Nachricht

Jul 15, 2023

Ein weithin

Wissenschaftliche Berichte Band 13,

Wissenschaftliche Berichte Band 13, Artikelnummer: 1720 (2023) Diesen Artikel zitieren

5206 Zugriffe

129 Altmetrisch

Details zu den Metriken

Dieser Artikel wurde aktualisiert

Zur Eindämmung des Klimawandels sind neben der Reduzierung der Treibhausgasemissionen auch Maßnahmen zur Erhöhung der Kohlenstoffsenken in terrestrischen Ökosystemen erforderlich. Eine wichtige Messmethode zur Quantifizierung solcher Senken und zur Kalibrierung von Modellen ist die Eddy-Kovarianz-Technik, die jedoch die Imputation oder Lückenfüllung fehlender Daten zur Bestimmung der jährlichen Kohlenstoffbilanzen von Ökosystemen erfordert. Frühere Vergleiche von Methoden zum Füllen von Lücken kamen zu dem Schluss, dass häufig verwendete Methoden wie die Randverteilungsstichprobe (MDS) keinen signifikanten Einfluss auf die Schätzung der Kohlenstoffbilanz haben. Durch die Analyse eines umfangreichen, globalen Datensatzes zeigen wir, dass MDS erhebliche Kohlenstoffbilanzfehler für nördliche Standorte (Breitengrad \(>60^\circ\)) verursacht. MDS überschätzt systematisch die Kohlendioxidemissionen (CO\(_2\)) von Kohlenstoffquellen und unterschätzt die CO\(_2\)-Sequestrierung von Kohlenstoffsenken. Wir legen auch Gründe für diese Verzerrungen offen und zeigen, wie eine maschinelle Lernmethode namens Extreme Gradient Boosting oder eine modifizierte Implementierung von MDS verwendet werden kann, um die Verzerrung des nördlichen Standorts erheblich zu reduzieren.

Der Klimawandel ist eine der größten Herausforderungen für die Menschheit. Neben der Begrenzung der Treibhausgasemissionen aus fossilen Brennstoffen und der Landnutzung ist es notwendig, wirksame Möglichkeiten zur Bindung von Kohlenstoff (C), insbesondere Kohlendioxid (CO\(_2\)), zu finden, der bereits in der Atmosphäre vorhanden ist. Natürliche Klimalösungen wie klimafreundliche Landwirtschaft, Aufforstung, Wiederaufforstung und Wiederherstellung von Torfmooren gelten hierfür als die praktikabelsten Mittel1,2. Um diese Lösungen für die Klimapolitik und die Kohlenstoffmärkte glaubwürdig zu machen, ist eine zuverlässige Überprüfung der Kohlenstoffbindung erforderlich3. Die Verifizierung umfasst auch die mikrometeorologische Eddy-Kovarianz-Technik (EC), eine Schlüsselmethode zur direkten Messung der CO\(_2\)-Flüsse zwischen Ökosystemen und der Atmosphäre4. Die Beliebtheit dieser Methode zeigt sich im FLUXNET-Netzwerk, in dem im Laufe der Jahre weltweit über 900 EC-Standorte registriert wurden5. Im Prinzip liefert EC kontinuierliche Daten zum kurzfristigen Nettoökosystemaustausch (NEE) von CO\(_2\) mit der Atmosphäre, die zeitlich integriert werden können, um die damit verbundene Kohlenstoffbilanz eines Ökosystems zu bestimmen. Obwohl EC-Messungen kontinuierlich durchgeführt werden können, gibt es in der Praxis Lücken in den gesammelten Daten, beispielsweise aufgrund technischer Ausfälle und vor allem aufgrund der Notwendigkeit, die unter atmosphärischen Bedingungen gesammelten Daten zu filtern, was die Gültigkeit der EC-Technik beeinträchtigt . Beispielsweise fehlen im globalen FLUXNET2015-Datensatz mit Daten aus 1532 Standortjahren6 durchschnittlich 68 % der halbstündlichen CO\(_2\)-Flüsse7. Auch wenn die Standortjahre mit Lücken von mehr als zwei Monaten ausgeschlossen werden, beträgt die durchschnittliche Datenabdeckung 40 %. Nur 50 Standortjahre haben eine Abdeckung von mehr als 60 % und nur 5 Standortjahre eine Abdeckung von mehr als 70 %.

Zur Imputation oder Lückenfüllung fehlender Daten wurden verschiedene Methoden eingesetzt. Die Methoden reichen von einfacher linearer Interpolation und mittlerer Tagesvariation bis hin zu komplexeren Methoden wie künstlichen neuronalen Netzen (KNN). Bei einem Vergleich von 15 CO\(_2\)-Flusslückenfüllmethoden kam man zu dem Schluss, dass die Auswirkung der Lückenfüllung auf die jährliche C-Bilanz gering ist und dass die Genauigkeit der leistungsstärksten Methoden, die sich als nichtlinear erwiesen, gering ist Regression, Nachschlagetabelle, Randverteilungsstichprobe (MDS), ein semiparametrisches Modell und KNN erreichen bereits die Rauschgrenze der Messungen8. Dieser Vergleich umfasste jedoch nur Waldstandorte aus einem Breitenbereich von \(20^\circ\). Andere Vergleiche haben die heute am häufigsten verwendeten Methoden zum Füllen von Lücken9, nämlich MDS und auf maschinellem Lernen basierende Ansätze, übersehen oder sich auf lange Lücken konzentriert7,10,11. Trotz dieser Mängel haben sich verschiedene Methoden des maschinellen Lernens und insbesondere MDS zu Standardmethoden zum Füllen von EC-Daten entwickelt. Insbesondere wird MDS verwendet, um Lücken in den standardisierten, frei zugänglichen NEE-Daten zu schließen, die von FLUXNET6 und der europäischen Forschungsinfrastruktur Integrated Carbon Observation System (ICOS) bereitgestellt werden. MDS ist auch im kostenlosen Lückenfülltool REddyProc12 und als Teil von Tovi\(^{TM}\), einer kommerziellen Software für die Nachbearbeitung von EC-Daten13, implementiert. Für Daten von Standorten in nördlichen hohen Breitengraden (Breitengrad \(>60^\circ\)) fehlen jedoch Kenntnisse über die Leistung verschiedener Lückenfüllmethoden, insbesondere MDS. In nördlichen Ökosystemen sind die Vegetationsperioden kurz und die Menge der Sonnenstrahlung, ein wichtiger Umweltfaktor für den CO\(_2\)-Austausch, ist sehr ungleichmäßig über das Jahr verteilt. Daher ist die Menge potenziell verfügbarer Nachtdaten während der kurzen Vegetationsperiode im Norden bereits vor der Filterung nach Datenqualität gering.

