CN115795814A - 一种动态植被模型的敏感性参数校准方法及系统 - Google Patents
一种动态植被模型的敏感性参数校准方法及系统 Download PDFInfo
- Publication number
- CN115795814A CN115795814A CN202211405397.3A CN202211405397A CN115795814A CN 115795814 A CN115795814 A CN 115795814A CN 202211405397 A CN202211405397 A CN 202211405397A CN 115795814 A CN115795814 A CN 115795814A
- Authority
- CN
- China
- Prior art keywords
- sensitivity
- parameter
- value
- vegetation model
- dynamic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种动态植被模型的敏感性参数校准方法及系统，涉及参数敏感性分析技术领域，包括确定对处于某一区域上的动态植被模型具有影响的多个参数的名称、最大值、最小值、默认值，将各个参数的最大值及最小值所构成的取值区间均分为多个采样点，并利用Sobol敏感性分析法计算各个参数的一阶影响指数及总效应指数，确定动态植被模型在该区域上的敏感性参数，根据所确定的敏感性参数更新动态植被模型；利用遗传算法对敏感性参数的默认值进行校准。本发明使用Sobol敏感性分析法在多点上进行敏感性参数识别，实现了对于生态学领域的动态植被模型自主进行参数的敏感性分析，可应用于生态学领域多点的参数敏感性识别和敏感性参数校准。
Description
技术领域
本发明涉及动态植被模型参数敏感性分析技术领域，具体为一种动态植被模型的敏感性参数校准方法及系统。
背景技术
对植被的动态监测可以从一定程度上反映气候变化的趋势，因此对气候～植被关系的研究在国内外广泛地开展，动态植被模型LPJ-GUESS(LPJ-GUESS:Lund-Potsdam-Jena-GUESS)动态植被模型应运而生。为了研究动态植被模型LPJ-GUESS中各种参数对动态植被模型整体的影响力，需要对动态植被模型进行参数敏感性分析。
敏感性分析是研究与分析动态植被模型的状态或输出变化对参数或周围条件变化的敏感程度的方法，用于评价哪些参数对系统或动态植被模型有较大的影响。敏感性分析应用领域较广，如水文学、经济学等领域。敏感性分析方法主要分为全局敏感性分析(回归法、Morris搜索法、Sobol)和局部敏感性分析(OAT法、偏导数法)。局部敏感分析只检验单个参数的变化对动态植被模型结果的影响程度，全局灵敏度分析则检验多个参数的变化对动态植被模型运行结果总的影响，并分析每一个参数及其参数之间相互作用对动态植被模型结果的影响，
其中全局敏感性分析Sobol法可处理非线性响应，并且可以度量非加性系统中相互作用的影响，因此可以适用生态学领域的动态植被模型。但是现有的Sobol主要是针对电子元件和工程类的敏感性分析，由于工程类元件在机器中不会随意更改，故只针对单点进行敏感性分析。
此外，为了对敏感性参数的当前用于参数优化等方法有梯度下降法、贝叶斯算法、遗传算法等。其中遗传算法以生物进化为原型，具有很好的收敛性，在计算精度要求时，计算时间少，鲁棒性高，使用概率机制进行迭代，具有随机性。但是现有的遗传算法多为最优路径的计算方法，主要是针对组合优化和人工生命而设计的，针对单个工程元件的参数，且在生态学动态植被模型中应用较少，不能应用到生态学领域中的区域的多点校准。
发明内容
本发明提出了一种动态植被模型的敏感性参数校准方法及系统，首先利用基于方差分解理论的Sobol方法对多点进行敏感性分析，实现了参数在整个区域的敏感性表征，再利用遗传算法对敏感性参数的取值进行校准，使得校准后的参数更加贴合动态植被模型的实际应用情况。
本发明提供了一种动态植被模型的敏感性参数校准方法，包括：
确定对处于某一区域上的动态植被模型具有影响的多个参数的名称、最大值、最小值、默认值，将各个参数的最大值及最小值所构成的取值区间均分为多个采样点；
根据各个参数的多个采样点，利用Sobol敏感性分析法计算各个参数的一阶影响指数及总效应指数；将各个参数的一阶影响指数及总效应指数与预先设定的阈值进行对比，确定动态植被模型在该区域上的敏感性参数，根据所确定的敏感性参数更新动态植被模型；
根据所确定的敏感性参数的名称、默认值、最大值、最小值，利用遗传算法对敏感性参数的默认值进行校准，得到校准后的敏感性参数的取值。
