CN107632967A - 一种草地产草量估算方法 - Google Patents

Abstract

本发明公开了一种草地产草量估算方法，包括：数据处理，包括对影像数据、内业样点数据、草地分类数据和外业样点数据的处理；计算草地植被覆盖度估算值、植被指数值，并与所述外业样点数据和/或草地分类数据进行挂接；建立地理加权回归模型，将上述数据空间特性引入模型，在多元线性回归模型基础上加入地理位置，以确定各地面实测样点的产草量、植被覆盖度、植被指数三者之间的关系。本发明的目的是提供一种基于地理加权回归模型及反距离权重的草地产草量估算方式，用于对多个区域产草量的产草监测。

Description

一种草地产草量估算方法

技术领域

本发明涉及草原监测技术领域，具体涉及一种草地产草量估算方法。

背景技术

草原是青海省高寒牧区生态环境保护和经济可持续发展的重要屏障，也是牧民赖以生存的物质基础,对维护青海高原的生态安全和促进牧区经济社会发展、构建和谐社会具有不可替代的重要作用。

草原植被生物量的监测是草原资源合理利用和草畜平衡估算的重要依据。草原植被生物量的测定方法主要有直接收获法、产量模拟模型法和遥感模型法等。直接收获法是齐地面剪割所获得的产草量；产量模拟模型法是结合气候、土壤等条件因素，建立模拟模型进行产量测定，一般需要连续和详细的数据；遥感模型法是利用遥感产品，结合地面测定的参数和植物生长规律建立生物量测产模型，再用遥感数据反演植被生物量。遥感模型法是随着现代遥感技术的发展、遥感数据时空间分辨率的逐渐提高而发展起来的，利用遥感数据进行草原测产的方法和模型发展较快。

遥感模型大致分为两大类，一类是综合模型，另一类是统计模型或经验模型。综合模型借助遥感信息、植被信息和气象因子等来建立，由于包含了更多的信息量，可以较精确地反映植被的生物物理参数，遥感数据的引入是为了弥补数据的不足或避免获取某些植被生长的环境条件因子的繁琐性，由于需要的参数多、数据种类多，数据获取比较困难，应用受到限制。统计模型或经验模型不涉及机理问题，主要是对观测数据与遥感信息进行统计和相关分析，建立最优的模型用于测算。目前主要的统计模型是对植被指数与生物量或产量进行回归分析，得到测算的统计模型，或者引入植被的环境影响因子(例如气温、降水土壤含水量等)资料作为输入量来提高统计模型的测算精度。统计模型主要有线性、幂函数、指数、对数和Logistic模型等形式，回归的方法有一元回归、多元回归、逐步回归等，模型的质量与地面样本量的多少和空间分布有很大关系。

中国草地资源丰富，很多学者对草地产草量估算进行了研究。现阶段，多数学者大多是基于MODIS遥感影像数据，建立植被指数与地面实测数据的统计模型，该模型基于统计原理，依托地面实测样点数据，模拟研究区域内的产草量情况。

青海省草地类型复杂、多样，据上世纪八十年代调查，包含9个草地类、7个草地亚类，28个草地组，173个草地型，各草地类受地域差异、气候差异、水源差异，其生产力、承载力均不相同。因此研究基于不同草地类型的产草量估算模型势在必行。

发明内容

因此，本发明的目的是提供一种基于地理加权回归模型及反距离权重的草地产草量估算方式，用于对多个区域产草量的产草监测。

本发明的一种草地产草量估算方法，包括：

数据处理，包括对影像数据、内业样点数据、草地分类数据和外业样点数据的处理；

计算草地植被覆盖度估算值、植被指数值，并与所述外业样点数据和/或草地分类数据进行挂接；

建立地理加权回归模型，将上述数据空间特性引入模型，在多元线性回归模型基础上加入地理位置，以确定各地面实测样点的产草量、植被覆盖度、植被指数三者之间的关系。

可选地，还包括在所述建立地理加权回归模型的基础上利用反距离权重内插，确定各区域的草原产草量、植被覆盖度、植被指数相互之间的关系。

可选地，建立草地产草量估算模型，产草量估算模型如下：

Y＝AX₁+BX₂+C

式中：Y表示产草量，单位为kg/hm²，A、B、C分别表示通过地理加权回归模型、反距离权重法得到的每点的未知参数，X₁、X₂分别表示EVI指数、植被盖度估算结果。

可选地，影像数据经辐射纠正、几何纠正、影像去云处理，将各区域数据拼接一起。

本发明技术方案，具有如下优点：

本发明提供的草地产草量估算方法，充分考虑不同草地类型产草量不同，相同草地类型不同区域产草量不同等问题，避免一点盖面；同时采用中分辨率遥感影像建立产草量估算模型，更精确、更细致；空间化的直观展现各个区域产草量实际情况，精确到像素。

草原产草量估算模型主要是依托遥感影像数据，通过地面实测样点、植被覆盖度估算结果、植被指数，采用地理加权回归模型、反距离权重方法，建立模型，地理加权回归模型主要是确定地面实测样点数据中产草量、植被覆盖度相互之间的关系，然后利用反距离权重方法，确定研究区域内各个不同地理区域的产草量、植被覆盖度之间的关系，实现产草量、植被覆盖度关系的空间化，精确到每个像素的空间关系。

附图说明

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，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明测定不同草地类型产草量监测的原理框图；

图2是利用本方法制得的青海省2016年草原产草量空间分布图；

图3样点数据挂接后按草地类型分类输出结果的分布图；

图4地理加权回归模型中3个变量输出结果；

图5常数变量的温性草原类反距离权重结果；

图6增强的归一化植被指数变量的温性草原类反距离权重结果；

图7植被覆盖度估算变量的温性草原类反距离权重结果。

具体实施方式

实施例1

本实施例是通过2016年青海省草原产草量为例来进行说明。

本实施例提供的草地产草量估算方法，参见图1所示，收集后的影像先对数据进行处理，具体地，数据处理包括影像数据处理，形成满足草地产草量估算的影像数据；内业样点数据处理，形成满足计算植被覆盖度估算、植被指数的样点数据，全省内业样点数据分为植被盖度接近100％的植被样点，植被盖度低于5％的裸地样点，分别有2402个、2196个，该数据需与计算后的最优土壤调整植被指数进行关联，剔除样点中的异常值；草地分类数据处理，依据青海省草地分类数据，提取各类型数据边线，青海省草地类型分为9个大类，如温性草原类、温性荒漠草原类、高寒草甸草原类、高寒草原类、温性荒漠类、高寒荒漠类、低地草甸类、山地草甸类、高寒草甸类，需分别按照各分类标识对数据进行合并；外业样点数据处理，依托外业采样数据，剔除不需要数据，形成满足要求的外业样点数据，外业采样共161个样地，每个样地内有3个样方，需对样地数据进行处理，计算每个样地数据中3个方法数据的平均产草量、植被覆盖度，并以第二个样方点位为最终空间化点位，最终剩余155个。

计算草地植被覆盖度估算值、植被指数值，并与外业样点数据和/或草地分类数据进行挂接，具体地，数据计算包括计算植被指数(增强的归一化植被指数(EVI)、最优土壤调整植被指数(OSAVI))、植被覆盖度，增强的归一化植被指数、最优调整土壤植被指数根据指数计算公式计算；植被覆盖度估算，采用像元二分模型估算展开，通过克里金插值确定参数；样点数据挂接后按照草地类型分类型输出保存，如图3所示。

将计算处理过的数据空间特性引入模型，在多元线性回归模型基础上加入地理位置，以确定各地面实测样点的产草量、植被覆盖度、植被指数三者之间的关系。具体地，在多元线性回归模型基础上加入地理位置，假定回归系数是观测点地理位置的函数。地理加权回归模型在每一个地面草地样点上都计算一个局部方程，其系数是通过与地面回归点的空间邻居程度的加权函数来度量，故而确定各地面实测样点的产草量、植被覆盖度、植被指数三者之间的关系。

地理加权回归模型(GWR)以9大类草地数据为基准，每类草地类型均建立1个模型，共9个模型。参见图4所示，以温性草原类为例，该样点数据中含有外业实地采样的产草量鲜重、挂接增强的归一化植被指数及植被覆盖度估算数据3个属性项，以产草量鲜重为因变量，增强的归一化植被指数及植被覆盖度估算数据为2个自变量，得出温性草原类各样点中产草量鲜重、增强的归一化植被指数、植被覆盖度估算数据3者之间的关系，得到常数变量，增强的归一化植被指数、植被覆盖度估算数据2个变量；图中Intercept为常数变量，C1_EVI为增强的归一化植被指数变量，C2_OSAVI为植被覆盖度估算变量。

GWR模型表示如下：

其中(y_i：x_i1，x_i2，…，x_ip)为在位置(u_i，v_i)处的因变量y(各样点产草量)和自变量x₁,x₂,…,x_p的观测值(i＝1,2,…,n)(各样点植被覆盖度、植被指数)。

在上述建立地理加权回归模型的基础上利用反距离进行权重内插，确定各区域的草原产草量、植被覆盖度、植被指数相互之间的关系。具体计算中，对每一草地类中3个变量分别进行反距离权重，共得出27个反距离权重分析结果；然后对各类同一项变量数据进行拼接，形成青海省全省常数变量、增强的归一化植被指数变量及植被覆盖度估算变量，如图5至图7所示。

最后，通过线性拟合方式，分别对植被覆盖度估算成果，植被指数成果及全省反距离权重成果(全省常数变量、增强的归一化植被指数变量及植被覆盖度估算变量)建立草地产草量估算模型，见图2所示，实现全省空间化、格网化展现各个区域内的产草量情况。

产草量估算具体模型如下：

Y＝AX₁+BX₂+C

式中：Y表示产草量，单位为kg/hm²，A、B、C分别表示通过地理加权回归模型、反距离权重法得到的每点的未知参数，X₁、X₂分别表示EVI指数、植被盖度估算结果。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (4)

1.一种草地产草量估算方法，其特征在于，包括：

数据处理，包括对影像数据、内业样点数据、草地分类数据和外业样点数据的处理；

计算草地植被覆盖度估算值、植被指数值，并与所述外业样点数据和/或草地分类数据进行挂接；

建立地理加权回归模型，将上述数据空间特性引入模型，在多元线性回归模型基础上加入地理位置，以确定各地面实测样点的产草量、植被覆盖度、植被指数三者之间的关系。

2.根据权利要求1所述的草地产草量估算方法，其特征在于，还包括在所述建立地理加权回归模型的基础上利用反距离权重内插，确定各区域的草原产草量、植被覆盖度、植被指数相互之间的关系。

3.根据权利要求2所述草地产草量估算方法，其特征在于，建立草地产草量估算模型，产草量估算模型如下：

Y＝AX₁+BX₂+C

式中：Y表示产草量，单位为kg/hm²，A、B、C分别表示通过地理加权回归模型、反距离权重法得到的每点的未知参数，X₁、X₂分别表示EVI指数、植被盖度估算结果。

4.根据权利要求1－3任一所述草地产草量估算方法，其特征在于，影像数据经辐射纠正、几何纠正、影像去云处理，将各区域数据拼接一起。