CN112903606A - 一种基于无人机高光谱的红树林生态恢复力评估方法 - Google Patents

一种基于无人机高光谱的红树林生态恢复力评估方法 Download PDF

Info

Publication number
CN112903606A
CN112903606A CN202110176057.7A CN202110176057A CN112903606A CN 112903606 A CN112903606 A CN 112903606A CN 202110176057 A CN202110176057 A CN 202110176057A CN 112903606 A CN112903606 A CN 112903606A
Authority
CN
China
Prior art keywords
soil
plant functional
data
plant
resistance
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
Application number
CN202110176057.7A
Other languages
English (en)
Other versions
CN112903606B (zh
Inventor
王俊杰
甄佳宁
赵德梅
蒋侠朋
苗菁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN202110176057.7A priority Critical patent/CN112903606B/zh
Publication of CN112903606A publication Critical patent/CN112903606A/zh
Application granted granted Critical
Publication of CN112903606B publication Critical patent/CN112903606B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • 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
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Abstract

本发明所提供的一种基于无人机高光谱的红树林生态恢复力评估方法，包括：在若干预设时期时采集研究区内的样本，得到样本集，以及样本集中植物功能性状对应的原始植物功能性状数据，和土壤属性对应的原始土壤属性数据；对原始植物功能性状数据进行遥感反演，并对原始土壤属性数据进行空间预测，确定待用植物功能性状数据和待用土壤属性数据；将生态恢复力拆分为基于植物功能性状的抵抗能力与重建能力以及基于土壤属性的抵抗能力与重建能力，并根据待用植物功能性状数据和待用土壤属性数据计算得到红树植物的生态恢复力。本发明可完成较小尺度的红树植物功能性状及土壤属性的连续监测，实现干扰停止后红树植物生态恢复力的定量估算与评价。

