当前世界环境

介绍

山区为人类和动物的消费以及水力发电提供了主要的水源，也可能含有宝贵的矿物资源¹。这些地区可以被认为是最佳的娱乐场所，为游客提供各种各样的活动，是最受欢迎的旅游目的地²。尽管它们很重要，而且它们占地球陆地面积的20%，但它们的气候和天气条件还没有得到充分的探索¹。

气温(T)是山地气候最重要的决定因素^1、3但遗憾的是，由于覆盖山区的现有气象站(MS)数量少，且MS空间分布不充分，通常很难或不可能直接获得山区T数据⁴特别是在高海拔地区。因此，很多时候，有必要根据低alt的T数据估计高alt的T数据。

为了进行上述估计，许多研究人员开发了各种技术。其中，线性回归分析已被建设性地用于推断MAs中的T⁵。此外，近年来，人工神经网络(ANNs)作为一种新的、相对较新的计算方法，已被应用于MA中的T数据外推，并取得了可喜的结果^6、7。

考虑到上述问题，我们的研究目的是基于低海拔点的T数据，应用线性回归和人工神经网络模型估计希腊塞弗罗尼亚岛埃诺斯山高海拔点的T，并研究其令人满意的假设。据我们所知，这是第一次在这个对生态至关重要的MA进行这种类型的研究。

材料与方法

该研究在位于希腊塞弗罗尼亚岛(图1a)东南部的埃诺斯山国家公园进行(图1b)。埃诺斯是希腊西部爱奥尼亚群岛最重要的生态地点之一，最大海拔约1620米。它拥有丰富的植物群，例如著名的地方植物物种头杉(冷杉属cephalonical .)⁸。它也是一个有吸引力的旅游目的地，因为它提供了各种各样的活动，如登山，徒步旅行和观鸟。

在研究区域中选择了四个站点(图1c)。他们的选择主要基于各自位置的高度和方向。因此，有两个不同的方向(西北和东南)，每个方向都包含两个不同的alts(1100米和1580米)^ο09年38.3´´´N, 020^ο37′25.0′E，海拔1100 m)，位于西北侧，植被茂密、高大。第二个站点E1 (38)^ο07´30.3´´N, 020^ο42′14.6′E，海拔1100 m)位于东南侧，以上述植被为特征。第三个站点W2 (38)^ο08年27.7´´´N, 020^ο39´36.0´E，海拔1580 m)位于西北侧，其特点是存在一个开阔的区域，森林较少。第四个位点E2 (38)^ο08年16.2´´´N, 020^ο40′21.6′E，海拔1580 m)，位于东南侧，植被茂密、高大。使用移动全球定位系统(Garmin eTrex Vista)评估每个站点的方位、海拔、纬度和经度，并与1:65000地形图交叉核对。

该研究在位于希腊塞弗罗尼亚岛(图1a)东南部的埃诺斯山国家公园进行(图1b)。埃诺斯是希腊西部爱奥尼亚群岛最重要的生态地点之一，最大海拔约1620米。它拥有丰富的植物群，例如著名的地方植物物种头杉(冷杉属cephalonical .)⁸。它也是一个有吸引力的旅游目的地，因为它提供了各种各样的活动，如登山，徒步旅行和观鸟。

在研究区域中选择了四个站点(图1c)。他们的选择主要基于各自位置的高度和方向。因此，有两个不同的方向(西北和东南)，每个方向都包含两个不同的alts(1100米和1580米)^ο09年38.3´´´N, 020^ο37′25.0′E，海拔1100 m)，位于西北侧，植被茂密、高大。第二个站点E1 (38)^ο07´30.3´´N, 020^ο42′14.6′E，海拔1100 m)位于东南侧，以上述植被为特征。第三个站点W2 (38)^ο08年27.7´´´N, 020^ο39´36.0´E，海拔1580 m)位于西北侧，其特点是存在一个开阔的区域，森林较少。第四个位点E2 (38)^ο08年16.2´´´N, 020^ο40′21.6′E，海拔1580 m)，位于东南侧，植被茂密、高大。使用移动全球定位系统(Garmin eTrex Vista)评估每个站点的方位、海拔、纬度和经度，并与1:65000地形图交叉核对。

图1:希腊Cephalonia岛(a)的研究区域(广场内)(b)和埃诺斯山(c)的测量点(W1, W2, E1, E2)，修改自Google Earth9 点击此处查看图

采用数据微记录仪(Hobo Pro v2 U23-001, Onset Computer Corporation, USA，精度±2.0)，传感器每10分钟同时监测一次气温^o对于T / 0^o到50^o)为期一年(2012年)。这些仪器被封闭在适当的遮蔽物中，以保护它们免受直接辐射和降水，并安装在离地面1.5米的树下。庇护所的形状允许空气流通。上述仪器在实验室和现场进行了测试，没有出现任何问题。每3个月收集一次数据，按小时计算每个站点的平均值、最大值和最小值T，然后按日计算⁵。

为了根据低海拔(1100 m)各自的T数据估计高海拔(1580 m)的平均值、最大值和最小值T，对于每个方向，采用多层感知器(MLP)模型¹⁰是最常用的人工神经网络之一，有一个隐藏层⁶建立了简单线性回归(SLR)模型¹¹。

两种模型(SLR和MLP)的性能通过两个统计参数进行评价，即决定系数(R²)和平均绝对误差(MAE)。此外，通过残差与预测因子的正态概率图和散点图对残差进行图形分析，证实了所研究模型的有效性。在本研究中，可以保证结果在P≤0.05下具有显著性^11、12。

结果与讨论

应用SLR和MLP模型后，埃诺斯山高海拔(1580 m)高海拔(1100 m)站点在西北和东南两个检测方向上的T估算结果如图2所示。基于对散点图和R²结果表明，SLR和MLP两种分析方法在估计平均值、最大值和最小T方面都提供了非常令人满意的结果(图2a、c和e)。

对比上述图，可以清楚地看出，从最大T估计和最小T估计来看，平均T估计相对更好。这一发现主要通过与最大和最小T估计相关的平均T估计的最低MAE(0.83)的出现得到证实。使用上述两种技术(MLP和SLR)获得的令人满意的估计可能归因于E1和E2位点具有相似环境的事实。换句话说，考虑到海拔的影响，这些站点的高密植被优势影响了它们的T，导致了相似的热差异。

图2:观测气温与估计气温的散点图(o) E2地点(参考地点E1)的最高(MAX) (a)、最低(MIN) (c)和平均(e)气温，以及W2地点(参考地点W1)的最高(b)、最低(MIN) (d)和平均(f)气温。R2:决定系数，MAE:平均绝对误差，SLR:简单线性回归，MLP:多层感知器 点击此处查看图

相反，埃诺斯山西北侧的W1和W2站点位于不同的植被覆盖区域。W1场地位于高而茂密的植被下，而W2场地位于几乎没有植物覆盖的位置。这一事实导致了这两个位点之间T差异的改变，这与Ferrez等人的观点一致¹³还有玛丽亚·卡尔森¹⁴，与图2a、c和e相比，这种变化对各自散点图(图2b、d和f)的不同图像产生了严重的影响²与东南方向(图2a、c和e)相比，西北方向(图2b、d和f)的MAE总体较高²W1和W2位点的值可以被认为是令人满意的(0.88-0.92)，并且，这与尊重的MAE值(1.0-1.4)相结合，表明两种估计方法(SLR和MLP)都提供了足够的结果。

从总体上看，比较散点图，R²以及E1, E2和W1, W2的尊敬MAE(图2a, b, c, d, e和f)，总的来说，平均T的估计优于极端值(最小和最大T)的估计。这一事实在很大程度上归因于平均T的基本特征，即表示平均和更归一化的热条件，而不是表示瞬时热条件的最大和最小T¹⁵从而形成一个更完整的热环境视图。

综上所述，证实了较好的效果(较高的R²一般而言，无论采用何种方法(SLR和MLP)，当T估计基于位于相似环境区域的站点的T数据时，如E1和E2站点的植被茂密和高大的情况下，获得的MAE都较低。相反，当研究站点的环境不同时，如W1(茂密和高大的植被)和W2(森林覆盖较少的站点)，各自的估计精度较低。

利益冲突

作者声明不存在利益冲突。

参考文献

1. 巴里，r.g.山地天气与气候，2^nd版，劳特利奇，泰勒和弗朗西斯集团，伦敦，英国，402页(1992)。
   CrossRef
2. 尼泊尔，k.s.和Chipeniuk, R.山地旅游:迈向概念框架。旅游地区，7(3)， 313-333(2005)。
   CrossRef
3. Lookingbill, T. r和Urban, D.L.山地环境景观尺度下空气温差的空间估算。农林气象学，114(3-4)， 141-151(2003)。
   CrossRef
4. Running, S. W, Nemani, R. R.和Hungerford, R. D.山区天气气象资料的外推及其在模拟森林蒸散和光合作用中的应用。加拿大森林研究杂志，17(6)， 472-483(1987)。
   CrossRef
5. Maniatis, S.， Kamoutsis, A.， Chronopoulou-Sereli, A.和Nastos, P. T.使用线性回归分析估算Kefallinia岛Ainos山上空的气温。见:Karacostas T. S. et al.编辑，大气科学展望，施普林格国际出版社，瑞士，349-354(2017)。
   CrossRef
6. Kamoutsis, a.p.， Matsoukis, a.s.和Chronopoulos, k.i.在希腊大雅典地区使用人工神经网络模型估算气温。ISRN气象学: 1-7(2013)。
7. 陈志强，陈志强。基于地理输入的长期气温预测。国际气候学杂志，34(1)， 179-186(2014)。
   CrossRef
8. Phitos, D.和Damboldt, J. Kefallinia岛植物区系。神物铺子个，5(1-2)， 1-204(1985)。
9. 匿名的。谷歌地球，2017年。2017年4月27日生效。
10. Chronopoulos, K. I, Kamoutsis, A. P.和Matsoukis, A. S.基于人工神经网络的希腊山区不同方位的热舒适估算。全球巢杂志，14(4)， 532-539(2012)。
11. Matsoukis, a .和Chronopoulos, K.使用统计模型估算温室内部空气温度。当前世界环境，12(1)， 01-05(2017)。
12. Matsoukis A, Gasparatos D.和Chronopoulou-Sereli A.遮荫和氯草枯对大叶草比叶面积和矿物质含量的影响。动植物科学杂志，25(5)， 1371-1376(2015)。
13. Ferrez J.， Davison A.C.和Rebetez M.在森林覆盖下与开阔地的极端温度分析。农林气象学，151中文信息学报，992-1001(2011)。
    CrossRef
14. 玛丽亚·卡尔松1 .森林和开阔地区夜间气温变化。应用气象学报，39; 851-862(2000)。
    CrossRef
15. Matsoukis, A, Kamoutsis, A.和Chronopoulou-Sereli, A.气象条件和大灯笼的生长(马樱丹属卡马拉(l)经“铌型”生长调节剂处理后。参见:Chronopoulou-Sereli A.主编，《论文集》第8期^th气象-气候学-大气物理会议A卷，GDI工作室，希腊，337 -376(2008)。