CN117314184B - 年总初级生产力时空变化结果的确定方法、装置及设备 - Google Patents
年总初级生产力时空变化结果的确定方法、装置及设备 Download PDFInfo
- Publication number
- CN117314184B CN117314184B CN202311210865.6A CN202311210865A CN117314184B CN 117314184 B CN117314184 B CN 117314184B CN 202311210865 A CN202311210865 A CN 202311210865A CN 117314184 B CN117314184 B CN 117314184B
- Authority
- CN
- China
- Prior art keywords
- primary productivity
- annual
- total primary
- data
- site
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000008859 change Effects 0.000 title claims abstract description 35
- 230000007613 environmental effect Effects 0.000 claims abstract description 109
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000002123 temporal effect Effects 0.000 claims abstract description 15
- 230000015654 memory Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 16
- 238000001556 precipitation Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 239000002689 soil Substances 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 101100068491 Vicia faba AGPP gene Proteins 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000031018 biological processes and functions Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,公开了一种年总初级生产力时空变化结果的确定方法、装置、设备及介质,该方法包括:获取各个站点的观测年总初级生产力数据以及环境要素信息;基于各个站点的观测年总初级生产力数据以及环境要素信息,确定观测年总初级生产力数据对应的关键环境变量;基于关键环境变量对观测年总初级生产力数据的组分进行分解,确定关键环境变量对应的参数值;基于关键环境变量以及参数值,确定各个站点对应的目标观测年总初级生产力数据;基于各个站点对应的目标观测年总初级生产力数据,确定各个站点对应的年总初级生产力时间序列;基于年总初级生产力时间序列以及关键环境变量,确定各个年份区域年总初级生产力的空间变异状态。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及年总初级生产力时空变化结果的确定方法、装置、计算机设备及计算机可读存储介质。
背景技术
年总初级生产力(Annual gross primary productivity,年总初级生产力)是陆地植被通过光合作用自大气所固定的有机物质数量,是碳元素进入生态系统开始生物地球化学循环的起点,也是形成陆地碳汇及粮食产量的基础,也是表征生态系统功能与状态的重要参数。
为了确定区域年总初级生产力的时空变化,现有技术中,使用经验手段分解年总初级生产力为其过程组分,并通过预测年总初级生产力的组分的时空变化评估区域年总初级生产力,忽视了年总初级生产力组分分解中的生物过程及含义表达。同时,现有技术利用多年观测数据构建区域年总初级生产力扩展模型,忽视了年总初级生产力空间变化对环境梯度响应的年际差异。因而,现有区域年总初级生产力的评估结果呈现不确定性,从而不能够准确地确定不同区域的年总初级生产力及其时空变化。
发明内容
有鉴于此,本发明提供了一种年总初级生产力时空变化结果的确定方法,以解决现有技术中,区域年总初级生产力的评估结果呈现不确定性,从而不能够准确地确定不同区域的年总初级生产力及其时空变化的问题。
第一方面,本发明提供了一种年总初级生产力时空变化结果的确定方法,方法包括:获取各个站点的观测年总初级生产力数据以及环境要素信息;基于各个站点的观测年总初级生产力数据以及环境要素信息,确定观测年总初级生产力数据对应的关键环境变量;基于关键环境变量对观测年总初级生产力数据的组分进行分解,确定关键环境变量对应的参数值;基于关键环境变量以及参数值,确定各个站点对应的目标年总初级生产力数据;基于各个站点对应的观测年总初级生产力数据,确定各个站点对应的年总初级生产力时间序列;基于年总初级生产力时间序列以及关键环境变量,确定各个站点各年目标年总初级生产力组分的空间变异状态;基于各个站点各年目标年总初级生产力组分的空间变异状态以及关键环境变量,生成年总初级生产力时空变化结果。
本实施例提供的年总初级生产力时空变化结果的确定方法,根据关键影响变量及其参数值,分解年总初级生产力为其具有生理含义的组分(也即关键环境变量以及对应每一个关键环境变量的参数值),通过预测关键生理组分的空间变化,结合其他区域的组分,获得区域年总初级生产力的空间分布,实现基于年总初级生产力生理组分评估区域年总初级生产力空间变化,然后基于各个站点观测的年总初级生产力数据,获得完整时间序列关键生理组分数值,结合关键环境变量,获得区域逐年关键生理组分的空间分布数据,生成年总初级生产力时空变化结果,实现逐年构建年总初级生产力评估模式,评估年总初级生产力时空变化。其中,由于年总初级生产力的空间变异是关键环境变量共同作用的结果,基于关键环境变量及其参数值分解年总初级生产力得到生理组分后,通过预测关键生理组分的空间变化可以实现年总初级生产力空间分布的预测。
在一个可选的实施方式中,基于各个站点的观测年总初级生产力数据以及环境要素信息,确定观测年总初级生产力数据对应的关键环境变量,包括:获取各个站点在预设时间内的观测年总初级生产力数据的均值;基于各个站点的均值,对环境要素信息进行分析处理,确定观测年总初级生产力数据对应的关键环境变量。
本实施例提供的年总初级生产力时空变化结果的确定方法,由于站点和站点之间的空间变化受到站点时间变化的影响很小,也即站点内年总初级生产力的波动不会明显改变不同站点之间年总初级生产力的空间差异。因此,通过站点观测年总初级生产力的均值表征该站点的年总初级生产力状态,以排除偶然观测的年总初级生产力异常波动对站点之间年总初级生产力空间变异的影响,并便于确定影响年总初级生产力空间变异的关键环境变量。
在一个可选的实施方式中,基于关键环境变量对观测年总初级生产力数据的组分进行分解,确定关键环境变量对应的参数值,包括:获取关键环境变量对应的初始参数值;基于观测年总初级生产力数据的均值以及对应各个站点的初始参数值,确定关键环境变量对应的参数值。
本实施例提供的年总初级生产力时空变化结果的确定方法,各个站点都存在每一个关键环境变量对应的初始参数值,通过观测年总初级生产力数据的均值以及初始参数值确定关键环境变量最终对应的参数值,使得每一个参数值均不受到各个站点空间变化的影响,从而便于准确地确定生成年总初级生产力时空变化结果。
