论文部分内容阅读
全球碳循环变化是全球气候变暖的重要影响因素,探究陆地生态系统与大气碳交换模型并分析碳通量与各生态因素的响应关系,具有重要研究价值。当前,基于生态机理建模和基于生态长期连续观测数据建模是两种主流的研究方法,而在基于生态数据模型模拟领域,深度学习理论及技术的应用尚处于起步阶段。首先,本文以FLUXNET的常绿阔叶林、常绿针叶林、落叶阔叶林、混交林、草原、农田和湿地7种陆地生态系统的长期连续观测通量数据为研究对象,使用深度学习模型注意力机制、编码器-解码器以及长短期记忆网络和机器学习模型人工神经网络、支持向量机、极限学习机与广义回归神经网络进行碳通量模拟,纵横比较各个站点上的不同模型的碳通量模拟结果。其次,利用随机森林技术对各个站点碳通量对生态因素的不同响应进行分析和对比,探究不同陆地生态系统碳通量数据对生态指标的响应程度。最后,利用时间序列特征理论研究导致碳通量数据模拟结果差异的原因。论文研究结论有:(1)深度学习的注意力机制模型在站点US-GLE、US-WCr、GF-Guy、CH-Lae、US-SRG、US-Myb、CH-Oe2的测试集上,均方根误差分别为1.48、3.10、4.93、5.32、1.20、3.74、1.76μmol/(m~2·s),平均绝对误差分别为0.94、1.88、3.23、3.54、0.67、2.37、1.26μmol/(m~2·s),决定系数分别为0.91、0.93、0.89、0.84、0.89、0.90、0.96,一致性系数分别为0.95、0.96、0.94、0.90、0.94、0.95、0.97,较传统机器学习模型在碳通量数据预测准确性方面具有优势。(2)利用随机森林模型计算1-12月碳通量对光照、温度、降水响应的重要性得分,结果表明,森林生态系统主要受到PPFD和TS的影响;草原生态系统主要受到TS、PPFD和SWC的共同影响;农田生态系统影响主要因素为TS、SWC和VPD;湿地生态系统受TS、PPFD和VPD影响最大。(3)计算各陆地生态系统站点的分桶熵、近似熵等时间序列特征。结果表明,对于深度学习和机器学习效果相近的GF-Guy站点,碳通量数据复杂性高,实测值分布处于均值附近随机波动,不存在某种趋势,预测难度较大。