[发明专利]基于LASSO回归的土地利用变化驱动力筛选方法和装置

说明书

本发明公开了一种基于LASSO回归的土地利用变化驱动力筛选方法和装置，其中方法包括以下步骤：获取研究区域内的解释变量和响应变量数据；构建LASSO回归模型，并执行LASSO回归；计算LASSO回归中每一步的残差平方和以及多元共线性指标，根据计算结果确定需要剔除的驱动因子；以剩余的驱动因子作为LASSO回归模型的解释变量，再次执行LASSO回归；根据再次执行的LASSO回归中响应变量的系数确定驱动因子的重要性。本发明能够构建较为精炼的模型，能够在拟合广义线性模型的同时进行变量筛选和复杂度调整，能够针对众多具有多元共线性的因变量进行准确的筛选。本发明能够广泛应用于环境建模领域。

技术领域

本发明涉及环境建模领域，尤其是基于LASSO回归的土地利用变化驱动力筛选方法和装置。

背景技术

土地利用变化是当前全球变化研究的重要内容，是人类社会经济活动行为与自然生态过程交互和链接的纽带。土地利用变化可以通过生物物理和生物地球化学作用改变生态系统的结构和功能，影响生态系统服务。识别土地利用变化驱动力(驱动因子)与土地利用变化的关系，对预测陆地生态系统响应全球变化，制定减缓措施起着至关重要的作用。驱动力是指导致土地利用方式和目的变化的主要自然和人类因素，在自然系统中，气候、土壤、水文等被认为是主要的驱动力类型；在社会系统中，人口变化、贫富状况、技术进步、经济增长、经济结构以及价值观念都能够驱动土地利用变化。复杂的生物物理过程和人类活动以及自然和人类过程的耦合作用使得土地利用变化驱动力的识别复杂化加剧。因此，探索新方法识别土地利用变化驱动力具有重大的意义。

目前大多应用统计模型和空间模型进行土地利用变化驱动力的识别，基于线性或非线性相关分析土地利用变化与其驱动力之间关系，通过自变量与因变量的回归计算来拟合土地利用变化与驱动力的相关关系。多元统计模型方法简单实用，适用范围广，随着创新的数学算法的不断发展，如神经网络算法、蚁群算法、随机森林算法等，土地利用建模方法也不断取得新进展。空间模型在处理土地及其驱动力空间属性方面也取得了很好的效果。然而，在复杂的土地系统中,土地利用变化驱动力种类众多，目前的空间模型无法很好地对众多具有多元共线性(又称多重共线性)的驱动力进行变量筛选。

发明内容

为解决上述技术问题，本发明的目的在于：提供一种基于LASSO回归的针对众多具有多元共线性的土地利用变化驱动力的筛选方法和装置。

本发明所采取的第一种技术方案是：

基于LASSO回归的土地利用变化驱动力筛选方法，包括以下步骤：

获取研究区域内至少两个时间段的土地利用变化的数据以及驱动因子的数据；

以土地利用变化作为LASSO回归模型的响应变量，以驱动因子作为LASSO回归模型的解释变量，构建LASSO回归模型，并执行第一次LASSO回归；

计算第一次LASSO回归中每一步的残差平方和以及多元共线性指标，根据计算得到的残差平方和以及多元共线性指标确定需要剔除的驱动因子；

以土地利用变化作为LASSO回归模型的响应变量，以剩余的驱动因子作为LASSO回归模型的解释变量，执行第二次LASSO回归；

根据第二次LASSO回归中响应变量的系数确定驱动因子的重要性；

所述驱动因子的数据包括自然地理数据和经济数据。

进一步，还包括以下步骤：

对驱动因子的数据进行预处理，剔除异常数据；

所述异常数据是指在驱动因子的数据中大于μ+3σ或小于μ-3σ的数据，其中，μ表示驱动因子的数据的正态总体的数学期望，σ表示驱动因子的数据的标准差。

进一步，还包括以下步骤：

将剔除异常数据后的剩余的驱动因子数据进行统一分辨率处理。