多元回归的总初级生产力逐像元预测方法、装置及介质制造方法及图纸

本发明专利技术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。本发明专利技术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。力受到遥感数据限制的问题。力受到遥感数据限制的问题。

【技术实现步骤摘要】
多元回归的总初级生产力逐像元预测方法、装置及介质


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]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。

技术实现思路

[0006]鉴于以上所述现有技术的缺点，本专利技术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。
[0007]因此，本专利技术的技术方案是：
[0008]根据本专利技术的第一方面，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：
[0009]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；
[0010]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；
[0011]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；
[0012]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；
[0013]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；
[0014]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；
[0015]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。
[0016]根据本专利技术的第二方面，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：
[0017]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；
[0018]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；
[0019]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；
[0020]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；
[0021]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；
[0022]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；
[0023]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。
[0024]根据本专利技术的第三方面，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。
[0025]与现有技术相比，本专利技术的有益效果在于：
[0026]1、本专利技术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。
[0027]2、本专利技术具有参数容易获取、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
[0028]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专利技术的实施例进行说明。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。
[0029]图1为根据本专利技术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。
[0030]图2为根据本专利技术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。
[0031]图3为根据本专利技术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。
[0032]图4为根据本专利技术实施例的未来长江流域GPP变化折线图。
[0033]图5为根据本专利技术实施例的未来长江流域GPP空间分布图。
[0034]图6为根据本专利技术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
[0035]以下列举的部分实施例仅仅是为了更好地对本专利技术进行说明，但本专利技术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
技术实现思路
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，仍在本专利技术的保护范围之内。
[0036]现在结合说明书附图对本专利技术做进一步的说明。
[0037]本专利技术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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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+GPP
4 (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GPP
s
与各因子之间的多元线性回归模型为：GPP
s
＝β
0s
+β
1s
TEMP+β
2s
PREC+β
3s
SRAD+β
4s
VPD++β
5s
eCO2+ε
s (3)式中，β
0s
,β
1s
,β
2s
,β
3s
,β
4s
,β
5s
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；ε
s
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ε
sn
之间相互独立，且服从N(0,σ2)分布；令令将式(5)用矩阵表示为：式中，Y
s
表示第s种植被的历年总初级生产力矩阵，X表示像元...

【专利技术属性】
技术研发人员：曾思栋，吴健，吴胜军，杜鸿，佘敦先，陈吉龙，汤旭光，阳林翰，
申请(专利权)人：中国科学院重庆绿色智能技术研究院，
类型：发明
国别省市：