【技術實現步驟摘要】
本專利技術涉及生態環境，更具體的說是涉及一種城市群固碳能力驅動因素的關鍵閾值確定方法。
技術介紹
1、生態系統的固碳(cs)能力在維持生態平衡和碳循環方面起著至關重要的作用，隨著城市化進程的快速發展，城市群已成為陸地生態系統的重要組成部分，在調節大氣二氧化碳濃度和碳循環方面起著不可替代的作用。因此，對城市群固碳能力的驅動因素閾值進行研究，對于科學理解碳循環、促進可持續發展、減緩氣候變化具有重要意義，也有助于未來氣候變化條件下城市群生態系統的碳匯評估。
2、但是，現有的關于固碳能力的驅動因素的研究，大多采用線性統計回歸和機器學習方法，往往僅探討一個或幾個驅動因素與cs之間的相關關系，而不全面考慮驅動因素與cs之間的內在因果關系，以及驅動因素之間的直接和間接影響；此外，城市群固碳量對驅動因素的具體響應閾值目前尚不清楚。導致難以更深入科學地理解城市群碳循環，不利于構建可持續發展的城市生態系統。
3、因此，如何探究固碳能力與驅動因素之間的因果關系，以及確定驅動因素的關鍵閾值，是本領域技術人員亟需解決的問題。
技術實現思路
1、有鑒于此，本專利技術提供了一種城市群固碳能力驅動因素的關鍵閾值確定方法，結合了因果推理、機器學習、沙普利加法解釋和變化點檢測，從而對城市群中驅動因素的關鍵閾值進行分析。
2、為了實現上述目的，本專利技術提供如下技術方案：
3、本專利技術公開了一種城市群固碳能力驅動因素的關鍵閾值確定方法，具體步驟如下：
4、獲
5、基于因果推理，確定所述歷史數據集中各驅動因素之間的因果效應；
6、根據所述因果效應確定固碳量可靠驅動因素，基于所述固碳量可靠驅動因素的歷史數據和所述歷史固碳量數據，整理得到訓練樣本，訓練固碳量回歸模型；
7、采用沙普利加法解釋，確定各所述訓練樣本中各特征的沙普利值，將模型輸出結果解釋為二元變量線性函數；
8、基于全部所述回歸樣本中的各特征的沙普利值，繪制各驅動因素的依賴圖，采用變點檢測方法確定各依賴圖中散點數據的變點，并根據所述變點對應的驅動因素斜率值確定對應驅動因素的關鍵閾值。
9、優選的，所述固碳量數據通過凈初生產力獲得，包括市轄區和非市轄區的固碳量數據；所述驅動因素包括：年造林面積、人口密度、夜間燈光、太陽輻射、氣溫、降水、葉綠素熒光。
10、優選的，所述因果推理，具體包括：
11、以固碳量和驅動因素為有向無環圖的節點，基于所假設的因果關系，確定有向無環圖的邊，建立描述不同驅動因素和固碳量之間假定因果關系的有向無環圖；
12、采用前門準則、后門準則等方法驗證所述有向無環圖初始假設的正確性，確定最終因果效應。
13、優選的，所述因果效應的計算，包括：根據前門準則和后門準則，識別有向無環圖節點(變量)間的因果關系；根據所述前門準則和所述后門準則對應的因果效應公式，計算兩點之間的因果效應值；
14、所述后門準則為：選定有向無環圖中一對有序變量(x,y)，如果變量集合z滿足z中沒有變量x的后代節點，且z阻斷了變量x與變量y之間的全部含有指向x的路徑，則變量集合z滿足關于(x,y)的后門準則；
15、所述前門準則為：選定有向無環圖中一對有序變量(x,y)，如果變量集合z滿足z切斷了所有x到y的有向路徑，且x到z沒有后門路徑，且所有z到y的后門路徑都被x阻斷，則變量集合z滿足關于(x,y)的前門準則；
16、后門因果效應公式為：
17、p(y＝y|do(x＝x))＝∑zp(y＝y|x＝x,z＝z)p(z＝z)；
18、前門因果效應公式為：
19、p(y＝y|do(x＝x))＝∑zp(z＝z|do(x＝x))p(y＝y|do(z))＝∑zp(z|x)∑x'p(y|x',z)p(x')。
20、優選的，所述訓練樣本中，樣本特征包括：市轄區和非市轄區特征、驅動因素特征；所述訓練樣本的樣本標簽為固碳量斜率，所述驅動因素特征為各驅動因素的斜率。
21、優選的，所述固碳量回歸模型為lightgbm模型，所述lightgbm模型基于直方圖算法對連續特征離散化處理，所述lightgbm模型采用基于葉子生長的leaf-wise增長策略，所述lightgbm模型的目標函數為：
22、
23、式中，objt為目標函數；yi為回歸目標實際值，為模型第t次回歸值；n為樣本數量；ω為模型正則項。
24、優選的，所述lightgbm模型采用網格搜索算法尋找全局最佳超參數，具體步驟如下：
25、定義超參數空間：設置超參數的取值范圍；
26、創建超參數組合：將超參數空間劃分成不同的子空間，并生成超參數組合；
27、訓練和評估模型：按照每個超參數組合的設定，訓練模型并通過交叉驗證方法評估模型性能；
28、選擇最佳模型：根據評估結果，選擇性能最佳的超參數組合。
29、優選的，所述二元變量線性函數為：
30、
31、式中，x'是經過映射函數簡化后的輸入變量；m是輸入的特征數。
