【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。