CN105930456A - 模拟濒危松科植物潜在分布的方法 - Google Patents
模拟濒危松科植物潜在分布的方法 Download PDFInfo
- Publication number
- CN105930456A CN105930456A CN201610254502.6A CN201610254502A CN105930456A CN 105930456 A CN105930456 A CN 105930456A CN 201610254502 A CN201610254502 A CN 201610254502A CN 105930456 A CN105930456 A CN 105930456A
- Authority
- CN
- China
- Prior art keywords
- model
- database
- distribution
- data base
- rainfall
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/256—Integrating or interfacing systems involving database management systems in federated or virtual databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种模拟濒危松科植物潜在分布的方法,首先获取濒危物种的实际分布点及分布范围,选择限制该物种分布的主要环境变量,构建实际出现数据库;在此基础上,构建虚拟分布数据库,再从虚拟分布数据库中随机抽取部分数据为建模数据库,剩余部分作为验证数据库。以建模数据库为基础,选择多种生态位模型,构建多个预测数据库;将所述模型预测数据库与验证数据库对比,选择地理位置精度、环境变量模型、生态位模型及方法的优选组合。以选中的优选组合和实际出现数据库为基础,最终构建濒危物种潜在分布数据库。本发明克服了濒危物种模拟存在的精度差、误差大、不确定性因素高等不足,有利于大幅度提高预测效果。
Description
技术领域
本发明涉及濒危植物保护技术,涉及一种模拟濒危松科植物潜在分布的方法。
背景技术
濒危物种是指一种在较短时间内灭绝概率较高的物种,需要在其分布比较集中的地区和潜在分布地区进行就地或迁地保护。濒危松科植物是一类重要的濒危物种,主要分布在人迹罕至或偏远的高山山顶和无人区,对维护生态平衡、保持水土、保护生物多样性起着关键作用。栖息地退化是松科野生植物种群濒危的主要原因之一,亟待加强保护。而通过模型合理地预测其适宜的分布地区显得尤为必要。
现有的预测方法主要针对分布范围广,数量较多,相对比较常见的物种。但是,相对常见的物种,濒危物种的模拟存在以下三个方面的问题:1)濒危物种的分布相对较少或抽样代表性较低(存在抽样偏差),从而导致数据质量较低。生态位模型的前提假设是认为物种的分布点即是该物种的适生区(不存在抽样偏差),而且应满足一定的分布点数量(数据量足够大)才能用来训练和测试模型。然而,对濒危物种而言,有些分布极其有限,而有些虽然分布较广,但野外随机抽样存在着抽样偏差,导致数据的代表性较低。2)生态位模型模拟的过程复杂,不确定性因素多。模型的工作原理、算法及模拟过程差异较大,对物种潜在分布区的预测具有不确定性,所得到的预测结果相差较大;即使是同一个模型,由于存在随机分组模拟,每次运算的结果也不完全一致。3)濒危物种实际分布未知,很难获取其全部的分布数据。濒危物种多分布在偏僻、人迹罕至的地方,可探测能力低,而且随着时空尺度的变化处于动态变化之中。这些问题的存在,导致生态位模型对濒危物种的预测精度极低(或不能预测),限制了生态位模型在濒危物种保护中的应用。
因此,有必要针对濒危松科植物的特点,克服其存在的三个不足,改进其模拟方法及模拟步骤。在此基础上,改进野外抽样,选择合适的生态位模拟方法,提高预测精度。
发明内容
本发明所要解决的技术问题在于提供一种模拟濒危松科植物潜在分布的方法,可根据已知的少量分布数据(实际出现数据库),构建濒危松科植物的虚拟分布数据库,通过生态位模型建模与验证,优化模型参数及组合,构建濒危松科植物潜在分布数据库,从而为濒危物种保护提供数据参考。
为解决上述技术问题,本发明的模拟濒危松科植物潜在分布的方法,包括以下步骤:
步骤1:构建实际出现数据库;
通过分析分布区的卫星图片,获得濒危松科植物主要的分布区域;通过野外实地调查,获取其具体的分布点,构建实际出现数据库,所述的实际出现数据库记录分布点的经度、纬度和海拔,并记录该分布点的分布状况,所述分布状况包括分布点内的分布数量和分布密度;所述的实际出现数据库还以不同地理位置精度分别记录分布点的环境变量,所述环境变量包括:18个气候变量、3个人类干扰变量、3个土壤指标、海拔;所述的18个气候变量为:年均温度、温度日变化幅度平均值、季节性温度变化范围、最暖月的最高温度、最冷月的最低温度、温度年变化幅度、最湿季节的平均温度、最干季节的平均温度、最暖季节的平均温度、最冷季节的平均温度、年降雨量、最湿月的降雨量、最干旱月的降雨量、季节性降雨变化系数、最湿季节的降雨量、最干旱季节的降雨量、最暖季节的降雨量、最冷季节的降雨量;所述的3个人类干扰变量为:人类足迹、人类影响指数、人类种群密度;所述的3个土壤指标为:土壤有机碳密度、 土壤pH值、土壤湿度指数;
步骤2:根据步骤1构建的实际出现数据库,选择不小于1的L种地理位置精度,通过人为选定法、Pearson相关系数(R)法、主成分分析法中的m种(1≤m≤3)方法分别选择环境变量并构建L×m种环境变量模型;
步骤3:构建虚拟分布数据库;
根据步骤2所构建的L×m种环境变量模型,分别采用生态位综合法、平均值法、中值法和人工钟型曲线法等4种构建模拟虚拟数据库算法中的n种(1≤n≤4)进行模拟运算,构建L×m×n个虚拟分布数据库;
步骤4:生态位模型建模与验证
对步骤3所得L×m×n个虚拟分布数据库分别进行如下操作:随机选取所述虚拟分布数据库中不高于80%的数据作为建模数据库,剩余部分作为验证数据库;以所述的建模数据库为基础,分别使用以下10个生态位模型中的o个模型建模,构建预测数据库;并通过所述的验证数据库对该模型构建的预测数据库进行验证,判断该模型的自我预测精度;所述10个生态位模型包括:广义线性模型、广义加性模型、人工神经网络模型、 Bioclim模型、Domain模型、遗传算法、Mahal 模型、随机森林模型、最大熵模型和支持向量机;
步骤5:根据步骤4的验证结果,选择L种地理位置精度、m种环境变量模型、n种模拟算法、o个生态位模型中的至少一个优化组合;
步骤6:数据库清零,以步骤1所构建的实际出现数据库中的所有数据为基础,按照步骤5选择的优化组合,构建濒危松科植物潜在分布数据库。
所述的步骤2中:所述的人为选定法包括:选择限制植物分布的6个环境变量,分别为年均温、最暖月的最高温度、最冷月的最低温度、年降雨量、最干旱月的降雨量和最干旱季节的降雨量。
所述的步骤1中,分别以5′、15′、30′、60′和120′为地理位置精度分别记录分布点的环境变量。
所述的步骤4中,采用Kappa统计方法判断预测精度。
所述的步骤3构建的虚拟分布数据库包含所述实际出现数据库中的所有记录。
本发明首先构建实际出现数据库,根据濒危物种的实际出现分布点及分布范围,选择限制该物种分布的主要环境变量;在此基础上,构建虚拟的濒危松科植物模拟分布数据库,通过合适的位点精度,合理选择不出现数据,比较优化生态位模型,合理地预测濒危松科植物的潜在分布。本发明的有益效果是采用虚拟物种的方法进行模拟抽样比较,优化了野外抽样和模拟方法,克服了濒危物种模拟存在的精度差、误差大、不确定性因素高等不足,有利于大幅度提高预测效果。验证结果显示模型有比较高的预测精度。
附图说明
图1是本发明的模拟濒危松科植物潜在分布的方法的示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
如图1可见,本实施例针对濒危松科植物——大别山五针松进行了系统的野外调查,并结合调查数据,进行了潜在分布区域的模拟。其包括以下步骤:
步骤1:构建实际出现数据库;
通过分析分布区的卫星图片,获得濒危松科植物主要的分布区域;通过野外实地调查,获取其具体的分布点,完成数据采集后,构建濒危松科植物的实际出现数据库,所述的实际出现数据库记录分布点的经度、纬度和海拔,并记录该分布点的分布状况,所述分布状况包括分布点内的分布数量和分布密度;所述的实际出现数据库还以不同地理位置精度分别记录分布点的环境变量,所述环境变量包括:18个气候变量、3个人类干扰变量、3个土壤指标、海拔;所述的18个气候变量为:年均温度、温度日变化幅度平均值、季节性温度变化范围、最暖月的最高温度、最冷月的最低温度、温度年变化幅度、最湿季节的平均温度、最干季节的平均温度、最暖季节的平均温度、最冷季节的平均温度、年降雨量、最湿月的降雨量、最干旱月的降雨量、季节性降雨变化系数、最湿季节的降雨量、最干旱季节的降雨量、最暖季节的降雨量、最冷季节的降雨量;所述的3个人类干扰变量为:人类足迹、人类影响指数、人类种群密度;所述的3个土壤指标为:土壤有机碳密度、 土壤pH值、土壤湿度指数;
所述的步骤1中,分别以5′、15′、30′、60′和120′为地理位置精度分别记录分布点的环境变量。经纬度精度变化,导致分布点环境变量、人类干扰变量、土壤指标均发生变化,从而对最终预测结果产生影响。实测的结果发现,以上地理位置精度并非越小越好,以30′、60′为标准,可以达到较好的预测结果。
步骤2:根据步骤1构建的实际出现数据库,选择5种地理位置精度,通过人为选定法、Pearson相关系数(R)法、主成分分析法等3种方法分别选择环境变量并构建15种环境变量模型(5种地理位置精度×3种环境变量选择方法);
所述的步骤2中:所述的人为选定法包括:选择限制植物分布的6个环境变量,分别为年均温、最暖月的最高温度、最冷月的最低温度、年降雨量、最干旱月的降雨量和最干旱季节的降雨量。
Pearson相关系数(R):首先计算各环境变量的Pearson相关系数,根据相关性(R <0.85)筛选部分变量(避免过度拟合)进行建模分析。
主成分(PCA)分析:使用PCA方法对所有的环境变量提取主成分,保证所提取的变量能够代表必要的环境信息。通过对比这3个方法来选择环境变量,对比模型的预测精度。
步骤3:构建虚拟分布数据库;
根据步骤2所构建的15种环境变量模型,分别采用生态位综合法、平均值法、中值法和人工钟型曲线法等4种构建模拟虚拟数据库算法进行模拟运算,构建5×3×4=60个虚拟分布数据库;
4种(生态位综合法、平均值法、中值法和人工钟型曲线法)构成虚拟物种的方法分别为:1)生态位综合法:将每一个选择的环境变量转化为偏生境适宜度指数,然后加权为总的生境适宜度指数。其计算公式为:(1),其中,Hi:第i个环境变量的生境适宜度指数;Wi:生境适宜度指数的权重;:随机误差。2)平均值法:通过主成分分析确定简化的不具有相互关系的环境变量,如果每个环境变量的范围是位于被选择的生境适宜度指数的变化范围内(平均值±标准差),该位置作为虚拟物种真实的分布位点。3)中值法:通过主成分分析获得关键的环境因子,如果环境因子处于环境变化的四分位中心,则认为该区域适宜虚拟物种存在。4)人工钟型曲线法:人为设定选择的环境变量平均值和标准差,利用乘积的方法获得最后的生境适宜度。其计算公式为:(2),其中,Hi,Wi,的含义与公式(1)相同。
所述的步骤3构建的虚拟分布数据库包含所述实际出现数据库中的所有记录。
步骤4:生态位模型建模构建预测数据库与验证
对步骤3所得60个虚拟分布数据库分别进行如下操作:随机选取所述虚拟分布数据库中80%的数据作为建模数据库,剩余部分作为验证数据库;以所述的建模数据库为基础,分别使用以下10个生态位模型建模,累计构建600个预测数据库,然后验证所述模型构建的预测数据库与相对应的验证数据库之间的相互符合情况,从而判断该模型的预测精度;
本步骤中,选择了常用的预测性能相对比较好的10个生态位模型:广义线性模型(GLM)、广义加性模型(GAM)、人工神经网络模型(ANN)、 Bioclim模型(Bioclim)、Domain模型(Domain)、遗传算法(GARP)、 Mahal 模型(Mahalanobis)、随机森林模型(RF)、最大熵模型(MaxEnt)和支持向量机(SVM)。使用Biomod2软件模拟GLM、GAM、ANN和RF;用Openmodeller软件平台模拟GARP;用ModEco 软件平台模拟Bioclim、Domain;用Dismo软件平台模拟Mahal、Maxent和SVM。以Linux系统中较为常见的Ubuntu 12.10作为操作系统平台,以R12.15.2语言作为计算环境,分别安装Dismo、Biomod2、Openmodeller和ModEco等软件包进行模拟运算。
所述生态位模型及所述软件均为见诸报导的现有技术。
所述的步骤4中,采用Kappa统计方法判断预测精度。
Kappa统计公式:
a代表验证数据库与预测数据库均为出现点的数量; b代表预测数据库出现而验证数据库不出现点的数量; c代表预测数据库不出现而验证数据库出现点的数量; d为预测数据库和验证数据库均为不出现点的数量;n为a、b、c、d四个值的总和。Kappa值在0~1之间,所述Kappa值越大,说明预测精度越高。
步骤5:根据步骤4的验证结果,选择600生态位模型中的3个优化组合;
步骤6:数据库清零,以步骤1所构建的实际出现数据库中的所有数据为基础,按照步骤5选择的3个优化组合,构建出3个濒危松科植物潜在分布数据库。以此数据库为基础,可对濒危松科植物的野外分布做出较为准确的判断。根据此结果,结合野外实地调查,证明本发明的潜在分布预测准确性可以达到90%以上。
本发明尤其适用于模拟濒危松科植物的潜在分布,也适用于模拟其他与特定地理环境相关联的物种分布。
Claims (5)
1.一种模拟濒危松科植物潜在分布的方法,包括以下步骤:
步骤1:构建实际出现数据库;
通过分析分布区的卫星图片,获得濒危松科植物主要的分布区域;通过野外实地调查,获取其具体的分布点,构建实际出现数据库,所述的实际出现数据库记录分布点的经度、纬度和海拔,并记录该分布点的分布状况,所述分布状况包括分布点内的分布数量和分布密度;所述的实际出现数据库还以不同地理位置精度分别记录分布点的环境变量,所述环境变量包括:18个气候变量、3个人类干扰变量、3个土壤指标、海拔;所述的18个气候变量为:年均温度、温度日变化幅度平均值、季节性温度变化范围、最暖月的最高温度、最冷月的最低温度、温度年变化幅度、最湿季节的平均温度、最干季节的平均温度、最暖季节的平均温度、最冷季节的平均温度、年降雨量、最湿月的降雨量、最干旱月的降雨量、季节性降雨变化系数、最湿季节的降雨量、最干旱季节的降雨量、最暖季节的降雨量、最冷季节的降雨量;所述的3个人类干扰变量为:人类足迹、人类影响指数、人类种群密度;所述的3个土壤指标为:土壤有机碳密度、 土壤pH值、土壤湿度指数;
步骤2:根据步骤1构建的实际出现数据库,选择不小于1的L种地理位置精度,通过人为选定法、Pearson相关系数(R)法、主成分分析法中的m种(1≤m≤3)方法分别选择环境变量并构建L×m种环境变量模型;
步骤3:构建虚拟分布数据库;
根据步骤2所构建的L×m种环境变量模型,分别采用生态位综合法、平均值法、中值法和人工钟型曲线法等4种构建模拟虚拟数据库算法中的n种(1≤n≤4)进行模拟运算,构建L×m×n个虚拟分布数据库;
步骤4:生态位模型建模与验证
对步骤3所得L×m×n个虚拟分布数据库分别进行如下操作:随机选取所述虚拟分布数据库中不高于80%的数据作为建模数据库,剩余部分作为验证数据库;以所述的建模数据库为基础,分别使用以下10个生态位模型中的o个模型建模,构建预测数据库;并通过所述的验证数据库对该模型构建的预测数据库进行验证,判断该模型的自我预测精度;所述10个生态位模型包括:广义线性模型、广义加性模型、人工神经网络模型、 Bioclim模型、Domain模型、遗传算法、Mahal 模型、随机森林模型、最大熵模型和支持向量机;
步骤5:根据步骤4的验证结果,选择L种地理位置精度、m种环境变量模型、n种模拟算法、o个生态位模型中的至少一个优化组合;
步骤6:数据库清零,以步骤1所构建的实际出现数据库中的所有数据为基础,按照步骤5选择的优化组合,构建濒危松科植物潜在分布数据库。
2.如权利要求1所述的模拟濒危松科植物潜在分布的方法,其特征在于:所述的步骤2中:所述的人为选定法包括:选择限制植物分布的6个环境变量,分别为年均温、最暖月的最高温度、最冷月的最低温度、年降雨量、最干旱月的降雨量和最干旱季节的降雨量。
3.如权利要求1或2所述的模拟濒危松科植物潜在分布的方法,其特征在于:所述的步骤1中,分别以5′、15′、30′、60′和120′为地理位置精度分别记录分布点的环境变量。
4.如权利要求1或2所述的模拟濒危松科植物潜在分布的方法,其特征在于:所述的步骤4中,采用Kappa统计方法判断预测精度。
5.如权利要求1或2所述的模拟濒危松科植物潜在分布的方法,其特征在于:所述的步骤3构建的虚拟分布数据库包含所述实际出现数据库中的所有记录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610254502.6A CN105930456A (zh) | 2016-04-22 | 2016-04-22 | 模拟濒危松科植物潜在分布的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610254502.6A CN105930456A (zh) | 2016-04-22 | 2016-04-22 | 模拟濒危松科植物潜在分布的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105930456A true CN105930456A (zh) | 2016-09-07 |
Family
ID=56838874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610254502.6A Pending CN105930456A (zh) | 2016-04-22 | 2016-04-22 | 模拟濒危松科植物潜在分布的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105930456A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529133A (zh) * | 2016-10-25 | 2017-03-22 | 安庆师范大学 | 一种确定极小种群适宜空间生态位和环境生态位的方法 |
CN106845699A (zh) * | 2017-01-05 | 2017-06-13 | 南昌大学 | 一种预测油茶适生区的方法 |
CN111222748A (zh) * | 2019-11-27 | 2020-06-02 | 上海海洋大学 | 一种金枪鱼栖息地量化评估方法 |
CN111523732A (zh) * | 2020-04-25 | 2020-08-11 | 中国海洋大学 | 一种日本鳀冬季渔场模型筛选预测方法 |
CN114707079A (zh) * | 2022-03-07 | 2022-07-05 | 中国科学院地理科学与资源研究所 | 一种登革热蚊媒适生区及主要影响因素的识别方法和系统 |
CN115374714A (zh) * | 2022-10-26 | 2022-11-22 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于生境适宜性的生态安全格局构建方法 |
CN115804278A (zh) * | 2022-11-24 | 2023-03-17 | 辽宁工程技术大学 | 一种基于水热胁迫响应的萌发生态位模型及恢复物种的优选方法 |
CN116774639A (zh) * | 2023-08-24 | 2023-09-19 | 中国水利水电第九工程局有限公司 | 一种基于互联网的污水处理设备远程控制系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101435873A (zh) * | 2008-12-24 | 2009-05-20 | 中国中医科学院中药研究所 | 基于伴生物种和群落分级的药用植物资源的遥感监测方法 |
CN103902595A (zh) * | 2012-12-27 | 2014-07-02 | 北京新媒传信科技有限公司 | 一种构建数据库的方法和装置 |
CN103927390A (zh) * | 2014-04-30 | 2014-07-16 | 北京林业大学 | 基于泊松盘样本块的植被分布快速合成方法和系统 |
CN105556515A (zh) * | 2013-07-09 | 2016-05-04 | 甲骨文国际公司 | 数据库建模与分析 |
-
2016
- 2016-04-22 CN CN201610254502.6A patent/CN105930456A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101435873A (zh) * | 2008-12-24 | 2009-05-20 | 中国中医科学院中药研究所 | 基于伴生物种和群落分级的药用植物资源的遥感监测方法 |
CN103902595A (zh) * | 2012-12-27 | 2014-07-02 | 北京新媒传信科技有限公司 | 一种构建数据库的方法和装置 |
CN105556515A (zh) * | 2013-07-09 | 2016-05-04 | 甲骨文国际公司 | 数据库建模与分析 |
CN103927390A (zh) * | 2014-04-30 | 2014-07-16 | 北京林业大学 | 基于泊松盘样本块的植被分布快速合成方法和系统 |
Non-Patent Citations (2)