在一个可选的实施方式中,关键环境变量包括温度因素、叶面积指数因素以及降水量因素,参数值包括对应温度因素的第一参数值、对应叶面积指数因素的第二参数值以及对应降水量因素的第三参数值;其中,基于关键环境变量以及参数值,确定各个站点对应的目标年总初级生产力数据,包括:获取温度因素对应的第一数据值、叶面积指数因素的对应的第二数据值以及降水量因素的对应的第三数据值;对第一数据值、第二数据值以及第三数据值中的至少一个进行转化处理,生成转化结果;基于转化结果、第一参数值、第二参数值以及第三参数值,确定各个站点对应的目标年总初级生产力数据。
本实施例提供的年总初级生产力时空变化结果的确定方法,对第一数据值、第二数据值以及第三数据值中的至少一个进行转化处理,能够更准确地确定每个关键环境变量的数据值,再结合确定的参数值,从而能够准确地确定各个站点对应的目标年总初级生产力数据。
在一个可选的实施方式中,各个站点对应的年总初级生产力时间序列通过训练完成的时间序列模型得到的,时间序列模型的训练方法包括:获取年总初级生产力数据样本集合,年总初级生产力数据样本集合包括各个站点对应的年总初级生产力及其年际趋势数据样本值;针对年总初级生产力数据样本集合中的任一站点的年总初级生产力数据样本,从年总初级生产力数据样本集合中提取预设时间段的年总初级生产力年际趋势数据;对年总初级生产力年际趋势数据进行处理,以输出任一站点对应的年总初级生产力年际趋势预测值;对比年总初级生产力年际趋势预测值和年总初级生产力年际趋势数据样本值,并基于对比结果生成误差信息,以通过误差信息对时间序列模型进行校正。
本实施例提供的年总初级生产力时空变化结果的确定方法,能够根据时间序列模型准确地预测各个站点在预设时间段的所有年总初级生产力数据,从而保证各个站点的年总初级生产力数据不会发生缺失的情况,进而准确地确定年总初级生产力数据的逐年的空间变化。
在一个可选的实施方式中,基于年总初级生产力时间序列、空间变异状态以及关键环境变量,生成年总初级生产力时空变化结果,包括:获取关键环境变量对应的栅格数据、空间变异状态对应的空间数据以及年总初级生产力时间序列对应的时间数据;将空间数据以及时间数据添加到对应的栅格数据,生成年总初级生产力时空变化结果。
本实施例提供的年总初级生产力时空变化结果的确定方法,将年总初级生产力时空变化结果采用栅格数据的方式进行显示,从而使得空间数据和时间数据的数据结构紧凑、精度高以及冗余度低,进而有利于针对每一个区域的年总初级生产力数据进行分析。
在一个可选的实施方式中,获取各个站点的观测年总初级生产力数据以及环境要素信息,包括:获取对应各个站点的关键词信息以及位置信息;基于关键词信息,从数据库中获取各个站点的观测年总初级生产力数据;基于位置信息,从数据库中获取各个站点的环境要素信息。
本实施例提供的年总初级生产力时空变化结果的确定方法,通过各个站点的关键词信息确定观测年总初级生产力数据,并且通过各个站点的位置信息确定环境要素信息的方式,能够提高确定观测年总初级生产力数据以及环境要素信息的效率。
第二方面,本发明提供了一种年总初级生产力时空变化结果的确定装置,装置包括:第一获取模块,用于获取各个站点的观测年总初级生产力数据以及环境要素信息;第一确定模块,用于基于各个站点的观测年总初级生产力数据以及环境要素信息,确定观测年总初级生产力数据对应的关键环境变量;第二确定模块,用于基于关键环境变量对观测年总初级生产力数据的组分进行分解,确定关键环境变量对应的参数值;第三确定模块,用于基于关键环境变量以及参数值,确定各个站点对应的目标年总初级生产力数据;第四确定模块,用于基于各个站点对应的观测年总初级生产力数据,确定各个站点对应的年总初级生产力时间序列;第五确定模块,用于基于年总初级生产力时间序列以及关键环境变量,确定各个站点各年目标年总初级生产力组分的空间变异状态;生成模块,用于基于各个站点各年目标年总初级生产力组分的空间变异状态以及关键环境变量,生成年总初级生产力时空变化结果。
第三方面,本发明提供了一种计算机设备,包括:存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行上述第一方面或其对应的任一实施方式的年总初级生产力时空变化结果的确定方法。
第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的年总初级生产力时空变化结果的确定方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的年总初级生产力时空变化结果的确定方法的流程示意图;
图2是根据本发明实施例的另一年总初级生产力时空变化结果的确定方法的流程示意图;
图3是根据本发明实施例的又一年总初级生产力时空变化结果的确定方法的流程示意图;
图4是根据本发明实施例的一种各个站点预设时间段的年总初级生产力年际趋势预测值与观测年总初级生产力年际趋势数据之间的关系示意图;
图5是根据本发明实施例的一种多个时间段的年总初级生产力预测值与观测年总初级生产力数据之间的关系示意图;
图6是根据本发明实施例的一种基于随机森林回归预测目标年总初级生产力数据与观测年总初级生产力数据之间关系示意图;
图7是根据本发明实施例的年总初级生产力时空变化结果的确定方法装置的结构框图;
图8是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将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、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
基于相关技术可知,为了确定不同区域的年总初级生产力,使用经验手段分解年总初级生产力为其过程组分,并通过预测年总初级生产力的组分的时空变化评估区域年总初级生产力,忽视了年总初级生产力组分分解中的生物过程及含义表达。同时,现有技术利用多年观测数据构建区域年总初级生产力扩展模型,忽视了年总初级生产力空间变化对环境梯度响应的年际差异。因而,现有区域年总初级生产力评估结果呈现不确定性,从而不能够准确地确定不同区域的年总初级生产力及其时空变化。
基于此,本实施例提供的年总初级生产力时空变化结果的确定方法,能够根据关键影响因素以及关键影响因素对应的参数值,确定目标年总初级生产力数据,然后确定观测年总初级生产力数据时间序列和空间变异状态。其中,由于关键影响因素直接影响年总初级生产力的空间变异,使得目标年总初级生产力数据空间变异状态由关键影响因素所决定,从而能够准确地确定不同区域的年总初级生产力,进而能够准确地生成年总初级生产力时空变化结果。
根据本发明实施例,提供了一种年总初级生产力时空变化结果的确定方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种年总初级生产力时空变化结果的确定方法,可用于计算机设备,例如电脑、服务器等,图1是根据本发明实施例的年总初级生产力时空变化结果的确定方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101,获取各个站点的观测年总初级生产力数据以及环境要素信息。
计算机设备可以通过查询年总初级生产力数据有关的文献获取观测年总初级生产力数据,还可以从其他授权的网络共享平台上获取观测的年总初级生产力数据,当然还可以通过其他方式得到。具体获取观测年总初级生产力数据的方式,在此不做限定,可由本领域技术人员实现为准。
