CN111861838B - 一种山区森林退化成因的判别方法及系统 - Google Patents
一种山区森林退化成因的判别方法及系统 Download PDFInfo
- Publication number
- CN111861838B CN111861838B CN202010857416.0A CN202010857416A CN111861838B CN 111861838 B CN111861838 B CN 111861838B CN 202010857416 A CN202010857416 A CN 202010857416A CN 111861838 B CN111861838 B CN 111861838B
- Authority
- CN
- China
- Prior art keywords
- data
- precipitation
- ndvi
- forest
- degradation
- 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
- 230000015556 catabolic process Effects 0.000 title claims abstract description 108
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001556 precipitation Methods 0.000 claims abstract description 142
- 230000008859 change Effects 0.000 claims abstract description 117
- 238000011160 research Methods 0.000 claims abstract description 75
- 238000009825 accumulation Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 11
- 230000007423 decrease Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 26
- 210000004556 brain Anatomy 0.000 description 21
- 230000008569 process Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 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
- 238000002360 preparation method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/10—Forestry
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- 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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Forests & Forestry (AREA)
- Educational Administration (AREA)
- Biodiversity & Conservation Biology (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Toxicology (AREA)
- Environmental & Geological Engineering (AREA)
- Ecology (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种山区森林退化成因的判别方法及系统,该方法首先获取研究区域的长时间序列遥感数据和气象数据,所述数据包括降水数据、温度数据、NDVI数据、土地覆盖数据;然后根据所述数据计算得到有效积温和降水双因素与NDVI的变化趋势;进而提取森林区域内的退化森林区域;再按照森林退化的成因判别方式判断退化森林区域的退化成因:最后根据森林区域的退化成因划分研究区域的森林退化等级。本发明的有益效果在于:本发明提供的山区森林退化成因的判别方法,基于长时间序列遥感数据和气象数据,以生长季积温和降水量作为关键气象参数,经专业软件处理与计算分析,快速、准确地辨识山区森林退化区域、并判断退化的成因以及退化等级的方法。
Description
技术领域
本发明涉及森林测量技术领域,特别是一种山区森林退化成因的判别方法及系统。
背景技术
尽管森林恢复项目在全球各地广泛开展,但是受自然因素(气候变化等)和人为因素(采伐等)的多重影响,全球范围内森林退化趋势并未得到有效遏制。开展退化森林恢复项目需要辨识森林退化区域并明确森林退化的成因才能因地制宜地制定合理、有效的森林恢复方案,提升退化森林恢复效果。
传统研究中多采用森林郁闭度作为量化森林退化程度的指标,但是森林郁闭度数据的获取依赖大量野外样地调查,耗时长、效率低,不适用区域尺度森林退化的追踪和监测。随着植被遥感技术的发展,归一化植被指数(NDVI)日益成为进行大范围植被生长动态监测的重要参数之一。在此基础上结合区域森林NDVI植被指数数据和气象数据可进一步明确森林植被退化的成因。但现有方法在考虑森林植被退化的气候驱动因素时多以平均气温和降水作为关键气象参数。但是,森林植被生长的主要受生长季积温和降水等气象因素的影响,尤其是山区等高寒地区的森林植被生长对积温的响应更敏感。
发明内容
有鉴于此,本发明的目的在于提供一种山区森林退化成因的判别方法,该方法以生长季积温和降水量作为关键气象参数,能更准确、全面地反映山区气候变化对森林植被生长的影响,更适宜山区大范围森林植被退化成因的判别。
为达到上述目的,本发明提供如下技术方案:
本发明提供的山区森林退化成因的判别方法,包括以下步骤:
步骤一、获取研究区域的长时间序列遥感数据和气象数据,所述数据包括降水数据、温度数据、NDVI数据、土地覆盖数据;
所述NDVI数据为逐年NDVI月值空间分布数据;所述温度数据为逐年气象台站日值温度数据;所述降水数据为逐年气象台站日值降水数据;
步骤二、根据所述NDVI数据、温度数据、降水数据计算得到有效积温和降水双因素与NDVI的变化趋势;
步骤三、根据计算得到的有效积温和降水双因素与NDVI的变化趋势提取森林区域内的退化森林区域;
步骤四、按照森林退化的成因判别方式判断退化森林区域的退化成因:
步骤五、根据森林区域的退化成因划分研究区域的森林退化等级。
进一步,所述步骤一中的降水数据按照以下步骤进行处理:
所述降水数据经过空间插值处理得到逐年日值降水空间分布数据;所述逐年日值降水空间分布数据经过计算得到逐年生长季累计降水空间分布;所述逐年生长季累计降水空间分布经过计算得到研究期生长季累计降水相对变化速率空间分布,所述研究期生长季累计降水相对变化速率空间分布和研究期生长季有效积温相对变化速率空间分布经过叠加处理得到有效积温和降水量变化趋势。
进一步,所述研究期生长季有效积温相对变化速率空间分布是按照以下步骤得到:
所述温度数据经过空间差值处理得到逐年日值温度空间分布数据;所述逐年日值温度空间分布数据经过计算得到逐年生长季有效积温空间分布,所述逐年生长季有效积温空间分布经过计算得到研究期生长季有效积温相对变化速率空间分布。
进一步,所述NDVI数据经过计算得到逐年生长季NDVI均值空间分布,所述逐年生长季NDVI均值空间分布经过计算得到研究期生长季NDVI相对变化速率空间分布。
进一步,所述研究期生长季NDVI相对变化速率空间分布与有效积温和降水量变化趋势经过叠加处理得到有效积温和降水双因素与NDVI的变化趋势;
进一步,所述步骤四中的退化成因按照以下方式进行判别:
当有效积温和降水均增加,而NDVI下降时,则为人为因素引起的森林退化;
当有效积温和降水均下降,而NDVI下降时,则为自然气候因素引起的森林退化。
进一步,所述步骤五中的森林退化等级按照以下方式进行划分:
轻度退化,0>Va≥-X%;
中度退化,-X%>Va≥-2X%;
重度退化,-2X%>Va≥-3X%;
极重度退化,Va<-3X%;
其中,
X为退化森林区域NDVI变化速率的标准偏差;
Va为退化森林区域NDVI变化速率。
本发明提供的山区森林退化成因的判别系统,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以下步骤:
步骤一、获取研究区域的长时间序列遥感数据和气象数据,所述数据包括降水数据、温度数据、NDVI数据、土地覆盖数据;
所述NDVI数据为逐年NDVI月值空间分布数据;所述温度数据为逐年气象台站日值温度数据;所述降水数据为逐年气象台站日值降水数据;
步骤二、根据所述NDVI数据、温度数据、降水数据计算得到有效积温和降水双因素与NDVI的变化趋势;
步骤三、根据计算得到的有效积温和降水双因素与NDVI的变化趋势提取森林区域内的退化森林区域;
步骤四、按照森林退化的成因判别方式判断退化森林区域的退化成因:
步骤五、根据森林区域的退化成因划分研究区域的森林退化等级。
进一步,所述步骤一中的降水数据按照以下步骤进行处理:
所述降水数据经过空间插值处理得到逐年日值降水空间分布数据;所述逐年日值降水空间分布数据经过计算得到逐年生长季累计降水空间分布;所述逐年生长季累计降水空间分布经过计算得到研究期生长季累计降水相对变化速率空间分布,所述研究期生长季累计降水相对变化速率空间分布和研究期生长季有效积温相对变化速率空间分布经过叠加处理得到有效积温和降水量变化趋势;
所述研究期生长季有效积温相对变化速率空间分布是按照以下步骤得到:
所述温度数据经过空间差值处理得到逐年日值温度空间分布数据;所述逐年日值温度空间分布数据经过计算得到逐年生长季有效积温空间分布,所述逐年生长季有效积温空间分布经过计算得到研究期生长季有效积温相对变化速率空间分布;
所述NDVI数据经过计算得到逐年生长季NDVI均值空间分布,所述逐年生长季NDVI均值空间分布经过计算得到研究期生长季NDVI相对变化速率空间分布;
