侯志康 曾松偉 莫路鋒 周宇峰

(1.浙江農(nóng)林大學(xué)信息工程學(xué)院 杭州 311300； 2.浙江農(nóng)林大學(xué)環(huán)境與資源學(xué)院 杭州 311300)

全球森林覆蓋率為32%，森林碳儲(chǔ)量占全球陸地生態(tài)系統(tǒng)碳總量的77%。森林生態(tài)系統(tǒng)通過(guò)同化作用吸收CO2，再以生物量的形式將CO2固定在植被和土壤中，使其成為陸地上最重要的碳匯或碳庫(kù)(Attrietal.， 2018； 劉平奇等， 2020； 王興昌等， 2015)。森林生態(tài)系統(tǒng)通過(guò)物理化學(xué)的反應(yīng)過(guò)程與大氣進(jìn)行物質(zhì)和能量交換，進(jìn)而對(duì)全球氣候變化產(chǎn)生影響，開(kāi)展森林碳循環(huán)監(jiān)測(cè)研究有助于評(píng)價(jià)未來(lái)氣候變化趨勢(shì)(Leeetal.， 2018； Sasaietal.， 2007)。森林碳通量觀測(cè)研究已成為當(dāng)前研究熱點(diǎn)(劉敏等， 2014； 李國(guó)棟等， 2013； 陳曉峰等， 2016)。

目前，森林碳通量的觀測(cè)方法主要包括微氣象學(xué)法、土壤碳儲(chǔ)量清單調(diào)查、衛(wèi)星遙感、大氣CO2濃度反演和建立生態(tài)系統(tǒng)模型等(于貴瑞等， 2014； 韋志剛等， 2016； Wilsonetal.， 2001)。微氣象學(xué)的代表方法是渦度相關(guān)法，渦度相關(guān)技術(shù)也是唯一能直接測(cè)定生態(tài)系統(tǒng)與大氣間物質(zhì)能量交換的標(biāo)準(zhǔn)方法，已成為國(guó)際碳通量觀測(cè)(網(wǎng)絡(luò))的主流技術(shù)(張?chǎng)蔚龋?2011)。Ishtiaq 等(2015)通過(guò)研究美國(guó)落葉林冠層CO2通量與氣候環(huán)境變量的相關(guān)性后，提出利用環(huán)境因素建立碳通量的數(shù)據(jù)模型，該模型省去了傳統(tǒng)搭建生態(tài)系統(tǒng)模型反演碳通量的復(fù)雜過(guò)程； 王海波等(2014)通過(guò)氣象觀測(cè)系統(tǒng)研究青藏高原草甸生態(tài)系統(tǒng)的碳通量變化特征及其影響因素，認(rèn)為CO2的濃度與氣象因素具有相關(guān)性。搭建環(huán)境數(shù)據(jù)反演碳通量模型是目前最簡(jiǎn)便、高效的碳通量研究方法，無(wú)需考慮生物量對(duì)試驗(yàn)結(jié)果的影響，僅關(guān)注于環(huán)境數(shù)據(jù)與反演結(jié)果之間的相關(guān)性。因此，結(jié)合氣象因子和人工神經(jīng)網(wǎng)絡(luò)對(duì)碳通量進(jìn)行反演是可行的。王怡鷗等(2016)利用三元回聲狀態(tài)網(wǎng)絡(luò)算法對(duì)區(qū)域CO2濃度進(jìn)行預(yù)測(cè)，提高了預(yù)測(cè)結(jié)果的精度，但其弊端在于模擬計(jì)算耗時(shí)較長(zhǎng)； 汪雪等(2017)通過(guò)貝葉斯改進(jìn)人工神經(jīng)網(wǎng)絡(luò)對(duì)竹林碳通量進(jìn)行估算，取得了較好效果。神經(jīng)網(wǎng)絡(luò)的初始權(quán)值是隨機(jī)分配，因此收斂性能存在不穩(wěn)定性，并且模型的參數(shù)選擇也會(huì)對(duì)反演結(jié)果產(chǎn)生影響(姚仲敏等， 2015； 張宏等， 2014； 王新普等， 2016)。本研究將相關(guān)氣象因子作為輸入，引入遺傳分類神經(jīng)網(wǎng)絡(luò)(GA-BP)和參數(shù)試湊法對(duì)CO2濃度反演進(jìn)行建模，以克服上述缺點(diǎn)。

