本发明涉及生态学与微气象学交叉，具体涉及涡度相关通量数据分区方法及不确定性评估系统。

背景技术：

1、涡度相关法是当前唯一能够直接、连续测量生态系统与大气间二氧化碳交换通量的微气象学标准方法，通过测量净生态系统交换量（nee）并根据通量平衡方程nee = reco- gpp将其拆分为生态系统呼吸（reco）和总初级生产力（gpp）两个关键组分，但涡度相关技术直接测量的仅为nee这一综合变量，要获得gpp和reco必须采用nee分区方法，分区结果的准确性直接影响全球碳汇估算、气候变化模型参数化及国家温室气体清单编制的科学基础。目前国际上主流的nee分区方法按数据使用时段可分为基于夜间观测的温度响应法和基于白天观测的光响应曲线法两大类，前者假设夜间无光合作用，通过建立夜间nee与温度的统计关系外推全天呼吸，但夜间数据受湍流混合不足（u阈值）干扰严重且夜间关系外推至日间会引入显著系统偏差，其三种参数化变体（线性变体、lloyd-taylor指数变体、q10指数变体）间估算差异可达20-50%；后者通过拟合白天nee与光合有效辐射的光响应曲线在同一框架内分离gpp和reco，但光响应参数易受气孔导度和水汽压差限制、参数收敛困难且无法同时准确描述光饱和与光抑制阶段的生理过程。此外，现有技术中还尝试引入机器学习方法以捕捉复杂非线性关系，但无约束的纯数据驱动模型往往输出违背生态学原理的结果（如gpp出现负值、昼夜呼吸倒挂），导致其长期被学术界视为"黑箱"而不敢用于通量分区的核心流程，仅局限于数据插补环节。现有技术的主要缺陷可归结为四个方面：其一，夜间法与白天法基于互斥的生理假设且缺乏客观的方法筛选标准，研究人员多依赖经验与个人偏好选定算法，导致不同研究成果之间可比性不足；其二，同类方法下的不同参数化变体集成效果有限，而跨类模型（夜间法与白天法、物理驱动与数据驱动）之间因方法论鸿沟难以融合，其互补价值未能发挥；其三，所有现有通量产品仅输出gpp和reco的单点估算值，不提供任何置信区间或误差范围，既无法判定数据可靠性，也无法支撑碳交易等场景的合规应用；其四，机器学习方法因缺乏物理一致性约束而被排斥于分区核心流程之外，其捕捉复杂非线性关联的优势未能得到挖掘。因此，亟需一种能够融合互斥方法论、确保物理一致性并提供完整不确定性评估的新型nee分区方法，以解决上述多假设冲突、物理不可解释、风险评估缺失的技术难题。

技术实现思路

1、本发明所要解决的技术问题是：提供一种能够融合互斥方法论、确保物理一致性并提供完整不确定性评估的新型nee分区方法，以解决上述多假设冲突、物理不可解释、风险评估缺失的技术难题。

2、为了解决上述技术问题，本发明采用的技术方案为：

3、涡度相关通量数据分区方法，包括以下步骤：

4、获取涡度相关法观测的净生态系统交换量时间序列及同步环境因子数据，进行异常值剔除和缺失值标识，生成标准化清洁数据矩阵，其中所述净生态系统交换量本身不进行插补；

5、在同一净生态系统交换量时间序列上并行运行四类共八种分区算法，独立计算总初级生产力和生态系统呼吸；所述四类共八种分区算法包括基于夜间观测的温度响应法及其三种参数化变体、基于白天观测的光响应曲线法及其两种参数化变体、日夜区分简化法、以及基于物理约束的机器学习法及其两种算法变体。

6、进一步，上述涡度相关通量数据分区方法中，还包括步骤：

7、采用跨类集成策略融合所述八种分区算法的输出，生成单一的总初级生产力和生态系统呼吸最优估计值；

8、构建包含参数不确定性、模型结构不确定性和数据观测不确定性的五层评估体系，并合成为总不确定性；

9、输出包含时间戳、八种分区算法各自估算值、集成最优估计值、置信区间及五层不确定性指标的标准化通量数据产品。

10、进一步，上述涡度相关通量数据分区方法中，所述跨类集成策略为基于交叉验证均方误差的加权平均法，各分区算法的权重与其交叉验证均方误差成反比；或者为贝叶斯模型平均法，各分区算法的权重基于信息准则计算；或者为stacking元学习策略，以八种分区算法的输出为特征训练元学习器。