环境要素信息用于表征站点所处区域的环境数据,具体地,环境要素信息可以包括:温度因素(Mean Annual Temperature,MAT)、降水量因素(Mean AnnualPrecipitation,MAP)、叶面积指数因素(Annual mean leaf area index,LAI)、总光合有效辐射因素(Photosynthetic Active Radiation,PAR)、潜在蒸散量因素(PotentialEvapotranspiration,PET)、饱和水气压差因素(Vapor Pressure Deficit,VPD)、大气CO2密度因素、土壤湿度(Soil Moisture,SM)、土壤有机碳含量(Soil organic carboncontent,SOC)、土壤总氮含量(Soil Total Nitrogen content,STN)以及年最大叶面积指数(Maximum leaf area index,MLAI)中的任意一种或多种,此处不作具体限定。具体地,环境要素信息可以基于站点的地理位置信息(纬度、经度),通过公开的环境要素空间数据予以提取而获得。或者,环境要素信息可以通过设置在各个站点的多个传感器采集得到的,各个传感器与计算机设备之间通信连接,各个传感器可以将其采集到环境数据上传至计算机设备,相应地,计算机设备则可以获取到用于表征环境数据的环境要素信息。
步骤S102,基于各个站点的观测年总初级生产力数据以及环境要素信息,确定观测年总初级生产力数据对应的关键环境变量。
在确定观测年总初级生产力数据以及环境要素信息之后,可以针对环境要素信息中每一个环境要素判断观测年总初级生产力数据的变化,也即哪些环境要素对观测年总初级生产力数据的影响因素更大,从而得到关键环境变量。具体地,关键环境变量可以包括:温度因素(MAT)、降水量因素(MAP)、叶面积指数因素(LAI)。
步骤S103,基于关键环境变量对观测年总初级生产力的组分进行分解,确定关键环境变量对应的参数值。
观测年总初级生产力的空间变异由关键环境变量所决定。其中,由于各个站点观测年总初级生产力均可通过关键环境变量结合对应参数值来实现。因此,根据关键环境变量可以对观测年总初级生产力的组分进行分解,确定各个站点中每个关键环境变量对应的参数值。其中,观测年总初级生产力的组分用于表征构成观测年总初级生产力数据的所有环境要素信息。
需要说明的是,根据关键环境变量对观测年总初级生产力的组分进行分解的方式可以将不属于关键环境变量的环境要素信息(比如:上述PAR、PET)归纳合并至有限数目的组分,且各组分具有明确的生物学含义,并将关键环境变量对应的多个参数值拟合成各个站点中每个关键环境变量对应的参数值。
步骤S104,基于关键环境变量以及参数值,确定各个站点对应的目标年总初级生产力数据。
由上述内容可知,各个站点观测年总初级生产力数据由对应的环境要素信息以及对应的参数值确定,因此,通过从环境要素信息中确定的关键环境变量,以及通过关键环境变量的参数值,能够确定各个站点对应的目标年总初级生产力数据。
步骤S105,基于各个站点对应的观测年总初级生产力数据,确定各个站点对应的年总初级生产力时间序列。
在得到观测年总初级生产力数据之后,可以通过观测年总初级生产力数据确定各个站点在每一个时间段的年总初级生产力数据,然后可以得到各个站点对应的年总初级生产力时间序列。比如:每一个时间段的观测年总初级生产力数据包括:第一年的观测年总初级生产力数据、第二年的观测年总初级生产力数据……直到第十年的观测年总初级生产力数据,通过第一年到第十年的观测年总初级生产力数据可以构成年总初级生产力时间序列。
步骤S106,基于年总初级生产力时间序列以及关键环境变量,确定各个站点各年目标年总初级生产力组分的空间变异状态。
各个站点在每一个时间段的观测年总初级生产力数据都可以得到,并结合关键环境变量,可以确定观测年总初级生产力数据与关键环境变量的关系,获得各年目标年总初级生产力组分数值,由于每一个站点的关键环境变量都可以直接获取,那么通过关键环境变量以及目标观测年总初级生产力数据与关键环境变量的关系就能够得到各年目标年总初级生产力组分的空间变异状态。
步骤S107,基于各年目标年总初级生产力组分的空间变异状态以及关键环境变量,生成年总初级生产力时空变化结果。
在得到各年目标年总初级生产力组分的空间变异状态以及关键环境变量之后,可以生成年总初级生产力逐年数据,并将年总初级生产力时间序列、空间变异状态做成表格、图形划分等形式显示出来,从而评估年总初级生产力时空变化。
本实施例提供的年总初级生产力时空变化结果的确定方法,根据影响年总初级生产力空间变异的关键环境变量及其参数值分解年总初级生产力为其不同含义的生理组分,通过预测关键年总初级生产力的空间变化确定年总初级生产力空间分布的评估方法,然后基于观测数据确定各站点年总初级生产力完整时间序列,逐年生成年总初级生产力空间分布数据。通过构建年总初级生产力空间变异的关键影响变量使年总初级生产力分解所得各组成具有明确生理含义,逐年构建年总初级生产力空间分布模型使年际间年总初级生产力空间分布对环境梯度响应的差异得已呈现,进而能够准确地确定不同区域的年总初级生产力,生成年总初级生产力时空变化结果。
在本实施例中提供了一种年总初级生产力时空变化结果的确定方法,可用于上述的计算机设备,例如电脑、服务器等,图2是根据本发明实施例的年总初级生产力时空变化结果的确定方法的流程图,如图2所示,该流程包括如下步骤:
步骤S201,获取各个站点的观测年总初级生产力数据以及环境要素信息。详细请参见图1所示实施例的步骤S101,在此不再赘述。
步骤S202,基于各个站点的观测年总初级生产力数据以及环境要素信息,确定观测年总初级生产力数据对应的关键环境变量。
具体地,上述步骤S202包括:
步骤S2021,获取各个站点在预设时间内的观测年总初级生产力数据的均值。
由于站点和站点之间年总初级生产力的空间变化受到站点时间变化的影响很小,因此,可以将各个站点在预设时间内的观测年总初级生产力数据求均值,然后通过各个站点的均值来确定观测年总初级生产力数据的空间变异情况。
可选的,预设时间可以为5年、10年等,具体时间在此不做具体限定,可由本领域技术人员根据具体情况进行限定。
步骤S2022,基于各个站点的观测年总初级生产力的均值,对环境要素信息进行分析处理,确定影响观测年总初级生产力数据的关键环境变量。
在得到各个站点的均值后,通过各个站点的年总初级生产力均值对各个站点的环境要素信息中的每一个环境因素进行逐一比对,将环境要素信息中对各个站点的均值影响较低的环境因素舍弃,将环境要素信息中对各个站点的均值影响较高的环境因素作为关键环境变量。
在一种可选实施方式中,此处可以采用逐步回归方法从环境要素信息中提取关键环境变量。具体地,逐步回归方法是回归分析中一种筛选变量的过程,可以使用逐步回归方法从一组候选变量(也即环境因素信息)中构建回归模型,通过回归模型自动识别出环境要素信息中具有影响的因素变量,即关键环境变量。
步骤S203,基于关键环境变量对观测年总初级生产力的组分进行分解,确定关键环境变量对应的参数值。
具体地,上述步骤S203包括:
步骤S2031,获取关键环境变量对应的初始参数值。
初始参数值可以用于表征关键环境变量对应的初始修正值。比如:一个站点对应的关键环境变量需要通过初始修正值进行修正,从而能够得到准确的关键环境变量的数值。其中,在确定关键环境变量之后,可以确定关键环境变量对应的初始参数值。其中,各个站点对应的关键环境变量都有对应的初始参数值,也即上述MAT、MAP、以及LAI都有对应的初始参数值。
步骤S2032,基于观测年总初级生产力数据的均值以及对应各个站点的初始参数值,确定关键环境变量对应的参数值。
由上述内容可知,关键环境变量对观测年总初级生产力数据的空间变异的影响很大,而且各个站点都对应有关键环境变量。因此,需要将各个站点对应的关键环境变量的初始参数值变为所有站点统一的参数值,也即各个站点的对应的关键环境变量的参数值均相同。
可选的,统一之后的MAP的参数值可以为-0.15、MAP的参数值可以为0.08以及LAI的参数值可以为0.56。
步骤S204,基于关键环境变量以及参数值,确定各个站点对应的目标年总初级生产力数据。
具体的,上述步骤S204可以包括如下步骤:
步骤S2041,获取温度因素对应的第一数据值、叶面积指数因素的对应的第二数据值以及降水量因素的对应的第三数据值。
关键环境变量包括温度因素、叶面积指数因素以及降水量因素,参数值包括对应温度因素的第一参数值、对应叶面积指数因素的第二参数值以及对应降水量因素的第三参数值。其中,各个站点都有温度因素的第一数据值,叶面积指数因素的第二数据值以及降水量因素的第三数据值。比如:温度为25℃。
步骤S2042,对第一数据值、第二数据值以及第三数据值中的至少一个进行转化处理。比如:可以将第一数据值进行转化处理,从而得到K氏温度因素。
步骤S2043,基于关键环境变量、转化结果、第一参数值、第二参数值、第三参数值以及观测年总初级生产力数据,确定单独的年总初级生产力组分。
步骤S2044,基于单独的年总初级生产力组分,结合关键环境变量及其参数值,确定各个站点对应的目标年总初级生产力数据。
在一个可选的实施方式中,基于单独的年总初级生产力组分,结合关键环境变量及其参数值,确定各个站点对应的目标观测年总初级生产力数据可以包括:年总初级生产力=C×exp(-0.15/k×K MAT)×MAP0.08×LAI0.56;其中,K MAT可以为K氏温度、MAP可以为降水量、LAI可以为叶面积指数、C可以为植被功能常数以及k可以为玻尔兹曼常数。
需要说明的是,在确定上述年总初级生产力表达式后,可以将年总初级生产力分解组分为植被功能常数(C)、MAT作用exp(-0.15/k×K MAT)、MAP作用MAP0.08以及LAI0.56。
步骤S205,基于各个站点对应的观测年总初级生产力数据,确定各个站点对应的年总初级生产力时间序列。详细请参见图1所示实施例的步骤S105,在此不再赘述。
步骤S206,基于年总初级生产力时间序列以及关键环境变量,确定各个站点各年目标年总初级生产力组分的空间变异状态。详细请参见图1所示实施例的步骤S106,在此不再赘述。
步骤S207,基于各年目标年总初级生产力组分的空间变异状态以及关键环境变量,生成年总初级生产力时空变化结果。详细请参见图1所示实施例的步骤S107,在此不再赘述。
本实施例提供的年总初级生产力时空变化结果的确定方法,通过观测年总初级生产力数据的均值对环境要素信息分析处理的方式,一方面能够准确地确定环境要素信息的空间变化对观测年总初级生产力数据的影响,从而准确地确定关键环境变量,另一方面能够减少环境要素信息进行分析处理的步骤,从而提高确定关键环境变量的效率。关键环境变量已经解释了大部分观测年总初级生产力的空间变化,通过预测未被解释的年总初级生产力组分(即独立的年总初级生产力组分,也可以为功能属性组分C),结合关键环境变量及其参数值可以准确地确定生成年总初级生产力时空变化结果。
在本实施例中提供了一种年总初级生产力时空变化结果的确定方法,可用于上述的计算机设备,例如电脑、服务器等,图3是根据本发明实施例的年总初级生产力时空变化结果的确定方法的流程图,如图3所示,该流程包括如下步骤:
步骤S301,获取各个站点的观测年总初级生产力数据以及环境要素信息。
具体的,上述步骤S301包括:
步骤S3011,获取对应各个站点的关键词信息以及位置信息。
步骤S3012,基于关键词信息,从数据库中获取各个站点的观测年总初级生产力数据。
步骤S3013,基于位置信息,从数据库中获取各个站点的环境要素信息。
关键词信息用于表征确定观测年总初级生产力数据的相关词汇。例如,采用涡度相关词汇或“涡动协方差eddy covariance”为关键词信息,在文献数据库搜索包含涡度相关观测的已发表结果(比如:文献、论文等);对搜索所获已发表结果进行逐条审阅,仅保留拥有一年以上(含一年)观测年总初级生产力数据的发表结果,提取发表结果中的站点名称、经纬度、年份以及观测年总初级生产力数据。
位置信息用于表征各个站点的地理位置,根据各站点的地理位置(经度、纬度)信息,以便从公开数据库公布的气候土壤要素数据提取环境要素信息。
步骤S302,基于各个站点的观测年总初级生产力数据以及环境要素信息,确定观测年总初级生产力数据对应的关键环境变量。详细请参见图2所示实施例的步骤S202,在此不再赘述。
步骤S303,基于关键环境变量对观测年总初级生产力数据的组分进行分解,确定关键环境变量对应的参数值。详细请参见图2所示实施例的步骤S203,在此不再赘述。
步骤S304,基于关键环境变量以及参数值,确定各个站点对应的目标年总初级生产力数据。详细请参见图2所示实施例的步骤S204,在此不再赘述。
步骤S305,基于各个站点对应的观测年总初级生产力数据,确定各个站点对应的年总初级生产力时间序列。
其中,各个站点对应的年总初级生产力时间序列通过训练完成的时间序列模型得到的。
具体地,时间序列模型的训练方法包括:
步骤a1,获取年总初级生产力数据样本集合,年总初级生产力数据样本集合包括各个站点对应的年总初级生产力及其年际趋势数据样本值。
步骤a2,针对年总初级生产力数据样本集合中的任一站点的年总初级生产力数据样本,从年总初级生产力数据样本集合中提取预设时间段的年总初级生产力年际趋势数据。
步骤a3,对年总初级生产力年际趋势数据进行处理,以输出任一站点对应的年总初级生产力年际趋势预测值。
步骤a4,对比年总初级生产力年际趋势预测值和观测年总初级生产力年际趋势数据样本值,并基于对比结果生成误差信息,以通过误差信息对时间序列模型进行校正。
图4示出了一种预设时间段站点中,年总初级生产力年际趋势预测值与观测的年总初级生产力年际趋势之间的关系示意图。结合图4所示,将收集到的观测年总初级生产力数据构成数据集,从数据集中筛选拥有预设时间段,比如:9年(含9年)以上观测年总初级生产力数据的站点,并利用线性回归中的回归斜率表征每个站点的观测年总初级生产力年际趋势,构建时间序列模型。由于存在其他站点的目标观测年总初级生产力数据不满足预设时间段的观测年总初级生产力数据,比如:站点1只有5年的观测年总初级生产力数据,那么可以通过时间序列模型结合对应站点1的关键环境变量得到未来4年的观测年总初级生产力数据。然而根据图4可知,年总初级生产力年际趋势预测值与观测的年总初级生产力年际趋势数据会存在误差,因此,可以根据年总初级生产力年际趋势预测值与观测年总初级生产力年际趋势数据的误差对时间序列模型进行校正,使得年总初级生产力年际趋势预测值与观测的年总初级生产力年际趋势数据呈现1:1的关系,结合已有观测年总初级生产力数据得到各站点预设时间段内完整时间序列的观测年总初级生产力数据。
可选的,可以通过随机森林回归训练生成时间序列模型。
需要说明的是,图4中的R2为相关系数。其中,R2表征根据试验数据进行曲线拟合时,试验数据与拟合函数之间的吻合程度。
需要说明的是,图4中的RMSE为均方根误差,其用于表征年总初级生产力年际趋势预测值与观测年总初级生产力年际趋势数据的偏差。
需要说明的是,图4中的Measuring AGPP trends为实际年总初级生产力年际趋势数据、Predicted AGPP trends为年总初级生产力年际趋势预测值、Corrected predictedAGPP trends为修正后的年总初级生产力年际趋势预测值。
上述实施方式能够根据时间序列模型准确地预测各个站点在预设时间段的所有年总初级生产力数据,从而保证各个站点各年的年总初级生产力数据不会发生缺失的情况,进而准确地确定年总初级生产力数据的年际变化。
步骤S306,基于年总初级生产力时间序列以及关键环境变量,确定各个站点各年目标年总初级生产力组分的空间变异状态。
其中,各个站点各年目标年总初级生产力组分的空间变异状态通过训练完成的空间变异状态模型得到的。
具体地,空间变异状态模型的训练方法,可以包括:
步骤b1,获取每一个时间段的年总初级生产力组分样本集合,年总初级生产力组分样本集合包括每一个时间段中所有站点的年总初级生产力组分样本值。
步骤b2,针对年总初级生产力组分样本集合中的任一时间段的年总初级生产力组分数据样本,从年总初级生产力组分样本集合中提取目标年总初级生产力组分。
