【技術實現步驟摘要】
本專利技術涉及黑土區耕地有機碳診斷，特別是涉及一種基于地理大數據與ai的黑土耕地有機碳退化診斷方法。
技術介紹
1、黑土是一種顏色較深且富含有機碳的土壤，具有較高肥力，常被用作農業種植。近年來，由于高強度的開發與利用，我國黑土區耕地有機碳銳減，肥力下降。在當前黑土區耕地有機碳退化評價工作中，主要包含土壤樣品采集與分析、土壤空間制圖、專家判定評價等方法。其中，大面積的土壤樣品采集與分析需要耗費大量人力物力與時間成本，導致評價結果的時效性與動態性受到嚴重影響。此外，簡易的土壤空間制圖未充分考慮氣候、地形、農業活動等因素的影響，影響評價結果的精確性。最后基于專家打分獲得的評價指標依賴人的先驗知識，無法排除主觀影響。
2、目前地理空間大數據、云計算與人工智能已經應用在多個研究領域，進行空間特征分析、影響因素識別等方面應用，但該技術在黑土區耕地有機碳退化評價方面尚未得到充分應用。因此，設計一種基于地理大數據與ai的黑土耕地有機碳退化診斷方法是十分有必要的。
技術實現思路
1、為了克服現有技術的不足，本專利技術的目的是提供一種基于地理大數據與ai的黑土耕地有機碳退化診斷方法。
2、為實現上述目的，本專利技術提供了如下方案：
3、本專利技術提供了一種基于地理大數據與ai的黑土耕地有機碳退化診斷方法，包括：
4、構建黑土區耕地有機碳退化潛在影響因素數據集；
5、判斷潛在影響因素的空間相關性；
6、構建黑土區耕地有機碳退化診斷模
7、基于黑土區耕地有機碳退化潛在影響因素數據集對黑土區耕地有機碳退化診斷模型進行訓練，得到訓練后的黑土區耕地有機碳退化診斷模型；
8、基于訓練后的黑土區耕地有機碳退化診斷模型進行有機碳退化影響因素識別；
9、基于識別結果，進行有機碳退化影響因素作用機制解析。
10、優選地，構建黑土區耕地有機碳退化潛在影響因素數據集，具體為：
11、對因素與有機碳變化之間的關系進行擬合，并據此分析因素對有機碳變化的影響，其中，因素包括氣候因素、土壤因素、地形因素以及農業活動因素，氣候因素包括干旱指數、多年年均降水、多年年均氣溫、多年年均風速及多年春季平均風速，土壤因素包括土壤容重、陽離子交換量、ph、砂粒含量、粉粒含量、粘粒含量、總氮含量、總磷含量、總鉀含量、初始有機碳、表層土壤溫度以及成土母質，地形因素包括數字高程、坡向、坡度及地形濕度指數，農業活動因素包括種植結構變化以及農墾經營方式；
12、對于已經公開的柵格數據源的因素，基于谷歌云計算平臺獲取柵格數據，并對柵格進行空間分辨率重采樣；
13、對于矢量數據格式的因素，基于arcmap對數據進行矢量到柵格的數據格式轉化；
14、構建所有因素的統一空間分辨率的柵格數據集，得到黑土區耕地有機碳退化潛在影響因素數據集。
15、優選地，判斷潛在影響因素的空間相關性，具體為：
16、基于皮爾森相關系數分析潛在影響因素中的連續變量的空間相關性，用于減少數據冗余信息；
17、以黑土耕地空間分布數據為基礎，對氣候、土壤、地形和農業活動因素的柵格數據進行空間掩膜切割，其中，僅保留黑土區耕地內部的數據；
18、基于arcmap形成覆蓋黑土區的5公里格網的中心點矢量數據，在此基礎上，基于arcpy批量提取所有因素與耕地有機碳變化的數值，形成矩陣數據表；
19、去掉矩陣數據表中帶有缺失值的格網中心點，僅保留所有因素均有有效值的格網中心點計算皮爾森相關系數，排除冗余變量，為：
20、
21、其中，cov(x,y)表示變量x與y的協方差，σx和σy分別表示x與y的標準差。
22、優選地，構建黑土區耕地有機碳退化診斷模型，具體為：
23、構建xgboost模型作為黑土區耕地有機碳退化診斷模型。
24、優選地，基于黑土區耕地有機碳退化潛在影響因素數據集對黑土區耕地有機碳退化診斷模型進行訓練，得到訓練后的黑土區耕地有機碳退化診斷模型，具體為：
