一种土壤有机碳的预测方法及装置制造方法及图纸

本发明专利技术涉及一种土壤有机碳的预测方法及装置；其方法包括：获取与待预测表层土壤相对应的环境协变量数据；对所述与待预测土壤有机碳相对应的环境协变量数据进行缺失值填补和标准化处理，得到处理后的环境协变量数据；将处理后的环境协变量数据输入预设的集成机器学习模型中进行预测，得出预测结果；其中，所述预设的集成机器学习模型以多个机器学习模型进行集成后得到；各个机器学习模型是以样本土壤有机碳相对应的环境协变量数据为样本进行回归训练后得到。本发明专利技术的目的是解决现有技术预测土壤有机碳时差异大，相关性低，导致对土壤有机碳预测的准确性低的问题。壤有机碳预测的准确性低的问题。壤有机碳预测的准确性低的问题。

【技术实现步骤摘要】
一种土壤有机碳的预测方法及装置


[0001]本专利技术涉及土壤预测
，尤其涉及一种土壤有机碳的预测方法及装置。

技术介绍

[0002]陆地生态系统具有巨大的碳汇潜力，对减缓全球变暖具有显著作用。土壤作为最大的陆地有机碳库，全球土壤有机碳储量达到1300
‑
2000Pg，约是目前大气碳库的2倍，是陆地植被碳库的2
‑
3倍。
[0003]我国幅员辽阔，土壤类型多样，加上地形、气候和人类活动的影响，土壤有机碳的分布具有高度的空间异质性。不同学者对土壤有机碳的预测差异较大，据统计，采用现有的方法对同一区域进行土壤预测，预测得结果可低至50Pg，也可高达185Pg。
[0004]例如，现有的世界土壤信息数据(SoilGrids)预测的土壤有机碳的相关性(R2)为0.63，现有的随机森林方法对中国土壤有机碳预测的R2为0.56。无论从全球尺度还是区域尺度，现有的方法均达不到准确量化土壤有机碳的储量及预测其空间分布所需的精度，使得预测的差异大，使得预测的准确性低。因此，亟需一种预测准确性高和泛化能力强的土壤有机碳预测方法。

