view in publisher's site

Combination of two methodologies, artificial neural network and linear interpolation, to gap-fill daily nitrous oxide flux measurements

Highlights•Artificial neural network and linear interpolation were tested to fill N2O flux gap.•Combining both gave better gap-filling performances.•Choice of method depends on the gap characteristics (length and magnitude).•The proposed new methodology produced low annual N2O budget uncertainties.AbstractContinuous N2O flux acquisition is crucial to enrich our knowledge of the complex mechanisms underlying the annual greenhouse gas budget and to refine their estimation. N2O flux measurement methodologies at high temporal resolution, i.e. micro-meteorology methodologies, are still scarce and may exacerbate the lack of important data, especially during the night if the required turbulent conditions are not met. The static and automated chamber methodologies also lead to numerous gaps in a time series due to low sampling frequency, hardware malfunctions, chambers removal during field operations or filtering of low-quality measurements. There is a strong need to define a generic and realistic N2O flux gap-filling methodology, especially since there is no consensus on the methodology to be used.In this study, we investigated the effect of using either the traditional linear interpolation methodology alone, either an Artificial Neural Networks (ANN) methodology alone or the combination of both on gap-filled daily N2O flux dynamics and annual budget. All three methodologies were tested on daily N2O flux time series measured with automated chambers over 5 years from 2012 to 2016 on a southwestern France crop site following a wheat – maize rotation.On average over the studied period, the results showed better statistical scores using the ANN methodology alone than using the linear interpolation methodology alone, with R² and RMSE of 0.84 and 12.4 gN ha−1 d−1 and of 0.68 and 17.4 gN ha−1 d−1, respectively. However, whereas the use of ANN methodology reproduced well high measured N2O fluxes, it induced overestimation on low measured N2O fluxes where the use of the linear interpolation methodology was relevant. To overcome that issue and to take advantages of both methodologies we propose a new one which mixes both. On average, using the mixed methodology did not increase statistical scores compared to the ANN one, with a R² and a RMSE of 0.84 and 12.4 gN ha−1 d−1 respectively for both, but for periods with low measured N2O fluxes using the mixed methodology improved the statistical scores and the observed daily flux dynamic.

ترکیب دو روش شبکه عصبی مصنوعی و درون‌یابی خطی، برای پر کردن شکاف اندازه‌گیری روزانه شار اکسید نیترو

نکات برجسته: شبکه عصبی مصنوعی و درونیابی خطی برای پر کردن شکاف شار N۲O مورد آزمایش قرار گرفتند. ترکیب هر دو عملکرد بهتری برای پر کردن شکاف ایجاد کرد. * انتخاب روش به ویژگی‌های شکاف (طول و اندازه)بستگی دارد. دستیابی به شار N۲O پیوسته برای غنی‌سازی دانش ما از مکانیزم‌های پیچیده زیربنای بودجه سالانه گاز گلخانه‌ای و اصلاح برآورد آن‌ها بسیار مهم است. روش‌های اندازه‌گیری شار N۲O در رزولوشن زمانی بالا، یعنی روش‌های میکرو هواشناسی، هنوز کمیاب هستند و ممکن است فقدان داده‌های مهم را تشدید کنند، به خصوص در طول شب اگر شرایط آشفته مورد نیاز برآورده نشود. روش‌های اتاق ایستا و خودکار همچنین منجر به شکاف‌های متعددی در یک سری زمانی به دلیل فرکانس نمونه‌برداری پایین، نقص سخت‌افزار، حذف اتاقک‌ها در طول عملیات می‌دانی یا فیلتر کردن اندازه‌گیری‌های با کیفیت پایین می‌شود. در این مطالعه، ما اثر استفاده از روش درون یابی خطی سنتی به تنهایی، یا یک روش شبکه‌های عصبی مصنوعی (ANN)به تنهایی یا ترکیبی از هر دو در دینامیک شار N۲O پر شده با شکاف و بودجه سالانه را مورد بررسی قرار دادیم. هر سه روش بر روی سری زمانی شار N۲O روزانه اندازه‌گیری شده با اتاق‌های خودکار در طول ۵ سال از سال ۲۰۱۲ تا ۲۰۱۶ در یک سایت محصول جنوب غربی فرانسه پس از چرخش گندم - ذرت مورد آزمایش قرار گرفتند. به طور متوسط در طول دوره مورد مطالعه، نتایج نمرات آماری بهتری را با استفاده از روش ANN به تنهایی نسبت به استفاده از روش درون یابی خطی به تنهایی، با مجذور کای و RMSE به ترتیب ۰.۸۴ و ۱۲.۴ GN ha - ۱ d - ۱ و ۰.۶۸ و ۱۷.۴ GN - ۱ - ۱ - ۱ - d - ۱، نشان دادند. با این حال، در حالی که استفاده از روش ANN به خوبی جریان‌های N۲O اندازه‌گیری شده بالا را بازتولید می‌کند، باعث برآورد بیش از حد در جریان‌های N۲O اندازه‌گیری شده پایین می‌شود که در آن استفاده از روش درون یابی خطی مرتبط بود. برای غلبه بر این مساله و استفاده از مزایای هر دو روش، روش جدیدی را پیشنهاد می‌کنیم که هر دو را ترکیب می‌کند. به طور متوسط، استفاده از روش ترکیبی نمرات آماری را در مقایسه با ANN افزایش نداد، با یک مربع مربع و RMSE به ترتیب ۰.۸۴ و ۱۲.۴ GN ha - ۱ d - ۱ برای هر دو، اما برای دوره‌های با جریان‌های N۲O اندازه‌گیری شده کم با استفاده از روش ترکیبی نمرات آماری و دینامیک شار روزانه مشاهده‌شده را بهبود بخشید.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Atmospheric Science
  • ترجمه مقاله Atmospheric Science
  • مقاله علوم جوی
  • ترجمه مقاله علوم جوی
  • مقاله Agronomy and Crop Science
  • ترجمه مقاله Agronomy and Crop Science
  • مقاله زراعت و علوم زراعی
  • ترجمه مقاله زراعت و علوم زراعی
  • مقاله Global and Planetary Change
  • ترجمه مقاله Global and Planetary Change
  • مقاله تغییر جهانی و سیاره‌ای
  • ترجمه مقاله تغییر جهانی و سیاره‌ای
  • مقاله Forestry
  • ترجمه مقاله Forestry
  • مقاله جنگلداری
  • ترجمه مقاله جنگلداری
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.