CN112307649B - 一种生态系统属性组分空间结构时间演化分析方法 - Google Patents
一种生态系统属性组分空间结构时间演化分析方法 Download PDFInfo
- Publication number
- CN112307649B CN112307649B CN202011330333.2A CN202011330333A CN112307649B CN 112307649 B CN112307649 B CN 112307649B CN 202011330333 A CN202011330333 A CN 202011330333A CN 112307649 B CN112307649 B CN 112307649B
- Authority
- CN
- China
- Prior art keywords
- attribute
- spatial structure
- ecological
- parameter
- grid
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Processing Or Creating Images (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种生态系统属性组分空间结构时间演化分析方法,它涉及一种空间结构的时间演化。本发明解决了目前的生态系统属性组分空间结构的时间演化缺乏对植被指数或生态参量网格值变化幅度的定量分析的问题。方法:一、属性组分空间结构演化数据获取;二、属性组分网格参量趋势模型构建;三、属性组分网格参量的变化量计算。本发明实现了对植被指数或生态参量网格值变化幅度的定量分析,本发明的方法能够更好地揭示生态系统属性组分空间结构时间演化特征。
Description
技术领域
本发明涉及一种空间结构的时间演化。
背景技术
随着高时频卫星遥感技术的迅猛发展,产生了大量的长时间序列植被指数影像数据集、以及遥感反演生成的生态参量栅格数据集,遥感植被指数与生态参量分布栅格数据体现的是生态系统属性组分的空间结构。目前,对上述时间序列数据多采用给定时期内以网格为单位进行变化趋势模型拟合,以获取植被指数或者生态参量等组分属性变化率特征的空间分布信息(陶帅等,2020),但缺乏对植被指数或生态参量网格值变化幅度的定量分析方法。即该方法只能描述生态系统属性组分在给定时期内属性变化的快慢,然而,在生态系统管理过程中,对一定时期内植被指数变化幅度或者生态参量增减数量的空间分布信息的需求则更加迫切,它可为生态环境管理部门的科学决策与生态环境恢复治理单位的方案制定提供更有应用价值的空间信息支撑。
发明内容
本发明为了解决目前的生态系统属性组分空间结构的时间演化缺乏对植被指数或生态参量网格值变化幅度的定量分析,而提供了一种生态系统属性组分空间结构时间演化分析方法。
本发明生态系统属性组分空间结构时间演化分析方法按照以下步骤进行:
步骤一、属性组分空间结构演化数据获取
首先,确定生态系统属性组分空间结构演化分析的初期和末期;然后,获取给定时期内的生态系统植被指数或者生态参量空间分布栅格数据;
步骤二、属性组分网格参量趋势模型构建
对步骤一中得到的植被指数或者生态参量空间分布栅格数据的时间序列,以网格为单位进行植被指数或生态参量的回归趋势模型拟合,得到回归趋势模型参数空间分布栅格数据;
步骤三、属性组分网格参量的变化量计算
选定欲分析时间范围的起始点与终止点,结合步骤二的回归趋势模型参数空间分布栅格数据,计算每个网格两个时刻的植被指数或者生态参量等属性数据;然后,将后一时刻与前一时刻的网格参量进行差值运算作为属性变化量,由此得到表征生态系统属性组分空间结构演化方向与程度的属性变化量空间分布栅格数据;即完成了生态系统属性组分空间结构时间演化分析。
进一步,在表征生态系统属性组分空间结构演化方向与程度的属性变化量空间分布栅格数据中的变化量的符号(+或-)表示属性参量的增减方向,变化量的数值表示属性参量的增减幅度。
本申请是基于变化量的生态系统属性组分空间结构时间演化分析方法,它将植被指数或者生态参量等属性分布栅格数据的时间序列,进行以网格为单位的回归趋势模型拟合,计算给定时期内某时段的植被指数变化幅度与生态参量增减数量的空间分布数据,生态系统属性组分空间结构演化方向与程度的属性变化量空间分布栅格数据的符号表示属性参量的增减方向,变化量的数值表示属性参量的增减幅度。本发明实现了对植被指数或生态参量网格值变化幅度的定量分析,本发明的方法能够更好地揭示生态系统属性组分空间结构时间演化特征。
附图说明
图1是实施例1中黑龙江省森林生态系统植被指数NDVI分布时间演化;
图2是实施例1中模型斜率参数空间分布图;
图3是实施例1中趋势变化量空间分布图。
具体实施方式
本发明技术方案不局限于以下所列举具体实施方式,还包括各具体实施方式间的任意组合。
具体实施方式一:本实施方式生态系统属性组分空间结构时间演化分析方法按照以下步骤进行:
步骤一、属性组分空间结构演化数据获取
首先,确定生态系统属性组分空间结构演化分析的初期和末期;然后,获取给定时期内的生态系统植被指数或者生态参量空间分布栅格数据;
步骤二、属性组分网格参量趋势模型构建
对步骤一中得到的植被指数或者生态参量空间分布栅格数据的时间序列,以网格为单位进行植被指数或生态参量的回归趋势模型拟合,得到回归趋势模型参数空间分布栅格数据;
步骤三、属性组分网格参量的变化量计算
选定欲分析时间范围的起始点与终止点,结合步骤二的回归趋势模型参数空间分布栅格数据,计算每个网格两个时刻的植被指数或者生态参量等属性数据;然后,将后一时刻与前一时刻的网格参量进行差值运算作为属性变化量,由此得到表征生态系统属性组分空间结构演化方向与程度的属性变化量空间分布栅格数据;即完成了生态系统属性组分空间结构时间演化分析。
本实施方式在表征生态系统属性组分空间结构演化方向与程度的属性变化量空间分布栅格数据中的变化量的符号表示属性参量的增减方向,变化量的数值表示属性参量的增减幅度。
实施例1采用本发明的方法对黑龙江省森林生态系统生态系统属性组分进行空间结构时间演化分析。
具体步骤如下:
步骤一、属性组分空间结构演化数据获取
首先,确定生态系统属性组分空间结构演化分析的初期和末期;然后,获取给定时期内(逐个时段的)生态系统植被指数或者生态参量空间分布栅格数据;结果如图1所示,图中表示的是2010年~2019年黑龙江省森林生态系统植被指数NDVI空间分布时间序列数据;
步骤二、属性组分网格参量趋势模型构建
对获得的植被指数或者生态参量空间分布栅格数据的时间序列,以网格为单位进行植被指数或生态参量的回归趋势模型拟合,得到趋势模型参数空间分布栅格数据;即对黑龙江省森林生态系统植被指数NDVI时间序列数据,进行以像元为单位的一元线性回归趋势模型拟合,得到模型参数的栅格数据,其中斜率参数空间分布见图2。
步骤三、属性组分网格参量的变化量计算
选定欲分析时间范围的起始点与终止点,结合回归趋势模型及其参数,计算每个网格两个时刻的植被指数或者生态参量等属性数据;然后,将后一时刻与前一时刻的网格参量进行差值运算作为属性变化量,由此得到表征生态系统属性组分空间结构演化方向与程度的属性变化量空间分布栅格数据;其中,变化量的符号表示属性参量的增减方向,变化量的数值表示属性参量的增减幅度;即由每个像元的回归趋势模型,将2010年和2019年作为自变量,从而得到两年的像元植被指数NDVI;然后,将两年植被指数NDVI进行差值运算以生成2010至2019年的植被指数NDVI变化量,进而得到基于变化量的黑龙江省森林生态系统空间结构演化特征信息。
图3为趋势变化量空间分布图,从图3可以看出,在植被指数NDVI变化量方面,黑龙江省森林生态系统空间结构演化特征。黑龙江省大兴安岭地区的植被指数NDVI主要为增加趋势,在最近的十年内,植被指数NDVI增加了0.06以上。小兴安岭地区的植被指数NDVI变化量南北差异较大,其北部地区主要为增加趋势,增加幅度约为0.02—0.06;南部地区则为减小趋势,减小幅度约为-0.06—0;西北部地区变化不大。长白山脉地区总体呈现为减小趋势,-0.06—0区间内植被指数NDVI变化量的区域面积占主体,变化量大于或小于该区间的区域比例较小。
Claims (1)
1.一种生态系统属性组分空间结构时间演化分析方法,其特征在于生态系统属性组分空间结构时间演化分析方法按照以下步骤进行:
步骤一、属性组分空间结构演化数据获取
首先,确定生态系统属性组分空间结构演化分析的初期和末期;然后,获取给定时期内的生态系统植被指数或者生态参量空间分布栅格数据;
步骤二、属性组分网格参量趋势模型构建
对步骤一中得到的植被指数或者生态参量空间分布栅格数据的时间序列,以网格为单位进行植被指数或生态参量的回归趋势模型拟合,得到回归趋势模型参数空间分布栅格数据;
步骤三、属性组分网格参量的变化量计算
选定欲分析时间范围的起始点与终止点,结合步骤二的回归趋势模型参数空间分布栅格数据,计算每个网格两个时刻的植被指数或者生态参量属性数据;然后,将后一时刻与前一时刻的网格参量进行差值运算作为属性变化量,由此得到表征生态系统属性组分空间结构演化方向与程度的属性变化量空间分布栅格数据;即完成了生态系统属性组分空间结构时间演化分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011330333.2A CN112307649B (zh) | 2020-11-24 | 2020-11-24 | 一种生态系统属性组分空间结构时间演化分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011330333.2A CN112307649B (zh) | 2020-11-24 | 2020-11-24 | 一种生态系统属性组分空间结构时间演化分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112307649A CN112307649A (zh) | 2021-02-02 |
CN112307649B true CN112307649B (zh) | 2023-03-21 |
Family
ID=74335568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011330333.2A Active CN112307649B (zh) | 2020-11-24 | 2020-11-24 | 一种生态系统属性组分空间结构时间演化分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112307649B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114202451A (zh) * | 2021-12-16 | 2022-03-18 | 华侨大学 | 服务生态系统的演化分析方法、装置、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108305204A (zh) * | 2018-02-12 | 2018-07-20 | 中国科学院东北地理与农业生态研究所 | 基于参照基准的湿地生物多样性保护成效区域对比评估方法 |
CN110119556A (zh) * | 2019-04-30 | 2019-08-13 | 西安理工大学 | 一种区域水源涵养功能的时空演变分析方法 |
WO2019157348A1 (en) * | 2018-02-09 | 2019-08-15 | The Board Of Trustees Of The University Of Illinois | A system and method to fuse multiple sources of optical data to generate a high-resolution, frequent and cloud-/gap-free surface reflectance product |
-
2020
- 2020-11-24 CN CN202011330333.2A patent/CN112307649B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2019157348A1 (en) * | 2018-02-09 | 2019-08-15 | The Board Of Trustees Of The University Of Illinois | A system and method to fuse multiple sources of optical data to generate a high-resolution, frequent and cloud-/gap-free surface reflectance product |
CN108305204A (zh) * | 2018-02-12 | 2018-07-20 | 中国科学院东北地理与农业生态研究所 | 基于参照基准的湿地生物多样性保护成效区域对比评估方法 |
CN110119556A (zh) * | 2019-04-30 | 2019-08-13 | 西安理工大学 | 一种区域水源涵养功能的时空演变分析方法 |
Non-Patent Citations (2)
Title |
---|
Normalized Difference Vegetation Index (NDVI) improving species distribution models:an example with the neotropical genus Coccocypselum (Rubiaceae);Silvana Amaral 等;《Anais XIII Simpósio Brasileiro de Sensoriamento Remoto》;20070426;第2275-2282页 * |
基于MODIS-NDVI的云南怒江流域植被覆盖时空变化特征研究;李杰等;《林业资源管理》;20180910(第04期);第90-99页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112307649A (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Terrer et al. | A trade-off between plant and soil carbon storage under elevated CO2 | |
CN108508505B (zh) | 基于多尺度卷积神经网络的强降雨及雷暴预报方法和系统 | |
CN112991354B (zh) | 一种基于深度学习的高分辨率遥感影像语义分割方法 | |
CN109740731B (zh) | 一种自适应卷积层硬件加速器设计方法 | |
CN112307649B (zh) | 一种生态系统属性组分空间结构时间演化分析方法 | |
CN112148774B (zh) | 一种高分辨率空间多区域气象数据处理系统及方法 | |
Oh et al. | Spatiotemporal optimization for short-term solar forecasting based on satellite imagery | |
Kurinchi-Vendhan et al. | Wisosuper: Benchmarking super-resolution methods on wind and solar data | |
CN115439753A (zh) | 一种基于dem的陡峭河岸识别方法及系统 | |
Lemenkova et al. | Quantitative morphometric 3D terrain analysis of japan using scripts of GMT and R | |
CN112580844A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
CN115952743B (zh) | 耦合随机森林和hasm的多源降水数据协同降尺度方法和系统 | |
Myers et al. | A new approach to evaluate and reduce uncertainty of model-based biodiversity projections for conservation policy formulation | |
CN115391745A (zh) | 一种基于概率匹配平均法的降水预报订正方法及系统 | |
CN112598802B (zh) | 一种基于众包数据的热力图生成方法及系统 | |
CN109697693A (zh) | 一种实现基于大数据空间运算的方法 | |
CN109636018A (zh) | 计算气温与气候因子遥相关关系的方法及装置 | |
CN115438590A (zh) | 一种基于bp神经网络的降水预报订正方法及系统 | |
CN112383366B (zh) | 一种数字荧光频谱的频谱监测方法、装置及存储介质 | |
CN110968929A (zh) | 风电场风速的预测方法、装置及电子设备 | |
CN109614587B (zh) | 一种智能人脉关系分析建模方法、终端设备及存储介质 | |
CN112580898B (zh) | 一种污染预测方法以及污染预测模型训练方法 | |
Ren et al. | Estimation of coastal currents using a soft computing method: A case study in Galway Bay, Ireland | |
CN111694870A (zh) | 一种大数据模型执行引擎系统及实现方法 | |
CN112580845A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 |
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 |