用于模拟总初级生产的循环神经网络
机器学习
2024-09-30 v1
摘要
准确量化总初级生产(GPP)对理解陆地碳动态至关重要。它代表了最大的大气至陆地CO通量,对森林尤为重要。涡度协方差(EC)测量被广泛用于生态系统尺度的GPP量化,但在全球范围内分布稀疏。在缺乏局部EC测量的区域,通常将遥感(RS)数据与现场数据进行统计关联后,用于估算GPP。深度学习提供了新的视角,而循环神经网络架构在估算每日GPP方面的潜力仍有待探索。本研究对三种架构进行了比较分析:循环神经网络(RNN)、门控循环单元(GRU)和长短期记忆网络(LSTM)。我们的结果显示,所有模型在全年和生长季预测中表现相当。值得注意的是,LSTM在预测气候引起的GPP极端值方面表现更优。此外,我们的分析强调了纳入辐射和RS输入(光学、温度和雷达)对准确预测GPP的重要性,尤其是在气候极端期间。
引用
@article{arxiv.2404.12745,
title = {Recurrent Neural Networks for Modelling Gross Primary Production},
author = {David Montero and Miguel D. Mahecha and Francesco Martinuzzi and César Aybar and Anne Klosterhalfen and Alexander Knohl and Franziska Koebsch and Jesús Anaya and Sebastian Wieneke},
journal= {arXiv preprint arXiv:2404.12745},
year = {2024}
}
备注
Accepted at IGARSS24