采用人工神经网络双向时间序列插补模型,利用缺失数据前后已知的观测数据,插补出短期缺失通量数据;应用人工神经网络环境因子辅助参证模型,利用各种与标量通量存在明显生态学响应关系的环境因子观测资料预测长期缺失通量数据。并结合For...采用人工神经网络双向时间序列插补模型,利用缺失数据前后已知的观测数据,插补出短期缺失通量数据;应用人工神经网络环境因子辅助参证模型,利用各种与标量通量存在明显生态学响应关系的环境因子观测资料预测长期缺失通量数据。并结合Forest Site Mongolia森林生态定位站2003年的NEE观测资料,人为剔除一定比例的数据,分别用平均昼夜法(MDV)和非线形回归法(MM-S)以及2种人工神经网络模型将剔除的数据补齐,用各种插补方法得到的结果与原NEE观测资料进行对比。结果表明:2种基于人工神经网络的插补模型对通量观测缺失数据能够进行较好的插补。展开更多
文摘采用人工神经网络双向时间序列插补模型,利用缺失数据前后已知的观测数据,插补出短期缺失通量数据;应用人工神经网络环境因子辅助参证模型,利用各种与标量通量存在明显生态学响应关系的环境因子观测资料预测长期缺失通量数据。并结合Forest Site Mongolia森林生态定位站2003年的NEE观测资料,人为剔除一定比例的数据,分别用平均昼夜法(MDV)和非线形回归法(MM-S)以及2种人工神经网络模型将剔除的数据补齐,用各种插补方法得到的结果与原NEE观测资料进行对比。结果表明:2种基于人工神经网络的插补模型对通量观测缺失数据能够进行较好的插补。
