日期:2024年1月4日
地点:16教学楼221报告厅
14:00-15:30 黑河流域地表水热碳通量研究进展
刘绍民,博士、北京师范大学地理科学学部/地表过程与资源生态国家重点实验室二级教授。中国地理学会陆地地表综合观测工作委员会副主任,《高原气象》、《中国农业气象》和《遥感技术与应用》等编委。主要从事地表水热碳参量综合监测研究,包括流域综合观测、尺度转换与真实性检验、地表水热碳参量监测设备研发、地表水热碳通量估算等。先后主持国家重点研发计划项目与课题、国家自然科学基金重点项目、973与863课题等30余项。发表论文200余篇,其中100多篇被SCI收录,11篇入选ESI高被引论文。获省部级科技一等奖1次、二等奖2次。
报告摘要:黑河流域是我国第二大内陆河流域,以水为纽带,形成了“冰雪/冻土-森林-草甸-绿洲-荒漠-湖泊”的流域复杂系统。本研究以流域陆地表层系统为对象,构建了多尺度-多要素-多过程-分布式-立体的黑河流域地表过程综合观测网,提升了流域陆地表层系统的综合观测能力。研发了单点-生态系统-景观尺度的水热碳通量监测设备,发展了以获取卫星遥感像元/模型网格尺度“相对真值”为目标的观测技术与尺度扩展方法,探讨了地表能量平衡不闭合的原因以及可能解决途径;研发了流域系统模型,构建了多源数据与机理模型的融合框架,服务于流域“山水林田湖草沙冰”一体化保护和系统治理。
15:30-16:20 青藏高原气候系统模式的发展
阳坤,清华大学地球系统科学系教授。1994年获清华大学学士,1997年获清华大学硕士,2000年获东京大学博士学位,2003年任东京大学副教授,2007年任中国科学院青藏高原研究所研究员,2016年受聘清华大学教授。主要从事青藏高原野外观测、地球系统过程分析和地球系统模式研发。发表论文300篇,被引用 20,000余次,多次入选爱思唯尔“中国高被引作者”和科睿唯安“全球高被引学者”,历任Journal of Hydrology, Scientific Data等期刊编委。
报告摘要:青藏高原的水循环及相关的大气过程广受关注,然而其强烈的圈层相互作用过程为气候/地球系统数值模拟带来巨大挑战,亟需一个适用于高原环境的区域气候/地球系统模式,回答各圈层对气候变化的响应和反馈,应对水文气象灾害和新能源开发等国家需求。清华大学和青藏高原研究所成立了 “青藏高原地球系统模拟与预测”团队,发展高分辨率青藏高原区域气候模式(Tibetan Plateau Climate System Model; TPCSM)。到目前为止,模式研发取得了进展,形成了初步版本,克服了气候模式普遍存在的湿偏差、冷偏差和风速过大等问题。后续将在现有版本基础上,改进冰冻圈和生物圈过程参数化,增加人类活动的影响,构建青藏高原地球系统模式。
16:20-16:50 人地复杂系统模拟和决策的通用数学模型初探
李新,中国科学院青藏高原研究所研究员、副所长,国家青藏高原科学数据中心主任,国家杰出青年科学基金获得者,中国地理学会会士。主要以遥感和数据同化为手段,开展观测-模型-数据综合集成研究。设计并领导实施了“黑河遥感试验”(2007-2017),被国际同行评价为“世界级的观测”、“中国内容最丰富的水文遥感试验”;发展了我国大尺度陆面数据同化系统及高分辨率的流域尺度陆面水文数据同化系统,在非线性滤波算法、多源遥感数据同化等方面取得了领先成果。历任世界气候研究计划/全球能水交换项目(WCRP/GEWEX)科学指导委员会委员;现任中国地理学会信息地理专业委员会主任。已发表学术论文500余篇(SCI收录330+),论文总引用26,000+(SCI引用14,000+)。任Science Bulletin,《中国科学: 地球科学》等多个国际期刊编委。
报告摘要:地理科学是一门“目中有人”的科学,人地关系一直是其核心研究对象。然而,长期以来,人地关系的研究大多停留在描述性层面,其预测和调控(动态决策)缺乏普适性数学理论支撑,定量建模方面研究实践的缺乏也进一步限制了对人地关系的深入研究。
本文将人地关系定义为一个复杂适应系统(complex adaptive system),分别对“无人”影响(只考虑自然系统的变化)和“有人”影响(同时考虑自然和社会系统的作用)分别建模,“无人”的自然系统使用微分方程建模,而“有人”的社会系统则采用智能体模型(ABM)或复杂网络模型建模。这两类模型中系统状态的时间演化都可以用Markov过程统一表达。随后,引入人地相互作用,即认为人——智能体(agent)按照策略(policy)采取行动(action),行动导致系统状态的时间演进(用状态转移函数表示)并得到相应回报(reward),从而把人地相互作用定义为由自然环境状态、智能体的行动、状态转移、回报这四元组组成的一个Markov决策过程。
决策过程中状态的估计、行动的选择或策略的调整、收益的估算都包含高度不确定性,也都面临可预报性差、可观测性低的挑战。针对这些挑战,本研究(1)将状态、多智能体的联合行动、回报全部处理为随机向量;(2)在系统演进过程中,利用数据同化不断融合自然系统的观测数据和社会感知大数据,改进对人地复杂系统中状态、行动、回报及其相关参数的估计,其中社会感知大数据对于刻画智能体行动起到关键作用,显著提高了智能体行动的可观测性;(3)Markov决策过程中状态和决策空间的维数都很大,特别是随着人地系统中智能体数量的增加,决策空间也会指数级增大,最终引发维数灾难。因此,本研究中引入深度强化学习解决Markov决策过程的高维求解难题。
最后,以联合国可持续发展目标(SDG)实现或生态服务价值最大为目标,以不超出行星边界为约束,给出一个经典人地关系问题——公地悲剧的数学建模示范。
总之,以Markov决策过程为动力框架,以Bellman方程为数学理论,以多智能体深度增强学习(MADRL)为算法框架,以大数据同化为增强自然-社会系统可预报性和可观测性的方法,本研究尝试从整体论的角度自上而下地提出一个有望解决人地系统复杂性的通用数学模型。