تتناول مراجعة الأدبيات هذه تطوير وتطبيق نموذج هجين، وتحديدًا نموذج الغابة العشوائية للمظلة ثنائية الأوراق (TL-CRF)، لتحسين تقدير الإنتاجية الأولية الإجمالية (GPP)، بالاعتماد على المقتطفات المقدمة من "نموذج هجين لتحسين تقدير الإنتاجية الأولية الإجمالية من خلال دمج عوامل بيئية متعددة". تمثل الإنتاجية الأولية الإجمالية (GPP)، وهي إجمالي امتصاص ثاني أكسيد الكربون (CO2) عن طريق التمثيل الضوئي، مؤشرًا حاسمًا لتقييم دورات الكربون في النظم البيئية الأرضية وفهم استجابة الغطاء النباتي لتغير المناخ. ومع ذلك، فإن تقدير GPP بدقة، خاصة على نطاقات واسعة، يطرح تحديات كبيرة. غالبًا ما تعاني نماذج كفاءة استخدام الضوء (LUE)، على الرغم من استخدامها على نطاق واسع بسبب مبادئها الواضحة وإطارها الموجز، من عدم اليقين الناشئ عن التأثير المعقد والمتعدد الأوجه للعوامل البيئية على أقصى كفاءة لاستخدام الضوء (εmax). برزت النمذجة الهجينة، التي تدمج النهج القائمة على العمليات والنهج القائمة على البيانات، كاستراتيجية واعدة لمعالجة هذه القيود. ستعمل هذه المراجعة على تجميع الموضوعات الرئيسية، ونقاط الاتفاق، والنقاشات، والفجوات، والمنهجيات، والتطور المقدم في المصدر، مقدمة رؤى نقدية حول هذا العمل.

الموضوعات الرئيسية في تحسين تقدير GPP

الموضوع المركزي للبحث المقدم هو تحسين تقدير GPP على نطاق واسع من خلال دمج عوامل الإجهاد البيئي المتنوعة في نموذج كفاءة استخدام الضوء ثنائي الأوراق (TL-LUE) باستخدام تقنية تعلم الآلة "الغابة العشوائية" (RF)، مع الأخذ في الاعتبار أيضًا الاختلافات الموسمية في مؤشر التكتل (CI). تدعم العديد من الموضوعات الفرعية المترابطة هذا الهدف الرئيسي:

