CN111598336A - 一种基于土壤有机质空间分布的草原载畜潜力分区方法 - Google Patents
一种基于土壤有机质空间分布的草原载畜潜力分区方法 Download PDFInfo
- Publication number
- CN111598336A CN111598336A CN202010410654.7A CN202010410654A CN111598336A CN 111598336 A CN111598336 A CN 111598336A CN 202010410654 A CN202010410654 A CN 202010410654A CN 111598336 A CN111598336 A CN 111598336A
- Authority
- CN
- China
- Prior art keywords
- grassland
- potential
- organic matter
- index
- vegetation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000004016 soil organic matter Substances 0.000 title claims abstract description 18
- 238000000638 solvent extraction Methods 0.000 title abstract description 6
- 239000005416 organic matter Substances 0.000 claims abstract description 29
- 241001465754 Metazoa Species 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 244000144972 livestock Species 0.000 claims description 44
- 239000002689 soil Substances 0.000 claims description 34
- 238000013316 zoning Methods 0.000 claims description 21
- 238000011160 research Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims description 8
- 238000004451 qualitative analysis Methods 0.000 claims description 8
- 238000004445 quantitative analysis Methods 0.000 claims description 8
- 238000001308 synthesis method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000009304 pastoral farming Methods 0.000 description 14
- 230000002829 reductive effect Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 7
- 244000025254 Cannabis sativa Species 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000007789 sealing Methods 0.000 description 4
- 230000001932 seasonal effect Effects 0.000 description 4
- 239000002028 Biomass Substances 0.000 description 3
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000005290 field theory Methods 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000004459 forage Substances 0.000 description 1
- 230000035929 gnawing Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Fuzzy Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Remote Sensing (AREA)
- Agronomy & Crop Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (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)
Abstract
本发明公开了一种基于土壤有机质空间分布的草原载畜潜力分区方法，包括相关数据处理、有机质空间预测、不同指标权重计算、植被覆盖度的时空趋势分析以及载畜潜力与分区的步骤，本发明通过定性与定量结合的方法，计算不同影响因子权重，实现了草原载畜潜力分区，为当地载畜量计算以及制定合理禁牧区域与时间提供了重要的参考依据与数据支撑。
Description
技术领域
