Comparación de Modelos de Aprendizaje Profundo para la Simulación de LAI y Acoplamiento Hidrotermal Interpretable en la Meseta de Loess
Autores: Yu, Junpo; Si, Yajun; Zhao, Wen; Zhou, Zeyu; Jin, Jiming; Yan, Wenjun; Shao, Xiangyu; Xu, Zhixiang; Gan, Junwei
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
La región de depósitos de loess más grande del mundo
Dinámicas de la vegetación
Índice de Área Foliar (IAF)
Modelos de aprendizaje profundo
Humedad del suelo
Temperatura
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 10
Citaciones: Sin citaciones
Como la región de depósitos de loess más grande del mundo, la dinámica de la vegetación de la Meseta de Loess es crucial para su balance hídrico-térmico regional y el funcionamiento del ecosistema. El Índice de Área Foliar (IAF) sirve como un indicador clave que conecta la arquitectura del dosel y las actividades fisiológicas de las plantas. Los estudios existentes han logrado avances significativos en la simulación del IAF, sin embargo, la simulación precisa del IAF sigue siendo un desafío. Para abordar este desafío y obtener una comprensión más profunda de los controles ambientales del IAF, este estudio tiene como objetivo simular con precisión el IAF en la Meseta de Loess utilizando modelos de aprendizaje profundo y esclarecer la influencia espaciotemporal de la humedad del suelo y la temperatura en la dinámica del IAF. Para este propósito, utilizamos tres modelos de aprendizaje profundo, a saber, Red Neuronal Artificial (RNA), Memoria a Largo y Corto Plazo (LSTM) y LSTM Multivariable Interpretable (IMV), para simular el IAF en la Meseta de Loess, utilizando únicamente la humedad del suelo y la temperatura como entradas. Los resultados indicaron que nuestro enfoque superó a los modelos tradicionales y capturó efectivamente las variaciones del IAF en diferentes tipos de vegetación. El análisis de atención reveló que la humedad del suelo influyó principalmente en el IAF en el noroeste árido y la temperatura fue el efecto predominante en el sureste húmedo. Estacionalmente, la humedad del suelo fue crucial en primavera y verano, notablemente en pastizales y tierras de cultivo, mientras que la temperatura dominó en otoño e invierno. Notablemente, los bosques tuvieron los períodos sensibles a la temperatura más largos. A medida que el IAF aumentó, la humedad del suelo se volvió más influyente, y en el IAF máximo, ambos factores ejercieron controles variables sobre diferentes tipos de vegetación. Estos hallazgos demostraron la fuerza del aprendizaje profundo para simular interacciones vegetación-clima y proporcionaron información sobre los mecanismos de regulación hidrotermal en regiones semiáridas.
Descripción
Como la región de depósitos de loess más grande del mundo, la dinámica de la vegetación de la Meseta de Loess es crucial para su balance hídrico-térmico regional y el funcionamiento del ecosistema. El Índice de Área Foliar (IAF) sirve como un indicador clave que conecta la arquitectura del dosel y las actividades fisiológicas de las plantas. Los estudios existentes han logrado avances significativos en la simulación del IAF, sin embargo, la simulación precisa del IAF sigue siendo un desafío. Para abordar este desafío y obtener una comprensión más profunda de los controles ambientales del IAF, este estudio tiene como objetivo simular con precisión el IAF en la Meseta de Loess utilizando modelos de aprendizaje profundo y esclarecer la influencia espaciotemporal de la humedad del suelo y la temperatura en la dinámica del IAF. Para este propósito, utilizamos tres modelos de aprendizaje profundo, a saber, Red Neuronal Artificial (RNA), Memoria a Largo y Corto Plazo (LSTM) y LSTM Multivariable Interpretable (IMV), para simular el IAF en la Meseta de Loess, utilizando únicamente la humedad del suelo y la temperatura como entradas. Los resultados indicaron que nuestro enfoque superó a los modelos tradicionales y capturó efectivamente las variaciones del IAF en diferentes tipos de vegetación. El análisis de atención reveló que la humedad del suelo influyó principalmente en el IAF en el noroeste árido y la temperatura fue el efecto predominante en el sureste húmedo. Estacionalmente, la humedad del suelo fue crucial en primavera y verano, notablemente en pastizales y tierras de cultivo, mientras que la temperatura dominó en otoño e invierno. Notablemente, los bosques tuvieron los períodos sensibles a la temperatura más largos. A medida que el IAF aumentó, la humedad del suelo se volvió más influyente, y en el IAF máximo, ambos factores ejercieron controles variables sobre diferentes tipos de vegetación. Estos hallazgos demostraron la fuerza del aprendizaje profundo para simular interacciones vegetación-clima y proporcionaron información sobre los mecanismos de regulación hidrotermal en regiones semiáridas.