一种稻田甲烷排放量预测方法、系统、装置及存储介质

1.本发明涉及农业生态环境技术领域，具体涉及一种稻田甲烷排放量预测方法、系统、装置及存储介质。


背景技术：

2.农业源甲烷排放是人为因素导致的温室气体排放的主要组成部分，在当今国际社会倡导节能减排的形势下，对于农业源甲烷排放的研究显得非常重要。随着经济的发展，我国种植业迅速发展，而在种植业发展过程中产生的温室气体甲烷的排放也成为不可忽视的环境污染问题。种植业是非二氧化碳温室气体的重要排放源之一，其中主要包括水稻种植甲烷排放、农业残留物(秸秆)燃烧甲烷排放等。因此，了解种植业甲烷排放现状和特点，特别是做好对稻田甲烷排放的监测和预测对今后更好的管理农业生产、制定碳减排措施、改善生态环境有重要的理论指导意义。
3.目前关于稻田甲烷排放计算方法和监测手段较为多样，但又分别存在各自缺陷：利用点位实测的方法计算较为精准但难以推广到更大的尺度进行计算；遥感监测反演的方法可以对大区域稻田甲烷排放进行计算，但精度较低，同时，对于未来预测的方法也缺乏准确性的考虑。


技术实现要素：

4.针对现有技术中的缺陷，本发明提供一种稻田甲烷排放量预测方法、系统、装置及存储介质。
5.第一方面，一种稻田甲烷排放量预测方法，包括：
6.确定稻田甲烷的排放影响因素；
7.根据所述排放影响因素获取稻田甲烷历史数据，并预先根据所述稻田甲烷历史数据构建预测模型；
8.根据所述排放影响因素获取影响因素实测数据，根据所述影响因素实测数据构建变量数据集，基于所述变量数据集对预先构建的预测模型进行参数优化，以获取最佳预测模型；
9.基于所述变量数据集和最佳预测模型进行变量预测，并输出稻田甲烷排放量预测值。
10.进一步地，所述根据所述排放影响因素获取稻田甲烷历史数据，并预先根据所述稻田甲烷历史数据构建预测模型，具体为：
11.根据所述排放影响因素获取稻田甲烷历史数据，所述稻田甲烷历史数据包括影响因素历史值和甲烷排放量历史值；
12.根据所述稻田甲烷历史数据获取排放影响因素与甲烷排放量之间的目标约束函数；
13.获取约束条件，根据所述约束条件对所述目标约束函数进行求解，以确定最大化
目标函数；
14.根据所述最大化目标函数构建预测模型，所述预测模型包括核函数。
15.进一步地，所述根据所述排放影响因素获取影响因素实测数据，根据所述影响因素实测数据构建变量数据集，基于所述变量数据集对预先构建的预测模型进行参数优化，以获取最佳预测模型，具体为：
16.根据所述排放影响因素获取影响因素实测值，对所述影响因素实测值进行数据预处理，并根据预处理结果将所述影响因素实测值划分为变量训练集和变量测试集；
17.确定优化条件，所述优化条件包括所述预先构建的预测模型对应的核函数、所述核函数的待优化参数取值范围以及所述预测模型的待优化参数取值范围；
18.根据所述优化条件和变量训练集对预测模型进行迭代优化，并输出最优参数结果；
19.将所述最优参数结果对应的预测模型作为最佳预测模型输出。
20.进一步地，所述稻田甲烷排放的影响因素包括但不限于大气温度、土壤ph、地表生物量以及土壤水分含量。
21.第二方面，一种稻田甲烷排放量预测系统，包括：
22.影响因素确定模块：用于确定稻田甲烷的排放影响因素；
23.模型构建模块：用于根据所述排放影响因素获取稻田甲烷历史数据，并预先根据所述稻田甲烷历史数据构建预测模型；
24.模型优化模块：用于根据所述排放影响因素获取影响因素实测数据，根据所述影响因素实测数据构建变量数据集，基于所述变量数据集对预先构建的预测模型进行参数优化，以获取最佳预测模型；
25.模型预测模块：用于基于所述变量数据集和最佳预测模型进行变量预测，并输出稻田甲烷排放量预测值。
26.进一步地，所述模型构建模块具体用于：
27.根据所述排放影响因素获取稻田甲烷历史数据，所述稻田甲烷历史数据包括影响因素历史值和甲烷排放量历史值；
28.根据所述稻田甲烷历史数据获取排放影响因素与甲烷排放量之间的目标约束函数；
29.获取约束条件，根据所述约束条件对所述目标约束函数进行求解，以确定最大化目标函数；
30.根据所述最大化目标函数构建预测模型，所述预测模型包括核函数。
31.进一步地，所述模型优化模块具体用于：
32.根据所述排放影响因素获取影响因素实测值，对所述影响因素实测值进行数据预处理，并根据预处理结果将所述影响因素实测值划分为变量训练集和变量测试集；
33.确定优化条件，所述优化条件包括所述预先构建的预测模型对应的核函数、所述核函数的待优化参数取值范围以及所述预测模型的待优化参数取值范围；
34.根据所述优化条件和变量训练集对预测模型进行迭代优化，并输出最优参数结果；
35.将所述最优参数结果对应的预测模型作为最佳预测模型输出。
36.进一步地，所述稻田甲烷排放的影响因素包括但不限于大气温度、土壤ph、地表生物量以及土壤水分含量。
37.第三方面，一种稻田甲烷排放量预测装置，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如第一方面所述的方法。
38.第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如第一方面所述的方法。
39.本发明的有益效果体现在：根据稻田甲烷历史数据构建预测模型，并根据影响因素实测值采用优化算法对预测模型进行参数优化，以获取最佳预测模型，使预测模型具有良好的非线性特性和泛化性，预测精度高；将大气温度、土壤ph、地表生物量以及土壤水分含量等影响因素输入至最佳预测模型中进行排放量预测，可以很好地解决有关环境参数和土壤水力参数的影响问题，预测效果好，预测结果准确度高。
附图说明
40.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
41.图1为本发明实施例一提供的一种稻田甲烷排放量预测方法的流程图；
42.图2为本发明实施例一提供的一种稻田甲烷排放量预测系统的模块框图；
43.图3为本发明实施例二提供的一种稻田甲烷排放量预测装置的结构示意图。
具体实施方式
44.下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
45.需要注意的是，除非另有说明，本技术使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
46.如图1所示，一种稻田甲烷排放量预测方法，包括：
47.s1：确定稻田甲烷的排放影响因素；
48.具体地，稻田甲烷的产生、氧化和传输受到诸多环境因子的综合影响，如土壤质地通过影响土壤通透性和土壤有机质分解速率，从而影响对甲烷微生物的基质供应与甲烷排放，土壤ph、温度通过影响甲烷菌以及甲烷氧化菌活性影响甲烷排放，耕作、灌溉、施肥方式通过影响土壤的水、肥、气、热进而影响到甲烷排放。故在进行甲烷排放量预测之前，需先确定用于预测的稻田甲烷排放影响因素，本实施例中，所述影响因素包括但不限于大气温度、土壤ph、地表生物量以及土壤水分含量。
49.s2：根据所述排放影响因素获取稻田甲烷历史数据，并预先根据所述稻田甲烷历史数据构建预测模型；
50.具体地，根据所确定的排放影响因素获取稻田甲烷历史数据，所述稻田甲烷历史数据包括甲烷排放量历史数据和排放影响因素对应的影响因素历史值。
51.利用非线性函数把原始空间中的影响因素历史值通过非线性映射到一个高维特征空间中，并在高维特征空间中构造线性回归，从而取得在原始空间的非线性回归效果。本实施例中，假定一个样本集：
52.t＝(xi,yi),i＝1,2,
……
,n,xi∈rd,yi∈rd53.其中，xi为输入数据，yi为输出数据。根据稻田甲烷历史数据在高维特征空间中构造排放影响因素与甲烷排放量之间的目标约束函数f(x)：
[0054][0055]
式中，f(x)为甲烷排放量，xi为排放影响因素，w为权值矢量，b为偏置项。引入一个不敏感损失函数作为损失函数在高维特征空间完成线性回归：
[0056][0057]
同时,为了度量ε不敏感带外的训练样本的偏离程度,引入非负的松驰变量ξi和ζi,利用结构风险最小化原则构造最小化目标函数来获取参数ω和b,使得目标函数f(x)与y尽可能接近：
[0058][0059]
获取目标函数的约束条件：
[0060][0061]
式中,ε为不敏感损失函数参数；∥ω∥2为结构风险,其目的是为了使目标函数更为平坦,提高模型泛化能力；为经验风险；c为正则化参数,控制对超出误差的样本的惩罚程度,决定着经验风险与正则化部分之间的平衡。本实施例中，引入拉格朗日乘子αi和α
i*
,所述拉格朗日乘子满足：
[0062][0063]
根据拉格朗日乘子和目标函数的约束条件对目标约束函数进行求解，以确定最大化目标函数:
[0064][0065]
式中，αi和α
i*
为拉格朗日乘子，k(xi,xj)为核函数。根据最大化目标函数得到包含核函数的预测模型：
[0066][0067]
s3：根据所述排放影响因素获取影响因素实测数据，根据所述影响因素实测数据构建变量数据集，基于所述变量数据集对预先构建的预测模型进行参数优化，以获取最佳预测模型；
[0068]
具体地，根据排放影响因素获取影响因素实测值，即获取大气温度、土壤ph、地表生物量以及土壤水分含量等参数的实时测量值，对所述影响因素实测值进行数据预处理，包括数据筛选和归一处理。其中，数据筛选包括但不限于零值检测、错误值检测、缺失值检测以及异常值检测，所述归一处理使影响因素实测值均处于[0,1]区间，归一处理公式为：
[0069][0070]
式中，x'为归一化后的影响因素实测值，xi为原始影响因素实测值，x
min
为原始影响因素实测值中的最小值，x
max
为原始影响因素实测值中的最大值。
[0071]
根据预处理结果将影响因素实测值划分为变量训练集和变量测试集，确定优化条件，所述优化条件包括所述预先构建的预测模型对应的核函数、所述核函数的待优化参数取值范围以及所述预测模型的待优化参数取值范围。
[0072]
优选地，常用的核函数有多项式核函数、高斯径向基核函数、sigmoid核函数等，如果采用线性核函数，那么实际上是在输入空间构造回归超平面,因此回归的能力有限；如果采用多项式核函数,虽然其回归能力会增强,但计算量也将逐渐增加；高斯径向基核函数回归能力不低于高阶多项式核函数和s型核函数,而且可以视线性核函数为其特殊情况，且高斯径向基核函数可以在非常宽泛的函数集中选择最优的函数,另一个优点在于它只有一个核参数。综合考虑，本实施例采用高斯径向基核函数：
[0073][0074]
式中，xi和xj表示变量训练集中的两个样本数据，σ为核参数，即核函数对应的待优化参数；对应地，所述预测模型对应的待优化参数包括为正则化参数c、权值矢量w以及偏置
项b。确定核参数σ、正则化参数c、权值矢量w以及偏置项b的取值范围，每个参数对应的取值范围可根据实际情况进行设定，在此不作限定。
[0075]
将变量训练集输入至预测模型中，并将优化条件作为约束进行迭代优化，以使用变量训练集对预测模型进行调参，输出最优参数结果，进而得到预测精度最佳的预测模型，使预测模型具有良好的非线性特性和泛化性，减小模型误差，提高预测准确度。
[0076]
为方便理解，本实施例以采用贝叶斯优化算法为例，所述对预测模型进行调参的过程包括：
[0077]
(1)初始化观测值f
1:t
＝{xi,di}，其中，xi为采样点数据，本实施例中采样点数据采用变量训练集中的数据，di表示预测精度；
[0078]
(2)采用高斯算法获取预测模型的均值函数μ(x)和方差函数的当前最佳观测点γ(x)；
[0079]
(3)构建贝叶斯优化算法的置信区间上界，根据所述预测模型的均值函数μ(x)和方差函数的当前最佳观测点γ(x)获取置信区间上界最大值：
[0080][0081]
式中，β为贝叶斯优化算法的超参数；
[0082]
(4)根据所述置信区间上界最大值求出下一个采样点数据x
i+1
,并根据观测值f
1:t
对求得的x
i+1
进行评价，得到下一个采样点数据的预测精度d
i+1
；
[0083]
(5)根据d
i+1
更新观测数据集，更新高斯过程；
[0084]
(6)重复步骤(2)-(5)，直至获取di最优解，并输出di最优解对应的预测模型最优参数。
[0085]
优选地，迭代优化过程中对应的最大迭代次数可根据情况设定。
[0086]
进一步地，根据所输出的最优参数结果获取对应的预测模型，将最优参数结果下的预测模型作为最佳预测模型输出。
[0087]
s4：基于所述变量数据集和最佳预测模型进行变量预测，并输出稻田甲烷排放量预测值；
[0088]
具体地，将变量测试集输入至最佳预测模型中进行预测，得到并输出模型预测值，所述模型预测值即为稻田甲烷排放量预测值。
[0089]
基于相同的发明构思，本发明实施例提供了一种稻田甲烷排放量预测系统，如图2所示，包括：
[0090]
影响因素确定模块：用于确定稻田甲烷的排放影响因素；
[0091]
模型构建模块：用于根据所述排放影响因素获取稻田甲烷历史数据，并预先根据所述稻田甲烷历史数据构建预测模型；
[0092]
模型优化模块：用于根据所述排放影响因素获取影响因素实测数据，根据所述影响因素实测数据构建变量数据集，基于所述变量数据集对预先构建的预测模型进行参数优化，以获取最佳预测模型；
[0093]
模型预测模块：用于基于所述变量数据集和最佳预测模型进行变量预测，并输出稻田甲烷排放量预测值。
[0094]
进一步地，所述模型构建模块具体用于：
[0095]
根据所述排放影响因素获取稻田甲烷历史数据，所述稻田甲烷历史数据包括影响
因素历史值和甲烷排放量历史值；
[0096]
根据所述稻田甲烷历史数据获取排放影响因素与甲烷排放量之间的目标约束函数；
[0097]
获取约束条件，根据所述约束条件对所述目标约束函数进行求解，以确定最大化目标函数；
[0098]
根据所述最大化目标函数构建预测模型，所述预测模型包括核函数。
[0099]
进一步地，所述模型优化模块具体用于：
[0100]
根据所述排放影响因素获取影响因素实测值，对所述影响因素实测值进行数据预处理，并根据预处理结果将所述影响因素实测值划分为变量训练集和变量测试集；
[0101]
确定优化条件，所述优化条件包括所述预先构建的预测模型对应的核函数、所述核函数的待优化参数取值范围以及所述预测模型的待优化参数取值范围；
[0102]
根据所述优化条件和变量训练集对预测模型进行迭代优化，并输出最优参数结果；
[0103]
将所述最优参数结果对应的预测模型作为最佳预测模型输出。
[0104]
进一步地，所述稻田甲烷排放的影响因素包括但不限于大气温度、土壤ph、地表生物量以及土壤水分含量。
[0105]
需要说明的是，关于一种稻田甲烷排放量预测系统更为具体的工作流程，请参考前述方法实施例部分，在此不在赘述。
[0106]
本发明根据稻田甲烷历史数据构建预测模型，并根据影响因素实测值采用优化算法对预测模型进行参数优化，以获取最佳预测模型，使预测模型具有良好的非线性特性和泛化性，预测精度高；将大气温度、土壤ph、地表生物量以及土壤水分含量等影响因素输入至最佳预测模型中进行排放量预测，可以很好地解决有关环境参数和土壤水力参数的影响问题，预测效果好，预测结果准确度高。
[0107]
可选地，在本发明的另一优选实施例中，如图3所示，该一种稻田甲烷排放量预测装置可以包括：一个或多个处理器101、一个或多个输入设备102、一个或多个输出设备103和存储器104，上述处理器101、输入设备102、输出设备103和存储器104通过总线105相互连接。存储器104用于存储计算机程序，所述计算机程序包括程序指令，所述处理器101被配置用于调用所述程序指令执行上述方法实施例部分的方法。
[0108]
应当理解，在本发明实施例中，所称处理器101可以是中央处理单元(central processing unit，cpu)，深度学习显卡(如：华为npu,英伟达gpu,谷歌tpu)该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0109]
输入设备102可以包括键盘等，输出设备103可以包括显示器(lcd等)、扬声器等。
[0110]
该存储器104可以包括只读存储器和随机存取存储器，并向处理器101提供指令和数据。存储器104的一部分还可以包括非易失性随机存取存储器。例如，存储器104还可以存储设备类型的信息。
[0111]
具体实现中，本发明实施例中所描述的处理器101、输入设备102、输出设备103可执行本发明实施例提供的一种稻田甲烷排放量预测方法实施例中所描述的实现方式，在此不再赘述。
[0112]
需要说明的是，本发明实施例中一种稻田甲烷排放量预测装置更为具体工作流程及相关细节，请参考前述方法实施例部分，在此不再赘述。
[0113]
进一步地，对应于前述方法及装置，本发明实施例还提供了一种可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现：上述一种稻田甲烷排放量预测方法。
[0114]
所述计算机可读存储介质可以是前述任一实施例所述的系统的内部存储单元，例如系统的硬盘或内存。所述计算机可读存储介质也可以是所述系统的外部存储设备，例如所述系统上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述计算机可读存储介质还可以既包括所述系统的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述系统所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
[0115]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0116]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
[0117]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
[0118]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0119]
所述集成的单元如果以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，或者该技术方案的全部或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，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0120]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种稻田甲烷排放量预测方法，其特征在于，包括：确定稻田甲烷的排放影响因素；根据所述排放影响因素获取稻田甲烷历史数据，并预先根据所述稻田甲烷历史数据构建预测模型；根据所述排放影响因素获取影响因素实测数据，根据所述影响因素实测数据构建变量数据集，基于所述变量数据集对预先构建的预测模型进行参数优化，以获取最佳预测模型；基于所述变量数据集和最佳预测模型进行变量预测，并输出稻田甲烷排放量预测值。2.根据权利要求1所述的一种稻田甲烷排放量预测方法，其特征在于，所述根据所述排放影响因素获取稻田甲烷历史数据，并预先根据所述稻田甲烷历史数据构建预测模型，具体为：根据所述排放影响因素获取稻田甲烷历史数据，所述稻田甲烷历史数据包括影响因素历史值和甲烷排放量历史值；根据所述稻田甲烷历史数据获取排放影响因素与甲烷排放量之间的目标约束函数；获取约束条件，根据所述约束条件对所述目标约束函数进行求解，以确定最大化目标函数；根据所述最大化目标函数构建预测模型，所述预测模型包括核函数。3.根据权利要求2所述的一种稻田甲烷排放量预测方法，其特征在于，所述根据所述排放影响因素获取影响因素实测数据，根据所述影响因素实测数据构建变量数据集，基于所述变量数据集对预先构建的预测模型进行参数优化，以获取最佳预测模型，具体为：根据所述排放影响因素获取影响因素实测值，对所述影响因素实测值进行数据预处理，并根据预处理结果将所述影响因素实测值划分为变量训练集和变量测试集；确定优化条件，所述优化条件包括所述预先构建的预测模型对应的核函数、所述核函数的待优化参数取值范围以及所述预测模型的待优化参数取值范围；根据所述优化条件和变量训练集对预测模型进行迭代优化，并输出最优参数结果；将所述最优参数结果对应的预测模型作为最佳预测模型输出。4.根据权利要求1所述的一种稻田甲烷排放量预测方法，其特征在于，所述稻田甲烷排放的影响因素包括但不限于大气温度、土壤ph、地表生物量以及土壤水分含量。5.一种稻田甲烷排放量预测系统，其特征在于，包括：影响因素确定模块：用于确定稻田甲烷的排放影响因素；模型构建模块：用于根据所述排放影响因素获取稻田甲烷历史数据，并预先根据所述稻田甲烷历史数据构建预测模型；模型优化模块：用于根据所述排放影响因素获取影响因素实测数据，根据所述影响因素实测数据构建变量数据集，基于所述变量数据集对预先构建的预测模型进行参数优化，以获取最佳预测模型；模型预测模块：用于基于所述变量数据集和最佳预测模型进行变量预测，并输出稻田甲烷排放量预测值。6.根据权利要求5所述的一种稻田甲烷排放量预测系统，其特征在于，所述模型构建模块具体用于：根据所述排放影响因素获取稻田甲烷历史数据，所述稻田甲烷历史数据包括影响因素
历史值和甲烷排放量历史值；根据所述稻田甲烷历史数据获取排放影响因素与甲烷排放量之间的目标约束函数；获取约束条件，根据所述约束条件对所述目标约束函数进行求解，以确定最大化目标函数；根据所述最大化目标函数构建预测模型，所述预测模型包括核函数。7.根据权利要求6所述的一种稻田甲烷排放量预测系统，其特征在于，所述模型优化模块具体用于：根据所述排放影响因素获取影响因素实测值，对所述影响因素实测值进行数据预处理，并根据预处理结果将所述影响因素实测值划分为变量训练集和变量测试集；确定优化条件，所述优化条件包括所述预先构建的预测模型对应的核函数、所述核函数的待优化参数取值范围以及所述预测模型的待优化参数取值范围；根据所述优化条件和变量训练集对预测模型进行迭代优化，并输出最优参数结果；将所述最优参数结果对应的预测模型作为最佳预测模型输出。8.根据权利要求5所述的一种稻田甲烷排放量预测系统，其特征在于，所述稻田甲烷排放的影响因素包括但不限于大气温度、土壤ph、地表生物量以及土壤水分含量。9.一种稻田甲烷排放量预测装置，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-4任一项所述的方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-4任一项所述的方法。

技术总结
本发明公开了一种稻田甲烷排放量预测方法、系统、装置及存储介质，方法包括：确定稻田甲烷的排放影响因素；根据所述排放影响因素获取稻田甲烷历史数据，并预先根据所述稻田甲烷历史数据构建预测模型；根据所述排放影响因素获取影响因素实测数据，根据所述影响因素实测数据构建变量数据集，基于所述变量数据集对预先构建的预测模型进行参数优化，以获取最佳预测模型；基于所述变量数据集和最佳预测模型进行变量预测，并输出稻田甲烷排放量预测值。本发明通过构建预测模型并进行参数优化，使预测模型具有良好的非线性特性和泛化性；将影响因素输入至预测模型中进行排放量预测，可以很好地解决环境参数和土壤水力参数的影响问题，预测效果好。测效果好。测效果好。


技术研发人员：邓祥征 宋伟 韩赜
受保护的技术使用者：中国科学院地理科学与资源研究所
技术研发日：2023.04.20
技术公布日：2023/9/23