一种森林系统碳通量的估计方法
阅读：359发布：2020-05-11
专利汇可以提供一种森林系统碳通量的估计方法专利检索，专利查询，专利分析的服务。并且一种森林系统 碳 通量的估计方法，涉及碳通量估计技术领域。本 发明 是为了解决现有的森林系统碳通量的估计方法存在计算量大、估计结果准确度低的问题。本发明基于点尺度的Biome-BGC模型，对植被生理生态参数和碳通量进行敏感性分析，确定敏感植被生理生态参数，然后再进行相关性分析，剔除与敏感植被生理生态参数中数据类型具有相关性的数据类型；结合气象数据确定点尺度的Biome-BGC模型参数并作为区域尺度Biome-BGC模型的模型参数，同时结合误差神经网络模型确定误差，最终确定森林系统碳通量的估计结果。主要用于森林系统碳通量的估计。，下面是一种森林系统碳通量的估计方法专利的具体信息内容。
1.一种森林系统碳通量的估计方法，其特征在于，包括以下步骤：
训练过程：
W1、获得估计区域范围内的气象数据、基础地理数据、植被生理生态参数数据、土壤数据和碳通量观测数据；
植被生理生态参数 N1为植被生理生态参数所含具体参数
类型的数量；
W2、根据已经初始化后的Biome-BGC模型确定点尺度的Biome-BGC模型和区域尺度Biome-BGC模型；
W3、基于点尺度的Biome-BGC模型，对植被生理生态参数和碳通量进行敏感性分析，确定对碳通量观测数据敏感的植被生理生态参数，记为敏感植被生理生态参数
N2≤N1；
对敏感植被生理生态参数进行相关性分析，剔除与敏感植被生理生态参数中参数类型具有相关性的参数类型 且k≠j，得到非相关敏感植被生理生态参
数 N3≤N2；
W4、将非相关敏感植被生理生态参数 数据、用于碳通量观测的气象数据输入点尺度的Biome-BGC模型，将碳通量观测数据作为验证数据，利用EnKF方法进行优化，得到优化后的模型参数；
W5、将优化后的模型参数作为区域尺度Biome-BGC模型的模型参数；运行区域尺度Biome-BGC模型，从而获得森林生态系统碳通量模拟结果Y；
W6、将非相关敏感植被生理生态参数 的标准化数据以及Y的标准化数据作为神经网络的输入值；将森林生态系统碳通量模拟结果与碳通量观测数据作差，记为E；将E作为神经网络的目标值；训练神经网络模型得到训练好的神经网络模型，记为误差神经网络模型；
所述的神经网络模型采用全连接神经网络，
输入层神经元的个数n＝N3+1，其中N3个神经元的输入分别为非相关敏感植被生理生态参数的参数类型 的标准化数据，1个神经元的输入为Y的标准化数据；
输出层为森林生态系统碳通量模拟结果与碳通量观测数据之差的估计值E′；
估计过程：
利用区域尺度Biome-BGC模型进行区域范围内的森林系统碳通量的模拟，森林生态系统碳通量模拟结果Y；
利用误差神经网络模型进行误差估计；
将森林生态系统碳通量模拟结果Y与误差的估计结果之和作为区域范围内森林系统碳通量的估计结果。
2.根据权利要求1所述的一种森林系统碳通量的估计方法，其特征在于，所述的神经网络模型中的隐含层的层数为3-7层。
3.根据权利要求2所述的一种森林系统碳通量的估计方法，其特征在于，所述的神经网络模型中的隐含层的层数为5层。