本发明涉及草原植被与畜牧业研究技术领域，更具体的说是涉及一种基于土壤有机质空间分布的草原载畜潜力分区方法。
背景技术
草原生态系统，是气候—土壤—植被—牲畜四者的有机统一体。牲畜作为草原生态系统的一部分，在草原生态系统中对其既有促进又有抑制作用。适当的载畜量，可以促进草原生物多样性，增加草原生态系统的稳定性，而超载放牧，会导致草原退化，水土流失严重。因此制定合理的载畜量，是维持草原生态系统可持续发展的必要条件。然而近些年来，由于人为和自然的原因，全国大面积草地出现不同程度退化，而防止草原继续退化，所采取的措施主要是通过大面积禁牧，让其自然恢复。由于草原空间的异质性以及牲畜干扰对生物多样性的必要性，在长时间禁牧之后，如何评价不同区域恢复状态与潜在的载畜能力，是有效利用草原资源，保证草原经济效益最大化的重要前提。
为使载畜量与现实情况更加符合，根据草原所具有的夏秋饲草充沛、冬春匮乏特点，提出了以季节差异为导向的季节畜牧业和关键场理论。其中季节畜牧业，根据不同季节产草量丰欠程度，来调整牲畜数量，以此达到草畜平衡，而关键场理论是根据产草量最低季节，来确定草地整体最大载畜能力。但是由于季节畜牧业处于一种非静态平衡中，需短时间内根据不同季节补充或者减少牲畜，其增减成本相对较高，往往经济回报率低于保守放牧方式，而关键场理论虽不需要调整牲畜数量，但以最低承载季节，决定整个草原系统的载畜量，会造成草地资源浪费，经济效益低等问题。在考虑既不增减牲畜，又不破坏草原生态并能高效利用的情况下，分区轮牧被证实，可在有效保护草原的同时，全面提升草地利用效益。但由于分区轮牧对于放牧时间，分区数量判定标准模糊，并且降低了草原整体承载能力，因此在现实中不利于推广和应用。
另外，合理载畜量的理想化与牧区人口持续增长之间的矛盾，使草地资源的过度利用成为一种必然结果。当草地因超载过牧而发生明显退化时，所采取的主要保护措施是通过简单易行的封育围栏方式，让其自然恢复。在草地封育过程中，多数研究通过比较不同恢复年限草地生物量、物种多样性以及土壤理化状况，表明除了草原生态系统破坏极为严重，超出自我恢复阈值之外，封育围栏是一种简单有效的措施，可在一定时间内恢复草原生物量。但当封育时间达到一定年限后，若继续禁牧封育不能有效改善草原植被生物量，而且由于无外界干扰，优势种群将会大量繁殖，草原植被整体均一性增加，导致其生物多样性呈下降趋势，降低了草原生态系统的稳定性。此外，在无牲畜践踏环境下，植物残体进入土壤中的速率降低，同时植被恢复时对有机质的大量消耗，导致草原土壤有机质来源量与总存量减少，因而在长期禁牧后，有机质含量可能会下降。考虑牲畜啃食在整个草原生态系统中的重要性和必要性，对于草地资源利用方式中，中度干扰理论得到多数学者的认可，即通过适度放牧不仅可以有效利用草地资源，而且有利于草原物种多样性的增加，提高草原生态系统的稳定性。
综上所述，在以草定畜，草畜平衡的基础上计算的合理载畜量，由于气候多变，年际差异明显，以多年平均产草量去判定当前的合理载畜量，存在实时性差，难以有效反应现实承载能力，而且产草量测定时，通过小范围去反应大面积载畜能力，并没有考虑空间异质性影响，所获结果存在严重误差。虽然通过季节畜牧业、关键场理论和分区轮牧的方式，能改善合理载畜量在实际应用中的一些问题，但整体上对于合理载畜量计算也存在滞后性，并且仍未考虑空间异质性影响，而且难以实现草原经济效益最大化，特别是当干旱发生时，各方法无法作出有效判定，难以维持草原生态系统平衡。而对于草原封育围栏，虽然方法简单可行，但对于封育禁牧的时长，并没有相关定量研究，若不适时引入牲畜，草原生物多样性将减少，并且牧草资源也会得不到有效利用。此外，封育围栏范围如何界定也没有判定标准，只是定性的确定封育面积，缺少空间异质性考虑，易造成可被利用的草地资源大量浪费。因此针对草原环境多变以及不同区域存在的空间差异，在能实时了解植被覆盖状况的同时，需要根据空间异质性特点，结合不同区域土壤质量状况，有区分的去利用与保护草地，在明确封育时限与保持良好的草原生态系统稳定性的基础上，实现草原经济效益最大化。
因此，如何提供一种基于土壤有机质空间分布的草原载畜潜力分区方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，针对以往计算草地载畜量时，通过以水定草，草畜平衡的方法，而不去考虑草地空间异质性与植被啃食后的不同区域生长潜力，往往使计算后的载畜量难与实际情况相符，无法达到科学用地与保护相结合的目的，同时草原恢复时封育围栏时间和区域的盲目化，也使草地利用效益难以提高的现象，本发明综合考虑区域气候以及不同区域土壤抗干扰能力差异，实现了草原载畜潜力分区，不仅可为草原生态系统的保护和当地禁牧政策的制定与禁牧区域划定，提供定量依据，而且其分区结果有利于提升草原利用效率，促进当地经济发展。
为了实现上述目的，本发明采用如下技术方案：
一种基于土壤有机质空间分布的草原载畜潜力分区方法，包括以下步骤：
(1)相关数据处理
应用MODIS 16d合成产品MOD13Q1和DEM 90m数据；
(2)有机质空间预测
根据草地呈非裸露自然特点，选择既能防止过拟合，又能反应变量间非线性关系的随机森林RF与地统计相结合的方法，获取土壤有机质空间分布数据；
(3)不同指标权重计算
根据不同区域植被覆盖度以及影响植被生长的环境因子，选取有机质、多年平均NDVI以及降雨量和温度数据作为载畜潜力判定指标，通过定性分析与定量分析相结合的原则，确定不同指标权重；
(4)植被覆盖度的时空趋势分析
通过一元线性回归计算多年每一像元斜率Kslope，来反应其在空间上的变化特点；
(5)载畜潜力与分区
针对各指标权重，计算综合潜力值，并对最终潜力值进行K-means聚类分区。
优选的，在上述一种基于土壤有机质空间分布的草原载畜潜力分区方法中，步骤(1)中，对于坡度，地形起伏度和地形湿度指数通过ArcGIS 10.0软件处理DEM数据获得；
对于降雨量和气温数据，通过中国气象数据网获取；
对于植被指数，在获得多年遥感数据后，通过最大值与最小值合成法，分别获得多年无干扰环境下植被指数NDVImax、年内最大值合成植被指数NDVImax(y)以及多年最小值合成植被指数NDVImin，其中反应不同区域潜力植被指数为：NDVI＝NDVImax-NDVImin。
优选的，在上述一种基于土壤有机质空间分布的草原载畜潜力分区方法中，步骤(2)具体为：
(2-1)通过选取与有机质相关性高的NDVI、DEM、坡度、地形湿度指数、地形起伏度和多年每一像元NDVI标准差作为预测的辅助变量，随机选取2/3样本作为训练集来建立RF模型，剩余1/3样本作为验证数据集，通过matlab多次计算RF验证结果，最后确定ntree和mtry参数值；
(2-2)在确定RF模型两个参数后，对有机质空间分布数据进行初步预测，并对其预测值与实际值的残差再进行克里格插值，最终有机质空间分布结果等于RF预测结果与其残差空间插值之和；
(2-3)通过观察有机质空间分布特点，对于成块相同值分布区域，联合Google地图验证，确定湖泊范围，并制作湖泊矢量图。
优选的，在上述一种基于土壤有机质空间分布的草原载畜潜力分区方法中，步骤(3)中定性分析使用层次分析法，定量分析使用熵权法，通过matlab编程实现。
熵权法是根据指标数据的离散程度来判断其在整体评价中的权重，所计算结果完全源于公式所得，其结果过于客观化，缺少主观针对性，因此本方法在通过主客观确定不同指标权重之后，为结合考虑数据客观性，在对比主客观权重整体分布特点后，取其平均值作为各指标最终权重。
优选的，在上述一种基于土壤有机质空间分布的草原载畜潜力分区方法中，步骤(3)中有机质所占权重为0.41。
有机质具有保水保墒以及提供植物养分的功能，当环境发生变化时，不同有机质含量土壤会表现不同的抗干扰能力，就空间分布而言，不同的地区由于土壤持水保墒的性质不一样，最终表现出不同的抗干扰能力，其中有机质含量高的区域，其抗干扰能力相对较强，植被生长就越好。因此对于同植被覆盖度的不同区域，需要确定其载畜能力时，土壤有机质含量是其重点考虑因素，并最终决定其载畜能力。因此其相比气候与多年植被覆盖度，在各指标中所占权重最大时才能反应不同区域变异特点，而且结合多组客观数据，客观和主客计算结果都接近于0.41。
优选的，在上述一种基于土壤有机质空间分布的草原载畜潜力分区方法中，步骤(4)中根据回归时的显著性对空间变化程度进行划分，当Kslope<0，p<0.01时为极显著退化，当Kslope<0，0.01<p<0.05时为显著退化，当Kslope>0或者Kslope<0，p>0.05时为基本不变，当Kslope>0，0.05<p<0.01时为显著改善，当Kslope>0，p<0.01时为极显著改善。
通过斜率的计算可以直观反应多年间植被覆盖度是增加还是减少，但由于植被年际间的覆盖度呈波动变化，特别是干旱对植被覆盖度的影响使其存在无法真实反应植被改善状况的可能性，而通过显著性的考虑，可以定量获取永久退化与明显改善区域，便于后期对于潜力分区中保护区的合理性判定与参考)
优选的，在上述一种基于土壤有机质空间分布的草原载畜潜力分区方法中，步骤(5)中根据平均NDVI空间分布以及不同区域多年植被时间变化特点，同时对比研究区湖泊多种分类效果，对草原载畜潜力分为高潜力、中潜力、低潜力和保护区四类。
综合潜力值计算完成后，对类型划分时，可存在不同数量类型，而对于不同数量分类后存在的合理性与符合度，需要有关键的参考依据作为判定。首先针对永久退化区域可以作为很好的分类后必须保护区域的判定指标，并结合湖泊形状区分完整情况可以初次确定分类数量的范围区间，同时根据多年植被覆盖度高，并且明显改善区域可判定最高潜力区域，根据其划分覆盖区域完整程度作为分类数量第二判定指标；而对于多年植被覆盖度低，并且改善不明显的区域作为低潜力区判定标准，根据其划分后区域内存在最少其他类型数量作为判定第三指标。通过以上三指标的不同限定，确定四个分区类型最为合理。
经由上述的技术方案可知，相较现有技术，本发明提供了一种基于土壤有机质空间分布的草原载畜潜力分区方法，根据气候—土壤—植被—牲畜之间的关系，选用长时间序列归一化植被指数(NDVI)，在考虑影响植被生长的气候因素之外，增加不同区域土壤抗干扰能力差异，选取对土壤质量改善和结构形成起决定作用的有机质作为影响植被生长的重要因子，通过定性与定量结合的方法，计算不同影响因子权重，从而实现草原载畜潜力分区，其结果可为当地载畜量计算以及制定合理禁牧区域与时间，提供重要参考依据与数据支撑。
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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1附图为本发明坝上各区载畜潜力分区图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
以往草地资源的使用，主要通过对草地载畜量的评定，多以草地初级生产力和水资源量来确定载畜量，对于不同区域土壤抗干扰能力以及植被再生长情况并未考虑。由于土壤因素与降水对草地植被生产力的影响同等重要，甚至超过降水效应，若不考虑空间抗干扰差异，草地载畜量难与实际情况相符。此外，对于草地退化后的保护，若不进行分区对待，仅通过定性方式进行大面积封育，无法有效提升草原利用效益。因而针对草原空间异质性特点，在充分考虑气候影响植被生长的基础上，增加不同区域土壤抗干扰能力因子，从而实现草原综合潜力分区与禁牧时间判定。其研究结果不管是为当地草原保护，制定合理禁牧区域和时间，还是合理载畜量的计算都能提供基本理论和定量的数据支撑。
本发明公开了一种基于土壤有机质空间分布的草原载畜潜力分区方法，包括以下步骤：
(1)相关数据处理
本方法应用MODIS 16d合成产品MOD13Q1和DEM 90m数据。对于坡度，地形起伏度和地形湿度指数通过ArcGIS 10.0软件处理DEM数据获得；对于降雨量和气温数据，通过中国气象数据网获取；而对于植被指数在获得多年遥感数据后，通过最大值与最小值合成法，分别获得多年无干扰环境下植被指数(NDVImax)以及年内最大值合成植被指数(NDVImax(y))与多年最小值合成植被指数(NDVImin)，其中反应不同区域潜力植被指数等于：
NDVI＝NDVImax-NDVImin
(2)有机质空间预测
根据草地呈非裸露自然特点，选择既能防止过拟合，又能反应变量间非线性关系的随机森林(random forest，RF)与地统计相结合的方法，获取土壤有机质空间分布数据。通过选取与有机质相关性高的NDVI、DEM、坡度、地形湿度指数、地形起伏度和多年每一像元NDVI标准差作为预测的辅助变量，随机选取2/3样本作为训练集来建立RF模型，剩余1/3样本作为验证数据集，通过matlab多次计算RF验证结果，最后确定ntree和mtry参数值。在确定RF模型两个参数后，对有机质空间分布数据进行初步预测，并对其预测值与实际值的残差再进行克里格插值，最终有机质空间分布结果等于RF预测结果与其残差空间插值之和。通过观察有机质空间分布特点，对于成块相同值分布区域，联合Google地图验证，确定湖泊范围，并制作湖泊矢量图。
(3)不同指标权重计算
根据不同区域植被覆盖度以及影响植被生长的环境因子，选取有机质、多年平均NDVI以及降雨量和温度数据作为载畜潜力判定指标。通过定性与定量相结合的原则，确定不同指标权重，其中定性分析使用层次分析法(AHP)，而定量分析使用熵权法。熵权法计算过程通过matlab编程实现。熵权法是根据指标数据的离散程度来判断其在整体评价中的权重，所计算结果完全源于公式所得，其结果过于客观化，缺少主观针对性，因此本方法在通过主客观确定不同指标权重之后，对比主客观权重整体分布特点，取其平均值作为各指标最终权重，其中有机质所占权重为0.41。
(4)植被覆盖度的时空趋势分析
通过一元线性回归计算多年每一像元斜率(Kslope)，来反应其在空间上的变化特点。Kslope＞0，说明植被覆盖度呈现增加趋势；Kslope＜0，说明植被覆盖度呈现降低趋势。本方法根据回归时的显著性把空间变化程度分为极显著退化(Kslope<0，p<0.01)，显著退化(Kslope<0，0.01<p<0.05)，基本不变(Kslope>0或者Kslope<0，p>0.05)，显著改善(Kslope>0，0.05<p<0.01)，极显著改善(Kslope>0，p<0.01)。
(5)载畜潜力与分区
针对各指标权重，计算综合潜力值，并对最终潜力值进行K-means聚类分区。参考平均NDVI空间分布以及不同区域多年植被时间变化特点，同时对比研究区湖泊多种分类效果，对其草原载畜潜力分为高潜力、中潜力、低潜力和保护区四类。
实施例
本实施例采集坝上179个土样中，通过剔除离群值(平均值±3×标准差)与采样位置重复区域，保留167个土样作为有机质预测使用，其中土样的最大值、最小值、均值和方差，分别为66.8g·kg-1、5.4g·kg-1、25.0g·kg-1和18.6g·kg-1。
遥感数据从NASA站点下载2000-2017年的MODIS陆地标准产品中的MODIS 16d合成产品MOD13Q1，空间分辨率为250m。通过最大值合成法，获得2000-2017年每年以及每一像元多年最大NDVI合成图。在地理空间数据云和中国气象数据网分别获得90m的DEM数据2000-2015年平均气温和降水量数据，其中DEM数据通过ArcGIS 10.0软件计算得到研究区坡度，地形起伏度和地形湿度指数。
现今获取有机质空间分布数据，主要是通过地统计和遥感反演两种方法。由于地统计制图需满足平稳假设和正态分布等条件，同时需大量采样，才能保证预测的精度，无形中增加了劳动强度和成本。而遥感反演借助土壤光谱反射率与有机质之间的关系，建立预测模型，实现有机质的反演。由于土壤光谱反射率受多种因素影响，并且无法直接获取非裸露时的土壤光谱反射率，从而在一定程度上限制了其使用范围。因此本方法结合研究区草地特点，选取既能防止过拟合，又能反应变量间非线性关系的随机森林(random forest，RF)来预测有机质空间分布数据。
RF由决策树发展而来，已有研究表明其在土壤属性空间制图中能获得较好效果，并且优于地统计等其他方法。RF预测过程中，需要确定树的个数(ntree)和节点分裂次数(mtry)两个重要参数。本研究中选取NDVI、DEM、坡度、地形湿度指数、地形起伏度和2000-2017年每一像元NDVI标准差作为预测的辅助变量，随机选择33个样本作为验证数据集，通过matlab多次计算RF验证结果，最后确定ntree为50，mtry为2。
通过一元线性回归计算2000-2017年每一像元斜率，来反应其在空间上的变化特点。其计算公式为：
