科研产出
基于随机森林的作物模型光温产量潜力模拟优化方法
《湖北农业科学 》 2024 北大核心
摘要：为有效降低作物模拟所需数据量,提高计算效率,基于机器学习建立冬小麦光温产量潜力估算模型。以中国冬麦区129个农业气象站点1980—2009年光温产量潜力为研究对象,选择影响光温产量潜力模拟较大的温度、日照时数、经纬度等构建特征变量。选择生长季与月份2个时间范围,基于WheatGrow模型输入输出数据建立生长季变量的随机森林模型(RF＿GS)与月份变量的随机森林模型(RF＿Mon),最后利用均方根误差(RMSE)评价随机森林模型的性能。结果表明,随机森林模型可在保证模拟精度的前提下降低数据需求量,且RF＿GS精度优于RF＿Mon;变量重要性检验与部分依赖图分析结果表明,纬度、生长季日照时数、5月日照时数、3月最低温度对光温产量潜力模拟影响较大;若模型验证数据的范围超出训练数据的范围,利用随机森林模型无法保证建模精度。
关键词： 作物模型 WheatGrow模型 随机森林 光温产量潜力 模拟优化方法
全文链接
请求原文
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
首页上一页1下一页尾页
