CN111582703B - 全球中高分辨率植被总初级生产力产品的计算方法及装置 - Google Patents
全球中高分辨率植被总初级生产力产品的计算方法及装置 Download PDFInfo
- Publication number
- CN111582703B CN111582703B CN202010363867.9A CN202010363867A CN111582703B CN 111582703 B CN111582703 B CN 111582703B CN 202010363867 A CN202010363867 A CN 202010363867A CN 111582703 B CN111582703 B CN 111582703B
- Authority
- CN
- China
- Prior art keywords
- climate zone
- vegetation
- vegetation climate
- weather
- calculating
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000029553 photosynthesis Effects 0.000 claims abstract description 114
- 238000010672 photosynthesis Methods 0.000 claims abstract description 114
- 238000004364 calculation method Methods 0.000 claims abstract description 79
- 238000004458 analytical method Methods 0.000 claims abstract description 68
- 230000005855 radiation Effects 0.000 claims description 53
- 230000012010 growth Effects 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 34
- 230000000243 photosynthetic effect Effects 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 208000023368 generalized pustular psoriasis Diseases 0.000 description 29
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 28
- 230000004907 flux Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008636 plant growth process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical class O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了全球中高分辨率植被总初级生产力产品的计算方法及装置，其中，方法包括：获取中高空间分辨率叶面积指数产品、气象再分析数据和植被气候带分类图；依据中高空间分辨率叶面积指数产品、气象再分析数据和植被气候带分类图，分别确定植被气候带分类图中每类植被气候带的日潜在最大光合作用量；依据气象再分析数据和植被气候带分类图，分别确定植被气候带分类图中每类植被气候带的气象限制量；分别计算每类植被气候带的气象限制量和日潜在最大光合作用量的乘积，得到每类植被气候带的初级生产力；依据每类植被气候带的初级生产力，计算全球中高分辨率植被总初级生产力产品。本申请可以提高计算精度。
Description
技术领域
本申请涉及遥感图像处理领域，尤其涉及全球中高分辨率植被总初级生产力产品的计算方法及装置。
背景技术
利用遥感卫星得到的各种数据结合光能利用率模型(LUE模型)，估算植被生态系统总初级生产力(Gross Primary Productivity，GPP)。其中，估算得到的植被生态系统总初级生产力已被广泛应用于全球碳源汇评估。
但是，通过LUE模型估算的植被生态系统总初级生产力，在全球范围内的总体估算精度较低，即在全球范围内，有些区域的植被初级生产力产品的估算精度高，有些区域的植被初级生产力产品的估算精度低，即全球中高分辨率植被总初级生产力产品的估算精度低。
发明内容
本申请提供了全球中高分辨率植被总初级生产力产品的计算方法及装置，目的在于解决全球中高分辨率植被总初级生产力产品的估算精度低的问题。
为了实现上述目的，本申请提供了以下技术方案：
本申请提供了一种全球中高分辨率植被总初级生产力产品的计算方法，包括：
获取中高空间分辨率叶面积指数产品、气象再分析数据和植被气候带分类图；
依据所述中高空间分辨率叶面积指数产品、所述气象再分析数据和所述植被气候带分类图，分别确定所述植被气候带分类图中每类植被气候带的日潜在最大光合作用量；所述日潜在最大光合作用量用于反映最大植被生产力；
依据所述气象再分析数据和所述植被气候带分类图，分别确定所述植被气候带分类图中每类植被气候带的气象限制量；所述气象限制量用于反映植被气候带受到的气候生长胁迫；
分别计算每类植被气候带的气象限制量和日潜在最大光合作用量的乘积，得到所述每类植被气候带的初级生产力；
依据所述每类植被气候带的初级生产力，计算全球中高分辨率植被总初级生产力产品。
可选的，所述依据所述中高空间分辨率叶面积指数产品、所述气象再分析数据和所述植被气候带分类图，分别确定所述植被气候带分类图中每类植被气候带的日潜在最大光合作用量，包括：
分别将每类植被气候带作为目标植被气候带执行以下处理流程：
在所述目标植被气候带的最大叶面积指数大于预设值的情况下，按照日潜在最大光合作用量的预设第一计算模型，计算所述目标植被气候带的日潜在最大光合作用量；
在所述目标植被气候带的最大叶面积指数不大于所述预设值的情况下，按照日潜在最大光合作用量的预设第二计算模型，计算所述目标植被气候带的日潜在最大光合作用量。
可选的，在所述目标植被气候带的最大叶面积指数大于预设值的情况下，按照日潜在最大光合作用量的预设第一计算模型，计算所述目标植被气候带的日潜在最大光合作用量，包括：
依据所述中高空间分辨率叶面积指数产品，计算所述目标植被气候带的日平均叶面积指数数据；
依据所述气象再分析数据和预设的植被气候带属性表，计算所述目标植被气候带的日平均光合有效辐射；
从预设的植被气候带属性表中查找所述第一计算模型的系数；
依据所述目标植被气候带的日平均叶面积指数数据、所述目标植被气候带的日平均光合有效辐射和所述第一计算模型的系数，计算所述目标植被气候带的日潜在最大光合作用量。
可选的，所述在所述目标植被气候带的最大叶面积指数不大于所述预设值的情况下，按照日潜在最大光合作用量的预设第二计算模型，计算所述目标植被气候带的日潜在最大光合作用量，包括：
依据所述气象再分析数据和预设的植被气候带属性表，计算所述目标植被气候带的日平均光合有效辐射；
从预设的植被气候带属性表中查找所述第二计算模型的系数；
依据所述目标植被气候带的日平均光合有效辐射和所述第二计算模型的系数，计算所述目标植被气候带的日潜在最大光合作用量。
可选的，所述依据所述气象再分析数据和预设的植被气候带属性表，计算所述目标植被气候带的日平均光合有效辐射，包括：
依据所述气象再分析数据，计算日平均总短波辐射；
从预设的植被气候带属性表中查找所述目标植被气候带的短波辐射转化因子；
将所述日平均总短波辐射与所述短波辐射转化因子进行相乘，得到所述目标植被气候带的日平均光合有效辐射。
可选的，所述依据所述气象再分析数据和所述植被气候带分类图，分别确定所述植被气候带分类图中每类植被气候带的气象限制量，包括：
分别将每类植被气候带作为目标植被气候带执行以下流程：
依据所述植被气候带属性表，确定所述目标植被气候带的气象控制因子；
依据所述气象再分析数据和预设的植被气候带属性表，确定所述气象控制因子指示的预设气象控制函数的取值；
将所述预设气象控制函数的取值输入预设的植被气候带限制函数，得到植被生长限制因子；
依据所述植被生长限制因子，计算所述目标植被气候带的气象限制量。
本申请还提供了一种全球中高分辨率植被总初级生产力产品的计算装置，包括：
获取模块，用于获取中高空间分辨率叶面积指数产品、气象再分析数据和植被气候带分类图；
第一确定模块，用于依据所述中高空间分辨率叶面积指数产品、所述气象再分析数据和所述植被气候带分类图，分别确定所述植被气候带分类图中每类植被气候带的日潜在最大光合作用量；所述日潜在最大光合作用量用于反映最大植被生产力；
第二确定模块，用于依据所述气象再分析数据和所述植被气候带分类图，分别确定所述植被气候带分类图中每类植被气候带的气象限制量；所述气象限制量用于反映植被气候带受到的气候生长胁迫；
第一计算模块，用于分别计算每类植被气候带的气象限制量和日潜在最大光合作用量的乘积，得到所述每类植被气候带的初级生产力；
第二计算模块，用于依据所述每类植被气候带的初级生产力，计算全球中高分辨率植被总初级生产力产品。
可选的，所述第一确定模块，用于依据所述中高空间分辨率叶面积指数产品、所述气象再分析数据和所述植被气候带分类图，分别确定所述植被气候带分类图中每类植被气候带的日潜在最大光合作用量，包括：
所述第一确定模块，具体用于分别将每类植被气候带作为目标植被气候带执行以下处理流程：
在所述目标植被气候带的最大叶面积指数大于预设值的情况下，按照日潜在最大光合作用量的预设第一计算模型，计算所述目标植被气候带的日潜在最大光合作用量；
在所述目标植被气候带的最大叶面积指数不大于所述预设值的情况下，按照日潜在最大光合作用量的预设第二计算模型，计算所述目标植被气候带的日潜在最大光合作用量。
可选的，所述第一确定模块，用于在所述目标植被气候带的最大叶面积指数大于预设值的情况下，按照日潜在最大光合作用量的预设第一计算模型，计算所述目标植被气候带的日潜在最大光合作用量，包括：
所述第一确定模块，具体用于依据所述中高空间分辨率叶面积指数产品，计算所述目标植被气候带的日平均叶面积指数数据；
依据所述气象再分析数据和预设的植被气候带属性表，计算所述目标植被气候带的日平均光合有效辐射；
从预设的植被气候带属性表中查找所述第一计算模型的系数；
依据所述目标植被气候带的日平均叶面积指数数据、所述目标植被气候带的日平均光合有效辐射和所述第一计算模型的系数，计算所述目标植被气候带的日潜在最大光合作用量。
可选的，所述第一确定模块，用于在所述目标植被气候带的最大叶面积指数不大于所述预设值的情况下，按照日潜在最大光合作用量的预设第二计算模型，计算所述目标植被气候带的日潜在最大光合作用量，包括：
所述第一确定模块，具体用于依据所述气象再分析数据和预设的植被气候带属性表，计算所述目标植被气候带的日平均光合有效辐射；
从预设的植被气候带属性表中查找所述第二计算模型的系数；
依据所述目标植被气候带的日平均光合有效辐射和所述第二计算模型的系数，计算所述目标植被气候带的日潜在最大光合作用量。
可选的，所述第一确定模块，用于依据所述气象再分析数据和预设的植被气候带属性表，计算所述目标植被气候带的日平均光合有效辐射，包括：
所述第一确定模块，具体用于依据所述气象再分析数据，计算日平均总短波辐射；
从预设的植被气候带属性表中查找所述目标植被气候带的短波辐射转化因子；
将所述日平均总短波辐射与所述短波辐射转化因子进行相乘，得到所述目标植被气候带的日平均光合有效辐射。
可选的，所述第二确定模块，用于依据所述气象再分析数据和所述植被气候带分类图，分别确定所述植被气候带分类图中每类植被气候带的气象限制量，包括：
所述第二确定模块，具体用于分别将每类植被气候带作为目标植被气候带执行以下流程：
依据所述植被气候带属性表，确定所述目标植被气候带的气象控制因子；
依据所述气象再分析数据和预设的植被气候带属性表，确定所述气象控制因子指示的预设气象控制函数的取值；
将所述预设气象控制函数的取值输入预设的植被气候带限制函数，得到植被生长限制因子；
依据所述植被生长限制因子，计算所述目标植被气候带的气象限制量。
本申请还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行上述任一种所述的全球中高分辨率植被总初级生产力产品的计算方法。
本申请还提供了一种设备，所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述任一种全球中高分辨率植被总初级生产力产品的计算方法。
本申请所述的全球中高分辨率植被总初级生产力产品的计算方法及装置，获取中高空间分辨率叶面积指数产品、气象再分析数据和植被气候带分类图；依据中高空间分辨率叶面积指数产品、气象再分析数据和植被气候带分类图，分别确定植被气候带分类图中每类植被气候带的日潜在最大光合作用量；依据气象再分析数据和植被气候带分类图，分别确定植被气候带分类图中每类植被气候带的气象限制量；分别计算每类植被气候带的气象限制量和日潜在最大光合作用量的乘积，得到每类植被气候带的初级生产力；依据每类植被气候带的初级生产力，计算全球中高分辨率植被总初级生产力产品。
