CN110852585A - 植被生长稳定性的计算方法及装置 - Google Patents

植被生长稳定性的计算方法及装置 Download PDF

Info

Publication number
CN110852585A
CN110852585A CN201911044872.7A CN201911044872A CN110852585A CN 110852585 A CN110852585 A CN 110852585A CN 201911044872 A CN201911044872 A CN 201911044872A CN 110852585 A CN110852585 A CN 110852585A
Authority
CN
China
Prior art keywords
ndvi
monthly
data
climate factor
climate
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
Application number
CN201911044872.7A
Other languages
English (en)
Other versions
CN110852585B (zh
Inventor
赵祥
周倩
彭义峰
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 CN201911044872.7A priority Critical patent/CN110852585B/zh
Publication of CN110852585A publication Critical patent/CN110852585A/zh
Application granted granted Critical
Publication of CN110852585B publication Critical patent/CN110852585B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Strategic Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种植被生长稳定性的计算方法及装置，其中方法包括：获取若干年的月度NDVI数据和月度气候因子数据；根据获取的若干年的月度NDVI数据，获得月度NDVI异常值，根据获取的若干年的月度气候因子数据，获得月度气候因子异常值；根据月度NDVI异常值和月度气候因子异常值，获得气候因子影响NDVI的滞后时间；构建训练样本，根据训练样本以及气候因子影响NDVI的滞后时间构建自回归模型，根据NDVI异常值和气候因子异常值在自回归模型中的系数，获知植被生长稳定性的结果。本发明实施例能够定量地分析出各种气候条件对于植被生长稳定性的影响，并且整个过程的干扰更少，结果相比现有技术更加准确。

