ICS13.020.10CCSZ04TechnicalspecificationsforaccurateaccountingofecosystemcarbonsequestrationinmeteorologicalstatiIT/QGCML4347—2024前言 2規范性引用文件 3術語和定義 4縮略語 5流程和原理 26核算方法 4參考文獻 9T/QGCML4347—2024本文件按照GB/T1.1—2020《標準化工作導則第1部分：標準化文件的結構和起草規則》的規定起草。請注意本文件的某些內容可能涉及專利。本文件的發布機構不承擔識別專利的責任。本文件由中國科學院新疆生態與地理研究所提出。本文件由全國城市工業品貿易中心聯合會歸口。本文件主要起草單位：中國科學院新疆生態與地理研究所、新疆科苑沙漠工程勘察設計院有限公司、北京大學、中國林業科學研究院資源信息研究所、中國城市建設研究院有限公司、蘭州大學、天津大學、長安大學、天津科技大學、黑河水資源與生態保護研究中心、南京師范大學、南京信息工程大學、中國石油天然氣股份有限公司塔里木油田分公司、中鐵科學研究院有限公司、新疆瑞繹昕生態園林技術有限公司、北京林豐源生態環境規劃設計院有限公司、北京凱來美氣候科技有限公司、新疆兵團城建集團有限公司、中節能鐵漢生態環境股份有限公司。本文件主要起草人：羅格平、李生宇、范敬龍、彭建、龐勇、趙文斌、張寶慶、左進、趙永華、宋有濤、董國濤、陳旻、李超凡、馬強、陳文、陶建、劉鵬程、于貴、曾柏元、周連兄、姬宏旺、鄧忠華、裴福云。T/QGCML4347—2024本文件的發布機構提請注意，聲明符合本文件時，可能涉及到一種基于氣象站的生態系統碳水通量計算方法及系統相關的專利的使用。本文件的發布機構對于該專利的真實性、有效性和范圍無任何立場。該專利持有人已向本文件的發布機構承諾，他愿意同任何申請人在合理且無歧視的條款和條件下，就專利授權許可進行談判。該專利持有人的聲明已在本文件的發布機構備案。相關信息可以通過以下聯系方式獲得：專利持有人姓名：羅格平。專利號：ZL202310097077.4。請注意除上述專利外，本文件的某些內容仍可能涉及專利。本文件的發布機構不承擔識別專利的責任。1T/QGCML4347—2024氣象站點生態系統固碳精準核算技術規范本文件規定了氣象站點生態系統固碳精準核算技術規范的術語和定義、縮略語、流程和原理、核算方法。本文件適用于基于氣象站點的生態系統固碳精準核算。2規范性引用文件本文件沒有規范性引用文件。3術語和定義下列術語和定義適用于本文件。3.1生態系統固碳ecosystemcarbonsequestration將大氣中的二氧化碳轉化為有機碳即碳水化合物，固定在植物體內或土壤中，減少大氣中二氧化碳的濃度，緩解全球氣候變暖。陸地生態系統碳固定是碳中和的關鍵環節。3.2渦度相關系統eddycovariancesystem測量植被冠層與大氣間能量與物質交換通量的技術手段。3.3碳通量carbonflux碳通量可為GPP或NEE。GPP是指單位時間內生物通過光合作用途徑所固定的光合產物量或有機碳總量,又稱總第一性生產力；NEE是指陸地與大氣系統間的C02，通量凈交換量。3.4精準核算accurateaccounting對生態系統中的碳吸收和固定過程進行精確計算和核算，有助于監測和評估生態系統固碳效果的可持續性。4縮略語下列縮略語適用于本文件。GPP：總初級生產力(grossprimaryproductivity)NEE：凈生態系統碳交換量(netecosystemexchange)VPD：飽和水汽壓差(vaporpressuredeficit)DSR：向下的短波輻射(Downwardshortwaveradiation)NDVI：歸一化植被指數(NIR-R)/(NIR+R)EVI：增強植被指數(EnhancedVegetationIndex)LAI：葉面積指數(leafareaindex)FPAR：光合有效輻射吸收比例(FractionofPhotosyntheticallyActiveRadiation)PFT：植被功能類型(PlantFunctionType)CR0：農田(cropland)GRA：草地(grassland)DBF：落葉闊葉林(deciduousbroadleafforest)EBF：常綠闊葉林(evergreenbroadleafforest)ENF：常綠針葉林(evergreenneedleleafforest)2T/QGCML4347—2024MF：混交林(mixedforest)SAV：稀樹草原(savannah)SHR：灌木林(shrubland)WET：濕地(wetland)LSTM：長短期記憶人工神經網絡(LongShort-TermMemory)RF：隨機森林(RandomForest)SVM：支持向量機(SupportVectorMachine)BP-ANN：反向傳播人工神經網絡(Back-propagationartificialneuralnetwork)MARS：建模動畫和渲染系統(ModellingAnimationAndRenderingSystem)XGB：極端梯度提升(eXtremeGradientBoosting)MLP：多層感知器(Multi-LayerPerceptron)ML:機器學習（MachineLearning）CFM：碳通量模型（CarbonFluxModel）CT：氣候類型（climatetype）5流程和原理5.1流程流程圖見圖1：5.2原理圖原理圖見圖2～圖4。3T/QGCML4347—2024圖2原理圖步驟1圖3原理圖步驟24T/QGCML4347—2024圖4原理圖步驟36核算方法6.1觀測數據集（S1、步驟1）6.1.1獲取目標區域中渦度相關通量站觀測數據集基于遙感技術的發展時間，觀測數據集包括的數據可分為以下兩種情況：a)基于每一渦度相關通量站的不含遙感的觀測數據集：包括渦度相關通量站的碳通量觀測數據和氣象觀測數據以及渦度相關通量站所在位置的植被土壤地形數據；b)基于每一渦度相關通量站的含遙感生物物理參量數據集：在a）情況的基礎上新增入遙感數據6.1.4。注：目標區域可以是一個流域(即由分水線所包圍的河流集水區)、一個地區、一個國家、一個大洲(地球上大陸和6.1.2獲取目標區氣象站點觀測數據集包括氣象站點氣溫(可包括日最高溫、日最低溫、日均溫、日較差)、降水、飽和水汽壓差)、氣壓、向下的短波輻射、大氣相對濕度、風速、風向和日照時數,也包括所在位置的植被土壤地形數據。6.1.3站點植被土壤地形數據包括土壤質地、土地覆被類型和位置地形：——土壤質地是指土壤中不同大小直徑的礦物顆粒的組合狀況,包括砂的百分比、粉砂百分比、粘土百分比；——土地覆被類型是指可以識別和定義的土地覆被類別,包括水體、濕地、人工地表、耕地、永久性冰雪、森林、草地、灌木叢、裸地和苔原；5T/QGCML4347—2024——位置地形是指地物形狀和地貌的總稱,具體指地表以上分布的固定物體所共同呈現出的高低起伏的各種狀態,五種突出地形分別是平原、高原丘陵、盆地、山地,包括經度、緯度、坡度、坡向和高程。6.1.4站點遙感數據通量站或氣象站基于遙感的地表生物物理參量數據,包括植被指數、波段光譜、地表水分指數、地表溫度和地表濕度,植被指數可以包括歸一化植被指數、增強植被指數、葉面積指數和光合有效輻射吸收比例。6.1.5分別獲得目標區域滿足質量要求的含遙感和不含遙感的通量站數據集和氣象站點含遙感和不含遙感的數據集利用地理信息系統和遙感技術分別產生目標區域內渦度相關通量站和氣象站點的含遙感觀測數據集和不含遙感的觀測數據集,并進行質量控制和標準化處理，以得到滿足目標區域的氣象站碳通量監測和評估的數據。6.2每一組合對應的碳通量數據集（S2）6.2.1根據植被功能類型和/或氣候類型對渦度相關通量站進行選擇性組合根據植被功能類型（包括農田、草地、落葉闊葉林、常綠闊葉林、常綠針葉林、混交林,稀樹草原、灌木林、濕地和荒漠）和/或氣候類型（包括干旱、半干旱半濕潤和濕潤）對渦度相關通量站進行選擇性組合,得到多個組合和每一組合對應的碳通量數據集；每一組合表征一種景觀或生態系統的情景；碳通量數據集包括組合內的所有渦度相關通量站觀測數據集。根據需求設定多種可能的生態系統的情景,然后基于每一情景,將與該情景的植被功能類型、氣候類型或植被功能類型和氣候類型相同的渦度相關通量站進行組合。示例：生態系統的情景為草地和干旱,則選取出所有植被功注：渦度相關通量站的植被功能類型和氣候類型是指渦度相關通量站所處位置的植被功能類型和氣候類型。6.2.2碳通量數據集的構建方法按照預定時間尺度對組合內的所有渦度相關通量站觀測數據集進行隨機采樣,得到碳通量數據集,預定時間尺度可以為1天、8天、1個月和1個季度等,即每間隔1個預定時間尺度,對通量站觀測數據集內的數據進行1次采樣,從而得到碳通量數據集。不同碳通量數據集的預定時間尺度相同或者不同，可構建成百上千個不同時間尺度的碳通量數據集組合,用于表征景觀或生態系統成百上千個情景，近似表征全球地表的景觀多樣性或復雜性。對分布于不同流域、地區、國家、大洲和全球尺度的渦度相關通量站,按照植被功能類型和/或氣候類型進行組合,形成成百上千個組合,每個組合表征一種可能的景觀或生態系統情景,后續可基于每個組合內的通量、遙感、地理和生態數據,利用不同機器學習方法,構建成百上千個碳通量模型。6.3根據決定系數和距離集合構建評價數據集（S3）6.3.1劃分每個組合碳通量數據的訓練集和測試集采用K折交叉驗證方式,將每個組合的碳通量數據集劃分為K份,然后隨機選取其中的K-1份組成訓練集,剩余的1份組成測試集,通過此種方式,可以獲得K種訓練集和測試集。也可以通過調節訓練集和測試集的比例來對碳通量數據集進行劃分,劃分得到多種訓練集和測試集。6.3.2利用訓練集得到碳通量機器學習模型碳通量機器學習模型為用于預測站點碳通量的碳通量模型，以訓練集作為輸入,利用機器學習算法訓練得到組合在劃分方式下的用于預測站點碳通量的碳通量模型包括:以訓練集中除碳通量觀測數據之外的數據作為輸入,以訓練集中的碳通量觀測數據作為標簽,利用機器學習算法訓練得到組合在劃分方式下的用于預測站點碳通量的碳通量模型。訓練過程中：6T/QGCML4347—2024——當觀測數據集包括碳通量觀測數據、氣象觀測數據以及植被土壤地形數據時,以訓練集中的氣象觀測數據和植被土壤地形數據作為輸入；——當觀測數據集包括碳通量觀測數據、氣象觀測數據、植被土壤地形數據以及遙感數據時,以訓練集中的氣象觀測數據、植被土壤地形數據和遙感數據作為輸入。通過以上訓練方式,可以得到多個碳通量機器學習模型,用于預測碳通量，碳通量模型的個數等于組合的個數與劃分方式的個數的乘積。6.3.3輸入測試集得到碳通量機器學習模型的決定系數R2以測試集作為碳通量模型的輸入,計算得到組合在劃分方式下的決定系數包括:以測試集中除碳通量觀測數據之外的數據作為輸入,利用碳通量模型計算得到碳通量預測值,并以測試集中的碳通量觀測數據作為碳通量實際值,根據碳通量預測值和碳通量實際值即可計算得到組合在劃分方式下的決定系數。訓練過程中：——當觀測數據集包括碳通量觀測數據、氣象觀測數據以及植被土壤地形數據時,以測試集中的氣象觀測數據和植被土壤地形數據作為輸入；——當觀測數據集包括碳通量觀測數據、氣象觀測數據、植被土壤地形數據以及遙感數據時，以測試集中的氣象觀測數據、植被土壤地形數據和遙感數據作為輸入。計算可得每一組合在每一劃分方式下的決定系數。6.3.4碳通量機器學習算法（超參數優化）在碳通量模型的訓練過程中引入超參數優化,提高碳通量模型的訓練效果。機器學習算法包括長短期記憶人工神經網絡算法、隨機森林算法、支持向量機算法、反向傳播人工神經網絡算法、建模動畫和渲染系統、極端梯度提升算法、集成算法以及上述算法的組合,集成算法包括Boosting算法與Bagging算法。基于每類機器學習算法均可以訓練得到一種碳通量模型。利用不同機器學習算法,可構建成百上千個碳通量模型,用于模擬計算生態系統成百上千個情景的多時間尺度碳通量,提高針對不同情景或生態系統碳通量模型的適用性。示例：以隨機森林算法為例,訓練得到的碳通量模型即為隨習算法對應的模型的Stacking堆疊模型和多層感知器與一種或多種機器學習算法對應的模型的Stacking堆疊模型。6.3.5利用決定系數R2評估適用的氣象站的碳通量機器學習模型用決定系數R2或相對誤差表征碳通量模型在測試集上的精度。碳通量模型的決定系數大小,取決于碳通量模型訓練集中碳通量影響因子和測試集中對應的碳通量影響因子之間的地理與生態差異,故決定系數可表征為各個碳通量影響因子的歐式距離的函數,由決定系數和各個碳通量影響因子的歐式距離可形成包括數千條樣本的評價數據集?；谠撛u價數據集,利用機器學習算法,構建用于預測決定系數R2的評價模型。構建的多個碳通量模型遷移應用至氣象站之前,利用該評價模型預測各個碳通量模型在氣象站預估的決定系數,以確定適用于氣象站的碳通量模型。6.3.6計算每一組合在劃分方式下的歐式距離集合計算每一碳通量影響因子在訓練集和測試集之間的歐式距離,得到組合在劃分方式下的距離集合包括:對于每一碳通量影響因子,利用下式(1)計算碳通量影響因子在訓練集和測試集之間的歐式距離,所有碳通量影響因子的歐式距離組成組合在劃分方式下的距離集合。如果通量站觀測數據集包括碳通量觀測數據、氣象觀測數據以及植被土壤地形數據,則碳通量影響因子包括氣象觀測數據和植被土壤地形數據中的每一種類型的數據,比如溫度、降水等；如果通量站觀測數據集包括碳通量觀測數據、氣象觀測數據、植被土壤地形數據以及遙感數據,則碳通量影響因子包括氣象觀測數據、植被土壤地形數據和遙感數據中的每一種類型的數據。通過這一方式,計算得到每一組合在每一劃分方式下的距離集合?！?）7T/QGCML4347—2024式中：d(x,y)—歐式距離；xi—訓練集中第i個樣本的碳通量影響因子的值，i=1,2,...,t；yi—測試集中第i個樣本的碳通量影響因子的值。注：由于訓練集和測試集的樣本個數不一定相同,可隨機在訓練集和測試集中均選取t個樣本來計算歐式距離,保證該天的數據進行平均,得到每一天的平均數據,從而訓練集和測試集均包括365或者366天中每一天的平均數據,以每一天的平均數據作為樣本,從而保證訓練集和測試集的樣本個數相同:還可以對訓練集和測試集中的數據按照從小到大的順序或者從大到小的順序進行排序,并將排序后的數據均分為t份,計算每一份的平均數據,從而訓練集和測試集均包括t份平均數據,以t份平均數據作為t個樣本,保證訓練集和測6.3.7由決定系數和相對應的距離集合構建碳通量模型決定系數的評價數據集評價數據集的結構如表1所示:表1評價數據集R2…du-112…6.4利用機器學習算法訓練得到用于預測決定系數的評價模型（S4）以評價數據集作為輸入,利用機器學習算法訓練得到用于預測決定系數的評價模型:以評價數據集中的距離集合作為輸入,以評價數據集中的決定系數作為標簽,利用機器學習算法訓練得到用于預測決定系數的評價模型。