源區(qū)劃分和質(zhì)量過濾提高湖面渦動相關(guān)通量數(shù)據(jù)可靠性的同時,卻降低了通量時間序列的連續(xù)性.為此,本文基于TensorFlow機(jī)器學(xué)習(xí)框架構(gòu)建了一種超寬人工神經(jīng)網(wǎng)絡(luò)（ANN）模型.在選擇輸入ANN模型的特征變量信息時,我們采取了盡可能獲取湍流輸送過程中熱力、動力學(xué)同步觀測背景強(qiáng)迫信息的原則.通過ANN模型模擬通量的插補(bǔ),本文實(shí)現(xiàn)了通量時間序列連續(xù)性的優(yōu)化,插補(bǔ)后的羊卓雍錯湖面通量數(shù)據(jù)的時間覆蓋率從不足0.40提升至超過0.98.基于10次折疊交叉驗(yàn)證的ANN模型通量模擬性能檢驗(yàn)則表明,各個檢驗(yàn)組之間ANN模型的模擬誤差波動較小,這顯示出了較好的穩(wěn)健性.具體地講,感熱通量、潛熱通量和水汽通量原始觀測平均值分別約為18.8 W/m²、81.5 W/m²和1.84 mmol/（s·m²）,10組交叉驗(yàn)證的插補(bǔ)感熱通量、潛熱通量和水汽通量平均絕對誤差分別為5.4 W/m²、15.7 W/m²和0.35 mmol/（s·m²）.這表明本文所探索的ANN建模結(jié)構(gòu)和同步觀測變... 

【文章來源】：湖泊科學(xué). 2020,32(03)北大核心EICSCD

【文章頁數(shù)】：10 頁


本文編號：3243858