含有系数,葡萄取值为0.5。
三、区域碳汇量卫星遥感估算:
参见附图9-10,利用遥感反演的净初级生产力和基于气象数据估算的区域土壤呼吸,建立净生态系统生产力模型,估算整个产区的区域碳汇量,其不仅可以获取区域的碳汇空间差异,还可重建葡萄园垦殖背景下的区域碳汇演变,估算葡萄园垦殖以带来的碳汇价值增量。
1.净生态系统生产力模型;
使用净生态系统生产力NEP描述区域碳平衡动态变化,指示单位时间单位面积上生态系统的碳收支状况,用来表征固碳能力;NEP>0,说明植被固碳量多于土壤呼吸Rh排放的碳量,表现为植被碳汇。计算公式如下:
NEP(x,t)=NPP(x,t)-Rh(x,t)
式中,x表示空间位置,t表示时间,NEP(x,t)、NPP(x,t)和Rh(x,t)为第t年遥感像元x上的植被净生态系统生产力、植被净初级生产力和土壤呼吸,其单位均为g C·m-2。
2.遥感反演净初级生产力;
净初级生产力NPP选用成熟的光能利用率模型CASA进行计算。植被净初级生产力可以表示为光合有效辐射和最大光能利用率的成绩,主要受到气温、降水、光照、土壤含水量等气候因子的影响,利用气候因子调整实际光能利用率的修正参数,使理论值逼近实际值;构建适合葡萄园生态系统的CASA模型,包括确定太阳辐射参数、植被光合有效比例、光能利用率三种重要参数。最后,利用遥感信息与气象数据结合确定本地参数,反演得到净初级生产力。
(1)CASA模型;
CASA模型是一个基于过程的遥感模型,充分考虑环境条件和植被特征,它以植被的生理过程为基础,将植被净初级生产力的积累过程简化为植被吸收的光合有效辐射(APAR)与光能利用率(ε)两个主导因素的集成,运用遥感归一化植被指数(NDVI)和气温、降水、太阳总辐射等因子,通过整合计算来估算植被净初级生产力。其中净初级生产力NPP计算公式如下:
NPP(x,t)=APAR(x,t)×ε(x,t)
式中,x表示空间位置,t表示时间,APAR(x,t)为植被吸收的光合有效辐射(gC·m-2·month-1),ε(x,t)为实际光能利用率(g C·MJ-1),即植被将吸收的太阳辐射能转化为有机碳的效率。
(2)植被吸收的光合有效辐射估算;
植被吸收的光合有效辐射APAR是植物光合作用的能量基础,它是植被光合作用过程中吸收利用的那部分太阳辐射能,主要集中在可见光波段,这部分太阳辐射能通过植物光合作用,最终转换为生物能并以有机物的形式积累下来。由于植被的生理特性不同,对太阳辐射的吸收比例各异,因此,植被所吸收的光合有效辐射量大小由太阳总辐射量和植物对入射光合有效辐射的吸收比例FPAR共同决定,计算公式如下:
APAR(x,t)=SOL(x,t)×FPAR(x,t)×0.5
式中,x表示空间位置,t表示时间,SOL(x,t)为太阳总辐射量(MJ·m-2·month-1),FPAR(x,t)表示植被对入射光合有效辐射的吸收比例,可通过归一化植被指数NDVI来估算;由于植被可利用的太阳有效辐射波长在0.4~0.7μm,这一波段间的太阳辐射约占太阳总辐射的一半,故需乘以常数0.5。
植被对太阳有效辐射的吸收比例取决于植被覆盖状况,由卫星遥感数据获取的归一化植被指数NDVI能很好地反映植被覆盖状况,因此在CASA模型中利用NDVI来计算FPAR。
式中,x表示空间位置,t表示时间,NDVIi,max和NDVIi,min分别为i类植被类型的归一化植被指数最大值与最小值。FPARmax和FPARmin分别表示植被吸收的光合有效辐射的比例最大值与最小值,与植被类型无关,取常数值0.950和0.001。
植被吸收的光合有效辐射FPAR与植被的归一化植被指数NDVI的简单比率SR存在良好的线性关系,并将植被对入射光合有效辐射的吸收比例的估算公式改进如下:
式中,x表示空间位置,t表示时间,SRi,min和SRi,max指植被的归一化植被指数的简单比率的最小取值与最大取值。为了避免高估或者低估FPAR的值,减小与实测值之间的误差,计算FPAR时将如上两种方法估算出来的值进行平均,即:
FPAR=α*FPARNDVI+(1-α)*FPARSR
式中,α为两种方法间的调整系数,一般取二者的平均值0.5,FPARNDVI为利用NDVI计算出的FPAR,FPARSR为利用SR计算出的FPAR。
(3)光能利用率ε估算;
