CN111160799A - 一种自然资源数据库构建方法 - Google Patents

一种自然资源数据库构建方法 Download PDF

Info

Publication number
CN111160799A
CN111160799A CN201911419757.3A CN201911419757A CN111160799A CN 111160799 A CN111160799 A CN 111160799A CN 201911419757 A CN201911419757 A CN 201911419757A CN 111160799 A CN111160799 A CN 111160799A
Authority
CN
China
Prior art keywords
data
land
forest
quality
space data
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.)
Pending
Application number
CN201911419757.3A
Other languages
English (en)
Inventor
王俊枝
张弛
嘎毕日
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.)
Inner Mongolia Map Institute
Original Assignee
Inner Mongolia Map Institute
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 Inner Mongolia Map Institute filed Critical Inner Mongolia Map Institute
Priority to CN201911419757.3A priority Critical patent/CN111160799A/zh
Publication of CN111160799A publication Critical patent/CN111160799A/zh
Pending legal-status Critical Current

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
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06Q50/16—Real estate
    • G06Q50/165—Land development

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种自然资源数据库构建方法，包括获取指定的地理区域范围内的自然资源基础数据；由此获取基础数据库和土地覆盖空间数据；并分别提取出在统一时空框架下的耕地分布空间数据、草地分布空间数据、水体分布空间数据、森林分布空间数据，并分别在其基础上生成耕地质量空间数据、草地质量空间数据、森林质量空间数据；以此构建统一的土地资源数据库、耕地资源数据库、草地资源数据库、水资源数据库和森林资源数据库。本发明通过数据整合，将不同精度、不同分类标准的自然资源专题数据整合到一份高精度、全覆盖的数据上，为管理、建设国土资源“一张图”提供技术支撑，实现精度高、速度快、成本低、评价客观真实的自然资源数据库建设。

