机构名称：
¥ 1.0
文本S1。涡流数据集的数据预处理程序数据的原始采样频率为半小时。数据过滤过程可以概括如下：首先，要在夜间测量中降低噪声，用明智的热通量> 5 w/m 2和短波输入辐射> 50 W/m 2对原始数据进行过滤，以选择白天的数据。然后，将原始数据平均为每日比例值（将降水计算为每日总和）。其次，我们只保留一小部分优质数据> 0.8。使用已建立的方法对输入特征的时间序列中的差距进行了插值（Reichstein等，2005； Vuichard和Papale，2015）。我们还按站点进行视觉检查，以确保可以接受信噪比。请注意，校正了来自涡流协方差的所有半小时LE数据，以使用Bowen比率方法实现能量平衡（Twine等，2000）。由于数据限制，仅使用最浅的土壤水分测量值与干燥期间的蒸发分数预测动态进行比较。文本S2。模型解释 - 综合梯度（IG）开发了集成梯度来解释受过训练的模型，从而可以获得对每日EF预测的每个样本的输入特征的时间特征的重要性（Jiang等，2022; Sundararajan等人，2017年）。IG方法可以拆除基于LSTM的机器学习模型，并追溯输入的特定贡献，并在预测前的每个时间为每个功能分配重要性得分。较大的正Ig评分可能表明该特征大大提高了蒸发分数预测（例如，在最近端的时间内的降水可能对当前蒸发分数的预测比早期的降水更大。）较大的负IG分数表明该特征降低了EF预测。IG得分接近零表示对EF预测的影响很小。以这种方式，我们的模型不仅可以显示一般特征的重要性，而且还可以在预测之前的每个时间步骤显示不同的特征重要性。更具体地说，这意味着对于不同种类的PFT的EF预测，将考虑输入特征的时间长度，其中暗示在特定的极端事件或环境条件下，例如具有不同严重性水平的干旱，植物的植物响应具有不同的生根深度。输入特征X的IG评分（例如，在第i th时间步骤中降水的特定贡献）被表达为：
学习记忆的蒸发分数
主要关键词
相关文件推荐
