System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及土壤碳储量预测,尤其涉及一种土壤碳动态模拟预测方法、系统、电子设备及存储介质。
技术介绍
1、土壤有机碳库作为陆地生态系统的最大碳库,其碳储量可达2.34×1012t,而第一次工业革命至今,全球总化石燃料碳排放量为0.46×1012t,约占土壤有机碳储量的1/5。可作为生物质原料的能源植物在生长过程中其种植区域会发生土壤碳动态变化,此外,一些能源植物还可以在盐碱地、退化土壤等边际土地上种植,因此,能源植物的区域种植能够实现低碳减排以及加强土壤的碳固存,已被认为具有减缓气候变化的巨大潜力。
2、我国土壤类型多样,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。对于大区域土壤碳动力学的监测还需要消耗大量的人力物力,况且监测手段无法实现对未来土壤碳动态变化的预测,只能借助传统的土壤碳动态模型,如century4.0模型,以及一些其它的预测方法实现对区域土壤动态的模拟预测。
3、然而,传统的土壤碳动态模型并不能有效地实现对能源植物区域种植土壤碳动态变化的模拟预测。即无论从全球尺度还是区域尺度,现有的方法均无法准确地实现对能源植物土壤碳动态的模拟预测。因此,亟需一种预测准确性高和泛化能力强的土壤碳动态模拟预测方法。
技术实现思路
1、本专利技术提供一种土壤碳动态模拟预测方法、系统、电子设备及存储介质,用以解决现有技术中基于传统的土壤碳动态模型对能源植物种植区域的土壤碳动态模拟结果准确性低的缺陷。
2、本专利技术提供一种土
3、获取与目标区域的土壤碳动态模拟相关的影响参数,所述影响参数包括:所述目标区域的植物数据、土壤数据、历史气候数据和未来气候数据;
4、将所述影响参数输入校正后的century模型中,得到所述century模型输出的对所述目标区域的土壤碳动态模拟的初始结果;
5、基于所述植物数据中的归一化植被指数,预测得到所述目标区域的未来归一化植被指数;
6、将所述初始结果、所述历史气候数据和所述未来气候数据中的年积温、相对湿度和地表静辐射强度,所述归一化植被指数以及所述未来归一化植被指数输入预训练的结果修正模型,得到所述结果修正模型输出的对所述初始结果修正后的所述目标区域的土壤碳动态模拟的最终结果;
7、其中,所述结果修正模型是基于样本区域的土壤有机碳的实际含量,对应于所述实际含量的影响参数样本、以及将所述影响参数样本输入校正后的century模型,输出的对所述样本区域的土壤碳动态模拟的初始结果样本训练得到的lstm模型,所述影响参数样本包括:所述样本区域的植物数据样本、土壤数据样本和气候数据样本。
8、根据本专利技术所述的土壤碳动态模拟预测方法,所述获取与目标区域的土壤碳动态模拟相关的影响参数后,还包括:
9、对所述未来气候数据进行降尺度处理。
10、根据本专利技术所述的土壤碳动态模拟预测方法,所述获取与目标区域的土壤碳动态模拟相关的影响参数后,还包括:
11、对所述影响参数进行预处理,所述预处理包括:缺失值填补和标准化。
12、根据本专利技术所述的土壤碳动态模拟预测方法,对所述century模型的校正,包括:
13、对所述影响参数样本进行所述预处理;
14、将经所述预处理后的所述影响参数样本输入所述century模型中,得到由所述century模型输出的所述样本区域的土壤碳动态模拟的预测结果;
15、基于所述预测结果和所述实际含量,对所述century模型进行校正。
16、根据本专利技术所述的土壤碳动态模拟预测方法,所述基于所述植物数据中的归一化植被指数,预测得到所述目标区域的未来归一化植被指数,包括:
17、基于所述归一化植被指数,利用时间序列自回归预测方法预测得到所述未来归一化植被指数。
18、根据本专利技术所述的土壤碳动态模拟预测方法,所述结果修正模型的训练方法,包括:
19、将所述实际含量、对应于所述实际含量的所述影响参数样本,以及所述初始结果样本按照预设比例划分,构成训练集和测试集;
20、将所述训练集输入预设的lstm模型中进行回归训练,得到对应于各所述回归训练的训练后的lstm模型;
21、将所述测试集分别输入各所述训练后的lstm模型进行模型验证,得到针对各所述训练后的lstm模型的评估结果;
22、基于所述评估结果,利用网格搜索法和交叉验证法,对各所述训练后的lstm模型进行参数调整;
23、确定调整参数后的lstm模型中性能最优的lstm模型为所述结果修正模型。
24、根据本专利技术所述的土壤碳动态模拟预测方法,所述植物数据包括:归一化植被指数、植被净初级生产力数据、叶面积指数数据、最佳生长温度、生长抑制的最高温度、植物根茎叶中的c/n、c/s、c/p;
25、所述土壤数据包括:容重、田间持水量、永久枯萎点、土层深度、总磷、总氮、酸碱度、粘粒、土壤有机质、坡度;
26、所述历史气候数据包括:月最高温度、月最低温度、月降水量、年积温、相对湿度、地表净辐射强度;
27、所述未来气候数据包括:月最高气温、月最低气温、年积温和月降水量。
28、根据本专利技术所述的土壤碳动态模拟预测方法,所述得到所述结果修正模型输出的对所述初始结果修正后的所述目标区域的土壤碳动态模拟的最终结果后,还包括:
29、基于所述最终结果,修正基于能源植物制取生物航空燃料的全生命周期温室气体排放数据。
30、本专利技术还提供一种土壤碳动态模拟预测系统,包括:
31、获取模块,用于获取与目标区域的土壤碳动态模拟相关的影响参数,所述影响参数包括:所述目标区域的植物数据、土壤数据、历史气候数据和未来气候数据;
32、模拟模块,用于将所述影响参数输入校正后的century模型中,得到所述century模型输出的对所述目标区域的土壤碳动态模拟的初始结果;
33、预测模块,用于基于所述植物数据中的归一化植被指数,预测得到所述目标区域的未来归一化植被指数;
34、修正模块,用于将所述初始结果、所述历史气候数据和所述未来气候数据中的年积温、相对湿度和地表静辐射强度,所述归一化植被指数以及所述未来归一化植被指数输入预训练的结果修正模型,得到所述结果修正模型输出的对所述初始结果修正后的所述目标区域的土壤碳动态模拟的最终结果;
35、其中,所述结果修正模型是基于样本区域的土壤有机碳的实际含量,对应于所述实际含量的影响参数样本、以及将所述影响参数样本输入校正后的century模型,输出的对所述样本区域的土壤碳动态模拟的初始结果样本训练得到的lstm模型,所述影响参数样本包括:所述样本区域的植物数据样本、土壤数据样本和气候数据样本。
36、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本文档来自技高网...
【技术保护点】
1.一种土壤碳动态模拟预测方法,其特征在于,包括:
2.根据权利要求1所述的土壤碳动态模拟预测方法,其特征在于,所述获取与目标区域的土壤碳动态模拟相关的影响参数后,还包括:
3.根据权利要求2所述的土壤碳动态模拟预测方法,其特征在于,所述获取与目标区域的土壤碳动态模拟相关的影响参数后,还包括:
4.根据权利要求3所述的土壤碳动态模拟预测方法,其特征在于,对所述CENTURY模型的校正,包括:
5.根据权利要求1所述的土壤碳动态模拟预测方法,其特征在于,所述基于所述植物数据中的归一化植被指数,预测得到所述目标区域的未来归一化植被指数,包括:
6.根据权利要求1所述的土壤碳动态模拟预测方法,其特征在于,所述结果修正模型的训练方法,包括:
7.根据权利要求1所述的土壤碳动态模拟预测方法,其特征在于,所述植物数据包括:归一化植被指数、植被净初级生产力数据、叶面积指数数据、最佳生长温度、生长抑制的最高温度、植物根茎叶中的C/N、C/S、C/P;
8.根据权利要求1所述的土壤碳动态模拟预测方法,其特征在于,所
9.一种土壤碳动态模拟预测系统,其特征在于,包括:
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8任一项所述的土壤碳动态模拟预测方法。
...【技术特征摘要】
1.一种土壤碳动态模拟预测方法,其特征在于,包括:
2.根据权利要求1所述的土壤碳动态模拟预测方法,其特征在于,所述获取与目标区域的土壤碳动态模拟相关的影响参数后,还包括:
3.根据权利要求2所述的土壤碳动态模拟预测方法,其特征在于,所述获取与目标区域的土壤碳动态模拟相关的影响参数后,还包括:
4.根据权利要求3所述的土壤碳动态模拟预测方法,其特征在于,对所述century模型的校正,包括:
5.根据权利要求1所述的土壤碳动态模拟预测方法,其特征在于,所述基于所述植物数据中的归一化植被指数,预测得到所述目标区域的未来归一化植被指数,包括:
6.根据权利要求1所述的土壤碳动态模拟预测方法,其特征在于,所述结果修正模...
【专利技术属性】
技术研发人员:丁水汀,张宗伟,李峻旗,杨晓军,
申请(专利权)人:中国民航大学,
类型:发明
国别省市:
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。