TQGCML 4347-2024 气象站点生态系统固碳精准核算技术规范

ICS13.020.10CCSZ04团 体 标 准T/QGCML4347—2024气象站点生态系统固碳精准核算技术规范Technicalspecificationsforaccurateaccountingofecosystemcarbonsequestrationinmeteorologicalstation2024-06-21发布 2024-07-06实施全国城市工业品贸易中心联合会  发布T/QGCML4347T/QGCML4347—2024PAGE\*ROMANPAGE\*ROMANIII目 次前言 II引言 III范围 1规范性引用文件 1术语和定义 1缩略语 1流程和原理 2核算方法 4参考文献 9前 言本文件按照GB/T1.1—2020《标准化工作导则 第1部分：标准化文件的结构和起草规则》的规定起草。请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。本文件由中国科学院新疆生态与地理研究所提出。本文件由全国城市工业品贸易中心联合会归口。中国引 言本文件的发布机构对于该专利的真实性、有效性和范围无任何立场。该专利持有人已向本文件的发布机构承诺，他愿意同任何申请人在合理且无歧视的条款和条件下，专利持有人姓名：罗格平。专利号：ZL202310097077.4。请注意除上述专利外，本文件的某些内容仍可能涉及专利。本文件的发布机构不承担识别专利的责任。T/QGCML4347T/QGCML4347—2024PAGEPAGE1气象站点生态系统固碳精准核算技术规范范围本文件适用于基于气象站点的生态系统固碳精准核算。规范性引用文件本文件没有规范性引用文件。术语和定义下列术语和定义适用于本文件。生态系统固碳 ecosystemcarbonsequestration涡度相关系统 eddycovariancesystem测量植被冠层与大气间能量与物质交换通量的技术手段。碳通量 carbonflux碳通量可为GPP或NEE。GPP是指单位时间内生物通过光合作用途径所固定的光合产物量或有机碳总量,又称总第一性生产力；NEE是指陆地与大气系统间的C02，通量净交换量。精准核算 accurateaccounting缩略语下列缩略语适用于本文件。GPP：总初级生产力(grossprimaryproductivity)NEE：净生态系统碳交换量(netecosystemexchange)VPD：饱和水汽压差(vaporpressuredeficit)DSR：向下的短波辐射(Downwardshortwaveradiation)NDVI：归一化植被指数(NIR-R)/(NIR+R)EVI：增强植被指数(EnhancedVegetationIndex)LAI：叶面积指数(leafareaindex)FPAR：光合有效辐射吸收比例(FractionofPhotosyntheticallyActiveRadiation)PFT：植被功能类型(PlantFunctionType)CR0：农田(cropland)GRA：草地(grassland)DBF：落叶阔叶林(deciduousbroadleafforest)EBF：常绿阔叶林(evergreenbroadleafforest)ENF：常绿针叶林(evergreenneedleleafforest)MF：混交林(mixedforest)SAV：稀树草原(savannah)SHR：灌木林(shrubland)WET：湿地(wetland)LSTM：长短期记忆人工神经网络(LongShort-TermMemory)RF：随机森林(RandomForest)SVM：支持向量机(SupportVectorMachine)BP-ANN：反向传播人工神经网络(Back-propagationartificialneuralnetwork)MARS：建模动画和渲染系统(ModellingAnimationAndRenderingSystem)XGB：极端梯度提升(eXtremeGradientBoosting)MLP：多层感知器(Multi-LayerPerceptron)ML:机器学习（MachineLearning）CFM：碳通量模型（CarbonFluxModel）CT：气候类型（climatetype）流程和原理流程流程图见图1：图2 