Взаимосвязь валовой первичной продукции лугов Томской области с параметрами окружающей среды и ее восстановление методами машинного обучения

В настоящее время одной из актуальных задач экосистемного мониторинга является оценка характеристик углеродного цикла, а именно валовой первичной продукции (GPP, англ. Gross Primary Production), экосистемного дыхания (ER, англ. Ecosystem Respiration) и чистого экосистемного обмена (NEE, англ. Net Ecosystem Exchange). Наиболее детальная информация об этих параметрах для каждого конкретного биогеоценоза может быть получена на основе in situ измерений. Золотым стандартом в данной области является метод турбулентных пульсация (eddy covariance), использующийся на сети микрометеорологических станций FLUXNET (англ. Flux Network) по всему миру [1]. На территории Российской Федерации мониторинг характеристик углеродного цикла осуществляется в рамках развиваемой сети RUFLUX (англ. Russian Flux), а также 18-ти карбоновых полигонов, расположенных в различных природных зонах (https://carbon-polygons.ru). Однако результаты наземных измерений наиболее репрезентативны непосредственно в районе их проведения на площади радиусом 100-2000 м. Поэтому для оценки искомых параметров в региональном и глобальном масштабах необходимо применять другие подходы. Одним из них является использование результатов дистанционного зондирования Земли из космоса.
Общая идея применения результатов спутниковой съемки для восстановления GPP/ER/NEE заключается в «масштабировании» наземных измерений указанных характеристик. Для этого используется три основных типа моделей: эмпирические, процессно-ориентированные и машинное обучение. Первые из них основаны на прямом статистическом сопоставлении GPP/ER/NEE с наблюдаемыми параметрами окружающей среды и биофизическими индикаторами состояния растительности, например, с вегетационными индексами. Наиболее ярким примером второго типа моделей является VPRM (англ. Vegetation Photosynthesis and Respiration Model), описывающая процессы фотосинтеза и дыхания экосистем [2]. На длительных интервалах времени (например, месячном) и крупном пространственном масштабе (например, для природных зон) модели первых двух типов нередко демонстрируют высокую точность восстановления, например, GPP вследствие близкой линейной взаимосвязи этого параметра с некоторыми из рассматриваемых характеристик растительности и окружающей среды или их комбинациями. Однако на суточном интервале и более высоком пространственном разрешении связи между GPP/ER/NEE и исследуемыми параметрами становятся существенно сложнее, а эффективность моделей первых двух типов снижается [3]. Поэтому в настоящее время активно разрабатываются подходы к восстановлению характеристик углеродного цикла с помощью методов машинного обучения, способных выявлять сложные нелинейные взаимосвязи между рассматриваемыми предикторами и целевыми параметрами.
В докладе представлены результаты оценки взаимосвязи GPP лугов Томской области с наблюдаемыми параметрами окружающей среды и биофизическими индикаторами состояния растительности, а также их использования для решения задачи восстановления GPP методами машинного обучения. Исходные данные включают результаты измерения характеристик углеродного цикла лугов камерным методом и наблюдаемых при этом метеовеличин в обсерватории «Фоновая» Томской области и на расположенной рядом метеостанции «Кожевниково», а также продукты спутниковой съемки MODIS (англ. Moderate Resolution Imaging Spectroradiometer), VIIRS (англ. Visible Infrared Imaging Radiometer Suite), TROPOMI (англ. Tropospheric Monitoring Instrument) и реанализа ERA5-Land за период с мая по сентябрь 2018-2025 гг. Рассматриваются следующие модели машинного обучения: случайный лес (англ. Random Forest), экстремальный бустинг (XGBoost, англ. eXtreme Gradient Boosting) и регрессия опорных векторов (англ. Support Vector Regression). Для расширения обучающих выборок используются методы аугментации данных.
Работа выполнена за счет гранта Российского научного фонда № 25-21-00629 (https://rscf.ru/project/ 25-21-00629/).