Коллектив китайских ученых продемонстрировал ансамблирование классических моделей оценки GPP с использованием алгоритмов машинного обучения

Новости проекта

Наземная валовая первичная продукция (GPP) представляет собой интенсивность поглощения CO2 за счёт фотосинтеза растительности и является ключевой переменной для циклов углерода между биосферой и атмосферой. Модели эффективности использования света (LUE) широко используются для оценки GPP благодаря своим физиологическим механизмам и доступности получения и реализации данных, однако каждая отдельная модель GPP имеет большие неопределенности из-за ошибок ввода и структуры модели, и для дальнейшего улучшения оценки GPP необходимы дальнейшие валидации, сравнение и объединение этих моделей с данными пульсационных измерений (EC) для различных типов экосистем. Авторы исследования сравнили и объединили пять моделей GPP (VPM, EC-LUE, GOL-PEM, CHJ и C-Fix) для восьми экосистем на основе набора данных FLUXNET2015, используя ансамблевые методы байесового осреднения моделей (BMA), вычисления сингулярных векторов (SVM) и алгоритма случайного леса (RF) по отдельности. Результаты исследования показывают, что для отдельных моделей EC-LUE лучше других моделей отражает межгодовую изменчивость GPP, за ней следуют VPM и GLO-PEM, в то время как CHJ и C-Fix хуже согласуются с наблюдениями. Обнаружено, что RF и SVM лучше BMA при объединении отдельных моделей на различных функциональных типах растений (PFT) и в масштабе отдельных участков. На основе отдельных моделей методы слияния BMA, SVM и RF были проверены путем пятикратной перекрестной валидации для каждого типа экосистем, и каждый метод успешно улучшил среднюю точность оценки на 8%, 18% и 19%, соответственно.