《表4 感热通量、蒸散发和净生态系统交换插补后的累积量》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《机器学习算法对涡动相关缺失通量数据的插补研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

从感热通量（H）、蒸散发（ET）、和净生态系统交换（NEE）累积量的变化（图8）以及表4中可以看到，MDS方法和三种机器学习算法在两种环境驱动变量方案下插补得到的H和蒸散发ET（由LE进行单位转换得到）均表现出很好的一致性，H年累积量介于955～961 MJ·m-2，ET年累积量介于440～446 mm。对于NEE，其年累积量介于-176～-81g C·m-2，SVM＿S1插补方法得到的玛曲草原的碳汇能力是RF＿S2方法的2.17倍。其中，生长季和非生长季NEE的累积量分别介于-212.2～-171.3g C·m-2，和36～90.3 g C·m-2，非生长季NEE累积量的差异占年总差异的57%。需要指出的是，在非生长季节，S1方案下的三种机器学习算法以及S2方案下的ANN算法，模拟的NEE仍表现出与实际不符的碳吸收。鉴于此，仅比较MDS算法和S2方案下RF算法和SVM算法对NEE插补后的累积量，其值介于-124～-82 g C·m-2，MDS算法与S2方案下的SVM算法得到的年累积量基本相当。