进一步地，还包括：在利用所述遗传算法对敏感性参数进行校准后，对更新后的动态植被模型可信度进行检验。
进一步地，所述对更新后的动态植被模型可信度进行检验，包括以下步骤：
根据所述敏感性参数的最大值、最小值及校准后的值，利用Matlab来调用所述更新后的动态植被模型运行，对多个选取的点位进行多点位模拟，对应得到多个模拟值；
获取所述敏感性参数的多个选取的点位在动态植被模型中所对应的多个观测值；
分别计算所述敏感性参数的模拟值与其所对应的观测值之间的相关系数和纳什效率系数；当所述敏感性参数的模拟值与其所对应的观测值之间的相关系数、纳什效率系数越接近于1，则表明更新后的动态植被模型可信度越高。
进一步地，所述根据各个参数的多个采样点，并利用Sobol敏感性分析法计算各个参数的一阶影响指数及总效应指数，包括以下步骤：
设共有E个参数，将各个参数均分为N个采样点，则得到N*2E的参数矩阵；
将参数矩阵的前E列设置为矩阵A，后E列设置为矩阵B；
将矩阵B的第i列与矩阵A的第i列互换，得到N*E的矩阵ABi(i＝1，2，…，E)；
基于矩阵A、B、矩阵ABi(i＝1，2，…，E)，则得到(E+2)*N组数据；
将(E+2)*N组数据代入到所述动态植被模型中并运行，得出(E+2)*N个运行结果F并进行平均，得到平均值
根据(E+2)*N个F值以及平均值
利用蒙特卡洛法计算各个参数的一阶影响指数和总效应指数，即一阶敏感性和全阶敏感性；
其中一阶敏感性的计算公式为：
全阶敏感性的计算公式为：
其中Di为参数i的方差；D～i为参数i以外其他参数的方差；
D为动态植被模型总方差；
设定阈值，将各个参数的一阶敏感性和全阶敏感性与所设定的阈值进行对比，确定敏感性参数。
进一步地，在利用所述遗传算法对敏感性参数进行校准时，将所确定的敏感性参数中的一个敏感性参数作为遗传算法种群中的一个基因；
通过调整遗传算法中的最大迭代次数、种群数目、交叉概率和变异概率，实现对敏感性参数的校准结果进行调节。
进一步地，所述相关系数的计算公式如下：
其中，Cov(X,F)为所述敏感性参数的模拟值X与其所对应的观测值Y的协方差；Var[X]为模拟值X的方差；Var[Y]为观测值Y的方差。
进一步地，所述纳什效率系数的计算公式如下：
其中，
为在第t时刻的某个观测值；
为在第t时刻的某个观测值；
本发明还提供了一种动态植被模型的敏感性参数校准系统，包括：
第一数据获取模块，用于确定对处于某一区域上的动态植被模型具有影响的多个参数的名称、最大值、最小值、默认值，将各个参数的最大值及最小值所构成的取值区间均分为多个采样点；
敏感性参数确定模块，用于根据各个参数的多个采样点，利用Sobol敏感性分析法计算各个参数的一阶影响指数及总效应指数；将各个参数的一阶影响指数及总效应指数与预先设定的阈值进行对比，确定动态植被模型在该区域上的敏感性参数，根据所确定的敏感性参数更新动态植被模型；
数值校准模块，用于根据所确定的敏感性参数的名称、默认值、最大值、最小值，利用遗传算法对敏感性参数的默认值进行校准，得到校准后的敏感性参数的取值。
进一步地，还包括：动态植被模型检验模块，用于对所述更新后的动态植被模型可信度进行检验；
所述动态植被模型检验模块，包括：
第二数据获取模块，用于根据所述敏感性参数的最大值、最小值及校准后的值，利用Matlab来调用所述更新后的动态植被模型运行，对多个选取的点位进行多点位模拟，对应得到多个模拟值；
第三数据获取模块，用于获取所述敏感性参数的多个选取的点位在动态植被模型中所对应的多个观测值；
数据对比模块，用于分别计算所述敏感性参数的模拟值与其所对应的观测值之间的相关系数和纳什效率系数；当所述敏感性参数的模拟值与其所对应的观测值之间的相关系数、纳什效率系数越接近于1，则表明更新后的动态植被模型可信度越高。
与现有技术相比，本发明的有益效果：
本发明使用Sobol敏感性分析法在多点上进行敏感性参数识别，实现了对于生态学领域的动态植被模型可自主进行参数的敏感性分析，可应用于生态学领域多点的参数的敏感性识别和敏感性参数校准。并利用遗传算法在多点上进行敏感性参数校准，使得参数具有代表性，使得结果可在区域上使用，并根据实际情况合理调整迭代次数、变异等概率，使得校准后的参数更加贴合实际情况。
本发明为了控制输出最优参数的精度，利用模拟值和观测值之间的相关系数和纳什效率系数来控制输出结果的精度，避免输出无效结果。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明所提供的一种动态植被模型的敏感性参数校准方法的结构流程示意图；
