發(fā)布時(shí)間：2023-08-30 02:46

　　陸地生態(tài)系統(tǒng)碳水循環(huán)的研究是當(dāng)前全球變化研究領(lǐng)域的核心問題,這些研究有助于預(yù)測將來的氣候變化趨勢以及評估陸地生態(tài)系統(tǒng)碳水循環(huán)對全球變化的響應(yīng)與反饋,從而為尋求生態(tài)系統(tǒng)的有效管理和調(diào)控方法提供可靠的科學(xué)依據(jù)。觀測和模擬是兩種常用的估計(jì)全球碳水循環(huán)格局和變率、理解碳水循環(huán)的關(guān)鍵過程及其控制機(jī)制的研究手段。隨著對陸地生態(tài)系統(tǒng)與大氣間碳水通量長期的、連續(xù)的微氣象觀測數(shù)據(jù)的大量累積,如何合理地解釋海量的通量觀測數(shù)據(jù)和深度挖掘出觀測數(shù)據(jù)中有用的知識,形成有效的基于通量觀測網(wǎng)絡(luò)數(shù)據(jù)的碳水通量模擬方法,是一個(gè)亟待解決的科學(xué)問題。因此,本文基于全球通量觀測網(wǎng)絡(luò)數(shù)據(jù),利用機(jī)器學(xué)習(xí)技術(shù)對陸地生態(tài)系統(tǒng)的碳水通量進(jìn)行模擬,并分別利用智能優(yōu)化算法和數(shù)據(jù)預(yù)處理技術(shù)對這些機(jī)器學(xué)習(xí)方法進(jìn)行改進(jìn)。論文主要研究成果可概括為以下幾個(gè)方面:(1)新提出的機(jī)器學(xué)習(xí)方法,包括廣義回歸神經(jīng)網(wǎng)絡(luò)(Generalized regression neural network,GRNN),極限學(xué)習(xí)機(jī)(Extreme learning machine,ELM),自適應(yīng)神經(jīng)模糊推理系統(tǒng)(Adaptive neuro-fuzzy inferenc...

【文章頁數(shù)】：145 頁

【學(xué)位級別】：博士

【文章目錄】：
致謝
摘要
abstract
1 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀及存在的問題
    1.3 研究內(nèi)容、方法及技術(shù)路線
    1.4 論文組織結(jié)構(gòu)
2 研究數(shù)據(jù)與方法
    2.1 研究數(shù)據(jù)
    2.2 機(jī)器學(xué)習(xí)方法
    2.3 模型形成
    2.4 模型性能評價(jià)
    2.5 本章小結(jié)
3 基于機(jī)器學(xué)習(xí)方法的陸地生態(tài)系統(tǒng)碳水通量模擬研究
    3.1 材料與方法
    3.2 新方法的適用性評價(jià)
    3.3 本章小結(jié)
4 機(jī)器學(xué)習(xí)方法的內(nèi)部函數(shù)評價(jià)及其在長期的碳水通量模擬中的應(yīng)用
    4.1 數(shù)據(jù)準(zhǔn)備與評價(jià)的函數(shù)
    4.2 內(nèi)部函數(shù)在模型長期碳水通量上的評價(jià)
    4.3 本章小結(jié)
5 智能優(yōu)化算法在陸地生態(tài)系統(tǒng)碳水通量模擬中的應(yīng)用
    5.1 研究站點(diǎn)介紹
    5.2 遺傳算法和粒子群優(yōu)化算法
    5.3 混合模型在模擬碳水通量上的應(yīng)用
    5.4 本章小結(jié)
6 小波分解在森林生態(tài)系統(tǒng)碳水通量模擬中的應(yīng)用
    6.1 研究數(shù)據(jù)
    6.2 小波分解
    6.3 小波分解在模擬碳水通量中的應(yīng)用
    6.4 本章小結(jié)
7 結(jié)論
    7.1 主要工作及結(jié)論
    7.2 創(chuàng)新點(diǎn)
    7.3 展望
參考文獻(xiàn)
作者簡歷
學(xué)位論文數(shù)據(jù)集



本文編號：3844781