基于多源数据融合与机器学习的滨海盐沼碳汇预测方法与流程
本发明涉及生态碳汇定量评估、遥感大数据融合及机器学习智能预测，具体而言，涉及基于多源数据融合与机器学习的滨海盐沼碳汇预测方法。
背景技术：
1、滨海盐沼是典型的蓝碳生态系统，具备优异的碳汇潜能与生态价值，在区域碳循环及碳中和体系中占据重要地位。该类生态系统植被初级生产力较高，可通过植被固碳、土壤有机碳积累、沉积物埋藏等多种途径，实现大气二氧化碳的长期固化与封存，是沿海区域极具价值的自然碳汇载体，其碳汇能力挖掘与精准量化已成为生态碳汇研究的重点方向。
2、目前，滨海盐沼碳汇储量及碳汇能力的评价工作，主流技术手段为野外实地采样结合实验室检测分析，通过测定植被生物量、土壤有机碳含量、沉积物沉积速率等核心参数，完成盐沼碳汇储量的估算。该传统实测方法具备检测精度高、数据可靠性强的优势，能够满足小范围、单点尺度的碳汇测算需求，但在大尺度区域碳汇时空预测应用中，仍存在诸多难以规避的技术缺陷与局限性。
3、首先，传统野外实地调查模式工作量庞大、人力与时间成本较高，调查范围受限，无法实现大范围滨海盐沼区域的全覆盖监测，难以支撑区域尺度的碳汇精准评估。其次，现有碳汇测算体系缺乏统一的多源数据融合标准，不同渠道获取的监测数据空间尺度、数据格式不统一，数据兼容性差，极易造成碳汇预测结果误差增大，测算准确性难以保障。同时，当前主流预测技术多依托单一数据源或传统经验统计模型，无法有效挖掘遥感影像、地形、水文、植被、土壤等多源异构数据之间的耦合关联关系，数据利用率低，模型测算维度单一。
4、除此之外，现有碳汇预测手段大多仅针对单一时相、局部小区域开展静态测算，缺乏可实现长时序、广范围的连续时空预测技术体系，无法精准反映滨海盐沼碳汇的动态变化特征。同时，现有机器学习建模方式较为粗放，多直接采用原始数据构建预测模型，未针对地形、遥感、实地采样等不同类型数据开展标准化预处理与专项特征融合优化，导致模型稳定性、泛化能力较差，难以适配不同区域、不同环境下的盐沼碳汇预测场景，极大限制了滨海盐沼蓝碳资源的精准评估、动态监测与科学管控。
5、综上，当前滨海盐沼碳汇预测技术普遍存在数据来源单一、多源数据融合难度大、空间特征尺度不统一、预测精度有限、时空连续性不足、模型稳定性差、调查成本高、区域预测效率低等技术痛点，亟需研发一种可融合多类监测数据、适配区域尺度、可实现动态时空预测的盐沼碳汇精准预测方法，以解决现有技术的诸多缺陷。
技术实现思路
1、为了解决上述问题，本发明的目的是提供基于多源数据融合与机器学习的滨海盐沼碳汇预测方法，旨在解决传统技术中多源异构数据无法统一融合、空间特征尺度不一致、机器学习模型稳定性与泛化能力弱、碳汇预测时空连续性差的核心问题；突破传统野外调查成本高、覆盖范围有限、区域预测效率低下的瓶颈，构建一套标准化、多维度、可动态更新的盐沼碳汇预测体系，实现大尺度滨海盐沼生态系统碳汇的精准、连续、动态时空预测，为滨海蓝碳资源评估、碳循环研究及湿地生态保护管控提供可靠的技术支撑。
2、为了实现上述技术目的，本技术提供了基于多源数据融合与机器学习的滨海盐沼碳汇预测方法，包括以下步骤：
3、采集目标滨海盐沼区域的多源数据并执行标准化处理后，进行特征优化筛选，以得到最优输入特征组合；
4、选用集成学习算法构建碳汇预测模型，依据最优输入特征组合进行训练，得到最优碳汇预测模型；
5、将目标滨海盐沼区域的不同年份匹配的遥感与环境特征数据，输入最优碳汇预测模型，逐像元开展空间预测，以执行区域碳汇时空预测，完成区域尺度连续空间估算。
