齊建東 譚新新

(1.北京林業(yè)大學信息學院 北京 100083； 2.國家林業(yè)和草原局林業(yè)智能信息處理工程技術(shù)研究中心 北京 100083)

陸地生態(tài)系統(tǒng)碳循環(huán)因其下墊面復雜性和人類活動的干擾而存在很大不確定性(李琪等， 2010)。森林生態(tài)系統(tǒng)是陸地生態(tài)系統(tǒng)中結(jié)構(gòu)最復雜、生物種類最多、生產(chǎn)力最高的生態(tài)系統(tǒng)類型(農(nóng)業(yè)大詞典編輯委員會， 1998)，其植被碳庫占全球陸地生態(tài)系統(tǒng)植被碳庫的80%，土壤碳庫占全球土壤碳庫的40%(李威等， 2021)。研究森林生態(tài)系統(tǒng)的凈生態(tài)系統(tǒng)碳交換量(net ecosystem exchange，NEE)可為調(diào)節(jié)全球氣候和維持全球碳平衡提供理論依據(jù)(Dixonetal.， 1994)，是當前生態(tài)領(lǐng)域的研究熱點之一。

林地NEE變化較大(Zhangetal.， 2018)，因此選擇合適的研究方法至關(guān)重要。目前，廣泛應用的NEE模型主要分為生態(tài)領(lǐng)域內(nèi)基于過程的靜態(tài)模型和基于數(shù)據(jù)驅(qū)動的動態(tài)模型兩大類(Friendetal.， 2007； Raczkaetal.， 2013)。Schindler等(2015)認為，基于數(shù)據(jù)驅(qū)動的動態(tài)模型比基于過程的靜態(tài)模型更具優(yōu)勢。機器學習方法在NEE研究中的應用優(yōu)于生態(tài)學領(lǐng)域方法(Moffatetal.， 2007)。在過去的20多年里，機器學習被越來越多地用于NEE相關(guān)問題的研究。如極限學習機(extreme learning machine，ELM)用于5種不同類型的生態(tài)系統(tǒng)模擬NEE(Douetal.， 2018)，支持向量回歸(support vector regression，SVR)用于森林NEE模擬試驗(陳強等， 2009)，使用基于人工神經(jīng)網(wǎng)絡(artificial neural network，ANN)的模型對森林生態(tài)系統(tǒng)的NEE數(shù)據(jù)進行插補(竇兆一等， 2009)，使用遺傳算法和神經(jīng)網(wǎng)絡結(jié)合的模型選擇NEE預測因子(薛月菊等， 2011)，基于貝葉斯算法、粒子群優(yōu)化算法改進的神經(jīng)網(wǎng)絡和改進的自適應脊波網(wǎng)絡用于NEE預測等(汪雪等， 2017； 楊帆等， 2017； 王楷等， 2014)。

目前，已有大量研究利用機器學習模型進行NEE預測，并取得了較好效果。將深度學習模型用于NEE預測的研究還處于起步階段。通量數(shù)據(jù)是時間序列數(shù)據(jù)，因此NEE預測屬于時間序列預測問題。深度學習領(lǐng)域中基于循環(huán)架構(gòu)的長短期記憶網(wǎng)絡(long short term memory，LSTM)已被證明在時間序列預測問題上表現(xiàn)出優(yōu)秀的性能(Gamboa， 2017)。齊建東等(2020)將LSTM及其改進模型用于模擬草地生態(tài)系統(tǒng)的凈碳交換，其效果比傳統(tǒng)機器學習模型更好。Bai等(2018)提出了一種基于卷積架構(gòu)的時間卷積網(wǎng)絡模型(temporal convolution network，TCN)，其在11個序列建模任務中均表現(xiàn)出比LSTM更好的效果。但目前TCN模型在國內(nèi)外的NEE相關(guān)問題研究中的應用仍為空白。鑒于此，本研究首先使用隨機森林算法對影響長白山溫帶紅松(Pinuskoraiensis)闊葉林通量觀測站NEE的各因子重要性程度進行計算，選擇得分較高的5種氣象因子作為模型輸入，然后對該站點NEE及選中的氣象因子進行月尺度分析和相關(guān)性分析；其次構(gòu)建基于TCN的模型，進行森林生態(tài)系統(tǒng)NEE模擬；最后分別構(gòu)建基于ELM、SVR、ANN和LSTM的4種模型，與基于TCN的模擬結(jié)果對比。本文旨在分析研究地區(qū)NEE的季節(jié)性差異及其氣象因子響應，在月尺度下揭示氣象因子對NEE的動態(tài)影響，為調(diào)節(jié)研究地區(qū)的碳收支提供理論指導。同時研究時間卷積神經(jīng)網(wǎng)絡在森林生態(tài)系統(tǒng)凈碳交換模擬中的應用，探索NEE模擬的新方法。

1 研究區(qū)概況

長白山溫帶紅松闊葉林通量觀測站位于吉林省延邊朝鮮族自治州安圖縣二道白河鎮(zhèn)，地處長白山自然保護區(qū)內(nèi)(128°05′45″E，42°24′09″N)，海拔738 m，為中國溫帶針闊混交林生態(tài)類型。長白山溫帶紅松闊葉林通量觀測站屬受季風影響的溫帶大陸性氣候，具有顯著的中緯度山地氣候特征，春季干旱多風，夏季炎熱多雨，冬季干燥寒冷，年均氣溫3.6 ℃，年均降水量713 mm，降水集中在6—8月，全年日照時數(shù)2 271～2 503 h。該區(qū)植被具有典型的垂直地帶性，在通量塔下為闊葉紅松林，是典型的地帶性植被，主要建群樹種有紅松、椴樹(Tiliaamurensis)、蒙古櫟(Quercusmongolica)、水曲柳(Fraxinusmandshurica)和色木槭(Acermono)等，平均樹高26 m，冠下植被高0.5～2 m。土壤為山地暗棕色森林土(王秋鳳等， 2004)。

觀測塔高62 m，安裝了7層常規(guī)氣象系統(tǒng)(安裝高度依次為2.5、8、22、26、32、50和60 m)、7層CO2廓線系統(tǒng)、 CSAT3超聲風速儀(Campbell，USA)和Li7500CO2/H2O(Li-cor，USA)紅外氣體分析儀。同時，該站還配備了土壤CO2、CH4和N2O排放量的箱式法觀測系統(tǒng)。2002年開始觀測，數(shù)據(jù)采樣頻率為10 Hz，通量測定的平均時間為30 min(石旭霞等， 2018)。

2 研究方法

2.1 數(shù)據(jù)來源

從中國通量觀測聯(lián)盟(ChinaFLUX)的共享數(shù)據(jù)庫中獲取長白山溫帶紅松闊葉林通量觀測站2007年1月1日至2010年12月31日的30 min通量數(shù)據(jù)，為1 461天的70 128條數(shù)據(jù)。數(shù)據(jù)集包含風速、土壤溫度、光合有效輻射和日降水量等24個影響因子和NEE。用2007—2009年的數(shù)據(jù)共52 608條作為訓練集，用2010年的數(shù)據(jù)共17 520條作為測試集。

2.2 數(shù)據(jù)處理

為了降低特征集的維度，減小模型學習難度，采用隨機森林算法計算各影響因子的重要性得分。隨機森林是一種基于決策樹的組合模型(Breiman， 2001)。首先，對2007—2009年數(shù)據(jù)集中影響因子形成的樣本矩陣利用Bootstrap重抽樣抽取n個樣本； 然后，對每個樣本分別建立相應的決策樹，基于基尼不純度(gini impurity)最小的原則在節(jié)點m處將當前樣本集根據(jù)因子Xj分割成2個子集節(jié)點，這2個子集節(jié)點的基尼不純度減少量即為Xj在節(jié)點m的重要性評分(variable importance measure，VIM)(Menzeetal.， 2009)。如果Xj在第i棵樹中出現(xiàn)k次，則因子Xj在第i棵樹的重要性評分等于k個節(jié)點的重要性評分總和。最后，以n棵回歸樹中Xj的VIM平均值作為該因子最終的重要性評分。回歸過程如圖1所示。

基尼不純度與可獲取的有用信息呈負相關(guān)?；岵患兌仍叫。兞康碾x散程度越差，得到的信息量越大。節(jié)點m的基尼不純度Gm計算公式為：

(1)

式中：c為樣本類別數(shù)；pi為節(jié)點m中對應的樣本屬于類別i的概率。

變量Xj在節(jié)點m處的重要性評分Vjm為：

Vjm=Gm-Gl-Gr。

(2)

