摘要
准确建模与预测土壤有机碳储量对于科学估算气候-碳反馈机制及生态系统碳封存潜力至关重要。基于过程的模型被广泛用于模拟土壤有机碳储量的变化动态,但这些模型往往存在较大不确定性。探索如何利用观测数据来优化基于过程的模型,对于提升土壤有机碳预测精度具有重要意义。在本研究中,我们通过预测性生态系统分析平台,将SoilGrids土壤有机碳数据集整合到简化光合作用与蒸散模型中,应用于美国大陆39个国家生态观测网络站点。我们研究了多种策略,以确定整合土壤有机碳数据及其他间接数据约束的最佳方法。研究结果表明,直接且持续地利用SoilGrids土壤有机碳数据作为约束条件,对于获得更精确的土壤有机碳及生态系统呼吸状态数据极为重要。数据同化的效果在很大程度上取决于各站点模型与观测数据的不确定性,因此仔细分析并传播这些不确定性十分关键。此外,利用中分辨率成像光谱仪得到的叶面积指数、LandTrendr提供的地上生物量数据以及增强型土壤湿度主动被动传感器数据所构成的间接约束,也有助于降低土壤有机碳预测的不确定性。总体而言,我们的研究结果表明,数据同化是一种极具前景的方法,有望为未来区域及全球碳预算提供更为准确的土壤有机碳估算值。
通俗版总结
土壤有机碳是陆地生态系统中最大的碳储存库,在全球气候调节中起着至关重要的作用。准确预测这些碳储量的变化仍是生态系统模型面临的一大挑战。为解决这一问题,我们开发了一种新方法,通过预测性生态系统分析平台的态数据同化框架,将全面的土壤数据(尤其是SoilGrids数据集)以及遥感观测数据(如叶面积、生物量、土壤湿度等)整合到简化光合作用与蒸散生态系统模型中。我们的核心发现是,持续用真实的土壤有机碳数据对模型进行约束,对于更精准地预测土壤碳含量及生态系统呼吸作用至关重要。这一框架代表了重要的进展,为动态估算区域及全球碳预算提供了更为科学的方法。
利益冲突声明
作者声明不存在与本研究相关的利益冲突。
数据获取说明
PEcAn软件可在https://github.com/PecanProject/pecan获取(最后访问时间:2024年7月12日)。用于运行SDA实验、分析并绘制模型结果的脚本则可在https://github.com/Qianyuxuan/Scripts-for-SOC-SDA-paper找到(最后访问时间:2024年7月31日)(Li,2024)。本文所分析的所有模型输出结果及观测数据均保存在Li的资料中(2026)。