步骤b3,通过预测目标年总初级生产力组分的空间变异状态,以输出任一区域对应的年总初级生产力组分预测值。
步骤b4,对比年总初级生产力预测值和观测年总初级生产力数据样本值,并基于对比结果生成误差信息,以通过误差信息对空间变异状态模型进行校正。
图5示出了一种多个时间段观测年总初级生产力数据与年总初级生产力预测值之间的关系示意图。
由于年总初级生产力可以表达为:年总初级生产力=C×exp(-0.15/k×KMAT)×MAP0.08×LAI0.56,其中,(exp(-0.15/k×K MAT)、MAP0.08、LAI0.56)可以通过各年关键环境变量直接获得。因此,基于各站点的年总初级生产力观测结果以及对应的关键环境变量,可以构建每个时间段关于植被功能常数(C)的数值,并构建其空间变异状态模型。确定植被功能常数(C)的空间变异状态模型之后,可以根据其他区域的关键环境变量推导出植被功能常数,然后结果植被功能常数以及关键环境变量能够确定每一个区域对应的空间变异状态模型,然后能够预测出所有区域(比如:全球)的年总初级生产力预测值。结合图5可知,年总初级生产力预测值和观测年总初级生产力数据存在误差,因此,可以根据年总初级生产力预测值与观测年总初级生产力数据的误差对空间变异状态模型进行校正,使得年总初级生产力预测值与观测年总初级生产力数据呈现1:1的关系,从而得到所有区域的目标年总初级生产力的逐年数据。
上述实施方式中,通过以各个站点完整时间序列的观测年总初级生产力数据为基础,充分反映了目标年总初级生产力数据空间变异对环境梯度响应的差异。
图6示出了一种基于随机森林回归预测目标年总初级生产力数据与实际观测年总初级生产力数据之间关系示意图。结合图6所示,在一个可选的实施例中,方法还包括:
步骤c1,将多个站点观测年总初级生产力数据组成数据集,并将数据集随机划分为训练集和测试集。其中,训练集占整个数据集的70%,用于训练观测年总初级生产力区域评估模型,测试集占整个数据集的30%,用于测试训练集所生成的观测年总初级生产力区域评估模型的模拟精度。
步骤c2,在训练集中,基于随机森林回归训练植被功能常数(C)的时空变化,结合关键环境变量的时空变化,生成目标年总初级生产力的时空变化结果,从而得到目标年总初级生产力区域评估模型,并用测试集的观测年总初级生产力、关键环境变量以及植被功能常数对目标年总初级生产力区域评估模型进行验证。
步骤c3,在训练集与测试集中,评估预测所得目标年总初级生产力与实际所得目标之间的对应关系。其中,通过目标年总初级生产力区域评估模型预测所得目标年总初级生产力可以解释超过75%的观测年总初级生产力的空间变异。
步骤c4,对整个观测年总初级生产力组成的数据集随机划分100次,重复步骤c2和步骤c3),发现评估模型预测的年总初级生产力对观测年总初级生产力时空变异的解释比例没有发生明显改变,排除数据集随机划分对年总初级生产力区域评估模型的影响。
上述实施方式,通过确定随机森林回归通过预测植被功能常数(C),并结合关键环境变量来评估多个区域的年总初级生产力的可行性。
步骤S307,基于各年目标年总初级生产力组分的空间变异状态以及关键环境变量,生成年总初级生产力时空变化结果。
具体的,上述步骤S307包括:
步骤S3071,获取关键环境变量对应的栅格数据、空间变异状态对应的空间数据以及各年目标年总初级生产力组分对应的时间数据;
步骤S3072,将空间数据以及时间数据添加到对应的栅格数据,生成年总初级生产力时空变化结果。
获取带有关键环境变量的栅格数据,然后将各个站点中空间变异状态对应的空间数据以及年总初级生产力时间序列对应的时间数据添加到对用的关键环境变量的栅格数据中,以形成年总初级生产力时空变化结果。
需要说明的是,栅格数据为将空间分割成有规律的网格,每一个网格称为一个单元,并在各单元上赋予相应的属性值来表示实体的一种数据形式。
本实施例提供的年总初级生产力时空变化结果的确定方法,将年总初级生产力时空变化结果采用栅格数据的方式进行显示,从而使得空间数据和时间数据数据结构紧凑、精度高以及冗余度低,进而有利于针对每一个区域的年总初级生产力数据进行分析。
在本实施例中还提供了一种年总初级生产力时空变化结果的确定装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种年总初级生产力时空变化结果的确定装置,如图7所示,包括:
第一获取模块701,用于获取各个站点的观测年总初级生产力数据以及环境要素信息;
第一确定模块702,用于基于各个站点的观测年总初级生产力数据以及环境要素信息,确定影响观测年总初级生产力的关键环境变量;
第二确定模块703,用于基于关键环境变量对观测年总初级生产力的组分进行分解,确定关键环境变量对应的参数值;
第三确定模块704,用于基于关键环境变量以及参数值,确定各个站点对应的目标年总初级生产力数据;
第四确定模块705,用于基于各个站点对应的观测年总初级生产力数据,确定各个站点对应的年总初级生产力时间序列;
第五确定模块706,用于基于年总初级生产力时间序列以及关键环境变量,确定各年目标年总初级生产力组分的空间变异状态;
生成模块707,用于基于各年目标年总初级生产力组分的空间变异状态以及关键环境变量,生成年总初级生产力时空变化结果。
在一个可选的实施方式中,第一确定模块702包括:第一获取单元,用于获取各个站点在预设时间内的观测年总初级生产力数据的均值;第一处理单元,用于基于各个站点的均值,对环境要素信息进行分析处理,确定观测年总初级生产力数据对应的关键环境变量。
在一个可选的实施方式中,第二确定模块702包括:第二获取单元,用于获取关键环境变量对应的初始参数值;第一确定单元,用于基于观测年总初级生产力数据的均值以及对应各个站点的初始参数值,确定关键环境变量对应的参数值。
在一个可选的实施方式中,第三确定模块703包括:第三获取单元,用于获取温度因素对应的第一数据值、叶面积指数因素的对应的第二数据值以及降水量因素的对应的第三数据值;转化处理单元,用于对第一数据值、第二数据值以及第三数据值中的至少一个进行转化处理,生成转化结果;第二确定单元,用于基于转化结果、第一参数值、第二参数值以及第三参数值,确定各个站点对应的目标年总初级生产力数据。
在一个可选的实施方式中,装置还包括:第二获取模块,用于获取年总初级生产力数据样本集合,年总初级生产力数据样本集合包括各个站点对应的年总初级生产力数据样本值;提取模块,用于针对年总初级生产力数据样本集合中的任一站点的年总初级生产力数据样本,从年总初级生产力数据样本集合中提取预设时间段的年总初级生产力数据;处理模块,用于对年总初级生产力数据进行处理,以输出任一站点对应的年总初级生产力预测值;对比矫正模块,用于对比年总初级生产力预测值和年总初级生产力数据样本值,并基于对比结果生成误差信息,以通过误差信息对时间序列模型进行校正。
在一个可选的实施方式中,第一获取模块701包括:第四获取单元,用于获取对应各个站点的关键词信息以及位置信息;第五获取单元,用于基于关键词信息,从数据库中获取各个站点的观测年总初级生产力数据;第六获取单元,用于基于位置信息,从数据库中获取各个站点的环境要素信息。
在一个可选的实施方式中,生成单元707包括:第七获取单元,用于获取关键环境变量对应的栅格数据、空间变异状态对应的空间数据以及年总初级生产力时间序列对应的时间数据;生成单元,用于将空间数据以及时间数据添加到对应的栅格数据,生成年总初级生产力时空变化结果。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本实施例中的年总初级生产力时空变化结果的确定装置是以功能单元的形式来呈现,这里的单元是指ASIC(Application Specific Integrated Circuit,专用集成电路)电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备,具有上述图7所示的年总初级生产力时空变化结果的确定装置。