Title |
---|
孔晓泉: "《物种分布模型的稳定性评估及应用软件》", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
陈新美 等: "《样本量对MaxEnt模型预测物种分布精度和稳定性的影响》", 《林业科学》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529133A (zh) * | 2016-10-25 | 2017-03-22 | 安庆师范大学 | 一种确定极小种群适宜空间生态位和环境生态位的方法 |
CN106845699A (zh) * | 2017-01-05 | 2017-06-13 | 南昌大学 | 一种预测油茶适生区的方法 |
CN111222748B (zh) * | 2019-11-27 | 2024-01-23 | 上海海洋大学 | 一种金枪鱼栖息地量化评估方法 |
CN111222748A (zh) * | 2019-11-27 | 2020-06-02 | 上海海洋大学 | 一种金枪鱼栖息地量化评估方法 |
CN111523732A (zh) * | 2020-04-25 | 2020-08-11 | 中国海洋大学 | 一种日本鳀冬季渔场模型筛选预测方法 |
CN111523732B (zh) * | 2020-04-25 | 2024-04-23 | 中国海洋大学 | 一种日本鳀冬季渔场模型筛选预测方法 |
CN114707079A (zh) * | 2022-03-07 | 2022-07-05 | 中国科学院地理科学与资源研究所 | 一种登革热蚊媒适生区及主要影响因素的识别方法和系统 |
CN114707079B (zh) * | 2022-03-07 | 2023-09-22 | 中国科学院地理科学与资源研究所 | 一种登革热蚊媒适生区及主要影响因素的识别方法和系统 |
CN115374714A (zh) * | 2022-10-26 | 2022-11-22 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于生境适宜性的生态安全格局构建方法 |
CN115804278A (zh) * | 2022-11-24 | 2023-03-17 | 辽宁工程技术大学 | 一种基于水热胁迫响应的萌发生态位模型及恢复物种的优选方法 |
CN115804278B (zh) * | 2022-11-24 | 2024-02-02 | 辽宁工程技术大学 | 一种基于水热胁迫响应的萌发生态位模型及恢复物种的优选方法 |
CN116774639B (zh) * | 2023-08-24 | 2023-10-27 | 中国水利水电第九工程局有限公司 | 一种基于互联网的污水处理设备远程控制系统 |
CN116774639A (zh) * | 2023-08-24 | 2023-09-19 | 中国水利水电第九工程局有限公司 | 一种基于互联网的污水处理设备远程控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105930456A (zh) | 模拟濒危松科植物潜在分布的方法 | |
CN105403664B (zh) | 一种基于wrf‑chem的大型点污染源大气环境影响评价方法 | |
Fisher et al. | Taking off the training wheels: the properties of a dynamic vegetation model without climate envelopes, CLM4. 5 (ED) | |
Torma et al. | Added value of regional climate modeling over areas characterized by complex terrain—Precipitation over the Alps | |
Good et al. | Comparing tropical forest projections from two generations of Hadley Centre Earth System models, HadGEM2-ES and HadCM3LC | |
Mauritsen et al. | Tuning the climate of a global model | |
Wang et al. | Diagnosing and assessing uncertainties of terrestrial ecosystem models in a multimodel ensemble experiment: 1. Primary production | |
Fenicia et al. | A comparison of alternative multiobjective calibration strategies for hydrological modeling | |
Sterl et al. | When can we expect extremely high surface temperatures? | |
Li et al. | An extended cellular automaton using case‐based reasoning for simulating urban development in a large complex region | |
