CN110059369A - 一种区域植被覆盖变化与气候因子时滞效应的分析方法 - Google Patents
一种区域植被覆盖变化与气候因子时滞效应的分析方法 Download PDFInfo
- Publication number
- CN110059369A CN110059369A CN201910241593.3A CN201910241593A CN110059369A CN 110059369 A CN110059369 A CN 110059369A CN 201910241593 A CN201910241593 A CN 201910241593A CN 110059369 A CN110059369 A CN 110059369A
- Authority
- CN
- China
- Prior art keywords
- year
- time
- lag
- rainfall
- time series
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种区域植被覆盖变化与气候因子时滞效应的分析方法,具体为:收集研究区气象站年降水数据、年气温数据以及年NDVI遥感数据;计算得到年植被覆盖度时间序列栅格数据、年降雨量时间序列栅格数据和年气温时间序列栅格数据;将逐年植被覆盖度、逐年降雨量、逐年气温时间序列栅格数据分别转化为时间序列文本形式的数值数据;计算得到植被覆盖对降水和气温的时滞效应的滞后年限、达到滞后年限时的相关性、最强时滞效应时的滞后年限以及最强时滞效应时的相关性。该分析方法,可以凭借较少的数据快速简单的计算研究区域的植被覆盖变化与气候因子时滞效应,为区域生态建设决策提供科学依据。
Description
技术领域
本发明属于区域植被覆盖变化与气候响应评价方法技术领域,涉及一种区域植被覆盖变化与气候因子时滞效应的分析方法。
背景技术
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。植被是地表生态系统的能量交换、水循环、碳循环、生物地球化学循环的重要媒介,植被在维持区域气候稳定等方面发挥着十分重要作用,植被动态变化研究已成为全球生态环境变化的关键问题之一。许多研究表明,植被变化与气候因子存在时滞效应,即气候因子对植被变化的影响存在时间上的滞后现象。因此,研究植被覆盖变化及其对气候变化的响应对研究区域生态环境变化具有重要意义。目前关于区域植被覆盖变化与气候因子时滞效应的方法还比较少。因此提出一种区域植被覆盖变化与气候因子时滞效应的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覆盖变化与气候因子时滞效应的分析方法,解决了现有区域植被覆盖变化与气候因子时滞效应的分析方法复杂度高、评价范围小的问题。
本发明所采用的技术方案是,一种区域植被覆盖变化与气候因子时滞效应的分析方法,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、年气温数据以及年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,根据收集到气象站年降水数据、年气温数据,通过空间插值计算得到与年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和年气温时间序列栅格数据;
步骤3,在步骤2的基础上,通过ArcGIS软件将逐年植被覆盖度时间序列栅格数据、逐年降雨量时间序列栅格数据和逐年气温时间序列栅格数据分别转化为点数据,再通过ArcGIS软件分别将时间序列点文件的属性表导出,得到逐年植被覆盖度时间序列、逐年降雨量时间序列和逐年气温时间序列文本形式的数值数据;
步骤4,在步骤3的基础上,根据逐年植被覆盖度时间序列文本形式的数值数据、逐年降雨量时间序列文本形式的数值数据和逐年气温时间序列文本形式的数值数据,通过计算机编程,分别计算得到植被覆盖对降水和气温的时滞效应的滞后年限,将植被覆盖对降水和气温的时滞效应的滞后年限分别转换为栅格数据;
步骤5,在步骤3的基础上,根据逐年植被覆盖度时间序列文本形式的数值数据、逐年降雨量时间序列文本形式的数值数据和逐年气温时间序列文本形式的数值数据、通过计算机编程,分别计算得到植被覆盖对降水和气温达到滞后年限时的相关性,将计算结果植被覆盖对降水和气温达到滞后年限时的相关性分别转换为栅格数据;
步骤6,在步骤3的基础上,根据逐年植被覆盖度时间序列文本形式的数值数据、逐年降雨量时间序列文本形式的数值数据和逐年气温时间序列文本形式的数值数据,通过计算机编程,分别计算得到植被覆盖对降水和气温的最强时滞效应时的滞后年限,将计算结果植被覆盖对降水和气温的最强时滞效应时的滞后年限分别转换为栅格数据;
步骤7,在步骤3的基础上,根据逐年植被覆盖度时间序列文本形式的数值数据、逐年降雨量时间序列文本形式的数值数据和逐年气温时间序列文本形式的数值数据,通过计算机编程,分别计算得到植被覆盖对降水和气温的最强时滞效应时的相关性,将计算结果植被覆盖对降水和气温的最强时滞效应时的相关性分别转换为栅格数据。
本发明的特点还在于,
步骤1中,年NDVI遥感数据采用最大值合成法得到,具体为:
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具体为:
步骤2.1,年植被覆盖度数据均由NDVI数据通过ArcGIS软件Spatial AnalystTools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;采用式(1)公式计算得到:
f=(NDVI-NDVImin)/(NDVImax-NDVImin) (1);
式(1)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2.2,根据收集到气象站年降水数据、年气温数据,通过ArcGIS软件SpatialAnalyst Tools模块中的克里金空间插值方法计算与年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和年气温时间序列栅格数据。