6、优选地，在采集多源数据时，收集目标滨海盐沼区域的野外网格化调查数据、土壤碳库实测数据、植被碳库调查数据、长时间序列遥感影像、dem地形数据、潮位与水文监测数据、气象观测数据、土壤理化性质检测数据，以获取多源数据，并将全部地理空间数据统一转换至同一空间坐标系。
7、优选地，在执行执行标准化处理时，针对不同来源异构数据依次开展空间配准、时序匹配，修复数据缺失值、剔除异常观测样本；对数值型特征实施归一化处理，对矢量、影像数据执行栅格化与统一分辨率重采样，以输出空间分辨率一致、时序对齐的标准化融合数据集。
8、优选地，在执行特征优化筛选前，基于标准化融合数据集，提取多类预测指标，包括：植被指数、地形指数、水文指数、土壤理化指标、气象指标、沉积物指标、历史碳密度指标，以构建多维环境特征集。
9、优选地，在执行特征优化筛选时，基于多维环境特征集，采用pearson相关性分析结合机器学习特征重要性评价方法，识别并剔除高度冗余特征变量，保留对碳汇变化贡献显著的关键影响因子，得到最优输入特征组合。
10、优选地，在构建碳汇预测模型时，依据随机森林、增强回归树、梯度提升决策树、xgboost中的至少一种，作为可选模型，并采用样本交叉验证方式遍历超参数组合，依据预设指标评价模型性能，以确定最优碳汇预测模型。
11、优选地，在执行逐像元开展空间预测时，将训练完成的最优模型加载至目标研究区，输入不同年份匹配的遥感与环境特征数据，逐像元开展空间预测；生成盐沼植被碳密度空间分布图、土壤碳储量分布图、碳汇潜力空间分布图与多年碳汇时空变化趋势图，以实现区域尺度连续空间估算。
12、优选地，在执行逐像元开展空间预测时，按年份匹配对应时相遥感数据、环境特征数据集；以栅格像元为基本计算单元逐像元开展碳密度定量预测；
13、基于预测得到的植被与土壤碳密度数据，结合各像元有效滩涂面积核算区域碳储量，分别生成盐沼碳密度空间分布图、区域碳储量空间分布图、碳汇潜力空间分布图；
14、通过多期预测结果对比分析，得到多年碳汇空间变化趋势，以揭示碳汇空间分异特征与时序演变规律。
15、优选地，在执行区域碳汇时空预测后，利用新样本迭代更新模型参数，搭建动态反馈更新机制，持续修正预测偏差，以保障模型长期预测精度。
16、优选地，执行区域碳汇时空预测后，将新增样点碳汇实测值与对应位置模型预测值进行比对，形成误差反馈数据集；
17、依托新增样本对模型参数进行迭代微调，构建常态化动态反馈更新机制，持续修正模型系统偏差，以削弱长时间尺度下环境变化带来的预测漂移问题。
18、本发明公开了以下技术效果：
19、第一，实现野外调查数据、遥感影像数据、地形水文及土壤植被环境因子、历史观测数据的一体化融合，统一多源数据空间尺度与数据标准，消除数据异构、尺度不一导致的预测误差，大幅提升碳汇测算精度。
20、第二，通过针对性的数据标准化预处理与特征融合优化策略，规避传统机器学习原始数据直接建模的缺陷，有效提升预测模型的稳定性、泛化能力与场景适配性，可适配不同滨海区域、不同时序的盐沼碳汇预测场景。
21、第三，突破传统单点、静态测算局限，构建连续时空预测机制，能够精准刻画盐沼碳汇的时序演变规律与空间分布特征，实现大尺度区域碳汇动态监测。
22、第四，大幅减少大规模野外人工采样调查的工作量与经济成本，显著提升区域尺度盐沼碳汇评估的效率与覆盖范围，为滨海湿地蓝碳储量核算、碳中和潜力评估、生态修复成效监测提供高效、精准、可推广的技术手段。