Description

一种自然资源数据库构建方法
技术领域
本发明涉及区域性资源信息处理技术，具体地讲，是涉及一种自然资源数据库构建方法。
背景技术
国际上，自然资源资产核算最早开始于19世纪下半叶。20世纪70年代，联合国大学(SCEP)在《人类对全球环境的影响报告》中首次提出了生态系统服务功能的概念。1972年美国建立了国家自然资源调查局，专门从事国家自然资源资产调查和评估工作，采用野外抽样调查统计的方法，对国家自然资源资产进行调查和核算，以5年为周期对外发布核算结果，促进了美国各地的生态环境建设。随后，Holder等、Westmen等进行了全球生态系统服务功能研究，并指出生物多样性丧失将直接影响到生态系统服务功能，至此，产生了自然资源资产价值核算的概念。
作为第一批建立资源环境账户的国家之一，挪威的资源环境核算重点在匮乏能源、渔业资源、森林资源、矿产资源、土地资源、水资源、空气污染物和水污染物的核算。芬兰的资源核算研究主要集中在森林资源和生态系统上。美国联邦政府在2000年确认了自然资源资产的分类，包括木材、外大陆架石油和天然气、可出租(固态)矿物质、可出租(液态)矿物质、可定位矿物质、矿物材料、牧草地和电磁频谱。英国自然资源核算账户包括土地、木材和已探明、可采、可能的石油和天然气储量。加拿大的自然资源资产主要包括自然资源存量、土地和生态系统3类。其中，自然资源存量包括能量资源、矿产资源和木材资源，而能量资源包括已探明的、可回收的天然气、原油、煤等资源的储量。世界银行把自然资本定义为一个国家的全部环境遗产，通过对各种资源在其使用年限内的“经济租金”进行贴现和加总来估算自然资本的价值。在其发布的《国民财富变化：衡量新千年可持续发展》(2011年)中，自然资源损耗的核算包括能源损耗、矿产资源损耗和森林资源净损耗。联合国等五大机构共同编写的SEEA-2012由7个账户组成，包括矿产和能源资源资产、土地资源资产、土壤资源资产、木材资源资产、水生资源资产、其他生物资源和水资源资产。
西方国家对自然资源核算的项目分类开展了一系列研究，普遍认为自然资源核算应该包括能源和矿产资源、森林资源、土地资源和水资源等项目。这样设置主要出于两点考虑：一是城市化建设需要大量的上述资源，这些资源的合理利用对社会经济发展贡献巨大；二是根据资源利用数据的可获取程度和资源价格核算的难易程度来确定。
我国通过建立国家自然资源和地理空间基础信息库来对自然资源进行管理，该国家自然资源和地理空间基础信息库是我国的国家电子政务四大基础信息库之一，是我国第一个跨部门、军民结合的大型国家电子政务基础信息库，同时也是当前国家空间信息基础设施(NSII)建设的综合性重点信息化建设工程。该信息库的建设和运行服务对于促进我国政府公共信息规范化共享服务，进一步提升政府宏观管理和决策水平，带动国民经济和社会信息化，提高我国可持续发展决策能力具有重要意义。
现有技术只是对土地资源利用情况进行数据采集整理，其数据种类较为单一，而且不同类型数据的采集整理标准规范、精度等情况可能各不相同，难以实现不同类型数据的整合，导致最终的数据应用十分不便。
发明内容
针对上述技术问题，本发明提供一种自然资源数据库构建方法，通过规范标准来整合不同精度不同分类的自然资源数据，构建高精度、全覆盖的综合性自然资源数据库。
为了实现上述目的，本发明采用的技术方案如下：
一种自然资源数据库构建方法，包括以下步骤：
(S1)设定待构建的自然资源数据库所要涵盖的地理区域范围，由地理国情普查数据中获取该地理区域范围内的自然资源基础数据；
(S2)对自然资源基础数据进行预处理，分离获得区域资源环境与社会发展本底信息，其以空间数据为主体形成基础数据库，并分离获得土地覆盖空间数据；
(S3)从土地覆盖空间数据中根据土地资源类型分别提取出在统一时空框架下的耕地分布空间数据、草地分布空间数据、水体分布空间数据、森林分布空间数据，并分别在其基础上生成耕地质量空间数据、草地质量空间数据、森林质量空间数据；
(S4)基于基础数据库设定统一的数据结构标准，并在该数据结构标准下，由土地覆盖空间数据形成土地资源数据库，由耕地分布空间数据和耕地质量空间数据形成耕地资源数据库，由草地分布空间数据和草地质量空间数据形成草地资源数据库，由水体分布空间数据形成水资源数据库，由森林分布空间数据和森林质量空间数据形成森林资源数据库。
具体地，所述基础数据库包括基于空间关联的基础地理信息、生态环境数据、社会经济数据、人口数据、遥感影像数据。
进一步地，所述分离获得土地覆盖空间数据的过程为
将以年度划分的自然资源基础数据为基础，结合对应年度的遥感正射影像，采用人工解译方式获取相应年度的地表覆盖数据，形成土地覆盖空间数据；
所述土地资源类型包括属于一级类的耕地、园地、林地、草地、建设用地、交通运输用地、水域及水利设施用地、其他土地。
进一步地，所述耕地分布空间数据由所述土地覆盖空间数据按其一级类耕地类型提取并细化到二级类耕地类型形成，该二级类耕地类型包括水田和旱地；
所述草地分布空间数据由所述土地覆盖空间数据按其一级类草地类型提取并细化到二级类和三级类草地类型形成，该二级类草地类型包括天然草地和人工草地；
所述水体分布空间数据由所述土地覆盖空间数据按其一级类水域及水利设施用地类型提取，并结合对应的遥感影像进行人工解译，并细化到二级类和三级类水域类型形成，该二级类水域类型包括河渠、湖泊和库塘，该三级类水域类型包括隶属于河渠的河流和水渠，隶属于库塘的水库和坑塘；
所述森林分布空间数据由所述土地覆盖空间数据按其一级类林地类型提取并细化到二级类和三级类林地类型形成，该二级类林地类型包括乔木林、灌木林、乔灌混合林、竹林、疏林、绿化林地、人工幼林、稀疏灌丛。
具体地，所述耕地质量空间数据生成过程如下：
(S311)获取所述耕地分布空间数据对应的卫星遥感影像数据，结合已知的耕地质量数据库，对照提取出用于评价耕地质量状况的耕地质量基础数据；
(S312)基于该地理区域范围的实际情况采用PSR框架设定耕地质量评价因子，并设定多个耕地质量等级，基于所述耕地质量评价因子建立耕地质量评价模型；
(S313)栅格化所在的地理区域，从所述耕地质量基础数据中按所述耕地质量评价因子提取对应数据对栅格化的地理区域分别进行耕地质量评价；
(S314)根据耕地质量等级对每个栅格化的地理区域的耕地质量评价结果处理形成耕地质量空间数据。
具体地，所述草地质量空间数据生成过程如下：
(S321)获取所述草地分布空间数据对应的卫星遥感影像数据，结合已知的草地质量数据库，对照提取出用于评价草地质量状况的草地质量基础数据；
(S322)栅格化所在的地理区域，基于CASA模型从草地质量基础数据中提取对应数据参数计算，分别对每个栅格化的地理区域进行草地质量评价；
(S323)设定多个草地质量等级，并根据草地质量等级对每个栅格化的地理区域的草地质量评价结果处理形成草地质量空间数据。
具体地，所述森林质量空间数据生成过程如下：
(S331)获取所述森林分布空间数据对应的卫星遥感影像数据，结合已知的森林质量数据库，对照提取出用于评价森林质量状况的森林质量基础数据，其中森林质量数据库包括土地资源数据库中的建设用地数据、土地覆盖空间数据中的耕地数据；
(S332)基于该地理区域范围的实际情况采用主成分分析法设定森林质量评价指标，并设定多个森林质量等级，基于所述森林质量评价指标建立森林质量评价模型；
(S333)栅格化所在的地理区域，从所述森林质量基础数据中按所述森林质量评价指标提取对应数据对栅格化的地理区域分别进行森林质量评价；
(S334)根据森林质量等级对每个栅格化的地理区域的森林质量评价结果处理形成森林质量空间数据。
具体地，所述森林资源数据库还包括与森林分布空间数据和森林质量空间数据相关的立木蓄积量空间数据。
具体地，所述立木蓄积量空间数据的生成过程如下：
将所述森林分布空间数据对应的卫星遥感影像数据、地理信息系统数据、调查数据作为基础数据源，从遥感影像数据上反演目标物的地表反射率，分析遥感影像数据和地理信息系统数据与森林蓄积量之间的关系，采用地面样地所对应的遥感影像各波段灰度值、灰度比值及样地信息为自变量，以样地蓄积量为因变量，构建森林立木蓄积量反演模型进行对遥感估测，形成所述立木蓄积量空间数据。
与现有技术相比，本发明具有以下有益效果：
本发明通过数据整合，将不同精度、不同分类标准的自然资源专题数据整合到一份高精度、全覆盖的数据上，为自然资源数据整合与管理、建设国土资源“一张图”提供技术支撑，并结合实地样方数据，建立了基于遥感的耕地、草地、林地质量提取方法，相比传统的人工调查，利用高分遥感数据监测与评价自然资源，实现精度高、速度快、成本低、评价客观真实的自然资源数据库建设，可以为国土资源“一张图”建设提供技术支撑，还可应用于领导干部自然资源资产责任审计，为打造我国北疆亮丽风景线做出贡献。
