通过Sentinel 3 & 5P与高斯过程混合模型的协同作用来反演全球陆地碳通量

陆地碳通量 是地球系统中的一个重要过程，它影响着气候变化、水循环和生物多样性。通过遥感技术，科学家可以 监测地表碳的存储和流动情况 ，从而更好地 理解和预测地球系统的变化 。Sentinel 3和5P是欧洲空间局（ESA）的两个遥感卫星，它们提供了大量的地表数据，包括地表温度、湿度、植被覆盖等信息，这些信息对于碳通量的研究至关重要。

拟解决的科学问题

• 如何准确地推断全球范围内的地表碳流动？

• 如何利用 Sentinel 3和 Sentinel-5 Precursor的 数据 ，结合 高斯过程混合模型 ，来估计地表碳流动？

创新点

• 遥感技术与高级模型的结合：将Sentinel 3和5P的高分辨率影像数据与高斯过程混合模型结合，提供了一种新颖的方法来推断地表碳通量。

• 全球范围内的推断：这项研究旨在推断 全球范围内的地表碳通量 ，这是一个具有挑战性的任务，需要 大量的数据和高级模型 。

研究方法

1. 数据收集 ：使用Sentinel 3和5P卫星的高分辨率影像数据，收集地表碳流动相关的地表特征数据，如植被覆盖、土壤湿度等。

2. 高斯过程混合模型： 利用高斯过程混合模型（Gaussian Process Hybrid Models, GP-HM）来建立地表碳流动与地表特征之间的关系模型。这种模型可以处理非线性关系，并且能够考虑到数据的不确定性。

3. 模型训练与验证 ：使用一部分数据训练GP-HM模型，然后用另一部分数据进行验证，以评估模型的准确性和鲁棒性。

4. 全球范围内的碳流动推断： 基于训练好的模型，对全球范围内的地表碳流动进行推断。

接下来的步骤是在第一阶段训练和绘制 TCF 模型，并在第二阶段使用本地和全球范围内的参考产品验证结果

TCF研究：（A）使用SCOPE RTM模拟了TCF、SIF、FAPAR和植被覆盖度（FVC），这些都是关键输入变量，如叶绿素含量（LCC）、LAI和气象变量的函数。这些变量的训练数据集被用于构建TCF模型。在（B）中实现了GPP和NPP的全球分析，空间分辨率为5公里，在感兴趣的特定区域（ROIs）增加到300米，气候数据来自ERA5-LAND再分析模型和卫星产品的植被（A）。还指示了用于预测的输入产品的空间分辨率

研究结果

SCOPE-GPR-TCF模型实现了GPP和NPP估计在10%–40%的适度相对不确定性范围内。对驱动变量的分析显示，S3-OLCI植被产品，即 叶面积指数（LAI）、吸收光合活性辐射的比例（FAPAR）和SIF 提供了最高的预测能力 。将GPR对GPP的时间估计与位于美洲和欧洲的113个通量塔的分割GPP估计进行验证，突出了局部尺度上的良好一致性， 其性能因站点和植被类型而异 。位于 农田、草地、落叶阔叶林和常绿针叶林 的站点表现出 最高的分数 ，其顶部 𝑅^2 和 𝑟ms^e 值分别高于0.8和低于2 μmol m^−2 s^−1。此外，基准空间分析显示，对于同一年2019年的参考产品，全球之间存在强烈的年内相关性：(i) 与LPJ-GUESS的交叉比较导致了GPP的模态值 𝑅 = 0.8 和 𝑟ms^e = 1.93 μmol m^−2 s^−1。(ii) MOD17A2H GPP和NPP估计的交叉相关与 𝑅 的模态值为0.94和0.92，𝑟ms^e 为1.26和1.05 μmol m^−2 s^−1。得出结论， 集成到GEE云计算平台中的混合模型有助于以高效的处理成本实现全球陆地碳通量产品的全球绘制 。这在为即将到来的荧光探测器（FLEX）任务做准备方面尤其有希望，SCOPE-GPR-TCF模型预计将根据300 m分辨率的FLEX SIF数据流进行定制，以实现高分辨率全球生产力监测。

测量碳通量的通量塔位置（圆圈）和分析SCOPE-GPR-TCF结果的特定地表类型（方块）的位置。塔代码显示在各位置旁边

(a) SCOPE模拟输入变量的全局灵敏度分析（SCOPE-GSA）：GPP（左）和NPP（中）。(b) GPR预测变量的极坐标图（GPR-rank）：GPP（蓝色）和NPP（红色）

SCOPE-GPR-TCF模型的理论性能散点图，基于8个预测变量LCC、LAI、FAPAR、FVC、SIF、SW、TA和EA

使用SCOPE-GPR-TCF模型的5km TCF全球地图：按行（2019年6月16日下午1:30的GPP和NPP、2019年全年累积GPP和NPP、2019年GPP和NPP年标准差），按列平均值，相应的不确定性和红色虚线指示的20°经度处的剖面

2019年7月16日，通过SCOPE-GPR-TCF模型生成的GPP的区域地图（伊比利亚半岛），包括所有预测变量（前两行，空间分辨率为5km和300m），以及逐一排除其他预测变量后的地图（从第三行开始）。右侧给出了不确定性

113个欧洲和美洲通量塔站点的GPP估算的相互比较（R^2（顶部）rmse（底部））

2019年全年SCOPE-GPR-TCF与LPJ-GUESS数据的逐年内R相关性（左图）和均方根误差（RMSE）（右图），针对GPP。两个数据集均由全球产品的8天时间步长组成，空间分辨率为0.5°

2019年全年GPP（左图）和NPP（右图）与MODIS数据的逐年内相关性（R）和均方根误差（RMSE）。两个数据集均由全球产品的8天时间步长组成，空间分辨率为5公里

不同地点（表4中定义）的GPP和NPP的空间平均时间序列，并与同一区域的MOD17A2H进行交叉比较。2019年的时间分辨率为8天。从左上到右下依次为（a）灌木地、（b）草地、（c）经营的耕地（主要由小麦组成）、（d）落叶针叶林、（e）常绿阔叶林、（f）常绿针叶林、（g）落叶阔叶林、（h）以栎树为主的常绿地中海森林

散点图显示了SCOPE-GPR-TCF和MODIS-MOD17A2H在GPP（a）和NPP（b）方面的空间拟合情况，按地表覆盖类型（实验区域）进行分组。该分析应用于月度时间组合（2019年6月）

讨论

总之，所提出的工作流程提供了一种基于云计算的可扩展方法，可以有效地在本地到全球尺度上绘制植被生产力。期待将该工作流程应用于S3-FLEX串联任务，当FLEX发射并开始传输数据时。最终，以300 m空间分辨率为基础的衍生植被和TCF产品将增强我们对TCF动态和多样化生态过程的理解，从而更有效地应对全球气候变化所带来的挑战。