原理图步骤1图3 原理图步骤2图4 原理图步骤3核算方法观测数据集（S11）获取目标区域中涡度相关通量站观测数据集基于遥感技术的发展时间，观测数据集包括的数据可分为以下两种情况：基于每一涡度相关通量站的不含遥感的观测数据集：包括涡度相关通量站的碳通量观测数据和气象观测数据以及涡度相关通量站所在位置的植被土壤地形数据；情况的基础上新增入遥感数据6.1.4。注：目标区域可以是一个流域(即由分水线所包围的河流集水区)、一个地区、一个国家、一个大洲(地球上大陆和它附近岛屿的总称,如欧亚大陆)或整个陆地(如全球)。获取目标区气象站点观测数据集站点植被土壤地形数据包括土壤质地、土地覆被类型和位置地形：——土壤质地是指土壤中不同大小直径的矿物颗粒的组合状况,包括砂的百分比、粉砂百分比、粘土百分比；——土地覆被类型是指可以识别和定义的土地覆被类别,包括水体、湿地、人工地表、耕地、永久性冰雪、森林、草地、灌木丛、裸地和苔原；——位置地形是指地物形状和地貌的总称,具体指地表以上分布的固定物体所共同呈现出的高低起伏的各种状态,五种突出地形分别是平原、高原丘陵、盆地、山地,包括经度、纬度、坡度、坡向和高程。站点遥感数据通量站或气象站基于遥感的地表生物物理参量数据,包括植被指数、波段光谱、地表水分指数、地表温度和地表湿度,植被指数可以包括归一化植被指数、增强植被指数、叶面积指数和光合有效辐射吸收比例。分别获得目标区域满足质量要求的含遥感和不含遥感的通量站数据集和气象站点含遥感和不含遥感的数据集利用地理信息系统和遥感技术分别产生目标区域内涡度相关通量站和气象站点的含遥感观测数据每一组合对应的碳通量数据集（S2）根据植被功能类型和/或气候类型对涡度相关通量站进行选择性组合（根据需求设定多种可能的生态系统的情景,然后基于每一情景,将与该情景的植被功能类型、气候类型或植被功能类型和气候类型相同的涡度相关通量站进行组合。示例：生态系统的情景为草地和干旱,则选取出所有植被功能类型为草地、气候类型为干旱的涡度相关通量站,并进行组合。注：涡度相关通量站的植被功能类型和气候类型是指涡度相关通量站所处位置的植被功能类型和气候类型。碳通量数据集的构建方法按照预定时间尺度对组合内的所有涡度相关通量站观测数据集进行随机采样,得到碳通量数181111不同碳通量数据集的预定时间尺度相同或者不同，可构建成百上千个不同时间尺度的碳通量数据集组合,用于表征景观或生态系统成百上千个情景，近似表征全球地表的景观多样性或复杂性。对分布于不同流域、地区、国家、大洲和全球尺度的涡度相关通量站,按照植被功能类型和/或气候类型进行组合,形成成百上千个组合,每个组合表征一种可能的景观或生态系统情景,后续可基于每个组合内的通量、遥感、地理和生态数据,利用不同机器学习方法,构建成百上千个碳通量模型。根据决定系数和距离集合构建评价数据集（S3）划分每个组合碳通量数据的训练集和测试集采用K折交叉验证方式,将每个组合的碳通量数据集划分为K份,然后随机选取其中的K-1份组成训练集,剩余的1份组成测试集,通过此种方式,可以获得K种训练集和测试集。也可以通过调节训练集和测试集的比例来对碳通量数据集进行划分,划分得到多种训练集和测试集。利用训练集得到碳通量机器学习模型据之外的数据作为输入,以训练集中的碳通量观测数据作为标签,利用机器学习算法训练得到组合在划分方式下的用于预测站点碳通量的碳通量模型。训练过程中：——当观测数据集包括碳通量观测数据、气象观测数据以及植被土壤地形数据时,以训练集中的气象观测数据和植被土壤地形数据作为输入；——当观测数据集包括碳通量观测数据、气象观测数据、植被土壤地形数据以及遥感数据时,以训练集中的气象观测数据、植被土壤地形数据和遥感数据作为输入。通过以上训练方式,可以得到多个碳通量机器学习模型,用于预测碳通量，碳通量模型的个数等于组合的个数与划分方式的个数的乘积。R2以测试集作为碳通量模型的输入,计算得到组合在划分方式下的决定系数包括:以测试集中除碳通量观测数据之外的数据作为输入,利用碳通量模型计算得到碳通量预测值,并以测试集中的碳通量观测数据作为碳通量实际值,根据碳通量预测值和碳通量实际值即可计算得到组合在划分方式下的决定系数。训练过程中：——当观测数据集包括碳通量观测数据、气象观测数据以及植被土壤地形数据时,以测试集中的气象观测数据和植被土壤地形数据作为输入；——当观测数据集包括碳通量观测数据、气象观测数据、植被土壤地形数据以及遥感数据时，以测试集中的气象观测数据、植被土壤地形数据和遥感数据作为输入。计算可得每一组合在每一划分方式下的决定系数。碳通量机器学习算法（超参数优化）画和渲染系统、极端梯度提升算法、集成算法以及上述算法的组合,集成算法包括Boosting上千个碳通量模型,用于模拟计算生态系统成百上千个情景的多时间尺度碳通量,提高针对不同情景或生态系统碳通量模型的适用性。示例：StackingStacking2用决定系数R2或相对误差表征碳通量模型在测试集上的精度。碳通量模型的决定系数大小,取决于碳通量模型训练集中碳通量影响因子和测试集中对应的碳通量影响因子之间的地理与生态差异,故决定系数可表征为各个碳通量影响因子的欧式距离的函数,由决定系数和各个碳通量影响因子的欧式距离可形成包括数千条样本的评价数据集。2通量模型迁移应用至气象站之前,利用该评价模型预测各个碳通量模型在气象站预估的决定系数,以确定适用于气象站的碳通量模型。计算每一组合在划分方式下的欧式距离集合计算每一碳通量影响因子在训练集和测试集之间的欧式距离,得到组合在划分方式下的距离集合包括:对于每一碳通量影响因子,利用下式(1)计算碳通量影响因子在训练集和测试集之间的欧式距离,所有碳通量影响因子的欧式距离组成组合在划分方式下的距离集合。………………（1）式中：d(x,y)—欧式距离；xii=12,...,；yi注：由于训练集和测试集的样本个数不一定相同,可随机在训练集和测试集中均选取t个样本来计算欧式距离,保证该天的数据进行平均,得到每一天的平均数据,从而训练集和测试集均包括365或者366天中每一天的平均数据,以每一天的平均数据作为样本,从而保证训练集和测试集的样本个数相同:还可以对训练集和测试集中的数据按照从小到大的顺序或者从大到小的顺序进行排序,并将排序后的数据均分为t份,计算每一份的平均数据,从而训练集和测试集均包括t份平均数据,以t份平均数据作为t个样本,保证训练集和测试集的样本个数相同。由决定系数和相对应的距离集合构建碳通量模型决定系数的评价数据集1表1 评价数据集IDR2d12…d1du12…注：R2CFM在通量站验证的决定系数；d，d，…，d，dCFM训练集不同影响因子（解释变量）与RFM验证集1 2 u-1 u中对应因子之间的欧氏距离。利用机器学习算法训练得到用于预测决定系数的评价模型（S4）以评价数据集作为输入,利用机器学习算法训练得到用于预测决定系数的评价模型:以评价数据集中的距离集合作为输入,以评价数据集中的决定系数作为标签,利用机器学习算法训练得到用于预测决定系数的评价模型。01122u-1u-1u1：R2预估模型:z=aadadad+ada0、a1、a2、au-1、au均为回归参数；d1、d2、du-1、du01122u-1u-1u利用决定系数评价模型确定气象站适用的碳通量模型并计算碳通量（S5）对于目标区域中的每一气象站,利用评价模型确定气象站适用的碳通量模型,并利用气象站适用的碳通量模型计算气象站的碳通量。对于每一碳通量模型,计算每一碳通量影响因子在训练碳通量模型时所用的训练集和每个气象利用气象站观测数据集替换式(1)的测试集,利用式(1)计算得到每一碳通量影响因子的欧式距离,可得到气象站欧氏距离集合。还可构建所有碳通量模型分别迁移应用到各个气象站的预估决定系数即表2R-M2所示。表2 气象站点的预估决定系数数据库IDd1d2…1duR-M12…注：R2-M为碳水通量模型迁移应用至气象站和由R2预估模型计算的气象站点的预估决定系数。对于每一碳通量模型,判断碳通量模型对应的气象站碳通量预估的决定系数是否大于或等于预0,则证明该气象站没有适用的碳通量模型。通过上述手段,即可确定每一气象站是否有适用的碳通量模型,以及有适用的碳通量模型的气象站。决定系数的高低决定了碳通量模型在涡度相关通量站的适用性,碳通量模型应用至某个涡度相关通量站的决定系数越高,意味着碳通量模型的训练集与该涡度相关通量站数据集的测试集越相似(通常决定系数应＞0.50.5。若碳通量模型在气象站预估的决定系数≥0.5,则碳通量模0.5,则认为碳通量模型的迁移精度较低,无法应用至该气象站。由此可得碳通量模型迁移应用到气象站的适用性评估框架和方法体系。在确定气象站适用的碳通量模型后,即可依据气象站的实际观测数据来准确计算气象站的碳通量,从而生成基于气象站挖掘的包括碳通量的数据集,综合目标区域内所有气象站的数据集,即可分析目标区域不同生态系统和生态系统组合碳通量年际、季节、日尺度碳动态过程和特征。基于碳通量模型的决定系数及其碳通量影响因子的欧式距离,建立通量站点的碳通量模型迁移应用至气象站的评价框架和方法体系,用于评估目标区域内每一气象站是否能匹配到满足精度要求的碳通量模型,并利用满足精度要求的碳通量模型挖掘该气象站点的碳通量,构建气象站点高精度碳通量数据集。挖掘气象站点的高精度碳通量信息,产生的气象站点碳通量可满足生态系统碳核算的精度要求。参 考 文 献MingjuanXie,XiaofeiMa,YuangangWang,ChaofanLi,HaiyangShi,XiuliangYuan,OlafHellwich,ChunboChen,WenqiangZhang,ChenZhang,QingLing,RuixiangGao,YuZhang,FridayUchennaOchege,AmauryFrankl,PhilippeDeMaeyer,NinaBuchmann,IrisFeigenwinter,JørgenE.Olesen,RadoslawJuszczak,AdrienJacotot,AinoKorrensalo,AndreaPitacco,AndrejVarlagin,AnkitShekhar,AnnaleaLohila,AnneDeLigne,ArnaudCarrara,AuroreBrut,BartKruijt,BenjaminLoubet,BernardHeinesch,BogdanChojnicki,CaroleHelfter,CarolineVincke,ChangliangShao,ChristianBernhofer,ChristianBrümmer,ChristianWille,Eeva-StiinaTuittila,EikoNemitz,FrancoMeggio,GangDong,GaryLanigan,GeorgNiedrist,GeorgWohlfahrt,GuoyiZhou,IgnacioGoded,ThomasGruenwald,JanuszOlejnik,JoachimJansen,JohanNeirynck,Juha-PekkaTuovinen,JunhuiZhang,KatjaKLUMPP,KimPilegaard,LadislavŠigut,LeifKlemedtsson,LucaTezza,LukasHörtnagl,MarekUrbaniak,MarilynRoland,MariusSchmidt,MarkA.Sutton,MarkusHehn,MatthewSaunders,MatthiasMauder,MikaAurela,MikaKorkiakoski,MingyuanDu,Nadi