式中：Gl和Gr分別為由節(jié)點m分裂的兩個子集節(jié)點l、r的基尼不純度。

變量Xj在第i棵樹中的重要性評分Vij為：

(3)

式中：k表示變量Xj在第i棵樹中出現(xiàn)的次數(shù)。

變量Xj在隨機森林中的重要性評分Vj為：

(4)

式中：n為隨機森林中回歸樹的數(shù)量。

根據(jù)結(jié)果選取得分較高的5個氣象因子作為模型的輸入，分別為潛熱通量、顯熱通量、冠層上方空氣濕度、冠層上方水汽壓和凈輻射。

為了消除數(shù)據(jù)特征之間的量綱影響，對數(shù)據(jù)進行歸一化處理，歸一化方程如下：

y=(x-xmin)/(xmax-xmin)。

(5)

式中：x為原始數(shù)據(jù)；y為歸一化后的數(shù)據(jù)；xmin和xmax分別為整個研究時間內(nèi)x的最小值和最大值。

圖1 隨機森林回歸架構(gòu)

2.3 長短期記憶網(wǎng)絡

長短期記憶網(wǎng)絡(LSTM)是一種全互連的神經(jīng)網(wǎng)絡(Hochreiteretal.， 1997)，神經(jīng)元間存在反饋連接，在學習新特征的同時能夠記憶歷史信息。每一個LSTM單元都由輸入門、輸出門、遺忘門和記憶單元組成，結(jié)構(gòu)如圖2所示。LSTM通過這些門控單元來控制歷史信息對當前信息的影響，使得模型能夠較長時間地保存并傳遞信息。

在t時刻，給定n維監(jiān)測指標xt作為輸入，LSTM神經(jīng)網(wǎng)絡的輸入門it、遺忘門ft、輸出門ot、記憶細胞狀態(tài)ct、隱藏層狀態(tài)ht分別為：

(6)

式中：xt=[x1x2x3…xn]；ht-1為t-1時刻的隱藏狀態(tài)；Wi、Wf、Wo、Wc分別為輸入門it、遺忘門ft、輸出門ot、記憶細胞狀態(tài)ct的權(quán)重矩陣；bi、bf、bo、bc分別為輸入門it、遺忘門ft、輸出門ot、記憶細胞狀態(tài)ct的偏移量；σ表示sigmoid函數(shù)； tanh表示tanh激活函數(shù)。

最后，可以通過以下線性變化計算t時刻的NEE(yt)，其中Wh和bh為權(quán)重矩陣和偏移量：

yt=Whht+bh。

(7)

LSTM可以減輕循環(huán)神經(jīng)網(wǎng)絡(recurrent neural network，RNN)梯度消失/爆炸的問題，但并不能完全避免梯度消失/爆炸。同時，由于循環(huán)架構(gòu)的特性，LSTM模型只能順序處理，當時間跨度大、網(wǎng)絡較深的時候，LSTM模型比較耗時。

圖2 長短期記憶網(wǎng)絡結(jié)構(gòu)

2.4 時間卷積神經(jīng)網(wǎng)絡

時間卷積神經(jīng)網(wǎng)絡是由Bai等(2018)提出的傳統(tǒng)卷積神經(jīng)網(wǎng)絡(convolutional neural networks，CNN)的變體，在序列建模問題上展現(xiàn)出良好性能。與CNN相比，TCN具有因果卷積和膨脹卷積兩個特殊結(jié)構(gòu)。因為要處理時間序列問題，因果卷積是一種嚴格的時間約束模型，使上一層t時刻的值只依賴于下一層t時刻及之前的值，保證t時刻之后的值不會被模型提前學習。膨脹卷積允許卷積時的輸入存在間隔采樣，采樣率受參數(shù)d的控制，每d個點采樣1個作為輸入。一般來講，d的值隨層數(shù)呈指數(shù)增長。膨脹卷積使TCN在層數(shù)不變的情況下捕獲更長時間的歷史信息(Chenetal.， 2020)。與CNN一樣，TCN可以避免梯度消失/爆炸問題，同時可以并行處理。

圖3是具有2個隱藏層、卷積核大小為2的TCN模型中的數(shù)據(jù)流。TCN模型的輸入數(shù)據(jù)形狀是[samples，channels，features]，t時刻的輸出yt為：

(8)

式中：fi表示第i個過濾器；k表示過濾器的個數(shù)；Xt-id表示t-id時刻的輸入值，d表示采樣率。

本研究以在NEE模擬中廣泛使用的ANN(Alemohammadetal.， 2017； 齊建東等， 2019)、ELM(Douetal.， 2018； 溫旭丁， 2014)和SVR(陳強等， 2009； Douetal.， 2018)這3種機器學習模型作為基準對比模型。限于篇幅，ANN、ELM和SVR 這3種模型的詳細工作機制不再贅述。

3 結(jié)果與分析

3.1 NEE的季節(jié)變化

長白山溫帶紅松闊葉林生態(tài)系統(tǒng)2010年各月的NEE變化曲線如圖4所示。1—4月表現(xiàn)為明顯的碳排放，5月出現(xiàn)1年中的NEE最大值2.247 8 gCO2·m-2d-1，表現(xiàn)為碳排放。之后隨著植被生長發(fā)育，碳排放減少，NEE開始下降，逐漸由碳源轉(zhuǎn)為碳匯，在7月末達到1年中的碳吸收最大值，NEE為-6.026 0 gCO2·m-2d-1。8月NEE開始上升，在10月由碳匯轉(zhuǎn)換為碳源，并達到碳排放的另一個高峰。11月后隨著溫度降低，碳排放也逐漸降低?？傮w來說，該森林生態(tài)系統(tǒng)全年表現(xiàn)為碳匯(張軍輝等， 2006)，碳吸收量達到74.777 3 gCO2·m-2a-1，但冬季表現(xiàn)為碳源，夏季表現(xiàn)為碳匯，夏季碳收支對全年NEE影響較大。

圖3 時間卷積網(wǎng)絡結(jié)構(gòu)

圖4 2010年NEE的月份變化曲線

3.2 氣象因子的季節(jié)變化

2010年長白山站全年觀測的潛熱通量、顯熱通量、冠層上方空氣濕度、冠層上方水汽壓和凈輻射的變化過程見圖5。潛熱通量在1—4月變化較小，5月隨太陽輻射增加而快速升高(李軼濤等， 2013)，6—8月達到峰值，即全年的最大值11.576 2 W·m2，9月下旬后隨太陽輻射減少而快速降低，在11—12月較穩(wěn)定。顯熱通量和冠層上方空氣濕度兩者間的季節(jié)變化趨勢相反。顯熱通量變化范圍為-3.232 5～8.403 5 W·m2，總體表現(xiàn)為夏季低、冬季高。冠層上方空氣濕度變化范圍為23.388 8%～97.712 5%，在降水集中的6—8月明顯升高，總體表現(xiàn)為夏季高、冬季低。冠層上方水汽壓和凈輻射都呈現(xiàn)單峰型曲線變化趨勢，均在夏季達到峰值。冠層上方水汽壓最大值在9月初，為2.166 7 kPa。凈輻射最大值出現(xiàn)在8月初，為267.124 6 W·m2。

3.3 NEE對氣象因子的響應

將NEE與5種氣象因子進行相關(guān)性分析(圖6和表1)，可知該森林生態(tài)系統(tǒng)NEE與潛熱通量、冠層上方水汽壓、凈輻射和冠層上方空氣濕度均極顯著負相關(guān)，P值均小于0.000 1。與顯熱通量的P值大于0.05而未通過F檢驗，相關(guān)性不顯著。

3.4 NEE模型預測結(jié)果

試驗運行環(huán)境為： 操作系統(tǒng)為Ubuntu 18.04 Server，GPU為GTX 1080ti，處理器為Intel i7-6700，內(nèi)存為32 GB。

圖5 5種氣象因子在2010年的變化曲線

為消除數(shù)據(jù)間的相關(guān)性，避免模型對部分數(shù)據(jù)過擬合，首先對訓練集的數(shù)據(jù)進行隨機打亂，然后以NEE預測值和真實值的均方誤差MSE作為損失函數(shù)對模型進行訓練。各模型參數(shù)設(shè)置如下： 在TCN模型中殘差模塊層數(shù)為6，隱藏層節(jié)點數(shù)為64，卷積核大小為2，學習率為0.001，batch size為512，為防止模型過擬合，設(shè)置dropout為0.3，共訓練10個epochs； 在LSTM模型中，設(shè)置輸入歷史序列窗口的大小為T=10，隱藏層節(jié)點數(shù)為40，學習率為0.000 1，batch size為256，共訓練120個epochs； 在ANN中，設(shè)置隱藏層大小為1，隱藏層節(jié)點數(shù)為80，激活函數(shù)為Relu函數(shù)； 在SVR中，設(shè)置懲罰因子為1.0，選擇RBF核函數(shù)； 在ELM中，隱藏層節(jié)點數(shù)設(shè)置為100，激活函數(shù)使用Sigmoid。TCN、LSTM、ANN和ELM均使用Adam方法進行參數(shù)優(yōu)化。

本研究選擇均方根誤差RMSE、平均絕對誤差MAE和決定系數(shù)R2這3項指標評估模型準確性。

3.4.1 NEE預測結(jié)果準確性 5種模型進行NEE預測的真實值與預測值的擬合圖如圖7所示。3種傳統(tǒng)機器學習模型(ANN、SVR和ELM)和2種深度學習模型(TCN和LSTM)均能在不同程度上較好地擬合NEE，預測值變化趨勢與實際值變化趨勢較為一致，但不同模型的預測效果存在一定差異。

除SVR外的4種模型在訓練時利用了隨機性，在參數(shù)不變的情況下每次的運行結(jié)果存在一定差異，因此以每種模型運行10次的評價指標平均值作為該模型最終的評價指標。5種模型預測結(jié)果的3種評價指標的值如表2所示，3種傳統(tǒng)機器學習模型在測試集上的決定系數(shù)R2均小于0.76，RMSE均大于0.13 mgCO2·m-2s-1，其中表現(xiàn)最好的是ANN，R2為0.752 8，RMSE為0.132 7 mgCO2·m-2s-1。2種深度學習模型TCN和LSTM的R2分別比ANN高0.068 6和0.046 3，RMSE與ANN相比分別減少了0.022 2和0.015 4 mgCO2·m-2s-1。整體來說長白山溫帶紅松闊葉林通量觀測站點的NEE預測試驗中深度學習模型的精度相比傳統(tǒng)機器學習模型ANN、SVR和ELM顯著提升。深度學習模型中TCN模型的RMSE為0.110 5 mgCO2·m-2s-1，MAE為0.051 1 mgCO2·m-2s-1，R2為0.821 4，與LSTM相比，模型精度有所提升。

3.4.2 NEE預測結(jié)果穩(wěn)定性 由圖8可知，參數(shù)不變的情況下傳統(tǒng)機器學習模型ELM、ANN的NEE預測結(jié)果明顯比2種深度學習模型波動更大。計算得到TCN模型10次NEE預測試驗的RMSE的標準差為0.000 4 mgCO2·m-2s-1，相比ELM、ANN和LSTM分別下降0.001 4、0.001 3和0.000 2 mgCO2·m-2s-1。因此，基于TCN的模型在長白山溫帶紅松闊葉林通量觀測站點的NEE預測試驗中表現(xiàn)得更加穩(wěn)定。

圖6 NEE對不同氣象因子的響應

表1 不同氣象因子與NEE的相關(guān)性分析結(jié)果

圖7 各模型預測值與真實值擬合圖

表2 不同模型評價指標

圖8 各模型10次預測NEE的RMSE

綜上所述，在長白山溫帶紅松闊葉林通量觀測站點的長期NEE預測上，基于時間卷積神經(jīng)網(wǎng)絡的模擬模型不僅在預測精度上表現(xiàn)良好，并且具有較強的預測穩(wěn)定性，可以挖掘相對于傳統(tǒng)機器學習模型更深尺度的特征信息。

4 討論

不同森林生態(tài)系統(tǒng)由于地理位置、氣候、生境及人類影響程度的差異而有不同的碳源/匯特征(李潤東等， 2020)。本研究表明，長白山溫帶紅松闊葉林生態(tài)系統(tǒng)整體表現(xiàn)為碳匯，全年NEE總量為-74.777 3 gCO2·m-2a-1。固碳能力低于美國東南部落葉闊葉林(-402 gCO2·m-2a-1)、日本北海道落葉闊葉林(-375 gCO2·m-2a-1)和北京松山天然落葉闊葉林(-111 gCO2·m-2a-1)，這一結(jié)果與長白山溫帶紅松闊葉林通量觀測站所在地區(qū)的氣象因子直接相關(guān)，下面進一步分析典型氣象因子對NEE的影響。

4.1 輻射對NEE的影響

凈輻射是影響NEE變化的重要因子，且兩者呈負相關(guān)(P<0.01)(徐勇峰等， 2018)，本研究也得出類似結(jié)論(表1)。光合輻射是生態(tài)系統(tǒng)光合作用的能源，光合有效輻射隨凈輻射增加而增加(紀小芳等， 2019)。長白山溫帶紅松闊葉林通量觀測站點全年日照時數(shù)為2 271～2 503 h，尤其夏季陽光充足，凈輻射在夏季達到峰值，此時光合有效輻射也隨之達到最大，光合作用最強，碳吸收達到全年最高，森林碳匯功能增強。7月凈輻射出現(xiàn)短暫的下降趨勢，生態(tài)系統(tǒng)碳吸收效果也隨之有所減弱。在凈輻射較低的冬季，光合有效輻射減少，光合作用基本停止，碳吸收值小于碳排放值，因此森林表現(xiàn)為碳源。

4.2 水分對NEE的影響

降水的時空變異會對森林固碳產(chǎn)生不同影響(宋春林等， 2015)?；谌蜓芯勘砻鳎斈昃邓康陀? 000 mm時，成熟林生長與降水量呈顯著正相關(guān)(Liuetal.， 2014)。長白山溫帶紅松闊葉林通量觀測站點年均降水量713 mm，降水集中在6—8月，因此降水增加對生長有促進作用。冠層上方水汽壓呈單峰型曲線變化，在降水充足的夏季達到峰值，冠層上方空氣濕度也呈現(xiàn)夏季高的特點。此時植物快速生長，森林葉面積指數(shù)增大，在白天具有較強的光合作用，碳吸收值遠大于碳排放值，使固碳能力增強，呈明顯的碳匯。馬小紅等(2017)和龔元等(2019)的研究也得出了相似結(jié)論。

4.3 溫度對NEE的影響

溫度通過調(diào)節(jié)生態(tài)系統(tǒng)的碳吸收和碳排放兩個過程而成為影響碳收支季節(jié)變化的主要因子，直接影響生態(tài)系統(tǒng)的光合作用和呼吸作用(薛建輝， 2006)，而光合作用和呼吸作用對溫度的響應程度差異決定著生態(tài)系統(tǒng)表現(xiàn)為碳匯或碳源(游桂瑩等， 2018)。長白山溫帶紅松闊葉林通量觀測站點屬溫帶大陸性氣候，年均氣溫3.6 ℃，溫度呈現(xiàn)夏季高冬季低的特點。5—9月NEE顯著增加(圖4)，且表現(xiàn)為碳吸收。此時正值夏季，溫度升高，植物處于生長季，光合作用的碳吸收遠高于呼吸作用的碳排放。溫度較低的1—4月和10—12月則相反，碳吸收略低于碳排放，生態(tài)系統(tǒng)表現(xiàn)為微弱的碳源。因此長白山溫帶紅松闊葉林通量觀測站點溫度升高對NEE有促進作用，該結(jié)論與Saito等(2009)的結(jié)論相似。但在不同的條件下，溫度升高對NEE也可能表現(xiàn)為抑制作用(Guetal.， 2003)。

5 結(jié)論

受氣象因子調(diào)控，長白山溫帶紅松闊葉林生態(tài)系統(tǒng)2010年全年NEE表現(xiàn)為碳匯，但具有明顯的季節(jié)變化，冬季為碳源，夏季為碳匯，夏季碳收支對該生態(tài)系統(tǒng)全年NEE貢獻較大。生態(tài)系統(tǒng)的NEE與潛熱通量、冠層上方水汽壓、冠層上方空氣濕度和凈輻射極顯著負相關(guān)(P<0.000 1)，與顯熱通量相關(guān)性不顯著(P=0.141 8)。

對于長白山溫帶紅松闊葉林生態(tài)系統(tǒng)的長期NEE預測而言，深度學習模型的預測精度和穩(wěn)定性均明顯優(yōu)于機器學習模型，基于時間卷積神經(jīng)網(wǎng)絡的模擬模型不僅預測精度良好，并且有較強的預測穩(wěn)定性，可以挖掘相對于傳統(tǒng)機器學習模型更深尺度的特征信息。