4.根据权利要求1所述的一种森林系统碳通量的估计方法，其特征在于，所述植被生理生态参数所含具体参数类型包括：转移生长占生长季比例、凋落占生长季的比例、叶片和细根年周转比例、活木年周转比例、年植物总死亡凋落比例、火灾植物死亡凋落比例、新细根C：新叶C分配、新茎C：新叶C分配、新活木C：新总木C分配、新粗跟C：新茎C分配、当前生长：储存生长、叶片C：N比率、凋落物C：N比率、细根C：N比率、活木C：N比率、死木C：N比率、凋落物易分解物质含量、凋落物纤维素含量、凋落物木质素含量、细根易分解物质含量、细根纤维素含量、细根木质素含量、死木纤维素含量、死木木质素含量、冠层水分截留系数、冠层消光系数、全叶面积：投影叶面积、冠层平均比叶面积、阳生叶SLA：阴生SLA、Rubisco酶中叶氮含量、最大叶片气孔导度、角质层导度、边界层导度、气孔导度打开时叶片水势、气孔导度关闭时叶片水势、气孔导度打开时饱和水汽压差。
5.根据权利要求1、2、3或4所述的一种森林系统碳通量的估计方法，其特征在于，所述区域尺度Biome-BGC模型是利用区域栅格基础地理数据、区域栅格植被生理生态参数数据、区域栅格土壤数据以及区域气象栅格数据建立的Biome-BGC模型。
6.根据权利要求5所述的一种森林系统碳通量的估计方法，其特征在于，所述区域栅格基础地理数据、区域栅格植被生理生态参数数据和区域栅格土壤数据是根据基础地理数据、植被生理生态参数数据和土壤数据进行区域栅格化得到的。
7.根据权利要求5所述的一种森林系统碳通量的估计方法，其特征在于，所述区域气象栅格数据的获取过程如下：
根据气象数据获取气象格点数据；将气象格点数据输入MT-CLIM模型进行气候气候模拟，获取Biome-BGC模型所需的逐日气象数据；
再利用ArcGIS软件对气象要素模拟结果进行克里金插值操作，获取区域尺度Biome-BGC模型的气象栅格数据集，记为区域气象栅格数据集，即获得区域气象栅格数据。
一种森林系统碳通量的估计方法
技术领域
[0001] 本发明涉及碳通量的估计方法。属于森林系统碳通量估计技术领域。
背景技术
[0002] 随着人类活动和工业的发展，尤其是工业中的石化燃料的使用，人类的生态环境已经 出现了一系列地问题，其中“温室效应”问题比较突出。相关数据表明：工业革命前期大 气CO2浓度为280ppm，至2017年，CO2浓度已经急速增加到406.42ppm，温室气体是导 致全球气温上升的只要原因之一，同时导致了其他环境问题。
[0003] 森林生态系统是陆地生态系统最大的碳库，森林与大气碳交换量占陆地生态系统与大 气碳总交换量的90％以上，森林生态系统的碳通量在全球碳循环和碳平衡中起着十分重要 作用。在大尺度范围的研究上，通常不考虑砍伐、火灾、病虫害等各种扰动的情况下，将 森林生态系统碳通量近似为NEP，它表征了陆地生态系统与大气间的净碳通量，它直接定 量描述了森林生态系统的碳源/汇功能和碳平衡的状态。当NEP值>0，即森林碳汇；当NEP 值<0，即森林碳源；当NEP值＝0，即森林碳平衡。人们可以根据实际的森林碳通量估计结 果，帮助展开“温室效应”的深度研究，从而提出一系列的相应改善措施。
[0004] 非常多的专家学者针对森林系统的碳通量展开了相对深入的研究，森林系统的碳通量 研究已经相对成为一个系统研究的体系。利用各种碳循环模型估算碳通量成为全球碳循环 研究中的必要手段，现有的研究成果能够实现对森林系统的碳通量进行估计和预测，随着 估计模型的逐渐完善，森林系统的碳通量估计准确度也在逐年提升，已经取得了较为突出 的成果。森林系统的碳通量研究中，影响森林系统的碳通量因素非常多，虽然模型考虑的 因素越多，理论上模型的估计精度更好。但是森林系统的碳通量研究还存在着以下问题：
[0006] 2、虽然理论上是因素越多，模型的估计精度更好，但是有些因素对于模型精度的贡献 率很小，在做相关研究时如果考虑进来，对模型的精度并不会造成很大的影响，但是会严 重拖慢估计模型的运行速度。如果不考虑这些因素，就会涉及到因素的选择和取舍，但是 现有的这方面的研究还相对较少，并不完善，也不成熟。
