专利汇可以提供一种土壤有机碳库时空动态预测最优环境变量筛选方法专利检索,专利查询,专利分析的服务。并且本 发明 涉及一种 土壤 有机 碳 库 时空 动态预测最优环境变量筛选方法,收集 整理 不同时期的土壤 数据库 、动态与静态的环境变量集合,根据土壤数据的时效性,规定土壤碳库模拟有效的时间段——“时间片”。依据不同景观区域内部的土壤有机碳 密度 信息,分析各种动态、静态环境变量的各种 属性信息 ,进而使用层次分析法与专家知识构建特定时间片内有效的最优环境变量集合。,下面是一种土壤有机碳库时空动态预测最优环境变量筛选方法专利的具体信息内容。
1.一种土壤有机碳库时空动态预测最优环境变量筛选方法,获得用于目标土壤区域土壤有机碳密度预测所对应的最优环境变量集合,其特征在于,包括如下步骤:
步骤A.收集目标土壤区域中、对应预设总时间跨度的各个土壤样点,并基于预设子时间段,获得不同时期下的各土壤样点,且预设子时间段内各土壤样点的投影坐标互不相同,然后进入步骤B;其中,总时间段由相等时间间隔的子时间段构成,子时间段小于总时间跨度,以及基于土壤样点所对应的子时间段,总时间跨度下子时间段的个数不少于3个;
步骤B.获得不同时期下、各土壤样点在预设深度下分别所对应各指定土壤属性数据,以及相应各指定种类环境变量数据,然后进入步骤C;
步骤C.根据不同时期下、各土壤样点在预设深度下分别所对应各指定土壤属性数据,获得不同时期下、各土壤样点位置对应预设深度的土壤有机碳密度,然后进入步骤D;
步骤D.预设定义层次分析法中、不同遴选指标属性之间的相对重要性,然后进入步骤E;
步骤E.根据不同时期下、各土壤样点位置对应预设深度的土壤有机碳密度,以及相应各指定种类环境变量数据,获得层次分析法中、各指定种类环境变量的遴选指标属性数据,然后进入步骤F;
步骤F.根据层次分析法中、各指定种类环境变量分别相对目标土壤区域的各遴选指标属性数据,以及预设不同遴选指标属性之间的相对重要性,计算获得层次分析法中、不同指定种类环境变量之间相对各遴选指标属性的重要性,然后进入步骤G;
步骤G.根据层次分析法中、不同指定种类环境变量之间相对各遴选指标属性的重要性,以及不同时期下、各土壤样点分别所对应各指定种类环境变量数据,构建目标土壤区域所对应土壤有机碳密度的层次分析树,获得用于目标土壤区域土壤有机碳密度预测所对应的最优环境变量集合。
2.根据权利要求1所述一种土壤有机碳库时空动态预测最优环境变量筛选方法,其特征在于,所述步骤A包括如下步骤:
步骤A1.收集目标土壤区域中、对应预设总时间跨度的各个土壤样点,且预设子时间段内各土壤样点的投影坐标互不相同,然后进入步骤A2;其中,子时间段小于总时间跨度;
步骤A2.以子时间段t,按如下公式:
T=int(Year/t)*t
针对各个土壤样点分别设定时间片标签,即获得不同时期下的各土壤样点,然后进入步骤A3;
其中,T表示土壤样点所设定的时间片标签,Year表示土壤样点的采集时间,int()表示向下取整函数;
步骤A3.判断各个土壤样点所对应不同时间片标签的个数是否小于3,是则进入步骤A4,否则进入步骤B;
步骤A4.按预设增量,扩大总时间跨度,实现总时间跨度的更新,然后返回步骤A1。
3.根据权利要求2所述一种土壤有机碳库时空动态预测最优环境变量筛选方法,其特征在于,所述步骤B中,执行如下步骤B1至步骤B4,即获得不同时期下、各土壤样点在预设深度下分别所对应各指定土壤属性数据,以及相应各指定种类环境变量数据;
步骤B1.获得各时间片标签下、各土壤样点分别所对应各指定土壤属性数据,然后进入步骤B2;
步骤B2.针对各时间片标签下、各土壤样点分别所对应各指定土壤属性数据,执行标准化操作进行更新,然后进入步骤B3;
步骤B3.收集覆盖目标土壤区域的各指定种类环境变量图层,然后进入步骤B4;
步骤B4.针对各指定种类环境变量图层中的环境变量数据,执行标准化操作进行更新,然后进入步骤B5。
4.根据权利要求3所述一种土壤有机碳库时空动态预测最优环境变量筛选方法,其特征在于,所述步骤B2中,针对各时间片标签下、各土壤样点分别所对应各指定土壤属性数据,执行如下步骤B2-1至步骤B2-2,实现标准化操作进行更新;
步骤B2-1.针对各指定土壤属性数据的单位进行标准化;
步骤B2-2.针对各指定土壤属性数据进行异常值处理,其中,根据指定土壤属性数据与其所对应平均值的偏差、是否超过其所对应标准差两倍的判断,分别按如下执行不同操作;
如果s_i≥s_mean-2×s_std且s_i≤s_mean+2×s_std,则s_i不是异常值;
如果s_i
其中,s_i、s_mean、s_std分别是土壤属性s中的第i个值、平均值与标准差。
5.根据权利要求3所述一种土壤有机碳库时空动态预测最优环境变量筛选方法,其特征在于,所述步骤B4中,针对各指定种类环境变量图层中的环境变量数据,执行如下步骤B4-1至步骤B4-5,实现标准化操作进行更新;
步骤B4-1.采用预设重采样方法,将各指定种类环境变量图层转换为指定分辨率的各指定种类环境变量栅格图层,然后进入步骤B4-2;