附图说明
图1为本发明的流程框图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。
实施例
如图1所示，该自然资源数据库构建方法，包括以下步骤：
(S1)设定待构建的自然资源数据库所要涵盖的地理区域范围，由地理国情普查数据中获取该地理区域范围内的自然资源基础数据；
(S2)对自然资源基础数据进行预处理，分离获得区域资源环境与社会发展本底信息，其以空间数据为主体形成基础数据库，并分离获得土地覆盖空间数据；
(S3)从土地覆盖空间数据中根据土地资源类型分别提取出在统一时空框架下的耕地分布空间数据、草地分布空间数据、水体分布空间数据、森林分布空间数据，并分别在其基础上生成耕地质量空间数据、草地质量空间数据、森林质量空间数据；
(S4)基于基础数据库设定统一的数据结构标准，并在该数据结构标准下，由土地覆盖空间数据形成土地资源数据库，由耕地分布空间数据和耕地质量空间数据形成耕地资源数据库，由草地分布空间数据和草地质量空间数据形成草地资源数据库，由水体分布空间数据形成水资源数据库，由森林分布空间数据和森林质量空间数据形成森林资源数据库。
具体地，所述基础数据库包括基于空间关联的基础地理信息、生态环境数据、社会经济数据、人口数据、遥感影像数据。
土地资源数据库的构建
基于从地理国情普查数据中获取到的该地理区域范围内的自然资源基础数据，将以年度划分的自然资源基础数据为基础，结合对应年度的遥感正射影像，采用人工解译方式获取相应年度的地表覆盖数据，形成土地覆盖空间数据。该数据采集和处理过程严格按照《地理国情普查数据规定与采集要求(GDPJ 03-2013)》执行。
将该土地覆盖空间数据按照《土地利用现状分类》(GB/T 21010—2007)分类标准根据实际需要将其分为八个一级类：耕地、园地、林地、草地、建设用地、交通运输用地、水域及水利设施用地、其他土地，如下表1所示。
Figure BDA0002352025830000061
表1土地资源类型
在地理国情普查数据中的地表覆盖数据含有十个大类，在数据分离提取过程中需要按照实际应用的作用重新归类划分于该土地覆盖空间数据的八个一级类中，如地理国情普查数据中的“水田、旱地、温室、大棚”等类划入耕地类，地理国情普查数据中的“果园、乔灌果园、藤本果园、茶园、桑园、苗圃、花圃”等类划入园地类，地理国情普查数据中的“乔木林、阔叶林、针叶林、灌木林、竹林”等类划入林地类，地理国情普查数据中的“天然草地、牧草地、人工草地、固沙灌草、护坡灌草”等类划入草地类，地理国情普查数据中的“绿化林地、绿化草地、低矮房屋区、多层以上房屋建筑区、多层独立房屋建筑、硬化地表、广场”等类划入建设用地类，地理国情普查数据中的“铁路、公路、城市道路、乡村道路、停车场、停机坪与跑道”等类划入交通运输用地类，地理国情普查数据中的“堤坝、水面、水渠”等类划入水域及水利设施用地类，地理国情普查数据中的“盐碱地表、泥土地表、沙质地表、砾石地表、岩石地表”等类划入其他用地类。
基于基础数据库设定的土地覆盖空间数据的数据结构包括政区名称、政区代码、土地资源类型、地理国情地表覆盖分类编码、图斑面积属性，如下表2所示。
Figure BDA0002352025830000071
表2
在该土地覆盖空间数据及数据集的基础上，以标准的格式储存(如gdb)，并按设定的标准规范命名，构建生成土地资源数据库。
耕地资源数据库的构建
该耕地资源数据库包括耕地分布空间数据和耕地质量空间数据两个部分。
耕地分布空间数据由所述土地覆盖空间数据按其一级类耕地类型提取并细化到二级类耕地类型形成，该二级类耕地类型包括水田和旱地，如下表3所示。
Figure BDA0002352025830000072
Figure BDA0002352025830000081
表3
在耕地分布空间数据的基础上，提取耕地质量，耕地质量采用“压力—状态—相应”框架(PSR)，选取耕地质量评价因子，建立耕地质量评价体系，形成耕地质量空间数据，具体过程如下：
(S311)获取所述耕地分布空间数据对应的卫星遥感影像数据，结合已知的耕地质量数据库，对照提取出用于评价耕地质量状况的耕地质量基础数据。
其中，校正数据采用Landsat8-OLI卫星全色波段15m分辨率影像，时点选取在3月或10月，云量小于10％；生产数据采用GF-1卫星WFV多光谱16m分辨率影像，时间选取在作物生长的旺盛期(一般为8月)，云量小于10％；利用ENVI5.3软件，对影像进行辐射定标、大气校正、裁剪与镶嵌、正射校正，目的是纠正图像的辐射特性，解决图像的几何畸变，得到预处理以后的影像。
耕地质量基础数据包括土壤数据、坡度数据、土地利用数据，其中：
土壤数据采用寒区旱区科学数据中心下载的基于世界土壤数据库(HWSD)的中国土壤数据集(v1.1)。其中中国境内数据源为第二次全国土地调查南京土壤所所提供的1：100万土壤数据。采用的土壤分类系统主要为FAO-90。数据格式为grid栅格格式，投影为WGS84。按照测区范围对数据进行裁剪，并重采样为16m；
坡度数据利用第一次全国地理国情普查数据中的10m格网的DEM数据，使用ArcGIS中的3D Analyst中的栅格坡度提取工具提取获得。按照测区范围对数据进行裁剪，并重采样为16m。
土地利用数据采用土地资源数据库的地表覆盖数据中的耕地数据。使用ArcGIS中的面转栅格工具将其转化为栅格数据，分辨率为16m。
(S312)基于该地理区域范围的实际情况采用PSR框架设定耕地质量评价因子，并设定多个耕地质量等级，基于所述耕地质量评价因子建立耕地质量评价模型。
PSR框架为“压力-状态-响应”框架，用生产压力指数(Production press index，PPI)、耕地状态指数(Land status index，LSI)、社会响应指数(Social response index，SRI)作为准则层来表征耕地质量的各方面特征。其中PPI反映环境因素对耕地生产力的潜在威胁、LSI反映耕地的现有生产力，SRI反映土地利用程度及社会经济环境的可持续程度。从当地实际情况出发，根据相关数学分析，选取坡度(Slope)、土壤退化指数(RVI)、土壤水分指数(DVI)、归一化植被覆盖指数(NDVI)、土壤酸碱度(pH)、土壤有机质含量(OC)、表层土壤质地(TEXTURE)、灌溉保证率(IGR)作为评价指标。
坡度(Slope)对农田灌溉排水、农机具使用、土壤类型、土地利用及水保措施布设都有很大影响，并且与潜在水蚀危险性直接相关。平坦的地块水蚀危险性较小，各种农业管理措施便于实施；随坡度增加，水蚀危险程度、耕作和灌溉难度都随之增大。不同坡度耕地在质量上的存在很大差异，从而将坡度作为鉴别耕地质量的重要指标。
土壤退化指数RVI(Ratio vegetation index)又称比值植被指数。国内外已有大量研究表明，RVI能够反映耕地环境的胁迫程度，并且能够很好地反演土壤重金属等污染胁迫对作物生长造成的影响，土壤污染等环境不利因素会对作物的叶绿素生成产生影响，进而会通过植被冠层的反射率得到体现，通过RVI表达出来。因此，选用此指数对遥感影像进行波段比值运算，提取RVI指数表征土壤的退化程度。该指数计算公式如下：
Figure BDA0002352025830000091
土壤酸碱度(Soil acidity)是指与土壤固相相处于平衡的土壤溶液中H+浓度，用pH(Hydrogen ion concentration)来表示。土壤酸碱度对土壤肥力及植物生长影响很大，我国西北、北方不少土壤pH值大，南方红壤pH值小。因此可以种植和土壤酸碱度相适应的作物和植物。土壤酸碱度对养分的有效性影响也很大，如中性土壤中磷的有效性大；碱性土壤中微量元素(锰、铜、锌等)有效性差。因此，选用此指数表征土壤的酸碱程度。
土壤有机质(Organic matter content)泛指土壤中来源于生命的物质。土壤有机质是土壤固相部分的重要组成成分，是植物营养的主要来源之一，能促进植物的生长发育，改善土壤的物理性质，促进微生物和土壤生物的活动，促进土壤中营养元素的分解，提高土壤的保肥性和缓冲性的作用。它与土壤的结构性、通气性、渗透性和吸附性、缓冲性有密切的关系，通常在其他条件相同或相近的情况下，在一定含量范围内，有机质的含量与土壤肥力水平呈正相关。项目采用的基于世界土壤数据库(HWSD)的中国土壤数据集(v1.1)中有机质含量为有机碳含量，是有机质的主要组成部分，选用此指数表征土壤的有机质含量。