式中：n为研究总年数，本研究中n为18；i为1～18间的取值；NDVIi为第i年的最大NDVI值；Kslope为一元回归斜率值；Kslope＞0，说明NDVImax呈现增加趋势；Kslope＜0，说明NDVImax呈现降低趋势。本研究根据回归时的显著性把空间变化程度分为极显著退化(Kslope<0，p<0.01)，显著退化(Kslope<0，0.01<p<0.05)，基本不变(Kslope>0或者Kslope<0，p>0.05)，显著改善(Kslope>0，0.05<p<0.01)，极显著改善(Kslope>0，p<0.01)。
根据不同区域植被覆盖度以及影响植被生长的环境因子，选取有机质、2000-2017年平均NDVI以及降雨量和温度数据作为载畜潜力判定指标。通过定性与定量相结合的原则，确定不同指标权重，其中定性分析使用层次分析法(AHP)，而定量分析使用熵权法。熵权法计算过程通过matlab编程实现，其具体步骤如下：
(1)数据标准化处理
由于各指标量纲不一样，所代表的含义不同，为了使各指标具有可比性，需对其进行无量纲化处理。
正向指标：
负向指标：
式中：xij表示样点i第j个指标的值；Tij表示样点i中第j个指标标准化后的值；xjmin和xjmax表示所有样点的第j个指标的最小值和最大值。
(2)计算样点i第j项指标所占比重Pij
(3)计算第j项指标的熵值ej
其中，k＝1/ln(n)>0，n为样点个数。
(4)计算第j个指标的权重Wj
式中：m为评价指标个数。
熵权法是根据指标数据的离散程度来判断其在整体评价中的权重，所计算结果完全源于公式所得，其结果过于客观化，缺少主观针对性，因此本研究在通过主客观确定不同指标权重之后，对比主客观权重整体分布特点，取其平均值作为各指标最终权重，参见表1。
表1不同指标权重
根据有机质是否作为分区的影响因子，分别计算降雨量、温度和平均NDVI所占权重，并对最终潜力值进行K-means聚类分区。参考平均NDVI空间分布与对比研究区湖泊多种分类效果，确定研究区分成高潜力、中潜力、低潜力和保护区四类较为合适。
图1(a)和(b)分别是有机质参与和不参与分区的结果。有机质不参与分区相比参与分区，其分类结果成片状分布，并在整体上降低了保护区比例，提高了研究区整体载畜潜力，具体参见表2。然而由于地表高度的异质性，成片分布的结果，难与实际情况相符。通过有机质参与分区，地表异质性信息明显增强，坝上整体载畜潜力表现为由西向东，逐渐增加，其中围场和丰宁载畜潜力明显高于其他县，而康保在六县中潜力表现最低，其保护区面积占本区73.03％，而且无高潜力区。
表2坝上不同载畜潜力占本区面积比例(％)
在草原生态系统中，土壤有机质补给来源主要是草地植物残体，因此在通过多年协同演变后，有机质含量的高低和植被覆盖的大小在空间上将更具有其相关性。然而若仅仅通过植被去反应载畜能力，其分区结果中，研究区整体载畜能力被提高，而且无空间异质性特征，总体表现为成片分布。而有机质参与分区，区分了相同植被覆盖度具有不同载畜潜力的特征，体现了土壤空间异质性特点，使其空间分布呈现多元化结果，更有利于草地的保护与利用。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
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发明。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发明的精神或范围的情况下，在其它实施例中实现。因此，本发明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 (7)
1.一种基于土壤有机质空间分布的草原载畜潜力分区方法，其特征在于，包括以下步骤：
(1)相关数据处理
应用MODIS 16d合成产品MOD13Q1和DEM 90m数据；
(2)有机质空间预测
根据草地呈非裸露自然特点，选择既能防止过拟合，又能反应变量间非线性关系的随机森林RF与地统计相结合的方法，获取土壤有机质空间分布数据；
(3)不同指标权重计算
根据不同区域植被覆盖度以及影响植被生长的环境因子，选取有机质、多年平均NDVI以及降雨量和温度数据作为载畜潜力判定指标，通过定性分析与定量分析相结合的原则，确定不同指标权重；
(4)植被覆盖度的时空趋势分析
通过一元线性回归计算多年每一像元斜率Kslope，来反应其在空间上的变化特点；
(5)载畜潜力与分区
针对各指标权重，计算综合潜力值，并对最终潜力值进行K-means聚类分区。
2.根据权利要求1所述的一种基于土壤有机质空间分布的草原载畜潜力分区方法，其特征在于，步骤(1)中，对于坡度，地形起伏度和地形湿度指数通过ArcGIS 10.0软件处理DEM数据获得；
对于降雨量和气温数据，通过中国气象数据网获取；
对于植被指数，在获得多年遥感数据后，通过最大值与最小值合成法，分别获得多年无干扰环境下植被指数NDVImax、年内最大值合成植被指数NDVImax(y)以及多年最小值合成植被指数NDVImin，其中反应不同区域潜力植被指数为：NDVI＝NDVImax-NDVImin。
3.根据权利要求1所述的一种基于土壤有机质空间分布的草原载畜潜力分区方法，其特征在于，步骤(2)具体为：
(2-1)通过选取与有机质相关性高的NDVI、DEM、坡度、地形湿度指数、地形起伏度和多年每一像元NDVI标准差作为预测的辅助变量，随机选取2/3样本作为训练集来建立RF模型，剩余1/3样本作为验证数据集，通过matlab多次计算RF验证结果，最后确定ntree和mtry参数值；
