ANN-BiLSTM模型在温带荒漠灌丛碳通量数据缺失值插补中的应用

作者：冯新妍; 贾昕^*; 黄金泽; 高圣杰; 袁敏; 刘甜甜; 靳川

来源：北京林业大学学报, 2023, 45(09): 62-72.

• 碳通量
• ANN-BiLSTM
• 机器学习
• 长期插值

【目的】为提高净生态系统碳交换量(NEE)在长期缺失下的插补精度，利用人工神经网络(ANN)和双向长短期记忆网络(Bi-LSTM)将NEE的环境因子和时序特征相结合，提出了ANN-BiLSTM模型。【方法】以宁夏盐池观测站NEE数据及微气象数据为研究对象，通过随机剔除连续7、15、30、45和90 d的5类缺失情景来评估ANN-BiLSTM模型、随机森林(RF)、人工神经网络(ANN)、K最邻近(KNN)、支持向量回归(SVR)和边际分布采样法(MDS)在NEE长期缺失下的插值结果。【结果】当NEE缺失天数≤30 d时，各模型的插值精度相对可靠，ANN-BiLSTM模型的插值精度最高，决定系数(R2)均值在0.48～0.56之间，均方根误差(RMSE)和平均绝对误差(MAE)分别在0.68～1.92μmol/(m2·s)、0.45～1.30μmol/(m2·s)之间。当数据缺失天数≥45 d时，MDS不能对缺失值进行处理，ANN-BiLSTM模型的插值精度明显高于机器学习模型，R2均值> 0.45,RMSE和MAE分别在0.79～1.95μmol/(m2·s)、0.50～1.32μmol/(m2·s)之间。【结论】当温带荒漠灌丛生态系统的NEE数据缺失长度> 30 d时，建议应用ANN-BiLSTM模型对缺失数据进行插补，可以在一定程度上提高NEE长期插值结果的精度。

• 单位
  中国农业大学; 北京林业大学