基于分类梯度提升算法和人工神经网络的食松和樱核圆柏的气孔导度模拟

气孔导度是表征植物蒸腾状态的重要指标,气孔导度的准确量化对于地表水文循环研究具有重要意义。为探索提高气孔导度模拟准确性的方法,本研究利用分类梯度提升算法(CatBoost,CAT)和人工神经网络(Artificial Neural Network,ANN)两种机器学习模型对食松(Pinus edulis)与樱核圆柏(Juniperus monosperma)的气孔导度进行了模拟,并将二者的模拟结果与Ball-Berry模型和Medlyn模型进行了比较。机器学习模型以净光合速率A_(n)、叶表二氧化碳浓度C_(s)、相对湿度RH、饱和水汽压差VPD、叶片温度TL和黎明前叶水势LWP为输入变量,设计了3种建模策略:策略①输入变量为A_(n)、C_(s)和RH;策略②输入变量为A_(n)、C_(s)和VPD;策略③输入变量为A_(n)、C_(s)、RH、VPD、TL和LWP。结果表明①Ball-Berry模型和Medlyn模型模拟效果相近,RMSE分别0.0138和0.0139 mol/(m^(2)·s);②机器学习模型对气孔导度的模拟效果明显优于Ball-Berry模型和Medlyn模型,不同输入策略下CAT和ANN模型的RMSE相比于Ball-Berry模型分别降低了19.35%~45.65%和26.90%~55.07%;③机器学习模型中策略③模拟效果优于策略①和②,且ANN优于CAT,其中策略③中ANN模型的RMSE比策略①和②分别提高了36.70%和38.54%;④各模型和策略下对两种植物组成的整个数据集的气孔导度模拟与分别对食松和樱核圆柏的气孔导度模拟规律是一致的,其中对食松的气孔导度模拟结果优于樱核圆柏。研究表明,机器学习模型(特别是ANN模型)更适用于植物气孔导度的精准模拟,可为植物蒸腾能力估算和农业水文模拟提供实用工具。

气孔导度模型在北方农牧交错带的适用性评价——以马铃薯和油葵为例

基于北方农牧交错带主要作物马铃薯和油葵的叶片气孔导度、净光合速率和气象因子的平行观测数据,对常用气孔导度模型(Jarvis模型、Ball-Berry模型、Leuning模型和Medlyn模型)进行了适用性评价.结果表明:马铃薯的气孔导度与净光合速率呈现较强的线性关系,而油葵气孔导度与净光合速率的线性关系较弱.对于马铃薯气孔导度,Ball-Berry模型模拟效果最佳,Leuning模型和Medlyn模型次之,Jarvis模型模拟效果最差;各模型的模拟值与观测值的均方根误差(RMSE)分别为0.0331、0.0371、0.0456和0.0794 mol·m^(-2)·s^(-1),归一化均方根误差(NRMSE)分别为26.8%、30.0%、36.9%和64.3%,拟合度(R^2)分别为0.96、0.61、0.91和0.88.对于油葵的气孔导度,Jarvis模型模拟效果略好于Ball-Berry模型、Medlyn模型和Leuning模型,其RMSE分别为0.2221、0.2534、0.2547和0.2758 mol·m^(-2)·s^(-1),NRMSE分别为40.3%、46.0%、46.2%和50.1%,R^2分别为0.38、0.22、0.23和0.20.气象因子对气孔导度作用的通径分析表明,北方农牧交错带马铃薯和油葵气孔导度日变化主要受饱和水汽压差影响.模型评价结果表明用于油葵的气孔导度模型需要进一步改进.