步骤B4-2.将各指定种类环境变量栅格图层的坐标统一转换为预设标准的投影坐标,然后进入步骤B4-3;
步骤B4-3.针对各指定种类环境变量图层中的环境变量数据进行归一化,然后进入步骤B4-4;
步骤B4-4.判断各指定种类环境变量图层中是否存在缺失数据,是则选择重采样进行补充或删除该指定种类环境变量,否则进入步骤B4-5;
步骤B4-5.将各土壤样点叠加至面状的各指定种类环境变量栅格图层上,获得各土壤样点分别所对应的各指定种类环境变量数据。
6.根据权利要求3所述一种土壤有机碳库时空动态预测最优环境变量筛选方法,其特征在于,所述步骤C中,根据不同时期下、各土壤样点在预设深度下分别所对应各指定土壤属性数据,按如下公式:
获得不同时期下、各土壤样点位置对应预设深度的土壤有机碳密度,其中,n∈{1、…、N},N表示土壤样点的个数,SOCSn表示第n个土壤样点位置的土壤有机碳密度,I表示土壤样点位置土壤层次的数目,SOC_in表示第n个土壤样点位置第i层所对应土壤属性数据中的土壤有机碳含量,BD_in表示第n个土壤样点位置第i层所对应土壤属性数据中的土壤容重,Gr_in表示第n个土壤样点位置第i层所对应土壤属性数据中、大于2mm的砾石含量体积百分比,T_in表示第n个土壤样点位置第i层所对应土壤属性数据中的土壤厚度。
7.根据权利要求6所述一种土壤有机碳库时空动态预测最优环境变量筛选方法,其特征在于,所述步骤D中,执行如下步骤D1至步骤D3,预设定义层次分析法中、不同遴选指标属性之间的相对重要性;
步骤D1.定义形式化表达式[a,b,va]或[a,b,1/va],表示遴选指标属性a与遴选指标属性b之间的相对重要程度,其中,va是范围为1~9的整数取值,[a,b,va]表示遴选指标属性a相对遴选指标属性b更加重要的程度,[a,b,1/va]表示遴选指标属性b相对遴选指标属性a更加重要的程度,va的值越大,重要程度越大;
步骤D2.基于形式化表达式,定义第一大类遴选指标属性之间的相对重要性如下:
[Pearson,Significance,3]
[Pearson,VariableType,9]
[Pearson,Soilforming,3]
[Pearson,ConMulticoll,3]
[Pearson,Importance,1/3]
[Significance,VariableType,9]
[Significance,Soilforming,1]
[Significance,ConMulticoll,1]
[Significance,Importance,1/9]
[VariableType,Soilforming,1/7]
[VariableType,ConMulticoll,1/7]
[VariableType,Importance,1/9]
[Soilforming,ConMulticoll,1/7]
[Soilforming,Importance,1/7]
[ConMulticoll,Importance,1/5]
其中,Pearson表示皮尔逊相关系数,Significance表示差异性显著程度,VariableType表示变量类型,Soilforming表示土壤发生学意义,ConMulticoll表示共线性比重,Importance表示变量重要性;
步骤D3.基于形式化表达式,定义第二大类遴选指标属性之间的相对重要性如下:
[Scenario,Numeric,3]
[Regression,MDA,1]
其中,Scenario和Numeric均属于变量类型VariableType,Scenario表示是否为动态环境变量,Numeric表示数值类型,Regression和MDA均属于变量重要性Importance,Regression表示线性回归系数的绝对值,MDA表示平均精度下降。
8.根据权利要求7所述一种土壤有机碳库时空动态预测最优环境变量筛选方法,其特征在于,所述步骤E中,根据不同时期下、各土壤样点位置对应预设深度的土壤有机碳密度,以及相应各指定种类环境变量数据,执行如下步骤E1至步骤E8,获得层次分析法中、各指定种类环境变量的遴选指标属性数据;
步骤E1.获得各指定种类环境变量分别相对土壤有机碳密度的皮尔逊相关系数;
步骤E2.获得各指定种类环境变量分别相对土壤有机碳密度的差异性显著程度;
步骤E3.确认各指定种类环境变量分别相对土壤有机碳密度的类型为分类变量或连续型变量;
步骤E4.确认各指定种类环境变量分别相对土壤有机碳密度的类型为静态环境变量或动态环境变量;
步骤E5.确认各指定种类环境变量分别相对土壤有机碳密度是否与土壤有机碳含量具有土壤发生学意义;
步骤E6.获得各指定种类环境变量分别相对土壤有机碳密度的共线性比重;
步骤E7.获得各指定种类环境变量分别相对土壤有机碳密度的线性回归系数的绝对值;
步骤E8.获得各指定种类环境变量分别相对土壤有机碳密度的平均精度下降。
