Финские ученые сравнили методы заполнения пробелов в данных EC и оценили неопределённость балансов CO₂ в лесных экосистемах

Дайджест исследований

Измерения потоков углекислого газа (CO2) с использованием пульсационных измерений (EC) обычно используются для определения баланса CO2 в экосистемах. Однако сравнения между экспериментальными обработками, экологическим контролем или местами проведения измерений не имеют смысла без надлежащих оценок неопределенности балансов. Мы изучили, как случайные и систематические ошибки зависят от количества пропущенных данных и соответствуют ли оценки неопределенности, полученные с помощью популярных методов заполнения пробелов, включая методы машинного обучения на основе дерева, нейронные сети и выборку с предельным распределением (MDS), этим ошибкам. Используя синтетические данные, созданные для европейских лесных участков, мы обнаружили, что когда доля отсутствующих данных увеличилась с 30% до 90%, случайная неопределенность, связанная с заполнением пробелов (2σ, вычисленная по наблюдаемым ошибкам модели), увеличилась примерно с 10 гСм м-2 год-1 до 25-75 гСм м-2 год-1 в зависимости от места установки и способа заполнения зазоров. Ансамбли нейронных сетей (глубокие ансамбли) имели меньшие случайные ошибки, чем стандартный метод заполнения пробелов пульсационных измерений, а также давали улучшенные оценки неопределенности для балансов CO2. Длительные промежутки времени, продолжительностью до одного месяца, вызывали случайную погрешность, в основном менее 50 гСм м-2 год-1; однако длительный промежуток времени в сухой и теплый период, который был неадекватно представлен в измерениях, вызывал случайную погрешность до 99 гСм м-2 год-1. Глубокие ансамбли также дали хорошо выверенные оценки неопределенности для длительных промежутков, за исключением наиболее сложных случаев, когда длительные промежутки возникали в периоды активных изменений в экосистеме. Оценки неопределенности, полученные для длительных промежутков, были явно слишком малы. Методы машинного обучения на основе дерева дают хорошо выверенные оценки неопределенности для краткосрочных потоков, но не для балансов, и, в отличие от глубоких ансамблей, не экстраполируются за пределы обучающих данных.

сокращать

Исследование опубликовано в журнале Agricultural and Forest Meteorology.