本研究以浙江省杭州市臨安區(qū)太湖源鎮(zhèn)雷竹(Phyllostachyspraecox)林作為研究對(duì)象，研發(fā)基于嵌入式的竹林氣象因子實(shí)時(shí)采集系統(tǒng)，并分析竹林CO2濃度與溫濕度等氣象因子之間的關(guān)系，探討基于GA-BP神經(jīng)網(wǎng)絡(luò)的雷竹林CO2濃度反演模型(簡(jiǎn)稱GA-BP模型)，以期為竹林碳儲(chǔ)量、竹林增匯、竹林固碳能力等研究提供基礎(chǔ)數(shù)據(jù)。

1 研究區(qū)概況

研究區(qū)位于浙江省杭州市臨安區(qū)太湖源鎮(zhèn)(119°34′104″E，30°18′169″N)國(guó)家級(jí)自然保護(hù)區(qū)天目山東麓，其地形為中低山丘陵。氣候類型屬亞熱帶季風(fēng)氣候： 全年溫暖濕潤(rùn)，雨熱同期，氣候溫和，雨量充沛。春季以陰雨天為主，夏季濕熱伴有梅雨期，秋季干爽，冬季干冷。全年降水量1 600 mm，年蒸散量800～850 mm，年均空氣相對(duì)濕度在80%以上，年均氣溫16 ℃，全年日照時(shí)長(zhǎng)1 900 h。研究區(qū)土壤以紅壤為主，海拔185 m，坡度為東西方向2.5°、南北方向12.5°。

雷竹林群落高7～11 m，胸徑4～6 cm，以2、3年生竹為主，總覆蓋度達(dá)80%，立竹密度為22 500株·hm2，竹林林冠郁閉度>0.7，林下灌木草本少，有竹葉及竹筍保溫材料覆蓋，竹林地勢(shì)平坦。

2 研究方法

2.1 竹林氣象數(shù)據(jù)采集

采用渦度相關(guān)技術(shù)可直接測(cè)得生態(tài)系統(tǒng)的環(huán)境變量，有助于定量理解水、熱和CO2在生態(tài)系統(tǒng)中的交換過(guò)程，可更深層地理解氣候變化與生態(tài)系統(tǒng)之間的相互影響(劉晨峰等， 2009)。本研究基于渦度相關(guān)法設(shè)計(jì)了一套基于嵌入式的森林碳通量數(shù)據(jù)遠(yuǎn)程實(shí)時(shí)監(jiān)測(cè)系統(tǒng)，該系統(tǒng)主要由嵌入式主控模塊、CO2傳感器(B530)、三位超聲風(fēng)速儀(Windmater)、大氣溫濕度傳感器(DHT11)、Zigbee通信模塊、GPRS(GTM-900)、數(shù)據(jù)存儲(chǔ)模塊(AT24C02)、太陽(yáng)能充電模塊等組成。

監(jiān)測(cè)點(diǎn)實(shí)時(shí)采集氣象因子數(shù)據(jù)，通過(guò)Zigbee無(wú)線傳輸經(jīng)過(guò)無(wú)線分組業(yè)務(wù)，再通過(guò)GPRS模塊將數(shù)據(jù)無(wú)線傳輸至后臺(tái)服務(wù)器，服務(wù)器再將數(shù)據(jù)存儲(chǔ)在后臺(tái)數(shù)據(jù)庫(kù)，并在Web網(wǎng)頁(yè)上實(shí)時(shí)顯示，用戶通過(guò)平臺(tái)查詢和下載數(shù)據(jù)。碳通量數(shù)據(jù)監(jiān)測(cè)系統(tǒng)框架如圖1所示。系統(tǒng)主要監(jiān)測(cè)的數(shù)據(jù)有:CO2濃度、大氣溫濕度、風(fēng)速和風(fēng)向等。

圖1 氣象因子數(shù)據(jù)采集系統(tǒng)框架圖

2.2 數(shù)據(jù)處理

本研究所用的原始數(shù)據(jù)來(lái)自4個(gè)監(jiān)測(cè)點(diǎn)(均布施在通量塔周圍，林冠層蓋度>0.7，監(jiān)測(cè)點(diǎn)位于近地面1.5 m處，同時(shí)林地品種單一，下墊面覆蓋有凋零的竹葉及竹筍保溫材料，本試驗(yàn)排除光照強(qiáng)度及其他植物種生物量等因素的影響)，采集時(shí)間為2019年10—11月(此時(shí)當(dāng)年生新竹已經(jīng)成熟，光合速率和呼吸速率穩(wěn)定)。因電源斷電及儀器短期故障等因素而導(dǎo)致的某個(gè)時(shí)間段內(nèi)丟失的部分氣象數(shù)據(jù)，采用高斯模糊插值法恢復(fù)。試驗(yàn)選取每5 min采集的CO2濃度及溫濕度等氣象數(shù)據(jù)平均值作為建模所用的數(shù)據(jù)集。試驗(yàn)數(shù)據(jù)分為4組，每組1 200個(gè)數(shù)據(jù)樣本，其中80%作為訓(xùn)練集， 20%作為測(cè)試集。

