کاربرد تکنیک جنگل تصادفی در مدل‌سازی کربن تبادلی اندازه‌گیری شده به روش همبستگی پیچه‌ای

تبادل خالص بوم‌سازگان (nee) به عنوان شاخصی مهم برای تعیین وضعیت انتقال دی‌اکسید کربن (co2) بین سطح زمین و اتمسفر، مخصوصاً در مبحث تغییر اقلیم به شمار می‌آید. علیرغم قابلیت تجهیزات اندازه‌گیری زمینی در سنجش تبادلات کربن، به دلیل محدودیت‌های زمانی و مکانی مشاهدات، از مدل‌سازی برای پیش‌بینی nee استفاده می‌گردد. در این تحقیق، تغییرات روزانه nee در چهار تیپ عملکردی گیاهی (pfts)‌ شامل جنگل پهن‌برگ (dbf)، جنگل سوزنی‌برگ (enf)، جنگل آمیخته (mf)، و علفزار (gra) مورد بررسی قرار گرفت. تکنیک جنگل تصادفی (rf) به عنوان یکی از روش‌های یادگیری ماشین با استفاده از چهار متغیر محیطی شامل تابش خورشید، دمای هوا، دمای خاک، و رطوبت نسبی به‌کار گرفته شد. مقادیر اندازه‌گیری شده و مدل‌سازی شده با استفاده از چهار شاخص آماری r²، nse، bias، و rmse مقایسه شدند. بر اساس نتایج، dbf بهترین و gra ضعیف‌ترین عملکرد را در مدل‌سازی داشتند. تحلیل اهمیت نسبی متغیرهای محیطی نیز نشان داد که شدت تابش خورشید بیشترین و رطوبت نسبی کمترین اهمیت را در تمام تیپ‌های عملکردی دارند. همچنین، در تیپ علفزار، تاثیر دمای خاک نسبت به دمای هوا در بهبود عملکرد مدل در مقایسه با تیپ‌های جنگلی بیشتر است. نتایج مدل‌سازی همچنین نشان داد که عدم قطعیت رخداد، یک چالش مهم در مراحل مختلف فنولوژیک در تمامی تیپ‌های عملکردی گیاهی محسوب می‌شود؛ به طوری که طبق تقویم میلادی، عدم قطعیت در فصول رشد و شکوفایی گیاهان طی روزهای 140 تا 220 در تیپ‌های جنگلی و روزهای 120 تا 210 در علفزار به اوج می‌رسد.

application of random forest technique for modelling carbon exchanges rate measured by eddy covariance measurement

net ecosystem exchange (nee) serves as an important indicator for assessing how carbon dioxide (co2) flows between the land surface and the atmosphere, particularly in the context of climate change. although in situ instruments are available for monitoring carbon exchanges, but the temporal and spatial scale limitations of these observations' attempts have been made to develop models for nee prediction. this study examined daily nee variations across four plant functional types (pfts): deciduous broadleaf forest (dbf), coniferous forest (enf), mixed forest (mf), and grassland (gra). using the, a machine learning approach, namely random forest (rf) method. four meteorological variables including solar radiation, air temperature, soil temperature, and relative humidity were used as inputs for the model. the measured and predicted values were evaluated using four statistical indices of r², nse, bias, and rmse. the results indicated that dbf had the most accurate modeling performance, whereas gra had the least. an analysis of the relative significance of environmental variables revealed that solar radiation was the most important and relative humidity the least important across all pfts. additionally, soil temperature improved the model performance in grasslands more significantly compared to air temperature, unlike the results in forest functional types. the study also highlighted that uncertainty remains a significant issue during different phenological stages across all pfts; with the highest uncertainty between days 140-220 in forest types and 120-210 in grassland, according to the julian calendar.