TY - JOUR ID - 10.18307/2020.0326 TI - 基于同步观测信息利用的高寒湖泊湍流通量数据插补方法 AU - 靳铮 AU - 张雪芹 VL - 32 IS - 3 PB - 科学出版社 SP - 877 EP - 886 PY - JF - 湖泊科学 JA - UR - http://www.jlakes.org/ch/reader/view_abstract.aspx?file_no=20200326&flag=1 KW - 数据插补;人工神经网络;通量观测;涡动相关方法;羊卓雍错 KW - Data interpolation;artificial neural network;flux measurement;eddy covariance method;Yamzhog Yumco AB - 源区划分和质量过滤提高湖面涡动相关通量数据可靠性的同时,却降低了通量时间序列的连续性.为此,本文基于TensorFlow机器学习框架构建了一种超宽人工神经网络(ANN)模型.在选择输入ANN模型的特征变量信息时,我们采取了尽可能获取湍流输送过程中热力、动力学同步观测背景强迫信息的原则.通过ANN模型模拟通量的插补,本文实现了通量时间序列连续性的优化,插补后的羊卓雍错湖面通量数据的时间覆盖率从不足0.40提升至超过0.98.基于10次折叠交叉验证的ANN模型通量模拟性能检验则表明,各个检验组之间ANN模型的模拟误差波动较小,这显示出了较好的稳健性.具体地讲,感热通量、潜热通量和水汽通量原始观测平均值分别约为18.8 W/m2、81.5 W/m2和1.84 mmol/(s·m2),10组交叉验证的插补感热通量、潜热通量和水汽通量平均绝对误差分别为5.4 W/m2、15.7 W/m2和0.35 mmol/(s·m2).这表明本文所探索的ANN建模结构和同步观测变量筛选原则可更充分地利用观测点局地同步观测信息估算通量强度,有效地优化湍流通量数据的时间连续性,从而提升通量数据的可分析性. ER -