• قيود نماذج كفاءة استخدام الضوء التقليدية (LUE): يسلط المصدر الضوء على أن نماذج LUE التقليدية غالبًا ما تفشل في تقدير GPP بدقة بسبب تمثيلها غير الكافي للقيود الشاملة للعوامل البيئية المتنوعة على εmax. تستخدم هذه النماذج عادةً صيغًا فيزيائية بسيطة وتأخذ في الاعتبار عددًا محدودًا فقط من العوامل البيئية (اثنين إلى أربعة) من خلال مبادئ الضرب أو قانون الحد الأدنى. يؤدي هذا التبسيط إلى شكوك كبيرة في تقديرات GPP حيث أن ε الفعلي محدود بفعل ضغوط بيئية مختلفة ولا يصل إلى الحد الأقصى النظري (εmax) إلا في ظل الظروف المثالية. يمثل نموذج TL-LUE تقدمًا عن طريق فصل المظلة إلى أوراق معرضة للشمس وأوراق مظللة بناءً على مؤشر تكتل ثابت (CI)، وبالتالي تحسين نماذج LUE الأبسط مثل MOD17. ومع ذلك، حتى معالجة نموذج TL-LUE للإجهاد البيئي (باستخدام درجة حرارة الهواء الدنيا وعجز ضغط البخار فقط) تعتبر غير كافية.
• دور تعلم الآلة في النمذجة البيئية: يؤكد البحث على الإمكانات الطبيعية لتعلم الآلة (ML)، وتحديدًا خوارزمية الغابة العشوائية (RF)، للكشف عن الأنماط والعلاقات المعقدة وغير الخطية بين المتغيرات البيئية المختلفة. يمكن لتقنيات تعلم الآلة تعلم معلمات نموذجية متغيرة من مجموعات بيانات واسعة، مما يوفر مسارًا لدمج مجموعة أكثر شمولاً من العوامل البيئية التي تؤثر على نشاط التمثيل الضوئي. يمكن لتقنية RF، من خلال بناء أشجار قرار متعددة بناءً على البيانات والميزات، التقاط التفاعلات غير الخطية بين المتنبئات والمتغير المستجيب (في هذه الحالة، عامل الإجهاد البيئي على εmax) بفعالية.
• النمذجة الهجينة: دمج النهج القائمة على العمليات والنهج القائمة على البيانات: تدعم الورقة نهج النمذجة الهجينة (TL-CRF) الذي يجمع بين الفهم الميكانيكي المضمن في نموذج TL-LUE والقدرات القائمة على البيانات لتقنية RF. يتمثل الأساس المنطقي في الاستفادة من المزايا التكميلية لكلا النوعين من النماذج: الاتساق الفيزيائي وقابلية التفسير للنماذج القائمة على العمليات ومرونة تعلم الآلة لتعلم العلاقات المعقدة من بيانات رصد الأرض. من خلال تضمين الوحدة الفرعية RF في إطار TL-LUE، يهدف نموذج TL-CRF إلى تحسين تقديرات GPP باستخدام RF لنمذجة عامل الإجهاد البيئي (σ) على εmax بناءً على مجموعة واسعة من المتغيرات الجوية وخصائص التربة والتضاريس.
• أهمية بنية المظلة ومؤشر التكتل (CI): تقر الدراسة بأهمية البنية المكانية للمظلة، الموصوفة بمؤشر التكتل (CI)، في التأثير على نقل الإشعاع وعمليات التمثيل الضوئي. يدمج نموذج TL-LUE بالفعل CI للتمييز بين الأوراق المعرضة للشمس والمظللة. علاوة على ذلك، يأخذ البحث في الاعتبار الاختلافات الموسمية في CI عبر أنواع الغطاء النباتي المختلفة على نطاق عالمي. من خلال تقسيم السنة إلى مواسم تناثر الأوراق (LSS)، وتجمع الأوراق (LGS)، وتساقط الأوراق (LFS) بناءً على بيانات فينيولوجيا سطح الأرض من MODIS، يأخذ النموذج (TL-CLUE، خطوة وسيطة) في الاعتبار التغيرات الزمنية في بنية المظلة. يبني نموذج TL-CRF على هذا من خلال دمج الوحدة الفرعية RF في إطار TL-CLUE، بهدف التقاط كل من الاختلافات الموسمية في CI والضوابط البيئية المعقدة.

نقاط الاتفاق والنقاش والفجوات

• نقاط الاتفاق: يتماشى البحث مع الإجماع المتزايد في المجال فيما يتعلق بقيود نماذج LUE التقليدية في التقاط تأثير العوامل البيئية المتنوعة على GPP بشكل كامل. هناك أيضًا اتفاق على إمكانات تقنيات تعلم الآلة لتحسين تمثيل هذه العلاقات المعقدة. يعد التحرك نحو النمذجة الهجينة كوسيلة للجمع بين نقاط القوة في النهج القائمة على العمليات والنهج القائمة على البيانات نقطة تقارب أيضًا. علاوة على ذلك، فإن أهمية النظر في بنية المظلة، كما يتضح من استخدام نماذج LUE ثنائية الأوراق ومؤشر التكتل، مقبولة بشكل عام.
• نقاط النقاش: بينما تُظهر الدراسة بوضوح فائدة دمج المزيد من العوامل البيئية عبر RF، فإن مدى توفير دمج CI الموسمي لتحسين إضافي كبير في نموذج هجين يستخدم بالفعل تعلم الآلة للضوابط البيئية يبدو أنه قضية دقيقة. تظهر النتائج أن نموذج TL-CRF (مع CI الموسمي) يتفوق بشكل طفيف فقط على نموذج TL-RF (بدون CI الموسمي ولكن مع RF للعوامل البيئية). يشير هذا إلى نقاش محتمل حول التوازن الأمثل والتفاعل بين الضوابط البيئية المفصلة القائمة على البيانات ومعلمات بنية المظلة الديناميكية في نماذج GPP الهجينة. قد يُجادل فيما إذا كان التعقيد الإضافي لتقدير CI الموسمي ينتج عنه زيادة كبيرة نسبيًا في الدقة عندما يكون مكون تعلم الآلة المتطور موجودًا بالفعل.
• الفجوات في البحث: يعترف المؤلفون أنفسهم بالعديد من الفجوات. والجدير بالذكر أن النموذج لا يدمج تأثيرات عمليات سطح الأرض المتطرفة مثل حرائق الغابات وموجات الحر والفيضانات، والتي يمكن أن تسبب خسارة كبيرة في الكربون. كما أن النموذج لا يميز بين مسارات التمثيل الضوئي للنباتات C3 و C4 بسبب القيود في بيانات الغطاء الأرضي الحالية. علاوة على ذلك، تشير الدراسة إلى عدم اليقين الناجم عن عدم التطابق التام للمعلومات المكانية بين المتغيرات الدافعة المختلفة من مصادر بيانات مختلفة، مما يشير إلى وجود فجوة في خوارزميات دمج البيانات القوية. كما يشير التحسن الصغير نسبيًا من دمج CI الموسمي ضمن الإطار المتكامل لـ RF إلى وجود فجوة محتملة في الفهم الكامل للتأثيرات التآزرية لهذين النهجين المتقدمين.