11、进一步，上述涡度相关通量数据分区方法中，所述五层不确定性评估体系具体包括：

12、第一层不确定性，为所述基于夜间观测的温度响应法中三种参数化变体总初级生产力估算值的样本标准差；

13、第二层不确定性，为所述基于白天观测的光响应曲线法中两种参数化变体总初级生产力估算值的样本标准差；

14、第三层不确定性，为所述基于物理约束的机器学习法中两种算法变体总初级生产力估算值的样本标准差，或当单一变体有效时为其内置的集成学习标准差；

15、第四层不确定性，为全部八种分区算法总初级生产力估算值的样本标准差；

16、第五层不确定性，基于原始净生态系统交换量观测误差的相对误差与绝对误差基底合成计算。

17、进一步，上述涡度相关通量数据分区方法中，所述基于夜间观测的温度响应法的三种参数化变体包括：采用线性函数形式的线性变体、采用lloyd-taylor指数函数形式的指数变体、以及采用q10指数函数形式的q10变体。

18、进一步，上述涡度相关通量数据分区方法中，所述基于白天观测的光响应曲线法的两种参数化变体包括：采用直角双曲线函数形式的直角双曲线变体、以及采用光响应与温度响应联合形式的lasslop光-温联合变体。

19、进一步，上述涡度相关通量数据分区方法中，所述基于物理约束的机器学习法的具体实现方式为：先利用所述基于夜间观测的温度响应法估算生态系统呼吸基线，机器学习模型仅学习预测校正后的净生态系统交换量，再通过物理约束公式反推总初级生产力，确保总初级生产力非负；所述基于物理约束的机器学习法的两种算法变体包括人工神经网络变体和随机森林变体。

20、本发明还涉及一种涡度相关通量数据分区不确定性评估系统，用于执行上述方法，所述系统包括：

21、数据预处理模块，用于执行所述数据获取与预处理步骤；

22、多模型分区引擎，用于执行所述多模型并行分区计算步骤，包含并行运行的所述四类共八种分区算法的实现单元；

23、模型集成与优化模块，用于执行所述多模型集成与最优结果生成步骤；

24、不确定性量化模块，用于执行所述分层不确定性量化步骤；

25、产品质量控制与输出模块，用于执行所述输出产品生成步骤；

26、各模块之间通过标准化数据接口通信，形成端到端的处理链路。

27、本发明的有益效果在于：本发明通过构建多模型并行分区与跨类集成的技术框架，首次实现了基于互斥生理假设的夜间温度响应法与白天光响应曲线法的有机融合，从根本上克服了传统方法因依赖单一理论假设而必然产生的系统性偏差；现有技术中，研究人员被迫在夜间法和白天法之间做出非此即彼的选择，不同方法对同一数据集的估算结果差异可达20%以上，且缺乏任何客观标准判断孰优孰劣，导致全球通量观测网络内部的数据产品长期处于不可比状态；本发明通过贝叶斯模型平均或交叉验证加权等集成策略，使各方法权重由其自身在数据上的表现动态决定，当夜间法因湍流混合不足而失效时其权重自动趋零，白天法或机器学习法则自动接管，反之亦然，由此实现了方法选择的客观化和自适应化。同时，本发明提出了物理模型约束的机器学习策略，以温度响应法估算的生态系统呼吸为基线，仅让机器学习模型学习校正后的净生态系统交换量，再通过物理公式反推总初级生产力，这一设计彻底解决了现有机器学习方法虽拟合精度高但输出违背生态学常识、gpp出现负值或昼夜呼吸倒挂等物理不一致问题，使得原本仅适用于数据插补环节的机器学习技术首次能够安全地嵌入通量分区核心流程，为物理信息驱动与数据驱动相结合提供了可操作的技术范式。此外，本发明构建了业内首个涵盖参数不确定性、模型结构不确定性和数据观测不确定性的五层分层评估体系，突破了传统通量产品仅输出单点估算值、无法提供任何误差范围的局限性，碳交易、温室气体清单编制等场景中的数据合规性风险由此得以量化管控，用户不仅能够获知通量值本身，还能明确获知其不确定性的来源构成；例如当模型结构不确定性占主导时，说明应优先改进模型结构而非提高观测精度，这种可溯源、可诊断的不确定性量化能力是以往任何通量数据处理系统所不具备的。本发明还建立了标准化的置信区间与质量标识输出机制，使数据产品直接兼容国际通量观测网络标准，大幅降低了数据再处理成本。上述技术效果并非现有技术中各孤立手段的简单叠加，而是通过跨类模型集成、物理约束机器学习与分层不确定性量化三者协同作用所产生的质变；本发明在数据缺失时段、极端环境条件或传统方法单一失效场景下均能维持稳定的估算性能，对于全球碳汇精准核算、生态系统模型参数优化以及碳交易市场的数据基础设施建设具有重要的技术推动作用。