CN110826209B - 一种对植被覆盖度的影响因子贡献率估算方法及系统 - Google Patents

一种对植被覆盖度的影响因子贡献率估算方法及系统 Download PDF

Info

Publication number
CN110826209B
CN110826209B CN201911044889.2A CN201911044889A CN110826209B CN 110826209 B CN110826209 B CN 110826209B CN 201911044889 A CN201911044889 A CN 201911044889A CN 110826209 B CN110826209 B CN 110826209B
Authority
CN
China
Prior art keywords
factors
vegetation
regression model
rate
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.)
Active
Application number
CN201911044889.2A
Other languages
English (en)
Other versions
CN110826209A (zh
Inventor
赵祥
周倩
王昊宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Normal University
Original Assignee
Beijing Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Normal University filed Critical Beijing Normal University
Priority to CN201911044889.2A priority Critical patent/CN110826209B/zh
Publication of CN110826209A publication Critical patent/CN110826209A/zh
Application granted granted Critical
Publication of CN110826209B publication Critical patent/CN110826209B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种对植被覆盖度的影响因子贡献率估算方法及系统，方法包括：获取预设时间段内预设地理空间范围内的植被覆盖度时间序列和各影响因子时间序列；将所述植被覆盖度时间序列和所述各影响因子时间序列输入预设模型中，输出各影响因子对所述植被覆盖度的贡献率。本发明通过构建预设模型，对各影响因子对植被覆盖度变化的贡献进行估算研究，为生态环境保护提供数据支持。

