一种净生态系统CO2交换量的预测方法技术方案

本发明专利技术公开了一种净生态系统CO2交换量的预测方法，针对当前NEE的环境影响因子众多且多为高度非线性关系而无法精确预测的问题，本发明专利技术将多种环境驱动因子考虑在内，采用最大互信息系数MIC筛选影响NEE的主控因子，构建以主控因子为自变量以NEE为目标变量的数据库，采用支持向量回归机理论和人工蜂群优化算法，建立了NEE最优化预测模型，有效地提高了NEE的预测精度。测精度。测精度。

【技术实现步骤摘要】
一种净生态系统CO2交换量的预测方法


[0001]本专利技术涉及环境监测领域，尤其涉及一种净生态系统CO2交换量的预测方法。

技术介绍

[0002]CO2净生态系统交换量NEE收到广泛关注，NEE的精确预测极为重要，但是NEE的影响因素众多且为高度非线性关系，目前已有的方法无法对其进行精确的预测本专利技术将多种环境驱动因子考虑在内，本专利技术将多种环境驱动因子考虑在内，采用最大互信息系数MIC筛选影响NEE的主控因子，构建以主控因子为自变量以NEE为目标变量的数据库，采用支持向量回归机理论和人工蜂群优化算法，建立了NEE最优化预测模型，有效地提高了NEE的预测精度。