图2为本发明所提供的一种动态植被模型的敏感性参数校准方法中的Sobol敏感性分析法在构建矩阵时的流程示意图；
图3为本发明所提供的一种动态植被模型的敏感性参数校准方法中的Sobol敏感性分析法中确定敏感性参数的流程示意图；
图4为本发明所提供的一种动态植被模型的敏感性参数校准方法中对更新后的动态植被模型进行可信度检验的流程示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
实施例1
如图1所示，本发明一种动态植被模型的敏感性参数校准方法，包括：
步骤S1：确定对处于某一区域上的动态植被模型具有影响的多个参数的名称、最大值、最小值、默认值，将各个参数的最大值及最小值所构成的取值区间均分为多个采样点；
步骤S2：根据各个参数的多个采样点，利用Sobol敏感性分析法计算各个参数的一阶影响指数及总效应指数；将各个参数的一阶影响指数及总效应指数与预先设定的阈值进行对比，确定动态植被模型在该区域上的敏感性参数，根据所确定的敏感性参数更新动态植被模型；
步骤S3：根据所确定的敏感性参数的名称、默认值、最大值、最小值，利用遗传算法对敏感性参数的默认值进行校准，得到校准后的敏感性参数的取值；
步骤S4：在利用遗传算法对敏感性参数进行校准后，对更新后的动态植被模型可信度进行检验。
如图2、图3所示，在步骤S2中，根据各个参数的多个采样点，并利用Sobol敏感性分析法计算各个参数的一阶影响指数及总效应指数，包括以下步骤：
设共有E个参数，将各个参数均分为N个采样点，则得到N*2E的参数矩阵；
将参数矩阵的前E列设置为矩阵A，后E列设置为矩阵B；
将矩阵B的第i列与矩阵A的第i列互换，得到N*E的矩阵ABi(i＝1，2，…，E)；
基于矩阵A、B、矩阵ABi(i＝1，2，…，E)，则得到(E+2)*N组数据；
将(E+2)*N组数据代入到动态植被模型中并运行，得出(E+2)*N个运行结果F并进行平均，得到平均值
根据(E+2)*N个F值以及平均值
利用蒙特卡洛法计算各个参数的一阶影响指数和总效应指数，即一阶敏感性和全阶敏感性；
其中一阶敏感性的计算公式为：
全阶敏感性的计算公式为：
其中Di为参数i的方差；D～i为参数i以外其他参数的方差；
D为动态植被模型总方差；
设定阈值，将各个参数的一阶敏感性和全阶敏感性与所设定的阈值进行对比，确定敏感性参数。
如图1所示，在步骤S3中，遗传算法对敏感性参数进行校准时，将所确定的敏感性参数中的一个敏感性参数作为遗传算法种群中的一个基因；
通过调整遗传算法中的最大迭代次数、种群数目、交叉概率和变异概率，实现对敏感性参数的校准结果进行调节
如图4，在步骤S4中，在对更新后的动态植被模型可信度进行检验，包括以下步骤：
根据敏感性参数的最大值、最小值及校准后的值，利用Matlab来调用更新后的动态植被模型运行，对多个选取的点位进行多点位模拟，对应得到多个模拟值；
获取敏感性参数的多个选取的点位在动态植被模型中所对应的多个观测值；
分别计算敏感性参数的模拟值与其所对应的观测值之间的相关系数和纳什效率系数；当敏感性参数的模拟值与其所对应的观测值之间的相关系数、纳什效率系数越接近于1，则表明更新后的动态植被模型可信度越高。
其中，相关系数的计算公式如下：
其中，Cov(X,F)为敏感性参数的模拟值X与其所对应的观测值Y的协方差；Var[X]为模拟值X的方差，Var[Y]为观测值Y的方差。
纳什效率系数的计算公式如下：
其中，
为在第t时刻的某个观测值；
为在第t时刻的某个观测值；
其中纳什效率系数E的取值为(-∞，1]；
当纳什效率系数E接近1，表示模式质量好，动态植被模型可信度高；
当纳什效率系数E接近0，表示模拟结果接近观测值的平均值水平，即总体结果可信，但过程模拟误差大；
当纳什效率系数E接近远远小于0，则动态植被模型是不可信的。
实施例2
本发明提供一种动态植被模型的敏感性参数校准系统，包括：
第一数据获取模块，用于确定对处于某一区域上的动态植被模型具有影响的多个参数的名称、最大值、最小值、默认值，将各个参数的最大值及最小值所构成的取值区间均分为多个采样点；
敏感性参数确定模块，用于根据各个参数的多个采样点，利用Sobol敏感性分析法计算各个参数的一阶影响指数及总效应指数；将各个参数的一阶影响指数及总效应指数与预先设定的阈值进行对比，确定动态植被模型在该区域上的敏感性参数，根据所确定的敏感性参数更新动态植被模型；
数值校准模块，用于根据所确定的敏感性参数的名称、默认值、最大值、最小值，利用遗传算法对敏感性参数的默认值进行校准，得到校准后的敏感性参数的取值。
本发明所提供的一种动态植被模型的敏感性参数校准系统，还包括：动态植被模型检验模块，用于对更新后的动态植被模型可信度进行检验；