المنهجيات ذات الصلة المستخدمة

اعتمد تطوير وتقييم نموذج TL-CRF على العديد من المنهجيات الرئيسية:

• نموذج كفاءة استخدام الضوء ثنائي الأوراق (TL-LUE): يشكل هذا النموذج القائم على العمليات أساس النهج الهجين. يقدر GPP عن طريق فصل المظلة إلى أوراق معرضة للشمس وأوراق مظللة بناءً على مؤشر التكتل (Ω). يتم حساب GPP كمجموع نواتج أقصى كفاءة لاستخدام الضوء (εmsu, εmsh) والإشعاع النشط ضوئيًا الممتص (APARsu, APARsh) للأوراق المعرضة للشمس والمظللة، مضروبًا في عامل الإجهاد البيئي (σ). يأخذ حساب APAR للأوراق المعرضة للشمس والمظللة في الاعتبار عوامل مثل PAR، LAI، بياض المظلة (α)، زاوية السمت الشمسي (θ)، وزاوية الشمس-الورقة (β). عامل الإجهاد البيئي (σ) في نموذج TL-LUE الأصلي هو دالة لدرجة حرارة الهواء الدنيا (Tamin) وعجز ضغط البخار (VPD).
• خوارزمية الغابة العشوائية (RF): تم استخدام تقنية تعلم الآلة هذه لدمج عوامل الإجهاد البيئي المختلفة وتحسين تقدير عامل الإجهاد البيئي (σ). تم تدريب نموذج RF باستخدام مجموعة بيانات شاملة لخصائص التربة (طمي التربة، الطين، الكربون العضوي، النيتروجين، الكثافة الظاهرية)، والعوامل الجوية (تخزين المياه الأرضية، درجة حرارة التربة، Tamin، درجة حرارة الهواء القصوى، جزء منطقة السحب الكلية، سرعة الرياح، هطول الأمطار، VPD)، والتضاريس (الارتفاع). تبني خوارزمية RF أشجار قرار متعددة وتجمع تنبؤاتها من خلال نظام تصويت لتحديد أفضل نموذج. تم إجراء تدريب والتحقق من صحة نموذج RF على منصة R باستخدام بيانات تدفق الدوامات المضطربة العالمية من مجموعة بيانات FLUXNET2015 وشبكة AmeriFlux. تمت مقارنة أداء RF أيضًا بنماذج تعلم الآلة الأخرى مثل SVM و GBRT و ANN، حيث أظهر RF نتائج متفوقة.
• تقدير مؤشر التكتل الموسمي (CI): لمراعاة الاختلافات الزمنية في بنية المظلة، قدرت الدراسة متوسطات CI الموسمية لأنواع الغطاء النباتي المختلفة عبر ثلاث مراحل لدورة حياة الورقة: موسم تساقط الأوراق (LFS)، موسم تناثر الأوراق (LSS)، وموسم تجمع الأوراق (LGS). استند هذا التقسيم إلى أربع عتبات فينيولوجية (الاخضرار، منتصف الاخضرار، منتصف الاصفرار، السكون) مشتقة من بيانات فينيولوجيا سطح الأرض MODIS (LSP, MCD12Q2 V061)، والتي تستخدم مؤشر الغطاء النباتي المحسن بدون النطاق الأزرق (EVI2). تم النظر في ثلاث مناطق ارتفاعية (نصف الكرة الشمالي، نصف الكرة الجنوبي، والمناطق المدارية)، مع اختلاف التوقيت الفينولوجي بين نصفي الكرة الأرضية. تم تحديد قيم CI الموسمية لأنواع الغطاء النباتي المختلفة في هذه المناطق من خلال تجميع منتج MODIS CI والأدبيات المنشورة. قام نموذج TL-CLUE، وهو نسخة وسيطة، بدمج قيم CI الموسمية هذه لضبط جزء الإشعاع المنتشر تحت المظلة.
• تطوير النموذج الهجين (TL-CRF): تم إنشاء نموذج TL-CRF عن طريق تضمين الوحدة الفرعية RF، التي تتنبأ بعامل الإجهاد البيئي (r)، في نموذج TL-CLUE، الذي يدمج بالفعل CI الموسمي (Ωi). أدى ذلك إلى معادلة تقدير GPP تدمج كلاً من CI الموسمي وعامل الإجهاد البيئي المشتق من RF. تم أيضًا تطوير نموذج مقارن، TL-RF، عن طريق تضمين الوحدة الفرعية RF في نموذج TL-LUE الأساسي (باستخدام Ω ثابت)، مما يسمح بتقييم الفائدة المضافة لـ CI الموسمي.
• تقييم النموذج والتحقق من صحته: تم تقييم أداء نماذج TL-LUE و TL-RF و TL-CRF بدقة مقابل مجموعة بيانات اختبار (30٪ من بيانات تدفق المواقع العالمية) باستخدام مقاييس إحصائية مثل معامل التحديد (R²)، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE). تم استخدام الانحدار الخطي أيضًا لتقييم الاتساق بين GPP المقدر والمرصود. تمت مقارنة النماذج عبر أنواع الغطاء النباتي المختلفة.

التطور في المجال بمرور الوقت

يعكس البحث المقدم في المصدر تقدمًا واضحًا في مجال تقدير GPP:

• من نماذج LUE البسيطة إلى نماذج LUE ثنائية الأوراق: مثّل تطوير نموذج كفاءة استخدام الضوء ثنائي الأوراق (TL-LUE) بحد ذاته تقدمًا على نماذج LUE الأبسط من خلال مراعاة عدم التجانس الهيكلي لمظلات الغطاء النباتي من خلال دمج مؤشر التكتل (CI). سمح هذا بتقسيم أكثر واقعية للإشعاع الشمسي وتحسين تقديرات GPP.
• دمج الديناميكيات الزمنية لبنية المظلة: إدراكًا للاختلافات الموسمية في CI، شكل تطوير نموذج TL-CLUE خطوة أخرى إلى الأمام من خلال دمج متوسطات CI الموسمية في إطار TL-LUE. هدف هذا إلى التقاط التغيرات الفينولوجية في بنية المظلة وتأثيرها على GPP بشكل أفضل.
• الاستفادة من تعلم الآلة للضوابط البيئية المعقدة: وفر ظهور تقنيات تعلم الآلة وتطورها المتزايد أدوات جديدة لمعالجة قيود نماذج LUE التقليدية في التعامل مع تعقيد العوامل البيئية التي تؤثر على التمثيل الضوئي. يجسد تطبيق خوارزمية الغابة العشوائية (RF) في هذا البحث هذا الاتجاه، حيث يقدم نهجًا قائمًا على البيانات لدمج العديد من المتغيرات البيئية وتفاعلاتها غير الخطية.
• ظهور استراتيجيات النمذجة الهجينة: يشير دمج النماذج القائمة على العمليات (TL-LUE) والقائمة على البيانات (RF) في إطار هجين (TL-CRF) إلى اتجاه معاصر في نمذجة نظام الأرض. يسعى هذا النهج إلى تسخير نقاط القوة في كلا النموذجين لتحقيق محاكاة أكثر دقة وقوة للعمليات البيئية المعقدة مثل GPP. توضح المقارنة بين TL-LUE و TL-RF و TL-CRF التحسن التدريجي في دقة تقدير GPP الذي تم تحقيقه من خلال هذه التطورات.