[0007] 3、估计模型理论上是可以通用的，但是由于森林生态系统会随着地理位置和该位置气 候的变化而不同，那么就导致了影响进行估计的因素发生变化，但是究竟在某地的哪些因 素对模型精度有较大影响，哪些因素的影响程度会变小，现有的技术中相关研究非常少， 且并没有一个准确的结论，所以现有的估计模型都是针对某个地域单独进行研究和建模， 这样针对于不同地域都会进行分析和建模，不仅工作效率低，而且浪费了大量的人力物力。 更为关键的是大家的研究并没有一个相对准确和统一的体系，估计因素缺乏借鉴意义，导 致影响因素的选择成为难点，严重影响着估计模型的发展，也严重影响估计模型的准确度。
[0008] 由于Biome-BGC模型具有可解释性，可以实现对碳通量的原理进行解释，被广泛的应 用于碳通量的估计，从而实现全球或区域范围内CO2浓度和温室效应的分析。然而目前使 用的Biome-BGC模型也存在上述问题，其模拟效果并不理想。
发明内容
[0009] 本发明是为了解决现有的森林系统碳通量的估计方法存在计算量大、估计结果准确度 低的问题。进而提出了一种森林系统碳通量的估计方法。
[0010] 一种森林系统碳通量的估计方法，包括以下步骤：
[0011] 训练过程：
[0013] 植被生理生态参数 i＝1,2,3,......,N1，N1为植被生理生态参数所含具体参 数类型的数量；
[0014] W2、根据已经初始化后的Biome-BGC模型确定点尺度的Biome-BGC模型和区域尺度 Biome-BGC模型；
[0015] W3、基于点尺度的Biome-BGC模型，对植被生理生态参数和碳通量进行敏感性分析， 确定对碳通量观测数据敏感的植被生理生态参数，记为敏感植被生理生态参数 j＝1,2,3,......,N2，N2≤N1；
[0016] 对敏感植被生理生态参数进行相关性分析，剔除与敏感植被生理生态参数中参数类型 具有相关性的参数类型 k＝1,2,3,......,N2且k≠j，得到非相关敏感植被生理生态参 数 j＝1,2,3,......,N3，N3≤N2；
[0017] W4、将非相关敏感植被生理生态参数 数据、用于碳通量观测的气象数据输入点尺 度的Biome-BGC模型，将碳通量观测数据作为验证数据，利用EnKF方法进行优化，得到 优化后的模型参数；
[0018] W5、将优化后的模型参数作为区域尺度Biome-BGC模型的模型参数；运行区域尺度 Biome-BGC模型，从而获得森林生态系统碳通量模拟结果Y；
[0019] W6、将非相关敏感植被生理生态参数 的标准化数据以及Y的标准化数据作为神经 网络的输入值；将森林生态系统碳通量模拟结果与碳通量观测数据作差，记为E；将E作 为神经网络的目标值；训练神经网络模型得到训练好的神经网络模型，记为误差神经网络 模型；
[0020] 所述的神经网络模型采用全连接神经网络，
[0023] 估计过程：
[0024] 利用区域尺度Biome-BGC模型进行区域范围内的森林系统碳通量的模拟，森林生态系 统碳通量模拟结果Y；
[0025] 利用误差神经网络模型进行误差估计；
[0026] 将森林生态系统碳通量模拟结果Y与误差的估计结果之和作为区域范围内森林系统碳 通量的估计结果。
[0027] 进一步地，所述的神经网络模型中的隐含层的层数为3-7层，优选为5层。
[0028] 进一步地，所述植被生理生态参数所含具体参数类型包括：转移生长占生长季比例、 凋落占生长季的比例、叶片和细根年周转比例、活木年周转比例、年植物总死亡凋落比例、 火灾植物死亡凋落比例、新细根C：新叶C分配、新茎C：新叶C分配、新活木C：新总 木C分配、新粗跟C：新茎C分配、当前生长：储存生长、叶片C：N比率、凋落物C： N比率、细根C：N比率、活木C：N比率、死木C：N比率、凋落物易分解物质含量、凋 落物纤维素含量、凋落物木质素含量、细根易分解物质含量、细根纤维素含量、细根木质 素含量、死木纤维素含量、死木木质素含量、冠层水分截留系数、冠层消光系数、全叶面 积：投影叶面积、冠层平均比叶面积、阳生叶SLA：阴生SLA、Rubisco酶中叶氮含量、 最大叶片气孔导度、角质层导度、边界层导度、气孔导度打开时叶片水势、气孔导度关闭 时叶片水势、气孔导度打开时饱和水汽压差。
[0029] 进一步地，所述区域尺度Biome-BGC模型是利用区域栅格基础地理数据、区域栅格植 被生理生态参数数据、区域栅格土壤数据以及区域气象栅格数据建立的Biome-BGC模型。
[0030] 进一步地，所述区域栅格基础地理数据、区域栅格植被生理生态参数数据和区域栅格 土壤数据是根据基础地理数据、植被生理生态参数数据和土壤数据进行区域栅格化得到的。
[0031] 进一步地，所述区域气象栅格数据的获取过程如下：
[0032] 根据气象数据获取气象格点数据；将气象格点数据输入MT-CLIM模型进行气候气候 模拟，获取Biome-BGC模型所需的逐日气象数据；
[0034] 有益效果：
[0035] 利用本发明进行森林系统碳通量的估计时，在对植被生理生态参数数据和碳通量观测 数据进行敏感性分析的基础上，进一步对敏感植被生理生态参数数据进行相关性分析，极 大地减少了计算量，针对Biome-BGC模型而言，不仅没有降低准确率(理论上会导致准确 率下降)反而提升了整体的森林系统碳通量的估计准确率。而且相比现有技术极大地减少 整个模型的计算量，减少了森林系统碳通量的估计时间，提高了效率。
[0036] 本发明不仅保证了森林系统碳通量的估计准确率，而且适用范围也非常广。利用本发 明可以适用于各种环境、任意区域(包括维度范围)内的森林系统碳通量的估计，几乎不 会受到森林生态系统的植被类型限制，可以随着各种环境、任意区域内的森林环境进行相 应的调整，所以其可以不用收到适用范围条件的限制，使得本发明的适应性更广，也正是 由于本发明的适用性更广。相比现有的模型是针对某一特定森林环境进行碳通量的估计的 方法(将其直接使用其他范围内的森林环境，准确率会严重恶化，进一步降低准确率)，将 本发明应用在任意具体的森林环境下，都可以具有较高的估计准确率。附图说明
[0038] 图4为各个方法确定的NPP平均值折线图。
具体实施方式
[0039] 具体实施方式一：参照图1具体说明本实施方式，
[0040] 本实施方式为一种森林系统碳通量的估计方法，包括以下步骤：
[0041] 步骤一、训练过程：
[0042] S1、获得估计区域范围内的气象数据、基础地理数据、植被生理生态参数数据(实际 上是植被生理生态数据，包括多种植被生理生态参数，所以这里称为植被生理生态参数数 据)、土壤数据和碳通量观测数据；
[0043] 获得数据的过程中，部分气象数据、土壤数据等可以根据实际布设的对应数据获取装 置直接获得，也可以根据现有资料获得，例如直接使用观测站的观测数据(观测站的观测 数据是根据其的对应数据获取装置获得和分析得到的)；
[0044] 植被生理生态参数的全部或部分数据，可以根据获得的实际遥感影像，利用反演技术 得到；或者直接利用观测站的观测数据(观测站的观测数据实际也是利用遥感影像反演分 析得到的，和/或，根据其的对应数据获取装置获取的数据，经过分析获得的)；