Description

一种基于无人机高光谱的红树林生态恢复力评估方法
技术领域
本发明涉及植被生态修复技术领域，尤其涉及的是一种基于无人机高光谱的红树林生态恢复力评估方法。
背景技术
红树林具有促淤造陆、防浪护堤、维持生物多样性等生态系统服务功能，由于不合理的人为开发活动，红树林空间分布破碎化增加。除了自然干扰(比如灾害、气候变化或海平面上升)外，越来越多的人为干扰(生活和养殖污水、工业和建筑污染物)在扰动红树林生态系统动态平衡，对红树林健康及生态服务造成不利影响。虽然政府不断尝试遏制这些人为干扰因素，进而达到保护红树林的目的，但是，红树林一旦受到干扰，适宜生长的土壤环境也会发生改变，干扰强度的大小也直接影响红树林生态恢复力(或称为“生态恢复能力”)。
在生态学领域，生态恢复力(ecological resilience)被定义为“生态系统受到扰动后恢复到稳定状态的能力，包括维持其重要特征，如生物组成、结构、生态系统功能和过程速率的能力”。生态恢复力可以理解为抵抗能力与重建能力之和。另外，在陆地森林和红树林生态系统中，树的密度、地上生物量和物种构成是应用最多的指标。这些指标也恰好可以通过遥感技术进行连续、大范围反演，为研究各种空间尺度的红树林生态恢复力时空变化提供便捷，进而帮助决策者在应对退化的或受到外界干扰后的红树林制定相应的恢复措施。植物对外界环境长期响应与适应后所表现出的可量度的特征，可通过“植物功能性状”进行描述，这些性状包括叶片和冠层尺度的植被参数(比如叶片和冠层叶绿素含量、叶片和冠层含水量、叶面积指数、比叶面积等)，能够指示生态系统结构与功能动态。另外，土壤理化和生化性质在红树林生长或恢复过程中起到了重要作用。
因此，利用无人机高光谱遥感技术，结合植物功能性状与土壤属性作为人为干扰(重金属胁迫与建筑施工)后的红树植物生态恢复力评价指标体系，获取生态恢复力时空演变规律，能够为红树林生态修复技术的研究、精细化管理与恢复提供一定的决策支持；
Holling首次将恢复力(承受压力的系统恢复和回到初始状态的能力)概念引入到生态学领域，进而能够理解生态系统中的非线性动态问题以及生态系统的健康程度。至此，生态学领域对恢复力提出大量观点和概念，并可分为“工程恢复力”、“生态恢复力”和“社会-生态恢复力”，“工程恢复力”仅关注系统的重建能力，“生态恢复力”同时关注重建能力与抵抗能力，“社会-生态恢复力”在生态恢复力的基础上还关注自组织能力与社会政策原因。总体而言，“生态恢复力”应用最广，可进行定量评估，“社会-生态恢复力”还主要停留在概念模型层次，实施较难。
生态恢复力主要受到生物多样性、生境条件、气候、人类活动等影响，各个影响因素存在动态复杂相互作用，给生态恢复力的定量估算与评价造成一定难度。目前，生态恢复力的定量估算方法主要有阈值法、实验法和指标评价法。阈值法需要测定生态系统每个稳定状态的阈值，对其进行直接测量是比较困难的，需要间接找到恢复力替代因子，比如物种多样性和群落覆盖度；实验方法主要通过人为控制生态系统的外界干扰条件，分析生态系统的恢复过程从而研究恢复力，重复推广性不高；指标评价法能够综合考虑多个影响因素影响，进而对生态恢复力做出全面评估。
指标评价法是应用最广的生态恢复力定量估算方法，已应用在城市、草原、湿地、森林等多种生态系统。另外，生态恢复力的评价指标没有固定的标准体系，指标选取和权重的确定是影响估算精度的重要因素。不同类型的生态系统对恢复力指标的注重程度不同，需要因地制宜考虑。比如，陆地森林生态系统注重植被覆盖、树的密度、地上生物量和物种构成等指标，湖泊湿地生态系统注重水文、浮游植物多样性、地形和营养物等指标。指标权重的确定主要有主观(专家打分法)、客观(主成分分析、变异系数等)以及组合赋权法，组合赋权法充分发挥主客观方法的优势，被更多学者所认可。
由于遥感技术能够有效反映地物的时空变化，近年来，一些学者利用遥感手段对珊瑚生态系统及红树林生态系统的生态恢复力进行估算及空间制图，为大范围了解生态系统服务及恢复力的时空演化规律提供了新策略，进而为相关部门管理者提供更为精细化的恢复措施提供重要的技术支撑。但是，总体而言，基于遥感手段定量估算生态恢复力的研究较少，而且所用的影像都为多光谱影像，干扰因素为自然干扰(如海平面上升或自然灾害)，研究的空间尺度较大，不利于对较小尺度的生态恢复力进行精准估算。
目前，基于遥感技术定量估算红树植物生态恢复力的研究尚在发展阶段，主要存在以下不足：
(1)大多数的研究利用遥感技术反演干扰发生期间的植物功能性状对干扰等级进行探测与诊断，常常忽略干扰停止后的植物功能性状该如何演变或恢复，是否依然可以通过遥感手段度量其演变或恢复能力。另外，遥感手段也常常聚焦统计模型，但可移植性较差，模型精度容易受时间、地点和物种影响，遥感机理解释性不强。
(2)大多数的研究关注于红树林某一时间的性状，忽略了生长过程的连续监测；
(3)通常情况下，红树林受到的人为干扰(如人为施工)属于局部性干扰，不会对红树林生态系统造成全局性影响，有一定的抵抗与适应缓冲空间，所处的空间尺度也较小，各级政府对红树林的修复也都是在较小空间尺度内进行。相比之下，红树林受到的自然干扰(如海平面上升与自然灾害)属于全局性干扰，影响的空间范围大，较难考虑到小尺度的波动情况。另外，较大时空尺度的生态恢复力评价指标体系以及所用的遥感手段也不太适合较小尺度的研究，容易造成较大的误差，影响决策制定及生态修复技术的提出。
因此，现有技术存在缺陷，有待改进与发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于无人机高光谱的红树林生态恢复力评估方法，旨在解决现有技术中在检测生态修复力时没有实现较小尺度的红树植物功能性状及其土壤属性的连续精细化监测，进而实现干扰停止后的红树植物生态恢复力的定量估算与评价的问题。
本发明解决技术问题所采用的技术方案如下：
一种基于无人机高光谱的红树林生态恢复力评估方法，其中，包括：
在若干预设时期时采集研究区内的样本，得到样本集，以及样本集中植物功能性状对应的原始植物功能性状数据，和土壤属性对应的原始土壤属性数据；
对所述原始植物功能性状数据进行遥感反演，并对所述原始土壤属性数据进行空间预测，确定待用植物功能性状数据和待用土壤属性数据；
将生态恢复力拆分为基于植物功能性状的抵抗能力与重建能力以及基于土壤属性的抵抗能力与重建能力，并根据所述待用植物功能性状数据和待用土壤属性数据计算得到红树植物的生态恢复力。
进一步地，所述在若干预设时期时采集研究区内的样本，得到样本集，以及样本集中植物功能性状对应的原始植物功能性状数据，和土壤属性对应的原始土壤属性数据，具体包括：
在若干预设时期时，利用机载高光谱成像仪和无人机获取研究区内固定种植盆或样方的无人机高光谱影像，得到无人机高光谱数据；
采集研究区内的样本，得到固定种植盆或样方的样本集，以及样本集中植物功能性状对应的原始植物功能性状数据，和土壤属性对应的原始土壤属性数据；
利用Pearson相关分析和偏相关分析，获得无人机高光谱数据、原始植物功能性状数据和原始土壤属性数据之间的相互关系数据；
利用单因素方差分析获得不同物种、干扰等级和时间对原始植物功能性状数据与原始土壤属性数据的影响。
进一步地，对所述原始植物功能性状数据进行遥感反演，并对所述原始土壤属性数据进行空间预测，确定待用植物功能性状数据和待用土壤属性数据，具体包括：
