[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-74.7773 gCO2·m-2 a-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<0.0001),和显热通量相关性不显著;TCN模型的RMSE为0.1105 mgCO2·m-2s-1,R2为0.8214,RMSE分别比ELM、SVR、ANN和LSTM减少0.0248、0.0224、0.0222和0.0068 mgCO2·m-2 s-1,R2分别比ELM、SVR、ANN和LSTM增加0.0806、0.0777、0.0686、0.0223;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0.0004 mgCO2·m-2 s-1,相比ELM、ANN和LSTM分别减小0.0014、0.0013和0.0002 mgCO2·m-2 s-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<0.0001),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.

时间卷积神经网络;NEE;长白山红松阔叶林

齐建东;谭新新

北京林业大学信息学院 北京 100083;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

林业科学

[1]齐建东;谭新新-.长白山红松阔叶林的净碳交换变化及基于时间卷积神经网络的模拟)[J].林业科学,2022(02):1-12

长白山红松阔叶林

时间卷积神经网络,净生态系统碳交换,交换量,NEE,季节性差异,气象因子,月尺度,动态影响,碳收支,森林生态系统,生态系统净碳交换,温带,通量观测,观测站,观测数据,随机森林模型,因子重要性,潜热通量,显热通量,冠层,空气湿度,方水,水汽压,净辐射,TCN,长短期记忆网络,人工神经网络,ANN,支持向量回归,SVR,极限学习机,ELM,决定系数,平均绝对误差,MAE,RMSE,碳汇,碳源,mgCO2,2s,季节差异,节长

0.165261