[0045] 基础地理数据可以根据现有资料获得，例如直接使用观测站的观测数据或者相关地理 调研结构的数据；
[0046] 碳通量观测数据使用观测站的观测数据。
[0047] 实际上上述数据最根本的获得方式是通过测量装置和分析装置得到的，都属于现有技 术，本发明不做特殊限定，按照本领域能够获得的方式即可。
[0048] 由于实际设置测量装置的费用十分昂贵，工作量十分巨大，所以本实施方式直接使用 观测站的观测数据，即：根据观测站的观测数据，获得估计区域范围内的气象数据、基础 地理数据、植被生理生态参数数据、土壤数据和碳通量观测数据；
[0049] 植被生理生态参数 i＝1,2,3,......,N1，N1为植被生理生态参数所含具体参 数类型的数量；
[0050] 在一些实施例中，所述植被生理生态参数的具体参数类型包括：转移生长占生长季比 例、凋落占生长季的比例、叶片和细根年周转比例、活木年周转比例、年植物总死亡凋落 比例、火灾植物死亡凋落比例、新细根C：新叶C分配、新茎C：新叶C分配、新活木C： 新总木C分配、新粗跟C：新茎C分配、当前生长：储存生长、叶片C：N比率、凋落物 C：N比率、细根C：N比率、活木C：N比率、死木C：N比率、凋落物易分解物质含量、 凋落物纤维素含量、凋落物木质素含量、细根易分解物质含量、细根纤维素含量、细根木 质素含量、死木纤维素含量、死木木质素含量、冠层水分截留系数、冠层消光系数、全叶 面积：投影叶面积、冠层平均比叶面积、阳生叶SLA：阴生SLA、Rubisco酶中叶氮含量、 最大叶片气孔导度、角质层导度、边界层导度、气孔导度打开时叶片水势、气孔导度关闭 时叶片水势、气孔导度打开时饱和水汽压差。本发明所述植被生理生态参数包含但不限于 上述具体参数类型，如果具体参数类型越多，本发明的计算量优势越明显，而且在一定程 度上可以提高准确率。
[0051] S2、根据气象数据获取气象格点数据；
[0052] 获取气象格点数据的过程可以利用现有的气象格点数据处理方式获得。由于多时间序 列的气象栅格数据量巨大，考虑到模型运行时间成本等因素，获取基于0.5°×0.5°气象格点 数据集的预处理结果中的气象格点矢量点状数据。
[0053] 将气象格点数据输入MT-CLIM模型进行气候气候模拟，获取Biome-BGC模型所需的 逐日气象数据；
[0054] 再利用ArcGIS软件对气象要素模拟结果进行克里金插值操作，获取区域尺度 Biome-BGC模型的气象栅格数据集，记为区域气象栅格数据集；区域尺度Biome-BGC模 型的气象栅格数据的空间分辨率为1km，时间分辨率为日值。
[0055] 在MT-CLIM模型运行中，模型的初始化数据(*.ini)，主要包括：输入/输出文件基本 信息、控制参数和模型参数；MT-CLIM模型的输入数据(*.mtcin)，即基站的实测气象数 据，主要包括：最高气温、最低气温和降水量；MT-CLIM模型的输出数据(*.mtc43)，主 要包括：最高气温、最低气温、降水量、白天平均气温、降水量、湿度、入射太阳短波辐 射和昼长。将模拟结果分别与地面辐射台站实测数据和二次趋势面统计模型进行验证。
[0056] 另外，将碳通量观测的气象数据(最高气温、最低气温和降水量)作为气象输入，采 用MT-CLIM模型模拟，获取Biome-BGC模型所需的其它日值气象要素数据：饱和水汽压 差VPD、日太阳入射短波辐射srad和昼长，用于站点尺度Biome-BGC模型模拟GPP和 Re。