利用随机森林回归模型与一元回归模型对样本集中每个原始植物功能性状数据进行反演、验证及精度对比，以及利用PROSAIL模型对样本集中每个原始植物功能性状数据进行反演、验证及精度对比；
对比利用所述随机森林回归模型与一元回归模型得到的精度和利用所述PROSAIL模型得到的精度，对照所述样本集选取对应精度最高的模型，利用精度最高的模型得到待用植物功能性状数据；
利用普通克里金插值法对每个所述原始土壤属性数据进行插值、验证及精度对比，并对比随机森林回归模型、一元回归模型与空间插值结果，选取各个原始土壤属性数据的最佳空间预测模型；
根据所述最佳空间预测模型得到待用土壤属性数据。
进一步地，对比利用所述随机森林回归模型与一元回归模型得到的精度和利用所述PROSAIL模型得到的精度，对照所述样本集选取对应精度最高的模型，利用精度最高的模型得到待用植物功能性状数据，具体包括：
在随机森林回归模型中，利用变量重要性投影和选择性比率提取反演模型相关的敏感变量，归纳总结各个功能性状的敏感变量的频率，判断出对植物功能性状反演模型影响最大的敏感变量；
在一元回归模型中，选取反演精度最高的植被指数所对应的波段作为植物功能性状的敏感变量；
在PROSAIL模型中，通过参数全局敏感性分析获取影响植物功能性状反演的敏感变量；
综合随机森林回归模型、一元回归模型和PROSAIL模型得到的敏感变量，分析影响红树植物功能性状遥感反演的变量；
根据红树植物功能性状遥感反演的变量，对照所述样本集选取对应精度最高的模型，利用精度最高的模型得到待用植物功能性状数据。
进一步地，所述将生态恢复力拆分为基于植物功能性状的抵抗能力与重建能力以及基于土壤属性的抵抗能力与重建能力，并根据所述待用植物功能性状数据和待用土壤属性数据计算得到红树植物的生态恢复力，具体包括：
预先将没有铜胁迫的样本作为对照组；
将生态恢复力拆分为基于植物功能性状的抵抗能力与重建能力以及基于土壤属性的抵抗能力与重建能力；
与对照组相比，计算待用植物功能性状数据和待用土壤属性数据的变化速率，得到待用植物功能性状数据对应的抵抗能力，记为抵抗能力PFT，以及待用土壤属性数据对应的抵抗能力，记为抵抗能力SP；
与自身相比，计算待用植物功能性状数据和待用土壤属性数据的变化速率，得到待用植物功能性状数据对应的重建能力，记为重建能力PFT，以及待用土壤属性数据对应的重建能力，记为重建能力SP；
根据所述抵抗能力PFT、重建能力PFT、抵抗能力SP和重建能力SP，计算得到红树植物的生态恢复力。
进一步地，根据所述抵抗能力PFT、重建能力PFT、抵抗能力SP和重建能力SP，计算得到红树植物的生态恢复力，具体包括：
将植物功能性状与土壤属性的权重设置为3:2；
根据所述抵抗能力PFT、重建能力PFT、抵抗能力SP和重建能力SP，以及植物功能性状与土壤属性的权重，计算得到红树植物的生态恢复力。
进一步地，所述生态恢复力的计算公式为：
Figure BDA0002940743330000071
进一步地，所述抵抗能力PFT、重建能力PFT、抵抗能力SP和重建能力SP的计算公式为：
抵抗能力
Figure BDA0002940743330000072
Figure BDA0002940743330000073
重建能力
Figure BDA0002940743330000074
Figure BDA0002940743330000075
抵抗能力
Figure BDA0002940743330000076
Figure BDA0002940743330000077
重建能力
Figure BDA0002940743330000078
其中，PFT为植物功能性状；SP为土壤属性；pwj为基于植物功能性状的抵抗能力指标权重；pw'j为基于植物功能性状的重建能力指标权重；swk为基于土壤属性的抵抗能力指标权重；sw'k基于土壤属性的重建能力指标权重；PFTj-t1为第j个待用植物功能性状数据；PFT对照j-t1为同时期对照组样本第j个植物功能性状的平均值；PFTj-t0为第j个植物功能性状在停止人为干扰之时的值；SPk-t1为第k个土壤属性在停止人为干扰1年后的值；SP对照k-t1为同时期对照组样本第k个土壤属性的平均值；SPk-t0为第k个土壤属性在停止人为干扰之时的值。
进一步地，wj与wk的计算公式为：
Figure BDA0002940743330000081
其中，
Figure BDA0002940743330000082
为用主成分分析方法确定的基于植物功能性状的指标权重向量；
Figure BDA0002940743330000083
为用专家打分法确定的基于植物功能性状的指标权重向量；
Figure BDA0002940743330000084
为用主成分分析方法确定的基于土壤属性的指标权重向量；
Figure BDA0002940743330000085
为用专家打分法确定的基于土壤属性的指标权重向量。
进一步地，所述基于无人机高光谱的红树林生态恢复力评估方法还包括：
计算每个预设时期时样本集对应的生态恢复力。
本发明所提供的一种基于无人机高光谱的红树林生态恢复力评估方法，包括：在若干预设时期时采集研究区内的样本，得到样本集，以及样本集中植物功能性状对应的原始植物功能性状数据，和土壤属性对应的原始土壤属性数据；对所述原始植物功能性状数据进行遥感反演，并对所述原始土壤属性数据进行空间预测，确定待用植物功能性状数据和待用土壤属性数据；将生态恢复力拆分为基于植物功能性状的抵抗能力与重建能力以及基于土壤属性的抵抗能力与重建能力，并根据所述待用植物功能性状数据和待用土壤属性数据计算得到红树植物的生态恢复力。本发明通过若干预设时期时采集研究区内的样本，进行连续精细化监测，可监测干扰停止后的植物功能性状，可完成较小尺度的红树植物功能性状及其土壤属性的连续精细化监测，进而实现干扰停止后的红树植物生态恢复力的定量估算与评价。
附图说明
图1是本发明中基于无人机高光谱的红树林生态恢复力评估方法较佳实施例的流程图。
图2是本发明中基于无人机高光谱的红树林生态恢复力评估方法较佳实施例中的具体流程框图。
图3是本发明中基于无人机高光谱的红树林生态恢复力评估方法较佳实施例中步骤S100的具体流程图。
图4是本发明中基于无人机高光谱的红树林生态恢复力评估方法较佳实施例中步骤S200的具体流程图。
图5是本发明中基于无人机高光谱的红树林生态恢复力评估方法较佳实施例中步骤S220的具体流程图。
图6是本发明中基于无人机高光谱的红树林生态恢复力评估方法较佳实施例中步骤S300的具体流程图。
图7是本发明中基于无人机高光谱的红树林生态恢复力评估方法较佳实施例中步骤S350的具体流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参见图1，图1是本发明中基于无人机高光谱的红树林生态恢复力评估方法的流程图。如图1所示，本发明实施例所述的基于无人机高光谱的红树林生态恢复力评估方法包括以下步骤：
S100、在若干预设时期时采集研究区内的样本，得到样本集，以及样本集中植物功能性状对应的原始植物功能性状数据，和土壤属性对应的原始土壤属性数据。
