基于GA-NN的碳通量预测因素选择

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (18): 237-240.

基于GA-NN的碳通量预测因素选择

薛月菊1，刘曙光2，胡月明3，刘国瑛1，陈强1

1.华南农业大学工程学院，广州 510642
2.美国地质勘探局地球资源观测和科学数据中心，美国南达科他州 57198
3.华南农业大学信息学院，广州 510642

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-06-21 发布日期:2011-06-21

Factors selection for prediction of carbon flux based on Genetic Algorithm—Neural Network

XUE Yueju1，LIU Shuguang2，HU Yueming3，LIU Guoying1，CHEN Qiang1

1.College of Engineering，South China Agricultural University，Guangzhou 510642，China
2.US Geological Survey Earth Resources Observation and Science Center，SD 57198，USA
3.College of Information，South China Agricultural University，Guangzhou 510642，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-06-21 Published:2011-06-21

摘要/Abstract

摘要： 研究和选择碳循环的影响因素是预测碳通量的重要环节，也是研究碳循环机理的重要步骤。然而从众多的影响因素中选择重要的因素，依然存在着困难。提出利用相关分析、遗传算法和神经网络进行碳通量预测的主要因素选择的方法，首先用相关分析去处冗余的因素;然后利用遗传算法，以选择最小数目的因素时，最大碳通量的观测值和用神经网络预测值的相关系数为准则，来搜寻最优的影响因素。实验证明该方法能在不影响（或尽量小地影响）预测精度的前提下，有效地选择出碳通量预测的重要因素。

关键词: 因素选择, 遗传算法, 神经网络, 碳通量预测

Abstract: Selecting the driving factors for carbon cycle is critical step prior predicting carbon dioxide（CO2） flux and it also is the important step to study the machines of carbon cycle.But，how to select the driving factors among the plenty of factors is still a challenge problem.This paper proposes a method of driving factors selection based on correlation analysis，Genetic Algorithm（GA）—Neural Network（NN）.The redundant factors are reduced using correlation analysis firstly.And then，GA is used to select the driving factors according the criteria that maximizes the correlation coefficient between the Net Ecosystem Exchange（NEE） observed and the NEE predicted using Radial Basis Function Neural Network（RBFNN） as well as minimizes the number of driving factors.To evaluate the validity of the proposed method，it is used to select the driving factors in predicting CO2 flux of Duke Forest.The experimental results illustrate that the method can mine the main driving factors for predictive CO2 flux effectively without loss of precision.

Key words: factors selection, Genetic Algorithm（GA）, Neural Network（NN）, prediction of carbon flux

薛月菊1，刘曙光2，胡月明3，刘国瑛1，陈强1 . 基于GA-NN的碳通量预测因素选择[J]. 计算机工程与应用, 2011, 47(18): 237-240.

XUE Yueju1，LIU Shuguang2，HU Yueming3，LIU Guoying1，CHEN Qiang1. Factors selection for prediction of carbon flux based on Genetic Algorithm—Neural Network[J]. Computer Engineering and Applications, 2011, 47(18): 237-240.

[1]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[4]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[5]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[6]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[7]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[8]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[9]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[10]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[11]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[12]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[13]	李现国，冯欣欣，李建雄. 多尺度残差网络的单幅图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(7): 215-221.
[14]	翟正利，李鹏辉，冯舒. 图对抗攻击研究综述[J]. 计算机工程与应用, 2021, 57(7): 14-21.
[15]	祝钧桃，姚光乐，张葛祥，李军，杨强，王胜，叶绍泽. 深度神经网络的小样本学习综述[J]. 计算机工程与应用, 2021, 57(7): 22-33.