所述研究期生长季NDVI相对变化速率空间分布与有效积温和降水量变化趋势经过叠加处理得到有效积温和降水双因素与NDVI的变化趋势;
进一步,所述步骤四中的退化成因按照以下方式进行判别:
当有效积温和降水均增加,而NDVI下降时,则为人为因素引起的森林退化;
当有效积温和降水均下降,而NDVI下降时,则为自然气候因素引起的森林退化;
所述步骤五中的森林退化等级按照以下方式进行划分:
轻度退化,0>Va≥-X%;
中度退化,-X%>Va≥-2X%;
重度退化,-2X%>Va≥-3X%;
极重度退化,Va<-3X%;
其中,
X为退化森林区域NDVI变化速率的标准偏差;
Va为退化森林区域NDVI变化速率。
本发明的有益效果在于:本发明提供的山区森林退化成因的判别方法,基于长时间序列遥感数据和气象数据,以生长季积温和降水量作为关键气象参数,经专业软件处理与计算分析,快速、准确地辨识山区森林退化区域、并判断退化的成因以及退化等级的方法。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为山区森林退化成因的判别方法流程图。
图2为山区森林退化成因的判别方法数据处理流程图。
图3为2001-2017年杂谷脑流域森林生长季NDVI、累计降水和有效积温变化速率空间分布图。
图4为2001-2017年杂谷脑流域森林生长季NDVI、累计降水和有效积温变化趋势空间分布图。
图5为降水与温度的变化趋势。
图6为人为/自然气候因素退化森林空间分布图。
图7为人为/自然气候因素森林退化区域NDVI变化速率。
图8为人为/自然气候因素森林退化区域等级划分。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
实施例1
如图1所示,本实施例提供的山区森林退化成因的判别方法,包括以下步骤:
步骤一、获取数据并进行分析处理,所述数据包括NDVI数据、土地覆盖数据、降水数据和温度数据;
(1)下载研究区域MODIS(中分辨率成像光谱仪)时间序列NDVI(归一化植被指数)、产品月值数据集(MODIS MOD13Q1,空间分辨率250m)和土地覆盖数据产品数据集(MODISMCD12Q1,空间分辨率500m);下载研究区域内国家标准气象台站时间序列降水和温度日值数据。
(2)利用ARCGIS(地理信息系统平台)重采样工具,将植被指数数据和土地覆盖数据的空间分辨率统一为250m。
(3)基于研究区各气象站气温、降水数据,采用ANUSPLIN(气象数据空间插值工具),生成研究区降水、温度空间数据集(空间分辨率250m)。
(4)基于土地覆盖数据,采用ARCGIS提取研究期起始年份研究区森林分布边界并将其矢量化,以此矢量化边界其依次裁剪温度、降水和NDVI空间数据,生成研究区森林区域温度、降水和NDVI空间数据集。
(5)采用ARCGIS栅格计算器工具,根据公式(1)计算研究区森林区域各栅格单元生长季(5-10月)逐年NDVI均值,生成生长季森林区域逐年NDVI均值空间数据;根据公式(2)计算研究区森林区域各栅格单元逐年生长季降水量,生成森林区域逐年生长季降水量空间数据;根据公式(3)计算研究区森林区域各栅格单元逐年生长季有效积温,生成森林区域逐年生长季有效积温空间数据。
式中,
Ni为第i年生长季NDVI均值;
n为生长季的月数;
Nj为生长季第j月NDVI均值。
式中,
Pe为第e年生长季降雨量(mm);
m为生长季的天数;
Pk为生长季第k日降雨量(mm)。
式中,
Td为第d年生长季有效积温,即优势树种生长发育时期内日有效温度(即日平均温度减去生物学零度的差值)的总和(℃);
r为生长季的天数;
Tf为生长季第f日平均气温(℃);
B为该发育阶段的生物学零度温度(℃)。
步骤二变化趋势的定量及判定
(6)采用相对变化速率法,根据公式(4)、(5)、(6)依次计算研究时段内森林区域各栅格单元生长季NDVI(Ni)、生长季降水量(Pe)和生长季有效积温(Ta)的相对变化速率,据此度量各变量的变化趋势并分别生成研究区森林区域生长季NDVI、生长季降水量和生长季有效积温变化率空间分布图;
式中,
Va为研究期内生长季NDVI相对变化速率的均值;
Vb为生长季降水量相对变化速率的均值;
Vc为生长季有效积温相对变化速率的均值;
Ni为第i年生长季NDVI均值;
Pe为第e年生长季降水量;
Td分别为第d年生长季有效积温;
(7)基于步骤(6)计算结果,判定研究期内生长季NDVI、降水量以及有效积温的变化趋势,在ArcGIS中重分类并绘制生长季NDVI、降水量以及有效积温的变化趋势空间分布图,判定标准为:
Va/Vb/Vc>0,表示呈上升趋势;
Va/Vb/Vc<0,表示呈下降趋势;
Va/Vb/Vc=0,表示无变化。
步骤三退化森林区域的识别
(8)根据步骤(7)的判定结果,提取森林区域所有生长季NDVI变化趋势为负的栅格,识别为研究区退化森林区域。
步骤四森林退化成因的判别
(9)在ARCGIS中将研究期内森林区域生长季有效积温和累计降水变化趋势空间分布图进行叠加,提取生长季有效积温和降水量变化趋势一致(同时增加或者同时减少)的森林区域图层。
(10)将步骤(9)提取的森林区域图层与研究区森林区域NDVI变化趋势空间分布图叠加,判定有效积温和降水双因素与NDVI变化趋势的一致性,根据表1的判定规则划分森林退化的成因:
温度降水均增加,而NDVI下降的区域为人为因素引起的森林退化;
温度降水均下降,NDVI下降的区域为自然气候因素引起的森林退化。
据此提取相应图层,分别生成研究区人为退化森林空间分布图和自然气候因素退化森林空间分布图。
表1.森林退化成因判别规则
步骤五森林退化等级的划分
(11)用步骤(10)生成的研究区人为退化森林空间分布图和自然气候因素退化森林空间分布图分别裁剪步骤(6)中的研究区生长季NDVI变化速率空间分布图,得到研究区人为退化森林生长季NDVI变化速率空间分布图和自然气候因素退化森林生长季NDVI变化速率空间分布图。
(12)根据公式(7)计算退化森林区域NDVI变化速率的标准偏差X
式中,
X为退化森林区域NDVI变化速率的标准偏差X;
Xh为第h个NDVI变化速率值;
Z为样本量;
μ为Xh的均值。
(13)以标准偏差X为参照,结合退化森林区域NDVI变化速率(Va)空间分布图划分森林退化等级。等级划分标准为:
1)轻度退化,0>Va≥-X%;
中度退化,-X%>Va≥-2X%;
重度退化,-2X%>Va≥-3X%;
极重度退化,Va<-3X%。
基于ARCGIS空间分析功能,统计各变化区间分布及面积比例,同时将交通、水系、人口分布及土地利用作为影响因素进行分析。
实施例2
如图2所示,本实施例提供的山区森林退化成因的判别方法,包括以下步骤:
步骤一、获取数据并进行分析处理,所述数据包括NDVI数据、温度数据、降水数据、土地覆盖数据;
所述NDVI数据为逐年NDVI月值空间分布数据(5-10月);
所述温度数据为逐年气象台站日值温度数据(5-10月);
所述降水数据为逐年气象台站日值降水数据(5-10月);
步骤二、根据所述NDVI数据、温度数据、降水数据计算得到有效积温和降水双因素与NDVI的变化趋势;
步骤三、根据计算得到的有效积温和降水双因素与NDVI的变化趋势提取森林区域内的退化森林区域;
步骤四、按照森林退化的成因判别方式判断退化森林区域的退化成因:
步骤五、根据森林区域的退化成因划分研究区域的森林退化等级。
本实施例提供的降水数据按照以下步骤进行处理:
所述降水数据经过空间插值处理得到逐年日值降水空间分布数据;所述逐年日值降水空间分布数据经过公式(2)处理得到逐年生长季累计降水空间分布;所述逐年生长季累计降水空间分布经过公式(5)计算得到研究期生长季累计降水相对变化速率空间分布,所述研究期生长季累计降水相对变化速率空间分布和研究期生长季有效积温相对变化速率空间分布经过ARCGIS软件叠加处理得到有效积温和降水量变化趋势;
其中,所述研究期生长季有效积温相对变化速率空间分布是按照以下步骤得到:
所述温度数据经过空间差值处理得到逐年日值温度空间分布数据;所述逐年日值温度空间分布数据经过公式(3)的计算得到逐年生长季有效积温空间分布,所述逐年生长季有效积温空间分布经过公式(6)计算得到研究期生长季有效积温相对变化速率空间分布。
所述NDVI数据经过公式(1)计算得到逐年生长季NDVI均值空间分布,所述逐年生长季NDVI均值空间分布经过公式(4)计算得到研究期生长季NDVI相对变化速率空间分布;
所述研究期生长季NDVI相对变化速率空间分布与有效积温和降水量变化趋势经过ARCGIS软件叠加处理得到有效积温和降水双因素与NDVI的变化趋势;
实施例3
在本实施例中,以岷江杂谷脑流域为例,研究期为2001-2017年。技术方案包括以下步骤:
步骤一、数据准备
(1)下载杂谷脑流域MODIS 2001-2017年NDVI(归一化植被指数)产品月值数据集(MODIS MOD13Q1,空间分辨率250m)和土地覆盖数据产品数据集(MODIS MCD12Q1,空间分辨率500m);下载杂谷脑流域内国家标准气象台站2001-2017年降水和温度日值数据。
(2)利用ARCGIS重采样工具,将植被指数数据和土地覆盖数据的空间分辨率统一为250m。
(3)基于杂谷脑流域各气象站气温、降水数据,采用ANUSPLIN气象数据空间插值工具,生成杂谷脑流域降水、温度空间数据集(空间分辨率250m)。
(4)基于土地覆盖数据,采用ARCGIS提取杂谷脑流域2001年森林分布边界并将其矢量化,以此矢量化边界其依次裁剪温度、降水和NDVI空间数据,生成杂谷脑流域森林区域温度、降水和NDVI空间数据集。
(5)采用ARCGIS栅格计算器工具,根据公式(1)计算杂谷脑流域森林区域各栅格单元生长季(5-10月)逐年NDVI均值,生成生长季森林区域逐年NDVI均值空间数据;根据公式(2)计算杂谷脑流域森林区域各栅格单元逐年生长季降水量,生成森林区域逐年生长季降水量空间数据;根据公式(3)计算杂谷脑流域森林区域各栅格单元逐年生长季有效积温,生成森林区域逐年生长季有效积温空间数据。
式中,Ni为第i年生长季NDVI均值;n为生长季的月数;Nj为生长季第j月NDVI均值。
式中,Pe为第e年生长季降雨量(mm);m为生长季的天数;Pk为生长季第k日降雨量(mm)。
式中,Td为第d年生长季有效积温,即优势树种生长发育时期内日有效温度(即日平均温度减去生物学零度的差值)的总和(℃);r为生长季的天数;Tf为生长季第f日平均气温(℃);B为该发育阶段的生物学零度温度(℃)。
步骤二、变化趋势的定量及判定
(6)采用相对变化速率法,根据公式(4)、(5)、(6)依次计算研究期内杂谷脑流域森林区域各栅格单元生长季NDVI(Ni)、生长季降水量(Pe)和生长季有效积温(Td)的相对变化速率,据此度量各变量的变化趋势并分别生成杂谷脑流域森林区域生长季NDVI、生长季降水量和生长季有效积温变化速率空间分布图(图3)。
式中,Va、Vb、Vc分别为2001-2017年生长季NDVI相对变化速率的均值、生长季降水量相对变化速率的均值、生长季有效积温相对变化速率的均值;Ni、Pe、Td分别为第i年生长季NDVI均值、第e年生长季降水量、第d年生长季有效积温。图3中从左到右依次为2001-2017年杂谷脑流域森林生长季NDVI、累计降水和有效积温变化速率空间分布图。
(7)基于步骤(6)计算结果,判定杂谷脑流域2001-2017年生长季NDVI、降水量以及有效积温的变化趋势,在ArcGIS中重分类并绘制生长季NDVI、降水量以及有效积温的变化趋势空间分布图(图4)。判定标准为:Va/Vb/Vc>0,表示呈上升趋势;Va/Vb/Vc<0,表示呈下降趋势;Va/Vb/Vc=0,表示无变化。图4中从左到右依次为2001-2017年杂谷脑流域森林生长季NDVI、累计降水和有效积温变化趋势空间分布图。
步骤三、退化森林区域的识别
(8)根据步骤(7)的判定结果,提取研究期内森林区域所有生长季NDVI变化趋势为负的栅格,识别为杂谷脑流域退化森林区域。
步骤四、森林退化成因的判别
(9)在ArcGIS中将研究期内森林区域生长季有效积温和累计降水变化趋势空间分布图进行叠加(图5),提取生长季有效积温和降水量变化趋势一致(同时增加或者同时减少)的森林区域图层,图5中从左到右依次为降水与温度的变化趋势。
(10)将步骤(9)提取的森林区域图层与研究区森林区域NDVI变化趋势空间分布图叠加,判定有效积温和降水双因素与NDVI变化趋势的一致性,根据表1的判定规则划分森林退化的成因:温度降水均增加,而NDVI下降的区域为人为因素引起的森林退化;温度降水均下降,NDVI下降的区域为自然气候因素引起的森林退化。据此提取相应图层,分别生成杂谷脑流域人为退化森林空间分布图和自然气候因素退化森林空间分布图,图6中从左到右依次为人为/自然气候因素退化森林空间分布图。
表1.森林退化成因判别规则
步骤五、森林退化等级的划分
(11)用步骤(10)生成的研究区人为退化森林空间分布图和自然气候因素退化森林空间分布图分别裁剪步骤(6)中的研究区生长季NDVI变化速率空间分布图,得到研究区人为退化森林生长季NDVI变化速率空间分布图和自然气候因素退化森林生长季NDVI变化速率空间分布图。图7中从左到右依次为人为/自然气候因素森林退化区域NDVI变化速率。
(12)根据公式(7)计算退化森林区域NDVI变化速率的标准偏差X,得到X=10.4%。
式中,X为退化森林区域NDVI变化速率的标准偏差X;Xh为第h个NDVI变化速率值;Z为样本量;μ为Xh的均值。
(13)以标准偏差21%为参照,结合退化森林区域NDVI变化速率(Va)空间分布图划分森林退化等级(图7)。等级划分标准为:1)轻度退化,0>Va≥-10.4%;2)中度退化,-10.4%>Va≥-20.8%;3)重度退化,-20.8%>Va≥-31.2%;4)极重度退化,Va<-31.2%。图8中从左到右依次为人为/自然气候因素森林退化区域等级划分。
基于ARCGIS空间分析功能,统计各变化区间分布及面积比例(表2),同时将交通、水系、人口分布及土地利用作为影响因素进行分析。从结果可以看出杂谷脑流域人为因素引起森林退化的区域主要分布于杂谷脑上游道路和水系两侧,这与杂谷脑上游道路施工、人为开采密切相关。
表2.人为/自然气候因素退化森林面积及占流域面积比例
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (3)
1.一种山区森林退化成因的判别方法,其特征在于:包括以下步骤:
步骤一、获取研究区域的长时间序列遥感数据和气象数据,所述数据包括降水数据、温度数据、NDVI数据和土地覆盖数据;
所述NDVI数据为逐年NDVI月值空间分布数据;所述温度数据为逐年气象台站日值温度数据;所述降水数据为逐年气象台站日值降水数据;
步骤二、根据所述NDVI数据、温度数据和降水数据计算得到有效积温和降水双因素与NDVI的变化趋势;
步骤三、根据计算得到的有效积温和降水双因素与NDVI的变化趋势提取森林区域内的退化森林区域;
步骤四、按照森林退化的成因判别方式判断退化森林区域的退化成因;
步骤五、根据森林区域的退化成因划分研究区域的森林退化等级;
所述步骤一中的降水数据按照以下步骤进行处理:
所述降水数据经过空间插值处理得到逐年日值降水空间分布数据;所述逐年日值降水空间分布数据经过计算得到逐年生长季累计降水空间分布;所述逐年生长季累计降水空间分布经过计算得到研究期生长季累计降水相对变化速率空间分布,所述研究期生长季累计降水相对变化速率空间分布和研究期生长季有效积温相对变化速率空间分布经过叠加处理得到有效积温和降水量变化趋势;
所述NDVI数据经过计算得到逐年生长季NDVI均值空间分布,所述逐年生长季NDVI均值空间分布经过计算得到研究期生长季NDVI相对变化速率空间分布;
所述研究期生长季NDVI相对变化速率空间分布与有效积温和降水量变化趋势经过叠加处理得到有效积温和降水双因素与NDVI的变化趋势;
所述步骤四中的退化成因按照以下方式进行判别:
当有效积温和降水均增加,而NDVI下降时,则为人为因素引起的森林退化;
当有效积温和降水均下降,而NDVI下降时,则为自然气候因素引起的森林退化;
所述步骤五中的森林退化等级按照以下方式进行划分:
轻度退化,0>Va≥-X%;
中度退化,-X%>Va≥-2X%;
重度退化,-2X%>Va≥-3X%;
极重度退化,Va<-3X%;
其中,
X为退化森林区域NDVI变化速率的标准偏差;
Va为退化森林区域NDVI变化速率。
2.如权利要求1所述的方法,其特征在于:所述研究期生长季有效积温相对变化速率空间分布是按照以下步骤得到:
所述温度数据经过空间差值处理得到逐年日值温度空间分布数据;所述逐年日值温度空间分布数据经过计算得到逐年生长季有效积温空间分布,所述逐年生长季有效积温空间分布经过计算得到研究期生长季有效积温相对变化速率空间分布。
3.一种山区森林退化成因的判别系统,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以下步骤:
步骤一、获取研究区域的长时间序列遥感数据和气象数据,所述数据包括降水数据、温度数据、NDVI数据、土地覆盖数据;
所述NDVI数据为逐年NDVI月值空间分布数据;所述温度数据为逐年气象台站日值温度数据;所述降水数据为逐年气象台站日值降水数据;
步骤二、根据所述NDVI数据、温度数据和降水数据计算得到有效积温和降水双因素与NDVI的变化趋势;
步骤三、根据计算得到的有效积温和降水双因素与NDVI的变化趋势提取森林区域内的退化森林区域;
步骤四、按照森林退化的成因判别方式判断退化森林区域的退化成因:
步骤五、根据森林区域的退化成因划分研究区域的森林退化等级;
所述步骤一中的降水数据按照以下步骤进行处理:
所述降水数据经过空间插值处理得到逐年日值降水空间分布数据;所述逐年日值降水空间分布数据经过计算得到逐年生长季累计降水空间分布;所述逐年生长季累计降水空间分布经过计算得到研究期生长季累计降水相对变化速率空间分布,所述研究期生长季累计降水相对变化速率空间分布和研究期生长季有效积温相对变化速率空间分布经过叠加处理得到有效积温和降水量变化趋势;
所述研究期生长季有效积温相对变化速率空间分布是按照以下步骤得到:
所述温度数据经过空间差值处理得到逐年日值温度空间分布数据;所述逐年日值温度空间分布数据经过计算得到逐年生长季有效积温空间分布,所述逐年生长季有效积温空间分布经过计算得到研究期生长季有效积温相对变化速率空间分布;
所述NDVI数据经过计算得到逐年生长季NDVI均值空间分布,所述逐年生长季NDVI均值空间分布经过计算得到研究期生长季NDVI相对变化速率空间分布;
所述研究期生长季NDVI相对变化速率空间分布与有效积温和降水量变化趋势经过叠加处理得到有效积温和降水双因素与NDVI的变化趋势;
所述步骤四中的退化成因按照以下方式进行判别:
当有效积温和降水均增加,而NDVI下降时,则为人为因素引起的森林退化;
当有效积温和降水均下降,而NDVI下降时,则为自然气候因素引起的森林退化;
所述步骤五中的森林退化等级按照以下方式进行划分:
轻度退化,0>Va≥-X%;
中度退化,-X%>Va≥-2X%;
重度退化,-2X%>Va≥-3X%;
极重度退化,Va<-3X%;
其中,
X为退化森林区域NDVI变化速率的标准偏差;
Va为退化森林区域NDVI变化速率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010857416.0A CN111861838B (zh) | 2020-08-24 | 2020-08-24 | 一种山区森林退化成因的判别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010857416.0A CN111861838B (zh) | 2020-08-24 | 2020-08-24 | 一种山区森林退化成因的判别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111861838A CN111861838A (zh) | 2020-10-30 |
CN111861838B true CN111861838B (zh) | 2023-05-09 |
Family
ID=72966827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010857416.0A Active CN111861838B (zh) | 2020-08-24 | 2020-08-24 | 一种山区森林退化成因的判别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861838B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418050B (zh) * | 2020-11-18 | 2022-10-21 | 中国科学院空天信息创新研究院 | 退耕地信息遥感识别方法及装置 |
CN112990657B (zh) * | 2021-02-06 | 2021-12-07 | 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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778241A (zh) * | 2014-02-10 | 2014-05-07 | 中国科学院南京地理与湖泊研究所 | 一种大尺度植被退化区域遥感识别方法 |
RU2529650C1 (ru) * | 2013-07-12 | 2014-09-27 | Федеральное государственное унитарное предприятие "Всероссийский нефтяной научно-исследовательский геологоразведочный институт" (ФГУП "ВНИГРИ") | Способ определения палеотемператур катагенеза безвитринитовых отложений по оптическим характеристикам микрофитофоссилий |
CN105718936A (zh) * | 2016-02-02 | 2016-06-29 | 福州大学 | 一种森林动态变化模式自动提取方法 |
CN107220967A (zh) * | 2017-05-08 | 2017-09-29 | 新疆农业大学 | 一种草地土壤退化评价方法 |
-
2020
- 2020-08-24 CN CN202010857416.0A patent/CN111861838B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2529650C1 (ru) * | 2013-07-12 | 2014-09-27 | Федеральное государственное унитарное предприятие "Всероссийский нефтяной научно-исследовательский геологоразведочный институт" (ФГУП "ВНИГРИ") | Способ определения палеотемператур катагенеза безвитринитовых отложений по оптическим характеристикам микрофитофоссилий |
CN103778241A (zh) * | 2014-02-10 | 2014-05-07 | 中国科学院南京地理与湖泊研究所 | 一种大尺度植被退化区域遥感识别方法 |
CN105718936A (zh) * | 2016-02-02 | 2016-06-29 | 福州大学 | 一种森林动态变化模式自动提取方法 |
CN107220967A (zh) * | 2017-05-08 | 2017-09-29 | 新疆农业大学 | 一种草地土壤退化评价方法 |
Non-Patent Citations (2)
Title |
---|
侯怡萍.流域生态水文敏感度及其影响因子分析.《中国优秀硕士学位论文全文数据库 工程科技I辑》.2020,(第01期),B027-152. * |
姬兴洲.金昌地区森林生态系统退化成因及逆转措施.《甘肃林业科技》.1999,第24卷(第1期),第39-44页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111861838A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | Monitoring of winter wheat distribution and phenological phases based on MODIS time-series: A case study in the Yellow River Delta, China | |
CN111861838B (zh) | 一种山区森林退化成因的判别方法及系统 | |
Hendrawan et al. | Developing flood vulnerability curve for rice crop using remote sensing and hydrodynamic modeling | |
Thessler et al. | Using k-nn and discriminant analyses to classify rain forest types in a Landsat TM image over northern Costa Rica | |
Laamrani et al. | Determining the number of measurements required to estimate crop residue cover by different methods | |
Fitzgerald et al. | Directed sampling using remote sensing with a response surface sampling design for site-specific agriculture | |
CN107437262B (zh) | 作物种植面积预警方法和系统 | |
CN112036313A (zh) | 烟草种植面积检测方法、装置、设备及可读存储介质 | |
Ait El Haj et al. | Monitoring land use and land cover changes using remote sensing techniques and the precipitation-vegetation indexes in Morocco | |
McCollister et al. | Exploring multi-scale spatial patterns in historical avalanche data, Jackson Hole Mountain Resort, Wyoming | |
Chu et al. | Mapping and forecasting of rice cropping systems in central China using multiple data sources and phenology-based time-series similarity measurement | |
Saleh et al. | Analyzing land use/land cover change using remote sensing and GIS in Mosul District, Iraq | |
CN116451088A (zh) | 基于多要素特征相似性和地理区划聚类的优选代站方法 | |
CN114152302B (zh) | 湖泊蓄水变化量估算方法、系统、电子设备和介质 | |
Qin et al. | Inundation impact on croplands of 2020 flood event in three Provinces of China | |
Gado et al. | Evaluation of satellite-based rainfall estimates in the upper Blue Nile basin | |
CN115271343A (zh) | 一种缺水区作物种植结构监测和调整决策的方法及系统 | |
Xu et al. | Crop discrimination in shandong province based on phenology analysis of multi-year time series | |
Yu et al. | Improving grassland classification accuracy using optimal spectral-phenological-topographic features in combination with machine learning algorithm | |
Sui et al. | Disentangling error structures of precipitation datasets using decision trees | |
Gupta | Simulating climate change impact on soil erosion & soil carbon sequestration | |
Wickramasinghe et al. | Development of a rainstorm erosivity map for Sri Lanka | |
Li et al. | Application of Random Forest in Identifying Winter Wheat Using Landsat8 Imagery | |
Mohsin et al. | Modelling of stand volume of eucalyptus plantations using worldview-2 imagery in Sabah, Malaysia | |
Whetten | Characterizing clustering models of high-dimensional remotely sensed data using subsampled field-subfield spatial cross-validated random forests. |
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 |