رؤى نقدية - اتفاق/اختلاف

يوفر تطوير والتحقق من صحة نموذج TL-CRF رؤى قيمة في تحسين تقديرات GPP. تكمن أهم مساهمة لهذا العمل في دمجه الفعال لمجموعة شاملة من عوامل الإجهاد البيئي من خلال تقنية الغابة العشوائية ضمن الهيكل القابل للتفسير فيزيائيًا لنموذج LUE ثنائي الأوراق. يعالج هذا بشكل كبير القيود المعترف بها لنماذج LUE التقليدية في التقاط التفاعل المعقد للضوابط البيئية على التمثيل الضوئي. يؤكد التحسن الكبير في دقة تقدير GPP الذي حققه نموذج TL-RF (بدون CI الموسمي ولكن مع RF للعوامل البيئية) مقارنة بنموذج TL-LUE على قوة تعلم الآلة في هذا السياق.

في حين أن دمج CI الموسمي (في نموذج TL-CRF) سليم من الناحية المفاهيمية ويعكس فهمًا لخصائص المظلة الديناميكية، فإن التحسن الهامشي نسبيًا لـ TL-CRF على TL-RF يشير إلى أنه عندما يتم استخدام نهج قوي قائم على البيانات مثل RF لنمذجة القيود البيئية، قد تكون القيمة المضافة لدمج CI الموسمي بشكل صريح أقل وضوحًا. يثير هذا تساؤلات حول المستوى الأمثل للتعقيد واحتمال التكرار عند الجمع بين الوحدات القائمة على البيانات بشكل كبير مع التحسينات القائمة على العمليات بشكل أكبر. يمكن للبحث المستقبلي استكشاف الظروف التي يوفر فيها دمج ديناميكيات المظلة التفصيلية فائدة أكبر في النماذج الهجينة.

يتماشى اعتراف الدراسة بالقيود، مثل استبعاد الأحداث المتطرفة وتمييز C3/C4، مع التحديات الأوسع في مجتمع نمذجة نظام الأرض. تمثل هذه العوامل التي لم يتم تناولها طرقًا مهمة للبحث المستقبلي في نمذجة GPP الهجينة لتعزيز شمولية النماذج وقدرتها التنبؤية، لا سيما في ظل الظروف البيئية المتغيرة. كما تسلط الشكوك المعترف بها المتعلقة بجودة البيانات وعدم التطابق المكاني الضوء على الحاجة الماسة للتقدم في دمج البيانات وتطوير مجموعات بيانات بيئية عالية الجودة ومتسقة مكانيًا لتحسين أداء النموذج.

في الختام، يمثل تطوير نموذج TL-CRF خطوة مهمة إلى الأمام في تحسين تقدير GPP من خلال الاستفادة الفعالة من قوة تعلم الآلة لدمج الضوابط البيئية المعقدة ضمن إطار ذي معنى فيزيائي. في حين يبدو أن تأثير دمج CI الموسمي في هذا السياق تدريجي، يؤكد البحث على إمكانات استراتيجيات النمذجة الهجينة لتعزيز فهمنا وقدراتنا التنبؤية للعمليات البيئية الأساسية مثل الإنتاجية الأولية الإجمالية.

---

الأسئلة الشائعة حول النموذج الهجين لتقدير الإنتاجية الأولية الإجمالية

1. ما هي الإنتاجية الأولية الإجمالية (GPP) ولماذا يعتبر تقديرها الدقيق مهمًا؟

    تمثل الإنتاجية الأولية الإجمالية (GPP) الكمية الإجمالية لثاني أكسيد الكربون (CO2) التي يمتصها الغطاء النباتي من خلال عملية التمثيل الضوئي خلال فترة زمنية محددة. وهي مؤشر أساسي لفهم دورة الكربون في النظم البيئية الأرضية ولتحديد كيفية استجابة الغطاء النباتي لتغير المناخ وتأثيره عليه. يعد تقدير GPP الدقيق أمرًا بالغ الأهمية لتقييم صحة النظام البيئي، والتنبؤ بامتصاص الكربون في المستقبل، وفهم آليات التغذية الراجعة بين المحيط الحيوي والغلاف الجوي.

