本發(fā)明涉及數(shù)據(jù)分析與人工智能，具體為一種基于機器學習定量計算極端氣候發(fā)生后，氣候條件和植被狀態(tài)對陸地生態(tài)系統(tǒng)碳通量異常貢獻的方法。

背景技術(shù)：

1、極端氣候事件對陸地生態(tài)系統(tǒng)碳通量的影響是顯著的，這些影響主要體現(xiàn)在生態(tài)系統(tǒng)的碳吸收、儲存和釋放過程上。極端氣候事件如干旱、熱浪等可能導致植被生長受限，進而減少植物對大氣中co2的吸收，還可能通過影響生態(tài)系統(tǒng)結(jié)構(gòu)和功能，間接促進碳的釋放；而火災、風暴等可能直接摧毀植被，使儲存在植物和土壤中的碳被釋放到大氣中。過去50年里，地球上約25％～30％的人為排放的co2被生態(tài)系統(tǒng)吸收，但極端氣候事件可能會減少這一比例。在極端事件發(fā)生前，生態(tài)系統(tǒng)可能處于碳吸收狀態(tài)；但在事件發(fā)生后，由于植被破壞和土壤碳分解，生態(tài)系統(tǒng)碳吸收往往會減弱，甚至可能轉(zhuǎn)變?yōu)樘坚尫艩顟B(tài)。但極端氣候事件對碳通量的影響是復雜而深遠的，科學界還需要加強全球碳循環(huán)的研究，以更好地理解極端氣候事件對碳通量的影響機制。

2、極端氣候?qū)μ纪慨惓５亩控暙I是一個復雜而深入的問題，因為它涉及到多種極端氣候類型，如熱浪、干旱、風暴等，以及它們對生態(tài)系統(tǒng)碳循環(huán)的即時和滯后影響。目前存在的量化挑戰(zhàn)和不確定性有以下幾點：①數(shù)據(jù)獲取難度大，量化極端氣候事件對碳通量異常的影響需要大量的實地觀測數(shù)據(jù)和模型模擬結(jié)果。然而，由于數(shù)據(jù)獲取難度大、成本高以及模型精度有限等問題，目前的量化結(jié)果仍存在較大不確定性。②極端氣候事件對碳通量的影響往往是非線性的，即微小的氣候變化可能導致顯著的碳通量異常，這與陸地植被生態(tài)系統(tǒng)的韌性有關(guān)，但這種非線性關(guān)系顯然增加了量化的復雜性和不確定性。

3、總之，量化極端氣候事件對碳通量異常的現(xiàn)狀是一個具有挑戰(zhàn)性的任務。所以我們提出了一種量化極端氣候事件對陸地碳通量同期影響及前期遺留作用的方法，以便于解決上述中提出的問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種量化極端氣候事件對陸地碳通量同期影響及前期遺留作用的方法，以解決上述背景技術(shù)提出的目前市場上的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種量化極端氣候事件對陸地碳通量同期影響及前期遺留作用的方法，包括如下步驟：

3、步驟1：準備工作，包括相關(guān)氣候數(shù)據(jù)、碳通量數(shù)據(jù)，統(tǒng)一時間尺度為月尺度，采用最近鄰方法重采樣統(tǒng)一空間分辨率；按照變量、月份統(tǒng)一輸出為代碼易讀取文件；根據(jù)極端事件的類別如高溫干旱事件，暴風暴雨事件，暴雨洪澇事件，挑選氣候變量，去掉數(shù)據(jù)的長期線性趨勢，即全球變暖的影響，去掉氣候態(tài)，即月份平均值，得到異常值，用于確定具體的研究區(qū)經(jīng)緯度范圍；根據(jù)所有數(shù)據(jù)的時間序列，統(tǒng)一時間尺度；

4、步驟2：根據(jù)陸地生態(tài)系統(tǒng)碳通量的變化與同期的氣候條件和前期的條件以及植被狀態(tài)相關(guān)的原理，以總初級生產(chǎn)力gpp為例，基于機器學習算法在月尺度上構(gòu)建其與氣候條件和植被狀態(tài)的回歸關(guān)系式：

5、gpp～prec+smc+tasc+vpdc+src

6、+pre?l1+sm?l1+tas?l1+vpd?l1+sr?l1+gppl1

7、+pre?l2+sm?l2+tas?l2+vpd?l2+sr?l2+gpp?l2

8、+pre?l3+sm?l3+tas?l3+vpd?l3+sr?l3+gpp?l3+ε

9、其中，prec是指事件發(fā)生的相同月份的降水，prel1是指前一個月的降水，prel2是指前兩個月的降水，pre?l3是指前三個月的降水，其他變量的下標也是同樣含義，ε表示誤差項；

10、步驟3：選取xgboost機器學習算法，基于python，根據(jù)步驟2中描述的關(guān)系式，以及步驟1中確定的研究區(qū)經(jīng)緯度范圍和時間尺度，調(diào)試代碼；具體來說，將原始數(shù)據(jù)按照9:1劃分訓練集和驗證集，訓練回歸模型，通過固定隨機數(shù)來保持擬合模型的不變性；調(diào)試模型參數(shù)，選擇最優(yōu)模型，輸出擬合模型的評估參數(shù)，如r2，rmse；

11、步驟4：基于擬合模型的評估參數(shù)，確定模型準確度后，改變原模型的輸入數(shù)據(jù)，進行對照試驗；對照試驗的原理是：氣候態(tài)表示以往氣候條件或者植被的平均狀態(tài)，用極端事件發(fā)生時氣候和植被的狀態(tài)與平均態(tài)作對比，即可得到極端事件的影響。

12、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

13、(1)本發(fā)明與傳統(tǒng)回歸方法相比，采用的是機器學習方法，具備自動化決策、適應性學習、實時計算、減少人為錯誤等優(yōu)勢，可以更好處理復雜性和非線性關(guān)系；機器學習算法能夠自動從數(shù)據(jù)中提取模式，并據(jù)此做出決策，從而減少了人工干預的需要并顯著提高了工作效率；隨著數(shù)據(jù)的快速增長，機器學習系統(tǒng)可以不斷地從新的數(shù)據(jù)中學習，更新決策或預測模型，快速處理和分析海量的數(shù)據(jù)集；通過大數(shù)據(jù)分析和模式識別，機器學習可以揭示隱藏在數(shù)據(jù)中的深層關(guān)聯(lián)和趨勢。

14、(2)本方法中還考慮了極端氣候事件對碳循環(huán)的滯后或遺留效應；傳統(tǒng)研究往往關(guān)注極端事件對植被的實時影響，而遺留效應的研究則關(guān)注其長期效應；本方法同時考慮極端事件對陸地生態(tài)系統(tǒng)的實時影響和滯后影響，有助于更全面地認識極端氣候事件的生態(tài)后果，為制定長期應對策略提供科學依據(jù)。

15、(3)本方法是基于像元尺度來計算的，像元作為遙感圖像中的基本單元，能夠提供詳細的空間信息；基于像元尺度的分析可以捕捉到更細微的地理特征變化，從而更精確地反映極端氣候事件對碳通量的影響；不同地區(qū)受極端氣候事件的影響程度和方式可能存在顯著差異；例如，在干旱地區(qū)，極端干旱事件可能導致植被枯死和土壤碳釋放；而在濕潤地區(qū)，極端降水事件可能促進植被生長和碳吸收；基于像元尺度可以清晰地看到這些差異，便于統(tǒng)計分析不同植被類型、土壤類型和地形地貌等因素的影響差異，提高研究的精確度和可靠性，為制定針對性的生態(tài)保護和碳管理策略提供科學依據(jù)。

16、上述概述僅僅是為了說明書的目的，并不意圖以任何方式進行限制。除上述描述的示意性的方面、實施方式和特征之外，通過參考附圖和以下的詳細描述，本發(fā)明進一步的方面、實施方式和特征將會是容易明白的。

技術(shù)特征：

1.一種量化極端氣候事件對陸地碳通量同期影響及前期遺留作用的方法，其特征在于，包括如下步驟：

技術(shù)總結(jié)
本發(fā)明公開了一種量化極端氣候事件對陸地碳通量同期影響及前期遺留作用的方法，涉及數(shù)據(jù)分析與人工智能技術(shù)領(lǐng)域。本發(fā)明與傳統(tǒng)回歸方法相比，采用的是機器學習方法，具備自動化決策、適應性學習、實時計算、減少人為錯誤等優(yōu)勢，可以更好處理復雜性和非線性關(guān)系；機器學習算法能夠自動從數(shù)據(jù)中提取模式，并據(jù)此做出決策，從而減少了人工干預的需要并顯著提高了工作效率；隨著數(shù)據(jù)的快速增長，機器學習系統(tǒng)可以不斷地從新的數(shù)據(jù)中學習，更新決策或預測模型，快速處理和分析海量的數(shù)據(jù)集；通過大數(shù)據(jù)分析和模式識別，機器學習可以揭示隱藏在數(shù)據(jù)中的深層關(guān)聯(lián)和趨勢。

技術(shù)研發(fā)人員：王軍,閻然,王恒茂
受保護的技術(shù)使用者：南京大學
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6