9.根据权利要求8所述一种土壤有机碳库时空动态预测最优环境变量筛选方法,其特征在于,所述步骤F中,根据层次分析法中、各指定种类环境变量分别相对目标土壤区域的各遴选指标属性数据,以及预设不同遴选指标属性之间的相对重要性,依次执行如下步骤F1至步骤F8,计算获得层次分析法中、不同指定种类环境变量之间相对各遴选指标属性的重要性;
步骤F1.基于第k个指定种类环境变量相对目标土壤区域的皮尔逊相关系数Pearson_ak,与第j个指定种类环境变量相对目标土壤区域的皮尔逊相关系数Pearson_aj之间的比较,若Pearson_ak≥Pearson_aj,则进入步骤F1-1;否则进入步骤F1-2;其中,k∈{1,2,…,K},j∈{1,2,…,K},K表示指定种类环境变量的数量,ak表示第k个指定种类环境变量,aj表示第j个指定种类环境变量;
步骤F1-1.基于皮尔逊相关系数,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va计算如下:
若Indicator1>10,且Pearson_ak>0.2,则va=4;
若Indicator1>5,且Pearson_ak>0.1,则va=2;
否则,va=1;
其中,Indicator1=Pearson_ak/Pearson_aj;
步骤F1-2.基于皮尔逊相关系数,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va计算如下:
若Indicator2>10,且Pearson_aj>0.2,则va=1/4;
若Indicator2>5,且Pearson_aj>0.1,则va=1/2;
否则,va=1;
式中:Indicator2=Pearson_aj/Pearson_ak;
步骤F2.基于第k个指定种类环境变量相对目标土壤区域的差异性显著程度
Significance_ak,与第j个指定种类环境变量相对目标土壤区域的差异性显著程度Significance_aj之间的比较,按如下,实现基于差异性显著程度,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va获得;
若Indicator3=2,则va=9;
若Indicator3=1,则va=6;
若Indicator3=0,则va=1;
若Indicator3=-1,则va=1/6;
若Indicator3=-2,则va=1/9;
其中,Indicator3=Significance_ak-Significance_aj;
步骤F3.基于第k个指定种类环境变量相对目标土壤区域的数值类型Numeric_ak,与第j个指定种类环境变量相对目标土壤区域的数值类型Numeric_aj之间的比较,按如下,实现基于数值类型,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va获得;
若Indicator4=1,则va=3;
若Indicator4=0,则va=1;
否则,va=1/3;
其中,Indicator4=Numeric_ak-Numeric_aj;
步骤F4.基于第k个指定种类环境变量相对目标土壤区域是否为动态环境变量Scenario_ak,与第j个指定种类环境变量相对目标土壤区域是否为动态环境变量Scenario_aj之间的比较,按如下,实现基于是否为动态环境变量,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va获得;
若Indicator5=1,则va=6;
若Indicator5=0,则va=1;
否则,va=1/6。
其中,Indicator5=Scenario_ak-Scenario_aj;
步骤F5.基于第k个指定种类环境变量相对目标土壤区域的土壤发生学意义
Soilforming_ak,与第j个指定种类环境变量相对目标土壤区域的土壤发生学意义Soilforming_aj之间的比较,按如下,实现基于土壤发生学意义,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va获得;
若Indicator6=1,则va=6;
若Indicator6=2,则va=9;
若Indicator6=1,则va=6;
若Indicator6=0,则va=1;
若Indicator6=-1,则va=1/6;
若Indicator6=-2,则va=1/9;
其中,Indicator6=Soilforming_ak-Soilforming_aj;
步骤F6.基于第k个指定种类环境变量相对目标土壤区域的共线性比重ConMulticoll_ak,与第j个指定种类环境变量相对目标土壤区域的共线性比重ConMulticoll_aj之间的比较,若ConMulticoll_ak≥ConMulticoll_aj,则进入步骤F6-1;否则进入步骤F6-2;
步骤F6-1.基于共线性比重,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va计算如下:
若Indicator7>10,且ConMulticoll_ak>10,则va=1/4;
若Indicator7>5,则va=1/3;
否则,va=1;
其中,Indicator7=ConMulticoll_ak-ConMulticoll_aj;
步骤F6-2.基于共线性比重,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va计算如下:
若Indicator8>10,且ConMulticoll_aj>10,则va=4;
若Indicator8>5,则va=3;
否则,va=1;
其中,Indicator8=ConMulticoll_aj-ConMulticoll_ak;
F7.基于第k个指定种类环境变量相对目标土壤区域的线性回归系数的绝对值Regression_ak,与第j个指定种类环境变量相对目标土壤区域的线性回归系数的绝对值Regression_aj之间的比较,若Regression_ak≥Regression_aj,则进入步骤F7-1;否则进入步骤F7-2;
步骤F7-1.基于线性回归系数的绝对值,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va计算如下:
若Indicator9>10,则va=9;
若Indicator9>5,则va=6;
否则,va=3。
其中,Indicator9=Regression_ak/Regression_aj;
步骤F7-2.基于线性回归系数的绝对值,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va计算如下:
若Indicator10>10,则va=1/9;
若Indicator10>5,则va=1/6;
否则,va=1/3。
其中,Indicator10=Regression_aj/Regression_ak;
步骤F8.基于第k个指定种类环境变量相对目标土壤区域的平均精度下降值MDA_ak,与第j个指定种类环境变量相对目标土壤区域的平均精度下降值MDA_aj之间的比较,若MDA_ak≥MDA_aj,则进入步骤F8-1;否则进入步骤F8-2;
步骤F8-1.基于平均精度下降值,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va计算如下:
若Indicator11>15,则va=9;
若Indicator11>10,则va=7;
若Indicator11>5,则va=5;
若Indicator11>2,则va=3;
否则,va=1。
其中,Indicator11=MDA_ak/MDA_aj;
步骤F8-2.基于平均精度下降值,第k个指定种类环境变量ak相对第j个指定种类环境变量aj的重要程度[ak,aj,va]中va计算如下:
若Indicator12>15,则va=1/9;
若Indicator12>10,则va=1/7;
若Indicator12>5,则va=1/5;
若Indicator12>2,则va=1/3;
否则,va=1。
式中:Indicator12=MDA_aj/MDA_ak。
10.根据权利要求9所述一种土壤有机碳库时空动态预测最优环境变量筛选方法,其特征在于,所述步骤G,包括如下步骤:
步骤G1.根据层次分析法中、不同指定种类环境变量之间相对各遴选指标属性的重要性,以及不同时期下、各土壤样点分别所对应各指定种类环境变量数据,构建目标土壤区域所对应土壤有机碳密度的层次分析树;
步骤G2.根据环境变量的总体贡献率进行排序,选择前预设百分比的环境变量,用于目标土壤区域土壤有机碳密度预测所对应的最优环境变量集合;
步骤G3.根据目标土壤区域土壤有机碳密度预测所对应的最优环境变量集合,采用预设指定预测模型,预测获得不同时间片标签下、历史土壤有机碳密度空间分布图与未来土壤有机碳密度空间分布图。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
新型土壤张力计及土壤水势测量方法 | 2020-05-11 | 222 |
土壤红外光声光谱快速测定仪及其土壤理化性质测定方法 | 2020-05-13 | 339 |
土壤植物毒性确定方法 | 2020-05-11 | 855 |
一种酸性土壤调理剂及其应用 | 2020-05-13 | 404 |
土壤淋溶原位检测方法 | 2020-05-11 | 353 |
多功能土壤结构调理剂 | 2020-05-12 | 293 |
土壤检测装置和土壤含水量及容重检测方法 | 2020-05-12 | 452 |
一种冷浸田土壤改良剂 | 2020-05-12 | 877 |
土壤肥力测定仪 | 2020-05-12 | 623 |
一种土壤根际箱 | 2020-05-12 | 711 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。