System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于深度学习的ANPP与BNPP的遥感估算方法技术_技高网

一种基于深度学习的ANPP与BNPP的遥感估算方法技术

技术编号:40644641 阅读:14 留言:0更新日期:2024-03-13 21:25
本发明专利技术公开了一种基于深度学习的ANPP与BNPP的遥感估算方法,能够有效区分ANPP与BNPP,实现大区域尺度ANPP与BNPP的高精度分离估算,减少ANPP与BNPP时空估算的不确定性,有效捕获长时间序列的时空变异特征;该方法包括:收集、整合ANPP与BNPP观测数据;收集、提取环境变量,构建用于模型训练的数据集;选择应用于模型训练的关键参数;构建多源数据驱动的MLP深度神经网络模型,并预测与观测数据相对应的ANPP与BNPP值;整合模型预测值与实地观测值,验证模型效率;预测一定时间内的ANPP与BNPP格网数据,验证时间和空间上的预测栅格质量以及根据地表土地覆被类型数据划分的植被类型,获取不同生态类型的ANPP与BNPP的时空分布格局,并评价时空变异特征。

【技术实现步骤摘要】

本专利技术涉及遥感大数据与深度学习在生态系统碳循环应用的交叉,尤其涉及一种基于深度学习的anpp与bnpp的遥感估算方法。


技术介绍

1、合适的温室气体浓度会保留地表辐射能量,使得地球平均温度维持在一个更加适合人类居住的动态平衡中。但自工业革命以来,大量化石燃料的燃烧、地表不透水面的增加、地表土地利用类型的改变等原因造成大气温室气体浓度的不断增加,导致全球气候变暖的现象不断加剧。而大气co2等温室气体浓度的增加触发了一系列环境问题。例如,气候变暖将改变植被群落的结构、组成和生物量,使自然植被的空间格局发生变化,进而对自然生态系统产生巨大影响。因此,在气候变暖的背景下,开展陆地生态系统固碳能力的有效评估,直接关系到地球的承载能力及人类社会的发展,对于深刻理解和研究陆地碳循环和全球变化均具有重要的现实意义,同时对于区域地表植被估产、生态环境保护与资源开发利用具有重要意义。

2、净初级生产力是指地表植被通过光合作用在每个时间和空间单位上累积的有机物总量减去自养呼吸后的剩余部分,净初级生产力不仅表征了植被的固碳能力,还是植被碳循环和生态系统质量评价的重要指标,对生态系统碳平衡起着关键作用。净初级生产力主要由anpp与bnpp两部分组成,地上净初级生产力(anpp)可表示为单位时间内、单位面积内的植被体地上部分有机物的积累量;地下净初级生产力(bnpp)则表示为植被地下部分有机物的积累量。

3、传统的anpp与bnpp的估算采用实地测量的方法,这种方法虽然精度较高,但不可能通过实地测量的方法获取区域或全球大尺度anpp与bnpp。目前,大区域尺度的净初级生产力估算通常运用模型模拟法,其利用卫星遥感数据派生生态系统参数评估植被固碳能力,但该类模型复杂,需要大量难以获得的参数,造成了模型普适性低,时间与空间上不确定性较大。且模型模拟法无法有效分开anpp与bnpp,制约了对植被碳循环过程的深入理解。因此,高精度估算anpp与bnpp对于理解生态系统植被固碳功能及其对气候变化的响应至关重要。

4、基于遥感办法的anpp的估算极大的提升了估算效率,且不对区域景观的造成破坏。常用的估算模型包括单一遥感数据源的参数模型、多源遥感数据的非参数化模型和遥感机理估算模型。单一遥感数据源是基于数学统计分析的方法构建的统计关系模型,只适合于目标研究区域内的anpp估算,难以扩展指其他区域的估算。由此可见,anpp的估算方法丰富,但估算结果受区域不同、模型方法差异等因素干扰。目前迫切需要一种合适的快速的方法估算anpp,特别是区域或全球尺度的anpp估算,现有的技术方法并不能完全适用。与anpp相比,由于地下碳储量的测算难度更高,适宜于区域或全球bnpp估算方法缺失,区域或全球植被的bnpp估算更加困难。


技术实现思路

1、本专利技术的目的之一至少在于,针对如何克服上述现有技术存在的问题,提出一种基于深度学习的anpp与bnpp的遥感估算方法,该方法能够有效区分anpp与bnpp,提高大区域尺度anpp与bnpp时空动态的估算精度,减少anpp与bnpp时空变异估算不确定性,为准确评估植被对缓解全球气候变化的作用提供重要数据与方法支撑。

2、为了实现上述目的,本专利技术采用的技术方案包括以下各方面。

3、一种基于深度学习的anpp与bnpp的遥感估算方法,包括以下步骤:

4、步骤s1、整合anpp与bnpp观测数据;

5、步骤s2、收集、提取环境变量,包括植被,土壤和气候等,构建用于模型训练的数据集;

6、步骤s3、分析变量的重要性,选择应用于模型训练的关键参数;

7、步骤s4、构建多源数据驱动的mlp深度神经网络模型,并预测与观测数据相对应的anpp与bnpp值;

8、步骤s5、整合模型预测值与实地观测值,验证模型预测精度;

9、步骤s6、在步骤s5的基础上,预测一定时间或区域内的anpp与bnpp,验证时间和空间上的预测精度;

10、步骤s7、根据地表土地覆被类型数据划分的植被类型,获取不同生态类型的anpp与bnpp的时空分布格局,并评价其时空变异特征。

11、优选地,所述步骤s1具体包括:依据样地观测数据收录规则,整合国内外现有数据库,并采用文献调研方式收集、筛选用于模型估算的anpp与bnpp野外实地观测数据;所述anpp与bnpp野外实地观测数据均包括数据的地理坐标、数据的观测起止年,数据来源信息;数据收录规则为:观测年限大于1年的数据,非人为干扰用地。

12、优选地,所述步骤s2还包括收集辅助变量,所述环境变量包括生物、非生物环境变量;所述步骤s2在构建用于模型训练的数据集时,考虑不同生态类型植被的气候-土壤-植被间的耦合关系。

13、优选地,所述步骤s2中构建用于模型训练的数据集的具体过程包括:

14、步骤s21、收集气候变量、植被变量、土壤变量和辅助分析数据并预处理,统一数据的空间坐标系及空间分辨率。

15、步骤s22、利用r语言raster包的extract函数,根据观测数据的观测起止年和地理坐标信息提取环境变量,构建训练数据集,该训练数据集包含anpp或bnpp观测值及环境变量。

16、优选地,所述步骤s3中分析变量的重要性的具体过程包括:

17、步骤s31、数据清洗,利用箱型图剔除异常值;

18、iqr=q3-q1#

19、value<q1-4.5*iqr#

20、value>q3+4.5*iqr#

21、其中,value为anpp或bnpp的异常值;q1为第一四分位数;q3为第三四分位数;iqr为四分位间距;

22、步骤s32、环境变量的自相关检验;利用方差膨胀因子vif检验因子间的线性相关关系,剔除高度自相关变量,剩下变量用于变量重要性分析;

23、

24、其中,ri为第i个解释变量对其他k-1个解释变量做线性回归所得的决定系数,若vif≥10,则表明自变量之间存在多重共线性;

25、步骤s33、变量重要性排序;构建基础的深度学习神经网络模型,利用dalex包对环境变量数据进行多次随机组合计算得到anpp或bnpp的各因子残差,利用残差作为变量重要性指标;在此基础上,选择合适个数的变量作为模型训练的关键变量参数;

26、最终,根据重要性排序与残差分析,将关键变量用于anpp与bnpp预测;

27、

28、其中,表示观测值yi的预测值,ri表示残差;

29、优选地,所述步骤s3中选择应用于模型训练的关键参数的具体过程包括:

30、步骤s34、基于10折交叉验证理论,将数据分割为10份,其中一份用于预测,其余9份用于训练,以循环每份预测数据;

31、步骤s35、设置模型迭代次数(500次),循环计算每折数据的模型误差得到10折交叉本文档来自技高网...

【技术保护点】

1.一种基于深度学习的ANPP与BNPP的遥感估算方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的方法,其特征在于,所述步骤S1包括:依据样地观测数据收录规则,整合国内外现有数据库,并采用文献调研方式收集、筛选用于模型估算的ANPP与BNPP野外实地观测数据;所述ANPP与BNPP野外实地观测数据均包括数据的地理坐标、数据的观测起止年,数据来源信息;数据收录规则为:观测年限大于1年的数据,非人为干扰用地。

3.根据权利要求1所述的方法,其特征在于,所述步骤S2还包括收集辅助变量,所述环境变量包括生物、非生物环境变量;所述步骤S2在构建用于模型训练的数据集时,考虑不同生态类型植被的气候-土壤-植被间的耦合关系。

4.根据权利要求3所述的方法,其特征在于,所述步骤S2中构建用于模型训练的数据集的具体过程包括:

5.根据权利要求1所述的方法,其特征在于,所述步骤S3中分析变量的重要性的具体过程包括:

6.根据权利要求5所述的方法,其特征在于,所述步骤S3中选择应用于模型训练的关键参数的具体过程包括:

7.根据权利要求1所述的方法,其特征在于,所述步骤S5中,利用决定系数R2,均方根误差RMSE,一致性相关系数LCCC,RMSE与四分位距之比RPIQ作为模型效率评价指标;

8.根据权利要求7所述的方法,其特征在于,所述步骤S5还包括,结合留一年交叉验证法和留一地理位置交叉验证法,从时间上和空间上进一步验证模型效率;根据获得的ANPP数据库的年份信息和站点信息、BNPP数据库的年份信息和站点信息,使用相同的模型参数和最优历元选择法,训练不同地点和时间的交叉验证的MLP模型,将MLP模型用于现场观测。

9.根据权利要求1所述的方法,其特征在于,所述步骤S6的具体过程包括:

10.根据权利要求9所述的方法,其特征在于,所述步骤S6进一步包括:结合MLP模型,利用蒙托卡洛方法随机预测200次ANPP与BNPP,并计算200次预测格网的变异系数(cv),将变异系数作为最终的预测结果不确定性分析指标;

...

【技术特征摘要】

1.一种基于深度学习的anpp与bnpp的遥感估算方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的方法,其特征在于,所述步骤s1包括:依据样地观测数据收录规则,整合国内外现有数据库,并采用文献调研方式收集、筛选用于模型估算的anpp与bnpp野外实地观测数据;所述anpp与bnpp野外实地观测数据均包括数据的地理坐标、数据的观测起止年,数据来源信息;数据收录规则为:观测年限大于1年的数据,非人为干扰用地。

3.根据权利要求1所述的方法,其特征在于,所述步骤s2还包括收集辅助变量,所述环境变量包括生物、非生物环境变量;所述步骤s2在构建用于模型训练的数据集时,考虑不同生态类型植被的气候-土壤-植被间的耦合关系。

4.根据权利要求3所述的方法,其特征在于,所述步骤s2中构建用于模型训练的数据集的具体过程包括:

5.根据权利要求1所述的方法,其特征在于,所述步骤s3中分析变量的重要性的具体过程包括:

6.根据权利要求5所述的方法,其特征在...

【专利技术属性】
技术研发人员:唐晓鹿张律周涛陈果曹龙熹李景吉程学俊贾冬李坪峰孙华章王保陈家贵徐争强马婵华赵炜赖长鸿谯程骏宋放樊辑唐涛
申请(专利权)人:成都理工大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1