Калибровка спутниковой оценки экосистемного дыхания на основе измерений эколого-климатических станций по лесным и болотным экосистемам России
В отчётный период продолжена работа по созданию алгоритма расчёта компонент баланса углерода: GPP (поглощение CO2 в ходе процесса фотосинтеза), Reco (дыхание экосистемы) и NEE (нетто-разница между двумя компонентами).
В предыдущем отчётном периоде работа была сфокусирована на разработке алгоритма расчёта поглощения углерода экосистемами (GPP), а также валидации этого продукта по наземным измерениям с некоторых станций сети RuFlux (https://ruflux.net). В настоящий отчётный период получили развитие работы по разработке алгоритма расчёта экосистемного дыхания (Reco). В основу легли эмпирические соотношения, найденные на основе анализа данных эколого-климатических станций (ЭКС). В 2025 г. получен доступ к ключевым данным сети RuFlux — временным рядам наблюдений 14 станций из 35 (рисунок 1).
|
|
|
Калининградская обл.
1 — KA-Vit
2 — KA-Vi2
|
Курская обл.
8 — KU-KBS
|
Республика Чечня
13 — CR-Chr
14 — CR-Frm
|
Республика Коми
17 — KO-UPo
18 — KO-Lya
20 — KO-Yak
|
Красноярский край
27 — KR-Iga
28 –KR-Zo1
29 — KR-Zo2
30 — KR-Zo3
31 — KR-Tur
|
|
Тверская обл.
3 — TV-Fyo
4 — TV-Fy2
5 — TV-Fy3
6 — TV-Fy4
|
Московская обл.
9 — MO-Chf
10 — MO-Pus
|
Республика Татарстан
15 — TА-Obs
16 — TА-Sar
|
Ханты-Мансийский АО
21 — KM-Koz
22 — KM-KO2
23 – KM-Muh
24 — KM-Mu2
25 — KM-Mu3
|
Республика Саха (Якутия)
32 — YA-Tik
33 — YA-SPl
34- Ya-Elg
35- Ya-Ckd
|
|
Новгородская обл.
7 — NO-LTa
|
Волгоградская обл.
11 — VG-KaS
12 — VG-KaP
|
Республика Башкортостан
19 — BА-Kur
|
Томская область
26 — TO-Plt
|
|
Рисунок 1 — Территориальное распределение эколого-климатических станций (ЭКС) сети RuFlux. По состоянию на конец 2025 г. сеть включает 35 станций
- TV-Fyo. Федоровское (Тверская обл., берёзово-еловый лес, 1998–2020);
- TV-Fy2. Федоровское-2 (Тверская обл., берёзово-кленово-еловый лес, 2015–2020);
- KO-Lya. Ляли (Республика Коми, ельник, 2020–2023);
- KO-Yak. Якша (Республика Коми, сосняк, 2021–2023);
- KM-Muh3. Мухрино-3 (Ханты-Мансийский АО, темнохвойно-осиновый лес, 2023–2024);
- YA-SPI. Спасская Падь (Якутия, лиственничник, 2004–2013);
- YA-Elg. Эльгэйи (Якутия, лиственничник, 2010–2018);
- KR-Tur. Тура (Красноярский край, лиственничник, 2023);
- TV-Fy4. Федоровское-4 (Тверская обл., олиготрофное болото, 2015–2022, 2024);
- KO-Upo. Усть-Пожег (Республика Коми, мезоолиготрофное болото, 2012,2013,2017);
- KR-Iga. Игарка (Красноярский край, плоскобугристое болото, 2023);
- KM-Muh. Мухрино (Ханты-Мансийский АО, олиготрофное болото, 2021–2024);
- KM-Muh2. Мухрино-2 (Ханты-Мансийский АО, сосново-сфагновое болото, 2024);
- TO-Plt. Плотниково (Томская область, олиготрофное болото, 2022–2024).
Существенным недостатком базы RuFlux является не только ограниченное количество данных (что характерно и для мировых баз данных, таких как FLUXNET), но также практически полное отсутствие измерений для определённых классов, например, широколиственных листопадных лесов (DBF), тундры, травянистой растительности.
a б в
г д е
Рисунок 2 — Пример сравнения вариаций и расчёт корреляций переменных баланса углерода (GPP, Reco, NEE) в зависимости от масштаба временного интервала — 30-мин (half-hourly, HH), суточных (daily, DD) и годовых (yearly, YY) сумм. Данные приведены для ЭКС TV-Fyo
Пример данных баланса углерода (GPP, Reco, NEE) на различных временных масштабах показан на рисунке 2. В течение дня поглощение сильно варьируется, достигая максимума в локальный полдень и спадая до нуля при заходе Солнца (рисунок 2а). В то же время дыхание весьма инертно, т.е. практически постоянно в течение суток. Поэтому корреляция между 30-мин данными GPP и Reco практически отсутствует. Однако в течение дня устанавливается баланс между поглощённым и высвобожденным углеродом, так что суточные суммы GPP и Reco имеют достаточно хорошую корреляцию. Годовые суммы GPP и Reco также имеют хорошую корреляцию, и разница между ними (NEE) стремится к нулю. Таким образом, первым предиктором Reco является GPP. Также из литературы известно, что Reco наиболее сильно подвержено влиянию приземной температуры (Т) и моделируется на основе эмпирически выведенного уравнения (Lloyd J., Taylor J. On the temperature dependence of soil respiration, Functional Ecology. 2004. V. 8. P. 315–323).
Были сформулированы три модели Reco с использованием предикторов GPP и T.
1. MODEL1 — линейная регрессия между Reco and GPP:
где α и β являются свободными параметрами модели;
2. MODEL2 основана на уравнении (Lloyd J., Taylor J. On the temperature dependence of soil respiration // Functional Ecology. 2004. V. 8. P. 315–323), выражающего температурную зависимость Reco:
где Tref и T0 — фиксированные параметры модели (константы), в то время как Rref и E0 — это свободные параметры;
3. MODEL3 — комбинация двух предыдущих моделей (Gao Y. et al. A remote sensing model to estimate ecosystem respiration // Northern China and Tibetan Plateau, Ecological Modeling. 2015. V. 304. P. 34–43):
Физический смысл MODEL3 заключается в том, что первый член описывает автотрофное дыхание, в то время как второй более чувствителен к гетеротрофному дыханию (Gao Y. et al. A remote sensing model to estimate ecosystem respiration in Northern China and Tibetan Plateau // Ecological Modeling. 2015. V. 304. P. 34–43).
Каждая из моделей была применена для аппроксимации суточного Reco на основе годового ряда суточных значений предикторов (GPP и/или T). Аппроксимация выполнена с помощью алгоритма нелинейной регрессии Levenberg-Marquardt (Chen, L. et al. A general method for parameter estimation in light-response model, Scientific Reports. 2016. DOI: 10.1038). По результатам расчётов формируется база данных коэффициентов моделей: один набор на каждый год измерений для каждой станции. С единым набором параметров моделей можно весьма точно аппроксимировать годовой ряд Reco, но значения коэффициентов меняются от года к году для конкретной станции, а также варьируются для разных станций. Для параметризации этой вариабельности все станции сгруппированы в классы в зависимости от принадлежности к определённому типу растительного покрова. Для каждого класса (для которого имеются измерения) рассчитанные значения параметров моделей дыхания были сгруппированы и проанализированы. Выяснилось, что даже внутри класса нельзя фиксировать значения параметров, так как при таком подходе будет нарушена естественная межгодовая вариабельность. Для учёта этого эффекта значения параметров моделей были поставлены в зависимость от годовой суммы GPP путём линейной регрессии. Никакие другие доступные из продуктов реанализа параметры не давали наилучшей корреляции с вариабельностью параметров моделей Reco.
На рисунке 3 представлен пример стандартного анализа, выполненного для данных, полученных ЭКС TV-Fyo за 2020 г., аналогичный анализ проведён для всех полученных данных со всех станций. На рисунках 3(а–в) приведены результаты линейной регрессии между тремя компонентами баланса углерода GPP, Reco и NEE, полученных с использованием данных ЭКС. Как правило, наиболее статистически значимая регрессия наблюдается между GPP и Reco. NEE плохо коррелирует как с GPP, так и с Reco практически для всех станций, кроме тех, что расположены на болотных экосистемах. Можно сделать вывод, что для расчёта NEE необходимо отдельно моделировать GPP и Reco, а затем рассчитывать их разницу. На рисунках 3(ж–и) приведен результат сравнения аппроксимации переменных и соответствующих измерений ЭКС.
а б в
г д е
ж з и
Рисунок 3 — Пример анализа данных ЭКС GPP/Reco/NEE, а также их аппроксимации (modeled) на основе 3 моделей дыхания. Анализ проведен для ЭКС TV-Fyo за 2020 г.
Все три модели дают хорошую корреляцию аппроксимированных Reco и NEE с оригиналом. Наилучшая статистика наблюдается у MODEL3, где предикторами являются как GPP, так и T. Анализ всех данных показывает, что MODEL3 автоматически выбирает нужную переменную для более близкой аппроксимации, в то время как модели с одним предиктором могут давать систематическую погрешность в определённых ситуациях. Также возникает вопрос, насколько модели расходятся в предсказании Reco в зависимости от выбора предиктора, в частности, в ситуации, когда предиктором выступает только GPP или только T (рисунок 3е). Как правило, модель, основанная на температуре, предсказывает заниженное значение Reco. Причина заключается, по всей видимости, в том, что MODEL2 не вполне способна учитывать автотрофное дыхание, этот дефект нивелируется при применении комбинированной модели MODEL3. Сравнение сезонного хода аппроксимации и оригинала Reco, NEE, а также отношения GPP/Reco показано на графиках рисунков 3(ж–и). Аппроксимация хорошо работает при предсказании как межсуточных резких колебаний, так и общего сезонного цикла. В целом MODEL3 дает оценку компонент баланса углерода, выбирая среднее между MODEL1 и MODEL2, что является в подавляющем количестве случаев наиболее близкой оценкой по отношению к оригиналу.
На основе анализа всех данных ЭКС были рассчитаны коэффициенты трех параметрических моделей Reco. В отчётный период создан автоматизированный блок ПО расчёта Reco. Комбинацией блока расчёта Reco с блоком расчёта GPP, созданного в прошлый отчётный период, создана автоматизированная система расчёта компонент баланса углерода. Блок-схема итогового алгоритма представлена на рисунке 4. На первом этапе рассчитывается суточное GPP. На вход подаются ежегодная карта растительного покрова (PFT), FPAR и данные реанализа (минимальная температура за сутки, влажность и радиация). Рассчитывается весь годовой цикл GPP. Затем рассчитывается годовая сумма GPP. Далее контроль передаётся блоку расчёта Reco. На вход подаются как суточные, так и годовые суммы рассчитанного GPP, а также среднесуточная температура. Блок рассчитывает суточное Reco. Разница между суточным Reco и GPP дает оценку суточного NEE.
Рисунок 4 — Блок-схема автоматизированной системы расчёта продукта ИКИ MODIS GPP/Reco/NEE. Сокращения названия продуктов: PFT — Plant Functional Types — карта типов растительного покрова, VPD — Vapor Pressure Deficit, PAR — Photosynthetically Active Radiation, FPAR — Fraction of Photosynthetically Active Radiation absorbed by vegetation
Пример результатов расчётов в соответствии с разработанным алгоритмом показан на рисунке 5. На рисунке 5а представлено пространственное распределение количества дней в году, по которым ведётся расчёт продукта Reco. Карта распределения годовых сумм GPP представлена на рисунке 5б. Чётко прослеживается градация распределения величин с юга на север. Предикторы Reco: GPP и среднесуточная температура — показаны на рисунках 5в, г, соответственно. В целом, наблюдается корреляция пространственных вариаций между предикторами. Пространственное распределение GPP более фрагментарно, в то время как распределение температуры более однородное. Результаты оценки Reco и NEE показаны на рисунках 5д, е, соответственно. Пространственная структура распределения Reco более сглаженная, чем GPP, и значения величин Reco в целом более низкие, чем GPP. Вариабельность пространственного распределения NEE соответствует вариабельности распределения GPP, но значения первой величины более низкие.
а б
в г
д е
а
б
г
в, д, е
Рисунок 5 — Ключевые тематические продуты — входные/выходные данные ИКИ MODIS Reco алгоритма: а — количество дней в году, по которым ведется расчёт продукта Reco; б — годовая сумма GPP; в — суточное GPP; г — среднесуточная температура, д — суточное Reco, рассчитанное по MODEL3; е — суточное NEE, рассчитанное по MODEL3. Суточные данные представлены для DOY = 200 (18 июля) 2020 г.
Гистограммы распределения всех переменных приведены на рисунке 6. Приведённые распределения в целом достоверно отражают физический смысл анализируемых величин. Стоит отметить, что в дальнейшем планируется провести детальное изучение распространённости эффекта появления отрицательных значений NEE (рисунок 6д).
а б в
г д
Рисунок 6 — Гистограммы распределения величин тематических продуктов: а — количество дней в году, по которым ведется расчёт продукта Reco; б — годовая сумма GPP; в — среднесуточная температура; г — суточное Reco; д — суточное NEE