CN109615215A - 一种区域植被恢复的特征分析方法 - Google Patents
一种区域植被恢复的特征分析方法 Download PDFInfo
- Publication number
- CN109615215A CN109615215A CN201811487467.8A CN201811487467A CN109615215A CN 109615215 A CN109615215 A CN 109615215A CN 201811487467 A CN201811487467 A CN 201811487467A CN 109615215 A CN109615215 A CN 109615215A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- raster data
- data
- year
- vegetation coverage
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 31
- 238000001556 precipitation Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000007619 statistical method Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000007689 inspection Methods 0.000 claims description 15
- 238000011160 research Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 238000010189 synthetic method Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000011017 operating method Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000011084 recovery Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241001315001 Lilium concolor Species 0.000 description 1
- 238000004173 biogeochemical cycle Methods 0.000 description 1
- 238000004177 carbon cycle Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种区域植被恢复的特征分析方法，确定研究区域，收集气象站年降水数据以及年NDVI遥感数据；根据收集到的年NDVI遥感数据对年植被覆盖度时间序列栅格数据进行统计分析，计算得到的区域植被覆盖度持续增长的栅格数据、植被覆盖度显著突变年份栅格数据、具有时间稳定性的区域、不同显著水平的植被覆盖度与降雨的相关性栅格数据即为区域植被恢复综合评价指标。本发明的一种区域植被恢复的特征分析方法，可以凭借较少的数据快速简单的评价研究区域的植被恢复状况，为区域生态建设决策提供科学依据。
Description
技术领域
本发明属于生态保护评价方法技术领域，涉及一种区域植被恢复的特征分析方法。
背景技术
随着我国工业化和城镇化的快速发展，中国特色社会主义建设及经济水平的不断提高，生态环境越来越受人们的重视，人民对美好生活的向往越来越强烈，目前国内仍然面临生态空间遭受威胁、区域水土流失与荒漠化加剧等生态问题，资源环境问题不断凸显。
植被在地表生态系统的能量交换、水循环、碳循环、生物地球化学循环和维持气候稳定等方面发挥着重要作用，植被覆盖度的变化及其对气候变化的敏感度对研究区域生态环境变化具有重要意义。因此，研究植被的时空特征具有十分重要的意义，在不同的地区进行大量植被动态研究，植被动力学研究已成为全球生态环境变化的关键问题之一。自从1999年以来，植被恢复工程增加，中国植被状况有了明显的变化。目前关于区域植被恢复的综合评价方法还比较少。因此提出一种区域植被恢复的特征分析方法是十分重要的。
发明内容
本发明的目的是提供一种区域植被恢复的特征分析方法，解决了现有区域植被恢复评价方法复杂度高，获取数据时间长，分析范围小的问题。
本发明所采用的技术方案是，一种区域植被恢复的特征分析方法，具体按照以下步骤实施：
步骤1，确定研究区域，收集气象站年降水数据以及年NDVI遥感数据；
步骤2，根据收集到的年NDVI遥感数据，计算得到年植被覆盖度时间序列栅格数据，对年植被覆盖度时间序列栅格数据进行统计分析，以确定其时空分布特征，统计分析是指分析植被覆盖度时间序列栅格数据的最大值，最小值，平均值以及变异系数；
步骤3，根据收集到气象站年降水数据，通过空间插值计算得到与植被覆盖度同样精度的研究区年降雨量时间序列栅格数据；
步骤4，在步骤2的基础上，根据年植被覆盖度时间序列栅格数据计算得到年植被覆盖度Hurst指数栅格数据，通过Mann-Kendall趋势检验方法得到不同显著水平的植被覆盖度Mann-Kendall检验结果栅格数据，对Hurst指数栅格数据并进行分级，通过对分级后的Hurst指数栅格数据和检验结果栅格数据叠加分析得到区域植被覆盖度持续增长的栅格数据；
步骤5，在步骤2的基础上，根据年植被覆盖度时间序列栅格数据，通过Pettitt突变点检验方法计算得到植被覆盖度显著突变年份栅格数据；
步骤6，在步骤2的基础上，根据年植被覆盖度时间序列栅格数据，利用平均相对偏差法快速识别研究区域的具有时间稳定性的区域；
步骤7，根据年植被覆盖度时间序列栅格数据和步骤3插值计算得到与植被覆盖度同样精度的研究区年降雨量时间序列栅格数据，通过Pearson相关性检验得到不同显著水平的植被覆盖度与降雨的相关性栅格数据；
区域植被覆盖度持续增长的栅格数据、植被覆盖度显著突变年份栅格数据、步骤6获得的具有时间稳定性的区域、步骤7获得的不同显著水平的植被覆盖度与降雨的相关性栅格数据即为区域植被恢复综合评价指标。
本发明的特点还在于，
步骤1中年NDVI遥感数据均采用最大值合成法得到，操作步骤如下：
通过ArcGIS软件Spatial Analyst Tools模块Local工具Cell Statistics按照最大值合成法逐步得到月、季节NDVI时间序列栅格数据，最终得到年NDVI时间序列栅格数据，再通过ArcGIS软件Spatial Analyst Tools模块Map Algebra工具Raster Calculator将年NDVI时间序列栅格数据转换为植被覆盖度时间序列栅格数据。
步骤2年植被覆盖度数据均由NDVI数据采用以下公式计算得到：
f＝(NDVI-NDVImin)/(NDVImax-NDVImin)
其中，f为植被覆盖度，NDVI是像素的植被指数，NDVImax和NDVIMin分别是研究区NDVI的最大值和最小值。
步骤4Mann-Kendall趋势检验的计算方法为：
Mann-Kendall检验法通过用数据序列的秩来判别变量间的相关程度，
Mann-Kendall检验统计量S采用下式计算：
其中xj和xk分别是年份为j和k对应的样本值，n＞j＞k，其中
在时间序列随机独立的假定下，定义统计量：
式中，VAR(S)可由下式计算
使用Z值进行趋势性检验，Z的正值表示向上趋势、负值表示向下趋势；统计量Z服从标准正态分布。
步骤4 Hurst指数的计算方法为：
Hurst指数可以有效地预测时间序列的未来趋势，定义时间序列，t＝1，2，…，n，并计算时间序列的平均值，
τ＝1，2，…，n
计算时间t的累积偏差，
1≤t≤T
计算序列的范围，
τ＝1，2，…，n
建立标准偏差序列，
τ＝1，2，…，n
最后计算Hurst指数，
其中，H代表Hurst指数，H的值在[0，1]的范围内；当H＝0.5时，表明植被覆盖的时间序列是随机序列，是不可持续的；当H＞0.5时，植被覆盖度的变化与目前的趋势基本一致，表明植被的可持续性是正的；H＜0.5表示负可持续性，未来植被覆盖变化将与当前趋势相反。
步骤5Pettitt突变点检验的计算方法为：
该方法使用可能发生突变的时间节点把数据序列分为前后两个时段，并认为这两个时段数据均来自同一样本；Pettitt法采用Mann-Whitney中Ut，n值检验同一总体中两个样本X1，...，Xt和Xt+1，...，Xn，统计量Ut，n的公式为：
其中：
Pettitt检验的零假设为没有变化点，当|Ut，n|取最大值时对应的xt被认为是可能的突变点，其显著性水平可由下式计算：
当p≤0.05时认为数据中存在均值变异点。
步骤6用平均相对偏差法快速识别研究区域的具有时间稳定性的区域计算方法为：
对于相对偏差法，相对差分δij是基于栅格点i，i＝1，...，n；n为栅格数目，在时间j的植被覆盖度值ECij与时间j的所有栅格点植被覆盖度值的均值的差：
相对差分在时间上的均值MRD，用表示；平均相对差分和标准差SDRD，用表示，和的计算公式分别为：
和
式中：m为植被覆盖度的年份，所有样点按照MRD，即由小到大的顺序排列起来，并标注出每一个样点的SDRD，即小的值表示位置点有时间稳定性，大的值表示位置点存在强的时间变异性；如果一个样点的接近于零并且也比较小，那么这个点就是代表性位置点；位置点值在±0.05范围内可以被认为是接近于0；值越小，时间稳定性越好。
本发明的有益效果是，本发明的一种区域植被恢复的特征分析方法，数据容易获取、计算简单、简单便捷，通过获取研究区域NDVI和降水数据便可快速对研究区域植被恢复状况进行综合评价。
附图说明
图1是本发明专利一种区域植被恢复的特征分析方法的实例中黄土高原植被持续改善结果示意图；
图2是本发明专利一种区域植被恢复的特征分析方法的实例中黄土高原植被突变结果示意图；
图3是本发明专利一种区域植被恢复的特征分析方法的实例中黄土高原植被时间稳定性结果示意图；
图4是本发明专利一种区域植被恢复的特征分析方法的实例中黄土高原植被与降水相关性结果示意图；
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明的一种区域植被恢复的特征分析方法，具体按照以下步骤实施：
步骤1，确定研究区域，收集气象站年降水数据以及年NDVI遥感数据
年NDVI遥感数据均采用最大值合成法得到，操作步骤如下：
通过ArcGIS软件Spatial Analyst Tools模块Local工具Cell Statistics按照最大值合成法逐步得到月、季节NDVI时间序列栅格数据，最终得到年NDVI时间序列栅格数据，再通过ArcGIS软件Spatial Analyst Tools模块Map Algebra工具Raster Calculator将年NDVI时间序列栅格数据转换为植被覆盖度时间序列栅格数据。
步骤2，根据收集到的年NDVI遥感数据，计算得到年植被覆盖度时间序列栅格数据，对年植被覆盖度时间序列栅格数据进行统计分析，以确定其时空分布特征，统计分析是指分析植被覆盖度时间序列栅格数据的最大值，最小值，平均值以及变异系数；