Hier untersuchten wir die Leistung von zwei Methoden zum Lückenfüllen von CO\(_2\)-Flusszeitreihen mit dem Ziel herauszufinden, ob die durch das Lückenfüllen verursachten Unsicherheiten unsere Möglichkeiten zur Überprüfung von Kohlenstoffsequestrierungsschätzungen in nördlichen Breiten einschränken. Die in Betracht gezogenen Lückenfüllmethoden waren MDS und eine maschinelle Lernmethode namens eXtreme Gradient Boosting (XGBoost). XGBoost wurde aus einer breiten Palette maschineller Lernmethoden ausgewählt, da entscheidungsbaumbasierte Methoden in früheren Studien zu lückenfüllenden CO\(_2\)- und Methanflussdaten gut abgeschnitten haben7,10,14. Zuerst verglichen wir die Leistung von MDS und Als nächstes konzentrierten wir uns auf den Sonderfall nördlicher Ökosysteme, indem wir die Lückenfüllleistung für zehn nördliche Standorte untersuchten. Wir befassten uns mit einer grundlegenden Aufgabe zum Füllen von Lücken, die maximal dreitägige Datenlücken und die Verwendung nur leicht verfügbarer Umweltfaktoren umfasste: Lufttemperatur (T\(_{Luft}\)), einfallende Kurzwellenstrahlung (SWR) und atmosphärischer Dampf Druckdefizit (VPD). Genauer gesagt wollten wir wissen, ob die Lückenfüllmethoden (1) zu ähnlichen Schätzungen der C-Bilanz führen und (2) in nördlichen Ökosystemen genauso gut funktionieren wie anderswo. Dies erreichten wir, indem wir künstliche Lücken in reale und synthetische Datensätze einfügten, die künstlichen Lücken füllten und die Leistung beider Methoden bewerteten. Wir haben den Mean Flux Bias als Hauptleistungsmetrik übernommen, da er sich direkt auf die Genauigkeit einer Jahresbilanz auswirkt. Eine weitere wichtige Messgröße, die verwendet wurde, war der Balance-Fehler, der die Summe der Flussverzerrungen aufgrund fehlender Daten darstellt. Dies wurde anhand synthetischer Daten berechnet.

In dieser Arbeit wird die mikrometeorologische Vorzeichenkonvention übernommen, was bedeutet, dass ein positiver CO\(_2\)-Fluss einen Fluss vom Ökosystem in die Atmosphäre bezeichnet und ein negativer Fluss die Aufnahme aus der Atmosphäre in das Ökosystem anzeigt. Die Lückenfüllung künstlicher Lücken, die in 882 Standortjahre an Daten im FLUXNET2015-Datensatz eingefügt wurden, ergab, dass es mit MDS eine klare positive Tendenz bei den lückengefüllten Flüssen während des Tages gab (SWR \(\ge\) 20 W m\( ^{-2}\)) in hohen Breiten (\(>50^\circ\)N, N = 105) (Abb. 1a; für statistische Tests siehe Ergänzungstabelle S1). Während der Nacht (SWR < 20 W m\(^{-2}\)) gab es eine negative, aber viel geringere Vorspannung (Abb. 1b), die zu einer positiven Gesamtflussvorspannung führte (Abb. 1c). Eine positive Flussabweichung weist darauf hin, dass entweder die Emission überschätzt oder die Aufnahme unterschätzt wurde, während eine negative Abweichung das Gegenteil anzeigt. Bei der Verwendung von XGBoost zum Füllen von Lücken wurden einige positive und negative Flussverzerrungen beobachtet (Abb. 1d, e), aber das Ausmaß dieser Verzerrungen war im Vergleich zur Tagesverzerrung von MDS gering. Die Gesamtflussabweichung mit XGBoost war in allen Breitengraden unbedeutend oder sehr gering (Abb. 1f und Ergänzungstabelle S1).

MDS verursacht eine deutliche positive Tendenz im lückengefüllten NEE in nördlichen Breiten. (a,b) Tageszeit, (c,d) Nachtzeit und (e,f) Gesamtverzerrung in den CO\(_2\)-Flussdatenlücken, gefüllt mit Randverteilungsstichproben (MDS) und extremer Gradientenverstärkung (XGBoost). Die Daten umfassen 882 Standortjahre von 141 Standorten aus dem globalen FLUXNET2015-Datensatz. Die Ergebnisse jeder Methode wurden mit gemessenen Daten verglichen, die als künstliche Lücken gekennzeichnet waren. Für jedes Standortjahr wird die Gesamt-, Tages- und Nachtmittelflussabweichung aufgetragen.

Die MDS-Methode basiert auf der Kovariation zwischen NEE und meteorologischen Variablen und füllt in erster Linie eine fehlende NEE-Beobachtung durch den Mittelwert der verfügbaren NEE-Werte, die unter ähnlichen Bedingungen gemessen wurden. Die Ähnlichkeit der meteorologischen Bedingungen wird auf der Grundlage von Stichprobentoleranzen oder maximal akzeptierten Abweichungen von den tatsächlichen Bedingungen bestimmt, die für jede Prädiktorvariable angegeben werden (Einzelheiten siehe Methoden). Die positive Tagesabweichung in den nördlichen Breiten (Abb. 2a) resultierte aus einer sehr verzerrten Strahlungsverteilung (Abb. 2b und ergänzende Abb. S1), was dazu führte, dass mehr Daten aus dem unteren Bereich der Strahlungsverteilung erfasst wurden (Abb. 2c). . Eine unterschätzte Strahlungsmenge entspricht einer unterschätzten photosynthetischen Aufnahme (negative Flusskomponente) und damit einem überschätzten NEE (Abb. 2d). Beispiele mit Messdaten sind in der ergänzenden Abbildung 2a, b dargestellt. Das Ungleichgewicht der Tages- und Nachtflussverzerrung war in den Breitengraden \(50^\circ\)–\(70^\circ\) offensichtlich und betraf 133 Standortjahre an Daten, was 15 % der Standortjahre in der ausgewählten Region entspricht Teilmenge des FLUXNET2015-Datensatzes. In den Breitengraden \(30^\circ\)–\(50^\circ\) gab es auch eine beträchtliche Anzahl von Standortjahren mit einer negativen Flussabweichung, was darauf hindeutet, dass die Abweichungen in diesen Breiten durch andere Gründe verursacht wurden. Da die positive Tagesflussverzerrung mit MDS besonders in den Breitengraden \(60^\circ\)–\(70^\circ\) deutlich wurde, untersuchten wir die Daten von zehn Standorten innerhalb dieser Zone genauer (Tabelle 1). Diese Daten wurden aus dem EC-Flussprodukt ICOS Warm Winter 2020 erfasst, da für die nördlichen Breiten mehr Standortjahre mit guter Datenabdeckung verfügbar waren15. Das ICOS-Datenprodukt ist vollständig kompatibel mit dem FLUXNET2015-Datensatz.

Die Strahlungsverteilung ist in nördlichen Breiten verzerrt, was zu einer Probenverzerrung und einer positiven Flussverzerrung führt. (a) Tages- und Nacht-CO\(_2\)-Flussverzerrung von MDS in verschiedenen Breitengraden, (b) Schiefe der Verteilung der einfallenden Kurzwellenstrahlung in verschiedenen Breitengraden, (c) Probenverzerrung während des Tages und der Nacht bei unterschiedlichen Schiefewerten der Strahlungsverteilung und (d) eine schematische Abbildung, die veranschaulicht, wie die positive Vorspannung erzeugt wird. Die schwarze Kurve zeigt ein Beispiel für die tatsächliche Abhängigkeit von NEE vom SWR (eine kurze Periode von NEE am Tag während der Vegetationsperiode). Der Stichprobenfehler (c) gibt an, wie viele weitere Datenpunkte mit niedrigeren als höheren Strahlungswerten im Vergleich zum gemessenen Wert abgetastet werden, wenn die NEE-Daten ausgewählt werden, die gemittelt werden, um eine fehlende Beobachtung zu unterstellen. Wenn die Anzahl der Messungen (N) innerhalb des Toleranzintervalls unterhalb des gemessenen swr (swr-tol...swr) größer ist als die Anzahl der Messungen innerhalb des darüber liegenden Toleranzintervalls (swr...swr+tol), liegt ein positive Stichprobenverzerrung, und der modellierte NEE bei einem bestimmten SWR wird wahrscheinlich überschätzt. Die Stichprobengröße reichte von 2 bis 507 mit einem Mittelwert von 29. Die Daten umfassen 882 Standortjahre. Alle Boxplots veranschaulichen den Median (durchgezogene Linie), die Quartile (Box) und den Rest der Verteilung, mit Ausnahme von Ausreißern, die einzeln dargestellt werden. Als Ausreißer wurden Punkte definiert, die außerhalb des 1,5-fachen Interquartilbereichs lagen. Probenverzerrungen über 12 (N = 6) und unter – 3 (N = 4) werden aus Gründen der Übersichtlichkeit nicht angezeigt.

Um abzuschätzen, welche Auswirkungen die festgestellte Verzerrung auf die jährlich akkumulierten CO\(_2\)-Flüsse, dh die Schätzungen der jährlichen C-Salden, hat, haben wir synthetische Vollzeitreihen erstellt, die den CO\(_2\)-Flüssen entsprechen, die an den zehn nördlichen Standorten beobachtet wurden (Ergänzende Abbildungen S3, S4 und ergänzende Tabelle S2). Anschließend fügten wir realistische künstliche Lücken (30 %, 50 % und 70 % der Daten) in die synthetischen Datensätze ein, sowohl hinsichtlich der Länge als auch des Zeitpunkts, und verglichen die C-Salden, die aus den mit Lücken gefüllten NEE-Zeitreihen abgeleitet wurden, mit den tatsächlichen Salden. Dies geschah aus zwei Gründen. Im ersten Teil der Studie haben wir den Flussfehler anhand der verfügbaren Messzeitreihen bewertet, die durch Datenlücken beeinträchtigt waren. Allerdings liegen die meisten Lücken in der Nachtzeit, was bedeutet, dass die Mehrzahl der zur Beurteilung der Verzerrung verwendeten Daten Tagesflüsse waren. Zweitens wollten wir wissen, welchen kombinierten Effekt realistische Lückenlängen, Timing und Verzerrungen, die von der Tageszeit abhängen, auf die Schätzung des C-Gleichgewichts haben.

Wir fanden heraus, dass MDS die jährliche C-Bilanz in allen Fällen systematisch überschätzte, mit Ausnahme eines Falles (Standort SE-Nor mit 70 % Lücken) (Abb. 3 und Ergänzungstabelle S3). Der standortspezifische mittlere Bilanzfehler mit MDS reichte von 2–10 g C m\(^{-2}\) y\(^{-1}\) auf dem 30 %-Lückenniveau bis 3–17 g C m\ (^{-2}\) y\(^{-1}\) auf dem 70 %-Lückenniveau. Bei 5 der 10 Datensätze überstiegen die Bilanzfehler 30 g C m\(^{-2}\) y\(^{-1}\) und der größte Bilanzfehler betrug 42 g C m\(^{- 2}\) y\(^{-1}\). Bemerkenswert ist, dass der jährliche absolute Bilanzfehler für Standorte mit synthetischen Bilanzen im Bereich von zehn (FI-Qvd, FI-Let) bis Hunderten (FI-Hyy, SE-Ros) Gramm C m\(^{-2} \) y\(^{-1}\). Wenn mehr Lücken in die Nachtdaten fielen als in die Tagesdaten, nahm der jährliche Fehler des MDS ab, da die größere Anzahl unterschätzter NEE-Werte während der Nacht die geringere Anzahl überschätzter NEE-Werte während des Tages kompensierte. In vier von dreißig Fällen gab es einen signifikanten Fehler in der mit XGBoost berechneten Bilanz, aber die mittleren Bilanzfehler betrugen nur − 4 bis 2 g C m\(^{-2}\) y\(^{-1} \).

Das Füllen von Lücken mit MDS führt zu C-Balance-Fehlern. Fehler der mit Lücken gefüllten jährlichen C-Bilanz für unterschiedliche Lückenprozentsätze. Für jeden Standort wurde fünfmal ein synthetischer Datensatz generiert (Tabelle 1), und jede Datenabdeckungsklasse wurde für jeden Datensatz zehnmal getestet. Basierend auf der ursprünglichen Lückenverteilung wurden zufällige Lücken mit einer Länge von 0,5 Stunden bis 3 Tagen generiert, wobei auch der Zeitpunkt der Lücken berücksichtigt wurde. Positive Bilanzfehler bedeuten, dass die mit Lücken gefüllte Schätzung der C-Bilanz auf eine zu große Quelle oder eine zu kleine Senke hinweist.

Um zu testen, ob MDS durch Modifizieren der Methode verbessert werden könnte, und um weiter zu verifizieren, dass die positive Flussverzerrung durch die voreingenommene Strahlungsprobenahme verursacht wurde, untersuchten wir die Modellleistung mit drei Änderungen unter Verwendung des synthetischen Datensatzes FI-Let, für den MDS die überschätzte am meisten. Wir haben entweder (1) die beiden Toleranzeinstellungen, die die SWR-Grenzwerte jeder Datenprobe definieren, eingegrenzt, (2) nur eine Strahlungstoleranz verwendet oder (3) für Tagesdaten den mittleren NEE von Teilproben mit niedrigem und hohem SWR separat berechnet und Dann wurden diese Mittel gemittelt.

Wenn die SWR-Toleranzen für niedrigere und höhere SWR-Werte unterschiedlich waren, war die positive Flussabweichung tagsüber größer als die negative Nachtabweichung, was zu einer positiven Gesamtabweichung und damit zu einer Überschätzung des C-Gleichgewichts führte (Abb. 4a, c und Ergänzungstabellen S4). und S5). Als die SWR-Klassen eingegrenzt wurden, waren die Fehler im Vergleich zur ursprünglichen Implementierung kleiner, aber der quadratische Mittelwertfehler (RMSE) des modellierten NEE nahm zu (Abb. 4b und Ergänzungstabelle S6). Wenn eine übliche SWR-Toleranz von 25 W m\(^{-2}\) verwendet wurde, war der Fehler der lückengefüllten C-Balance unbedeutend, wenn 30 % oder 50 % der Daten fehlten, und negativ, wenn 70 % der Daten fehlten fehlt (Abb. 4a und Ergänzungstabelle S4). Auch in diesem Fall erhöhte sich RMSE (Abb. 4c und Ergänzungstabelle S6). Die getrennte Mittelung der Teilproben mit niedrigem und hohem SWR und die Bildung ihres Mittelwerts verringerten die positive Tagesflussabweichung und den Fehler des Jahressaldos, ohne den RMSE zu beeinflussen (Abb. 4a – c und Ergänzungstabellen 4, 5). Der Balancefehler wurde jedoch nicht vollständig beseitigt und durch die Verwendung von XGBoost wurde ein noch niedrigerer RMSE erzielt. Schließlich füllten wir alle synthetischen Datensätze mithilfe der MDS-Implementierung mit Teilstichprobenmittelung auf und stellten fest, dass nur in einem Fall (SE-Nor mit 70 % fehlenden Daten) die Größenordnung des jährlichen Fehlers größer war als bei Verwendung der ursprünglichen Implementierung von MDS (Ergänzungsabbildung S5 und Ergänzungstabelle S7). In allen anderen Fällen wurde der Fehler entweder verringert oder vollständig beseitigt.

Eine modifizierte Version von MDS kann verwendet werden, um C-Balance-Fehler zu verringern. Leistung verschiedener Implementierungen der MDS-Lückenfüllmethode und XGBoost für den synthetischen Datensatz FI-Let. [20,50], [10,25] und [25,25] (W m\(^{-2}\)) geben die für das SWR verwendeten Abtasttoleranzen an. „Unterproben“ bezieht sich auf die Mittelung der mittleren NEEs der Unterproben der Daten mit niedrigem und hohem SWR tagsüber. [20,50] ist die Standardimplementierung von MDS. (a) Jährlicher Fehler, (b) mittlerer quadratischer Fehler (RMSE) und c Tages- und Nachtverzerrung der lückengefüllten synthetischen CO\(_2\)-Flussdaten. Zur Fehlerbewertung wurde jede Datenabdeckungsklasse zehnmal getestet und RMSE und Verzerrungen wurden für Daten mit 70 % künstlichen Lücken berechnet.

Künstliche Unterschiede zwischen standortspezifischen C-Bilanzen können durch Lückenfüllung erzeugt werden, insbesondere wenn Methoden mit einer Tendenz sowohl zu einer negativen als auch zu einer positiven Tendenz für verschiedene Standorte verwendet werden. Aus diesem Grund haben Flux-Netzwerke ihre Datenverarbeitung standardisiert. Selbst wenn Lücken mit derselben Methode geschlossen werden, kann die Datenimputation jedoch zu erheblichen Unterschieden zwischen Standorten führen, da die Verzerrungen standortspezifisch und von der Datenabdeckung abhängig sind. Zuvor wurden die zufälligen Unsicherheiten auf einer jährlichen Zeitskala auf 10–40 g C m\(^{-2}\) y\(^{-1}\)16,17 geschätzt, Unsicherheiten im Zusammenhang mit der Lückenfüllung 10 –30 g C m\(^{-2}\) y\(^{-1}\)8,16 und die Gesamtunsicherheit des C-Gleichgewichts an nahezu idealen Standorten beträgt weniger als ± 50 g C m\(^{ -2}\) y\(^{-1}\)4. Das Ausmaß der in dieser Studie festgestellten jährlichen Fehler ist vergleichbar mit den geschätzten Unsicherheiten, was bedeutet, dass in einigen Fällen das tatsächliche Gleichgewicht möglicherweise nicht durch das Konfidenzintervall der ursprünglichen Schätzung erfasst wird. Wir haben gezeigt, dass ein maschineller Lernalgorithmus, hier die extreme Gradient-Boosting-Technik, den Lückenfüllfehler erheblich reduzieren kann.

