本发明属于生态环境研究,具体是一种耦合深度学习与物理机制的叶片水分利用效率估计方法。
背景技术:
1、水分利用效率是指单位固碳量与耗水量的比值,是反映生态系统水碳循环相互关系的重要指标,也是一种表示植物用水效率的参数。随着全球气温升高,大气二氧化碳浓度提升以及部分地区面临淡水资源短缺问题,了解水分利用效率的时空变化趋势,有助于改善生态系统管理,从而适应和减轻气候变化的影响。
2、根据研究空间尺度和目的,水分利用效率可又分为叶片水分利用效率(leaf-level water use efficiency,lwue)、冠层水分利用效率、区域水分利用效率等。目前,获取lwue数据的方法主要有两类,一类是使用测试仪器进行实测,这种方法虽然能够迅速获得lwue值,但是难以获得连续的、高精度的实测数据,而且测试仪器昂贵。另一类是通过观测气象、土壤以及植被等数据并将其代入相应模型进行估算,能够连续获得全天24小时的lwue值,存在的不足体现为:(1)基于深度学习的估算模型可以直接预测lwue值,但是深度学习的预测过程是一个“黑箱”过程,无法了解影响叶片水分利用效率的物理机制,故无法为改善生态系统提供指导意见。(2)基于物理模型计算lwue值需要已知的参数包括叶片周边水汽浓度(ambient concentrations ofwater vapor,qa)、叶片周边二氧化碳浓度(ambient concentrations ofcarbon dioxide,ca)、叶片内部水汽浓度(intercellularconcentrations ofwater vapor,qi)和叶片内部二氧化碳浓度(intercellularconcentrations ofcarbon dioxide,ci),其中参数qa、ca和qi可通过观测仪器直接测量,而当前的观测手段无法准确连续地测量叶片内部二氧化碳浓度。
3、现有技术提出了多种模型对叶片内部二氧化碳浓度进行估计,主要包括以下几种:1)叶片内部二氧化碳浓度恒定:不同植物叶片内部二氧化碳浓度不同,但是其值恒定不变,例如c3类植物和c4类植物的叶片内部二氧化碳浓度分别为280ppm和130ppm。2)假设叶片内部二氧化碳浓度仅与叶片周边二氧化碳浓度呈线性关系,两者的比值为定值,当叶片周边二氧化碳浓度由于人类活动影响(如汽车尾气排放、供暖事件等)产生阶段变化时,出现了叶片内部二氧化碳浓度被高估的现象。3)假设叶片内部二氧化碳浓度和叶片周边二氧化碳浓度的比值与饱和水汽压差(vpd)呈线性关系。这些模型仅考虑了单一环境变量对叶片内部二氧化碳浓度的影响,事实上,叶片内部二氧化碳浓度受到地区气象、土壤、植被类型等多重因素影响,不同模型计算得到的叶片内部二氧化碳浓度存在较大差异,导致叶片水分利用效率的估计结果具有很大的不确定性。
4、基于上述不足,本发明提出一种耦合深度学习与物理机制的叶片水分利用效率估计方法,开发了一种耦合深度学习与物理机制的叶片水分利用效率模型,能够更准确地估计叶片水分利用效率,对于连续、高精度地估算植被需水量,指导农田精准灌溉、优化市政绿化用水量等具有重要意义。
技术实现思路
1、针对现有技术的不足,本发明拟解决的技术问题是,提供一种耦合深度学习与物理机制的叶片水分利用效率估计方法。
2、本发明解决所述技术问题采用如下的技术方案:
3、一种耦合深度学习与物理机制的叶片水分利用效率估计方法,其特征在于,包括以下步骤:
4、s1:获取目标区域历史监测周期的环境数据和叶片水分利用效率,环境数据包括气象、植被和土壤三类参数;
5、s2:基于深度学习技术构建叶片内部二氧化碳浓度预测模型,模型输入为环境数据,输出为叶片内部二氧化碳浓度的预测值;
6、s3:对叶片内部二氧化碳浓度预测模型进行训练,将训练后的叶片内部二氧化碳浓度预测模型用于预测叶片内部二氧化碳浓度;将叶片内部二氧化碳浓度的预测值代入下式计算叶片水分利用效率,同时计算叶片水分利用效率估计值与实测值之间的误差,通过反向传播对叶片内部二氧化碳浓度预测模型进行优化;
7、
8、式中,lwue为叶片水分利用效率,dr表示水汽与二氧化碳分子扩散率之比,ca为叶片周边二氧化碳浓度,ci为叶片内部二氧化碳浓度,qa为叶片周边水汽浓度,qi为叶片内部水汽浓度;
9、s4:获取目标区域监测周期的环境数据,并输入到训练后的叶片内部二氧化碳浓度预测模型中,得到叶片内部二氧化碳浓度;将叶片内部二氧化碳浓度代入式(4),计算叶片水分利用效率,完成叶片水分利用效率的估计。
10、进一步的,所述气象参数包括空气温度、地表净辐射通量、相对湿度、饱和水汽压差、风速和二氧化碳浓度,植被参数包括叶面积指数、植被高度和叶片温度,土壤参数包括表层土壤含水率、表层土壤温度和表层土壤盐分。
11、进一步的,所述叶片内部二氧化碳浓度预测模型采用深度神经网络,包括输入层、隐含层和输出层。
12、与现有技术相比,本发明的有益效果是:
13、为了充分了解影响叶片水分利用效率的物理机制,采用物理模型计算叶片水分利用效率。为了准确估算物理模型中的叶片内部二氧化碳浓度这一参数,综合考虑气象、土壤、植被类型等多重因素影响,利用多源遥感数据和观测站点数据,基于深度学习技术预测叶片内部二氧化碳浓度,再将预测得到的叶片内部二氧化碳浓度代入物理模型计算叶片水分利用效率,提高了叶片水分利用效率的估计精度,实现了叶片水分利用效率的连续估计。相较于单一的物理模型或深度/机器学习模型,本发明方法可显著提高叶片水分利用效率估计的准确度,同时了解影响叶片水分利用效率的物理机制可为农田精准灌溉、优化市政绿化用水量、改善生态系统提供数据和指导意见。
1.一种耦合深度学习与物理机制的叶片水分利用效率估计方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的耦合深度学习与物理机制的叶片水分利用效率估计方法,其特征在于,所述气象参数包括空气温度、地表净辐射通量、相对湿度、饱和水汽压差、风速和二氧化碳浓度,植被参数包括叶面积指数、植被高度和叶片温度,土壤参数包括表层土壤含水率、表层土壤温度和表层土壤盐分。
3.根据权利要求1或2所述的耦合深度学习与物理机制的叶片水分利用效率估计方法,其特征在于,所述叶片内部二氧化碳浓度预测模型采用深度神经网络,包括输入层、隐含层和输出层。