排序方式: 共有3条查询结果,搜索用时 93 毫秒
1
1.
海岛森林生态系统受地理位置特殊和数据源较少等因素影响,其碳通量动态监测及碳汇功能评估鲜见报道。该文以南麂岛森林生态系统为研究对象,基于涡度相关技术探讨了2020—2021年净生态系统碳生产力(net ecosystem productivity, NEP)、总初级生产力(gross primary productivity, GPP)和生态系统呼吸(ecosystem respiration, Reco)的变化特征及其影响因素。结果显示,南麂岛森林生态系统表现为碳吸收,2020和2021年CO2净吸收量分别为516 g C·m-2·a-1和598 g C·m-2·a-1,Reco分别为1 037 g C·m-2·a-1和1 646 g C·m-2·a-1,GPP分别为1 552 g C·m-2·a-1和2 244 g C·m-2 相似文献
2.
ROMS与FVCOM是在美国东海地区应用较为普遍的两种海洋模型,常采用模拟粒子轨迹的手段解决沿海海洋问题。在实际应用前,对模型在洋流模拟上精度的验证是至关重要的。本文使用2004至2010年在美国东海岸部署的drifter,通过与模型模拟轨迹对比的方法对第三代FVCOM海洋模型(GOM3)与ROMS(GOMOFS)模型的表层洋流模拟能力进行评定,采用分离率与距离比两种精度指标,得出ROMS模型的表层洋流模拟能力优于FVCOM模型。 相似文献
3.
粒子群优化神经网络的土壤有机质高光谱估测 总被引:2,自引:0,他引:2
针对提高土壤有机质高光谱估测精度的问题,该文对山东省泰安市的92个棕壤样本进行光谱去噪,剔除异常样本处理后,对光谱反射率进行11种变换,发现一阶微分变换最佳;然后计算土壤有机质含量与变换后光谱反射率的相关系数,选取5个特征波段,分别利用多元线性回归、BP神经网络、支持向量机、粒子群优化神经网络4种方法建立土壤有机质含量高光谱估测模型并进行精度比较。实验结果表明,多元线性回归、BP神经网络、支持向量机和粒子群优化神经网络模型的决定系数R2分别为0.520 3、0.665 4、0.735 0和0.853 0,均方根误差分别为2.12、1.99、1.45和1.08。研究结果表明,粒子群优化神经网络的反演精度高、稳定性强,可有效提高土壤有机质的光谱估测能力。 相似文献
1