CN116628979A - 多元回归的总初级生产力逐像元预测方法、装置及介质 - Google Patents
多元回归的总初级生产力逐像元预测方法、装置及介质 Download PDFInfo
- Publication number
- CN116628979A CN116628979A CN202310584733.3A CN202310584733A CN116628979A CN 116628979 A CN116628979 A CN 116628979A CN 202310584733 A CN202310584733 A CN 202310584733A CN 116628979 A CN116628979 A CN 116628979A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- data
- total primary
- primary productivity
- pixel
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 38
- 238000001556 precipitation Methods 0.000 claims abstract description 23
- 230000005855 radiation Effects 0.000 claims abstract description 20
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 19
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical class O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 8
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 claims description 48
- 238000004088 simulation Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 11
- 229920006395 saturated elastomer Polymers 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000013179 statistical model Methods 0.000 description 7
- 238000011835 investigation Methods 0.000 description 3
- 230000029553 photosynthesis Effects 0.000 description 3
- 238000010672 photosynthesis Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004177 carbon cycle Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241001464837 Viridiplantae Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多元回归的总初级生产力逐像元预测方法、装置及介质，该方法包括：初始化历史计算时段内数据，将气象数据和植被总初级生产力数据统一到相同空间分辨率的像元上；确定每个像元不同植被总初级生产力值；逐像元拟合不同植被总初级生产力同温度、降水、辐射、饱和水汽压差、二氧化碳浓度的参数，构建植被总初级生产力预测模型，对植被总初级生产力预测模型模型进行参数估计，得到最终预测模型；初始化未来计算时段内数据，对气候模式数据进行筛选和校正；将未来数据输入构建好的模型，输出未来植被总初生产力的预测值。本发明解决了光能利用率模型在预测未来总初级生产力受到遥感数据限制的问题。
Description
技术领域
本发明涉及陆地生态系统模拟领域，特别是涉及一种多元回归的总初级生产力逐像元预测方法、装置及介质。
背景技术
植被总初级生产力(GPP)是绿色植物通过光合作用固定在陆地生态系统中的有机碳总量，在陆地碳循环中起着重要作用，对于抵消人类活动产生的二氧化碳有着不可替代的作用，经过数十年的全球气候变化，陆地生态系统的群落结构和生长状况已经受到了影响，未来的气候变化将不可避免地影响全球植被状况，对于植被总初级生产力的准确估计对于促进全球和区域陆地碳循环的更深入理解和评估生态系统健康具有重要意义。
