人工智能模型实现每小时碳吸收监测，助力气候变化应对

大约30%的全球二氧化碳（CO2）排放通过植物光合作用被陆地植被吸收。近日，韩国科学技术院（UNIST）的研究人员开发出一种创新的人工智能（AI）分析技术，能够以高时间分辨率预测这一二氧化碳吸收量，这对于应对气候变化和制定碳中和政策具有重要意义。 这项研究由UNIST地球环境城市工程系的Im Jungho教授领导，研究团队宣布开发了一种利用静止气象卫星高频数据估算每天总初级生产力（GPP）的AI模型，该模型可以每小时预测一次植物在光合作用过程中吸收的碳量。他们的论文发表在《Remote Sensing of Environment》上。 GPP是衡量生态系统碳 fixation 的一个重要指标，代表了植物光合作用过程中主动吸收的碳量。新开发的模型利用Himawari-8静止卫星每10分钟一次的观测数据，能够更精确地估计光合作用的日变化。论文第一作者Bae Sejeong解释说：“与每天只能观察一个地点1到4次的极轨卫星不同，我们的模型能够收集更频繁的数据，从而实现对光合作用日变化的精确估计。” 该模型还结合了多种气象数据，包括气溶胶光学厚度（AOD）。AOD是由卫星监测得到的指标，反映大气中细颗粒物的浓度。这些细颗粒物可以通过吸收或散射太阳辐射来影响到达地表的光照量和质量，进而影响光合作用活性。研究团队使用了SHapley Additive exPlanations（SHAP），一种可解释的AI技术，来解读模型做出预测的方式。结果显示，在早晨和傍晚时分，当太阳角度较低时，AOD是影响光合作用预测的最关键因素。这是因为低太阳位置增加了散射光的比例，使植被对大气气溶胶更为敏感。 Im教授表示：“我们的方法能够在24小时内以2公里的分辨率对东亚地区的碳吸收量进行空间和时间上的动态监测，这对于生态系统碳通量分析、植被监测以及基于光照环境的碳建模非常有价值。” 这一技术不仅提高了对碳吸收过程的理解，还将有助于科学家和政策制定者更准确地评估和管理区域及全球尺度的碳循环和气候变化。 业内人士认为，这一研究的重大突破在于其使用静止卫星高频数据实现了对光合作用过程的高精度实时监测，极大地提升了碳吸收量预测的准确性。此外，将气溶胶光学厚度纳入模型的考虑，进一步细化了影响碳吸收的各种因素，为未来的研究和应用提供了新的视角。UNIST作为韩国领先的科学研究机构，一直致力于环境科学和人工智能领域的交叉研究，此次成果再次彰显了其在这一领域的重要影响力。