Description

一种对植被覆盖度的影响因子贡献率估算方法及系统
技术领域
本发明属于环境保护技术领域，尤其涉及一种对植被覆盖度的影响因子贡献率估算方法、系统、电子设备及存储介质。
背景技术
植被是陆地生态系统的基本组成部分，在地球表面的能量交换和生物地球化学水文循环过程中发挥着重要作用。植被覆盖度(Fractional Vegetation Cover，FVC)是全球变化研究的地表过程模型中的一个重要参数，可以用来评估区域生态状况。FVC表示的是植被在地面的垂直投影面积占统计区总面积的百分比，是反映地表利用变化和生态环境状况的重要指标。
FVC变化受外界环境状况以及自身生长状况决定，气象因子，如温度、降水和太阳辐射等对FVC有着重要的影响，除此之外，城市化、农业和畜牧业等人类活动引起的土地利用覆盖变化也是影响FVC变化的重要因素。近年来，城市化成为全球化进程中的普遍现象，城市化导致的强烈的人类活动对植被覆盖度变化的贡献难以忽视。为研究人类活动对植被覆盖度影响的程度，以及其他影响因子对植被覆盖度变化的贡献，对衡量和评价影响FVC变化因子的贡献相对大小提出需求。
发明内容
为克服上述现有问题或者至少部分地解决上述问题，本发明实施例提供一种对植被覆盖度的影响因子贡献率估算方法、系统、电子设备及存储介质。
根据本发明实施例的第一方面，提供一种对植被覆盖度的影响因子贡献率估算方法，包括：
获取预设时间段内预设地理空间范围内的植被覆盖度时间序列和各影响因子时间序列；
将所述植被覆盖度时间序列和所述各影响因子时间序列输入预设模型中，输出各影响因子对所述植被覆盖度的贡献率；
所述预设模型为偏回归模型。
在上述技术方案的基础上，本发明还可以作出如下改进。
优选的，所述植被覆盖度时间序列包括所述预设地理空间范围内的不同时间点的植被覆盖度，各影响因子时间序列包括对应时间点的各影响因子。
优选的，所述影响因子包括气象因子和人类活动因子。
优选的，所述气象因子包括温度、降水率和太阳辐射度，所述人类活动因子包括夜间灯光信号强度数据；其中，采用遥感卫星探测夜间灯光信号强度数据。
优选的，所述将所述植被覆盖度时间序列和所述各影响因子时间序列输入预设模型中，得到各影响因子对所述植被覆盖度的贡献率之前还包括：
对所述温度、降水率和太阳辐射度采用简单克里金差值法进行插值处理，对所述夜间灯光信号强度数据进行连续校正和饱和校正。
优选的，所述偏回归模型为多元线性回归模型，其一般表现形式为：
Figure BDA0002253868200000021
其中，KV是植被年际变率，KU是城市化年际变率，采用夜间灯光信号强度表示，KT是温度年际变率，KP是降水年际变率，KR是辐射年际变率，KO是其他因子年际变率；V是植被，U是城市化，T、P、R分别是气候因子中的温度、降水率、太阳辐射度，O是其他影响因子；
Figure BDA0002253868200000031
表示偏回归模型中城市化系数，
Figure BDA0002253868200000032
表示偏回归模型中温度系数，
Figure BDA0002253868200000033
表示偏回归模型中降水系数，
Figure BDA0002253868200000034
表示偏回归模型中辐射系数，
Figure BDA0002253868200000035
表示偏回归模型中其他因子系数。
根据本发明实施例第二方面提供一种对植被覆盖度的影响因子贡献率估算系统，包括：
获取模块，用于获取预设时间段内预设地理空间范围内的植被覆盖度时间序列和各影响因子时间序列；
输出模块，用于将所述植被覆盖度时间序列和所述各影响因子时间序列输入预设模型中，输出各影响因子对所述植被覆盖度的贡献率。
进一步的，所述系统还包括：
处理模块，用于对所述温度、降水率和太阳辐射度采用简单克里金差值法进行插值处理，对所述夜间灯光信号强度数据进行连续校正和饱和校正，得到处理后的温度、降水率、太阳辐射度和夜间灯光信号强度数据，形成处理后的各影响因子时间序列；
相应的，所述将所述植被覆盖度时间序列和所述各影响因子时间序列输入预设模型中包括：
将所述植被覆盖度时间序列和处理后的各影响因子时间序列输入预设模型中。
根据本发明实施例的第三个方面，还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器调用所述程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的一种对植被覆盖度的影响因子贡献率估算方法。
根据本发明实施例的第四个方面，还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的一种对植被覆盖度的影响因子贡献率估算方法。
本发明实施例提供一种对植被覆盖度的影响因子贡献率估算方法、系统、电子设备及存储介质，该方法通过构建预设模型，对各影响因子对植被覆盖度变化的贡献进行估算研究，为生态环境保护提供数据支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明实施例提供的对植被覆盖度的影响因子贡献率估算方法整体流程示意图；
图2为本发明实施例提供的对植被覆盖度的影响因子贡献率估算系统整体结构示意图；
图3为本发明实施例提供的对植被覆盖度的影响因子贡献率估算系统整体结构示意图；
图4为本发明实施例提供的电子设备整体结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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。
在本发明的一个实施例中提供一种对植被覆盖度的影响因子贡献率估算方法，图1为本发明实施例提供的对植被覆盖度的影响因子贡献率估算方法整体流程示意图，该方法包括：
获取预设时间段内预设地理空间范围内的植被覆盖度时间序列和各影响因子时间序列；
将所述植被覆盖度时间序列和所述各影响因子时间序列输入预设模型中，输出各影响因子对所述植被覆盖度的贡献率。
可以理解的是，研究各个不同的影响因子对植被覆盖度的贡献率，对于环境保护(植被的绿化)提供数据支持。
在本发明实施例中，以一定的时间段、一定的地理空间范围内的数据为例，首先获取预设时间段内预设地理空间范围内的植被覆盖度时间序列和各影响因子时间序列，其中，数据时间序列是指不同时间点的数据。
将植被覆盖度时间序列和各影响因子时间序列输入预先构建的模型中，由模型输出各影响因子对植被覆盖度的影响程度，即贡献率。
本发明实施例通过构建预设模型，对各影响因子对植被覆盖度变化的贡献进行估算研究，为生态环境保护提供数据支持。
在上述实施例的基础上，本发明实施例中，植被覆盖度时间序列包括所述预设地理空间范围内的不同时间点的植被覆盖度，各影响因子时间序列包括对应时间点的各影响因子。其中，影响因子包括气象因子和人类活动因子。
在上述各实施例的基础上，本发明实施例中，所述气象因子包括温度、降水率和太阳辐射度，所述人类活动因子包括夜间灯光信号强度数据；其中，采用遥感卫星探测夜间灯光信号强度数据。
可以理解的是，本发明实施例以中国京津冀地区为例，采用GLASS(Global LAndSurface Satellite,GLASS)FVC(Fractional Vegetation Cover，植被覆盖度)数据作为表征植被状况的植被指数，采集植被覆盖度的频率为每隔8天，即每8天采集一次植被覆盖度，也即时间分辨率8天，以500m的地理空间范围内的植被为例，即空间分辨率为500m，选用2001-2011年数据。
本发明实施例中的影响因子涉及气象因子以及人类活动因子，气象因子如温度，降水率和太阳辐射度。采用京津冀23个站点的年数据，选用2001-2011年数据。人类活动因子即城市化数据，为美国国防气象卫星计划(Defense Meteorological SatelliteProgram,DMSP)基于遥感卫星探测到的夜间灯光信号，即人类活动因子主要为城市的夜间灯光信号强度。
在上述各实施例的基础上，本发明实施例中，将植被覆盖度时间序列和各影响因子时间序列输入预设模型中，得到各影响因子对植被覆盖度的贡献率之前还包括：
对温度、降水率和太阳辐射度采用简单克里金差值法进行插值处理，对所述夜间灯光信号强度数据进行连续校正和饱和校正。
在上述各实施例的基础上，本发明实施例中，预设模型为偏回归模型，所述偏回归模型为多元线性回归模型，其一般表现形式为：
Figure BDA0002253868200000061
其中，KV是植被年际变率，KU是城市化年际变率，采用夜间灯光信号强度表示，KT是温度年际变率，KP是降水年际变率，KR是辐射年际变率，KO是其他因子年际变率；V是植被，U是城市化，T、P、R分别是气候因子中的温度、降水率、太阳辐射度，O是其他影响因子；
Figure BDA0002253868200000062
表示偏回归模型中城市化系数，
Figure BDA0002253868200000063
表示偏回归模型中温度系数，
Figure BDA0002253868200000064
表示偏回归模型中降水系数，
Figure BDA0002253868200000065
表示偏回归模型中辐射系数，
Figure BDA0002253868200000066
表示偏回归模型中其他因子系数。
可以理解的是，本发明实施例采用偏回归模型来计算各不同的影响因子对植被覆盖度的影响程度。
偏回归模型可以度量模型各个自变量的系数，即影响因子的重要性结果，计算每个自变量对因变量的影响程度，以此评价植被覆盖度的影响因子之间相对贡献大小。本发明实施例选取每个时间点的温度、降水率、太阳辐射度、夜间灯光信号强度数据的时间序列数据为自变量，选取对应时间点的植被覆盖度的时间序列数据为因变量数据，利用偏回归模型计算每一个自变量的偏回归系数，该偏回归系数即为每个影响因子对因变量的影响程度，即每个影响因子对植被覆盖度的影响程度，也即贡献率。
本发明实施例中的偏回归模型的实现主要在matlab中进行，matlab中regress()函数是专用于进行回归的函数，将采集的植被覆盖度以及气象因子的温度、降水率、太阳辐射度作为输入数据，进行回归分析。