[0057] 后续Biome-BGC模型用到的碳通量观测数据为逐日碳通量观测数据，是根据碳通量观 测数据获得逐日碳通量观测数据。
[0058] 根据基础地理数据、植被生理生态参数数据和土壤数据的区域栅格化处理获得区域栅 格基础地理数据、区域栅格植被生理生态参数数据和区域栅格土壤数据；
[0059] S3、根据已经初始化后的Biome-BGC模型确定点尺度的Biome-BGC模型和区域尺度 Biome-BGC模型；
[0060] 所述区域尺度Biome-BGC模型是利用区域栅格基础地理数据、区域栅格植被生理生态 参数数据、区域栅格土壤数据以及区域气象栅格数据建立的Biome-BGC模型；
[0061] S4、基于点尺度的Biome-BGC模型，对植被生理生态参数和碳通量进行敏感性分析， 确定对碳通量观测数据敏感的植被生理生态参数，记为敏感植被生理生态参数 j＝1,2,3,......,N2，N2≤N1；
[0062] 敏感植被生理生态参数为植被生理生态参数中的全部或者部分参数，根据模型精度要 求而确定，具体的敏感植被生理生态参数的数量可以通过敏感性判别指标进行控制。本发 明是基于点尺度的Biome-BGC模型，对植被生理生态参数和碳通量进行敏感性分析，利用 《Biome-BGC模型参数优化及东北森林碳通量估算研究》中的参数敏感性分析的方法进行。 实际上也是可以采用直接通过数据分析敏感性，但是这种方法的数据计算量非常大，甚至 进行一个月的敏感性分析确定的结果也不一定是准确的；而本发明是基于机理模型进行的 分析，不仅计算量小，而且结果更加准确。
[0063] 对敏感植被生理生态参数进行相关性分析，剔除与敏感植被生理生态参数中参数类型 具有相关性的参数类型 k＝1,2,3,......,N2且k≠j，得到非相关敏感植被生理生态参 数 j＝1,2,3,......,N3，N3≤N2；
[0064] 非相关敏感植被生理生态参数为敏感植被生理生态参数中的全部或者部分参数，根据 模型精度要求和计算量要求而确定，具体的非相关敏感植被生理生态参数的数量可以通过 相关性的显著指标进行控制。相关性分析时使用现有的相关性分析方法即可，本发明不作 特别限定。
[0065] S5、将非相关敏感植被生理生态参数 用于碳通量观测的气象数据输入点尺度的 Biome-BGC模型，将碳通量观测数据作为验证数据，利用EnKF方法进行优化，得到优化 后的模型参数；
[0066] S6、将优化后的模型参数作为区域尺度Biome-BGC模型的模型参数；运行区域尺度 Biome-BGC模型，借助ArcGIS平台和ENVI/IDL平台，实现模型在批量处理和并行计算 模式处理和栅格结果输出，从而获得森林生态系统碳通量模拟结果Y，可以是直接的碳通 量数据，也可以是碳通量相关指标中的一种或多种，主要包括：总初级生产力GPP、净初 级生产力NPP、净生态系统生产力NEP、植物维持呼吸MR、植物生长呼吸GR和异养呼 吸HR；
[0067] S7、将非相关敏感植被生理生态参数 的标准化数据以及Y的标准化数据作为 神经网络的输入值；将森林生态系统碳通量模拟结果与碳通量观测数据作差，记为E；将E 作为神经网络的目标值；训练神经网络模型得到训练好的神经网络模型，记为误差神经网 络模型；
[0068] 所述的神经网络模型采用全连接神经网络，具体如下：
[0069] 输入层神经元的个数n＝N3+1，其中N3个神经元的输入分别为非相关敏感植被生理生 态参数的参数类型 的标准化数据，1个神经元的输入为Y的标准化数据；
[0070] 隐含层的层数根据实际的精度要求和时间开销进行设置，一般为3-7层，优选为5层；