(2-2)在确定RF模型两个参数后，对有机质空间分布数据进行初步预测，并对其预测值与实际值的残差再进行克里格插值，最终有机质空间分布结果等于RF预测结果与其残差空间插值之和；
(2-3)通过观察有机质空间分布特点，对于成块相同值分布区域，联合Google地图验证，确定湖泊范围，并制作湖泊矢量图。
4.根据权利要求1所述的一种基于土壤有机质空间分布的草原载畜潜力分区方法，其特征在于，步骤(3)中定性分析使用层次分析法，定量分析使用熵权法，通过matlab编程实现。
5.根据权利要求4所述的一种基于土壤有机质空间分布的草原载畜潜力分区方法，其特征在于，步骤(3)中有机质所占权重为0.41。
6.根据权利要求1所述的一种基于土壤有机质空间分布的草原载畜潜力分区方法，其特征在于，步骤(4)中根据回归时的显著性对空间变化程度进行划分，当Kslope<0，p<0.01时为极显著退化，当Kslope<0，0.01<p<0.05时为显著退化，当Kslope>0或者Kslope<0，p>0.05时为基本不变，当Kslope>0，0.05<p<0.01时为显著改善，当Kslope>0，p<0.01时为极显著改善。
7.根据权利要求1所述的一种基于土壤有机质空间分布的草原载畜潜力分区方法，其特征在于，步骤(5)中根据平均NDVI空间分布以及不同区域多年植被时间变化特点，同时对比研究区湖泊多种分类效果，对草原载畜潜力分为高潜力、中潜力、低潜力和保护区四类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010410654.7A CN111598336B (zh) | 2020-05-15 | 2020-05-15 | 一种基于土壤有机质空间分布的草原载畜潜力分区方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010410654.7A CN111598336B (zh) | 2020-05-15 | 2020-05-15 | 一种基于土壤有机质空间分布的草原载畜潜力分区方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111598336A true CN111598336A (zh) | 2020-08-28 |
| CN111598336B CN111598336B (zh) | 2023-05-26 |
Family
ID=72192182
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010410654.7A Active CN111598336B (zh) | 2020-05-15 | 2020-05-15 | 一种基于土壤有机质空间分布的草原载畜潜力分区方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111598336B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112240869A (zh) * | 2020-11-16 | 2021-01-19 | 内蒙古自治区农牧业科学院 | 一种基于高分遥感影像的草原地块信息提取方法 |
| CN112396229A (zh) * | 2020-11-16 | 2021-02-23 | 中国科学院东北地理与农业生态研究所 | 退化沼泽湿地植被适宜自然或人工恢复的区域划分方法 |
| CN112990657A (zh) * | 2021-02-06 | 2021-06-18 | 首都师范大学 | 一种通过长时序卫星遥感评价湿地退化的方法 |
| CN113340286A (zh) * | 2021-06-28 | 2021-09-03 | 武汉财源通网络科技有限公司 | 一种土地规划勘察勘测项目测绘信息数据分析方法、设备及计算机存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180058932A1 (en) * | 2016-08-12 | 2018-03-01 | China Institute Of Water Resources And Hydropower Research | Method for analyzing the types of water sources based on natural geographical features |
| CN108170926A (zh) * | 2017-12-12 | 2018-06-15 | 伊犁师范学院 | 一种河谷草地退化情况的信息数据采集及分析方法 |
| CN109145454A (zh) * | 2018-08-24 | 2019-01-04 | 中国科学院、水利部成都山地灾害与环境研究所 | 三重指数模型刻画牧区雪灾恢复力时空特性的方法 |
| CN109583748A (zh) * | 2018-11-27 | 2019-04-05 | 北京师范大学 | 确定生态型地区资源环境承载力评价指标体系的方法 |
| CN109635309A (zh) * | 2018-10-17 | 2019-04-16 | 广州地理研究所 | 一种地表温度空间降尺度方法 |
-
2020
- 2020-05-15 CN CN202010410654.7A patent/CN111598336B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180058932A1 (en) * | 2016-08-12 | 2018-03-01 | China Institute Of Water Resources And Hydropower Research | Method for analyzing the types of water sources based on natural geographical features |
| CN108170926A (zh) * | 2017-12-12 | 2018-06-15 | 伊犁师范学院 | 一种河谷草地退化情况的信息数据采集及分析方法 |
| CN109145454A (zh) * | 2018-08-24 | 2019-01-04 | 中国科学院、水利部成都山地灾害与环境研究所 | 三重指数模型刻画牧区雪灾恢复力时空特性的方法 |
| CN109635309A (zh) * | 2018-10-17 | 2019-04-16 | 广州地理研究所 | 一种地表温度空间降尺度方法 |
| CN109583748A (zh) * | 2018-11-27 | 2019-04-05 | 北京师范大学 | 确定生态型地区资源环境承载力评价指标体系的方法 |
Non-Patent Citations (2)
| Title |
|---|
| YU LONG ET AL.: "Using Remote Sensing and GIS Technologies to Estimate Grass Yield and Livestock Carrying Capacity of Alpine Grasslands in Golog Prefecture, China", 《PEDOSPHERE》 * |
| 尼加提·乃合买提等: "海拔和坡向对伊犁河谷草地土壤理化性质的影响", 《安徽农业科学》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112240869A (zh) * | 2020-11-16 | 2021-01-19 | 内蒙古自治区农牧业科学院 | 一种基于高分遥感影像的草原地块信息提取方法 |
| CN112396229A (zh) * | 2020-11-16 | 2021-02-23 | 中国科学院东北地理与农业生态研究所 | 退化沼泽湿地植被适宜自然或人工恢复的区域划分方法 |
| CN112990657A (zh) * | 2021-02-06 | 2021-06-18 | 首都师范大学 | 一种通过长时序卫星遥感评价湿地退化的方法 |
| CN113340286A (zh) * | 2021-06-28 | 2021-09-03 | 武汉财源通网络科技有限公司 | 一种土地规划勘察勘测项目测绘信息数据分析方法、设备及计算机存储介质 |
| CN113340286B (zh) * | 2021-06-28 | 2022-03-08 | 广西国土资源规划设计集团有限公司 | 一种土地规划勘察勘测项目测绘信息数据分析方法、设备及计算机存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111598336B (zh) | 2023-05-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kosmas et al. | Land degradation and long-term changes in agro-pastoral systems: An empirical analysis of ecological resilience in Asteroussia-Crete (Greece) | |
| CN111598336A (zh) | 一种基于土壤有机质空间分布的草原载畜潜力分区方法 | |
| Sastre et al. | Soil loss in an olive grove in Central Spain under cover crops and tillage treatments, and farmer perceptions | |
| Lasanta-Martínez et al. | Mountain Mediterranean landscape evolution caused by the abandonment of traditional primary activities: a study of the Spanish Central Pyrenees | |
| Coops et al. | The development of a Canadian dynamic habitat index using multi-temporal satellite estimates of canopy light absorbance | |
| van Gils et al. | Where the bears roam in Majella National Park, Italy | |
| Nakuja et al. | Water storage for dry season vegetable farming as an adaptation to climate change in the upper east region of Ghana | |
| Blanco et al. | Grazing effect on NDVI across an aridity gradient in Argentina | |
| Gianpasquale et al. | The occurrence and density of three sympatric corvids in a Mediterranean agroecosystem explained by land use | |
| Ribeiro et al. | Explaining farming systems spatial patterns: A farm-level choice model based on socioeconomic and biophysical drivers | |
| Ambarwulan et al. | Geographic information system and analytical hierarchy process for land use planning of beekeeping in forest margin of Bogor Regency, Indonesia | |
| Das et al. | Resilience of agriculture in a climatically vulnerable state of India | |
| Vadjunec et al. | Beyond forest cover: land use and biodiversity in rubber trail forests of the Chico Mendes Extractive Reserve | |
| Bongiolo et al. | Swidden fallow management to increase landscape-level Brazil nut productivity | |
| Naudiyal et al. | Potential distribution of oak forests in the central Himalayas and implications for future ecosystem services supply to rural communities | |
| Brennan et al. | Comparing stability in random forest models to map Northern Great Plains plant communities in pastures occupied by prairie dogs using Pleiades imagery | |
| Heydari et al. | Diverging consequences of past forest management on plant and soil attributes in ancient oak forests of southwestern Iran | |
| Kocur-Bera | A safe space of rural areas in the context of the occurrence of extreme weather events—A case study covering a part of the Euroregion Baltic | |
| Ramsey et al. | A management experiment reveals the difficulty of altering seedling growth and palatable plant biomass by culling invasive deer | |
| Zhang et al. | Comparison of two regression models for predicting crop yield | |
| Tesfuhuney et al. | Place-based perceptions, resilience and adaptation to climate change by smallholder farmers in rural South Africa | |
| Ojemade et al. | Difficulties in adaptation to climate change by oil palm farmers in Southern Nigeria | |
| Waitz et al. | From microsite selection to population spatial distribution: Pinus halepensis colonization in mediterranean-type ecosystems | |
| Enkossa et al. | Effects of land use types and environmental factors on woody species diversity in agricultural landscapes of Jimma Ganati District, Western Oromia, Ethiopia | |
| Davis et al. | Reducing yield variation in peach orchards by geographic scattering |
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 |