申请/专利权人:安徽大学
申请日:2024-04-26
公开(公告)日:2024-05-31
公开(公告)号:CN118114574A
主分类号:G06F30/27
分类号:G06F30/27;G06F18/20;G06F18/27;G06N3/0442
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.06.18#实质审查的生效;2024.05.31#公开
摘要:本发明公开了一种利用可解释机器学习的植被生长归因分析方法及系统,涉及植被生长归因分析技术领域,包括以下步骤:步骤一,获取研究区域的归一化植被指数以及历史气象数据并进行预处理,构建初始数据集,并且将归一化植被指数用于描述植被生长情况;步骤二,利用趋势性和显著性分析方法对步骤一中得到的归一化植被指数数据进行年际变化、季节变化和空间演变分析;步骤三,通过输入步骤一中的历史气象数据,利用RclimDex模型提取出极端气候事件的特征,计算出十二种关键极端气候指数。本发明最终实现植被生长的气候归因分析,如此可以解决现有技术拟合精度较低,解释性较差的缺陷,用于区域植被生长情况的准确分析和预测。
主权项:1.一种利用可解释机器学习的植被生长归因分析方法,其特征在于,包括以下步骤:步骤一,获取研究区域的归一化植被指数以及历史气象数据并进行预处理,构建初始数据集;步骤二,利用趋势性和显著性分析方法对步骤一中得到的归一化植被指数数据进行年际变化、季节变化和空间演变分析;步骤三,通过输入步骤一中的历史气象数据,利用RclimDex模型提取出极端气候事件的特征,计算出十二种关键极端气候指数;步骤四,对步骤三中得到的极端气候指数利用地理探测器模型计算其对归一化植被指数的解释力Q;步骤五,在满足时空自相关的显著性检验的情况下,通过步骤四中极端气候指数对归一化植被指数的解释力Q的排序情况筛选气候因子,然后将筛选的气候因子和归一化植被指数一起加入到长短期记忆网络模型中,构建基于深度学习方法的植被生长情况预测模型;步骤六,对步骤五得到的植被生长情况预测模型,选择决定系数、均方误差、平均绝对误差和平均绝对百分比误差来进行模型拟合预测和泛化的性能评价;步骤七,在步骤六的模型性能评价完成后,利用沙普利值法量化输入特征对模型预测的影响。
全文数据:
权利要求:
百度查询: 安徽大学 一种利用可解释机器学习的植被生长归因分析方法及系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。