Mezőgazdasági területek produktivitásának becslése ...teo.elte.hu/minosites/ertekezes2014/gelybo_gy.pdf · Mezőgazdasági területek produktivitásának becslése műholdas

Mezőgazdasági területek produktivitásának becslése

műholdas és felszíni mérések alapján

Doktori értekezés

Eötvös Loránd Tudományegyetem

Földtudományi Doktori Iskola Doktori Iskola vezetője: Dr. Nemes-Nagy József, egyetemi tanár

Földrajz-Meteorológia program Doktori program vezetője: Dr. Szabó Mária, egyetemi tanár

Készítette:

Gelybó Györgyi

Témavezető:

Dr. Bartholy Judit Tanszékvezető egyetemi tanár

MTA doktora

Dr. Barcza Zoltán Egyetemi docens

PhD

Eötvös Loránd Tudományegyetem Földrajz- és Földtudományi Intézet

Meteorológiai Tanszék

2014 Budapest

2

Tartalomjegyzék

1. Bevezetés........................................................................................................................................ 4

2. Irodalmi áttekintés.................................................................................................................... 10

2.1. A szénmérleg komponensei............................................................................................... 11

2.2. Szénmérleg-komponensek meghatározása in situ mérésekkel....................................... 14

2.3. Szénmérleg-komponensek meghatározása távérzékeléssel........................................... 19

2.4. Modellezés, szintézis........................................................................................................... 26

3. Adatok és módszerek............................................................................................................... 29

3.1. A felhasznált modell bemutatása....................................................................................... 29

3.1.1. A MOD17 távérzékelés alapú produktum illetve MOD17 GPP modell........... 29

3.1.2. A MOD17 GPP modell adaptálása.......................................................................... 33

3.2. A felhasznált felszíni szénmérleg-komponens mérések és feldolgozásuk.................. 33

3.2.1. Magyarországi mérések.............................................................................................. 35

3.2.1.1. A torony reprezentativitásának jellemzése...................................................... 37

3.2.2. A nemzetközi FLUXNET mérőhálózat adatai...................................................... 39

3.2.3. Az eddy kovariancia felszíni mérések feldolgozása............................................... 47

3.2.3.1. CO2 fluxusmérések adatpótlása és partícionálása.......................................... 47

3.2.3.2. A mérési bizonytalanság becslése..................................................................... 52

3.3. A felhasznált távérzékelt adatok és feldolgozásuk.......................................................... 53

3.4. A felhasznált kiegészítő adatok és feldolgozásuk........................................................... 55

3.5. Modellvalidáció.................................................................................................................... 55

3.5.1. GPP-GMAO................................................................................................................ 56

3.5.2. GPP-met....................................................................................................................... 57

3.5.3. GPP-FP........................................................................................................................ 57

3.5.4. GPP-NDVI.................................................................................................................. 58

3.5.5. Alkalmazás: gabonaspecifikus GPP (GPP-CROP)................................................ 60

3.5.6. A modelleredmények értékelése............................................................................... 61

3.6. Modellkalibráció.................................................................................................................. 62

3.6.1. A kalibráció módszertana.......................................................................................... 62

3.6.2. A mérési adatok felhasználása.................................................................................. 66

4. Eredmények és értékelés........................................................................................................ 67

4.1. Validáció és leskálázás heterogén táj esetén.................................................................... 67

4.1.1. Eredmények................................................................................................................. 67

3

4.1.1.1. A magas tornyos validáció és leskálázás eredménye..................................... 67

4.1.1.2. Alkalmazás: gabospecifikus szénmérleg-komponens becslések.................. 71

4.1.2. Értékelés....................................................................................................................... 75

4.1.2.1. A GPP modell parametrizációjának és a meteorológiai adatok

pontosságának hatása................................................................................................. 75

4.1.2.2. A footprint figyelembe vételének hatása alacsony felbontású műholdas

adatokkal............................................................................................................................ 77

4.1.2.3. A leskálázás és a footprint információk felhasználásának hatása................... 78

4.1.2.4. Gabonaspecifikus eredmények értékelése....................................................... 78

4.1.4.5. A magas toronymérések vizsgálatából származó eredmények

összefoglalása.................................................................................................................... 79

4.2. Validáció és optimalizáció nemzetközi mérésekkel........................................................ 80

4.2.1. Eredmények................................................................................................................. 80

4.2.1.1. Validáció............................................................................................................... 80

4.2.1.2. Kalibráció............................................................................................................. 83

4.2.2. Értékelés....................................................................................................................... 89

4.2.2.1. Többhelyszínes validáció................................................................................... 89

4.2.2.2. Kalibráció............................................................................................................. 93

5. Összefoglalás és kitekintés.................................................................................................... 99

Köszönetnyilvánítás.................................................................................................................... 102

Irodalomjegyzék…...................................................................................................................... 103

4

1. Bevezetés A légkör és a szárazföldi bioszféra közötti szén-dioxid (CO2) forgalom − és az ahhoz

szorosan kapcsolódó növényi produktivitás − folyamatos megfigyelése kiemelten fontos az

ökológiai rendszerek sérülékenysége, a légköri szén-dioxid mérleg és azon keresztül az

éghajlat stabilitása szempontjából. Jelenleg a szárazföldi ökológiai rendszerek összességében

a légköri szén-dioxid nettó nyelőjeként viselkednek, vagyis több CO2-ot nyelnek el, mint

amennyit kibocsátanak (ugyanez elmondható az óceánok esetében is, azonban ezzel a

dolgozat keretét belül nem foglalkozunk). Emiatt az antropogén tevékenységek

következtében kibocsátott CO2 mennyiségének eddig csak körülbelül a fele maradt a

légköri tározóban (ez az ún. 'airborne fraction' − AF, Raupach et al., 2013; Ciais et al., 2010a).

Az óceánok és a szárazföldi ökológiai rendszerek CO2 formájában történő szénmegkötése

ezáltal természetes módon enyhítette az éghajlatváltozás erősségét (IPCC 2013).

Az ipari forradalom kezdete óta az antropogén kibocsátásból a bioszféra összesen

160 ± 90 GtC (1 Gigatonna = 109 tonna = 1015 gramm = 1 Petagramm) elraktározásáért

felelős (IPCC, 2013), vagyis ennyi az a nettó szénmennyiség, melyet a légkörből kivonva a

szárazföldi bioszféra hosszútávra megkötött. Az elnyelés üteme éves szinten megközelítően

követte a légköri CO2 szint emelkedését, vagyis az emberi kibocsátásnak közel állandó

hányadát kötötte meg a szárazföldi és óceáni nyelő, azonban az utóbbi 50 év során ez az

elnyelés enyhén csökkenő (az AF pedig növekvő) trendet mutat (Le Quéré et al., 2009;

Raupach et al., 2013). Ez a tendencia azonban nagy bizonytalansággal terhelt, és jövőbeni

alakulása nagyban függ a növényzet klímaváltozáshoz, illetve az extrém időjárási

helyzetekhez való alkalmazkodó-képességétől (Raupach et al., 2013). Nagy valószínűséggel

egyéb külső okok mellett a szárazföldi és óceáni elnyelés csökkenése a két rendszer

klímaváltozásra adott nemlináris válaszával magyarázható (Raupach et al., 2013). Kutatók

egyre gyakrabban adnak hangot annak a véleménynek, hogy a klímaváltozás és az extrém

időjárási események gyakoriságának növekedése gátolhatja a növényzet CO2 felvételét, vagy

akár nettó szén-dioxid kibocsátóvá változtathatja a szárazföldi növényzetet (pl.

Friedlingstein et al., 2006; Reichstein et al., 2013). Ez a folyamat a légköri CO2

koncentráció, és a globális klímaváltozás szempontjából komoly következményekkel járhat.

Az éghajlatváltozás mérséklését célzó stratégiák kidolgozásához a szénforgalom és a

környezeti hatások kapcsolatának megismerésében jelen levő bizonytalanságok

csökkentését kell elsődleges célként kitűznünk.

Annak érdekében, hogy a változó éghajlati viszonyok között is számszerű becslést

tehessünk a bioszféra-légkör közötti szénforgalom alakulására, szükséges a jelenkori

5

szénmérleg minél pontosabb meghatározása. Meg kell azonban jegyezni, hogy a teljes

képhez a szénforgalomra vonatkozó információkat egyéb üvegházhatású gázokkal (ÜHG)

kapcsolatos vizsgálatokkal kell kiegészíteni a teljes ÜHG mérleg meghatározásához. Egyes

folyamatok ugyanis az egyik ÜHG mennyiségét csökkenthetik ugyan, de néha egy másik

ÜHG kibocsátásának rovására teszik ezt. Tipikus példa erre a mezőgazdasági termelés, ahol

az alkalmazott műtrágyázás a növényi produkció növelésén keresztül nagyobb CO2

felvételhez vezet, az ezzel párhuzamosan megnövekedett dinitrogén-oxid (N2O) kibocsátás

árán (Li et al., 2005). Ezért csak nagy térséget lefedő teljes ÜHG-mérleget figyelembe véve

tudunk cselekvési terveket kidolgozni a légköri ÜHG szint csökkentésére (Schulze et al.,

2009). Mivel a dolgozatban elsősorban a szénfogalommal, azon belül is annak legnagyobb

részét kitevő CO2 forgalommal foglalkozunk, a többi ÜHG mérlegét nem vizsgáljuk a

továbbiakban.

A légköri ÜHG koncentráció csökkentésére alapvetően két út áll rendelkezésre: (i) emisszió

csökkentés, illetve (ii) az elnyelés növelése. Ahhoz azonban, hogy a CO2 esetében ez

utóbbihoz a megfelelő stratégiákat kidolgozhassunk, minél pontosabban kell ismernünk a

bioszférikus szénforgalmat és annak különböző környezeti hatásokra adott válaszait nagy

térségekre (kontinentális/globális) vonatkoztatva is. Amikor nagy térségekre szeretnénk

információt kapni a felszín-légkör kicserélődésről, a kis skálán (például biofizikai okok

miatt) jelen levő heterogenitást és változatosságot az adott nagyobb skálán meghatározó

(például klimatológiai) tényezők korlátai gyakran felülírják (Schulze, 1982). Emiatt kellő

óvatossággal kell eljárni a nagy térségű becslések során, és hasonló nehézségekkel

szembesülünk a nagy térségekre vonatkozó adatokból kisebb skálájú folyamatokra való

következtetés esetében is. Ezért az ÜHG-mérleg becslésekben célszerű egy

többszempontú, integrált megközelítést alkalmazni független becslések felhasználásával.

A nagyobb térségekre kiterjedő, CO2 kicserélődésre vonatkozó becslések pontosításához

nagy térbeli reprezentativitású mérési adatok szükségesek. A globális léptékű becslésekben

rejlő bizonytalanságok a minél több forrásból származó adatok felhasználásával

csökkenthetők (Ciais et al., 2010a). Az elmúlt évek kutatásainak egyik fő irányvonala éppen

ezért a különböző tér- és időbeli skálájú, különböző módszerekkel megszerzett ismereteink

integrálása. A legújabban alkalmazott ún. Föld-rendszer modellek1 már a Földet a

különböző szférák egyszerűsített rendszereként írják le. Az ötödik Csatolt Modell

Összehasonlítási Program (CMIP52) céljai így kibővülhettek olyan emisszióvezérelt Föld-

1 Earth System Models of Intermediate Complexity 2 Coupled Model Intercomparison Project Phase 5

6

rendszer modellkísérletekkel, mely a beépített szén-dioxid csatolások miatt a szénciklus

visszacsatolásainak vizsgálataira is alkalmasak (Mehl et al., 2011).

Mezőgazdasági területek a jégmentes szárazföldi felszín, ezen belül Európa területének is

domináns részét teszik ki (Wattenbach et al., 2010), így igen fontos szerepük van a

szárazföldi felszínek ÜHG forgalmában. Becslések szerint a mezőgazdasági területek

kismértékben nettó CO2 kibocsátók (Schulze et al., 2009; Ciais et al., 2010a), más

tanulmányok szerint kismértékű nyelők (Gervois et al., 2008) vagy semlegesek (Bondeau et

al., 2007).

Az Európa szerte egyre intenzívebbé váló mezőgazdasági művelés következtében a

mezőgazdasági CO2 kibocsátás nőhet. A hazai szénmérleg szempontjából a mezőgazdasági

területek kiemelt jelentőségűek, mivel Magyarország területének jelentős - Európában is

kiemelkedően magas - részét, mintegy 63%-át hasznosítják mezőgazdasági művelésre. A

szántóterületek aránya az ország teljes területének körülbelül felét teszi ki (Földművelésügyi

és Vidékfejlesztési Minisztérium3).

A mezőgazdasági területek heterogenitása ugyanakkor az emberi beavatkozás miatt térben

és időben is igen nagy. A talaj-növény rendszer szén-dioxid kibocsátását illetve felvételét az

adott területen termesztett növény fajtája mellett az emberi beavatkozás következtében

(földművelés, vetés, aratás stb.) fellépő változások jelentősen befolyásolják. A kialakult

térbeli heterogenitás nagyban köszönhető a különböző művelési módoknak, a különböző

fotoszintézis típussal jellemezhető (C3 és C4) növények vetésforgójának, öntözésnek,

műtrágyázásnak, míg időbeli heterogenitásuk a vetés, az aratás, a művelés időpontjában

jelentkező eltérésekre vezethető vissza (Barcza et al., 2009a; Kutsch et al., 2010). Ezen

tényezők miatt a mezőgazdasági területek szénháztartását meghatározó folyamatok, és azok

modellezése sok tekintetben összetettebb, mint más, természetes ökológiai rendszerek

esetében. A zömében mezőgazdasági művelés alatt álló régiók teljes ÜHG egyenlegének

pontosításához nagy térbeli reprezentativitású, különféle jellegzetes mezőgazdasági területre

jellemző szénháztartás-becslések szükségesek (Barcza et al., 2009b; Ciais et al., 2010a). A

fent említett nagy térbeli változékonyság éppen ezért komoly kihívás elé állítja a kutatókat.

A mezőgazdasági területek, és általában a művelt területek azonban nem csak az

előfordulásuk miatt töltenek be fontos szerepet Európa szénháztartásában. Művelés

hatására a vegetáció CO2 asszimilációja megnövekszik, befolyásolva a légköri szén-dioxid

koncentrációt is (Churkina et al., 2010). Ezt a fontos hatást a modellek jelenleg nem, vagy

csak korlátozottan szimulálják, így a jövőre vonatkozó projekciók is bizonytalanok 3 http://www.fvm.gov.hu/doc/upload/200703/mmsz_hu_2006.pdf

7

(Churkina et al., 2010; Hidy et al., 2012). Ennélfogva, a mezőgazdasági területek

szénháztartásának, és az azt meghatározó biotikus és abiotikus tényezőknek minél

pontosabb ismerete és figyelembe vétele kiemelt fontosságú.

A felszín és a légkör közötti szén-dioxid áramok közvetlen méréseken alapuló

meghatározásában széleskörűen alkalmazzák az ún. eddy-kovariancia (EK) technikát

(Baldocchi, 2003), mely információt ad az ökoszisztéma szintű szénforgalomról is (Kutsch

et al., 2010). Ezek a pontszerűnek tekinthető mérések azonban korlátozott térbeli

reprezentativitással rendelkeznek, így nem skálázhatók fel egyszerűen a nagyobb térségre

vonatkozó becslések előállításához (Barcza et al., 2009a). A mezőgazdasági területek

szénháztartásának pontosítása érdekében tett erőfeszítések ellenére a becslések emiatt még

mindig nagy bizonytalansággal terheltek (Schwalm et al., 2010; Wang et al., 2011).

A bizonytalanság csökkentésének egy lehetséges módja a műholdas távérzékelés

felhasználása. Segítségével nagy pontosságú, folyamatos, globális reprezentativitású

információt kaphatunk a földfelszín, az óceánok és a légkör tulajdonságairól (Menzel,

2006). A műszerek által mért sugárzásmennyiségekből kifinomult adat-orientált modellek

segítségével lehet a kívánt paramétereket, így a növényzet szénháztartását jellemző

mennyiségeket származtatni. Mielőtt azonban nagyobb kiterjedésű területek

szénháztartásának vizsgálatában felhasználnánk a műholdas méréseket, szükséges azok

kiértékelése, pontosítása.

A tudományos irodalomban gyakran találkozunk olyan megközelítéssel, melyben a

műholdas távérzékelésből származtatott adatokat mérésként kezelik, és validációs

adatsorként használják más modellek kiértékeléséhez (Piao et al., 2013). Fontos azonban

tudni, hogy a műholdakon elhelyezett sugárzásmérő műszerekkel csupán (kibocsátott vagy

visszavert) sugárzásmennyiséget mérünk, majd ezekből ugyancsak modellek segítségével

származtatunk biofizika mennyiségeket, így ilyen esetekben két - különböző hibával terhelt

- modellt hasonlítunk össze a validáció helyett. Mindemellett fontos megemlíteni, hogy a

távérzékelésen alapuló becslések képesek térben explicit információt szolgáltatni (más

szavakkal, képesek a térbeli mintázatokat leírni), amelyek pótolhatatlanok pl. a

biogeokémiai modellek tulajdonságainak tesztelése szempontjából (Williams et al., 2009).

Doktori munkámban távérzékelt adatokon alapuló bruttó fotoszintézis becslésekkel

foglalkozom (a szénmérleg-komponensek definícióira a következő fejezetben

részletesebben kitérek). A szárazföldi bruttó szén-dioxid felvétel képviseli a legnagyobb

szén-dioxid áramot a szénkörforgalomban, a globális összege mérések alapján 123 ±

8 Pg C év−1 (Beer et al., 2010), melynek mintegy 60%-át a trópusi és szavanna területek

8

hozzájárulása adja. A fotoszintézis az ökoszisztéma olyan alapvető működéseit határozza

meg, mint a respiráció vagy a növekedés illetve termés. A növényi produktivitás az

élelmezésen és az erdőgazdálkodáson keresztül közvetlenül járul hozzá az emberiség

jólétéhez és biztonságához. Az élelmiszerbiztonság szempontjából a talaj szénkészletének,

szervesanyag tartalmának, egyéb környezeti tényezőknek, és mint antropogén hatás például

a helyes művelési mód megválasztásának kiemelt jelentősége van. Ezenfelül, mint azt már

korábban említettük, a bruttó fotoszintézis az ökoszisztéma szintű respirációval együtt az

egyik legfontosabb folyamat, mely meghatározza a felszín-légkör CO2 kicserélődést, így

befolyásolva a szárazföldi növényzet azon képességét, hogy az antropogén eredetű CO2

kibocsátást részben kompenzálja (Beer et al., 2010).

A növényzet bruttó szénfelvételét becsülő ún. MOD17 produktum a NASA EOS4 Aqua és

Terra műholdjainak fedélzetén található MODIS5 szenzor mérései alapján, egy egyszerű

adatorientált modellell előállított adatsor. A MOD17 produktum globális bruttó

fotoszintézis adatokat biztosít 2000 óta 1 km-es térbeli felbontással.

Célunk a MOD17 produktumot előállító adatorientált modell adaptációja, annak

mezőgazdasági területekre adott becslésének pontosítása, valamint alapvető

növénykategóriák modellszintű különválasztása több EK mérési helyszín közvetlen mérési

adatainak felhasználásával, mely a későbbiekben lehetővé teszi a hazai szénmérleg

pontosítását is.

A fentiek alapján doktori munkám célkitűzése egy konkrét távérzékelt produktum

vizsgálata a szárazföldi felszín és a légkör közötti szén-dioxid forgalom egyes

komponenseinek meghatározásában mezőgazdasági területek esetén. Ennek keretében

különböző térbeli skálán különböző földrajzi helyeken többféle mezőgazdasági növényzet

esetén keresem a lehetőséget a MOD17 produktum alkalmazhatóságára.

A konkrét célkitűzéseink az alábbiak voltak:

1. A távérzékelt szénmérleg-komponens becslések módszertanának és modelljének

adaptálása, a hibaforrások felderítése.

2. Olyan in situ szénmérleg-komponens mérések helyszíneinek kiválasztása, melyek a

kitűzött célok elérésében segíthetnek. Az adatok adatbázisba foglalása, módszertan

kidolgozása a mért adatok egységes feldolgozására. A távérzékelésen alapuló modell

bemenő adatainak előállítása az egyes helyszínekre.

3. A távérzékelt adatokon alapuló szénmérleg-komponens becslések

használhatóságának vizsgálata, validációja hazánkra az elérhető mérési adatokat 4 National Aeronautic and Space Administration, Earth Observing System 5 MODerate resolution Imaging Spectroradiometer

9

felhasználva különböző léptékben. Az in situ mérések és a becslések esetleges

eltéréseinek vizsgálata, a modellhiba okainak feltárása. Annak igazolása, hogy a

távérzékelt és felszíni mérések térbeli reprezentativitása közötti eltérés befolyásolja a

validáció eredményét.

4. A távérzékelt adatokon alapuló szénmérleg-komponens becslések

használhatóságának vizsgálata különböző helyszíneket különböző mezőgazdasági

növények esetén nemzetközi EK mérőhálózat adatait felhasználva. Az in situ

mérések és a becslések közötti esetleges eltérések okainak vizsgálata.

5. A modellparaméterek optimalizálása matematikai módszerrel különböző

mezőgazdasági növények esetén.

A hazai CO2 forgalom becsléséhez rendelkezésre álló, műholdas távérzékelésen alapuló

adatok pontosságát eddig nem vizsgálták a hazai szénmérleg meghatározása szempontjából.

A MOD17 produktumot előállító, távérzékelt adatokon alapuló adatorientált modell

vizsgálata, valamint a modellbecslések modellkalibrációval történő javítása hozzájárulhat a

hazai szénmérleg pontosításához. A nemzetközi mérőhálózat felhasználása biztosítja

eredményeink szélesebb körű érvényességét. A munka eredménye így hozzájárulhat a

mezőgazdasági területek szénmérlegének pontosabb becsléséhez globális, kontinentális, és

országos szinten.

10

2. Irodalmi áttekintés

A fejezetben áttekintjük a szárazföldi ökológiai rendszerek szénmérlegének főbb

komponenseit és a becslésükre használt fontosabb módszereket. Kitérünk a felszíni

szénmérleg meghatározására alkalmazott megközelítésekre is, és a felhasznált adatokra és

becslésekre is az in situ mérésektől kezdve egészen a folyamat-orientált modellekig. Külön

alfejezetet szenteltünk a távérzékelés alkalmazási lehetőségeinek tárgyalására, mivel a

disszertációban bemutatásra kerülő vizsgálataimat műholdas távérzékelés felhasználásával

végeztem el.

A felszíni szénmérleg és az egyes szénmérleg-komponensek meghatározására többféle

módszert is alkalmaznak, aminek alapvető célja a mérleg bizonytalanságának csökkentése.

Ezen módszerek alapvetően két csoportba sorolhatóak, ezek az ún. top-down vagyis „fentről

lefelé”, illetve a bottom-up „alulról felfelé” történő megközelítési módszerek. A fentről lefelé

módszerek - a légkörközpontú szemléletmódból kiindulva - általában légköri koncentráció-

mérésekből következtetnek a felszíni nyelőkre és forrásokra, a szénmérleg egyes

komponenseire. A módszer alapfeltevése, hogy a fosszilis tüzelőanyag (és a cementgyártás)

eredetű források jól ismertek, így a mért légköri koncentrációkból a bioszférikus fluxus

meghatározható (Jonas et al., 2010; Schulze et al., 2009; Ciais et al., 2010b).

Ezzel szemben a felszíni szénforgalom alulról felfelé építkező módon történő becslése egyes

helyszíneken történt szénforgalommal kapcsolatos mérések nagyobb térségekre való

felskálázásán alapul. Itt azzal a feltételezéssel élünk, hogy a mérési helyszínek

reprezentatívak egy nagyobb térségre (Ciais et al., 2010a), és a szénmérleg-komponensek és

feltételezésünk szerint az azokat kormányozó környezeti tényezők közötti kapcsolat

nagyobb térségekre is érvényes lesz.

A felszín és a légkör közötti szén-kicserélődés során a szén számos kémiai formában

mozog az egyes tározók között. Ezek közül a legfontosabbak a szén-dioxid, a metán (CH4),

a szén-monoxid (CO) és az illékony szerves vegyületek (VOC6). A bioszféra és a légkör

közötti szénforgalom döntő része CO2 formájában valósul meg (IPCC, 2013), így ennek a

tagnak a minél pontosabb ismerete alapvető a szénháztartás-becslések szempontjából, ezért

a továbbiakban a többi anyagfajtával nem foglalkozunk.

A bioszféra-légkör közötti szén-dioxid áram meghatározása az alulról felfelé történő

megközelítésben a jelenlegi legkorszerűbb módszertan alapján három alappillérre

támaszkodik: (1) felszíni mérésekre, (2) távérzékelt adatok, valamint adat-orientált 6 Volatile Organic Compound

11

modellekre, és a (3) matematikai (biogeokémiai vagy folyamat-orientált) modellezésre (West

et al., 2013). Az ún. modell-adat szintézis (vagy fúzió) során a fenti, különböző forrásokból

származó információk összegzésével alakítanak ki egy átfogó képet a vizsgált kérdésről,

esetünkben a szénmérlegről. A szakirodalomban számos példa található a modell-adat

szintézis alkalmazására a kiterjedt térségekre vonatkozó alulról felfelé történő megközelítés

alapján készült becslések bizonytalanságának csökkentése érdekében (pl. Schwalm et al.,

2010; Beer et al., 2010; Ciais et al., 2010a; Yang et al., 2007; Keenan, 2009; Smith et al.,

2010).

A teljes szén-, és ÜHG-mérleg megalkotásához mindkét megközelítésre szükségünk van, a

bizonytalanság csökkentése érdekében (Schulze et al., 2009; Ciais et al., 2010b, Jonas et al.,

2010). Az integrált megközelítés fontosságát mutatja, hogy az IGBP7 egyik központi

projektje, az iLEAPS8, a felszín-légkör határfelület integrált vizsgálatát tűzte ki célul. A

kutatás célja a legfontosabb, a felszín-légkör kölcsönhatásokkal kapcsolatos témakörökben

zajló kutatások összefogása, amelyek segíthetik a klímaváltozás és következményeinek

megértését és a változásokra történő felkészülést.

A következőkben röviden áttekintjük az alapfogalmakat valamint a fenti módszereket, a

dolgozat szempontjából fontosabb témakörökre (felszíni mérések és távérzékelés)

fókuszálva.

2.1. A szénmérleg komponensei

A növények a légköri szén-dioxidot a fotoszintézis során képesek felvenni. Az

ökoszisztéma által szén-dioxid formájában felvett bruttó szénmennyiség a GPP9. A szén-

dioxid felvételével párhuzamosan egy bizonyos szénmennyiség a növény élettevékenysége

folytán szén-dioxid formájában visszakerül a légkörbe, ez a folyamat az autotróf respiráció

(Ra). A nettó produkció (NPP10) a növényi szövetek felépítésére fordított szénmennyiség,

definíciója a fentiek szerint:

aNPP GPP R= − (2.1)

A heterotróf respiráció (Rh) az ökoszisztéma nem növényi szervezeteinek szén-dioxid

kibocsátását jelenti. Alapvető forrásai a talajban és az avarban élő mikroorganimusok és

7 International Geosphere-Biosphere Programme 8 Integrated Land Ecosystem - Atmosphere Processes Study 9 Gross Primary Production; bruttó fotoszintézis 10 Net Primary Production

12

egyéb élőlények, melyek a talajt elérő anyagok lebontását végzik el (lehullott levelek, elhalt

gyökerek, más elhalt szervezetek), szén-dioxidot juttatva a légkörbe. A két nagy fluxus

(bejövő GPP és kimenő respiráció) eredője a hosszabb időtávon a talaj-növény rendszer

által megkötött szén-dioxidmennyiség a nettó ökoszisztéma kicserélődés (NEE11). Az NEE

légköri szempontból írja le a szén-dioxid fluxust. Az ökoszisztéma szempontjából ökológiai

szemléletmóddal definiálták a nettó ökoszisztéma produkció nevű mennyiséget (NEP12),

mely az NEE-vel ellentétes előjelű. A két mennyiség rövid távon a legtöbb ökoszisztémánál

közelítőleg megegyezik, azonban az NEE nem veszi figyelembe a rendszerbe oldott

formában érkező vagy onnan távozó szerves vagy szervetlen szénmennyiséget. Az

összefüggés tehát a következőképp írható le:

eco a hNEE NEP GPP GPPR R R= − = − = + − , (2.2)

ahol Reco az ökoszisztéma szintű respiráció, mely magába foglalja az autotróf és heterotróf

respirációt is.

Ahogy a 2.1. ábrán látható, a CO2-ot a légkörbe elsődlegesen visszajuttató respirációs

folyamatok felszín alatti (talajrespiráció, Rs) és felszín feletti (a felszín feletti növényi részek

respirációja) részekre oszthatók. Míg az utóbbiban csak autotróf komponens (Rap) van

jelen, addig a talajból a gyökér a gyökérlégzés során (autotróf rész, Rar), a talajlakó

mikroorganizmusok és egyéb élőlények élettevékenységük folyamán, valamint a szerves

anyagok bomlásuk során bocsátanak ki CO2-ot, ez a heterotróf respiráció.

Az ökoszisztémából a respiráción kívül egyéb folyamatokon keresztül is kerül vissza szén a

légkörbe a különféle zavaró hatások következtében. Az ily módon a légkörbe visszakerült

szénmennyiség értékét is figyelembe vevő hosszútávú teljes szénmérleg az NECB13 (Chapin

et al., 2006). Az NECB meghatározásakor az egyéb szénvegyületek (VOC, CH4, CO)

fluxusait is figyelembe veszik. A zavaró hatások lehetnek természetes eredetűek, például a

erdő- és bozóttüzek, kártevők megjelenése, áradás, szélkárok, jégesők, vagy akár

antropogén hatások is. A nagyobb térségekre kiterjesztett NECB a Nettó Biom Produkció

(NBP14; Schulze és Heimann, 1998). A szén-dioxid mérleg legfontosabb komponenseit

(zavaró hatások nélkül) a 2.1. ábra szemlélteti (a további széntrartalmú vegyületektől most

eltekintettünk).

11 Net Ecosystem Exchange 12 Net Ecosystem Production 13 Net Ecosystem Carbon Balance 14 Net Biome Production

13

2.1. ábra. Az ökoszisztéma szénmérlegének sematikus ábrája háborgatás nélküli esetben.

A mezőgazdasági területek szénforgalma az emberi tevékenység következtében eltér a nem

bolygatott, nem művelt természetes ökoszisztémákétól, ami miatt az NECB-ben és NBP-

ben az antropogén hatásokat is figyelembe kell venni. Ilyen specifikum a learatott és a

helyszínről elszállított termés, és az így a területről elkerülő szerves anyag mennyiség, ami

később más földrajzi helyen kerül feldolgozásra/elfogyasztásra és széntartalma végül

visszakerül(het) a légkörbe. Ezenfelül, a trágyázás, ültetés illetve vetés során a rendszerbe

kerülő extra tápanyagot és szerves anyagok mennyiségét is figyelembe kell venni a

mezőgazdasági területek szénmérlegének meghatározásánál. Hasonló hatás érvényesül a

telepített és emberi hatás alatt álló erdőknél is. Ezt a fajta horizontális (laterális)

transzportot figyelembe kell venni a művelt területek szénmérlegének meghatározásakor.

A dolgozatban a szénmérleg-komponensek közül a GPP-re fókuszálunk, mely

meghatározható távérzékelt mérésekből is. A GPP a jelenleg rendelkezésre álló in-situ mérés

módszerekkel nem határozható meg közvetlenül, így kizárólag más mérésekből

származtatható mennyiség. A GPP származtatás menetét a módszertani fejezetben

tekintjük át részletesebben (3.2.3. fejezet). Az adatok feldolgozása során azonban több

említett komponens/jelzőszám is szerepet kap, így a fogalmak tisztázása szükséges. A

mikrometeorológiában megszokott jelöléssel élve a légkör felé irányuló fluxus (forrás) kap

pozitív előjelet, míg a légkörből történő kikerülés lesz a negatív irány. Az ettől való eltérést

külön jelezni fogjuk. Ez alapján az NEE negatív vagy pozitív előjelet is kaphat.

14

2.2. Szénmérleg-komponensek meghatározása in situ mérésekkel

A szénmérleg meghatározásának egyik módja az egyes tározókban található szénmennyiség

becslése. Az ökoszisztémában tárolt szénmennyiség mérésének egyik hagyományos és

elterjedt eszköze a biomassza mérés. Mezőgazdasági területek szénforgalmának

vizsgálatában gyakran alkalmazott módszer a termésből allometrikus indexek (például a HI

(harvest index), vagyis a hasznos termés és a teljes felszín feletti biomassza arányának)

számítása, melyek terület és gabonaspecifikus egyenletekhez vezetnek (Smith et al., 2010). A

gyökér, a termés és a levél mennyisége közül a termésről viszonylag sok adat áll

rendelkezésre nemzeti vagy nemzetközi termésátlagok adatbázisában (KSH, FAO termés

statisztikái). A gyökér és a levél mennyiségét gyakran a termés adott részeként számítják. A

növényi részekben levő szenet szintén a teljes száraz tömeg 0,45 - 0,5-szörösének veszik,

így számítják az NPP értékét (Smith et al., 2010). Az IPCC GPG LULUCF15 útmutató

részletes leírást ad a biomassza mérések és számítások módszertanához.

A bioszféra által megkötött szénmennyiség egy része hosszabb távon a talajban

raktározódik el, egy része magában a növényi részekben (tipikusan erdők esetén), és egy

bizonyos szénmennyiség a felszíni vizek által az óceánokba szállítódik, ahol akár geológiai

időskálán is eltározódhat. A talajok becslések szerint 1500 - 2400 GtC szerves anyagot (Soil

Organic Matter – SOM) tárolnak elhalt szervesanyag és avar formájában, mely körülbelül

kétszerese a légkörben található szénmennyiségnek (Batjes et al., 2006). Az állandóan

fagyos (permafroszt) talajok és a vizes élőhelyek, mocsarak is további nagy mennyiségű

szenet tárolnak (~1700 GtC és 300 - 700 GtC; Tarnocai et al., 2009; Bridgham et al., 2006).

Mint azt már említettük, a szárazföldi bioszféra szénfelvételének növelése az egyik

legfontosabb alkalmazkodási lehetőség a légköri CO2 koncentráció antropogén tevékenység

hatására bekövetkező emelkedésével szemben. A talaj szervesanyag tartalmát a

klímaváltozás várhatóan befolyásolni fogja a lebomlási folyamatok sebességének, a

talajerózió intenzitásának, stb. változásain keresztül. A változás iránya kulcsfontosságú a

légköri CO2 koncentráció emelkedésével kapcsolatban. Éppen ezért fontos megfelelő

ismereteket szerezni a környezeti hatások és a bioszféra szénforgalmának kapcsolatáról.

Mindemellett a talaj, mint a növények által megkötött szén egyik legfontosabb tározója, a

szervesanyag-tartalom változásaival igen fontos információt nyújt a szénmérlegről, a

különböző szénmérleg-becslések megszorításához is kulcsfontosságú adat (Schulze et al.,

2009). Számos kutatás irányul általában a bioszféra nettó szénnyelő képességének

15 IPCC Good Practice Guidance for Land Use, Land-Use Change and Forestry - IPCC útmutató a felszínhasználat, felszínhasználat-váltás és erdészet terén alkalmazott helyes gyakorlatokhoz

15

fenntarthatóságának , valamint a talajban eltározott szénkészletek stabilitásának vizsgálatára

(Jenkinson et al., 1991; Davidson et al., 2006; Mullan et al., 2012).

A talaj szervesanyag tartalmának hosszú távú, egységes szempontok alapján történő

monitorozására nemzetközi hálózatok alakultak. A Soil Organic Matter Network (SOMNET)

hat kontinensen átívelő hálózat talaj szervesanyag-tartalom monitorozására és

modellezésére (Smith et al., 1996; Powlson et al., 1998). Célja különböző földhasználati

módok esetén meghatározni a talaj szervesanyag-tartalmának hosszútávú változásait.

A főbb tározók közötti anyagáram, vagyis a szénfluxus (melyek közül a dolgozat

szempontjából a CO2 fluxus a legfontosabb) folyamatos, kialakítva a szén biogeokémiai

körforgalmát. A talajból a szén elsősorban a szerves anyagok lebontásában részt vevő talaj

mikrobióta aktivitása révén, másrészt a gyökérlégzés következtében távozik (talajrespiráció).

Ezenkívül még a talajerózió, kimosódás folyamatával is távozik szerves anyag a talajból. A

talaj szénháztartásának megismeréséhez többek között a talajrespiráció különböző biotikus

és abiotikus tényezőkre adott válaszainak részletes, folyamatszintű ismerete is szükséges. A

talajrespiráció rendkívül összetett folyamat, különböző idő és térbeli skálákon más

folyamatok dominálnak, így más kormányzó tényezők határozzák meg a talaj CO2

kibocsátását (Reichstein és Beer, 2008). Ugyanakkor a talaj rendkívüli heterogenitása miatt

az in-situ mérések reprezentativitása korlátozott, bizonytalansága viszonylag nagy (Smith et

al., 2008).

A talajrespiráció mérésére leggyakrabban ún. kamrás módszert alkalmaznak (Bahn et al.,

2010). Talajrespiráció mérés esetén alapvetően a talajfelszín feletti légrész CO2

koncentrációjának mérésén alapuló módszerekről beszélünk, azonban a talaj egyes

rétegeiből vett levegőmintákon alapuló elemzéseket is végeznek. A legelső talajrespiráció

mérési módszerek egyike az ún. alkáli-abszorpciós módszer, ahol az eredeti módszertan

szerint lúgos oldatot (KOH vagy NaOH oldatot), későbbi alkalmazásokban szilárd

halmazállapotú nátronmeszet (Edwards, 1982) helyeznek a légmentesen záródó,

talajfelszínre helyezett kamrába, és az általa elnyelt CO2 mennyiségéből következtetnek a

CO2 fluxusra (Smith et al., 2008).

A korszerűbb, gázanalizátoros mérési módszereket tekintve beszélhetünk dinamikus

(átfolyós rendszerű), illetve statikus jellegű (felgyülemlő rendszerű) kamrás mérésekről. A

dinamikus rendszereknél egy pumpa segítségével a gáztéren keresztül zárt körben

áramoltatják a gázt, mely körbe egy gázanalizátort kötve mérik a CO2 koncentrációt. A

statikus kamrás módszernél egy légmentesen lezárt kamrában hagyják, hogy a talajból

kiáramló CO2 bizonyos időn át (ezt nevezik inkubációs időnek) akkumulálódjon. A CO2

16

koncentrációt a t = 0 időpontban és az inkubációs idő végén megmérik. A két időpontnak

kellően közel kell esnie egymáshoz ahhoz, hogy a gáztér telítődése ne kezdődjön el, vagyis a

CO2 koncentráció közelítőleg lineárisan változzon. Itt a két időpontban mért CO2

koncentráció közti különbség alapján számítják ki a talajrespirációt.

A felszín-légkör CO2 áram meghatározására gyakran alkalmazott mikrometeorológiai

módszer az ún. gradiens vagy profilmódszer, ahol a függőleges légköri koncentráció

változásából a hőmérséklet és szél vertikális profiljainak ismeretében (Businger et al., 1971)

következtetnek a fluxusra a felszínközeli rétegben a Monin-Obukhov-féle hasonlósági

elmélet alapján. A módszer alkalmazásánál feltétel, hogy a helyszín körül egy megfelelően

nagy körzetben a turbulens mező homogén legyen (Foken és Wichura, 1996).

A felszíni, kis reprezentativitású mérések során széleskörűen alkalmazott, legkorszerűbb

mikrometeorológiai módszer az eddy-kovariancia technika (Baldocchi et al., 1988). A

módszer ideális nyomgázok (CO2, H2O, CH4, N2O, O3, stb.) ökoszisztéma szintű

fluxusainak monitorozására különféle felszínborítottságú területek felett, de akár városi

környezetben is (például Churkina, 2012; Grimmond et al., 2002; Velasco és Roth, 2010).

