Karasal ekosistemlerdeki brüt birincil üretkenliğin (GPP) ve buharlaşmanın (ET) doğru şekilde modellenmesi, küresel karbon ve su döngülerinin anlaşılması ve tahmin edilmesi açısından önemlidir. Ancak mevcut modeller bu iki temel bileşeni tahmin ederken önemli belirsizlikler ve sınırlamalarla karşı karşıyadır.
Çin Bilimler Akademisi Uygulamalı Ekoloji Enstitüsü’nden bilim insanları, hem GPP hem de ET simülasyonlarının doğruluğunu artırma konusunda yeni ilerlemeler kaydetti.
Bulgular, şu adreste yayınlandı: Yerbilimsel Model Geliştirme Ve Hidrometeoroloji Dergisibölgesel ölçeklerde farklı ekosistemlerdeki karbon ve su akışlarının değerlendirilmesi için metodolojik destek sağlaması bekleniyor.
Dr. Wu Jiabing liderliğindeki Ekolojik İklim Araştırma Ekibi, GPP üzerine yaptıkları çalışmada, hafif kullanım verimliliği (LUE) yaklaşımını temel alan Hızlı Hafif Otomatik Makine Öğrenimi (FLAML) – hafif kullanım verimliliği (LUE) modelini geliştirdi. LUE modelleri, emilen ışığı, karbon sabitleme için önemli bir süreç olan fotosentetik çıktıya bağlayarak tesis verimliliğini tahmin eder.
Meteorolojik verileri, girdap kovaryans yöntemini (ekosistemler ve atmosfer arasındaki karbondioksit, su buharı ve enerji alışverişini ölçen bir teknik) kullanan akış kulesi gözlemlerini ve uydudan türetilmiş endeksleri entegre ederek araştırmacılar, modeli optimize etmek için hafif bir otomatik makine öğrenme çerçevesi olan FLAML’i uyguladılar.
Sonuçlar, FLAML-LUE’nin, özellikle karma ve iğne yapraklı ormanlarda güçlü bir doğrulukla, GPP dinamiklerini tahmin etmede olağanüstü derecede iyi performans gösterdiğini gösterdi.
Alplerdeki çalılıklarda ve tipik otlaklarda performansı biraz daha düşük olmasına rağmen, Orta Çözünürlüklü Görüntüleme Spektroradiometresi (MODIS) ve PML gibi yaygın olarak kullanılan ürünlerden daha iyi performans gösterdi.
Model, yüksek sıcaklık ve buhar basıncı eksikliğinin olduğu aşırı koşullar altında doğrulukta hafif düşüşler gösterdi, ancak kuraklık koşulları altında ekili alanlar ve yaprak dökmeyen geniş yapraklı ormanlar için performansın arttığı gözlemlendi.
Çalışma, ekolojik modellemeyi ilerletmede otomatik makine öğreniminin potansiyelini vurguluyor.
ET üzerine paralel bir çalışmada, Dr. Fei Wenli ve Dr. Shen Lidu liderliğindeki ekip, Noah-MP arazi yüzeyi modelini, Amerika Birleşik Devletleri kıtasındaki sekiz arazi örtüsü türünde birden fazla ET ürününe karşı çoklu parametrelendirme konfigürasyonlarında değerlendirdi. Topraktan buharlaşma ve bitkilerden terlemenin birleşik sürecini temsil eden ET, hidrolojik döngünün merkezi bir bileşenidir.
Noah-MP modelinin, çoklu parametrelendirme konfigürasyonları boyunca, çoğu arazi örtüsü türünde, özellikle de yaprak dökmeyen ormanlarda, otlaklarda, ekili alanlarda ve çorak arazilerde ET’yi olduğundan fazla tahmin etme eğiliminde olduğunu buldular.
Buna ek olarak, bir yıl boyunca model, yazın mevsimsel ET zirvesini doğru bir şekilde yakaladı ancak yoğunluğunu sürekli olarak olduğundan fazla tahmin etti. Yıldan yıla değişkenlik karşılaştırıldığında, model performansı kurak ve yarı kurak bölgelerde nemli ormanlara ve ekili alanlara göre daha güçlüydü.
Araştırmacılar ET’yi yönlendiren baskın fiziksel süreçleri belirlediler. Ormanlar ve otlaklar için stoma iletkenliği (bitki yaprak gözenekleri yoluyla su kaybının düzenlenmesi) temel faktör olurken, çalılıklar, savanlar, ekili alanlar ve çıplak toprak alanlarında akış süreçleri daha önemli bir rol oynadı.
Bu bulgular, ET simülasyonunu geliştirmek için modellerin farklı arazi örtüsü türleri için nasıl optimize edileceğini ayarlamanın önemini vurgulamaktadır.
İki çalışma birlikte, karbon ve su döngülerinin karasal ekosistem modellemesinin iyileştirilmesinde ileriye doğru atılan önemli bir adıma işaret ediyor ve daha iyi iklim ve ekosistem değerlendirmelerini destekleyebilecek yeni metodolojik bilgiler sunuyor.