光能利用率ε指在一定时期内单位面积上植被转化的有机碳中包含的化学潜能占同一时间该面积上接收到的光合有效辐射之比,表征植被层吸收入射光合辐射并将其转化为有机碳的能力。在理想情况下植被的光能利用效率能够达到最大,而在实际情况中,温度和水分条件常限制植被的光能利用效率,进而影响着植被的光合作用,导致植被净初级生产力的波动。因此,在改进的CASA模型中,将光能利用效率的计算加入了水分条件和温度的影响,计算公式如下:
ε(x,t)=Tε1(x,t)×Tε2(x,t)×Wε(x,t)×εmax
式中,x表示空间位置,t表示时间,Tε1(x,t)和Tε2(x,t)分别表示极端低温或高温对葡萄光能利用效率的胁迫作用,Wε(x,t)表示水分胁迫影响系数,反映水分条件对葡萄光能利用效率的影响,εmax是理想条件下葡萄的最大光能利用率(gC·MJ-1),不同的植被类型最大光能利用率不同,将葡萄的εmax取值为0.542。
因为高的呼吸消耗必将会降低葡萄光能利用率,生长在偏离最适温度的条件下,其光能利用率也一定会降低。因此,极端低温或高温对葡萄光能利用效率的胁迫作用Tε1(x,t)和Tε2(x,t),可以通过葡萄生长的最适温度和实际温度拟合获得,计算公式如下:
Tε1(x,t)=0.8+0.02×Topt(x,t)-0.0005×(Topt(x,t))2
式中,x表示空间位置,t表示时间,Topt(x,t)指葡萄生长的最适温度,T(x,t)为月均温,exp为自然指数函数。Topt(x,t)为年内葡萄NDVI值达到最大时的当月平均气温,当月均温小于或等于-10℃时,Topt(x)值取为0;在Tε2(x,t)的估算当中,若月均温T(x,t)较最适温度Topt(x,t)高出10℃或低处13℃,该月份的Tε2(x,t)值则为月均温T(x,t)为最适温度Topt(x,t)时的Tε2(x,t)值的一半。
地面干湿程度对于植物生长有着十分重要的作用,当土壤水分超过某一临界值时,蒸发速率不受土壤水分供应的限制,而只与气象条件有关;当土壤水分含量低于这一临界值时,蒸发速率除与气象条件有关外,还随土壤水分的有效性的降低而降低。因此,可用区域实际蒸散发量与区域潜在蒸散发量的比值来反映水分胁迫对光能利用效率的影响:
Wε(x,t)=0.5+0.5×ET(x,t)/PET(x,t)
式中,x表示空间位置,t表示时间,ET(x,t)为区域实际蒸散发量,PET(x,t)是区域潜在蒸散发量,水分胁迫因子Wε(x,t)随着环境中有效水分的增加而增加,其值在极度湿润的条件下为1,极干旱的情况下为0.5。
3.基于气象数据估算的区域土壤呼吸;
土壤呼吸是指土壤中的植物根系、食碎屑动物、真菌和细菌等进行新陈代谢活动,消耗有机物并产生CO2的过程,它与所在区域的气温和降水气象条件有关,Rh计算公式如下:
Rh=0.22×[exp(0.0913×T)+ln(0.3145×P+1)×30×46.5%
式中,Rh为年土壤呼吸(g C·m-2),T为年均温(℃),P为年降水量(mm),exp为自然指数函数,ln为自然对数函数。
四、天-空-地一体化碳汇监测系统跨尺度集成:
参见附图11,集成涡度相关、无人机和卫星遥感的跨尺度碳汇量估算,形成天-空-地一体化碳汇监测系统体系;涡度相关系统的数据采集器连接工业路由器,通过设置VPN链路和网络连接,远程无线传输至服务器上,生成基于涡度相关的高频、高精度的葡萄园碳汇速率和碳汇量数据;通过累计无人机监测时段和卫星监测时段的涡度相关碳汇量,将涡度相关碳汇监测结果与站点所在经纬度对应的无人和卫星遥感碳汇结果比对,形成跨尺度的监测结果验证;卫星遥感碳汇反演模型中的太阳总辐射量SOL、植被吸收的光合有效辐射APAR、葡萄生长的最适温度Topt等参数可通过涡度相关系统观测的实测物理量进行律定和校正;无人机碳汇监测系统在园区尺度的植物碳汇量结果能够为卫星遥感在对应葡萄园区的反演结果提供真实性检验样本,无人机监测的葡萄园生物量转换成净生态系统生产力NPP,律定卫星遥感碳汇模型中的计算参数;涡度相关、无人机和卫星遥感碳汇监测系统通过时间尺度的碳汇累积、不同空间尺度的结果互验和直接观测对模型参数的律定与修正,形成天-空-地一体化碳汇监测系统体系与检测方法,服务葡萄产业绿色发展和碳汇交易。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (3)
1.一种葡萄园生态系统天-空-地一体化碳汇监测系统,其特征在于:包括地基站点尺度面向葡萄园的涡度相关碳汇监测、空基葡萄园尺度的无人机碳汇监测、天基区域尺度的卫星遥感碳汇反演模型和天-空-地一体化碳汇监测系统跨尺度集成;
所述地基站点尺度面向葡萄园的涡度相关碳汇监测包括:葡萄园碳通量检测塔选址、建立涡度相关的碳通量检测塔,在碳通量检测塔配置红外气体分析仪和三维超声风速仪,同时配置长短波辐射、空气温湿度、降水和土壤温湿度传感器,实时检测数据并通过数据采集器采集、处理和存储,将检测到的数据远程无线传输至服务器上,通过异常数据诊断、剔除和插补,得到涡度相关碳通量观测数据集,实现地基站点尺度基于涡度相关的高频连续检测葡萄园的碳通量监测,计算站点尺度的碳汇速率,碳汇速率随时间累加得到站点尺度碳汇量;
所述空基葡萄园尺度的无人机碳汇监测包括:低空无人机平台、激光雷达系统;所述激光雷达系统包括全球定位系统GPS、惯性导航系统INS以及激光距离测量仪;所述激光雷达系统搭载在低空无人机平台上,在开展空基葡萄园尺度的无人机碳汇监测时,将激光雷达系统通过接口搭载于无人机底部;所述激光雷达系统获取地面反射的激光信号,无人机碳汇监测获得的数据,利用数字地形模型DTM和营养生长结束后的数字地表模型DSM,得到数字冠层高度模型DCHM,监测葡萄园植物碳汇量;
所述天基区域尺度的卫星遥感碳汇模型包括:利用遥感反演的净初级生产力NPP和基于气象数据估算的区域土壤呼吸Rh,建立净生态系统生产力模型,估算区域碳汇量;
所述天-空-地一体化碳汇监测系统跨尺度集成包括:集成涡度相关、无人机和卫星遥感的跨尺度碳汇监测,形成天-空-地一体化碳汇监测系统体系。
2.根据权利要求1所述的葡萄园生态系统天-空-地一体化碳汇监测系统,其特征在于:所述数据采集器连接工业路由器,通过设置VPN链路和网络连接,远程无线传输至服务器上。
3.一种葡萄园生态系统天-空-地一体化碳汇检测方法,其特征在于:包括如下步骤:
(1)葡萄园碳通量检测塔的选址、建立涡度相关的碳通量检测塔;
(2)异常数据诊断、剔除:
将涡度相关碳通量检测到的数据采用1.5倍标准差作为剔除标准,剔除野点值,其次将处理过的数据再按照差分法进行剔除,在差分法中,定义:
di=(NEEi-NEEi-1)-(NEEi+1-NEEi)(i=1,2,···)
式中,NEEi为涡度相关通量观测的半小时尺度净生态系统碳交换量数据,i为数据的序数,当di满足以下条件时第i个观测数据为正常值,否则为异常值并剔除;
式中,Md为所有相邻两数据间NEE差值的中位数,MAD=median(|di-Md|);Z是人为定义的敏感性,Z越大敏感性越低,剔除的数据也越少,Z的参考取值通常为4、5.5或7;最后手动剔除夜间为负值的数据,使用当地日出日落时间判断数据是否为夜间数据;
(3)数据插补:
监测数据缺失值使用平均昼夜插补法进行替换,具体算法如下:
式中,NEEh,d为插补算法计算出的半小时尺度净生态系统碳交换量数据;h为一天中每半个小时的索引序号,h=1,2,···,48;d为缺失数据的年内日序,(n-1)/2<d<365-(n-1)/2;n为窗口大小,窗口大小为4~15天;上划线表示排除缺失数据后对该下划线子集的半小时尺度净生态系统碳交换量数据求平均值;
(4)利用无人机激光雷达技术,提取葡萄园春季出土前的数字地形模型DTM和营养生长结束后的数字地表模型DSM,求解数字冠层高度DCHM,根据葡萄冠层的碳密度,进行碳汇量估算;
利用无人机提取葡萄园地上植被碳储量,首先要计算出葡萄园的葡萄生物体的数字冠层高度DCHM:
DCHM=DSM-DTM
式中,DTM为葡萄园春季出土前地表裸露状态下的数字地形,DSM为葡萄营养生长结束后的数字地表;
DCHM与葡萄茎秆生物体积为一元线性相关关系,利用定点样地的葡萄茎杆实测数据,拟合出DCHM与葡萄茎秆生物体积的关系函数,该函数便可精确地计算出葡萄茎秆体积;
Vbio=2.752×10-3×DCHM
式中,Vbio为葡萄茎秆生物体积,DCHM为数字冠层高度;
葡萄生物量是指某一时刻单位面积内葡萄植株实存有机物质的总量,其计算公式为:
Wc=ρ0×Vbio×E
式中,Wc为葡萄生物量(t),ρ0:葡萄植株炭素密度(t/m3),Vbio为树木茎秆体积(m3),E为扩大系数,一般取值1.75;
葡萄碳储量由葡萄生物量乘以含碳率系数得到,公式为:
C=Wc×β
式中,C为无人机监测的葡萄园生态系统植物碳储量,Wc为葡萄生物量(t),β为炭素含有系数,葡萄取值为0.5;
(5)利用遥感反演的净初级生产力和基于气象数据估算的区域土壤呼吸,建立净生态系统生产力模型,估算整个产区的区域碳汇量。
使用净生态系统生产力NEP描述区域碳平衡动态变化,指示单位时间单位面积上生态系统的碳收支状况,用来表征固碳能力;NEP>0,说明植被固碳量多于土壤呼吸Rh排放的碳量,表现为植被碳汇。计算公式如下:
NEP(x,t)=NPP(x,t)-Rh(x,t)
式中,x表示空间位置,t表示时间,NEP(x,t)、NPP(x,t)和Rh(x,t)为第t年遥感像元x上的植被净生态系统生产力、植被净初级生产力和土壤呼吸,其单位均为g C·m-2。
(6)选用成熟的光能利用率模型CASA计算净初级生产力NPP;利用气候因子调整实际光能利用率的修正参数,使理论值逼近实际值;构建适合葡萄园生态系统的CASA模型,包括确定太阳辐射参数、植被光合有效比例、光能利用率三种重要参数。最后,利用遥感信息与气象数据结合确定本地参数,反演得到净初级生产力,计算公式如下:
NPP(x,t)=APAR(x,t)×ε(x,t)
式中,x表示空间位置,t表示时间,APAR(x,t)为植被吸收的光合有效辐射(gC·m-2·month-1),ε(x,t)为实际光能利用率(g C·MJ-1),即植被将吸收的太阳辐射能转化为有机碳的效率。
植被所吸收的光合有效辐射量大小由太阳总辐射量和植物对入射光合有效辐射的吸收比例FPAR共同决定,计算公式如下:
APAR(x,t)=SOL(x,t)×FPAR(x,t)×0.5
式中,x表示空间位置,t表示时间,SOL(x,t)为太阳总辐射量(MJ·m-2·month-1),FPAR(x,t)表示植被对入射光合有效辐射的吸收比例,可通过归一化植被指数NDVI来估算;由于植被可利用的太阳有效辐射波长在0.4~0.7μm,这一波段间的太阳辐射约占太阳总辐射的一半,故需乘以常数0.5。
植被对太阳有效辐射的吸收比例取决于植被覆盖状况,由卫星遥感数据获取的归一化植被指数NDVI能很好地反映植被覆盖状况,因此在CASA模型中利用NDVI来计算FPAR。
式中,x表示空间位置,t表示时间,NDVIi,max和NDVIi,min分别为i类植被类型的归一化植被指数最大值与最小值。FPARmax和FPARmin分别表示植被吸收的光合有效辐射的比例最大值与最小值,与植被类型无关,取常数值0.950和0.001。
植被吸收的光合有效辐射FPAR与植被的归一化植被指数NDVI的简单比率SR存在良好的线性关系,并将植被对入射光合有效辐射的吸收比例的估算公式改进如下:
式中,x表示空间位置,t表示时间,SRi,min和SRi,max指植被的归一化植被指数的简单比率的最小取值与最大取值。为了避免高估或者低估FPAR的值,减小与实测值之间的误差,计算FPAR时将如上两种方法估算出来的值进行平均,即:
FPAR=α*FPARNDVI+(1-α)*FPARSR
式中,α为两种方法间的调整系数,一般取二者的平均值0.5,FPARNDVI为利用NDVI计算出的FPAR,FPARSR为利用SR计算出的FPAR。
光能利用率ε指在一定时期内单位面积上植被转化的有机碳中包含的化学潜能占同一时间该面积上接收到的光合有效辐射之比,表征植被层吸收入射光合辐射并将其转化为有机碳的能力。在理想情况下植被的光能利用效率能够达到最大,而在实际情况中,温度和水分条件常限制植被的光能利用效率,进而影响着植被的光合作用,导致植被净初级生产力的波动。因此,在改进的CASA模型中,将光能利用效率的计算加入了水分条件和温度的影响,计算公式如下:
ε(x,t)=Tε1(x,t)×Tε2(x,t)×Wε(x,t)×εmax
式中,x表示空间位置,t表示时间,Tε1(x,t)和Tε2(x,t)分别表示极端低温或高温对葡萄光能利用效率的胁迫作用,Wε(x,t)表示水分胁迫影响系数,反映水分条件对葡萄光能利用效率的影响,εmax是理想条件下葡萄的最大光能利用率(gC·MJ-1),不同的植被类型最大光能利用率不同,将葡萄的εmax取值为0.542。
因为高的呼吸消耗必将会降低葡萄光能利用率,生长在偏离最适温度的条件下,其光能利用率也一定会降低。因此,极端低温或高温对葡萄光能利用效率的胁迫作用Tε1(x,t)和Tε2(x,t),可以通过葡萄生长的最适温度和实际温度拟合获得,计算公式如下:
Tε1(x,t)=0.8+0.02×Topt(x,t)-0.0005×(Topt(x,t))2
式中,x表示空间位置,t表示时间,Topt(x,t)指葡萄生长的最适温度,T(x,t)为月均温,exp为自然指数函数。Topt(x,t)为年内葡萄NDVI值达到最大时的当月平均气温,当月均温小于或等于-10℃时,Topt(x)值取为0;在Tε2(x,t)的估算当中,若月均温T(x,t)较最适温度Topt(x,t)高出10℃或低处13℃,该月份的Tε2(x,t)值则为月均温T(x,t)为最适温度Topt(x,t)时的Tε2(x,t)值的一半。
地面干湿程度对于植物生长有着十分重要的作用,当土壤水分超过某一临界值时,蒸发速率不受土壤水分供应的限制,而只与气象条件有关;当土壤水分含量低于这一临界值时,蒸发速率除与气象条件有关外,还随土壤水分的有效性的降低而降低。因此,可用区域实际蒸散发量与区域潜在蒸散发量的比值来反映水分胁迫对光能利用效率的影响:
Wε(x,t)=0.5+0.5×ET(x,t)/PET(x,t)
式中,x表示空间位置,t表示时间,ET(x,t)为区域实际蒸散发量,PET(x,t)是区域潜在蒸散发量,水分胁迫因子Wε(x,t)随着环境中有效水分的增加而增加,其值在极度湿润的条件下为1,极干旱的情况下为0.5。
(7)基于气象数据估算的区域土壤呼吸Rh;
土壤呼吸是指土壤中的植物根系、食碎屑动物、真菌和细菌等进行新陈代谢活动,消耗有机物并产生CO2的过程,它与所在区域的气温和降水气象条件有关,Rh计算公式如下:
Rh=0.22×[exp(0.0913×T)+ln(0.3145×P+1)×30×46.5%
式中,Rh为年土壤呼吸(g C·m-2),T为年均温(℃),P为年降水量(mm),exp为自然指数函数,ln为自然对数函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311750549.8A CN117951469B (zh) | 2023-12-19 | 2023-12-19 | 一种葡萄园生态系统天-空-地一体化碳汇监测系统及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311750549.8A CN117951469B (zh) | 2023-12-19 | 2023-12-19 | 一种葡萄园生态系统天-空-地一体化碳汇监测系统及检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117951469A true CN117951469A (zh) | 2024-04-30 |
CN117951469B CN117951469B (zh) | 2024-07-19 |
Family
ID=90797367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311750549.8A Active CN117951469B (zh) | 2023-12-19 | 2023-12-19 | 一种葡萄园生态系统天-空-地一体化碳汇监测系统及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117951469B (zh) |
Citations (11)
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 |
CN103513290A (zh) * | 2013-10-24 | 2014-01-15 | 环境保护部卫星环境应用中心 | 基于遥感的区域陆地生态系统呼吸监测方法 |
CN113656757A (zh) * | 2021-08-27 | 2021-11-16 | 邢长山 | 一种基于氧气浓度变化规律的林业碳汇量计量方法 |
CN114463403A (zh) * | 2021-12-29 | 2022-05-10 | 江苏集萃未来城市应用技术研究所有限公司 | 一种基于点云数据和图像识别技术的树木碳汇量计算方法 |
CN115082274A (zh) * | 2022-06-09 | 2022-09-20 | 贵州师范学院 | 基于卫星遥感的地表植被碳汇估算与交易方法及系统 |
CN115223055A (zh) * | 2022-07-18 | 2022-10-21 | 合肥冬行信息科技有限公司 | 一种基于多源卫星遥感的碳汇估算方法 |
CN115936953A (zh) * | 2023-01-06 | 2023-04-07 | 深圳润澄金景科技服务有限公司 | 碳汇计算方法、电子设备及存储介质 |
CN116050163A (zh) * | 2023-01-16 | 2023-05-02 | 中国科学院新疆生态与地理研究所 | 一种基于气象站的生态系统碳水通量计算方法及系统 |
CN116227990A (zh) * | 2023-01-03 | 2023-06-06 | 天津飞眼无人机科技有限公司 | 无人机生态环境碳收支评估方法、系统及监测数据采集设备 |
CN116644887A (zh) * | 2023-05-12 | 2023-08-25 | 航天科工海鹰集团有限公司 | 一种考虑森林火灾扰动的生态系统生物碳汇评估方法 |
CN117095290A (zh) * | 2023-08-23 | 2023-11-21 | 沈阳市勘察测绘研究院有限公司 | 一种基于卫星遥感的碳汇监测方法 |
-
2023
- 2023-12-19 CN CN202311750549.8A patent/CN117951469B/zh active Active
Patent Citations (11)
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 |
CN103513290A (zh) * | 2013-10-24 | 2014-01-15 | 环境保护部卫星环境应用中心 | 基于遥感的区域陆地生态系统呼吸监测方法 |
CN113656757A (zh) * | 2021-08-27 | 2021-11-16 | 邢长山 | 一种基于氧气浓度变化规律的林业碳汇量计量方法 |
CN114463403A (zh) * | 2021-12-29 | 2022-05-10 | 江苏集萃未来城市应用技术研究所有限公司 | 一种基于点云数据和图像识别技术的树木碳汇量计算方法 |
CN115082274A (zh) * | 2022-06-09 | 2022-09-20 | 贵州师范学院 | 基于卫星遥感的地表植被碳汇估算与交易方法及系统 |
CN115223055A (zh) * | 2022-07-18 | 2022-10-21 | 合肥冬行信息科技有限公司 | 一种基于多源卫星遥感的碳汇估算方法 |
CN116227990A (zh) * | 2023-01-03 | 2023-06-06 | 天津飞眼无人机科技有限公司 | 无人机生态环境碳收支评估方法、系统及监测数据采集设备 |
CN115936953A (zh) * | 2023-01-06 | 2023-04-07 | 深圳润澄金景科技服务有限公司 | 碳汇计算方法、电子设备及存储介质 |
CN116050163A (zh) * | 2023-01-16 | 2023-05-02 | 中国科学院新疆生态与地理研究所 | 一种基于气象站的生态系统碳水通量计算方法及系统 |
CN116644887A (zh) * | 2023-05-12 | 2023-08-25 | 航天科工海鹰集团有限公司 | 一种考虑森林火灾扰动的生态系统生物碳汇评估方法 |
CN117095290A (zh) * | 2023-08-23 | 2023-11-21 | 沈阳市勘察测绘研究院有限公司 | 一种基于卫星遥感的碳汇监测方法 |
Non-Patent Citations (2)
Title |
---|
RODRÍGUEZ-VEIGA: "Quantifying Forest Biomass Carbon Stocks From Space", 《CARBON MONITOR DSM DTM》, 9 February 2017 (2017-02-09), pages 1 - 18 * |
于贵瑞;王秋凤;刘迎春;刘颖慧;: "区域尺度陆地生态系统固碳速率和增汇潜力概念框架及其定量认证科学基础", 地理科学进展, no. 07, 15 July 2011 (2011-07-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117951469B (zh) | 2024-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021226976A1 (zh) | 一种基于深度神经网络的土壤速效养分反演方法 | |
CN106600434B (zh) | 基于作物模型与同化技术的作物长势遥感监测方法 | |
Milyukova et al. | Carbon balance of a southern taiga spruce stand in European Russia | |
CN108958329B (zh) | 一种滴灌水肥一体化智能决策方法 | |
CN108872964B (zh) | 基于无人机LiDAR数据的银杏人工林郁闭度提取方法 | |
CN108982369B (zh) | 融合gf-1wfv和modis数据的地块尺度作物长势监测方法 | |
CN112986158B (zh) | 基于无人机多光谱数据的甜菜氮素营养检测方法及系统 | |
CN112991247A (zh) | 冬小麦蒸散遥感反演及与作物模型同化方法 | |
CN116562139A (zh) | 一种糖料蔗种植区域碳汇量计算方法 | |
Park et al. | Integrated model for predicting rice yield with climate change | |
CN110210142B (zh) | 一种南方大型灌区水稻实时需水量测算方法 | |
CN116415704A (zh) | 一种基于多数据融合与同化的区域精量灌溉方法及系统 | |
Chaudhari et al. | Spatial wheat yield prediction using crop simulation model, GIS, remote sensing and ground observed data | |
Junior et al. | Satellite-based estimates of photosynthetically active radiation for tropical ecosystems in Ghana—West Africa | |
Duan et al. | A benchmark dataset of diurnal-and seasonal-scale radiation, heat and CO 2 fluxes in a typical East Asian monsoon region | |
CN117951469B (zh) | 一种葡萄园生态系统天-空-地一体化碳汇监测系统及检测方法 | |
CN115689100A (zh) | 一种基于数据同化的区域作物用水效率评估方法及系统 | |
CN112380497B (zh) | 用于区域玉米的秸秆系数估算方法及系统 | |
Liu et al. | Research on apple orchard classification and yield estimation model based on GF-1 and Sentinel-2 | |
Banov et al. | Technological framework for precise management of the system “soil-plants-ground atmosphere” | |
Wang et al. | Estimation of Maize Yield in Yitong County Based on Multi-source Remote Sensing Data from 2007 to 2017 | |
Cheng et al. | Improving UAV-Based LAI Estimation for Forests Over Complex Terrain by Reducing Topographic Effects on Multispectral Reflectance | |
AU2021100538A4 (en) | Crop Health Monitoring System Using IoT and Machine Learning | |
AU2021107439A4 (en) | A Novel method- Crop Health Monitoring System Using IoT and Machine Learning | |
Maitra et al. | Application of Remote Sensing & Geographic Information Systems for Agriculture-A Review |
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 |