基于数据挖掘方法的区域CO2通量时空分布格局及不确定性研究-以青藏高原草地样带为例

多尺度、大量的碳循环观测和试验数据的获取，为基于数据挖掘方法开展碳循.环研究提供了契机。本研究依托青藏高原草地样带，以区域CO2 通量的时空分布格局及不确.定性为科学问题，集成涡度相关观测数据、遥感数据和GIS 数据，以人工神经网络方法为手.段，发展基于数据挖掘方法（数据驱动）的区域尺度碳通量模型，采用bootstrap 方法定量.评价数据和模型模拟结果的不确定性，准确估算青藏高原草地样带NEE 的时空分布格局，正确揭示CO2 通量与环境变量的非线性关系，从而为研究我国区域尺度NEE 的时空分布格局提供一种新手段。

高寒草甸是青藏高原分布广泛、极具代表性的植被类型, 准确地估计高寒草甸碳吸收的分布格局及其不确定性, 对于理解和预测气候变化对青藏高原生态系统的影响具有重要意义。本研究结合现有的观测数据和研究基础，系统分析了数据处理方法不确定性对CO2通量组分估算的影响；构建了贝叶斯神经网络，模拟了站点尺度净CO2交换量（NEE）的时间动态及环境变量对NEE的影响，并量化了NEE的不确定性；综合敏感性分析方法、参数优化方法、不确定性量化和拆分方法初步构建了不确定性分析方法体系，并应用其估算了青藏高原区域尺度的总初级生产力（GPP），并对其不确定性进行了量化和拆分；另外，探讨了近地面数字相机图像在高寒草地群落季相监测中的作用，定量描述了植被群落物候及降水对群落季相的影响，进而改进了光能利用率模型并对站点GPP进行了模拟。碳循环研究中不可避免地存在不确定性，本研究中不确定性分析框架的构建及其在青藏高原的成功应用说明该框架不仅能够量化模型模拟的不确定性，还可以拆分不确定性，追溯不确定性的主要来源，从而定位对模拟结果影响较大的参数，可以为未来野外观测及模型改进提供指导，建立野外观测与模型模拟之间的桥梁，从而不断地减小不确定性，是我们未来进一步研究的重点。本项目发表学术论文9 篇，其中SCI 论文3篇，CSCD 论文6 篇。