表层土壤质地(TEXTURE)采用联合国粮农组织、联合国教科文组织发布的世界土壤图表层土壤质地(0-30cm)数据。
归一化植被覆盖指数(NDVI)
NDVI(Normalized Difference Vegetation Index)又称归一化植被指数，能够准确地反映植被的覆盖程度。本实施例采用NDVI来反映植被覆盖信息，表征耕地质量状态。归一化植被指数(NDVI)是自1974年提出后使用最广泛的植被指数之一，根据近红外反射辐射率与红光反射辐射率运算求得，具体公式如下：
Figure BDA0002352025830000101
土壤水分指数DVI(Difference Vegetation Index)又称差值植被指数。土壤水分对农业生产影响非常严重，土壤的水分条件很大程度上可以反映耕地质量状况，是耕地质量优劣的重要指标。因此本实施例选取土壤含水量作为耕地状态指标，表征研究区域耕地状态。在遥感影像中红外波段对水分反映敏感，并且有研究表明，DVI能够用来反映地表湿度信息，体现区域土壤含水状况。差值植被指数具体公式如下：
DVI＝ρnir-ρred。
灌溉保证率(IGR)，社会行为对耕地质量状况起到重要的作用，如：耕地的利用方式，管理水平、耕地利用的投入情况等，均对耕地质量有一定的影响。考虑到数据获取情况，本实施例选取灌溉保证率(Irrigation guarantee rate)作为社会行为指数指标，分析研究区域耕地质量状况，即由于对耕地的投入、管理不同而形成不同的耕地利用方式，从而使各类耕地在利用程度上和耕地质量上出现差异。
参考《农用地质量分等规程(GBT28407-2012)》与已有研究成果，对参与耕地质量评价的各指标进行分级和标准化，运用DELPHI法，通过专家打分确定各评价指标坡度(Slope)、土壤退化指数(RVI)、土壤酸碱度(pH)、土壤有机质含量(OC)、表层土壤质地(TEXTURE)、归一化植被覆盖指数(NDVI)、土壤水分指数(DVI)、灌溉保证率(IGR)权重，由此得到耕地质量指标的综合评价模型为：
CLQI＝0.20×SLOPE+0.22×RVI+0.02×pH+0.03×OC+0.03×TEXTURE
+0.13×NDVI+0.09×DVI+0.28×IGR
利用SPSS软件计算8个评价因子与高等级耕地相关性，person指数均大于0.3，且显著性<0.01，说明所选因子与耕地质量具有相关性与显著性。
本实施例中，将耕地质量等级分为5个等级，此处x为耕地质量分：一等(13等)，x≥70；二等(13/14等)，60≤x＜70；三等(14等)，50≤x＜60；四等(14/15等)，40≤x＜50；五等(15等)，x＜40。
(S313)栅格化所在的地理区域，对栅格数据利用ArcGIS栅格计算器进行计算，从所述耕地质量基础数据中按所述耕地质量评价因子提取对应数据对栅格化的地理区域分别进行耕地质量评价，得出耕地质量评价分。
(S314)根据耕地质量等级及耕地质量分阈值对每个栅格化的地理区域的耕地质量评价结果处理，确定耕地质量等别，形成耕地质量空间数据。
本实施例利用内蒙古自治区土地整理中心耕地数据提供的耕地质量数据进行验证，选择36个样方进行验证，模型对于耕地自然等的提取精度为72.22％。
基于基础数据库设定的耕地分布空间数据的数据结构包括区名称、政区代码、土地资源类型、耕地资源二级类型、编码、耕地等级、图斑面积属性，如下表4所示。
Figure BDA0002352025830000111
表4
在上述耕地分布空间数据和耕地质量空间数据及数据集的基础上，以标准的格式储存(如gdb)，并按设定的标准规范命名，构建生成耕地资源数据库。
草地资源数据库的构建
草地资源数据库分为草地分布空间数据和草地质量空间数据两个部分。
草地分布空间数据由所述土地覆盖空间数据按其一级类草地类型提取并细化到二级类和三级类草地类型形成，该二级类草地类型包括天然草地和人工草地，三级类按按覆盖度分为高、中、低覆盖度，如下表5所示。
Figure BDA0002352025830000121
表5
在草地分布数据的基础上，提取草地质量，草地质量通过净初级生产力(NPP，NetPrimary Productivity)来体现。植被净初级生产力是光合作用积累的总初级生产力减去呼吸作用消耗后的剩余部分，它是生态系统中其他生物成员生存和繁衍的物质基础，是陆地植被碳固定能力的重要特征。本实施例基于CASA(Carnegie-Ames-Stanford Approach)模型，利用GF-1卫星WFV多光谱16m分辨率遥感影像数据和气象数据，提取NDVI信息，计算模型所需各个参数，对测区进行NPP估算。具体过程如下：
(S321)获取所述草地分布空间数据对应的卫星遥感影像数据，结合已知的草地质量数据库，对照提取出用于评价草地质量状况的草地质量基础数据。
其中，遥感数据采用GF-1卫星WFV多光谱16m分辨率影像，时间选取在生长季(一般为5-10月)，云量要求小于10％。
实地样方数据采用内蒙古自治区草原监督管理局提供的相应时间的锡林浩特市实地样方数据，用于验证结果。
土地利用数据采用土地资源数据库的地表覆盖数据中的草地数据。
太阳辐射数据采用中国气象数据网下载的相应时间锡林浩特站点的太阳辐射月数据。
(S322)栅格化所在的地理区域，基于CASA模型从草地质量基础数据中提取对应数据参数计算，分别对每个栅格化的地理区域进行草地质量评价。
NPP的估算采用CASA模型，充分考虑了环境条件以及植被本身的特征，主要以遥感(RS)和地理信息系统(GIS)为技术手段，通过遥感数据、温度、降水、太阳辐射等气象数据以及植被类型、土壤类型共同来进行驱动。在CASA模型中，可以利用遥感技术获取NDVI，进而得到FPAR等参数，还可以得到宏观尺度上的土地利用情况，对植被覆盖类型进一步掌握，进而估算NPP，依据的原理是植被净初级生产力主要由植被所能吸收的光合有效辐射(APAR)与其光能转化率(ε)两个变量来确定。
NPP(x，t)＝APAR(x，t)×ε(x，t)
式中，t表示时间，x表示空间位置；APAR(x，t)表示像元x在t月份吸收的光合有效辐射；ε(x，t)表示像元x在t月份的实际光利用率。
PAR(光合有效辐射)是可被植被光合作用利用的那部分太阳辐射，主要是波长范围在0.38～0.76μm的可见光。光合有效辐射一般约占太阳总辐射能量的50％左右。PAR通过植物的光合作用转换为有机物，如森林木材、牧草、农作物粮食等，从而为人们所利用。由于地理纬度、海拔高度和地形天气状况的影响，其分布差异较大。APAR(植被吸收的光合有效辐射)，植物生产潜力的大小主要取决于光合有效辐射、光能利用率、光能转化率，以及温度、水分调节对光合作用强度的影响。因此，光合有效辐射对估算植物的光合生产力有重要意义。ε(光能转化率)植物固定太阳能并通过光合作用将所截获/吸收的能量转化为C/有机物干物质总量，代表植被吸收的光合有效辐射转化为有机碳的效率。
植被所吸收的光合有效辐射取决于太阳总辐射和植被对光合有效辐射的吸收比例，用如下公式表示：APAR(x，t)＝SOL(x，t)×FPAR(x，t)×0.5
式中，SOL(x，t)是t月份象元x处的太阳总辐射量(MJ·m-2)；FPAR(x，t)为植被层对入射光合有效辐射(PAR)的吸收比例；常数0.5表示植被所能利用的太阳有效辐射(波长为0.4～0.7μm)占太阳总辐射的比例。
植被对太阳有效辐射的吸收比例取决于植被类型和植被覆盖状况。研究证明，由遥感数据得到的归一化植被指数(NDVI)能很好地反映植物覆盖状况。模型中FPAR由NDVI和植被类型两个因子来表示，并使其最大值不超过0.95。
Figure BDA0002352025830000141
式中，SRmin取值为1.08，SRmax的大小与植被类型有关，取值范围在4.14到6.17之间。
SR(x，t)由NDVI(x，t)求得：
SR(x，t)＝[1+NDVI(x，t)]/[1-NDVI(x，t)]
NDVI(x，t)求取：
NDVI＝(NIR-R)/(NIR+R)
式中，NIR为GF-1数据中的近红外波段；R为GF-1数据中的红光波段。
光能转化率是指植被把所吸收的入射光合有效辐射(PAR)转化为有机碳的效率。一般认为在理想条件下植被具有最大光能转化率，而在现实条件下光能转化率主要受温度和水分的影响。
ε(x，t)＝Tε1(x，t)×Tε2(x，t)×Wε(x，t)×ε*
式中，Tε1和Tε2反映温度对光能转化率的影响，Wε为水分胁迫影响系数，代表水分条件的影响，ε*为理想状态下的最大光能转化率。通常认为全球中的植被最大光能转化率是0.389gC·MJ-1。
Tε1表示在低温和高温时，植物内在的生化作用对光合的限制而降低净初级生产力：
Tε1(x)＝0.8+0.02Topt(x)-0.0005[Topt(x)]2
式中，Topt(x)为某一区域一年内NDVI值达到最高时月份的平均气温。当某一月平均温度小于或等于-10℃时，Tε1取0。
Tε2表示环境温度从最适宜温度Topt(x)向高温和低温变化时植物的光能转化率逐渐变小的趋势：
Figure BDA0002352025830000151
式中，当某一月平均温度(T(x，t))比最适宜温度(Topt(x))高10℃或低13℃时，该月的Tε2值等于月平均温度(T(x，t))为最适宜温度(Topt(x))时Tε2值的一半。
水分胁迫影响系数(Wε)反映了植物所能利用的有效水分条件对光能转化率的影响。随着环境中有效水分的增加，Wε逐渐增大。它的取值范围为0.5(在极端干旱条件下)到1(非常湿润条件下)，由下列公式计算：
Wε(x，t)＝0.5+0.5EET(x，t)/PET(x，t)
式中：PET由植被—气候关系模型的计算方法求得，EET由土壤水分子模型求算，需要土壤含水量、土壤粘粒、砂粒所占百分比等相关数据。当月均温小于或等于0℃时，认为PET和EET为零。
(S323)设定多个草地质量等级，并根据草地质量等级对每个栅格化的地理区域的草地质量评价结果处理形成草地质量空间数据。
其中草地质量等级划分标准如下表6所示：
草原级 划分标准
1级草原 可食牧草产量≥4000kg/hm<sup>2</sup>
2级草原 3000kg/hm<sup>2</sup>≤可食牧草产量＜4000kg/hm<sup>2</sup>
3级草原 2000kg/hm<sup>2</sup>≤可食牧草产量＜3000kg/hm<sup>2</sup>
4级草原 1500kg/hm<sup>2</sup>≤可食牧草产量＜2000kg/hm<sup>2</sup>
5级草原 1000kg/hm<sup>2</sup>≤可食牧草产量＜1500kg/hm<sup>2</sup>
6级草原 500kg/hm<sup>2</sup>≤可食牧草产量＜1000kg/hm<sup>2</sup>
7级草原 250kg/hm<sup>2</sup>≤可食牧草产量＜500kg/hm<sup>2</sup>
8级草原 可食牧草产量＜250kg/hm<sup>2</sup>
表6。
基于基础数据库设定的草地分布空间数据的数据结构包括政区名称、政区代码、土地资源类型、草地资源三级类型、编码、草地等级、图斑面积属性，如下表7所示。
Figure BDA0002352025830000152
Figure BDA0002352025830000161
表7
在上述草地分布空间数据和草地质量空间数据及数据集的基础上，以标准的格式储存(如gdb)，并按设定的标准规范命名，构建生成草地资源数据库。
水资源数据库的构建
水资源数据库主要由水体分布空间数据构成，所述水体分布空间数据由所述土地覆盖空间数据按其一级类水域及水利设施用地类型提取，并结合对应的遥感影像进行人工解译，并细化到二级类和三级类水域类型形成，该二级类水域类型包括河渠、湖泊和库塘，该三级类水域类型包括隶属于河渠的河流和水渠，隶属于库塘的水库和坑塘；如下表8所示。
Figure BDA0002352025830000162
表8
水体分布空间数据采用人工解译与遥感提取结合的方法获取。根据水资源特点，主要选取中等分辨率的遥感数据进行水体解译，以GF-1卫星数据为主。对于覆盖不完全区域采用其他数据源数据补充，包括Landsat数据、环境卫星数据等。
对于水体解译，利用高分辨率遥感影像进行。首先需要完成对影像的预处理；然后是水体提取方法的确定和水体提取阈值的选取；最后在完成水体解译工作，并完成水资源核算的一系列工作，如NDWI、MNDWI、EWI、NWI、MDLWI等水体指数的获取和计算在现有技术中均较为成熟，本实施例中对此不再赘述。
其数据采集严格按照《地理国情普查数据规定与采集要求(GDPJ 03-2013)》执行。分类标准采用《地理国情普查基本统计技术规定(GDPJ 02-2013)》中的指标。
基于基础数据库设定的水体分布空间数据的数据结构包括政区名称、政区代码、土地资源类型、水资源二级类型、分类编码、图斑面积属性，如下表9所示。
Figure BDA0002352025830000171
表9
在该水体分布空间数据及数据集的基础上，以标准的格式储存(如gdb)，并按设定的标准规范命名，构建生成水资源数据库。
森林资源数据库的构建
森林资源数据库分为森林分布空间数据、森林质量空间数据以及立木蓄积量空间数据三个部分。所述森林分布空间数据由所述土地覆盖空间数据按其一级类林地类型提取并细化到二级类和三级类林地类型形成，该二级类林地类型包括乔木林、灌木林、乔灌混合林、竹林、疏林、绿化林地、人工幼林、稀疏灌丛，如下表10所示。
Figure BDA0002352025830000172
Figure BDA0002352025830000181
表10
在林地分布数据的基础上，利用主成分分析法选取五类要素计算森林质量，通过样方数据构建反演模型，估测立木蓄积量。
其中，所述森林质量空间数据生成过程如下：
(S331)获取所述森林分布空间数据对应的卫星遥感影像数据，结合已知的森林质量数据库，对照提取出用于评价森林质量状况的森林质量基础数据。其中森林质量数据库包括土地资源数据库中的建设用地数据、土地覆盖空间数据中的耕地数据、坡度数据。
建设用地数据提取土地资源数据中的建设用地。
坡度数据利用全国地理国情普查数据中的DEM数据，使用ArcGIS中的3D Analyst中的栅格坡度提取工具提取获得。按照测区范围对数据进行裁剪，并重采样为16m。
土地利用数据采用土地资源数据库的地表覆盖数据中的耕地数据。使用ArcGIS中的面转栅格工具将其转化为栅格数据，分辨率为16m。
(S332)基于该地理区域范围的实际情况采用主成分分析法设定森林质量评价指标，并设定多个森林质量等级，基于所述森林质量评价指标建立森林质量评价模型。
将森林质量分类按照主成分分析法进行分类，共分为5级，如下表11所示。
Figure BDA0002352025830000182
Figure BDA0002352025830000191
表11
第1主成分包括植被覆盖度、草本多样性指数和立木蓄积量，可以作为描述植被指标的情况，但植被覆盖度指标因子的负荷值高出草本多样性指数和林木蓄积量的值较多，且它们之间的相关度较高，所以本实施例用植被盖度代表林地评价的植被指标情况。第2主成分包括土壤厚度、土壤类型和腐殖质层厚度，可用来描述土壤指标情况，土壤类型的指标因子负荷值较土壤厚度和腐殖质层厚度的值高出0.2以上，所以用土壤类型代表林地评价的土壤指标情况。第3主成分包括海拔、坡向、坡度，用来描述地形指标情况，其中海拔、坡向和坡度的因子负荷值都较高，均可作为林地评价的地形指标。第4主成分包括了人类干扰度和灾害程度，人为干扰度较灾害程度的因子负荷值高，选取人为干扰度作为林地质量评价的稳定性指标。
植被覆盖度。植被覆盖度能够反映地表植物分布的规律、植被的生长状况等植被信息，本实施例中使用通过GF影像提取的植被NDVI数据。
地形因子。包括坡度、坡向和高程。坡度的大小决定着地表侵蚀作用的强弱、水土流失的强度、土层厚度、灌溉的难易等，对森林的生长有直接的影响；坡向对太阳辐射照度、日照时数、温度及湿度等都有明显影响，从而引起林木和环境的生态关系发生变化；高程主要反映林地的热量和水分状况，不同高度具有不同的水热组合特征，对森林的生长和分布会产生很大影响。
土壤类型。不同的土壤类型，其养分和水分的含量不同，对林木的生长和分布等有直接的影响，是影响林业发展的重要因素之一。土壤类型使用基于世界土壤数据库(HWSD)的中国土壤数据集(v1.1)中的表层土壤质地数据。
人为干扰度。干扰活动也是影响林木生长的一个主要因素，主要有砍柴、割草、采摘、放牧等。本实施例使用居民点做缓冲区数据，根据距离进行分级。
综合测区林地的实际情况，运用层次分析法，确定出阿荣旗森林质量评价指标分级标准，将评价指标划分为Ⅰ级、Ⅱ级、Ⅲ级、Ⅳ级、Ⅴ级，分别赋予10、8、6、4、2五个分值，以调查资料为基础，利用层次分析法、咨询相关专家确定各指标的权重值。
利用植被覆盖度、坡向、坡度、海拔和人为干扰度5个评价指标的权重乘以相对应的等级分值，计算出每个栅格单元中各评价指标的评价值，再通过叠加分析，得到各栅格单元的综合评价值S。其评价模型为：
Figure BDA0002352025830000201