Description

植被生长稳定性的计算方法及装置
技术领域
本发明涉及遥感技术领域，更具体地，涉及植被生长稳定性的计算方法及装置。
背景技术
植被生态系统稳定性通过植被生物量的生产力的恢复力和抵抗力来表示。抵抗力表示植被对外界气象因子干扰的抵抗能力，恢复力则是表示衡量植被在受到外界气候因子干扰之后的恢复速度，也指植被吸收对外界干扰产生的影响能力。
在全球气候变暖的背景下，揭示植被生长在受到气候变化异常等因素的干扰之后，自身的恢复能力和对气候异常的抵抗能力的空间格局和规律，是应对当前气候变化对生态环境影响问题的必要过程。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的植被生长稳定性的计算方法及装置。
第一个方面，本发明实施例提供一种植被生长稳定性的计算方法，包括：
获取若干年的月度NDVI数据和月度气候因子数据；
根据获取的若干年的月度NDVI数据，获得月度NDVI异常值，根据获取的若干年的月度气候因子数据，获得月度气候因子异常值；
根据月度NDVI异常值和月度气候因子异常值，获得气候因子影响NDVI的滞后时间；
构建训练样本，根据训练样本以及气候因子影响NDVI的滞后时间构建自回归模型，根据NDVI和气候因子在自回归模型中的系数，获知植被生长稳定性的结果；
其中，每个训练样本中包括一个月度NDVI异常值以及该月度的滞后时间的月度气候因子异常值，所述气候因子的种类至少为一种。
优选地，所述根据获取的若干年的月度NDVI数据，获得月度NDVI异常值，具体为：
根据获取的若干年的月度NDVI数据，获得月历史平均NDVI数据和月度NDVI趋势值，根据月历史平均NDVI数据和月度NDVI趋势值，获得月度NDVI异常值；
所述根据获取的若干年的月度气候因子数据，获得月度气候因子异常值，具体为：
根据获取的若干年的月度气候因子数据，获得月历史平均气候因子数据和月度气候因子趋势值，根据月历史平均气候因子数据和月度气候因子趋势值，获得月度气候因子异常值。
优选地，所述根据获取的若干年的月度NDVI数据，获得月历史平均NDVI数据和月度NDVI趋势值，具体为：
对于一年中的第i个月，获取所述若干年中每一年的第i个月的月度NDVI数据并取平均值，作为第i个月的月历史平均NDVI数据，将每个月度NDVI数据减去对应月份的月历史平均数据，获得月度去除季节项干扰的NDVI数据，根据若干年的月度去除季节项干扰的NDVI数据拟合得到直线型线性模型，并根据所述直线型线性模型获得月度NDVI趋势值；
相应地，所述根据获取的若干年的月度气候因子数据，获得月历史平均气候因子数据和月度气候因子趋势值，具体为：
对于一年中的第i个月，获取所述若干年中每一年的第i个月的月度气候因子数据并取平均值，作为第i个月的月历史平均气候因子数据，将每个月度气候因子数据减去对应月份的月历史平均数据，获得月度去除季节项干扰的气候因子数据，根据若干年的月度去除季节项干扰的气候因子数据拟合得到直线型线性模型，并根据所述直线型线性模型获得月度气候因子趋势值；
其中，i为整数，且1≤i≤12。
优选地，所述根据月历史平均NDVI数据和月度NDVI趋势值，获得月度NDVI异常值，具体为：
将月度NDVI数据与对应月份的月历史平均NDVI数据的差作为去季节项的NDVI数据；
将去季节项的NDVI数据与月度NDVI趋势值的差作为月度NDVI异常值；
所述根据月历史平均气候因子数据和月度气候因子趋势值，获得月度气候因子异常值，具体为：
将月度气候因子数据与对应月份的月历史平均气候因子数据的差作为去季节项的气候因子数据；
将去季节项的气候因子数据与月度气候因子趋势值的差作为月度气候因子异常值。
优选地，所述根据月度NDVI异常值和月度气候因子异常值，获得气候因子影响NDVI的滞后时间，具体为：
构建NDVI异常值与气候因子异常值的关系公式：
NDVI＝ki*M+b；
其中，NDVI表示由若干年的月度NDVI异常值构成的序列，M表示由若干年月度的气候因子趋势值构成的序列，ki表示滞后i个月的回归系数，i的取值范围为0～3，0表示无滞后，1～3表示滞后1～3个月；
将若干年的月度NDVI异常值和月度气候因子异常值代入所述关系公式，获得所有模型的决定系数，将决定系数最大的模型中的i作为气候因子影响NDVI的滞后时间。
优选地，所述构建训练样本，根据训练样本构建自回归模型，将NDVI异常值和气候因子异常值在自回归模型中的系数获知植被生长稳定性的结果，具体为：
构建自回归模型：
NDVIt＝αNDVIt-1+βMt-l+ε；
其中，MDVIt代表t月度的NDVI异常值；α和β分别表示NDVIt-1和气候因子的系数；ε则代表模型的残差，为常数；l表示气象因子M影响NDVI的滞后时间；
构建训练样本，将所述训练样本输入至自回归模型中，获得NDVI异常值和气候因子异常值在自回归模型中的系数，根据所述系数获知植被生长稳定性的结果。
优选地，所述根据NDVI和气候因子在自回归模型中的系数，获知植被生长稳定性的结果，具体为：
α的绝对值越接近1，植被自身前一时刻的状态对此刻的影响越大，则植被的恢复能力越弱；β的绝对值越接近1，则植被对气候因子的敏感性越大，抵抗能力越弱。
第二个方面，本发明实施例提供一种植被生长稳定性的计算装置，包括：
基础数据获取模块，用于获取若干年的月度NDVI数据和月度气候因子数据；
异常值获取模块，用于根据获取的若干年的月度NDVI数据，获得月度NDVI异常值，根据获取的若干年的月度气候因子数据，获得月度气候因子异常值；
滞后时间获取模块，用于根据月度NDVI异常值和月度气候因子异常值，获得气候因子影响NDVI的滞后时间；
结果分析模块，用于构建训练样本，根据训练样本以及气候因子影响NDVI的滞后时间构建自回归模型，根据NDVI异常值和气候因子异常值在自回归模型中的系数，获知植被生长稳定性的结果；
其中，每个训练样本中包括一个月度NDVI异常值以及该月度的滞后时间的月度气候因子异常值，所述气候因子的种类至少为一种。
第三方面，本发明实施例提供一种电子设备，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，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的植被生长稳定性的计算方法及装置，通过获取若干年的月度NDVI数据和月度气候因子数据，通过排除正常气候和常规变化趋势的影响，获得只受异常气候变化影响的月度NDVI异常值和月度气候因子异常值，再以此获得气候影响因子影响NDVI的滞后时间，从而更好地分析气候对植被的影响，最后构建训练样本和自回归模型，根据NDVI和气候因子在自回归模型中的系数，获知植被生长稳定性的结果，本发明实施例能够定性地分析出各种气候条件对于植被生长稳定性的影响，并且整个过程的干扰更少，结果相比现有技术更加准确。
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植被生长稳定性的计算方法的流程示意图；
图2为本发明实施例提供的植被生长稳定性的计算装置的结构示意图；
图3为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的植被生长稳定性的计算方法的流程示意图，如图1所示，包括：
S101、获取若干年的月度NDVI数据和月度气候因子数据。
需要说明是，NDVI(Normalized Difference Vegetation Index，植被指数)数据，可以准确反映地表植被覆盖状况。目前，基于SPOT/VEGETATION以及MODIS等卫星遥感影像得到的NDVI时序数据已经在各尺度区域的植被动态变化监测、土地利用/覆被变化检测、宏观植被覆盖分类和净初级生产力估算等研究中得到了广泛的应用。
在一个实施例中，本发明实施例可以采用GIMMS(Global Inventory Monitoringand Modeling Systems)NDVI作为用来进行长时间序列分析的植被指数，空间分辨率为0.083°*0.083，时间分辨率为15天，选用1982-2015年数据。