Regress()：
函数regress()是偏回归分析的核心函数，主要是用来计算非随机表达回归的系数，即各影响因子的贡献。
Yi＝β0+β1X1i+β2X2i+…+βkXki+μi；
对于每一个i时间点，用σ2代表误差项ε的方差，一个无偏误的估计是：
Figure BDA0002253868200000071
其中
Figure BDA0002253868200000072
是误差平方和(残差平方和)，估计值和实际值之间的关系是：
Figure BDA0002253868200000073
其中x2 n-p服从卡方分布，自由度是n-p。
对普通方程的解可以为：
Figure BDA0002253868200000081
这表示估计项是因变量的线性组合，进一步地说，如果所观察的误差服从正态分布，参数的估计值将服从联合正态分布，在当前的假设之下，估计的参数向量是精确分布的。
Figure BDA0002253868200000082
其中N()表示多变量正态分布。
参数估计值的标准差是：
Figure BDA0002253868200000083
参数βi的100(1-α)％置信区间可以用以下式子来计算：
Figure BDA0002253868200000084
误差项可以表示为：
Figure BDA0002253868200000085
本发明实施例采用多元线性回归模型来计算各影响因子对植被覆盖度的回归系数，该回归系数即表征各个影响因袭对植被覆盖度的贡献率。
在实验中，输入数据为植被覆盖度数据以及对应的温度、降水率、太阳辐射度、城市化(以夜间灯光信号强度表示)，统一空间分辨率为1km，逐个时间点探究气象因子和人类活动对植被覆盖度FVC影响的重要性大小。实践证明，城市化和降雨对植被覆盖度变化的贡献率较大，城市化的贡献率在城市扩展区最高，达到47％，降雨的贡献率在城市核心区最高为48％。
本发明实施例提供一种对植被覆盖度的影响因子贡献率估算方法、系统、电子设备及存储介质，该方法通过通过构建预设模型，对各影响因子对植被覆盖度变化的贡献进行估算研究，为生态环境保护提供数据支持。
在本发明的另一个实施例中提供一种对植被覆盖度的影响因子贡献率估算系统，该系统用于实现前述各实施例中的方法。因此，在前述对植被覆盖度的影响因子贡献率的估算方法的各实施例中的描述和定义，可以用于本发明实施例中各个执行模块的理解。图2为本发明实施例提供的对植被覆盖度的影响因子贡献率估算系统整体结构示意图，该系统包括：
获取模块21，用于获取预设时间段内预设地理空间范围内的植被覆盖度时间序列和各影响因子时间序列；
输出模块22，用于将所述植被覆盖度时间序列和所述各影响因子时间序列输入预设模型中，输出各影响因子对所述植被覆盖度的贡献率。
参见图3，其中，本发明实施例提供的对植被覆盖度的影响因子贡献率估算系统还包括：
处理模块23，用于对所述温度、降水率和太阳辐射度采用简单克里金差值法进行插值处理，对所述夜间灯光信号强度数据进行连续校正和饱和校正，得到处理后的温度、降水率、太阳辐射度和夜间灯光信号强度数据，形成处理后的各影响因子时间序列；
相应的，所述将所述植被覆盖度时间序列和所述各影响因子时间序列输入预设模型中包括：
将所述植被覆盖度时间序列和处理后的各影响因子时间序列输入预设模型中。
本发明实施例提供的对植被覆盖度的影响因子贡献率的估算系统与上述各实施例提供的对植被覆盖度的影响因子贡献率估算方法相对应，对植被覆盖度的影响因子贡献率的估算系统的相关技术特征可参考对植被覆盖度的影响因子贡献率的估算方法的相关技术特征，在此不再赘述。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)01、通信接口(Communications Interface)02、存储器(memory)03和通信总线04，其中，处理器01，通信接口02，存储器03通过通信总线04完成相互间的通信。处理器01可以调用存储器03中的逻辑指令，以执行如下方法：获取预设时间段内预设地理空间范围内的植被覆盖度时间序列和各影响因子时间序列；将植被覆盖度时间序列和所述各影响因子时间序列输入预设模型中，输出各影响因子对所述植被覆盖度的贡献率。
此外，上述的存储器03中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：获取预设时间段内预设地理空间范围内的植被覆盖度时间序列和各影响因子时间序列；将植被覆盖度时间序列和所述各影响因子时间序列输入预设模型中，输出各影响因子对所述植被覆盖度的贡献率。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种对植被覆盖度的影响因子贡献率估算方法，其特征在于，包括：
获取预设时间段内预设地理空间范围内的植被覆盖度时间序列和各影响因子时间序列；
将所述植被覆盖度时间序列和所述各影响因子时间序列输入预设模型中，输出各影响因子对所述植被覆盖度的贡献率；
所述预设模型为偏回归模型；
所述偏回归模型为多元线性回归模型，其表现形式为：
Figure FDA0002919281960000011
其中，KV是植被年际变率，KU是城市化年际变率，采用夜间灯光信号强度表示，KT是温度年际变率，KP是降水年际变率，KR是辐射年际变率，KO是其他因子年际变率；V是植被，U是城市化，T、P、R分别是气候因子中的温度、降水率、太阳辐射度，O是其他影响因子；
Figure FDA0002919281960000012
表示偏回归模型中城市化系数，
Figure FDA0002919281960000013
表示偏回归模型中温度系数，
Figure FDA0002919281960000014
表示偏回归模型中降水系数，
Figure FDA0002919281960000015
表示偏回归模型中辐射系数，
Figure FDA0002919281960000016
表示偏回归模型中其他因子系数。
2.根据权利要求1所述的估算方法，其特征在于，所述植被覆盖度时间序列包括所述预设地理空间范围内的不同时间点的植被覆盖度，各影响因子时间序列包括对应时间点的各影响因子。
3.根据权利要求1或2所述的估算方法，其特征在于，所述影响因子包括气象因子和人类活动因子。
4.根据权利要求3所述的估算方法，其特征在于，所述气象因子包括温度、降水率和太阳辐射度，所述人类活动因子包括夜间灯光信号强度数据；其中，采用遥感卫星探测夜间灯光信号强度数据。
5.根据权利要求4所述的估算方法，其特征在于，所述将所述植被覆盖度时间序列和所述各影响因子时间序列输入预设模型中，得到各影响因子对所述植被覆盖度的贡献率之前还包括：
对所述温度、降水率和太阳辐射度采用简单克里金差值法进行插值处理，对所述夜间灯光信号强度数据进行连续校正和饱和校正。
6.一种对植被覆盖度的影响因子贡献率估算系统，其特征在于，包括：
获取模块，用于获取预设时间段内预设地理空间范围内的植被覆盖度时间序列和各影响因子时间序列；
输出模块，用于将所述植被覆盖度时间序列和所述各影响因子时间序列输入预设模型中，输出各影响因子对所述植被覆盖度的贡献率；所述预设模型为偏回归模型；
所述偏回归模型为多元线性回归模型，其表现形式为：
Figure FDA0002919281960000021
其中，KV是植被年际变率，KU是城市化年际变率，采用夜间灯光信号强度表示，KT是温度年际变率，KP是降水年际变率，KR是辐射年际变率，KO是其他因子年际变率；V是植被，U是城市化，T、P、R分别是气候因子中的温度、降水率、太阳辐射度，O是其他影响因子；
Figure FDA0002919281960000022
表示偏回归模型中城市化系数，
Figure FDA0002919281960000023
表示偏回归模型中温度系数，
Figure FDA0002919281960000024
表示偏回归模型中降水系数，
Figure FDA0002919281960000025
表示偏回归模型中辐射系数，
Figure FDA0002919281960000026
表示偏回归模型中其他因子系数。
7.根据权利要求6所述的影响因子贡献率估算系统，其特征在于，所述系统还包括：
处理模块，用于对温度、降水率和太阳辐射度采用简单克里金差值法进行插值处理，对夜间灯光信号强度数据进行连续校正和饱和校正，得到处理后的温度、降水率、太阳辐射度和夜间灯光信号强度数据，形成处理后的各影响因子时间序列；
相应的，所述将所述植被覆盖度时间序列和所述各影响因子时间序列输入预设模型中包括：
将所述植被覆盖度时间序列和处理后的各影响因子时间序列输入预设模型中；
其中，所述影响因子包括气象因子和人类活动因子；
所述气象因子包括温度、降水率和太阳辐射度，所述人类活动因子包括夜间灯光信号强度数据；其中，采用遥感卫星探测夜间灯光信号强度数据。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述对植被覆盖度的影响因子贡献率估算方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述对植被覆盖度的影响因子贡献率估算方法的步骤。
CN201911044889.2A 2019-10-30 2019-10-30 一种对植被覆盖度的影响因子贡献率估算方法及系统 Active CN110826209B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911044889.2A CN110826209B (zh) 2019-10-30 2019-10-30 一种对植被覆盖度的影响因子贡献率估算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911044889.2A CN110826209B (zh) 2019-10-30 2019-10-30 一种对植被覆盖度的影响因子贡献率估算方法及系统