式中，S为栅格单元的综合评价值；Ui为评价指标因子i的分值；Wi为评价指标i的分值；5为评价指标总数。
根据综合评价值，将森林质量等级划分设定为优秀(8～10分)、良好(6～8分)、中(4～6分)、差(2～4分)4个等级。
(S333)栅格化所在的地理区域，对栅格数据利用ArcGIS栅格计算器进行计算，从所述森林质量基础数据中按所述森林质量评价指标提取对应数据对栅格化的地理区域分别进行森林质量评价，得出森林质量评价分。
(S334)根据森林质量等级对每个栅格化的地理区域的森林质量评价结果处理形成森林质量空间数据。
所述立木蓄积量空间数据的生成过程如下
将所述森林分布空间数据对应的卫星遥感影像数据、地理信息系统数据、调查数据作为基础数据源，从遥感影像数据上反演目标物的地表反射率，分析遥感影像数据和地理信息系统数据与森林蓄积量之间的关系，采用地面样地所对应的遥感影像各波段灰度值、灰度比值及样地信息为自变量，以样地蓄积量为因变量，构建森林立木蓄积量反演模型进行对遥感估测，形成所述立木蓄积量空间数据。
将影响立木蓄积量的估测因子分为两大类，一类是从遥感影像上所获得的各类地的反射率值以及波段比值；另一类则是利用DEM提出高精度的地形因子，以最大程度的减少地面工作量，实现真正的蓄积量遥感估测。
根据对遥感图像不同波段的分析，遥感图像各个波段拥有各自不同的波谱特征，而且每个波段的信息量也各不相同，因此，从各个波段所能提取的植被信息也存在较大差异。对于复杂的植被遥感，仅用个别波段或多个单波段数据分析对比来提取植被信息是相当局限的。因而往往选用多光谱遥感数据经分析运算(加、减、乘、除等线性或非线性组合方式)，产生某些对植被长势、生物量等有一定指示意义的数值――即各类“植被指数”。通过遥感植被指数技术可以提取植物生物物理参数的定量信息。本实施例选取了3种植被指数，分别为归一化植被覆盖指数(NDVI)，比值植被指数(RVI)，差值植被指数(DVI)，计算公式分别为：
Figure BDA0002352025830000211
Figure BDA0002352025830000212
DVI＝ρnir-ρred。
立木蓄积量很大程度上是一系列定性因子和定量因子对林木生长影响的综合反映。根据Landsat8-OLI遥感图像7个波段具有不同的波谱特征及主要用途，将遥感图像的6个原始波段TM1、TM2、TM3、TM4、TM5、TM7设置为遥感因子。
健康绿色植物的波谱特征主要取决于它的叶子，在可见光谱段内，植物的光谱特性主要受叶片的各种色素的支配，其中叶绿素起着最重要的作用；在近红外谱段内，植物的光谱特征取决于叶片内部的细胞结构；在短波红外谱段内，植物的光谱特性受叶子的总含水量的控制。这些都反映在植物的波谱反射曲线上：TM1和TM3波段是两个叶绿素的吸收带，TM2波段区有一个小的反射峰，TM4波段所在的近红外反射区强烈地反射近红外辐射，TM5、TM7所在的中红外区受叶片内部水分的控制，出现了两个反射峰。在设置比值波段时，用反射与吸收之比或高反射与低反射之比，可使原波段上不易区分的植被容易识别出来。因此，在进行森林蓄积量遥感估测时，在参考已有研究的基础上，设置了如下比值波段：TM5/4、TM(5+7-2)/(5+7+2)、TM4*5/7、TM(4+5-2)/(4+5+2)、TM5/7、TM3/(1+2+3+4+5+7)、TM4*3/7。
缨帽变换(K-T变换)差值法，利用缨帽变换后的亮度、绿度和湿度分量进行变化检测，在土壤、植被的变化监测中有着广泛的应用。其计算方法如下：
Y＝BX
式中，X为变换前的多光谱空间的像元矢量，Y为变换后的新坐标空间的像元矢量，B为变换矩阵。
Figure BDA0002352025830000221
矩阵为6×6，主要针对影像的1至5波段和第7波段。B与矢量X＝(x1，x2，…x6)T相乘后得到的6个分量，Y＝(y1，y2，…y6)T。y1为亮度，是影像6个波段的加权和，反映了总体的反射值。y2为绿度，从变换矩阵B的第二行系数看，波长较长的红外波段5和7即(x5，x7)有很明显的抵消，剩下的4与1、2、3，是近红外与可见光部分的差值，反映了绿色生物量的特征。y3为湿度，这个分量反映了可见光至近红外波段(波段1至4)与波长较长的红外(波段5，7)波段的差值，而5、7两波段对土壤湿度和植被最为敏感，便于反映出湿度特征。y4，y5，y6这三个分量与地物没有明确的对应关系，所以选取前三个分量KT1、KT2、KT3分别为缨帽变换作为遥感因子。
综上所述，本实施例所设置的遥感因子包括：TM1、TM2、TM3、TM4、TM5、TM7、TM5/7、KT1、KT2、KT3、TM(5+7-2)/(5+7+2)、TM4*5/7、TM(4+5-2)/(4+5+2)、TM5/4、TM3/TM(1+2+3+4+5+7)、TM4*3/7共16个遥感因子。
地形因子：高程与森林的蓄积量有较大的相关性，随海拔的升高，树种呈现有规律的垂直分布景观，森林的蓄积量也有较大的变化，坡向、坡度与森林的分布及生长状况密切相关，所以项目选取高程、坡度、坡向数据。
样本数据筛选：运用标准差分析方法进行筛选，剔除掉离平均值较大的样本点。具体做法是将各个遥感、GIS因子
Figure BDA0002352025830000222
中(δ为样本的标准偏差，
Figure BDA0002352025830000223
为样本的平均值，Xi为样本的数值)的样本数据给予剔除。最后选取了90个满足条件的样本点数据参与建模，30个满足条件的样本点作为验证点。
自变量筛选：首先是根据变量准入方程的标准，逐步向方程中输送变量。然后根据“消元法”的标准淘汰不合格的变量。经过主成分因子分析方法提取的各分组变量之间仅存在少量相关，再将这5组变量用逐步回归的方法进行分析。
以回归系数显著性检验中各自变量的F统计量的相伴概率值Sig≤0.05和F统计量的相伴概率值Sig≥0.10作为自变量是否引入模型或者从模型剔出的标准。当自变量的F统计量的相伴概率值Sig≤0.05，认为该变量对因变量的影响是显著的，应被引入回归方程；当自变量的F统计量的相伴概率值Sig≥0.10时，则认为该变量对因变量的影响是不显著的，应从回归方程剔除。
因此，入选变量KT1、Slope、B123457、KT3、B2、B1、B5、RVI。
林木的蓄积量估测模型可表示为：
V＝Inγ0+Xγ+e，E(e)＝0，COV(e)＝σ2In；
式中：γ为P×1待定参数向量；γ0为常数项待定参数；e为n×1向量，表示蓄积量观测值的随机误差；COV(e)为n个样地蓄积量观测值的协方差阵；σ2为样地蓄积量观测方差；In为n阶单位阵。
利用SPSS软件线性回归工具，后退法求回归方程，得到：
Y＝14586.095-"KT1"*103.614+"Slope"*155.987+"B123457"*167387.358+"KT3"*55.487+"B2"*166.069-"B1"*90.897+"B5"*12.046-"RVI"*71.560
复相关系数R＝0.86，R2＝0.74，表示方程能够较好地反映出蓄积量与遥感因子和GIS因子之间的关系。回归方程的显著性检验采用统计量作F检验，检验达到显著水平，说明回归方程具有显著的线性回归关系。
精度验证：由于《森林资源规划设计调查主要技术规定》中的精度要求，国有森林经营单位小班调查因子中每公顷蓄积量的允许误差在15％以内。利用随机选取的30个实地采样验证点对模型预估能力进行检验，分析其预报误差并对拟合的方程进行精度验证：
精度(P)＝通过验证样本个数(C)/样本总个数(A)
其中，通过验证样本值应满足条件：
实际值*(1-15％)<遥感反演值<实际值*(1+15％)
模型精度计算方法：
P＝(通过验证样本点个数/验正样本点总个数)*100％
得到反演模型精度为76.7％。
基于基础数据库设定的森林分布空间数据的数据结构包括政区名称、政区代码、土地资源类型、森林资源二级类型、编码、林地等级、图斑面积属性，如下表12所示。
Figure BDA0002352025830000231
Figure BDA0002352025830000241
表12
在上述森林分布空间数据、森林质量空间数据和立木蓄积量空间数据及数据集的基础上，以标准的格式储存(如gdb)，并按设定的标准规范命名，即构建生成森林资源数据库。
由此构建出以基础数据库为基础、以土地资源数据库、耕地资源数据库、草地资源数据库、水资源数据库和森林资源数据库为关联扩展的指定地理区域范围的自然资源数据库。
上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而做出的变化，均应属于本发明的保护范围之内。

Claims (9)

1.一种自然资源数据库构建方法，其特征在于，包括以下步骤：
(S1)设定待构建的自然资源数据库所要涵盖的地理区域范围，由地理国情普查数据中获取该地理区域范围内的自然资源基础数据；
(S2)对自然资源基础数据进行预处理，分离获得区域资源环境与社会发展本底信息，其以空间数据为主体形成基础数据库，并分离获得土地覆盖空间数据；
(S3)从土地覆盖空间数据中根据土地资源类型分别提取出在统一时空框架下的耕地分布空间数据、草地分布空间数据、水体分布空间数据、森林分布空间数据，并分别在其基础上生成耕地质量空间数据、草地质量空间数据、森林质量空间数据；
(S4)基于基础数据库设定统一的数据结构标准，并在该数据结构标准下，由土地覆盖空间数据形成土地资源数据库，由耕地分布空间数据和耕地质量空间数据形成耕地资源数据库，由草地分布空间数据和草地质量空间数据形成草地资源数据库，由水体分布空间数据形成水资源数据库，由森林分布空间数据和森林质量空间数据形成森林资源数据库。
2.根据权利要求1所述的一种自然资源数据库构建方法，其特征在于，所述基础数据库包括基于空间关联的基础地理信息、生态环境数据、社会经济数据、人口数据、遥感影像数据。
3.根据权利要求1所述的一种自然资源数据库构建方法，其特征在于，所述分离获得土地覆盖空间数据的过程为
将以年度划分的自然资源基础数据为基础，结合对应年度的遥感正射影像，采用人工解译方式获取相应年度的地表覆盖数据，形成土地覆盖空间数据；
所述土地资源类型包括属于一级类的耕地、园地、林地、草地、建设用地、交通运输用地、水域及水利设施用地、其他土地。
4.根据权利要求3所述的一种自然资源数据库构建方法，其特征在于，所述耕地分布空间数据由所述土地覆盖空间数据按其一级类耕地类型提取并细化到二级类耕地类型形成，该二级类耕地类型包括水田和旱地；
所述草地分布空间数据由所述土地覆盖空间数据按其一级类草地类型提取并细化到二级类和三级类草地类型形成，该二级类草地类型包括天然草地和人工草地；
所述水体分布空间数据由所述土地覆盖空间数据按其一级类水域及水利设施用地类型提取，并结合对应的遥感影像进行人工解译，并细化到二级类和三级类水域类型形成，该二级类水域类型包括河渠、湖泊和库塘，该三级类水域类型包括隶属于河渠的河流和水渠，隶属于库塘的水库和坑塘；
所述森林分布空间数据由所述土地覆盖空间数据按其一级类林地类型提取并细化到二级类和三级类林地类型形成，该二级类林地类型包括乔木林、灌木林、乔灌混合林、竹林、疏林、绿化林地、人工幼林、稀疏灌丛。
5.根据权利要求4所述的一种自然资源数据库构建方法，其特征在于，所述耕地质量空间数据生成过程如下：
(S311)获取所述耕地分布空间数据对应的卫星遥感影像数据，结合已知的耕地质量数据库，对照提取出用于评价耕地质量状况的耕地质量基础数据；
(S312)基于该地理区域范围的实际情况采用PSR框架设定耕地质量评价因子，并设定多个耕地质量等级，基于所述耕地质量评价因子建立耕地质量评价模型；
(S313)栅格化所在的地理区域，从所述耕地质量基础数据中按所述耕地质量评价因子提取对应数据对栅格化的地理区域分别进行耕地质量评价；
(S314)根据耕地质量等级对每个栅格化的地理区域的耕地质量评价结果处理形成耕地质量空间数据。
6.根据权利要求4所述的一种自然资源数据库构建方法，其特征在于，所述草地质量空间数据生成过程如下：
(S321)获取所述草地分布空间数据对应的卫星遥感影像数据，结合已知的草地质量数据库，对照提取出用于评价草地质量状况的草地质量基础数据；
(S322)栅格化所在的地理区域，基于CASA模型从草地质量基础数据中提取对应数据参数计算，分别对每个栅格化的地理区域进行草地质量评价；
(S323)设定多个草地质量等级，并根据草地质量等级对每个栅格化的地理区域的草地质量评价结果处理形成草地质量空间数据。
7.根据权利要求4所述的一种自然资源数据库构建方法，其特征在于，所述森林质量空间数据生成过程如下：
(S331)获取所述森林分布空间数据对应的卫星遥感影像数据，结合已知的森林质量数据库，对照提取出用于评价森林质量状况的森林质量基础数据，其中森林质量数据库包括土地资源数据库中的建设用地数据、土地覆盖空间数据中的耕地数据；
(S332)基于该地理区域范围的实际情况采用主成分分析法设定森林质量评价指标，并设定多个森林质量等级，基于所述森林质量评价指标建立森林质量评价模型；
(S333)栅格化所在的地理区域，从所述森林质量基础数据中按所述森林质量评价指标提取对应数据对栅格化的地理区域分别进行森林质量评价；
(S334)根据森林质量等级对每个栅格化的地理区域的森林质量评价结果处理形成森林质量空间数据。
8.根据权利要求7所述的一种自然资源数据库构建方法，其特征在于，所述森林资源数据库还包括与森林分布空间数据和森林质量空间数据相关的立木蓄积量空间数据。
9.根据权利要求8所述的一种自然资源数据库构建方法，其特征在于，所述立木蓄积量空间数据的生成过程如下：
将所述森林分布空间数据对应的卫星遥感影像数据、地理信息系统数据、调查数据作为基础数据源，从遥感影像数据上反演目标物的地表反射率，分析遥感影像数据和地理信息系统数据与森林蓄积量之间的关系，采用地面样地所对应的遥感影像各波段灰度值、灰度比值及样地信息为自变量，以样地蓄积量为因变量，构建森林立木蓄积量反演模型进行对遥感估测，形成所述立木蓄积量空间数据。
CN201911419757.3A 2019-12-31 2019-12-31 一种自然资源数据库构建方法 Pending CN111160799A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911419757.3A CN111160799A (zh) 2019-12-31 2019-12-31 一种自然资源数据库构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911419757.3A CN111160799A (zh) 2019-12-31 2019-12-31 一种自然资源数据库构建方法

