机器学习算法对涡动相关缺失通量数据的插补研究

发布时间：2021-03-15 18:07

　　受观测系统故障、质量控制与质量保证等因素影响,涡动相关系统的长期观测常存在大量缺失。本文利用三种机器学习算法（随机森林RF,支持向量机SVM,人工神经网络ANN）和国际通量网络边缘分布抽样法（MDS）方法对若尔盖高寒湿地生态系统研究站2016年感热（H）、潜热（LE）以及净生态系统交换（NEE）通量序列进行了插补。结果表明:RF算法的模拟能力优于SVM和ANN算法;三种机器学习算法的模拟能力在夜间和日出、日落时段以及冬、春季节相对较弱;插补方法的选择对H和LE的年累积量无显著影响,但其对NEE年累积量可造成-42 gC·m^-2的差异。 

【文章来源】：高原气象. 2020,39(06)北大核心

【文章页数】：13 页

【部分图文】：

S2方案下不同机器学习算法模拟的感热通量、潜热通量和净生态系统交换量与其对应的实际观测值（M）的线性回归分析

2016年感热通量、蒸散发、和净生态系统交换累积量的变化

S1方案下不同机器学习算法模拟的感热通量、潜热通量和净生态系统交换量与其对应的实际观测值（M）的线性回归分析


本文编号：3084587