基于多种机器学习模型的西北地区蒸散发模拟与趋势分析_季鹏_2023

基于多种机器学习模型的西北地区蒸散发模拟与趋势分析_季鹏_2023

  • 摘要
    • 关键词
  • 1 资料和方法
    • 1. 1 研究区域与观测数据
    • 1. 2 机器学习模型构建与验证方法
    • 1. 3 SHAP 可解释性方法
  • 2 主要结果
    • 2. 1 不同模型的模拟性能和泛化能力
    • 2. 2 不同模型的可解释性分析
    • 2. 3 5 km 分辨率格点蒸散发数据构建及蒸散发趋势
  • 3 结论

在这里插入图片描述

摘要

  本文利用西北地区 12 个草地通量站点与卫星遥感产品,基于随机森林、极端梯度提升、支持向量回归和人工神经网络 4 种机器学习方法构建 ET 估算模型,制作 5 km 分辨率 ET 产品,并分析 ET 的长期变化趋势。

关键词

西北地区;蒸散发;机器学习;可解释性;趋势分析

1 资料和方法

1. 1 研究区域与观测数据

  本文蒸散发指冠层向上的总蒸散发( ET) ,其计算公式如下:
    ET =Es+Tc。
  其中: Tc 表示冠层蒸腾; Es 表示土壤蒸发。
  本文主要关注我国西北( 包括内蒙古) 干旱、半干旱地区( 图 1a) 。选取由国家青藏高原科学数据中心、FLUXNET2015以及中国陆地生态系统通量观测研究网络提供的 12 个通量站点观测( 图 1b) ,具体站点信息和观测时长见表 1。原始数据频次为半小时、小时或者日,均处理到日尺度。
在这里插入图片描述
在这里插入图片描述

1. 2 机器学习模型构建与验证方法

  本文采用净辐射、日平均气温、日平均湿度等 19 个环境要素作为机器学习模型的预测因子( 详见表 2) 。
在这里插入图片描述
  采用 Python 中的网格搜索和交叉验证函数包( GridSearchCV) 率定 RF、XGB 和 SVR 模型中的部分超参数( 表 3) 。ANN 模型共 4 层,每层神经元的个数分别是 200、100、50 和 1。
在这里插入图片描述
  采 用 Kling-Gupta 系 数、解释方差( R2) 、均方根误差( RMSE) 和偏差( BIAS) 来验证模拟精度,其计算公式如下:
在这里插入图片描述

1. 3 SHAP 可解释性方法

  SHAP 方法是利用博弈论解释机器学习模型的方法 ,其可以量化某个输入要素对模型预测效果的具体贡献。

2 主要结果

2. 1 不同模型的模拟性能和泛化能力

  表 4 给出不同机器学习模型完成 10 次 RCV 和12 次 SCV 后的评估参数,而图 2 给出了 RCV 和SCV 试验在测试集上的验证效果。
在这里插入图片描述
在这里插入图片描述
  图 3 进一步给出了不同站点观测和模型估算的蒸散发季节分布,其中模型估算结果均来自 SCV 试验( 即站点数据均未参与模型训练) ,月尺度结果由日尺度平均得到。
在这里插入图片描述
  总体而言,各模型均能很好模拟出蒸散发的季节循环。然而,没有一种模型能够在每个站点都拥有最好的模拟效果。

2. 2 不同模型的可解释性分析

  图 4 给出了 4 种机器学习模型的 SHAP 可解释性汇总,其中横轴为 SHAP 值,纵轴的预测因子按照解释性大小从上到下依次排列,每个点的颜色代表预测因子的数值大小。

在这里插入图片描述
  图 5 进一步给出净辐射的 SHAP 值和净辐射大小以及土壤湿度之间的关系,选取观测时长最大的AROU 和 NMG 站分别代表高寒草甸和温性草原。
在这里插入图片描述

2. 3 5 km 分辨率格点蒸散发数据构建及蒸散发趋势

  利用上述 4 种机器学习方法构建了西北地区 5 km 分 辨 率2001—2018 年的多模型集合蒸散发产品( 简称 ML_ENS) 。 图6 对比了 ML-ENS 和其他高分辨率产品对不同站点 ET 季节循环的模拟效果。
在这里插入图片描述
  图 7 进一步给出 2001—2018 年西北地区非裸地下垫面的降水、蒸散发以及降水减蒸散发的趋势分布。
在这里插入图片描述