[0071] 输出层为森林生态系统碳通量模拟结果与碳通量观测数据之差的估计值E′；
[0072] 步骤二、估计过程：
[0073] 利用区域尺度Biome-BGC模型进行区域范围内的森林系统碳通量的模拟，森林生态系 统碳通量模拟结果Y；
[0074] 利用误差神经网络模型进行误差估计；
[0075] 将森林生态系统碳通量模拟结果Y与误差的估计结果之和作为区域范围内森林系统碳 通量的估计结果。
[0076] 本发明中没有公开的内容，均为现有技术，可以按照《Biome-BGC模型参数优化及东 北森林碳通量估算研究》中的方法进行。
[0077] 本发明中，由于点尺度的Biome-BGC模型用到的数据相对准确，且点尺度的 Biome-BGC模型相对容易优化(能够节省计算量和计算时间)，所以利用点尺度的数据确 定点尺度的Biome-BGC模型参数相对准确，利用相对准确的点尺度的Biome-BGC模型确 定的模型参数也相对准确，且模型的运行机理可以得到相对准确的解释。相对准确是相当 于区域尺度数据而言的，因为区域尺度的数据是经过MT-CLIM模型模拟和插值，以及其 他操作等手段得到的，一定程度上并不能直接替换真正的数据，所以能够直接获得的点尺 度数据相对区域尺度数据而言相对准确，这样能够保证模型整体上具有更加准确的模型参 数。实际上上述过程中也是存在一定误差的，是由两个主要方面导致的：第一，利用参数 输入Biome-BGC模型本身就存在的误差；尤其是针对不同地理位置不同气候的碳通量模拟 (Biome-BGC模型参数是不同的)，利用模型进行模拟不同位置不同气候的碳通量更会存 在误差；第二，本发明为了在提高模型精度的同时减少整体计算量，在进行敏感性分析的 基础上进一步通过相关性分析减少了实际对Biome-BGC模型影响较大(敏感性较大)的状 态变量(参数类型)的数量，理论上一定会使Biome-BGC模型的结果恶化。
[0078] 但是本发明经过对数据的分析、研究和实验，使用了一种跳出现有处理思路的处理方 式，即：现有学者和专家的方法中，通过Biome-BGC模型进行模拟总是存在较大误差，本 发明没有从如何减小误差来提高模拟精度的角度进行处理，而是暂时承认和允许较大误差 的存在，并且宽容了理论上更大的误差(在进行敏感性分析的基础上进一步通过相关性分 析减少了实际对Biome-BGC模型影响较大的状态变量的数量导致的误差)，将所有误差作 为一个整体误差进行补偿。
[0079] 虽然神经网络模型具有比较强大的自动学习能力，可以使用神经网络模型直接对碳通 量进行估计，但是神经网络模型本身决定了其具有不能准确解释的特点，将其用于碳通量 的估计破坏了碳通量估计的可解释性，而且利用神经网络模型直接对碳通量进行估计往往 也不能取得较为准确的估计结果。本发明并没有直接使用神经网络模型对碳通量数据进行 估计，而是利用神经网络模型作为误差估计的工具，利用神经网络不能准确解释的特点来 处理不确定性和不可推理导致的误差，相当于利用了其不能准确解释的特点，同时还使得 整个过程具有可解释性。经过实验证明，本发明能够取得良好的估计结果。
[0080] 实施例
[0081] 按照具体实施方式进行模拟，具体实施方式中并没有限定的方案，按照《Biome-BGC 模型参数优化及东北森林碳通量估算研究》(下面简称论文)中的方式进行。为了对比说明 本发明的效果，实验也针对东北森林碳通量进行估计。碳通量与生态系统生产力具有密切 联系，在一定的假设条件下两者具有相同的物理意义。在大尺度范围的研究上，因无法直 接和全面测量生态系统碳通量，通常不考虑砍伐、火灾、病虫害等各种扰动的情况下，这 里为了区域尺度模型的估计结果验证，忽略异氧呼吸，将深林生态系统碳通量近似为NPP (净初级生产力)，本实施例仅对NPP进行估计。