鉴于当前红树林生态修复力评估研究存在的问题，在进行红树植物生态修复力评估时，需要精细研究较小尺度下红树植物在面对干扰停止后的生态恢复力演变问题，从而帮助决策者在应对退化的或受到外界干扰后的红树林制定相应的恢复措施。因此，本发明同时对比研究2个研究区，在较小尺度下，利用无人机高光谱遥感五年连续监测数据，基于辐射传输模型(PROSAIL)反演人为干扰停止0-4年后植物功能性状与土壤属性作为生态恢复力评价指标，来评估红树植物五年的生态恢复力情况。进而为红树林精细化管理、科学保护以及生态修复提供技术支撑，并一定程度上可补充和完善红树植物功能性状遥感反演的理论、技术和方法。
具体地，本发明选择两个研究区(广西北海防护林场深圳大学实习基地，广西北海市银滩区禾沟镇；广西北海市白沙镇)研究人工干扰后红树植物生态恢复力。
研究区A：红树植物人工种植区。此基地位于北海防护林场，该场是全国红树林繁育基地之一，申请人于2017年4月在实习基地(约300平米)人工控制培养了200盆1年生红树植物(4个物种分别为白骨壤、秋茄、拉关木和木榄，每个物种50盆，每盆8-9株植物)，2017年4月-11月属于红树植物的移植适应期，每天浇灌相同的海水；2017年12月开始对红树植物进行人工控制，不同浓度的硫酸铜溶液一年4次浇灌，不同盐度的海水每天浇灌，进而创造不同类型的土壤环境和生长状况的空间异质性。2020年7月，停止铜胁迫(硫酸铜溶液停止浇灌)，每天对200盆植物用岸边相同盐度的海水浇灌。
研究区B：红树植物自然生长区。2019年12月，申请人团队在野外考察发现，靠近研究区A不远的区域(广西北海白沙镇)因为建筑施工，导致大片红树林出现退化。该施工区域2020年上半年结束，为了保护红树林，被当地林业部门和北海市人民政府制止。该区的优势物种为白骨壤、桐花树、红海榄。
请参阅图2，本发明包括3个方法步骤：(1)红树植物生态恢复力数据库构建与分析；(2)生态恢复力各指标空间预测；(3)人为干扰后生态恢复力估算。在红树植物生态恢复力数据库构建与分析中，获取的数据有：无人机高光谱遥感数据、生态恢复力第一类指标：红树林植物功能性状、生态恢复力第二类指标：土壤属性、其他Prosail模型所需数据。在生态恢复力各指标空间预测中，根据上述上述数据进行空间建模、精度分析、最佳预测模型、空间制图。在人为干扰后生态恢复力估算中，根据红树林植物功能性状和土壤属性进行指标权重确定，以及抵抗能力、重建能力的计算，干扰停止后生态恢复力估算，生态恢复力空间制图与评价。其中，生态恢复力各指标空间预测可得到最佳模型，用于干扰停止后生态恢复力估算。
在一种实现方式中，请参阅图3，所述步骤S100具体包括：
S110、在若干预设时期时，利用机载高光谱成像仪和无人机获取研究区内固定种植盆或样方的无人机高光谱影像，得到无人机高光谱数据；
S120、采集研究区内的样本，得到固定种植盆或样方的样本集，以及样本集中植物功能性状对应的原始植物功能性状数据，和土壤属性对应的原始土壤属性数据；
S130、利用Pearson相关分析和偏相关分析，获得无人机高光谱数据、原始植物功能性状数据和原始土壤属性数据之间的相互关系数据；
S140、利用单因素方差分析获得不同物种、干扰等级和时间对原始植物功能性状数据与原始土壤属性数据的影响。
首先，对红树植物生态恢复力相关的数据库构建与分析。
具体地，利用机载高光谱成像仪(GaisSky-mi2-VN高光谱成像系统，400-1000nm，256个波段，空间分辨率4厘米)与大疆M600 pro无人机获取5个时期(干扰停止0-4年后：干扰停止之时，2020年7月；干扰停止1-4年后，2021年7月、2022年7月、2023年7月和2024年7月)研究区固定种植盆或样方的无人机高光谱影像(空间分辨率4厘米，400-1000nm)。也就是说，本发明的若干预设时期为5个时期(干扰停止0-4年后：干扰停止之时，2020年7月；干扰停止1-4年后，2021年7月、2022年7月、2023年7月和2024年7月)。
对2个研究区的植物功能性状、土壤属性以及其他辅助信息进行获取。
研究区A的方法：利用LAI-2200C植物冠层分析仪获取叶面积指数和叶倾角，利用卷尺获取冠层高，利用叶绿素计获取SPAD-502值，采集冠层成熟叶片(从顶端开始的第3-5片叶子)，立即利用电子秤称鲜重，然后放到牛皮信封里，进行编号；与此同时，采集每个种植盆的土壤，放入到样品袋里，进行编号(没有铜胁迫的样本备注为对照组)。回到实验室，利用叶面积测量仪获取每个叶片的面积，计算每个样本叶片的总面积，利用ASD光谱仪测量叶片光谱。2020年7月采集的叶片在实验室通过化学分析得到叶绿素含量(单位：ug/cm2)，然后构建叶绿素含量与SPAD-502值之间的相关性，以后的野外考察通过SPAD-502换算成叶片叶绿素含量。最后，利用烘箱将叶片烘干，测量干重。通过干重、鲜重、样本叶片总面积以及叶面积指数，得到冠层叶绿素含量、叶片和冠层等效水厚度、比叶面积、干物质含量(或叶比重)、地上生物量(叶比重与叶面积指数乘积)。利用激光粒度分析仪获取土壤的粘土含量；然后将土壤放入烘箱，去除杂质，过筛(100目)，利用ASD光谱仪测量土壤光谱，最后送到实验室测试获取土壤其他属性(pH、盐度、有机碳、全氮、总磷、总铜)。
研究区B的数据获取方法：对研究区红树林与陆地的边界进行人工勾绘提取，利用GIS的缓冲区分析构建0-40米、40-80米、80-120米、120-160米、大于160米的区域(对照组，受人为施工影响极小)。利用申请人及其团队的研究成果，基于无人机高光谱对该研究区进行物种分类，获取物种空间分布图。利用差分GPS，在每个缓冲区随机设置30个固定样方(1米*1米，为单一物种的小区域，无人机高光谱的空间分辨率为0.04米)并记录中心处地理坐标。利用研究区B的方法，获取每个固定样方的植物功能性状、土壤属性以及其它辅助信息。
对得到的数据进行分析，利用Pearson相关分析和偏相关分析研究无人机高光谱数据(原始光谱反射率、一阶微分反射率、经典植被指数及提出的植被指数)、红树植物功能性状、土壤属性之间的相互关系；利用单因素方差分析(ANOVA)研究不同物种、干扰等级和时间(或年份)对红树植物功能性状与土壤属性的影响是否显著。
步骤S100之后为：S200、对所述原始植物功能性状数据进行遥感反演，并对所述原始土壤属性数据进行空间预测，确定待用植物功能性状数据和待用土壤属性数据。
也就是说，在对红树植物生态恢复力相关的数据库构建与分析后，再对红树植物生态恢复力各项指标进行空间预测。空间预测的内容包括：红树植物功能性状遥感反演和土壤属性空间预测。
在一种实现方式中，请参阅图4，所述步骤S200具体包括：
S210、利用随机森林回归模型与一元回归模型对样本集中每个原始植物功能性状数据进行反演、验证及精度对比，以及利用PROSAIL模型对样本集中每个原始植物功能性状数据进行反演、验证及精度对比；
S220、对比利用所述随机森林回归模型与一元回归模型得到的精度和利用所述PROSAIL模型得到的精度，对照所述样本集选取对应精度最高的模型，利用精度最高的模型得到待用植物功能性状数据；
S230、利用普通克里金插值法对每个所述原始土壤属性数据进行插值、验证及精度对比，并对比随机森林回归模型、一元回归模型与空间插值结果，选取各个原始土壤属性数据的最佳空间预测模型；
S240、根据所述最佳空间预测模型得到待用土壤属性数据。
具体地，红树植物功能性状遥感反演是利用随机森林回归与基于植被指数的一元回归法对每个红树植物功能性状进行反演、验证及精度对比；利用PROSAIL模型对每个红树植物功能性状进行反演、验证及精度对比。PROSAIL模型的参数设置为：褐色素含量设置为0，热点参数按照实测数据的叶片平均大小与冠层高之比进行输入，土壤反射系数按照实测的土壤光谱平均反射率进行输入，平均叶倾角按照实测的数据进行输入(通过LAI-2200C植物冠层分析仪获取)，类胡萝卜素和叶肉结构参数按照参考文献赋值，太阳天顶角、观测天顶角等参数与无人机高光谱的平台参数一致。通过PROSAIL模型反演叶片叶绿素含量、干物质含量、叶片等效水厚度、叶面积指数，进而通过这些参数衍生出冠层叶绿素含量、比叶面积、冠层等效水厚度以及地上生物量。
土壤属性空间预测是利用普通克里金插值法对每个土壤属性进行空间插值、验证及精度对比，对比随机森林回归模型、一元回归模型与空间插值结果，选取各个土壤属性的最佳空间预测模型。
进一步地，请参阅图5，步骤S220具体包括：
S221、在随机森林回归模型中，利用变量重要性投影和选择性比率提取反演模型相关的敏感变量，归纳总结各个功能性状的敏感变量的频率，判断出对植物功能性状反演模型影响最大的敏感变量；
S222、在一元回归模型中，选取反演精度最高的植被指数所对应的波段作为植物功能性状的敏感变量；
S223、在PROSAIL模型中，通过参数全局敏感性分析获取影响植物功能性状反演的敏感变量；
S224、综合随机森林回归模型、一元回归模型和PROSAIL模型得到的敏感变量，分析影响红树植物功能性状遥感反演的变量；
S225、根据红树植物功能性状遥感反演的变量，对照所述样本集选取对应精度最高的模型，利用精度最高的模型得到待用植物功能性状数据。
也就是说，对比随机森林回归模型、一元回归模型与PROSAIL模型的精度，对照各个样本集选取对应精度最高的模型。针对随机森林回归模型，利用变量重要性投影(Variance importance in the projection,VIP)和选择性比率(Selectivity ratio,SR)提取反演模型相关的敏感波段(或变量)，归纳总结各个功能性状的敏感波段的频率，进而判断哪些波段对植物功能性状反演模型的影响最大。针对一元回归模型，选取反演精度最高的植被指数作为植物功能性状的敏感变量。针对PROSAIL模型，通过参数全局敏感性分析(EFAST方法)获取影响植物功能性状反演的敏感变量。综合以上敏感变量，讨论分析影响红树植物功能性状遥感反演的变量。另外，使用单因素方差分析(ANOVA)研究时间、物种、干扰等级对红树植物功能性状反演精度的影响是否显著。通过讨论影响植物功能性状遥感反演的敏感变量，揭示各性状的反演机理。
步骤S200之后为：S300、将生态恢复力拆分为基于植物功能性状的抵抗能力与重建能力以及基于土壤属性的抵抗能力与重建能力，并根据所述待用植物功能性状数据和待用土壤属性数据计算得到红树植物的生态恢复力。
也就是说，在对红树植物生态恢复力各项指标进行空间预测之后，进行人为干扰后的红树植物生态恢复力估算。
在一种实现方式中，请参阅图6，所述步骤S300具体包括：
S310、预先将没有铜胁迫的样本作为对照组；
S320、将生态恢复力拆分为基于植物功能性状的抵抗能力与重建能力以及基于土壤属性的抵抗能力与重建能力；
S330、与对照组相比，计算待用植物功能性状数据和待用土壤属性数据的变化速率，得到待用植物功能性状数据对应的抵抗能力，记为抵抗能力PFT，以及待用土壤属性数据对应的抵抗能力，记为抵抗能力SP；
S340、与自身相比，计算待用植物功能性状数据和待用土壤属性数据的变化速率，得到待用植物功能性状数据对应的重建能力，记为重建能力PFT，以及待用土壤属性数据对应的重建能力，记为重建能力SP；
S350、根据所述抵抗能力PFT、重建能力PFT、抵抗能力SP和重建能力SP，计算得到红树植物的生态恢复力。
也就是说，将红树植物生态恢复力拆分为基于植物功能性状的抵抗能力与重建能力以及基于土壤属性的抵抗能力与重建能力。与对照组(未受干扰区域)相比，计算参数的变化速率获取抵抗能力；与自身相比，计算参数的变化速率获取重建能力。
进一步地，请参阅图7，所述步骤S350具体包括：
S351、将植物功能性状与土壤属性的权重设置为3:2；
S352、根据所述抵抗能力PFT、重建能力PFT、抵抗能力SP和重建能力SP，以及植物功能性状与土壤属性的权重，计算得到红树植物的生态恢复力。
具体地，综合文献方法及建议，将植物功能性状与土壤属性的权重(即指标权重)设置为3:2。
进一步地，所述生态恢复力的计算公式为：
Figure BDA0002940743330000161
具体地，按照本发明的5个时期(干扰停止0-4年后：干扰停止之时，2020年7月；干扰停止1-4年后，2021年7月、2022年7月、2023年7月和2024年7月)来说，停止人为干扰1年后(2021年7月)的红树植物生态恢复力的计算方法如下：
所述抵抗能力PFT、重建能力PFT、抵抗能力SP和重建能力SP的计算公式为：
抵抗能力
Figure BDA0002940743330000162
Figure BDA0002940743330000163
重建能力
Figure BDA0002940743330000171
Figure BDA0002940743330000172
抵抗能力
Figure BDA0002940743330000173
Figure BDA0002940743330000174
重建能力
Figure BDA0002940743330000175
其中，PFT为植物功能性状；SP为土壤属性；pwj为基于植物功能性状的抵抗能力指标权重；pw'j为基于植物功能性状的重建能力指标权重；swk为基于土壤属性的抵抗能力指标权重；sw'k基于土壤属性的重建能力指标权重；PFTj-t1为第j个待用植物功能性状数据；PFT对照j-t1为同时期对照组样本第j个植物功能性状的平均值；PFTj-t0为第j个植物功能性状在停止人为干扰之时的值；SPk-t1为第k个土壤属性在停止人为干扰1年后的值；SP对照k-t1为同时期对照组样本第k个土壤属性的平均值；SPk-t0为第k个土壤属性在停止人为干扰之时的值。
具体地，本发明对抵抗能力PFT、重建能力PFT、抵抗能力SP和重建能力SP分别进行归一化处理。
具体地，PFT为植物功能性状(plant functional traits)；SP为土壤属性(soilproperties)；pwj,pw′j(j＝1,2,…,8)分别为基于植物功能性状的抵抗能力和重建能力指标权重；swk,sw′k(k＝1,2,…,7)：基于土壤属性的抵抗能力和重建能力指标权重；PFTj_t1：第j个植物功能性状(j＝1，叶片叶绿素含量；j＝2，叶片等效水厚度；j＝3，冠层叶绿素含量；j＝4，冠层等效水厚度；j＝5，叶面积指数；j＝6，干物质含量；j＝7，地上生物量；j＝8，比叶面积)在停止人为干扰1年后(2021年7月)的值；PFT对照j_t1：同时期(停止人为干扰1年后，2021年7月)对照组(无干扰状态的同一物种)样本第j个植物功能性状的平均值；PFTj_t0：第j个植物功能性状在停止人为干扰之时(2020年7月)的值；SPk_t1：第k个土壤属性(k＝1，土壤盐度；k＝2，土壤全氮；k＝3，土壤有机碳；k＝4，土壤粘土含量；k＝5，土壤pH；k＝6，土壤总磷；k＝7，土壤总铜)在停止人为干扰1年后(2021年7月)的值；SP对照k_t1：同时期(停止人为干扰1年后，2021年7月)对照组(无干扰状态的同一物种)样本第k个土壤属性的平均值；SPk_t0：第k个土壤属性在停止人为干扰之时(2020年7月)的值。
也就是说，j表示各个植物功能性状，k表示各个土壤属性。本发明的j取值为1,2,……,8；k取值为1,2,……,7。公式如下：
抵抗能力
Figure BDA0002940743330000181
Figure BDA0002940743330000182
重建能力
Figure BDA0002940743330000183
Figure BDA0002940743330000184
抵抗能力
Figure BDA0002940743330000185
Figure BDA0002940743330000186
重建能力
Figure BDA0002940743330000187
进一步地，wj与wk的计算公式为：
Figure BDA0002940743330000191
其中，
Figure BDA0002940743330000192
为用主成分分析方法确定的基于植物功能性状的指标权重向量；
Figure BDA0002940743330000193
为用专家打分法确定的基于植物功能性状的指标权重向量；
Figure BDA0002940743330000194
为用主成分分析方法确定的基于土壤属性的指标权重向量；
Figure BDA0002940743330000195
为用专家打分法确定的基于土壤属性的指标权重向量。
具体地，目前有两类方法确定指标权重，分别是专家打分法和客观赋权法(如主成分分析和变异系数方法)。前者主观性太强，后者主要根据指标的实际数据确定权重，未考虑真实的比重。本发明结合专家打分法和客观赋权法确定各权重(pwj,pw′j,swk,sw′k；j＝1,2,…，8；k＝1,2,…，7)，计算方法如上所述。
在一种实现方式中，所述基于无人机高光谱的红树林生态恢复力评估方法还包括：计算每个预设时期时样本集对应的生态恢复力。
具体地，按照本发明设置的5个时期来说，停止人为干扰2年后(2022年7月)的红树植物生态恢复力的计算方法是将所有的PFTj_t1替换为PFTj_t2(第j个植物功能性状在停止人为干扰2年后的值)，PFT对照j_t1替换为PFT对照j_t2(对照组样本第j个植物功能性状在停止人为干扰2年后的平均值)，SPk_t1替换为SPk_t2(第k个土壤属性在停止人为干扰2年后的值)，SP对照k_t1替换为SP对照k_t2(对照组样本第k个土壤属性在停止人为干扰2年后的平均值)。各权重值和生态恢复力计算方法沿用干扰1年后的生态恢复力指标权重值和计算方法。
停止人为干扰3年后(2023年7月)的红树植物生态恢复力的计算方法是将所有的PFTj_t1替换为PFTj_t3(第j个植物功能性状在停止人为干扰3年后的值)，PFT对照j_t1替换为PFT对照j_t3(对照组样本第j个植物功能性状在停止人为干扰3年后的平均值)，SPk_t1替换为SPk_t3(第k个土壤属性在停止人为干扰3年后的值)，SP对照k_t1替换为SP对照k_t3(对照组样本第k个土壤属性在停止人为干扰3年后的平均值)。各权重值和生态恢复力计算方法沿用干扰1年后的生态恢复力指标权重值和计算方法。
停止人为干扰4年后(2024年7月)的红树植物生态恢复力的计算方法是将所有的PFTj_t1替换为PFTj_t4(第j个植物功能性状在停止人为干扰4年后的值)，PFT对照j_t1替换为PFT对照j_t4(对照组样本第j个植物功能性状在停止人为干扰4年后的平均值)，SPk_t1替换为SPk_t4(第k个土壤属性在停止人为干扰4年后的值)，SP对照k_t1替换为SP对照k_t4(对照组样本第k个土壤属性在停止人为干扰4年后的平均值)。各权重值和生态恢复力计算方法沿用干扰1年后的生态恢复力指标权重值和计算方法。
这样，本发明将“红树植物生态恢复力”作为植物功能性状遥感反演的拓展应用。植物生态恢复力的遥感研究绝大部分利用多光谱影像，所能监测的指标和精度有限，也较难在不同年份的同一日期获取遥感影像。利用无人机高光谱的高空间分辨率、拥有数百个光谱波段且可以不受多云天气影响的特性。本发明充分挖掘无人机高光谱遥感技术，结合辐射传输模型、统计模型与空间插值技术拟对较小尺度的红树植物功能性状及其土壤属性进行长达五年(2020年7月至2024年7月)的连续精细化监测，进而实现干扰停止后的红树植物生态恢复力的定量估算与评价。
目前，植物生态恢复力的评价指标体系较多，主要关注于物种构成、地上生物量、植被覆盖度以及植被指数等，且干扰因素大多为自然干扰(气候变化或自然灾害)，观测的时间跨度大(5-100年)，观测的空间范围也大。所得出的结论较难解释较小尺度的红树林在人工干扰后的较短时间内是如何响应环境的，评价指标的遥感监测精度也较难保证精准；另外，较小尺度的红树林在短时间内(小于5年)是不会改变物种构成的，而且植被指数容易饱和且受多因素影响(如土壤背景、植物物种、冠层结构等)；因此需要重新考虑定量化的评价指标体系。本发明耦合植物功能性状(8个)与土壤属性(7个)作为红树植物生态恢复力的评价指标，是因为：第一，植物功能性状是植物响应环境变化的敏感生态系统变量，可以通过高光谱遥感技术进行精细化探测；第二，土壤属性是影响红树植物生长的重要因素，也可以通过遥感或地理信息系统技术进行空间预测；第三，两者的结合一定程度上可以从植物与土壤环境的交互作用层面解释红树植物在人为干扰后的生态恢复力；第四，多个评价指标的结合可以更全方位了解干扰后的红树植物生态恢复力的时空演变规律。
综上所述，本发明公开的一种基于无人机高光谱的红树林生态恢复力评估方法，包括：在若干预设时期时采集研究区内的样本，得到样本集，以及样本集中植物功能性状对应的原始植物功能性状数据，和土壤属性对应的原始土壤属性数据；对所述原始植物功能性状数据进行遥感反演，并对所述原始土壤属性数据进行空间预测，确定待用植物功能性状数据和待用土壤属性数据；将生态恢复力拆分为基于植物功能性状的抵抗能力与重建能力以及基于土壤属性的抵抗能力与重建能力，并根据所述待用植物功能性状数据和待用土壤属性数据计算得到红树植物的生态恢复力。本发明通过若干预设时期时采集研究区内的样本，进行连续精细化监测，可监测干扰停止后的植物功能性状，可完成较小尺度的红树植物功能性状及其土壤属性的连续精细化监测，进而实现干扰停止后的红树植物生态恢复力的定量估算与评价。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种基于无人机高光谱的红树林生态恢复力评估方法，其特征在于，包括：
在若干预设时期时采集研究区内的样本，得到样本集，以及样本集中植物功能性状对应的原始植物功能性状数据，和土壤属性对应的原始土壤属性数据；
对所述原始植物功能性状数据进行遥感反演，并对所述原始土壤属性数据进行空间预测，确定待用植物功能性状数据和待用土壤属性数据；
将生态恢复力拆分为基于植物功能性状的抵抗能力与重建能力以及基于土壤属性的抵抗能力与重建能力，并根据所述待用植物功能性状数据和待用土壤属性数据计算得到红树植物的生态恢复力。
2.根据权利要求1所述的基于无人机高光谱的红树林生态恢复力评估方法，其特征在于，所述在若干预设时期时采集研究区内的样本，得到样本集，以及样本集中植物功能性状对应的原始植物功能性状数据，和土壤属性对应的原始土壤属性数据，具体包括：
在若干预设时期时，利用机载高光谱成像仪和无人机获取研究区内固定种植盆或样方的无人机高光谱影像，得到无人机高光谱数据；
采集研究区内的样本，得到固定种植盆或样方的样本集，以及样本集中植物功能性状对应的原始植物功能性状数据，和土壤属性对应的原始土壤属性数据；
利用Pearson相关分析和偏相关分析，获得无人机高光谱数据、原始植物功能性状数据和原始土壤属性数据之间的相互关系数据；
利用单因素方差分析获得不同物种、干扰等级和时间对原始植物功能性状数据与原始土壤属性数据的影响。
3.根据权利要求2所述的基于无人机高光谱的红树林生态恢复力评估方法，其特征在于，对所述原始植物功能性状数据进行遥感反演，并对所述原始土壤属性数据进行空间预测，确定待用植物功能性状数据和待用土壤属性数据，具体包括：
利用随机森林回归模型与一元回归模型对样本集中每个原始植物功能性状数据进行反演、验证及精度对比，以及利用PROSAIL模型对样本集中每个原始植物功能性状数据进行反演、验证及精度对比；
对比利用所述随机森林回归模型与一元回归模型得到的精度和利用所述PROSAIL模型得到的精度，对照所述样本集选取对应精度最高的模型，利用精度最高的模型得到待用植物功能性状数据；
利用普通克里金插值法对每个所述原始土壤属性数据进行插值、验证及精度对比，并对比随机森林回归模型、一元回归模型与空间插值结果，选取各个原始土壤属性数据的最佳空间预测模型；
根据所述最佳空间预测模型得到待用土壤属性数据。
4.根据权利要求3所述的基于无人机高光谱的红树林生态恢复力评估方法，其特征在于，对比利用所述随机森林回归模型与一元回归模型得到的精度和利用所述PROSAIL模型得到的精度，对照所述样本集选取对应精度最高的模型，利用精度最高的模型得到待用植物功能性状数据；具体包括：
在随机森林回归模型中，利用变量重要性投影和选择性比率提取反演模型相关的敏感变量，归纳总结各个功能性状的敏感变量的频率，判断出对植物功能性状反演模型影响最大的敏感变量；
在一元回归模型中，选取反演精度最高的植被指数作为植物功能性状的敏感变量；
在PROSAIL模型中，通过参数全局敏感性分析获取影响植物功能性状反演的敏感变量；
综合随机森林回归模型、一元回归模型和PROSAIL模型得到的敏感变量，分析影响红树植物功能性状遥感反演的变量；
根据红树植物功能性状遥感反演的变量，对照所述样本集选取对应精度最高的模型，利用精度最高的模型得到待用植物功能性状数据。
5.根据权利要求3所述的基于无人机高光谱的红树林生态恢复力评估方法，其特征在于，所述将生态恢复力拆分为基于植物功能性状的抵抗能力与重建能力以及基于土壤属性的抵抗能力与重建能力，并根据所述待用植物功能性状数据和待用土壤属性数据计算得到红树植物的生态恢复力，具体包括：
预先将没有铜胁迫的样本作为对照组；
将生态恢复力拆分为基于植物功能性状的抵抗能力与重建能力以及基于土壤属性的抵抗能力与重建能力；
与对照组相比，计算待用植物功能性状数据和待用土壤属性数据的变化速率，得到待用植物功能性状数据对应的抵抗能力，记为抵抗能力PFT，以及待用土壤属性数据对应的抵抗能力，记为抵抗能力SP；
与自身相比，计算待用植物功能性状数据和待用土壤属性数据的变化速率，得到待用植物功能性状数据对应的重建能力，记为重建能力PFT，以及待用土壤属性数据对应的重建能力，记为重建能力SP；
根据所述抵抗能力PFT、重建能力PFT、抵抗能力SP和重建能力SP，计算得到红树植物的生态恢复力。
6.根据权利要求5所述的基于无人机高光谱的红树林生态恢复力评估方法，其特征在于，根据所述抵抗能力PFT、重建能力PFT、抵抗能力SP和重建能力SP，计算得到红树植物的生态恢复力，具体包括：
将植物功能性状与土壤属性的权重设置为3:2；
根据所述抵抗能力PFT、重建能力PFT、抵抗能力SP和重建能力SP，以及植物功能性状与土壤属性的权重，计算得到红树植物的生态恢复力。
7.根据权利要求6所述的基于无人机高光谱的红树林生态恢复力评估方法，其特征在于，所述生态恢复力的计算公式为：
Figure FDA0002940743320000041
8.根据权利要求7所述的基于无人机高光谱的红树林生态恢复力评估方法，其特征在于，所述抵抗能力PFT、重建能力PFT、抵抗能力SP和重建能力SP的计算公式为：
抵抗能力
Figure FDA0002940743320000042
Figure FDA0002940743320000043
重建能力
Figure FDA0002940743320000044
Figure FDA0002940743320000045
抵抗能力
Figure FDA0002940743320000046
Figure FDA0002940743320000047
重建能力
Figure FDA0002940743320000048
其中，PFT为植物功能性状；SP为土壤属性；pwj为基于植物功能性状的抵抗能力指标权重；pw'j为基于植物功能性状的重建能力指标权重；swk为基于土壤属性的抵抗能力指标权重；sw'k基于土壤属性的重建能力指标权重；PFTj-t1为第j个待用植物功能性状数据；PFT对照j-t1为同时期对照组样本第j个植物功能性状的平均值；PFTj-t0为第j个植物功能性状在停止人为干扰之时的值；SPk-t1为第k个土壤属性在停止人为干扰1年后的值；SP对照k-t1为同时期对照组样本第k个土壤属性的平均值；SPk-t0为第k个土壤属性在停止人为干扰之时的值。
9.根据权利要求8所述的基于无人机高光谱的红树林生态恢复力评估方法，其特征在于，wj与wk的计算公式为：
Figure FDA0002940743320000051
其中，
Figure FDA0002940743320000052
为用主成分分析方法确定的基于植物功能性状的指标权重向量；
Figure FDA0002940743320000053
为用专家打分法确定的基于植物功能性状的指标权重向量；
Figure FDA0002940743320000054
为用主成分分析方法确定的基于土壤属性的指标权重向量；
Figure FDA0002940743320000055
为用专家打分法确定的基于土壤属性的指标权重向量。
10.根据权利要求9所述的基于无人机高光谱的红树林生态恢复力评估方法，其特征在于，所述基于无人机高光谱的红树林生态恢复力评估方法还包括：
计算每个预设时期时样本集对应的生态恢复力。
CN202110176057.7A 2021-02-09 2021-02-09 一种基于无人机高光谱的红树林生态恢复力评估方法 Active CN112903606B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110176057.7A CN112903606B (zh) 2021-02-09 2021-02-09 一种基于无人机高光谱的红树林生态恢复力评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110176057.7A CN112903606B (zh) 2021-02-09 2021-02-09 一种基于无人机高光谱的红树林生态恢复力评估方法

