基于人工神经网络的不同植被类型蒸散量时空尺度扩展 Scale expansion of evapotranspiration in different vegetation types based on the artificial neural network

基于通量网中23个站点下草地、农田、郁闭灌丛、落叶阔叶林、常绿针叶林、开阔灌丛、湿地7种植被类型2001-2007年气象和潜热数据,运用人工神经网络方法进行潜热通量/蒸散量的不同时空尺度的模拟,以期探究模型输入因子重要性及对人工神经网络法在蒸散发估算中时空尺度外推能力进行验证.结果表明:以温度、相对湿度、太阳辐射、土壤含水量、归一化植被指数、风速、土壤热通量为主的输入因子对不同植被类型蒸散量的影响程度不同:太阳辐射对各植被类型影响都相对较大,风速的影响与植被类型有关,归一化植被指数对植被生长期影响有差异;蒸散量模拟效果具有较大的时空异质性,时间尺度上的模拟效果比空间尺度上的好.其中,草地与农田的模拟效果最好.模拟结果中纳什系数多为0~1,个别小于0,模拟结果与观测值的相关系数均在0.6以上.基于人工神经网络法的潜在蒸散估计可以进行一定的区域外推,模拟效果的好坏受控于局地的气候状况