一般而言，確定某個(gè)事象概念需要訴諸邏輯學(xué)中演繹、歸納等方法。一個(gè)概念的完整界定分為內(nèi)涵和外延。前者是指某個(gè)概念所含括的思維對(duì)象的特有屬性總和；后者是指該概念所含括的思維對(duì)象的數(shù)量或范圍。二者的關(guān)系為，內(nèi)涵越大越豐富，相應(yīng)的外延則越小，反之亦然。人們?cè)趯?duì)世界的認(rèn)識(shí)中，將事物、事件或事實(shí)劃分成類和屬，并確定它們之間的包含關(guān)系和排斥關(guān)系。根據(jù)邏輯學(xué)中“類層級(jí)結(jié)構(gòu)”思維：任何事物都是世界事物結(jié)構(gòu)中某一層級(jí)某一類中的一個(gè)單體。人腦在按照內(nèi)涵、外延的“親和性”層級(jí)歸屬進(jìn)行分類建構(gòu)的同時(shí)，還要依據(jù)它們之間歷史運(yùn)動(dòng)的關(guān)系。

森林生態(tài)系統(tǒng)碳通量表示生態(tài)系統(tǒng)中單位時(shí)間單位面積上碳增減的數(shù)量(PgC·a-1)。森林生態(tài)系統(tǒng)碳循環(huán)過(guò)程由兩部分組成： 光合作用將CO2固定進(jìn)入生態(tài)系統(tǒng)；自養(yǎng)呼吸將CO2釋放進(jìn)入大氣。在森林生態(tài)系統(tǒng)中，地面與大氣間的碳通量成分由空氣中的微量成分CO2和痕量成分CO、CH4等組成，在測(cè)量的過(guò)程中發(fā)現(xiàn)痕量成分CO、CH4等與CO2存在數(shù)量級(jí)上的差距，且大氣中痕量成分的含量是默認(rèn)不變的。因此，本研究以CO2濃度作為碳通量的研究對(duì)象，將痕量成分忽略。

影響CO2濃度的環(huán)境因素很多。研究環(huán)境參數(shù)與CO2濃度的相關(guān)性有利于模型參數(shù)的選取分析。本研究首先對(duì)CO2濃度與各環(huán)境參數(shù)進(jìn)行了相關(guān)性分析。

2.3 反演模型建立

本研究將基于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和基于GA-BP神經(jīng)網(wǎng)絡(luò)的CO2濃度反演方法進(jìn)行對(duì)比分析。GA-BP模型克服了傳統(tǒng)基于BP神經(jīng)網(wǎng)絡(luò)反演CO2濃度模型(簡(jiǎn)稱BP模型)的一些不足，其通過(guò)種群初始化、計(jì)算適應(yīng)度、選擇、交叉、變異、搜索等操作得到最優(yōu)的初始化權(quán)值和閾值傳遞給BP神經(jīng)網(wǎng)絡(luò)，從而糾正神經(jīng)網(wǎng)絡(luò)易陷入局部極小值和網(wǎng)絡(luò)收斂速度慢的缺點(diǎn)，同時(shí)可以提高模型的精確度。

GA-BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)分為輸入層、隱含層和輸出層。輸入層的節(jié)點(diǎn)數(shù)量取決于輸入?yún)?shù)的種類。隱含層的節(jié)點(diǎn)數(shù)量決定了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間和預(yù)測(cè)精度，其節(jié)點(diǎn)數(shù)的選取首先根據(jù)公式(1)～(3)確定范圍，再利用試湊法進(jìn)一步選擇，最后確定最佳的節(jié)點(diǎn)個(gè)數(shù)。

l

(1)

(2)

l=log2n。

(3)

式中：n為輸入層節(jié)點(diǎn)數(shù)；l為隱含層節(jié)點(diǎn)數(shù)；m為輸出層節(jié)點(diǎn)數(shù)； a為0～10之間的常數(shù)。

通過(guò)遺傳算法的選擇、交叉和變異操作，在神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值種群中進(jìn)行全局搜索，找到適應(yīng)度最優(yōu)的權(quán)值和閾值傳遞給BP神經(jīng)網(wǎng)絡(luò)，最終通過(guò)BP神經(jīng)網(wǎng)絡(luò)算法局部尋優(yōu)計(jì)算得到最優(yōu)解。算法流程如下。

1) 種群初始化： 將輸入?yún)?shù)的原始數(shù)據(jù)轉(zhuǎn)換成二進(jìn)制編碼，隨機(jī)組成初始種群。

2) 適應(yīng)度尋優(yōu)： 根據(jù)個(gè)體得到BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，傳遞進(jìn)入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，按誤差絕對(duì)值大小尋找最優(yōu)適應(yīng)度的函數(shù)值。

3) 訓(xùn)練： 經(jīng)過(guò)適應(yīng)度尋優(yōu)、選擇、交叉、變異的多次迭代，最終滿足程序終止條件，模型訓(xùn)練完成。

4) 數(shù)據(jù)輸出： 將輸入?yún)?shù)帶入模型，輸出具有最大適應(yīng)度的反演數(shù)據(jù)作為結(jié)果。

建模時(shí)，每組試驗(yàn)在相同條件下重復(fù)10次，試驗(yàn)結(jié)果取平均值。另外，由于影響碳通量的各環(huán)境參數(shù)之間的數(shù)值范圍和單位相差很大，這對(duì)模型訓(xùn)練和預(yù)測(cè)效果會(huì)產(chǎn)生顯著影響。因此，在試驗(yàn)前對(duì)數(shù)據(jù)進(jìn)行歸一化處理。

2.4 模型評(píng)價(jià)指標(biāo)

為了驗(yàn)證模型的穩(wěn)定性和精度，本研究采用決定系數(shù)(R2)、平均絕對(duì)誤差(mean absolute error，MAE)、均方根誤差(root mean square error，RMSE)、平均百分比誤差(mean absolute percentage error，MAPE)和標(biāo)準(zhǔn)偏差(standard deviation，StdDev)這5個(gè)指標(biāo)對(duì)模型進(jìn)行評(píng)價(jià)。模型的決定系數(shù)R2越大，MAE、MAPE和RMSE值越小，模型StdDev與實(shí)測(cè)值的StdDev越接近，說(shuō)明模型的反演準(zhǔn)確度越高。相關(guān)公式如下：

(4)

(5)

(6)

(7)

(8)

3 結(jié)果與分析

3.1 環(huán)境因子與CO2濃度相關(guān)性分析

所采集的氣象因子中，溫度和濕度對(duì)CO2濃度具有明顯的強(qiáng)相關(guān)性，同時(shí)濕度與CO2濃度之間的相關(guān)性略強(qiáng)于溫度與CO2濃度之間的相關(guān)性。溫度、濕度與CO2濃度間的相關(guān)性分析結(jié)果見(jiàn)表1。 溫度與 CO2濃度之間呈負(fù)相關(guān)，相關(guān)系數(shù)r為-0.82，決定系數(shù)R2為0.67； 濕度與 CO2濃度之間呈正相關(guān)，r為0.83，R2為0.69； 溫度和濕度之間呈強(qiáng)負(fù)相關(guān)，r達(dá)到-0.99，R2為0.98。

表1 溫度、濕度和CO2濃度間的相關(guān)性

3.2 GA-BP反演結(jié)果分析

由圖2可知，BP模型能夠有效反演CO2濃度，BP模型的反演值與實(shí)測(cè)值變化趨勢(shì)基本相符，但兩者間的某些樣本數(shù)據(jù)存在明顯誤差。相較于前者，基于GA-BP模型的反演結(jié)果與實(shí)測(cè)數(shù)據(jù)的誤差明顯減小。

2種反演模型的比較結(jié)果見(jiàn)表2，實(shí)測(cè)值的標(biāo)準(zhǔn)偏差為26.99 mg·m-3，BP模型反演結(jié)果的標(biāo)準(zhǔn)偏差是24.71 mg·m-3，而GA-BP模型反演結(jié)果的標(biāo)準(zhǔn)偏差為26.51 mg·m-3，GA-BP模型反演結(jié)果的標(biāo)準(zhǔn)偏差與實(shí)測(cè)值的誤差更小。綜上所述，GA-BP模型反演結(jié)果與實(shí)測(cè)值的離散程度更接近。

圖2 2種模型反演值與實(shí)測(cè)值對(duì)比

3.3 模型評(píng)價(jià)分析

對(duì)BP模型和GA-BP模型的反演結(jié)果進(jìn)行交叉驗(yàn)證，結(jié)果如圖3所示。BP模型的R2為0.79，表明BP模型對(duì)CO2濃度的反演結(jié)果可靠，反演結(jié)果能整體上表現(xiàn)出CO2濃度的變化趨勢(shì)。但是，其反演結(jié)果與實(shí)測(cè)值之間存在較大誤差，BP模型反演結(jié)果的不穩(wěn)定。而GA-BP模型的R2相較于BP模型有顯著提高，R2從0.79上升到0.86，較優(yōu)化前提高了6%。GA-BP模型的擬合效果更好，反演值與實(shí)測(cè)值的相關(guān)性更強(qiáng)，利用GA-BP模型對(duì)CO2濃度反演的結(jié)果更接近實(shí)測(cè)結(jié)果。

表2 CO2濃度實(shí)測(cè)值及BP模型和GA-BP模型反演結(jié)果

圖3 BP模型和GA-BP模型的交叉驗(yàn)證結(jié)果

BP模型和GA-BP模型反演驗(yàn)證結(jié)果如表3所示： GA-BP模型反演結(jié)果的MAE為8.12 mg·m-3，較BP模型反演結(jié)果的10.91 mg·m-3低2.79 mg·m-3； 前者的MEAP為0.84%，而后者的MAPE為1.17%； 同時(shí)，前者將RMSE從14.22 mg·m-3優(yōu)化到10.82 mg·m-3，這表明GA-BP模型的反演值與實(shí)測(cè)值之間的偏差范圍小于BP模型，GA-BP模型反演結(jié)果的準(zhǔn)確性更高。通過(guò)比較模型的5種評(píng)價(jià)指標(biāo)發(fā)現(xiàn)，GA-BP模型相較BP模型在CO2濃度反演上具有更優(yōu)的表現(xiàn)。

表3 BP模型和GA-BP模型反演結(jié)果驗(yàn)證

4 討論

影響CO2濃度反演結(jié)果的因素主要有2個(gè)： 一是算法本身導(dǎo)致的誤差，主要是建模時(shí)數(shù)據(jù)采集不完整或模型參數(shù)選擇不當(dāng)產(chǎn)生的誤差(王曉輝等， 2021)； 二是相關(guān)氣象因子選擇的遺漏導(dǎo)致的誤差(范德成等， 2021)。本研究提出基于GA-BP的CO2濃度反演模型首先通過(guò)GA優(yōu)化得到最優(yōu)的網(wǎng)絡(luò)初始權(quán)值和閾值，再利用試湊法確定最優(yōu)的網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)，有效提高了反演模型的精度，減少了誤差。在控制樣本選擇誤差方面，與王楷等(2014)利用草原環(huán)境因子對(duì)碳含量進(jìn)行預(yù)測(cè)相比，本研究選取10—11月份的成熟雷竹林作為研究對(duì)象，充分利用了竹林生態(tài)環(huán)境的穩(wěn)定性，滿足GA-BP模型需要穩(wěn)定可靠的氣象因子作為輸入的建模條件，減少了可能存在的選擇誤差。本試驗(yàn)結(jié)果表明，實(shí)測(cè)值與反演值的百分比誤差為0.84%，說(shuō)明GA-BP模型的CO2濃度反演效果優(yōu)良。

本研究提出GA-BP神經(jīng)網(wǎng)絡(luò)反演算法不僅適用于CO2濃度的反演，根據(jù)其模型特點(diǎn)也可以推廣至生態(tài)環(huán)境監(jiān)測(cè)領(lǐng)域其他環(huán)境參數(shù)的反演，這既可以簡(jiǎn)化系統(tǒng)也可以降低相關(guān)監(jiān)測(cè)系統(tǒng)的硬件成本。但本研究依然存在一些局限性，如受到試驗(yàn)環(huán)境、儀器精度和時(shí)間等限制，也未考慮到其他碳匯相關(guān)因子的影響，在后續(xù)研究中，還需考慮時(shí)空、研究區(qū)內(nèi)灌木和草本的生物量等因素的影響。

5 結(jié)論

利用竹林氣象因子采集系統(tǒng)可獲取相關(guān)氣象數(shù)據(jù)；基于CO2濃度與溫濕度等氣象因子之間的相關(guān)性，本研究提出的基于GA-BP神經(jīng)網(wǎng)絡(luò)的CO2濃度反演模型能夠有效反演該研究區(qū)的CO2濃度。