一种陆地生态系统碳源汇迭代同化预测的方法

本发明涉及碳循环，尤其涉及一种陆地生态系统碳源汇迭代同化预测的方法。

背景技术：

1、气候变化对陆地生态系统碳循环的影响以及陆地生态系统碳循环对气候变化的反馈是全球气候变化研究的重要任务。在过去的20年里，有许多人呼吁使生态学成为一门更具预测性的科学。传统的生态预测是基于对未来情景的一次性预测，时间尺度从10年到甚至100年不等，其可靠性难以评估和检验。随着生态数据收集频率的增加，迭代预测技术结合新的观测数据和模型数据融合方法逐步发展，可显著提高预测精度，实现生态预测从长时间尺度向短时间尺度的转换，从一次性预测到迭代预测。近年来，短期短期迭代生态预测已成为一种日益强大的生态预测工具，并已成功应用于许多领域，如生物多样性，生物入侵，水文管理，环境管理等。与仅使用早期的数据预测未来变化趋势相比，使用迭代模型重构的预测产生更高的预测能力。这代表了生态预测的范式转变，侧重于迭代预测短期的条件。虽然短期迭代预测在提高对生态过程的理解和生态模型的预测技能方面有很大的前景，但迄今为止尚未被广泛应用于生态系统碳源汇的预测。

技术实现思路

1、为了解决现有技术中存在的问题，本申请实施例提供了一种陆地生态系统碳源汇迭代同化预测的方法、计算设备、计算机存储介质及包含计算机程序的产品，能够对短期的碳源汇进行有效预测。

2、第一方面，本申请实施例提供一种陆地生态系统碳源汇迭代同化预测的方法，应用于陆地生态系统中碳源汇的迭代预测，碳源汇通过碳通量和碳储量表征，该方法包括：对目标区域的气象数据与碳数据进行采集，确定数据集合；碳数据包括碳通量和碳储量；通过数据集合中的数据，训练气象模型，通过训练完成的气象模型对气象数据进行预测，确定预测的气象数据；通过数据集合中的数据，训练碳循环模型，将预测的气象数据输入训练完成的碳循环模型，对碳通量和碳储量进行预测；通过当前获取的气象数据，不断迭代更新气象模型，通过更新后的气象模型，对气象数据重新预测；基于重新预测的气象数据，更新碳碳通量和碳储量。

3、在一些可能的实现方式中，确定数据集合包括对采集到的数据进行处理，确定数据集合。

4、在一些可能的实现方式中，气象数据包括温度、光合有效辐射、相对湿度和土壤含水量。

5、在一些可能的实现方式中，碳储量包括叶片、细根和木质部生物量、土壤有机碳；碳通量包括总初级生产力、净初级生产力、净生态系统生产力。

6、在一些可能的实现方式中，碳循环模型为生态系统碳模型dalec，dalec模型集成有数据同化功能，dalec模型进行模型数据融合时通过气象数据驱动，通过碳数据进行约束。

7、在一些可能的实现方式中，模型数据融合的过程采用贝叶斯参数估计方法，结合马尔科夫链-蒙特卡洛方法和似然函数求解进行。

8、在一些可能的实现方式中，似然函数根据如下公式计算：

9、

10、式中，l表征似然函数，m表征碳数据个数，n表征第j组观测值中的数据点数据类型，σj表征第j组观测值中每个数据点的标准偏差，xj,i表征测量值，μj,i(p)表征参数p的建模结果，参数p表征待训练的参数。

11、在一些可能的实现方式中，气象模型为考虑注意力机制的长短期记忆网络lstm深度学习模型，包括一个输入层、一个注意层、两个lstm层和一个完全连接的输出层。

12、第二方面，本申请实施例提供一种计算机可读存储介质，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行如第一方面任一项所述的方法。

13、第三方面，本申请实施例提供一种计算设备，包括处理器和存储器，其中，所述存储器中存储有计算机程序指令，所述计算机程序指令被所述处理器运行时，执行如第一方面任一项所述的方法。

14、第四方面，本申请实施例提供一种包含计算机程序的产品，当计算机程序产品在处理器上运行时，使得所述处理器执行如第一方面任一项所述的方法。

1.一种陆地生态系统碳源汇迭代同化预测的方法，其特征在于，应用于陆地生态系统中碳源汇的迭代预测，所述碳源汇通过碳通量和碳储量表征，所述方法包括：

2.根据权利要求1所述得到方法，其特征在于，所述确定数据集合包括对采集到的数据进行处理，确定数据集合。

3.根据权利要求1所述得到方法，其特征在于，所述气象数据包括温度、光合有效辐射、相对湿度和土壤含水量。

4.根据权利要求1所述得到方法，其特征在于，所述碳储量包括叶片、细根和木质部生物量、土壤有机碳；所述碳通量包括总初级生产力、净初级生产力、净生态系统生产力。

5.根据权利要求1所述的方法，其特征在于，所述碳循环模型为生态系统碳模型dalec，所述dalec模型集成有数据同化功能，所述dalec模型进行模型数据融合时通过所述气象数据驱动，通过所述碳数据进行约束。

6.根据权利要求5所述的方法，其特征在于，所述模型数据融合的过程采用贝叶斯参数估计方法，结合马尔科夫链-蒙特卡洛方法和似然函数求解进行。

7.根据权利要求6所述的方法，其特征在于，所述似然函数根据如下公式计算：

8.根据权利要求1所述的方法，其特征在于，所述气象模型为考虑注意力机制的长短期记忆网络lstm深度学习模型，包括一个输入层、一个注意层、两个lstm层和一个完全连接的输出层。