32、優選的，所述依賴圖為一個散點圖，用于顯示單個驅動因素對固碳量的影響；所述依賴圖中每個點代表一個樣本點，x軸為驅動因素的斜率，y軸為驅動因素的沙普利值，表示驅動因素特征對所述固碳量回歸模型輸出的改變程度。
33、優選的，所述變點檢測方法為動態規劃法，通過最小化代價函數確定所述依賴圖中散點數據的變點；所述最小化代價函數為：
34、
35、式中，τ表示變化點，k表示變化點的個數，代表序列的損失函數。
36、經由上述的技術方案可知，與現有技術相比，本專利技術公開提供了一種城市群固碳能力驅動因素的關鍵閾值確定方法，基于因果推理，確定了各驅動因素之間的因果效應，從而考慮各驅動因素之間的內在因果關系，對各驅動因素與固碳量之間的影響進行分析。進一步利用機器學習模型和沙普利加法解釋對各個影響因素對固碳量的貢獻進行分析，并通過依賴圖和變點檢測方法，準確地確定各個驅動因素的關鍵閾值，實現對各個驅動因素關鍵閾值的探測，為碳循環和生態系統科學管理提供借鑒與參考。本專利技術能夠對各個驅動因素及固碳量之間的內在因果關系進行分析，準確探測各驅動因素的關鍵閾值，從而更深入科學地理解城市群碳循環，更好地減緩氣候變化，實現城市生態系統可持續發展。
本文檔來自技高網...【技術保護點】
1.一種城市群固碳能力驅動因素的關鍵閾值確定方法，其特征在于，具體步驟如下：
2.根據權利要求1所述的一種城市群固碳能力驅動因素的關鍵閾值確定方法，其特征在于，所述固碳量數據通過凈初生產力獲得，包括市轄區和非市轄區的固碳量數據；所述驅動因素包括：年造林面積、人口密度、夜間燈光、太陽輻射、氣溫、降水、葉綠素熒光。
3.根據權利要求1所述的一種城市群固碳能力驅動因素的關鍵閾值確定方法，其特征在于，所述因果推理，具體包括：
4.根據權利要求3所述的一種城市群固碳能力驅動因素的關鍵閾值確定方法，其特征在于，所述因果效應的計算，包括：根據前門準則和后門準則，識別有向無環圖節點間的因果關系；根據所述前門準則和所述后門準則對應的因果效應公式，計算兩點之間的因果效應值；
5.根據權利要求1所述的一種城市群固碳能力驅動因素的關鍵閾值確定方法，其特征在于，所述訓練樣本中，樣本特征包括：市轄區和非市轄區特征、驅動因素特征；所述訓練樣本的樣本標簽為固碳量斜率，所述驅動因素特征為各驅動因素的斜率。
6.根據權利要求1所述的一種城市群固碳能力驅動因
7.根據權利要求6所述的一種城市群固碳能力驅動因素的關鍵閾值確定方法，其特征在于，所述LightGBM模型采用網格搜索算法尋找全局最佳超參數，具體步驟如下：
8.根據權利要求1所述的一種城市群固碳能力驅動因素的關鍵閾值確定方法，其特征在于，所述二元變量線性函數為：
9.根據權利要求1所述的一種城市群固碳能力驅動因素的關鍵閾值確定方法，其特征在于，所述依賴圖為一個散點圖，用于顯示單個驅動因素對固碳量的影響；所述依賴圖中每個點代表一個樣本點，x軸為驅動因素的斜率，y軸為驅動因素的沙普利值，表示驅動因素特征對所述固碳量回歸模型輸出的改變程度。
10.根據權利要求1所述的一種城市群固碳能力驅動因素的關鍵閾值確定方法，其特征在于，所述變點檢測方法為動態規劃法，通過最小化代價函數確定所述依賴圖中散點數據的變點；所述最小化代價函數為：
...【技術特征摘要】
1.一種城市群固碳能力驅動因素的關鍵閾值確定方法，其特征在于，具體步驟如下：
2.根據權利要求1所述的一種城市群固碳能力驅動因素的關鍵閾值確定方法，其特征在于，所述固碳量數據通過凈初生產力獲得，包括市轄區和非市轄區的固碳量數據；所述驅動因素包括：年造林面積、人口密度、夜間燈光、太陽輻射、氣溫、降水、葉綠素熒光。
3.根據權利要求1所述的一種城市群固碳能力驅動因素的關鍵閾值確定方法，其特征在于，所述因果推理，具體包括：
4.根據權利要求3所述的一種城市群固碳能力驅動因素的關鍵閾值確定方法，其特征在于，所述因果效應的計算，包括：根據前門準則和后門準則，識別有向無環圖節點間的因果關系；根據所述前門準則和所述后門準則對應的因果效應公式，計算兩點之間的因果效應值；
5.根據權利要求1所述的一種城市群固碳能力驅動因素的關鍵閾值確定方法，其特征在于，所述訓練樣本中，樣本特征包括：市轄區和非市轄區特征、驅動因素特征；所述訓練樣本的樣本標簽為固碳量斜率，所述驅動因素特征為各驅動因素的斜率。
6.根據權利要求1所述的一種城市群固碳能力驅動因素的關鍵閾值確定...
【專利技術屬性】
技術研發人員：馬偉波，張寅，李海東，胡慶武，王楠，趙立君，姚國慧，陳逸聰，邵雅梅，杜涵蓓，
申請(專利權)人：生態環境部南京環境科學研究所，
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。