论文部分内容阅读
土壤呼吸（Rs）是陆地生态系统中的碳释放源,在陆地生态系统C循环中占重要地位,研究土壤呼吸对全球气候和环境变化有重要意义。本文利用MODIS数据（陆地表面温度（LST）、植被指数（VIs）、水分指数（WIs））,结合长期野外测定的天龙山自然保护区油松林Rs数据,探讨了遥感数据在模拟Rs的可行性,并对比分析了多元回归与机器学习算法构建的Rs复合模型的精度。结果表明:（1）2005-2016年Rs的年均值为4.56±2.96μmol CO2 m-2s-1。夜间陆地表面温度（LSTn）年均值的变幅小于白天陆地表面温度（LSTd）与算术平均温度（LSTa）,但总变异系数最大。2014年WIs的平均值均较高,陆地表面供水指数（LSWI）、地表含水量指数（SWCI）、修正地表含水量指数（SWCIv）分别为0.2±0.07、0.31±0.06和0.85±0.04,表明该年份水分状况优于其他年份。VIs最大值一般出现在7、8月份,最小值一般出现在11、12及1月份。总体上Rs、LST、WIs及VIs年际变化趋势基本一致,呈“倒U型”,都呈夏秋高,冬春低的趋势。（2）除个别年份,土壤呼吸速率与温度在P<0.01水平上极显著相关。全部年份的Rs数据与LST拟合时,LSTd、LSTn、LSTa分别可解释Rs年际变化的43.9%、56.8%和51.3%。WIs与Rs构建的单因素模型中,SWCI（线性:57.5%;指数:56.6%）对Rs的解释能力高于LSWI（线性:44.5%;指数:42%）和SWCIv（线性:48.6%;指数:52.4%）。VIs与Rs构建的单因素模型中,NDVI对Rs的解释能力较高,分别为56.5%（线性）和59.6%（指数）。（3）与Rs构建的单因素模型相比,Rs与其影响因子构建的复合模型的R2均有所提高,表明Rs受到温度、水分、生物因子等的综合影响。整体上基于人工智能算法构建的BP人工神经网络（78.5-83.7%）和最小二乘支持向量机（LS-SVM）（71.7-83.1%）Rs复合模型精度优于传统多元回归模型（线性（72.6-79.9%）、指数（72.6-79.7%））。其中,由LSTn、SWCI和RVI基于BP人工神经网络构建的Rs复合模型最优（0.830）,RMSE最低（1.691）,表明该方法可用于估测基于MODIS遥感数据的Rs模拟。