【技术实现步骤摘要】
一种区域植被指标的驱动因素分析方法、装置及存储介质
本申请涉及数据处理
，具体而言，涉及一种区域植被指标的驱动因素分析方法、装置及存储介质。
技术介绍
在植被生态指标中，以植被净初级生产力(NetPrimaryProductivity，NPP)为例，它是植物生态系统结构和功能的基础，是研究植被固碳能力的重要数据，也是分析判定生态系统碳汇/源过程的关键要素，是用来表征全球变化响应的主要参数，也可被用作辅助政府决策和分析经济发展程度的重要参考指标。鉴于不同类型区域植被指标数据自身的特点及其驱动因素以及不同驱动因素之间关系的复杂性，合适的算法是影响其驱动因素分析精度效果的关键之一。目前，在区域植被指标的驱动因素分析方面有多种方法，其中线性回归分析是较常用的方法。但该方法在实际应用中时常会出现结果精度不高、不易满足预期目标的问题。原因之一是回归分析方法有严格的假设条件，即线性(因变量和每个自变量都是线性关系)、独立性(对于所有的观测值，其误差项相互之间是独立的)、正态性(误差项服从正态分布)、等方差(回归函数中...
【技术保护点】
1.一种区域植被指标的驱动因素分析方法，其特征在于，包括：/n获取研究区域的植被指标数据和植被指标的至少两种驱动因素数据；/n对所述植被指标数据进行局部空间自相关分析，以得到包含有多种聚类类型的分析结果；/n按照预设的组合规则，将不同的聚类类型进行组合以获取至少一种组合聚类类型；/n利用随机森林模型，对属于所述至少一种组合聚类类型中每种组合聚类类型的植被指标的驱动因素进行重要性分析。/n
【技术特征摘要】
20191227 CN 20191137489201.一种区域植被指标的驱动因素分析方法，其特征在于，包括：
获取研究区域的植被指标数据和植被指标的至少两种驱动因素数据；
对所述植被指标数据进行局部空间自相关分析，以得到包含有多种聚类类型的分析结果；
按照预设的组合规则，将不同的聚类类型进行组合以获取至少一种组合聚类类型；
利用随机森林模型，对属于所述至少一种组合聚类类型中每种组合聚类类型的植被指标的驱动因素进行重要性分析。
2.根据权利要求1所述的驱动因素分析方法，其特征在于，所述植被指标数据包括净初级生产力数据；
净初级生产力的驱动因素数据包括归一化植被指数数据、人口密度数据、国内生产总值数据、夜间灯光亮度数据、数字高程模型数据、年平均降雨量数据、年平均气温数据和坡度数据中的至少两种。
3.根据权利要求1所述的驱动因素分析方法，其特征在于，所述对所述植被指标数据进行局部空间自相关分析，以得到包含有多种聚类类型的分析结果，包括：
将所述植被指标数据导入地理信息系统；
通过所述地理信息系统获取包含有多种所述聚类类型的分析结果，其中，所述聚类类型包括高值聚类HH、低值聚类LL、高值主要由低值围绕的异常值HL、低值主要由高值围绕的异常值LH和不显著点。
4.根据权利要求3所述的驱动因素分析方法，其特征在于，所述至少一种组合聚类类型包括以下类型中的至少一种：第一组合聚类类型、第二组合聚类类型、第三组合聚类类型、第四组合聚类类型和第五组合聚类类型，所述按照预设的组合规则，将所述不同的聚类类型进行组合以获取所述至少一种组合聚类类型，包括：
将所述高值聚类HH和所述低值聚类LL进行组合，获取所述第一组合聚类类型；和/或，
将所述高值聚类HH和所述高值主要由低值围绕的异常值HL进行组合，获取所述第二组合聚类类型；和/或，
将所述低值聚类LL和所述低值主要由高值围绕的异常值LH进行组合，获取所述第三组合聚类类型；和/或，
将所述高值主要由低值围绕的异常值HL和所述低值主要由高值围绕的异常值LH进行组合，获取所述第四组合聚类类型；和/或，
将所述高值聚类HH、所述低值聚类LL、所述高值主要由低值围绕的异常值HL和所述低值主要由高值围绕的异常值LH进行组合，获取所述第五组合聚类类型。
5.根据权利要求1所述的驱动因素分析方法，其特征在于，所述对所述植被指标数据进行局部空间自相关分析，以得到包...
【专利技术属性】
技术研发人员：宋立奕，李明阳，郭颖，徐海，赵斌，艾畅，吴学卷，冯陆春，徐延鑫，
申请(专利权)人：南京林业大学，贵州省林业调查规划院，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。