首页|ANN-BiLSTM模型在温带荒漠灌丛碳通量数据缺失值插补中的应用

ANN-BiLSTM模型在温带荒漠灌丛碳通量数据缺失值插补中的应用

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
[目的]为提高净生态系统碳交换量(NEE)在长期缺失下的插补精度,利用人工神经网络(ANN)和双向长短期记忆网络(Bi-LSTM)将NEE的环境因子和时序特征相结合,提出了ANN-BiLSTM模型.[方法]以宁夏盐池观测站NEE数据及微气象数据为研究对象,通过随机剔除连续 7、15、30、45 和 90 d的 5 类缺失情景来评估ANN-BiLSTM模型、随机森林(RF)、人工神经网络(ANN)、K最邻近(KNN)、支持向量回归(SVR)和边际分布采样法(MDS)在NEE长期缺失下的插值结果.[结果]当NEE缺失天数≤30 d时,各模型的插值精度相对可靠,ANN-BiLSTM模型的插值精度最高,决定系数(R2)均值在 0.48～0.56之间,均方根误差(RMSE)和平均绝对误差(MAE)分别在 0.68～1.92 μmol/(m2·s)、0.45～1.30 μmol/(m2·s)之间.当数据缺失天数≥45 d时,MDS不能对缺失值进行处理,ANN-BiLSTM模型的插值精度明显高于机器学习模型,R2 均值>0.45,RMSE和MAE分别在 0.79～1.95 μmol/(m2·s)、0.50～1.32 μmol/(m2·s)之间.[结论]当温带荒漠灌丛生态系统的NEE数据缺失长度>30 d时,建议应用ANN-BiLSTM模型对缺失数据进行插补,可以在一定程度上提高NEE长期插值结果的精度.
Application of ANN-BiLSTM model to long-term gap-filling of carbon flux data in temperate desert shrub

carbon fluxANN-BiLSTMmachine learninglong-term gap-filling

冯新妍、贾昕、黄金泽、高圣杰、袁敏、刘甜甜、靳川

展开 >

北京林业大学水土保持学院,北京 100083

中国农业大学信息与电气工程学院,北京 100083

碳通量 ANN-BiLSTM 机器学习 长期插值

国家自然科学基金中央高校基本科研业务费专项中央高校基本科研业务费专项

32071843PTYX202122PTYX202123

2023

10.12171/j.1000-1522.20220510

北京林业大学学报
北京林业大学

北京林业大学学报

CSTPCDCSCD北大核心
影响因子：1.237
ISSN：1000-1522
年,卷(期)：2023.45(9)
  • 15