论文部分内容阅读
受观测系统故障、质量控制与质量保证等因素影响,涡动相关系统的长期观测常存在大量缺失.本文利用三种机器学习算法(随机森林RF,支持向量机SVM,人工神经网络ANN)和国际通量网络边缘分布抽样法(MDS)方法对若尔盖高寒湿地生态系统研究站2016年感热(H)、潜热(LE)以及净生态系统交换(NEE)通量序列进行了插补.结果表明:RF算法的模拟能力优于SVM和ANN算法;三种机器学习算法的模拟能力在夜间和日出、日落时段以及冬、春季节相对较弱;插补方法的选择对H和LE的年累积量无显著影响,但其对NEE年累积量可造成-42 gC·m-2的差异.