Im Prinzip könnte jede Methode, die die Kovariation zwischen NEE und ihren meteorologischen Treibern korrekt berücksichtigt, wie z. B. andere Methoden des maschinellen Lernens und Regressionsmodelle, den Lückenfüllfehler reduzieren. Das Hauptproblem bei MDS in seiner ursprünglichen Implementierung besteht darin, dass der mittlere Fluss innerhalb eines bestimmten Strahlungsintervalls eine verzerrte Schätzung ist, da niedrigere Strahlungsniveaus und damit höhere NEE bevorzugt werden. Ein anderes, aber ähnliches Problem könnte in Regressionsmodellen beobachtet werden, wenn die angenommene Form der Reaktion von NEE auf Strahlung falsch ist. Der Vorteil datengetriebener Methoden des maschinellen Lernens besteht darin, dass sie keine oder weniger Annahmen über die Antwortfunktion treffen.

Auch wenn Standardmethoden bei Vergleichen hilfreich sind, besteht immer noch Bedarf, diese Methoden zu verbessern, insbesondere unter Berücksichtigung spezifischer Umweltbedingungen wie denen an nördlichen Standorten. Es sollte auch beachtet werden, dass der Anteil der mit Lücken gefüllten, dh modellierten Daten typischerweise mindestens 50 % beträgt und es daher von entscheidender Bedeutung ist, dass die modellierten Daten unvoreingenommen sind. Wir haben gezeigt, dass die ursprüngliche Implementierung von MDS eine suboptimale Methode zum Füllen von Daten aus nördlichen Standorten ist, wo die Strahlungsverteilung sehr verzerrt ist. Andere Methoden, wie z. B. Die Ergebnisse könnten auch für andere Standorte gelten, beispielsweise für südliche Standorte in hohen Breitengraden, und wenn sie auf andere Fahrer angewendet würden.

Auch wenn die in dieser Arbeit festgestellten absoluten Fehler nicht groß erscheinen mögen, sollten systematische Fehler nach Möglichkeit beseitigt werden. Angesichts des zunehmenden Interesses am C-Sequestrierungspotenzial von Ökosystemen ist es bemerkenswert, dass die C-Bilanzen von Ökosystemen in hohen Breitengraden im Allgemeinen gering sind. Es wurde berichtet, dass der beobachtete mittlere jährliche NEE in den Boreal- und Tundra-Biomen hoher Breiten (\(>45^\circ\)), die eine Fläche von \ (20,6 \times\) 10\(^6\) km\(^2\)18. Daher können die hier entdeckten systematischen Lückenfüllfehler einen erheblichen relativen Einfluss auf die C-Gleichgewichtsschätzungen nördlicher Ökosysteme haben, mit Auswirkungen auf die Überprüfung der C-Sequestrierung.

Der FLUXNET2015-Datensatz und die Daten, die aus einem ICOS-Datenprodukt (Warm Winter 2020 Ecosystem Eddy Covariance Flux Product für 73 Stationen in FLUXNET) erfasst wurden, bestehen aus frei zugänglichen Eddy-Kovarianz-CO\(_2\)-Flussdaten und unterstützenden Messungen, die verarbeitet wurden in standardisierter Weise6,15. Die FLUXNET-Daten wurden von 206 Standorten auf der ganzen Welt gesammelt. Aus dem FLUXNET2015-Datensatz haben wir alle Standortjahre auf der Nordhalbkugel verwendet, die eine jährliche Abdeckung von mindestens 20 % aufwiesen (Ergänzungstabelle S8). Wir haben die gemessene NEE genutzt, indem wir die Werte im Datenprodukt NEE_VUT_REF ausgewählt haben, bei denen das Qualitätsflag NEE_VUT_REF_QC Null war. Die ausgewählten Umweltfaktoren waren Kurzwellenstrahlung (SW_IN_F), atmosphärisches Dampfdruckdefizit (VPD_F_MDS) und Lufttemperatur (TA_F_MDS). Lücken in den Treibern wurden gemäß dem FLUXNET-Datenverarbeitungsprotokoll6 geschlossen. Aus dem ICOS-Datenprodukt haben wir Daten von allen nördlichen (\(>60^\circ\)) Standorten verwendet, die mindestens 30 % jährliche Abdeckung hatten und T\(_{Luft}\), VPD, SWR und Bodentemperatur verfügbar waren. Für jeden Standort wählten wir das Standortjahr mit der höchsten Datenabdeckung (Tabelle 1).

In dieser Arbeit wurden zwei Lückenfüllmethoden verwendet: extreme Gradientenverstärkung und Randverteilungsstichprobe.

Der Extreme-Gradient-Boosting-Algorithmus basiert auf parallel verstärkten Entscheidungsbäumen. Zur Anwendung dieser Methode wurde das Python-Paket „xgboost“19 verwendet. Hyperparameter, die das Unterstichprobenverhältnis der Spalten beim Aufbau jedes Baums (0,4, 0,6, 0,8, 1), die maximale Tiefe eines Baums (3, 5, 10, 15) und die minimale Anzahl von Stichproben steuern, die zum Erstellen eines neuen Knotens erforderlich sind in einem Baum (2, 5, 10) und der Anteil der Beobachtungen, der zufällig für jeden Baum ausgewählt wird (0,65, 0,75, 1), wurden für die FLUXNET2015-Daten basierend auf einer Rastersuche unter Verwendung von zehn zufällig ausgewählten Datensätzen und durch Auswahl des Modus bestimmt jedes Hyperparameters. Für die nördlichen Standorte wurden dieselben Hyperparameter für jeden synthetischen Datensatz mithilfe der ursprünglichen künstlichen lückenlosen Daten und der Rastersuche optimiert. Für die Lernrate haben wir den Standardwert 0,1 verwendet. Als Verlustfunktion wurde der quadrierte Fehler verwendet. Da MDS ein bewegliches Datenfenster verwendet, um zeitliche Korrelationen in den Flussdaten aufzulösen, wurde XGBoost um zwei zyklische Funktionen für Monat und Tageszeit sowie eine lineare Zeitbeschreibung als zusätzliche Treiber erweitert:

Dabei ist i die Anzahl der halben Stunden seit Jahresbeginn.

In MDS werden Lücken mit dem Durchschnitt der Flüsse gefüllt, die unter ähnlichen meteorologischen Bedingungen unter Verwendung eines beweglichen Fensters zur Datenerfassung gemessen wurden, oder mit dem mittleren Tagesverlauf (MDC), wenn keine ausreichend große Stichprobe gefunden werden konnte. Die standardmäßigen meteorologischen Treiber und ihre Toleranzen oder akzeptierten Abweichungen von den tatsächlichen Bedingungen sind SWR mit einer Toleranz von 20 W m\(^{-2}\) für SWR \(\le\) 50 W m\(^{- 2}\) und 50 W m\(^{-2}\) für SWR > 50 W m\(^{-2}\), T\(_{Luft}\) mit einer Toleranz von 2,5 K und VPD mit einer Toleranz von 5 hPa. Fehlt T\(_{air}\) oder VPD, wird nur SWR verwendet. Wenn keiner der meteorologischen Treiber verfügbar ist, werden die Lücken mit MDC gefüllt. Das spezifische Probenahmeverfahren ist in Wutzler et al.12 beschrieben. Bemerkenswert ist, dass auch das REddyProc-Tool SWR-Toleranzen von 20 W m\(^{-2}\) und 50 W m\(^{-2}\) verwendet (https://github.com/bgctw/REddyProc/tree /1.1.3), obwohl ein einzelner Toleranzansatz gemeldet wird.

Zusätzlich zur Standardimplementierung von MDS haben wir modifizierte Versionen davon getestet. Zunächst haben wir nur die Grenzwerte für die Strahlungsprobenahme geändert. Wir haben wie in der ursprünglichen Implementierung mit zwei unterschiedlichen Toleranzen getestet, die SWR-Toleranzen jedoch auf 10 und 25 W m\(^{-2}\) gesenkt. Wir haben auch mit nur einer Toleranz bei allen Strahlungsniveaus getestet und hierfür eine SWR-Toleranz von 25 W m\(^{-2}\) verwendet. Um schließlich die Stichprobenverzerrung besser zu berücksichtigen, haben wir für Tagesdaten zunächst den durchschnittlichen NEE separat für die Teilstichproben von Daten mit höherem und niedrigerem SWR als dem aktuellen SWR berechnet und dann diese beiden NEE-Werte gemittelt. Die MDS-Varianten wurden mithilfe eines C-Codes von Papale et al.20 implementiert.

Mithilfe eines künstlichen neuronalen Netzwerks (ANN) wurden synthetische Datensätze mit 100 % Abdeckung generiert, die zum Vergleich der Lückenfüllmethoden verwendet werden konnten. Das hier verwendete KNN war ein sequentielles Modell mit vier verborgenen Schichten, mit 16 Knoten in der ersten verborgenen Schicht und 32 in den anderen Schichten. Die verwendeten Aktivierungsfunktionen waren linear, hyperbolischer Tangens (tanh) und gleichgerichtete lineare Aktivierung (relu), und die Struktur des Netzwerks war linear-tanh-tanh-relu-linear. Als Verlustfunktion wurde der mittlere quadratische Fehler verwendet. Das ANN wurde mithilfe der Keras-Bibliothek21 implementiert. Als Prädiktoren für das neuronale Netzwerk wurden Lufttemperatur, Bodentemperatur, SWR und VPD verwendet. Für jeden Standort verwendeten wir alle verfügbaren Messdaten, um das ANN zu trainieren, und nach der Modellierung für alle 30-Minuten-Zeiträume eines Jahres wurde Rauschen zum modellierten 30-Minuten-NEE hinzugefügt. Dies erfolgte durch Gruppierung der Modellresiduen basierend auf der Jahreszeit (Wintermonate 1–4 und 11–12 sowie Sommermonate 5–10) und der Tageszeit (Nacht mit SWR \(\le\) 20 W m\(^). {-2}\) und tagsüber mit SWR > 20 W m\(^{-2}\) ) und Lufttemperatur (fünf gleich große Behälter). Nach dem Gruppieren der Daten wurde ein Residuum zufällig aus dem richtigen Bin ausgewählt und zu jedem 30-minütigen NEE hinzugefügt. Der gesamte Vorgang wurde für jeden Standort fünfmal wiederholt, um 50 verschiedene synthetische Datensätze zu erhalten.

In der Praxis stellen die synthetischen Daten einen Fall dar, in dem NEE durch T\(_{Luft}\), SWR, VPD und Bodentemperatur bestimmt wird. Wir gingen davon aus, dass in den Daten Rauschen vorhanden ist und dass dieses während der aktiven Sommermonate und im Winter, tagsüber und nachts sowie bei unterschiedlichen Temperaturen unterschiedlich groß ist. Beim Lückenfüllen der Daten mit MDS und XGBoost gingen wir davon aus, dass sie in der Lage sein sollten, die Kovariation zwischen NEE und T\(_{air}\), SWR und VPD zu lösen. Wir gingen außerdem davon aus, dass die durchschnittlichen Fehler einer unvoreingenommenen Lückenfüllmethode Null wären.

Von den FLUXNET2015-Daten haben wir alle verfügbaren Messdaten abgetastet, um die mittlere Abweichung für jedes Standortjahr zu berechnen. Für MDS haben wir jeweils eine halbe Stunde als künstliche Lücke gekennzeichnet, da sie in einem sich bewegenden Fenster leicht zu implementieren ist. Für XGBoost haben wir jeweils ein Prozent der gemessenen Daten als künstliche Lücken gekennzeichnet, da das Training eines anderen Modells für jede halbe Stunde aufgrund von Rechenzeitbeschränkungen nicht sinnvoll war. Die Ergebnisse für XGBoost stellen jedoch eine konservative Schätzung dar, da das Training eines separaten Modells für jede einzelne halbe Stunde die Ergebnisse eher verbessern als verschlechtern würde.

