科研产出
基于机器学习和大数据平台的陆地生态系统碳收支遥感监测
《遥感技术与应用 》 2022 北大核心 CSCD
摘要：陆地生态系统碳收支是全球碳循环研究的重要指标，也是气候变化的重要参数。针对该指标估测的不确定性，基于陆地生态系统通量观测研究网络的实测碳通量数据及遥感卫星观测数据产品，利用机器学习方法进行建模研究。研究选用随机森林算法自动从高质量的星—地训练数据集中学习特征、挖掘数据中的隐含信息以及时序间依赖关系的差异，建立了基于随机森林算法的碳收支参数GPP(Gross Primary Production)、NEP(Net Ecosystem Production)估算模型，并选择标准指标利用验证数据集对模型进行了客观评价。结果分析表明：与MODIS GPP产品相比，该方法在估算精度上有了提高，其中落叶阔叶林预测结果最优，决策系数为R2为0.82，均方根误差为1.93 gCm-2d-1，在其他植被类型上也明显优于传统光能利用率模型产品，更接近于地面通量观测数据。基于相同方法建立的NEP模型也得到了较好的估测结果，落叶阔叶林预测模型的输出结果与通量塔获得的NEP相关关系R2为0.70,RMSE=1.75 g C m-2d-1。GPP和NEP模型精度差异也表明，在进行机器学习建模时，训练数据集自变量的选择仍然需要机理模型支持。为进行陆地生态系统碳收支大范围快速估算，本研究进行了陆地生态系统碳收支遥感监测平台的搭建，该平台以GEE(Google Earth Engine)大数据平台作为数据存储与计算后端，Django和Nginx作为Web服务框架，OpenLayers和jQuery作为前端框架，从而实现了碳收支参数长时间序列大范围的快速计算、结果实时显示等功能。基于该平台和模型获取的2002—2016年全球（60°N—60°S）逐年GPP结果表明，全球平均GPP存在明显的空间差异，显著增加的区域主要集中在亚洲东部地区及北美洲森林地区等。研究表明，基于机器学习和大数据平台进行碳收支参数遥感监测，能够快速提供与地面真实观测较为一致的陆地生态系统区域和全球尺度碳收支遥感监测结果，该流程在一定程度避免了生理过程模型复杂的参数设置，减少了区域和全球大尺度碳收支监测的不确定性。
全文链接
请求原文
发展农业大数据的主要问题及主要任务
《安徽农业科学 》 2014
摘要：大数据的应用已经成为各领域的研究热点。大数据理念和技术在我国农业领域应用方面具有一定的特殊性。重点研究分析大数据应用在我国农业领域时可能遇到的主要问题,从应用过程分析,包括数据获取过程中的数据量化和数据共享问题,数据处理过程中的预处理和元数据产生问题,数据分析解释过程中的客观性问题。针对上述问题,提出了发展农业大数据的3大任务,包括农业数据整合、农业大数据平台构建和多元研究团队培养。
全文链接
请求原文
首页上一页1下一页尾页