本发明实施例的气候因子的种类至少为一种，例如温度数据、降水数据、辐射数据等等。作为一种可选实施例，气象因子采用MERRA-2(Modern-Era Retrospective analysisfor Research and Applications version 2)月尺度的温度、降水和辐射数据，空间分辨率均为0.625°*0.5°，时间分辨率为1月，时间跨度为1982-2015年。
因此，作为一种实施例，在获取NDVI数据和气候因子数据后还包括预处理的过程：将15天的NDVI合成为月尺度数据，聚合到0.5°×0.5°；考虑植被生长对气候变化的滞后效应，将气象数据的时间长度延长至1981-2015年，空间分辨率采样到0.5°×0.5°。
S102、根据获取的若干年的月度NDVI数据，获得月度NDVI异常值，根据获取的若干年的月度气候因子数据，获得月度气候因子异常值。
需要说明的是，本发明实施例的步骤想要获得的是NDVI和气候因子对气候异常的响应，因此月度NDVI异常值和月度气候因子异常值实际上都是排除正常气候变化以及常规变化趋势的结果。
S103、根据月度NDVI异常值和月度气候因子异常值，获得气候因子影响NDVI的滞后时间。
可以理解的是，植物对于气候变化存在滞后性的影响，因此本发明实施例根据月度NDVI异常值和月度气候因子异常值，获得气候因子影响NDVI的滞后时间，滞后时间具体以月为单位，比如t-2月的气候因子会影响t月的NDVI。
S104、构建训练样本，根据训练样本以及气候因子影响NDVI的滞后时间构建自回归模型，根据NDVI异常值和气候因子异常值在自回归模型中的系数，获知植被生长稳定性的结果；其中，每个训练样本中包括一个月度NDVI异常值以及该月度的滞后时间的月度气候因子异常值。
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。因此，本发明实施例通过NDVI和气候因子构建自回归模型，NDVI和气候因子都作为模型中的变量，从而使得根据构建好的自回归模型中各变量的系数，获知植被生长稳定性的结果。
需要说明的是，本发明实施例的植被生长稳定性的计算方法，通过获取若干年的月度NDVI数据和月度气候因子数据，通过排除正常气候和常规变化趋势的影响，获得只受异常气候变化影响的月度NDVI异常值和月度气候因子异常值，再以此获得气候影响因子影响NDVI的滞后时间，从而更好地分析气候对植被的影响，最后构建训练样本和自回归模型，根据NDVI异常值和气候因子异常值在自回归模型中的系数，获知植被生长稳定性的结果，本发明实施例能够定性地分析出各种气候条件对于植被生长稳定性的影响，并且整个过程的干扰更少，结果相比现有技术更加准确。
在上述各实施例的基础上，作为一种可选实施例，所述根据获取的若干年的月度NDVI数据，获得月度NDVI异常值，具体为：
根据获取的若干年的月度NDVI数据，获得月历史平均NDVI数据和月度NDVI趋势值，根据月历史平均NDVI数据和月度NDVI趋势值，获得月度NDVI异常值；
根据获取的若干年的月度气候因子数据，获得月度气候因子异常值，具体为：
根据获取的若干年的月度气候因子数据，获得月历史平均气候因子数据和月度气候因子趋势值，根据月历史平均气候因子数据和月度气候因子趋势值，获得月度气候因子异常值。
在上述各实施例的基础上，作为一种可选实施例，所述根据获取的若干年的月度NDVI数据，获得月历史平均NDVI数据和月度NDVI趋势值，具体为：
对于一年中的第i个月，获取所述若干年中每一年的第i个月的月度NDVI数据并取平均值，作为第i个月的月历史平均NDVI数据，将每个月度NDVI数据减去对应月份的月历史平均数据，获得月度去除季节项干扰的NDVI数据，根据若干年的月度去除季节项干扰的NDVI数据拟合得到直线型线性模型，并根据所述直线型线性模型获得月度NDVI趋势值；其中，i为整数，且1≤i≤12。
在上述各实施例的基础上，作为一种可选实施例，所述根据获取的若干年的月度气候因子数据，获得月历史平均气候因子数据和月度气候因子趋势值，具体为：
对于一年中的第i个月，获取所述若干年中每一年的第i个月的月度气候因子数据并取平均值，作为第i个月的月历史平均气候因子数据，将每个月度气候因子数据减去对应月份的月历史平均数据，获得月度去除季节项干扰的气候因子数据，根据若干年的月度去除季节项干扰的气候因子数据拟合得到直线型线性模型，并根据所述直线型线性模型获得月度气候因子趋势值；其中，i为整数，且1≤i≤12。
在上述各实施例的基础上，作为一种可选实施例，所述根据月历史平均NDVI数据和月度NDVI趋势值，获得月度NDVI异常值，具体为：
将月度NDVI数据与对应月份的月历史平均NDVI数据的差作为去季节项的NDVI数据；
将去季节项的NDVI数据与月度NDVI趋势值的差作为月度NDVI异常值；
所述根据月历史平均气候因子数据和月度气候因子趋势值，获得月度气候因子异常值，具体为：
将月度气候因子数据与对应月份的月历史平均气候因子数据的差作为去季节项的气候因子数据；
将去季节项的气候因子数据与月度气候因子趋势值的差作为月度气候因子异常值。
所述根据月度NDVI异常值和月度气候因子异常值，获得气候因子影响NDVI的滞后时间，具体为：
构建NDVI异常值与气候因子异常值的关系公式：
NDVI＝ki*M+b；
其中，NDVI表示由若干年的月度NDVI异常值构成的序列，M表示由若干年月度的气候因子趋势值构成的序列，ki表示滞后i个月的回归系数，i的取值范围为0～3，0表示无滞后，1～3表示滞后1～3个月。
将若干年的月度NDVI异常值和月度气候因子异常值代入所述关系公式，获得所有模型的决定系数，将决定系数最大值的模型中的i作为气候因子影响NDVI的滞后时间。
构建训练样本，根据训练样本构建自回归模型，将NDVI和气候因子在自回归模型中的系数获知植被生长稳定性的结果，具体为：
构建自回归模型：
NDVIt＝αNDVIt-1+βMt-l+ε；
其中，MDVIt代表t月度的NDVI异常值；α和β分别表示NDVIt-1和气候因子的系数；ε则代表模型的残差，为常数；l表示气象因子M影响NDVI的滞后时间。
具体地，以天气因子有温度、降水和辐射为例，基于滞后时间构建以下模型：
MDVIt＝α*NDVIt-1+β*TMPt-l+γ*PREt-m+δ*RADt-n+ε
其中NDVIt代表第t月(t≥2)标准化的NDVI异常值，NDVIt-1代表t-1月的NDVI异常值，TMP,PRE和RAD分别代表温度、降水和辐射异常，其中l,m,n分别代表植被对温度、降水和辐射的滞后时间，ε则代表模型的残差(常数项)。α、β、γ、δ为模型各项因子的系数。
构建训练样本，将所述训练样本输入至自回归模型中，获得NDVI和气候因子在自回归模型中的系数，根据所述系数获知植被生长稳定性的结果。
其中α表示植被生长受外界环境影响的恢复能力，其绝对值越接近于1，表明植被的恢复能力越弱，反之恢复能力越强。β，γ，δ分别表示植被生长对温度、降水和辐射异常的敏感程度，即植被生长对气候异常变化的抵抗能力，其绝对值越接近于1，植被生长对气候异常的敏感性越大，即其抵抗能力越弱；绝对值越接近于0，植被生长对气候异常的敏感性越小，即其抵抗能力越强。β，γ，δ为正值时，表示高温、高辐射和多雨会促进植被的生长，而低温、低辐射和少雨会抑制植被的生长；当β，γ，δ为负值时，表示高温、高辐射和多雨会抑制植被的生长，而低温、低辐射和少雨会促进植被的生长。
通过获取GIMMS(Global Inventory Monitoring and Modeling Systems)NDVI以及MERRA-2(Modern-Era Retrospective analysis for Research and Applicationsversion 2)月尺度的温度、降水和辐射数据，并应用本发明实施例计算全球植被生长稳定性中发现，全球约有5.6％左右的植被其恢复力在0～0.2之间，这些像元在后一时刻植被异常状态与前一时刻的植被异常无关，说明其恢复力稳定性较强，自身就能使植被快速恢复；另有约4.2％左右的像元，其恢复力稳定值在0.8～1之间，这些像元的植被的异常生长在后一时刻十分依赖于前一时刻的异常生长，说明植被恢复到正常的生长状态的能力较弱，即植被生长的恢复力稳定性较低。
图2为本发明实施例提供的植被生长稳定性的计算装置的结构示意图，如图2所示，该植被生长稳定性的计算装置包括：基础数据获取模块201、异常值获取模块202、滞后时间获取模块203和结果分析模块204，其中：
基础数据获取模块201，用于获取若干年的月度NDVI数据和月度气候因子数据；
异常值获取模块202，用于根据获取的若干年的月度NDVI数据，获得月度NDVI异常值，根据获取的若干年的月度气候因子数据，获得月度气候因子异常值；
滞后时间获取模块203，用于根据月度NDVI异常值和月度气候因子异常值，获得气候因子影响NDVI的滞后时间；
结果分析模块204，用于构建训练样本，根据训练样本以及气候因子影响NDVI的滞后时间构建自回归模型，根据NDVI异常值和气候因子异常值在自回归模型中的系数，获知植被生长稳定性的结果；
其中，每个训练样本中包括一个月度NDVI异常值以及该月度的滞后时间的月度气候因子异常值，所述气候因子的种类至少为一种。
本发明实施例提供的植被生长稳定性的计算装置，具体执行上述各植被生长稳定性的计算方法实施例流程，具体请详见上述各植被生长稳定性的计算方法实施例的内容，在此不再赘述。本发明实施例提供的植被生长稳定性的计算装置通过获取若干年的月度NDVI数据和月度气候因子数据，通过排除正常气候和常规变化趋势的影响，获得只受异常气候变化影响的月度NDVI异常值和月度气候因子异常值，再以此获得气候影响因子影响NDVI的滞后时间，从而更好地分析气候对植被的影响，最后构建训练样本和自回归模型，根据NDVI和气候因子在自回归模型中的系数，获知植被生长稳定性的结果，本发明实施例能够定性地分析出各种气候条件对于植被生长稳定性的影响，并且整个过程的干扰更少，结果相比现有技术更加准确。
图3为本发明实施例提供的电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储在存储器330上并可在处理器310上运行的计算机程序，以执行上述各实施例提供的植被生长稳定性的计算方法，例如包括：获取若干年的月度NDVI数据和月度气候因子数据；根据获取的若干年的月度NDVI数据，获得月度NDVI异常值，根据获取的若干年的月度气候因子数据，获得月度气候因子异常值；根据月度NDVI异常值和月度气候因子异常值，获得气候因子影响NDVI的滞后时间；构建训练样本，根据训练样本以及气候因子影响NDVI的滞后时间构建自回归模型，根据NDVI异常值和气候因子异常值在自回归模型中的系数，获知植被生长稳定性的结果；其中，每个训练样本中包括一个月度NDVI异常值以及该月度的滞后时间的月度气候因子异常值，所述气候因子的种类至少为一种。
此外，上述的存储器330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，本发明实施例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。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的植被生长稳定性的计算方法，例如包括：获取若干年的月度NDVI数据和月度气候因子数据；根据获取的若干年的月度NDVI数据，获得月度NDVI异常值，根据获取的若干年的月度气候因子数据，获得月度气候因子异常值；根据月度NDVI异常值和月度气候因子异常值，获得气候因子影响NDVI的滞后时间；构建训练样本，根据训练样本以及气候因子影响NDVI的滞后时间构建自回归模型，根据NDVI异常值和气候因子异常值在自回归模型中的系数，获知植被生长稳定性的结果；其中，每个训练样本中包括一个月度NDVI异常值以及该月度的滞后时间的月度气候因子异常值，所述气候因子的种类至少为一种。
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 (10)

1.一种植被生长稳定性的计算方法，其特征在于，包括：
获取若干年的月度NDVI数据和月度气候因子数据；
根据获取的若干年的月度NDVI数据，获得月度NDVI异常值，根据获取的若干年的月度气候因子数据，获得月度气候因子异常值；
根据月度NDVI异常值和月度气候因子异常值，获得气候因子影响NDVI的滞后时间；
构建训练样本，根据训练样本以及气候因子影响NDVI的滞后时间构建自回归模型，根据NDVI异常值和气候因子异常值在自回归模型中的系数，获知植被生长稳定性的结果；
其中，每个训练样本中包括一个月度NDVI异常值以及该月度的滞后时间的月度气候因子异常值，所述气候因子的种类至少为一种。
2.根据权利要求1所述的植被生长稳定性的计算方法，其特征在于，所述根据获取的若干年的月度NDVI数据，获得月度NDVI异常值，具体为：
根据获取的若干年的月度NDVI数据，获得月历史平均NDVI数据和月度NDVI趋势值，根据月历史平均NDVI数据和月度NDVI趋势值，获得月度NDVI异常值；
所述根据获取的若干年的月度气候因子数据，获得月度气候因子异常值，具体为：
根据获取的若干年的月度气候因子数据，获得月历史平均气候因子数据和月度气候因子趋势值，根据月历史平均气候因子数据和月度气候因子趋势值，获得月度气候因子异常值。
3.根据权利要求2所述的植被生长稳定性的计算方法，其特征在于，所述根据获取的若干年的月度NDVI数据，获得月历史平均NDVI数据和月度NDVI趋势值，具体为：
对于一年中的第i个月，获取所述若干年中每一年的第i个月的月度NDVI数据并取平均值，作为第i个月的月历史平均NDVI数据，将每个月度NDVI数据减去对应月份的月历史平均数据，获得月度去除季节项干扰的NDVI数据，根据若干年的月度去除季节项干扰的NDVI数据拟合得到直线型线性模型，并根据所述直线型线性模型获得月度NDVI趋势值；
相应地，所述根据获取的若干年的月度气候因子数据，获得月历史平均气候因子数据和月度气候因子趋势值，具体为：
对于一年中的第i个月，获取所述若干年中每一年的第i个月的月度气候因子数据并取平均值，作为第i个月的月历史平均气候因子数据，将每个月度气候因子数据减去对应月份的月历史平均数据，获得月度去除季节项干扰的气候因子数据，根据若干年的月度去除季节项干扰的气候因子数据拟合得到直线型线性模型，并根据所述直线型线性模型获得月度气候因子趋势值；
其中，i为整数，且1≤i≤12。
4.根据权利要求1所述的植被生长稳定性的计算方法，其特征在于，所述根据月历史平均NDVI数据和月度NDVI趋势值，获得月度NDVI异常值，具体为：
将月度NDVI数据与对应月份的月历史平均NDVI数据的差作为去季节项的NDVI数据；
将去季节项的NDVI数据与月度NDVI趋势值的差作为月度NDVI异常值；
所述根据月历史平均气候因子数据和月度气候因子趋势值，获得月度气候因子异常值，具体为：
将月度气候因子数据与对应月份的月历史平均气候因子数据的差作为去季节项的气候因子数据；
将去季节项的气候因子数据与月度气候因子趋势值的差作为月度气候因子异常值。
5.根据权利要求1所述的植被生长稳定性的计算方法，其特征在于，所述根据月度NDVI异常值和月度气候因子异常值，获得气候因子影响NDVI的滞后时间，具体为：
构建NDVI异常值与气候因子异常值的关系公式：
NDVI＝ki*M+b；
其中，NDVI表示由若干年的月度NDVI异常值构成的序列，M表示由若干年月度的气候因子趋势值构成的序列，ki表示滞后i个月的回归系数，i的取值范围为0～3，0表示无滞后，1～3表示滞后1～3个月；
将若干年的月度NDVI异常值和月度气候因子异常值代入所述关系公式，获得所有模型的决定系数，将决定系数最大的模型中的i作为气候因子影响NDVI的滞后时间。
6.根据权利要求1所述的植被生长稳定性的计算方法，其特征在于，所述构建训练样本，根据训练样本构建自回归模型，将NDVI异常值和气候因子异常值在自回归模型中的系数获知植被生长稳定性的结果，具体为：
构建自回归模型：
NDVIt＝αNDVIt-1+βMt-l+ε；
其中，MDVIt代表t月度的NDVI异常值；α和β分别表示NDVIt-1和气候因子的系数；ε则代表模型的残差，为常数；l表示气象因子M影响NDVI的滞后时间；
构建训练样本，将所述训练样本输入至自回归模型中，获得NDVI和气候因子在自回归模型中的系数，根据所述系数获知植被生长稳定性的结果。
7.根据权利要求6所述的植被生长稳定性的计算方法，其特征在于，所述根据NDVI和气候因子在自回归模型中的系数，获知植被生长稳定性的结果，具体为：
α的绝对值越接近1，植被自身前一时刻的状态对此刻的影响越大，则植被的恢复能力越弱；β的绝对值越接近1，则植被对气候因子的敏感性越大，抵抗能力越弱。
8.一种植被生长稳定性的计算装置，其特征在于，包括：
基础数据获取模块，用于获取若干年的月度NDVI数据和月度气候因子数据；
异常值获取模块，用于根据获取的若干年的月度NDVI数据，获得月度NDVI异常值，根据获取的若干年的月度气候因子数据，获得月度气候因子异常值；
滞后时间获取模块，用于根据月度NDVI异常值和月度气候因子异常值，获得气候因子影响NDVI的滞后时间；
结果分析模块，用于构建训练样本，根据训练样本以及气候因子影响NDVI的滞后时间构建自回归模型，根据NDVI异常值和气候因子异常值在自回归模型中的系数，获知植被生长稳定性的结果；
其中，每个训练样本中包括一个月度NDVI异常值以及该月度的滞后时间的月度气候因子异常值，所述气候因子的种类至少为一种。
9.一种电子设备，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7任一项所述植被生长稳定性的计算方法的步骤。
10.一种非暂态计算机可读存储介质，其特征在于，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如权利要求1至7中任意一项所述的植被生长稳定性的计算方法。
CN201911044872.7A 2019-10-30 2019-10-30 植被生长稳定性的计算方法及装置 Active CN110852585B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911044872.7A CN110852585B (zh) 2019-10-30 2019-10-30 植被生长稳定性的计算方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911044872.7A CN110852585B (zh) 2019-10-30 2019-10-30 植被生长稳定性的计算方法及装置

Publications (2)

Publication Number Publication Date
CN110852585A true CN110852585A (zh) 2020-02-28
CN110852585B CN110852585B (zh) 2022-05-10

Family

ID=69598128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911044872.7A Active CN110852585B (zh) 2019-10-30 2019-10-30 植被生长稳定性的计算方法及装置

Country Status (1)

Country Link
CN (1) CN110852585B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680397A (zh) * 2020-05-06 2020-09-18 北京航空航天大学 一种卫星季节波动遥测的自适应稳定性检测方法
CN113627511A (zh) * 2021-08-04 2021-11-09 中国科学院科技战略咨询研究院 气候变化对交通业的影响模型训练方法及影响监测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101718865A (zh) * 2009-12-07 2010-06-02 中国科学院新疆生态与地理研究所 基于遥感的植被响应延迟方法
CN104143031A (zh) * 2013-05-07 2014-11-12 福州大学 一种基于小波多尺度分解的植被指数时序数据重构方法
CN104635724A (zh) * 2014-12-25 2015-05-20 重庆科技学院 基于动态核独立分量分析的天然气净化过程异常检测方法
CN104656635A (zh) * 2014-12-31 2015-05-27 重庆科技学院 非高斯动态高含硫天然气净化过程异常检测与诊断方法
US20180224802A1 (en) * 2017-02-09 2018-08-09 Microsoft Technology Licensing, Llc System and method presenting holographic plant growth
CN109636018A (zh) * 2018-11-29 2019-04-16 中国科学院深圳先进技术研究院 计算气温与气候因子遥相关关系的方法及装置
CN110059553A (zh) * 2019-03-13 2019-07-26 中国科学院遥感与数字地球研究所 利用光学遥感影像判识潜在滑坡阶段植被异常特征的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101718865A (zh) * 2009-12-07 2010-06-02 中国科学院新疆生态与地理研究所 基于遥感的植被响应延迟方法
CN104143031A (zh) * 2013-05-07 2014-11-12 福州大学 一种基于小波多尺度分解的植被指数时序数据重构方法
CN104635724A (zh) * 2014-12-25 2015-05-20 重庆科技学院 基于动态核独立分量分析的天然气净化过程异常检测方法
CN104656635A (zh) * 2014-12-31 2015-05-27 重庆科技学院 非高斯动态高含硫天然气净化过程异常检测与诊断方法
US20180224802A1 (en) * 2017-02-09 2018-08-09 Microsoft Technology Licensing, Llc System and method presenting holographic plant growth
CN109636018A (zh) * 2018-11-29 2019-04-16 中国科学院深圳先进技术研究院 计算气温与气候因子遥相关关系的方法及装置
CN110059553A (zh) * 2019-03-13 2019-07-26 中国科学院遥感与数字地球研究所 利用光学遥感影像判识潜在滑坡阶段植被异常特征的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
于嵘: "基于遥感时序数据的中国陆地植被覆盖变化分析研究", 《中国博士学位论文全文数据库》 *
郭同宇 等: "基于植被指数的内蒙古植被生态系统的时空变化分析", 《科学技术与工程》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680397A (zh) * 2020-05-06 2020-09-18 北京航空航天大学 一种卫星季节波动遥测的自适应稳定性检测方法
CN113627511A (zh) * 2021-08-04 2021-11-09 中国科学院科技战略咨询研究院 气候变化对交通业的影响模型训练方法及影响监测方法
CN113627511B (zh) * 2021-08-04 2024-02-02 中国科学院科技战略咨询研究院 气候变化对交通业的影响模型训练方法及影响监测方法

Also Published As

Publication number Publication date
CN110852585B (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
Jiang et al. A deep learning approach to conflating heterogeneous geospatial data for corn yield estimation: A case study of the US Corn Belt at the county level
Esteves et al. Rainfall prediction methodology with binary multilayer perceptron neural networks
Verger et al. The CACAO method for smoothing, gap filling, and characterizing seasonal anomalies in satellite time series
Zhu et al. Enhanced radiance bias correction in the National Centers for Environmental Prediction's Gridpoint Statistical Interpolation data assimilation system
Casanueva et al. Towards a fair comparison of statistical and dynamical downscaling in the framework of the EURO-CORDEX initiative
Avila et al. Systematic investigation of gridding-related scaling effects on annual statistics of daily temperature and precipitation maxima: A case study for south-east Australia
CN110852585B (zh) 植被生长稳定性的计算方法及装置
Chen et al. The mechanism and scenarios of how mean annual runoff varies with climate change in Asian monsoon areas
de Carvalho et al. Kalman filter and correction of the temperatures estimated by PRECIS model
CN109033543B (zh) 一种地表异质区植被覆盖度估算方法、装置及设备
CN113204061B (zh) 一种构建格点风速订正模型的方法及装置
El-Diasty et al. Development of wavelet network model for accurate water levels prediction with meteorological effects
Kosovic et al. Using Artificial Intelligence on environmental data from Internet of Things for estimating solar radiation: Comprehensive analysis
CN112613658A (zh) 逐日降雨量预测方法、装置、电子设备及存储介质
CN107247690A (zh) 估算气温的方法及服务终端
Ayehu et al. Spatial and temporal trends and variability of rainfall using long-term satellite product over the Upper Blue Nile Basin in Ethiopia
CN113077384B (zh) 一种数据空间分辨率提高方法、装置、介质及终端设备
Maqsood et al. Statistical downscaling and projection of climatic extremes using machine learning algorithms
Wang et al. Robust data assimilation in hydrological modeling–A comparison of Kalman and H-infinity filters
CN117131758A (zh) 灌溉用水估算模型的训练方法、装置及灌溉用水估算方法
Mirzania et al. Hybrid COOT-ANN: a novel optimization algorithm for prediction of daily crop reference evapotranspiration in Australia
CN116796649A (zh) 一种基于机器学习的spei粗分辨率数据空间降尺度方法及装置
Smith et al. Testing probabilistic adaptive real‐time flood forecasting models
CN116071644B (zh) 逐日叶面积指数数据反演方法、装置、设备及存储介质
CN111610159A (zh) 地表温度降尺度估算方法及植被水分胁迫监测方法

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