传统时序预测模型通常仅关注捕捉复杂时序中的趋势和模式,而忽略了变量间的相互作用,限制了该模型在复杂时序预测中应用.提出一种Dualformer双模型并联方案,该模型并联iTransformer(inverted transformer)和PatchTST(patch time series ...传统时序预测模型通常仅关注捕捉复杂时序中的趋势和模式,而忽略了变量间的相互作用,限制了该模型在复杂时序预测中应用.提出一种Dualformer双模型并联方案,该模型并联iTransformer(inverted transformer)和PatchTST(patch time series transformer),通过激活函数替代前馈神经网络,并通过多层感知机计算输出结果.Dualformer利用注意力机制同时捕捉复杂时序中的时间维度和变量维度信息,关注时间趋势与多变量交互.实验结果显示,Dualformer在复杂时序预测效果上显著优于对比模型iTransformer、PatchTST和DLinear(decomposition linear),在实际应用中可显著提高复杂时序预测的准确度,具有广泛应用前景.展开更多
净生态系统CO_(2)交换量(NEE)和蒸散(ET)是表征半干旱区生态系统碳水循环能力的重要指标。对碳水通量动态变化的准确模拟和驱动机制的深入分析,有助于明确黄土高原半干旱区草地生态系统的功能及其对气候变化的响应。基于黄土高原铁杆蒿...净生态系统CO_(2)交换量(NEE)和蒸散(ET)是表征半干旱区生态系统碳水循环能力的重要指标。对碳水通量动态变化的准确模拟和驱动机制的深入分析,有助于明确黄土高原半干旱区草地生态系统的功能及其对气候变化的响应。基于黄土高原铁杆蒿草地生态系统2018—2022年日尺度通量观测数据,使用多元线性回归模型、机器学习模型(随机森林、支持向量机和人工神经网络模型)和融合生态学知识与机器学习的生态知识-机器学习(EML)模型分别对NEE和ET进行拟合。其中,有6种基于不同生态假设的EML模型用于拟合NEE,7种基于不同生态假设的EML模型用于拟合ET。最后构建拟合效果最好和解释能力最优的EML模型并探究环境和植被因素对NEE和ET的影响。结果表明:(1)包含了气象因素、土壤水分因素和植被因素的EML模型对NEE和ET的拟合效果最好,R2和RMSE分别为0.81和0.70 g C m^(-2)d^(-1),0.83和0.48 mm/d,MRE和MAE分别为1.72和0.48 g C m^(-2)d^(-1),0.29和0.30 mm/d。该模型在NEE和ET上的拟合能力较多元线性回归模型提升了24.62%和12.16%,较机器学习模型平均提升了13.02%和6.87%。(2)空气温度是NEE和ET的主要影响因素,重要性占比分别为63.12%和60.38%。6℃和22℃是草地NEE日均空气温度的阈值,在6—22℃之间NEE处于下降趋势,在22℃后NEE变为平稳趋势。0℃和22℃是草地ET日均空气温度的阈值,当空气温度大于22℃后,ET由上升趋势转变为平稳趋势。(3)土壤水分因素在NEE和ET的重要影响因素中的占比分别为17.13%和5.66%,NEE对土壤水分的敏感性高于ET。研究结果有助于完善半干旱区草地生态系统碳水通量的模拟方法,并明确其对环境和植被因素的响应。展开更多
文摘传统时序预测模型通常仅关注捕捉复杂时序中的趋势和模式,而忽略了变量间的相互作用,限制了该模型在复杂时序预测中应用.提出一种Dualformer双模型并联方案,该模型并联iTransformer(inverted transformer)和PatchTST(patch time series transformer),通过激活函数替代前馈神经网络,并通过多层感知机计算输出结果.Dualformer利用注意力机制同时捕捉复杂时序中的时间维度和变量维度信息,关注时间趋势与多变量交互.实验结果显示,Dualformer在复杂时序预测效果上显著优于对比模型iTransformer、PatchTST和DLinear(decomposition linear),在实际应用中可显著提高复杂时序预测的准确度,具有广泛应用前景.
文摘净生态系统CO_(2)交换量(NEE)和蒸散(ET)是表征半干旱区生态系统碳水循环能力的重要指标。对碳水通量动态变化的准确模拟和驱动机制的深入分析,有助于明确黄土高原半干旱区草地生态系统的功能及其对气候变化的响应。基于黄土高原铁杆蒿草地生态系统2018—2022年日尺度通量观测数据,使用多元线性回归模型、机器学习模型(随机森林、支持向量机和人工神经网络模型)和融合生态学知识与机器学习的生态知识-机器学习(EML)模型分别对NEE和ET进行拟合。其中,有6种基于不同生态假设的EML模型用于拟合NEE,7种基于不同生态假设的EML模型用于拟合ET。最后构建拟合效果最好和解释能力最优的EML模型并探究环境和植被因素对NEE和ET的影响。结果表明:(1)包含了气象因素、土壤水分因素和植被因素的EML模型对NEE和ET的拟合效果最好,R2和RMSE分别为0.81和0.70 g C m^(-2)d^(-1),0.83和0.48 mm/d,MRE和MAE分别为1.72和0.48 g C m^(-2)d^(-1),0.29和0.30 mm/d。该模型在NEE和ET上的拟合能力较多元线性回归模型提升了24.62%和12.16%,较机器学习模型平均提升了13.02%和6.87%。(2)空气温度是NEE和ET的主要影响因素,重要性占比分别为63.12%和60.38%。6℃和22℃是草地NEE日均空气温度的阈值,在6—22℃之间NEE处于下降趋势,在22℃后NEE变为平稳趋势。0℃和22℃是草地ET日均空气温度的阈值,当空气温度大于22℃后,ET由上升趋势转变为平稳趋势。(3)土壤水分因素在NEE和ET的重要影响因素中的占比分别为17.13%和5.66%,NEE对土壤水分的敏感性高于ET。研究结果有助于完善半干旱区草地生态系统碳水通量的模拟方法,并明确其对环境和植被因素的响应。
