申请/专利权人：武汉大学

申请日：2023-10-31

公开（公告）日：2024-01-09

公开（公告）号：CN117370711A

主分类号：G06F17/10

分类号：G06F17/10;G06F17/18;G06F17/16

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.01.26#实质审查的生效;2024.01.09#公开

摘要：本发明公开了一种基于ET‑ESF算法的森林覆盖区雪水当量估算方法，包括以下步骤：步骤1、相关影响因子与雪水当量的数据处理；步骤2、获取监测站点各处相关影响因子值与雪水当量值；步骤3、筛选相关影响因子；步骤4、构建空间邻接矩阵；步骤5、计算特征值和特征向量；步骤6、前向选择筛选显著特征向量；步骤7、10折交叉验证；步骤8、独立验证。本发明针对建模过程中各变量存在的空间效应问题，采用特征向量空间滤值方法，将选取的含有空间信息的特征向量加入到模型中，有效消除空间异质性和空间自相关性的影响，提高雪水当量估算模型的精度，比较准确地估算森林覆盖区的雪水当量。

主权项：1.一种基于ET-ESF算法的森林覆盖区雪水当量估算方法，其特征在于，包括如下步骤：步骤1、获取并对监测站点雪水当量、相关影响因子的数据进行预处理，并统一雪水当量、相关影响因子在时间上和空间上的尺度；步骤2、提取监测站点各处与雪水当量变化相关的相关影响因子作为自变量值，并将其与雪水当量值进行匹配，对自变量值做标准化处理；步骤3、筛选相关影响因子：先计算各变量之间的皮尔逊相关系数，其中变量包括雪水当量即因变量和相关影响因子即自变量，剔除自变量之间相关系数大于第一预设值的变量和雪水当量与各自变量之间相关系数小于第二预设值的变量；然后构建线性回归模型通过逐步回归法进一步筛选变量；最后进行变量之间的共线性诊断，计算变量之间的方差膨胀因子，剔除掉方差膨胀因子大于10的因子；步骤4、根据监测站点坐标构建空间邻接矩阵；步骤5、对空间邻接矩阵进行中心化处理，使其成为对称矩阵并计算矩阵特征值和特征向量，并对特征向量进行预选择构成向量组；步骤6、基于步骤3筛选的相关影响因子作为基本固定自变量，雪水当量作为因变量，构建线性回归模型，使用前向选择法，将步骤5中得到的特征向量逐个加入到线性回归模型中，将使得线性回归模型的AIC值显著下降的特征向量作为雪水当量数据的空间影响因子；步骤7、基于步骤3筛选的相关影响因子、步骤6中筛选的空间影响因子以及雪水当量利用极度随机树算法构建雪水当量估算模型并评估模型的精度；步骤8、将各自变量的栅格数据输入步骤7得到的雪水当量估算模型得到雪水当量估算结果。

全文数据：

权利要求：

百度查询： 武汉大学 一种基于ET-ESF算法的森林覆盖区雪水当量估算方法及系统

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD