Assessment and prediction of carbon dioxide fluxes with eddy covariance and machine learning techniques

Reitz, Oliver; Leuchner, Michael; Bendix, Jörg

doi:HT030360965

Assessment and prediction of carbon dioxide fluxes with eddy covariance and machine learning techniques

Reitz, Oliver^RWTH*

2023 & 2024

Verantwortlichkeitsangabevorgelegt von Oliver Reitz, M.Sc.

ImpressumAachen : RWTH Aachen University 2023

Umfang1 Online-Ressource : Illustrationen, Diagramme, Karten

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2023

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2024

Genehmigende Fakultät
Fak05

Hauptberichter/Gutachter
Leuchner, Michael (Thesis advisor)^RWTH* ; Bendix, Jörg (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2023-08-03

Online
DOI: 10.18154/RWTH-2023-09084
URL: https://publications.rwth-aachen.de/record/969289/files/969289.pdf

Einrichtungen

Projekte

Thematische Einordnung (Klassifikation)
DDC: 550

Kurzfassung
Landbedeckungs- und Landnutzungsänderungen sowie die terrestrische Kohlenstoffsenke sind zweiwichtige Komponenten im globalen Kohlenstoffhaushalt. Es existieren mehrere methodische Ansätze zur Messung von CO2- und anderen Treibhausgasflüssen zwischen Ökosystemen und der Atmosphäre. Mit einer genauen Quantifizierung dieser Flüsse ist es möglich, Kohlenstoffquellen und -senken zwischen verschiedenen Landbedeckungen zu vergleichen und Umwelteinflüsse auf diese Terme zu bewerten. Von diesen Methoden hat der Eddy Kovarianz Ansatz den Vorteil, direkte und quasikontinuierliche turbulente Flussmessungen auf der Ökosystemebene zu ermöglichen. Um jedoch Eddy Kovarianz Daten mit z.B. top-down Methoden zu vergleichen und lückenlose Daten zu generieren, erfordern diese Punkt-Messungen mit einem relativ kleinen Quellgebiet eine räumliche Hochskalierung mit statistischen Methoden wie z.B. maschinellem Lernen und begleitenden Fernerkundungsdaten. Ein weiteres Problem von Eddy Kovarianz Datensätzen ist die Unterrepräsentation bestimmter Ökosystemtypen und Klimaregionen. Ökosysteme, die kürzlich Störungen erfahren haben, gehören zu dieser Gruppe, weisen aber in der Regel auch nicht ideale Eigenschaften für Eddy Kovarianz Messungen auf, wie z.B. abrupte Rauigkeitsänderungen und heterogene nachwachsende Vegetation. Daher ist es wichtig, die Unsicherheit von Eddy Kovarianz Messungen für gestörte Ökosysteme in Bezug auf verschiedene Messdesigns und Prozessierungsmethoden bewerten und interpretieren zu können. Auf der anderen Seite kann der Klimawandel auch durch z.B. Hitze und Dürre auf Ökosysteme rückwirken und eine verringerte CO2 Senkenstärke verursachen. Auf diese Weise können von Eddy Kovarianz Messungen abgeleitete Daten zur CO2-Aufnahme in Kombination mit anderen Umweltmessungen und fortgeschrittenen statistischen Analysen limitierende Bedingungen für die Photosynthese aufdecken und somit eine reduzierte Effizienz bei der Verwendung von Licht zur CO2-Assimilation identifizieren. In dieser Dissertation werden diese drei Themen, i) räumliches Hochskalieren von Eddy Kovarianz Daten, ii) methodische Unsicherheiten von Flussmessungen in gestörten Ökosystemen, und iii) Umwelteinflüsse auf die Photosyntheseleistung, im Rahmen der TERENO Eifel/Lower Rhine Valley Observatory behandelt, welche das Rur-Einzugsgebiet im Westen Deutschlands umfasst. In einer ersten Studie wurden CO2-Flussdaten mittels Eddy Kovarianz Messungen von verschiedenen Landbedeckungen im Rur-Einzugsgebiet mit Hilfe eines Random Forest Machine Learning Modells unter Verwendung von MODIS-Fernerkundungsdaten und COSMO-REA6-Reanalysedaten auf das gesamte Einzugsgebiet hochskaliert. Für diese Aufgabe wurden zudem neuste Methoden zur Auswahl von Vorhersagevariablen für Machine Learning Modelle evaluiert. Die Ergebnisse dieser Studie zeigen, dass die Kombination von Eddy Kovarianz Flussdaten mit Fernerkundungsprodukten und Reanalysedaten eine praktikable Möglichkeit ist, um CO2-Flussinformationen auf die regionale Ebene mit relativ hoher räumlicher Auflösung (250 m) und über verschiedene Landbedeckungen hochzuskalieren. Die Studie zeigt weiterhin, dass das Mitteln mehrerer Modellläufe im Feature Auswahlprozess die Ergebnisse verbessern kann. Obwohl ein R² von 0,41 im Bereich anderer Studien mit einem räumlichen Kreuzvalidierungsschema liegt, zeigt dieser Wert, dass noch viele Möglichkeiten zur Verbesserung bestehen. Die Hauptbeschränkungen der Analyse umfassen eine niedrige Vorhersageleistung bei hohen Flussmagnituden, da eine engere Bandbreite vorhergesagt als beobachtet wurde, sowie die Tatsache, dass die Unterschiede zwischen Landbedeckungsklassen im hochskalierten Produkt kleiner waren als zwischen Eddy Kovarianz Stationen. Die weiteren Analysen beschränken sich auf eine Teilregion des Rur-Einzugsgebiets, den Standort Wüstebach in der nördlichen Eifel. Dieser Standort umfasst die Quellregion des Wüstebachs und besteht hauptsächlich aus einem gepflanzten Fichtenforsts, enthält aber auch eine entwaldete Fläche von 8,6 ha mit unkontrolliertem Nachwuchs. Diese schnell wachsende Vegetation erfordert eine regelmäßige Anpassung der Messhöhe der Eddy Kovarianz Messungen, um eine stabile Quellregion der turbulenten Flüsse auf lange Sicht sicherzustellen und hohe spektrale Verluste zu vermeiden. In einer zweiten Studie wurden daher CO2- und H2O-Flüsse über der entwaldeten Fläche mit der Eddy Kovarianz Methode in zwei verschiedenen Höhen gemessen und mit fünf verschiedenen spektralen Korrekturen prozessiert. Auf diese Weise wurde die Unsicherheit der Messhöhe und der Wahl der spektralen Korrektur bewertet und die Abwägungen beleuchtet, die an einem Standort mit nicht idealen Eigenschaften berücksichtigt werden müssen. Für den entwaldeten Standort zeigen die Ergebnisse, dass für die untere Messhöhe die spektralen Korrekturen höher waren und diese eine höhere Standardabweichung zwischen den Methoden aufwiesen als bei der oberen Höhe, sowohl für CO2- als auch für H2O-Flüsse. Die durchschnittliche Standardabweichung zwischen den Höhen war sogar höher als zwischen den spektralen Korrekturen in derselben Höhe (24,8% des CO2-Flusses; 9,7% des H2O-Flusses). Darüber hinaus war die Schließung der Energiebilanz für das obere System im Durchschnitt um etwa 9% besser als für das untere. Andererseits stimmten die modellierten Footprints beider Höhen nicht mit dem durchschnittlichen Footprint der Vorjahre auf der niedrigeren Höhe überein. Daher bestätigt die Studie die Schwierigkeit, über längere Zeiträume einen stabile Footprint für schnell wachsende Vegetation zu erreichen, unterstreicht aber auch die Wichtigkeit einer sorgfältig angepassten Messhöhe. Obwohl durch diese Studie die Interpretierbarkeit von Flussmessungen für ein gestörtes Ökosystem verbessert wurde, besteht ihre Hauptbeschränkung aus der Schwierigkeit eines der gängigen Footprint-Modelle anzuwenden, um den Quellbereich der turbulenten Flüsse für diesen Standort mit komplexem Strömungseigenschaften abzuschätzen, was insbesondere für die Waldränder zutrifft. Eine dritte Studie betrifft den Fichtenforst am Wüstebach. Dort wurden Informationen zur Bruttoprimärproduktion (BPP), abgeleitet aus Eddy Kovarianz basierten CO2-Flussdaten, mit Messungen der von grünen Blättern absorbierten photosynthetisch aktiven Strahlung (APARg), dem Saftfluss und anderen meteorologischen und pflanzenphysiologischen Daten kombiniert. Auf diese Weise wurden wasserlimitierende Bedingungen für die Photosynthese sowie die Lichtnutzungseffizienz eines Fichtenwaldes untersucht. Darüber hinaus wurde die Bedeutung einzelner Umweltvariablen für die Vorhersage der BPP mit neusten Machine Learning Methoden bewertet. Für diese Studie wurden Daten der Vegetationsperiode 2021 analysiert. Die Lichtnutzungseffizienz der grünen Bestandteile des Fichtenwaldes betrug hierfür im Durchschnitt 4,0 ± 2,3% und zeigte eine unimodale Beziehung zur Lufttemperatur mit einem Maximum bei etwa 15 °C. Für die Modellierung der BPP mit Machine Learning Modellen waren Canopy Chlorophyll Content vermutlich als saisonale Variable für die photosynthetische Kapazität und APARg vermutlich als tageszyklische Variable für das Energiedargebot die wichtigsten Variablen. An Tagen mit hohem Sättigungsdefizit von Wasserdampf in der Luft wiesen sowohl der Saftfluss auf Baumebene als auch die BPP auf Ökosystemebene eine in Bezug auf APARg im Uhrzeigersinn verschobene hysteretische Reaktion auf. Es wurde somit gezeigt, dass das Einsetzen einer solchen im Uhrzeigersinn verschobenen Hystereseschleife des Saftflusses in Bezug auf APARg ein guter Indikator für das nachmittägliche Schließen der Stomata aufgrund von wasserlimitierenden Bedingungen sein kann. Die Hauptlimitierung dieser Fallstudie besteht jedoch in ihrem begrenzten Umfang, da nur eine vergleichsweise kühle und feuchte Vegetationsperiode an einem einzigen Standort mit einer einzigen dominanten Baumart, Picea abies, untersucht wurde. Zusammenfassend wurde durch diese Dissertation der Nutzen direkter Flussmessungen und Methoden des maschinellen Lernens sowohl für die Quantifizierung von Landnutzungsänderungen als auch für den Einfluss sich ändernder Umweltbedingungen auf die CO2 Quellen- und Senkenstärken terrestrischer Ökosysteme herausgestellt.

Land use and land cover changes and the terrestrial carbon sink are two important components of the global carbon budget. Several methodological approaches exist to measure fluxes of CO2 and other greenhouse gases between ecosystems and the atmosphere. With an accurate quantification of these fluxes, it is possible to compare carbon source and sink strengths between different land covers and to evaluate environmental influences on these terms. Out of those methods, the eddy covariance technique has the advantage of providing direct and quasi-continuous turbulent flux observations at the ecosystem scale. However, to compare eddy covariance data to, e.g., top-down methods and to achieve spatially gapless data sets, these point measurements with a relatively small footprint require a spatial upscaling with statistical methods such as machine learning and ancillary remote sensing data. Another issue with eddy covariance data sets is the underrepresentation of certain ecosystem types and climatic regions. Recently disturbed ecosystems belong to this group, but usually also exhibit non ideal characteristics for eddy covariance measurements such as abrupt surface changes and heterogeneous regrowth. Therefore, it is important to assess the uncertainty of eddy covariance measurements for disturbed ecosystems in regard to different choices of measurement design and processing and thus to improve the interpretability of such measurements. On the other hand, a changing climate can also enforce a reduced sink strength on ecosystems through, e.g., heat and drought. In this way, eddy covariance derived data on CO2 uptake in combination with other environmental measurements and advanced statistical analyses can reveal limiting conditions for photosynthesis and thus a reduced efficiency to use light for CO2 assimilation. In this dissertation, these three issues, i) spatial upscaling of eddy covariance data, ii) methodological uncertainties of obtaining flux data at disturbed sites, and iii) environmental impacts on ecosystem-scale photosynthesis, are addressed within the TERENO Eifel/Lower Rhine Valley Observatory, which comprises the Rur catchment, mostly located in western Germany. In a first study, eddy covariance CO2 flux data from different land covers within the Rur catchment were upscaled to the whole catchment area using a random forest machine learning model incorporating MODIS remote sensing and COSMO-REA6 reanalysis data. For this task, state-of-the-art predictor variable selection methods for machine learning models were evaluated. Results of this studys how that combining eddy covariance flux data with remote sensing products and reanalysis data is a feasible way to upscale CO2 flux information to the regional scale at a relatively high spatial resolution (250 m) and across various land covers. The study further indicates that averaging multiple model runs in the feature selection process can improve these results. Although an R² of 0.41 is in the range of other studies using a spatial cross validation scheme, this value reveals that there is still room for improvement. Main limitations of the analysis include a low prediction performance on high magnitude fluxes as a narrower range was predicted than observed, and the fact that differences between land cover classes were also narrower in the upscaled product than between eddy covariance stations. The further analyses were confined to a subregion within the Rur catchment, the Wüstebach site in the northern Eifel low mountain range. The site encompasses the Wüstebach headwater region and is mostly composed of a planted spruce forest but also contains a deforested area of 8.6 ha with unmanaged regrowth. This fast-growing vegetation requires a regular adjustment of the eddy covariance measurement height in order to ensure a stable flux source area in the long run and to prevent high spectral losses. In a second study, CO2 and H2O fluxes were hence measured over the deforested area with eddy covariance systems in two different heights and were processed with five different spectral corrections. In this way, the uncertainty from measurement height and choice of spectral correction was assessed, and insights were gained in the trade-offs that must be considered at a site with non-ideal characteristics. For the deforested site, results show that at the lower height spectral corrections were higher and had a higher standard deviation among methods compared to the upper height for both CO2 and H2O fluxes. The average standard deviation between heights was even higher than between spectral corrections at the same height (24.8% of CO2 flux; 9.7% of H2O flux). Furthermore, the energy balance closure was on average about 9% better for the upper system than for the lower system. On the other hand, the modelled footprints of both heights did not match the average footprint of the previous years at the lower height. Hence, the study indicates a difficulty of achieving a stable flux source area over longer time periods for fast growing vegetation but also emphasizes the importance of a carefully adjusted measurement height. Although the study improved the interpretability of flux measurements for a disturbed site, its main limitation comprises the difficulty to apply one of the common footprint models to estimate the flux source area for this site with complex flow, especially over the forest edges. A third study concerned the Wüstebach spruce forest. For this site gross primary productivity derived from eddy covariance CO2 flux data was combined with measurements of green canopy absorbed photosynthetically active radiation (APARg), sap flow, and other meteorological and plant physiological data. In this way, water-limiting conditions for photosynthesis and the light use efficiency of a spruce forest were evaluated. In addition, the importance of environmental variables for the prediction of gross primary productivity was assessed with state-of-the-art machine learning variable importance measures. In this study, data from the 2021 growing season was analyzed, for which the light use efficiency of green parts of the forest was on average 4.0 ± 2.3% and showed a unimodal relation to air temperature with a maximum around 15 °C. For modelling gross primary productivity with tree based machine learning models, canopy chlorophyll content likely as a seasonal variable for photosynthetic capacity and APARg likely as a diurnal variable for energy supply were the most important variables. On days with high vapor pressure deficit, tree-scale sap flow and ecosystem-scale gross primary productivity both shifted to a clockwise hysteretic response to APARg. It is demonstrated that the onset of such a clockwise hysteretic pattern of sap flow to APARg can be a useful indicator of afternoon stomatal closure related to water-limiting conditions. However, the main limitation of this case study is its limited extent, as just one comparatively cool and wet growing season at a single site with a single dominant tree species, Picea abies, was investigated. Overall, this dissertation highlights the use of direct flux measurements and machine learning methods for both the evaluation of land cover changes and the impact of changing environmental conditions on the CO2 source and sink strengths of terrestrial ecosystems.

OpenAccess:
PDF
(additional files)