年植被覆盖度数据均由NDVI数据采用以下公式计算得到：
f＝(NDVI-NDVImin)/(NDVImax-NDVImin)
其中，f为植被覆盖度，NDVI是像素的植被指数，NDVImax和NDVIMin分别是研究区NDVI的最大值和最小值。
步骤3，根据收集到气象站年降水数据，通过空间插值计算得到与植被覆盖度同样精度的研究区年降雨量时间序列栅格数据；
步骤4，在步骤2的基础上，根据年植被覆盖度时间序列栅格数据计算得到年植被覆盖度Hurst指数栅格数据，通过Mann-Kendall趋势检验方法得到不同显著水平的植被覆盖度Mann-Kendall检验结果栅格数据，对Hurst指数栅格数据并进行分级，通过对分级后的Hurst指数栅格数据和检验结果栅格数据叠加分析得到区域植被覆盖度持续增长的栅格数据
Mann-Kendall趋势检验的计算方法为：
Mann-Kendall检验法通过用数据序列的秩来判别变量间的相关程度，
Mann-Kendall检验统计量S采用下式计算：
其中xj和xk分别是年份为j和k对应的样本值，n＞j＞k，其中
在时间序列随机独立的假定下，定义统计量：
式中，VAR(S)可由下式计算
使用Z值进行趋势性检验，Z的正值表示向上趋势、负值表示向下趋势；统计量Z服从标准正态分布。
Hurst指数的计算方法为：
Hurst指数可以有效地预测时间序列的未来趋势，定义时间序列，t＝1，2，…，n，并计算时间序列的平均值，
τ＝1，2，…，n
计算时间t的累积偏差，
1≤t≤T
计算序列的范围，
τ＝1，2，…，n
建立标准偏差序列，
τ＝1，2，…，n
最后计算Hurst指数，
其中，H代表Hurst指数，H的值在[0，1]的范围内；当H＝0.5时，表明植被覆盖的时间序列是随机序列，是不可持续的；当H＞0.5时，植被覆盖度的变化与目前的趋势基本一致，表明植被的可持续性是正的；H＜0.5表示负可持续性，未来植被覆盖变化将与当前趋势相反。
步骤5，在步骤2的基础上，根据年植被覆盖度时间序列栅格数据，通过Pettitt突变点检验方法计算得到植被覆盖度显著突变年份栅格数据
Pettitt突变点检验的计算方法为：
该方法使用可能发生突变的时间节点把数据序列分为前后两个时段，并认为这两个时段数据均来自同一样本；Pettitt法采用Mann-Whitney中Ut，n值检验同一总体中两个样本X1，...，Xt和Xt+1，...，Xn，统计量Ut，n的公式为：
其中：
Pettitt检验的零假设为没有变化点，当|Ut，n|取最大值时对应的xt被认为是可能的突变点，其显著性水平可由下式计算：
当p≤0.05时认为数据中存在均值变异点。
步骤6，在步骤2的基础上，根据年植被覆盖度时间序列栅格数据，利用平均相对偏差法快速识别研究区域的具有时间稳定性的区域
用平均相对偏差法快速识别研究区域的具有时间稳定性的区域计算方法为：
对于相对偏差法，相对差分δij是基于栅格点i，i＝1，...，n；n为栅格数目，在时间j的植被覆盖度值ECij与时间j的所有栅格点植被覆盖度值的均值的差：
相对差分在时间上的均值MRD，用表示；平均相对差分和标准差SDRD，用表示，和的计算公式分别为：
和
式中：m为植被覆盖度的年份，所有样点按照MRD，即由小到大的顺序排列起来，并标注出每一个样点的SDRD，即小的值表示位置点有时间稳定性，大的值表示位置点存在强的时间变异性；如果一个样点的接近于零并且也比较小，那么这个点就是代表性位置点；位置点值在±0.05范围内可以被认为是接近于0；值越小，时间稳定性越好。
步骤7，根据年植被覆盖度时间序列栅格数据和步骤3插值计算得到与植被覆盖度同样精度的研究区年降雨量时间序列栅格数据，通过Pearson相关性检验得到不同显著水平的植被覆盖度与降雨的相关性栅格数据；
区域植被覆盖度持续增长的栅格数据、植被覆盖度显著突变年份栅格数据、步骤6获得的具有时间稳定性的区域、步骤7获得的不同显著水平的植被覆盖度与降雨的相关性栅格数据即为区域植被恢复综合评价指标。
以黄土高原植被恢复的快速综合评价为例子详细说明本发明，如图1-4所示，具体按照以下步骤实施：
步骤1，首先收集基础数据：1＞黄土高原NDVI数据，在2000年至2013年期间，空间分辨率为500米×500米，间隔为10天，由中国科学院计算机网络信息中心地理空间数据云站点(http：//www.gscloud.cn)提供；2＞黄土高原及其附近区域海力素、乌拉特中旗、达尔罕联合旗、四子王旗、集宁、张家口、蔚县、石家庄、邢台、安阳、新乡、开封、郑州、许昌、宝丰、栾川、卢氏、商州、镇安、佛坪、汉中、略阳、武都、岷县、合作、河南、贵南、恰卜恰、刚察、祁连、山丹、门源、景泰、西宁、贵州、民和、靖远、同仁、榆中、临夏、临洮、华家岭、包头、呼和浩特、右玉、大同、临河、鄂托克旗、东胜、河曲、五台山、榆林、五寨、兴县、原平、定边、吴旗、横山、绥德、离石、太原、榆社、固原、环县、延安、隰县、介休、临汾、长治、西吉、平凉、西峰镇、长武、洛川、运城、侯马、阳城、武功、耀县、华山、三门峡、孟津82个气象站点2000～2013年降水量数据；
步骤2，根据收集到的2000年至2013年期间，空间分辨率为500米×500米，间隔为10天的NDVI数据，通过ArcGIS软件Spatial Analyst Tools模块Local工具CellStatistics按照最大值合成法逐步得到月、季节NDVI时间序列栅格数据，最终得到年NDVI时间序列栅格数据，再通过ArcGIS软件Spatial Analyst Tools模块Map Algebra工具Raster Calculator将年NDVI时间序列栅格数据转换为植被覆盖度时间序列栅格数据；
步骤3，根据收集到气象站年降水数据，通过Spatial Analyst Tools模块Interpolation工具Kriging空间插值计算得到与植被覆盖度同样精度的研究区年降雨量时间序列栅格数据(如图4所示)；
步骤4，根据计算得到的年植被覆盖度时间序列栅格数据，通过ArcGIS软件Spatial Analyst Tools模块Local工具Combine将2000-2013年植被覆盖度时间序列栅格数据叠加到一起生成新的栅格文件，将新生成的栅格文件属性表导出成txt文件，通过R语言编程实现Mann-Kendall检验和Hurst指数的计算，将txt文件读入R语言计算得到不同显著水平的植被覆盖度(如图3所示)，Mann-Kendall检验和＜＝0.5和＞0.5两种分类的Hurst指数的计算结果并生成1.txt文件导出，通过ArcGIS软件将新生成的1.txt文件链接到新生成的栅格文件，通过ArcGIS软件Spatial Analyst Tools模块Reclass工具Lookup将链接1.txt文件后新生成的栅格文件属性表1.txt的两个字段生成两个新的栅格文件，命名为MK检验结果和Hurst指数，再通过ArcGIS软件Spatial Analyst Tools模块Local工具Combine，将新生成的MK检验结果和Hurst指数栅格文件叠加分析，Hurst指数大于0.5且MK检验呈显著增加区域植被覆盖度为持续改善(如图1所示)；
步骤5，根据计算得到的年植被覆盖度时间序列栅格数据，通过ArcGIS软件Spatial Analyst Tools模块Local工具Combine将2000-2013年植被覆盖度时间序列栅格数据叠加到一起生成新的栅格文件，将新生成的栅格文件属性表导出成txt文件，通过R语言编程实现Pettitt突变点检验，将txt文件读入R语言计算得到显著突变的植被覆盖度(如图2所示)的计算结果并生成1.txt文件导出，通过ArcGIS软件将新生成的1.txt文件链接到新生成的栅格文件，通过ArcGIS软件Spatial Analyst Tools模块Reclass工具Lookup将链接1.txt文件后新生成的栅格文件属性表1.txt的一个字段生成一个新的栅格文件，命名为Pettitt突变点检验结果；
步骤6，根据计算得到的年植被覆盖度时间序列栅格数据，通过ArcGIS软件Spatial Analyst Tools模块Local工具Combine将2000-2013年植被覆盖度时间序列栅格数据叠加到一起生成新的栅格文件，将新生成的栅格文件属性表导出成txt文件，通过R语言编程实现平均相对偏差法计算平均相对偏差(mean relative difference，MRD)和相对偏差的标准差(standard deviation of relative difference，SDRD)，将txt文件读入R语言计算得到植被覆盖度的MRD和SDRD结果并生成1.txt文件导出，通过ArcGIS软件将新生成的1.txt文件链接到新生成的栅格文件，通过ArcGIS软件Spatial Analyst Tools模块Reclass工具Lookup将链接1.txt文件后新生成的栅格文件属性表1.txt的两个字段生成两个新的栅格文件，命名为MRD和SDRD，快速识别黄土高原的植被覆盖度时间稳定性的区域。
步骤7，根据计算得到的年植被覆盖度时间序列栅格数据，通过ArcGIS软件Spatial Analyst Tools模块Local工具Combine将2000-2013年植被覆盖度时间序列栅格数据叠加到一起生成新的栅格文件，将新生成的栅格文件属性表导出成v.txt文件，同时将2000-2013年插值得到的年降水时间序列栅格数据叠加到一起生成另一个新的栅格文件，将新生成的栅格文件属性表导出成p.txt文件，通过R语言编程实现Pearson相关性检验并分类，将v.txt和p.txt文件读入R语言计算得到植被覆盖度与降水的Pearson相关性检验与分类结果并生成1.txt文件导出，通过ArcGIS软件将新生成的1.txt文件链接到新生成的植被覆盖度栅格文件，通过ArcGIS软件Spatial Analyst Tools模块Reclass工具Lookup将链接1.txt文件后新生成的栅格文件属性表1.txt的一个字段生成一个新的栅格文件，命名为Pearson相关性。
Claims (7)
1.一种区域植被恢复的特征分析方法，其特征在于，具体按照以下步骤实施：
步骤1，确定研究区域，收集气象站年降水数据以及年NDVI遥感数据；
步骤2，根据收集到的年NDVI遥感数据，计算得到年植被覆盖度时间序列栅格数据，对年植被覆盖度时间序列栅格数据进行统计分析，以确定其时空分布特征，所述统计分析是指分析植被覆盖度时间序列栅格数据的最大值，最小值，平均值以及变异系数；
步骤3，根据收集到气象站年降水数据，通过空间插值计算得到与植被覆盖度同样精度的研究区年降雨量时间序列栅格数据；
步骤4，在步骤2的基础上，根据年植被覆盖度时间序列栅格数据计算得到年植被覆盖度Hurst指数栅格数据，通过Mann-Kendall趋势检验方法得到不同显著水平的植被覆盖度Mann-Kendall检验结果栅格数据，对Hurst指数栅格数据并进行分级，通过对分级后的Hurst指数栅格数据和检验结果栅格数据叠加分析得到区域植被覆盖度持续增长的栅格数据；
步骤5，在步骤2的基础上，根据年植被覆盖度时间序列栅格数据，通过Pettitt突变点检验方法计算得到植被覆盖度显著突变年份栅格数据；
步骤6，在步骤2的基础上，根据年植被覆盖度时间序列栅格数据，利用平均相对偏差法快速识别研究区域的具有时间稳定性的区域；
步骤7，根据年植被覆盖度时间序列栅格数据和步骤3所述插值计算得到与植被覆盖度同样精度的研究区年降雨量时间序列栅格数据，通过Pearson相关性检验得到不同显著水平的植被覆盖度与降雨的相关性栅格数据；
所述区域植被覆盖度持续增长的栅格数据、植被覆盖度显著突变年份栅格数据、步骤6获得的具有时间稳定性的区域、步骤7获得的不同显著水平的植被覆盖度与降雨的相关性栅格数据即为区域植被恢复综合评价指标。
2.根据权利要求1所述的一种区域植被恢复的特征分析方法，其特征在于，步骤1中年NDVI遥感数据均采用最大值合成法得到，操作步骤如下：
通过ArcGIS软件Spatial Analyst Tools模块Local工具Cell Statistics按照最大值合成法逐步得到月、季节NDVI时间序列栅格数据，最终得到年NDVI时间序列栅格数据，再通过ArcGIS软件Spatial Analyst Tools模块Map Algebra工具Raster Calculator将年NDVI时间序列栅格数据转换为植被覆盖度时间序列栅格数据。
3.根据权利要求1所述的一种区域植被恢复的特征分析方法，其特征在于，步骤2所述年植被覆盖度数据均由NDVI数据采用以下公式计算得到：
f＝(NDVI-NDVImin)/(NDVImax-NDVImin)
其中，f为植被覆盖度，NDVI是像素的植被指数，NDVImax和NDVIMin分别是研究区NDVI的最大值和最小值。
4.根据权利要求1所述的一种区域植被恢复的特征分析方法，其特征在于，步骤4的Mann-Kendall趋势检验的计算方法为：
Mann-Kendall检验法通过用数据序列的秩来判别变量间的相关程度，
Mann-Kendall检验统计量S采用下式计算：
其中xj和xk分别是年份为j和k对应的样本值，n>j>k，其中
在时间序列随机独立的假定下，定义统计量：
式中，VAR(S)可由下式计算
使用Z值进行趋势性检验，Z的正值表示向上趋势、负值表示向下趋势；统计量Z服从标准正态分布。
5.根据权利要求1所述的一种区域植被恢复的特征分析方法，其特征在于，步骤4的Hurst指数的计算方法为：
Hurst指数可以有效地预测时间序列的未来趋势，定义时间序列，t＝1，2，…，n，并计算时间序列的平均值，
计算时间t的累积偏差，
计算序列的范围，
建立标准偏差序列，
最后计算Hurst指数，
其中，H代表Hurst指数，H的值在[0，1]的范围内；当H＝0.5时，表明植被覆盖的时间序列是随机序列，是不可持续的；当H>0.5时，植被覆盖度的变化与目前的趋势基本一致，表明植被的可持续性是正的；H<0.5表示负可持续性，未来植被覆盖变化将与当前趋势相反。
6.根据权利要求1所述的一种区域植被恢复的特征分析方法，其特征在于，步骤5的Pettitt突变点检验的计算方法为：
Pettitt法采用Mann-Whitney中Ut,n值检验同一总体中两个样本X1,…,Xt和Xt+1,…,Xn，统计量Ut,n的公式为：
其中：
Pettitt检验的零假设为没有变化点，当|Ut,n|取最大值时对应的xt被认为是可能的突变点,其显著性水平可由下式计算：
当p≤0.05时认为数据中存在均值变异点。
7.根据权利要求1所述的一种区域植被恢复的特征分析方法，其特征在于，步骤6的利用平均相对偏差法快速识别研究区域的具有时间稳定性的区域计算方法为：
对于相对偏差法，相对差分δij是基于栅格点i，i＝1,...,n；n为栅格数目，在时间j的植被覆盖度值ECij与时间j的所有栅格点植被覆盖度值的均值的差：
相对差分在时间上的均值MRD，用表示；平均相对差分和标准差SDRD，用表示，和的计算公式分别为：
和
式中：m为植被覆盖度的年份，所有样点按照MRD，即由小到大的顺序排列起来，并标注出每一个样点的SDRD，即小的值表示位置点有时间稳定性，大的值表示位置点存在强的时间变异性；如果一个样点的接近于零并且也比较小，那么这个点就是代表性位置点；位置点值在±0.05范围内可以被认为是接近于0；值越小，时间稳定性越好。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811487467.8A CN109615215B (zh) | 2018-12-06 | 2018-12-06 | 一种区域植被恢复的特征分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811487467.8A CN109615215B (zh) | 2018-12-06 | 2018-12-06 | 一种区域植被恢复的特征分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109615215A true CN109615215A (zh) | 2019-04-12 |
| CN109615215B CN109615215B (zh) | 2022-11-29 |
Family
ID=66006089
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811487467.8A Active CN109615215B (zh) | 2018-12-06 | 2018-12-06 | 一种区域植被恢复的特征分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109615215B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110927120A (zh) * | 2019-11-30 | 2020-03-27 | 内蒙古蒙草生命共同体大数据有限公司 | 一种植被覆盖度预警方法 |
| CN110991333A (zh) * | 2019-11-30 | 2020-04-10 | 内蒙古蒙草生命共同体大数据有限公司 | 一种地上生物量预警方法 |
| CN110991332A (zh) * | 2019-11-30 | 2020-04-10 | 内蒙古蒙草生命共同体大数据有限公司 | 一种植被指数预警方法 |
| CN111582688A (zh) * | 2020-04-28 | 2020-08-25 | 中国环境科学研究院 | 一种植被历史变化自动分析系统 |
| CN111861222A (zh) * | 2020-07-22 | 2020-10-30 | 中国水利水电科学研究院 | 获取面向区域尺度风力侵蚀的耕地与草地粗糙度的方法 |
| CN112396229A (zh) * | 2020-11-16 | 2021-02-23 | 中国科学院东北地理与农业生态研究所 | 退化沼泽湿地植被适宜自然或人工恢复的区域划分方法 |
| CN112508395A (zh) * | 2020-12-03 | 2021-03-16 | 中国科学院东北地理与农业生态研究所 | 面向频数分布对称性的生态系统属性组分组成结构量化法 |
| CN112715253A (zh) * | 2020-10-23 | 2021-04-30 | 中国环境科学研究院 | 基于生物多样性的露天矿山生态修复方法 |
| CN115293473A (zh) * | 2022-01-19 | 2022-11-04 | 中国建筑股份有限公司 | 一种林草生态修复效果评价方法 |
| CN117688505A (zh) * | 2024-02-04 | 2024-03-12 | 河海大学 | 一种植被大范围区域化负异常的预测方法及系统 |
| CN118037135A (zh) * | 2024-04-11 | 2024-05-14 | 生态环境部卫星环境应用中心 | 植被覆盖度变化对生态系统服务影响的定性分析方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010049939A1 (en) * | 2008-10-30 | 2010-05-06 | Yissum Research Development Company Of The Hebrew University Of Jerusalem, Ltd. | System for selecting plants from among a population of plants |
| CN101950326A (zh) * | 2010-09-10 | 2011-01-19 | 重庆大学 | 基于Hurst指数的DNA序列相似性检测方法 |
| CN102184162A (zh) * | 2011-02-01 | 2011-09-14 | 环境保护部卫星环境应用中心 | 草原植被覆盖时空动态变化的遥感定量监测方法 |
| CN103020478A (zh) * | 2012-12-28 | 2013-04-03 | 杭州师范大学 | 一种海洋水色遥感产品真实性检验的方法 |
| CN103778241A (zh) * | 2014-02-10 | 2014-05-07 | 中国科学院南京地理与湖泊研究所 | 一种大尺度植被退化区域遥感识别方法 |
| CN106228610A (zh) * | 2016-07-25 | 2016-12-14 | 环境保护部南京环境科学研究所 | 结合主导生态功能与生态退化程度的生态修复分区方法 |
| CN107463730A (zh) * | 2017-07-04 | 2017-12-12 | 河海大学 | 一种考虑土地利用时空演变的径流变化归因识别方法 |
| CN107480818A (zh) * | 2017-08-09 | 2017-12-15 | 中国热带农业科学院科技信息研究所 | 一种快速评估人类活动对植被覆盖变化影响的方法 |
| CN108734375A (zh) * | 2018-04-03 | 2018-11-02 | 中国科学院南京地理与湖泊研究所 | 打捞工程对湖泊水生植被类群变化的贡献率估算方法 |
| CN108897977A (zh) * | 2018-08-24 | 2018-11-27 | 河海大学 | 一种基于大区域水文模拟的径流演变不确定归因方法 |
-
2018
- 2018-12-06 CN CN201811487467.8A patent/CN109615215B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010049939A1 (en) * | 2008-10-30 | 2010-05-06 | Yissum Research Development Company Of The Hebrew University Of Jerusalem, Ltd. | System for selecting plants from among a population of plants |
| CN101950326A (zh) * | 2010-09-10 | 2011-01-19 | 重庆大学 | 基于Hurst指数的DNA序列相似性检测方法 |
| CN102184162A (zh) * | 2011-02-01 | 2011-09-14 | 环境保护部卫星环境应用中心 | 草原植被覆盖时空动态变化的遥感定量监测方法 |
| CN103020478A (zh) * | 2012-12-28 | 2013-04-03 | 杭州师范大学 | 一种海洋水色遥感产品真实性检验的方法 |
| CN103778241A (zh) * | 2014-02-10 | 2014-05-07 | 中国科学院南京地理与湖泊研究所 | 一种大尺度植被退化区域遥感识别方法 |
| CN106228610A (zh) * | 2016-07-25 | 2016-12-14 | 环境保护部南京环境科学研究所 | 结合主导生态功能与生态退化程度的生态修复分区方法 |
| CN107463730A (zh) * | 2017-07-04 | 2017-12-12 | 河海大学 | 一种考虑土地利用时空演变的径流变化归因识别方法 |
| CN107480818A (zh) * | 2017-08-09 | 2017-12-15 | 中国热带农业科学院科技信息研究所 | 一种快速评估人类活动对植被覆盖变化影响的方法 |
| CN108734375A (zh) * | 2018-04-03 | 2018-11-02 | 中国科学院南京地理与湖泊研究所 | 打捞工程对湖泊水生植被类群变化的贡献率估算方法 |
| CN108897977A (zh) * | 2018-08-24 | 2018-11-27 | 河海大学 | 一种基于大区域水文模拟的径流演变不确定归因方法 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110927120B (zh) * | 2019-11-30 | 2023-08-04 | 内蒙古小草数字生态产业股份有限公司 | 一种植被覆盖度预警方法 |
| CN110991333A (zh) * | 2019-11-30 | 2020-04-10 | 内蒙古蒙草生命共同体大数据有限公司 | 一种地上生物量预警方法 |
| CN110991332A (zh) * | 2019-11-30 | 2020-04-10 | 内蒙古蒙草生命共同体大数据有限公司 | 一种植被指数预警方法 |
| CN110927120A (zh) * | 2019-11-30 | 2020-03-27 | 内蒙古蒙草生命共同体大数据有限公司 | 一种植被覆盖度预警方法 |
| CN111582688A (zh) * | 2020-04-28 | 2020-08-25 | 中国环境科学研究院 | 一种植被历史变化自动分析系统 |
| CN111861222B (zh) * | 2020-07-22 | 2023-11-14 | 中国水利水电科学研究院 | 获取面向区域尺度风力侵蚀的耕地与草地粗糙度的方法 |
| CN111861222A (zh) * | 2020-07-22 | 2020-10-30 | 中国水利水电科学研究院 | 获取面向区域尺度风力侵蚀的耕地与草地粗糙度的方法 |
| CN112715253A (zh) * | 2020-10-23 | 2021-04-30 | 中国环境科学研究院 | 基于生物多样性的露天矿山生态修复方法 |
| CN112396229B (zh) * | 2020-11-16 | 2022-10-18 | 中国科学院东北地理与农业生态研究所 | 退化沼泽湿地植被适宜自然或人工恢复的区域划分方法 |
| CN112396229A (zh) * | 2020-11-16 | 2021-02-23 | 中国科学院东北地理与农业生态研究所 | 退化沼泽湿地植被适宜自然或人工恢复的区域划分方法 |
| CN112508395A (zh) * | 2020-12-03 | 2021-03-16 | 中国科学院东北地理与农业生态研究所 | 面向频数分布对称性的生态系统属性组分组成结构量化法 |
| CN112508395B (zh) * | 2020-12-03 | 2022-04-19 | 中国科学院东北地理与农业生态研究所 | 面向频数分布对称性的生态系统属性组分组成结构量化法 |
| CN115293473A (zh) * | 2022-01-19 | 2022-11-04 | 中国建筑股份有限公司 | 一种林草生态修复效果评价方法 |
| CN117688505A (zh) * | 2024-02-04 | 2024-03-12 | 河海大学 | 一种植被大范围区域化负异常的预测方法及系统 |
| CN117688505B (zh) * | 2024-02-04 | 2024-04-19 | 河海大学 | 一种植被大范围区域化负异常的预测方法及系统 |
| CN118037135A (zh) * | 2024-04-11 | 2024-05-14 | 生态环境部卫星环境应用中心 | 植被覆盖度变化对生态系统服务影响的定性分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109615215B (zh) | 2022-11-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109615215A (zh) | 一种区域植被恢复的特征分析方法 | |
| Zhong et al. | A city-scale estimation of rooftop solar photovoltaic potential based on deep learning | |
| Sun et al. | Estimating the spatial distribution of solar photovoltaic power generation potential on different types of rural rooftops using a deep learning network applied to satellite images | |
| Shi et al. | Exploring spatiotemporal patterns of electric power consumption in countries along the Belt and Road | |
| Wang et al. | The contribution from distant dust sources to the atmospheric particulate matter loadings at XiAn, China during spring | |
| Zhang et al. | An evaluation of the ecological and environmental security on China’s terrestrial ecosystems | |
| CN109636171A (zh) | 一种区域植被恢复的综合诊断与风险评价方法 | |
| CN111896680B (zh) | 基于卫星遥感数据的温室气体排放分析方法及系统 | |
| CN102507586B (zh) | 碳排放遥感监测方法 | |
| Yan et al. | Many-objective robust decision making for water allocation under climate change | |
| CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
| CN110119556B (zh) | 一种区域水源涵养功能的时空演变分析方法 | |
| Nouri et al. | Moroccan wind farm potential feasibility. Case study | |
| CN112990976A (zh) | 基于开源数据挖掘的商业网点选址方法、系统、设备及介质 | |
| Sun et al. | Spatial modelling the location choice of large-scale solar photovoltaic power plants: Application of interpretable machine learning techniques and the national inventory | |
| Pan et al. | Spatiotemporal dynamics of electricity consumption in China | |
| Ming et al. | Nonlinear effects of urban and industrial forms on surface urban heat island: Evidence from 162 Chinese prefecture-level cities | |
| Guo et al. | Detecting spatiotemporal dynamic of regional electric consumption using NPP-VIIRS nighttime stable light data–A case study of Xi’an, China | |
| CN111984701A (zh) | 乡村聚落演化的预测方法、装置、设备及存储介质 | |
| Wang et al. | High resolution photovoltaic power generation potential assessments of rooftop in China | |
| Zhang et al. | Dynamic changes in net primary productivity of marsh wetland vegetation in China from 2005 to 2015 | |
| Yang et al. | Optimizing building spatial morphology to alleviate human thermal stress | |
| CN110059369B (zh) | 一种区域植被覆盖变化与气候因子时滞效应的分析方法 | |
| Li et al. | Effects of spatio-temporal landscape patterns on land surface temperature: a case study of Xi’an city, China | |
| Shi et al. | Forecasting smog in Beijing using a novel time-lag GM (1, N) model based on interval grey number sequences |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |