基于GA-BP神經(jīng)網(wǎng)絡(luò)的雷竹林CO2濃度反演*

侯志康 曾松偉 莫路鋒 周宇峰

(1.浙江農(nóng)林大學信息工程學院 杭州 311300； 2.浙江農(nóng)林大學環(huán)境與資源學院 杭州 311300)

全球森林覆蓋率為32%，森林碳儲量占全球陸地生態(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(Attrietal.， 2018； 劉平奇等， 2020； 王興昌等， 2015)。森林生態(tài)系統(tǒng)通過物理化學的反應(yīng)過程與大氣進行物質(zhì)和能量交換，進而對全球氣候變化產(chǎn)生影響，開展森林碳循環(huán)監(jiān)測研究有助于評價未來氣候變化趨勢(Leeetal.， 2018； Sasaietal.， 2007)。森林碳通量觀測研究已成為當前研究熱點(劉敏等， 2014； 李國棟等， 2013； 陳曉峰等， 2016)。

目前，森林碳通量的觀測方法主要包括微氣象學法、土壤碳儲量清單調(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)也是唯一能直接測定生態(tài)系統(tǒng)與大氣間物質(zhì)能量交換的標準方法，已成為國際碳通量觀測(網(wǎng)絡(luò))的主流技術(shù)(張鑫等， 2011)。Ishtiaq 等(2015)通過研究美國落葉林冠層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雜過程； 王海波等(2014)通過氣象觀測系統(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便、高效的碳通量研究方法，無需考慮生物量對試驗結(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)對碳通量進行反演是可行的。王怡鷗等(2016)利用三元回聲狀態(tài)網(wǎng)絡(luò)算法對區(qū)域CO2濃度進行預測，提高了預測結(jié)果的精度，但其弊端在于模擬計算耗時較長； 汪雪等(2017)通過貝葉斯改進人工神經(jīng)網(wǎng)絡(luò)對竹林碳通量進行估算，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)選擇也會對反演結(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CO2濃度反演進行建模，以克服上述缺點。

本研究以浙江省杭州市臨安區(qū)太湖源鎮(zhèn)雷竹(Phyllostachyspraecox)林作為研究對象，研發(fā)基于嵌入式的竹林氣象因子實時采集系統(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(簡稱GA-BP模型)，以期為竹林碳儲量、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)國家級自然保護區(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氣候： 全年溫暖濕潤，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，年均空氣相對濕度在80%以上，年均氣溫16 ℃，全年日照時長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)計了一套基于嵌入式的森林碳通量數(shù)據(jù)遠程實時監(jiān)測系統(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)存儲模塊(AT24C02)、太陽能充電模塊等組成。

監(jiān)測點實時采集氣象因子數(shù)據(jù)，通過Zigbee無線傳輸經(jīng)過無線分組業(yè)務(wù)，再通過GPRS模塊將數(shù)據(jù)無線傳輸至后臺服務(wù)器，服務(wù)器再將數(shù)據(jù)存儲在后臺數(shù)據(jù)庫，并在Web網(wǎng)頁上實時顯示，用戶通過平臺查詢和下載數(shù)據(jù)。碳通量數(shù)據(jù)監(jiān)測系統(tǒng)框架如圖1所示。系統(tǒng)主要監(jiān)測的數(shù)據(jù)有:CO2濃度、大氣溫濕度、風速和風向等。

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)來自4個監(jiān)測點(均布施在通量塔周圍，林冠層蓋度>0.7，監(jiān)測點位于近地面1.5 m處，同時林地品種單一，下墊面覆蓋有凋零的竹葉及竹筍保溫材料，本試驗排除光照強度及其他植物種生物量等因素的影響)，采集時間為2019年10—11月(此時當年生新竹已經(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致的某個時間段內(nèi)丟失的部分氣象數(shù)據(jù)，采用高斯模糊插值法恢復。試驗選取每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。試驗數(shù)據(jù)分為4組，每組1 200個數(shù)據(jù)樣本，其中80%作為訓練集， 20%作為測試集。

一般而言，確定某個事象概念需要訴諸邏輯學中演繹、歸納等方法。一個概念的完整界定分為內(nèi)涵和外延。前者是指某個概念所含括的思維對象的特有屬性總和；后者是指該概念所含括的思維對象的數(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。人們在對世界的認識中，將事物、事件或事實劃分成類和屬，并確定它們之間的包含關(guān)系和排斥關(guān)系。根據(jù)邏輯學中“類層級結(jié)構(gòu)”思維：任何事物都是世界事物結(jié)構(gòu)中某一層級某一類中的一個單體。人腦在按照內(nèi)涵、外延的“親和性”層級歸屬進行分類建構(gòu)的同時，還要依據(jù)它們之間歷史運動的關(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)過程由兩部分組成： 光合作用將CO2固定進入生態(tài)系統(tǒng)；自養(yǎng)呼吸將CO2釋放進入大氣。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，在測量的過程中發(fā)現(xiàn)痕量成分CO、CH4等與CO2存在數(shù)量級上的差距，且大氣中痕量成分的含量是默認不變的。因此，本研究以CO2濃度作為碳通量的研究對象，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CO2濃度與各環(huán)境參數(shù)進行了相關(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濃度反演方法進行對比分析。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(簡稱BP模型)的一些不足，其通過種群初始化、計算適應(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，同時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)點數(shù)量取決于輸入?yún)?shù)的種類。隱含層的節(jié)點數(shù)量決定了神經(jīng)網(wǎng)絡(luò)的訓練時間和預測精度，其節(jié)點數(shù)的選取首先根據(jù)公式(1)～(3)確定范圍，再利用試湊法進一步選擇，最后確定最佳的節(jié)點個數(shù)。

l

(1)

(2)

l=log2n。

(3)

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

通過遺傳算法的選擇、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BP神經(jīng)網(wǎng)絡(luò)算法局部尋優(yōu)計算得到最優(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)換成二進制編碼，隨機組成初始種群。

2) 適應(yīng)度尋優(yōu)： 根據(jù)個體得到BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，傳遞進入BP神經(jīng)網(wǎng)絡(luò)進行模型訓練，按誤差絕對值大小尋找最優(yōu)適應(yīng)度的函數(shù)值。

3) 訓練： 經(jīng)過適應(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，每組試驗在相同條件下重復10次，試驗結(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，這對模型訓練和預測效果會產(chǎn)生顯著影響。因此，在試驗前對數(shù)據(jù)進行歸一化處理。

2.4 模型評價指標

為了驗證模型的穩(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)和標準偏差(standard deviation，StdDev)這5個指標對模型進行評價。模型的決定系數(shù)R2越大，MAE、MAPE和RMSE值越小，模型StdDev與實測值的StdDev越接近，說明模型的反演準確度越高。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CO2濃度具有明顯的強相關(guān)性，同時濕度與CO2濃度之間的相關(guān)性略強于溫度與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)果見表1。 溫度與 CO2濃度之間呈負相關(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負相關(guān)，r達到-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模型的反演值與實測值變化趨勢基本相符，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)果與實測數(shù)據(jù)的誤差明顯減小。

2種反演模型的比較結(jié)果見表2，實測值的標準偏差為26.99 mg·m-3，BP模型反演結(jié)果的標準偏差是24.71 mg·m-3，而GA-BP模型反演結(jié)果的標準偏差為26.51 mg·m-3，GA-BP模型反演結(jié)果的標準偏差與實測值的誤差更小。綜上所述，GA-BP模型反演結(jié)果與實測值的離散程度更接近。

圖2 2種模型反演值與實測值對比

3.3 模型評價分析

對BP模型和GA-BP模型的反演結(jié)果進行交叉驗證，結(jié)果如圖3所示。BP模型的R2為0.79，表明BP模型對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。但是，其反演結(jié)果與實測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，反演值與實測值的相關(guān)性更強，利用GA-BP模型對CO2濃度反演的結(jié)果更接近實測結(jié)果。

表2 CO2濃度實測值及BP模型和GA-BP模型反演結(jié)果

圖3 BP模型和GA-BP模型的交叉驗證結(jié)果

BP模型和GA-BP模型反演驗證結(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，前者將RMSE從14.22 mg·m-3優(yōu)化到10.82 mg·m-3，這表明GA-BP模型的反演值與實測值之間的偏差范圍小于BP模型，GA-BP模型反演結(jié)果的準確性更高。通過比較模型的5種評價指標發(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)果驗證

4 討論

影響CO2濃度反演結(jié)果的因素主要有2個： 一是算法本身導致的誤差，主要是建模時數(shù)據(jù)采集不完整或模型參數(shù)選擇不當產(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)境因子對碳含量進行預測相比，本研究選取10—11月份的成熟雷竹林作為研究對象，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。本試驗結(jié)果表明，實測值與反演值的百分比誤差為0.84%，說明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)其模型特點也可以推廣至生態(tài)環(huán)境監(jiān)測領(lǐng)域其他環(huán)境參數(shù)的反演，這既可以簡化系統(tǒng)也可以降低相關(guān)監(jiān)測系統(tǒng)的硬件成本。但本研究依然存在一些局限性，如受到試驗環(huán)境、儀器精度和時間等限制，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。