技术实现思路

[0003]为了针对现有NEE环境影响因子众多且为高度非线性关系而无法精确预测的问题，本专利技术提供一种净生态系统CO2交换量的预测方法，方法包括以下步骤：
[0004]S1、获取涡度相关系统连续性观测数据；所述涡度相关系统连续性观测数据包括：净生态系统CO2交换量和环境驱动变量数据；
[0005]S2、对涡度相关系统连续性观测数据进行数据预处理，得到有效的净生态系统CO2交换量和环境驱动变量数据；
[0006]S3、利用最大互信息系数法MIC析有效的净生态系统CO2交换量与环境驱动变量数据的相关性，从环境驱动变量数据中筛选与净生态系统CO2交换量相关性较大的前N个主控因子；以N个主控因子为输入变量，对应的净生态系统CO2交换量为输出变量，构建有效数据库；
[0007]S4、对有效数据库中的每一项数据作归一化处理，得到归一化后的数据；将将归一化后的数据分为训练集和测试集；
[0008]S5、建立净生态系统CO2交换量支持向量机预测模型，利用训练集训练所述支持向量机模型，得到训练完成的模型；
[0009]S6、利用人工蜂群优化算法优化所述训练完成的模型，得到最优预测模型；
[0010]S7、利用测试集测试最优预测模型，并对最优预测模型进行指标评价，得到最终模型；
[0011]S8、利用最终模型进行净生态系统CO2交换量预测。
[0012]本专利技术提供的有益效果是：具体考虑了NEE与其各主控环境驱动变量之间的关系，采用筛选的主控因子作为NEE模型的输入变量，有效改善了模型的预测性能。
附图说明
[0013]图1是本专利技术方法的流程图；
[0014]图2是训练数据库预测结果；
[0015]图3是验证数据库预测结果。
具体实施方式
[0016]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地描述。
[0017]请参考图1，图1是本专利技术方法流程图。本专利技术提供了一种净生态系统CO2交换量的预测方法，包括以下步骤：
[0018]S1、获取涡度相关系统连续性观测数据；所述涡度相关系统连续性观测数据包括：净生态系统CO2交换量和环境驱动变量数据；
[0019]具体的说，本专利技术通过神农架大九湖亚高山泥炭湿地通量观测塔的开路涡度相关系统获取净生态系统CO2交换量(NEE)数据及环境驱动变量数据(气象因子数据)，气象因子主要包括空气温度(Ta)、相对湿度(RH)、光量子通量密度(PPFD)、净辐射(RN)、向下短波辐射(SWIN)、三层土壤温度(Ts1、Ts2、Ts3)、三层土壤含水量(SWC1、SWC2、SWC3)、饱和水汽压差(VPD)等12个变量；
[0020]S2、对涡度相关系统连续性观测数据进行数据预处理，得到有效的净生态系统CO2交换量和环境驱动变量数据；
[0021]步骤S2中数据预处理具体为：根据预设阈值区间，对处于阈值区间范围外数据异常值进行剔除。作为一种实施例而言：本专利技术30min的NEE由涡动相关通量计算软件EddyPro 6.1对10Hz的湍流原始资料进行处理得到，其主要步骤包括：野点剔除、时间延迟校正、坐标旋转、超声虚温修正、空气密度效应修正和频率响应修正。对计算得到的30min通量资料，进一步根据质量等级标志剔除低质量的数据，并剔除由于红外气体分析仪镜面污染所造成的不可信数据。进一步对NEE资料进行夜间摩擦风速修正，即剔除夜间摩擦风速小0.2m/s的NEE数据。所形成的无缺失的数据将作为建模的有效数据集；
[0022]总体说，本专利技术步骤S2剔除异常值时，共进行三个方面的处理，(1)剔除夜间临界摩擦风速取0.2m/s的数据；(2)剔除降水量大于0的数据；(3)剔除
‑
22.72μmol
·
s
‑1·
m
‑2≤NEE≤22.72μmol
·
s
‑1·
m
‑2以外的数据；(4)剔除NEE与平均值相差超过4倍标准差的数据。去除后获得的有效数据率为36.32％。高于国际通量网(FLUXNET)35％的平均值。
[0023]S3、利用最大互信息系数法分析有效的净生态系统CO2交换量与环境驱动变量数据的相关性，从环境驱动变量数据中筛选与净生态系统CO2交换量相关性较大的前N个主控因子；以N个主控因子为输入量，对应的净生态系统CO2交换量为输出量，构建有效数据库；
[0024]6、步骤S3具体为：
[0025]S31、将净生态系统CO2交换量X和任一环境驱动变量数据Y按照数据对的形式D＝{(X1,Y1),(X2,Y2),
···
,(X
n
,Y
n
)构建一个散点图，然后在水平和竖直方向上分别划分a和b个网格，一组a和b的值对应一种划分尺度，而每一种划分尺度对应多种划分方案，每一种划分方案下变量X和Y的互信息值为：
[0026][0027]S32、通过步骤S31计算所有的划分方案下的互信息值，取最大值即为该划分尺度的最大互信息系数：
[0028]I
*
(X,Y)＝max(I(X,Y))；
[0029]S33：对步骤S32所述的公式采用log
2 min(a,b)进行归一化处理，即可获得X和Y在该划分尺度上的归一化信息值：
[0030][0031]S33、不同的a和b对应不同的M(D)，计算所有划分尺度的M(D)构成信息值特征矩阵M(D)
a,b
，则X和Y的最大互信息MIC的值即可通过计算信息值的特征矩阵的最大值获得：
[0032][0033]其中，B*(n)＝n
0.6
是网格数的上限，n是数据量的大小；
[0034]S34、计算所有环境驱动变量数据与净生态系统CO2交换量之间的MIC值，优先选择与净生态系统CO2交换量之间MIC值较大的环境驱动变量数据；MIC的物理意义等同于传统回归分析方法中的决定系数(R2)，MIC(X,Y)的取值范围为[0,1]，当MIC(X,Y)值为1时，表示变量Y与变量X完全相关，当MIC(X,Y)值为0时，表示变量Y与变量X完全独立。
[0035]S35、计算所有环境驱本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种净生态系统CO2交换量的预测方法，其特征在于：包括以下步骤：S1、获取涡度相关系统连续性观测数据；所述涡度相关系统连续性观测数据包括：净生态系统CO2交换量和环境驱动变量数据；S2、对涡度相关系统连续性观测数据进行数据预处理，得到有效的净生态系统CO2交换量和环境驱动变量数据；S3、利用最大互信息系数法MIC析有效的净生态系统CO2交换量与环境驱动变量数据的相关性，从环境驱动变量数据中筛选与净生态系统CO2交换量相关性较大的前N个主控因子；以N个主控因子为输入变量，对应的净生态系统CO2交换量为输出变量，构建有效数据库；S4、对有效数据库中的每一项数据作归一化处理，得到归一化后的数据；将将归一化后的数据分为训练集和测试集；S5、建立净生态系统CO2交换量支持向量机预测模型，利用训练集训练所述支持向量机模型，得到训练完成的模型；S6、利用人工蜂群优化算法优化所述训练完成的模型，得到最优预测模型；S7、利用测试集测试最优预测模型，并对最优预测模型进行指标评价，得到最终模型；S8、利用最终模型进行净生态系统CO2交换量预测。2.如权利要求1所述的一种净生态系统CO2交换量的预测方法，其特征在于：步骤S2中数据预处理具体为：根据预设阈值区间，对处于阈值区间范围外数据异常值进行剔除。3.如权利要求1所述的一种净生态系统CO2交换量的预测方法，其特征在于：步骤S3具体为：S31、将净生态系统CO2交换量X和任一环境驱动变量数据Y按照数据对的形式D＝{(X1,Y1),(X2,Y2),
···
,(X
n
,Y
n
)}构建一个散点图，然后在水平和竖直方向上分别划分a和b个网格，一组a和b的值对应一种划分尺度，而每一种划分尺度对应多种划分方案，每一种划分方案下变量X和Y的互信息值为：S32、通过步骤S31计算所有的划分方案下的互信息值，取最大值即为该划分尺度的最大互信息系数：I
*
(X,Y)＝max(I(X,Y))；S33：对步骤S32所述的公式采用log
2 min(a,b)进行归一化处理，即可获得X和Y在该划分尺度上的归一化信息值：S33、不同的a和b对应不同的M(D)，计算所有划分尺度的M(D)构成信息值特征矩阵M(D)
a,b
，则X和Y的最大互信息MIC的值即可通过计算信息值的特征矩阵的最大值获得：其中...

【专利技术属性】
技术研发人员：李雪，葛继稳，孙自豪，刘紫薇，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：