ANN-BiLSTM模型在温带荒漠灌丛碳通量数据缺失值插补中的应用

[目的]为提高净生态系统碳交换量(NEE)在长期缺失下的插补精度,利用人工神经网络(ANN)和双向长短期记忆网络(Bi-LSTM)将NEE的环境因子和时序特征相结合,提出了ANN-BiLSTM模型.[方法]以宁夏盐池观测站NEE数据及微气象数据为研究对象,通过随机剔除连续 7、15、30、45 和 90 d的 5 类缺失情景来评估ANN-BiLSTM模型、随机森林(RF)、人工神经网络(ANN)、K最邻近(KNN)、支持向量回归(SVR)和边际分布采样法(MDS)在NEE长期缺失下的插值结果.[结果]当NEE缺失天数≤30 d时,各模型的插值精度相对可靠,ANN-BiLSTM模型的插值精度最高,决定系数(R2)均值在 0.48～0.56之间,均方根误差(RMSE)和平均绝对误差(MAE)分别在 0.68～1.92 μmol/(m2·s)、0.45～1.30 μmol/(m2·s)之间.当数据缺失天数≥45 d时,MDS不能对缺失值进行处理,ANN-BiLSTM模型的插值精度明显高于机器学习模型,R2 均值>0.45,RMSE和MAE分别在 0.79～1.95 μmol/(m2·s)、0.50～1.32 μmol/(m2·s)之间.[结论]当温带荒漠灌丛生态系统的NEE数据缺失长度>30 d时,建议应用ANN-BiLSTM模型对缺失数据进行插补,可以在一定程度上提高NEE长期插值结果的精度.