摘要：在开放式Web环境中,模型服务化共享促进了陆地碳循环模型的发展,然而海量的计算数据导致模型计算缓慢,现有模型服务化方案难以满足其计算需求。为了解决这一问题,提出了一种面向陆地碳循环模型服务的去中心化计算方法。该方法主要思想是基于现有模型服务化方案,通过增加计算节点的方法以缓解陆地碳循环模型计算压力,主要包括陆地碳循环模型服务准备和陆地碳循环模型分布式运行两个步骤。基于此设计了任务分割和派发策略将复杂计算任务离散化并派发至计算节点进行运算。将设计的方法应用到3个典型陆地碳循环模型的计算中,验证了该方法的可行性,提高了陆地碳循环模型的计算速度。

摘要：【目的】基于相邻木特征与对象木冠幅间的复杂关系,提出一种基于自适应神经模糊系统的冠幅估算方法,以提高林木冠幅智能化估算水平。【方法】以杉木为研究对象,根据相邻木相对对象木的距离和方位,采用象限补树法构建空间结构单元。测定100组4方向冠幅、距离和方位角,提出相邻木冠幅、距对象木距离2个自变量的计算方法,以对象木冠幅与相邻木冠幅的比值作为因变量。根据样本数据,分析变量间非线性映射关系,建立25条模糊逻辑推理规则,设计以2个自变量为输入、1个因变量为输出的零阶Takagi-Sugeno模型,以70组数据训练自适应神经模糊系统,以30组数据检验系统冠幅估算效果,并与多元线性回归法和BP神经网络法进行对比。【结果】3种方法冠幅估算值与真实值的线性关系均达显著水平,经检验,本研究方法、BP神经网络法和多元线性回归法的判定系数分别为0.71、0.67和0.66。【结论】基于自适应神经模糊系统的冠幅估算方法可在自变量不含对象木属性特征的情况下,根据空间结构单元内相邻木特征,直接实现对象木冠幅的智能化估算。