林业科学

作者：齐建东1,2,谭新新1

单位：1. 北京林业大学信息学院 北京 1000832. 国家林业和草原局林业智能信息处理工程技术研究中心 北京 100083

关键词：时间卷积神经网络,NEE,长白山红松阔叶林

基金：国家重点研发计划项目"典型人工林生态系统对全球变化适应机制"(2020YFA0608100)

目的: 分析长白山红松阔叶林净生态系统碳交换量(NEE)的季节性差异及其气象因子响应, 在月尺度下揭示气象因子对NEE的动态影响, 为调节研究地区的碳收支提供理论指导。同时研究时间卷积神经网络在森林生态系统净碳交换模拟中的应用, 探索NEE模拟的新方法。方法: 基于长白山温带红松阔叶林通量观测站2007—2010年间的30 min观测数据, 分析NEE和输入模型的5种气象因子的季节性差异, 并分析5种气象因子与NEE的相关性。使用随机森林模型, 计算影响NEE的各因子重要性得分, 选择得分较高的5种气象因子: 潜热通量、显热通量、冠层上方空气湿度、冠层上方水汽压和净辐射作为NEE模拟的输入; 分别构建基于时间卷积神经网络(TCN)、长短期记忆网络(LSTM)、人工神经网络(ANN)、支持向量回归(SVR)和极限学习机(ELM)的5种NEE模型, 采用决定系数(R2)、平均绝对误差(MAE)和均方根误差(RMSE)评价模型的预测精度和稳定性。结果: 长白山温带红松阔叶林通量观测站NEE全年总量为-74.777 3 gCO2·m-2a-1, 总体表现为碳汇, 但夏季表现为碳汇, 冬季表现为碳源; NEE与潜热通量、冠层上方水汽压、净辐射和冠层上方空气湿度均极显著负相关(P < 0.000 1), 和显热通量相关性不显著; TCN模型的RMSE为0.110 5 mgCO2·m-2s-1, R2为0.821 4, RMSE分别比ELM、SVR、ANN和LSTM减少0.024 8、0.022 4、0.022 2和0.006 8 mgCO2·m-2s-1, R2分别比ELM、SVR、ANN和LSTM增加0.080 6、0.077 7、0.068 6、0.022 3; 根据5种模型的10次试验结果, 计算得到TCN模型RMSE的标准差为0.000 4 mgCO2·m-2s-1, 相比ELM、ANN和LSTM分别减小0.001 4、0.001 3和0.000 2 mgCO2·m-2s-1。结论: 长白山温带红松阔叶林通量观测站的NEE总体表现为碳汇, 但存在明显的季节差异; NEE与潜热通量、冠层上方水汽压、冠层上方空气湿度、净辐射极显著负相关(P < 0.000 1), 与显热通量相关性不显著。对于长白山温带红松阔叶林通量观测站的长期NEE预测结果表明, 基于TCN的模型不仅预测精度良好, 并且具有较强的稳定性, 能为时间卷积神经网络在生态模拟领域的应用提供可行性依据。本研究结果可为调节长白山红松阔叶林的碳收支提供理论指导。

来源：2022年第2期

《林业科学》期刊编辑部

查看林业科学杂志2022年第2期