本文關鍵詞：人工神經(jīng)網(wǎng)絡在全球氣候變化和生態(tài)學中的應用研究，，由筆耕文化傳播整理發(fā)布。

2010年第55卷第31期：2987~2997；評述；《中國科學》雜志社；SCIENCECHINAPRESS；；人工神經(jīng)網(wǎng)絡在全球氣候變化和生態(tài)學中的應用研究；劉澤麟①,彭長輝①②*,項文化①,田大倫①,鄧湘；①中南林業(yè)科技大學生命科學與技術學院,長沙410；②InstituteofEnvironmentS；*

2010年 第55卷 第31期：2987 ~ 2997

評 述

《中國科學》雜志社

SCIENCE CHINA PRESS

csb.scichina.com

人工神經(jīng)網(wǎng)絡在全球氣候變化和生態(tài)學中的應用 研究

劉澤麟①, 彭長輝①②*, 項文化①, 田大倫①, 鄧湘雯①, 趙梅芳①

① 中南林業(yè)科技大學生命科學與技術學院, 長沙 410004;

② Institute of Environment Sciences, Department of Biology Sciences, University of Quebec at Montreal, Case postale 8888, Succ Centre-Ville, Montreal (QC) H3C 3P8, Canada

* 聯(lián)系人, E-mail: peng.changhui@uqam.ca 2010-05-07收稿, 2010-08-27接受

國家林業(yè)局948項目(2010-4-03)、教育部新世紀優(yōu)秀人才支持計劃(NCET-06-0715)、湖南省高等學�？萍紕�(chuàng)新團隊項目和湖南省“芙蓉學者計劃”資助

摘要 近年來, 隨著計算機技術和人工智能的發(fā)展, 人工神經(jīng)網(wǎng)絡(ANN)的應用領域不斷被開拓. 同時, 人們對全球氣候變化和生態(tài)環(huán)境問題也日益關注, 如全球變暖、El Ni?o和La Ni?a出現(xiàn)頻繁、大氣環(huán)流異常等, 使得人工神經(jīng)網(wǎng)絡方法在全球氣候變化和生態(tài)學研究中得到了廣泛的應用. 雖然人工神經(jīng)網(wǎng)絡仍存在一些不足和風險, 如模型的參數(shù)要求更高的靈敏度、網(wǎng)絡結構的選擇一般更依賴于個人經(jīng)驗和神經(jīng)網(wǎng)絡對短期的預測研究精確度往往高于中長期預測, 但全球變化研究中尤其要重視交互作用的影響和長期實驗等. 不過, 神經(jīng)網(wǎng)絡在處理非線性問題上仍然優(yōu)于許多傳統(tǒng)的方法. 因此, 在全球氣候變化和生態(tài)學研究中人工神經(jīng)網(wǎng)絡具有很大的應用潛力, 它能在實測過程可能十分困難或者使用不完整的數(shù)據(jù)難以實現(xiàn)的情況下, 完成其他方法完成不了的問題. 可以預料人工神經(jīng)網(wǎng)絡將在全球氣候變化和生態(tài)學研究中得到更多的應用和發(fā)展.

關鍵詞

人工神經(jīng)網(wǎng)絡 全球氣候變化 生態(tài)學 非線性問題

近年來, 全球變化日益成為各國政府、社會各界與科學家所關注的焦點問題, 并在各個領域進行了相關研究, 取得了一定的成果. 全球氣候變化主要表現(xiàn)在全球氣溫升高, El Ni?o和La Ni?a出現(xiàn)頻繁、大氣環(huán)流異常等. 全球平均溫度在過去100年增高了約0.6℃并且將繼續(xù)升高; CO2濃度與工業(yè)革命前相比增加了38%, 21世紀末將達到700 μmol/mol[1], 以“全球變暖”為突出標志的全球變化很可能對各個生態(tài)系統(tǒng)產(chǎn)生嚴重影響. 多年來, 各國研究工作者們進行了大量的觀測和實驗, 整理了大量氣候變化的數(shù)據(jù). 因此, 現(xiàn)在需要充分利用這些數(shù)據(jù), 對氣候變化的影響和響應做出合理模擬和預測, 為政府決策提供科學依據(jù). 人工神經(jīng)網(wǎng)絡(Artificial Neural Networks, ANN)

英文版見: Liu Z L, Peng C H, Xiang W H, et al. Application of artificial neural networks in global climate change and ecological research: An overview.

Chinese Sci Bull, 2010, 55, doi: 10.1007/s11434-010-4183-3

是一種專門對數(shù)據(jù)進行有效訓練、校驗、模擬和預測的工具, 已經(jīng)發(fā)展成為一種有效的研究方法. 神經(jīng)網(wǎng)絡具有強大的學習能力, 是刻畫難于用數(shù)學解析表達式描述的復雜非線性系統(tǒng)和非線性關系的方便工具. 由于理論上, 一個三層的神經(jīng)網(wǎng)絡模型可實現(xiàn)任意非線性的映射, 而生態(tài)系統(tǒng)自身是一個復雜的非線性系統(tǒng), 所以采用人工神經(jīng)網(wǎng)絡描述生態(tài)系統(tǒng)、研究其各種特性是一個很有效的方法.

最近幾年人工神經(jīng)網(wǎng)絡在全球氣候變化和生態(tài)學中的應用已經(jīng)得到了迅速的發(fā)展, 在水文生態(tài)環(huán)境、森林生態(tài)環(huán)境和城市空氣質(zhì)量變化等生態(tài)學研究中也越來越多的應用人工神經(jīng)網(wǎng)絡. 本文介紹了人工神經(jīng)網(wǎng)絡方法, 并對其近幾年(主要是2000年之

2010年11月 第55卷 第31期

后)在全球氣候變化和生態(tài)學中的應用進行了述評, 最后提出了將來的應用前景和發(fā)展方向. 1 人工神經(jīng)網(wǎng)絡

1.1 概述

人工神經(jīng)網(wǎng)絡(ANN)是一種模仿動物神經(jīng)網(wǎng)絡行為特征, 進行分布式并行信息處理的算法數(shù)學模

型. 這種網(wǎng)絡依靠系統(tǒng)的復雜程度, 通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關系, 從而達到處理信息的目的.

1943年, 心理學家McCulloch W. S.和數(shù)理邏輯學家Pitts W.建立了神經(jīng)網(wǎng)絡的數(shù)學模型, 稱為MP模型. 他們通過MP模型提出了神經(jīng)元的形式化數(shù)學描述和網(wǎng)絡結構方法, 證明了單個神經(jīng)元能執(zhí)行邏輯功能, 從而開創(chuàng)了人工神經(jīng)網(wǎng)絡的研究的時代. 隨著計算機技術的進步, 在20世紀80年代初, 美國加州工學院物理學家John Hopfield提出了著名的Hopfield神經(jīng)網(wǎng)的網(wǎng)絡模型[2]

. 他在神經(jīng)網(wǎng)絡模型的穩(wěn)定性研究方面引入了利亞普諾夫函數(shù)(能量函數(shù))作為判斷依據(jù), 使得網(wǎng)絡模型具有聯(lián)想記憶能力, 可進行優(yōu)化問題的求解, 并利用該網(wǎng)絡模型較好地解決了巡回推銷商問題(Travelling Saleman Problem, TSP), 這為采用神經(jīng)網(wǎng)絡方法解決優(yōu)化計算提供了新途徑, 同時也為神經(jīng)計算機(Neural Computer)的開發(fā)研究提供了重要的基礎[3]. 1986~1988年, 心理學家Mcclelland L. L.和Rumelhart D. E.經(jīng)過共同努力提出了著名的多層網(wǎng)絡的誤差反向傳播算法即BP算法. 該算法迄今為止仍然是一種應用最為廣泛的神經(jīng)網(wǎng)絡學習算法. 遙感圖像分析和分類一直采用傳統(tǒng)的統(tǒng)計方法(如最小距離和最大似然分類器)[4]. 這些方法有其自身的局限性, 特別是在涉及到不同數(shù)據(jù)類型的整合和樣品的像素分布假設時局限性更為明顯. 而采用人工神經(jīng)網(wǎng)絡方法可以克服統(tǒng)計分類的這些缺點和提高分類性能. 在過去的10年中, 人工神經(jīng)網(wǎng)絡(ANN)一直都是土地覆蓋和利用衛(wèi)星圖像信息對土地分類中最流行的非參數(shù)分類技術之一[5~8]. 如今網(wǎng)絡的算法更加豐富, 在反向傳播算法的基礎上, 模擬退化算法、遺傳算法、競爭學習等都融入到網(wǎng)絡算法體系中. 利用神經(jīng)網(wǎng)絡模型可以實現(xiàn)函數(shù)逼近、預測、數(shù)據(jù)聚類、模式識別及優(yōu)化計算等功能. 人工神經(jīng)網(wǎng)絡的發(fā)展除了對算法本身的改進外, 還可與多種其他方法相結合, 如神經(jīng)網(wǎng)絡與決

2988 策樹的結合來進行預測和分析, 人工神經(jīng)網(wǎng)絡結合系統(tǒng)動力學(System Dynamics, SD)和元胞自動機(Cellular Automata, CA)進行模型開發(fā)等, 更可以將應用范圍擴展到不同學科, 如信息生態(tài)學中對神經(jīng)網(wǎng)絡的應用需求就很大.

人工神經(jīng)網(wǎng)絡一般由3個基本要素構成, 即處理單元、網(wǎng)絡拓撲結構及訓練規(guī)則[3].

處理單元是人工神經(jīng)網(wǎng)絡操作的基本單元, 主要模擬人腦神經(jīng)元的功能. 一個處理單元有多個輸入及輸出路徑. 輸入端起信息傳遞的作用; 輸出端將處理后的信息從一個處理單元傳給下一個. 如圖1, x為神經(jīng)元輸入, w為可調(diào)的輸入權值, θ 做為偏移信號用于建模神經(jīng)元的興奮閾值. u(·)和f(·)分別表示神經(jīng)元的基函數(shù)和激活函數(shù).

網(wǎng)絡拓撲結構決定各處理單元、各層之間信息的傳遞方式與途徑. 目前應用的神經(jīng)網(wǎng)絡拓撲結構有幾十種.

由于一個三層的反向傳播神經(jīng)網(wǎng)絡(BPN)模

型能模擬任何連續(xù)函數(shù)[9], 所以現(xiàn)在研究中大多都采用三層的神經(jīng)網(wǎng)絡進行模擬, 并且簡單的神經(jīng)網(wǎng)絡容易解釋、訓練速度快

, 也很少產(chǎn)生過度吻合[10]

, 三層神經(jīng)網(wǎng)絡結構如圖

2.

圖1 通用神經(jīng)元模型

圖2 神經(jīng)網(wǎng)絡拓撲結構

訓練(Training)又稱學習(Learning), 是神經(jīng)網(wǎng)絡的一個基本特征, 通過反復訓練與調(diào)整來達到需要的精度. 主要是利用轉換函數(shù)f(x)對處理數(shù)據(jù)進行加權與求和, 并訓練網(wǎng)絡系統(tǒng)進行模式識別來處理所得的加權和, 再通過轉移函數(shù)轉換為輸出值. 最后, 分類結果是將獲取最大權重的類別指定為輸入數(shù)據(jù)的歸屬類別[11].

與人腦的作用機理類似, 神經(jīng)網(wǎng)絡完成任務的過程主要分為兩個階段[3,11]: 第一個階段是學習期, 是神經(jīng)網(wǎng)絡自我完善的階段, 此時, 網(wǎng)絡按一定的學習規(guī)則修改突觸的權系數(shù), 以使測度函數(shù)達到最小, 這個時期各計算單元狀態(tài)保持不變, 各連線上的權值可以通過學習訓練來修改; 第二個階段是執(zhí)行期, 是神經(jīng)網(wǎng)絡對輸入信息進行處理并產(chǎn)生對應的輸出過程, 此時各連接權固定, 計算單元狀態(tài)發(fā)生變化, 已達到訓練后的穩(wěn)定狀態(tài).

1.2 應用軟件

目前已推出了大量神經(jīng)網(wǎng)絡的專用或通用軟件. 其中, 美國NeuralWare公司()開發(fā)的Predict和NeuralSight是一套先進的神經(jīng)網(wǎng)絡模型開發(fā)軟件包, 也是當今世界上最成熟的神經(jīng)網(wǎng)絡商業(yè)產(chǎn)品. 它可以用來訓練、測試以及應用神經(jīng)網(wǎng)絡模型, 具體包括預測、分類、聚合等. 軟件自動將神經(jīng)網(wǎng)絡技術和遺傳算法、模糊邏輯、以及統(tǒng)計方法等有機的結合在一起, 為多個行業(yè)的廣泛問題都提供了穩(wěn)定的解決方案.

此外美國NeuralWare公司的MATLAB Neural Network TOOL Box和Neuralworks ProfessionalⅡ/ Plus5.20, 美國NeuroDimension公司的NeurSolu- tionV3.0[12], 都是目前應用較廣的神經(jīng)網(wǎng)絡應用軟件.

2 人工神經(jīng)網(wǎng)絡在全球氣候變化和生態(tài)學

中的應用

2.1 氣候變化對水文生態(tài)環(huán)境影響方面的應用

自從1996年Clair和Ehrman首次采用ANN模型評估氣候變化對河水流量和環(huán)境的影響以來, ANN在氣候變化和水文環(huán)境之間的應用就沒有停止過[13]. 為了分析氣候因子變化對流域徑流的影響, 陳喜等人[13]利用ANN模型建立巴音布魯克站的月降水、氣溫與大山口站徑流關系, 再根據(jù)區(qū)域氣候模型

評 述

(Regional Climate Models, RCMs)推算CO2加倍情況下西北地區(qū)氣候的可能變化, 估算氣候變化對大山口徑流量影響. 研究結果表明: 當氣溫升高1~3℃時, 年徑流量增加6.7%~25%; 當降水增加5%~25%時, 年徑流量增加1.4%~11%. 因此, 該地區(qū)氣溫升高對徑流的影響較降雨量增加對徑流的影響要大. 很明顯, 氣溫升高和降水量增加有利于緩和目前西北地區(qū)干旱狀態(tài), 但增加徑流量主要集中在7, 8月份, 夏季發(fā)生洪水危險大大增加, 將會改變目前水資源開發(fā)利用模式和水利工程規(guī)劃、運行方案. 鄒志紅和王學良[14]對BP神經(jīng)網(wǎng)絡模型在河流水質(zhì)預測中的有效性進行了驗證. 結果表明, 在進行連續(xù)河段水質(zhì)預測時, 對多河段的長距離預測有較大的誤差; 而對多河段的短距離預測則誤差較小, 但短距離預測需要更充足的河段數(shù)據(jù), 進行計算時也需要更長的時間.

季節(jié)性溫度和降水的變化情況對流域中碳、磷和氮等的研究產(chǎn)生重要影響, Holmberg等人[15]使用CLIGEN生成了未來2040~2069年的每日溫度值和降水值, 并利用人工神經(jīng)網(wǎng)絡對河流水內(nèi)的每日總有機碳(TOC)、全氮(Ntot)、全磷(Ptot)通量建模, 從而對未來氣候變化情況下的通量采用數(shù)值模擬. 他們發(fā)現(xiàn)河流水中TOC, Ntot和Ptot通量的增加, 主要取決于徑流量的變化而不是濃度的變化. 雖然ANN模型對河流水的TOC, Ntot和Ptot通量沒有獲得全部的極端值, 但是它仍然符合觀測中大部分的動態(tài)值. 該研究在選擇網(wǎng)絡參數(shù)的時候, 需要判斷出溫度和徑流量之間的顯著差異. 特別是在干燥條件下, 觀測和模擬中得出的年度輸出值相對于濃度極端值更為重要. Nour等人[16]也設計了一個能預測非標準(每日流量沒有被完全監(jiān)測)河流流量和全磷濃度的ANN模型.

氣候變化對石漠化地區(qū)的影響也是不可忽視的. 由于喀斯特地形的含水層是高度非勻質(zhì)的, 同時在這些地區(qū)的監(jiān)測數(shù)據(jù)也是非常少的. 因此, 為了更好地可持續(xù)利用和保護喀斯特地下水資源, 可以建立模型來模擬喀斯特地下泉水流量, 來更好地幫助理解喀斯特水文過程. Hu等人[17]使用人工神經(jīng)網(wǎng)絡建立一個精確模擬泉水排放的簡潔模型, 并應用到娘子關喀斯特泉水的模擬中. 研究表明, 雖然在短期數(shù)據(jù)的訓練下, ANN的穩(wěn)定性不如長期數(shù)據(jù), 但ANN較于之前的時間滯后線性模型(Time-Lag Linear Model)

2989

2010年11月 第55卷 第31期

模擬效果要好很多.

在徑流的路徑選擇里, 整個徑流的總和并不是全部子流域選擇徑流路徑的線性疊加, 人工神經(jīng)網(wǎng)絡作為一個有效的非線性映射工具, 用來研究從單個流域到總徑流的全部水流輸出的非線性變換是非常合適的. Chen和Adams[18]就在降雨-徑流模型里集成人工神經(jīng)網(wǎng)絡的概念模型, 發(fā)現(xiàn)集成了ANN的綜合模型能將單獨的子流域的徑流轉換為全部流域的徑流流出, 這種新方法比以往使用的Xinanjiang, SMAR和Tank三種模型效果更好. 我們認為Chen等人[18]的研究還有相當大的潛力, 比如說, 可以對不同地形, 不同環(huán)境條件繼續(xù)擴展研究.

Elshorbagy和Parasuraman[19]先是采用傳統(tǒng)人工神經(jīng)網(wǎng)絡對復雜的土壤含水量的動態(tài)變化建模. 而后, 又將高階神經(jīng)網(wǎng)絡模型發(fā)展應用到表征土壤水分動態(tài)變化模擬. 模擬顯示, 表征土壤水分的最具影響力的狀態(tài)變量是地面溫度, 強調(diào)的是土壤熱性能和相應水分狀況的聯(lián)系. 該研究的貢獻是得出高階神經(jīng)網(wǎng)絡的結果較傳統(tǒng)神經(jīng)網(wǎng)絡對土壤水分模擬具有更高的相關系數(shù)的結論, 并在加入時間滯后輸入?yún)?shù)后, 改進了模型的性能和獲得了更好的模擬效果. 同樣的在Friedrich Recknagel[20]的研究中也認為神經(jīng)網(wǎng)絡模型在經(jīng)過時滯時間序列訓練后具有更高的預測精度. Friedrich Recknage的研究中采用監(jiān)督的反饋神經(jīng)網(wǎng)絡結合非監(jiān)督神經(jīng)網(wǎng)絡來綜合靈敏度曲線被證明是一種有效的途徑. 與Friedrich Recknagel的觀點相同, 我們也相當看好神經(jīng)網(wǎng)絡在信息生態(tài)學的應用前景, 比如通過面向對象編程和互聯(lián)網(wǎng)實行混合模型的一般函數(shù)庫在全球范圍內(nèi)對生態(tài)系統(tǒng)分類, 就是一個非常不錯的方向.

此外, Chen和Chang[21]構建了一個新的人工神經(jīng)網(wǎng)絡混合模型, 它采用遺傳算法和按比例的共軛梯度法對前饋神經(jīng)網(wǎng)絡結構和連接權重進行優(yōu)化, 并在真實水文時間序列里驗證了該模型的適應性和可靠性. 同時, 該混合模型的精度優(yōu)于AR和ARMAX模型. Lischeid

[22]

采用人工神經(jīng)網(wǎng)絡方法對森林集水

區(qū)的徑流量估算進行SO4的短期和長期趨勢的動態(tài)研究, 表明人工神經(jīng)網(wǎng)絡的潛力優(yōu)于分析化學時間序列. 同樣, ANN模型能作為計算水質(zhì)參數(shù)的工具, 例如Singh等人[23]使用ANN模型對DO和BOD的計算值與實際河流水的測量值非常接近. Park等人[24]報道了他們應用人工神經(jīng)網(wǎng)絡對河流水中水生昆蟲

2990 豐富度的預測和制圖. 國內(nèi)的宋松柏和蔡煥杰[25]利用BP神經(jīng)網(wǎng)絡開發(fā)了一個旱區(qū)流域水土環(huán)境質(zhì)量的綜合定量評價模型, 并對西北地區(qū)水資源開發(fā)利用程度最高的石羊河流域進行實例研究, 模型預測評價等級與實際評價等級相一致. 該研究說明, ANN模型具有實用性和可操作性強的特點, 可以很好地應用于流域水土環(huán)境質(zhì)量評價.

我們可以看到, ANN不論是在水文預測和測量, 還是水質(zhì)動態(tài)預測等水文生態(tài)環(huán)境研究中的應用越來越廣泛, 目前正在向不同環(huán)境的兼容、多環(huán)境數(shù)據(jù)同步處理的方向發(fā)展. 如宋松柏和蔡煥杰[25]試圖尋求一種通用的評價模型, 能進行不同地區(qū)水土環(huán)境的綜合評價; 鄒志紅和王學良[14]的研究就從以往的單河道預測, 發(fā)展為多河道連續(xù)預測. Nour等人[16]的研究使得所有輸入都很容易進入如加拿大環(huán)境天氣數(shù)據(jù)庫等公共數(shù)據(jù)庫中, 而不需要在每一個模擬河流安裝流量儀. 他們的ANN模型在復雜生態(tài)系統(tǒng)和高度相關變量建模方面能力突出.

2.2 氣候變化下空氣質(zhì)量和溫室氣體排放估算中

的應用

Viotti和Liuti[26]使用BP算法, 根據(jù)24~48小時的氣象條件和交通水平, 來預測意大利的佩魯賈(Perugia)城市污染物濃度. 監(jiān)測的變量包括二氧化硫、氮的氧化物、全部微顆粒以及晚上10點后的苯、一氧化碳、臭氧濃度, 水平風速、濕度、壓強、溫度、總的陽光輻射、降水量和交通情況. 這一方法對于未來1小時的污染物濃度預測結果較好. 雖然通過假設未來24~48小時的交通和氣象參數(shù)來進行中長期(24~48小時)預測的效果不如1小時的預測, 但是比通常的統(tǒng)計確定性模型的預測效果還是要好很多. Nagendra和Khare[27]使用人工神經(jīng)網(wǎng)絡技術對NO2分散現(xiàn)象建模, 并應用到印度的德里(Delhi)市車輛廢氣排放預測上, 模型的輸入包括10個氣象參數(shù)和6個交通特性變量. 數(shù)據(jù)來自交通十字路口(AQCR1) 和城市主干道(AQCR2) 2個空氣質(zhì)量控制區(qū)域(AQCRs). 該模型預測值與觀測值的擬合系數(shù)d(d為模擬值對觀測值的精確估計程度)最高為0.76. 陳柳和馬廣大[28]利用小波分解和重構判斷大氣污染物濃度序列的年變化趨勢, 并在此基礎上建立大氣污染物濃度的分段神經(jīng)網(wǎng)絡模型, 對大氣SO2濃度進行預測. 為了提高網(wǎng)絡的推廣能力, 他們在程序中加入了

“提前停止”和“神經(jīng)網(wǎng)絡集成”的方法[29], 優(yōu)化了網(wǎng)絡學習過程. Ryan等人[30]則使用人工神經(jīng)網(wǎng)絡模擬溫帶草原生態(tài)系統(tǒng)的N2O的排放研究.

Barcenas等人[31]利用人工神經(jīng)網(wǎng)絡對臭氧層表面建模, 并利用無偏敏感分析和修剪技術對模型進行簡化. 數(shù)據(jù)采樣來自距離西班牙的瓦倫西亞(Valencia)城南40 km的小鎮(zhèn)Carcaixent. 輸入?yún)?shù)包括NO, NO2濃度和一些氣象參數(shù)(風速、溫度、大氣壓強、太陽輻射度、相對濕度), 時間為2002年4月1日到4月20日連續(xù)20 d, 模型輸出為臭氧的濃度. 在此基礎上, 他們通過敏感度分析, 得出與臭氧濃度最相關的參數(shù)是溫度和太陽輻射度, 最無關的參數(shù)是臭氧化學前體(NO和NO2). 這一結果表明, 當?shù)爻粞踔饕獊碓床⒉皇潜镜厣? 而是從其他地方通過風力傳輸而來.

植被與大氣之間的碳交換量(NEE)是影響陸地生態(tài)系統(tǒng)碳匯、源的重要因素, 準確估計和長期觀測不同生態(tài)系統(tǒng)中的NEE、研究NEE的空間分布以及模擬NEE動態(tài)變化是預測氣候變化的基礎之一. 何洪林等人

[32]

利用能量通量和CO2通量的密切關系, 研

究了人工神經(jīng)網(wǎng)絡方法模擬CO2通量的可行性. 研究發(fā)現(xiàn)CO2通量和能量通量、溫度存在密切的相關關系, 土壤水分因子的輸入并未使模型模擬的精度有明顯的提高. 該研究證明, 可以用人工神經(jīng)網(wǎng)絡模型有效地模擬CO2通量. 同時為通過渦度相關觀測與遙感反演技術的集成, 并利用已獲取的區(qū)域能量通量數(shù)據(jù)來模擬分析區(qū)域尺度的CO2通量空間格局提供了一種有效的技術途徑. Melesse和Hanley

[33]

將

多層次感知器誤差反饋人工神經(jīng)網(wǎng)絡應用到森林、草地和麥田生態(tài)系統(tǒng)CO2通量模擬研究中. 采用能量通量(凈輻射能量、潛熱、感熱、土壤熱通量)和溫度(空氣和土壤)來訓練人工神經(jīng)網(wǎng)絡模型. 結果顯示, 預測的相關系數(shù)(R2

)值在0.75到0.94之間, 并且森林和麥田的預測結果比草地更好. 這一技術的意義在于以點測量來估算地區(qū)或全球CO2通量, 并能夠很好地幫助理解CO2通量的時空變化. Papale和Valentini[34]結合人工神經(jīng)網(wǎng)絡和渦流通量來研究歐洲森林的碳變化. 不僅開展了單站點的通量數(shù)據(jù)插補研究, 還結合土地利用、NDVI等數(shù)據(jù), 模擬了歐洲大陸區(qū)域的空間分辨率為1 km×1 km, 時間尺度為周的CO2通量空間分布格局.

評 述

2.3 氣候變化下森林生態(tài)系統(tǒng)建模和植被、土壤

變化預測等方面的應用

因為ANN克服了森林數(shù)據(jù)處理中非線性關系和非正態(tài)性等方面的困難, 最近成為了森林建模中一個比較流行的工具. 森林生物量的估測是全球變化研究的基礎, 王淑君和管東生[35]嘗試應用BP和RBF神經(jīng)網(wǎng)絡模型對森林生物量進行遙感估測. 結果表明, 在獨立樣地估測中, 兩種人工神經(jīng)網(wǎng)絡估測的相對誤差均小于15.18%, 而RBF網(wǎng)絡的ANN模型最大相對誤差不超過10.12%, 平均相對誤差僅為4.76%, 在識別精度上、穩(wěn)定性、速度上, 均優(yōu)于BP 網(wǎng)絡ANN模型.

森林生態(tài)系統(tǒng)中氮的現(xiàn)狀可以通過森林土壤的氮飽和潛力來表現(xiàn), Ito等人[36]使用人工神經(jīng)網(wǎng)絡模型來對土壤的NNP(Net Nitrification Potential)進行預測. 他們的ANN模型使用ridge-stabilized Gauss- Newton算法處理現(xiàn)有數(shù)據(jù), 來防止過度學習造成的過高權重. 所以, 該ANN基礎模型僅僅使用2個土壤特性數(shù)據(jù)(碳氮比和最大含水量)就能提供很好的NNP預測, 大大提高了簡單模型在森林管理計劃中的實際價值.

同樣, 理解氣候變化中植被是如何改變的是氣候變化中的一個關鍵問題. Ostendorf等人[37]利用人工神經(jīng)網(wǎng)絡研究氣候變化對熱帶雨林植物的影響. 預測結果表明雨林的中小型植被將有所減少, 中型開放性植被在森林和林地將有所增加. 然而, 預測中型藤蔓植物和潮濕硬葉植物的結果在不同模型中卻有很大的區(qū)別.

高分辨率的土壤分布圖一般僅僅適用于很小的范圍, 因為通過實地考察獲得這些分布圖是很費時和很昂貴的. 最近, Zhao等人[38]成功的使用ANN模型對土壤質(zhì)地(沙礫、黏土和淤泥)進行預測, 從現(xiàn)有較粗糙的分辨率的土壤分布圖結合數(shù)字化高程模型(Digital Elevation Model, DEM)得出的水道測量參數(shù)來獲得土壤屬性. 校正過的ANN模型能對相似地區(qū)制作高分辨率土壤質(zhì)地結構圖, 而不需要進行額外的現(xiàn)場調(diào)查. 就模型預測和野外測量值之間的均方根誤差而言, 黏土為4.0, 沙礫為6.6. 相對總精度(現(xiàn)場測量時正負5%)黏土是88%, 沙礫是81%. Kavdir[39]報道了利用人工神經(jīng)網(wǎng)絡分類器對向日葵(陽光植物), 雜草和土壤進行識別. 劉殿偉等人[40]在用高光

2991

最新搜索

人工神經(jīng)網(wǎng)絡在全球氣候變化和生態(tài)學中的應用研究

38遺傳學2

慶元旦兒童畫圖片

違約風險的信用增級不包括( )。 (本題20分)

2012高考語用題匯總

30TD-LTE概念自總結

俠盜飛車罪惡都市100個隱藏包裹位置(圖文)

紅旗鎮(zhèn)中學依法治校示范學校申報材料90

2016年《電子商務》(2016年必修課程一)題庫答案

貴州省主要的氣候災害有( )代表中國舊石器時代早期的三種文化

  本文關鍵詞：人工神經(jīng)網(wǎng)絡在全球氣候變化和生態(tài)學中的應用研究，由筆耕文化傳播整理發(fā)布。