He et al. | Alternative future analysis for assessing the potential impact of climate change on urban landscape dynamics | |
Wang et al. | Uncertainties of mapping aboveground forest carbon due to plot locations using national forest inventory plot and remotely sensed data | |
Auerbach et al. | Evaluating weather observations and the Climate Forecast System Reanalysis as inputs for hydrologic modelling in the tropics | |
Gonsamo et al. | Improved assessment of gross and net primary productivity of Canada's landmass | |
Wang et al. | Integrating remotely sensed leaf area index and leaf nitrogen accumulation with RiceGrow model based on particle swarm optimization algorithm for rice grain yield assessment | |
Zhang et al. | Evaluation and comparison of gross primary production estimates for the Northern Great Plains grasslands | |
Yilmaz et al. | Determining the factors affecting the distribution of Muscari latifolium, an endemic plant of Turkey, and a mapping species distribution model | |
Ma et al. | Evaluating carbon fluxes of global forest ecosystems by using an individual tree-based model FORCCHN | |
Ling et al. | Assimilation of remotely sensed LAI into CLM4CN using DART | |
Mengoli et al. | Ecosystem photosynthesis in land‐surface models: a first‐principles approach incorporating acclimation | |
Huber et al. | Comparing simulations of three conceptually different forest models with National Forest Inventory data | |
Kennedy et al. | Balancing uncertainty and complexity to incorporate fire spread in an eco-hydrological model | |
Landsberg et al. | Modeling forest productivity across large areas and long periods | |
Herman et al. | Evaluation of multi-and many-objective optimization techniques to improve the performance of a hydrologic model using evapotranspiration remote-sensing data | |
Liang et al. | Modeling urban growth in the middle basin of the Heihe River, northwest China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 246133 Anhui city of Anqing province Jixian Yixiu District Road No. 1138 Applicant after: Anqing Normal University Address before: 246133 Anhui city of Anqing province Jixian Yixiu District Road No. 1138 Applicant before: Anqing Normal University |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160907 |
|
RJ01 | Rejection of invention patent application after publication |