Широко

СВЕЖИЕ НОВОСТИ

Nov 20, 2023

10 «лучших» программ и услуг для транскрипции с использованием искусственного интеллекта (июнь 2023 г.)

Jul 01, 2023

10 лучших яичных вибраторов 2023 года по мнению секс-экспертов

May 09, 2023

11 лучших вибраторов-бабочек

Jun 30, 2023

11 лучших гигантов

May 11, 2023

11 примеров использования НЛП: применение технологии понимания языка

ОТПРАВИТЬ ЗАПРОС

ПРЕДСТАВЛЯТЬ НА РАССМОТРЕНИЕ

Jul 15, 2023

Научные отчеты, том 13,

Научные отчеты, том 13, Номер статьи: 1720 (2023) Цитировать эту статью

5206 Доступов

129 Альтметрика

Подробности о метриках

Эта статья обновлена

Смягчение последствий изменения климата требует, помимо сокращения выбросов парниковых газов, действий по увеличению поглотителей углерода в наземных экосистемах. Ключевым методом измерения для количественной оценки таких поглотителей и калибровки моделей является метод вихревой ковариации, но он требует условного расчета или заполнения пробелов в недостающих данных для определения годовых углеродных балансов экосистем. Предыдущие сравнения методов заполнения пробелов показали, что обычно используемые методы, такие как выборка предельного распределения (MDS), не оказывают существенного влияния на оценку углеродного баланса. Анализируя обширный глобальный набор данных, мы показываем, что MDS вызывает значительные ошибки баланса углерода для северных (широта \(>60^\circ\)) участков. MDS систематически переоценивает выбросы углекислого газа (CO\(_2\)) источников углерода и недооценивает поглощение CO\(_2\) поглотителями углерода. Мы также раскрываем причины этих смещений и показываем, как метод машинного обучения, называемый экстремальным повышением градиента, или модифицированная реализация MDS, может использоваться для существенного уменьшения смещения северного участка.

Изменение климата является одной из самых серьезных проблем, с которыми сталкивается человечество. Помимо ограничения выбросов парниковых газов от ископаемого топлива и землепользования, необходимо найти эффективные способы улавливания углерода (С), особенно углекислого газа (СО\(_2\)), уже присутствующего в атмосфере. Естественные климатические решения, такие как климатически оптимизированное сельское хозяйство, облесение, лесовосстановление и восстановление торфяников, считаются наиболее осуществимыми средствами для этого1,2. Чтобы сделать эти решения заслуживающими доверия для климатической политики и углеродных рынков, необходима надежная проверка секвестрации углерода3. Проверка также включает в себя метод микрометеорологической вихревой ковариации (EC), ключевой метод прямого измерения потоков CO\(_2\) между экосистемами и атмосферой4. Популярность этого метода проявляется в сети FLUXNET, в которой за последние годы было зарегистрировано более 900 сайтов EC по всему миру5. В принципе, ЕС предоставляет непрерывные данные о краткосрочном чистом экосистемном обмене (NEE) CO\(_2\) с атмосферой, которые можно интегрировать во времени для определения соответствующего углеродного баланса экосистемы. Несмотря на то, что измерения ЕС могут проводиться непрерывно, на практике в собранных данных имеются пробелы, например, из-за технических сбоев и, что наиболее важно, из-за необходимости фильтрации данных, собранных в атмосферных условиях, что ставит под угрозу достоверность метода ЕС. . Например, в глобальном наборе данных FLUXNET2015 с данными за 1532 сайто-года6 в среднем 68% получасовых потоков CO\(_2\) отсутствуют7. Даже если исключить сайт-годы с перерывами более двух месяцев, средний охват данных составит 40%. Только 50 сайто-лет имеют охват выше 60% и только 5 сайт-лет имеют охват выше 70%.

Для вменения или заполнения пробелов в недостающих данных использовались различные методы: от простой линейной интерполяции и среднего суточного изменения до более сложных методов, таких как искусственные нейронные сети (ИНС). При сравнении 15 методов заполнения пробелов в потоках CO\(_2\) был сделан вывод, что влияние заполнения пробелов на годовой баланс углерода умеренное и что точность наиболее эффективных методов, которые оказались нелинейными, регрессия, справочная таблица, выборка по предельному распределению (MDS), полупараметрическая модель и ИНС уже достигают предела шума измерений8. Однако это сравнение включало только лесные участки в широтном диапазоне \(20^\circ\). Другие сравнения не учитывают наиболее часто используемые в настоящее время методы заполнения пробелов9, а именно подходы, основанные на MDS и машинном обучении, или фокусируются на длинных пробелах7,10,11. Несмотря на эти недостатки, различные методы машинного обучения и особенно MDS стали стандартными методами заполнения пробелов в данных EC. Примечательно, что MDS используется для заполнения пробелов в стандартизированных данных NEE открытого доступа, предоставляемых FLUXNET6 и Европейской исследовательской инфраструктурой Интегрированной системы наблюдения за выбросами углерода (ICOS). MDS также реализован в рамках бесплатного инструмента для заполнения пробелов REddyProc12 и как часть Tovi\(^{TM}\), коммерческого программного обеспечения для постобработки данных EC13. Однако для данных из северных высокоширотных (широта \(>60^\circ\)) мест недостаточно знаний об эффективности различных методов заполнения пробелов, особенно MDS. В северных экосистемах вегетационные периоды короткие, а количество солнечной радиации, ключевого экологического фактора обмена CO\(_2\), распределяется в течение года очень неравномерно. Таким образом, количество потенциально доступных ночных данных в течение короткого северного вегетационного периода невелико даже без фильтрации по качеству данных.

50^\circ\)N, N = 105) (Fig. 1a; for statistical tests, see Supplementary Table S1). During nighttime (SWR < 20 W m\(^{-2}\)), there was a negative, but much smaller bias (Fig. 1b) leading to a positive total flux bias (Fig. 1c). A positive flux bias indicates that either emission was overestimated or uptake was underestimated, while a negative bias indicates the opposite. When XGBoost was used for gap-filling, some positive and negative flux biases were observed (Fig. 1d,e), but the magnitude of these biases was small compared to the daytime bias of MDS. The total flux bias with XGBoost was insignificant or very small at all latitudes (Fig. 1f and Supplementary Table S1)./p>

60^\circ\)) sites. The results could hold also for other sites, such as southern high-latitude sites, and if applied to different drivers./p>45^\circ\)) which cover an area of \(20.6 \times\) 10\(^6\) km\(^2\)18. Therefore, the systematic gap-filling errors discovered here can have a significant relative impact on the C balance estimates of northern ecosystems, with implications for the verification of C sequestration./p>60^\circ\)) sites that had at least 30% annual coverage and T\(_{air}\), VPD, SWR and soil temperature available. For each site we selected the site-year that had the highest data coverage (Table 1)./p> 50 W m\(^{-2}\), T\(_{air}\) with a tolerance of 2.5 K and VPD with a tolerance of 5 hPa. If T\(_{air}\) or VPD is missing, only SWR is used. If none of the meteorological drivers are available, the gaps are filled with MDC. The specific sampling procedure is described in Wutzler et al.12. Noteworthy is that also the REddyProc tool uses SWR tolerances of 20 W m\(^{-2}\) and 50 W m\(^{-2}\) (https://github.com/bgctw/REddyProc/tree/1.1.3) even though a single tolerance approach is reported./p>

Новости

Широко