动态植被模型检验模块，包括：
第二数据获取模块，用于根据所述敏感性参数的最大值、最小值及校准后的值，利用Matlab来调用更新后的动态植被模型运行，对多个选取的点位进行多点位模拟，对应得到多个模拟值；
第三数据获取模块，用于获取敏感性参数的多个选取的点位在动态植被模型中所对应的多个观测值；
数据对比模块，用于分别计算敏感性参数的模拟值与其所对应的观测值之间的相关系数和纳什效率系数；当敏感性参数的模拟值与其所对应的观测值之间的相关系数、纳什效率系数越接近于1，则表明更新后的动态植被模型可信度越高。
下面结合具体实施例对本发明做具体实施方式的说明。
1、参数的敏感性分析
本实施例中选取了与动态植被模型有关的71个参数，并分别分析了71个参数的敏感性，具体分别计算了71个参数在两个不同区域中的一阶敏感性、全阶敏感性，根据计算所得的71个参数的一阶敏感性、全阶敏感性的值，得到了62个敏感性参数。
下面以71个参数中的30个参数为例，分别分析了30个敏感性参数对处于两个区域中的动态植被模型的敏感性，具体分别分析了30个敏感性参数对动态植被模型的植被碳、凋落物碳、土壤碳、总碳库、总初级生产力、蒸散发、叶面积指数的敏感性。下表1、表2分别为30个敏感性参数对处于第一区域、第二区域的动态植被模型的植被碳、凋落物碳、土壤碳、总碳库、总初级生产力、蒸散发、叶面积指数的一阶敏感性。下表3、表4分别为30个敏感性参数对处于第一区域、第二区域的动态植被模型的植被碳、凋落物碳、土壤碳、总碳库、总初级生产力、蒸散发、叶面积指数的全阶敏感性。
表1 20个敏感性参数对处于第一区域的动态植被模型的植被碳、凋落物碳、土壤碳、总碳库、总初级生产力、蒸散发、叶面积指数的一阶敏感性
表2 20个敏感性参数对处于第二区域的动态植被模型的植被碳、凋落物碳、土壤碳、总碳库、总初级生产力、蒸散发、叶面积指数的一阶敏感性
表3 20个敏感性参数对处于第一区域的动态植被模型的植被碳、凋落物碳、土壤碳、总碳库、总初级生产力、蒸散发、叶面积指数的全阶敏感性
表4 20个敏感性参数对处于第二区域的动态植被模型的植被碳、凋落物碳、土壤碳、总碳库、总初级生产力、蒸散发、叶面积指数的全阶敏感性
2、确定敏感性参数
本实施例通过对处于两个取值区域的模型的所有参数进行敏感性分析，数值越大代表参数对模拟结果越敏感。根据全阶敏感性分析的结果，本示例只要有一个点位上的敏感性指数大于0就认为其对结果有影响，即为敏感性参数。对敏感性参数进行参数校准，所得到其最优的参数。
表5经校准后的各个敏感性参数的取值
| 第i个 | 敏感参数名称 | 默认值 | 最小值 | 最大值 | 校准结果 |
| 1 | tree_lambda_max | 0.8 | 0.575 | 0.99 | 0.955959433 |
| 2 | tree_emax | 5 | 3.725 | 6.275 | 5.538178613 |
| 3 | tree_reprfrac | 0.1 | 0.05 | 0.15 | 0.093786434 |
| 4 | tree_root_beta | 0.982 | 0.8 | 1 | 0.903445433 |
| 5 | tree_crownarea_max | 50 | 45 | 55 | 46.17067814 |
| 6 | tree_turnover_root | 0.7 | 0.5 | 0.9 | 0.755445449 |
| 7 | tree_ltor_max | 1 | 0.725 | 1.275 | 0.828456708 |
| 8 | tree_k_allom2 | 60 | 55 | 65 | 57.55444591 |
| 9 | tree_k_allom3 | 0.67 | 0.4775 | 0.8625 | 0.705685869 |
| 10 | tree_k_rp | 1.6 | 1.175 | 2 | 1.430244898 |
| 11 | tree_wooddens | 200 | 149.975 | 250.025 | 200.6642106 |
| 12 | tree_cton_root | 29 | 21.725 | 36.275 | 25.84350385 |
| 13 | tree_cton_sap | 330 | 247.475 | 412.525 | 300.4178245 |
| 14 | tree_nuptoroot | 0.0028 | 0 | 0.0285 | 0.024555590 |
| 15 | tree_km_volume | 0.000001477 | 0 | 0.025001846 | 0.009836388 |