目前获取植被总初级生产力的方法有实地调查法、涡度相关法、模型模拟法，其中实地调查法和涡度相关法由于观测范围有限，难以获取大范围的植被总初级生产力数据。随着近年来计算机技术的发展，模型模拟的方法逐渐成为大范围获取植被总初级生产力数据的主要方法，其中主要包括统计模型、生理生态模型和机理模型三种。
基于文献调研，统计模型根据植被与环境的相互作用原理，建立数学模型，从统计学的角度对植被生产力进行计算，具有输入参数简单容易获得的优点，但由于没有考虑植被的生理生态机理，导致模型容易出现一定的不确定性；生理生态模型基于一定的植被生理生态学原理，考虑植被光合、呼吸、蒸散发等生长活动过程，对植被的光合作用、呼吸作用、蒸腾蒸散进行模拟，从而实现对植被生产力的估算，但由于其结构复杂，存在参数难以获取的缺点；光能利用率模型是表征植被固定太阳能效率的固定指标，是以遥感参数模型监测植被生产力的关键参数，具有模型结构简单、输入数据可以通过遥感手段获得、模拟精度高、模拟数据具有高时空分辨率等优点，但正是由于遥感数据的限制，导致其难以应用于未来的植被总初级生产力预测。
基于此可以发现不同模型对植被总初级生产力的模拟具有不同的优点和缺点，对未来植被总初级生产力的模拟预测都具有一定的局限性。我们融合了统计模型和光能利用率模型的优点，通过从历史数据出发，将光能利用率模型和统计模型耦合，开发一种用于未来预测植被总初级生产力的新方法，实现通过基本的气象要素，不需要依靠遥感数据，经过较少的参数计算，来预测未来植被总初级生产力。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种多元回归的总初级生产力逐像元预测方法、装置及介质，针对统计模型和光能利用率模型的限制，对统计模型和光能利用率模型进行耦合，开发一种用于预测未来植被总初级生产力的模型。
因此，本发明的技术方案是：
根据本发明的第一方面，提供一种多元回归的总初级生产力逐像元预测方法，所述方法包括：
获取数据，所述数据包括历史气象数据、植被类型数据、植被总初级生产力数据和未来气候模式数据；
初始化历史计算时段内数据，将气象数据和植被总初级生产力数据统一到相同空间分辨率的像元上；
计算高分辨率的植被类型数据在每个像元的占比，得到每个像元不同植被总初级生产力值；
逐像元拟合不同植被总初级生产力同温度、降水、辐射、饱和水汽压差、二氧化碳浓度的参数，构建植被总初级生产力预测模型；
对所述植被总初级生产力预测模型模型进行参数估计，得到最终的植被总初级生产力预测模型；
初始化未来计算时段内数据，对气候模式数据进行筛选和校正；
将未来数据输入构建好的模型，输出未来植被总初生产力的预测值。
根据本发明的第二方面，提供一种多元回归的总初级生产力逐像元预测装置，所述装置包括：
获取模块，被配置为获取数据，所述数据包括历史气象数据、植被类型数据、植被总初级生产力数据和未来气候模式数据；
初始化模块，被配置为初始化历史计算时段内数据，将气象数据和植被总初级生产力数据统一到相同空间分辨率的像元上；
计算模块，被配置为计算高分辨率的植被类型数据在每个像元的占比，得到每个像元不同植被总初级生产力值；
模型构建模块，被配置为逐像元拟合不同植被总初级生产力同温度、降水、辐射、饱和水汽压差、二氧化碳浓度的参数，构建植被总初级生产力预测模型；
参数估计模块，被配置为对所述植被总初级生产力预测模型模型进行参数估计，得到最终的植被总初级生产力预测模型；
筛选校正模块，被配置为初始化未来计算时段内数据，对气候模式数据进行筛选和校正；
预测模块，被配置为将未来数据输入构建好的模型，输出未来植被总初生产力的预测值。
根据本发明的第三方面，提供一种存储有指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，执行如上所述的多元回归的总初级生产力逐像元预测方法。
与现有技术相比，本发明的有益效果在于：
1、本发明充分结合了统计模型和光能利用率模型的优点，解决了光能利用率模型在预测未来总初级生产力受到遥感数据限制的问题。
2、本发明具有参数容易获取、计算高效的优点，可以高效准确地计算未来植被总初级生产力的变化。
附图说明
在不一定按比例绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的相同附图标记可以表示相似部件的不同实例。附图大体上通过举例而不是限制的方式示出各种实施例，并且与说明书以及权利要求书一起用于对所发明的实施例进行说明。在适当的时候，在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的，而并非旨在作为本装置或方法的穷尽或排他实施例。
