一种草原土地状态的预测方法技术

本申请提供了一种草原土地状态的预测方法

【技术实现步骤摘要】
一种草原土地状态的预测方法、设备及存储设备


[0001]本申请涉及生态环境治理领域，尤其涉及一种草原土地状态的预测方法
、
设备及存储设备
。

技术介绍

[0002]草原是我国重要的国土资源和物质财富，是生态安全和食品安全的重要支柱，也是发展多种产业经济的重要原料基地，能为畜牧生产的重要饲料来源
。
近年来，草牧业快速发展，牲畜数量极具增加，造成草地退化严重
。
草地退化严重损害草地的生态功能，大大限制了牧区中的畜牧业生产能力，同时随着全球变暖
、
水资源短缺等情况下，我国的草地资源和保护面临严峻的挑战
。
草原中的土壤状态是影响草地生态过程
、
生态承载能力以及退化后的重建和恢复能力的关键因素之一
。
提供科学的草地管理方式迫在眉睫，故对草原土地状态预测对于草原的保护和开发具有重要的意义
。
[0003]土地状态往往受多方面因素的影响，例如土壤的湿度
、
土壤表面的植被覆盖情况
、
土壤的化学状态等
。
同时，土壤的湿度又受土壤蒸发量
、
植被指数
(NDVI)、
降水量
、
平均气温
、
平均风速等因素的影响
。
而土地状态又直接决定植物的生长情况
。
现代草地资源的经营应遵循可持续利用原则，在保证生态环境良性健康发展中寻求经济利益的最大化
。
[0004]因此，亟需一种草原土地状态的预测方法用来准确地预测草原土地状态，从而提高草原的生态环境，带动区域经济发展
。

技术实现思路

[0005]本申请的目的在于解决当前的草原土地状态的预测方法难以准确地预测草原土地状态的技术问题，提供一种草原土地状态的预测方法
、
设备及存储设备
。
[0006]本申请的上述目的是通过以下技术方案得以实现的：
[0007]一种草原土地状态的预测方法，该方法包括：
[0008]S1
：获取数据集，对所述数据集进行预处理；
[0009]S2
：对所述预处理后的所述数据集进行检验；
[0010]S3
：基于平稳时间序列，构建基于
SARIMA
土地状态预测模型；
[0011]S4
：将检验后的所述数据集划分为测试集和训练集，根据
LightGBM
模型
、
所述测试集以及所述训练集构建土壤湿度预测模型；
[0012]S5
：通过加权集成法融合所述土地状态预测模型以及所述土壤湿度预测模型，确定融合模型；
[0013]S6
：获取待测数据，通过所述融合模型以及所述待测数据，确定预测结果
。
[0014]可选的，步骤
S1
包括：
[0015]删除所述数据集中的缺失比例大于预设比例的数据；
[0016]采用非常用数字
‑1补全所述数据集中的余下的缺失数据
。
[0017]可选的，步骤
S2
包括：
[0018]S21
：通过一阶
12
步差分法对所述数据集进行差分处理，去除所述数据集的季节性以及周期性，公式如下：
[0019]Δ
X
＝
X
t+12
‑
X
t
[0020]其中，
Δ
X
表示一阶十二步差分序列在时间点
t
的值，
X
t
表示原始序列在时间点
t
上的值，
X
t+12
表示原始序列在时间点
t+12
上的值；
[0021]S22
：通过
ADF
检验对差分处理后的所述数据集进行平稳性检验，确定所述数据集
。
[0022]可选的，步骤
S3
包括：
[0023]通过一个随机时间序列
Y(t)
，在
ARIMA
模型基础上，加入季节性因素影响后，构建
SARIMAX
模型，如下：
[0024][0025]Φ
(B
S
)
＝1‑
Φ1B
S
‑
Φ2B
2S
‑…‑
Φ
p
B
pS
，
Θ
(B
S
)
＝1‑
Θ1B
S
‑
Θ2B
2S
‑…‑
Θ
p
B
qS
[0026]其中，
B
为延迟算子，
S
为季节周期长度，
p
代表自回归，
d
代表差分，
q
代表移动平均，
D
代表季节性差分，为是非季节性自回归滞后多项式，
Φ
(B2)
季节性自回归滞后多项式，
θ
(B)
是非季节性移动平均滞后多项式，
Θ
(B2)
是季节性移动平均滞后多项式，
c
是趋势多项式，
{
ε
t
}
为残差序列，
Φ1，
Φ2，
Λ
，
Φ
p
是系数，
Θ1，
Θ2，
ΛΘ
p
也是系数
。
[0027]可选的，步骤
S4
包括：
[0028]S41
：通过所述
LightGBM
模型以及基于梯度单边采样算法对所述测试集以及所述训练集进行划分；
[0029]S42
：通过贝叶斯优化以及交叉验证对所述
LightGBM
模型进行参数调优，所述调优的参数包括：树模型的最大深度
、
树模型的叶子节点数以及一个叶子节点上数据的最小数量；
[0030]S43
：通过划分后所述测试集以及所述训练集对参数调优后的所述
LightGBM
模型进行训练，构建所述土壤湿度预测模型
。
[0031]可选的，步骤
S5
包括：
[0032]构建融合模块，用于封装所述土地状态预测模型的参数以及所述土壤湿度预测模型的参数；
[0033]根据所述融合模块将所述土地状态预测模型的预测结果以及所述土壤湿度预测模型的预测结果进行线性组合，确定所述融合模型的输出，从而确定所述融合模型
。
[0034]一种存储设备，存本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种草原土地状态的预测方法，其特征在于方法包括以下步骤：
S1
：获取数据集，对所述数据集进行预处理；
S2
：对所述预处理后的所述数据集进行检验；
S3
：基于平稳时间序列，构建基于
SARIMAX
的土地状态预测模型；
S4
：将检验后的所述数据集划分为测试集和训练集，根据
LightGBM
模型
、
所述测试集以及所述训练集构建土壤湿度预测模型；
S5
：通过加权集成法融合所述土地状态预测模型以及所述土壤湿度预测模型，确定融合模型；
S6
：获取待测数据，通过所述融合模型以及所述待测数据，确定预测结果
。2.
如权利要求1的一种草原土地状态的预测方法，其特征在于，步骤
S1
包括：删除所述数据集中的缺失比例大于预设比例的数据；采用非常用数字
‑1补全所述数据集中的余下的缺失数据
。3.
如权利要求1的一种草原土地状态的预测方法，其特征在于，步骤
S2
包括：
S21
：通过一阶
12
步差分法对所述数据集进行差分处理，去除所述数据集的季节性以及周期性，公式如下：
Δ
X
＝
X
t+12
‑
X
t
其中，
Δ
X
表示一阶十二步差分序列在时间点
t
的值，
X
t
表示原始序列在时间点
t
上的值，
X
t+12
表示原始序列在时间点
t+12
上的值；
S22
：通过
ADF
检验对差分处理后的所述数据集进行平稳性检验，确定所述数据集
。4.
如权利要求1的一种草原土地状态的预测方法，其特征在于，步骤
S3
包括：通过一个随机时间序列
Y(t)
，在
ARIMA
模型基础上，加入季节性因素影响后，构建
SARIMAX
模型，如下：
Φ
(B
S
)
＝1‑
Φ1B
S
‑
Φ2B
2S
‑…‑
Φ
p
B
pS
，
Θ
(B
...

【专利技术属性】
技术研发人员：余晨希，易鸣，涂雅晴，杨云飞，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：