买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉合肥工业大学申请的专利一种基于可解释机器学习的植被碳汇空间优化方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121390476B 。

龙图腾网通过国家知识产权局官网在2026-04-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511957554.5，技术领域涉及：G06Q10/04；该发明授权一种基于可解释机器学习的植被碳汇空间优化方法及系统是由赵燕;李湘凌;袁峰;穆璐璐;蔡诗颖设计研发完成，并于2025-12-23向国家知识产权局提交的专利申请。

本一种基于可解释机器学习的植被碳汇空间优化方法及系统在说明书摘要公布了：本发明公开了一种基于可解释机器学习的植被碳汇空间优化方法及系统。该方法首先获取目标区域的行政区划、环境因子及目标变量等多源环境数据，形成空间表格数据集；基于该数据集训练XGBoost回归模型，对植被碳汇量进行预测并评价模型性能；结合SHAP解释器量化各环境因子对碳汇的贡献，生成特征重要性与解释性图谱，并通过LOWESS算法拟合得到环境因子与碳汇响应关系曲线，提取最优阈值区间；进一步依据优化阈值预测碳汇增益，划定优化分区，形成空间优化方案；最终输出植被碳汇优化建议报告。该方法能够实现碳汇空间优化的科学量化，提升碳汇提升策略的可解释性与决策支持价值。

本发明授权一种基于可解释机器学习的植被碳汇空间优化方法及系统在权利要求书中公布了：1.一种基于可解释机器学习的植被碳汇空间优化方法，其特征在于，包括以下步骤： 获取目标区域的多源环境数据，所述多源环境数据包括行政区划分数据、环境因子数据、目标变量数据，对所述多源环境数据进行空间坐标统一及分辨率标准化处理，生成空间表格数据集； 根据所述空间表格数据集利用交叉验证和提前停止策略训练XGBoost回归模型，根据训练完成的XGBoost回归模型对目标区域的植被碳汇量进行预测，确定模型性能数据； 选取XGBoost回归模型训练过程中的预设数量采样点，基于SHAP解释器计算个环境因子对植被碳汇的贡献值，生成特征重要性排序图和SHAP摘要图； 基于LOWESS算法对所述特征重要性排序图和SHAP摘要图进行拟合，确定各环境因子值与SHAP值的关系曲线，根据所述关系曲线确定每个环境因子的优化阈值区间，具体为： 采用LOWESS算法对清洗后的特征值与SHAP值进行局部加权回归拟合，生成特征值-SHAP值的平滑关系曲线； 计算各环境因子特征值与SHAP值的Spearman相关系数，根据相关系数符号确定环境因子对植被碳汇的正负影响方向； 在所述平滑关系曲线上识别SHAP值大于零的连续特征值区间，若存在多个连续区间则选择SHAP值均值最大的区间作为候选优化区间； 当候选优化区间的长度小于预设最小生态区间阈值时，以区间中位数为中心向两侧扩展至最小生态区间长度，得到第一优化阈值区间； 若平滑关系曲线上不存在SHAP值大于零的区间，则选择全局SHAP值最大值对应的特征值点作为中心，构建以该特征值点为中心的最小生态区间，得到第二优化阈值区间； 根据所述优化阈值区间确定环境因子的优化特征值，预测所述优化特征值的植被碳汇增益，得到预测增益数据，根据所述预测增益数据确定优化分区，具体为： 从所述特征重要性排序图中选取预设数量的关键环境因子，计算目标区域每个栅格中每个关键环境因子当前特征值与优化阈值区间边界的偏离距离，根据所述偏离距离确定优化需求强度； 选取目标区域每个栅格中每个关键环境因子在优化阈值区间内SHAP值最大值对应的特征值作为优化特征值，构成优化特征数据集； 将所述优化特征数据集导入训练完成的XGBoost回归模型中进行植被碳汇量预测，得到优化后的净生态系统生产力预测值，计算优化前后的净生态系统生产力的差值作为碳汇增益潜力值； 若碳汇增益潜力值大于优化前的净生态系统生产力的预设比值，将该环境因子作为待优化环境因子，统计待优化环境因子数量信息； 根据目标区域每个栅格的碳汇增益潜力值、优化需求强度、待优化环境因子数量确定优化分区，根据每个优化分区的碳汇增益潜力值和待优化环境因子绘制碳汇潜力增益空间分布图、关键特征优化需求热力图及优化分区建议图； 根据所述模型性能数据、每个环境因子的优化阈值区间生成优化分区的植被碳汇优化建议报告。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人合肥工业大学，其通讯地址为：230009 安徽省合肥市屯溪路193号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。