| 16 | tree_kest_repr | 200 | 149.975 | 250.025 | 170.4914529 |
| 17 | tree_kest_bg | 0.1 | 0.05 | 0.15 | 0.104680744 |
| 18 | tree_k_chilla | 0 | 0 | 0.025 | 0.010282447 |
| 19 | tree_k_chillb | 100 | 25 | 175 | 100.86453776 |
| 20 | tree_k_chillk | 0.05 | 0.0125 | 0.0875 | 0.072799598 |
| 21 | tree_litterme | 0.3 | 0.2 | 0.4 | 0.305415545 |
| 22 | broadleaved_k_allom1 | 250 | 200 | 300 | 270.4305185 |
| 23 | broadleaved_k_latosa | 6000 | 5500 | 6500 | 5800.667304 |
| 24 | broadleaved_gmin | 0.5 | 0.35 | 0.65 | 0.405157714 |
| 25 | broadleaved_intc | 0.02 | 0.01 | 0.1 | 0.016289762 |
| 26 | broadleaved_ga | 0.04 | 0.005 | 0.075 | 0.008637072 |
当确定最优的敏感性参数后，根据所确定的敏感性参数的名称、默认值、最大值、最小值，利用遗传算法对敏感性参数的默认值进行校准，得到校准后的敏感性参数的取值。上表5为经敏感性分析后所得到的敏感性参数以及对敏感参数进行校准后的各个敏感性参数的取值。
3、校准前后的动态植被模型运行的结果进行比较
将参数校准前后的动态植被模型运行的结果进行比较，其中动态植被模型运行的结果选取了生态模型中经常关注的结果，如总碳库、总初级生产力、蒸散发、叶面积指数进行对比，如表6所示。
表6校准前后的动态植被模型运行的结果进行比较
从表6可以看出经过校准后的敏感性参数的相关系数更接近于1，纳什效率系数也更加接近于1，因此可以得到经过敏感性校准后的敏感性参数的取值更优。
最后说明的是：以上公开的仅为本发明的一个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (9)
1.一种动态植被模型的敏感性参数校准方法，其特征在于，包括：
确定对处于某一区域上的动态植被模型具有影响的多个参数的名称、最大值、最小值、默认值，将各个参数的最大值及最小值所构成的取值区间均分为多个采样点；
根据各个参数的多个采样点，利用Sobol敏感性分析法计算各个参数的一阶影响指数及总效应指数；将各个参数的一阶影响指数及总效应指数与预先设定的阈值进行对比，确定动态植被模型在该区域上的敏感性参数，根据所确定的敏感性参数更新动态植被模型；
根据所确定的敏感性参数的名称、默认值、最大值、最小值，利用遗传算法对敏感性参数的默认值进行校准，得到校准后的敏感性参数的取值。
2.根据权利要求1所述的一种动态植被模型的敏感性参数校准方法，其特征在于：还包括：在利用所述遗传算法对敏感性参数进行校准后，对更新后的动态植被模型可信度进行检验。
3.根据权利要求2所述的一种动态植被模型的敏感性参数校准方法，其特征在于：所述对更新后的动态植被模型可信度进行检验，包括以下步骤：
根据所述敏感性参数的最大值、最小值及校准后的值，利用Matlab来调用所述更新后的动态植被模型运行，对多个选取的点位进行多点位模拟，对应得到多个模拟值；
获取所述敏感性参数的多个选取的点位在动态植被模型中所对应的多个观测值；
分别计算所述敏感性参数的模拟值与其所对应的观测值之间的相关系数和纳什效率系数；当所述敏感性参数的模拟值与其所对应的观测值之间的相关系数、纳什效率系数越接近于1，则表明更新后的动态植被模型可信度越高。
4.根据权利要求1所述的一种动态植被模型的敏感性参数校准方法，其特征在于：所述根据各个参数的多个采样点，并利用Sobol敏感性分析法计算各个参数的一阶影响指数及总效应指数，包括以下步骤：
设共有E个参数，将各个参数均分为N个采样点，则得到N*2E的参数矩阵；
将参数矩阵的前E列设置为矩阵A，后E列设置为矩阵B；
将矩阵B的第i列与矩阵A的第i列互换，得到N*E的矩阵ABi(i＝1，2，…，E)；
基于矩阵A、B、矩阵ABi(i＝1，2，…，E)，则得到(E+2)*N组数据；