请参阅图8,图8是本发明可选实施例提供的一种计算机设备的结构示意图,如图8所示,该计算机设备包括:一个或多个处理器10、存储器20,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相通信连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个计算机设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器10为例。
处理器10可以是中央处理器,网络处理器或其组合。其中,处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路,可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件,现场可编程逻辑门阵列,通用阵列逻辑或其任意组合。
其中,存储器20存储有可由至少一个处理器10执行的指令,以使所述至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器20可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中,存储器20可选包括相对于处理器10远程设置的存储器,这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器,例如,随机存取存储器;存储器也可以包括非易失性存储器,例如,快闪存储器,硬盘或固态硬盘;存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30,用于该计算机设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质,上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可记录在存储介质,或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中,存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等;进一步地,存储介质还可以包括上述种类的存储器的组合。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件,当软件或计算机代码被计算机、处理器或硬件访问且执行时,实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (9)
1.一种年总初级生产力时空变化结果的确定方法,其特征在于,所述方法包括:
获取各个站点的观测年总初级生产力数据以及环境要素信息;
基于所述各个站点的观测年总初级生产力数据以及所述环境要素信息,确定所述观测年总初级生产力数据对应的关键环境变量;
基于所述关键环境变量对所述观测年总初级生产力数据的组分进行分解,确定所述关键环境变量对应的参数值;
基于所述关键环境变量以及所述参数值,确定各个站点对应的目标年总初级生产力数据;
基于各个站点对应的所述观测年总初级生产力数据,确定各个站点对应的年总初级生产力时间序列;
基于所述年总初级生产力时间序列以及所述关键环境变量,确定各个站点各年目标年总初级生产力组分的空间变异状态;
其中,各个站点各年目标年总初级生产力组分的空间变异状态通过训练完成的空间变异状态模型得到;
空间变异状态模型的训练方法,包括:
获取每一个时间段的年总初级生产力组分样本集合,年总初级生产力组分样本集合包括每一个时间段中所有站点的年总初级生产力组分样本值;
针对年总初级生产力组分样本集合中的任一时间段的年总初级生产力组分数据样本,从年总初级生产力组分样本集合中提取目标年总初级生产力组分;
通过预测目标年总初级生产力组分的空间变异状态,以输出任一区域对应的年总初级生产力组分预测值;
对比年总初级生产力预测值和观测年总初级生产力数据样本值,并基于对比结果生成误差信息,以通过误差信息对空间变异状态模型进行校正;
基于所述目标年总初级生产力组分空间变异状态以及所述关键环境变量,生成年总初级生产力时空变化结果;
所述基于所述目标年总初级生产力组分空间变异状态以及所述关键环境变量,生成年总初级生产力时空变化结果,包括:
获取所述关键环境变量对应的栅格数据、所述空间变异状态对应的空间数据以及所述年总初级生产力时间序列对应的时间数据;
将所述空间数据以及所述时间数据添加到对应的所述栅格数据,生成年总初级生产力时空变化结果。
2.根据权利要求1所述的年总初级生产力时空变化结果的确定方法,其特征在于,基于所述各个站点的观测年总初级生产力数据以及所述环境要素信息,确定所述观测年总初级生产力数据对应的关键环境变量,包括:
获取所述各个站点在预设时间内的所述观测年总初级生产力数据的均值;
基于所述各个站点的所述均值,对所述环境要素信息进行分析处理,确定所述观测年总初级生产力数据对应的关键环境变量。
3.根据权利要求2所述的年总初级生产力时空变化结果的确定方法,其特征在于,所述基于所述关键环境变量对所述观测年总初级生产力数据的组分进行分解,确定所述关键环境变量对应的参数值,包括:
获取所述关键环境变量对应的初始参数值;
基于所述观测年总初级生产力数据的均值以及对应所述各个站点的所述初始参数值,确定所述关键环境变量对应的所述参数值。
4.根据权利要求1所述的年总初级生产力时空变化结果的确定方法,其特征在于,关键环境变量包括温度因素、叶面积指数因素以及降水量因素,所述参数值包括对应所述温度因素的第一参数值、对应所述叶面积指数因素的第二参数值以及对应所述降水量因素的第三参数值;相应地,所述基于所述关键环境变量以及所述参数值,确定各个站点对应的目标年总初级生产力数据,包括:
获取所述温度因素对应的第一数据值、所述叶面积指数因素的对应的第二数据值以及所述降水量因素的对应的第三数据值;
对所述第一数据值、所述第二数据值以及所述第三数据值中的至少一个进行转化处理,生成转化结果;
基于所述关键环境变量、所述转化结果、所述第一参数值、第二参数值、所述第三参数值以及所述观测年总初级生产力数据,确定单独的年总初级生产力组分;
基于所述单独的年总初级生产力组分,结合所述关键环境变量以及所述参数值,确定各个站点对应的目标年总初级生产力数据。
5.根据权利要求1所述的年总初级生产力时空变化结果的确定方法,其特征在于,各个站点对应的年总初级生产力时间序列通过训练完成的时间序列模型得到的,所述时间序列模型的训练方法包括:
获取年总初级生产力数据样本集合,所述年总初级生产力数据样本集合包括各个站点对应的年总初级生产力及其年际趋势数据样本值;
针对所述年总初级生产力数据样本集合中的任一站点的年总初级生产力数据样本,从所述年总初级生产力数据样本集合中提取预设时间段的年总初级生产力年际趋势数据;
对所述年总初级生产力年际趋势数据进行处理,以输出所述任一站点对应的年总初级生产力年际趋势预测值;
对比所述年总初级生产力年际趋势预测值和所述观测年总初级生产力年际趋势数据样本值,并基于对比结果生成误差信息,以通过所述误差信息对所述时间序列模型进行校正。
6.根据权利要求1所述的年总初级生产力时空变化结果的确定方法,其特征在于,所述获取各个站点的观测年总初级生产力数据以及环境要素信息,包括:
获取对应所述各个站点的关键词信息以及位置信息;
基于所述关键词信息,从数据库中获取所述各个站点的所述观测年总初级生产力数据;
基于所述位置信息,从所述数据库中获取所述各个站点的所述环境要素信息。
7.一种年总初级生产力时空变化结果的确定装置,其特征在于,所述装置包括:
第一获取模块,用于获取各个站点的观测年总初级生产力数据以及环境要素信息;
第一确定模块,用于基于所述各个站点的观测年总初级生产力数据以及所述环境要素信息,确定所述观测年总初级生产力数据对应的关键环境变量;