3 结论

  本文以我国西北地区为例,通过 12 个通量站点的多年观测数据训练 4 种机器学习模型,采用随机交叉验证、空间交叉验证和 SHAP 可解性方法检验模型模拟效果与可解释性; 利用具有较好物理可解释性的机器学习模型,结合遥感与格点气象再分析资料生成一套 5 km 分辨率、2001—2018 年蒸散发产品,对蒸散发的长期趋势进行了分析,得到如下主要结论:
  1) RF、XGB、SVR 和 ANN 模型均能很好估算西北地区草地下垫面的日尺度蒸散发,且均具有较好的鲁棒性和泛化能力。基于集成学习理念的 RF和 XGB 模型在随机交叉验证中偏差接近 0,从而拥有比 SVR 和 ANN 模型更小的均方根误差。没有一种模型在所有站点都拥有最好的模拟效果。相比单一模型,4 种模型的集合平均使得蒸散发的季节循环估算误差降低 7% ~20%。
  2) 虽然在具体权重大小上存在差异,4 种机器学习方法均将净辐射作为估算蒸散发的首要因子,同时也都给予植被参数( EVI 或 NDVI) 以及土壤湿度较大的权重,均能合理捕捉干旱、半干旱地区能量、水分和植被对蒸散发的影响。另外,4 种机器学习模型能够合理描述土壤偏干时土壤水分对蒸散发的限制作用。
  3) 基于 4 种机器学习模型集合平均的格点蒸散发产品( ML-ENS) 相比 FLUXCOM、GLEAM 和GLASS 蒸散发产品误差降 低 45% ~ 70%。基 于ML-ENS 产品的趋势分析表明,西北地区( 裸地和沙漠除外) 在 2001—2018 年呈现出蒸散发增加的趋势,且河套、内蒙古中部和东北部地区蒸散发的增加将抵消降水增加的增湿效应,从而进一步增加干旱化风险。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/692762.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Newtonsoft.Json设置忽略某些字段

using Newtonsoft.Json; using Newtonsoft.Json.Serialization; using System; using System.Collections.Generic; using System.Linq; using System.Text; using System.Threading.Tasks;namespace TestProject1 {/// <summary>/// 输出json时&#xff0c;设置忽略哪些…

【Flink状态管理(六)】Checkpoint的触发方式(1)通过CheckpointCoordinator触发算子的Checkpoint操作

文章目录 一. 启动CheckpointCoordinator二. 开启CheckpointScheduler线程三. 触发Checkpoint1. Checkpoint执行前的工作2. 创建PendingCheckpoint3. Checkpoint的触发与执行 四. Task节点的Checkpoint操作1. 触发准备2. 调用TaskExecutor执行Checkpoint操作 五. 在StreamTask中…

鸿蒙Next怎么升级,有便捷的方法?

早在2023年11月&#xff0c;市场上有自媒体博主表示&#xff0c;华为HarmonyOS NEXT的升级计划是2X年底到2X年初完成一亿部&#xff0c;2X年底完成三亿部。虽然该博主没有明确具体年份&#xff0c;但预计是2024年底2025年初升级一亿部HarmonyOS NEXT设备&#xff0c;2025年底完…

上门服务小程序系统|多元化服务和高效便捷的服务体验

现代社会的快节奏生活让人们越来越追求便捷与效率&#xff0c;而上门服务系统应运而生&#xff0c;成为了现代人生活中的新选择。通过在家就能享受各种服务&#xff0c;不仅省时省力&#xff0c;还能提供个性化的服务体验。 上门服务系统的出现&#xff0c;使得各类家政、维修…

盲盒小程序开发,线上盲盒平台的发展潜力

盲盒的出现给大众带来了全新的消费体验&#xff0c;目前&#xff0c;盲盒经济也是席卷了当代年轻人&#xff0c;一种新的商业模式就此出现。盲盒的玩法、种类也在不断创新进化&#xff0c;成为了吸引大众的消费形式。 当然&#xff0c;在当下盲盒稳步发展时期&#xff0c;也要…

Collection集合体系(ArrayList,LinekdList,HashSet,LinkedHashSet,TreeSet,Collections)

目录 一.Collection 二.List集合 三.ArrayList集合 四.LinkedList集合 五.Set集合 六.hashSet集合 七.LinkedHashSet集合 八.TreeSet集合 九.集合工具类Collections 集合体系概述 单列集合&#xff1a;Collection代表单列集合&#xff0c;每个元素&#…

【云安全】Hypervisor与虚拟机

Hypervisor 也被称为虚拟机监视器&#xff08;Virtual Machine Monitor&#xff0c;VMM&#xff09;&#xff0c;主要作用是让多个操作系统可以在同一台物理机上运行。 Type-1 Hypervisor 与 Typer-2 Hypervisor Type-1 Hypervisor 直接安装在物理服务器上&#xff0c;不依赖…

onlyoffice基础环境搭建+部署+demo可直接运行 最简单的入门

office这个体系分为四个大教程 1、【document server文档服务器基础搭建】 2、【连接器(connector)或者jsApi调用操作office】-进阶 3、【document builder文档构造器使用】-进阶 4、【Conversion API(文档转化服务)】-进阶 如果需要连接器&#xff0c;可以查看&#xff1a;onl…

