改进对北方生态系统碳汇和来源的估计

一项新的研究表明，国际测量网络使用的计算方法在北方生态系统的碳平衡估计中造成了系统性的偏差。这项由芬兰气象研究所领导的研究表明，机器学习方法可用于大幅减少误差。

用于测量森林、农田和湿地碳平衡的关键方法是涡流协方差技术。原则上，这种方法每半小时连续测量生态系统和大气之间的二氧化碳交换。然而，由于不利的大气条件，一些测量结果不得不被丢弃，而且技术故障也会导致数据空白。替换或填补缺失的数据以获得完整的时间序列是计算年度碳平衡的重要步骤。

由芬兰气象研究所领导的一项新研究首次调查了不同填补空白的方法对高纬度生态系统碳平衡估计的影响。研究结果发表在《科学报告》上。

该研究表明，国际通量测量网络也采用的最常见的填补空白方法，导致北方生态系统年度碳平衡估计出现系统误差。由于这一误差，碳源的排放被高估，碳汇的强度被低估。这种偏差是巨大的，在某些地方甚至与年度碳平衡的规模相似。该误差是由北纬地区太阳辐射分布非常偏斜引起的。

机器学习方法产生可靠的碳平衡估计

为了纠正错误，该研究使用了机器学习方法，该方法被证明比旧的标准方法更准确，并且不会引起任何系统错误。除了一种新的、无偏的方法外，还修改了旧方法，以更好地解释北纬地区普遍存在的环境条件。

北方和苔原生物群落面积超过20万平方公里。因此，研究中发现的系统误差可能会对北部地区的碳平衡估计产生重大影响，如果这些估计是基于涡共方差测量的。当改进的填补缺口方法得到广泛应用时，可以更准确地计算出北方生态系统的碳平衡估计值。未来，涡流协方差数据也可用于提高国家温室气体清单中产生的碳平衡估计的可靠性。