第二确定模块,用于基于所述关键环境变量对所述观测年总初级生产力数据的组分进行分解,确定所述关键环境变量对应的参数值;
第三确定模块,用于基于所述关键环境变量以及所述参数值,确定各个站点对应的目标观测年总初级生产力数据;
第四确定模块,用于基于各个站点对应的所述观测年总初级生产力数据,确定各个站点对应的年总初级生产力时间序列;
第五确定模块,用于基于所述年总初级生产力时间序列以及所述关键环境变量,确定各个站点各年目标年总初级生产力组分的空间变异状态;
所述第五确定模块,用于获取每一个时间段的年总初级生产力组分样本集合,年总初级生产力组分样本集合包括每一个时间段中所有站点的年总初级生产力组分样本值;针对年总初级生产力组分样本集合中的任一时间段的年总初级生产力组分数据样本,从年总初级生产力组分样本集合中提取目标年总初级生产力组分;通过预测目标年总初级生产力组分的空间变异状态,以输出任一区域对应的年总初级生产力组分预测值;对比年总初级生产力预测值和观测年总初级生产力数据样本值,并基于对比结果生成误差信息,以通过误差信息对空间变异状态模型进行校正;其中,各个站点各年目标年总初级生产力组分的空间变异状态通过训练完成的空间变异状态模型得到;
生成模块,用于基于所述各年目标年总初级生产力组分的空间变异状态以及所述关键环境变量,生成年总初级生产力时空变化结果;
所述生成模块包括:第七获取单元,用于获取关键环境变量对应的栅格数据、空间变异状态对应的空间数据以及年总初级生产力时间序列对应的时间数据;生成单元,用于将空间数据以及时间数据添加到对应的栅格数据,生成年总初级生产力时空变化结果。
8.一种计算机设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1至6中任一项所述的年总初级生产力时空变化结果的确定方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机指令,所述计算机指令用于使计算机执行权利要求1至6中任一项所述的年总初级生产力时空变化结果的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311210865.6A CN117314184B (zh) | 2023-09-19 | 2023-09-19 | 年总初级生产力时空变化结果的确定方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311210865.6A CN117314184B (zh) | 2023-09-19 | 2023-09-19 | 年总初级生产力时空变化结果的确定方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117314184A CN117314184A (zh) | 2023-12-29 |
CN117314184B true CN117314184B (zh) | 2024-04-30 |
Family
ID=89261388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311210865.6A Active CN117314184B (zh) | 2023-09-19 | 2023-09-19 | 年总初级生产力时空变化结果的确定方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117314184B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714243A (zh) * | 2013-12-06 | 2014-04-09 | 浙江大学 | 一种依据温度和植被类型动态调节参数的直角双曲线总初级生产力估测方法 |
US10386296B1 (en) * | 2017-12-06 | 2019-08-20 | Arable Labs, Inc. | Systems and methods for determination and application of nitrogen fertilizer using crop canopy measurements |
CN112052988A (zh) * | 2020-08-18 | 2020-12-08 | 中国农业大学 | 耦合多目标优化和集合同化的作物产量估测方法及应用 |
CN112149295A (zh) * | 2020-09-17 | 2020-12-29 | 中国科学院空天信息创新研究院 | 一种全球通用植被总初级生产力遥感指数估算方法 |
CN112395765A (zh) * | 2020-11-19 | 2021-02-23 | 华中科技大学 | 一种植被层水分利用效率的确定方法和et-gpp-wue测量装置 |
CN113869675A (zh) * | 2021-09-13 | 2021-12-31 | 北京市测绘设计研究院 | 基于遥感的植被去污计算的方法、装置及电子设备 |
WO2023284887A1 (zh) * | 2022-01-29 | 2023-01-19 | 中国长江三峡集团有限公司 | 长期降水预测模型构建方法、长期降水预测方法及装置 |
CN116628979A (zh) * | 2023-05-23 | 2023-08-22 | 中国科学院重庆绿色智能技术研究院 | 多元回归的总初级生产力逐像元预测方法、装置及介质 |
-
2023
- 2023-09-19 CN CN202311210865.6A patent/CN117314184B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714243A (zh) * | 2013-12-06 | 2014-04-09 | 浙江大学 | 一种依据温度和植被类型动态调节参数的直角双曲线总初级生产力估测方法 |
US10386296B1 (en) * | 2017-12-06 | 2019-08-20 | Arable Labs, Inc. | Systems and methods for determination and application of nitrogen fertilizer using crop canopy measurements |
CN112052988A (zh) * | 2020-08-18 | 2020-12-08 | 中国农业大学 | 耦合多目标优化和集合同化的作物产量估测方法及应用 |
CN112149295A (zh) * | 2020-09-17 | 2020-12-29 | 中国科学院空天信息创新研究院 | 一种全球通用植被总初级生产力遥感指数估算方法 |
CN112395765A (zh) * | 2020-11-19 | 2021-02-23 | 华中科技大学 | 一种植被层水分利用效率的确定方法和et-gpp-wue测量装置 |
AU2021101693A4 (en) * | 2020-11-19 | 2021-05-20 | Huazhong University Of Science And Technology | Method for determining water use efficiency of vegetation layer and evapotranspiration water-gross primary production-water use efficiency measuring device |
CN113869675A (zh) * | 2021-09-13 | 2021-12-31 | 北京市测绘设计研究院 | 基于遥感的植被去污计算的方法、装置及电子设备 |
WO2023284887A1 (zh) * | 2022-01-29 | 2023-01-19 | 中国长江三峡集团有限公司 | 长期降水预测模型构建方法、长期降水预测方法及装置 |
CN116628979A (zh) * | 2023-05-23 | 2023-08-22 | 中国科学院重庆绿色智能技术研究院 | 多元回归的总初级生产力逐像元预测方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117314184A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pecchi et al. | Species distribution modelling to support forest management. A literature review | |
Pontius Jr et al. | Accuracy assessment for a simulation model of Amazonian deforestation | |
Stokland et al. | Species distribution modelling—Effect of design and sample size of pseudo-absence observations | |
Holloway et al. | Incorporating movement in species distribution models: how do simulations of dispersal affect the accuracy and uncertainty of projections? | |
Gábor et al. | How do species and data characteristics affect species distribution models and when to use environmental filtering? | |
Pascale et al. | Natural variability vs forced signal in the 2015–2019 Central American drought | |
Gomez-Navarro et al. | Establishing the skill of climate field reconstruction techniques for precipitation with pseudoproxy experiments | |
Coops et al. | Disentangling vegetation and climate as drivers of Australian vertebrate richness | |
CN104764868A (zh) | 一种基于地理加权回归的土壤有机碳预测方法 | |
Vaca et al. | Using climatically based random forests to downscale coarse‐grained potential natural vegetation maps in tropical Mexico | |
Edwards et al. | Estimating abundance and phenology from transect count data with GLMs | |
Sutton et al. | Climatic constraints on Laggar Falcon (Falco jugger) distribution predicts multidirectional range movements under future climate change scenarios | |
Lustenhouwer et al. | Beyond tracking climate: Niche shifts during native range expansion and their implications for novel invasions | |
Arenas‐Castro et al. | Effects of input data sources on species distribution model predictions across species with different distributional ranges | |
Ribeiro et al. | Remotely sensed indicators and open-access biodiversity data to assess bird diversity patterns in Mediterranean rural landscapes | |
Chen et al. | Projecting future local precipitation and its extremes for Sweden | |
A. Wentz et al. | Measuring spatial data fitness-for-use through multiple criteria decision making | |
Potdar et al. | Toward predicting flood event peak discharge in ungauged basins by learning universal hydrological behaviors with machine learning | |
González-Rodríguez et al. | Rule-based vs parametric approaches for developing climate-sensitive site index models: a case study for Scots pine stands in northwestern Spain | |
Wallentin et al. | A framework for uncertainty assessment in simulation models | |
Jung et al. | Local species assemblages are influenced more by past than current dissimilarities in photosynthetic activity | |
Perin et al. | SIMREG, a tree-level distance-independent model to simulate forest dynamics and management from national forest inventory (NFI) data | |
CN117314184B (zh) | 年总初级生产力时空变化结果的确定方法、装置及设备 | |
Dai et al. | Assessment of the effectiveness of a multi-site stochastic weather generator on hydrological modelling in the Red Deer River watershed, Canada | |
Depauw et al. | A general framework for quantifying the effects of land-use history on ecosystem dynamics |
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 |