将(E+2)*N组数据代入到所述动态植被模型中并运行，得出(E+2)*N个运行结果F并进行平均，得到平均值
根据(E+2)*N个F值以及平均值
利用蒙特卡洛法计算各个参数的一阶影响指数和总效应指数，即一阶敏感性和全阶敏感性；
其中一阶敏感性的计算公式为：
全阶敏感性的计算公式为：
其中Di为参数i的方差；D～i为参数i以外其他参数的方差；
D为动态植被模型总方差；
设定阈值，将各个参数的一阶敏感性和全阶敏感性与所设定的阈值进行对比，确定敏感性参数。
5.根据权利要求1所述的一种动态植被模型的敏感性参数校准方法，其特征在于：在利用所述遗传算法对敏感性参数进行校准时，将所确定的敏感性参数中的一个敏感性参数作为遗传算法种群中的一个基因；
通过调整遗传算法中的最大迭代次数、种群数目、交叉概率和变异概率，实现对敏感性参数的校准结果进行调节。
6.根据权利要求3所述的一种动态植被模型的敏感性参数校准方法，其特征在于：所述相关系数的计算公式如下：
其中，Cov(X,F)为所述敏感性参数的模拟值X与其所对应的观测值Y的协方差；Var[X]为模拟值X的方差；Var[Y]为观测值Y的方差。
7.根据权利要求3所述的一种动态植被模型的敏感性参数校准方法，其特征在于：所述纳什效率系数的计算公式如下：
其中，
为在第t时刻的某个观测值；
为在第t时刻的某个观测值；
8.一种动态植被模型的敏感性参数校准系统，其特征在于：包括：
第一数据获取模块，用于确定对处于某一区域上的动态植被模型具有影响的多个参数的名称、最大值、最小值、默认值，将各个参数的最大值及最小值所构成的取值区间均分为多个采样点；
敏感性参数确定模块，用于根据各个参数的多个采样点，利用Sobol敏感性分析法计算各个参数的一阶影响指数及总效应指数；将各个参数的一阶影响指数及总效应指数与预先设定的阈值进行对比，确定动态植被模型在该区域上的敏感性参数，根据所确定的敏感性参数更新动态植被模型；
数值校准模块，用于根据所确定的敏感性参数的名称、默认值、最大值、最小值，利用遗传算法对敏感性参数的默认值进行校准，得到校准后的敏感性参数的取值。
9.根据权利要求8所述的一种动态植被模型的敏感性参数校准系统，其特征在于：还包括：动态植被模型检验模块，用于对所述更新后的动态植被模型可信度进行检验；
所述动态植被模型检验模块，包括：
第二数据获取模块，用于根据所述敏感性参数的最大值、最小值及校准后的值，利用Matlab来调用所述更新后的动态植被模型运行，对多个选取的点位进行多点位模拟，对应得到多个模拟值；
第三数据获取模块，用于获取所述敏感性参数的多个选取的点位在动态植被模型中所对应的多个观测值；
数据对比模块，用于分别计算所述敏感性参数的模拟值与其所对应的观测值之间的相关系数和纳什效率系数；当所述敏感性参数的模拟值与其所对应的观测值之间的相关系数、纳什效率系数越接近于1，则表明更新后的动态植被模型可信度越高。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211405397.3A CN115795814A (zh) | 2022-11-10 | 2022-11-10 | 一种动态植被模型的敏感性参数校准方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211405397.3A CN115795814A (zh) | 2022-11-10 | 2022-11-10 | 一种动态植被模型的敏感性参数校准方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115795814A true CN115795814A (zh) | 2023-03-14 |
Family
ID=85436667
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211405397.3A Pending CN115795814A (zh) | 2022-11-10 | 2022-11-10 | 一种动态植被模型的敏感性参数校准方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115795814A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107193003A (zh) * | 2017-07-20 | 2017-09-22 | 电子科技大学 | 一种稀疏奇异值分解扫描雷达前视成像方法 |
| CN107886161A (zh) * | 2017-11-03 | 2018-04-06 | 南京航空航天大学 | 一种提高复杂信息系统效能的全局敏感性分析方法 |
| CN109014437A (zh) * | 2018-06-15 | 2018-12-18 | 重庆大学 | 基于齿面误差模型的成形磨齿机关键几何误差筛选方法 |
| CN110837246A (zh) * | 2019-11-25 | 2020-02-25 | 天津工业大学 | 五轴数控机床双旋转轴几何误差敏感度分析方法 |
| CN112415911A (zh) * | 2020-10-21 | 2021-02-26 | 北京水慧智能科技有限责任公司 | 一种基于敏感性分析和差分进化算法的参数自动校准方法 |
| CN112883558A (zh) * | 2021-01-27 | 2021-06-01 | 长江水利委员会水文局 | 一种水文模型参数时变形式构造方法 |
| CN114066135A (zh) * | 2021-08-31 | 2022-02-18 | 河海大学 | 一种水质模型参数自动优化方法及系统 |
| CN115081293A (zh) * | 2022-07-08 | 2022-09-20 | 江苏大学 | 一种基于代理模型的鼓泡塔碳捕获工艺的多目标优化方法 |
| CN115222201A (zh) * | 2022-06-06 | 2022-10-21 | 扬州大学 | 一种作物生产碳足迹评价的全局敏感性分析方法 |
-
2022
- 2022-11-10 CN CN202211405397.3A patent/CN115795814A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107193003A (zh) * | 2017-07-20 | 2017-09-22 | 电子科技大学 | 一种稀疏奇异值分解扫描雷达前视成像方法 |
| CN107886161A (zh) * | 2017-11-03 | 2018-04-06 | 南京航空航天大学 | 一种提高复杂信息系统效能的全局敏感性分析方法 |
| CN109014437A (zh) * | 2018-06-15 | 2018-12-18 | 重庆大学 | 基于齿面误差模型的成形磨齿机关键几何误差筛选方法 |
| CN110837246A (zh) * | 2019-11-25 | 2020-02-25 | 天津工业大学 | 五轴数控机床双旋转轴几何误差敏感度分析方法 |
| CN112415911A (zh) * | 2020-10-21 | 2021-02-26 | 北京水慧智能科技有限责任公司 | 一种基于敏感性分析和差分进化算法的参数自动校准方法 |
| CN112883558A (zh) * | 2021-01-27 | 2021-06-01 | 长江水利委员会水文局 | 一种水文模型参数时变形式构造方法 |
| CN114066135A (zh) * | 2021-08-31 | 2022-02-18 | 河海大学 | 一种水质模型参数自动优化方法及系统 |
| CN115222201A (zh) * | 2022-06-06 | 2022-10-21 | 扬州大学 | 一种作物生产碳足迹评价的全局敏感性分析方法 |
| CN115081293A (zh) * | 2022-07-08 | 2022-09-20 | 江苏大学 | 一种基于代理模型的鼓泡塔碳捕获工艺的多目标优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李美水 等: "基于Sobol方法的 SWMM 模型参数全局敏感性分析", 《中国给水排水》, vol. 36, no. 17, pages 95 - 102 * |
| 章超斌: "全球气候变化对中国北方东部温带草原长时间序列物候和净初级生产力影响分析", 《中国博士学位论文全文数据库 基础科学辑》, no. 04, pages 006 - 115 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lee et al. | Review of statistical model calibration and validation—from the perspective of uncertainty structures | |
| Hirst et al. | Reconstructing community relationships: the impact of sampling error, ordination approach, and gradient length | |