25、基于10-fold交叉驗證方法，將黑土區耕地有機碳退化潛在影響因素數據集等量劃分為十個子集，并依次將每個子集作為驗證集，剩余九個子集作為訓練集，構建十個訓練集與驗證集組合，對于每個訓練集與驗證集組合，基于其中的訓練集訓練xgboost模型，并計算該模型在驗證集上預測的均方根誤差，得到十個xgboost模型及對應的驗證集誤差，以最小化十個模型的平均驗證集誤差為目標，通過網格搜索的方法重復10-fold交叉驗證過程，確定機器學習模型的較優參數組合；
26、xgboost模型參數為決策樹的最大深度max_depth和決策樹數量n_estimators，網格分別為[5,10,15,20]和[40,80,120,160]。
27、優選地，基于訓練后的黑土有機碳退化診斷模型進行有機碳退化影響因素識別，具體為：
28、針對十個xgboost模型，利用shap方法在訓練集上計算每個因素對每個樣本的預測結果的貢獻，某個因素對訓練集所有樣本的平均貢獻值的絕對值作為該因素的重要性，根據模型將得到每個因素的十個重要性結果，根據十個重要性結果的中位數對因素的重要性進行排序。
29、優選地，基于識別結果，進行黑土區耕地有機碳退化影響因素作用機制解析，具體為：
30、對每個因素，確定其取值范圍，從而等間隔取30個數值，在固定其他因素數值不變的情況下，將數據集中該因素的數值全部依次設為這30個數值，并分別計算模型的平均預測值，得到該因素數值與平均預測結果間關系的折線，根據xgboost模型將分別得到對應的十條折線，計算其平均折線和90％置信區間，得到部分依賴圖，即驅動機制。
31、根據本專利技術提供的具體實施例，本專利技術公開了以下技術效果：
32、本專利技術提供了一種基于地理大數據與ai的黑土耕地有機碳退化診斷方法，該方法包括構建黑土區耕地有機碳退化潛在影響因素數據集，構建黑土區耕地有機碳退化診斷模型，基于黑土區耕地有機碳退化潛在影響因素數據集對黑土區耕地有機碳退化診斷模型進行訓練，得到訓練后的黑土區耕地有機碳退化診斷模型，基于訓練后的黑土區耕地有機碳退化診斷模型進行有機碳退化影響因素識別，基于識別結果，進行黑土區耕地有機碳退化影響因素作用機制解析。本專利技術利用地理空間大數據與云計算，免去了因大面積土壤樣品采集與分析造成的人力物力與時間成本，基于地理空間大數據與云計算的高分辨率和實時更新能力，可精準識別黑土區耕地有機碳退化區域，同時對退化進行動態評價，利用人工智能算法，可精準識別黑土區耕地有機碳退化主控因子，能夠客觀評價退化現狀。
本文檔來自技高網...【技術保護點】
1.一種基于地理大數據與AI的黑土耕地有機碳退化診斷方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，構建黑土區耕地有機碳退化潛在影響因素數據集，具體為：
3.根據權利要求2所述的方法，其特征在于，判斷潛在影響因素的空間相關性，具體為：
4.根據權利要求1所述的方法，其特征在于，構建黑土區耕地有機碳退化診斷模型，具體為：
5.根據權利要求4所述的方法，其特征在于，基于黑土區耕地有機碳退化潛在影響因素數據集對黑土區耕地有機碳退化診斷模型進行訓練，得到訓練后的黑土區耕地有機碳退化診斷模型，具體為：
6.根據權利要求5所述的方法，其特征在于，基于訓練后的黑土有機碳退化診斷模型進行有機碳退化影響因素識別，具體為：
7.根據權利要求6所述的方法，其特征在于，基于識別結果，進行黑土區耕地有機碳退化影響因素作用機制解析，具體為：
【技術特征摘要】
1.一種基于地理大數據與ai的黑土耕地有機碳退化診斷方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，構建黑土區耕地有機碳退化潛在影響因素數據集，具體為：
3.根據權利要求2所述的方法，其特征在于，判斷潛在影響因素的空間相關性，具體為：
4.根據權利要求1所述的方法，其特征在于，構建黑土區耕地有機碳退化診斷模型，具體為：
5.根據權利要求4...
【專利技術屬性】
技術研發人員：廖曉勇，李之超，姚啟星，李靜，李澤紅，董金瑋，
申請(專利權)人：中國科學院地理科學與資源研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。