基于贝叶斯改进的人工神经网络毛竹林碳通量估算

• 作者: 周健 周国模 徐小军 李楠 汪雪 顾志华
• 来源期刊: 西北林学院学报
• 关键词: 碳通量估算 微气象因子 敏感性分析 B-BPNN算法
• 年，卷（期）: 2017,（1）
• 所属期刊栏目: 森林经理学
• 页码范围: 203-209
• 页数: 7页
• 分类号: S795.9
• 语种: 中文
• DOI: 10.3969/j.issn.1001-7461.2017.01.32

摘要

碳通量的估算对全球碳循环有很重要的意义,目前精度最高的涡度相关法并不能完全满足大区域估算的需求,因此寻求一种估算大区域碳通量的方法具有重要的意义.对毛竹(Phyllostach ys heterocycla cv.pubescens)林碳通量相关气候因子进行敏感性分析,定量分析气候因子对碳通量的影响程度,鉴于贝叶斯在处理不确定性方面的优势,提出了一种基于贝叶斯(Bayesian)改进的BP神经网络(Back Propagation Neural Network,BPNN)方法对浙江省安吉县毛竹林碳通量进行估算,并利用毛竹林通量塔实测值进行验证.结果表明:1)经敏感性分析,对毛竹林碳通量估算影响程度较高的因子为潜热通量、入射辐射、土壤温度、摩擦风速等,这与实际生态过程中对于碳通量贡献最大的因素基本一致.2)利用本研究方法估算的毛竹林碳通量的变化范围为-1.25～0.57 μmol·m-2·s-1,年平均值为-0.057 85 μmol·m-2·s-1,表现为碳汇,与实测情况相符.3)通过B-BPNN方法估算的碳通量值与碳通量实际值相关性达到0.932,均方根误差(RSME)为0.103,偏差(Bias)为0.001 06,该结果比单纯的BPNN方法估算结果的相关性(0.827)提高12.70％,均方根误差(0.155)降低33.55％.说明B-BPNN算法能改进单纯算法模型中估算碳通量的不确定性,提高碳通量预测的精度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	周国模	浙江农林大学环境与资源学院	24	339	11.0	18.0
2	汪雪	浙江农林大学环境与资源学院	3	8	2.0	2.0
3	徐小军	浙江农林大学环境与资源学院	6	16	3.0	3.0
4	李楠	浙江农林大学信息工程学院	4	6	2.0	2.0
5	周健	浙江农林大学信息工程学院	3	9	2.0	3.0
6	顾志华	浙江农林大学信息工程学院	1	3	1.0	1.0