本发明专利技术公开了一种利用可解释机器学习的植被生长归因分析方法及系统，涉及植被生长归因分析技术领域，包括以下步骤：步骤一，获取研究区域的归一化植被指数以及历史气象数据并进行预处理，构建初始数据集，并且将归一化植被指数用于描述植被生长情况；步骤二，利用趋势性和显著性分析方法对步骤一中得到的归一化植被指数数据进行年际变化、季节变化和空间演变分析；步骤三，通过输入步骤一中的历史气象数据，利用RclimDex模型提取出极端气候事件的特征，计算出十二种关键极端气候指数。本发明专利技术最终实现植被生长的气候归因分析，如此可以解决现有技术拟合精度较低，解释性较差的缺陷，用于区域植被生长情况的准确分析和预测。
1、植被生长归因分析是一种通过研究植被生长的各种因素，以识别和理解植被变化的方法。这种分析通常包括对气象、土壤、地形等自然因素的观察以及人为因素如农业实践或城市化的影响。通过综合考虑这些因素，植被生长归因分析旨在揭示导致植被变化的主要驱动因素。例如，该分析可以用于确定某个地区植被增加或减少的原因，是由于气候变化、土壤质地的改变，还是人类活动引起的。通过深入理解植被生长的归因，人们能够更好地制定可持续的土地管理策略，从而促进生态平衡和可持续发展。
2、植被生长归因分析的关键是对多种因素进行综合考虑，并运用科学方法进行量化和分析。这种分析可能包括遥感技术，如卫星影像，以监测大范围的植被覆盖变化。同时，地面观测和采样也是必要的，以获取更精确的气象、土壤和植被数据。通过整合这些信息，分析人员能够识别植被生长的趋势、变化的空间分布以及可能的影响因素。这种深入的归因分析有助于为生态系统管理和土地规划提供科学依据，使决策者更好地理解和应对植被生长的动态变化。
>技术实现思路1、本专利技术的目的是提供一种利用可解释机器学习的植被生长归因分析方法及系统，通过趋势性和显著性分析方法得到植被生长的时空变化，基于rclimdex模型得到极端气候指数，并利用地理探测器模型计算极端气候指数对植被生长的解释力，在满足时空自相关的显著性检验的情况下，将筛选的气候与植被因子用于模型的输入，构建基于深度学习方法的植被生长情况预测模型，通过精度检测以此实现未来植被生长情况的预测，接着利用沙普利值法量化输入特征对结果的影响，最终实现植被生长的气候归因分析，如此可以解决现有技术拟合精度较低，解释性较差的缺陷，用于区域植被生长情况的准确分析和预测，以解决上述
技术介绍
中的问题。
2、为了实现上述目的，本专利技术提供如下技术方案：一种利用可解释机器学习的植被生长归因分析方法，包括以下步骤：
3、步骤一，获取研究区域的归一化植被指数以及历史气象数据并进行预处理，构建初始数据集，并且将归一化植被指数用于描述植被生长情况；
4、步骤二，利用趋势性和显著性分析方法对步骤一中得到的归一化植被指数数据进行年际变化、季节变化和空间演变分析；
5、步骤三，通过输入步骤一中的历史气象数据，利用rclimdex模型提取出极端气候事件的特征，计算出十二种关键极端气候指数；
6、步骤四，对步骤三中得到的极端气候指数利用地理探测器模型计算其对归一化植被指数的解释力q；
7、步骤五，在满足时空自相关的显著性检验的情况下，通过步骤四中极端气候指数对归一化植被指数的解释力q的排序情况筛选气候因子，然后将筛选的气候因子和归一化植被指数一起加入到长短期记忆网络模型中，构建基于深度学习方法的植被生长情况预测模型；
8、步骤六，对步骤五得到的植被生长情况预测模型，选择决定系数、均方误差、平均绝对误差和平均绝对百分比误差来进行模型拟合预测和泛化的性能评价；
9、步骤七，在步骤六的模型性能评价完成后，利用沙普利值法量化输入特征对模型预测的影响。
10、优选的，步骤一中初始数据集构建方式如下：
11、从相关气象部门下载初始的网格化气象数据，包括降雨量、平均温度、最高温度、最低温度、平均风速、湿度和平均日照时数，接着确定研究区域的边界矢量，裁剪和拼接进而生成研究区域的气象数据，然后剔除异常值并利用插值方法补全缺失值从而得到综合气象数据；
12、利用遥感大数据处理平台对图像进行预处理，根据研究区域边界矢量数据对原始归一化植被指数数据进行拼接、投影和裁剪后，采用均值合成方法生成综合的归一化植被指数数据，然后剔除异常值并采用插值方法进行降尺度，保证与综合气象数据在空间分辨率上的一致性；
13、将综合气象数据和归一化植被指数数据按照时间顺序拼接进而得到初始数据集；
14、其中插值方法为反距离权重法、克里金插值法、自然近邻法、样条函数插值法、趋势法和深度插值法中的一种。
15、优选的，步骤二中趋势性和显著性分析方法，具体如下：
16、趋势性分析方法是利用一元线性回归分析方法研究归一化植被指数的趋势变化，具体方程为：，其中，参数意义为：n为年份，为第i年的归一化植被指数值，为多年值线性拟合斜率，当时，表明逐年递增，反之递减；
17、显著性分析方法利用mann-kendall方法计算出一个与归一化植被指数序列长度有关的检验统计量，并进行显著性检验来判断归一化植被指数序列是否存在趋势，对于长度为n的归一化植被指数序列，首先计算 ，其中，接着对s进行统计，计算其标准正态分布下的z值，其中，其中，参数意义为：z为显著性数值，s为统计量，为归一化植被指数序列变量，如果，表示分别通过了置信度为90%、95%、99%的显著性检验，通过显著性检验即认为归一化植被指数序列存在显著变化趋势。
18、优选的，步骤三中十二种关键极端气候指数，包括极端降水指数和极端温度指数两大类，其中极端降水指数有5天最大降水量、普通日降水强度、强降水日数、连续干旱日数、连续湿润日数和强降水量，极端温度指数有霜冻日数、日温差、最高气温、最低气温、暖持续日数和冷持续日数。
19、优选的，步骤四中利用地理探测器模型计算极端气候指数对归一化植被指数的解释力q，具体表达式如下：，其中，参数意义为：h=1，...，l，h为变量y（也就是归一化植被指数）的分层，即分类或分区， l表示分区数目，nh和n分别为层h和全区的单元数，和分别是层h和全区的y值的方差，q的值域为[0，1]，值越大表示解释能力越强，反之则越弱。
20、优选的，步骤五中基于深度学习方法的植被生长情况预测模型构建方式如下：
21、step 1，构建基础长短期记忆网络模型，包括遗忘门、输入门、状态更新门和输出门；
22、step 2，在满足时空自相关的显著性检验的情况下，将筛选得到的气候因子和归一化植被指数一起加入到基础长短期记忆网络模型中；
23、step 3，由于长短期记忆网络模型会使用堆叠的层来增加表征能力，考虑到样本数量以及气候生态模型的复杂性，通过调整模型参数，综合对比多层长短期记忆网络模型的性能，选择3层的长短期记忆网络模型为最优的基于深度学习方法的植被生长情况预测模型。
24、优选的，步骤七中沙普利值法，具体如下：
25、沙普利值法是一种在博弈论中发展起本文档来自技高网...
【技术保护点】
1.一种利用可解释机器学习的植被生长归因分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种利用可解释机器学习的植被生长归因分析方法，其特征在于，步骤一中初始数据集构建方式如下：
3.根据权利要求1所述的一种利用可解释机器学习的植被生长归因分析方法，其特征在于，步骤二中趋势性和显著性分析方法，具体如下：
4.根据权利要求1所述的一种利用可解释机器学习的植被生长归因分析方法，其特征在于，步骤三中十二种关键极端气候指数，包括极端降水指数和极端温度指数两大类，其中极端降水指数有5天最大降水量、普通日降水强度、强降水日数、连续干旱日数、连续湿润日数和强降水量，极端温度指数有霜冻日数、日温差、最高气温、最低气温、暖持续日数和冷持续日数。
5.根据权利要求1所述的一种利用可解释机器学习的植被生长归因分析方法，其特征在于，步骤四中利用地理探测器模型计算极端气候指数对归一化植被指数的解释力Q，具体表达式如下：，其中，参数意义为：h=1，...，L，h为变量Y的分层，即分类或分区， L表示分区数目，Nh和N分别为层h和全区的单元数，和分别是层h和全区的Y值的方差，Q的值域为[0，1]，值越大表示解释能力越强，反之则越弱。
6.根据权利要求1所述的一种利用可解释机器学习的植被生长归因分析方法，其特征在于，步骤五中基于深度学习方法的植被生长情况预测模型构建方式如下：
7.根据权利要求1所述的一种利用可解释机器学习的植被生长归因分析方法，其特征在于，步骤七中沙普利值法，具体如下：
8.一种利用可解释机器学习的植被生长归因分析系统，其特征在于，包括数据获取单元、一级气候归因分析单元和二级气候归因分析单元；
9.根据权利要求8所述的一种利用可解释机器学习的植被生长归因分析系统，其特征在于，一级气候归因分析单元包括植被生长时空分析模块和极端气候指数计算模块；
10.根据权利要求8所述的一种利用可解释机器学习的植被生长归因分析系统，其特征在于，二级气候归因分析单元包括植被生长深度学习建模模块、模型性能评价模块和特征重要性量化模块；
...
【技术特征摘要】
1.一种利用可解释机器学习的植被生长归因分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种利用可解释机器学习的植被生长归因分析方法，其特征在于，步骤一中初始数据集构建方式如下：
3.根据权利要求1所述的一种利用可解释机器学习的植被生长归因分析方法，其特征在于，步骤二中趋势性和显著性分析方法，具体如下：
4.根据权利要求1所述的一种利用可解释机器学习的植被生长归因分析方法，其特征在于，步骤三中十二种关键极端气候指数，包括极端降水指数和极端温度指数两大类，其中极端降水指数有5天最大降水量、普通日降水强度、强降水日数、连续干旱日数、连续湿润日数和强降水量，极端温度指数有霜冻日数、日温差、最高气温、最低气温、暖持续日数和冷持续日数。
5.根据权利要求1所述的一种利用可解释机器学习的植被生长归因分析方法，其特征在于，步骤四中利用地理探测器模型计算极端气候指数对归一化植被指数的解释力q，具体表达式如下：，其中，参数意义为：h=1，...，l，h为变量y的分层，即...
【专利技术属性】
技术研发人员：鲍娜娜，李晨阳，闫星廷，魏圆圆，彭凯，刘明宇，
申请(专利权)人：安徽大学，
类型：发明
国别省市：
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。