Publications (2)

Publication Number Publication Date
CN110826209A CN110826209A (zh) 2020-02-21
CN110826209B true CN110826209B (zh) 2021-08-06

Family

ID=69551381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911044889.2A Active CN110826209B (zh) 2019-10-30 2019-10-30 一种对植被覆盖度的影响因子贡献率估算方法及系统

Country Status (1)

Country Link
CN (1) CN110826209B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907113B (zh) * 2021-03-18 2021-09-28 中国科学院地理科学与资源研究所 一种考虑空间相关性的植被变化成因识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0010568B1 (de) * 1978-11-06 1982-12-01 ELTRO GmbH Gesellschaft für Strahlungstechnik Verfahren und Vorrichtung zur Tarnung eines metallischen Objektes gegen Radiometerortung durch Anpassen seiner Eigenstrahlung an die Abstrahlung seiner Umgebung
US6749368B2 (en) * 2000-09-05 2004-06-15 Daniel B. Stephens & Associates, Inc. Design, monitoring and control of soil carburetors for degradation of volatile compounds
CN107229919A (zh) * 2017-06-05 2017-10-03 深圳先进技术研究院 一种用于复杂生态海岸带的生态要素处理方法及系统
CN107341492A (zh) * 2017-06-01 2017-11-10 中国科学院地球化学研究所 一种喀斯特石漠化信息提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0010568B1 (de) * 1978-11-06 1982-12-01 ELTRO GmbH Gesellschaft für Strahlungstechnik Verfahren und Vorrichtung zur Tarnung eines metallischen Objektes gegen Radiometerortung durch Anpassen seiner Eigenstrahlung an die Abstrahlung seiner Umgebung
US6749368B2 (en) * 2000-09-05 2004-06-15 Daniel B. Stephens & Associates, Inc. Design, monitoring and control of soil carburetors for degradation of volatile compounds
CN107341492A (zh) * 2017-06-01 2017-11-10 中国科学院地球化学研究所 一种喀斯特石漠化信息提取方法
CN107229919A (zh) * 2017-06-05 2017-10-03 深圳先进技术研究院 一种用于复杂生态海岸带的生态要素处理方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Estimation and dynamic changes analysis of vegetation coverage in the ertan reservoir area based on remote sensing;Weihong Xu 等;《2012 International Symposium on Geomatics for Integrated Water Resource Management》;20121112;第1-4页 *
草原沙化治理工程生态效益评价的指标体系构建和分析;杨婷婷 等;《中国草地学报》;20090325;第31卷(第2期);第102-107页 *

Also Published As

Publication number Publication date
CN110826209A (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
Acharjee et al. Future changes in water requirements of Boro rice in the face of climate change in North-West Bangladesh
Zhou et al. Grassland degradation remote sensing monitoring and driving factors quantitative assessment in China from 1982 to 2010
Arias et al. Quantifying changes in flooding and habitats in the Tonle Sap Lake (Cambodia) caused by water infrastructure development and climate change in the Mekong Basin
CN111027175B (zh) 基于耦合模型集成模拟的洪水对社会经济影响的评估方法
Hochman et al. Reprint of “Quantifying yield gaps in rainfed cropping systems: A case study of wheat in Australia”
Luedeling et al. Differential responses of trees to temperature variation during the chilling and forcing phases
Zhao et al. Demand for multi-scale weather data for regional crop modeling
Kidd et al. Digital soil assessment of agricultural suitability, versatility and capital in Tasmania, Australia
Rashid et al. Statistical downscaling of CMIP5 outputs for projecting future changes in rainfall in the Onkaparinga catchment
Liu et al. Shifting farming–pastoral ecotone in China under climate and land use changes
Weatherhead et al. Predicting and mapping the future demand for irrigation water in England and Wales
CN109522516B (zh) 基于随机森林回归算法的土壤湿度检测方法、装置及电子设备
Tang et al. A distributed interval nonlinear multiobjective programming approach for optimal irrigation water management in an arid area
Rahman et al. Hydrological impacts of climate change on rice cultivated riparian wetlands in the Upper Meghna River Basin (Bangladesh and India)
Kotera et al. A modeling approach for assessing rice cropping cycle affected by flooding, salinity intrusion, and monsoon rains in the Mekong Delta, Vietnam
Harris et al. The use of probabilistic weather generator information for climate change adaptation in the UK water sector
CN112585505A (zh) 确定用于农学决策支持的位置特定的天气信息
Kumar et al. Prediction of soil erosion risk using earth observation data under recent emission scenarios of CMIP6
Shin et al. Bias correction of RCM outputs using mixture distributions under multiple extreme weather influences
Zhou et al. Effects of ecological restoration‐induced land‐use change and improved management on grassland net primary productivity in the S hiyanghe R iver B asin, north‐west C hina
CN104143043A (zh) 一种多功能气候数据模型及其应用
Bejagam et al. Impacts of climate change on water provisional services in Tungabhadra basin using InVEST Model
Cai et al. A distributed hydrological model driven by multi-source spatial data and its application in the Ili River Basin of Central Asia
Fang et al. Climate-dependence of ecosystem services in a nature reserve in northern China
CN110826209B (zh) 一种对植被覆盖度的影响因子贡献率估算方法及系统

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