深度学习方法在净生态系统碳交换量模拟中的研究及应用

作     者：谭新新 

作者单位：北京林业大学 

学位级别：硕士

导师姓名：齐建东

授予年度：2022年

学科分类：12[管理学] 090503[农学-草业科学] 0909[农学-草学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0905[农学-畜牧学] 09[农学] 0903[农学-农业资源与环境] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：净生态系统碳交换量 时间序列 深度学习 多陆地生态系统 

摘      要：在“双碳背景下,积极探索净生态系统碳交换量（Net Ecosystem Exchange,NEE）模拟模型并分析NEE对环境因子的响应尤为重要。陆地生态系统中森林、草原生态系统的占地面积居前两位,因此本文以China Flux中阔叶红松林、人工针叶林、典型草原和高寒草甸4种生态系统类型的NEE及环境因子的长期观测数据作为研究对象。首先,基于4种传统机器学习模型XGBoost、人工神经网络、支持向量机、极限学习机和2种深度学习模型长短期记忆网络、时间卷积网络构建6种NEE预测模型,并提出1种深度学习模型TCN-LSTM,结合NEE时序特征对比7种模型在不同生态系统的预测结果。其次,将NEE的时间戳特征编码并引入预测,验证时间戳特征是否能为NEE预测作出贡献。最后,从月尺度分析NEE变化特征及领域特征,探究不同生态系统NEE对气象因子的响应。论文研究结论如下:（1）在数据分布均匀、离散程度较小、时序复杂度较低的长白山、内蒙古和当雄站点,深度学习模型较传统机器学习模型更具优势,其中TCN-LSTM模型的预测精度最高,在三个站点的RMSE分别为0.1100、0.0324、0.0215mg CO·ms;MAE分别为0.0502、0.0148、0.0115mg CO·ms;R分别为0.8279,0.8986,0.7654。在数据分布最混乱、离散程度最高、时序复杂度最高的千烟洲站点,机器学习模型较深度学习模型更具优势。总体来看,3种深度学习模型的稳定性差异不大,在4个站点的NEE预测中均较4种传统机器学习模型更具优势。（2）加入时间戳编码特征,传统机器学习模型的预测精度提升较深度学习模型更明显。千烟洲、当雄、长白山、内蒙古站点的NEE时序复杂度分别为162.5091、130.2934、128.2971、101.8413,实验表明,在时序复杂度更高的千烟洲、当雄站点,各模型预测精度的提升高于长白山、内蒙古站点。（3）长白山、内蒙古和当雄站点NEE的值随净辐射呈负相关变化,随降水、温度呈正相关变化。千烟洲站点NEE波动较大,水分（年均相对湿度84%）、温度（年均17.9℃）不是制约NEE的主要因素。