通用陆面模式中常绿阔叶植被参数化方案的研制与改进

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    41875122
  • 项目类别：
    面上项目
  • 资助金额：
    62.0万
  • 负责人：
    辛秦川
  • 依托单位：
    中山大学
  • 学科分类：
    D0511.大气数值模式发展
  • 结题年份：
    2022
  • 批准年份：
    2018
  • 项目状态：
    已结题
  • 起止时间：
    2019-01-01 至2022-12-31

项目摘要

The land surface model is a scientific tool for quantitatively simulating and studying the basic processes such as physical, chemical, ecological and human activities on the land surface and is a key component of the Climate / Earth System Model. The vegetation parameterization scheme largely determines the simulation accuracy of the land surface model, however, it still contains large uncertainty in terms of simulating evergreen broadleaf forests in the tropical/subtropical regions. This project aims to develop a new version of the Common Land Model that is suitable for simulating the ecosystem processes of evergreen broadleaf forests. The main research contents include: studying the relationship between the vegetation process and environmental factors based on field observation experiments, improving the empirical formula and simulation methods based on self-developed vegetation parameterization scheme, and describing the vegetation ecosystem process in details; coupling the developed parameterization scheme of evergreen broadleaf vegetation with Chinese Common Land Model; and carrying out simulation and prediction of evergreen broadleaf vegetation dynamics under climate change scenarios at the regional scale. The project could improve the simulation accuracy of the Chinese Common Land Model, enhance the understanding of scientific issues such as the impact and extent of climate change on terrestrial ecosystems in key regions, and provide basic tools and datasets for studying the interaction and feedback between climate change and ecosystems.
陆面过程模式是定量模拟和研究陆地表面物理、化学、生态、人类活动等基本过程的科学工具，是气候/地球系统模式的重要组成部分。植被参数化方案很大程度上决定着陆面过程模式的模拟精度，而现阶段在热带/亚热带地区常绿阔叶植被过程的模拟仍然存在有较大的不确定性。本项目的总体目标是研制适用于常绿阔叶生态系统模拟的通用陆面模式新版本，主要研究内容包括：基于自主研制的植被参数化方案，从野外观测实验出发，研究植被过程与环境因子间的关系，改进经验性公式与模拟方法，精细刻画植被生态系统过程；耦合常绿阔叶植被参数化方案与中国通用陆面模式；开展气候变化情景下区域尺度常绿阔叶植被过程的动态模拟与预测。项目将能够提高通用陆面模式在关键区域内的模拟精度，加强气候变化对关键区域内陆地生态环境影响及其程度等科学问题的理解，为研究气候变化与生态系统相互作用和反馈提供基本工具和数据集。

结项摘要

植被参数化方案是理解和研究外界环境因子对植被生理生态过程的影响和植被对环境的反馈机制的关键手段，是陆面过程模式中陆-气交换过程模拟的重要内容。在热带/亚热带地区,常绿阔叶植被参数化方案的模拟是植被生理生态过程研究的难点问题，本项目研制了适用于常绿阔叶生态系统模拟的通用陆面模式新版本，主要研究内容包括：发展利用气候变量模拟阔叶林植被季节叶片动态的稳态近似方法，研究环境要素对生态系统过程的作用，研发和改进反映植被自适应环境变化的物候和根茎叶的物质分配模式，该方法在模拟冠层叶面积指数和总初级生产力方面表现良好，很好地捕捉到植被叶面积指数和物候的时空变化；开展多生态群落植被物候的模拟方法的比较研究，研发新的多生态群落植被物候模式，该模式能够在全球范围内捕获卫星产品反演的叶面积指数的空间格局和年内年际变化，能够准确地模拟1982-2016年年均叶面积指数的空间分布及趋势变化；开展不同遥感物候反演模型的综合比较研究，研发了一套1982-2015全球长时间序列高分辨率地表物候数据集；研究植被对局地环境的反馈和影响，协同陆面能量平衡、陆面水文过程等物理过程模式研发，以表征植被自身变化对环境的反馈作用。本项目提高了陆面过程模式对植被关键生理生态过程的模拟，加强了外界环境对关键区域内陆地生态系统过程作用及其程度的理解，为研究陆地生态系统与气候变换相互作用和响应提供基本工具和数据集。

项目成果

期刊论文数量（25）
专著数量（0）
科研奖励数量（0）
会议论文数量（3）
专利数量（4）
A Deep Learning-Based Framework for Automated Extraction of Building Footprint Polygons from Very High-Resolution Aerial Imagery
基于深度学习的框架，用于从超高分辨率航空图像中自动提取建筑足迹多边形
  • DOI：
    10.3390/rs13183630
  • 发表时间：
    2021
  • 期刊：
    Remote Sensing
  • 影响因子：
    5
  • 作者：
    Li Ziming;Xin Qinchuan;Sun Ying;Cao Mengying
  • 通讯作者：
    Cao Mengying
Attention-Guided Label Refinement Network for Semantic Segmentation of Very High Resolution Aerial Orthoimages
用于超高分辨率航空正射影像语义分割的注意力引导标签细化网络
  • DOI：
    10.1109/jstars.2021.3073935
  • 发表时间：
    2021
  • 期刊：
    IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing
  • 影响因子：
    5.5
  • 作者：
    Jianfeng Huang;Xinchang Zhang;Ying Sun;Qinchuan Xin
  • 通讯作者：
    Qinchuan Xin
Characterizing Tree Species of a Tropical Wetland in Southern China at the Individual Tree Level Based on Convolutional Neural Network
基于卷积神经网络的中国南方热带湿地单树树种特征
  • DOI：
    10.1109/jstars.2019.2950721
  • 发表时间：
    2019-11-01
  • 期刊：
    IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING
  • 影响因子：
    5.5
  • 作者：
    Sun, Ying;Xin, Qinchuan;Zhang, Hongsheng
  • 通讯作者：
    Zhang, Hongsheng
Automated Surface Water Extraction Combining Sentinel-2 Imagery and OpenStreetMap Using Presence and Background Learning (PBL) Algorithm
使用存在和背景学习 (PBL) 算法结合 Sentinel-2 图像和 OpenStreetMap 自动地表水提取
  • DOI：
    10.1109/jstars.2019.2936406
  • 发表时间：
    2019-09
  • 期刊：
    IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing
  • 影响因子：
    5.5
  • 作者：
    Zhiqiang Zhang;Xinchang Zhang;Xin Jiang;Qinchuan Xin;Zurui Ao;Qiting Zuo;Liyan Chen
  • 通讯作者：
    Liyan Chen
Identifying Leaf Phenology of Deciduous Broadleaf Forests from PhenoCam Images Using a Convolutional Neural Network Regression Method
使用卷积神经网络回归方法从 PhenoCam 图像识别落叶阔叶林的叶子物候
  • DOI：
    10.3390/rs13122331
  • 发表时间：
    2021-06-01
  • 期刊：
    REMOTE SENSING
  • 影响因子：
    5
  • 作者：
    Cao, Mengying;Sun, Ying;Xin, Qinchuan
  • 通讯作者：
    Xin, Qinchuan

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--"}}
  • 发表时间：
    {{ item.publish_year || "--" }}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--"}}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ monograph.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ patent.updateTime }}

其他文献

结合像元级和目标级的高分辨率遥感影像建筑物变化检测
  • DOI：
    --
  • 发表时间：
    2018
  • 期刊：
    测绘学报
  • 影响因子：
    --
  • 作者：
    张志强;张新长;辛秦川;杨晓羚
  • 通讯作者：
    杨晓羚

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--" }}
  • 发表时间：
    {{ item.publish_year || "--"}}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--" }}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}
empty
内容获取失败，请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题，我已根据课题信息分析并撰写以下内容，帮您拓宽课题思路：

AI项目思路

AI技术路线图

辛秦川的其他基金

基于通用陆面模式新版本的华南湿热区生态系统碳汇格局模拟与潜力评估研究
  • 批准号：
    42371483
  • 批准年份：
    2023
  • 资助金额：
    46 万元
  • 项目类别：
    面上项目

相似国自然基金

{{ item.name }}
  • 批准号：
    {{ item.ratify_no }}
  • 批准年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号：
    {{ item.ratify_no }}
  • 财政年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者：{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目：调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要：

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题，其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子，其表达水平对抗病毒防御至关重要。然而，TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用，影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法，探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用，为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义，并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路：

科学问题：TRIM2如何调控A型流感病毒诱导的IFN-β表达？
前期研究：已有研究表明TRIM2参与抗病毒反应，但其具体机制尚不明确。
研究创新点：本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线：包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术：TRIM2与病毒RNA的相互作用分析，IFN-β启动子活性检测。
实验模型：使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
关闭
close
客服二维码