Különösen népszerű módszer a szén-dioxid áramok meghatározásában, mivel közvetlenül

az ökoszisztéma és a légkör közötti nettó kicserélődést (NEE) méri (Baldocchi, 2003). A

forrásterület, vagyis a mérőtorony ún. footprint kiterjedése a torony magasságától függően

száz métertől akár néhány kilométeres méretig terjedhet (Schmid, 1994), ami elősegíti az

ökoszisztéma szintű CO2 kicserélődés vizsgálatát szemben a korábban kizárólagosan

alkalmazott kisebb skálájú módszerekkel (pl. levél szintű fotoszintézis mérések (például

Field et al., 1982), kamrás mérések (például Long et al., 1996)). Schmid és Oke (1990) a

forrásterületet azon szél felőli területként definiálta, mely lefedi az adott mérési pontban a

mért fluxushoz hozzájáruló nyelő és forrásterületeket. A footprint meghatározása a fentiek

alapján a forrásterület egyes egységnyi kiterjedésű részeinek a relatív hozzájárulása a mért

koncentrációhoz vagy vertikális fluxushoz. A footprint kiterjedését számos egyéb tényező

mellett a mérési magasság és a légköri rétegződés is befolyásolja. Általánosságban

elmondható, hogy minél nagyobb a mérési magasság, illetve minél stabilabb a

légrétegződés, annál távolabbra tolódnak ki a forrásterület határai.

A toronymérések reprezentativitásának minél pontosabb ismerete heterogén felszín felett

kiemelt fontosságú. Ideális esetben, egy a footprinten belül homogén terület felett elhelyezett

torony esetén a pillanatnyi forrásterület elhelyezkedésének változása kis jelentőséggel bír, a

fluxus megközelítőleg irányfüggetlen. Azonban heterogén felszínborítottság esetén a

forrásterület helyének változásai kiemelt hatást gyakorolnak a mért NEE idősorra, hiszen

17

két egymást követő mérés akár két egészen eltérő tulajdonságú felszín CO2 forgalmáról

adhat információt. Éppen ezért a torony helyének, és a mérési magasságnak a tudatos

megválasztása fontos az adatok későbbi értelmezése szempontjából. Minél nagyobb a

felszínhez viszonyítva a mérési magasság, annál nagyobb területről nyújtanak információt a

méréseink, vagyis annál kiterjedtebb lesz a footprint (azonos időjárási körülményeket

feltételezve). Amennyiben célunk egy adott felszínborítottságra reprezentatív mérések

biztosítása, célszerű az uralkodó szélirány felőli oldalon elegendő kiterjedésű homogén

területet hagyni.

A felszín és légkör közötti szén-dioxid áram monitorozására létesített EK mérőhelyek

világszerte regionális mérőhálózatokba tömörülnek, melyeket a FLUXNET hálózat

(Baldocchi et al., 2001) foglalja magában összesen több mint 500 helyszín méréseit

integrálva (2.2. ábra). A mérések általában félórás gyakorisággal, a helyszín kutatói által

feldolgozva állnak rendelkezésre, de egyes hálózatokon belül egységes, standardizált

formában is elérhetők.

2.2. ábra. A FLUXNET és a regionális mérőhálózatok helyszínei.16

Magyarországon három helyszínen folynak eddy kovariancia technikán alapuló, hosszú

időszakot lefedő CO2 forgalom mérések. A nyugat-magyarországi Hegyhátsál közelében

található, 1994 óta működő magas-tornyos üvegházgáz megfigyelő állomáson (Haszpra et

al., 1999) kezdte meg működését az első hazai EK mérőrendszer 1997-ben, 82 m-es

16 Oak Ridge National Laboratory Distributed Active Archive Center (ORNL DAAC). 2013. FLUXNET Maps & Graphics Web Page. Available online [http://fluxnet.ornl.gov/maps-graphics] from ORNL DAAC, Oak Ridge, Tennessee, U.S.A. Accessed November 5, 2013

18

magasságban egy vegyes mezőgazdasági terület felett (nemzetközi mérőhely azonosító: HU-

He1; Haszpra et al., 2001). Az első EK mérőtornyot még három, gyepvegetáció felett

elhelyezett mérőtorony követte: Bugacpuszta (HU-Bug; Nagy et al., 2007), Mátra (HU-Mat;

Pintér et al., 2008), valamint Hegyhátsálon egy második torony ezúttal 3 m-es magasságban

elhelyezett mérőrendszerrel (HU-He2, Barcza et al., 2003). A mérőhelyek hasznos

információt szolgáltattak a gyepvegetáció produkciója és a nedvességi viszonyok

kapcsolatának feltárásához (Nagy et al., 2010), ugyanakkor hozzájárultak számos

nemzetközi szintézistanulmány elkészültéhez is (pl. Gilmanov et al., 2007; Soussana et al.,

2007; Yi et al., 2010).

A hegyhátsáli magas EK mérőtorony az egyetlen hazai, szigorúan véve mezőgazdasági

eddy-kovariancia helyszín, ezenfelül az itt végzett mérések világszerte is a kevés

mezőgazdasági terület felett végzett magas tornyos mérések közé tartoznak. A

rendelkezésre álló, hosszú évekre visszanyúló adatsor páratlan lehetőséget nyújt a művelt

területek hazai szénmérlegben betöltött szerepének megismerésére, valamint fontos

módszertani újításokkal szolgálhat nemzetközi szinten.

A FLUXNET méréseket számtalan szintézis tanulmányban használták fel, és számos

készülőben levő tanulmányhoz értékelik jelenleg is az adatokat. A rendelkezésre álló nyers

adatokból egységes módszertannal feldolgozott idősorokat állítanak elő, melyek a

helyszínfüggő megoldásokat nélkülözik és így nagy térségekre (kontinentális, globális

vizsgálatokhoz) egy egységes tulajdonságokkal rendelkező adatbázist hoznak létre. Ilyen

egységesített adatbázis például az ún. La Thuile szintézis-adatbázis, mely 250 helyszínre

közel ezer helyszín-évnyi (mely arra utal, hogy különböző helyszínekről különböző

hosszúságú idősorok összessége) adatot foglal magába. (Az adatsor az olaszországi La

Thuile helységről kapta a nevét, mely az ötletadó munkaülés helyszínéül szolgált.)

Szintézistanulmányok a mezőgazdasági helyszínekre is készültek. Kimondottan

mezőgazdasági területek szénforgalmának nagyobb területre kiterjedő vizsgálatára

alkalmazta a FLUXNET adatait Kutsch et al. (2010). A tanulmányban kilenc európai

helyszín adatait használták fel, hogy meghatározzák gabonarotációk és monokultúrák NBP-

jét. Mezőgazdasági területek esetén jelentős a horizontális biomassza transzport, például

helyszínről elszállított termés formájában, melynek antropogén eredetű zavarásként az

NBP-ben is jelentkeznie kell. Ezt az EK tornyokkal lehetetlen mérni, így a gabonaföldek,

mezőgazdasági területek teljes szénmérlegének felállításához egyéb paramétereket is

figyelembe kell venni. A tanulmányban a trágyázással a helyszínre szállított

szénmennyiséget és a termés formájában elszállított szénmennyiséget vették figyelembe, a

19

kisebb fluxusokat, úgymint az oldott vagy oldatlan szerves vagy szervetlen szén formájában

talajvíz felé irányuló szénáram, illékony szerves vegyületek, metánfluxus, illetve a talajerózió

miatt bekövetkezett szénvesztés, elhanyagolták. A mezőgazdasági területek szénmérlegének

vizsgálatánál arra is felhívták a figyelmet, hogy a haszonnövények ciklusa ritkán követi a

naptári évet, különösen igaz ez az őszi vetésű gabonákra, és a gabonarotációkra. Ezért ilyen

esetekben ajánlott egy-egy teljes rotációs ciklust vizsgálni, melyben minden év másképp

járul hozzá a szénmegkötéshez illetve kibocsátáshoz.

A mezőgazdasági területek szénforgalmában kulcsszerepet tölt be az alkalmazott művelési

módszer megválasztása. Eugster et al. (2010) a FLUXNET adatok alapján a művelés

respirációra gyakorolt hatását vizsgálta mezőgazdasági területek esetén. A mezőgazdasági

művelést követő, és az azt megelőző napok adatai alapján próbálták meghatározni, hogyan

változik a respiráció szintje a mezőgazdasági művelés hatására. Eredményeik megerősítették

az általános nézetet, hogy a talajművelés hatására (hagyományos illetve tavaszi szántás

esetén) megnövekszik a respiráció, valamint kimutatták, hogy a növényvédő szerek

alkalmazása is hasonló rövidtávú eredménnyel jár.

A FLUXNET hálózat adatai olyan alapvető kérdésekre adhatnak választ, mint az egyes

ökoszisztémák tipikus produktivitási viszonyai egymáshoz képest. Egy szintézistanulmány

keretében Gilmanov et al. (2010) a mezőgazdasági-, gyep-, és vizes területek felet végzett

vizsgálatot a respiráció, és a produktivitás meghatározására EK mérések alapján. Az egyes

helyszínek GPP, Reco és NEE értékeit vizsgálva arra a következtetésre jutottak, hogy a

művelt gyep és mezőgazdasági területek szénnyelők, mely az elszállított biomassza

mennyiség miatt nem jelenti azt, hogy az ökoszisztéma szénfelhalmozásához hozzájárulna.

A felszín-légkör fluxusok itt felsorolt mérési lehetőségeinek reprezentativitása csak lokális

skálára terjedhet ki. A globális szénháztartás becslésekhez a méréseket ki kell egészíteni

egyéb forrásból származó információkkal, melyek a felskálázást segítik.

2.3. Szénmérleg-komponensek meghatározása távérzékeléssel

A térbeli reprezentativitás növelése érdekében a pontbeli mérések kiegészítésére

alkalmazott egyik eszköz az ún. adat-orientált modellek alkalmazása. Ezek a módszerek

viszonylag egyszerű, kismértékben parametrizált determinisztikus modelleket használnak. A

modellekben az adott biofizikai mennyiség (pl. GPP) és az azt meghatározó környezeti

változók között felállított kapcsolat alapján számítják ki a kívánt mennyiséget. Ehhez jó

térbeli lefedettségű adatokat, például műholdas távérzékelésből származó információkat

20

használnak fel, de más, kellően jó térbeli lefedettséggel rendelkező mérőhálózat adatai is

nyújthatnak alapadatot a modellezéshez (Beer et al., 2010).

A távérzékelés éppen nagy térbeli lefedésének köszönhetően már régóta alkalmazott

technika a meteorológia, a környezettudományok és a földtudományok területén is. A

műszer platformja alapján felszíni-, légi-, valamint űrbázisú távérzékelésről beszélünk. A

fejezetben főleg az űrbázisú távérzékelésre összpontosítva mutatom be a témakört, a

távérzékelés egyéb formáit pusztán megemlítjük.

A felszíni távérzékelő műszerek által, laboratóriumi és terepi körülmények között

szolgáltatott adatokat általában mint referencia adatokat használják fel egyes anyag-, és

felszíntípusok spektrális tulajdonságainak megismerésére. A mérések a felszíni mérésekhez

hasonló reprezentativitással és jó térbeli felbontással rendelkeznek. A felszíni távérzékelés

esetén a vegetáció fölé telepített (Soudani et al., 2012) sugárzásmérő műszerek segítségével

végeznek méréseket. A nagy térbeli felbontásuk a felszínről részletes információkat nyújt,

azonban a korábban már említett in-situ mérésekhez hasonlóan, csak korlátozott területről

nyújtanak információt. A repülőgépes távérzékelés nagyobb térbeli reprezentativitással,

általában a műholdas távérzékelésnél jobb felbontással szolgáltat információt a felszín

állapotáról. Ilyen például az AVIRIS17 rendszer, amely 20 m-es felbontással készít

méréseket a 380 nm és 2500 nm közötti spektrumot lefedő, 224 csatornán.

A felszíni-, légibázisú módszerek azonban korlátozott területről szolgáltatnak méréseket. A

műholdas távérzékelés alapvető előnye az előbbiekkel szemben, hogy bizonyos esetekben

teljes globális lefedettségű adatokkal látja el a kutatókat, melyek gyakran publikusan

hozzáférhetők, így a lehető legköltséghatékonyabb módját kínálják a térben jó lefedettségű

adatokhoz való hozzáférésnek.

Az űrbázisú távérzékelés környezettudományokban betöltött szerepe egy időben vált

hangysúlyosabbá az első civil műholdak felbocsátásával. Nem sokkal a Szputnyik-I 1957-es

felbocsátását követően az Egyesült Államok felbocsátotta az első meteorológiai műholdat

(TIROS-118) (Menzel, 2006). Meteorológiai alkalmazásai mellett térképezési feladatok, majd

a környezeti alkalmazások (szárazföldi és óceáni felszínek, vegetáció stb. megfigyelése) is

egyre elterjedtebbé váltak.

Az űrbázisú távérzékelés klasszikus felhasználási területei a térképezés, domborzat

vizsgálata (aktív távérzékeléssel), a felszínborítottság megfigyelése. A felszínhasználat

változás megfigyelése kisebb gyakoriságú (akár csak éventénti) adatokat igényel, a

térképészeti jellegű kérdéseknél inkább a nagy térbeli felbontás igénye dominál (méteres 17 Airborne Visible/Infrared Imaging Spectrometer; http://aviris.jpl.nasa.gov/aviris/index.html 18 Television Infrared Observation Satellite

21

nagyságrendben). A földhasználat és a vegetáció aktivitásának nagy térségekre vonatkozó

vagy globális szintű térképezése szinte kizárólag távérzékelésen alapul (Xie et al., 2004), a

módszer jelentős mértékben a növényzet jellegzetes spektrális tulajdonságán alapul (Gates

et al., 1965). Olyan nemzetközi programok szolgáltatnak globális szintű információt a

vegetáció elterjedéséről, mint az IGBP (Lambin és Geist, 2006) felszínborítottsági

produktuma, vagy a GLCC19 program. A CORINE felszínborítottsági adatbázisai (Büttner

et al., 2002) is távérzékelésen alapulnak, nagyon részletes és kifinomult felszínborítottsági

kategóriákkal jellemzik a szárazföldi felszínt.

A doktori munkámban is használt biofizikai alkalmazások esetén azonban a távérzékelt

adatokkal szemben támasztott elvárásaink némileg különböznek a fentiektől. A növényi

CO2 kicserélődés nyomon követéséhez, mely a növény fenológiai fázisaival, és a még ennél

is változékonyabb környezeti hatásokkal (például meteorológiai paraméterekkel) együtt

változik, az évek közötti változás követése nem elegendő. Itt a növényzet aktivitásának

éven belüli alakulásáról kívánunk információt szerezni, amihez jó időbeli felbontású,

lehetőleg folyamatos észlelések szükségesek. Nagy térségekre történő alkalmazásnál

azonban az időbeli felbontás és a térbeli felbontás egymás rovására növelhető paraméterek

(Fischer és Mustard, 2007), így az ezen célból használt adatok jellemzően a térképészeti

alkalmazásokban megszokottaknál durvább felbontásúak.

A növényi aktivitás éves menetének megfigyelése is alapvetően a növénnyel borított felszín

spektrális tulajdonságain alapul. A távérzékelt mérések nem közvetlenül a kívánt

mennyiséget mérik (Turner et al., 2004). A növény fenológiai fázisainak követésére számos

módszert dolgoztak ki (például Sakamoto et al., 2005), emellett fenológiai modellekbe való

asszimilációjukkal a távérzékelt adatok javították a modelleredményeket (Stöckli et al.,

2008). A számunkra érdekes mennyiség, a növényzet CO2 asszimilációja esetén a

távérzékelt radianciákból adatorientált modellel, más mérésekkel történő kombinálásukkal

tudjuk származtatni a kívánt biofizikai mennyiséget (Turner et al., 2004). A távérzékelt

adatokon alapuló becsléseket általában felszíni mérésekkel kalibrálják, az adat-orientált

modellt ugyancsak ezen mérések segítségével validálják. Számos műhold fedélzetén

többféle sugárzásmérő műszer alkalmas arra (illetve kimondottan abból a célból

telepítették), hogy a vegetációról, és annak aktivitásáról információt nyújtson. Spektrális

felbontásukat tekintve a multispektrális (például MODIS, AVHRR20, Landsat ETM+21) és

19 Global Land Cover Characterization http://edc2.usgs.gov/glcc/glcc.php 20 Advanced Very High Resolution Radiometer 21 Enhanced Thematic Mapper +

22

hiperspektrális szenzorok (például AVIRIS22) egyaránt előfordulnak, a szenzorok térbeli és

időbeli pedig felbontása igen változó. Általában az adott alkalmazás határozza meg,

pontosan mely műhold műszerével kívánunk dolgozni. A mezőgazdasági alkalmazásokhoz

igen fontos a jó időbeli felbontás, hiszen itt a művelés miatt a fenológiai fázisok rövid idő

alatt változhatnak meg, amit kisebb időbeli felbontású adatokkal már nem lehet követni. A

térbeli felbontás ugyanakkor szintén kiemelt fontosságú, a mezőgazdasági területek (például

a magyar birtokszerkezet sajátosságaiból is fakadó, Oros, 2002) változékonysága miatt. A

Landsat műholdakon elhelyezett sugárzásmérő műszerek jó térbeli felbontású (~30 m)

adatokat biztosítanak, azonban kis időbeli felbontásuk az első kritérium miatt

mezőgazdasági vegetáció folyamatos megfigyelésére kevésbé alkalmassá teszi a szenzort. A

Terra és Aqua műholdakon elhelyezett MODIS 36 csatornás sugárzásmérő szenzor

adataiból lényegesen durvább, 1 km-es felbontású produktumokat biztosítanak 8 napos

felbontással, mely azonban már lehetővé teszi a mezőgazdasági területek megfigyelését is

(Bolton és Friedl, 2013). Az utóbbi években elterjedt a különböző tér és időbeli felbontású

műholdas információk szintetizálása is (Becker-Reshef et al., 2010; Mkhabela et al., 2011,

Wu et al., 2009).

A MODIS adatokat globális lefedettségük, kedvező időbeli felbontásuk mellett a széleskörű

dokumentáció és a nyilvános, több szintű feldolgozáson átesett produktumok elérhetősége

teszi népszerű választássá (a feldolgozottsági szintek jelentését lásd Kern, 2012

munkájában). Ezek rendszerint a MOD illetve MYD előtagot (mely arra utal melyik

műholdon elhelyezett szenzorról van szó) és egy a produktumra utaló számból álló nevet

viselnek (1 - 44-ig). A produktumok a műhold kalibrációs adatai mellett a légkör, a

szárazföld, az óceánok és a krioszféra állapotáról nyújtanak információt. A MODIS

szárazföldi produktumainak listája a 2.1. táblázatban látható. A MODIS adatokból készülő

17-es számú produktum (MOD17), a MODIS GPP és nettó fotoszintézis adatokat közöl a

kutatók számára (Running et al., 1999). Munkám során a MOD17 produktummal, illetve a

MOD17 produktum GPP adatait a távérzékeléssel nyert adatokból előállító adat-orientált

modellel (MOD17 GPP modell) foglalkoztam.

A MOD17 produktumot előszeretettel használják fel nagy térségekre kiterjedő

vizsgálatokban. Vetter et al. (2008) a 2003-as év Európa-szerte aszályos, és átlagosnál

melegebb időjárása által okozott szénforgalmi anomália térbeli mintázatát vizsgálta több

más modellel együtt a MOD17 produktum GPP adatainak segítségével. A vizsgált

adatorientált illetve folyamatorientált modellek jó egyezést mutattak a NEP csökkenését 22 Airborne Visible / Infrared Imaging Spectrometer

23

tekintve, azonban a csökkenést az adatorientált modellek alapján a GPP csökkenése, a

folyamatorientált modellek alapján pedig a respiráció növekedése okozta. Ez annak

köszönhető, hogy a különféle modellek másként írják le az ökoszisztéma folyamatait,

különös tekintettel a talajnedvesség-tartalom változás hatásának illetve a mezőgazdasági

területek növényeinek és művelési módjának figyelembe vételére.

2.1. táblázat. A hivatalos MODIS szárazföldi produktumok.

Azonosító Produktum neve

MOD 09 Felszíni Reflektancia

MOD 11 Felszíni hőmérséklet és emisszivitás

MOD 12 Felszínborítottság/felszínborítottság-változás

MOD 13 Vegetációs indexek (Mx NDVI, integrált MVI)

MOD 14 Termikus anomáliák, tűzek, biomassza égetés

MOD 15 Leaf Area Index & Fraction of Photosynthetically Active Radiation absorbed by the vegetation (FPAR)

MOD 16 Evapotranszspirció

MOD 17 Nettó fotoszintézis és elsődleges produkció

MOD 43 Felszíni Reflektancia (BRDF/Albedó)

MOD 44 Növényborítottság változás (pixelen belüli arány) A dolgozatban használt távérzékelt adatok a MODIS szenzor méréseiből származnak,

melyeket egyéb kiegészítő adatokkal együtt használok. Ezt a választást megkönnyítette,

hogy az ELTE TTK Északi Tömbjének tetején 2002 óta működik egy műholdvevő

állomás, mely többek között a MODIS adatok vételére is képes (Kern, 2012). Ez páratlan

lehetőséget biztosít akár saját feldolgozottságú adatok felhasználására, amennyiben

bebizonyosodik a szenzor adatainak hasznosíthatósága a hazai kutatásokban.

A távérzékelésen alapuló GPP becslések validációja elengedhetetlen a szénmérleg-

becslésekben való felhasználásuk előtt. A kapott adatok önmagukban történő felhasználását

gyakran érik kritikák, a felhasznált igen egyszerű modell korlátai és tulajdonságai miatt.

Példaként említhetjük Zhao és Running (2010) cikkét, mely számos kritikát kapott (Medlyn,

2011; Samanta et al., 2011) a kizárólag a MOD17 produktum alapján levont

következtetéseinek érvényességét illetően. A 2000-2009 időszak NPP eredményeit vizsgálva

a szárazság hatására kimutatott csökkenést a munka kritikusai a modell beépített

tulajdonságaival magyarázták, így mint a modell műtermékét, megkérdőjelezték a kapott

eredményt.

A távérzékelésen alapuló becslések validációja többféle módon is történhet. Az EK

mérések eredményeit széles körűen alkalmazzák a MOD17 szénmérleg-komponens

24

becslések kiértékelésére (Leuning et al., 2005; Gebremichael és Barros, 2006; Heinsch et al.,

2006; Turner et al., 2006; Zhang et al., 2008; Kanniah et al., 2009; Chasmer et al., 2011;

Chen et al., 2012). A validáció, és a nagy térskálájú alkalmazásokhoz szükséges térbeli

kiterjesztés is nagyban függ a skálázás módszertanától. Mivel a biogeokémiai ciklusokat

alapvetően meghatározza az ökoszisztémában található heterogenitás és az ökosztisztéma

mozaikos jellege (Bormann és Likens, 1979), számos kutatás foglalkozott/foglalkozik az

információk pontbeli mérésekből nagyobb térségekre vonatkozó kiterjesztésére egyszerűbb

és bonyolultabb eljárásokat alkalmazva (pl. Chasmer et al., 2011; Chen et al., 2009, Zhang

et al., 2007). Az információ skálázására számos módszert használnak az ökológiai

modellezésben is, melyek közül a legegyszerűbb a lineáris extrapoláció. Ez a technika

hasznos lehet, amennyiben a vizsgált skálánál csak kissé nagyobb skálára szeretnénk

információt kapni, azonban amennyiben nagyobb különbség van a két lépték között, a

művelet közben nem tudhatjuk, hogy a két vizsgált tartomány közötti köztes állapotokban

milyen változások következnek be a változó környezeti hatások következtében, illetve nem

tudhatjuk, hol válik a módszerünk működésképtelenné. Ennek ellenére a szakirodalomban

számtalan példát találunk a modelleknek az érvényességi tartományukon túlra történő

egyszerű kiterjesztésre (Levin, 1993). Éppen ezért már a modell validációja során ügyelnünk

kell a térbeli reprezentativitásban jelentkező különbségekre, hogy a felskálázás során ezek a

hibák már ne jelentkezhessenek.

A validáció az eredményét számos tényező befolyásolja. A legtöbb validációs tanulmányban

eltéréseket mutattak ki a modelleredmények és a mérések között, melyek okaiként különféle

faktorokat neveztek meg.

A GPP adatokat előállító MOD17 GPP modell bemenő adatait a globális rácson történő

alkalmazás miatt általában nem közvetlen mérési adatok szolgáltatják, hanem valamilyen

globális, származtatott adatbázis (például a meteorológiai paraméterek esetében reanalízis

mezők). Az adatbázisokban − a nagy térségre vonatkozó átlagolások és a modellek

alkalmazása miatt − a valós helyzettől jelentkező eltérések szintén hibaforrásnak számítanak

a modelleredmény szempontjából. Ezt a validáció során egyszerűen kiküszöbölhetjük a

helyszínen mért meteorológiai paraméterek felhasználásával (Hwang et al., 2008; Zhang et

al., 2008) amennyiben azok rendelkezésre állnak.

A második hibalehetőség a modell struktúrájából és a modellparaméterek

bizonytalanságából fakadhat. A globális adatorientált modelleket különösen jellemzi a

nagyfokú egyszerűsítés, így a modell parametrizációja, struktúrája miatti korlátokkal is

szembesülünk. A modellparaméterek megállapítása részben szakirodalmi adatokon, részben

25

kalibrációval történik. Mielőtt térbeli kiterjesztésre, és a hazai szénmérleg meghatározását

célzó kutatásokban fel lehetne használni a MODIS becsléseket, a verifikáció mellett a GPP

modell kalibrációját is célszerű elvégezni. Számos kutatás eredménye mutatott rá arra, hogy

a MOD17 GPP modell némely paramétere mezőgazdasági területek esetén korrekcióra

szorul (pl. Zhang et al., 2008). A MOD17 GPP modellben globálisan 11 növénykategóriát

különítenek el, melyekre a modellparaméterek elérhetők, és ezek között egyetlen

mezőgazdasági növénykategória található (Running et al., 1999). Figyelembe véve a

mezőgazdasági haszonnövények nagy változatosságát, felmerül az igény legalább a C3 és C4

típusú növények elkülönítésére. Ez EK adatok felhasználásával, mezőgazdasági területen

végzett mérések alapján, gabonaspecifikus kalibrációval tehető meg.

Az eltérés harmadik oka a távérzékelt adatok és a felszíni mérések térbeli reprezentativitása

közötti eltérés lehet. Ha az EK rendszer mérőműszerei a vegetáció felett relatíve kis

magasságban (vagyis a mérési magasság ~ 5 - 30 m) helyezkednek el (a továbbiakban

„alacsony tornyok”), a mérések footprintje lényegesen kisebb lesz, mint a MODIS adatok

1 km-es térbeli felbontása (legalábbis a napközben jellemző labilis légrétegződés esetén,

amikor a műholdas mérések is történnek; Göckede et al., 2008). Az EK toronymérések és a

műholdas távérzékelés eltérő térbeli reprezentativitása − legalábbis részben − felelős lehet a

két módszerrel nyert szénmérleg-komponensek közötti eltérésekért (Turner et al., 2005;

Chasmer et al., 2011). A fenti logikát követve feltehető, hogy a magas tornyos mérések

(ahol a mérési magasság a vegetáció tetejéhez viszonyítva ~ 30 méter felett van) jobb

egyezést mutatnak a műholdas becslésekkel, hiszen térbeli reprezentativitásuk jobban

hasonlít az utóbbiéhoz (Barcza et al., 2009a), azonban a felszínborítottság heterogenitása is

jobban befolyásolja az EK méréseket magas tornyok esetén.

Az EK mérések és a modelleredmények közötti egyezést befolyásolja a felszínborítottság

heterogenitása is (Turner et al., 2005). Göckede et al. (2008) által elvégzett kutatás

rávilágított, hogy a CARBOEUROPE-IP EK mérőhálózat helyszíneinek mindössze

egyharmada helyezkedik el homogén felszín felett, ami azt jelenti, hogy a helyszínek

viszonylag nagy része nem ideális távérzékelés alapú becslések validációjához.

A mérések és a modelleredmények közötti eltérés függ a mérőtorony MODIS 1 km

felbontású rácsán való elhelyezkedésétől is, ami miatt néha egynél több pixel figyelembe

vétele szükséges a validáció helyes értelmezéséhez. Ezt a problémát általában 3×3 vagy 5×5

pixel átlagolásával oldják meg (Turner et al., 2005; Chasmer et al., 2011).

A Bigfoot projekt során térbeli reprezentativitás-beli különbségek által okozott problémát

hasonló módszerrel hidalták át (Reich et al., 1999; Turner et al., 2005). A projektben

26

különböző felszínborítottsági típusok esetén (mezőgazdasági terület, különböző erdők,

tundra, és gyep) skáláztak fel EK méréseket 5×5 km-es térségre egy folyamatorientált

ökoszisztéma-modell segítségével, majd ezen a skálán vetették össze MOD17 GPP/NPP

becslésekkel. A tanulmány alacsony tornyok adatain alapul, a footprint hatások

elhanyagolásával.

Az újabb kutatások, melyekben a MOD17 adatokat EK adatokkal együtt használják mind

alacsony tornyok felhasználásával történtek erdőterületek felett (Chen et al., 2009, 2010;

Chasmer et al., 2011). Magas EK torony és a MOD17 modellbecslések összehangolására

tett kísérletre még nem volt példa, különösen mezőgazdasági területek felett, a torony nagy

térbeli reprezentativitása ellenére (Wang et al., 2006; Barcza et al., 2009a).

A legújabb kutatási eredmények még mindig próbálják kialakítani a műholdas

távérzékeléssel nyert adatok felhasználásának leghatékonyabb módját az ökoszisztéma-

modellek pontosítására. Revill et al. (2013) egy adatasszimilációs módszert dolgozott ki

látható és mikrohullámú tartományban készült távérzékelt mérések beillesztésére egy

ökoszisztéma modellbe (Soil Plant Atmosphere (SPA) modell; Williams et al., 1996), azonban

felhívják a figyelmet a módszer potenciális térbeli alkalmazásainak problémáira és

nehézségeire. A műholdas szenzor spektrális jellemzői is befolyásolják az információ

minőségét. Ezenfelül azonos spektrális tulajdonságokkal rendelkező felszíni hordozható

vagy repülőgépes szenzorok nem feltétlenül adják ugyanazt az eredményt, mint műholdas

szenzorok. Annak érdekében, hogy a csatornakiosztást úgy optimalizáljuk, hogy az többféle

ökoszisztéma esetén is jó eredményeket biztosítson, több heterogén validációs helyszín

vizsgálata szükséges footprint modell és nagy spektrális felbontású műholdas adatok

kombinálásával (Goerner et al., 2010).

2.4. Modellezés, szintézis

A széntározók és a köztük levő fluxusok fent tárgyalt in-situ és távérzékelt mérési módszerei

mellett a globális szénforgalom meghatározásában, a lokális információk felskálázásában

meghatározó szerep jut a folyamat-orientált modelleknek. A különböző forrásból származó

információk mind az alulról felfelé, mind a fentről lefelé történő módon történő

szintetizálásának a modellezés elengedhetetlen része.

A fentről lefelé építkező módszerek során inverz modellezéssel a légköri

koncentrációmérésekből határozzák meg a felszíni forrásokat/nyelőket. A légköri terjedési

modellek a felszíni CO2 kibocsátás és a meteorológiai információk (áramlási rendszer

explicit leírása) birtokában szimulálják a CO2 terjedését a légkörben. Az inverz módszer ez

27

esetben azt jelenti, hogy a légköri koncentráció ismeretében a forrásokra és azok térbeli

eloszlására következtetünk vissza (más szavakkal, a kérdés az, hogy a felszíni források

milyen mintázata alakíthatja ki a légköri CO2 koncentrációban megvalósult ismert

eltéréseket). Mivel a bioszférikus CO2 forgalom nagy skálán nehezen mérhető mennyiség,

így az inverz módszerek alkalmazása segíthet a CO2 forgalomra vonatkozó becsléseink

megszorításában. A légköri koncentráció megfigyeléseket szolgáltató mérőhelyek eloszlása a

földfelszínen nem egyenletes. Az óceáni mérőhelyek gyakoribbak, abból a gyakorlati

megfontolásból, miszerint a szárazföldnek az áramlásokat illetve a légköri CO2

koncentrációt befolyásoló hatásától távolabb már kizárólag a nagyskálájú áramlások

alakítják a koncentrációt, így a mérések reprezentativitása nagyobb lesz (Ciais et al., 2010b).

Légköri koncentráció mérőállomásokból áll például a NOAA ESRL23 hálózata, melynek

Hegyhátsál közelében magyarországi tagja is van (Haszpra, 1999). Az inverz módszert

sokféle skálán alkalmazzák szennyezőanyagok forrásának meghatározására, például hosszú

tartózkodási idejű gázok nyelőinek és forrásainak globális szinten való meghatározására is

(pl. CO2 − Enting et al., 1995; Bousquet et al., 2000; Rödenbeck et al., 2003; CH4 − Hein et

al., 1997; Houweling et al., 1999; CO − Petron et al., 2002; Arellano et al., 2006). A CO2

globális inverz modellezéshez a fluxusokról egy a priori feltételezéssel kell rendelkezni. Az

antropogén eredetű kibocsátások nemzeti szinten általában elég pontosak, azonban

szektoriális és földrajzi értelemben eloszlásuk sokkal bizonytalanabb (Ciais et al., 2010b).

Összességében a légköri inverz modellekkel származtatott becslések nagy térségekre

reprezentatívak, ugyanakkor bizonytalanságuk is nagy (~ 50%-os nagyságrendű (Schulze et

al., 2009)).

A felszín-légkör közötti CO2 forgalom alulről felfelé megközelítéssel történő meghatározására

gyakran alkalmazzák a biogeokémiai modelleket, vagy ökoszisztéma modelleket. Ezek a

folyamatorientált modellek képesek a szénforgalom leírására az egyes tározók között, a

kormányzó folyamatok modellezésével. Számos modell létezik a részfolyamatok és a

kapcsolódó folyamatok (például nitrogénciklus, tápanyagforgalom, növényfenológia)

részletesebb vagy kevésbé részéletes leírásával (Hidy, 2010). A modellek megalkotásához,

kiértékeléséhez, és a modelleredmények verifikációjához széles körben használatosak az

eddy-kovarancia mérésekből származó adatok is (Hidy et al., 2012).

Mint azt fentebb már láthattuk, az in situ mérések és a matematikai modellezés mellett

kiegészítő adatként, megszorításként használják az űrbázisú távérzékelést. A felszíni

mérések és matematikai modellezés, amint az látható, már megtalálható a hazai

23 National Oceanic and Atmospheric Administration - Earth System Laboratory

28

szénmérleggel kapcsolatos kutatások eszköztárában (Hidy et al., 2012; Barcza et al., 2003,

Haszpra et al., 2001). Az első hazai szénmérleg becslések is elkészültek ezen információk

felhasználásával (Barcza et al., 2010). Az űrbázisú megfigyelésekkel az előbbi két módszert

azonban eddig nem egészítették ki. Doktori munkámban ezért a műholdas távérzékelés

egyes szénmérleg-komponensek meghatározásában való felhasználhatóságát kívánom

megvizsgálni.

29

3. Adatok és módszerek

A dolgozatban a mezőgazdasági művelés alatt álló területek (szántóföldek) szén-dioxid

felvételének becsléséhez egy adat-orientált modellt, valamint műholdas távérzékeléssel

gyűjtött adatokat, illetve felszíni méréseket használtunk fel. A távérzékelt adatok, valamint a

felszíni mérések feldolgozásához kiegészítő meteorológiai adatok és felszínborítottsági

információk is szükségesek. Az alábbiakban áttekintjük a modellt, a felhasznált adatokat, és

az adatok feldolgozásának módszertanát érintő legfontosabb információkat.

3.1. A felhasznált modell bemutatása

3.1.1. A távérzékelés alapú MOD17 produktum illetve MOD17 GPP modell

A MOD17 'Net Photosynthesis and Gross Primary Production' produktum a MODIS adatokból

előállított, magas feldolgozottsági szintű termék (Running et al., 1999), amely 8 napos

időbeli és 1 km-es térbeli felbontással, globális lefedettséggel jellemezhető. Az adatokat a

NASA24 és az UMT NTSG25 együttműködésében fejlesztik és állítják elő rutinszerűen, azok

több forrásból is szabadon illetve regisztráció ellenében elérhetők a kutatók számára. A

teljes produktum napi szintű GPP és nettó fotoszintézis (GPP-önfenntartó respiráció;

MOD17A2) valamint éves szinten GPP és NPP (MOD17A3) adatokat biztosít. Mivel az

NPP validációja igen bonyolult (további feltételezéseket és komplex modellbecsléseket

tartalmaz), továbbá a modell egyszerű volta további hibalehetőséget rejt magában, ezért mi

csak a napi szintű GPP modellel foglalkozunk, melynek eredményei 8 napra átlagolva adják

a MOD17 produktum adatait. Az A2 produktum előállításához egy egyszerű adat-orientált

modellt, egy ún. „fényhasznosulási-hatékonyság” (LUE26; Monteith 1972, 1977)

koncepción alapuló modellt (a továbbiakban a „MOD17 GPP modell”) használnak,

melyhez bemenő adatokként MODIS produktumok, valamint kiegészítő meteorológiai

adatok szükségesek. A meteorológiai adatokat hagyományosan a NASA GMAO27 reanalízis

mezőiből (DAO, 2002) származtatják, a globálsugárzás (Rg, MJ m−2 nap−1), a minimum

hőmérséklet (Tmin, °C), és a telítési hiány (VPD, Pa) paraméterekre (Zhao et al., 2005). A

modell ezért igen könnyen adaptálható és módosítható, hiszen a bemenő adatok bárki

számára elérhetők. Munkámban így az eredeti MOD17 produktum vizsgálata mellett saját

24 National Aeronautics and Space Administration 25 Numerical Terradynamic Simulation Group, University of Montana a MOD17 produktum vezető kutató csoportja 26 Light Use Efficiency 27 Global Modeling and Assimilation Office korábban DAO Data Assimilation Office

30

modellfuttatásokat is végezhettem a GPP becslések pontosítása érdekében (a dolgozatban

ezt hívom MOD17 GPP modellnek; a MOD17 produktum is természetesen a MOD17

GPP modell segítségével készül). A modelleredményeket felszíni EK mérőtornyok

adataiból származtatott GPP eredményekkel vetettük össze. A mérésekről részletesebben a

3.2. fejezetben lesz szó.

A MOD17 GPP modell koncepciója szerint a növényi GPP megadható a növény számára

ideális körülmények között elérhető maximális fényhasznosulási hatékonyság (εmax) és a

növény által elnyelt fotoszintetikusan aktív sugárzás szorzataként, figyelembe véve ezen

körülmények ideálistól való eltérését (3.1 egyenlet).

GPP FPAR IPAR ε= ⋅ ⋅ (3.1)

ahol IPAR 0, 45 Rg= ⋅ , ε pedig az aktuális fényhasznosulási hatékonyság.

Ez a gyakorlatban az adott növénykategóriára jellemző εmax paraméter meteorológiai

paraméterekből kiszámítható stresszfaktorokkal való csökkentését (limitálását) jelenti (3.2

egyenlet). A MOD17 GPP modell a hőmérséklet és a nedvesség okozta esetleges

stresszhatást a napi minimumhőmérséklet (Tmin) és vízgőz telítési hiány (VPD)

paramétereken keresztül veszi figyelembe. A stresszfüggvények egyszerű lineáris

függvények, melyek értéke ideális körülmények között 1, a legkevésbé ideális körülmények

között 0 (3.3, 3.4 egyenletek, 3.1. ábra).

max min_ akt aktT VPDε ε= ⋅ ⋅ (3.2)

MAX

MINakt

MAXMAX MIN MIN

MIN

0 ,

11 ,( )( )

1 ,

VPD VPD

VPD VPDVPD

VPDVPD VPD VPD VPD

VPD VPD

≤

≤= − ≤− − ≤

(3.3)

min min_MIN

min _akt min_MAX min min_MAXmin_MAX min_MIN min min_MIN

min_MAX min

0 , ha

11 , ha( )( )

1 , ha

T T

T T T TT T T T

T T

≤

= − ≤ ≤ − −

≤

(3.4)

31

ahol εmax, Tmin_MIN, Tmin_MAX, VPDMAX és VPDMAX a modellparaméterek, Tmin, VPD a

meteorológiai változók aktuális napi értékei; ε, VPDakt és Tmin_akt pedig az adott napra

meghatározott aktuális stresszfüggvény értékek. A VPD és Tmin esetén alkalmazott

stresszfüggvényeket az 3.1. ábra szemlélteti.

3.1. ábra. A MOD17 GPP modellben alkalmazott hőmérséklet és nedvesség stresszfüggvények alakja.

Az öt modellparaméteren keresztül különül el az egyes biomok (ún. Plant Functional Types -

PFT-k) által végzett fotoszintézis környezeti tényezőkre adott válasza (3.1. táblázat).

Ezeknek a paramétereknek a pontos értékei egy ún. BPLUT-táblázatba (Biome Properties

Look-up Table) foglalva érhetők el a modell számára minden egyes PFT-re. Fontos

tulajdonsága a modellnek, hogy minden PFT-t egyetlen paraméterkészlet jellemez, vagyis

globálisan, földrajzi elhelyezkedésüktől függetlenül jellemzi az egyes ökoszisztémákat leíró

jelleggel legfontosabb tulajdonságaik alapján (pl. fás szárú/lágyszárú,

lombhullató/örökzöld, stb.)

A modellparaméterek minden PFT esetén egy adott értéket vesznek fel, melyet paraméter-

optimalizálással állapítottak meg. Az optimalizáláshoz használt mérési adatok EK

méréseket, biomassza méréseket, és modelleredményeket is magukban foglaltak (pl. Turner

et al., 2006). A modellben használt PFT-k a MODIS felszínborítottsági produktumával

(MOD12) megegyező kategóriákat fedik le (3.1. táblázat).

A MOD17 GPP modell 11 növénykategóriát képes megkülönböztetni. A különböző

növénykategóriák (biomok) földrajzi elhelyezkedéséről (a MODIS produktumok 1×1 km-

es rácsán) a MOD12 felszínborítottsági produktum nyújt információt (Strahler et al., 1999),

ami szintén egy hivatalos MODIS produktum.

32

3.1. táblázat. A MOD17 GPP modellben használt felszínborítottsági kategóriák a mezőgazdasági

növénykategóriára.

PFT szám Leírás

0 Víz

1 Örökzöld tűlevelű erdő

2 Keménylombú erdő

3 Lombhullató tűlevelű erdő

4 Lombhullató erdő

5 Vegyes erdő

6 Zárt cserjés

7 Nyitott cserjés

8 Fás szavanna

9 Szavanna

10 Gyep

12 Szántóföld/mezőgazdasági terület

13 Városi vagy beépített terület

16 Csupasz terület vagy gyér vegetáció

254 Besorolatlan

255 Hiányzó adatsor

Fontos megjegyezni, hogy növénykategóriánként egyetlen modellparaméter-szett létezik,

vagyis a modell az adott PFT-t globálisan jellemzi, földrajzi elhelyezkedéstől függetlenül.

Szükség van még az elnyelt fotoszintetikusan aktív sugárzás arányára is (FPAR28), melyet

egy másik hivatalos MODIS produktum, a Leaf Area Index & FPAR (MOD15; Knyazikhin

et al., 1999) produktum szolgáltat a MOD17 GPP modellnek. A modell folyamatábrája a

3.2. ábrán látható.

3.2. ábra. A MOD17 GPP modell folyamatábrája.

28 Fraction of absorbed Photosynthetically Active Radiation

33

3.1.2. A MOD17 GPP modell adaptálása

A modell kalibrációjához, és a validáció rugalmassá tételéhez elvégeztük a modell

adaptálását, vagyis egy saját verziót hoztunk létre mely a GPP számításokat a megadott

bemenő adatokból képes elvégezni a hivatalos produktuméval megegyező módon és

felbontással.

A meteorológiai adatokat a NASA DAO/GMAO adatbázisából származtattuk a hivatalos

produktum szimulálásához. A MOD15 FPAR/LAI produktum és a MOD12

felszínborítottsági produktumok (lásd 2.1. táblázat) szolgáltak távérzékelés alapú bemenő

adatként a MOD17 GPP modell adaptációjához. A modellparaméterek értéke a Collection

5.1 verziójú adatsornak megfelelően lett beállítva (3.2. táblázat).

3.2. táblázat. A MOD17 GPP modellben használt BPLUT 5.1 paraméterértékek.

Paraméter Érték

εmax (kg C MJ−1) 0,001205

Tmin_MAX (°C) 12,02

Tmin_MIN (°C) −8,00

VPDMAX (Pa) 4500

VPDMIN (Pa) 650

3.2. A felhasznált felszíni szénmérleg-komponens mérések és feldolgozásuk

A távérzékelt adatok mellett a felszíni mérések a dolgozat fontos részét képezik. A munka

során az EK mérések feldolgozását és egységesítését is elvégeztem, olyan GPP adatsort

előállítva, mellyel a távérzékelt adatok is összevethetők.

Az EK rendszer közvetlenül a légkör és az ökológiai rendszer közötti nettó szén-dioxid

kicserélődést (NEE) méri. A nettó ökoszisztéma kicserélődést a (3.5) egyenletben szereplő

fluxusok befolyásolják

s s s sNEE EC VA HA STOF F F F= + + + . (3.5)

Az első tag a turbulens keveredés következményeként fellépő anyagáram, a második és

harmadik tag rendre a vertikális és horizontális advekcióval történő anyagtranszportot írja

le, a negyedik tag az ún. tározási tag, mely a mérési szint alatt összegyűlő anyagmennyiséget

írja le. Az EK rendszer a turbulens fluxusokat méri. A tározási tag az az anyagmennyiség-

változás, ami nem szállítódik a turbulens transzporttal, hanem felgyűlik a mérési szint alatt

34

(vagy kiürül). Az advekciós tag azt az anyagáramot adja meg amelyet nem szállít turbulens

keveredés, de nem is gyűlik fel a mérési szint alatt. Ez a tag domborzattól és időjárási

körülményektől függően jelentős is lehet, például egy lejtős helyszínen, ahol jelentős a

lejtőirányú anyagáram. Ezeket a fluxusokat igen nehéz becsülni, noha - főleg stabil,

kismértékű turbulenciával jellemezhető légrétegződés esetén - mértékük jelentős is lehet.

Ennek ellenére értékükkel a mért turbulens áramokat korrigálni kell, hogy a valós nettó

ökoszisztéma kicserélődést megkapjuk. A tározási tagot a mérési szint alatt több szintben

végzett koncentrációmérésekből lehet becsülni. Az advekciós tagot sík területen felállított

mérőhelyek esetén gyakran elhanyagolják.

A GPP értéke közvetlenül nem mérhető paraméter, nagyobb térskálán egyszerű

módszerekkel az NEE mérésekből az aktuális meteorológiai paraméterek ismeretében jól

becsülhető (Reichstein et al., 2005, Gilmanov et al., 2003a). Az eljárás során természetesen

az NEE adatokban, mint minden mérési adatsorban jelen levő adathiányok pótlását el kell

végezni (ez az ún. gap-filling, vagyis adathiány-pótló eljárás, ami egyfajta modellalkotás),

mielőtt az NEE értékeket komponensekre (GPP és Reco) bontanánk. Ez utóbbi eljárást

fluxus-particionálásnak nevezik. A két egymást követő eljárás megnevezésére gyakran

használják a GF/FP megjelölést (gap-filling/flux partitioning) a továbbiakban ezt a jelölést

fogjuk alkalmazni.

Ahhoz, hogy az EK mérésekből származó adatokat helyesen tudjuk értelmezni, kiemelt

fontosságú a méréseket befolyásoló forrásterület megállapítása, különösen heterogén

felszínborítottság esetén (Horst és Weil, 1992; Schmid, 1994; Wang et al., 2006; Chen et al.,

2009; Emanuel et al., 2011). A lehetséges forrásterület kiterjedése különböző

megfontolásokból is fontos. Amint azt már az irodalmi áttekintés során is bemutattuk,

minél alacsonyabb a torony, a kisebb forrásterület miatt annál valószínűbb, hogy az egy

adott homogén felszínborítottságú foltot fog lefedni, így a mérések minden időpontban

egyetlen vegetációtípusra lesznek érvényesek. Mezőgazdasági illetve gyepterületek felett

folytatott mérések esetén ez jelenthet például egy 2 m magasan elhelyezett tornyot egy pár

száz méter széles parcella uralkodó szélirány szempontjából leginkább megfelelő részén. Ez

azonban a valódi térbeli alkalmazásokat megnehezíti, így elterjedt (korlátozottabb számban

ugyan) az ún. magas EK tornyok telepítése, mely nagyobb térbeli reprezentativitású

méréseket biztosít a környező táj egyéb komponenseit is beleértve. Mivel azonban az

aktuális forrásterület a légköri paramétereknek megfelelően folyamatosan változik, így a

mért adatok értelmezése sokkal nagyobb kihívást jelent, hiszen egy heterogén tájkép esetén

35

előfordulhat, hogy minden egymást követő mérés más és más növényzetre lesz

reprezentatív.

Megjegyzendő ugyanakkor, hogy a torony magasságát célszerű nem a talajfelszínhez, sokkal

inkább a vegetáció magasságához képest meghatározni, így egy erdőterület CO2 forgalmát

monitorozó 50 m magas EK torony 40 m magas faállomány esetén ezen definíció szerint

alacsonynak, míg egy alacsony vegetáció (pl. gyep, szántóföld) felett elhelyezett 30 m magas

torony magas toronynak számít.

Dolgozatomban magas és alacsony EK tornyok adatait is felhasználom, hogy a vizsgálat

minél teljesebb körű legyen. Előbbit azért, mert térbeli reprezentativitása (footprint

kiterjedése) közelebb áll a MODIS 1 km-es felbontásához, míg a másik adatsorral az

eredményeink globális (vagy legalábbis nagyobb területre jellemző) érvényességét kívántuk

biztosítani. Az alábbiakban a felszíni EK mérőhelyeket szeretném bemutatni.

3.2.1. Magyarországi mérések

EK mérések vegyes mezőgazdasági terület felett (3.3. ábra) 1997 áprilisa óta folynak a

nyugat-magyarországi Hegyhátsál község közelében (46°57'21''N, 16°39'08''E 248 m tszf,

Haszpra et al., 2001; Barcza, 2002).

3.3. ábra. A hegyhátsáli mérőtorony (balra), és a környező terület felszínborítottsága műholdfelvétel

(felül) és a CORINE2000 adatbázis (lent) alapján (részletekért lásd Barcza et al. (2009a) tanulmányát).

A térségben őszi (jellemzően őszi búza, de rozs, repce is előfordul bizonyos években) és

tavaszi vetésű gabonákat (jellemzően kukorica illetve napraforgó) egyaránt termesztenek a

36

gazdák29. A talajtípus agyagbemosódásos barna erdőtalaj (WRB besorolás szerint Haplic

Cambisol), a talajtextúra vályog/agyagos vályog. A mintaterület a birtokszerkezet

tekintetében (Oros, 2002) az ország mezőgazdasági művelésbe vont területeire

reprezentatívnak vehető, az egyedi tulajdonosokhoz tartozó földterület méretét és a

termesztett növényfajtákat tekintve. Ezért a kutatás eredményeként a későbbiekben

pontosíthatók az ország egyéb tájaira adott szén-dioxid forgalom becslések is. A CO2 fluxus

mérése mellett a főbb meteorológiai paraméterek és talajnedvesség mérések is történnek a

torony közvetlen közelében. A régiót jellemző éghajlati adatok az 3.3. táblázatban

találhatók.

3.3. táblázat. A hegyhátsáli régió éghajlati jellemzői. A táblázatban a fotoszintetikusan aktív foton

fluxussűrűség (PPFD) vegetációs periódusra és teljes évre vonatkozó összege valamint az átlagos nappali

telítési hiány (VPD) értékei a Hegyhátsálon mért meteorológiai adatokból származnak. A léghőmérséklet,

és a csapadék adatok a 2001-2006-os időszakra a közeli (~ 17 km-re levő) Rábagyarmat klímaállomásről,

az 1981-2010 közötti időszak átlaga pedig a Farkasfai regionális meteorológiai állomásról származnak

(~ 26 km távolságra Hegyhátsáltól). A vegetációs perióus a március eleje és október vége közötti

időszakot jelenti.

1981-2010 2001 2002 2003 2004 2005 2006

vegetációs periódus 13,8 15,4 15,1 15,3 13,9 14,1 14,8 Évi átlaghőmérséklet

(°C) teljes év 9,5 10,7 11,3 10,6 9,8 9,6 10,3 vegetációs periódus 588 466 469 381 564 595 604 Éves

csapadékösszeg (mm) teljes év 762 550 598 487 705 801 738

vegetációs periódus n.a. 7611 7359 8020 7086 7540 7261 PPFD összeg

(mol m−2) teljes év n.a. 8530 8120 9047 7931 8494 8258 vegetációs periódus n.a. 0,761 0,801 1,045 0,664 0,704 0,670Átlagos nappali

VPD (kPa) teljes év n.a. 0,510 0,608 0,774 0,521 0,541 0,451

Az eddy-kovariancia rendszert 82 m-es magasságba telepítették, így a környező vegyes

mezőgazdasági terület nagyobb részéről gyűjthetünk információt. A torony magassága

azonban a nagyobb térbeli reprezentativitása az előnyök mellett azonban problémákat is vet

fel, a bevezetőben már említett okok miatt. Magas tornyos mérések, és heterogén táj esetén

29 Mivel a területen nem államilag fenntartott gazdálkodás folyik, így a termesztett növényfajtákra és alkalmazott agrotechnikai eljárásokra vonatkozóan részleges információhiány áll fenn. A pontos nyilvántartás hiányában ugyanis a jobban vagy kevésbé együttműködő gazdák információjára vagyunk kénytelenek hagyatkozni. Ez utóbbi információ a dolgozatban tárgyalt távérzékelési problémakör szempontjából azonban nem annyira kulcsfontosságú, hogy az ismerethiány az eredményeket befolyásolhatná.

37

a forrásterület változása miatt előfordulhat, hogy egészen más jellegű területről érkezik

információ egymást követő órákban, mely megnehezíti az idősorok értelmezését (Barcza et

al., 2009a) Különösen fontos ez agroökoszisztémák esetén, ahol a gazdálkodás térben jól

lokalizálhatóan ugyan, de fenológiai fázisaikban élesen eltérő rendszereket hozhat létre egy

viszonylag kis kiterjedésű térségben is. Mivel a vizsgált területen őszi és tavaszi vetésű

növényeket is termesztenek, így két eltérő tenyészidőszakú növényzet, valamint a parlagon

hagyott területek mozaikjából származó CO2 fluxus jelentkezik a mért EK adatokban.

A torony reprezentativitása a légköri körülmények (stabilitás, szélirány, stb.) változásának

megfelelően jellegzetes napi változékonyságot is mutat. Stabil légrétegződés esetén (vagyis

jellemzően éjszaka) a CO2 fluxus forrásterülete a toronytól általában távolabb, míg nappali,

labilis rétegződés esetén a toronyhoz közelebb helyezkedik el. Esetenként, alacsony szintű

hőmérsékleti inverzió kialakulásakor például, az EK mérőrendszer a felszíni határréteg fölé

kerülve akár teljesen elzáródva a felszíni fluxusoktól (Haszpra et al., 2005).

A fenti problémák kezelése, vagyis az EK mérések reprezentativitásának minél jobb

figyelembe vétele különösen fontos ebben az esetben, amikor modellvalidációhoz

szeretnénk felhasználni az EK rendszer által mért adatokat.

A magyarországi magas tornyos mérések eredményeit dolgozatomban a MOD17 GPP

modell validációjához használom fel. Az adatokkal való összevetés - a megfelelő

módszereket alkalmazva - képet adhat a MOD17 GPP modell használhatóságáról

heterogén felszínborítottságú táj esetén. Az ilyen jellegű vizsgálatok újnak számítanak a

tudomány jelenlegi állása szerint.

3.2.1.1. A torony reprezentativitásának jellemzése

A hegyhátsáli magas EK mérőtorony igen értékes, ugyanakkor összetett adatokat biztosít a

tornyot körülvevő vegyes mezőgazdasági területről. Ahhoz, hogy a mérési adatokból

tudományos következtetéseket vonhassunk le, fontos megérteni a mérést befolyásoló

tényezők összhatását, mely meghatározza az adatok érvényességének és

felhasználhatóságának elvi határait.

A hegyhátsáli magas EK mérőtorony térbeli reprezentativitását korszerű módszerekkel

részletesen vizsgálta Barcza et al. (2009a). A tanulmányban a mért NEE adatok

szétválasztásával gabonaspecifikus adatsorokat hoztak létre. Doktori munkámban a közölt

módszereket és adatokat alkalmaztam a torony reprezentativitásának jellemzésére és a

gabonaspecifikus GPP adatsorok előállítására. Munkájuk alapját képezi a doktori

munkámban elvégzett dinamikus GPP validációnak. Az alábbiakban egy rövid leírás

38

található az alkalmazott módszerekről, melyek részletesen megtalálhatóak Barcza et al.

(2009a) munkájában.

1) A footprint meghatározása. A vertikális CO2 fluxus forrásterülete egy ún. footprint (vagy

más szóval forrásterület) modell segítségével határozható meg (Schmid, 1994, Schmid és

Oke (1990),Göckede et al., 2004, Foken és Leclerc, 2004). A torony footprintjének

hosszútávú elemzése (footprint klimatológia) Kljun et al., (2002, 2004) által feljelsztett

footprint modell alapján történt. Az eredmények azt mutatták, hogy a hegyhátsáli EK

rendszer által érzékelt CO2 fluxushoz leginkább a tornyot körülvevő mezőgazdasági

területek járulnak hozzá, a területen jelen levő egyéb felszínborítottságú foltok

hozzájárulása elenyésző volt. Ez alapján elmondható, hogy a hegyhátsáli EK mérések

reprezentatívak a környező vegyes mezőgazdasági területre (3.4. ábra).

3.4. ábra. A hegyhátsáli EK mérőtorony környezete műholdfelvétel alapján (balra) és a torony footprint

klimatológiája (jobbra). A footprint adatok a 2007-es évből származnak, de minden évre érvényes

minázatot rajzolnak ki.

2) Gabonatípusok elkülönítése. A vizsgált területre tavaszi (főként C4-es fotoszintetikus

típusba sorolható kukorica) és őszi vetésű (főként C3 típusú búza) gabonafajták

termesztése jellemző. Ezek elkülönítése az adott növénytípust jellemző éves NDVI menet

alapján történik (3.1 fejezet). Az előállított simított NDVI idősorokat a tavaszi és őszi

vetésű gabonák jellegzetes fenológiai jegyei alapján vizsgálták meg (Barcza et al., 2009a). Az

adott pixelbe eső növénytípusok arányát ezen tipikus NDVI görbék lineáris

kombinációjaként becsülték egyszerű globális optimalizációs módszerrel. A kapott

információk alapján egy a 250 m felbontású NDVI rácsra értelmezett gabonatípus eloszlási

térkép készült a torony környékéről minden egyes mérési évre külön-külön.

39

3) Gabonaspecifikus NEE. A mérések megértésében fontos lépés a mért fluxus egyes

növénytípusokhoz való hozzárendelése. Az adott órában mért fluxus a footprint helyzetének

és a gabonatípusok térbeli eloszlásának ismeretében az egyes növénytípusokhoz rendelhető.

Így lehetővé válik a mért NEE idősor gabonaspecifikus komponensekre történő

szétválasztása (Barcza et al., 2009a).

3.2.2. A nemzetközi FLUXNET mérőhálózat adatai

A doktori értekezés egyik legfontosabb célja a MOD17 GPP modell mezőgazdasági

területekre adott GPP becsléseinek vizsgálata, javítása. Ezenfelül az agroökoszisztémák

sokféleségére tekintettel szükségesnek látjuk az egyetlen mezőgazdasági növénykategória

finomítását legalább kétféle növénytípus bevezetésével. A MOD17 GPP modell

kalibrációjának tervezésekor szem előtt kell tartanunk, hogy egy globális produktumról van

szó, vagyis kerülnünk kell a túlzottan helyszínspecifikus megoldásokat. Eredményeink

nehezen reprodukálhatók és hasznosíthatók, ha mindössze az egyetlen magyarországi EK

helyszín adataira érvényesek. Ugyanakkor ennél a toronynál célszerű figyelembe venni a

footprint és a heterogén felszínborítottság okozta problémákat is. Ezért több, a FLUXNET

hálózatba regisztrált helyszínt választottunk ki tanulmányunkhoz. A kiválasztásakor az

alábbi szempontokat vettük figyelembe:

• alacsony tornyokat kerestem: a torony magassága kisebb legyen, mint 20 m,

• homogén szántó, monokultúra vagy rotáció legyen jellemző a mérőhelyre,

• minél több földrajzi helyszín legyen reprezentálva: AmeriFlux és EuroFlux

helyszínek egyaránt szerepeljenek,

• a szélsőséges klímájú helyszínek kizárása ugyancsak fontos szempont.

Ezeken túlmenően, mivel számunkra a potenciális magyarországi alkalmazás prioritást

élvez, saját gyakorlati szempontjaink figyelembe vételével a Magyarországon, és így

Hegyhátsál környékén is népszerű növénytípusok felett végzett méréseket részesítettük

előnyben. A mérőhelyeket éghajlati jellemzőik alapján is szűrtük: kizárólag mérsékelt

éghajlati övben elhelyezkedő állomásokat válogattunk ki, hegyi állomások nélkül. Másik

célunknak, a MOD17 becsléseknek a hazai szénforgalom meghatározásában való minél

hatékonyabb felhasználásával összhangban a szélsőséges éghajlatú helyszíneket, illetve

magashegyi helyszíneket kizártuk a vizsgálatból. Így egy nagyobb térségre − döntően

mérsékelt övi szárazföldi területekre, ahol a mezőgazdasági tevékenység is a legintenzívebb

− érvényes eredményt kaphatunk. A kiválasztott helyszínek adatait a 3.4. táblázat (és a 3.5.

ábra) tartalmazza.

40

3.4.

tábl

ázat

. A k

utat

ás so

rán

felh

aszn

ált n

emze

tköz

i EK

állo

más

ok tu

lajd

onsá

gai.

Hel

yszí

n né

v O

rszá

g

AM

R S

GP

mai

n U

SA

Bea

no 1

O

lasz

orsz

ág

Bor

go C

ioff

i O

lasz

orsz

ág

Ferm

i A

gric

ultu

ral

USA

Geb

esee

N

émet

orsz

ág L

ange

rak

Hol

land

ia

Lut

jew

ad

Hol

land

ia

Oen

sing

enSv

ájc

Mea

d 1

USA

M

ead

2 U

SA

Mea

d 3

USA

Ros

emou

ntG

21

USA

Ros

emou

nt

G19

U

SA

Hel

yszí

n az

onos

ító

US-

AR

M

IT-B

e1

IT-B

ci

US-

IB1

DE-

Geb

N

L-La

n N

L-Lu

t C

H-O

en2

US-

Ne1

U

S-N

e2

US-

Ne3

U

S-R

o1

US-

Ro3

Föld

rajz

i ko

ordi

nátá

k 36

,6 N

97

,49

W

46,0

N

13,0

2 E

40,5

2 N

14

,96

E 41

,86

N

88,2

2 W

51

,1 N

10

,91

E 52

,0 N

4,

8 E

53,3

8 N

6,

36 E

47

,29

N

7,73

E

41,1

6 N

96

,48

W41

,15

N

96,4

7 W

41,1

8 N

96

,43

W44

,71

N

93,0

9 W

44

,72

N

93,0

9 W

Ten

gers

zint

fe

lett

i m

agas

ság

[m]

314

30

20

225

161,

5 −0

,7

1 45

2 36

1 36

2 36

3 25

9,7

259,

7

Mér

ési

mag

assá

g [m

] 2

2 1,

6 4,

05

3-6

3,95

2

1,38

-1,9

8 6

6 6

10

10

Mér

ési é

vek

szám

a 7

2 4

4 4

1 2

7 7

7 7

4 4

Ter

mes

ztet

tnö

vény

zet

búza

, ku

koric

a,

szój

a ku

koric

a ku

koric

a ku

koric

a,

szój

a re

pce,

árp

a,

búza

K

ukor

ica

búza

bú

za, á

rpa,

re

pce

kuko

rica

kuko

rica

szój

a ku

koric

a sz

ója

kuko

rica

szój

a ku

koric

a sz

ója

30 é

ves k

límaá

tlag

(CR

U 1

0' fe

lbon

tású

ada

tbáz

is a

lapj

án (N

ew e

t al.,

200

2))

Hőm

érsé

klet

[°

C]

15,0

13

,2

15,5

9,

2 8,

2 9,

6 8,

7 8,

7 10

,0

10,0

10

,1

7,0

7,0

Csa

padé

k [m

m]

828

1466

97

5 92

8 49

8 82

7 81

2 98

5 74

8 74

8 74

1 74

5 74

5

3.5. ábra. A nemzetközi mérőhálózat kiválasztott helyszíneinek földrajzi elhelyezkedése (piros keresztek)

és az ott termesztett növények.

A helyszínek általunk felhasznált adatai közvetlenül a vezető kutatóktól származnak, a

GF/FP eljárást magunk végeztük el, így biztosítva a különböző helyszínekről származó

adatok összevethetőségét.

Összesen 60 mérési évet használtunk fel a kutatáshoz. Az mérési évek földrajzi

elhelyezkedésüket tekintve nem egyenletes eloszlásúak: 40 mérési év az USA és 20 mérési

év Európa területéről áll rendelkezésre. Bizonyos éveket az analízisből ki kellett zárnunk,

például mert az extrém időjárási körülmények miatt az adott év nem volt reprezentatív a

növény fejlődésére (US-ARM), vagy a növényzet típusa miatt nem volt megfelelő (CH-

Oe2). A megmaradó 57 évből 27 C3-as fotoszintézis típusú növényről, míg 29 év C4-es

fotoszintézis típusú növényről ad információt (itt a fő vetés növénytípusát vettük alapul ha

többfajta növény is jellemző volt az adott évre). Az egyes vizsgált években termesztett

növényekről helyszínenként a 3.6. ábra nyújt információt.

A helyszíneken különböző típusú gazdálkodás folyik, az évi egy vetéstől (pl. Mead

helyszínek) egészen az évi 3 növény termesztéséig (pl. Borgo Cioffi) terjedő megoldásokat

találhatunk.

42

USRo1USRo3

USIB1USNe1USNe2USNe3

CHOen2DEGebITBCiITBe1NLLanNLLut

USARM

2002 2003 2004 2005 20102006 2007 2008 2009

búza kukorica szója burgonya repce rozs árpa cukorrépa borsó kapor perje, lucerna facélia

3.6. ábra. A helyszíneken vetett növények dátum szerint.

Európában a leginkább elterjedten termesztett gabonafajták a búza, a kukorica és az árpa

(3.7a. ábra). Az Eurostat által készített statisztika alapján a fenti helyszínek művelési módjai

tükrözik az európai mezőgazdasági területeken termesztett növényeket. Az USA

területének 18%-át hasznosítják gabonatermesztésre, valamint további 27%-át legelőként és

gyepként használják (Nickerson et al., 2011), a gabonatermesztésre használt területeken a

termesztett gabonák megoszlása a USGS felmérése alapján a 3.7b. ábrán látható (USGS,

1999).

.

3.7. ábra. Az EU és az USA területén termesztett gabonafajták és azok előfordulása. Forrás: Eurostat

(online adatkód: apro_cpp_crop), USDA (2011).

A MOD17 GPP modell validációja alacsony tornyok esetén több, különböző

felszínborítottságú helyszínen is megtörtént már, azonban mindeddig nem készült átfogó

vizsgálat mezőgazdasági helyszínek esetén. Az egyes mezőgazdasági helyszíneken mért

43

GPP adatokkal való összevetés rendszerint komolyabb eltéréseket mutatott ki, amiért

részben a térbeli reprezentativitás közötti különbséget okolták. A 3.8. ábrán az 1 km-es

MODIS pixel középpontja és az eddy kovariancia torony egymáshoz viszonyított távolsága

és elhelyezkedése látszik az egyes helyszínek esetén. A pixelközéppont 1 km-es körzetét is

jelöltük, hogy ez alapján vizuális benyomást kapjunk a MODIS és a toronymérések térbeli

reprezentativitása közötti eltérésekről. Pontos képet csak a footprint modell alkalmazásával

kaphatnánk, ami túlmutat céljainkon.

A következőkben bemutatom a vizsgált helyszíneket, hogy az eredmények értékelésében

ezen ismeretek segítségünkre lehessenek.

3.8. ábra. A kiválasztott helyszínek műholdfelvételei (Google Earth), a mérőtornyok (fehér négyzet

jelöléssel) és a legközelebbi 1 km-es MODIS pixel középpontja (sárga kör jelöléssel) valamint a két pont

távolsága.

44

1. Oensingen (CH-Oe2)

A svájci Oensingen helység közelében létesült mérőhely (47,286° É, 7,734° K 452 m tszfm)

helyi farmerek által művelt mezőgazdasági területet vizsgál. A helyszínen 1994 óta

alkalmazott, a térségben elterjedt művelési mód egy 4 évente ismétlődő gabonarotáció,

melyben repce vagy burgonyatermesztés folyik az első és árpa vagy búza a másik három

évben, melyből általában egy 8-12 éves teljes rotációs ciklus alakul ki. A művelés egyéb

vonatkozásaiban az IP-Suisse (Swiss Integrated Pest Management System;

http://www.ipsuisse.ch) ajánlásait követik. A helyszín éghajlati jellemzői az 3.4. táblázatban

láthatók. A talaj agyagos üledék (típusa Eutri-Stagnic Cambisol FAO osztályozás szerint;

Alaoui és Goetz, 2008). A talaj szervesanyag tartalma 28 g C kg−1 a feltalajban (0 - 0,25 m),

pH-ja 5,5. A talaj textúrája iszapos agyag, 43% agyagtartalommal, 47,5% vályog és 9,5%

homok tartalommal (Alaoui és Goetz, 2008). A teljes szervesanyag tartalom 128 t C ha−1

(0 - 70 cm). Jégeső miatt 2006-ban a burgonyát nem takarították be. Mivel főképp

gabonákra fókuszálva szeretnénk vizsgálatunkat elvégezni, a 2006 és 2010 éveket a növény

típusa miatt (burgonya, borsó) a vizsgálatból kizártuk.

2. Gebesee (DE-Geb)

Gebesee helyszín a németországi Türingiai fennsíkon helyezkedik el (51,1° É, 10,91° K,

161,5 m tszfm). A helyszín egy alacsony hegység lee oldalán fekszik, viszonylag alacsony

éves csapadékösszeggel (3.4. táblázat). Talajtípusa csernozjom (FAO), textúrája iszapos

agyagos vályog (30% agyag) szemcsés szerkezettel. A teljes szervesanyag tartalom

21 ± 1 gC kg−1 volt 2001-ben a 0 - 40 cm-es szintben (Anthoni et al., 2004) a teljes

széntartalom 60 cm mélységig 131,2 ± 14,2 tC ha−1. A helyszínt az 1990-es évekig intenzív

műveléssel gondozták, majd váltottak alternatív művelésre hogy az intezív művelés alatt

elvesztett szervesanyag-tartalmat helyreállítsák. A mélyszántást teljesen mellőzték, illetve

némely évben csökkentették, és a szervesanyagtartalom pótlására trágyázást alkalmaztak,

valamint a növényi maradványokat nem távolították el.

3. Borgo Cioffi (IT-BCi)

Az olaszországi Borgo Cioffi közelében létesült mezőgazdasági helyszín a Piana de Sele

folyami síkságon létesült, mely a Campania régió legnagyobb sík területe. A helyszínt a

második világháborút követően újra mezőgazdasági művelésbe vonták. 1998 és 2003 között

folyamatos volt a lucernatermesztés, amit kukorica monokultúra követett kapor

(2003/2004, 2005/2006, 2006/2007) vagy perje (2004/2005, 2007/2008) őszi vetéssel. A

45

nyáron a lucernát rendszeresen öntözték, a kukoricát alkalmanként. A homokos agyag talaj

karbonátos alapkőzettel rendelkezik, de a talaj legnagyobb része alluviális eredetű, a közeli

Sele folyótól származik. A fizikai talajféleség tekintetében az átlagos méreteloszlás 43:36:21

(agyag:homok:vályog), de térben nagyon változékony, így a talajtextúra az agyag és a

homokos agyag között változik. A talaj (típusa Calcic Kastanozem Skeletic; WRB, 2006)

szervesanyag tartalma 15 ± 5 g C kg−1 a felső 40 cm-es rétegben. A talajvíz mélysége akár

1 m is lehet telente, míg nyáron az 5 - 6 m mélységet is elérheti. A mélyebb rétegekből

származó vízutánpótlás a talajrespirációt nagyon befolyásolja.

4. Beano (IT-Be1)

Beanoban a mérések 2006 óta folynak melyek helyszínéül egy 13,3 ha területű

mezőgazdasági helyszínet választottak ÉK Olaszországban (46,000° É 13,017° K; Alberti et

al., 2010). A megelőző 30 évben öntözött kukoricatermesztés folyt, a talajművelés őszi

szántás volt 35 cm mélységben, valamint tavaszi talajelőkészítést végeztek 5 cm-es

mélységben vetés előtt. Az öntözés és trágyázás hatására általában magas termést értek el

(10-11 Mg ha−1 szárazanyag tartalom). A talaj felső 30 cm-es rétege a következő

tulajdonságokkal rendelkezik: teljes szerves széntartalom 48,4 ± 8,5 t C ha−1 teljes N

tartalom 4,2 ± 1,1 t N ha−1 talaj térfogattömeg 1,25 ± 0,15 g cm−3, szabadföldi vízkapacitás

23% v/v, hervadási pont 12% v/v, pH 7,1 ± 0,02.

5. Lutjewad és Langerak (NL-Lut és NL-Lan)

A holland helyszíneken jelenleg már nem folynak mérések.

Lutjewad (53,3833° É, 6,3667° K, 0 m tszfm) esetén a 2006-2007 időszakra érhetők el

fluxusmérések őszi búza vegetáció felett. A helyszín története alapján a gabonatermesztés

több, mint 30 éve folyik a területen. A talajművelés tárcsázást, és évente egyszeri 28 cm

mély szántást is magába foglal. A talajtípus Calcaric epigleyic Fluvisol (FAO, meszes

öntéstalaj a felső szintben (20 - 50cm) glejfoltokkal).

Langerak (52,0036° É, 4,8056° K −0,7 m tfszm) helyszínről mérések 2005 és 2006 évből

elérhetők egy agyagos talajon termesztett kukorica vegetáció fölött. A talaj szerves

széntartalma 5,7% A talajművelés hasonló a Lutjewad helyszínhez.

Öntözést egyik helyszínen sem végeznek.

46

7. US ARM

Az amerikai ARM mérőhely (36,6058° É, 97,4888° Ny, 312 m tszfm) egy komplex kísérleti

terület, műszerekkel változatosan felszerelt létesítmény az oklahomai Lamont közelében.

Az in-situ és távérzékelésű műszerekkel felszerelt SGP helyszín (Southern Great Plain) 143

ezer km2-es területen helyezkedik el, és a világ legnagyobb és legkomplexebb klímakutatási

mérőhelye. A teljes környező terület mezőgazdasági művelés alatt áll: 2001 és 2004 között

búzát termesztettek, majd 2005-től kezdődően kukoricára váltottak, melyet 2006-ben újra

búza, majd 2007-ban szója követett (3.6. ábra).

8. Batavia (Fermi Agricultural, US-IB1)

A mérőhely (41,8593° É, 88,2227° Ny, 220 m tszfm) egy helyreállított prérin elhelyezett

EK rendszerrel együtt a különböző felszínhasznosításnak a talaj-légkör-növény rendszer víz

és szénforgalmára gyakorolt hatását hivatott vizsgálni. A helyszín feltételezhetően több,

mint 100 éve mezőgazdasági művelés alatt áll, a legkorábbi ezzel kapcsolatos dokumentáció

egy 1952-ben készült fénykép. A térségben szója-kukorica rotáció jellemző, 2005-ben szóját

vetettek. A talajtextúra iszapos agyagos vályog feltalaj vályog altalaj felett.

Az adatok a North American Carbon Programot is kiszolgálják az USA közép-nyugati részén

elhelyezkedő szántók és helyreállított területek szénháztartásával kapcsolatos

információkkal.

9. Mead helyszínek (US-Ne1; US-Ne2; US-Ne3)

A Mead mezőgazdasági mérőhelyek a University of Nebraska Agricultural Research and

Development Center területén helyezkednek el, Mead város közelében. Mindhárom kísérlet

nagy kiterjedésű (49 - 65 ha) területeken lett kialakítva, mely elég nagy homogén területet

biztosít a szél felőli oldalon az eddy-kovariancia technika megfelelő alkalmazásához. A

három termőterület közül kettő körforgó öntözőrendszerrel öntözött (USNe1, 41,1651° É

96,4767° Ny, 361 m tszfm; USNe2 41,1649° É, 96,4701° Ny, 362 m tszfm), egy vízellátását

csupán a csapadék biztosítja (USNe3; 41,17967° É, 96,43965° Ny, 362 m tszfm). A három

mérőhely 1,6 km-en belül helyezkedik el egymáshoz képest. A kísérlet beállítása előtt az

öntözött helyszínek 10 éven át direktvetéssel művelt szója-kukorica rotációval működtek. A

nem öntözött helyszínen korábban változatos gabonafajtákat termesztettek, főképp búza,

szója, zab, és kukorica formájában szántással.

47

A helyszíneken található finom szemcséjű talajok talajtextúrája mindhárom helyszínen mély

iszapos agyagos vályog (Mollic Hapludalfs; Pachic Argialbolls; Vertic Argialbolls (USDA,

2010)).

A kísérlet 2001-es beállítása óta mindhárom helyszínen direktvetést alkalmaznak. A

mezőgazdasági gyakorlat az alkalmazott növényvédő és rágcsálóírtó szerek, öntözés, stb.

tekintetében a kukoricatermesztéshez előírt ún. helyes mezőgazdasági gyakorlatot követik.

Ennek jegyében, a termésben várható különbségek figyelembe vételével az állománysűrűség

kisebb volt a nem öntözött parcellán az öntözött parcellákhoz képest.

10. Rosemount helyszínek

Az amerikai Rosemount közelében kialakított mérőhelyek két különböző módon művelt

mezőgazdasági területet foglalnak magukban. A Rosemount G21 nevű helyszín (44,7143°

É, 93,0898° Ny, 295 m) hagyományos művelésű modell, míg a G19 helyszínen (44,7217° É,

93,0893° Ny, 295 m tszfm) alternatív művelésű szóját és kukoricát termesztenek

rotációban.

A G21 helyszín dokumentált története szerint a területet való letelepedés előtt a térség

vegetációja főképp C3 és C4 növényekből álló száraz préri volt. A búzatermesztés (C3)

1879-ben kezdődött. A kísérlet beállítása előtt 1998-2001 között kizárólag kukoricát

termesztettek minden évben. A szója-kukorica rotáció 2002 óta folyik.

Alternatív művelési móddal kezelt G19 területen sávos talajművelést és fedőnövényt

alkalmaznak.

A talajtextúra iszapos vályog (a talajtípus Hapludoll, USDA, 2010) egy szerves szénben

gazdag feltalajjal (2,6% átlagosan).

3.2.3. Az eddy kovariancia felszíni mérések feldolgozása

3.2.3.1. CO2 fluxusmérések adatpótlása és partícionálása

Számos eljárást fejlesztettek annak ki érdekében hogy megbízható NEE összegeket

származtassunk a hosszú távú mérések során időnként törvényszerűen előforduló

adathiányok pótlásával (Falge et al., 2011). Sok esetben ezeket az adatpótló eljárásokat

használják az NEE mérések GPP és ökoszisztéma szintű respiráció (Reco) komponensekre

való bontásához (partícionálásához) is, így a fejezetben együtt tárgyaljuk ezen módszereket.

Mivel a GPP validációja közvetlen mérésekkel a tudomány jelenlegi állása szerint nem

lehetséges, a GF/FP eljárások eredményei meglehetősen nagy bizonytalansággal terheltek.

48

Épp ezért fontos, hogy kellő figyelmet fordítsunk a GPP adatsor előállítására és a

bizonytalanságának becslésére.

Az adatpótló és partícionáló eljárások során az NEE mérések helyszínén mért környezeti

változók (tipikusan talaj-, vagy léghőmérséklet és PPFD vagy globálsugárzás) értékeit

vesszük figyelembe, vagyis az eljárás az NEE és ezen környezeti változók közötti

kapcsolaton alapulnak. A fluxus partícionálás egyik legelterjedtebb módszere éjszakai NEE

adatokból indul ki, az éjjel – fotoszintézis hiányában – fennálló Reco = NEE feltételezéssel

élve, majd nappalra extrapolálva a respirációt (Reichstein et al., 2005). Ez a módszer

azonban félrevezető eredményt adhat magas EK tornyok esetében alkalmazva, hiszen egy

100 m magasban elhelyezett EK műszeregyüttes esetén a nappali és éjjeli forrásterületek

között akkora különbség lehet, ami már komoly inkonzisztenciát okoz a respiráció

meghatározásában. Az éjszakai nyugodtabb légrétegződés esetén a forrásterület a nappalinál

sokkal nagyobb, így a nap folyamán különböző területekről nyújtanak információt a

mérések (Horst és Weil, 1992; Wang et al., 2006). Ez a probléma kiemelten fontos a GPP

vizsgálata esetén, hiszen az az éjszaka folyamán definíció szerint nulla. Az éjszakai footprint

vonatkoztatása a nappali időszakra így a GPP-t a többi szénmérleg-elemhez képest még

jobban befolyásolja. Ezenfelül, a nappali és éjszakai uralkodó szélirány is különböző lehet

(Barcza et al. 2003), ezért az antropogén források hozzájárulása is más lehet arányaiban a

mért fluxushoz. A fenti hatások különösen erőteljesek lehetnek heterogén

felszínborítottságú tájkép esetén.

Többféle GF/FP módszer alkalmazásával a fenti problémák részben kiküszöbölhetők, a

GPP bizonytalansága felmérhető, mely ugyancsak hasznos információ az ökoszisztéma

modellezés modell-paraméter becsléseiben (Hollinger és Richardson, 2005). Lasslop et al.

(2010) két módszert használtak fel a bizonytalanságot becslésére, és további módszerek

felhasználását javasolták.

Az ún. fény-válasz görbéken (Light Response Curve, LRC) alapuló modellekben nappali NEE

adatokat használunk az adatpótlás és a partícionálás során, ezért magas tornyos méréseknél

is alkalmazhatók.

Doktori munkámban négy módszert alkalmaztunk, melyek Stoy et al. (2006) és Lasslop et

al. (2010) munkájában is szerepelnek, és az illesztés során alkalmazott matematikai

függvények alapján nevezhetők el: (i) rövid távú exponenciális (Short Term Exponential, STE,

Reichstein et al., 2005); (ii) négyszögletes hiperbola (Rectangular Hyperbolic, RH); (iii)

nemnégyszögletes hiperbola (Non-rectangular hyperbolic, NRH, Gilmanov et al., 2003a); (iv)

RH + T + VPD (Lasslop et al., 2010). Stoy et al. (2006) az első három módszer közül az

49

NRH módszert találta a legpontosabbnak független becslésekkel összevetve, azonban a

vizsgálatot alacsony EC tornyokra végezte el, így a hegyhátsáli magas torony esetén nem

szorítkozhatunk kizárólag ennek a módszernek a használatára. Az RH és NRH módszerek

abban különböznek alapvetően az STE módszertől, hogy a nappali respirációt nem

éjszakai, hanem nappali NEE adatokból származtatja, elkerülve ezzel a footprint

változásának problémáit

Az STE módszer során az Reco meghatározása a talaj-vegetáció rendszer éjszakai

respirációjának (mely feltételezés szerint éjszaka az NEE-vel megegyező)

hőmérsékletfüggése alapján történik, a nappali időszakra extrapolálva azt, a nappali

hőmérsékleti értékek ismeretében (Lloyd és Taylor, 1994).

Az NEE adatsorban található adathiányok pótlása az éjjeli órákban a Lloyd and Taylor

függvény alapján, míg a nappali órákban empirikus NEE-fény (PPFD) összefüggés alapján

történik. Az összefüggést négyszögletes hiperbolával (RH) közelítjük (Haszpra et al. 2005):

( )= − +

+PPFDNEEPPFD d

a Rb

, (3.6)

ahol Rd az ordináta tengelymetszet, ami megadja a nappali átlagos Reco értéket, a az átlagos

fényhasznosulási hatáskeresztmetszet (a fényválasz görbe kezdeti meredeksége), b pedig a

maximális fotoszintézis. A nemlineáris regresszió változó szélességű ablakokkal

alkalmazható Reichstein et al. (2005) alapján. A környezeti változók adatpótlása a havi

átlagos napi menetek módszerével történt (mean diurnal variations, MDV; Falge et al., 2001)

A GPP és az Reco fényválasz görbe modell alapján is meghatározható, ahol a folyamat

nappali adatokra támaszkodik biztosítva ezzel a GPP adatok konzisztenciáját. Az RH és

NRH fény-válasz görbe alapú módszerek csak a görbe matematikai reprezentációjában

különböznek, így együtt tárgyalom őket. A kettő közötti különbség leginkább abban rejlik,

hogy az NRH módszerbe bevezetett extra paraméter miatt az illeszthető görbe szabadsági

foka eggyel megnő, így olyan helyzetekben is sikeresen illeszt görbéket amikor az RH

módszer arra nem képes. A 3.9. ábrán egy adott naphoz tartozó nappali (valós) NEE

adatokra illesztett RH és NRH görbéket illusztrálja. Az ábrán megfigyelhető az NEE-

PPFD kapcsolatban tapasztalható hiszterézis is. A délelőtti időszakban rendszerint

magasabb (negatívabb) NEE értékek fordulnak elő a délutáni megnövekedett hőmérséklet

és respiráció következtében (Gilmanov et al., 2010).

50

3.9. ábra. Fényválasz görbe (USRo3, 2006, 154. nap) illesztett RH és NRH görbékkel.

Mivel az EK módszer által termelt adatmennyiség feldolgozásához nagymértékben

automatizált eljárásokra van szükség, az alkalmanként előforduló illesztési hibák kiszűrésére

nincs mód, az adatok gondos szűrésével, és több módszer felhasználásával

minimalizálhatjuk hatásukat a végeredményben. Az RH modellben a korábban tárgyalt

egyenlet segítségével számítható ki a nappali átlagos Reco (Rd az (3.6) egyenletben) az NEE-

PPFD összefüggés alapján. Az NRH módszerben a következő formulával közelítjük a fény-

válasz görbét:

( )+ − + −= − +

2PPFD PPFD 4 PPFDNEE

2 d

a b a b abcR

c, (3.7)

ahol Rd, a és b paraméterek szemléletes jelentése megegyezik az (3.6) egyenletben

szereplőkkel, c pedig a görbületi paraméter. A görbeillesztéshez a Levenberg-Marquardt-féle

legkisebb négyzetek módszerét alkalmaztuk (Levenberg, 1944; Marquardt, 1963). A legtöbb

esetben az NRH függvény jobban illeszkedik a PPFD-NEE ponthalmazra, mint az RH

függvény (referenciákért lásd Gilmanov et al., 2003a).

A módszert az alább részletezett módon alkalmaztam.

1. lépés. Az NEE rövid távú változásainak követésére az LRC-ket napi szintű félórás

adatokra illesztjük nemlineáris regresszióval. Hogy fizikailag is realisztikus eredményeket

kapjunk, elfogadhatósági intervallumokat állítottunk fel az LRC paraméterekhez (Stoy et al.,

2006 alapján). Ez alapján a nem reális (vagyis az előre lefektetett határokon kívül eső)

51

eredményt adó regressziós eljárások eredményét elutasítjuk, és az eljárást adott napra

sikertelennek nyilvánítjuk. Ha az eljárás sikeres, az eredményt fiziológiailag helyesnek

fogadjuk el. A kapott görbe y tengely metszete megadja a vizsgált NEE adatokhoz tartozó

átlagos respiráció értéket. Amennyiben csak nappali NEE adatokat használunk, a nappali

átlagos Reco, ha teljes napi adatot akkor a napi átlagos Reco értéket kapjuk meg (T. Gilmanov,

személyes kommunikáció).

Minden sikeres regresszió esetén az Rd-t és egyéb függvény paramétereket tároljuk az NEE

adatpótláshoz.

2. lépés. Rd adatihányok pótlása azokon a napokon, amikor a regresszió sikertelen volt. Az

adatpótlás a sikeresen származtatott Rd és a vonatkozó hőmérsékleti értékek közötti

kapcsolaton alapul.

3. lépés. Az NEE adatpótlás az 1. lépésben származtatott LRC paraméterek alapján történik

napi szinten. Az LRC módszer eredeti felhasználása szerint a görbék alkalmazása napi

szinten ajánlott (Gilmanov et al., 2003a, Stoy et al., 2006). Rövidebb (maximum 2 egymást

követő mérési időpont) adathiány esetén lineáris interpolációval történik az adatpótlás.

Hosszabb adathiányok pótlása az LRC-k alapján történik, mért PPFD adatok

felhasználásával. Amennyiben adott napra nem áll rendelkezésre az első lépésben előállított

LRC paraméterkészlet, úgy a környező napok - melyeken sikeres volt az LRC illesztés -

átlagos LRC görbéi és mért PPFD alapján történik az adatpótlás. Amennyiben nincs adott

időpontban mért PPFD, úgy a megfelelő havi átlagos napi NEE menet alapján becsüljük az

NEE-t.

Az adatokat minőségük szempontjából kategóriákba soroltam. Három kategóriát állítottam

fel. Amennyiben adott napon a nappali adatoknak kevesebb, mint felét kellett pótolni, a

kód 0 lesz. Amennyiben a nappali adatok több, mint fele pótolt, úgy a kód 1-es lesz.

Amikor adott napra nincsen elérhető LRC (a regresszió sikertelen volt, vagy egyáltalán nem

volt mérési adat aznap) a kód 2-es lesz. Az adatpótlás után az NEE-t összegzem a nappali

időszakra.

4. lépés. Az Rd alapján számított nappali Reco és fent leírt módon meghatározott nappali

NEE összegek alapján meghatározom a GPP-t. (Mivel a GPP éjjel definíció szerint 0, így a

napi GPP összeget kapom meg.)

A szintén nappali adatokon alapuló RH + T + VPD módszer (Lasslop et al., 2010) a

Gilmanov et al. (2003b) által bemutatott egyenletet alkalmazza, mely az RH fényválasz

görbe mellett a respiráció hőmérséklet függését is figyelembe veszi ((3.8) egyenlet).

52

g0

g ref 0 air 0

1 1NEE expR

rb ER T T T Tαβ

α β

= + − + − − , (3.8)

ahol rb a Tref = 15°C referenciahőmérsékletre vonatkozó bázisrespiráció, α a

fényhasznosulási hatékonyság paraméter, E0 a hőmérséklet érzékenység paraméter, T0

paraméter értéke konstans, −46,02 °C Tair pedig a léghőmérséklet. Itt az eredeti modellben

rögzített értékű β paraméter a következő értékeket veheti fel VPD függvényében:

0 0 0

0 0

exp( ( - )),,

k VPD VPD VPD VPDVPD VPD

ββ

β β− >

= = <, (3.9)

ahol a k és VPD0 paraméterek értékét pedig optimalizációval határozták meg.

3.2.3.2. A mérési bizonytalanság becslése

Minden mérés bizonytalansággal, hibával terhelt. Leggyakrabban a mérés közvetett módon

történik (például a talaj elektromos tulajdonságai alapján származtatott talajnedvesség-

tartalom esetén) vagy a kívánt mennyiséget más mért változó alapján számíthatjuk ki.

Ezekben az esetekben az eredményül kapott változó bizonytalansághoz, a mérés

bizonytalanságához hozzájárulnak a köztes folyamatok, esetleges számításokból fakadó

bizonytalanságok is (vagyis figyelembe kell venni a hibaterjedést). A GPP jelenleg

közvetlenül nem mérhető mennyiség, azonban általános gyakorlat szerint az NEE

mérésekből származtatható meteorológiai kiegészítő adatok ismeretében. Annak ellenére,

hogy ez egyfajta modellalkotás, általánosan elfogadott a GPP adatokat mért adatnak

tekinteni. A fentiek alapján azonban ebben az esetben az EK mérés eredendő

bizonytalanságán felül a GPP származtató eljárás is hozzájárul a GPP adatok

bizonytalanságához. A mérések bizonytalansága fontos információt nyújt modellünk

kalibráláshoz és/vagy validálásához.

Esetünkben a négy különböző GF/FP eljárás eredményeinek átlagával számítjuk a

továbbiakban felhasznált napi léptékű GPP értékeket (Lasslop et al., 2010; Beer et al.,

2010). A GPP adatsor bizonytalanságát egyszerűen az egyes GF/FP eljárások

eredményeként kapott GPP intervallummal közelítettük: a GF/FP eljárások által nyújtott

legnagyobb és legkisebb GPP becslés közötti különbség felével jellemeztük (Beer et al.,

2010).

53

Nem foglalkoztunk explicit az EK mérési hibával, noha a két hibaforrás (a GF/FP eljárás

során okozott bizonytalanság, valamint a mérési hiba) kombinált meghatározása lenne

kívánatos, hogy a mérési adatsorunk bizonytalanságát és hibáját teljes mértékben

figyelembe tudjuk venni a modell paraméter becslések során (Lasslop et al., 2008). Ennek

figyelembe vételére gyakran alkalmazott eljárás Hollinger és Richardson (2005) alapján

egymáshoz időben közel álló, hasonló meteorológiai körülmények között készített mérések

összevetése (amennyiben nem állnak rendelkezésre mérések térben egymáshoz közel

elhelyezett, így elviekben azonos fluxust mérő két EK mérőrendszerből). Az ilyen ún.

"hasonló napok módszere" megközelítéshez azonban értelemszerűen hosszú, sokéves

adatsorok szükségesek a kellő mintaszám eléréséhez. Ez Hegyhátsál esetében rendelkezésre

áll, valamit némely USA helyszínről is jelentős idősor gyűlt már össze, azonban az európai

EK helyszínek nagy részét jellemzően később telepítették, és így nem volt lehetséges a

módszer alkalmazása. Mivel azt, hogy az EK mérések bizonytalanságának mértéke ne lenne

helyszínspecifikus nem tudtuk bizonyítani, Hollinger és Richardson módszerét a GPP

bizonytalanságának becslésére el kell vetnünk.

3.3. A felhasznált távérzékelt adatok és feldolgozásuk

Jelen munkában előfeldolgozott műholdas adatokat és kész produktumokat használtunk fel

(3.6 táblázat). Munkánkban a produktum fejlesztéséért felelős kutatócsoport (UMT NTSG)

MOD17A2 305-ös verziószámú adatsorát használtuk fel a saját modelladaptációnk

validálására. Annak érdekében, hogy az adott időpontra vonatkozó, egyedi fájlok méreteit

racionalizálják, a MODIS adatokat a teljes Földet horizontálisan és vertikálisan

mozaikszerűen lefedő képkockánként tárolják, melyeket egy horizontális és egy vertikális

sorszám azonosít (3.10. ábra). A MODIS produktumok ezekre a képkockákra egyenként

külön fájlban elérhetőek el. Az általunk használt tile-okat a 3.10. ábrán sárgára színeztük.

Hazánkra vonatkozó adatok például a h19v04 képkockában találhatók.

3.6. táblázat. A felhasznált műholdas adatok.

Produktum neve Verzió Térbeli felbontás

Időbeli felbontás Forrás

MOD17 305 1 km 8 nap UMT NTSG

MOD15 005 1 km 8 nap UMT NTSG

MOD12 004 1 km 1 év UMT NTSG

NDVI (MOD13 alapján) - 250 m napi Barcza et al. (2009a)

54

A MOD17 GPP modell számára bemenő adatként a GPP becslések kiszámítása során a

MOD12 és MOD15 produktumra valamint meteorológiai adatokra is szükség van (3.1.1.

fejezet). GPP becsléseinkben a MOD12 004-es verziójú (Collection 4) adatsorának éves

felszínborítottsági információit használtuk (M. Zhao, személyes kommunikáció). A növényi

aktivitás monitorozásához a MOD15 FPAR/LAI produktum 005-ös verziójú adatsorát,

illetve Hegyhátsál környékére a MOD13 Vegetation Indices produktum előfeldolgozott

NDVI adatsorát vettük figyelembe.

Az 1 km felbontású MOD15 FPAR adatok minőségbiztosítása bizonyítottan fontos a

lehető legjobb eredmény elérése érdekében. Az eljárás megvalósítása során Zhao et al.

(2006) leírását követtük. Ennek során elsőként a műholdas adatokat tartalmazó HDF

formátumú fájlban található, bináris alapú minőségbiztosítási információk alapján kiszűrtük

a rossz minőségű adatokat, majd második lépésben lineáris interpolációval pótoltuk a

hiányzó adatpontokat Zhao et al. (2006). A szűrési szempontok kiterjedtek a hó/jég

jelenlétére, aeroszol koncentrációra, felhőzet jelenlétére, a szenzor státuszára, és ezek

kombinációira.

A 250 m felbontású NDVI adatsorról bővebb információ Barcza et al. (2009a) munkájában

található. Itt mindössze egy rövid leírást közlünk a felhasznált napi léptékű NDVI

adatsorról.

Az NDVI analízis a 250 m felbontású MOD13 produktumon alapul (Huete et al., 1999),

mely a MODIS szenzor multispektrális információi alapján készült. Első lépésben Barcza és

munkatársai egy 41×41 pixeles területet választottak a torony körül. Az összes 250 m-es

pixel minőségellenőrzésen átesett NDVI idősorait szűrték, majd simították wavelet

transzformációt alkalmazva. Ezt követően két alapvető gabonafajtát különítettek el

jellegzetes éves NDVI menetük alapján. Eredményeikből kiderült, hogy őszi

(leggyakrabban őszi búza) és tavaszi (leggyakrabban kukorica) gabonát termesztenek a

torony környezetében. A fenti napi szintű NDVI adatsort használtuk fel FPAR előállítására

250 m-es felbontással.

55

3.10. ábra. A MODIS adatok tárolására szolgáló ún. "tile" rendszer.

3.4. A felhasznált kiegészítő adatok és feldolgozásuk

A GPP modellhez bemenő adatokra is szükség van, ezek közül legfontosabb a

meteorológiai adatmező. Kétféle meteorológiai adatbázist használtunk a

modellfuttatásainkhoz. Az egyik a már említett DAO/GMAO reanalízis adatmező, a másik

pedig az egyes mérőhelyeken végzett meteorológiai mérések adatbázisa.

A DAO/GMAO 1° × 1,25° felbontású reanalízis adatsorának interpolációját a MODIS

1 km-es rácsára Zhao et al. (2005) alapján végeztük el. Ezután a felhasznált MODIS

pixelhez tartozó meteorológiai adatokat használtuk fel a számítások során.

A helyszínen végzett meteorológiai mérések esetén interpoláció nem szükséges, azonban az

adathiányok pótlása a modellezéshez elengedhetetlen. A meteorológiai adatok adatpótlását

Reichstein et al. (2005) alapján végeztük el az Interneten elérhető online eszköz

segítségével30. Mivel a VPD adatok pótlását az eljárás nem végzi el, azt az MT-CLIM

modell segítségével tettük meg csapadék és hőmérsékletadatok ismeretében. (Thornton és

Running, 1999).

3.5. Modellvalidáció

A MOD17 távérzékelésen alapuló GPP becsléseinek vizsgálatában első lépésként

elvégeztük a modell validációját magas, és a nemzetközi mérőhálózat alacsony EK

mérőtorony adatainak felhasználásával. Mivel mezőgazdasági helyszínekről van szó, melyek

30 http://www.bgc-jena.mpg.de/~MDIwork/eddyproc/

56

némelyikén komplex vetési rotációt alkalmaznak, célszerű lenne teljes rotációs ciklus

vizsgálata (Kutsch et al., 2010; Aubinet et al., 2009), hogy a szénmérleg-komponensek

becslésében a műholdas becslés hibáit teljesen figyelembe tudjuk venni. Ez azonban

túlmutat jelen tanulmány célkitűzésein, így itt az egyszerű, naptári évekhez kötött ciklusokra

végezzük el a validációt.

A távérzékelt adatok alapján a MOD17 GPP modellel szimulált és EK módszerrel mért

GPP közötti különbségeket számos tényező okozhatja. Ezek között gyakran említésre kerül

a bemenő adatok hibája a modell szerkezeti hibái (ideértve a modellparaméterek

bizonytalanságát is) (Running et al., 2004; Nightingale et al., 2007; McCallum et al., 2009),

illetve a validációra használt EK adatsor, és a távérzékelésen alapuló információ eltérő

reprezentativitása (Heinsch et al., 2006; Yang et al., 2007). Ezen hatások együttesen

befolyásolják a validáció eredményét, ami így nem feltétlenül tükrözi a modell valós

pontosságát vagy pontatlanságát. Éppen ezért a validáció során többféle modellezési

stratégiát alkalmaztunk, hogy a fenti hatások elkülöníthetők és kiküszöbölhetők legyenek.

Elsőként az egyszerűen kiküszöbölhető hibaforrást, a bemenő (például meteorológiai)

adatok hibáját próbáltuk meg kiküszöbölni. Ezt követően válik csak lehetségessé a

műholdas produktum és a felszíni mérések térbeli reprezentativitásának különbségéből

fakadó eltérések kiküszöbölése. Ez utóbbi lépést kizárólag a hegyhátsáli magas EK

mérőtorony esetén alkalmaztuk, mivel az különleges tulajdonságaival (lásd. 3.2.1. alfejezet)

egyedi lehetőséget biztosít ilyen jellegű vizsgálatokhoz.

A fenti módszerek alkalmazásával elsődleges célunk nem a modell struktúrájának

megváltoztatásán keresztül a modell-mérés egyezés javítása, hanem a modellhiba fő okainak

felderítése, melyek a validáció eredményére hatással lehetnek. A felhasznált modellezési

eljárások rövid áttekintését adom meg a következőkben. Minden számítás napi szinten

történik, majd az eredeti MOD17 produktummal összhangban a napi GPP-t 8-napos

időszakokra átlagoljuk. Az egyes modellbeállítások legfontosabb tulajdonságait a 3.7.

táblázat tartalmazza.

3.5.1. GPP-GMAO (referencia)

Első lépésként adaptáltuk a MOD17 GPP modell algoritmusát (Running et al., 1999; Zhao

et al., 2005) és az eredeti beállításokkal (GMAO meteorológia, MOD15 LAI/FPAR

Collection 5.1, MOD12 felszínborítottság, BPLUT 5.1 verzió; M. Zhao, személyes

kommunikáció) futtattuk a modellt GPP számítására. A modell adaptálásának részleteire a

3.1. alfejezeteben térek ki részletesebben. A következőkben a referencia futtatást

57

'GPP-GMAO' néven fogjuk említeni, és a hivatalos MOD17 produktummal

egyenértékűként kezeljük. Ebben a futtatásban csak a toronyhoz legközelebbi pixelt vettük

figyelembe a toronymérésekkel való összevetés során.

Az adaptált MOD17 GPP modell eredményeinek összevetése a hivatalos MOD17

produktummal azt mutatta, hogy az implementációnk helyesen működik, mivel

megfelelően reprodukálta az eredeti, 5.1-es verziójú MOD17 produktum eredményeit a

Hegyhátsálhoz legközelebb eső pixelben (R2 = 0,99, bias = −0,018 gC m−2 év−1 a vizsgált

hat évre (2001-2006) átlagosan). A kismértékű eltérésért, melyet az eredeti letöltött (UMT

NTSG által előállított) produktum és a saját implementáció eredménye között tapasztaltunk

valószínűleg az FPAR szűrés némiképp szubjektív tényezői felelősek.

3.5.2. GPP-met (a meteorológiai input adatok módosítása)

A MOD17 GPP modellről korábban megmutatták, hogy a meteorológiai adatok

minőségére érzékeny (Running et al., 2004; Zhao et al., 2006). Hogy ezt a lehetséges

hibaforrást kiküszöböljük, a szakirodalomban gyakran alkalmazott módszerrel a GMAO

reanalízis adatok helyett a helyszínen mért meteorológiai adatsorral (VPD, Rg, Tmin)

futtattuk a modellt. A következőkben erre a futtatásra mint "GPP-met" futtatásra fogunk

hivatkozni. A GPP-GMAO-hoz hasonlóan itt is csak az adott EK toronyhoz legközelebbi

(azt magában foglaló) pixel GPP értékeit vetjük össze az EK mérésekből származtatott

GPP idősorral.

3.5.3. GPP-FP (a footprint egyszerű figyelembe vétele)

Ahogy azt már a korábbiakban is tárgyaltuk, heterogén tájkép esetén különösen hangsúlyos

lehet a műholdas adatok és az EK adatok térbeli reprezentativitásai közötti különbség

hatása a két adatsor egyezésére. Ennek tanulmányozására egyedülálló lehetőséget

biztosítanak a heterogén felszínborítottságú területeken mérést végző magas EK tornyok.

Hogy a vegetáció heterogeintását egy bizonyos szintig figyelembe vegyük, az 1 km

felbontású FPAR adatokat az aktuális footprint figyelembe vételével mintavételeztük (ezekre

az eredményekre mint "GPP-FP" hivatkozunk a későbbiekben) a Hegyhátsáli magas torony

esetén. Az 3.4. ábrán látható footprint klimatológia alapján az 1 km-es felbontás már

megengedi a footprint figyelembe vételét a területen. Ez a forrásterület időben való

dinamikus változásainak egy egyszerűsített, durva figyelembe vétele különösen egy olyan

régióban, ahol az egyes mezőgazdasági parcellák területe pixelméret alatti (200 m körüli), de

egy egyszerű kezdeti lépés a távérzékelt és EK alapú mérések reprezentativitásának

58

összehangolására. Olyan helyeken, ahol a felszínborítottság heterogenitása nem véltlenszerű

foltokként, hanem a torony körül jól meghatározott irányokban egy adott

felszínborítottsági típus helyezkedik el, ez a módszer elegendő lehet az EK mérések helyes

értelmezéséhez.

3.5.4. GPP-NDVI (leskálázás 250 m felbontású NDVI adatok alapján)

Amint azt Barcza et al. (2009a) megmutatták, Hegyhátsálon a tornyot körülvevő egyes

területek (mezőgazdasági parcellák) nem azonos mértékben járulnak hozzá a mért

fluxushoz, mely az űrbázisú megfigyelések és az eddy-kovariancia mérések

reprezentativitásai között különbséget okoznak. Ezért egy új módszert dolgoztunk ki annak

érdekében, hogy a felszínborítottság térbeli heterogenitását, valamint hogy a műholdas és

felszíni mérések reprezentativitását összehangoljuk. Egyrészt az 1 km felbontású MOD15

FPAR helyett leskálázást hajtottunk végre a 250 m felbontású MODIS NDVI idősorok, és

az NDVI és az FPAR mennyiségek közötti alábbi ismert összefüggés felhasználásával (Sims

et al., 2005).

FPAR 1, 24 NDVI 0,168= ⋅ − (3.10)

Az egyszerűség kedvéért alkalmaztuk ezt a lineáris összefüggést a hivatalos FPAR

produktum háttéralgoritmusában alkalmazott kifinomultabb, nemlineáris módszer helyett

(Knyazikhin et al., 1999). Érdemes megjegyezni, hogy a Sims et al. (2005) formula a

MOD15 háttéralgoritmusnál némileg alacsonyabb FPAR becslést ad.

A kis térbeli felbontású adatok leskálázása arra hivatott választ adni, hogy vajon az FPAR

felbontása, vagy a térbeli átlagolás felelős-e a modell pontatlanságaiért, és ha igen, milyen

mértékben a modell pontatlanságaiért?

Másodszor, a 250 m felbontású NDVI adatsor használatával lehetőség nyílik a footprint

információk (Kljun et al., 2004 alapján), és a növényi fenológia parcella szintű figyelembe

vételére is. Ezzel az eljárással elvárásaink szerint a különböző (őszi illetve tavaszi vetésű)

gabonák közötti fenológiai különbség jobban figyelembe vehető lesz, a modell nem csak

egy fiktív átlagos gabonaként kezeli őket.

Ez a modellezési stratégia meghatározó módon alapul a hegyhátsáli EK mérőtorony Barcza

et al. (2009a) munkájában meghatározott térbeli reprezentativitásán. A GPP kiszámításához

az órás diszkretizált footprint elhelyezkedést (mely segít kiválasztani a forrásterületet lefedő

59

műholdas pixel(eke)t) és az adott napra érvényes, a simított NDVI görbéből származó

NDVI értéket használjuk fel (lásd 3.2.1.1. alfejezet) a következő módon:

Tegyük fel, hogy a footprint modell alapján az év i-edik napján a lehetséges 41×41 db pixel

közül P darab pixelből volt hozzájárulás a mért fluxushoz. iFPAR p jelöli azt a i-edik napon

a p-edik pixelhez tartozó FPAR értéket, és a következő módon számítjuk az adott napi

NDVI értékből ( iNDVI p ). Ezt követően a MOD17 GPP modell (Running et al.,

1999)alapján a GPP számítása a következőképp történik:

i i i iGPP FPAR IPARp p pW ε= (3.11)

Itt ipW a súlyozási faktor, mely az egyes pixelek adott napra vonatkozó relatív

hozzájárulását adja meg, vagyis azon órák száma, melyben az adott pixel forrásterület volt.

max min i i( ) ( )i f T f VPDε ε= az aktuális sugárzáshasznosulási hatékonyság adott

meteorológiai körülmények között, IPAR = 0,45Rgi. A napi GPP értéket az i-edik napon az

egyes hozzájáruló pixelek súlyozott átlagaként számoljuk ki:

i1

i

i1

GPPGPP

Pp

pP

p

p

W

=

=

=∑

∑ (3.12)

Az órás footprintre vonatkozó információ nem érhető el a nap minden órájában (amikor a

footprint modell nem ad értékelhető eredményt). Mivel csak a modell alapján rendelkezésre

álló footprint információkra tudunk támaszkodni, a GPP számítások hibával terheltek

lehetnek.

Ehhez a modellfuttatáshoz a CORINE2000 felszínborítottsági adatbázis (Büttner et al.,

2002) adatait használtuk fel az NDVI 250 m-es rácsára átrácsozva ahhoz, hogy az adott

pixelhez a megfelelő BPLUT kategóriát kiválaszthassuk (Barcza et al., 2009a). A CORINE

adatbázis használatára a leskálázás miatt volt szükség. Az alkalmazott módszerben a Barcza

et al. (2009a) által kialakított kategóriák jól egyeznek a MOD12 felszínborítottsági

kategóriáival, ezért a modelleredményekben eltérések a két felszínborítottsági adatbázis

közötti különbségek miatt nem valószínű, hogy felmerülnek. Ezenfelül, a forrásterület az

éves footprint klimatológia alapján átlagosan 80%-ban mezőgazdasági területekre esik, a

felszínborítottsági adatok nem befolyásolhatják jelentősen az eredményeket.

A fentiek alapján számított GPP adatsort a későbbiekben mint "GPP-NDVI" hivatkozzuk.

60

3.7. táblázat. A különböző modellezési módszerek alapvető tulajdonságainak összefoglaló táblázata.

Bemenő adat Rövidítés Meterológiai

adatok FPAR Felszínborítottság Térbeli felbontás

Footprint model használata

GPP-GMAO GMAO MOD15 MOD12 1 km Nem

GPP-met helszíni met. MOD15 MOD12 1 km Nem

GPP-FP helszíni met. MOD15 MOD12 1 km Igen

GPP-NDVI helszíni met. Lineáris NDVI összefüggés alapján

CORINE-2000 250 m Igen

3.5.5. Alkalmazás: gabonaspecifikus GPP (GPP-CROP)

A MOD17 GPP modellt felhasználva, a 250 m felbontású NDVI adatsor és a gabonatípus

eloszlási térkép (Barcza et al., 2009a) alapján számításokat végeztünk az őszi és tavaszi

vetésű gabonák átlagos GPP menetének meghatározására a hegyhátsáli torony térségében.

A gabonaspecifikus számításokhoz kizárólag azon pixelek NDVI idősorait használtuk fel,

melyeket az adott növény borított. Az FPAR és a GPP értékét a 41×41 pixeles kivágat

megfelelő gabonaspecifikus pixeleink átlagolt NDVI értékei alapján számítottuk. Az

eredményeket a footprint információk alapján leválogatott gabonaspecifikus EK

toronymérésekkel vetettük össze (Barcza et al., 2009a).

A gabonaspecifikus NEE adatsorból GPP adatok előállítására a már ismertetett GF/FP

módszert alkalmaztuk. Megjegyzendő, hogy a gabonaspecifikus adatsorokra vonatkozó

vizsgálat csupán szemléltetési célokat szolgál, a footprintet is figyelembe vevő módszer

robosztusságát bizonyítva, jelen formájában azonban jelentős bizonytalansággal terhelt.

Mivel a footprint model jellege miatt az éjszakai adatok nem használhatók, az EK adatok

nagy része nem használható a gabonaspecifikus vizsgálatokban. Ez a GPP szempontjából,

melynek értéke az éjjeli órákban definíció szerint nulla, kisebb jelentőséggel bír. A

gabonaspecifikus részekre bontásnál azonban újabb adathiányok keletkeznek, amik már

komolyan befolyásolhatják a napi vagy éves GPP összegek előállításához szükséges GF/FP

módszer által okozott bizonytalanságot.

Az órás footprint információk alapján az órás észlelések 4 csoportba oszthatók: (i) tisztán

őszi vetésű gabonát tartalmazó pixelből származó fluxus (vagyis, az őszi gabona pixelen

belüli hányada > 80%), (ii) tisztán tavaszi gabonát tartalmazó pixelből származó információ

(tavaszi gabona hányada > 80%), (iii) kevert őszi és tavaszi gabonával borított területről

származó információ, vagy (iv) adathiány. Mivel csak az (i) és (ii) adatokat tudjuk

felhasználni a gabonaspecifikus tanulmányban, az észlelt adatok jelentős része elvész. Azt is

meg kell jegyeznünk, hogy csak a nappali adatokat használjuk a GPP számításokhoz. A

61

2003-2006-os időszakban 321 és 390 adatpont (órás megfigyelés) felelt meg rendre az őszi

és a tavaszi gabonára vonatkozó adatpont követelményeinek. Az éves adatlefedettség 1,4%

és 19,6% között változott, 10%-os átlagos lefedettséggel a vizsgált időszakban. Ennek

köszönhetően egyes években bizonyos gabonaspecifikus GPP összegek számítása, illetve a

GPP idősor előállítása nem kivitelezhető.

3.5.6. A modelleredmények értékelése

A modellszimulációk statisztikai értékeléséhez többféle mutatót használtunk, melyek a

modell pontosságát különböző szempontokból vizsgálják. Az átlagos négyzetes hiba gyöke

(RMSE), a szisztematikus modellhiba (a mért és modellezett adatok átlagának különbsége;

BIAS) az egyezési index (index of agreement, IA), modellhatékonyság (modeling efficiency,

ME), Kendall-féle rangkorreláció (KR) valamint a Pearson-féle lineáris korrellációs

együttható (R)) mutatókat számítottuk ki a modell kiértékelésére a teljes vizsgált időszakra

és az egyes évekre is (Janssen és Heuberger, 1995; Ma et al., 2011). Az utóbbi mutató

helyett annak négyzetét, (R2) számítottuk ki. Az említett statisztikai jellemzők a következő

egyenletekkel adhatók meg:

( )2i i1RMSE=

n

iM On

=−∑ , (3.13)

i i=0

BIAS= n

i

M On−∑ (3.14)

( )

( )2

i i12

i i1

IA=1+

n

in

i

M O

M O O O=

=

−−

− −

∑∑

, (3.15)

( )

( )2

i i12

i1

ME 1n

in

i

M O

O O=

=

−= −

−

∑∑

, (3.16)

( )c dKR

0,5 1n nn n

−=

− (3.17)

( )( )( ) ( )

2

i i12

2 2

i i0 0

Rn

i

n n

i i

O O M M

O O M M

=

= =

− −

= − −

∑∑ ∑

(3.18)

62

Itt M minden esetben a modellbecslések (MOD17) idősorát, O az észlelések (EK mérések)

idősorát jelöli, n a minta hossza. A Kendall rangkorreláció megkülönböztet ún. konkordáns

és diszkordáns párokat, rendre amely két elem rangja megegyező illetve különböző. Ha

(o1, m1), (o2, m2), …, (on, mn) észlelés és modelleredmény párok, bármely két (oi, mi), (oj, mj)

párok konkordánsok ha mindkét elem rangja egyezik, vagyis mind oi > oj és mi > mj vagy

oi < oj és mi < mj. Ha nem egyezők úgy diszkordánsok, egyenlőség esetén pedig egyik sem.

Az egyes indexeket a modell "jóságának" bizonyos mérőszámaiként foghatjuk fel, így

együttes használatuk lehetővé teszi a modell teljesítményének többféle aspektusból történő

vizsgálatát. Az RMSE az átlagos hibáról ad információt négyzetes formában, így az extrém

kiugró értékekre igen érzékeny. Az RMSE mértékegysége megegyezik a vizsgált

paraméterével. A BIAS vagy mean bias (közepes eltérés) a modelleredmények és a mérések

közötti az átlagos eltérést adja meg, tökéletes becslések esetén értéke nulla. Az IA értéke 0

és 1 között változhat és a közepes négyzetes hiba egy standard mérőszáma. A legjobb

egyezés esetén az IA 1, vagyis minél közelebb van egyhez, annál jobb az egyezés. Két

korreláló változó esetén 0,4 feletti értékre számíthatunk. Az ME értéke −∞ és 1 között

változhat, és arra utal mennyivel jobb becslést kaptunk az észlelések átlagához képest.

Bármely pozitív érték javulásra utal (vagyis becslésünk jobb, mint a mintaátlag lenne), de

egyhez minél közelebbi számot kapunk annál jobb. A KR és R a modell és a szimulált

értékek közötti összefüggés mértékét számszerűsíti. Mindkét index −1 és 1 (tökéletes

összefüggés) közötti értéket vehet fel, független adatsorok esetén nulla. A két mutató

között fontos különbség, hogy míg az R lineáris kapcsolatot feltételez az adatsorok között,

addig a KR nemparaméteres teszt, nem követel meg megkötést minta eloszlását illetően.

Mivel a GPP-NDVI futtatás csak az Aqua műhold 2003-as felbocsátását követően elérhető,

a modell teljesítményének vizsgálatát elvégeztük a 2001-2006-os időszakra és 2003-2006-os

részidőszakra is a GPP-GMAO, GPP-met és a GPP-FP esetén a hegyhátsáli adatokra.

3.6. Modellkalibráció

3.6.1. A kalibráció módszertana

A MOD17 GPP modell érzékenységvizsgálatához és kalibrációjához (más szóval

paraméterbecsléséhez vagy optimalizálásához) a Generalized Likelihood Uncertainty Estimation

(GLUE) módszert választottuk (Freer et al., 1996; Beven és Freer, 2001; Binley és Beven,

2003). A módszer leginkább a hidrológiai modellezésben terjedt el, számos vízgyűjtő és

szelvény szintű hidrológiai és talajhidrológiai modell optimalizálásához használták már

(például HYDRUS talajhidrológiai modell (Simunek et al., 1998) vizsgálata (Binley és

63

Beven, 2003); SWAT vízgyűjtő szintű hidrológiai modell vizsgálata (Ng et al., 2010b;

Setegn et al., 2009; Razavi et al., 2010). Újabban ökológiai és biogeokémiai modellek

kalibrációjához is elkezdték alkalmazni (BIOME-BGC modell (Mitchell et al., 2009),

SVAT31 modellek (Schulz et al., 2001; Schulz és Beven, 2003; Prihodko et al., 2008). A

GLUE Monte-Carlo alapú módszer, vagyis nagy számú, véletlenszerűen választott

paraméterkombináció értékekre futtatjuk a modellt oly módon, hogy minden paramétert

egyszerre változtatunk (globális optimalizálás). A módszer egyszerűsége miatt közkedvelt,

azonban pont emiatt támadások is érték, mivel nagy számításigénye ellenére egy

bonyolultabb paraméterkészletű modellnél nincs garancia arra, hogy a több tíz-, vagy akár

százezres paraméterkombinációval megtaláljuk az optimális megoldást, és arra sincs mód

nagy paraméterszám esetén, hogy teljesen feltérképezzék a paraméterteret. A MOD17 GPP

modellben azonban mindössze 5 paraméter szerepel, ezért a GLUE módszer megfelelő a

feladatra.

Mivel az érzékenység-analízis és a modellkalibráció is igen számításigényes, így érdemes a

számítások mellett az adatkezelésre (bemenő adatok beolvasása, kimenő adatok kiírására)

fordított időt optimalizálni. Ennek érdekében a szükséges kalibrációs (mérési) adatokat,

valamit azok bizonytalanságát, valamint a számításokhoz szükséges műholdas és időjárási

adatokat is könnyen kezelhető, kisméretű adatsorokba rendeztem. Mivel a

modellkalibrációt különféle növénykategóriára szeretnénk elvégezni, létrehoztam fenológiai

információt tartalmazó fájlokat is. Ezekben a fájlokban 'flag' típusú adatmezőben található

az adott évben termesztett növényről, a vetés és az aratás időpontjáról az információ. A fájl

használatával könnyen kiszűrhető egy-egy helyszín adataiból az az időszak, amikor adott

típusú (C3 vagy C4) növény volt jelen a helyszínen.

A GLUE eljárás implementálását Stedinger et al. (2008) alapján végeztem el. Az eljárás

alapja a következő:

1. Kijelöljük az egyes modellparaméterek minimális és maximális értékeit, amik között a

paraméter értékeket véletlenszerűen változtatjuk az algoritmusban (3.8 táblázat). A

modellparaméterek egyenletes eloszlását feltételezzük, megfelelő a priori információ

hiányában.

2. Nagy számú (tízezer, százezer) modellfuttatást végzünk, a paramétereket egyszerre és

véletlenszerűen változtatva, minden esetben elvégezve a modell jóságának (goodness of fit,

vagy likelihood) vizsgálatát a mérési adatok segítségével.

31 Soil-Vegetation-Atmosphere-Transfer, a talaj-növény-légkör rendszer anyag és energiaforgalmát leíró modellek

64

3. Az összes futtatás eredményéből számolt likelihood értékek alapján meghatározzuk a

modellparaméter-értékek optimális együttesét.

Tegyük fel, hogy rendelkezünk Qt, t = 0,…n, megfigyeléssel, melyet a kalibráció során

használni szeretnénk, és jelölje θ a modellparaméterek vektorát, vagyis egy adott

paraméterkészletet. A modell hibája legyen ε. A likelihood függvény megválasztása többfajta

képlet forog a köztudatban (Beven és Binley, 1992). A hidrológiában legtöbbször Nash és

Sutcliff (1970) képletét használják:

2ε

NS 2Q

1N

sLs

= −

, (3.19)

ahol 2Qs a mérések varianciája, 2

εs pedig a modellbecslések négyzetes hibája (MSE), N egy

ún. formázási faktor, amely különböző értékek mellett különbözőképpen súlyozza az egyes

paraméterkészletekhez tartozó likelihood értékeket. A likelihood függvény szubjektív

megválasztását azonban kritika érte (Stedinger et al., 2008), mivel nem veszi figyelembe az

adatok statisztikai tulajdonságait, valamint a szubjektív likelihood megválasztásával egymással

nem összevethető eredményeket illetve bizonytalanság-becsléseket kaphatunk. A

statisztikailag helyes függvények alkalmazása mellett szóló számos érv miatt mi az alábbi

függvényt használjuk a modellkalibráció során Stedinger et al. (2008) alapján:

[ ]( )

( )2

θ|Q 2

1 R| exp

ˆ2 1 R MLE

nf Qθ

θ κθ

− = − −

, (3.20)

ahol ( )2

2 ε2Q

R 1 ss

θ = − and ( )2

2 εMLE 2

Q

ˆˆR 1sσθ = − , κ egy skálázási konstans. Itt a

2

εσ∧

a

modellhiba varianciájának maximum likelihood becslése.

A modell Monte-Carlo alapú érzékenységvizsgálathoz szükséges a modellparaméterek

bizonyos határok közötti véletlenszerű változtatására. A határok kijelöléséhez gyakran

irodalmi adatokat használnak fel. Az érzékenységvizsgálathoz alkalmazott határok, melyek

között változtattuk a modellparaméterek értékeit, a 3.8. táblázatban láthatók.

65

3.8. táblázat. A modellparaméterek értékhatárai a Monte-Carlo szimulációhoz.

εmax

kg C MJ−1

Tmin_MIN [°C]

Tmin_MAX [°C]

VPDMIN [Pa]

VPDMAX [Pa]

Min 0 −20 −20 1300 1300

Max 0,008 5 5 4300 4300

Minden paraméterkombinációval kapott modelleredményekhez meghatároztuk a likelihood

értéket. Az eredmények szemléletes ábrázolásához az egyes paraméterértékekhez tartozó

likelihoodot egy-egy ponttal ábrázoltuk a paraméterérték-likelihood ábrán. Amennyiben a

ponthalmaz alaktalan, az azt jelenti a modelleredmény az adott paraméter értékétől kevésbé

függ. Amennyiben a ponthalmaz határozott optimummal rendelkezik, úgy a modell az

adott paraméterre érzékeny, az optimum környékén pedig meghatározható a

legvalószínűbb paraméter-érték.

Az 3.11a. ábra egy példán szeretnék szemléltetni egy esetet, amikor a modell egy adott

paraméterre érzékeny. Ilyenkor az modellparaméter-optimalizáció sikeresen elvégezhető.

Az 3.11b. ábrán látható egy olyan paraméter esetén kapott ábra látszik, melyre a modell

kevésbé érzékeny.

3.11. ábra. 'Dotty plot' a) egy jól optimalizálható és b) egy nem optimalizálható paraméter esetén.

A modell kalibrációja során az adatok egy részhalmazát használtuk fel (kalibrációs

helyszínek), míg másik részét a validáció során használtuk (ezek a független validációs

helyszínek). A C3 és C4 gabonaspecifikus kalibrációhoz használt adatok a 3.9. táblázatban

láthatóak.

66

3.9. táblázat. A kalibráció során felhasznált adatok listája (kalibrációs helyszínek). A mérőhelyek

rövidítései és egyéb információk a helyszínekről a 3.4. táblázatban láthatók.

C3 C4

US-ARM 2003, 2004, 2006, 2007 US-ARM 2008

CH-Oe2 2005, 2007, 2008 IT-BCi 2005 - 2007

US-Ro1 2004, 2006 US-Ro1 2005, 2007

US-Ne1 2002 - 2008

3.6.2. A mérési adatok felhasználása

A nemzetközi adatsor kezelése a modell optimalizálása szempontjából számos kihívást

tartogat. Annak érdekében, hogy a gabonaspecifikus kalibrációt elvégezhessük, egy

fenológiai információs fájlt hoztunk létre, melyben egy 'flag' típusú változóval jeleztük mely

napokon volt jelen C3 (flag = 3) illetve C4 (flag = 4) növényzet az adott helyszínen. A flag

értéke 0 vetés előtt és aratás után, vagyis a vegetációs időszakon kívül. Az ehhez szükséges

információt részben a helyszín kutatóitól, részben - ahol elérhető volt - a CarboEurope

projektben szabványos, a helyszínekről szóló általános információkat tartalmazó fájlokból

származott. Azokban az esetekben amikor a pontos dátumot nem, csak a hónapot tudtuk

meghatározni, a hónap 15. napjára tettük a vetés/aratás időpontját. A fájlokat minden egyes

évre külön készítettük el. Kijelölhető az, a kalibráció szempontjából legfontosabb időszak,

ami az adott növény életciklusához tartozik, míg az év vegetációs időszakon kívüli szakasza

a LUE szempontjából nem annyira releváns. Egyes komplex vetésforgót vagy vetésváltást

alkalmazó helyszínek esetén a fő vetés mellett előveteményt és/vagy másodvetést is

alkalmaznak. Ilyen esetben fő növényként a kalászos kultúrát, illetve az éven belül hosszabb

tenyészidőszakú növényt tekintettem.

67

4. Eredmények és értékelés

4.1 Validáció és leskálázás heterogén táj esetén

4.1.1. Eredmények

4.1.1.1. A magas tornyos validáció és leskálázás eredményei

A MOD17 GPP modell validációját a hegyhátsáli magas toronyméréseken alapuló

adatokkal és a FLUXNET mérőhelyek adataival is elvégeztük. Elsőként a hegyhátsáli

eredményeket ismertetem, ahol módszertanilag nagyobb kihívással szembesültem. Az

eredmények alapján képet kaphatunk a MOD17 GPP modell pontosságáról regionális

szinten.

A GPP-GMAO szimuláció eredményei és a magas tornyos mérésekből származó GPP

adatok (GPP-torony) a 4.1a. ábrán láthatók. A GPP-GMAO modelleredmények az ábrán is

jól láthatóan alulbecslik a toronyméréseket. A 2001-2003 időszakra a becslések és a mérés

jobb egyezést mutatnak, azonban az időszak második részében (2004-2006) a mérések

szerint a GPP jelentősen magasabb az azt megelőző három évhez képest. Mivel a GPP-

GMAO becslések közel azonosan alakultak az egész időszak alatt, így az utolsó három

évben a méréseket jelentősen alulbecslik. A becsült napi GPP összegek alig haladják meg a

6 g C m−2 nap−1 értéket szemben a mért 8 g C m−2 nap−1-ot is meghaladó értékekkel. Az

időszak második felében mért magasabb GPP értékek az időszakot jellemző, a növények

számára kedvezőbb, az átlagosnál magasabb éves csapadékösszegekkel magyarázhatók (lásd

3.3. táblázat, valamint Haszpra et al., 2005)

A modelleredmények statisztikai kiértékelése a teljes időszakra (2000-2006) a 4.1.

táblázatban található. A kiértékelés alapján a modell elfogadható eredményt adott mind a

teljes időszak, mind a 2003-2006 részidőszak vonatkozásában. Mindazonáltal a modell

szisztematikusan alulbecsli a mért éves GPP összegeket minden évben (4.2. ábra) és az

alulbecslés mértéke növekszik a vizsgált időszak vége felé, 2006-ra az 500 g C m−2 év−1

értéket is meghaladó mértékben, mely közel 40%-os alulbecslést jelent. Meg kell jegyezni

ugyanakkor, hogy a 2006-os évben a toronymérésekben egy nagyobb összefüggő adathiány

keletkezett, ahol a pótolt értékek (melyek a 4.1. ábrán nincsenek feltüntetve, mivel szigorú

értelemben nem mért értékek) magasabbak voltak a GPP-GMAO értékeknél, ennélfogva

az éves összegben ez hibát okozhat.

68

4.1. ábra. Mért (GPP-torony, körök) és modellezett (szürke vonalak) GPP menetek. A hibasávok a mérés

bizonytalanságát jelzik.

69

4.2. ábra. Éves GPP összegek magas tornyos mérések (GPP-torony) és MOD17 alapú modellszimulációk

alapján (GPP-GMAO, GPP-met, GPP-FP, GPP-NDVI). A mérések bizonytalanságát hibasávok jelzik.

Amikor a GMAO reanalízis adatok helyett a helyszínen mért meteorológiai adatokat

használtunk a modellszámítások során, a modell pontossága némileg javult (4.1. táblázat,

GPP-met). Noha az RMSE kismértékben megnőtt, a korrelációt mutató KR és R2 mutatók

javultak. A statisztikai paraméterek évek közötti változékonysága a 4.3. ábrán látható. A

modelleredmények javulása nem minden év és statisztikai mutató esetén mutatkozott

konzisztensnek. Amikor a meteorológiai bemenő adatokat váltottuk ki a reanalízis helyett

valós mérésekkel, a korrelációs együtthatók (KR és R2) javultak, azonban az RMSE, IA és

ME esetében nem látható ilyen szisztematikus javulás (4.1. táblázat). Az éves GPP

összegeket a modell itt is alulbecsli, még nagyobb mértékben, mint a GPP-GMAO esetén

(4.2. ábra). Amint az a 4.1. ábrán látható, az éves összegek hibája ellenére a maximális GPP-

met csúcsok magasabbak a GPP-GMAO becsléseknél, de még így is jóval elmaradnak a

mért legnagyobb napi GPP-torony összegektől.

4.1. táblázat. Az egyes modellfuttatások statisztikai kiértékelésének eredményei a teljes és a 2003-2006-

os részidőszakra vonatkoztatva.

Időszak RMSE [gC m−2 nap−1] IA ME KR R2 BIAS

[gC m−2 nap−1]

2001-2006 1,095 0,930 0,783 0,812 0,905 −0,680 GPP-GMAO

2003-2006 1,128 0,927 0,778 0,817 0,902 −0,672

2001-2006 1,134 0,928 0,767 0,805 0,911 −0,801 GPP-met

2003-2006 1,163 0,926 0,764 0,818 0,916 −0,810

2001-2006 0,999 0,949 0,819 0,795 0,895 −0,634 GPP-FP

2003-2006 1,031 0,946 0,815 0,816 0,915 −0,703

GPP-NDVI 2003-2006 0,815 0,969 0,884 0,823 0,917 −0,426

70

4.3. ábra. A modellteljesítmény statisztikai mérőszámainak évek közötti változékonysága. A GPP-NDVI-

ra vonatkozó összehasonlítás csak az Aqua műhold felbocsátása miatt csak 2003 óta elérhető.

Az aktuális footprint változásainak követésével készült 1 km felbontású modellfuttatások

(GPP-FP) ismét kismértékben javították a modelleredményeket a mérésekhez viszonyítva

(4.1. táblázat). Az éves összegek kevésbé térnek el a GPP-torony éves összegeitől mint a

GPP-met vagy GPP-GMAO eredmények, de a javulás itt sem konzisztens az összes évben

(4.3. ábra). A statisztikai vizsgálatból is hasonló eredmények születtek, a legtöbb index

esetében történt javulás, kivéve a KR és R2 indexeket, melyek a GPP-GMAO és GPP-met

futtatások esetén kapott értékek alatt maradnak (4.1. táblázat).

A modelleredmények tovább javultak, amikor az NDVI alapú leskálázást kombináltuk a

footprint követésével (GPP-NDVI). RMSE és a modell-mérés egyezést számszerűsítő

71

statisztikai paraméterek (különösen az ME és bias) a legjobb eredményt mutatta a

modellfuttatások között a vizsgált időszak legtöbb évében (4.3. ábra, 4.1. táblázat). Az éves

összegek megközelítik a GPP-torony éves összegeket, noha még mindig alulbecsülik a mért

értékeket, és az évek közötti változékonyságot még mindig alig adják vissza (4.3. ábra).

A modellezési stratégia változtatása fokozatosan javította a modelleredmények pontosságát

a mérésekhez képest. Azonban a modell jóságának különböző indikátorai nem mutatnak

egységes képet a javulás mértékéről. Bizonyos indikátorok, például az RMSE, IA, ME és

bias jelentős és szisztematikus javulást mutattak, különösen a GPP-NDVI futtatások estén,

azonban a KR és K2 nem különbözik jelentősen az egyes futtatások között (4.3. ábra).

4.1.1.2. Alkalmazás: gabospecifikus szénmérleg-komponens becslések

A gabonaspecifikus NEE adatpótlására, a GPP és Reco előállítására szintén a fény-

válaszgörbe módszert alkalmaztuk. Mivel a footprint modell alkalmazása miatt (mely csak

nappali instabil és neutrális rétegződés esetén alkalmazható) az éjszakai adatok nem állnak

rendelkezésre, ehhez csak kétféle becslés, a nappali adatokon alapuló RH és NRH

módszerekkel származtatott GPP áll rendelkezésre. A gabonaspecifikus éves NEE, GPP és

Reco összegek a 4.2. táblázatban láthatók a 2003-2008 időszakra (azon évekre amikor

elegendő adat állt rendelkezésre az analízishez - lásd 3.5.5. fejezet). Az éves összegek

bizonytalansági analízisével itt nem foglalkozunk, azonban a mérések bizonytalansága az

adathiányos időpontok nagyobb aránya miatt vélhetőleg nagyobb, mint a teljes adatsoré.

A gabonaspecifikus éves GPP és Reco adatok nagyságrendileg megegyeznek a teljes adatsor

hasonló értékeivel, azonban a két GF/FP módszer eredményei közötti eltérés nagyobb a

nagyobb számú adathiánynak köszönhetően, melyek növelik az adatokban rejlő

bizonytalanságot.

4.2. táblázat. Gabonaspecifikus éves fluxus összegek azon évekre, melyekben MODIS adatok is

elérhetők és az adatlefedettség elegendő volt NEE, GPP és Reco éves összegek meghatározásához.

2003 2004 2006 2007 2008

Őszi gabona

NEE (g C m−2) - −72 −247 −256 -

GPP (g C m−2) - 1190 1583 1221 -

Reco (g C m−2) -. 1118 1336 965 -

Tavaszi gabona

NEE (g C m−2) 8 −255 - - −643

GPP (g C m−2) 937 1120 - - 1275

Reco (g C m−2) 945 865 - - 632

72

Az egyetlen pozitív éves NEE összeg a kirívóan forró és száraz 2003-as évben tavaszi

gabona esetén mutatható ki. Emiatt annak ellenére, hogy a legteljesebb adatsor tavaszi

gabonára (kukorica) a 2003-as évből származik, szén-dioxid forgalom terén nem követi a

tavaszi gabonák jellegzetességeit az extrém időjárás miatt. Ebben az évben a kapott

8 g C m−2 év−1 NEE érték reálisnak mondható. A teljes (nem gabonaspecifikus) fluxus

43 ± 9 g C m−2 év−1 volt 2003-ban, és figyelembe véve, hogy a C4-es típusú tavaszi

növények szén-dioxid felvétele az nagyobb (negatívabb) az őszi C3-as típusú növényekéhez

(pl. búza) képest, a kapott érték tendenciáját tekintve mindenképp a vártnak megfelelő.

2004-ben a tavaszi és őszi vetésű gabonák előfordulása, és hozzájárulása a mért fluxushoz,

így az adatlefedettség közel azonos mértékű volt. A 2004-es év az egyetlen, amikor a tavaszi

és őszi vetésű gabonákra is elegendő adat állt rendelkezésre az éves összegekhez.

Hogy az eredményeket független forrásból származó információval ellenőrizhessük,

kukorica (a torony környékén leggyakoribb tavaszi gabona) és őszi búza (a torony

környékén leggyakoribb őszi gabona) termésátlagaival vetettük össze NEE becsléseinket. A

termés statisztikák a KSH megyei adatbázisából származnak, adataik szerint 2004-ben a

kukorica termés (6070 kg ha−1) meghaladta a búza termést (4390 kg ha−1) Vas megyében. A

megyei termésátlagok reprezentativitása nem esik egybe az EK torony méréseinek

érvényességével, ugyanakkor kisebb skálán nem érhetők el ehhez hasonló információk, így

független adatsorként csak a KSH adataira támaszkodhatunk. Az NEE és a termés közötti

összefüggés őszi és tavaszi gabonákra a 4.4. ábrán látható. Az ábrán csak azon évek adatai

láthatók, amikor a MODIS NDVI adat és a gabonaspecifikus éves összeg is elérhető volt.

A teljes adatsorra (őszi és tavaszi gabonák együtt) a korreláció az NEE adatok és

termésátlagok között 0,65, mely alapján a gabonaspecifikus NEE adatok reálisak. Érdekes

módon a tavaszi gabonák esetén az NEE jobb összefüggést mutat a vonatkozó

termésátlagokkal, mint az őszi gabonáknál, habár az adatpontok száma igen alacsony. A

gyengébb összefüggés magyarázható azzal, hogy az utóbbi években az őszi búzát repcével

kezdték helyettesíteni a térségben. Ennélfogva az NEE idősorok és az őszi búza

termésátlagok közötti összefüggés csökken, hiszen az őszi vetésű gabonák már nem igazán

reprezentatívak az őszi búzára. Jelenleg azonban nem áll rendelkezésre megfelelő

részletességű, a repcét is magába foglaló gabonatípus térkép, amely ezt a hipotézist

alátámaszthatná.

73

4.4. ábra. Összefüggés a Vas megyei őszi búza és kukorica termésátlagok, illetve az őszi és tavaszi

gabonaspecifikus éves NEE összegek között. A termésadatok a KSH adatbázisából származnak.

Megjegyzendő, hogy az őszi búza tenyészidőszaka a teljes évnél rövidebb, így az NEE

adatsorokat is érdemes lenne levágni a megfelelő időszakra hogy a két adatsor összevetése

megalapozottabb legyen, és az előző év NEE adatait is figyelembe kellene venni. A jövőben

további kutatás szükséges a gabonaspecifikus becslések pontosítására és a benne rejlő

lehetőségek kiaknázására.

A tavaszi és őszi gabonák NEE csúcsai közötti időbeli eltérés könnyen azonosítható a 4.5.

ábrán, melyen az órás adatpótolt NEE-t láthatjuk. A két adatsor közötti különbség jól

leolvasható az ábráról. A legnagyobb szén-dioxid felvétel időszaka a késő tavaszi időszakra

tehető az őszi gabonák esetén, melyet követően csökkenő tendenciát láthatunk valószínűleg

az aratással összefüggésben. A szén-dioxid felvétel azonban aratás után is folytatódik

gyakran a kultúrnövények másodhajtásának vagy a gyomosodás következtében.

Tavaszi vetésű növények esetén a maximális szénfelvétel időszaka a nyári kora őszi

időszakra tehető. Az NEE idősor késői vetésről és őszi betakarításról árulkodik. Az ábráról

az is leolvasható, hogy a tavaszi gabona (kukorica) szén-dioxid felvétele intenzívebb, az

NEE magasabb negatív értékeket ér el mint az őszi gabona (őszi búza) esetén, melyről a

kukorica magasabb termésátlaga alapján is következtethetünk.

74

4.5. ábra. Órás NEE adatsor őszi és tavaszi gabonákra 2004 évben. A simított görbe boxcar átlagolással

készült 200 órás adatablakkal.

A MODIS adatokból származtatott gabonaspecifikus GPP becslések (GPP-CROP, lásd

3.5.5. fejezet) és a toronymérésekből származó hasonló idősorok összevetését néhány

kiválasztott évre a 4.6. ábra mutatja. Az egyes évek kiválasztása az adatlefedettség alapján

történt, vagyis közvetve attól függ, mekkora részt képviseltek adott évben az őszi illetve a

tavaszi gabonák a mérőhely térségében. 2004 volt az egyetlen év, amikor a footprint modell

alapján történt gabonatípus szerinti elkülönítés alapján a két gabona előfordulása

megközelítően azonos volt. A rendelkezésre álló korlátozott adatmennyiség miatt részletes

statisztikai vizsgálat nem végezhető el. Ugyanakkor az ábrán látható GPP idősorok a

footprint alapú adatszétválasztás alkalmazhatóságát mutatja gabonaspecifikus vizsgálatokban.

4.6. ábra. Távérzékelésen alapuló, gabonaspecifikus modelleredmények (szürke folytonos vonal) és a

hegyhátsáli méréseken alapuló gabonaspecifikus GPP összevetése.

75

4.1.2 Értékelés

Az EK toronymérések eredményeinek szisztematikus felül- vagy alulbecslését a MOD17

GPP modell kiértékelésével foglalkozó szakirodalom széles körűen bemutatta. A lehetséges

okokat részletesen tárgyaltuk a 3.5. fejezetben. A vonatkozó irodalom alapján a MOD17

GPP modell mezőgazdasági területek esetén negatív hibával terhelt, és magas

produktivitású helyszínek esetén az alulbecslés különösen nagy. Yang et al. (2007) átlagosan

50,3%-os hibát közölt nem erdős ökoszisztémákra, a legnagyobb eltérést (61%-os

alulbecslést) egy mezőgazdasági terület (egy USA-beli öntözött kukoricaföld) esetén találta.

A fenti adatok alapján egyértelmű, hogy a hibaforrások azonosítása kritikus fontosságú

annak érdekében, hogy megértsük a modell korlátait, valamint hogy javítsunk a

modelleredményeken különösen az igen heterogén mezőgazdasági területek esetén.

4.1.2.1. A MOD17 GPP modell parametrizációjának és a meteorológiai adatok

pontosságának hatása

Mint a modell hibájának egyik potenciális okozója, a meteorológiai bemenő adatok

pontosságát vizsgáltuk a hegyhátsáli EK mérőtoronynál végzett meteorológiai mérésekkel

összevetve. A GMAO reanalízisból származó globálsugárzás és a minimum hőmérséklet jó

egyezést mutatott a helyszíni mérésekkel (RMSE rendre 3,23 MJ m−2 nap−1 és 2,8 °C, R2

rendre 0,92 és 0,93). Ez az egyezés nem változik az egyes évek között olyan mértékben, ami

megmagyarázná a tapasztalt változékonyságot a modell pontosságában, különös tekintettel

a 2004-2006-os időszakban tapasztalt alulbecslést (4.1a. ábra). Azonban a VPD esetén a

GMAO adatok felülbecslik a méréseket, és ez a felülbecslés az időszak második felében

nagyobb mértékű (4.3. táblázat). Ez a megállapítás ellentmond korábbi irodalmi

eredményeknek, ahol a GMAO reanalízis az EK tornyoknál mértnél alacsonyabb VPD

becslést adott, amiért a meteorológiai adatok térbeli átlagolását okolták (Running et al.,

2004; Turner et al., 2005). A hegyhátsáli mintaterület azonban a régiónak egy viszonylag

nedvesebb éghajlatú részterülete, így a térbeli átlagolás megnövelhette a VPD-t a környező,

de még az 1° × 1,25° méretű pixelen belül szárazabb területek hatására. A VPD

felülbecsléséről számolt be Gebremichael és Barros (2006) egy nedves trópusi helyszín

esetén is, míg Kanniah et al. (2009) egy trópusi szavanna területen felülbecslést talált a

száraz évszakban, alulbecslést pedig a nedves évszakban.

76

4.3. táblázat. A GMAO és helyszínen mért telítési hiány közötti eltérések.

2001 2002 2003 2004 2005 2006

RMSE (Pa) 282 264 301 397 376 277

bias (Pa) 109 65 134 213 187 105

GMAO VPD és helyszíni mérések összefüggése R2 0,791 0,784 0,884 0,747 0,724 0,767

Amennyiben a VPD felülbecslése okozza a GPP-torony és GPP-GMAO közötti

eltéréseket a 2004-2006 időszakban, az eltérésnek csökkennie kell, ha a helyszínen mért

meteorológiai adatokat használunk a modellszimulációk során. Az eredmények alapján

azonban azt mutatják, hogy a helyi mérések használata ellenére a GPP továbbra is

alulbecsült (4.1b. ábra).

A 4.1a. és 4.1b. ábrán látható, hogy a meteorológai adatsor kicserélése elsősorban a

szimulált GPP rövid távú változékonyságára van hatással, de a modellezett és mért GPP

adatok közötti alapvető különbségekért nem felelős.

A helyi meteorológiai adatok hatása a MOD17 GPP modelleredményekre

helyspecifikusnak bizonyult szakirodalmi eredmények alapján. Némely esetben, mint

például ezen tanulmány estén a helyszínen mért meteorológiai adatok használata GMAO

reanalízis helyett alacsonyabb éves GPP összeg-becsléseket eredményez (Heinsch et al.,

2006; Running et al., 2004) (4.2. ábra). A GPP-met szimuláció eredményei a GPP-GMAO

futtatásnál is kissé alacsonyabb becslést adott még nagyobb mértékben alulbecsülve a mért

GPP adatokat, amiből világos, hogy nem a meteorológiai reanalízisben levő hibák felelősek

a modellhibáért. A maximális sugárzáshasznosulási hatékonyság (εmax) paraméter

alulbecslése és a talajnedvességi stressz figyelembe vételének hiánya (Hwang et al., 2008,

Zhang et al., 2008) együtt azonban magyarázhatja a modell viselkedését. Míg az első

jelenség a fluxus alulbecsléséhez vezet különösen nedves években, a nedvességi stressz nem

megfelelő figyelembe vétele nem csökkenti a modellezett GPP-t száraz években, így a

modell megközelítőleg azonos becslést ad száraz és nedves években egyaránt (4.2. ábra). Ez

alapján megállapíthatjuk, hogy a maximális sugárzáshasznosulási hatékonyság alulbecslése a

szisztematikus negatív modellhiba kialakulásában kulcsszerepet játszik. (Ez más biom

esetén azonban nem feltétlenül igaz, lásd például Turner et al. 2006; Heinsch et al. 2006

munkáit).

A fenti megállapításokat a korábbi szakirodalom is igazolja. Zhang et al. (2008) a MOD17

GPP modellt értékelte ki GMAO renalízis és helyszínen mért meteorológiai adatok bemenő

adatként való alkalmazásával egy szántóterület (őszi búza - kukorica rotáció) és egy hegyi

77

gyep helyszínen. Eredményeik szerint a MOD17 GPP modell itt is alulbecsülte a mért

fluxusokat különösen a szántó esetén függetlenül attól, hogy melyik meteorológiai

adatbázist használták a számítások során, melyért elsősorban a túl alacsony εmax paramétert

tették felelőssé.

Az egymás ellen dolgozó két modelltulajdonság, a mezőgazdasági területeknél alulbecsült

εmax paraméter és a nedvességi stressz nem megfelelő figyelembe vételének hipotézisét

Coops et al. (2007) munkája is megerősíti. Az eredeti standard MOD17 és módosított

modellverziók futtatását végezték el, elsőként egy helyszínre jellemző εmax paraméter

alkalmazásával, amit a második lépésben egy alternatív talajnedvességi mutató beépítésével

kombináltak. Ez utóbbit eredetileg Leuning et al. 2005 vetette fel. A MOD17 algoritmus

eredeti formájában való futtatásakor a mért fluxusok alulbecslését találták, míg a

módosított, helyszínspecifikus εmax paraméterrel történt számítások a fluxust felülbecsülték.

Ez utóbbi felülbecslés csökkent, amikor a talajnedvességi stresszparametrizációt bevezették,

így az összes modellverzió közül a legjobb egyezést ezek az eredmények mutatták a mért

fluxussal. Eredményeik így szintén az εmax paraméter és a nedvességi parametrizáció

együttes hatására utalnak.

4.1.2.2. A footprint figyelembe vételének hatása alacsony felbontású műholdas

adatokkal

Az EK torony footprint változásainak követése a műholdas szimuláció során 1 km-es

felbontásnál javított a szimulációk eredményén. A GPP-FP futtatások eredményei azonban

még mindig alulbecsülték a toronyméréseket (4.1c. ábra, 4.2. ábra). A távérzékelésen

alapuló GPP becslések és a felszíni EK mérések összevetésénél heterogén

felszínborítottság esetén a footprint változások figyelembe vételének csökkentenie kellene a

modellbecslések és a mérések közötti különbséget, reálisabb képet adva a modell

képességeiről. Ebben az esetben azonban az egyes parcellák az 1 km-es pixel alatti

mérettartományba esnek, így a térbeli átlagolás miatt továbbra is marad különbség a

távérzékelt és az EK adatok reprezentativitása között. Az egyes főbb gabonatípusokhoz

rendelhető igen különböző maximális sugárzáshasznosulási hatékonyság a parcellák

tipikusan pixelméret alatti kiterjedésével együtt már felveti a modell leskálázásának igényét,

hogy az aktuális footprint információk biztosította információk maximálisan kiaknázhatók

legyenek.

78

4.1.2.3. A leskálázás és a footprint információk felhasználásának hatása

A GPP-NDVI becslés esetén a becsült GPP értékek már igen jó egyezést mutatnak a

mérésekkel, még a 2004-2006-os csapadékosabb időszakban is (4.1d. ábra). Az éves

összegek terén bekövetkező növekedés is látható a 4.2. ábrán ahol azonban a GPP-NDVI

és a GPP-torony közötti nagy különbség az adatpótló eljárás műterméke is lehet.

A tornyot körülvevő területen mind C3 mind C4 növényeket termesztenek, ami azonban

nem olvasható ki a GPP becslésekből, noha a méréseken egyértelműen látszik a két

elkülönülő GPP csúcs: a C4 növények magasabb sugárzáshasznosulási hatékonysága miatti

magasabb CO2 felvétel. Fontos megjegyezni, hogy ez a módszer kizárólag az FPAR térbeli

felbontásából fakadó hibákat képes kiküszöbölni. Olyan modellstruktúrához kapcsolódó

problémákat, mint például a gabonák közötti különbségek elhanyagolása, nem tudunk

kiküszöbölni ezzel a módszerrel.

A modell pontosságának statisztikai mutatóit a 4.1. táblázat tartalmazza. A szimulált GPP

rövidtávú változékonyságát alapvetően a meteorológiai paraméterek (Tmin, VPD)

változékonysága okozta. Mivel a legutóbbi módosításaink az FPAR felbontásából, a térbeli

átlagolásból fakadó hibák kiküszöbölését célozta, a GPP változékonyságát modell nem

magyarázza jobban. Ez azt is jelenti, hogy a modell teljesítményét inkább az RMSE, IA,

ME, és bias mutatókkal érdemes kiértékelni, és nem a korreláció jellegű R2 és KR

mutatókkal. Ahhoz, hogy a modell által megmagyarázott GPP változékonyságot javítsuk, a

modellben strukturális javításokat, például a talajnedvességi stressz beépítését kellene

elvégezni.

4.1.2.4. Gabonaspecifikus eredmények értékelése

A gabonaspecifikus GPP modelleredményeket a toronymérésekből származó

gabonaspecifikus GPP-vel vethetjük össze. Mint korábban említettük (3.5.5. fejezet), a

GPP-CROP eredmények nem érhetők el minden évre, ezért az összevetés eredményei

esettanulmányként foghatók fel.

Mindazonáltal a két független becslésből származó GPP menetek jó egyezést mutatnak

(4.6. ábra). Látható, hogy 2004 második felében a mért GPP-t alulbecsli a modelleredmény

az őszi gabona esetén. A művelés, azaz ebben az időszakban az aratás egy hirtelen

csökkenést okoz a biomasszában és így a CO2 fluxusban is, így a modellezett menetet

reálisnak tételezhetjük fel. Az eltérés legvalószínűbb magyarázata az, hogy a toronymérések

esetén lehetséges, hogy más típusú növény jelei keverednek a leválogatott gabonaspecifikus

79

adatok közé, különösen az átmeneti periódusban amikor mindkét gabonatípus egyszerre

van jelen a térségben.

Ahogy a jövőben több évnyi adat áll majd rendelkezésünkre, a gabonaspecifikus vizsgálatok

pontosíthatók. Az alkalmazott footprint alapú szétválasztás lehetőséget biztosít az összetett,

magas tornyos mérésekből származó adatok regionális szinten történő értelmezésére (Wang

et al. 2006; Barcza et al. 2009a). A keletkezett adatok összevethetők távérzékelt adatokkal,

vagy biogeokémiai modellek eredményeivel.

Ki kell emelnünk, hogy vizsgálatunkban kizárólag az NDVI, mint távérzékelt adatsor

felhasználásával kaptunk a mezőgazdasági területek GPP-jéről reális képet. Korábbi

tanulmányok komplexebb módszerekkel értek el hasonló eredményt. Yan et al. (2009), a

VPM modell32 értékelését végezte el egy őszi búza-kukorica rotáció esetén, mely 3

vegetációs index alkalmazásával becsli a GPP értékét. Az itt prezentált eredményeink ennél

egy egyszerűbb alternatív módszerrel készültek.

4.1.2.5. A magas toronymérések vizsgálatából származó eredmények összefoglalása

A hegyhátsáli magas EK toronymérések kiváló lehetőséget nyújtottak a modell-mérés

eltérések lehetséges okainak vizsgálatára. A bemenő adatok hibáin túl a távérzékelt és

felszíni mérések eltérő térbeli reprezentativitása miatt fellépő különbségeket is ki tudtam

küszöbölni, vagyis lehetőségem nyílt a modell és a felszíni fluxusmérések eredményét a

lehető legjobban szinkronizálni.

Az eredmények alapján elmondható, hogy a GPP-met és GPP-FP futtatások csak mérsékelt

javulást okoztak a modell teljesítményében, az eredeti referencia GPP-GMAO becslésekhez

viszonyítva. Az új, leskálázással készült GPP-NDVI módszer azonban jelentősen növelte a

GPP szimulációk pontosságát a heterogén mezőgazdasági területen, ahol az egyes parcellák

az 1 km-es MODIS pixel méreténél jellemzően kisebbek. Ez azt mutatja, hogy a validáció

eredményét erősen befolyásolja az EK mérések és a távérzéket adatok közös értelmezése,

vagyis a térbeli reprezentativitásbeli eltérések nem hagyhatók figyelmen kívül.

Általános esetben a módszer alkalmazása több lépésből áll. Az adott területre jellemző

farmstruktúra függvényében ajánlatos az NDVI alapú GPP számítást alkalmazni regionális

szintű tanulmányokban 250 m vagy akár 1 km-es felbontásban a következő módon.

Elsőként az NDVI idősorok minőségbiztosítását, és wavelet transzformáció Barcza et al.

(2009a) alapján történő korrigálását, vagy más, alternatív módon előállított,

minőségbiztosított és interpolált NDVI idősorok használatát ajánljuk. Második lépésben az

32 Vegetation Photosynhesis Model

80

FPAR adatok előállítása történhet NDVI idősorokból (például Sims et al., 2005 alapján).

Ezután a meteorológiai adatoknak akár a GMAO vagy más, az adott területre megfelelőnek

ítélt (pl. nemzeti meteorológai szolgálatok adatbázisából származó) meteorológiai

adatsorból történő előállítása következik. Ezt követően a GPP a MOD17 GPP modell

sémáját követve számítható.

Az eredmények rámutattak azonban arra is, hogy a térbeli reprezentativitások közötti

eltérések nem kizárólagosan felelősek a modell és a mérések közötti eltérésekért. A fenti

módszert alkalmazva a GPP még mindig alulbecsült (átlagosan körülbelül 18%-kal a

hegyhátsáli mérőhelyre), bár a modellhiba kisebb, mint az eredeti modellfuttatások esetén.

Ennek fontos következménye, hogy az adott ökoszisztéma nem megfelelő módon történő

leírásából fakadó modellhiba nem küszöbölhető ki a modellparaméterek kalibrációja

és/vagy a modell strukturális fejlesztése nélkül. Az eredmények tovább javíthatók lennének

a C3 és C4 növények közötti fiziológiai különbségek modellbe történő integrálásával a

modellparaméterek specifikus kalibrációjával (v.ö. Chen et al., 2011). Nyugat-

Magyarországon az NDVI alapú növénytípus azonosítás lehetővé teszi a gabonaspecifikus

modellfuttatásokat és kalibrációt, azonban a gabonaspecifikus adatsor már említett igen

nagy bizonytalansága korlátozza az ilyen jellegű felhasználást.

Emiatt, valamint annak érdekében, hogy a modellparaméterek nagyobb térségre legyenek

érvényesek, a kalibrációt a nemzetközi, alacsony tornyos EK adatsorral végeztük el.

4.2. Validáció és modell-optimalizáció nemzetközi mérésekkel

4.2.1. Eredmények

4.2.1.1. Validáció

Mivel az előző fejezet eredményei a nemzetközi szakirodalommal összhangban rámutattak

a MOD17 GPP modell szisztematikus hibájára mezőgazdasági növények esetén, a

nemzetközi helyszínek adatai alapján kísérletet tettem a MOD17 GPP modell

optimalizálására (kalibrálására).

Első lépésként elvégeztük a MOD17 GPP modell validációját a nemzetközi FLUXNET

hálózat mezőgazdasági mérőhelyeinek adatival is (az EK tornyok adataiból származó GPP

adatsort itt is GPP-torony néven fogjuk említeni a továbbiakban). Célunk a távérzékelésen

alapuló mezőgazdasági GPP becslések általános vizsgálata mellett az volt, hogy

megállapítsuk, mennyire képes a modell figyelembe venni a mezőgazdasági növények

sokféleségét.

81

A helyszínek kiválasztásával összhangban egy egyszerű megközelítést alkalmazunk, mely a

növényeket a fotoszintézis típusa alapján osztja szét. Célunk annak igazolása, hogy a C3 és

C4 növények esetén a MOD17 becslések pontossága eltér, így szükséges a modellben a

mezőgazdasági kategória ilyen jellegű kettébontása. Ennek során végig a GPP-met

megközelítést alkalmaztuk, ami az általunk adaptált modell eredeti, 1 km-es rácson,

helyszínen mért meteorológiai adatsorral történő napi szintű futtatását jelenti (lásd 3.5.2.

fejezet), melyet a validáció során a modell-mérés egyezés statisztikai vizsgálatához a

MOD17 produktum eredeti 8 napos időbeli felbontására átlagoltunk. Minden esetben az

EK toronyhoz legközelebbi, 1 km felbontású pixelt vettük figyelembe az FPAR mezőből.

Minthogy alapvető célunk a mezőgazdasági területek hosszabb időszakra vonatkozó

szénmérlegének meghatározásában a távérzékelés szerepének vizsgálata, az éves GPP-met

összegek validációjára fókuszáltunk érintve ugyanakkor a GPP éven belüli dinamikáját is. A

mérőhelyekhez tartozó éves GPP összegek validációs eredménye a 4.7a. ábrán látható a

GPP-torony összegek bizonytalanságával (szürke vonalak). Általánosságban elmondható,

hogy a MOD17 GPP modell az eredeti paraméterkészletével nagy produktivitású

helyszínek esetén jelentősen alulbecsli az éves GPP-torony összegeket (Gelybó et al., 2010).

Az alulbecslés mértéke 56% és 5% között mozog. Előfordul ugyanakkor felülbecslés is az

esetek kisebb részében, különösen a US-ARM helyszínnél (ahol a legtöbb évben C3

növényeket termesztenek, lásd 3.6. ábra), itt minden évben magasabb értéket adott a GPP-

met. A felülbecslés mértéke az összes helyszín esetén 45% és 2% között változik. Az

eredmények rámutatnak, hogy a produktívabb helyszínek esetén nagyobb mértékű az

alulbecslés; ez különösen az öntözött helyszíneken szembetűnő. Ugyanakkor például az

amerikai Mead kísérleti helyszíneken, ahol öntözött (US-Ne2) és nem öntözött (US-Ne3)

módon termesztenek ugyanolyan gabonát, a különbség nem számottevő, vagyis az

alulbecslést nem magyarázza a – nem öntözött helyszínen feltehetően jelen lévő –

nedvességi stressz eltérése.

Ha növénytípus szerint vizsgáljuk az eredményeket láthatjuk, hogy felülbecslés − egy

kivétellel: US-ARM 2008 − a C3-as növények esetén fordul elő, és az alulbecslés mértéke

nagyobb C4 növényeknél, mint C3 növényeknél. Ez a hatás a nebraskai Mead helyszíneken

(US-Ne1 és US-Ne2) tanulmányozható legjobban, ahol rendelkezésre állnak mérések a két

különböző gabonafajtáról azonos évben. Az US-Ne1 helyszínen öntözött kukorica

monokultúra található (C4), a hozzá közel eső (lásd 3.2.2. fejezet) US-Ne2 helyszínen pedig

szója-kukorica rotáció (C3, C4), így kétévente azonos körülmények között, egyszerre

termesztenek C3 és C4 növényt. Ennek megfelelően 2004, 2006 és 2008 években az US-

82

Ne1 helyszín C4, míg az US-Ne2 helyszínen C3 növény termett. A helyszíneken a modell-

mérés eltérés 2004 évben 37% alulbecslés és 25% felülbecslés, 2006-ban 43% alulbecslés és

4% felülbecslés, 2008-ban 47% alulbecslés és 2% felülbecslés rendre C4 és C3 típusú

növények esetén. Mivel az ehhez hasonló kísérletek száma az eddy-kovariancia mérések

költségei miatt igen kevés, nem öntözött mezőgazdasági területekről nem áll rendelkezésre

adat hasonló összevetés elvégzéséhez.

A GPP-met és GPP-torony éves összegek közötti összefüggés vizsgálatánál az R2 érték az

összes adatra 0,3 (p < 0,0001), míg rendre a C3 és C4 növények esetén 0,42-nek (p < 0,001)

és 0,21-nek (p = 0,02) adódott, vagyis a C3 növények esetén az egyes helyszínek és évek

közötti változékonyságot jobban képes leírni a modell.

A 4.7. ábra szerint az éves összegek alapján némely helyszín esetén jó eredményeket

kaptunk (például az IT-BCi helyszín nagy produktivitása ellenére közel esik az 1:1

egyeneshez). Érdemes azonban az éves GPP összegek mellett az éves menetekre is

figyelmet fordítani. Mivel a vizsgált helyszínek némelyikénél előveteményt vagy

másodvetést alkalmaztak, esetleg az őszi vetés késő őszi kihajtása okozott újabb CO2

felvételt, így az éves összegek nem feltétlenül reprezentatívak a fő vetés produkciójára. A

műholdas becslés a téli − kora tavaszi − késő őszi időszakban a rendszerint nagyobb

felhőborítottság illetve a hótakaró miatt bizonytalanabb, így célszerű csak a fő vetés

vegetációs időszaki összegekre is elvégezni a validációt.

4.7. ábra. A MOD17 GPP modell validációjának eredménye a FLUXNET helyszínekre a) a teljes évi

összegeket tekintve, b) csak az adott év vegetációs időszakát tekintve (ez utóbbi az az időszak, amikor az

adott növényfajta jelen volt az aratás időpontjáig). Az EK alapú GPP-torony mérések bizonytalanságát is

feltüntettük (szürke vonalak). Narancs szín a C3, zöld szín a C4 növényekkel jellemezhető éveket jelöli az

egyes helyszíneken. A mérőhelyek azonosításához a 3.4. táblázatban definiált rövidítéseket használtam.

83

Ezt a második lépésben tettük meg, a különbség igen szembetűnő (4.7b. ábra). A GPP-met

továbbra is szignifikánsan alulbecsli a GPP-torony mennyiséget, azonban az egyes

mintaévek hibájának eloszlása más képet mutat (4.7b. ábra; R2 = 0,29 (p < 0.01), R2 = 0,33

(p < 0.005), rendre C3 és C4 növényekre). A teljes adatsorra (C3 és C4) R2 = 0,48

(p < 10−7), vagyis az összefüggés jobb, mint a teljes év adataival (R2 = 0,3 (p < 0,0001)).

Legszembetűnőbb az IT-BCi helyszín eredményeinek változása (üres zöld körök a 4.7.

ábrán mindkét panelen). A helyszín szimbóluma a teljes éves összegeket tekintve közel esett

az 1:1 egyeneshez, mely átlagosan 20%-os alulbecslést jelentett. Csak a fő növény (kukorica,

3.6. ábra) vegetációs időszakát (vetéstől aratásig) figyelembe véve azonban 38%-os

alulbecslést kaptunk a vegetációs időszakra vonatkozóan (4.7b. ábra). Az értékelésben

ennek okaira külön kitérünk.

Mivel a vegetációs időszakra vonatkozó összeg jobb összefüggést mutat az azonos

időszakra vonatkozó mért GPP összegekkel, így a kalibráció és az optimalizált modell

validációját is csak a vegetációs időszakra vonatkozó összegekkel végezzük el.

4.2.1.2. Kalibráció

Ahogy azt a 3.6. fejezetben már kifejtettük, a GLUE módszer a modell érzékenység-

vizsgálatára és kalibrálására (optimalizálására) is alkalmas. A nemzetközi EK alapú GPP-

torony adatok segítségével megtudhatjuk, hogy egy adott modell-paraméterkészlet mellett

mekkora a valószínűséggel kapjuk vissza a referencia adatokat. Ezt a valószínűséget a

likelihood függvénnyel írjuk le (L). A 4.8. ábrán a 100.000 Monte-Carlo futtatással

mintavételezett 5 dimenziós paramétertér egyes metszetein ábrázoljuk a likelihood értéket a

paraméter érték függvényében a kalibrációs helyszínek adataira (3.9. táblázat). Ha az adott

paraméter értékétől egyértelműen függ a modell eredménye, úgy a ponthalmaz határozott

maximummal rendelkezik.

Az érzékenység-vizsgálatot C3 (4.8. ábra bal oldal) és C4 típusú növényekre (4.8 ábra jobb

oldal) külön-külön végeztük el napi szintű GPP összegekkel. A validáció során használt 8

napos GPP átlagokkal ellentétben itt napi szintű összegekkel dolgoztunk annak érdekében,

hogy a lehető legtöbb mért adatot használhassuk fel a kalibrációhoz (vagyis a rendelkezésre

álló információt maximálisan kihasználjuk). A 8 napos átlagok képzése során ugyanis akkor

tekintjük az adott 8-napos átlagot mértnek, ha abban a mért (és nem a GF/FP eljárással

származtatott) adatpontok száma egy bizonyos (önkényesen választott) küszöb felett van.

Ha ez a küszöb irreálisan magas (például 8 nap, vagyis megköveteljük, hogy minden

84

adatpont legyen mért), úgy sok adatot veszítünk. Ellenben ha a küszöb nem elég magas,

akkor sok nem mért (vagyis modellezett) adat keveredik a kalibrációs adatsorunkba. Ezt a

szubjektív döntést elkerülendő napi szintű adatokat használtunk a GLUE eljárás során,

majd 8 napos átlagokkal validáltuk az optimalizált modell pontosságát, hogy az

konvencionálisan az eredeti hivatalos MOD17 termék időbeli felbontásával összevethető

legyen.

Az ábrán látható eredményt az összes kalibrációs helyszín adatainak együttes

felhasználásával kaptuk. Egy pont az adott növénytípusra jellemző ábrán tehát az összes,

adott növénytípusra jellemző kalibrációs adatból számított likelihood értékét jelöli az aktuális

paraméterérték függvényében. Az eredmények alapján nyilvánvaló, hogy a modell leginkább

az εmax paraméter értékére érzékeny (4.8. ábra, felső ábrák). A többi modellparaméterre a

modell kevéssé vagy egyáltalán nem érzékeny, az L értéke nem függ a paraméter értékétől

hangsúlyozottan. Szembetűnő az εmax paraméter esetén a pontfelhő alakjának különbsége is

a C3 és a C4 típusú növények esetén. C3 növényeknél egy sokkal élesebb maximummal

rendelkező, kisebb szórású pontfelhőt kaptunk. Annak ellenére kaptuk ezt az eredményt,

hogy mintánkban a C3 növények sokfélesége jellemző, míg csak egyféle (kukorica) C4

növény szerepelt az adatbázisban.

85

4.8. ábra. A MOD17 paraméterek GLUE alapú többhelyszínes érzékenységvizsgálatának eredménye C3

és C4 növényekre.

86

Mivel a modelleredményeket egyértelműen az εmax paraméter értéke befolyásolja leginkább,

a továbbiakban elsősorban a maximális fényhasznosulási hatékonyság paraméterre térünk

ki, (azonban a többi modellparaméter optimalizációját is megkíséreljük). Amint azt már

korábban említettük, számos tanulmány számol be az εmax paraméter alulbecsléséről

mezőgazdasági növénykategória esetén (Turner et al., 2005; Yang et al., 2007; Yan et al.,

2009; He et al., 2013; Wang et al., 2013).

Az optimális modellparaméter-készletnek a maximum likelihood becsléshez tartozó

paraméterkészletet tekintettem. A robosztusabb becslés érdekében a GLUE

módszertanban elterjedt a paraméter-együtteseket két részre, „jól viselkedő (behavioral)” és

„nem jól viselkedő (non-behavioral)” paraméter-együttesekre szétválasztani, és az optimális

paraméter-értéket a „jól viselkedő” paraméterek átlagaként előállítani. Ezt arra a tételre

alapozzák, hogy nem csak egyetlen optimális paraméter-együttest, hanem számos, közel

ugyanannyira megfelelő paraméter-együttest kaphatunk eredményül a kalibráció során. Mi

Stedinger et al. (2008) leírását követve valósítottuk meg a GLUE módszert, mely módszer

nem használ szétválogatást, így munkámban és sem használtam ilyen levágást.

Az eljárást két lépésben végeztük el. Mivel a mezőgazdasági növényzet változásait a

környezeti tényezők mellett az emberi beavatkozás is erősen befolyásolja, a reális eredmény

érdekében csak adott növény naptári éven belüli vegetációs időszakát vettük figyelembe

(lásd 3.6.2. fejezet). Elsőként arra kerestük a választ, hogy mennyire változékonyak az egyes

helyszínek között az optimalizált modellparaméterek, lehetséges-e egy közös optimalizált

paraméterkészlet megtalálása és sikeres alkalmazása? Ehhez minden egyes helyszínre külön

végeztük el egy tízezer lépéses kalibrációs eljárást.

A második lépés során a különböző helyszínekről származó mérési évek csak egy részének

felhasználásával alakítottam ki a tervezett közös, optimalizált paraméterkészletet, 100 ezer

lépéses kalibrációval. Ehhez kiválasztottam a helyszínek egy olyan részhalmazát, melyet

csak kalibrációs helyszínként kezeltem (3.9. táblázat), és melyek adataival optimalizáltam a

modellt. A többi helyszín mérési éveit, mint független információt használtam és adataikon

vizsgáltam az eredeti és kalibrált modell pontosságát (ezek a validációs helyszínek).

Az egyes helyszíneken elvégzett optimalizáció eredményei az εmax paraméterre a 4.4.

táblázatban láthatók. Itt a helyszínek összes mérési évét használtuk. Azokra a helyszínekre,

ahol C3 és C4 gabonát is termesztenek, többféle optimalizációt végeztünk el: az összes év,

majd rendre csak a C3 illetve csak a C4 évekre is kalibráltunk. Itt az egyes helyszínekre

kapott általános (C3 és C4 együtt) valamint C3 illetve C4 gabonaspecifikus paramétereket is

bemutatjuk (rendre εmax_C3 εmax_C4)

87

A 4.4. táblázatból látható, hogy a modellkalibráció eredményeként kapott εmax

modellparaméterek nagy változatosságot mutatnak az egyes helyszínek (és évek) között,

azonban világosan látható a C3 és C4 növények közötti különbség (t-teszt alapján

szignifikáns, p < 0,05). A C4 növények nagyobb LUE értékének megfelelően nagyobb εmax

értéket is kaptunk (átlagosan 0,002293 kgC MJ−1) mint C3 növényekre átlagosan

(0,001746 kgC MJ−1).

4.4. táblázat. Az egyes kalibrációs helyszínekre optimalizált εmax paraméterek. A C3 és C4 növénnyel is

jellemezhető helyszínek esetén az általános, illetve a C3 és C4 gabonaspecifikus paramétereket is

láthatjuk.

CH-Oe2 DE-Geb IT-BCi IT-Be1 US-ARM US-IB1

εmax [kgC MJ−1] - - - - 0,000954 0,002245

εmax_C3 [kgC MJ−1] 0,001768 0,001975 - - 0,001173 0,001805

εmax_C4 [kgC MJ−1] - - 0,002003 0,002487 0,001045 0,002459

US-Ne1 US-Ne2 US-Ne3 US-Ro1 US-Ro3 NL-Lan

εmax [kgC MJ−1] - 0,002746 0,002528 0,002157 0,002046 -

εmax_C3 [kgC MJ−1] - 0,001909 0,002167 0,001717 0,001455 -

εmax_C4 [kgC MJ−1] 0,003022 0,002885 0,002378 0,002333 0,002023 0,001628

A teljes kalibrációs adatbázist együttesen figyelembe vevő optimalizáció esetén kapott a

modellparaméterek a 4.5. táblázatban láthatók. Ez a paraméterkészlet nem

helyszínspecifikus, ennek ellenére alkalmazása esetén javítania kellene a mérés-modell

egyezést a validációs helyszíneken a C3 és C4 típus megkülönböztetése miatt. A MOD17

GPP modell C3 és C4 mezőgazdasági vegetáció esetére a 4.5. táblázatban megadott

paraméterkészletekkel jellemzett verzióját a C3 és C4 fotoszintézis típusú gabonák

elkülönítésre utalva gabonaspecifikus MOD17 GPP modellnek fogjuk nevezni. A

paraméterek értékét tekintve látható, hogy C4 növényekre jóval magasabb értéket

javasolhatunk, ami várhatóan javít a C4 típusú növények GPP-jének eredeti parametrizáció

mellett észlelt alulbecslésén.

Hogy erről meggyőződhessünk, a gabonaspecifikus, kalibrált MOD17 GPP modell

validációját is elvégeztük. A kalibráció eredményének vizsgálatát, vagyis a modell

optimalizált paraméterkészletével történő újraértékelését azoknak a helyszíneknek az

adataival végeztük el, melyeket a kalibráció során nem használtunk fel (validációs

helyszínek, 3.6.1. fejezet). Ehhez természetesen az eredeti paraméterekkel is megvizsgáltuk

ugyanezt az adatsort.

88

4.5. táblázat. Az eredeti és a többhelyszínes kalibrációval kapott optimalizált gabonaspecifikus

paraméterértékek. A Collection 5.1 sor az eredeti MOD17 GPP modellben használt mezőgazdasági

kategóriához tartozó értékeket jelöli.

Növénytípus εmax [kg C MJ-1]

Tmin_MIN [°C ]

Tmin_MAX [°C]

VPDMIN [Pa]

VPDMAX [Pa]

Collection 5.1 0,001205 −8,0 12,0 650 4500

C3 0,001487 2,4 12,2 101 4114

C4 0,002527 4,6 16,8 941 4257

Eredményeink alapján a két adatsor közötti összefüggés (4.9a. ábra) a modell eredeti

paraméterkészletével R2 = 0,44 (p < 0,0005), míg az optimalizált paraméterkészlettel (4.5.

táblázat) R2 = 0,71 (p < 10−7), vagyis a modell a mért adatok változékonyságának 71%-át

magyarázza meg. A vizsgált évekre a GPP-torony és GPP-met összefüggést a 4.9b. ábrán

láthatjuk.

4.9. ábra. A kalibrációban nem használt (validációs) helyszínek GPP-torony és GPP-met éves összegei a

kalibráció előtt (a) és gabonaspecifikus kalibrációval (b). Narancs színnel a C3, zölddel a C4 növényekkel

jellemzett éveket jelöltem. A helyszínek azonosítására használt rövidítések definíciója és egyéb helyszín

információk 3.4 táblázatban láthatók.

Mindeddig a szénmérleg szempontjából kiemelt jelentőségű éves összegekkel

foglalkoztunk, azonban a modell működésének megítéléséhez fontos az éves menet helyes

becsléséről is meggyőződni. Az éven belüli változékonyság követését ennyi helyszínnél és

évnél a validációs adatsoron nem tudjuk szemléletesen bemutatni, így a már korábban is

alkalmazott statisztikai mérőszámokkal vizsgálom a modell teljesítményét. A 4.6.

táblázatban a validációs mérési évekre kapott statisztikai eredményeket láthatjuk kalibráció

89

előtt és után. A statisztikát az eredeti MOD17 GPP modell időbeli felbontásával

összhangban, 8 napi GPP átlagokra számítottam, az EK mérések adataiból csak valódi

méréseket (mesterségesen pótolt adatokat nem) vettük figyelembe.

A táblázatban a félkövér betűvel szedett mérőszámok mutatják a javulást. Az eredmények

alapján azonban leszögezhetjük, hogy a modell gabonaspecifikus optimalizációja javított az

éven belüli változékonyság követésén is.

4.6. táblázat. Az eredeti és a gabonaspecifikus optimalizált modellfuttatások elemzése a validációs

mérési évekre. Félkövér betűvel emeltük ki azokat az eseteket, amikor a kalibráció javított az adott

statisztiai mérőszámon az eredeti értékhez képest.

Helyszín Parametrizáció RMSE [gC m−2 nap−1] IA ME KR R2 Bias

[gC m−2 nap−1]

Eredeti 2,675 0,826 0,575 0,618 0,659 −0,827 DE-Geb (2004, 2005, 2007) Kalibrált 2,034 0,917 0,754 0,658 0,771 0,116

Eredeti 6,048 0,700 0,344 0,834 0,850 −3,415 IT-Be1 (2007-2008) Kalibrált 3,104 0,946 0,827 0,803 0,846 0,709

Eredeti 3,405 0,726 0,367 0,661 0,715 −1,885 NL-Lan (2005) Kalibrált 2,961 0,858 0,521 0,556 0,677 −1,687

Eredeti 3,419 0,833 0,626 0,664 0,809 −1,076 US-IB1 (2006-2008) Kalibrált 1,891 0,966 0,886 0,674 0,896 −0,199

Eredeti 6,051 0,665 0,358 0,697 0,666 −2,501 US-Ne2 (2003-2008) Kalibrált 3,631 0,915 0,769 0,757 0,839 −0,816

Eredeti 4,813 0,702 0,410 0,688 0,694 −1,979 US-Ne3 (2002-2008) Kalibrált 3,099 0,912 0,756 0,728 0,806 −0,658

Eredeti 2,316 0,804 0,487 0,549 0,499 −0,348 US-Ro3 (2004-2007) Kalibrált 2,403 0,839 0,448 0,592 0,504 0,367

4.2.2. Értékelés

4.2.2.1. Többhelyszínes validáció

A MOD17 eredményeket gyakran alkalmazzák kvantitatív becslések helyett a GPP és NPP

évek közötti változékonyságának illetve anomáliájának a követésére (pl. Turner et al., 2006).

Az évek közötti változékonyság az éves összegek hibájától elméletileg független, ha

feltételezzük, hogy a modell érzékeny a meghajtó meteorológiai és FPAR mennyiségek évek

közötti változékonyságára. Ebben az esetben az EK mérésekből származtatott és a

modellezett éves GPP összegek között szoros összefüggésnek kellene fennállnia. A

nemzetközi mérőhálózat adataival végzett összevetés alapján az adatsorok között van

90

összefüggés (R2 = 0,3, p < 0,0001) (4.7. ábra), azonban a vegetációs időszakra vonatkozóan

erősebb összefüggést találtunk (4.8. ábra). Az R2 érték azonban még a vegetációs

időszakáottekintve is 0,5 alatt marad (4.2.1.1. fejezet), vagyis a modell a megfigyelt évek

közötti változékonyságnak kevesebb, mint 50%-át magyarázza. Ez alapján nem lehet

egyértelműen megítélni, hogy a MOD17 GPP modell – legalábbis mezőgazdasági területek

esetén – képes-e az évek közötti változékonyság megfelelő magyarázatára. Ahogy azt a

hegyhátsáli vizsgálatnál már láthattuk, a csapadékosabb és kevésbé jó vízellátottságú évek

közötti különbségeket a modell nem volt képes visszaadni, vélhetően a strukturális hibák

(illetve a modellparaméter-készlet bizonytalansága) miatt (4.1. fejezet).

Az eredményeink szerint a FLUXNET helyszínekre az éves GPP összegek alapján

elvégzett validáció más eredményt mutat, ha a teljes évre, illetve ha csak a vegetációs

időszakra végezzük el a számításokat (4.7. ábra). Ez amellett, hogy az éves összegek az év

során előforduló adathiányok miatt bizonytalanok (Falge et al., 2001) más okból is eredhet.

Az egész évre és csak a vegetációs időszakra vonatkozó validációs eredmények között a

legnagyobb különbséget az IT-BCi helyszín esetén kaptuk, így ezen mérőhely adatain

keresztül mutatjuk be a probléma okát. Az éves/vegetációs időszakbeli GPP összegek

eltéréseinek elemzéséhez értelemszerűen a GPP éven belüli változékonyságát kell

megvizsgálnunk. Noha az éves összegek a GPP-met és GPP-torony becslések esetén

viszonylag jól egyeznek az IT-BCi helyszín esetén (32%, 18% és 12% alulbecslés rendre a

2005, 2006 és 2007 években), az éves GPP menetet megvizsgálva komoly eltéréseket

láthatunk (4.10. ábra).

4.10. ábra. IT-BCi helyszín GPP menetei a GPP-torony mérések (körök) és kalibrálás előtti GPP-met

(szürke vonal) becslések alapján.

A helyszínen összetett vetési rendszert alkalmaznak, melyben a kukorica mint fő vetés

állandó (lásd 3.2.2. fejezet, 3.6. ábra). Az elővetemény tavaszi zöldellése, a fő vetés, illetve a

91

másodvetés miatt minden évben három csúcs vehető ki az NEE-ben, és így a 8 napos GPP

átlagokban is (melynek felbontása a standard MOD17 termék időbeli felbontásával egyezik

meg). Ezeket az alacsonyabb produktivitású időszakokat kisebb hibával közelíti a

távérzékelt becslés, sőt, néhol felül is becsli, ami a leírt hibát okozza az éves GPP

összegekben. Azonban az éves menetek alapján jól látható, hogy a C4 típusú fő vetés GPP

értéke néhol közel 50%-kal is alulbecsült (4.10. ábra). Ezért a fő növény vegetációs

időszakára elvégzett validáció eredménye eltérő, 44%, 42% és 28%-os alulbecslést adott

rendre a 2005, 2006 és 2007 évben.

A MOD17 GPP modell validációját számos mezőgazdasági EK helyszínre elvégezték már.

A mért adatok alulbecslésére utaló eredményeinket ezen tanulmányok megerősítik. Yang et

al. (2007) a Mead helyszínek, és a szintén az USA középső részén elhelyezkedő Bondville

EK méréseivel összevetve vizsgálta a MOD17 terméket. Eredményeik alapján a relatív hiba

Bondville (szója-kukorica rotáció) esetén 50,5%, az US-Ne1 (öntözött kukorica) esetén

66,1%, az US-Ne2 (öntözött szója-kukorica rotáció) esetében 38,9%, az US-Ne3 (szója-

kukorica rotáció) esetén pedig 33,5% alulbecslés volt. Hasonlóan alulbecslésről számolt be

Turner et al. (2005), ahol a korábban már említett Bigfoot kísérletben a MOD17 becslést és

az EK méréseket azonos szintre skálázva vetették össze. Eredményeik szerint a MOD17 az

EK alapú GPP kb. 2/3-át adta. Ázsiai mezőgazdasági EK helyszínek adataival is vizsgálták

a MOD17 GPP becsléseket. Négy mezőgazdasági helyszín (kukorica) esetén végezte el a

MOD17 produktum validációját Wang et al. (2013). A helyszíneken rendre 69,2%, 73,5%,

78,4% illetve 74,1% alulbecslést kaptak a mért adatokhoz képest. He et al. (2013) a 4.7.

táblázatban látható Yucheng mezőgazdasági helyszín két évében 70,1% illetve 66,4%

alulbecslésről számolt be a mérési adatokhoz képest. Zhang et al. (2008) egy őszi búza-

kukorica vetésváltás kapcsán hasonló következtetésre jutott.

A fenti vizsgálatokat azonban jellemzően egy vagy két évre végezték el, és amint az a mi

eredményeinkből is látszik, a helyszínek között és az egyes évek között nagy

változékonyságot mutat a modellhiba. A szakirodalmi összevetést nehezíti, hogy a

tanulmányokban az épp aktuális verziószámú MOD17 produktum vizsgálatát végezték el,

ami verziónként más paraméterkészletet jelent, és az εmax paraméter értéke az egyes verziók

között fokozatosan emelkedett. A validáció során kapott modellhiba számszerű eredményét

ezen kívül befolyásolja az EK mérésekből történő GPP származtatás módszere is (a

használt GF/FP eljárások, lásd 3.2.3. fejezet). Emiatt még azonos helyszín azonos mérési

éveire elkészített validáció esetén sem feltétlenül láthatjuk ugyanazokat a számszerű

eredményeket két különböző kutatócsoport vizsgálatából. A mezőgazdasági területek

92

esetén tapasztalt alulbecslésben azonban egyetértenek a tanulmányok, függetlenül attól,

hogy a bemenő meteorológiai adatok hibáit, vagy az eltérő térbeli reprezentativitást

figyelembe vették-e vagy sem.

A szakirodalomban talált validációs eredmények többsége C4 növényre áll rendelkezésre,

vagyis a modell pontosságát C3 és C4 gabonák esetén kiterjedten még nem vizsgálták. A mi

eredményeink alapján a C3 és C4 növények esetén különbözik a MOD17 GPP modell

pontossága (4.9. ábra). Az amerikai helyszíneken és az USA középső részén elterjedten

alkalmazott szója-kukorica vetésváltás jellegzetes képet ad a becslések pontosságát illetően.

Példaként az US-Ne2 nem öntözött szója-kukorica rotáció validációját mutatom be (4.11.

ábra). A Mead helyszínek (US-Ne1, US-Ne2, US-Ne3) remek helyszínt biztosítanak a

tesztelésre, hiszen jellemzik ezt a tipikus amerikai vetésváltást, valamint sem elő- sem

másodvetést nem alkalmaznak, és a C3 és C4 növények rotációja két helyszínen is

vizsgálható.

4.11. ábra. A GPP alakulása a US-Ne2 helyszínen a GPP-torony mérések (körök) és GPP-met (szürke

vonal) becslés alapján eredeti modellparaméterekkel.

A helyszínen a 2003 kukorica a 2004 pedig szója év volt. Ezeken a helyszíneken jellemzően

egy évben egy vetés van, így jól megfigyelhető egyetlen csúcs a GPP éves menetében. Az

EK méréseket egy viszonylag nagy kiterjedésű mezőgazdasági parcella felett végzik (3.8.

ábra), így a felszín heterogenitásának hatása az EK mérések és a MODIS alapú becslés

közötti egyezésre viszonylag kicsi. Az éves összegek alulbecslésének átlagos mértéke

kukorica (C4) években 47%, szója (C3) években 10% túlbecslés tapasztalható. Ez a 8 napos

felbontású adatok tekintetében 2,5 gC m−2 nap−1 BIAS értéket (az adatsorok átlagai közötti

eltérés), valamint 0.6 R2 értéket (4.6. táblázat) jelent. A C3 és C4 növények fényhasznosulási

hatékonyságának (LUE) eltérése közismert a szakirodalomban (például Chen et al., 2011;

93

Bradford et al., 2005), mely magyarázhatja az egyes évek közötti eltérést. A MOD17 GPP

modell ezt tükröző εmax paramétere mégsem választja szét ezt a két alapvető növény típust a

mezőgazdasági növényzet esetén.

A 4.7. ábrán azt is észrevehetjük, hogy a modell a valós GPP összegtől, vagyis a helyszín

tényleges produktivitásától függetlenül minden esetben nagyságrendileg hasonló becslést

nyújt. Ez arra utal, hogy az εmax paraméter mezőgazdasági növényzet esetén alulbecsült, és a

modellben szinte bármilyen időjárási körülmények között a növényzet viszonylag könnyen

eléri a relatíve alacsony maximális értéket. A nemzetközi szakirodalomban számos kutatás

beszámolt az εmax paraméternek a GPP alulbecslésében játszott szerepéről mezőgazdasági

területek esetén, különösen a magas produktivitású területeken (Yang et al., 2007; Zhang et

al., 2008). Ezt erősítette meg a vizsgálat eredménye is, ami alapján főleg a C4 növények

esetén jelentősen nagyobb εmax érték javasolt.

4.2.2.2. Kalibráció

A 4.6. táblázatban bemutatott eredmények tükrében látható, hogy a gabonaspecifikus

kalibráció alkalmazása egyértelműen javított a modell pontosságán.

Az egyes helyszínekre külön-külön elvégzett modelloptimalizáció eredményeiből kiderül,

hogy a C3 és a C4 növényekre külön kapott εmax_C3 és εmax_C4 hasonlóan alakul az egyes

helyszínek esetén (C3 átlag = 0,001746 kgC MJ−1, szórás = 0,00031 kgC MJ−1; C4 átlag =

0,002293 kgC MJ−1, szórás = 0,00058 kgC MJ−1), az εmax_C3 paraméterre átlagosan kisebb

értéket kaptunk, mint εmax_C4 esetén. Ez alapján feltételeztük, hogy egy globálisan

alkalmazható, helyszínfüggetlen gabonaspecifikus paraméterkészlet − ha nem is olyan

mértékben, ahogy a helyszínspecifikus kalibráció, de − javíthat a modelleredményeken.

A 4.7 táblázatban a szakirodalomban fellelhető, mezőgazdasági helyszínekre meghatározott

maximális LUE értékek láthatók. A szakirodalom szerint a MOD17 GPP modellnek ilyen

átfogó, a fotoszintézis típusa alapján szétválasztott kalibrációja még nem történt, de egyes

EK helyszínekre történt már modellkalibráció. A mi vizsgálatunkban csak európai és

amerikai helyszínek szerepelnek, így érdemes eredményeinket összevetni az elérhető ázsiai

becslésekkel. Wang et al. (2013) több ázsiai mezőgazdasági EK helyszínre végezte el a

MOD17 GPP modell kalibrációját. Minden helyszínen kukoricatermesztés folyik (C4 típusú

növény). Ugyan az egyes helyszínekről származó idősorok nem túl hosszúak, négy

helyszínre is meghatározták az optimális εmax értéket. He et al. (2013) a Yucheng őszi

búza/kukorica helyszínre állított elő átlagos εmax értéket a MOD17 GPP modell

94

optimalizációjával. Ez az érték nem gabonaspecifikus, így a 4.4 táblázat „εmax” sorának

értékeivel vethető össze, a C4 és C4 gabonaspecifikus εmax_C3 és εmax_C4 értékekkel kevésbé

van értelme az összehasonlításnak.

Yan et al. (2009) és Wang et al. (2010) EK és PAR adatok alapján határozta meg a He et al.

(2013) tanulmányában is szereplő Yucheng őszi búza-kukorica, valamint a Tongyu kukorica

helyszínre a gabonaspecifikus εmax érteket. Noha ez nem kimondottan a MOD17 GPP

modell kalibrációjával előállított érték, értékes információval szolgálhat számunkra.

Az általunk vizsgált helyszínekre külön optimalizált εmax (4.4. táblázat) és a kalibrációs

helyszínek adataira együtt optimalizált εmax (4.5 táblázat) jó egyezést mutat a C4 növények

esetén. A 4.7 táblázatban látható (nem félkövér betűkkel szedett) EK és PAR mérésekből

származó maximális LUE becslések alacsonyabbak azonos ökoszisztémára (kukorica, C4),

mint a MOD17 GPP modell optimalizációjával előállítottak (félkövér betűkkel), ez azonban

az évek és helyszínek közötti változékonyságnak is köszönhető lehet. A 4.7. táblázatban

található adatok jellemzően egy vagy két év alapján készültek. Az összevetésnél érdemes

figyelembe venni, ahogy a 4.4 táblázat alapján is látható, hogy helyszínenként (és évenként

– ez utóbbi a dolgozatban nem került bemutatásra) rendkívül változékony a LUE

paraméterek értéke. Az adott helyszínen kis számú év alapján elvégzett modellkalibrációval

történő maximális LUE meghatározás hátránya, hogy az adott év sajátosságait tükrözi. Jó

példa erre az US-ARM helyszín esetében kapott εmax_C4 érték (4.4. táblázat), mely a 2008 év

kukorica adatai alapján készült, ami egy viszonylag rövid tenyészidőszakkal jellemzett

kisebb termést adó év volt.

4.7. táblázat. Ázsiai (Kína) helyszínekre optimalizált εmax értékek. A MOD17 GPP modell

optimalizálásával nyert értékeket félkövér betűtípus jelzi. Az eredetileg gC mol PAR-1-ban megadott

értékek átváltásához a 2,05-2,17 faktort (Aber et al., 1996) használtuk (1 MJ = 2,05 mol PAR).

Helyszín Növény Évek εmax [kgC MJ−1] Forrás

Guantao kukorica 2009 0,00182 Wang et al., 2013

Jungzhou kukorica 2008-2009 0,00263 Wang et al., 2013

Linze kukorica 2008-2009 0,00227 Wang et al., 2013

Yingke kukorica 2008-2009 0,00243 Wang et al., 2013

Yucheng őszi búza/kukorica 2003 0,002904 He et al., 2013

Yucheng őszi búza 2004 0,0016492 Yan et al., 2009

Yucheng kukorica 2004 0,0019964 Yan et al., 2009

Tongyu kukorica 2005 0,0012152 Wang et al., 2010

95

Korábban végzett hasonló vizsgálatok a Mead és Rosemount helyszíneken a mi

eredményünkhöz hasonló LUE értékeket adtak a VPM modell kalibrációja során (Kalfas et

al., 2011). A VPM modell a MOD17 GPP modellnél bonyolultabb algoritmussal

rendelkezik, optimalizált változatával a US-Ne1 kukorica monokultúra helyszínnél 0,79, a

US-Ne2 öntözött szója-kukorica rotáció helyszín esetén 0,93, a US-Ne3 nem öntözött

szója-kukorica rotáció helyszínnél pedig 0,77 R2 értéket értek el. Saját eredményeink a

helyszínfüggetlen optimalizált MOD17 GPP modellel is hasonló jó összefüggést mutatnak

a mért adatokkal. A US-Ne2 helyszín esetén R2 = 0,896, a US-Ne3 helyszínen pedig

R2 = 0,806 (az US-Ne1 helyszínre az optimalizált modellel nincsen validációs eredményünk,

hiszen csak kalibrációs helyszín volt). Érdemes megjegyezni, hogy itt nem helyszínspecifius

optimalizált paraméterkészlettel, hanem a kalibrációs adatok alapján kapott εmax_C3 és εmax_C4

paraméterekkel készített szimuláció eredményéről van szó. Ez azt mutatja, hogy megfelelő

modellparaméterezéssel az egyszerű MOD17 GPP modell is képes hasonló pontosságú

GPP becsléseket adni.

A szakirodalomban máshol is felmerült a helyspecifikus LUE becslés alkalmazása, a

globálisan növénykategóriánként egyetlen paraméterkészlet alkalmazása helyett. Hasonló

kezdeményezést tett Goerner et al. (2010), akik PRI33 alapú modell segítségével határoztak

meg helyszínspecifikus LUE értékeket öt FLUXNET helyszínre (erdő és egy trópusi

szavanna). Mindazonáltal nem sikerült olyan általános érvényű PRI alapú LUE modellt

találniuk, mely megbízható eredményeket adott volna helyszíntől függetlenül. A

helyszínspecifikus PRI alapú LUE becslése csökkentette a bizonytalanságát és megnövelte a

GPP becslések pontosságát.

Összegzésképpen elmondható, hogy a kalibrációs helyszínek adatait együttesen figyelembe

vevő, helyszínfüggetlennek szánt modellparamétereknél hasonló eredményt kaptunk, mint a

helyszínekre egyenként elvégzett kalibrációnál. Ennek alapján C4 növény esetén

egyértelműen nagyobb εmax értéket javasolunk, mint C3 esetén (4.5. táblázat) – az εmax_C4

értéke közel duplája a εmax_C3 értékének.

Az így nyert gabonaspecifikus modell független európai és USA-beli validációs helyszínek

eltérő növényfajtával vetett éveinek adataival validáltuk. A validáció alapján jelentős javulás

állapítható meg mind az éves összegek (4.9. ábra) mind az éven belüli GPP dinamika (4.6.

táblázat) tekintetében.

33 Photochemical Reflectance Index

96

A hegyhátsáli modellfuttatások esetén − ahol a bemenő FPAR (felbontásából adódó) és

meteorológiai reanalízis adatok hiábáinak kiküszöbölését végeztük el − azt láthattuk, hogy a

korreláció jellegű mérőszámok alig változnak az egyes kísérletek között. Ezzel szemben a

több mérőhelyet érintő kalibráció javított a mérés és modelleredmények korrelációján (4.6.

táblázat, R2, KR). A javulás azoknál a helyszíneknél szembetűnőbb, ahol hosszabb adatsor

állt rendelkezésre az analízishez, illetve C4 növényt termesztenek. Az NL-Lan az US-Ro3

és IT-Be1 helyszínen, ahol csak viszonylag kevés adat állt rendelkezésre, a modell javulása

nem annyira egyértelmű minden mérőszám esetén. Az általános javulás azonban arra utal,

hogy a paraméterkészlet használható nagyobb térségekre vonatkozó alkalmazásokban,

helyszínspecifikus kalibráció nélkül. Az éves összegek szimulációjában bekövetkezett

javulás döntően a C4 növények éves GPP menetének helyesebb leírásának köszönhető.

A 4.11. ábrán az USA középső részén tipikus szója (C3)-kukorica (C4) rotáció esetén

mutatjuk be az US-Ne2 helyszín adatai alapján az eredeti modellparaméterezéssel készült

modellbecsléseket, és a GPP-torony meneteket. 4.12. ábrán az US-Ne2 helyszín éves

meneteit láthatjuk az optimalizált modellel. Látható, hogy a C4 években jelentősen megnőtt

a modellezett GPP-met maximum, sokat javítva a mérés-modell egyezésen az eredeti

modellhez képest (4.11. ábra). A változás a 4.6. táblázatban kapott eredményekből is látszik.

Bár az US-Ne2 helyszín öntözött, azonban az ugyanolyan növénytípussal vetett, nem

öntözött US-Ne3 helyszín is hasonló eredményeket mutat: alulbecslés az eredeti

modellparaméterekkel, majd a gabonaspecifikus modell alkalmazásával javulás tapasztalható

a statisztikai paramétereket illetően.

4.12. ábra. A GPP alakulása a US-Ne2 helyszínen a GPP-torony mérések (körök) és GPP-met (szürke

vonal) becslés alapján gabonaspecifikus modellparaméterekkel (v.ö. 4.11 ábra).

97

Az eredmények alapján alapján megállapítható, hogy a MOD17 GPP modell jelenleg a C3

növények LUE értékéhez közelebbi paraméterkészlettel rendelkezik (5.1 verzió εmax =

0,001205 kg C MJ−1, lásd 3.2. táblázat). Eredményünket, miszerint a LUE alapú

modellekben a C4 gabonákat nagyobb fényhasznosulási hatékonysággal célszerű

reprezentálni, a szakirodalomban fellelhető hasonló vizsgálatok is megerősítik. Más

modellek optimalizált maximális LUE paraméterének értékei természetesen nem vethetők

közvetlenül össze a MOD17 GPP modell εmax értékével, azonban a tendenciákat érdemes

ellenőrizni. A szintén LUE elven alapuló CASA34 (Potter et el., 1993) modellt alkalmazva

jutott a miénkhez hasonló következtetésre Bradford et al. (2005). A CASA egy

folyamatorientált modell, mely távérzékelt NDVI adatokat is felhasznál bemenő adatként.

Bradford et al. (2005) általános mintaként a legmagasabb LUE értéket C4 gabonák,

alacsonyabbat C3 gabonák, és a legalacsonyabb értéket gyep esetén találta.

Gabonaspecifikus modellparaméterek becslését végezte el Chen et al. (2011) szintén a

CASA esetén. A szerzők a CASA modellt eddy kovariancia adatokkal vetették össze

mezőgazdasági területek felett. Eredményeik szerint a LUE paraméter általában túl alacsony

volt gabonák esetén, és értéke gabonatípus függő (szójára (C3) például alacsonyabb, míg a

legmagasabb értéket kukorica és rizs esetén (C4) kapták). Javaslataik között az is szerepel,

hogy a jövőben nagyobb számú helyszín adatai alapján kellene megállapítani a paraméter

pontosabb értékét.

A MOD17 GPP modell a CASA modellnél egyszerűbb adatorientált modell, a megfelelő

parametrizációval azonban eredményeink azt mutatják, hogy kielégítő pontossággal képes

leírni mind a C4 mind a C3 mezőgazdasági növényzetet. A változatos mezőgazdasági

növényzet GPP becslését, a heterogén mezőgazdasági területek produktivitásának becslését

is javíthatja eredményeink alkalmazása.

Mindazonáltal fontos megemlíteni hogy a távérzékelés alapú becslések hibája nem

orvosolható kizárólag a több helyszín alapján elvégzett modellparaméter-optimalizációval.

Amint azt már Hegyhátsál esetében is láthattuk, a mezőgazdasági területek sajátossága,

hogy a GPP éves dinamikája a művelés miatt nem magyarázható a környezeti változók

(PAR, hőmérséklet) természetes változásával (Yan et al., 2009), így a modell egyik

feltételezése sérül. Az adatorientált modellek sajátossága miatt azonban feltételezzük, hogy

a vegetáció ilyen hirtelen változásait a távérzékelés bizonyos fokig képes visszaadni (az

FPAR értéken keresztül). Amennyiben azonban az adatorientált modell alapját adó

34 Carnegie-Arnes-Stanford Approach

98

távérzékelt, 1 km felbontású FPAR valamiért hibás (pl. felhőborítottság, környező más

típusú vegetáció jelei keverednek bele), a modell semmilyen paraméterkészlettel nem fogja

helyesen visszaadni a felszínen mért GPP értékeket. Ilyen esetekben lehet alkalmazni az

első pontban leírt leskálázást, amely azonban ahogy már kifejtettük, csak az FPAR

felbontásából adódó hibákat képes kiszűrni. Alacsony tornyos helyszíneknél is célszerű

volna megvizsgálni a leskálázott modelleredményeket, olyan helyszíneken, melyek

felszínborítottsága heterogén az 1 km MODIS pixelen belül (pl. az IT-Be1 helyszín). Mivel

a külföldi helszínekre jelenleg nem állnak rendelkezésre a hegyhátsálihoz hasonló

feldolgozott és minőségbiztosított NDVI adatsorok (Barcza et al., 2009a), ami alapján ezt

megtehettük volna, további kutatások témája lehet a problémakör.

99

5. Összefoglalás és kitekintés

Doktori munkámban a mezőgazdasági művelés alatt álló területek szén-dioxid mérlegének

vizsgálatával foglalkoztam többféle módszert felhasználva. A doktori munka célja a

távérzékelt GPP becslések felhasználhatóságának vizsgálata, esetleges javítása volt. A

felszíni validációs méréseket a szénmérleg-komponensek ökoszisztéma szintű mérésére

széles körben alkalmazott eddy-kovariancia technikával származtattuk. A vizsgálatokat két

térbeli léptékben végeztük el, egy Hegyhátsál közelében elhelyezett (regionális

reprezentativitású) magas EK torony, valamint több (lokális reprezentativitású) FLUXNET

EK helyszín adatai alapján. A távérzékelt adatok az Aqua és Terra műhold MODIS

szenzorának méréseiből származnak, melyekből egy LUE modell segítségével

származtatnak GPP és nettó fotoszintézis adatokat (ún. MOD17 termék). A kutatás során a

LUE alapú MOD17 GPP modellt vizsgáltuk a felszíni GPP mérések tükrében.

A validáció eltéréseket mutatott ki a MOD17 és a toronymérések alapján számított GPP

között. Megmutattuk, hogy a különbségek csak részben magyarázhatóak a toronymérések

és a műholdas távérzékelés eltérő térbeli reprezentativitásával, valamint a modell bemenő

adatainak hibájával. Ez arra enged következtetni, hogy a validáció helyes módszertana

mellett a modellkalibráció is erősen javasolt, hiszen egyetlen paraméterkészlet nem képes a

produktivitásukat tekintve nagymértékben különböző mezőgazdasági növénykultúrák

leírására. Igaz ez akkor is, ha az in situ és távérzékelt mérések eltérő térbeli

reprezentativitását a leírtak szerint messzemenőkig figyelembe vesszük.

A modell érzékenységvizsgálata során megmutattuk, hogy a MOD17 algoritmus kevésbé

érzékeny a környezeti stresszhatásokat leíró modellparaméterekre, azonban a modell

pontossága nagymértékben függ a maximális fényhasznosulási hatékonyság (εmax) adott

növénykategóriára jellemző paraméter értékétől. Az eredetileg a mezőgazdasági

növénykategóriát jellemző egyetlen εmax értékkel szemben kimutattuk, hogy maximális

fényhasznosulási hatékonyság agymértékben különbözik C3 és C4 növények esetén, C4

növények esetén közel kétszerese (0,002527 kgC MJ−1) a C3 növényekre meghatározott

értéknek (0,001487 kgC MJ−1).

A magyarországi átlagos szántóföldi GPP a MOD17A3 termék alapján (Barcza et al., 2010)

az eredeti 5.1-es verziójú modellparaméterekkel számítva 940 gC m−2 év−1. Hasznos és

tanulságos egy egyszerű példán keresztül bemutatni a modellbecslések pontosságának (azaz

a modell paraméterezésének) hatását az eredményekre. A KSH adatai alapján hazánkban

2010-ben 1 499 290 hektáron termesztettek C3 típusú haszonnövényeket, és 1.080.825 ha

100

területet foglaltak el a C4 típusú szántóföldi növények. Az érzékenység-vizsgálat eredménye

alapján, feltételezve, hogy a környezeti tényezők kevésbé befolyásolják a modellezett GPP-t

kiszámíthatjuk a gabonaspecifikus GPP értéket a 4.5. táblázatban bemutatott εmax

értékekkel. A fenti átlagos éves GPP összeggel számolva a C3 növények GPP-je fajlagosan

1160 gC m−2 év−1, a C4 növényeké pedig 1971 gC m−2 év−1-nek adódik. A fent megadott

teljes mezőgazdasági területre számítva ez 1,4 Mt C év−1 különbséget jelent az eredeti, nem

gabonaspecifikus paraméterezés eredményéhez képest.

A bemutatott eredmények alapján levonható legfontosabb következtetésünk az, hogy a

gabonatípusok szerinti szétválasztás javít a modell pontosságán. Ez segíthet az olyan

nagyobb térségek szénmérlegének pontosabb meghatározásában, melyeken a

mezőgazdasági művelés jellemző. Természetesen előfordulhat, hogy nincs információnk a

C3 és C4 növények pontos térbeli eloszlásáról, vagy nincs lehetőségünk annak figyelembe

vételére. Ebben az esetben a fenti számításhoz hasonlóan a kívánt térségre az általunk

megadott gabonaspecifikus εmax értékekből kialakítható egy, a térséget jobban reprezentáló

egyetlen paraméterkészlet. A C3 és C4 gabonaspecifikus εmax megfelelő súlyozása utáni

átlagolással a térségben ismert termesztési arányok segítségével (pl. az Eurostat

adatbázisából) könnyen elvégezhető a becslés. Mindazonáltal pontosabb értékeket

kaphatunk a teljes gabonaspecifikus paraméterkészlet térbeli alkalmazásával.

Néhány, a modellben jelen levő, más jellegű probléma azonban nem küszöbölhető ki a

modell gabonaspecifikus használatával, ezek pedig kijelölik a további fejlesztési

lehetőségeket. Amint azt a szakirodalomból is láthattuk, a MOD17 távérzékelés alapú GPP

modell egyik legnagyobb hátránya a talajnedvesség figyelembe vételének hiánya (Goerner et

al., 2010, Hwang et al., 2008). Fontos lenne a talajnedvesség-tartalom térbeli és időbeli

változásainak figyelembe vétele, mivel ez határozza meg a sztómavezetést és ezen keresztül

a produktivitást (Rambal et al., 2003). Nagy térségekre azonban nem könnyű megbízható

talajnedvesség adatokat származtatni. Potenciálisan az Európai Középtávú Előrejelző

Központ (ECMWF) modellezett talajnedvesség adatait használva egy talajnedvességi

stresszt leíró paraméter bevezetése segíthetne a modelleredmények pontosításán, különösen

hazánk aszályra hajlamos részein. A talajnedvesség mellett annak prediktoraiként

evapotranszspiráció vagy csapadékadatok felhasználása is lehetséges opció (Leuning et al.,

2005; Coops et al., 2007).

Az európai helyszíneken jellemzően bonyolultabb termesztési és birtokstruktúrákkal

találkozunk, mely megnehezíti a távérzékelés alapú becslések pontosságának megítélését.

Az egyes parcellák mérete kisebb, mint az USA helyszíneken, és gyakoribb az összetett

101

vetésforgó használata, takaró növények vetése, stb., ami bonyolultabb éves GPP menethez

vezet. A szénmérleg-becslések szempontjából előnyös lenne a MODIS produktumok

vizsgálatát naptári évek helyett teljes rotációs ciklusokra elvégezni. Mivel egy hosszabb

rotációs ciklus 4-5 évet is átölelhet, ehhez az eddy kovariancia helyszínekről származó

hosszabb adatsorokra lenne szükség. Míg a bonyolult vetési rendszerekkel kapcsolatos

problémákra részleges megoldást jelenthet a bemutatott gabonaszétválasztás a modellen

belül, a térbeli reprezentativitással kapcsolatos problémának a feloldása a szakirodalomban

és az általunk is vázolt leskálázási/felskálázási lehetőségek közül valamelyik módszer

alkalmazására szorul. A jövőben a mezőgazdasági helyszínek távérzékelésen alapuló

produktivitás-becsléseiben e két problémakörre kell a hangsúlyt helyezni.

Az általunk felvázolt elképzelés megvalósítása, vagyis a C3 és C4 típusú mezőgazdasági

növényzet elkülönítése a MODIS GPP becslések során, valamint általában a szénmérleg-

becslések során, korlátokba ütközik. Hazai viszonylatban nem hozzáférhető ugyanis olyan

területi adatbázis, amely információt tartalmazna az adott évben termesztett

haszonnövényekről hosszabb időszak vonatkozásában. A KSH által évente elkészített

statisztikák mindössze megyei összegzést közölnek, a növények területi eloszlásáról nem

nyújtanak információt, mely így a térbeli műholdas adatokkal való együttes felhasználást

lehetetlenné teszi.

A további adatgyűjtés, valamint a hazánkban leginkább elterjedt művelés módok vizsgálata

további kihívást jelent a távérzékelt produktivitás-becslések alkalmazásában.

102

Köszönetnyilvánítás

Köszönettel tartozom témavezetőimnek Dr Bartholy Juditnak és Dr Barcza Zoltánnak.

Köszönet illeti a Meteorológiai Tanszék munkatársait, hogy doktorandusz éveim alatt

segítették munkámat. Külön köszönet illeti Kern Anikót az NDVI adatokért és az évek

alatt nyújtott segítségért. Köszönöm Farkas Csillának és TAKI-s kollegáimnak végtelen

türelmüket és toleranciájukat amivel munkámat végigkísérték. Szeretném megköszönni

külföldi kollegáim, prof. Miguel Gonzalez-Meler, Natascha Kljun, Nuria Gomez-Casanovas

segítségét.

Köszönettel tartozom Maosheng Zhao professzornak, a GMAO adatok és a MOD17

modellparaméterek rendelkezésemre bocsátásáért. Köszönöm a vizsgálatban részt vevő

helyszínek vezető kutatóinak, hogy rendelkezésemre bocsátották adataikat és minden

tisztázandó kérdésemre válaszoltak.

103

Irodalomjegyzék

Aber, J. D., Reich, P. B., Goulden, M. L. (1996) Extrapolating leaf CO2 exchange to the

canopy: a generalized model of forest photosynthesis compared with measurements by

eddy correlation. Oecologia, 106(2): 257–265.

Alaoui, A., Goetz, B. (2008) Dye tracer and infiltration experiments to investigate

macropore flow. Geoderma, 144(1–2): 279–286.

Alberti, G., Vedove, G. D., Zuliani, M., Peressotti, A., Castaldi, S., Zerbi, G. (2010)

Changes in CO2 emissions after crop conversion from continuous maize to alfalfa.

Agriculture, Ecosystems & Environment, 136(1-2): 139–147.

Anthoni, P. M., Freibauer, A., Kolle, O., Schulze, E. D. (2004) Winter wheat carbon

exchange in Thuringia, Germany. Agricultural and Forest Meteorology, 121(1–2): 55–

67.

Arellano, A. F., Kasibhatla, P. S., Giglio L., van der Werf, G. R., Randerson, J. T., Collatz,

G. J. (2006) Time-dependent inversion estimates of global biomass-burning CO

emissions using Measurement of Pollution in the Troposphere (MOPITT). Journal of

Geophysical Research, 111: D09303.

Aubinet, M., Moureaux, C., Bodson, B., Dufranne, D., Heinesch, B., Suleau, M.,

Vancutsem, F., Vilret, A. (2009) Carbon sequestration by a crop over a 4-year sugar

beet/winter wheat/seed potato/winter wheat rotation cycle. Agricultural and Forest

Meteorology, 149(3-4): 407–418.

Bahn, M., Kutsch, W. L., Heinemeyer, A., Janssens, I. A. (2009) Appendix: Towards a

standardized protocol for the measurement of soil CO2 efflux. In: Kutsch, W. L.,

Bahn, M., Heinemeyer, A. (Szerk.) Soil Carbon Dynamics – An Integrated

Methodology. Cambridge: Cambridge University Press, pp. 286

Baldocchi, D. D., Hincks, B., Meyers, T. (1988). Measuring biosphere-atmosphere

exchanges of biologically related gases with micrometeorological methods. Ecology,

69(5): 1331–1340.

Baldocchi, D. D. (2003). Assessing the eddy covariance technique for evaluating carbon

dioxide exchange rates of ecosystems: past, present and future. Global Change

Biology, 9(4): 479–492.

Baldocchi, D. D., Falge, E., Gu, L. (2001) FLUXNET: A new tool to study the temporal

and spatial variability of ecosystem-scale carbon dioxide, water vapor, and energy flux

densities. Bulletin of the American Meteorological society, 82(11): 2415–2434.

104

Barcza, Z. (2002) Long term atmosphere/biosphere exchange of CO2 in Hungary. Doktori

disszertáció, ELTE, Budapest, pp. 115

Barcza, Z., Haszpra, L., Kondo, H., Saigusa, N., Yamamoto, S., Bartholy, J. (2003) Carbon

exchange of grass in Hungary. Tellus B(55): 187–196.

Barcza, Z., Kern, A., Haszpra, L., Kljun, N. (2009a) Spatial representativeness of tall tower

eddy covariance measurements using remote sensing and footprint analysis.

Agricultural and Forest Meteorology, 149(5): 795–807.

Barcza, Z., Haszpra, L., Somogyi, Z., Hidy, D., Lovas, K., Churkina, G., Horváth, L.

(2009b) Estimation of the biospheric carbon dioxide balance of Hungary using the

BIOME-BGC model. Időjárás – Quarterly Journal of the Hungarian Meteorological

Service, 113(3): 203–219.

Barcza, Z., Bondeau, A., Churkina, G., Ciais, P., Czóbel, Sz., Gelybó, Gy., Grosz, B.,

Haszpra, L., Hidy, D., Horváth, L., Machon, A., Pásztor, L., Somogyi, Z., Van Oost,

K. (2010) Modeling of biosphere-atmosphere exchange of greenhouse gases: Model

Based Biospheric Greenhouse Gas Balance of Hungary In: Haszpra, L. (Szerk.)

Atmospheric Greenhouse Gases: The Hungarian Perspective. Springer-Science,

Dordrecht, London, New York, pp. 295–330.

Batjes, N. H. (1996) Total carbon and nitrogen in the soils of the world. European Journal

of Soil Science, 47(2): 151–163.

Becker-Reshef, I., Vermote, E., Lindeman, M., Justice, C. (2010) A generalized regression-

based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS

data. Remote Sensing of Environment, 114(6): 1312–1323.

Beer, C., Reichstein, M., Tomelleri, E., Ciais, P., Jung, M., Carvalhais, N., Rödenbeck, C.,

Arain, M. A., Baldocchi, D., Bonan, G.B., Bondeau, A., Cescatti, A., Lasslop, G.,

Lindroth, A., Lomas, M., Luyssaert, S., Margolis, H., Oleson, K.W., Roupsard, O.,

Veenendaal, E., Viovy, N., Williams, C., Woodward, F. I., Papale, D. (2010) Terrestrial

gross carbon dioxide uptake: global distribution and covariation with climate. Science

329(5993): 834–838.

Beven, K., Binley, A. (1992) The future of distributed models: Model calibration and

uncertainty prediction. Hydrological Processes, 6(3): 279–298.

Beven, K., Freer, J. (2001) Equifinality, data assimilation, and uncertainty estimation in

mechanistic modelling of complex environmental systems using the GLUE

methodology. Journal of Hydrology, 249(1–4): 11–29.

105

Binley, A., Beven, K. (2003) Vadose Zone model uncertainty as conditioned on

Geophysical data. Groundwater, 41(2): 119–127.

Bolton, D. K., Friedl, M. A. (2013) Forecasting crop yield using remotely sensed vegetation

indices and crop phenology metrics. Agricultural and Forest Meteorology, 173: 74–84.

Bondeau, A., Smith, P.C., Zaehle, S., Schaphoff, S., Lucht, W., Cramer, W., Gerten, D.,

Lotze-Campen, H., Müller, C., Reichstein, M., Smith, B. (2007) Modelling the role of

agriculture for the 20th century global terrestrial carbon balance. Global Change

Biology, 13(3): 679–706.

Bormann, F. H., Likens, G. E. (1979) Pattern and Process in a Forested Ecosystem

Disturbance, Development and the Steady State Based on the Hubbard Brook

Ecosystem Study. Springer, New York, pp. 253

Bousquet, P., Peylin, P., Ciais, P., Le Quere, C., Friedlingstein, P., Tans, P. P. (2000)

Regional changes in carbon dioxide fluxes on land and oceans since 1980. Science,

290(5495): 1342–1346.

Bradford, J. B., Hicke, J. A., Lauenroth, W. K. (2005) The relative importance of light-use

efficiency modifications from environmental conditions and cultivation for estimation

of large-scale net primary productivity. Remote Sensing of Environment, 96(2): 246–

255.

Bridgham, S. D., Megonigal, J. P., Keller, J. K., Bliss, N. B., Trettin, C. (2006) The carbon

balance of North American wetlands. Wetlands, 26(4): 889–916.

Businger, J. A., Wyngaard, J. C., Izumi, Y., Bradley, E. F. (1971) Flux-Profile Relationships

in the Atmospheric Surface Layer. Journal of the Atmospheric Sciences, 28(2): 181–

189.

Büttner, G., Feranec, J., Jaffrain, G. (2002) Corine Land Cover Update 2000. Technical

Report 89 (European Environment Agency). Online elérhető:

http://reports.eea.eu.int/technical_report_2002_89/en

Chapin, F. S., Woodwell, G. M., Randerson, J. T., Rastetter, E. B., Lovett, G. M.,

Baldocchi, D. D., Clark, D. A., Harmon, M. E., Schimel, D. S., Valentini, R., Wirth, C.,

Aber, J. D., Cole, J. J., Goulden, M. L., Harden, J. W., Heimann, M., Howarth, R. W.,

Matson, P. A., McGuire, A. D., Melillo, J. M., Mooney, H. A., Neff, J. C., Houghton,

R. A., Pace, M. L., Ryan, M. G., Running, S. W., Sala, O. E., Schlesinger, W. H.,

Schulze, E. D. (2006) Reconciling Carbon-cycle Concepts, Terminology, and Methods.

Ecosystems, 9(7): 1041–1050.

106

Chasmer, L., Kljun, N., Hopkinson, C., Brown, S., Milne, T., Giroux, K., Barr, A., Devito,

K., Creed, I., Petrone, R. (2011) Characterizing vegetation structural and topographic

characteristics sampled by eddy covariance within two mature aspen stands using lidar

and a flux footprint model: scaling to MODIS. Journal of Geophysical Research,

116(G2): G02026.

Chen, B., Black, T. A., Coops, N. C., Hilker, T., Trofymow, J. A., Morgenstern, K. (2009)

Assessing Tower Flux Footprint Climatology and Scaling Between Remotely Sensed

and Eddy Covariance Measurements. Boundary-Layer Meteorology, 130(2): 137–167.

Chen, B., Coops, N. C., Fu, D., Margolis, H. A., Amiro, B. D., Black, T. A., Arain, M. A.,

Barr, A. G., Bourque, C. P. A., Flanagan, L. B., Lafleur, P. M., McCaughey, J. H.,

Wofsy, S. C. (2012) Characterizing spatial representativeness of flux tower eddy-

covariance measurements across the Canadian Carbon Program Network using remote

sensing and footprint analysis. Remote Sensing of Environment, 124: 742–755.

Chen, B., Ge, Q., Fu, D., Yu, G., Sun, X., Wang, S., Wang, H. (2010) A data-model fusion

approach for upscaling gross ecosystem productivity to the landscape scale based on

remote sensing and flux footprint modelling. Biogeosciences, 7(9): 2943–2958.

Chen, T., van der Werf, G. R., Dolman, A. J., Groenendijk, M. (2011) Evaluation of

cropland maximum light use efficiency using eddy flux measurements in North

America and Europe. Geophysical Research Letters, 38(14): 1–5.

Churkina, G. (2012) Carbon cycle of urban ecosystems In: Lal, R., Augustin, B. (Szerk.)

Carbon Sequestration in Urban Ecosystems. Springer, New York, pp. 315–330.

Churkina, G., Zaehle, S., Hughes, J., Viovy, N., Chen, Y., Jung, M., Heumann, B. W.,

Ramankutty, N., Heimann, M., Jones, C. (2010) Interactions between nitrogen

deposition, land cover conversion, and climate change determine the contemporary

carbon balance of Europe. Biogeosciences, 7(9): 2749–2764.

Ciais, P., Wattenbach, M., Vuichard, N., Smith, P., Piao, S. L., Don, A., Luyssaert, S.,

Janssens, I. A., Bondeau, A., Dechow, R., Leip, A., Smith, P. C., Beer, C., Van Der

Werf, G. R., Gervois, S., Van Oost, K., Tomelleri, E., Freibauer, A., Schulze, E. D.

(2010a) The European carbon balance. Part 2: croplands. Global Change Biology,

16(5): 1409–1428.

Ciais, P., Rayner, P., Chevallier, F., Bousquet, P., Logan, M., Peylin, P., Ramonet, M.

(2010b) Atmospheric inversions for estimating CO2 fluxes: methods and perspectives.

Climatic Change, 103(1–2): 69–92.

107

Coops, N. C., Jassal, R. S., Leuning, R., Black, A. T., Morgenstern, K. (2007) Incorporation

of a soil water modifier into MODIS predictions of temperate Douglas-fir gross

primary productivity: Initial model development. Agricultural and Forest Meteorology,

147(3–4): 99–109.

DAO (2002) Data Assimilation Office (DAO) Algorithm Theoretical Basis Document

(ATBD). Data Assimilation Office Greenbelt, MD: Goddard Space Flight Center.

Davidson, E. Janssens, I. (2006). Temperature sensitivity of soil carbon decomposition and

feedbacks to climate change. Nature, 440(7081): 165–173.

Edwards, N. T. (1982) A timesaving technique for measuring respiration rates in incubated

soil samples. Soil Science Society of America Journal, 46(5): 1114–1116.

Emanuel, R. E., Riveros-Iregui, D. A., McGlynn, B. L., Epstein, H. E. (2011) On the

spatial heterogeneity of net ecosystem productivity in complex landscapes. Ecosphere,

2(7): art86.

Enting, I. G., Trudinger, C. M., Francey, R. J. (1995) A synthesis inversion of the

concentration and δ13C of atmospheric CO2. Tellus B, 47(1–2): 35–52.

Eugster, W., Moffat, A., Ceschia, E., Aubinet, M., Ammann, C., Osborne, B., Davis, P. A.,

Smith, P., Jacobs, C., Moors, E., Dantec, V. L., Beziat, P., Saunders, M., Jans, W.,

Grüwald, T., Rebmann, C., Kutsch, W., Czerny, R., Janous, D., Moureaux, C.,

Dufranne, D., Carrara, A., Magliulo, E., di Tommasi, P., Olesen, J. E., Schelde, K.,

Olioso, A., Bernhofer, C., Cellier, P., Larmanou, E., Loubet, B., Wattenbach, M.,

Marloie, O., Sanz, M.-J. Buchmann, N. (2010) Management Effects on European

Cropland Respiration. Agricultural Ecosystems and Environment, 139(3): 346–362.

Falge, E., Baldocchi, D., Olson, R., Anthoni, P., Aubinet, M., Bernhofer, C., Burba, G.,

Ceulemans, R., Clement, R., Dolman, H., Granier, A., Gross, P., Grünwald, T.,

Hollinger, D., Jensen, N-O., Katul, G., Keronen, P., Kowalski, A., Lai, C. T., Law, B.

E., Meyers, T., Moncrieff, J., Moors, E., Munger, J. W., Pilegaard, K., Rannik, Ü.,

Rebmann, C., Suyker, A., Tenhunen, J., Tu, K., Verma, S., Vesala, T., Wilson, K.,

Wofsy, S. (2001) Gap filling strategies for defensible annual sums of net ecosystem

exchange. Agricultural and Forest Meteorology, 107(1): 43–69.

Field, C., Berry, J. A., Mooney, H. A. (1982) A portable system for measuring carbon

dioxide and water vapour exchange of leaves. Plant, Cell & Environment, 5(2): 179–

186.

Fisher, J. I., Mustard, J. F. (2007) Cross-scalar satellite phenology from ground, Landsat,

and MODIS data. Remote Sensing of Environment, 109(3): 261–273.

108

Foken, T., Leclerc, M. Y. (2004). Methods and limitations in validation of footprint models.

Agricultural and Forest Meteorology, 127(3–4): 223–234.

Foken, T., Wichura, B. (1996). Tools for quality assessment of surface-based flux

measurements. Agricultural and Forest Meteorology, 78(1–2): 83–105.

Freer, J., Beven, K., Ambroise, B. (1996) Bayesian Estimation of Uncertainty in Runoff

Prediction and the Value of Data: An Application of the GLUE Approach. Water

Resources Research, 32(7): 2161–2173.

Friedlingstein, P., Cox, P., Betts, R. Bopp, L., von Bloh, W., Brovkin, V., Cadule, P.,

Doney, S., Eby, M., Fung, I., Bala, G., John, J., Jones, C., Joos, F., Kato, T., Kawamiya,

M., Knorr, W., Lindsay, K., Matthews, H. D., Raddatz, T., Rayner, P., Reick, C.,

Roeckner, E., Schnitzler, K.-G., Schnur, R., Strassmann, K., Weaver, A. J., Yoshikawa,

C., Zeng, N. (2006) Climate-carbon cycle feedback analysis: Results from the C4MIP

model intercomparison. Journal of Climate, 19(14): 3337–3353.

Gates, D. M., Keegan, H. J., Schleter, J. C., Weidner V. R. (1965) Spectral properties of

plants. Applied Optics, 4(1): 11–20.

Gebremichael, M., Barros, A. (2006) Evaluation of MODIS Gross Primary Productivity

(GPP) in tropical monsoon regions. Remote Sensing of Environment, 100(2): 150–

166.

Gelybó, Gy., Barcza, Z., Kern, A., Alberti, G., Di Tommasi, P., Elbers, J. A., Fischer, M.

L., Gonzalez-Meler, M., Griffis, T. J., Kutsch, W. L., Magliulo, E. V., Matamala, R.,

Moors, E. J., Peressotti, A., Suyker, A. E., Verma, S. B. (2010) Multi-site evaluation of

the MOD17 model over homogeneous agricultural vegetation. (absztrakt) AMS 29th

Conf. on Agricultural and Forest Meteorology/19th Symp. on Boundary Layers and

Turbulence/Ninth Symp. on the Urban Environment, Keystone, Colorado USA 1-6

August 2010

Gervois, S., Ciais, P., de Noblet-Ducoudré, N., Brisson, N., Vuichard, N., Viovy, N. (2008)

Carbon and water balance of European croplands throughout the 20th century. Global

Biogeochemical Cycles, 22(2): GB2022.

Gilmanov, T., Soussana, J., Aires, L., Allard, V., Ammann, C., Balzarolo, M., Barcza, Z.,

Bernhofer, C., Campbell, C., Cernusca, A. (2007) Partitioning European grassland net

ecosystem CO2 exchange into gross primary productivity and ecosystem respiration

using light response function analysis. Agriculture, Ecosystems & Environment,

121(1–2): 93–120.

109

Gilmanov, T. G., Aires, L., Barcza, Z., Baron, V. S., Belelli, L., Beringer, J., Billesbach, D.,

Bonal, D., Bradford, J., Ceschia, E., Cook, D., Corradi, C., Frank, A., Gianelle, D.,

Gimeno, C., Gruenwald, T., Haiqiang Guo, Hanan, N., Haszpra, L., Heilman, J.,

Jacobs, A., Jones, M. B., Johnson, D. A., Kiely, G., Shenggong Li, Magliulo, V., Moors,

E., Nagy, Z., Nasyrov, M., Owensby, C., Pinter, K., Pio, C., Reichstein, M., Sanz, M. J.,

Scott, R., Soussana, J. F., Stoy, P. C., Svejcar, T., Tuba, Z., Guangsheng Zhou (2010).

Productivity, Respiration, and Light-Response Parameters of World Grassland and

Agroecosystems Derived From Flux-Tower Measurements. Rangeland Ecology &

Management, 63(1): 16–39.

Gilmanov, T. G., Verma, S. B., Sims, P. L., Meyers, T. P., Bradford, J. A., Burba, G. G.,

Suyker, A. E. (2003a) Gross primary production and light response parameters of four

Southern Plains ecosystems estimated using long-term CO2-flux tower measurements.

Global Biogeochemical Cycles 17(2): 1071.

Gilmanov, T. G., Johnson, D. A., Saliendra, N. Z. (2003b) Growing season CO2 fluxes in a

sagebrush-steppe ecosystem in Idaho: bowen ratio/energy balance measurements and

modeling. Basic and Applied Ecology, 4(2): 167–183.

Göckede, M., Foken, T., Aubinet, M., Aurela, M., Banza, J., Bernhofer, C., Bonnefond,

J.M., Brunet, Y., Carrara, A., Clement, R., Dellwik, E., Elbers, J., Eugster, W., Fuhrer,

J., Granier, A., Grünwald, T., Heinesch, B., Janssens, I.A., Knohl, A., Koeble, R.,

Laurila, T., Longdoz, B., Manca, G., Marek, M., Markkanen, T., Mateus, J., Matteucci,

G., Mauder, M., Migliavacca, M., Minerbi, S., Moncrieff, J., Montagnani, L., Moors, E.,

Ourcival, J.-M., Papale, D., Pereira, J., Pilegaard, K., Pita, G., Rambal, S., Rebmann, C.,

Rodrigues, A., Rotenberg, E., Sanz, M. J., Sedlak, P., Seufert, G., Siebicke, L.,

Soussana, J. F., Valentini, R., Vesala, T., Verbeeck, H., Yakir, D. (2008) Quality control

of CarboEurope flux data – Part 1: coupling footprint analyses with flux data quality

assessment to evaluate sites in forest ecosystems. Biogeosciences, 5(2): 433–450.

Goerner, A., Reichstein, M., Tomelleri, E., Hanan, N., Rambal, S., Papale, D., Dragoni, D.,

Schmullius, C. (2010) Remote sensing of ecosystem light use efficiency with MODIS-

based PRI – the DOs and DON’Ts. Biogeosciences Discussions, 7(5): 6935–6969.

Grimmond, C. S. B., King, T. S., Cropley, F. D., Nowak, D., Souch, C. (2002) Local-scale

fluxes of carbon dioxide in urban environments: methodological challenges and results

from Chicago. Environmental Pollution, 116(1): S243-S254.

Haszpra, L. (1999) On the representativeness of carbon dioxide measurements. Journal of

Geophysical Research, 104(D21): 26953.

110

Haszpra, L., Barcza, Z., Davis, K. J., Tarczay, K. (2005) Long-term tall tower carbon

dioxide flux monitoring over an area of mixed vegetation. Agricultural and Forest

Meteorology 132(1–2): 58–77.

Haszpra, L., Barcza, Z., Bakwin, P. S., Berger, B. W., Davis, K. J., Weidinger, T. (2001)

Measuring system for the long-term monitoring of biosphere/atmosphere exchange of

carbon dioxide. Journal of Geophysical Research, 106(D3): 3057–3069

He, M., Ju, W., Zhou, Y., Chen, J., He, H., Wang, S., Wang, H., Guan, D., Yan, J., Li, Y.,

Hao, Y., Zhao, F. (2013) Development of a two-leaf light use efficiency model for

improving the calculation of terrestrial gross primary productivity. Agricultural and

Forest Meteorology, 173: 28–39.

Hein, R., Crutzen, P. J., Heimann, M. (1997) An inverse modeling approach to investigate

the global atmospheric methane cycle. Global Biogeochemical Cycles, 11(1): 43–76.

Heinsch, F. A., Zhao, M., Running, S. W., Kimball, J. S., Neman, R. R., Davis, K. J.,

Bolstad, P. V., Cook, B. D., Desai, A. R., Ricciuto, D. M., Law, B. E., Oechel, W. C.,

Kwon, H., Luo, H., Wofsy, S. C., Dunn, A. L., Munger, J. W., Baldocchi, D. D., Xu,

L., Hollinger, D. Y., Richardson, A. D., Stoy, P. C., Siqueira, M. B. S., Monson, R. K.,

Burns, S. P., Flanagan, L. B. (2006) Evaluation of remote sensing based terrestrial

productivity from MODIS using regional tower eddy flux network observations.

IEEE Transactions on Geoscience and Remote Sensing, 44(7): 1908–1924.

Hidy, D. (2010) Agroökológiai rendszerek szén- és vízháztartásának modellezése. Doktori

disszertáció, Szent István Egyetem, Biológia Doktori Iskola, Gödöllő, pp. 119.

Hidy, D., Barcza, Z., Haszpra, L., Churkina, G., Pintér, K., Nagy, Z. (2012) Development

of the Biome-BGC model for simulation of managed herbaceous ecosystems.

Ecological Modelling, 226: 99–119.

Hollinger, D. Y., Richardson, A D. (2005) Uncertainty in eddy covariance measurements

and its application to physiological models. Tree physiology, 25(7): 873–85.

Horst, T. W., Weil, J. C. (1992) Footprint estimation for scalar flux measurements in the

atmospheric surface layer. Boundary-Layer Meteorology, 59(3): 279–296.

Houweling, S., Kaminski, T., Dentener, F., Lelieveld, J., Heimann, M. (1999) Inverse

modeling of methane sources and sinks using the adjoint of a global transport model.

Journal of Geophysical Research, 104(D21): 26137–26160.

Huete, A., Justice, C., Leeuwen, W. V. (1999) MODIS vegetation index – MOD13.

Algorithm Theoretical Basis Document. Online elérhető:

http://modis.gsfc.nasa.gov/data/atbd/atbd mod13.pdf

111

Hwang, T., Kang, S., Kim, J., Kim, Y., Lee, D., Band, L. (2008) Evaluating drought effect

on MODIS Gross Primary Production (GPP) with an eco-hydrological model in the

mountainous forest, East Asia. Global Change Biology, 14(5): 1037–1056.

IPCC (2013) Climate Change 2013: The Physical Science Basis. Contributi on of Working

Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate

Change [Stocker, T. F., D. Qin, G.-K. Plattner, M. Tignor, S. K. Allen, J. Boschung, A.

Nauels, Y. Xia, V. Bex and P. M. Midgley (Szerk.)]. Cambridge University Press,

Cambridge, United Kingdom and New York, NY, USA, in press.

Janssen, P. H. M., Heuberger, P. S. C. (1995) Calibration of process-oriented models.