步骤4中,年植被覆盖对降雨和气温的时滞年限的计算方法,具体为:
步骤4.1,通过R语言对同一个栅格对应的年降雨、年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,如果检验结果显著,则该栅格年植被覆盖对降雨的时滞年限为0年;如果检验结果不显著,则通过R语言对同一个栅格对应的年降雨、推后1年的年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,若检验结果显著,则该栅格年植被覆盖对降雨的时滞年限为1年;如果检验结果依然不显著,则对同一个栅格对应的年降雨、推后N年的年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,推后N年后直到检验结果显著,则该栅格年植被覆盖对降雨的时滞年限为N年,其中N最大为时间序列的长度减一;若检验结果一直不显著,则该栅格年植被覆盖对降雨不存在时滞效应;
步骤4.2,通过R语言编程对所有栅格的文本形式的年降雨、年植被覆盖时间序列文本形式的数值数据进行如步骤4.1的计算,得到每个栅格的年植被覆盖对降雨的时滞年限;
步骤4.3,通过R语言编程对文本形式的年气温、年植被覆盖时间序列文本形式的数值数据进行进行如步骤4.2的计算,得到每个栅格的年植被覆盖对气温的时滞年限;
步骤4.4,通过ArcGIS软件将文本形式数值格式的计算结果转换为栅格数据。
步骤5中,年植被覆盖对降雨和气温达到滞后年限时的相关性的计算方法,具体为:
步骤5.1,通过R语言对同一个栅格对应的年降雨、年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,如果检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数;如果检验结果不显著,则通过R语言对同一个栅格对应的年降雨、推后1年的年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,若检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数;如果检验结果依然不显著,则对同一个栅格对应的年降雨、推后N年的年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,推后N年后直到检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数,其中N最大为时间序列的长度减一;若检验结果一直不显著,则该栅格年植被覆盖对降雨不存在时滞效应;
步骤5.2,通过R语言编程对所有栅格的文本形式的年降雨、年植被覆盖时间序列文本形式的数值数据进行步骤5.1的计算,得到每个栅格的则该栅格年植被覆盖对降雨达到滞后年限时的相关性;
步骤5.3,通过R语言编程对文本形式的年气温、年植被覆盖时间序列文本形式的数值数据进行如步骤5.2的计算,得到每个栅格年植被覆盖对气温达到滞后年限时的相关性;
步骤5.4,通过ArcGIS软件将文本形式数值格式的计算结果转换为栅格数据。
步骤6中,年植被覆盖对降雨和气温最强时滞效应时的滞后年限的计算方法,具体为:
步骤6.1,通过R语言对同一个栅格对应的年降雨、年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,如果检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数,则该栅格年植被覆盖对降雨的时滞年限为0年;然后,通过R语言对同一个栅格对应的年降雨、推后1年的年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,若检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数,则该栅格年植被覆盖对降雨的时滞年限为1年;接着,对同一个栅格对应的年降雨、推后N年的年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,推后N年后直到检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数,则该栅格年植被覆盖对降雨的时滞年限为N年,其中N最大为时间序列的长度减一;最后,找到N个计算结果中该栅格年植被覆盖对降雨发生滞后效应时的最大的相关系数对应的时滞年限,则年限为该栅格年植被覆盖对降雨最强时滞效应时的滞后年限;若检验结果一直不显著,则该栅格年植被覆盖对降雨不存在时滞效应;
步骤6.2,通过R语言编程对所有栅格的文本形式的年降雨、年植被覆盖时间序列文本形式的数值数据进行步骤6.1的计算,得到每个栅格年植被覆盖对降雨最强时滞效应时的滞后年限;
步骤6.3,通过R语言编程对文本形式的年气温、年植被覆盖时间序列文本形式的数值数据进行如步骤6.2的计算,到每个栅格年植被覆盖对气温最强时滞效应时的滞后年限;
步骤6.4,通过ArcGIS软件将文本形式数值格式的计算结果转换为栅格数据。
步骤7中,年植被覆盖对降雨和气温最强时滞效应时的相关性的计算方法为:
步骤7.1,通过R语言对同一个栅格对应的年降雨、年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,如果检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数,则该栅格年植被覆盖对降雨的时滞年限为0年;然后,通过R语言对同一个栅格对应的年降雨、推后1年的年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,若检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数,则该栅格年植被覆盖对降雨的时滞年限为1年;接着,对同一个栅格对应的年降雨、推后N年的年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,推后N年后直到检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数,则该栅格年植被覆盖对降雨的时滞年限为N年,其中N最大为时间序列的长度减一;最后,找到N个计算结果中该栅格年植被覆盖对降雨发生滞后效应时的最大的相关系数,则该相关系数为该栅格年植被覆盖对降雨最强时滞效应时的相关性;若检验结果一直不显著,则该栅格年植被覆盖对降雨不存在时滞效应;
步骤7.2,通过R语言编程对所有栅格的文本形式的年降雨、年植被覆盖时间序列文本形式的数值数据进行步骤7.1的计算,得到每个栅格年植被覆盖对降雨最强时滞效应时的相关性;
步骤7.3,通过R语言编程对文本形式的年气温、年植被覆盖时间序列文本形式的数值数据进行如步骤7.2的计算,到每个栅格年植被覆盖对气温最强时滞效应时的相关性;
步骤7.4,通过ArcGIS软件将文本形式数值格式的计算结果转换为栅格数据。
本发明的有益效果是,
本发明的一种区域植被覆盖变化与气候因子时滞效应的分析方法,数据容易获取、计算简单、便捷,通过获取研究区域NDVI和降水、气温数据便可快速对研究区植被覆盖变化与气候因子时滞效应进行分析,得到研究区不同地区植被覆盖变化与气候因子时滞年限、时滞相关性、最强时滞相关性、最强时滞相关性年限。
附图说明
图1是本发明的实例中鄂尔多斯市植被覆盖与降雨时滞年限空间分布图;
图2是本发明的实例中鄂尔多斯市植被覆盖与降雨时滞相关性空间分布图;
图3是本发明的实例中鄂尔多斯市植被覆盖与气温时滞年限空间分布图;
图4是本发明的实例中鄂尔多斯市植被覆盖与气温时滞相关性空间分布图;
图5是本发明的实例中鄂尔多斯市植被覆盖与降雨最强时滞效应时滞后年限空间分布图;
图6是本发明的实例中鄂尔多斯市植被覆盖与降雨最强时滞效应时相关性空间分布图;
图7是本发明的实例中鄂尔多斯市植被覆盖与气温最强时滞效应时滞后年限空间分布图;
图8是本发明的实例中鄂尔多斯市植被覆盖与气温最强时滞效应时相关性空间分布图。
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。
本发明一种区域植被覆盖变化与气候因子时滞效应的分析方法,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、年气温数据以及年NDVI遥感数据,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,根据收集到气象站年降水数据、年气温数据,通过空间插值计算得到与年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和年气温时间序列栅格数据,具体为:
步骤2.1,年植被覆盖度数据均由NDVI数据通过ArcGIS软件Spatial AnalystTools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;采用式(1)公式计算得到:
f=(NDVI-NDVImin)/(NDVImax-NDVImin) (1);
式(1)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2.2,根据收集到气象站年降水数据、年气温数据,通过ArcGIS软件SpatialAnalyst Tools模块中的克里金空间插值方法计算与年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和年气温时间序列栅格数据;
步骤3,在步骤2的基础上,通过ArcGIS软件将逐年植被覆盖度时间序列栅格数据、逐年降雨量时间序列栅格数据和逐年气温时间序列栅格数据分别转化为点数据,再通过ArcGIS软件分别将时间序列点文件的属性表导出,得到逐年植被覆盖度时间序列、逐年降雨量时间序列和逐年气温时间序列文本形式的数值数据;
步骤4,在步骤3的基础上,根据逐年植被覆盖度时间序列文本形式的数值数据、逐年降雨量时间序列文本形式的数值数据和逐年气温时间序列文本形式的数值数据,通过计算机编程,分别计算得到植被覆盖对降水和气温的时滞效应的滞后年限,将植被覆盖对降水和气温的时滞效应的滞后年限分别转换为栅格数据,具体为:
步骤4.1,通过R语言对同一个栅格对应的年降雨、年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,如果检验结果显著,则该栅格年植被覆盖对降雨的时滞年限为0年;如果检验结果不显著,则通过R语言对同一个栅格对应的年降雨、推后1年的年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,若检验结果显著,则该栅格年植被覆盖对降雨的时滞年限为1年;如果检验结果依然不显著,则对同一个栅格对应的年降雨、推后N年的年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,推后N年后直到检验结果显著,则该栅格年植被覆盖对降雨的时滞年限为N年,其中N最大为时间序列的长度减一;若检验结果一直不显著,则该栅格年植被覆盖对降雨不存在时滞效应;
步骤4.2,通过R语言编程对所有栅格的文本形式的年降雨、年植被覆盖时间序列文本形式的数值数据进行如步骤4.1的计算,得到每个栅格的年植被覆盖对降雨的时滞年限;
步骤4.3,通过R语言编程对文本形式的年气温、年植被覆盖时间序列文本形式的数值数据进行进行如步骤4.2的计算,得到每个栅格的年植被覆盖对气温的时滞年限;
步骤4.4,通过ArcGIS软件将文本形式数值格式的计算结果转换为栅格数据;
步骤5,在步骤3的基础上,根据逐年植被覆盖度时间序列文本形式的数值数据、逐年降雨量时间序列文本形式的数值数据和逐年气温时间序列文本形式的数值数据、通过计算机编程,分别计算得到植被覆盖对降水和气温达到滞后年限时的相关性,将计算结果植被覆盖对降水和气温达到滞后年限时的相关性分别转换为栅格数据,具体为:
步骤5.1,通过R语言对同一个栅格对应的年降雨、年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,如果检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数;如果检验结果不显著,则通过R语言对同一个栅格对应的年降雨、推后1年的年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,若检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数;如果检验结果依然不显著,则对同一个栅格对应的年降雨、推后N年的年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,推后N年后直到检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数,其中N最大为时间序列的长度减一;若检验结果一直不显著,则该栅格年植被覆盖对降雨不存在时滞效应;
步骤5.2,通过R语言编程对所有栅格的文本形式的年降雨、年植被覆盖时间序列文本形式的数值数据进行步骤5.1的计算,得到每个栅格的则该栅格年植被覆盖对降雨达到滞后年限时的相关性。
步骤5.3,通过R语言编程对文本形式的年气温、年植被覆盖时间序列文本形式的数值数据进行如步骤5.2的计算,得到每个栅格年植被覆盖对气温达到滞后年限时的相关性;
步骤5.4,通过ArcGIS软件将文本形式数值格式的计算结果转换为栅格数据;
步骤6,在步骤3的基础上,根据逐年植被覆盖度时间序列文本形式的数值数据、逐年降雨量时间序列文本形式的数值数据和逐年气温时间序列文本形式的数值数据,通过计算机编程,分别计算得到植被覆盖对降水和气温的最强时滞效应时的滞后年限,将计算结果植被覆盖对降水和气温的最强时滞效应时的滞后年限分别转换为栅格数据;
步骤6.1,通过R语言对同一个栅格对应的年降雨、年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,如果检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数,则该栅格年植被覆盖对降雨的时滞年限为0年;然后,通过R语言对同一个栅格对应的年降雨、推后1年的年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,若检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数,则该栅格年植被覆盖对降雨的时滞年限为1年;接着,对同一个栅格对应的年降雨、推后N年的年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,推后N年后直到检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数,则该栅格年植被覆盖对降雨的时滞年限为N年,其中N最大为时间序列的长度减一;最后,找到N个计算结果中该栅格年植被覆盖对降雨发生滞后效应时的最大的相关系数对应的时滞年限,则年限为该栅格年植被覆盖对降雨最强时滞效应时的滞后年限;若检验结果一直不显著,则该栅格年植被覆盖对降雨不存在时滞效应;
步骤6.2,通过R语言编程对所有栅格的文本形式的年降雨、年植被覆盖时间序列文本形式的数值数据进行步骤6.1的计算,得到每个栅格年植被覆盖对降雨最强时滞效应时的滞后年限;
步骤6.3,通过R语言编程对文本形式的年气温、年植被覆盖时间序列文本形式的数值数据进行如步骤6.2的计算,到每个栅格年植被覆盖对气温最强时滞效应时的滞后年限;
步骤6.4,通过ArcGIS软件将文本形式数值格式的计算结果转换为栅格数据;
步骤7,在步骤3的基础上,根据逐年植被覆盖度时间序列文本形式的数值数据、逐年降雨量时间序列文本形式的数值数据和逐年气温时间序列文本形式的数值数据,通过计算机编程,分别计算得到植被覆盖对降水和气温的最强时滞效应时的相关性,将计算结果植被覆盖对降水和气温的最强时滞效应时的相关性分别转换为栅格数据;
步骤7.1,通过R语言对同一个栅格对应的年降雨、年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,如果检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数,则该栅格年植被覆盖对降雨的时滞年限为0年;然后,通过R语言对同一个栅格对应的年降雨、推后1年的年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,若检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数,则该栅格年植被覆盖对降雨的时滞年限为1年;接着,对同一个栅格对应的年降雨、推后N年的年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,推后N年后直到检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数,则该栅格年植被覆盖对降雨的时滞年限为N年,其中N最大为时间序列的长度减一;最后,找到N个计算结果中该栅格年植被覆盖对降雨发生滞后效应时的最大的相关系数,则该相关系数为该栅格年植被覆盖对降雨最强时滞效应时的相关性;若检验结果一直不显著,则该栅格年植被覆盖对降雨不存在时滞效应;
步骤7.2,通过R语言编程对所有栅格的文本形式的年降雨、年植被覆盖时间序列文本形式的数值数据进行步骤7.1的计算,得到每个栅格年植被覆盖对降雨最强时滞效应时的相关性;
步骤7.3,通过R语言编程对文本形式的年气温、年植被覆盖时间序列文本形式的数值数据进行如步骤7.2的计算,到每个栅格年植被覆盖对气温最强时滞效应时的相关性;
步骤7.4,通过ArcGIS软件将文本形式数值格式的计算结果转换为栅格数据;
步骤4、5、6、7中皮尔逊相关性检验计算方法如下:
皮尔逊相关系数用于度量两个变量植被覆盖度和气候因子(降雨或者气温)之间的相关(线性相关),其值介于-1与1之间,两个变量之间的皮尔逊相关系数定义为两个变量之间的协方差和标准差的商,基于样本对协方差和方差进行估计,可以得到样本皮尔逊相关系数r,如式(2)所示:
式中,Xi为第i年植被覆盖度,为多年植被覆盖度均值,Yi为第i年气候因子值(降雨或者气温),为多年气候因子(降雨或者气温)均值;n为年份长度。
实施例
以西江流域植被覆盖变化与气候因子时滞效应的分析为例子详细说明本发明的分析方法,如图1-8所示,具体按照以下步骤实施:
步骤1,首先收集基础数据:1>西江流域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>西江流域及其附近区域元江、玉溪、昆明、会泽、沾益、泸西、蒙自、屏边、盘县、兴义、广南、望谟、那坡、安顺、黔西、毕节、贵阳、罗甸、凤山、百色、靖西、龙州、平果、独山、凯里、河池、都安、三穗、榕江、南宁、钦州、防城、东兴、通道、融安、柳州、来宾、灵山、桂林、蒙山、桂平、玉林、道县、贺县、梧州、罗定、信宣、连县、广宁、高要、广州等51个气象站点2000~2013年降水量数据及年气温数据;
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;根据收集到气象站年降水、年气温数据,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和年气温时间序列栅格数据;
步骤3,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并命名为n2000-2013,将新生成的栅格文件属性表导出成txt文件,即文本形式的数值数据;通过ArcGIS软件Conversion Tool模块From Raster工具Raster to point将2000-2013年逐年降雨量、气温时间序列栅格数据转化为点文件,再将点文件分别导出呈文本形式的年降雨量时间序列数值数据、年气温时间序列数值数据;三种数据文本分别命名为植被覆盖度.txt,年降雨.txt,年气温.txt;
步骤4,在步骤3基础上,将植被覆盖度.txt,年降雨.txt,年气温.txt三个文件数据由R语言读入计算机,通过R语言编程计算得到植被覆盖对降水和气温的时滞效应的滞后年限,并将结果数据保存与文本文件中,文件分别命名为Np.txt、Nt.txt,通过ArcGIS软件分别将两个文件链接到步骤3中生成的n2000-2013栅格文件上形成两个新的字段,分别通过ArcGIS软件Look up工具将两个新字段生成两个新的栅格数据并绘制成图,如图1及图2所示,分别命名为植被覆盖对降水的时滞效应的滞后年限、植被覆盖对气温的时滞效应的滞后年限;
步骤5,在步骤3基础上,将植被覆盖度.txt,年降雨.txt,年气温.txt三个文件数据由R语言读入计算机,通过R语言编程计算得到植被覆盖对降水和气温达到滞后年限时的相关性,并将结果数据保存与文本文件中,文件分别命名为Rp.txt、Rp.txt,通过ArcGIS软件分别将两个文件链接到步骤3中生成的n2000-2013栅格文件上形成两个新的字段,分别通过ArcGIS软件Look up工具将两个新字段生成两个新的栅格数据并绘制成图,如图3及图4所示,分别命名为植被覆盖对降水达到滞后年限时的相关性、植被覆盖对气温达到滞后年限时的相关性;
步骤6,在步骤3基础上,将植被覆盖度.txt,年降雨.txt,年气温.txt三个文件数据由R语言读入计算机,通过R语言编程计算得到植被覆盖对降水和气温的最强时滞效应时的滞后年限,并将结果数据保存与文本文件中,文件分别命名为Qnp.txt、Qnt.txt,通过ArcGIS软件分别将两个文件链接到步骤3中生成的n2000-2013栅格文件上形成两个新的字段,分别通过ArcGIS软件Look up工具将两个新字段生成两个新的栅格数据并绘制成图,如图5及图6所示,分别命名为植被覆盖对降水的最强时滞效应时的滞后年限、植被覆盖对气温的最强时滞效应时的滞后年限;
步骤7,在步骤3基础上,将植被覆盖度.txt,年降雨.txt,年气温.txt三个文件数据由R语言读入计算机,通过R语言编程计算得到植被覆盖对降水和气温的最强时滞效应时的相关性,并将结果数据保存与文本文件中,文件分别命名为Qrp.txt、Qrt.txt,通过ArcGIS软件分别将两个文件链接到步骤3中生成的n2000-2013栅格文件上形成两个新的字段,分别通过ArcGIS软件Look up工具将两个新字段生成两个新的栅格数据并绘制成图,如图7及图8所示,分别命名为植被覆盖对降水的最强时滞效应时的相关性、植被覆盖对气温的最强时滞效应时的相关性。
Claims (7)
1.一种区域植被覆盖变化与气候因子时滞效应的分析方法,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、年气温数据以及年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,根据收集到气象站年降水数据、年气温数据,通过空间插值计算得到与年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和年气温时间序列栅格数据;
步骤3,在步骤2的基础上,通过ArcGIS软件将逐年植被覆盖度时间序列栅格数据、逐年降雨量时间序列栅格数据和逐年气温时间序列栅格数据分别转化为点数据,再通过ArcGIS软件分别将时间序列点文件的属性表导出,得到逐年植被覆盖度时间序列、逐年降雨量时间序列和逐年气温时间序列文本形式的数值数据;
步骤4,在步骤3的基础上,根据逐年植被覆盖度时间序列文本形式的数值数据、逐年降雨量时间序列文本形式的数值数据和逐年气温时间序列文本形式的数值数据,通过计算机编程,分别计算得到植被覆盖对降水和气温的时滞效应的滞后年限,将植被覆盖对降水和气温的时滞效应的滞后年限分别转换为栅格数据;
步骤5,在步骤3的基础上,根据逐年植被覆盖度时间序列文本形式的数值数据、逐年降雨量时间序列文本形式的数值数据和逐年气温时间序列文本形式的数值数据、通过计算机编程,分别计算得到植被覆盖对降水和气温达到滞后年限时的相关性,将计算结果植被覆盖对降水和气温达到滞后年限时的相关性分别转换为栅格数据;
