一種提高國家尺度植被碳密度估算精度的新方法

　　 近日，中國科學院地理科學與資源研究所副研究員黃玫、助理研究員王昭生等提出了基于機器學習隨機森林模型提高國家尺度植被碳密度估算精度的方法，為集成多模型模擬結果減少碳估算不確定性提供了新的估算方法。 相關研究成果發表于英國生態學會老牌期刊Methods in Ecology and Evolution。

　　不同陸地生態系統模型在估算國家尺度植被碳密度時存在明顯的差異，為評估區域碳源匯帶來了不確定性。多模型模擬結果之間可能存在非線性的依賴關系，但是常見的多模式集成的方法只是簡單地處理了這種聯系。機器學習的隨機森林方法具有充分挖掘變量之間非線性關系的優勢。

　　為此，研究人員基于AVIM2、CEVSA2、BIOME-BGC、CLASS-CTEM-N、CLM4、CLM4VIC、DLEM、ISAM、TEMP6和TRIPLEX-GHG模型模擬的1982年到2010年中國植被碳密度數據，結合野外調查的植被碳密度數據，利用機器學習隨機森林方法構建了新的中國陸地植被碳密度的估算模型，重新估算了1982年到2010年中國陸地植被碳密度。

　　研究發現，與觀測數據相比，隨機森林多模型集成模擬結果僅低估了約0.2%，而傳統的多模型平均的結果高估了約2%的中國區域植被碳密度。同時，泰勒模型比較結果表明，基于機器學習的模型模擬結果具有最小的標準差，最大的相關系數。此外，隨機森林多模型集成模擬結果與歸一化差分指數（NDVI）的年變化趨勢較為一致，而多模型平均結果與NDVI的年變化趨勢相反。

　　總之，隨機森林多模型集成模型可以有效提高估算國家尺度陸地植被碳密度的精度，有助于減少大尺度植被碳儲量估算的不確定性。