Ecological Modelling, 83: 55–66.

Jenkinson, D., Adams, D., Wild, A. (1991) Model estimates of CO2 emissions from soil in

response to global warming. Nature, 351: 304-306.

Jonas M., Marland G., Winiwarter, W., White T., Nahorski Z., Bun R., Nilsson S. (2010)

Benefits of dealing with uncertainty in greenhouse gas inventories: introduction. pp. 3-

18. In: Jonas M., Nahorski Z., Nilsson S., White., T (Szerk.) Greenhouse Gas

Inventories - Dealing With Uncertainty. 260p Springer Netherlands 2011

Jonas, M., Marland, G., Winiwarter, W., White, T., Nahorski, Z., Bun, R., Nilsson, S. (2010)

Benefits of dealing with uncertainty in greenhouse gas inventories: introduction.

Climatic Change, Springer Netherlands, 103: 3–18.

Kanniah, K. D., Beringer, J., Hutley, L. B., Tapper, N. J., Zhu, X. (2009) Evaluation of

Collections 4 and 5 of the MODIS Gross Primary Productivity product and algorithm

improvement at a tropical savanna site in northern Australia. Remote Sensing of

Environment, 113(9): 1808–1822.

Keenan, T. (2009) Carbon and water fluxes from the European terrestrial biosphere:

Reducing uncertainity through combining monitoring with process based modeling.

Doktori disszertáció, University of Barcelona, pp. 263

Kern, A. (2012) NDVI vegetációs index előállítása távérzékelt AVHRR és MODIS adatok

alapján. Doktori disszertáció, ELTE, Budapest, pp. 148

Kljun, N., Rotach, M. W., Schmid, H. P. (2002) A 3D Backward Lagrangian Footprint

Model for a Wide Range of Boundary Layer Stratifications. Boundary-Layer

Meteorology, 103(2): 205–226.

Kljun, N., Calanca, P., Rotach, M. W., Schmid, H. P. (2004) A simple parameterisation for

flux footprint predictions. Boundary-Layer Meteorol., 112(3): 503–523.

112

Knyazikhin, Y., Glassy, J., Privette, J. L., Tian, Y., Lotsch, A., Zhang, Y., Wang, Y.,

Morisette, J. T., Votava, P., Myneni, R. B., Nemani, R. R., Running, S. W. (1999)

MODIS Leaf Area Index (LAI) and Fraction of Photosynthetically Active Radiation

Absorbed by Vegetation (FPAR) Product (MOD15) Algorithm Theoretical Basis

Document. Online elérhető: http://eospso.gsfc.nasa.gov/atbd/modistables.html

Kutsch, W. L., Aubinet, M., Buchmann, N., Smith, P., Osborne, B., Eugster, W.,

Wattenbach, M., Schrumpf, M., Schulze, E. D., Tomelleri, E., Ceschia, E., Bernhofer,

C., Béziat, P., Carrara, A., Di Tommasi, P., Grünwald, T., Jones, M., Magliulo, V.,

Marloie, O., Moureaux, C., Olioso, A., Sanz, M. J., Saunders, M., Søgaard, H., Ziegler,

W. (2010) The net biome production of full crop rotations in Europe. Agriculture,

Ecosystems & Environment, 139(3): 336–345.

Lambin, E. F., Geist, H. J. (Szerk.) (2006) Land-Use and Land-Cover Change. Local

processes and Global Impacts. The IGBP Series, Springer-Verlag, Berlin, pp. 222

Lasslop, G., Reichstein, M., Kattge, J., Papale, D. (2008) Influences of observation errors in

eddy flux data on inverse model parameter estimation. Biogeosciences, 5(5): 1311–

1324.

Lasslop, G., Reichstein, M., Papale, D., Richardson, A. D., Arneth, A., Barr, A., Stoy, P.,

Wohlfahrt, G. (2010) Separation of net ecosystem exchange into assimilation and

respiration using a light response curve approach: critical issues and global evaluation.

Global Change Biology, 16(1): 187–208.

Le Quéré, C., Raupach, M. R., Canadell, J. G., Marland, G., Bopp, L., Ciais, P., Conway, T.

J., Doney, S. C., Feely, R. A., Foster, P., Friedlingstein, P., Gurney, K., Houghton, R.

A., House, J. I. Huntingford, C., Levy, P. E., Lomas, M. R., Majkut, J., Metzl, N.,

Ometto, J., Peters, G. P., Prentice, I. C., Randerson, J. T., Running, S. W., Sarmiento,

J. L., Schuster, U., Sitch, S., Takahashi, T., Viovy, N., van der Werf, G. R., Woodward,

F I. (2009) Trends in the sources and sinks of carbon dioxide. Nature Geoscience,

2(12): 831–836.

Leuning, R., Cleugh, H. A., Zegelin, S. J., Hughes, D. (2005) Carbon and water fluxes over

a temperate Eucalyptus forest and a tropical wet/dry savanna in Australia:

measurements and comparison with MODIS remote sensing estimates. Agricultural

and Forest Meteorology, 129(3–4): 151–173.

Levenberg K. (1944) A Method for the Solution of Certain Non-Linear Problems in Least

Squares. Quarterly of Applied Mathematics, 2(2): 164–168.

113

Levin, S. (1993) Concepts of scale at the local level. 7–19. In: Ehleringer, J., Field, C., B.

(Szerk.) Scaling physiological processes: leaf to globe. Academic Press, San Diego, pp.

388

Li, C., Frolking, S., Butterbach-Bahl, K. (2005) Carbon Sequestration in Arable Soils is

Likely to Increase Nitrous Oxide Emissions, Offsetting Reductions in Climate

Radiative Forcing. Climatic Change, 72(3): 321–338.

Lloyd, J., Taylor, J. A. (1994) On the temperature dependence of soil respiration.

Functional Ecology, 8(3): 315–323.

Long, S., Farage, P., Garcia, R. (1996) Measurement of leaf and canopy photosynthetic

CO2 exchange in the field. Journal of Experimental Botany, 47(304): 1629–1642.

Ma, S., Churkina, G., Wieland, R., Gessler, A. (2011) Optimization and evaluation of the

ANTHRO-BGC model for winter crops in Europe. Ecological Modelling, 222(20–22):

3662–3679.

Marquardt D. (1963) An Algorithm for Least-Squares Estimation of Nonlinear Parameters.

SIAM Journal on Applied Mathematics, 11(2): 431–441.

McCallum, I., Wagner, W., Schmullius, C., Shvidenko, A., Obersteiner, M., Fritz, S.,

Nilsson, S. (2009) Satellite-based terrestrial production efficiency modeling. Carbon

Balance Management, 4:8.

Medlyn, B. E. (2011) Comment on “Drought-induced reduction in global terrestrial net

primary production from 2000 through 2009”. Science, 333(6046): 1093.

Meehl, G. A., Bony, S. (2011) Introduction to CMIP5. CLIVAR Exchanges SI, 16(2): 4–5.

Menzel W. P. (2006) Remote sensing applications with meteorological satellites. University

of Wisconsin-Madison, 2009, pp. 345

Mitchell, S., Beven, K., Freer, J. (2009) Multiple sources of predictive uncertainty in

modeled estimates of net ecosystem CO2 exchange. Ecological Modelling, 220(23):

3259–3270.

Mkhabela, M. S., Bullock, P., Raj, S., Wang, S., Yang, Y. (2011) Crop yield forecasting on

the Canadian prairies using MODIS NDVI data. Agricultural and Forest Meteorology,

151(3): 385–393.

Monteith, J. (1972) Solar radiation and productivity in tropical ecosystems. The Journal of

Applied Ecology, 9: 747–766.

Monteith, J. (1977) Climate and efficiency of crop production in Britain. Philosophical

Transactions of the Royal Society of London. Series B, Biological Sciences, 281: 277–

294.

114

Mullan, D., Favis-Mortlock, D., Fealy, R. (2012) Addressing key limitations associated with

modelling soil erosion under the impacts of future climate change. Agricultural and

Forest Meteorology, 156: 18–30.

Nagy, Z., Barcza, Z., Horváth, L., Balogh, J., Hagyó, A., Káposztás, N., Grosz, B., Machon,

A. (2010) Measurements and estimations of biosphere-atmosphere exchange of

greenhouse gases – Grasslands. In: Haszpra, L. (Szerk.): Atmospheric Greenhouse

Gases: The Hungarian Perspective. Springer-Science, Dordrecht, London, New York,

pp. 295–330.

Nagy, Z., Pintér, K., Czóbel, Sz., Balogh, J., Horváth, L., Fóti, S., Barcza, Z., Weidinger, T.,

Csintalan, Z., Dinh, N. Q., Grosz, B., Tuba, Z. (2007) The carbon budget of a

semiarid grassland in a wet and a dry year in Hungary. Agriculture, Ecosystem &

Environment, 121(1–2): 21–29.

Nash, J., Sutcliffe J. (1970) River flow forecasting through conceptual models, 1. A

discussion of principles. Journal of Hydrology, 10(3): 282 – 290.

New, M., Lister, D., Hulme, M. and Makin, I. (2002) A high-resolution data set of surface

climate over global land areas. Climate Research, 21: 1–25.

Ng, T. L., Eheart, J. W., Cai, X. M. (2010) Comparative calibration of a complex hydrologic

model by stochastic methods GLUE and PEST. Transactions of the ASABE, 53(6):

1773–1786.

Nickerson, C., Ebel, R., Borchers, A., Carriazo, F. (2011) Major Uses of Land in the United

States, 2007. Economic Information Bulletin 89, pp. 67

Nightingale, J., Coops, N., Waring, R., Hargrove, W. (2007) Comparison of MODIS gross

primary production estimates for forests across the U.S.A. with those generated by a

simple process model, 3-PGS. Remote Sensing of Environment, 109(4): 500–509.

Oros, I. (2002) A birtokszerkezet Magyarországon. Statisztikai szemle, 80(7): 674–697.

Petron, G., Granier, C., Khattatov, B., Lamarque, J-F., Yudin, V., Muller, J-F., Gille, J.

(2002) Inverse modeling of carbon monoxide surface emissions using Climate

Monitoring and Diagnostics Laboratory network observations. Journal of Geophysical

Research, 107(D24): 4761.

Piao, S., Sitch, S., Ciais, P., Friedlingstein, P., Peylin, P., Wang, X., Ahlström, A., Anav, A.,

Canadell, J. G., Cong, N., Huntingford, C., Jung, M., Levis, S., Levy, P. E., Li, J., Lin,

X., Lomas, M. R., Lu, M., Luo, Y., Ma, Y., Myneni, R. B., Poulter, B., Sun, Z., Wang,

T., Viovy, N., Zaehle, S. and Zeng, N. (2013) Evaluation of terrestrial carbon cycle

115

models for their response to climate variability and to CO2 trends. Global Change

Biology, 19(7): 2117–2132.

Pintér, K., Nagy, Z., Barcza, Z., Balogh, J., Czóbel, Sz., Csintalan, Z., Tuba, Z. (2008)

Interannual variability of grasslands’ carbon balance depends on soil type. Community

Ecology, 9(1): 43–48.

Potter, C. S., Randerson, J. T., Field, C. B., Matson, P. A., Vitousek, P. M., Mooney, H. A.,

Klooster, S. A. (1993) Terrestrial ecosystem production: A process model based on

global satellite and surface data. Global Biogeochemical Cycles, 7(4): 811–841.

Powlson, D., Smith, P., Coleman, K. (1998) A European network of long-term sites for

studies on soil organic matter. Soil and tillage research, 47(3–4): 263–274.

Prihodko, L., Denning, A. S., Hanan, N. P., Baker, I., Davis, K. (2008) Sensitivity,

uncertainty and time dependence of parameters in a complex land surface model.


Rambal, S., Ourcival, J.-M., Joffre, R., Mouillot, F., Nouvellon, Y., Reichstein, M.,

Rocheteau, A. (2003) Drought controls over conductance and assimilation of a

Mediterranean evergreen ecosystem: scaling from leaf to canopy. Global Change

Biology, 9(12): 1813–1824.

Raupach, M. R., Gloor, M., Sarmiento, J. L., Canadell, J. G., Frölicher, T. L., Gasser, T.,

Houghton, R. A., Le Quéré, C., Trudinger, C. M. (2013) The declining uptake rate of

atmospheric CO2 by land and ocean sinks. Biogeosciences Discussions, 10(11):

18407–18454.

Razavi, S., Tolson, B. A., Matott, L. S., Thomson, N. R., MacLean, A., Seglenieks, F. R.

(2010) Reducing the computational cost of automatic calibration through model

preemption. Water Resources Research, 46(11): W11523.

Reich, P. B., Turner, D. P., Bolstad, P. (1999) An approach to spatially distributed

modeling of net primary production (NPP) at the landscape scale and its application in

validation of EOS NPP products. Remote Sensing of Environment, 70(1011): 69–81.

Reichstein, M., Beer, C. (2008) Soil respiration across scales: The importance of a model–

data integration framework for data interpretation. Journal of Plant Nutrition and Soil

Science, 171(3): 344–354.

Reichstein, M., Bahn, M., Ciais, P., Frank, D., Mahecha, M. D., Seneviratne, S. I.,

Zscheischler, J., Beer, C., Buchmann, N., Frank, D. C., Papale, D., Rammig, A., Smith,

P., Thonicke, K., van der Velde, M., Vicca, S., Walz, A., Wattenbach, M. (2013)

Climate extremes and the carbon cycle. Nature, 500(7462): 287–95.

116

Reichstein, M., Falge, E., Baldocchi, D., Papale, D., Aubinet, M., Berbigier, P., Bernhofer,

C., Buchmann, N., Gilmanov, T., Granier, A., Grunwald, T., Havrankova, K.,

Ilvesniemi, H., Janous, D., Knohl, A., Laurila, T., Lohila, A., Loustau, D., Matteucci,

G., Meyers, T., Miglietta, F., Ourcival, J., Pumpan, M. (2005) On the separation of net

ecosystem exchange into assimilation and ecosystem respiration: review and improved

algorithm. Global Change Biology, 11(9): 1424–1439.

Revill, A., Sus, O., Barrett, B., Williams, M. (2013) Carbon cycling of European croplands:

A framework for the assimilation of optical and microwave Earth observation data.

Remote Sensing of Environment, 137(0): 84–93.

Rödenbeck, C., Houweling, S., Gloor, M., Heimann, M. (2003) Time-dependent

atmospheric CO2 inversions based on interannually varying tracer transport. Tellus B,

55(2):488–497.

Running, S. W., Nemani, R. R., Glassy, J. M., Thornton, P. E. (1999) MODIS Daily

Photosynthesis (PSN) and Annual Net Primary Production (NPP) product (MOD17)

algorithm theoretical basis document. Online elérhető:

http://modis.gsfc.nasa.gov/data/atbd/atbd_mod16.pdf

Running, S. W., Nemani, R. R., Heinsch, F. A., Zhao, M., Reeves, M., Hashimoto, H.

(2004) A continuous satellite-derived measure of global terrestrial primary production.

Bioscience, 54(6): 547–560.

Sakamoto, T., Wardlow, B. D., Gitelson, A. A., Verma, S. B., Suyker, A. E., Arkebauer T. J.

(2005) A Two-Step Filtering approach for detecting maize and soybean phenology

with time-series MODIS data. Remote Sensing of Environment, 114(10): 2146–2159.

Samanta, A., Costa, M. H., Nunes, E. L., Vieira, S. A, Xu, L., Myneni, R. B. (2011)

Comment on “Drought-induced reduction in global terrestrial net primary production

from 2000 through 2009”. Science, 333(6046): 1093.

Schmid, H. P. (1994) Source areas for scalars and scalar fluxes. Boundary-Layer

Meteorology, 67(3): 293-318.

Schmid, H. P., Oke, T. R. (1990) A model to estimate the source area contributing to

turbulent exchange in the surface layer over patchy terrain. Quarterly Journal of the

Royal Meteorolical Society, 116(494): 965–988.

Schulz, K., Beven, K. (2003) Data-supported robust parameterisations in land surface-

atmosphere flux predictions: towards a top-down approach. Hydrological Processes,

17(11): 2259–2277.

117

Schulz, K., Jarvis, A., Beven, K., Soegaard, H. (2001) The predictive uncertainty of land

surface fluxes in response to increasing ambient carbon dioxide. Journal of Climate,

14(12): 2551–2562.

Schulze, E.-D., Heimann, M. (1998) Carbon and water exchange of terrestrial systems. In:

Galloway, J. N., Melillo, J. (Szerk.). Asian change in the context of global change.

Cambridge: Cambridge University Press. pp. 145–61.

Schulze, E.-D. (1982) Plant Life Forms and Their Carbon, Water and Nutrient Relations.

In: Lange, O. L., Nobel, P. S., Osmond, C. B., Ziegler, H. (Szerk.) Encyclopedia of

Plant Physiology, Physiological Plant Ecology II, Vol. 12B, Water relations and

photosynthetic productivity, Berlin, Heidelberg, pp. 615–676.

Schulze, E. D., Luyssaert, S., Ciais, P., Freibauer, A., Janssens, I. A., Soussana, J. F., Smith,

P., Grace, J., Levin, I., Thiruchittampalam, B., Heimann, M., Dolman, A.. J., Valentini,

R., Bousquet, P., Peylin, P., Peters, W., Rödenbeck, C., Etiope, G., Vuichard, N.,

Wattenbach, M., Nabuurs, G. J., Poussi, Z., Nieschulze, J., Gash, J. H. (2009)

Importance of methane and nitrous oxide for Europe’s terrestrial greenhouse-gas

balance. Nature Geoscience, 2(12): 842–850.

Schwalm, C. R., Williams, C. A., Schaefer, K., Anderson, R., Arain, M. A., Baker, I., Barr,

A., Black, T. A., Chen, G., Chen, J. M., Ciais, P. Davis, K. J., Desai, A., Dietze, M.,

Dragoni, D., Fischer, Marc L., Flanagan, L. B., Grant, R., Gu, L., Hollinger, D.,

Izaurralde, R. C., Kucharik, C., Lafleur, P., Law, B. E., Li, L., Li, Z., Liu, S., Lokupitiya,

E., Luo, Y., Ma, S., Margolis, H., Matamala, R., McCaughey, H., Monson, R.., Oechel,

W. C., Peng, C., Poulter, B., Price, D. T., Riciutto, D. M., Riley, W., Sahoo, A. K.,

Sprintsin, M., Sun, J., Tian, H., Tonitto, C., Verbeeck, H., Verma, S. B. (2010) A

model-data intercomparison of CO2 exchange across North America: Results from

the North American Carbon Program site synthesis. Journal of Geophysical Research,

115(G3): G00H05.

Setegn, S. G., Srinivasan, R., Dargahi B. (2009) Hydrological modelling in the Lake Tana

basin, Ethiopia, using SWAT model. The Open Hydrology Journal, 2: 49–62.

Sims, D. A., Rahman, A. F., Cordova, V. D., Baldocchi, D. D., Dennis, Flanagan, L. B.,

Goldstein, A. H., Hollinger, D. Y., Misson, L., Monson, R. K., Schmid, H. P., Wofsy,

S. C., Xu, L. (2005) Midday values of gross CO2 flux and light use efficiency during

satellite overpasses can be used to directly estimate eight-day mean flux. Agricultural

and Forest. Meteorology, 131(1–2): 1–12.

118

Šimůnek, J., Huang, K., van Genuchten, M. Th. (1998) The HYDRUS code for simulating

the one-dimensional movement of water, heat, and multiple solutes in variably-

saturated media. Version 6.0, Research Report No. 144, U.S. Salinity Laboratory,

USDA, ARS, Riverside, California, pp. 164

Smith, P., Fang, C., Dawson, J., Moncrieff, J. (2008) Impact of global warming on soil

organic carbon. Advances in Agronomy, 97(7):1–6.

Smith, P., Lanigan, G, Kutsch, W. L., Buchmann, N., Eugster, W., Aubinet, M., Ceschia,

E., Béziat, P., Yeluripati, J. B., Osborne, B., Moors, E. J., Brut, A., Wattenbach, M.,

Saunders, M., Jones, M. (2010) Measurements necessary for assessing the net

ecosystem carbon budget of croplands. Agriculture, Ecosystem & Environment,

139(3): 302–315.

Smith, P., Powlson, D., Glendining, M. (1996) Establishing a European GCTE Soil

Organic Matter Network (SOMNET) In: Powlson, D. S., Smith, P., Smith, J. U.

(Szerk.) Evaluation of Soil Organic Matter Models. NATO ASI Series, 38: 81–97.

Soudani, K., Hmimina, G., Delpierre, N., Pontailler, J.-Y., Aubinet, M., Bonal, D., Caquet,

B., de Grandcourt, A., Burban, B., Flechard, C., Guyon, D., Granier, A., Gross, P.,

Heinesh, B., Longdoz, B., Loustau, D., Moureaux, C., Ourcival, J.-M., Rambal, S.,

Saint André, L., Dufrêne, E. (2012) Ground-based Network of NDVI measurements

for tracking temporal dynamics of canopy structure and vegetation phenology in

different biomes. Remote Sensing of Environment, 123: 234–245.

Soussana, J. F., Allard, V., Pilegaard, K., Ambus, P., Amman, C., Campbell, C., Ceschia, E.,

Clifton-Brown, J., Czobel, S., Domingues, R., Flechard, C., Fuhrer, J., Hensen, A.,

Horvath, L., Jones, M., Kasper, G., Martin, C., Nagy, Z., Neftel, A., Raschi, A.,

Baronti, S., Rees, R. M., Skiba, U., Stefani, P., Manca, G., Sutton, M., Tuba, Z.,

Valentini, R. (2007). Full accounting of the greenhouse gas (CO2, N2O, CH4) budget

of nine European grassland sites. Agriculture, Ecosystems & Environment, 121(1–2):

121–134.

Stedinger, J. R., Vogel, R. M., Lee, S. U., Batchelder, R. (2008) Appraisal of the generalized

likelihood uncertainty estimation (GLUE) method. Water Resources Research, 44(12):

1–17.

Stoy, P. C., Katul, G. G., Siqueira, M. B. S. Juang, J.-Y., Novick, K. A., Uebelherr, J. M.,

Oren, R., (2006) An evaluation of models for partitioning eddy covariance-measured

net ecosystem exchange into photosynthesis and respiration. Agricultural and Forest

Meteorology, 141(1): 2–18.

119

Stöckli, R., Rutishauser, T., Dragoni, D., O'Keefe, J., Thornton, P. E., Jolly, M., Lu, L.,

Denning A. S. (2008) Remote sensing data assimilation for a prognostic phenology

model. Journal of Geophysical Research, 113(G4): G04021.

Strahler, A., Muchoney, D., Borak, J., Friedl, M., Gopal, S., Lambin, E., Moody, A. (1999)

MODIS Land cover product Algorithm Theoretical Basis Document (ATBD). Online

elérhető: http://modis.gsfc.nasa.gov/data/atbd/atbd_mod12.pdf

Tarnocai, C., Canadell, J. G., Schuur, E. A. G., Kuhry, P., Mazhitova, G., Zimov, S. (2009)

Soil organic carbon pools in the northern circumpolar permafrost region. Global

Biogeochemical Cycles, 23(2): GB2023.

Thornton, P. E., Running, S. W. (1999) An improved algorithm for estimating incident

daily solar radiation from measurements of temperature, humidity, and precipitation.


Turner, D. P., Ritts, W. D., Cohen, W. B., Maeirsperger, T. K., Gower, S. T., Kirschbaum,

A. A., Running, S. W., Zhao, M., Wofsy, S. C., Dunn, A. L., Law, B. E., Campbell, J.

L., Oechel, W. C., Kwon, H. J., Meyers, T. P., Small, E. E., Kurc, S. A., Gamon, J. A.

(2005) Site-level evaluation of satellite-based global terrestrial gross primary

production and net primary production monitoring. Global Change Biology, 11(4):

666–684.

Turner, D. P., Ollinger, S. V., Kimball, J. S. (2004) Integrating remote sensing and

ecosystem process models for landscape- to regional-scale analysis of the carbon cycle.

Bioscience, 54(6): 573–584.

Turner, D. P., Ritts, W. D., Cohen, W. B., Gower, S. T., Running, S. W., Zhao, M., Costa,

M. H., Kirschbaum, A. A., Ham, J. M., Saleska, S. R., Ahl, D. E. (2006) Evaluation of

MODIS NPP and GPP products across multiple biomes. Remote Sensing of

Environment, 102(3–4): 282–292.

USDA (2010) Keys to Soil Taxonomy, Eleventh Edition, 2010. United States Department

of Agriculture, Natural Resources Conservation Service. pp. 338 Online elérhető:

ftp://ftp-

fc.sc.egov.usda.gov/NSSC/Soil_Taxonomy/keys/2010_Keys_to_Soil_Taxonomy.pdf

USGS (1999) Fertilizers—Sustaining Global Food Supplies. USGS Fact Sheet FS–155–99.

Online elérhető: http://pubs.usgs.gov/fs/fs155-99/fs155-99.pdf

Velasco, E., Roth, M. (2010) Cites as net sources of CO2: Review of atmospheric CO2

exchange in urban environments measured by eddy covariance technique. Geography

Compass, 4(9): 1238–1259.

120

Vetter, M., Churkina, G., Jung, M., Reichstein, M., Bondeau, A., Zähle, S., Viovy, N., Ciais,

P., Papale, D., Geyer, R., Tenhunen, J., Jones, C., Tomelleri, E., Heimann, M., Chen,

Y., Freibauer, A., Feser, F. (2008) Analyzing the causes and spatial pattern of the

European 2003 carbon flux anomaly using seven models. Biogeosciences, 5: 561–583.

Wang, W., Davis, K. J., Cook, B. D., Butler, M. P., Ricciuto, D. M., (2006) Decomposing

CO2 fluxes measured over a mixed ecosystem at a tall tower and extending to a region:

A case study. Journal of Geophysical Research, 111(G2): G02005.

Wang, Z., Xiao, X., Yan, X. (2010) Modeling gross primary production of maize cropland

and degraded grassland in northeastern China. Agricultural and Forest Meteorology,

150(9): 1160–1167.

Wang, W., Dungan, J., Hashimoto, H., Michaelis, A. R., Milesi, C., Ichii, K., Nemani, R. R.

(2011) Diagnosing and assessing uncertainties of terrestrial ecosystem models in a

multimodel ensemble experiment: 1. Primary production. Global Change Biology,

17(3): 1350–1366.

Wang, X., Ma, M., Li, X., Song, Y., Tan, J., Huang, G., Zhang, Z., Zhao, T., Feng, J., Ma,

Z. (2013) Validation of MODIS-GPP product at 10 flux sites in northern China.

International Journal of Remote Sensing, 34(2): 587–599.

Wattenbach, M., Sus, O., Vuichard, N., Lehuger, S., Gottschalk, P., Li, L., Leip, A.,

Williams, M., Tomelleri, E., Kutsch, W. L., Buchmann, N., Eugster, W., Dietiker, D.,

Aubinet, M., Ceschia, E., Béziat, P., Guenwald, T., Hastings, A., Osborne, B., Ciais, P.,

Cellier, P., Smith, P. (2010) The carbon balance of European croplands: A cross-site

comparison of simulation models. Agriculture, Ecosystems & Environment, 139(3):

419–453.

West, T. O., Bown, M. E., Duren, R. M., Ogle, S. M., Moss, R., H. (2013) Definition,

capabilities and components of a terrestrial carbon monitoring system. Carbon

Management, 4(4): 413–422.

Williams, M., Rastetter, E. B., Fernandes, D. N., Goulden, M. L., Wofsy, S. C., Shaver, G.

R., Melillo, J. M., Munger, J. W., Fan, S. M., Nadelhoffer, K. J. (1996) Modelling the

soil–plant–atmosphere continuum in a Quercus–Acer stand at Harvard Forest: The

regulation of stomatal conductance by light, nitrogen and soil/plant hydraulic

properties. Plant, Cell & Environment, 19(8): 911–927.

Williams, M., Richardson, A. D., Reichstein, M., Stoy, P. C., Peylin, P., Verbeeck, H.,

Carvalhais, N., Jung, M., Hollinger, D. Y., Kattge, J., Leuning, R., Luo, Y., Tomelleri,

121

E., Trudinger, C. M., Wang, Y.-P. (2009) Improving land surface models with

FLUXNET data. Biogeosciences, 6: 1341–1359.

Wu, C., Niu, Z., Tang, Q., Huang, W., Rivard, B., Feng, J. (2009) Remote estimation of

gross primary production in wheat using chlorophyll-related vegetation indices.

Agricultural and Forest Meteorology, 149(6–7): 1015–1021.

Xie, Y., Sha, Z., Yu, M. (2008) Remote sensing imagery in vegetation mapping: a review.

Journal of Plant Ecology, 1(1): 9–23.

Yan, H., Fu, Y., Xiao, X., Huang, H. Q., He, H., Ediger, L. (2009) Modeling gross primary

productivity for winter wheat–maize double cropping system using MODIS time

series and CO2 eddy flux tower data. Agriculture, Ecosystems & Environment, 129(4):

391–400.

Yang, F., Ichii, K., White, M. a., Hashimoto, H., Michaelis, A. R., Votava, P., Zhu, A.-X.,

Huete, A., Running, S. W., Nemani, R. R. (2007) Developing a continental-scale

measure of gross primary production by combining MODIS and AmeriFlux data

through Support Vector Machine approach. Remote Sensing of Environment, 110(1):

109–122.

Yi, C., Ricciuto, D., Li, R., Wolbeck, J., Xu, X., Nilsson, M., Aires, L., Albertson, J. D.,

Ammann, C., Arain, M. A., de Araujo, A. C., Aubinet, M., Aurela, M., Barcza, Z., Barr,

A., Berbigier, P., Beringer, J., Bernhofer, C., Black, A. T., Bolstad, P. V., Bosveld, F.

C., Broadmeadow, M. S. J., Buchmann, N., Burns, S. P., Cellier, P., Chen, J., Chen, J.,

Ciais, P., Clement, R., Cook, B. D., Curtis, P. S., Dail, D. B., Dellwik, E., Delpierre, N.,

Desai, A. R., Dore, S., Dragoni, D., Drake, B. G., Dufrene, E., Dunn, A., Elbers, J.,

Eugster, W., Falk, M., Feigenwinter, C., Flanagan, L. B., Foken, T., Frank, J., Fuhrer,

J., Gianelle, D., Goldstein, A., Goulden, M., Granier, A., Gruenwald, T., Gu, L., Guo,

H., Hammerle, A., Han, S., Hanan, N. P., Haszpra, L., Heinesch, B., Helfter, C.,

Hendriks, D., Hutley, L. B., Ibrom, A., Jacobs, C., Johansson, T., Jongen, M., Katul,

G., Kiely, G., Klumpp, K., Knohl, A., Kolb, T., Kutsch, W. L., Lafleur, P., Laurila, T.,

Leuning, R., Lindroth, A., Liu, H., Loubet, B., Manca, G., Marek, M., Margolis, H. A.,

Martin, T. A., Massman, W. J., Matamala, R., Matteucci, G., McCaughey, H., Merbold,

L., Meyers, T., Migliavacca, M., Miglietta, F., Misson, L., Moelder, M., Moncrieff, J.,

Monson, R. K., Montagnani, L., Montes-Helu, M., Moors, E., Moureaux, C.,

Mukelabai, M. M., Munger, J. W., Myklebust, M., Nagy, Z., Noormets, A., Oechel, W.,

Oren, R., Pallardy, S. G., Kyaw, T. P. U., Pereira, J. S., Pilegaard, K., Pinter, K., Pio, C.,

Pita, G., Powell, T. L., Rambal, S., Randerson, J. T., von Randow, C., Rebmann, C.,

122

Rinne, J., Rossi, F., Roulet, N., Ryel, R. J., Sagerfors, J., Saigusa, N., Sanz, M. J.,

Mugnozza, G-S., Schmid, H. P., Seufert, G., Siqueira, M., Soussana, J-F., Starr, G.,

Sutton, M. A., Tenhunen, J., Tuba, Z., Tuovinen, J-P., Valentini, R., Vogel, C. S.,

Wang, J., Wang, S., Wang, W., Welp, L. R., Wen, X., Wharton, S., Wilkinson, M.,

Williams, C. A., Wohlfahrt, G., Yamamoto, S., Yu, G., Zampedri, R., Zhao, B., Zhao,

X. (2010) Climate control of terrestrial carbon exchange across biomes and continents.

Environmental Research Letters, 5(3): 034007.

Zhang, L., Wylie, B., Loveland, T., Fosnight, E., Tieszen, L. L., Ji, L., Gilmanov, T. (2007)

Evaluation and comparison of gross primary production estimates for the Northern

Great Plains grasslands. Remote Sensing of Environment, 106(2): 173–189.

Zhang, Y., Yu, Q., Jiang, J., Tang, Y. (2008) Calibration of Terra/MODIS gross primary

production over an irrigated cropland on the North China Plain and an alpine meadow

on the Tibetan Plateau. Global Change Biology, 14(4): 757–767.

Zhao, M., Heinsch, F. A., Nemani, R. R., Running, S. W. (2005) Improvements of the

MODIS terrestrial gross and net primary production global data set. Remote Sensing

of Environment, 95(2): 164–176.

Zhao, M., Running, S. W. (2010) Drought-induced reduction in global terrestrial net

primary production from 2000 through 2009. Science, 329(5994): 940–943.

Zhao, M., Running, S. W., Nemani, R. R. (2006) Sensitivity of Moderate Resolution

Imaging Spectroradiometer (MODIS) terrestrial primary production to the accuracy of

meteorological reanalyses. Journal of Geophysical Research, 111(G1): G01002.

Mezıgazdasági területek produktivitásának becslése mőholdas és felszíni mérések alapján

Gelybó Györgyi

Témavezetı: Dr. Bartholy Judit, Dr. Barcza Zoltán

Eötvös Loránd Tudományegyetem, Földrajz- és Földtudományi Intézet, Meteorológiai Tanszék

A biogeokémiai folyamatok, azon belül is a felszín és a légkör közötti szénforgalom napjaink kiemelt kutatási területei az éghajlati rendszerrel való kapcsolódásuk miatt. Az óceánok és a szárazföldi ökológiai rendszerek jelenleg a légköri a szén-dioxid (CO2) nettó nyelıi, az azonban vita tárgyát képezi, hogy vajon ez a képesség fenntartható-e, esetleg növelhetı-e a jövıben a változó éghajlati viszonyok mellett.

Doktori munkám célja egy távérzékelt adatokon alapuló, szénforgalom becslı adatorientált modell vizsgálata mezıgazdasági ökológiai rendszerekre. A MODIS 1 szenzor mérései alapján készített MOD17 produktum bruttó fotoszintézis (GPP - bruttó elsıdleges produkció) adatokat biztosít 8 napos idıbeli és 1 km-es térbeli felbontással. A kutatás két fı célkitőzése a produktumot elıállító MOD17 GPP modell pontosságának vizsgálata (validáció), és a modell teljesítményének javítása modell-optimalizációval (kalibráció). A validációhoz szükséges adatokat eddy-kovariancia (EK) technikával nyert in-situ mérések szolgáltatták. Kétféle EK adatot használtunk munkánkban, egy hazai magas EK torony mérési adatait (Hegyhátsál, Vas megye), valamint a nemzetközi FLUXNET mérıhálózat alacsony tornyos mezıgazdasági EK mérıhelyeinek adatait (Európa és az Amerikai Egyesült Államok területérıl).

Gondos adatbázis-építést és elıfeldolgozást követıen a modell validációját többféle megközelítéssel végeztük el. Elsıként a MOD17 modellt a hazai magas tornyos helyszínre validáltuk. Az eredmények azt mutatták, hogy a modell alulbecsli az EK méréseket még akkor is, ha a bemenı meteorológiai adatok hibáit is figyelembe vesszük. Gyakran ezt az eltérést a felszíni és őrbázisú mérések eltérı térbeli reprezentativitásával magyarázzák. A második lépésben ezért összehangoltuk az EK mérések és a mőholdas távérzékelésen alapuló becslések térbeli reprezentativitását, a modell 250 m-re történı leskálázásával, és a CO2 fluxus forrásterület-változásainak dinamikus nyomon követésével. E lépéssel a modell-mérés egyezés javult, ami arra utal, hogy a térbeli reprezentativitásban jelen levı különbségeket figyelembe kell venni a felszíni és őrbázisú információk összevetésénél. Azonban a mért GPP értékeket még mindig alulbecsülte a modell, ami a modell strukturális hibáira, vagy nem megfelelı modellparaméterekre utal. Hogy errıl megbizonyosodjunk, a validációt a FLUXNET korábban említett alacsony tornyos mezıgazdasági helyszíneire is elvégeztük. A modell itt is alulbecsülte a felszíni GPP méréseket, különösen C4 fotoszintézis típusú növények esetén. Ezért elvégeztük a MOD17 GPP modell kalibrációját egy Monte Carlo módszer alapú globális modell-optimalizációs megközelítés segítségével, a C3 és C4 növényekre külön-külön. Az optimalizált modellparaméterek használata jelentısen javított a modelleredmények pontosságán. Az egyetlen mezıgazdasági növénykategória C3 és C4 növényekre való szétbontása reálisabb becslést adott a mezıgazdasági területek bruttó fotoszintézisére.

1 MODerate Resolution Imaging Sectroradiometer, onboard NASA’s1 Terra and Aqua satellites

Estimation of carbon balance components over agricultural lanscapes based on remote sensing and field measurements

Györgyi Gelybó

Advisors: Dr. Judit Bartholy, Dr. Zoltán Barcza

Department of Meteorology, Institute of Geography and Earth Sciences

Eötvös Loránd University

Biogeochemical cycles in general and the biosphere-atmosphere carbon exchange in particular are of current high priority research areas due to their coupling with the climate system. The oceans and the terrestrial ecosystems currently act as net sinks of atmospheric CO2, but it is of current debate whether this sink capacity can be maintained or even increased under changing environmental conditions.

The PhD research is dealing with the possible applications of satellite remote sensing in estimating vegetation-atmosphere CO2 exchange using a data-oriented model focusing especially on agroecosystems. The MOD17 product, which is built upon data measured by the MODIS1 sensor, provides estimation on the gross carbon uptake of plants (Gross Primary Production; GPP) with 1 km spatial and 8 days temporal resolution. The main objectives of the dissertation are (i) to investigate the accuracy of the underlying MOD17 GPP model against in situ measurements, and (ii) to improve the model’s accuracy based on model parameter optimization. In-situ observations of GPP by the eddy-covariance (EC) technique provided validation data. Two types of EC data were used: data from a tall EC tower in Hungary and data from selected members of a network of short-tower based EC sites (FLUXNET) across Europe and the USA.

Following a careful construction of the validation database and model input database, model validation was carried out using different approaches. First, we carried out validation of the official MOD17 product at the tall tower site. We found that the MOD17 GPP underestimates EC tower measurements even if we accounted for the errors in the input meteorological data. A reason frequently proposed to be responsible for model-measurement disagreement is the difference in spatial represenentativeness of remote sensing and field measurements. In the next step, we synchronized representativeness of EC measurements and remote sensing based estimations via downscaling the model to 250 m considering the dynamic changes of CO2 flux source area influencing the EC measurements. The model-measurement agreement improved, suggesting that differences in spatial representativeness need to be accounted for in validation efforts. However, GPP measurements were still underestimated by the model, which can be caused by model structural errors and/or parameter uncertainty. We also carried out model validation against data from a set of international EC sites from FLUXNET across the USA and Europe. The validation results indicate underestimation of measured values especially on the more productive sites where crops with C4 photosynthetic pathway are present. Hence, we performed a Monte-Carlo based model optimization using EC data separately for C3 and C4 crops. Model optimization separating C3 and C4 plant types significantly improved model performance. The separation of the original single cropland category to C4 and C3 crop specific types led to a more realistic estimation of cropland GPP.

1 MODerate Resolution Imaging Sectroradiometer, onboard NASA’s1 Terra and Aqua satellites

Documents

Mezőgazdasági területek produktivitásának becslése ...teo.elte.hu/minosites/ertekezes2014/gelybo_gy.pdf · Mezőgazdasági területek produktivitásának becslése műholdas