Том 36, номер 02, статья № 7

Розанов А. П., Грибанов К. Г. Нейросетевая модель для оценки потоков углерода в лесных экосистемах по данным дистанционного зондирования Земли. // Оптика атмосферы и океана. 2023. Т. 36. № 02. С. 122–128. DOI: 10.15372/AOO20230207.
Скопировать ссылку в буфер обмена

Аннотация:

Лесные экосистемы являются одним из главных мест накопления и хранения углерода на Земле. Однако количественная инструментальная оценка потоков углекислого газа возможна лишь для участков радиусом 100–2000 м вокруг измерительной станции. При решении задачи масштабирования используются методы машинного обучения, способные аппроксимировать наблюдения с помощью интенсивностей излучения земной поверхности в разных спектральных интервалах в наземные наблюдения in situ. Представлены результаты оценки потоков углерода регрессионной нейросетевой моделью типа многослойный персептрон, обученной на данных сети FLUXNET для станции, расположенной в бореальном хвойном лесу (56,4615° с.ш., 32,9221° в.д.). Используя в качестве входных данных вегетационные индексы NVDI и EVI, полученные спектрорадиометром MODIS на спутнике Aqua, температуру воздуха на высоте 2 м и суммарное количество осадков при помощи модели дается оценка первичной валовой продукции (GPP), чистому экосистемному обмену (NEE), экосистемному дыханию (TER) и ряду других величин, характеризующих потоки воды и энергии. Проведенные статистические оценки демонстрируют высокие коэффициенты корреляции (R) и Нэша–Сатклиффа (NSE) на тестовом наборе данных: для GPP и TER – R ≥ 0,9; NSE ³ 0,87; для NEE – R = 0,4, NSE = 0,15.
 

Ключевые слова:

нейронные сети, машинное обучение, потоки углерода, FLUXNET, MODIS

Список литературы:

1. Baldocchi D., Falge E., Gu L., Olson R., Hollinger D., Running S., Anthoni P., Bernhofer Ch., Davis K., Evans R., Fuentes J., Goldstein A., Katul G., Law B., Lee X., Malhi Y., Meyers T., Munger W., Oechel W., Paw U.K.T., Pilegaard K., Schmid H.P., Valentini R., Verma S., Vesala T., Wilson K., Wofsy S. FLUXNET: A new tool to study the temporal and spatial variability of ecosystem-scale carbon dioxide, water vapor, and energy flux densities // Bull. Am. Meteorol. Soc. 2001. V. 82, N 11. P. 2415–2434.
2. Грибанов К.Г., Имасу Р., Захаров В.И. Нейронные сети для определения высотных профилей CO2 по данным GOSAT/TANSO-FTS // Оптика атмосф. и океана. 2009. Т. 22, № 9. С. 890–895; Gribanov K.G., Imasu R., Zakharov V.I. Neural networks for CO2 profile retrieval from the data of GOSAT/TANSO-FTS // Atmos. Ocean. Opt. 2010. V. 23, N 1. P. 42–47.
3. Rolnick D., Donti P.L., Kaack L.H., Kochanski K., Lacoste A., Sankaran K., Slavin Ross A., Milojevic-Dupont N., Jaques N., Waldman-Brown A., Luccioni A., Maharaj T., Sherwin E.D., Karthik Mukkavilli S., Kording K.P., Gomes C., Ng A.Y., Hassabis D., Platt J.C., Creutzig F., Chayes J., Bengio Y. Tackling climate change with machine learning // ACM Computing Surveys (CSUR). 2022. V. 55, N 2. P. 1–96.
4. Heermann P.D., Khazenie N. Classification of multispectral remote sensing data using a back-propagation neural network // IEEE Trans. Geosci. Remote Sens. 1992. V. 30, N 1. P. 81–88.
5. Cao M., Marshall S., Gregson K. Global carbon exchange and methane emissions from natural wetlands: Application of a process-based model // J. Geophys. Res.: Atmos. 1996. V. 101, N D9. P. 14399–14414.
6. Dou X., Yang Y., Luo J. Estimating forest carbon fluxes using machine learning techniques based on eddy covariance measurements // Sustainability. 2018. V. 10, N 1. P. 203.
7. Yu T., Zhang Q., Sun R. Comparison of machine learning methods to up-scale gross primary production // Remote Sensing. 2021. Т. 13, № 13. С. 2448.
8. Поляков А.В. Использование метода искусственных нейронных сетей при восстановлении вертикальных профилей атмосферных параметров // Оптика атмосф. и океана. 2014. Т. 27, № 1. С. 34–39; Polyakov A.V. The method of artificial neural networks in retrieving vertical profiles of atmospheric parameters // Atmos. Ocean. Opt. 2014. V. 27, N 3. P. 247–252.
9. Zeng J., Matsunaga T., Tan Z.-H., Saigusa N., Shirai T., Tang Y., Peng S., Fukuda Y. Global terrestrial carbon fluxes of 1999–2019 estimated by upscaling eddy covariance data with a random forest // Scientific Data. 2020. V. 7, N 1. P. 1–11.
10. Tramontana G., Jung M., Schwalm C.R., Ichii K., Camps-Valls G., Ráduly B., Reichstein M., Arain M.A., Cescatti A., Kiely G., Merbold L., Serrano-Ortiz P., Sickert S., Wolf S., Papale D. Predicting carbon dioxide and energy fluxes across global FLUXNET sites with regression algorithms // Biogeosciences. 2016. N 13. P. 4291–4313. DOI: 10.5194/bg-13-4291-2016.
11. Kurbatova J., Li C., Varlagin A., Xiao X., Vygodskaya N. Modeling carbon dynamics in two adjacent spruce forests with different soil conditions in Russia // Biogeosciences. 2008. V. 5, N 4. P. 969–980.
12. Zhengxing W., Chuang L., Alfredo H. From AVHRR-NDVI to MODIS-EVI: Advances in vegetation index research // Acta Ecologica Sinica. 2003. V. 23, N 5. P. 979–987.
13. ORNL DAAC 2018. MODIS and VIIRS Land Products Global Subsetting and Visualization Tool. ORNL DAAC, Oak Ridge, Tennessee, USA. Accessed February, 2022. Subset obtained for MYD13Q1 product at 56,46,32,92, time period: [04.07.2002] to [31.12.2014], and subset size: 0.250 ´ 0.250 km. DOI: 10.3334/ORNLDAAC/1379.
14. NASA Earth Data Portal; Mission and Measurments; MODIS Terra&Aqua. URL: https://ladsweb.modaps. eosdis.nasa.gov/missions-and-measurements/modis/.
15. ECMWF Copernicus Climate Change Data Service; ERA5 hourly land products. URL: https://cds.climate.copernicus.eu/cdsapp#!/dataset/reanalysis-era5-land?tab=form.
16. Baldocchi D., Hicks B., Meyers T. Measuring biosphere-atmosphere exchanges of biologically related gases with micrometeorological methods // Ecology. 1988. V. 69. P. 1331–1340. DOI: 10.2307/1941631.
17. Schmid H.P. Source areas for scalars and scalar fluxes // Bound.-Layer Meteorol. 1994. V. 67. P. 293–318. DOI: 10.1007/BF00713146.
18. Reichle D.E. The Global Carbon Cycle and Climate Change: Scaling Ecological Energetics from Organism to the Biosphere. Elsevier, 2020. P. 150–152. DOI: 10.1016/C2019-0-01382-9.
19. Nash J.E., Sutcliffe J.V. River flow forecasting through conceptual models part I – A discussion of principles // J. Hydrol. 1970. V. 10, N 3. P. 282–290.
20. Bottou L. Large-scale machine learning with stochastic gradient descent // Proc. COMPSTAT'2010. 2010. P. 177–186.
21. Paszke A., Gross S., Massa F., Lerer A., Bradbury J., Chanan G., Killeen T., Lin Z., Gimelshein N., Antiga L., Desmaison A., Kopf A., Yang E., DeVito Z., Raison M., Tejani A., Chilamkurthy S., Steiner B., Fang L., Bai J., Chintala S. PyTorch: An imperative style, high-performance deep learning library // Adv. Neural Inform. Proces. Syst. 2019. V. 32. P. 8024–8035.
22. Huang N., Wang L., Zhang Y., Gao S., Niu Z. Estimating the Net Ecosystem Exchange at global FLUXNET sites using a random forest model // IEEE J. Sel. Top. Appl. Earth Observ. Remote Sens. 2021. V. 14. P. 9826–9836. DOI: 10.1109/JSTARS.2021.3114190.