图1为根据本发明实施例的一种多元回归的总初级生产力逐像元预测方法的流程图。
图2为根据本发明实施例的植被总初级生产力在不同水资源二级区的植被总初级生产力模拟与光能利用率模型模拟值对比图。
图3为根据本发明实施例的模拟植被总初级生产力与光能利用率模型模拟值的空间对比图。
图4为根据本发明实施例的未来长江流域GPP变化折线图。
图5为根据本发明实施例的未来长江流域GPP空间分布图。
图6为根据本发明实施例的一种多元回归的总初级生产力逐像元预测装置的结构图。
具体实施方式
以下列举的部分实施例仅仅是为了更好地对本发明进行说明，但本发明的内容并不局限在应用于所举的实施例中。所以熟悉本领域的技术人员根据上述发明内容对实施方案进行非本质的改进和调整而应用于其他实施例中，仍在本发明的保护范围之内。
现在结合说明书附图对本发明做进一步的说明。
本发明基于光能利用率模型和多元线性回归模型构建了一种简单高效的植被总初级生产力预测方法，具体流程详见图1。
实施例中以长江流域为研究区来详细阐述本发明提出的植被总初级生产力预测方法，包括以下步骤：
步骤1，数据准备，收集整理历史和未来数据包括历史气象数据、植被类型数据、植被总初级生产力数据和未来气候模式数据。
由于本方法在像元尺度进行计算，所以研究区所收集数据大都为像元尺度的数据，收集整理长江流域历史资料数据，气象数据包括降水(PREC)、温度(TEMP)、太阳辐射(SRAD)、比湿(SP)和大气压强(P)数据，CO2浓度数据，植被类型数据，历史植被总初级生产力(GPP)数据(光能利用率模型模拟)，共收集整理了26套全球气候模式数据。
步骤2，初始化历史计算时段内数据，将气象数据和植被总初级生产力数据统一到相同空间分辨率的像元上。
本实施例中共收集到降水、温度、辐射、比湿、大气压强数据，通过式1求得饱和水汽压差(VPD)，空间分辨率为0.1°，收集光能利用率模型植被总初级生产力产品一套，空间分辨率为0.05°，通过重采样，重新插值到0.1°。
其中TA为温度(℃)，P为大气压强(hPa)，SP为比湿(kgkg-1)。
步骤3，计算高分辨率的植被类型数据在每个像元的占比，得到每个像元不同植被总初级生产力值。
本实施例收集了一套2001年到2018年逐年的植被类型数据，包括林地、草地、耕地、灌丛，空间分辨率为300m，将0.1°像元内不同的植被进行统计，得到不同植被在一个像元内的占比，进一步计算得到每个像元中不同植被的植被总初级生产力值。
步骤4，逐像元拟合不同植被总初级生产力同温度、降水、辐射、饱和水汽压差、二氧化碳浓度的参数，构建植被总初级生产力预测模型。
经过步骤3将像元尺度的植被总初级生产力计算为不同植被类型的植被总初级生产力，每个像元上的植被总初级生产力由林地植被总初级生产力、草地植被总初级生产力、耕地植被总初级生产力和灌木植被总初级生产力构成，即：
GPP＝GPP1+GPP2+GPP3+GPP4 (2)
式中，GPP为像元尺度的植被总初级生产力值，GPP1为林地植被总初级生产力，GPP2为草地植被总初级生产力，GPP3为耕地植被总初级生产力，GPP4为灌木植被总初级生产力。
在像元尺度，设某种植被GPPs与各因子之间的多元线性回归模型为：
GPPs＝β0s+β1sTEMP+β2sPREC+β3sSRAD+β4sVPD++β5seCO2+εs (3)
式中，β0s,β1s,β2s,β3s,β4s,β5s分别为第s种植被的总初级生产力对温度、降水、太阳辐射、饱和水汽压差、二氧化碳浓度响应的未知参量；εs为均值为零，方差为σ2＞0的不可观测的随机变量，称为误差项，并通常假定ε～N(0,σ2)。
在历史已有年限中，共取得n年的时间序列数据，则有：
式中εsn之间相互独立，且服从N(0,σ2)分布。
令
将式5用矩阵表示为：
步骤5，对构建的模型进行参数估计，得到最终的植被总初级生产力预测模型。
采用最小二乘法来计算回归参数的估计值，通过最小化误差的平方和寻求数据的最佳函数匹配，得到回归参数的最优估计值，使离差平方和达到最小：
式中，GPPsi表示为第i年s类型植被的GPP；TEMPi、PRECi、SRADi、VPDi、eCO2i分别表示第i年的温度、降水、辐射、饱和水汽压差和二氧化碳浓度。
根据微积分中求极值的原理，应满足下列方程组：
当(X'X)-1存在时，即得回归参数的最小二乘估计值为：
最终得到s类植被总初级生产力的预测模型为：
将各类植被类型的GPP相加，即得到最终GPP值：