Für die synthetischen Datensätze wurden die künstlichen Lücken aus den ursprünglichen Lückenverteilungen gezogen, wobei sowohl die Lückenlänge als auch der Zeitpunkt berücksichtigt wurden. Genauer gesagt wurden die Lücken in der ursprünglichen Zeitreihe nach ihrer Länge und Startzeit gekennzeichnet, und die künstlichen Lücken wurden zufällig aus den ursprünglichen Lücken ausgewählt und in die synthetischen Datensätze eingefügt, bis eine Abdeckung von 30 %, 50 % oder 70 % erreicht war. Beim Einfügen der künstlichen Lücken in die synthetischen Daten wurde die Startzeit jeder Lücke beibehalten. Die künstlichen Lücken durften sich nicht überlappen. Für jede Datenabdeckung haben wir zehn verschiedene Lückensequenzen generiert, die für alle synthetischen Datensätze verwendet wurden.

Vergleiche zwischen lückengefüllten und gemessenen Werten wurden unter Verwendung des Mittelwerts, des RMSE und des Fehlers der jährlichen lückengefüllten C-Bilanz durchgeführt. In diesem Artikel haben wir die C-Bilanz als die mit EC gemessene C-Bilanz definiert, ohne die möglichen Auswirkungen von Ernten, Düngung, Auswaschung und seitlichem Transport von C.

Mittlerer Bias und RMSE wurden wie folgt definiert:

wobei N der Anzahl der künstlichen Lücken entspricht und NEE\(_{gap, i}\) einen mit Lücken gefüllten Wert und NEE\(_{meas, i}\) einen gemessenen Wert angibt.

Der Fehler der lückengefüllten C-Bilanz wurde als Differenz zwischen der lückengefüllten und der echten (synthetischen) C-Bilanz berechnet:

wobei N der Anzahl der 30-Minuten-NEE in den Daten entspricht und NEE\(_{synth, i}\) ein synthetischer NEE-Wert ist.

Um festzustellen, ob die mittleren Abweichungen der halbstündlichen NEE und die Fehler der lückengefüllten Kohlenstoffbilanzen von Null abweichen, haben wir den nichtparametrischen Wilcoxon-Signed-Rank-Test verwendet. Die Normalität der Daten wurde zunächst mit dem Shapiro-Wilk-Test bewertet. Paarweise Vergleiche wurden unter Verwendung des Conover-Tests und der Holm-Methode zur Anpassung der p-Werte durchgeführt. Alle statistischen Tests wurden in Python mit dem SciPy-Paket22 durchgeführt.

Der FLUXNET2015-Datensatz ist unter http://fluxnet.fluxdata.org/data/fluxnet2015-dataset/ verfügbar. Das ICOS Warm Winter 2020-Ökosystem-Eddy-Kovarianz-Flussprodukt für 73 Stationen im FLUXNET-Archive-Format-Release 2022-1 ist unter http://www.icos-cp.eu/data-products/2G60-ZHAK verfügbar.

Code zum Erstellen synthetischer Daten und zum Füllen von Lücken mit XGBoost ist unter https://github.com/hvekuri/co2_gapfilling verfügbar.

Die ursprüngliche Online-Version dieses Artikels wurde überarbeitet: In der Originalversion dieses Artikels war ein Hyperlink zur Codeverfügbarkeit defekt. Der korrekte Hyperlink ist https://github.com/hvekuri/co2_gapfilling.

Paustian, K. et al. Klimafreundliche Böden. Natur 532, 49–57 (2016).

Artikel ADS CAS PubMed Google Scholar

Griscom, BW et al. Natürliche Klimalösungen. Proz. Natl. Acad. Wissenschaft. 114, 11645–11650 (2017).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Smith, P. et al. Wie man die Kohlenstoffveränderung im Boden misst, meldet und verifiziert, um das Potenzial der Kohlenstoffbindung im Boden für die Entfernung von Treibhausgasen aus der Atmosphäre auszuschöpfen. Globus. Biol. ändern 26, 219–241 (2020).

Artikel ADS Google Scholar

Baldocchi, DD Bewertung der Eddy-Kovarianz-Technik zur Bewertung der Kohlendioxid-Wechselkurse von Ökosystemen: Vergangenheit, Gegenwart und Zukunft. Globus. Biol. ändern 9, 479–492 (2003).

Artikel ADS Google Scholar

Baldocchi, DD Wie Eddy-Kovarianz-Flussmessungen zu unserem Verständnis der Biologie des globalen Wandels beigetragen haben. Globus. Biol. ändern 26, 242–260 (2020).

Artikel ADS Google Scholar

Pastorello, G. et al. Der FLUXNET2015-Datensatz und die ONEFlux-Verarbeitungspipeline für Eddy-Kovarianz-Daten. Wissenschaft. Daten 7, 1–27 (2020).

Artikel Google Scholar

Zhu, S., Clement, R., McCalmont, J., Davies, CA & Hill, T. Stabile Lückenfüllung für längere Eddy-Kovarianz-Datenlücken: Ein weltweit validierter maschineller Lernansatz für Kohlendioxid-, Wasser- und Energieflüsse . Landwirtschaft. Für. Meteorol. 314, 108777 (2022).

Artikel ADS Google Scholar

Moffat, AM et al. Umfassender Vergleich von Lückenfülltechniken für Eddy-Kovarianz-Nettokohlenstoffflüsse. Landwirtschaft. Für. Meteorol. 147, 209–232 (2007).

Artikel ADS Google Scholar

Falge, E. et al. Lückenfüllstrategien für vertretbare jährliche Summen des Netto-Ökosystemaustauschs. Landwirtschaft. Für. Meteorol. 107, 43–69 (2001).

Artikel ADS Google Scholar

Mahabbati, A. et al. Ein Vergleich von Lückenfüllalgorithmen für Eddy-Kovarianz-Flüsse und ihre Treiber. Geosci. Instrument. Methoden Datensystem. 10, 123–140 (2021).

Artikel ADS CAS Google Scholar

Kim, Y. et al. Lückenfüllende Ansätze für Eddy-Kovarianz-Methanflüsse: Ein Vergleich von drei Algorithmen für maschinelles Lernen und einer traditionellen Methode mit Hauptkomponentenanalyse. Globus. Biol. ändern 26, 1499–1518 (2020).