[0082] 本发明中也采用与论文相同的小兴安岭地区的森林资源清查固定样地数据，利用间接 计算森林地上NPP方法估算出2003～2006年的样地NPP数据，对本发明Biome-BGC模型 估算对应年份的小兴安岭地区森林NPP进行验证。实际上本发明是利用多时间序列的日值 数据进行训练获得NPP估算，为了与现有的资料进行比对转换成年度的NPP数据，并且为 了进行比对，仅对2003～2006年NPP数据进行展示说明，各个方法确定的NPP如表1所示 表1[0083]
[0084] 结合表1的数据绘制各个方法确定的NPP的最大值、最小值和平均值的折线图。
[0085] 各个方法确定的NPP最大值折线图如图2所示。通过图2能够看出，针对于NPP最大 值，本发明的方法不仅与样地清查数据的趋势接近，而且相比MODIS和论文的方法，本 发明在数据值上也与样地清查数据最为接近，所以针对一年中NPP的最大值的仿真结果更 加准确。
[0086] 各个方法确定的NPP最小值折线图如图3所示。通过图3能够看出，相对于论文的方 法，本发明估计的NPP最小值更加接近样地清查数据，理论上优于论文的方法的。MODIS 的方法中，其数据并不稳定，2003年、2004年的数据与样地清查数据比较接近，但是在 2005年和2006年产生了较大的数值偏差，尤其是2005年不仅数值产生了非常大的差距， 而且趋势也不符合样地清查数据，甚至产生了反向趋势，所以相对于MODIS，虽然本发明 的数据在一定程度上不能与其进行比较，但是从数值的差距稳定性上和趋势上看，本发明 的方法是优于MODIS的。
[0087] 各个方法确定的NPP平均值折线图如图4所示。通过图4能够看出，本发明获得的 NPP平均值曲线趋势与样地清查数据的NPP值的变化趋势相近，与论文——样地清查数据 的趋势相比，本发明的NPP变化趋势更加接近样地清查数据，同时数据值更加接近样地清 查数据，所以本发明的结果更优。而且，无论从折线变化趋势上，还是从NPP平均值数据 与样地清查数据的相近程度上，本发明的方式都是优于MODIS的。所以理论上将，本发 明的结果更加准确，模型的模拟估计效果更优。
[0088] 综合上述各种情况来看，利用本发明对东北森林碳通量估计结果更加准确，模型性能 更优。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种铀矿井自发电三维无线监控系统 | 2020-05-08 | 468 |
| 具有功能化的零模波导孔的制备方法及波导孔结构 | 2020-05-08 | 966 |
| 反义寡核苷酸组合物 | 2020-05-11 | 276 |
| 一种多元感官感觉统合训练系统 | 2020-05-08 | 959 |
| 一种氢燃料电池电堆耐久性测试系统及方法 | 2020-05-11 | 506 |
| 细胞培养添加物及其用于增加细胞生物蛋白生产的用途 | 2020-05-08 | 338 |
| 有机化合物 | 2020-05-08 | 165 |
| 具有集成传感器和/或致动器的电化学电池和电池组 | 2020-05-08 | 179 |
| 皮肤用化妆品及化妆品的弹力感的评价方法 | 2020-05-08 | 710 |
| 污水处理设备 | 2020-05-08 | 912 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