Publications (1)

Publication Number Publication Date
CN111160799A true CN111160799A (zh) 2020-05-15

Family

ID=70560361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911419757.3A Pending CN111160799A (zh) 2019-12-31 2019-12-31 一种自然资源数据库构建方法

Country Status (1)

Country Link
CN (1) CN111160799A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112507508A (zh) * 2020-10-28 2021-03-16 中国地质大学（北京） 基于自然资源要素综合观测的指标体系的构建方法
CN113610421A (zh) * 2021-08-17 2021-11-05 东莞理工学院 一种基于地形和土地利用数据的流域生态资产价值评估方法
CN113744106A (zh) * 2021-09-17 2021-12-03 速度时空信息科技股份有限公司 一种自动划分自然资源确权登记单元的方法
JP2021197084A (ja) * 2020-06-18 2021-12-27 日本森林総研株式会社 サーバ、森林データ利用システム、森林データ利用方法およびプログラム
CN115457386A (zh) * 2022-08-26 2022-12-09 广东省城乡规划设计研究院有限责任公司 一种村庄用地信息化生成方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101546421A (zh) * 2009-04-01 2009-09-30 河北农业大学 一种基于gis的省域可比耕地质量评价方法
CN109726698A (zh) * 2019-01-07 2019-05-07 中国水利水电科学研究院 基于遥感数据进行季度灌溉面积识别的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101546421A (zh) * 2009-04-01 2009-09-30 河北农业大学 一种基于gis的省域可比耕地质量评价方法
CN109726698A (zh) * 2019-01-07 2019-05-07 中国水利水电科学研究院 基于遥感数据进行季度灌溉面积识别的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张弛等: "内蒙古自治区自然资源空间信息数据库建设研究" *
张弛等: "基于RS和GIS的森林蓄积量估测研究" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021197084A (ja) * 2020-06-18 2021-12-27 日本森林総研株式会社 サーバ、森林データ利用システム、森林データ利用方法およびプログラム
CN112507508A (zh) * 2020-10-28 2021-03-16 中国地质大学（北京） 基于自然资源要素综合观测的指标体系的构建方法
CN113610421A (zh) * 2021-08-17 2021-11-05 东莞理工学院 一种基于地形和土地利用数据的流域生态资产价值评估方法
CN113744106A (zh) * 2021-09-17 2021-12-03 速度时空信息科技股份有限公司 一种自动划分自然资源确权登记单元的方法
CN113744106B (zh) * 2021-09-17 2023-11-28 速度科技股份有限公司 一种自动划分自然资源确权登记单元的方法
CN115457386A (zh) * 2022-08-26 2022-12-09 广东省城乡规划设计研究院有限责任公司 一种村庄用地信息化生成方法

Similar Documents

Publication Publication Date Title
Zhong et al. Assessing spatial-temporal dynamics of urban expansion, vegetation greenness and photosynthesis in megacity Shanghai, China during 2000–2016
Fraga et al. Climate change projections for olive yields in the Mediterranean Basin
Hutley et al. A sub-continental scale living laboratory: Spatial patterns of savanna vegetation over a rainfall gradient in northern Australia
Justice et al. Monitoring East African vegetation using AVHRR data
Schaefer et al. A model‐data comparison of gross primary productivity: Results from the North American Carbon Program site synthesis
Loveland et al. Seasonal land‐cover regions of the United States
Liu et al. Net primary productivity mapped for Canada at 1‐km resolution
Markon et al. Characteristics of vegetation phenology over the Alaskan landscape using AVHRR time-series data
Ponce-Hernandez et al. Assessing carbon stocks and modelling win-win scenarios of carbon sequestration through land-use changes
CN111160799A (zh) 一种自然资源数据库构建方法
CN101435873A (zh) 基于伴生物种和群落分级的药用植物资源的遥感监测方法
Huang et al. Modeling net primary production of a fast-growing forest using a light use efficiency model
Zhou et al. Remote sensing monitoring and evaluation of degraded grassland in China
Wetherley et al. Remote sensing and energy balance modeling of urban climate variability across a semi-arid megacity
Girma Potential impact of climate and land use changes on the water resources of the Upper Blue Nile Basin
Mücher et al. Development of a consistent methodology to derive land cover information on a European scale from remote sensing for environmental monitoring; the PELCOM report
Habib et al. Current and emerging technologies for carbon accounting in urban landscapes: Advantages and limitations
Yelwa Broadscale vegetation change assessment across Nigeria from coarse spatial and high temporal resolution AVHRR data
McKendry et al. Applications of GIS in Forestry: A review
Ahwaidi Factors affecting recent vegetation change in north-east Libya
Cobiac Predicting native pasture growth in the Victoria River District of the Northern Territory
Bidgoli et al. Area estimation of saffron cultivation using satellite images and time difference method (case study: Fazl Village in Nishabur County of Iran)
Ehhalt Investigating Variability in CO2 Fluxes in Urban Gardens, Oakland CA
Viergever Establishing the sensitivity of Synthetic Aperture Radar to above-ground biomass in wooded savannas
Eisfelder Modelling net primary productivity and above-ground biomass for mapping of spatial biomass distribution in Kazakhstan

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200515