用于碳通量长时间缺失值插补的深度学习模型ARformer

作     者：齐建东 吴鹏 查天山 QI Jiandong;WU Peng;ZHA Tianshan

作者机构：北京林业大学信息学院北京100083 国家林业和草原局林业智能信息处理工程技术研究中心北京100083 北京林业大学水土保持学院北京100083 

基　　金：国家重点研发计划项目(2020YFA0608100) 国家自然科学基金项目(32071842) 

出 版 物：《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)

年 卷 期：2024年第40卷第24期

页      码：127-136页

摘      要：为提高净生态系统交换量(net ecosystem exchange,NEE)在长期缺失下的插补精度,为地球碳循环的后续研究提供关键数据,该研究提出了一种用于NEE长时间缺失值插补的模型Adapter-Reverseformer(ARformer)。首先,为了更好地捕捉NEE数据的时序特征,重新设计和优化了层归一化(layer normalization)、前馈网络(feed-forward network)和自注意力(self-attention)3个模块的功能,模型能够使用更长的回望窗口,从更长的时间序列中捕获时序特征;其次,设计了特征融合模块Attention-MLP,以拟合NEE与环境因子的即时响应关系,提高模型在不同土地利用类型NEE数据上的插补精度。在全球长期通量观测网络(FLUXNET)65个站点、10种土地利用类型的数据上进行试验,结果显示,ARformer模型的R^(2)在0.762~0.913之间,均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)和偏差(bias)在0.668~2.724、0.410~1.751和−0.024~0.067μmol/(m^(2)·s)之间。在不同缺失长度和土地利用类型下插补精度均高于边际分布采样法(marginal distribution sampling,MDS)、随机森林(random forest,RF)、DLinear、PatchTST和iTransformer。该研究结果可为NEE数据在长时间缺失场景下的插补提供参考。

主 题 词：碳通量 Adapter-Reverseformer 深度学习 长缺失插补 

学科分类：082804[082804] 08[工学] 0828[工学-建筑类] 

核心收录：

D　O　I：10.11975/j.issn.1002-6819.202407071

馆 藏 号：203156406...