在长江流域对发明模型进行应用，采用2001-2009年作为率定期，通过上述方法，获得模型所需参数，将2010-2018年的基础气象数据输入模型，得到模拟的植被总初级生产力结果与实际数据进行对比，共统计了共11个水资源二级区的数据，共包括11个水资源二级区(F01：金沙江水系、F02：岷沱江水系、F03：嘉陵江水系、F04：乌江水系、F05：上游干流、F06：洞庭湖水系、F07：汉江水系、F08：鄱阳湖水系、F09：中游干流、F10：下游干流、F11：太湖水系)。从图2中可以看出，应用本方法在长江流域所构建的模型可以很好地模拟植被总初级生产力的时间变化，在所有水资源二级区都能准确预测出植被总初级生产力的波动变化，预测值与实际值曲线吻合度较高，在时间上具备很好的预测能力。从图3中可以看出，本方法再现了长江流域总初级生产力的空间分布，在各个季节都能很好地再现长江流域植被总初级生产力的空间分布格局，在空间上具备良好的预测能力。综上可以看出，本发明的方法不仅具备输入参数简单，容易获得的优点，同时兼备了时间和空间尺度预测的准确性，可以作为未来植被总初级生产力预测的工具。
步骤6，初始化未来计算时段内数据，对气候模式数据进行优选和校正。
全球气候模式(GCMs)是模拟历史气候状态并预估未来气候变化研究最好用也是唯一的工具，共收集了26套全球气候模式数据，由于气候模式在区域上存在较大的不确定性，在使用前需要进行优选和校正。通过计算气候模式模拟值和实际观测值的标准差和相关系数，并通过式14引入一个定量化指标S，将气候模式数据和实测数据之间的标准差和相关系数进行差量化计算，来评估不同气候模式之间的优劣程度，通过此指标优选出在长江流域适用的气候模式：
式中，R为模拟场和观测场的相关系数；R0为可以达到的最大相关系数；σf为模拟场和观测场标准差的比值。
运用分位数映射法，通过建立传递函数来最小化模式数据的经验累积分布函数(CDFs)与观测数据的差异。然后利用该传递函数修正未来气候模式数据，传递函数可表示为：
式中，xmc是校正之后的模式数据；xm,v(t)为原始的气候模式数据；Fm,c为历史时期原始气候模式数据的CDFs；为观测数据的CDFs。
步骤7，将未来数据输入构建好的模型，输出未来植被总初生产力的预测值。
通过将经过步骤6优选和校正的气候模式数据进行整理，假设未来植被覆盖不变，将未来气象数据和二氧化碳浓度数据输入经过步骤4、步骤5构建好的植被总初级生产力预测模型中，得到未来长江流域植被总初级生产力的时间变化和空间变化，如图4、图5所示。
本发明实施例还提供一种多元回归的总初级生产力逐像元预测装置，如图6所示，所述装置600包括：
获取模块601，被配置为获取数据，所述数据包括历史气象数据、植被类型数据、植被总初级生产力数据和未来气候模式数据；
初始化模块602，被配置为初始化历史计算时段内数据，将气象数据和植被总初级生产力数据统一到相同空间分辨率的像元上；
计算模块603，被配置为计算高分辨率的植被类型数据在每个像元的占比，得到每个像元不同植被总初级生产力值；
模型构建模块604，被配置为逐像元拟合不同植被总初级生产力同温度、降水、辐射、饱和水汽压差、二氧化碳浓度的参数，构建植被总初级生产力预测模型；
参数估计模块605，被配置为对所述植被总初级生产力预测模型模型进行参数估计，得到最终的植被总初级生产力预测模型；
筛选校正模块606，被配置为初始化未来计算时段内数据，对气候模式数据进行筛选和校正；
预测模块607，被配置为将未来数据输入构建好的模型，输出未来植被总初生产力的预测值。
在一些实施例中，所述初始化模块被进一步配置为：
获取降水、温度、辐射、比湿、大气压强数据，通过式(1)得到饱和水汽压差VPD，空间分辨率为0.1°，收集光能利用率模型植被总初级生产力产品一套，空间分辨率为0.05°，通过重采样，重新插值到0.1°，
其中TA为温度，单位℃，P为大气压强，单位hPa，SP为比湿，单位kgkg-1。
在一些实施例中，所述计算模块被进一步配置为：
所述植被类型数据包括林地、草地、耕地、灌丛，将像元内不同的植被进行统计，得到不同植被在一个像元内的占比，进一步计算得到每个像元中不同植被的植被总初级生产力值。
在一些实施例中，所述模型构建模块被进一步配置为：
通过公式(2)计算像元尺度的植被总初级生产力值：
GPP＝GPP1+GPP2+GPP3+GPP4 (2)
式中，GPP为像元尺度的植被总初级生产力值，GPP1为林地植被总初级生产力，GPP2为草地植被总初级生产力，GPP3为耕地植被总初级生产力，GPP4为灌木植被总初级生产力；
在像元尺度，其中一种植被GPPs与各因子之间的多元线性回归模型为：
GPPs＝β0s+β1sTEMP+β2sPREC+β3sSRAD+β4sVPD++β5seCO2+εs (3)
式中，β0s,β1s,β2s,β3s,β4s,β5s分别为第s种植被的总初级生产力对温度、降水、太阳辐射、饱和水汽压差、二氧化碳浓度响应的未知参量；εs为均值为零，方差为σ2＞0的不可观测的随机变量，称为误差项，ε～N(0,σ2)，TEMP为温度，PREC为降水量，SRAD为太阳辐射，VPD为饱和水汽压差，eCO2为二氧化碳浓度；
在历史已有年限中，获取n年的时间序列数据，则有：
式中εsn之间相互独立，且服从N(0,σ2)分布；
令
将式(5)用矩阵表示为：
式中，Ys表示第s种植被的历年总初级生产力矩阵，X表示像元内气象历年气象要素矩阵。
在一些实施例中，所述参数估计模块被进一步配置为：
采用最小二乘法来计算回归参数的估计值，通过最小化误差的平方和寻求数据的最佳函数匹配，得到回归参数的最优估计值，使离差平方和达到最小：
式中，GPPsi表示为第i年s类型植被的GPP；TEMPi、PRECi、SRADi、VPDi、eCO2i分别表示第i年的温度、降水、辐射、饱和水汽压差和二氧化碳浓度。
根据微积分中求极值的原理，应满足下列方程组：
当(X'X)-1存在时，即得回归参数的最小二乘估计值为：
最终得到s类植被总初级生产力的预测模型为：
将各类植被类型的GPP相加，即得到最终GPP值：
。
在一些实施例中，所述筛选校正模块被进一步配置为：
通过计算气候模式模拟值和实际观测值的标准差和相关系数，并通过式(14)引入定量化指标S，将气候模式数据和实测数据之间的标准差和相关系数进行差量化计算，来评估不同气候模式之间的优劣程度，并通过所述定量化指标选出在长江流域适用的气候模式：
式中，R为模拟场和观测场的相关系数；R0为可以达到的最大相关系数；σf为模拟场和观测场标准差的比值；
通过建立传递函数来最小化模式数据的经验累积分布函数与观测数据的差异，并利用所述传递函数修正未来气候模式数据，所述传递函数表示为：
式中，xmc是校正之后的模式数据；xm,v(t)为原始的气候模式数据；Fm,c为历史时期原始气候模式数据的CDFs；为观测数据的CDFs。
在一些实施例中，所述预测模块被进一步配置为：
基于经过筛选和校正的气候模式数据，假设未来植被覆盖不变，将未来气象数据和二氧化碳浓度数据输入构建好的植被总初级生产力预测模型中，得到未来长江流域植被总初级生产力的时间变化和空间变化。
需要注意，本实施例提供的多元回归的总初级生产力逐像元预测装置与在先的多元回归的总初级生产力逐像元预测方法属于同一技术思路，其可以起到同样的有益效果，此处不赘述。
本发明实施例还提供一种存储有指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，执行如上任一实施例所述的多元回归的总初级生产力逐像元预测方法。
以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种多元回归的总初级生产力逐像元预测方法，其特征在于，所述方法包括：
获取数据，所述数据包括历史气象数据、植被类型数据、植被总初级生产力数据和未来气候模式数据；
初始化历史计算时段内数据，将气象数据和植被总初级生产力数据统一到相同空间分辨率的像元上；
计算高分辨率的植被类型数据在每个像元的占比，得到每个像元不同植被总初级生产力值；
逐像元拟合不同植被总初级生产力同温度、降水、辐射、饱和水汽压差、二氧化碳浓度的参数，构建植被总初级生产力预测模型；
对所述植被总初级生产力预测模型模型进行参数估计，得到最终的植被总初级生产力预测模型；
初始化未来计算时段内数据，对气候模式数据进行筛选和校正；
将未来数据输入构建好的模型，输出未来植被总初生产力的预测值。
2.根据权利要求1所述的方法，其特征在于，所述初始化历史计算时段内数据，将气象数据和植被总初级生产力数据统一到相同空间分辨率的像元上，具体包括：
获取降水、温度、辐射、比湿、大气压强数据，通过式(1)得到饱和水汽压差VPD，空间分辨率为0.1°，收集光能利用率模型植被总初级生产力产品一套，空间分辨率为0.05°，通过重采样，重新插值到0.1°，
其中TA为温度，单位℃，P为大气压强，单位hPa，SP为比湿，单位kgkg-1。
3.根据权利要求1所述的方法，其特征在于，所述计算高分辨率的植被类型数据在每个像元的占比，得到每个像元不同植被总初级生产力值，具体包括：
所述植被类型数据包括林地、草地、耕地、灌丛，将像元内不同的植被进行统计，得到不同植被在一个像元内的占比，进一步计算得到每个像元中不同植被的植被总初级生产力值。
4.如权利要求1所述的方法，其特征在于，所述逐像元拟合不同植被总初级生产力同温度、降水、辐射、饱和水汽压差、二氧化碳浓度的参数，构建植被总初级生产力预测模型，具体包括：
通过公式(2)计算像元尺度的植被总初级生产力值：
GPP＝GPP1+GPP2+GPP3+GPP4 (2)
式中，GPP为像元尺度的植被总初级生产力值，GPP1为林地植被总初级生产力，GPP2为草地植被总初级生产力，GPP3为耕地植被总初级生产力，GPP4为灌木植被总初级生产力；
在像元尺度，其中一种植被GPPs与各因子之间的多元线性回归模型为：
GPPs＝β0s+β1sTEMP+β2sPREC+β3sSRAD+β4sVPD++β5seCO2+εs (3)
式中，β0s,β1s,β2s,β3s,β4s,β5s分别为第s种植被的总初级生产力对温度、降水、太阳辐射、饱和水汽压差、二氧化碳浓度响应的未知参量；εs为均值为零，方差为σ2＞0的不可观测的随机变量，称为误差项，ε～N(0,σ2)，TEMP为温度，PREC为降水量，SRAD为太阳辐射，VPD为饱和水汽压差，eCO2为二氧化碳浓度；
在历史已有年限中，获取n年的时间序列数据，则有：
式中εsn之间相互独立，且服从N(0,σ2)分布；
令
将式(5)用矩阵表示为：
式中，Ys表示第s种植被的历年总初级生产力矩阵，X表示像元内气象历年气象要素矩阵。
5.如权利要求4所述的方法，其特征在于，所述对所述植被总初级生产力预测模型模型进行参数估计，得到最终的植被总初级生产力预测模型，具体包括：
采用最小二乘法来计算回归参数的估计值，通过最小化误差的平方和寻求数据的最佳函数匹配，得到回归参数的最优估计值，使离差平方和达到最小：
根据微积分中求极值的原理，β应满足下列方程组：
当(X'X)-1存在时，得回归参数的最小二乘估计值为：
最终得到植被总初级生产力的预测模型为：
。
6.如权利要求1所述的方法，其特征在于，所述初始化未来计算时段内数据，对气候模式数据进行筛选和校正，具体包括：
通过计算气候模式模拟值和实际观测值的标准差和相关系数，并通过式(14)引入定量化指标S，将气候模式数据和实测数据之间的标准差和相关系数进行差量化计算，来评估不同气候模式之间的优劣程度，并通过所述定量化指标选出在长江流域适用的气候模式：
式中，R为模拟场和观测场的相关系数；R0为可以达到的最大相关系数；σf为模拟场和观测场标准差的比值；
通过建立传递函数来最小化模式数据的经验累积分布函数与观测数据的差异，并利用所述传递函数修正未来气候模式数据，所述传递函数表示为：
式中，xmc是校正之后的模式数据；xm,v(t)为原始的气候模式数据；Fm,c为历史时期原始气候模式数据的CDFs；为观测数据的CDFs。
7.如权利要求1所述的方法，其特征在于，所述将未来数据输入构建好的模型，输出未来植被总初生产力的预测值，具体包括：
基于经过筛选和校正的气候模式数据，假设未来植被覆盖不变，将未来气象数据和二氧化碳浓度数据输入构建好的植被总初级生产力预测模型中，得到未来长江流域植被总初级生产力的时间变化和空间变化。
8.一种多元回归的总初级生产力逐像元预测装置，其特征在于，所述装置包括：
获取模块，被配置为获取数据，所述数据包括历史气象数据、植被类型数据、植被总初级生产力数据和未来气候模式数据；
初始化模块，被配置为初始化历史计算时段内数据，将气象数据和植被总初级生产力数据统一到相同空间分辨率的像元上；
计算模块，被配置为计算高分辨率的植被类型数据在每个像元的占比，得到每个像元不同植被总初级生产力值；
模型构建模块，被配置为逐像元拟合不同植被总初级生产力同温度、降水、辐射、饱和水汽压差、二氧化碳浓度的参数，构建植被总初级生产力预测模型；
参数估计模块，被配置为对所述植被总初级生产力预测模型模型进行参数估计，得到最终的植被总初级生产力预测模型；
筛选校正模块，被配置为初始化未来计算时段内数据，对气候模式数据进行筛选和校正；
预测模块，被配置为将未来数据输入构建好的模型，输出未来植被总初生产力的预测值。
9.根据权利要求8所述的装置，其特征在于，所述初始化模块被进一步配置为：
获取降水、温度、辐射、比湿、大气压强数据，通过式(1)得到饱和水汽压差VPD，空间分辨率为0.1°，收集光能利用率模型植被总初级生产力产品一套，空间分辨率为0.05°，通过重采样，重新插值到0.1°，
其中TA为温度，单位℃，P为大气压强，单位hPa，SP为比湿，单位kgkg-1。
10.一种存储有指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，执行根据权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310584733.3A CN116628979B (zh) | 2023-05-23 | 2023-05-23 | 多元回归的总初级生产力逐像元预测方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310584733.3A CN116628979B (zh) | 2023-05-23 | 2023-05-23 | 多元回归的总初级生产力逐像元预测方法、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116628979A true CN116628979A (zh) | 2023-08-22 |
| CN116628979B CN116628979B (zh) | 2024-04-30 |
Family
ID=87635962
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310584733.3A Active CN116628979B (zh) | 2023-05-23 | 2023-05-23 | 多元回归的总初级生产力逐像元预测方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116628979B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117314184A (zh) * | 2023-09-19 | 2023-12-29 | 沈阳农业大学 | 年总初级生产力时空变化结果的确定方法、装置及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113779796A (zh) * | 2021-09-13 | 2021-12-10 | 中国科学技术大学 | 一种基于卫星被动微波遥感的植被总初级生产力估算方法 |
| CN113887841A (zh) * | 2021-11-23 | 2022-01-04 | 中国科学院东北地理与农业生态研究所 | 一种区域沼泽湿地植被净初级生产力的预测方法 |
| CN114254802A (zh) * | 2021-11-09 | 2022-03-29 | 北京师范大学 | 气候变化驱动下植被覆盖时空变化的预测方法 |
| CN114331233A (zh) * | 2022-03-15 | 2022-04-12 | 航天宏图信息技术股份有限公司 | 植被总初级生产力估算方法、装置、电子设备及存储介质 |
-
2023
- 2023-05-23 CN CN202310584733.3A patent/CN116628979B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113779796A (zh) * | 2021-09-13 | 2021-12-10 | 中国科学技术大学 | 一种基于卫星被动微波遥感的植被总初级生产力估算方法 |
| CN114254802A (zh) * | 2021-11-09 | 2022-03-29 | 北京师范大学 | 气候变化驱动下植被覆盖时空变化的预测方法 |
| CN113887841A (zh) * | 2021-11-23 | 2022-01-04 | 中国科学院东北地理与农业生态研究所 | 一种区域沼泽湿地植被净初级生产力的预测方法 |
| CN114331233A (zh) * | 2022-03-15 | 2022-04-12 | 航天宏图信息技术股份有限公司 | 植被总初级生产力估算方法、装置、电子设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117314184A (zh) * | 2023-09-19 | 2023-12-29 | 沈阳农业大学 | 年总初级生产力时空变化结果的确定方法、装置及设备 |
| CN117314184B (zh) * | 2023-09-19 | 2024-04-30 | 沈阳农业大学 | 年总初级生产力时空变化结果的确定方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116628979B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Estimation of water provision service for monsoon catchments of South China: Applicability of the InVEST model | |
| Yang et al. | Multi-scale validation of GLEAM evapotranspiration products over China via ChinaFLUX ET measurements | |
| Chia et al. | Recent advances in evapotranspiration estimation using artificial intelligence approaches with a focus on hybridization techniques—a review | |
| Wang et al. | An evaluation of ECMWF SEAS5 seasonal climate forecasts for Australia using a new forecast calibration algorithm | |
| CN112348812B (zh) | 林分年龄信息测量方法及装置 | |
| CN116628979B (zh) | 多元回归的总初级生产力逐像元预测方法、装置及介质 | |
| CN111898258A (zh) | 一种水文循环变异驱动下二维干旱灾害评估方法 | |
| CN107919983B (zh) | 一种基于数据挖掘的天基信息网络效能评估系统及方法 | |
| CN110852477A (zh) | 一种基于系统动力学的生产需水预测方法 | |
| CN111721714B (zh) | 一种基于多源光学遥感数据的土壤含水量估算方法 | |
| Dallaire et al. | Uncertainty of potential evapotranspiration modelling in climate change impact studies on low flows in North America | |
| CN114372707A (zh) | 一种基于遥感数据的高寒湿地退化程度监测方法 | |
| CN116403048B (zh) | 一种基于多模态数据融合的农作物生长估计模型构建方法 | |
| CN115238947A (zh) | 气候变化下旱涝急转事件的社会经济暴露度预估方法 | |
| Zammit-Mangion et al. | WOMBAT v1. 0: A fully Bayesian global flux-inversion framework | |
| Carrasquilla-Batista et al. | Standalone fuzzy logic controller applied to greenhouse horticulture using internet of things | |
| CN113361774B (zh) | 一种生态空间集约利用优化方法及系统 | |
| Yue et al. | Estimating fractional coverage of crop, crop residue, and bare soil using shortwave infrared angle index and Sentinel-2 MSI | |
| Jin et al. | Research on the rice fertiliser decision-making method based on UAV remote sensing data assimilation | |
| Cheng et al. | Improving soil available nutrient estimation by integrating modified WOFOST model and time-series earth observations | |
| CN116432849B (zh) | 一种基于初级生产力数据同化的叶面积指数预测方法 | |
| Liu et al. | Sensitivity and uncertainty analysis of CENTURY-modeled SOC dynamics in upland soils under different climate-soil-management conditions: a case study in China | |
| CN117611997A (zh) | 一种可解释的森林地上生物量遥感估算方法及装置 | |
| Huang et al. | A dynamic agricultural prediction system for large-scale drought assessment on the Sunway TaihuLight supercomputer | |
| Xiao et al. | Fengwu-4dvar: Coupling the data-driven weather forecasting model with 4d variational assimilation |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |