基于树木生长仪与非结构性碳水化合物的水碳衰竭耦合预警方法

本发明涉及树木生理生态监测，具体涉及基于树木生长仪与非结构性碳水化合物的水碳衰竭耦合预警方法。

背景技术：

1、树木死亡是一个复杂的生理过程，学术界普遍认为其存在两种主要的、相互关联的生理机制，即水力衰竭和碳饥饿。水力衰竭是指木质部导管发生气穴化栓塞，水分传输系统崩溃；碳饥饿则是指树木因光合作用受阻而长期消耗体内储存的非结构性碳水化合物，最终因能源耗竭而死亡。如何对树木死亡风险进行早期、准确、可量化的诊断与预警，是当前森林保护和可持续经营领域亟待解决的关键技术问题。

2、目前，本领域已有一些技术手段用于评估树木健康状态和死亡风险。一种常见的方法是单一指标监测法，例如利用高精度树木生长仪连续记录树干直径的微米级变化。现有技术通常关注其净生长量、生长起止时间，或将连续若干天无净生长作为干旱胁迫信号。然而，这种方法仅从时间维度进行统计，将每一天的收缩视为等价的胁迫，无法区分因长期轻度干旱导致的轻微慢性胁迫和因极端干热天气导致的剧烈急性冲击对树木碳储备造成的本质不同影响，容易造成误报或漏报，且缺乏对死亡风险的量化评估能力。

3、另一种方法是定期对树木木质部进行采样，分析其非结构性碳水化合物浓度，以直接评估碳储备水平。该方法虽能直接反映碳饥饿状态，但采样具有破坏性、成本高昂，且获取的是离散的时间点数据，无法实现对树木生理状态的连续、实时监测，单一的浓度阈值也很难作为普适的早期预警指标。

4、综上所述，现有技术的主要缺陷在于，未能将树干负生长的累积量与冲击强度与树干的碳储备消耗的过程建立机制性的定量耦合关系，无法区分不同性质的胁迫冲击，也无法利用连续、无损的树干直径数据去实时预测离散、有损的非结构性碳水化合物浓度，因而不能提供一个精准、分级、有坚实生理学依据的死亡早期预警体系。

技术实现思路

1、本发明的目的在于提供基于树木生长仪与非结构性碳水化合物的水碳衰竭耦合预警方法，以解决现有技术中未能将树干负生长的累积量与冲击强度与树干的碳储备消耗的过程建立机制性的定量耦合关系，无法区分不同性质的胁迫冲击，也无法利用连续、无损的树干直径数据去实时预测离散、有损的非结构性碳水化合物浓度的技术问题。

2、为解决上述技术问题，本发明具体提供下述技术方案：

3、基于树木生长仪与非结构性碳水化合物的水碳衰竭耦合预警方法，包括以下步骤：

4、步骤s1：以预设频率连续采集树干直径数据，并同期在特定时间点采集树木木质部样品，测定树木木质部样品的非结构性碳水化合物nsc浓度；

5、步骤s2：处理所述树干直径数据，计算树干的单日负生长量，并计算自树木进入显著负生长时期以来的累积负生长量，以及进入显著负生长时期内的最大单日负生长量；

6、步骤s3：构建非结构性碳水化合物nsc浓度、所述累积负生长量和所述最大单日负生长量三者相关联的树干负生长碳储备耦合模型，以量化累积负生长量产生的慢性碳耗竭效应，以及最大单日负生长量产生的急性水力损伤效应对非结构性碳水化合物nsc浓度的复合影响；

7、步骤s4：设定非结构性碳水化合物nsc浓度的风险阈值，基于nsc浓度生存阈值，利用所述树干负生长碳储备耦合模型反向求解出与之对应的累积负生长量风险阈值和最大单日负生长量风险阈值；

8、步骤s5：将累积负生长量实测数据与匹配的累积负生长量风险阈值进行对比，且将最大单日负生长量实测数据与匹配的最大单日负生长量风险阈值进行对比，基于对比结果触发预警。

9、进一步的，在步骤s1中，采集树干直径数据时，同步采集土壤含水量和气象数据，选取一段历史时期的树干直径数据、土壤含水量数据和饱和水汽压差vpd数据作为训练集；

10、利用非线性回归或机器学习算法，建立树干直径日最大值或黎明前值，与土壤含水量、水汽压差vpd数据之间的函数关系作为基线响应模型，该基线响应模型能够根据任意时刻的土壤含水量和水汽压差vpd数据，计算出该环境条件下树木因水分状态变化而理应达到的环境影响参考值；

11、将所述高精度树木生长仪实时采集的树干直径实测值，减去所述基线响应模型同步输出的环境影响参考值，其差值即为排除了可逆水分胀缩影响后的、代表真实细胞分裂与增大的环境校正后的树干直径真实值。

12、进一步的，基于所述环境校正后的树干直径真实值，定义和校正单日负生长量、累积负生长量以及最大单日负生长量，其中：

13、定义所述单日负生长量为：若当日黎明前的树干直径真实值与前一日的黎明前的树干直径真实值之差为负值，则该值即为单日负生长量；

14、定义所述累积负生长量为：从进入显著负生长时期开始，对经过环境校正后的所有单日负生长量的绝对值进行累加；

15、定义所述最大单日负生长量为：在所述显著负生长时期内，记录到经过环境校正后的单日负生长量绝对值的最大值。

16、进一步的，所述树干负生长碳储备耦合模型分离了由累积负生长量驱动的慢性消耗，以及由最大单日负生长量驱动的急性冲击对非结构性碳水化合物nsc浓度的不同影响，树干负生长碳储备耦合模型的计算公式为：