技术实现思路

[0005]本专利技术提供一种土壤有机碳的预测方法及装置，用以解决现有技术对土壤有机碳预测的差异大，相关性低，导致对土壤有机碳预测的准确性低的问题。
[0006]本专利技术提供一种土壤有机碳的预测方法，包括：获取与待预测土壤有机碳相对应的环境协变量数据；
[0007]对所述环境协变量数据进行缺失值填补和标准化处理，得到处理后的环境协变量数据；
[0008]将处理后的环境协变量数据输入预设的集成机器学习模型中进行预测，得出待预测土壤有机碳的预测结果；
[0009]其中，所述预设的集成机器学习模型以多个机器学习模型进行集成后得到；
[0010]各个机器学习模型是以样本土壤有机碳相对应的环境协变量数据为样本进行回归训练后得到。
[0011]根据本专利技术提供的一种土壤有机碳的预测方法，对所述与待预测表层土壤相对应的环境协变量数据进行缺失值填补和标准化处理，得到处理后的环境协变量数据，包括：
[0012]利用缺失值插补方法，对所述环境协变量数据进行缺失值填补，得到填补后的环境协变量数据；
[0013]将填补后的环境协变量数据进行标准化处理，得到处理后的环境协变量数据。
[0014]根据本专利技术提供的一种土壤有机碳的预测方法，所述预设的集成机器学习模型以多个机器学习模型进行集成后得到，包括：
[0015]利用异构集成模型中的投票回归模型，将所述多个机器学习模型进行集成，得到
所述预设的集成机器学习模型。
[0016]根据本专利技术提供的一种土壤有机碳的预测方法，所述将处理后的环境协变量数据输入预设的集成机器学习模型中进行预测，得出待预测土壤有机碳的预测结果的步骤之前，还包括训练多个机器学习模型的步骤，包括：
[0017]获取多个机器学习模型和样本土壤有机碳相对应的环境协变量数据；
[0018]将所述样本土壤有机碳相对应的环境协变量数据为样本划分训练集和测试集；
[0019]将所述训练集输入各个机器学习模型中进行回归训练，得到各个回归训练后的机器学习模型；
[0020]将测试集输入各个训练后的机器学习模型进行验证，得到测试集的评估结果；
[0021]根据所述测试集的评估结果，利用网格搜索法和交叉验证法，对所述训练后的机器学习模型进行调参，得出最优的多个机器学习模型。
[0022]根据本专利技术提供的一种土壤有机碳的预测方法，所述多个机器学习模型包括随机森林模型、极致梯度提升模型、支持向量机模型和人工神经网络模型。
[0023]根据本专利技术提供的一种土壤有机碳的预测方法，所述环境协变量数据包括：土壤类型数据、容重数据、总磷数据、总氮数据、酸碱度数据、粘粒数据、土壤有机质数据、坡度数据、坡向数据、归一化植被指数数据、植被净初级生产力数据、叶面积指数数据、国内生产总值数据、人口密度数据、年均温数据和年降水数据。
[0024]本专利技术还提供一种土壤有机碳的预测装置，包括：
[0025]接收模块：用于获取与待预测土壤有机碳相对应的环境协变量数据；
[0026]处理模块：用于对所述环境协变量数据进行缺失值填补和标准化处理，得到处理后的环境协变量数据；
[0027]预测模块：用于将处理后的环境协变量数据输入预设的集成机器学习模型中进行预测，得出待预测土壤有机碳的预测结果；
[0028]其中，所述预设的集成机器学习模型以多个机器学习模型进行集成后得到；
[0029]各个机器学习模型是以样本土壤有机碳相对应的环境协变量数据为样本进行回归训练后得到。
[0030]根据本专利技术提供的一种土壤有机碳的预测装置，所述处理模块包括缺失值插补模块和标准化处理模块；
[0031]所述缺失值插补模块用于利用缺失值插补方法，对所述环境协变量数据进行缺失值填补，得到填补后的环境协变量数据；
[0032]所述标准化处理模块用于将填补后的环境协变量数据进行标准化处理，得到处理后的环境协变量数据。
[0033]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述土壤有机碳的预测方法。
[0034]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述土壤有机碳的预测方法。
[0035]本专利技术提供的一种土壤有机碳的预测方法及装置，其方法通过将样本土壤有机碳相对应的表层土壤的环境协变量数据为样本进行回归训练后，得到多个机器学习模型，通
过对多个机器学习模型进行集成，得到预设的集成机器学习模型，提高了预测的相关性，从而提高了集成机器学习模型对待预测土壤有机碳的预测精度，同时，通过与待预测土壤有机碳相对应的环境协变量数据进行预测，采集环境协变量数据更加方便和快捷，还能够实现土壤有机碳预测准确性的提高。
附图说明
[0036]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单的介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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。
[0037]图1是本专利技术提供的土壤有机碳的预测方法的流程示意图；
[0038]图2是本专利技术提供的土壤有机碳的预测方法，采用训练好的多个机器学习模型与集成机器学习模型的预测效果评估图；
[0039]图3是本专利技术提供的土壤有机碳的预测装置的结构示意图；
[0040]图4是本专利技术提供的电子设备的结构示意图；
[0041]图5是本专利技术提供的土壤有机碳的预测方法与现有技术预测的京津冀地区土壤有机碳密度的空间分布对比图。
具体实施方式
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种土壤有机碳的预测方法，其特征在于，包括：获取与待预测土壤有机碳相对应的环境协变量数据；对所述环境协变量数据进行缺失值填补和标准化处理，得到处理后的环境协变量数据；将处理后的环境协变量数据输入预设的集成机器学习模型中进行预测，得出待预测土壤有机碳的预测结果；其中，所述预设的集成机器学习模型以多个机器学习模型进行集成后得到；各个机器学习模型是以样本土壤有机碳相对应的环境协变量数据为样本进行回归训练后得到。2.根据权利要求1所述的土壤有机碳的预测方法，其特征在于，对所述环境协变量数据进行缺失值填补和标准化处理，得到处理后的环境协变量数据，包括：利用缺失值插补方法，对所述环境协变量数据进行缺失值填补，得到填补后的环境协变量数据；将填补后的环境协变量数据进行标准化处理，得到处理后的环境协变量数据。3.根据权利要求1所述的土壤有机碳的预测方法，其特征在于，所述预设的集成机器学习模型以多个机器学习模型进行集成后得到，包括：利用异构集成模型中的投票回归模型，将所述多个机器学习模型进行集成，得到所述预设的集成机器学习模型。4.根据权利要求1所述的土壤有机碳的预测方法，其特征在于，所述将处理后的环境协变量数据输入预设的集成机器学习模型中进行预测，得出待预测土壤有机碳的预测结果的步骤之前，还包括训练多个机器学习模型的步骤，包括：获取多个机器学习模型和样本土壤有机碳相对应的环境协变量数据；将所述样本土壤有机碳相对应的环境协变量数据为样本划分训练集和测试集；将所述训练集输入各个机器学习模型中进行回归训练，得到各个回归训练后的机器学习模型；将测试集输入各个训练后的机器学习模型进行验证，得到测试集的评估结果；根据所述测试集的评估结果，利用网格搜索法和交叉验证法，对所述训练后的机器学习模型进行调参，得出最优的多个机器学习模型。5.根据权利要求1所述...

【专利技术属性】
技术研发人员：孙怡，马瑾，赵文浩，刘奇缘，屈雅静，陈海燕，
申请(专利权)人：中国环境科学研究院，
类型：发明
国别省市：