| CN110442911B (zh) | 一种基于统计机器学习的高维复杂系统不确定性分析方法 | |
| CN104035431A (zh) | 用于非线性过程监控的核函数参数的获取方法和系统 | |
| Maag et al. | Enhancing multi-hop sensor calibration with uncertainty estimates | |
| Xiao et al. | Estimating uncertainty: A Bayesian approach to modelling photosynthesis in C3 leaves | |
| CN108763673B (zh) | 基于lasso回归的土地利用变化驱动力筛选方法和装置 | |
| Viskari et al. | Calibrating the soil organic carbon model Yasso20 with multiple datasets | |
| Zhang et al. | Gas sensor array dynamic measurement uncertainty evaluation and optimization algorithm | |
| CN115795814A (zh) | 一种动态植被模型的敏感性参数校准方法及系统 | |
| Olivoto et al. | Optimal sample size and data arrangement method in estimating correlation matrices with lesser collinearity: A statistical focus in maize breeding | |
| CN112326882A (zh) | 空气质量传感器处理方法和装置 | |
| Majkowski et al. | Multiplicative sensitivity analysis and its role in development of simulation models | |
| Constantin et al. | A method to assess the impact of soil available water capacity uncertainty on crop models with a tipping‐bucket approach | |
| CN106404712A (zh) | 基于gt‑kf‑pls近红外光谱自适应模型校正方法及系统 | |
| CN115907204A (zh) | 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 | |
| CN109887543B (zh) | 一种低甲基化水平的差异甲基化位点识别方法 | |
| Amezcua et al. | Time‐correlated model error in the (ensemble) Kalman smoother | |
| Jakubiec et al. | Error model application in neural reconstruction of nonlinear sensor input signal | |
| Acutis et al. | Analytical method performance evaluation (AMPE) a software tool for analytical method validation | |
| CN115795229B (zh) | 一种适用于水相关生态系统服务反馈回路的量化研究方法 | |
| CN116776611B (zh) | 一种基于结构方程模型的植被变化预估方法 | |
| CN114386525B (zh) | 一种评估标准的自适应调整方法、装置、设备和存储介质 | |
| Park et al. | Use of covariates in Taylor’s power law for sequential sampling in pest management | |
| Du Toit et al. | Use of linear regression and correlation matrix in the evaluation of CERES3 (Maize) |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |