第七届青年地学论坛

陆地生态系统碳储量是生态系统之间碳循环的重要指标，也是全球气候变化最重要的参数之一。针对该指标估测的不确定性，本研究基于中国陆地生态系统通量观测研究网络的实测碳通量数据GPP（Gross Primary Production）、NEE((Net Ecosystem Exchange)等及遥感卫星观测数据，利用机器学习方法进行建模，在比较了随机森林模型、多元回归模型等方法在自动从高质量的训练数据中学习特征、挖掘数据中的隐含特征以及时序间依赖关系的差异的基础上，建立了一种基于机器学习的全球陆地生态系统碳储量估算模型。选择标准指标对模型进行了客观评价，分析了模型中各种参数的敏感性，重要性。结果分析表明，与基于遥感数据的GPP产品相比，基于大数据和机器学习方法的GPP预测方法较原有的过程模型方法在估测GPP数值精度上有了很大提高，其未分类全球站点的预测结果与通量站点实测数据相比，R²为0.67，RMSE为2.28 g C m^-2 d^-1，其中落叶阔叶林预测结果最优，决策系数为R² 为0.82，均方根误差为1.93 gCm⁻² d⁻¹，在其他植被类型上也明显优于传统光能利用率模型产品，NEP（Net Ecosystem Production）净生态系统生产力。为进行陆地生态系统碳储量大范围快速估算，利用谷歌云平台为依托进行了陆地生态系统碳储量遥感监测平台的搭建，该平台以GEE (Google Earth Engine)进行数据存储与计算，Django作为Web框架，HTML, CSS, JavaScript等作为前端框架。依托该大数据系统平台和机器学习模型，本研究可以比传统模型和方法更加精准、快速的得到陆地生态系统碳储量遥感估测结果，实现高质量陆地生态系统碳储量区域和全球尺度时空扩展。
 

机器学习,通量站点数据,随机森林,云平台