System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于计算机,具体是一种耦合resnets(residual neuralnetwork,残差神经网络)和改进casa模型的区域植被gpp估算方法。
技术介绍
1、总初级生产力(gross primary production,gpp)是指植物在单位时间内通过光合作用吸收co2产生有机物的总量。准确估算gpp对了解陆地生态系统对碳封存的贡献,及其对全球气候变化的影响至关重要。
2、目前用于gpp估算的模型大致可以分为两类:基于光能利用率的gpp估算模型和基于归一化植被指数的gpp估算模型。基于光能利用率的估算模型具有更为稳健的生物物理机制,因而普遍优于使用基于归一化植被指数的gpp估算模型。其中,casa(carnegie amesstanford approach)模型为广泛用于自然生态系统和农田地区的光能利用率模型,该模型的核心概念是将gpp估算为植被吸收的光合有效辐射与光能利用率的乘积。
3、然而,casa模型的性能表现在不同植被和下垫面类型中存在很大的不确定性。首先,传统casa模型无法直接估算gpp,需要使用区域植被净初级生产力(net primaryproductivity,npp)转换后得到;其次,模型中光能利用率的计算需要使用到水分胁迫、温度胁迫以及饱和水汽压差等多重环境因子,这些环境因子在不同区域存在较大差异,导致光能利用率的估算产生较大误差;再次,模型只考虑了单个环境因子对光能利用率的影响,而未考虑多重环境因子之间的交互作用对光能利用率的影响,且模型中依旧存在许多经验参数,给g
技术实现思路
1、针对现有技术的不足,本专利技术拟解决的技术问题是,提供一种耦合resnets和改进casa模型的区域植被gpp估算方法。
2、本专利技术解决所述技术问题的技术方案是,提供一种耦合resnets和改进casa模型的区域植被gpp估算方法,其特征在于,该方法包括以下步骤:
3、步骤1、针对被植被覆盖的目标区域,获取该目标区域的气象参数、植被参数、土壤参数和实测总初级生产力gppm;
4、步骤2、对传统casa模型进行改进来构建gpp估算模型:将传统casa模型中的环境胁迫因子替换为光能利用率,从而构建gpp估算模型;gpp估算模型的表达式为:
5、(2)
6、式(2)中,par为光合有效辐射;fpar为植物吸收的光合有效辐射比例,,其中,a和b为两个常数,evi表示增强植被指数;为理想条件下的最大光能利用率;
7、步骤3、将步骤1得到的目标区域的气象参数、植被参数和土壤参数输入到resnets网络中,得到光能利用率的预测值;再将光能利用率的预测值代入步骤2构建的gpp估算模型中,计算得到预测的总初级生产力gpp;再利用损失函数计算预测的总初级生产力gpp与步骤1的实测总初级生产力gppm之间的误差loss来不断优化resnets网络,直至误差loss最小,得到优化后的resnets网络;
8、所述resnets网络由依次顺序连接的一个输入层、若干个连续的残差块、一个池化层和一个全连接层组成;残差块由依次连接的卷积层、批归一化和激活函数组成;
9、步骤4、采集当前状态下的目标区域的气象参数、植被参数和土壤参数;然后将上述参数输入步骤3得到的优化后的resnets网络中,由优化后的resnets网络输出当前状态下的光能利用率的预测值;再将当前状态下的光能利用率的预测值代入步骤2构建的gpp估算模型中,计算得到当前状态下的被植被覆盖的目标区域的总初级生产力。
10、与现有技术相比,本专利技术的有益效果在于:
11、(1)本专利技术将resnets网络与新构建的gpp估算模型耦合,提高了模型的泛化能力和估算精度,在极端气候事件下(极端干旱、热浪)具有较高的稳健性。
12、(2)本专利技术基于传统casa模型,构建了新的gpp估算模型,新构建的gpp估算模型可直接估算gpp,克服了传统casa模型只能输出npp的缺陷。
13、(3)传统casa模型中没有大气二氧化碳浓度ac,本专利技术纳入了大气二氧化碳浓度ac,对进行估算,再代入新构建的gpp估算模型中。
14、(4)本专利技术可在不同的环境条件和植被类型下准确估算,且可表示多重环境因子与之间的复杂非线性关系,考虑多重环境因子间的交互作用对的影响,将估算的代入新构建的gpp估算模型后,可在环境异质性高的地区提高gpp估算精度。
15、(5)输入resnets网络的参数易于获取,可通过遥感或地表气象数据集在大区域尺度上获取,因此可将新构建的gpp估算模型应用于大区域尺度gpp的估算。
16、(6)综合上述优势,由resnets估算的光能利用率代入新构建的gpp估算模型后,可提高gpp估算精度,增加应用场景,这对于区域生态系统健康评估、碳循环研究、气候变化研究和生态系统管理与保护等领域具有重要意义。
本文档来自技高网...【技术保护点】
1.一种耦合ResNets和改进CASA模型的区域植被GPP估算方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述的耦合ResNets和改进CASA模型的区域植被GPP估算方法,其特征在于,步骤1中,气象参数包括空气温度Ta、太阳辐射Ra、地表蒸散发ET、大气二氧化碳浓度Ac和饱和水汽压差VPD;植被参数包括增强植被指数EVI;土壤参数包括土壤湿度SM;
3.根据权利要求1所述的耦合ResNets和改进CASA模型的区域植被GPP估算方法,其特征在于,步骤1中,日间法是FLUXNET推荐的标准NEE通量划分方法,通过拟合基于白天和夜间NEE数据的光和温度驱动模型来计算实测总初级生产力GPPm和生态系统呼吸ER;实测总初级生产力GPPm的计算公式如下:
4.根据权利要求1所述的耦合ResNets和改进CASA模型的区域植被GPP估算方法,其特征在于,步骤2中,传统CASA模型的表达式如下:
5.根据权利要求1所述的耦合ResNets和改进CASA模型的区域植被GPP估算方法,其特征在于,步骤3中,将步骤1得到的目标区域的气
6.根据权利要求5所述的耦合ResNets和改进CASA模型的区域植被GPP估算方法,其特征在于,步骤3.1中,离差标准化的公式如下:
7.根据权利要求5所述的耦合ResNets和改进CASA模型的区域植被GPP估算方法,其特征在于,步骤3.3中,批归一化的具体操作是:首先计算均值和方差,再进行标准化处理,最后对标准化后的数据进行缩放和位移,以恢复网络的表达能力;
8.根据权利要求5所述的耦合ResNets和改进CASA模型的区域植被GPP估算方法,其特征在于,步骤3.4中,激活函数的表达式如下:
9.根据权利要求1所述的耦合ResNets和改进CASA模型的区域植被GPP估算方法,其特征在于,步骤3中,利用损失函数计算预测的总初级生产力GPP与步骤1的实测总初级生产力GPPm之间的误差;误差未达到最小,则通过ResNets网络中的反向传播不断调整网络的连接权值和偏置来不断优化ResNets网络,直至损失函数计算得到的误差Loss最小,优化过程停止,得到最佳的连接权值和偏置并输出,得到优化后的ResNets网络。
10.根据权利要求1或9所述的耦合ResNets和改进CASA模型的区域植被GPP估算方法,其特征在于,步骤3中,损失函数的表达式为:
...【技术特征摘要】
1.一种耦合resnets和改进casa模型的区域植被gpp估算方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述的耦合resnets和改进casa模型的区域植被gpp估算方法,其特征在于,步骤1中,气象参数包括空气温度ta、太阳辐射ra、地表蒸散发et、大气二氧化碳浓度ac和饱和水汽压差vpd;植被参数包括增强植被指数evi;土壤参数包括土壤湿度sm;
3.根据权利要求1所述的耦合resnets和改进casa模型的区域植被gpp估算方法,其特征在于,步骤1中,日间法是fluxnet推荐的标准nee通量划分方法,通过拟合基于白天和夜间nee数据的光和温度驱动模型来计算实测总初级生产力gppm和生态系统呼吸er;实测总初级生产力gppm的计算公式如下:
4.根据权利要求1所述的耦合resnets和改进casa模型的区域植被gpp估算方法,其特征在于,步骤2中,传统casa模型的表达式如下:
5.根据权利要求1所述的耦合resnets和改进casa模型的区域植被gpp估算方法,其特征在于,步骤3中,将步骤1得到的目标区域的气象参数、植被参数和土壤参数输入到resnets网络中,得到对应的光能利用率,具体步骤如下:
6.根...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。