【技术实现步骤摘要】
本专利技术涉及黑土区耕地有机碳诊断，特别是涉及一种基于地理大数据与ai的黑土耕地有机碳退化诊断方法。
技术介绍
1、黑土是一种颜色较深且富含有机碳的土壤，具有较高肥力，常被用作农业种植。近年来，由于高强度的开发与利用，我国黑土区耕地有机碳锐减，肥力下降。在当前黑土区耕地有机碳退化评价工作中，主要包含土壤样品采集与分析、土壤空间制图、专家判定评价等方法。其中，大面积的土壤样品采集与分析需要耗费大量人力物力与时间成本，导致评价结果的时效性与动态性受到严重影响。此外，简易的土壤空间制图未充分考虑气候、地形、农业活动等因素的影响，影响评价结果的精确性。最后基于专家打分获得的评价指标依赖人的先验知识，无法排除主观影响。
2、目前地理空间大数据、云计算与人工智能已经应用在多个研究领域，进行空间特征分析、影响因素识别等方面应用，但该技术在黑土区耕地有机碳退化评价方面尚未得到充分应用。因此，设计一种基于地理大数据与ai的黑土耕地有机碳退化诊断方法是十分有必要的。
技术实现思路
1、为了克服现有技术的不足，本专利技术的目的是提供一种基于地理大数据与ai的黑土耕地有机碳退化诊断方法。
2、为实现上述目的，本专利技术提供了如下方案：
3、本专利技术提供了一种基于地理大数据与ai的黑土耕地有机碳退化诊断方法，包括：
4、构建黑土区耕地有机碳退化潜在影响因素数据集；
5、判断潜在影响因素的空间相关性；
6、构建黑土区耕地有机碳退化诊断模
7、基于黑土区耕地有机碳退化潜在影响因素数据集对黑土区耕地有机碳退化诊断模型进行训练，得到训练后的黑土区耕地有机碳退化诊断模型；
8、基于训练后的黑土区耕地有机碳退化诊断模型进行有机碳退化影响因素识别；
9、基于识别结果，进行有机碳退化影响因素作用机制解析。
10、优选地，构建黑土区耕地有机碳退化潜在影响因素数据集，具体为：
11、对因素与有机碳变化之间的关系进行拟合，并据此分析因素对有机碳变化的影响，其中，因素包括气候因素、土壤因素、地形因素以及农业活动因素，气候因素包括干旱指数、多年年均降水、多年年均气温、多年年均风速及多年春季平均风速，土壤因素包括土壤容重、阳离子交换量、ph、砂粒含量、粉粒含量、粘粒含量、总氮含量、总磷含量、总钾含量、初始有机碳、表层土壤温度以及成土母质，地形因素包括数字高程、坡向、坡度及地形湿度指数，农业活动因素包括种植结构变化以及农垦经营方式；
12、对于已经公开的栅格数据源的因素，基于谷歌云计算平台获取栅格数据，并对栅格进行空间分辨率重采样；
13、对于矢量数据格式的因素，基于arcmap对数据进行矢量到栅格的数据格式转化；
14、构建所有因素的统一空间分辨率的栅格数据集，得到黑土区耕地有机碳退化潜在影响因素数据集。
15、优选地，判断潜在影响因素的空间相关性，具体为：
16、基于皮尔森相关系数分析潜在影响因素中的连续变量的空间相关性，用于减少数据冗余信息；
17、以黑土耕地空间分布数据为基础，对气候、土壤、地形和农业活动因素的栅格数据进行空间掩膜切割，其中，仅保留黑土区耕地内部的数据；
18、基于arcmap形成覆盖黑土区的5公里格网的中心点矢量数据，在此基础上，基于arcpy批量提取所有因素与耕地有机碳变化的数值，形成矩阵数据表；
19、去掉矩阵数据表中带有缺失值的格网中心点，仅保留所有因素均有有效值的格网中心点计算皮尔森相关系数，排除冗余变量，为：
20、
21、其中，cov(x,y)表示变量x与y的协方差，σx和σy分别表示x与y的标准差。
22、优选地，构建黑土区耕地有机碳退化诊断模型，具体为：
23、构建xgboost模型作为黑土区耕地有机碳退化诊断模型。
24、优选地，基于黑土区耕地有机碳退化潜在影响因素数据集对黑土区耕地有机碳退化诊断模型进行训练，得到训练后的黑土区耕地有机碳退化诊断模型，具体为：
25、基于10-fold交叉验证方法，将黑土区耕地有机碳退化潜在影响因素数据集等量划分为十个子集，并依次将每个子集作为验证集，剩余九个子集作为训练集，构建十个训练集与验证集组合，对于每个训练集与验证集组合，基于其中的训练集训练xgboost模型，并计算该模型在验证集上预测的均方根误差，得到十个xgboost模型及对应的验证集误差，以最小化十个模型的平均验证集误差为目标，通过网格搜索的方法重复10-fold交叉验证过程，确定机器学习模型的较优参数组合；
26、xgboost模型参数为决策树的最大深度max_depth和决策树数量n_estimators，网格分别为[5,10,15,20]和[40,80,120,160]。
27、优选地，基于训练后的黑土有机碳退化诊断模型进行有机碳退化影响因素识别，具体为：
28、针对十个xgboost模型，利用shap方法在训练集上计算每个因素对每个样本的预测结果的贡献，某个因素对训练集所有样本的平均贡献值的绝对值作为该因素的重要性，根据模型将得到每个因素的十个重要性结果，根据十个重要性结果的中位数对因素的重要性进行排序。
29、优选地，基于识别结果，进行黑土区耕地有机碳退化影响因素作用机制解析，具体为：
30、对每个因素，确定其取值范围，从而等间隔取30个数值，在固定其他因素数值不变的情况下，将数据集中该因素的数值全部依次设为这30个数值，并分别计算模型的平均预测值，得到该因素数值与平均预测结果间关系的折线，根据xgboost模型将分别得到对应的十条折线，计算其平均折线和90％置信区间，得到部分依赖图，即驱动机制。
31、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
32、本专利技术提供了一种基于地理大数据与ai的黑土耕地有机碳退化诊断方法，该方法包括构建黑土区耕地有机碳退化潜在影响因素数据集，构建黑土区耕地有机碳退化诊断模型，基于黑土区耕地有机碳退化潜在影响因素数据集对黑土区耕地有机碳退化诊断模型进行训练，得到训练后的黑土区耕地有机碳退化诊断模型，基于训练后的黑土区耕地有机碳退化诊断模型进行有机碳退化影响因素识别，基于识别结果，进行黑土区耕地有机碳退化影响因素作用机制解析。本专利技术利用地理空间大数据与云计算，免去了因大面积土壤样品采集与分析造成的人力物力与时间成本，基于地理空间大数据与云计算的高分辨率和实时更新能力，可精准识别黑土区耕地有机碳退化区域，同时对退化进行动态评价，利用人工智能算法，可精准识别黑土区耕地有机碳退化主控因子，能够客观评价退化现状。
本文档来自技高网...【技术保护点】
1.一种基于地理大数据与AI的黑土耕地有机碳退化诊断方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，构建黑土区耕地有机碳退化潜在影响因素数据集，具体为：
3.根据权利要求2所述的方法，其特征在于，判断潜在影响因素的空间相关性，具体为：
4.根据权利要求1所述的方法，其特征在于，构建黑土区耕地有机碳退化诊断模型，具体为：
5.根据权利要求4所述的方法，其特征在于，基于黑土区耕地有机碳退化潜在影响因素数据集对黑土区耕地有机碳退化诊断模型进行训练，得到训练后的黑土区耕地有机碳退化诊断模型，具体为：
6.根据权利要求5所述的方法，其特征在于，基于训练后的黑土有机碳退化诊断模型进行有机碳退化影响因素识别，具体为：
7.根据权利要求6所述的方法，其特征在于，基于识别结果，进行黑土区耕地有机碳退化影响因素作用机制解析，具体为：
【技术特征摘要】
1.一种基于地理大数据与ai的黑土耕地有机碳退化诊断方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，构建黑土区耕地有机碳退化潜在影响因素数据集，具体为：
3.根据权利要求2所述的方法，其特征在于，判断潜在影响因素的空间相关性，具体为：
4.根据权利要求1所述的方法，其特征在于，构建黑土区耕地有机碳退化诊断模型，具体为：
5.根据权利要求4...
【专利技术属性】
技术研发人员：廖晓勇，李之超，姚启星，李静，李泽红，董金玮，
申请(专利权)人：中国科学院地理科学与资源研究所，
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。