基于深度学习的多陆地生态系统碳通量预测及响应研究.pdf

摘要 摘要 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 US-GLE US-WCr GF-Guy CH-Lae （）深度学习的注意力机制模型在站点 、 、 、 、 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、 2 1.20 3.74 1.76μmol/(m ·s) 0.94 1.88 3.23 3.54 0.67 2.37 、 、 ，平均绝对误差分别为 、 、 、 、 、 、 2 1.26μmol/(m ·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 1-12 （）利用随机森林模型计算 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 SWC TS SWC VPD 、 和 的共同影响；农田生态系统影响主要因素为 、 和 ； 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。 关键词：碳通量，深度学习，注意力机制，因子分析，时间序列 I 目录 目录 1 绪论1 1.1 研究背景及意义1 1.2 研究现状2 1.2.1 国内外研究现状2 1.2.2 当前存在的问题4 1.3 研究内容4 1.4 研究目标5 1.5 论文结构5 2 问题描述及理论基础7 2.1 问题描述7 2.2 预测模型概述7 2.2.1 研究进展7 2.2.2 人工神经网络7 2.2.3 支持向量机8 2.2.4 极限学习机9 2.2.5 广义回归神经网络9 2.3 数据插补方法10 2.3.1 研究进展10 2.3.2 边际分布抽样方法10 2.3.3 人工神经网络方法11 2.4 因子分析模型11 2.4.1 研究进展11 2.4.2 随机