复制成功

1 引言

2020年以来，全球平均气温屡破历史纪录，南极首次超过20度，北极冻土加速融化，新西兰大量贻贝因海温过高被烫死，因高温天气和干旱引发的澳大利亚森林大火持续燃烧了4个月。环境问题频频发生，因为二氧化碳过量排放而引发的气候极端事件不断涌现在人们眼前，造成的影响触目惊心。而森林的有机碳库是碳排放的重要组成部分，其积累和分解产生的碳排放量影响着全球的碳循^[1]，因而对土壤碳通量监测的意义重大。土壤作为地球上最大的碳储备库，每年排放的二氧化碳气体的量是极为庞大的，是工业化学物质燃烧的13倍，并且随着二氧化碳的过度排放，全球气候变暖越演愈烈，通过正反馈又加剧二氧化碳的排放。所以急需要一个精确的土壤碳通量监测仪器。

2 Fick定律

本次设计的监测仪通过仪器内部垂直分布的四个二氧化碳传感器以及一个温湿度传感器组成，仪器顶部开口，使用仪器时，土壤排放的二氧化碳从仪器顶部扩散至仪器顶部。

图2-1 监测仪器模型

Fick定律是用来研究物质的扩散现象的，是生物学家菲克在1855年提出的，菲克定律在各行各业发挥着重要的作用，相对于本次设计的监测仪器，采用Fick定律来计量二氧化碳气体随时间和空间的扩散，可以更加准确的计算得到碳通量的值^[2]。

Fick定律分为第一定律和第二定律,Fick第一定律描述的是在单位时间内通过垂直方向上的扩散单位横截面几的扩散物质的流量，通常用J来表示，对于Fick第二定律是研究物质在非稳态的扩散，本次设计的碳通量仪器适用于第一定律。第一定律的数学表达式如下所示：

(式2-1)

其中式子中，D为扩散系数，系数中需要用到的温度湿度均由传感器监测得到，大气压取一个标准大气压^[3]。通过读取传感器的数据，即可以得到二氧化碳气体的浓度，然后带入Fick定律计算。

下表为国际顶尖设备Li-8100监测的浓度与本仪器的监测浓度对比，通过Fick定律计算以后，误差与顶尖设备接近。(二氧化碳浓度单位：ppm)

表2-1 监测仪数据比对

通过Fick定律计算以后，对比于Li-8100的误差由0.053降低到了0.039，此处的二氧化碳浓度数据由十个样本取平均以后列出。由于本装置二氧化碳传感器的精度较低，在监测的过程中容易收到外界的干扰，那么对于外界一直存在的干扰，我们通过机器学习来降低干扰程度，有传感器采集的大量数据分析交由TensorFlow来完成。

3 TensorFlow机器学习数据优化

从阿尔法狗战胜李世石开始，人工智能与深度学习等诸如此类的话题就成为了新时代的代名词，本次实验的数据将通过TensorFlow进行机器学习，让其结果更加接近国外顶尖的Li-8100。

TensorFlow在mac用户上使用pip3进行安装即可。操作语句为：pip install tensorflow。

安装好以后使用如下语句：

import tensorflow as tf

a = tf.constant([1.0,2.0] ,name=”a”)

b = tf.constant([2.0,3.0] ,name=”b”)

result = a + b

sess = tf.Session()

sess,run(result)

对其进行测试^[4]，测试确保输出正确即完成了TensorFlow的安装。

本次实验所需要用到的数据为二氧化碳的浓度，温湿度。通过对其权重等控制，将传感器产生的数据传入给TensorFlow以后，通过机器学习，最后将数据的精度进一步提高。

通过TensorFlow对数据进行三个层级的约万次的训练以后，可以将误差从0.142降低到0.053，大大降低了本监测仪监测出数据的误差度。这里机器学习的重点倾向于初始监测出的二氧化碳浓度，环境的温度以及环境的湿度变化，其中最为重要的是时间因子，因为二氧化碳从土壤中排出以后，监测仪器中的浓度会随着时间逐渐升高，而高浓度的二氧化碳又会抑制土壤中二氧化碳的排放，所以对于时间的训练权重极为重要。

TensorFlow中提供了分布式Estimator自定义模型的使用^[5],Estimator中包括了种类繁多的机器学习以及深度学习的类。通过直接使用其中的高阶类来创建子类使用是一种非常高效的学习方法。所以在Supervisor和Coordinator这两个分布训练的实现上，就不需要浪费过多的资源。Estimator所支持的自定义模型可以更好的帮助我们分析训练二氧化碳的碳通量。在其中，features和targets分别代表了数据的特征和数据特征每一个分类的标识，这样可以使得接下来计算损失函数更加的方便。所以用TensorFlow对数据进行预测处理是对精度提高又显著效果的。

再经过大量的建模自定义学习方法和权重分配以后，得到如下表的数据比对：（碳通量单位：μmol/(m2/s)）

表3-1 基于人工智能的数据处理比对

4 功能指标以及数据分析

运用本土壤呼吸监测仪器并加之Fick定律以及人工智能的数据优化，实时监测土壤二氧化碳的排放的变化对当地地区气候的影响，实现气候预警。为探索全球生态系统土壤呼吸动态变化及其调控机理，对于碳汇计量、碳交易、缓解气候变化及正确评价中国陆地生态系统碳收支具有重要的战略意义，土壤监测系统就是实施探索的最好工具。

通过机器学习组网训练，二氧化碳通量的数据精度有了明显的提升，下表给出某一时刻在亚热带季风气候的山地测量后，最终得到的二氧化碳浓度。较之于Li-8100，本次设计的计量方式误差可以控制到百分之五到百分之十以内，达到了一个比较高的精确度。

5 预期发展

对于TensorFlow最终得出的数据相比于Li-8100还是有一定的误差存在，为了提高数据的精确度，预期在数据处理时，在原有的基础上配合小波包交换技术，通过小波包交换进一步提升数据的精确度。

并且最后得到的数据模型，计划带入ansys的fluent气体流体模型中建模，分析温度、湿度、气流速度等因素对二氧化碳排放的影响。

参考文献

[1] 周国模，刘恩斌，佘光辉.森林土壤碳库研究方法进展[J],浙江林学院学报,2006年第2期

[2] 谢宝良，胡军国，李烨斐，基于Fick-小波包变换方法对土壤CO2浓度时间序列的去噪处理[J]，传感技术学报，2019年第5期

[3] Sheikh Nadeem Ahmad;Chuan Ching Dennis Ling;Khan Ilyas，Generalization of the Convective Flow of Brinkman-Type Fluid Using Fourier’s and Fick’s Laws: Exact Solutions and Entropy Generation[J], Mathematical Problems in Engineering, 2020/12/30

[4] 郑泽宇，顾思宇，TensorFlow 实战Google深度学习框架，电子工业出版社，2017/3

[5] 黄文坚，糖源，TensorFlow 实战，电子工业出版社，2017/2