冻土活动层厚度反演方法、装置、设备及存储介质与流程

1.本发明涉及冻土冻融变化规律分析领域，特别涉及一种冻土活动层厚度反演方法、装置、设备及存储介质。


背景技术：

2.青藏高原被誉为“世界屋脊”和“世界第三极”，是世界上最高和最大的高原，海拔从87米到8354米。qtp年平均气温-6-20℃，年降水量50-2000毫米，植被群落由东南部的亚热带雨林向西北部的高寒荒漠过渡。高海拔和恶劣的气候形成了世界上中低纬度地区最高和最大的永久冻土，其中多年冻土和季节性冻土面积分别占40.2％和56.0％。与北半球同一纬度的其他多年冻土区相比，青藏高原地区多年冻土具有温度高、厚度薄、热稳定性差、分布有限且不均匀等特点，使其对气候变化更加敏感，是应对全球气候变化最敏感的地区之一。冻土活动层是指位于地表一定深度内的永久冻土上方的岩石和土层，而该层的厚度称为活动层厚度。冻土活动层是永久冻土和大气之间热和质量交换的最重要场所，也是气候变化和永久冻土相互作用的介质。活动层的特征主要依赖于气候，地理和许多其他因素，例如温度，降水，含水量，土壤物质组成，地表植被覆盖条件和地貌。受全球变暖影响，根据气象观测分析资料，青藏高原地区变暖趋势明显，在过去40年间的变暖速度大约是同期全球变暖速度的两倍，永久冻土区的近地表热状况可能因人为气候变暖而发生显着变化。研究表明，青藏高原冻土经历了显著退化，导致活动层厚度增加，这些变化促进了土壤中有机质的分解和温室气体排放的增加，影响了局部甚至全球的气候变化，从而加剧了qtp中永久冻土的升温和退化。永久冻土中地下冰的进一步融化也将增加青藏高原基础设施、公路和铁路基础设施坍塌和损坏的风险。
3.在现有模拟冻土活动层厚度的研究中，空间插值方法以及半经验、半理论模型应用较为广泛。而这些参数化或空间化模型只考虑了部分因子对冻土活动层厚度的影响，对于日益复杂的冻土情况存在局限性。


技术实现要素：

4.为了解决传统方法对影响因子考虑不全、在参数非线性拟合上灵活性较差的技术问题，以及提供高精度高分辨率长时间序列冻土活动层厚度产品，本发明提供了一种冻土活动层厚度反演方法、装置、设备及存储介质，该方法基于机器学习和多源遥感数据实现，并较传统方法能获取更高精度模拟结果，从而更全面有效分析多年冻土冻融变化规律。
5.根据本发明的第一方面，提供了一种冻土活动层厚度反演方法，包括以下步骤：
6.获取基线期间研究区域内土壤活动层厚度点位数据(即实地钻孔点点位数据)；
7.获取基线期间研究区域内的特征集，所述特征集包括：融化指数、冻结指数、年平均降雨量、年平均降雪量、归一化叶面积指数、数字高程模型、夜光遥感数据和土壤数据集，并对特征集进行预处理操作；
8.利用主成分分析法对预处理后的土壤数据集进行压缩，并将压缩后的土壤数据集
加入特征集，然后使用随机森林权重分析法选取特征集中权重占比大于预设值的几个变量作为环境预测因子；
9.利用stefan公式逆运算计算得到土壤因子，根据土壤活动层厚度点位数据构建基线期间样本集；
10.将基线期间样本集划分为训练集和测试集，运用多种机器学习模型进行训练，并选出训练效果最佳的模型，基于最佳的模型得到土壤因子空间分布；
11.利用预测得到的土壤因子以及温度数据，计算得到直到预设年间的冻土活动层厚度。
12.进一步地，所述获取基线期间研究区域内的特征集，所述特征集包括：融化指数、冻结指数、年平均降雨量、年平均降雪量、归一化叶面积指数、数字高程模型、夜光遥感数据和土壤数据集，并对特征集进行预处理操作的步骤，包括：
13.设置2006-2020年为基线期间，利用google earth engine云平台下载基线期间研究区域内特征集中的年平均降雨量、年平均降雪量、归一化叶面积指数、数字高程模型、夜光遥感数据和土壤数据集，投影到“epsg：4326”坐标系下，并重采样至1km；
14.利用基线期间modis月度合成产品计算特征集中的融化指数和冻结指数。
15.进一步地，所述利用主成分分析法对预处理后的土壤数据集进行压缩，并将压缩后的土壤数据集加入特征集，然后使用随机森林权重分析法选取特征集中权重占比大于预设值的几个变量作为环境预测因子的步骤，包括：
16.利用主成分变换方法，对包含8种土壤参数的土壤数据集进行压缩，选取占比最大的三个主分量作为新的土壤数据，以在相同维度上包含更丰富的信息；
17.根据获取的特征集，结合压缩后三个主分量信息，采用随机森林权重法进行特征筛选，选取对冻土活动层厚度影响占比大于预设值的特征作为环境预测因子，参与对冻土活动层厚度的预测。
18.进一步地，所述利用stefan公式逆运算计算得到土壤因子，根据土壤活动层厚度点位数据构建基线期间样本集的步骤，包括：
19.利用选取得到的环境预测因子，结合的基线期间特征集中不同因子的时序数据，构建环境预测因子对应的基线lep时序影像集；
20.根据搜集到的土壤活动层厚度点位(也即实地钻孔点点位)采样时间，在对应时间段的基线lep时序影像集上重采样，得到该组土壤活动层厚度点位对应的样本数据；最后将所有时间段土壤活动层厚度点位对应的样本数据进行合成，从而得到基线期间样本集；
21.根据得到的基线期间样本集，运用冻土活动层厚度对应的点位数据以及融化指数，利用stefan公式的逆运算，计算得到每一个点位的土壤因子，并将其加入基线期间样本集中。
22.进一步地，所述利用stefan公式的逆运算，计算得到每一个点位的土壤因子，具体公式如下：
[0023][0024]
其中，e表示土壤因子，alt表示土壤活动层厚度，ti表示融化指数。
[0025]
进一步地，所述将基线期间样本集划分为训练集和测试集，运用多种机器学习模型进行训练，并选出训练效果最佳的模型，基于最佳的模型得到土壤因子空间分布的步骤，
包括：
[0026]
将基线期间样本集按7:3比例划分为训练集与测试集，训练集用于拟合模型，测试集用于验证拟合模型的正确性；
[0027]
将土壤因子作为标签，利用8种机器学习模型，拟合环境预测因子与土壤因子之间的非线性关系；
[0028]
用测试集对拟合得到的模型进行检验，运用均方根误差、平均绝对误差和纳什效率系数对比不同模型之间差异，并挑选出拟合效果最佳的模型；
[0029]
利用最佳的模型，计算得到基线期间青藏高原冻土区的土壤因子的空间分布结果。
[0030]
进一步地，所述利用预测得到的土壤因子以及温度数据，计算直到预设年间的冻土活动层厚度的步骤，包括：
[0031]
选取cmip6温度数据，利用计算冻结指数的公式，计算基线期间到未来2100年的冻结指数；
[0032]
利用预测得到土壤因子以及计算得到的冻结指数，运用stefan公式，计算得到基线期间到2100年的冻土活动层厚度时序变化，具体公式如下：
[0033][0034]
其中，e表示土壤因子，alt表示土壤活动层厚度，ti表示融化指数。
[0035]
根据本发明的第二方面，一种实施所述方法的冻土活动层厚度反演装置，包括以下模块：
[0036]
点位数据获取模块，用于获取基线期间研究区域内土壤活动层厚度点位数据；
[0037]
特征集获取模块，用于获取基线期间研究区域内的特征集，所述特征集包括：融化指数、冻结指数、年平均降雨量、年平均降雪量、归一化叶面积指数、数字高程模型、夜光遥感数据和土壤数据集，并对特征集进行预处理操作；
[0038]
环境预测因子选取模块，用于利用主成分分析法对预处理后的土壤数据集进行压缩，并将压缩后的土壤数据集加入特征集，然后使用随机森林权重分析法选取特征集中权重占比大于预设值的几个变量作为环境预测因子；
[0039]
基线期间样本集构建模块，用于利用stefan公式逆运算计算得到土壤因子，根据土壤活动层厚度点位数据构建基线期间样本集；
[0040]
土壤因子空间分布获取模块，用于将基线期间样本集划分为训练集和测试集，运用多种机器学习模型进行训练，并选出训练效果最好的模型，得到土壤因子空间分布；
[0041]
冻土活动层厚度预测模块，用于利用预测得到的土壤因子以及温度数据，计算得到直到预设年间的冻土活动层厚度。
[0042]
根据本发明的第三方面，还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的冻土活动层厚度反演方法的步骤。
[0043]
根据本发明的第四方面，还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的冻土活动层厚度反演方法的步骤。
[0044]
本发明提供的技术方案具有以下有益效果：
[0045]
考虑到气候条件持续恶化、人类活动加剧、土壤理化性质日益复杂等因素对研究
区冻土区的冻融变化的影响，利用夜光遥感数据表征人类活动强度，利用主成分变换压缩土壤数据集以在相同维度上囊括更丰富的信息，基于钻孔点点位数据以及多源遥感数据，拟合环境预测因子与冻土活动层厚度之间关系。考虑到机器学习方法相较于参数化公式法、空间插值方法在多参数非线性拟合中的灵活性与稳健性，选用8种机器学习方法构建环境预测因子与冻土活动层厚度关系，得到最佳拟合模型。利用cmip6温度数据，基于预测得到最佳模型计算得到本世纪初到预设年间冻土活动层厚度时序变化情况。最终相较于传统反演方法能获取更高精度冻土活动层厚度模拟结果，从而更全面有效分析多年冻土冻融变化规律。
附图说明
[0046]
下面将结合附图及实施例对本发明作进一步说明，附图中：
[0047]
图1是本发明实施例提供的一种冻土活动层厚度反演方法的流程图；
[0048]
图2是本发明实施例提供的研究区的dem数据及土壤活动层厚度分布概况；
[0049]
图3是本发明实施例提供的精度展示结果，其中groupa为运用本发明提出方法计算得到结果，group b、group c和group d为对照组，用于验证本发明方法优越性；
[0050]
图4是本发明实施例提供的多源遥感数据的冻土活动层厚度反演结果，(a、b)为ssp1-1.9情景下2060s、2100s青藏高原地区冻土alt的空间分布，(c、d)为ssp2-4.5情景下2060s、2100s青藏高原地区冻土alt的空间分布，(e、f)为ssp5-8.5情景下2060s、2100s青藏高原地区冻土alt的空间分布；
[0051]
图5是本发明实施例提供的一种冻土活动层厚度反演装置的结构示意图；
[0052]
图6是本发明一种电子设备的结构示意图。
具体实施方式
[0053]
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
[0054]
请参考图1，本发明的实施例提供了一种基于机器学习的多源数据冻土活动层厚度反演的方法，利用google earth engine云平台，采用覆盖青藏高原地区的landsat8数据、行政区划矢量数据、土壤活动层厚度点位数据、modis陆地温度产品、dmsp-ols夜光遥感数据和全球土壤数据集等多种数据以rf、gdbt、svm等8种机器学习算法来完成提出的多源数据反演算法，研究区请参考图2。
[0055]
该方法包括以下步骤：
[0056]
s1：获取基线期间研究区域内土壤活动层厚度点位数据；
[0057]
本实施例中，获取基线期间(2006-2020年)青藏高原地区土壤活动层厚度点位数据，也即实地钻孔点点位数据，具体操作如下：获取以往公开发表的文献中所提供的青藏高原地区永久冻土点位数据。
[0058]
s2：获取基线期间研究区域内的特征集，所述特征集包括：融化指数、冻结指数、年平均降雨量、年平均降雪量、归一化叶面积指数、数字高程模型、夜光遥感数据和土壤数据集，并对特征集进行预处理操作；
[0059]
本实施例中，获取基线期间(2006-2020年)青藏高原地区的特征集，包括融化指数
(ti)、冻结指数(fi)、年平均降雨量(prain)、年平均降水量(psnow)、归一化叶面积指数(ndvi)、数字高程模型(dem)、夜光遥感数据和土壤数据集，并进行裁剪、投影、重采样等预处理操作，具体操作步骤如下：
[0060]
s2.1：利用google earth engine云平台，使用行政区划矢量数据，下载获取青藏高原地区基线期间(2006-2020年)年平均降雨量(prain)、年平均降雪量(psnow)、数字高程模型(dem)、dmsp-osl夜光遥感数据和土壤数据集(粘土含量、含沙量、土壤组别、土壤含水量、土壤体积密度、土壤有机碳含量、土壤质地分类和土壤ph值)，裁剪、投影到“epsg：4326”坐标系下，并重采样至1000m分辨率；
[0061]
s2.2：使用青藏高原地区mod11-a1.061陆地温度产品数据，将其重新采样到1000m分辨率，计算融化指数(ti)、冻结指数(fi)，融化指数(冻冻结指数)是指每月地面或空气温度高于(低于)0℃的累积总和乘以相应月份的天数。具体计算公式如下：
[0062][0063][0064]
式中，ti为融化指数(℃day)，fi为冻结指数(℃day)，ti为月平均地表温度(℃)，di为当月天数(℃)；
[0065]
s2.3：利用google earth engine云平台，使用行政区划矢量数据，剪裁获取青藏高原地区landsat 8影像数据，计算青藏高原基线期间(2006-2020年)归一化叶面积指数(ndvi)，计算公式如下：
[0066]
ndvi＝(nir-red)/(nir+red)
[0067]
式中，nir表示近红外波段，red表示红光波段。
[0068]
s3：利用主成分分析法对预处理后的土壤数据集进行压缩，并将压缩后的土壤数据集加入特征集，然后使用随机森林权重分析法选取特征集中权重占比大于预设值的几个变量作为环境预测因子；
[0069]
本实施例中，s3具体操作如下：
[0070]
s3.1：为了在更低的维度上获得更加丰富的数据信息，在得到s2.1中预处理的8个土壤参数数据后，使用主成分分析法(pca)将数据进行降维压缩，选取占比最大的前三个主分量(》95％)作为新的土壤数据，即将原8个维度的信息压缩到3个维度；
[0071]
s3.2：根据s2中选取的特征集，结合s3.1中得到的土壤数据集压缩后三个主分量，采用随机森林(rf)权重法计算确定各特征的权重；
[0072]
s3.3：根据不同参数在s3.2计算中的权重，选取对冻土活动层厚度影响占比最大的前十个特征作为环境预测因子(lep)参与对冻土活动层厚度(alt)的预测，并进行模型构建。
[0073]
s4：利用stefan公式逆运算计算得到土壤因子，根据实地钻孔点点位数据构建基线期间样本集；
[0074]
本实施例中，s4具体包括：
[0075]
s4.1：利用s3.3中筛选得到的环境预测因子(lep)，结合s2中得到的基线期间不同
影响因子的时序数据，构建环境预测因子(lep)对应的基线lep时序影像集；
[0076]
s4.2：根据s1中收集的土壤活动层厚度点位(也即实地钻孔点点位)采样时间，在对应时间段的基线lep时序影像集上重采样，得到该组土壤活动层厚度点位对应的样本数据；
[0077]
s4.3：将所有时间段土壤活动层厚度点位对应的样本数据进行合成，从而得到基线期间样本集；
[0078]
s4.4：根据s4.3中得到的基线期间样本集、收集的冻土活动层厚度对应的点位数据测量值和相应的网格单元中的融化指数，利用stefan公式的逆运算，计算每个钻孔点的土壤因子值，并将其加入到样本集中。土壤因子e计算公式如下：
[0079][0080]
其中，e表示土壤因子，alt表示土壤活动层厚度，ti表示融化指数。
[0081]
s5：将基线期间样本集划分为训练集和测试集，运用多种机器学习模型进行训练，并选出训练效果最佳的模型，基于最佳的模型得到土壤因子空间分布；
[0082]
本实施例中，步骤s5具体操作如下：
[0083]
s5.1：对s4.4中得到的基线期间样本集，将其按比例划分为训练集(70％)和测试集(30％)，训练集用于拟合模型，测试集用于验证拟合模型的正确性；
[0084]
s5.2：采用随机森林(rf)、梯度提升树(gdbt)、支持向量机(svm)、最小距离(md)、分类回归树(cart)、elastic、lasso回归、朴素贝叶斯(nbm)8种机器学习模型(算法)，以土壤因子e为标签，对模型进行训练，拟合lep与土壤因子e之间非线性关系；
[0085]
s5.3：使用s5.1得到的剩余30％的测试集对s5.2中8种机器学习算法拟合得到的模型进行检验；
[0086]
s5.4：分别计算模型的均方根误差(rmse)、平均绝对误差(mae)和纳什效率系数(nse)，以对比不同算法精度，得到训练效果最好的模型。计算公式如下：
[0087][0088][0089][0090]
yi是钻孔点alt数值，是所有alt测量值的平均值，是映射值；
[0091]
s5.5：使用s5.4中得出的最佳模型和相应网格单元的局部环境预测因子，对青藏高原冻土区基线期间(2006-2020年)土壤因子e值空间分布进行网格化。
[0092]
s6：利用预测得到的土壤因子以及温度数据，计算得到直到预设年间的冻土活动层厚度。
[0093]
s6.1：选取s5中最佳模型投影得到的基线期间(2006-2020年)土壤因子e，对每个网格单元计算平均值作为土壤因子e；
[0094]
s6.2：选取cmip6温度数据，利用s2.2中计算冻结指数的公式，计算基线期间到未
来2100年的冻结指数ti；
[0095]
s6.3：将s6.1得到的土壤因子e与s6.2得到的冻结指数ti结合，运用简化的stefan模型，计算得到基线期间(2006-2020年)到2100年的冻土活动层厚度时序变化，计算公式如下：
[0096][0097]
本发明提供一种基于机器学习的多源遥感数据的冻土活动层厚度反演方法。考虑到气候条件持续恶化、人类活动加剧、土壤理化性质日益复杂等因素对青藏高原冻土区的冻融变化的影响，利用夜光遥感数据表征人类活动强度，利用主成分变换(pca)压缩土壤数据集以在更小维度上囊括更丰富的信息，基于钻孔点点位数据以及多源遥感数据，拟合环境预测因子与冻土活动层厚度之间关系。考虑到机器学习方法相较于参数化公式法、空间插值方法在多参数非线性拟合中的灵活性与稳健性，选用8种机器学习方法构建环境预测因子与冻土活动层厚度关系，得到最佳拟合模型。利用cmip6温度数据，基于预测得到最佳结果计算得到本世纪初到2100年冻土活动层厚度时序变化情况。最终相较于传统反演方法能获取更高精度冻土活动层厚度模拟结果，从而更全面有效分析多年冻土冻融变化规律。
[0098]
请参考图3，图3本发明精度展示结果，其中groupa为运用本发明提出方法计算得到结果，group b、group c和group d为对照组，分别对比使用灯光指数以及主成分变换之后的土壤数据集前后性能优劣，用于验证本发明方法优越性。其中，groupa所得结果最佳，rmse为19.37cm，r2为0.97；远高于group b和group c中rmse的26.11cm和47.83cm；不使用任何改进措施的group d效果最差，rmse为57.59cm。
[0099]
请参考图4，图4是本发明得到的多源遥感数据的冻土活动层厚度反演结果，(a、b)为ssp1-1.9情景下2060s、2100s青藏高原地区冻土alt的空间分布，(c、d)为ssp2-4.5情景下2060s、2100s青藏高原地区冻土alt的空间分布，(e、f)为ssp5-8.5情景下2060s、2100s青藏高原地区冻土alt的空间分布。可以看出本发明通过多源遥感数据的结合得到了环境预测因子与冻土活动层厚度关系的最佳拟合模型，获取了更高精度冻土活动层厚度的模拟结果，从而更有利于后续的多年冻土冻融变化规律综合分析。
[0100]
下面对本发明提供的一种冻土活动层厚度反演装置进行描述，下文描述的冻土活动层厚度反演装置与上文描述的冻土活动层厚度反演方法可相互对应参照。
[0101]
请参考图5，一种冻土活动层厚度反演装置，包括以下模块：
[0102]
点位数据获取模块001，用于获取基线期间研究区域内土壤活动层厚度点位数据；
[0103]
特征集获取模块002，用于获取基线期间研究区域内的特征集，所述特征集包括：融化指数、冻结指数、年平均降雨量、年平均降雪量、归一化叶面积指数、数字高程模型、夜光遥感数据和土壤数据集，并对特征集进行预处理操作；
[0104]
环境预测因子选取模块003，用于利用主成分分析法对预处理后的土壤数据集进行压缩，并将压缩后的土壤数据集加入特征集，然后使用随机森林权重分析法选取特征集中权重占比大于预设值的几个变量作为环境预测因子；
[0105]
基线期间样本集构建模块004，用于利用stefan公式逆运算计算得到土壤因子，根据土壤活动层厚度点位数据构建基线期间样本集；
[0106]
土壤因子空间分布获取模块005，用于将基线期间样本集划分为训练集和测试集，运用多种机器学习模型进行训练，并选出训练效果最好的模型，得到土壤因子空间分布；
[0107]
冻土活动层厚度预测模块006，用于利用预测得到的土壤因子以及温度数据，计算得到直到预设年间的冻土活动层厚度。
[0108]
基于但不限于上述装置，所述特征集获取模块002，具体用于：
[0109]
设置2006-2020年为基线期间，利用google earth engine云平台下载基线期间研究区域内特征集中的年平均降雨量、年平均降雪量、归一化叶面积指数、数字高程模型、夜光遥感数据和土壤数据集，投影到“epsg：4326”坐标系下，并重采样至1000m分辨率；
[0110]
使用青藏高原地区mod11-a1.061陆地温度产品数据，将其重新采样到1000m分辨率，计算融化指数(ti)、冻结指数(fi)；
[0111]
利用google earth engine云平台，使用行政区划矢量数据，剪裁获取青藏高原地区landsat 8影像数据，计算青藏高原基线期间(2006-2020年)归一化叶面积指数(ndvi)。
[0112]
基于但不限于上述装置，所述环境预测因子选取模块003具体用于：
[0113]
利用主成分变换方法，对包含8种土壤参数的土壤数据集进行压缩，选取占比最大的三个主分量作为新的土壤数据，以在相同维度上包含更丰富的信息；
[0114]
根据获取的特征集，结合压缩后三个主分量信息，采用随机森林权重法进行特征筛选，选取对冻土活动层厚度影响占比大于预设值的特征作为环境预测因子，参与对冻土活动层厚度的预测。
[0115]
基于但不限于上述装置，所述基线期间样本集构建模块004，具体用于：
[0116]
利用选取得到的环境预测因子，结合的基线期间特征集中不同因子的时序数据，构建环境预测因子对应的基线lep时序影像集；
[0117]
根据搜集到的土壤活动层厚度点位采样时间，在对应时间段的基线lep时序影像集上重采样，得到该组土壤活动层厚度点位对应的样本数据；最后将所有时间段土壤活动层厚度点位对应的样本数据进行合成，从而得到基线期间样本集；
[0118]
根据得到的基线期间样本集，运用冻土活动层厚度对应的点位数据以及融化指数，利用stefan公式的逆运算，计算得到每一个点位的土壤因子，并将其加入基线期间样本集中，具体公式如下：
[0119][0120]
其中，e表示土壤因子，alt表示土壤活动层厚度，ti表示融化指数。
[0121]
基于但不限于上述装置，所述土壤因子空间分布获取模块005，具体用于：
[0122]
将基线期间样本集划分为训练集和测试集，运用多种机器学习模型进行训练，并选出训练效果最佳的模型，基于最佳的模型得到土壤因子空间分布的步骤，包括：
[0123]
将基线期间样本集按7:3比例划分为训练集与测试集，训练集用于拟合模型，测试集用于验证拟合模型的正确性；
[0124]
将土壤因子作为标签，利用8种机器学习模型，拟合环境预测因子与土壤因子之间的非线性关系；
[0125]
用测试集对拟合得到的模型进行检验，运用均方根误差、平均绝对误差和纳什效率系数对比不同模型之间差异，并挑选出拟合效果最佳的模型；
[0126]
利用最佳的模型，计算得到基线期间青藏高原冻土区的土壤因子的空间分布结果。
[0127]
应当说明的是，所述机器学习模型基于但不限于采用随机森林(rf)、梯度提升树
(gdbt)、支持向量机(svm)、最小距离(md)、分类回归树(cart)、elastic、lasso回归、朴素贝叶斯(nbm)这8种机器学习模型(算法)。
[0128]
基于但不限于上述装置，所述冻土活动层厚度预测模块006，具体用于：
[0129]
选取cmip6温度数据，利用计算冻结指数的公式，计算基线期间到未来2100年的冻结指数；
[0130]
利用预测得到土壤因子以及计算得到的冻结指数，运用stefan公式，计算得到基线期间到2100年的冻土活动层厚度时序变化，具体公式如下：
[0131][0132]
其中，e表示土壤因子，alt表示土壤活动层厚度，ti表示融化指数。
[0133]
本发明提供一种基于机器学习的多源遥感数据的冻土活动层厚度反演装置。考虑到气候条件持续恶化、人类活动加剧、土壤理化性质日益复杂等因素对青藏高原冻土区的冻融变化的影响，利用夜光遥感数据表征人类活动强度，利用主成分变换(pca)压缩土壤数据集以在更小维度上囊括更丰富的信息，基于钻孔点点位数据以及多源遥感数据，拟合环境预测因子与冻土活动层厚度之间关系。考虑到机器学习方法相较于参数化公式法、空间插值方法在多参数非线性拟合中的灵活性与稳健性，选用8种机器学习方法构建环境预测因子与冻土活动层厚度关系，得到最佳拟合模型。利用cmip6温度数据，基于预测得到最佳结果计算得到本世纪初到2100年冻土活动层厚度时序变化情况。最终相较于传统反演方法能获取更高精度冻土活动层厚度模拟结果，从而更全面有效分析多年冻土冻融变化规律。
[0134]
请参考图6，示例了一种电子设备的实体结构示意图，该电子设备可以包括：处理器(processor)610、通信接口(communications interface)620、存储器(memory)630和通信总线640，其中，处理器610、通信接口620、存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行上述冻土活动层厚度反演方法的步骤，包括：获取基线期间研究区域内土壤活动层厚度点位数据；获取基线期间研究区域内的特征集，所述特征集包括：融化指数、冻结指数、年平均降雨量、年平均降雪量、归一化叶面积指数、数字高程模型、夜光遥感数据和土壤数据集，并对特征集进行预处理操作；利用主成分分析法对预处理后的土壤数据集进行压缩，并将压缩后的土壤数据集加入特征集，然后使用随机森林权重分析法选取特征集中权重占比大于预设值的几个变量作为环境预测因子；利用stefan公式逆运算计算得到土壤因子，根据土壤活动层厚度点位数据构建基线期间样本集；将基线期间样本集划分为训练集和测试集，运用多种机器学习模型进行训练，并选出训练效果最佳的模型，基于最佳的模型得到土壤因子空间分布；利用预测得到的土壤因子以及温度数据，计算得到直到预设年间的冻土活动层厚度。
[0135]
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random15 access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0136]
又一方面，本发明实施例还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述冻土活动层厚度反演方法的步骤，包括：获取基线期间研究区域内土壤活动层厚度点位数据；获取基线期间研究区域内的特征集，所述特征集包括：融化指数、冻结指数、年平均降雨量、年平均降雪量、归一化叶面积指数、数字高程模型、夜光遥感数据和土壤数据集，并对特征集进行预处理操作；利用主成分分析法对预处理后的土壤数据集进行压缩，并将压缩后的土壤数据集加入特征集，然后使用随机森林权重分析法选取特征集中权重占比大于预设值的几个变量作为环境预测因子；利用stefan公式逆运算计算得到土壤因子，根据土壤活动层厚度点位数据构建基线期间样本集；将基线期间样本集划分为训练集和测试集，运用多种机器学习模型进行训练，并选出训练效果最佳的模型，基于最佳的模型得到土壤因子空间分布；利用预测得到的土壤因子以及温度数据，计算得到直到预设年间的冻土活动层厚度。
[0137]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0138]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
[0139]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种冻土活动层厚度反演方法，其特征在于，包括以下步骤：获取基线期间研究区域内土壤活动层厚度点位数据；获取基线期间研究区域内的特征集，所述特征集包括：融化指数、冻结指数、年平均降雨量、年平均降雪量、归一化叶面积指数、数字高程模型、夜光遥感数据和土壤数据集，并对特征集进行预处理操作；利用主成分分析法对预处理后的土壤数据集进行压缩，并将压缩后的土壤数据集加入特征集，然后使用随机森林权重分析法选取特征集中权重占比大于预设值的几个变量作为环境预测因子；利用stefan公式逆运算计算得到土壤因子，根据土壤活动层厚度点位数据构建基线期间样本集；将基线期间样本集划分为训练集和测试集，运用多种机器学习模型进行训练，并选出训练效果最佳的模型，基于最佳的模型得到土壤因子空间分布；利用预测得到的土壤因子以及温度数据，计算得到直到预设年间的冻土活动层厚度。2.根据权利要求1所述的冻土活动层厚度反演方法，其特征在于，所述获取基线期间研究区域内的特征集，所述特征集包括：融化指数、冻结指数、年平均降雨量、年平均降雪量、归一化叶面积指数、数字高程模型、夜光遥感数据和土壤数据集，并对特征集进行预处理操作的步骤，包括：设置2006-2020年为基线期间，利用google earth engine云平台下载基线期间研究区域内特征集中的年平均降雨量、年平均降雪量、归一化叶面积指数、数字高程模型、夜光遥感数据和土壤数据集，投影到“epsg：4326”坐标系下，并重采样至1km；利用基线期间modis月度合成产品计算特征集中的融化指数和冻结指数。3.根据权利要求1所述的冻土活动层厚度反演方法，其特征在于，所述利用主成分分析法对预处理后的土壤数据集进行压缩，并将压缩后的土壤数据集加入特征集，然后使用随机森林权重分析法选取特征集中权重占比大于预设值的几个变量作为环境预测因子的步骤，包括：利用主成分变换方法，对包含8种土壤参数的土壤数据集进行压缩，选取占比最大的三个主分量作为新的土壤数据，以在相同维度上包含更丰富的信息；根据获取的特征集，结合压缩后三个主分量信息，采用随机森林权重法进行特征筛选，选取对冻土活动层厚度影响占比大于预设值的特征作为环境预测因子，参与对冻土活动层厚度的预测。4.根据权利要求1所述的冻土活动层厚度反演方法，其特征在于，所述利用stefan公式逆运算计算得到土壤因子，根据土壤活动层厚度点位数据构建基线期间样本集的步骤，包括：利用选取得到的环境预测因子，结合的基线期间特征集中不同因子的时序数据，构建环境预测因子对应的基线lep时序影像集；根据搜集到的土壤活动层厚度点位采样时间，在对应时间段的基线lep时序影像集上重采样，得到该组土壤活动层厚度点位对应的样本数据；最后将所有时间段土壤活动层厚度点位对应的样本数据进行合成，从而得到基线期间样本集；根据得到的基线期间样本集，运用冻土活动层厚度对应的点位数据以及融化指数，利
用stefan公式的逆运算，计算得到每一个点位的土壤因子，并将其加入基线期间样本集中。5.根据权利要求4所述的冻土活动层厚度反演方法，其特征在于，所述利用stefan公式的逆运算，计算得到每一个点位的土壤因子，具体公式如下：其中，e表示土壤因子，alt表示土壤活动层厚度，ti表示融化指数。6.根据权利要求1所述的冻土活动层厚度反演方法，其特征在于，所述将基线期间样本集划分为训练集和测试集，运用多种机器学习模型进行训练，并选出训练效果最佳的模型，基于最佳的模型得到土壤因子空间分布的步骤，包括：将基线期间样本集按7:3比例划分为训练集与测试集，训练集用于拟合模型，测试集用于验证拟合模型的正确性；将土壤因子作为标签，利用8种机器学习模型，拟合环境预测因子与土壤因子之间的非线性关系；用测试集对拟合得到的模型进行检验，运用均方根误差、平均绝对误差和纳什效率系数对比不同模型之间差异，并挑选出拟合效果最佳的模型；利用最佳的模型，计算得到基线期间青藏高原冻土区的土壤因子的空间分布结果。7.根据权利要求1所述的冻土活动层厚度反演方法，其特征在于，所述利用预测得到的土壤因子以及温度数据，计算直到预设年间的冻土活动层厚度的步骤，包括：选取cmip6温度数据，利用计算冻结指数的公式，计算基线期间到未来2100年的冻结指数；利用预测得到土壤因子以及计算得到的冻结指数，运用stefan公式，计算得到基线期间到2100年的冻土活动层厚度时序变化，具体公式如下：其中，e表示土壤因子，alt表示土壤活动层厚度，ti表示融化指数。8.一种实施权利要求1-7任一项所述方法的冻土活动层厚度反演装置，其特征在于，包括以下模块：点位数据获取模块，用于获取基线期间研究区域内土壤活动层厚度点位数据；特征集获取模块，用于获取基线期间研究区域内的特征集，所述特征集包括：融化指数、冻结指数、年平均降雨量、年平均降雪量、归一化叶面积指数、数字高程模型、夜光遥感数据和土壤数据集，并对特征集进行预处理操作；环境预测因子选取模块，用于利用主成分分析法对预处理后的土壤数据集进行压缩，并将压缩后的土壤数据集加入特征集，然后使用随机森林权重分析法选取特征集中权重占比大于预设值的几个变量作为环境预测因子；基线期间样本集构建模块，用于利用stefan公式逆运算计算得到土壤因子，根据土壤活动层厚度点位数据构建基线期间样本集；土壤因子空间分布获取模块，用于将基线期间样本集划分为训练集和测试集，运用多种机器学习模型进行训练，并选出训练效果最好的模型，得到土壤因子空间分布；冻土活动层厚度预测模块，用于利用预测得到的土壤因子以及温度数据，计算得到直到预设年间的冻土活动层厚度。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在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1-7中任一项所述的冻土活动层厚度反演方法的步骤。10.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的冻土活动层厚度反演方法的步骤。

技术总结
本发明提供一种冻土活动层厚度反演方法、装置、设备及存储介质。考虑气候条件持续恶化、人类活动加剧、土壤理化性质日益复杂等因素对冻土区的冻融变化的影响，利用夜光遥感数据表征人类活动强度，利用主成分变换压缩土壤数据集以在相同维度上囊括更丰富的信息，基于土壤活动层厚度点位数据以及多源遥感数据，拟合环境预测因子与冻土活动层厚度之间关系；选用8种机器学习方法构建环境预测因子与冻土活动层厚度之间的最佳拟合模型。利用CMIP6温度数据，基于预测得到的最佳结果计算本世纪初至2100年冻土活动层厚度时序变化情况。相较于传统反演方法，能获取更高精度冻土活动层厚度模拟结果，从而更全面有效地分析多年冻土冻融变化规律。化规律。化规律。


技术研发人员：张正加 倪宸睿 范鹏 杨敏洁 王猛猛 刘修国
受保护的技术使用者：国网电力科学研究院武汉南瑞有限责任公司
技术研发日：2023.05.05
技术公布日：2023/9/14