机器学习算法对涡动相关缺失通量数据的插补研究

来源：高原气象杂志2020年第6期北京时间：

作者：王少影;张宇;孟宪红;宋敏红;尚伦宇;苏有琦;李照国

单位：1. 中国科学院西北生态环境资源研究院/寒旱区陆面过程与气候变化重点实验室，甘肃 兰州 730000;2. 成都信息工程大学/大气科学学院，四川 成都 610225;3. 中国科学院大学，北京 100049

摘要：受观测系统故障、 质量控制与质量保证等因素影响， 涡动相关系统的长期观测常存在大量缺失。本文利用三种机器学习算法（随机森林RF， 支持向量机SVM， 人工神经网络ANN）和国际通量网络边缘分布抽样法（MDS）方法对若尔盖高寒湿地生态系统研究站2016年感热（H）、 潜热（LE）以及净生态系统交换（NEE）通量序列进行了插补。结果表明： RF算法的模拟能力优于SVM和ANN算法； 三种机器学习算法的模拟能力在夜间和日出、 日落时段以及冬、 春季节相对较弱； 插补方法的选择对H和LE的年累积量无显著影响， 但其对NEE年累积量可造成-42 gC·m-2的差异。

关键词：机器学习;涡动相关;缺失数据插补

基金资助：国家自然科学基金项目(41875018),成都信息工程大学科研项目(KYTZ201721)