17、nsc(t)=nsc0*e-as-b*ln(1+smax)+nscr；

18、其中：

19、nsc(t)为预测的当前非结构性碳水化合物nsc浓度；

20、nsc0为显著负生长时期开始前的非结构性碳水化合物nsc基准浓度；

21、s为所述累积负生长量；

22、a为慢性碳耗竭系数，表示单位累积负生长量导致的非结构性碳水化合物nsc指数衰减速率；

23、smax为所述最大单日负生长量；

24、b为急性水力损伤系数，表示极端单日冲击对碳储备库造成的永久性削减效率；

25、nscr为维持基础代谢不可动用的残余非结构性碳水化合物nsc浓度。

26、进一步的，在步骤s4中，设定非结构性碳水化合物nsc浓度的风险阈值时，基于树干负生长碳储备耦合模型输出的nsc浓度预测值nsc(t)与非结构性碳水化合物nsc基准浓度nsc0之间的比值，设定为nsc浓度生存阈值；

27、将该nsc浓度生存阈值代入所述树干负生长碳储备耦合模型，反推出一个临界状态平面，该临界状态平面由一组成对的累积负生长量风险阈值和最大单日负生长量风险阈值构成。

28、进一步的，基于所述树干负生长碳储备耦合模型，确定树木碳储备从缓慢消耗转向加速耗竭的生理拐点，将该生理拐点对应的nsc浓度预测值nsc(t)相对于非结构性碳水化合物nsc基准浓度nsc0的比例，设定为nsc浓度生存阈值；

29、其中，所述树木碳储备从缓慢消耗转向加速耗竭的生理拐点的判断标准为：

30、所述树干负生长碳储备耦合模型中的慢性碳耗竭系数a的数值发生显著增大，或急性水力损伤项 b*ln(1+smax) 首次对nsc浓度产生可测量的不可逆削减。

31、进一步的，在步骤s5中，当累积负生长量实测数据大于等于累积负生长量风险阈值时，且最大单日负生长量实测数据大于等于最大单日负生长量风险阈值时，触发第一预警信号。

32、进一步的，步骤s4中，将不可逆的累积负生长量阈值设定为红色预警阈值，具体的设定方式为：

33、标定临界最大单日负生长量：将当树木遭受一次单日负生长冲击后，其nsc浓度刚好无法恢复到残余nsc浓度nscᵣ以上时，将此时的最大单日负生长量作为树木进入不可逆死亡螺旋的生理边界条件，其生理边界条件为：

34、nsc0*e-as-b*ln(1+smax_c)+nscr< nscᵣ；

35、考虑冲击刚结束的时刻，此时慢性消耗s为冲击发生前的累积量，简化后，临界条件为：

36、nsc0*e-as-b*ln(1+smax_c)=0；

37、由此求解出此时的最大单日负生长量smax_c为：

38、smax_c= exp( (nsc0*e-as) / b ) -1；

39、最大单日负生长量smax_c表示在当前已有的慢性消耗水平下，能够导致树木产生不可损伤的最大单日负生长量的临界值；

40、反推不可逆的累积负生长量阈值：一旦监测到实时的smax记录值已经达到或超过预定的smax_c，就意味着树木已经遭受了不可逆的急性损伤，构建方程：

41、nsc0*e-a(s+δs)-b*ln(1+smax_c)+nscr= nscᵣ；

42、求解出δs：

43、δs = - (1/a) · ln( (b*ln(1+smax_c)) / nsc0 )-s；

44、因此，不可逆的累积负生长量阈值=s+s，即在当前冲击水平下，树木允许的累积负生长量达到的最终上限。

45、进一步的，在已经历过大于等于单日最大不可逆阈值冲击的前提下，当实时监测的累积负生长量达到或超过不可逆的累积负生长量阈值时，发出红色预警信号。

46、进一步的，当所述累积负生长量在连续预定天数内，持续超过历史正常年份同一时段树干直径自然波动范围的上限时，判定为进入显著负生长时期。

47、本发明与现有技术相比较具有如下有益效果：

48、本发明本实施方式通过将树干直径的净收缩量，区分为表征慢性胁迫总量的累积负生长量和表征急性冲击强度的最大单日负生长量，并构建其与碳储备消耗的耦合模型，本发明相当于为树木胁迫诊断同时提供了水分蒸发流失总量和单日的最大的水分蒸发流失量两个剂量指标，诊断结果更接近树木死亡的病理本质，显著提升了预警的准确性。

49、且本发明建立的多指标动态耦合的数学模型，实现了利用易测变量（累积负生长量和最大单日负生长量）预测难测变量（树木的碳-水储备浓度）的技术突破，通过构建包含慢性碳耗竭项和急性水力损伤项的耦合公式，本发明首次将树干宏观物理量与树木内在生理指标进行实时、定量的关联。尤其是，通过设定nsc浓度生存阈值并反向求解树干直径预警指标，使得预警系统在日常运行中无需再进行破坏性、高成本的nsc采样分析，仅凭树木生长仪的连续监测数据即可实现实时、无损的自动预警，极大地降低了应用成本和操作门槛。