R语言【base】——nrow(),ncol(),NCOL(),NROW():返回数组的行数/列数

Package base version 4.2.0 Description nrow和nrow返回x中存在的行数或列数。ncol和nrow将向量处理为1列矩阵&#xff0c;甚至是0列长度的向量&#xff0c;与as.matrix()或cbind()兼容&#xff0c;参见示例。 Usage nrow(x) ncol(x) NCOL(x) NROW(x) Arguments 参数【x】&…

IO进程线程day4

1.思维导图 2.使用多进程完成两个文件的拷贝&#xff0c;父进程拷贝前一半&#xff0c;子进程拷贝后一半&#xff0c;父进程回收子进程的资源。 #include<myhead.h>int main(int argc, const char *argv[]) {//判断终端输入的参数是否合法if(argc!3){printf("input…

计算机网络Day1--计算机网络体系

1.三网合一 电信网络、广播电视网络、计算机网络&#xff08;最基础最重要发展最快&#xff09; 2.Internet 名为国际互联网、因特网&#xff0c;指当前全球最大的、开放的、由众多网络相互连接而成的特定互连网&#xff0c;采用TCP/IP 协议族作为通信的规则&#xff0c;前…

stm32——hal库学习笔记(定时器)

这里写目录标题 一、定时器概述&#xff08;了解&#xff09;1.1&#xff0c;软件定时原理1.2&#xff0c;定时器定时原理1.3&#xff0c;STM32定时器分类1.4&#xff0c;STM32定时器特性表1.5&#xff0c;STM32基本、通用、高级定时器的功能整体区别 二、基本定时器&#xff0…

【C++】1143 - 纯粹合数

问题 一个合数&#xff0c;去掉最低位&#xff0c;剩下的数仍是合数&#xff0c;再去掉剩下的数的最低位&#xff0c;余留下来的数还是合数&#xff0c;这样反复&#xff0c;一直到最后剩下的一位数仍是合数&#xff1b;我们把这样的数称为纯粹合数。求所有的三位纯粹合数。 1…

代码随想录算法训练营第三十七天丨738. 单调递增的数字、968. 监控二叉树

738. 单调递增的数字 AC了&#xff0c;很快&#xff01;但是又忘记可以从后向前遍历了&#xff01;&#xff01;&#xff01; class Solution:def monotoneIncreasingDigits(self, n: int) -> int:if n < 9: return nn_list [ord(x) - ord(0) for x in str(n)]n_len …

多目图像拼接算法

图像拼接一般要经过图像特征提取、特征匹配、融合等步骤来实现。 特征匹配与变换: SIFT(尺度不变特征变换)SURF(加速鲁棒特征)ORB(Oriented FAST and Rotated BRIEF)AKAZE(加速的KAZE特征)全景图像拼接算法: 基于特征匹配的拼接:利用特征点匹配找到重叠区域,然后进…

YOLO-World:实时开放词汇目标检测

paper&#xff1a;https://arxiv.org/pdf/2401.17270.pdf Github&#xff1a;GitHub - AILab-CVC/YOLO-World: Real-Time Open-Vocabulary Object Detection online demo&#xff1a;https://huggingface.co/spaces/stevengrove/YOLO-World 目录 0. 摘要 1. 引言 2. 相关工…

HCIA-HarmonyOS设备开发认证V2.0-IOT硬件子系统-WatchDog

目录 一、 WATCHDOG 概述功能简介基本概念 二、WATCHDOG 模块相关API三、WATCHDOG HDF驱动开发3.1、开发步骤(待续...) 坚持就有收获 一、 WATCHDOG 概述 功能简介 看门狗&#xff08;Watchdog&#xff09;&#xff0c;又称看门狗计时器&#xff08;Watchdog timer&#xff0…

C++ 之LeetCode刷题记录(三十二)

&#x1f604;&#x1f60a;&#x1f606;&#x1f603;&#x1f604;&#x1f60a;&#x1f606;&#x1f603; 开始cpp刷题之旅。 目标&#xff1a;执行用时击败90%以上使用 C 的用户。 7. 整数反转 给你一个 32 位的有符号整数 x &#xff0c;返回将 x 中的数字部分反转后…

代码随想录算法训练营第三十七天|738.单调递增的数字

738.单调递增的数字 public class Solution {public int MonotoneIncreasingDigits(int n) {string nun.ToString();char[] numnu.ToCharArray();int idxnum.Length;for(int inum.Length-1;i>0;i--){if(num[i]<num[i-1]){idxi;num[i-1]--;}}for(int iidx;i<num.Lengt…

阿赵UE学习笔记——16、渲染性能相关

阿赵UE学习笔记目录 大家好&#xff0c;我是阿赵。   继续学习虚幻引擎的使用。上一篇说了灯光的移动性问题&#xff0c;这一篇来看看怎样去辨别灯光性能的好坏。   虚幻引擎里面有一组显示模式是专门用来看场景当前的灯光和网格渲染的&#xff0c;叫做优化试图模式&#x…