2. ما هي نماذج كفاءة استخدام الضوء (LUE)، وما هي قيودها في تقدير GPP؟

    نماذج كفاءة استخدام الضوء (LUE) هي نهج مستخدم على نطاق واسع لتقدير GPP بناءً على مبدأ أن GPP يتناسب مع كمية الإشعاع النشط ضوئيًا (PAR) التي يمتصها الغطاء النباتي وكفاءة تحويل هذا الضوء إلى كتلة حيوية (LUE، يرمز لها بـ ε). في حين أن نماذج LUE تتميز بمبادئها الواضحة وكفاءتها الحسابية، فإن أحد القيود الرئيسية هو تمثيلها المبسط للعوامل البيئية (مثل توفر المياه ودرجة الحرارة) التي تؤثر بشكل كبير على أقصى كفاءة لاستخدام الضوء (εmax). تأخذ معظم نماذج LUE التقليدية في الاعتبار عددًا محدودًا فقط من هذه العوامل من خلال الضرب البسيط أو قانون الحد الأدنى، وهو غالبًا ما يكون غير كافٍ لالتقاط الطرق المعقدة والمتفاعلة التي تؤثر بها ضغوط بيئية متنوعة على التمثيل الضوئي.

3. كيف يحسن نموذج كفاءة استخدام الضوء ثنائي الأوراق (TL-LUE) نماذج LUE التقليدية؟

    يعزز نموذج كفاءة استخدام الضوء ثنائي الأوراق (TL-LUE) تقدير GPP عن طريق التمييز بين الأوراق المعرضة للشمس والأوراق المظللة داخل مظلة الغطاء النباتي. يعتمد هذا الفصل على مؤشر التكتل (CI)، الذي يصف التوزيع غير العشوائي لأوراق الشجر. من خلال مراعاة ظروف الإضاءة المختلفة التي تتعرض لها الأوراق المعرضة للشمس والمظللة وأقصى كفاءة استخدام للضوء لكل منها (εmsu و εmsh)، يوفر نموذج TL-LUE تمثيلًا أكثر واقعية لعملية التمثيل الضوئي للمظلة مقارنة بنماذج LUE أحادية الورقة.

4. ما هو دور مؤشر التكتل (CI) وكيف يتم دمج تباينه الموسمي في النموذج الهجين الجديد (TL-CRF)؟

    مؤشر التكتل (CI) هو معلمة رئيسية تصف الترتيب المكاني لأوراق الشجر في مظلة النبات. يؤثر على اختراق ضوء الشمس ونسبة الأوراق المعرضة للشمس والمظللة. إدراكًا بأن CI يختلف موسميًا، خاصة بالنسبة لأنواع معينة من الغطاء النباتي، يدمج النموذج الهجين (TL-CRF) متوسطات CI الموسمية لمراحل مختلفة من دورة حياة الورقة (مواسم تناثر الأوراق، وتجمع الأوراق، وتساقط الأوراق). تُستخدم قيم CI الموسمية هذه ضمن إطار TL-LUE لتمثيل الديناميكيات الزمنية لبنية المظلة وتأثيرها على الإشعاع النشط ضوئيًا الممتص (APAR) بشكل أفضل، وبالتالي تحسين تقديرات GPP.

5. كيف تعزز تقنية تعلم الآلة "الغابة العشوائية" (RF) تقدير GPP في نموذج TL-CRF؟

    تُستخدم تقنية الغابة العشوائية (RF) في نموذج TL-CRF لدمج مجموعة واسعة من عوامل الإجهاد البيئي التي غالبًا ما تبسطها نماذج LUE التقليدية بشكل مفرط. تتفوق RF، وهي خوارزمية تعلم آلة، في تحديد العلاقات المعقدة وغير الخطية بين متغيرات تنبؤ متعددة ومتغير استجابة. في هذا السياق، تُستخدم RF لتعلم كيف تؤثر العوامل الجوية المختلفة (مثل درجة الحرارة، هطول الأمطار، الإشعاع الشمسي)، وخصائص التربة (مثل محتوى الماء، النسيج، الكربون العضوي)، والعناصر الطبوغرافية على أقصى كفاءة فعلية لاستخدام الضوء (ε). من خلال تضمين وحدة فرعية RF تقدر ε بناءً على هذه المحركات البيئية المتعددة في نموذج TL-LUE (مع الأخذ في الاعتبار الآن CI الموسمي)، يستفيد نموذج TL-CRF من القدرات القائمة على البيانات لتعلم الآلة لتحسين دقة تقديرات GPP من خلال مراعاة القيود البيئية على إمكانات التمثيل الضوئي بشكل أكثر شمولاً.

