基于分类梯度提升算法和人工神经网络的食松和樱核圆柏的气孔导度模拟

作者：邵欣欣; 雷国庆; 曾文治; 黄介生

来源：中国农村水利水电, 2022, 1-15.

• 气孔导度
• Ball-Berry模型
• Medlyn模型
• 分类梯度提升算法
• 人工神经网络模型

气孔导度是表征植物蒸腾状态的重要指标，气孔导度的准确量化对于地表水文循环研究具有重要意义。为探索提高气孔导度模拟准确性的方法，本研究利用分类梯度提升算法（CatBoost，CAT）和人工神经网络（Artificial Neural Network，ANN）两种机器学习模型对食松（Pinus edulis）与樱核圆柏（Juniperus monosperma）的气孔导度进行了模拟，并将二者的模拟结果与Ball-Berry模型和Medlyn模型进行了比较。机器学习模型以净光合速率(An)、叶表二氧化碳浓度（Cs）、相对湿度（RH）、饱和水汽压差（VPD）、叶片温度（TL）和黎明前叶水势（LWP）为输入变量，设计了三种建模策略：策略①输入变量为An、Cs和RH；策略②输入变量为An、Cs和VPD；策略③输入变量为An、Cs、RH、VPD、TL和LWP。结果表明（1）Ball-Berry模型和Medlyn模型模拟效果相近，RMSE分别0.0138 mol/(m2·s)和0.0139 mol/(m2·s)；（2）机器学习模型对气孔导度的模拟效果明显优于Ball-Berry模型和Medlyn模型，不同输入策略下CAT和ANN模型的RMSE相比于Ball-Berry模型分别降低了19.35%～45.65%和26.90%～55.07%；（3）机器学习模型中策略③模拟效果优于策略①和②，且ANN优于CAT，其中策略③中ANN模型的RMSE比策略①和②分别提高了36.70%和38.54%；（4）各模型和策略下对两种植物组成的整个数据集的气孔导度模拟与分别对食松和樱核圆柏的气孔导度模拟规律是一致的，其中对食松的气孔导度模拟结果优于樱核圆柏。上述研究表明，机器学习模型（特别是ANN模型）更适用于植物气孔导度的精准模拟，可为植物蒸腾能力估算和农业水文模拟提供实用工具。

• 单位
  武汉大学