Artikel ADS Google Scholar

Wutzler, T. et al. Einfache und erweiterbare Nachbearbeitung von Eddy-Kovarianz-Flussdaten mit REddyProc. Biogeowissenschaften 15, 5015–5030 (2018).

Artikel ADS CAS Google Scholar

LI-COR Biosciences, USA. https://www.licor.com/env/support/Tovi/manuals.html.

Irvin, J. et al. Lückenfüllende Eddy-Kovarianz-Methanflüsse: Vergleich von Vorhersagen und Unsicherheiten von Modellen des maschinellen Lernens in FLUXNET-CH4-Feuchtgebieten. Landwirtschaft. Für. Meteorol. 308, 108528 (2021).

Artikel ADS Google Scholar

Warm Winter 2020 Team und ICOS Ecosystem Thematic Center. (2022). Warmer Winter 2020-Ökosystem-Eddy-Kovarianz-Flussprodukt für 73 Stationen im FLUXNET-Archive-Format – Veröffentlichung 2022-1 (Version 1.0). icos Carbon-Portal. https://doi.org/10.18160/2g60-zhak (2022).

Richardson, AD & Hollinger, DY Eine Methode zur Schätzung der zusätzlichen Unsicherheit im lückengefüllten NEE, die aus langen Lücken in der CO\(_2\)-Flussaufzeichnung resultiert. Landwirtschaft. Für. Meteorol. 147, 199–208 (2007).

Artikel ADS Google Scholar

Liu, M. et al. Unsicherheitsanalyse von CO\(_2\)-Flusskomponenten in subtropischen immergrünen Nadelbaumplantagen. Wissenschaft. China Ser. D Erdwissenschaften. 52, 257–268 (2009).

Artikel ADS CAS Google Scholar

Virkkala, A.-M. et al. Statistische Hochskalierung der CO\(_2\)-Flüsse von Ökosystemen in der terrestrischen Tundra und im borealen Bereich: Regionale Muster und Unsicherheiten. Globus. Biol. ändern 27, 4040–4059 (2021).

Artikel CAS Google Scholar

Chen, T. & Guestrin, C. Xgboost: Ein skalierbares Baum-Boosting-System. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794 (2016).

Papale, D. et al. Auf dem Weg zu einer standardisierten Verarbeitung des Net Ecosystem Exchange, gemessen mit der Eddy-Kovarianz-Technik: Algorithmen und Unsicherheitsschätzung. Biogeosciences 3, 571–583 (2006).

Artikel ADS CAS Google Scholar

Chollet, F. c. et al. Keras. https://keras.io (2015).

Virtanen, P. et al. Grundlegende Algorithmen für wissenschaftliches Rechnen in Python. SciPy 1.0. Nat. Methoden 17, 261–272 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Referenzen herunterladen

Diese Forschung wurde von der Maj und Tor Nessling-Stiftung (Zuschuss-Nr. 202000391), dem Strategischen Forschungszentrum der Akademie von Finnland (Zuschuss-Nr. 327214, 335204), der Flagship-Förderung der Akademie von Finnland (Zuschuss-Nr. 337549) und der Akademie finanziert von Finnland (Zuschuss-Nr. 328310, 325549). DP dankt für die Unterstützung des CoCO2 H2020 European Project (GA 958927) und des Open Earth Monitor Horizon Europe Project (GA 101059548). MA, TL und AL danken dem finnischen Ministerium für Verkehr und Kommunikation über ICOS Finnland. Diese Arbeit verwendete Eddy-Kovarianz-Daten, die von der FLUXNET-Community erfasst und geteilt wurden, einschließlich dieser Netzwerke: AmeriFlux, AfriFlux, AsiaFlux, CarboAfrica, CarboEuropeIP, CarboItaly, CarboMont, ChinaFlux, Fluxnet-Canada, GreenGrass, ICOS, KoFlux, LBA, NECC, OzFlux- TERN, TCOS-Sibirien und USCCC. Die FLUXNET-Eddy-Kovarianz-Datenverarbeitung und -Harmonisierung wurde vom ICOS Ecosystem Thematic Center, dem AmeriFlux Management Project und dem Fluxdata-Projekt von FLUXNET mit Unterstützung von CDIAC und den Büros OzFlux, ChinaFlux und AsiaFlux durchgeführt. Alle in dieser Studie verwendeten nördlichen Standorte mit Ausnahme von FI-Qvd und SE-Ros sind Teil der ICOS European Research Infrastructure und ihre Daten werden über das ICOS Carbon Portal verbreitet.

Finnisches Meteorologisches Institut, 00101, Helsinki, Finnland

Henriikka Vekuri, Juha-Pekka Tuovinen, Liisa Kulmala, Mika Aurela, Tuomas Laurila, Jari Liski und Annalea Lohila

DIBAF Universität Tuscia, 01100, Viterbo, Italien

Darius Papale

Euro-Mittelmeer-Zentrum für Klimawandel CMCC IAFES, 01100, Viterbo, Italien

Darius Papale

Institut für Atmosphären- und Erdsystemforschung, Physik, Universität Helsinki, 00014, Helsinki, Finnland

Pasi Kolari & Annalea Lohila

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

HV, JP.T. und AL haben die Studie entworfen. HV führte die Datenanalysen durch. DP stellte den Code für MDS bereit und entwickelte die modifizierte Version von MDS. Alle Autoren waren an der Diskussion der Analyse, Dateninterpretation, Erstellung und Bearbeitung des Manuskripts beteiligt.

Korrespondenz mit Henriikka Vekuri.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Vekuri, H., Tuovinen, JP., Kulmala, L. et al. Eine weit verbreitete Methode zum Füllen von Lücken durch Eddy-Kovarianz führt zu einer systematischen Verzerrung bei Schätzungen der Kohlenstoffbilanz. Sci Rep 13, 1720 (2023). https://doi.org/10.1038/s41598-023-28827-2

Zitat herunterladen

Eingegangen: 21. November 2022

Angenommen: 25. Januar 2023

Veröffentlicht: 31. Januar 2023

DOI: https://doi.org/10.1038/s41598-023-28827-2

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.