由于不同植被气候带的最大植被生产力以及受到的气候生长胁迫不同，从而导致不同植被气候带的植被生长速率不一样，即不同植被气候带的植被生长存在差异。本申请区分植被气候带的光合作用特征，分别计算每类植被气候带的初级生产力，并且，任一植被气候带的初级生产力都是通过该植被气候带的日潜在最大光合作用量和气象限制量的乘积来计算，其中，日潜在最大光合作用反映了植被气候带的最大植被生产力，气象限制量反映了植被气候带中植被生长受到的气候胁迫。因此，采用本申请的方案，使得全球中高分辨率植被总初级生产力的产品的估算精度得到提高。
附图说明
为了更清楚地说明本申请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简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例公开的一种全球中高分辨率植被总初级生产力产品的计算方法的流程图；
图2为本申请实施例公开的一种方法的流程图；
图3(a)为本申请实施例的GPP模型/产品与通量塔GPP之间的关系散点密度图；
图3(b)为通过BESS计算得到的GPP模型/产品与通量塔GPP之间的关系散点密度图；
图3(c)为通过VPM计算得到的GPP模型/产品与通量塔GPP之间的关系散点密度图；
图3(d)为通过MODIS计算得到的GPP模型/产品与通量塔GPP之间的关系散点密度图；
图4为本申请实施例公开的一种全球中高分辨率植被总初级生产力产品的计算装置的结构示意图；
图5为本申请实施例公开的一种设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
图1为本申请实施例提供的一种全球中高分辨率植被总初级生产力产品的计算方法，可以包括以下步骤：
S101、获取中高空间分辨率叶面积指数产品、气象再分析数据和植被气候带分类图。
在本步骤中，气象再分析数据指利用气象站点与遥感数据作为输入，通过气象模式模型得到长时间序列连续的气象结果。
在本步骤中，中高空间分辨率叶面积指数产品、气象再分析数据和植被气候带分类图都是现有的数据，本步骤的具体获取方式也为现有技术，这里不再赘述。
S102、依据中高空间分辨率叶面积指数产品、气象再分析数据和植被气候带分类图，分别确定植被气候带分类图中每类植被气候带的日潜在最大光合作用量。
在本实施例中，由于不同植被气候带具有不同的最大潜在光合作用效率，因此，不同的植被气候带具有不同的日潜在最大光合作用量。在本实施例中，日潜在最大光合作用量采用GPPPOT,PFT表示。
本步骤的具体实现过程，在图2对应的实施例中进行介绍。
S103、依据气象再分析数据和植被气候带分类图，分别确定植被气候带分类图中每类植被气候带的气象限制量。
在本实施例中，气象限制量指植被生长在不同植被气候带中受到的气象胁迫的量与无气象胁迫量的比值。
可选的，本步骤可以分别将每类植被气候带作为目标植被气候带执行以下步骤A1～步骤A4，计算得到每类植被气候带的气象限制量。
A1、依据植被气候带属性表，确定目标植被气候带的气象控制因子。
在本实施例中，气象控制因子指限制植被气候带中植物生长的主要因素。
由于温度、饱和水气压差(Vapor Pressure Deficit，VPD)和光合有效辐射量在日或者更长时间尺度内具有一定的相互影响作用，所以本实施例中假设气象控制因子为温度或水分。其中，在以温度为主要气象控制因子的植被气候带中，植被生长主要受温度限制，在以水分为主要气象控制因子的植被气候带中，植被生长主要受水分限制。
A2、依据气象再分析数据和预设植被气候带属性表，确定气象控制因子指示的预设气象控制函数的取值。
在本实施例中，气象控制因子为温度的情况下，气象控制因子指示的气象控制函数为预设的温度控制函数，在气象控制因子为水分的情况下，气象控制因子指示的气象控制函数为预设的水分控制函数。
在本实施例中，预设的温度控制函数的表达式如下公式(1)所示。
fPFT(T)＝Aopt-kT×(T-Topt)2 (1)
式中，fPFT(T)表示温度控制函数的取值，Aopt表示无温度限制下的光合速率比率，Topt表示最优生长温度，kT表示温度限制系数，T表示日平均温度值。
其中，Aopt、Topt和kT可以通过预设的植被气候带的属性表中查找得到。需要说明的是，在本实施例中，不同的植被气候带下，这三个参数的取值不同。
其中，在本实施例中，T具体可以为8天平均温度，当然，也可以为其他天数的平均温度，本实施例不对计算日平均温度所使用的天数的具体取值作限定。其中，日平均温度的取值可以通过气象再分析数据进行计算，其中，具体的计算方式为现有技术，这里不再赘述。
在本实施例中，预设的水分控制函数的表达式如下公式(2)所示。
gPFT(VPD)＝Bopt×exp(kw×VPD) (2)
式中，gPFT(VPD)表示水分控制函数的取值，Bopt表示VPD等于0时的水分控制量，通常情况下取值为1；kw表示水分控制参数，VPD表示日平均VPD。
在本实施例中，Bopt和kw的取值可以通过预设的植被气候带的属性表中查表得到，具体的，查找方式为现有技术，这里不再赘述。
在本实施例中，日平均VPD具体可以为8天平均VPD，当然，在实际中，还可为其他天数的平均VPD，本实施例不对计算日平均VPD所使用的天数的具体取值作限定。其中，日平均VPD可以依据气象再分析数据进行计算得到，其中，具体的计算方式为现有技术，这里不再赘述。
A3、将气象控制因子指示的气象控制函数的取值输入预设的植被气候带限制函数，得到植被生长限制因子。
在本实施例中，植被生长限制因子表示在植被气候带中主导植被生长过程的因子，为温度及水分其中之一。
在本步骤中，预设的植被气候带限制函数为Fdominant,PFT，可以采用Fdominant,PFT[fPFT(T),gPFT(VPD)]表示。
在本实施例中，在植被气候带的生长限制因子为温度的情况下，植被气候带限制函数的表达式为Fdominant,PFT＝fPFT(T)＝Aopt-kT×(T-Topt)2
在植被气候带的生长限制因子为水分的情况下，植被气候带限制函数的表达式为Fdominant,PFT＝gPFT(VPD)＝Bopt×exp(kw×VPD)。
在本步骤中，将气象控制因子指示的气象控制函数的取值代入该植被气候带限制函数中，得到的结果就是本步骤的植被生长限制因子。
A4、依据植被生长限制因子，计算目标植被气候带的气象限制量。
在本步骤中，依据植被生长限制因子计算目标植被气候带的气象限制量的具体实现方式为现有技术，这里不再赘述。
S104、分别计算每类植被气候带的气象限制量和日潜在最大光合作用量的乘积，得到每类植被气候带的初级生产力。
在本步骤中，气象限制量和日潜在最大光合作用量的乘积可以表示为如下公式(3)所示。
GPP＝GPPPOT,PFT(LAI,PAR)×Fdominant,PFT[fPFT(T),gPFT(VPD)] (3)
式中，GPP表示植被气候带的初级生产力，GPPPOT,PFT(LAI,PAR)表示植被气候带的日潜在最大光合作用量，Fdominant,PFT[fPFT(T),gPFT(VPD)]表示植被气候带的气象限制量。
S105、依据每类植被气候带的初级生产力，计算全球中高分辨率植被总初级生产力产品。
在本实施例中，通过上述S101～S104计算得到每类植被气候带的初级生产力。在本步骤中，通过每类植被气候带的初级生产力，计算全球中高分辨率植被总初级生产力产品。
其中，本步骤的具体计算方式可以包括：计算全球中高分辨率植被总初级生产力产品使用中、高分辨率遥感LAI数据作为输入，加入气象再分析数据中的温度，VPD,光合有效辐射(Photosynthetic active radiation，PAR)三个量，结合上述S101～S104计算得到遥感数据中每个像元的初级生产力，最后得到时空连续的GPP结果。
本实施例具有以下有益效果：
有益效果一：
在本实施例中，由于不同植被气候带的最大植被生产力以及受到的气候生长胁迫不同，从而导致不同植被气候带的植被生长率不一样，即不同植被气候带的植被生长存在差异。本申请从植被气候带的维度，分别计算每类植被气候带的初级生产力，并且，任一植被气候带的初级生产力都是通过该植被气候带的日潜在最大光合作用量和气象限制量的乘积来计算，其中，日潜在最大光合作用反映了植被气候带的最大植被生产力，气象限制量反映了植被气候带受到的气候生长胁迫，因此，采用本申请的方案，得到的全球中高分辨率植被总初级生产力的估算精度得到提高。
有益效果二：
基于有益效果一，对于异质性较强区域，采用本实施例计算得到的植被总初级生产力产品的精度可以得到提高。
图2为本申请实施例提供的一种每类植被气候带的日潜在最大光合作用量的计算方法，具体的，分别将每类植被气候带作为目标植被气候带执行以下处理流程：
S201、判断目标植被气候带的最大叶面积指数是否大于预设值，如果是，则执行S202，如果否，则执行S203。
在本实施例中，目标植被气候带的最大的叶面积指数(Leaf Area Index，LAI)可以依据植被气候带计算的查表，代入对应的计算公式得到，具体的获取方式为现有技术，这里不再赘述。
在本实施例中，预设值的取值为1m2m-2，当然，在实际中，预设值还可以为其他取值，本实施例不对预设值的具体取值作限定。
在本实施例中，在目标植被气候带的最大LAI大于预设值与目标植被气候带的LAI值不大于预设值这两种情况下，目标植被气候带的日潜在最大光合作用量的计算方式不同，为了在不同的植被种类，尤其是在某些稀疏植被具有更多土壤背景而非植被覆盖的条件下，本方法同时描述稀疏植被中植物生长过程及在正常植被中植被生长过程的差异。在本实施例中，在最大LAI大于预设值的情况下，执行S202，在最大LAI不大于预设值的情况下，执行S203。
S202、按照日潜在最大光合作用量的预设第一计算模型，计算目标植被气候带的日潜在最大光合作用量。
在本步骤中，预设的第一计算模型的表达式如下公式(4)所示。
GPPPOT,PFT(LAI,PAR)＝kp1×LAI+kp2×PAR+kp3×PAR×LAI+kp4×PAR2 (4)
式中，GPPPOT,PFT(LAI,PAR)表示目标植被气候带的日潜在最大光合作用量，LAI表示日平均LAI数据，PAR表示日平均PAR数据，kp1、kp2、kp3和kp4为四个系数。
在本实施例中，按照日潜在最大光合作用量的预设第一计算模型，计算目标植被气候带的日潜在最大光合作用量，包括以下步骤B1～步骤B4：
B1、依据中高空间分辨率叶面积指数产品，计算目标植被气候带的日平均LAI数据。
在本实施例中，日平均LAI数据可以是8天平均平滑LAI数据，当然，在实际中，还可以为其他天数的平均LAI，本实施例不对用于计算日平均LAI数据的天数的具体取值作限定。
在本步骤中，依据中高空间分辨率叶面积指数产品，计算目标植被气候带的日平均LAI数据的具体实现方式为现有技术，这里不再赘述。
B2、依据气象再分析数据和预设的植被气候带属性表，计算目标植被气候带的日平均光合有效辐射。
在本实施例中，需要计算日平均光合有效辐射，其中，光合有效辐射比表示为(Photosynthetic active radiation，PAR)，日平均PAR数据可以是8天平均PAR数据，当然，在实际中，还可以为其他天数的平均PAR，本实施例不对用于计算日平均PAR数据的天数的具体取值作限定。
本步骤的具体实现方式可以参考以下步骤D1～步骤D3。
B3、从预设的植被气候带属性表中查找第一计算模型的系数。
在本步骤中，从预设的植被气候带属性表中查找第一计算模型中的kp1、kp2、kp3和kp4的取值。
B4、依据目标植被气候带的日平均LAI数据、目标植被气候带的日平均PAR和第一计算模型的系数，计算目标植被气候带的日潜在最大光合作用量。
在本步骤中，将目标植被气候带的日平均LAI数据、目标植被气候带的日平均PAR和第一计算模型的系数代入公式(4)，可以得到目标植被气候带的日潜在最大光合作用量。
S203、按照日潜在最大光合作用量的预设第二计算模型，计算目标植被气候带的日潜在最大光合作用量。
在本步骤中，预设的第二计算模型的表达式如下公式(5)所示。
GPPPOT,PFT(PAR)＝kpa1×PAR×exp(kpa2×PAR) (5)
式中，GPPPOT,PFT(PAR)表示目标植被气候带的日潜在最大光合作用量，PAR表示日平均PAR数据，kpa1和kpa2表示第二计算模型的系数。
在本步骤中，按照日潜在最大光合作用量的预设第二计算模型，计算目标植被气候带的日潜在最大光合作用量，包括以下步骤C1～步骤C3：
C1、依据气象再分析数据和预设的植被气候带属性表，计算目标植被气候带的日平均PAR。
本步骤的含义和具体实现方式可以参考步骤B2，这里不再赘述。
C2、从预设的植被气候带属性表中查找第二计算模型的系数。
在本实施例中，可以从预设的植被气候带属性表中查找第二计算模型中的系数kpa1和kpa2的取值。
C3、依据目标植被气候带的日平均PAR和第二计算模型的系数，计算目标植被气候带的日潜在最大光合作用量。
在本步骤中，将目标植被气候带的日平均PAR和第二计算模型的系数代入公式(5)，得到目标植被气候带的日潜在最大光合作用量。
上述依据气象再分析数据和预设的植被气候带属性表，计算目标植被气候带的日平均PAR，可以包括以下步骤D1～步骤D3：
D1、依据气象再分析数据，计算日平均总短波辐射。
本步骤的具体实现方式为现有技术，这里不再赘述。
D2、从预设的植被气候带属性表中查找目标植被气候带的短波辐射转化因子。
本步骤的具体实现方式为现有技术，这里不再赘述。
D3、将日平均总短波辐射与短波辐射转化因子进行相乘，得到目标植被气候带的日平均PAR。
在本申请实施例中，为了进一步验证本申请提供的全球中高分辨率植被总初级生产力产品的计算精度，与现有的三种产品进行比较，包括图3(a)、图3(b)、图3(c)和图3(d)，其中，图3(a)表示本申请的GPP模型/产品与通量塔GPP之间的关系散点密度图；其中，在全球站点尺度验证中，算法GPP能够解释77％的站点实测GPP。图3(b)表示通过BESS计算得到的GPP模型/产品与通量塔GPP之间的关系散点密度图，图3(c)表示通过VPM计算得到的GPP模型/产品与通量塔GPP之间的关系散点密度图，图3(d)表示通过MODIS计算得到的GPP模型/产品与通量塔GPP之间的关系散点密度图。
其中，图3(a)、图3(b)、图3(c)和图3(d)的横坐标表示通过观测站点得到的日平均GPP值，纵坐标表示各项交叉对比模型当中计算得到的日平均GPP值，右侧的Density表示密度，即表示点的个数，其中，颜色越深表示密度越大。RMSE表示均方根误差，Bias表示误差，R2表示决定系数，是相关性的指标。包括GPP的模型值与通量站观测值，RMSE,Bias单位为gCm2 day-1。黑色实心线为·1:1线。
从图3(a)、图3(b)、图3(c)和图3(d)中，本申请的结果比图3(b)所示的BESS产品精度高4％，比图3(c)所示的VPM产品高8％，比图3(d)所示的MODIS产品高13％。通过上述对比验证可以看出，本申请提出的方法显著提高了对植被总初级生产力的估算精度。
图4为本申请实施例提供的一种全球中高分辨率植被总初级生产力产品的计算装置，包括：获取模块401、第一确定模块402、第二确定模块403、第一计算模块404和第二计算模块405；其中，
获取模块401，用于获取中高空间分辨率叶面积指数产品、气象再分析数据和植被气候带分类图；
第一确定模块402，用于依据中高空间分辨率叶面积指数产品、气象再分析数据和植被气候带分类图，分别确定植被气候带分类图中每类植被气候带的日潜在最大光合作用量；日潜在最大光合作用量用于反映最大植被生产力。
第二确定模块403，用于依据气象再分析数据和植被气候带分类图，分别确定植被气候带分类图中每类植被气候带的气象限制量；气象限制量用于反映植被气候带受到的气候生长胁迫。
第一计算模块404，用于分别计算每类植被气候带的气象限制量和日潜在最大光合作用量的乘积，得到每类植被气候带的初级生产力。
第二计算模块405，用于依据每类植被气候带的初级生产力，计算全球中高分辨率植被总初级生产力产品。
可选的，第一确定模块402，用于依据中高空间分辨率叶面积指数产品、气象再分析数据和植被气候带分类图，分别确定植被气候带分类图中每类植被气候带的日潜在最大光合作用量，包括：
第一确定模块402，具体用于分别将每类植被气候带作为目标植被气候带执行以下处理流程：
在目标植被气候带的最大叶面积指数大于预设值的情况下，按照日潜在最大光合作用量的预设第一计算模型，计算目标植被气候带的日潜在最大光合作用量；
在目标植被气候带的最大叶面积指数不大于预设值的情况下，按照日潜在最大光合作用量的预设第二计算模型，计算目标植被气候带的日潜在最大光合作用量。
可选的，第一确定模块402，用于在目标植被气候带的最大叶面积指数大于预设值的情况下，按照日潜在最大光合作用量的预设第一计算模型，计算目标植被气候带的日潜在最大光合作用量，包括：
第一确定模块402，具体用于依据中高空间分辨率叶面积指数产品，计算目标植被气候带的日平均叶面积指数数据；
依据气象再分析数据和预设的植被气候带属性表，计算目标植被气候带的日平均光合有效辐射；
从预设的植被气候带属性表中查找第一计算模型的系数；
依据目标植被气候带的日平均叶面积指数数据、目标植被气候带的日平均光合有效辐射和所述第一计算模型的系数，计算目标植被气候带的日潜在最大光合作用量。
可选的，第一确定模块402，用于在目标植被气候带的最大叶面积指数不大于预设值的情况下，按照日潜在最大光合作用量的预设第二计算模型，计算目标植被气候带的日潜在最大光合作用量，包括：
第一确定模块402，具体用于依据气象再分析数据和预设的植被气候带属性表，计算目标植被气候带的日平均光合有效辐射；
从预设的植被气候带属性表中查找第二计算模型的系数；
依据目标植被气候带的日平均光合有效辐射和第二计算模型的系数，计算目标植被气候带的日潜在最大光合作用量。
可选的，第一确定模块402，用于依据气象再分析数据和预设的植被气候带属性表，计算目标植被气候带的日平均光合有效辐射，包括：
第一确定模块402，具体用于依据气象再分析数据，计算日平均总短波辐射；
从预设的植被气候带属性表中查找目标植被气候带的短波辐射转化因子；
将日平均总短波辐射与短波辐射转化因子进行相乘，得到目标植被气候带的日平均光合有效辐射。
可选的，第二确定模块403，用于依据气象再分析数据和植被气候带分类图，分别确定植被气候带分类图中每类植被气候带的气象限制量，包括：
第二确定模块403，具体用于分别将每类植被气候带作为目标植被气候带执行以下流程：
依据植被气候带属性表，确定目标植被气候带的气象控制因子；
依据气象再分析数据和预设的植被气候带属性表，确定气象控制因子指示的预设气象控制函数的取值；
将预设气象控制函数的取值输入预设的植被气候带限制函数，得到植被生长限制因子；
依据植被生长限制因子，计算目标植被气候带的气象限制量。
全球中高分辨率植被总初级生产力产品的计算装置包括处理器和存储器，上述获取模块401、第一确定模块402、第二确定模块403、第一计算模块404和第二计算模块405等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提高全球中高分辨率植被总初级生产力产品的估算精度。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述全球中高分辨率植被总初级生产力产品的计算方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述全球中高分辨率植被总初级生产力产品的计算方法。
本发明实施例提供了一种设备，如图5所示，设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，处理器、存储器通过总线完成相互间的通信；处理器用于调用存储器中的程序指令，以执行上述的全球中高分辨率植被总初级生产力产品的计算方法。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：
获取中高空间分辨率叶面积指数产品、气象再分析数据和植被气候带分类图；
依据所述中高空间分辨率叶面积指数产品、所述气象再分析数据和所述植被气候带分类图，分别确定所述植被气候带分类图中每类植被气候带的日潜在最大光合作用量；所述日潜在最大光合作用量用于反映最大植被生产力；
依据所述气象再分析数据和所述植被气候带分类图，分别确定所述植被气候带分类图中每类植被气候带的气象限制量；所述气象限制量用于反映植被气候带受到的气候生长胁迫；
分别计算每类植被气候带的气象限制量和日潜在最大光合作用量的乘积，得到所述每类植被气候带的初级生产力；
依据所述每类植被气候带的初级生产力，计算全球中高分辨率植被总初级生产力产品。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
本申请实施例方法所述的功能如果以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设备可读取存储介质中。基于这样的理解，本申请实施例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设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本申请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。
本说明书的各个实施例中记载的特征可以相互替换或者组合，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种全球中高分辨率植被总初级生产力产品的计算方法，其特征在于，包括：
获取中高空间分辨率叶面积指数产品、气象再分析数据和植被气候带分类图；
依据所述中高空间分辨率叶面积指数产品、所述气象再分析数据和所述植被气候带分类图，分别确定所述植被气候带分类图中每类植被气候带的日潜在最大光合作用量；所述日潜在最大光合作用量用于反映最大植被生产力；
依据所述气象再分析数据和所述植被气候带分类图，分别确定所述植被气候带分类图中每类植被气候带的气象限制量；所述气象限制量用于反映植被气候带受到的气候生长胁迫；
分别计算每类植被气候带的气象限制量和日潜在最大光合作用量的乘积，得到所述每类植被气候带的初级生产力；
依据所述每类植被气候带的初级生产力，计算全球中高分辨率植被总初级生产力产品；
其中，所述依据所述中高空间分辨率叶面积指数产品、所述气象再分析数据和所述植被气候带分类图，分别确定所述植被气候带分类图中每类植被气候带的日潜在最大光合作用量，包括：
分别将每类植被气候带作为目标植被气候带执行以下处理流程：
在所述目标植被气候带的最大叶面积指数大于预设值的情况下，按照日潜在最大光合作用量的预设第一计算模型，计算所述目标植被气候带的日潜在最大光合作用量；
在所述目标植被气候带的最大叶面积指数不大于所述预设值的情况下，按照日潜在最大光合作用量的预设第二计算模型，计算所述目标植被气候带的日潜在最大光合作用量；
其中，在所述目标植被气候带的最大叶面积指数大于预设值的情况下，按照日潜在最大光合作用量的预设第一计算模型，计算所述目标植被气候带的日潜在最大光合作用量，包括：
依据所述中高空间分辨率叶面积指数产品，计算所述目标植被气候带的日平均叶面积指数数据；
依据所述气象再分析数据和预设的植被气候带属性表，计算所述目标植被气候带的日平均光合有效辐射；
从预设的植被气候带属性表中查找所述第一计算模型的系数；
依据所述目标植被气候带的日平均叶面积指数数据、所述目标植被气候带的日平均光合有效辐射和所述第一计算模型的系数，计算所述目标植被气候带的日潜在最大光合作用量；
其中，所述在所述目标植被气候带的最大叶面积指数不大于所述预设值的情况下，按照日潜在最大光合作用量的预设第二计算模型，计算所述目标植被气候带的日潜在最大光合作用量，包括：
从预设的植被气候带属性表中查找所述第二计算模型的系数；
依据所述目标植被气候带的日平均光合有效辐射和所述第二计算模型的系数，计算所述目标植被气候带的日潜在最大光合作用量；
其中，所述依据所述气象再分析数据和所述植被气候带分类图，分别确定所述植被气候带分类图中每类植被气候带的气象限制量，包括：
分别将每类植被气候带作为目标植被气候带执行以下流程：
依据所述植被气候带属性表，确定所述目标植被气候带的气象控制因子；
依据所述气象再分析数据和预设的植被气候带属性表，确定所述气象控制因子指示的预设气象控制函数的取值；
将所述预设气象控制函数的取值输入预设的植被气候带限制函数，得到植被生长限制因子；
依据所述植被生长限制因子，计算所述目标植被气候带的气象限制量。
2.根据权利要求1所述的方法，其特征在于，所述依据所述气象再分析数据和预设的植被气候带属性表，计算所述目标植被气候带的日平均光合有效辐射，包括：
依据所述气象再分析数据，计算日平均总短波辐射；
从预设的植被气候带属性表中查找所述目标植被气候带的短波辐射转化因子；
将所述日平均总短波辐射与所述短波辐射转化因子进行相乘，得到所述目标植被气候带的日平均光合有效辐射。
3.一种全球中高分辨率植被总初级生产力产品的计算装置，其特征在于，包括：
获取模块，用于获取中高空间分辨率叶面积指数产品、气象再分析数据和植被气候带分类图；
第一确定模块，用于依据所述中高空间分辨率叶面积指数产品、所述气象再分析数据和所述植被气候带分类图，分别确定所述植被气候带分类图中每类植被气候带的日潜在最大光合作用量；所述日潜在最大光合作用量用于反映最大植被生产力；
第二确定模块，用于依据所述气象再分析数据和所述植被气候带分类图，分别确定所述植被气候带分类图中每类植被气候带的气象限制量；所述气象限制量用于反映植被气候带受到的气候生长胁迫；
第一计算模块，用于分别计算每类植被气候带的气象限制量和日潜在最大光合作用量的乘积，得到所述每类植被气候带的初级生产力；
第二计算模块，用于依据所述每类植被气候带的初级生产力，计算全球中高分辨率植被总初级生产力产品；
其中，所述第一确定模块，用于依据所述中高空间分辨率叶面积指数产品、所述气象再分析数据和所述植被气候带分类图，分别确定所述植被气候带分类图中每类植被气候带的日潜在最大光合作用量，包括：
所述第一确定模块，具体用于分别将每类植被气候带作为目标植被气候带执行以下处理流程：
在所述目标植被气候带的最大叶面积指数大于预设值的情况下，按照日潜在最大光合作用量的预设第一计算模型，计算所述目标植被气候带的日潜在最大光合作用量；
在所述目标植被气候带的最大叶面积指数不大于所述预设值的情况下，按照日潜在最大光合作用量的预设第二计算模型，计算所述目标植被气候带的日潜在最大光合作用量；
其中，在所述目标植被气候带的最大叶面积指数大于预设值的情况下，按照日潜在最大光合作用量的预设第一计算模型，计算所述目标植被气候带的日潜在最大光合作用量，包括：
依据所述中高空间分辨率叶面积指数产品，计算所述目标植被气候带的日平均叶面积指数数据；
依据所述气象再分析数据和预设的植被气候带属性表，计算所述目标植被气候带的日平均光合有效辐射；
从预设的植被气候带属性表中查找所述第一计算模型的系数；
依据所述目标植被气候带的日平均叶面积指数数据、所述目标植被气候带的日平均光合有效辐射和所述第一计算模型的系数，计算所述目标植被气候带的日潜在最大光合作用量；
其中，所述在所述目标植被气候带的最大叶面积指数不大于所述预设值的情况下，按照日潜在最大光合作用量的预设第二计算模型，计算所述目标植被气候带的日潜在最大光合作用量，包括：
从预设的植被气候带属性表中查找所述第二计算模型的系数；
依据所述目标植被气候带的日平均光合有效辐射和所述第二计算模型的系数，计算所述目标植被气候带的日潜在最大光合作用量；
其中，所述依据所述气象再分析数据和所述植被气候带分类图，分别确定所述植被气候带分类图中每类植被气候带的气象限制量，包括：
分别将每类植被气候带作为目标植被气候带执行以下流程：
依据所述植被气候带属性表，确定所述目标植被气候带的气象控制因子；
依据所述气象再分析数据和预设的植被气候带属性表，确定所述气象控制因子指示的预设气象控制函数的取值；
将所述预设气象控制函数的取值输入预设的植被气候带限制函数，得到植被生长限制因子；
依据所述植被生长限制因子，计算所述目标植被气候带的气象限制量。
4.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行权利要求1或2所述的全球中高分辨率植被总初级生产力产品的计算方法。
5.一种设备，其特征在于，所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1或2所述的全球中高分辨率植被总初级生产力产品的计算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010363867.9A CN111582703B (zh) | 2020-04-30 | 2020-04-30 | 全球中高分辨率植被总初级生产力产品的计算方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010363867.9A CN111582703B (zh) | 2020-04-30 | 2020-04-30 | 全球中高分辨率植被总初级生产力产品的计算方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111582703A CN111582703A (zh) | 2020-08-25 |
| CN111582703B true CN111582703B (zh) | 2024-04-05 |
Family
ID=72111863
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010363867.9A Active CN111582703B (zh) | 2020-04-30 | 2020-04-30 | 全球中高分辨率植被总初级生产力产品的计算方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111582703B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115358095B (zh) * | 2022-10-19 | 2023-03-17 | 中国科学院、水利部成都山地灾害与环境研究所 | 山地高空间分辨率植被总初级生产力估算方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103714243A (zh) * | 2013-12-06 | 2014-04-09 | 浙江大学 | 一种依据温度和植被类型动态调节参数的直角双曲线总初级生产力估测方法 |
| KR101410770B1 (ko) * | 2013-04-02 | 2014-06-24 | 한국해양과학기술원 | 식생 변동을 조절하는 예측 기상 인자들을 이용한 연간 식생 변동 예측 방법 및 장치 |
| CN106446564A (zh) * | 2016-09-29 | 2017-02-22 | 华南农业大学 | 一种植被净初级生产力遥感估算方法 |
| CN110069877A (zh) * | 2019-04-29 | 2019-07-30 | 中国科学院地理科学与资源研究所 | 一种总初级生产力确定方法、装置及电子设备 |
| CN110276304A (zh) * | 2019-06-25 | 2019-09-24 | 北京师范大学 | 基于降尺度的高分辨率植被生产力遥感估算方法 |
-
2020
- 2020-04-30 CN CN202010363867.9A patent/CN111582703B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101410770B1 (ko) * | 2013-04-02 | 2014-06-24 | 한국해양과학기술원 | 식생 변동을 조절하는 예측 기상 인자들을 이용한 연간 식생 변동 예측 방법 및 장치 |
| CN103714243A (zh) * | 2013-12-06 | 2014-04-09 | 浙江大学 | 一种依据温度和植被类型动态调节参数的直角双曲线总初级生产力估测方法 |
| CN106446564A (zh) * | 2016-09-29 | 2017-02-22 | 华南农业大学 | 一种植被净初级生产力遥感估算方法 |
| CN110069877A (zh) * | 2019-04-29 | 2019-07-30 | 中国科学院地理科学与资源研究所 | 一种总初级生产力确定方法、装置及电子设备 |
| CN110276304A (zh) * | 2019-06-25 | 2019-09-24 | 北京师范大学 | 基于降尺度的高分辨率植被生产力遥感估算方法 |
Non-Patent Citations (2)
| Title |
|---|
| 中国-东盟1 km分辨率植被净初级生产力数据集（2013）;高帅;柳钦火;康峻;赵静;李静;仲波;吴善龙;彭菁菁;;全球变化数据学报(中英文)(第03期);303-308 * |
| 陆地总初级生产力遥感估算精度分析;林尚荣;李静;柳钦火;;遥感学报(第02期);234-254 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111582703A (zh) | 2020-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tiggeloven et al. | Global-scale benefit–cost analysis of coastal flood adaptation to different flood risk drivers using structural measures | |
| Hutchinson et al. | ANUSPLIN version 4.4 user guide | |
| Li et al. | Physical and socioeconomic driving forces of land‐use and land‐cover changes: A case study of Wuhan City, China | |
| Zhong et al. | Disentangling the effects of vapor pressure deficit on northern terrestrial vegetation productivity | |
| CN113344291B (zh) | 城市内涝淹没范围的预报方法、装置、介质和设备 | |
| Ran et al. | Effective soil erosion control represents a significant net carbon sequestration | |
| Kundu et al. | The value of remotely sensed surface soil moisture for model calibration using SWAT | |
| Tschöke et al. | Comparison of two bias correction methods for precipitation simulated with a regional climate model | |
| Laslett et al. | A method for generating synthetic hourly solar radiation data for any location in the south west of Western Australia, in a world wide web page | |
| CN111582703B (zh) | 全球中高分辨率植被总初级生产力产品的计算方法及装置 | |
| Ma et al. | Seasonal drought predictability and forecast skill in the semi-arid endorheic Heihe River basin in northwestern China | |
| Yoshida et al. | Inference of parameters for a global hydrological model: Identifiability and predictive uncertainties of climate‐based parameters | |
| CN105893590B (zh) | 一种用于数字地形分析建模知识案例化自动处理方法 | |
| Zhong et al. | Reversed asymmetric warming of sub-diurnal temperature over land during recent decades | |
| Yang et al. | Will the arid and semi-arid regions of Northwest China become warmer and wetter based on CMIP6 models? | |
| Chen et al. | Importance of shaded leaf contribution to the total GPP of Canadian terrestrial ecosystems: evaluation of MODIS GPP | |
| CN116310847A (zh) | 农田分析的方法、装置、处理器及电子设备 | |
| CN114219917B (zh) | 一种激光雷达点云数据的漏洞修复方法 | |
| CN113569409B (zh) | 耦合气候累积效应的植被生产力模型优化方法 | |
| Chen et al. | A framework to assess the potential uncertainties of three FPAR products | |
| CN111597692A (zh) | 一种地表净辐射估算方法、系统、电子设备和存储介质 | |
| CN110852475A (zh) | 基于极端梯度提升算法的植被指数预测方法、系统及设备 | |
| CN111104640A (zh) | 一种基于层次分析法的降雨观测评价方法及系统 | |
| Griffin et al. | Revising the BFIHOST catchment descriptor to improve UK flood frequency estimates | |
| Vu et al. | Use of regional climate models for proxy data over transboundary regions |
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 |