步骤6,在步骤3的基础上,根据逐年植被覆盖度时间序列文本形式的数值数据、逐年降雨量时间序列文本形式的数值数据和逐年气温时间序列文本形式的数值数据,通过计算机编程,分别计算得到植被覆盖对降水和气温的最强时滞效应时的滞后年限,将计算结果植被覆盖对降水和气温的最强时滞效应时的滞后年限分别转换为栅格数据;
步骤7,在步骤3的基础上,根据逐年植被覆盖度时间序列文本形式的数值数据、逐年降雨量时间序列文本形式的数值数据和逐年气温时间序列文本形式的数值数据,通过计算机编程,分别计算得到植被覆盖对降水和气温的最强时滞效应时的相关性,将计算结果植被覆盖对降水和气温的最强时滞效应时的相关性分别转换为栅格数据。
2.根据权利要求1所述的一种区域植被覆盖变化与气候因子时滞效应的分析方法,其特征在于,所述步骤1中,年NDVI遥感数据采用最大值合成法得到,具体为:
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覆盖变化与气候因子时滞效应的分析方法,其特征在于,所述步骤2具体为:
步骤2.1,年植被覆盖度数据均由NDVI数据通过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;采用式(1)公式计算得到:
f=(NDVI-NDVImin)/(NDVImax-NDVImin) (1);
式(1)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2.2,根据收集到气象站年降水数据、年气温数据,通过ArcGIS软件SpatialAnalyst Tools模块中的克里金空间插值方法计算与年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和年气温时间序列栅格数据。
4.根据权利要求1所述的一种区域植被覆盖变化与气候因子时滞效应的分析方法,其特征在于,所述步骤4中,年植被覆盖对降雨和气温的时滞年限的计算方法,具体为:
步骤4.1,通过R语言对同一个栅格对应的年降雨、年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,如果检验结果显著,则该栅格年植被覆盖对降雨的时滞年限为0年;如果检验结果不显著,则通过R语言对同一个栅格对应的年降雨、推后1年的年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,若检验结果显著,则该栅格年植被覆盖对降雨的时滞年限为1年;如果检验结果依然不显著,则对同一个栅格对应的年降雨、推后N年的年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,推后N年后直到检验结果显著,则该栅格年植被覆盖对降雨的时滞年限为N年,其中N最大为时间序列的长度减一;若检验结果一直不显著,则该栅格年植被覆盖对降雨不存在时滞效应;
步骤4.2,通过R语言编程对所有栅格的文本形式的年降雨、年植被覆盖时间序列文本形式的数值数据进行如步骤4.1的计算,得到每个栅格的年植被覆盖对降雨的时滞年限;
步骤4.3,通过R语言编程对文本形式的年气温、年植被覆盖时间序列文本形式的数值数据进行进行如步骤4.2的计算,得到每个栅格的年植被覆盖对气温的时滞年限;
步骤4.4,通过ArcGIS软件将文本形式数值格式的计算结果转换为栅格数据。
5.根据权利要求1所述的一种区域植被覆盖变化与气候因子时滞效应的分析方法,其特征在于,所述步骤5中,年植被覆盖对降雨和气温达到滞后年限时的相关性的计算方法,具体为:
步骤5.1,通过R语言对同一个栅格对应的年降雨、年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,如果检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数;如果检验结果不显著,则通过R语言对同一个栅格对应的年降雨、推后1年的年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,若检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数;如果检验结果依然不显著,则对同一个栅格对应的年降雨、推后N年的年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,推后N年后直到检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数,其中N最大为时间序列的长度减一;若检验结果一直不显著,则该栅格年植被覆盖对降雨不存在时滞效应;
步骤5.2,通过R语言编程对所有栅格的文本形式的年降雨、年植被覆盖时间序列文本形式的数值数据进行步骤5.1的计算,得到每个栅格的则该栅格年植被覆盖对降雨达到滞后年限时的相关性;
步骤5.3,通过R语言编程对文本形式的年气温、年植被覆盖时间序列文本形式的数值数据进行如步骤5.2的计算,得到每个栅格年植被覆盖对气温达到滞后年限时的相关性;
步骤5.4,通过ArcGIS软件将文本形式数值格式的计算结果转换为栅格数据。
6.根据权利要求1所述的一种区域植被覆盖变化与气候因子时滞效应的分析方法,其特征在于,所述步骤6中,年植被覆盖对降雨和气温最强时滞效应时的滞后年限的计算方法,具体为:
步骤6.1,通过R语言对同一个栅格对应的年降雨、年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,如果检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数,则该栅格年植被覆盖对降雨的时滞年限为0年;然后,通过R语言对同一个栅格对应的年降雨、推后1年的年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,若检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数,则该栅格年植被覆盖对降雨的时滞年限为1年;接着,对同一个栅格对应的年降雨、推后N年的年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,推后N年后直到检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数,则该栅格年植被覆盖对降雨的时滞年限为N年,其中N最大为时间序列的长度减一;最后,找到N个计算结果中该栅格年植被覆盖对降雨发生滞后效应时的最大的相关系数对应的时滞年限,则年限为该栅格年植被覆盖对降雨最强时滞效应时的滞后年限;若检验结果一直不显著,则该栅格年植被覆盖对降雨不存在时滞效应;
步骤6.2,通过R语言编程对所有栅格的文本形式的年降雨、年植被覆盖时间序列文本形式的数值数据进行步骤6.1的计算,得到每个栅格年植被覆盖对降雨最强时滞效应时的滞后年限;
步骤6.3,通过R语言编程对文本形式的年气温、年植被覆盖时间序列文本形式的数值数据进行如步骤6.2的计算,到每个栅格年植被覆盖对气温最强时滞效应时的滞后年限;
步骤6.4,通过ArcGIS软件将文本形式数值格式的计算结果转换为栅格数据。
7.根据权利要求1所述的一种区域植被覆盖变化与气候因子时滞效应的分析方法,其特征在于,步骤7中,年植被覆盖对降雨和气温最强时滞效应时的相关性的计算方法,具体为:
步骤7.1,通过R语言对同一个栅格对应的年降雨、年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,如果检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数,则该栅格年植被覆盖对降雨的时滞年限为0年;然后,通过R语言对同一个栅格对应的年降雨、推后1年的年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,若检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数,则该栅格年植被覆盖对降雨的时滞年限为1年;接着,对同一个栅格对应的年降雨、推后N年的年植被覆盖时间序列文本形式的数值数据进行皮尔逊相关性检验,推后N年后直到检验结果显著,则该栅格年植被覆盖对降雨达到滞后年限时的相关性为皮尔逊相关性检验的相关系数,则该栅格年植被覆盖对降雨的时滞年限为N年,其中N最大为时间序列的长度减一;最后,找到N个计算结果中该栅格年植被覆盖对降雨发生滞后效应时的最大的相关系数,则该相关系数为该栅格年植被覆盖对降雨最强时滞效应时的相关性;若检验结果一直不显著,则该栅格年植被覆盖对降雨不存在时滞效应;
步骤7.2,通过R语言编程对所有栅格的文本形式的年降雨、年植被覆盖时间序列文本形式的数值数据进行步骤7.1的计算,得到每个栅格年植被覆盖对降雨最强时滞效应时的相关性;
步骤7.3,通过R语言编程对文本形式的年气温、年植被覆盖时间序列文本形式的数值数据进行如步骤7.2的计算,得到每个栅格年植被覆盖对气温最强时滞效应时的相关性;
步骤7.4,通过ArcGIS软件将文本形式数值格式的计算结果转换为栅格数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910241593.3A CN110059369B (zh) | 2019-03-28 | 2019-03-28 | 一种区域植被覆盖变化与气候因子时滞效应的分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910241593.3A CN110059369B (zh) | 2019-03-28 | 2019-03-28 | 一种区域植被覆盖变化与气候因子时滞效应的分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110059369A true CN110059369A (zh) | 2019-07-26 |
CN110059369B CN110059369B (zh) | 2022-09-16 |
Family
ID=67317513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910241593.3A Active CN110059369B (zh) | 2019-03-28 | 2019-03-28 | 一种区域植被覆盖变化与气候因子时滞效应的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059369B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113590689A (zh) * | 2021-07-30 | 2021-11-02 | 生态环境部华南环境科学研究所 | 一种耦合气候累积效应的植被生长变化逐步多元回归分析方法 |
CN115018127A (zh) * | 2022-05-11 | 2022-09-06 | 中国水利水电科学研究院 | 一种植被覆盖度变化归因方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537222A (zh) * | 2014-12-18 | 2015-04-22 | 中国科学院东北地理与农业生态研究所 | 基于遥感的区域植被覆盖对地表气温影响的估算方法 |
WO2018145229A1 (zh) * | 2017-02-10 | 2018-08-16 | 广西壮族自治区气象减灾研究所 | 一种近地面气温的大面积精确反演方法 |
CN108876141A (zh) * | 2018-06-12 | 2018-11-23 | 河海大学 | 流域蓄泄时滞效应的定量化分析指标 |
-
2019
- 2019-03-28 CN CN201910241593.3A patent/CN110059369B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537222A (zh) * | 2014-12-18 | 2015-04-22 | 中国科学院东北地理与农业生态研究所 | 基于遥感的区域植被覆盖对地表气温影响的估算方法 |
WO2018145229A1 (zh) * | 2017-02-10 | 2018-08-16 | 广西壮族自治区气象减灾研究所 | 一种近地面气温的大面积精确反演方法 |
CN108876141A (zh) * | 2018-06-12 | 2018-11-23 | 河海大学 | 流域蓄泄时滞效应的定量化分析指标 |
Non-Patent Citations (1)
Title |
---|
田义超等: "北部湾沿海地区植被覆盖对气温和降水的旬响应特征", 《自然资源学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113590689A (zh) * | 2021-07-30 | 2021-11-02 | 生态环境部华南环境科学研究所 | 一种耦合气候累积效应的植被生长变化逐步多元回归分析方法 |
CN115018127A (zh) * | 2022-05-11 | 2022-09-06 | 中国水利水电科学研究院 | 一种植被覆盖度变化归因方法 |
CN115018127B (zh) * | 2022-05-11 | 2022-11-29 | 中国水利水电科学研究院 | 一种植被覆盖度变化归因方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110059369B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021184550A1 (zh) | 一种基于土壤传递函数的目标土壤性质含量预测方法 | |
Xue et al. | Phenology-driven land cover classification and trend analysis based on long-term remote sensing image series | |
CN102521624B (zh) | 一种土地利用类型分类的方法和系统 | |
CN104656098A (zh) | 一种遥感森林生物量反演的方法 | |
CN104021309B (zh) | 基于方位偏转法的测风数据风向订正方法 | |
Baldeck et al. | Environmental drivers of tree community turnover in western Amazonian forests | |
Jiang et al. | Estimation of land production and its response to cultivated land conversion in North China Plain | |
CN104239706A (zh) | 一种地面观测气温时空数据集的制备方法 | |
Jung et al. | Development of onshore wind turbine fleet counteracts climate change-induced reduction in global capacity factor | |
CN102073791A (zh) | 用于光伏电站设计的地区太阳能资源丰富程度评估系统 | |
CN109615215A (zh) | 一种区域植被恢复的特征分析方法 | |
CN113780174A (zh) | 结合随机森林算法的高植被台风暴雨型滑坡识别方法 | |
Shang et al. | Moso bamboo forest extraction and aboveground carbon storage estimation based on multi-source remotely sensed images | |
CN102722766A (zh) | 基于修订的区域气候模式数据的小麦产量预测方法 | |
CN102567648A (zh) | 一种绿地生态评价单元粒度自适应栅格取样方法 | |
CN110516856A (zh) | 基于卷积神经网络的估算海洋次表层温度的方法 | |
CN108268969A (zh) | 基于遥感数据的区域经济发展形式分析与预测方法及装置 | |
CN105893736A (zh) | 基于多源数据类型的被动微波土壤水分真实性检验方法 | |
CN110059369A (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 | |
CN108388683A (zh) | 一种基于生境因子的植被类型空间模拟方法 | |
CN106202852A (zh) | 一种植被生态系统气候敏感带类型的空间定量识别方法 | |
Jeanty et al. | Clustering daily solar radiation from Reunion Island using data analysis methods | |
Bi et al. | Multi-scale impacts of the Pacific SST and PDO on the summer precipitation of North-Central China from 1870 to 2002 | |
Vreča et al. | Comparison of monthly and daily isotopic composition of precipitation in the coastal area of Slovenia | |
Habibie et al. | Drought Estimation from Vegetation Phenology Analysis of Maize in Indonesia Using Deep Learning Algorithm |
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 |