农业小流域非均匀边界下碳-水动态响应及数据同化研究

As the source of new environmental and ecological issues in our country, the emission of green house gas changes the radiation balance of atmosphere, which means it is important that the dynamic carbon-water cycle in agricultural ecosystem should be researched. The data assimilation system based on the state-variable estimation and the application of remote sensing vegetation index and soil moisture data could provide effective solutions for parameter estimation and uncertainties of the coupled carbon-water model. The main research contents of this proposal include that 1) to build up the coupled carbon-water model based on physical principles with heterogeneous boundary conditions at small agricultural catchment and to certify the most suitable carbon-water management strategies during the stage of crop growth; 2) to analyze the uncertainties of crop physiological parameters and soil physical parameters and to assimilate the ecological system variables and pedohydrological variables; 3) to achieve remote sensing vegetation index data and soil moisture data with high resolution and to calculate the regional ecological exchange by applying those data; 4) to upscale the simulation and to explore the effect of dynamic carbon-water cycle at small scale area on carbon emission of large system. The proposal is trying to seek the effective solutions to mostly concerned ecological friendly issues and reasonable utilization of water resources by combining agricultural soil hydrology with crop physiological system.

温室气体的排放改变了大气辐射平衡，使我国面临的新的环境和生态问题，因此研究我国农田系统碳-水动态关系有重要的科学意义。基于状态-变量联合估计的数据同化系统和卫星遥感植被和土壤水文数据的应用为碳-水耦合模型的参数评估和不确定性提供了有效的解决途径。本项目的主要研究内容有：1) 建立农业小流域非均匀边界条件下基于物理机制的碳-水耦合模型，确定作物生长季最合理的碳-水管理策略；2) 对多个作物生理参数和土壤物理参数进行不确定性分析，结合生态系统变量和土壤水文系统变量进行数据同化；3) 通过遥感技术获取高精度植被指数数据和土壤含水量数据，获取粗观测数据条件下可靠的区域生态系统交换量；4) 提升模拟尺度，力求解析小区域碳-水动态对农田大系统碳排放量的影响。本项目综合考虑农田土壤水文学和作物生理生态系统要素的关联，寻求当前受到极大关注的对生态有利、使水资源合理有效利用问题的可靠解决办法。

蒸散发是指从陆地表面到大气的水分损失，涉及了水分从液相到气相的相变过程，包含土壤蒸发、植物蒸腾和叶冠降雨截留。蒸散发是水循环、能量循环和碳循环的核心过程，如何获取精确的蒸散发信息是水文、生态、农业和气候变化等领域的关键问题。本项目主要开展了如下五个方面的研究：土壤含水量数据价值分析，研究综合混合数据同化方法和顺序数据价值分析框架；评估缺水指数和蒸散发分数，发展和分析陆地表面温度-植被指数空间非线性边界，通过计算表面反照率和弥散度来确定净辐射Rn的参数化；模拟动量/热/水汽的表面涡动通量，研究评价机器学习算法在以下两方面的性能，即定量化地表粗糙度和到何种程度数据驱动地表粗糙度模型可以提升通量评估的精确度；进行作物干旱诊断，研究探讨统计回归方法对叶片含水量的估算；估算区域蒸散发，优选网络结构和探索最准确的数据驱动模型，调查不同的搜寻策略。本项目分别阐释了如下科学意义：数据价值依赖于信息量，除了数据特性（数据收集位置、频率、精确度）外，还有模型质量也会影响数据价值分析；干湿边缘的非线性特性，受大气动力学和温度动力学糙率长度控制，反映了土壤和叶冠的耦合效应；数据驱动地表粗糙度模型显著优于定量化的物理机制模型，极大提升涡动通量评估的精确度，机器学习算法有能力从大量的观测数据中推导物理机制；通过竞争自适应重加权采样方法提取敏感波段后所建立的偏最小二乘回归预测模型，无论是预测精度还是建模精度，与两波段指数和偏最小二乘回归模型相比都有显著提高；NDVI和理论TVDI的联合取得了定量化Gs和ET的最好精度，数据驱动模型估算蒸散发时取得较好的结果，复合模型可以提高SEBS模型的计算效果。