6.5利用決定系數評價模型確定氣象站適用的碳通量模型并計算碳通量（S5）6.5.1對于目標區域中的每一氣象站,利用評價模型確定氣象站適用的碳通量模型,并利用氣象站適用的碳通量模型計算氣象站的碳通量。6.5.2對于每一碳通量模型,計算每一碳通量影響因子在訓練碳通量模型時所用的訓練集和每個氣象站觀測數據集之間的歐式距離,得到氣象站歐氏距離集合；以氣象站歐氏距離集合作為輸入,利用評價模型計算碳通量模型應用至氣象站,得到碳通量模型對應氣象站碳通量模擬的預估決定系數。6.5.3利用氣象站觀測數據集替換式(1)的測試集,利用式(1)計算得到每一碳通量影響因子的歐式距離,可得到氣象站歐氏距離集合。還可構建所有碳通量模型分別遷移應用到各個氣象站的預估決定系數（即表2中的R2-M）所組成的數據庫,評估碳通量模型遷移至氣象站的適用性。數據庫如下表2所示。表2氣象站點的預估決定系數數據庫…du-1R2-M12…注：R-M為碳水通量模型遷移應用至氣象站和由R預估模型計算的氣象站點的預估決定系數。6.5.4對于每一碳通量模型,判斷碳通量模型對應的氣象站碳通量預估的決定系數是否大于或等于預設閾值；若是,則碳通量模型適用于氣象站；若否,則碳通量模型不適用于氣象站；所有適用于氣象站的碳通量模型組成備選集,選取備選集中決定系數最大的所對應的碳通量模型作為特定氣象站適用的碳通量模型。如果備選集內的碳通量模型的個數為0,則證明該氣象站沒有適用的碳通量模型。通過上述手8T/QGCML4347—2024段,即可確定每一氣象站是否有適用的碳通量模型,以及有適用的碳通量模型的氣象站。6.5.5決定系數的高低決定了碳通量模型在渦度相關通量站的適用性,碳通量模型應用至某個渦度相關通量站的決定系數越高,意味著碳通量模型的訓練集與該渦度相關通量站數據集的測試集越相似(通常決定系數應＞0.5),故預設閾值可為0.5。若碳通量模型在氣象站預估的決定系數≥0.5,則碳通量模型才可以應用至該氣象站,若預估決定系數小于0.5,則認為碳通量模型的遷移精度較低,無法應用至該氣象站。由此可得碳通量模型遷移應用到氣象站的適用性評估框架和方法體系。6.5.6在確定氣象站適用的碳通量模型后,即可依據氣象站的實際觀測數據來準確計算氣象站的碳通量,從而生成基于氣象站挖掘的包括碳通量的數據集,綜合目標區域內所有氣象站的數據集,即可分析目標區域不同生態系統和生態系統組合碳通量年際、季節、日尺度碳動態過程和特征。6.5.7基于碳通量模型的決定系數及其碳通量影響因子的歐式距離,建立通量站點的碳通量模型遷移應用至氣象站的評價框架和方法體系,用于評估目標區域內每一氣象站是否能匹配到滿足精度要求的碳通量模型,并利用滿足精度要求的碳通量模型挖掘該氣象站點的碳通量,構建氣象站點高精度碳通量數據集。挖掘氣象站點的高精度碳通量信息,產生的氣象站點碳通量可滿足生態系統碳核算的精度要求。9T/QGCML4347—2024參考文獻[1]MingjuanXie,XiaofeiMa,YuangangWang,ChaofanLi,HaiyangShi,XiuliangYuan,OlafHellwich,ChunboChen,WenqiangZhang,ChenZhang,QingLing,RuixiangGao,YuZhang,FridayUchennaOchege,AmauryFrankl,PhilippeDeMaeyer,NinaBuchmann,IrisFeigenwinter,J?rgenE.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,Ladislav?igut,LeifKlemedtsson,LucaTezza,LukasH?rt