基于多模态感知数据耦合的森林碳汇计量模型研究

Carbon trading is an effective way to tackle climate change and relieve CO2 emissions.The basis of carbon trading is how to measure forest carbon sinks.But different researchers obtain different carbon sinks data by using different models and methods,so it indicates that there are a great deal of uncertainty of measuring carbon sinks.Therefore We need study innovative methods to measure carbon sinks data.Aimed at the TianMuShan forest ecological system,the project plans to use the the wireless sensor networks to collect nine multi-modal data including temperature, humidity, wind speed, wind direction and so on.We solve three problems as following:(1)Study of eddy covariance technique based on the joint correction of sensor networks.(2)Study of light use efficiency based on improved calculation of APAR and fusion of CO2 factor.(3)Study of carbon sinks optimization model based on artificial neural network.The objective of this project is using the improved eddy coariance technique and the light use efficiency technology to calculate the carbon data, and further using artificial neural network model to couple and optimize carbon sinks value.From this studying,we can improve the accuracy of forest carbon sinks and provide criterions for other methods.In a word, this project has great significance in theory and application.

碳交易是应对气候变化、缓解CO2排放的有效途径，而碳汇计量是碳交易的技术基础。但是不同研究者使用不同模型和方法得到的碳汇数据存在巨大的差异，表明目前技术对于碳汇的测算存在很大的不确定性，因此迫切需要有更新的方法准确计量碳汇数据。本项目针对天目山森林生态系统，拟利用无线传感器网络采集的温度、湿度、风速、风向、光强等9个不同感知源、不同时空、不同量纲的多模态数据进行碳汇计量，开展如下工作：(1)研究基于传感器网络联合校正的涡度相关技术，(2)研究基于改进APAR测算和融合CO2因子的光能利用率技术，(3)研究基于人工神经网络耦合的碳汇优化模型。本项目的研究目的是利用改进的涡度相关技术和光能利用率技术计算出碳汇数据，并进一步利用人工神经网络模型耦合优化碳汇值，以提高森林碳汇计量的准确性，并为其它测量方法提供校验标准，具有重要的理论意义和应用价值。

碳汇计量存在很大的不确定性，严重影响了对碳循环的理解和碳交易工作的进行，因此需要研究更加准确的碳汇计量方法。本项目提出了基于无线传感网技术的多模态感知数据耦合的森林碳汇计量方法，主要开展了以下工作：（1）采用无线传感器网络建立了仿真通量网，并利用涡度相关法原理和气体扩散机理，建立CO2动态扩散模型，计量碳通量。（2）实现无线传感器网络定位技术，并以此确定监测点坐标信息。（3）分析了影响因子时空变异性和生态模型的不确定性问题，探究了基于无线传感网的光能利用率模型和陆地生态模型的碳通量计算方法的适应性，并实现了基于无线传感网和生态模型的碳通量计量方法。（4）采用神经网络算法耦合仿真通量网和生态模型的碳通量值，并实现分组训练组合优化的神经网络算法，以蚁群算法优化神经网络的权值和阈值，提高神经网络碳通量值的精度。在研究过程中，以通过塔的数据为验证数据，仿真通量网计量的碳通量误差为15%左右，结合生态模型误差22%左右。本项目的研究成果为碳汇计量提供技术手段，为碳汇交易交易提供技术基础，有很好的推广应用前景。