發(fā)布時間：2021-03-15 18:07

　　受觀測系統(tǒng)故障、質量控制與質量保證等因素影響,渦動相關系統(tǒng)的長期觀測常存在大量缺失。本文利用三種機器學習算法（隨機森林RF,支持向量機SVM,人工神經(jīng)網(wǎng)絡ANN）和國際通量網(wǎng)絡邊緣分布抽樣法（MDS）方法對若爾蓋高寒濕地生態(tài)系統(tǒng)研究站2016年感熱（H）、潛熱（LE）以及凈生態(tài)系統(tǒng)交換（NEE）通量序列進行了插補。結果表明:RF算法的模擬能力優(yōu)于SVM和ANN算法;三種機器學習算法的模擬能力在夜間和日出、日落時段以及冬、春季節(jié)相對較弱;插補方法的選擇對H和LE的年累積量無顯著影響,但其對NEE年累積量可造成-42 gC·m^-2的差異。 

【文章來源】：高原氣象. 2020,39(06)北大核心

【文章頁數(shù)】：13 頁

【部分圖文】：

S2方案下不同機器學習算法模擬的感熱通量、潛熱通量和凈生態(tài)系統(tǒng)交換量與其對應的實際觀測值（M）的線性回歸分析

2016年感熱通量、蒸散發(fā)、和凈生態(tài)系統(tǒng)交換累積量的變化

S1方案下不同機器學習算法模擬的感熱通量、潛熱通量和凈生態(tài)系統(tǒng)交換量與其對應的實際觀測值（M）的線性回歸分析


本文編號：3084587