6. ما هي العوامل البيئية الرئيسية التي تأخذها الوحدة الفرعية للغابة العشوائية في نموذج TL-CRF في الاعتبار؟

    تدمج الوحدة الفرعية للغابة العشوائية في نموذج TL-CRF مجموعة شاملة من العوامل البيئية لتحسين تقدير أقصى كفاءة لاستخدام الضوء (ε). تشمل هذه العوامل:

• المتغيرات الجوية: تخزين المياه الأرضية (TWS)، درجة حرارة الهواء الدنيا والقصوى (Tamin, Tamax)، عجز ضغط البخار (VPD)، درجة حرارة التربة (Ts)، سرعة الرياح (Sw)، هطول الأمطار (P)، وجزء منطقة السحب الكلية (FCA).
• خصائص التربة: طمي التربة (St)، نيتروجين التربة (Sn)، الكثافة الظاهرية للتربة (Sd)، طين التربة (Sy)، والكربون العضوي في التربة (SOC).
• التضاريس: الارتفاع (Elev).

    تسمح هذه القائمة الشاملة للنموذج بالتقاط تأثير أكثر شمولية للظروف البيئية على عمليات التمثيل الضوئي.

7. كيف تم تقييم نموذج TL-CRF، وما هي النتائج الرئيسية المتعلقة بأدائه مقارنة بنماذج TL-LUE و TL-RF؟

    تم تقييم نموذج TL-CRF مقابل بيانات GPP المرصودة من مواقع تدفق الدوامات المضطربة العالمية (شبكات FLUXNET2015 و AmeriFlux). تمت مقارنة أدائه بنموذج TL-LUE الأصلي ونموذج TL-RF (الذي يدمج العوامل البيئية عبر RF ولكن دون النظر في CI الموسمي). كانت مقاييس التقييم المستخدمة هي معامل التحديد (R²)، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE). كانت النتائج الرئيسية هي أن نموذج TL-RF حسّن بشكل كبير تقديرات GPP مقارنة بنموذج TL-LUE من خلال التقاط تأثير العوامل البيئية المتعددة بشكل أفضل. علاوة على ذلك، أظهر نموذج TL-CRF، الذي يدمج كلاً من RF للعوامل البيئية و CI الموسمي، تحسنًا إضافيًا طفيفًا على نموذج TL-RF، لا سيما في تقليل المبالغة في تقدير GPP خلال موسم نمو الأوراق. بشكل عام، أظهر نموذج TL-CRF دقة واتساقًا أعلى مع GPP المرصود، مما يشير إلى فوائد دمج كل من الفهم القائم على العمليات (TL-LUE) وتعلم الآلة القائم على البيانات (RF) مع مراعاة ديناميكيات المظلة الموسمية (CI).

8. ما هي قيود نموذج TL-CRF ومجالات البحث المستقبلية المحتملة؟

    على الرغم من تطوراته، فإن نموذج TL-CRF له بعض القيود. لا يدمج حاليًا تأثيرات الأحداث المتطرفة (مثل حرائق الغابات وموجات الحر) على GPP بسبب تعقيد آلياتها وتوافر البيانات. بالإضافة إلى ذلك، لا يميز النموذج صراحة بين مسارات التمثيل الضوئي للنباتات C3 و C4 بسبب القيود في مجموعات بيانات الغطاء الأرضي العالمية الحالية. يتأثر أداء نموذج RF أيضًا بجودة وتوزيع بيانات التدفق المستخدمة في التدريب. يمكن أن يركز البحث المستقبلي على:

• دمج تأثيرات الأحداث المتطرفة على GPP.
• دمج التمييز بين نباتات C3/C4 مع توفر مجموعات بيانات أكثر دقة.
• تحسين نموذج RF ببيانات تدريب ذات جودة أعلى وتوزيع أكثر توازناً.
• تطوير تقنيات دمج بيانات أكثر تطوراً لمطابقة المعلومات المكانية بشكل أفضل عبر مجموعات البيانات البيئية المختلفة.

(Li et al., 2024)

المرجع

Li, Z., Jiao, Z., Gao, G., Guo, J., Wang, C., Chen, S., Tan, Z., & Zhao, W. (2024). Improving global gross primary productivity estimation using two-leaf light use efficiency model by considering various environmental factors via machine learning. Science of the Total Environment, 954. https://doi.org/10.1016/j.scitotenv.2024.176673