Publications (2)

Publication Number Publication Date
CN112903606A true CN112903606A (zh) 2021-06-04
CN112903606B CN112903606B (zh) 2022-08-23

Family

ID=76122945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110176057.7A Active CN112903606B (zh) 2021-02-09 2021-02-09 一种基于无人机高光谱的红树林生态恢复力评估方法

Country Status (1)

Country Link
CN (1) CN112903606B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113252592A (zh) * 2021-06-25 2021-08-13 成都信息工程大学 枯草参数率定方法
CN117110545A (zh) * 2023-08-25 2023-11-24 云南大学 一种野外评估金属矿区废弃地本土植物修复能力的方法及应用
NL2032387B1 (en) * 2022-07-06 2024-01-23 Xinjiang Inst Eco & Geo Cas A regional ecosystem vulnerability remote sensing assessment system

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103999736A (zh) * 2014-05-19 2014-08-27 江苏大学 一种河口湿地红树林生态修复造林方法
CN104517037A (zh) * 2014-12-23 2015-04-15 中国科学院遥感与数字地球研究所 一种生态承载力的遥感估算方法
CN109470831A (zh) * 2018-12-27 2019-03-15 中科院合肥技术创新工程院 一种水生态监测与修复水面机器人及水生态修复控制方法
US20190339242A1 (en) * 2018-05-06 2019-11-07 Beijing Normal University Method and system for identifying plant species based on hyperspectral data
CN110472818A (zh) * 2019-07-03 2019-11-19 北京林业大学 一种快速评价扰动湿地恢复力的方法
CN110954490A (zh) * 2019-12-03 2020-04-03 交通运输部天津水运工程科学研究所 一种评价河道生态恢复状况的方法
CN111241962A (zh) * 2020-01-06 2020-06-05 中国矿业大学 一种剥离人类活动对生态系统生境质量影响的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103999736A (zh) * 2014-05-19 2014-08-27 江苏大学 一种河口湿地红树林生态修复造林方法
CN104517037A (zh) * 2014-12-23 2015-04-15 中国科学院遥感与数字地球研究所 一种生态承载力的遥感估算方法
US20190339242A1 (en) * 2018-05-06 2019-11-07 Beijing Normal University Method and system for identifying plant species based on hyperspectral data
CN109470831A (zh) * 2018-12-27 2019-03-15 中科院合肥技术创新工程院 一种水生态监测与修复水面机器人及水生态修复控制方法
CN110472818A (zh) * 2019-07-03 2019-11-19 北京林业大学 一种快速评价扰动湿地恢复力的方法
CN110954490A (zh) * 2019-12-03 2020-04-03 交通运输部天津水运工程科学研究所 一种评价河道生态恢复状况的方法
CN111241962A (zh) * 2020-01-06 2020-06-05 中国矿业大学 一种剥离人类活动对生态系统生境质量影响的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李丽: "冰雪冻灾干扰下森林生态系统恢复力的定量评价", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113252592A (zh) * 2021-06-25 2021-08-13 成都信息工程大学 枯草参数率定方法
NL2032387B1 (en) * 2022-07-06 2024-01-23 Xinjiang Inst Eco & Geo Cas A regional ecosystem vulnerability remote sensing assessment system
CN117110545A (zh) * 2023-08-25 2023-11-24 云南大学 一种野外评估金属矿区废弃地本土植物修复能力的方法及应用
CN117110545B (zh) * 2023-08-25 2024-04-30 云南大学 一种野外评估金属矿区废弃地本土植物修复能力的方法及应用

Also Published As

Publication number Publication date
CN112903606B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
Hobi et al. A comparison of Dynamic Habitat Indices derived from different MODIS products as predictors of avian species richness
CN112903606B (zh) 一种基于无人机高光谱的红树林生态恢复力评估方法
Stringer et al. Carbon stocks of mangroves within the Zambezi River Delta, Mozambique
Phillips et al. Evaluating the species energy relationship with the newest measures of ecosystem energy: NDVI versus MODIS primary production
Zellweger et al. Disentangling the effects of climate, topography, soil and vegetation on stand-scale species richness in temperate forests
Chen et al. Modelling vegetation water-use and groundwater recharge as affected by climate variability in an arid-zone Acacia savanna woodland
Paz-Kagan et al. Landscape-scale variation in canopy water content of giant sequoias during drought
Lu et al. Examining soil organic carbon distribution and dynamic change in a hickory plantation region with Landsat and ancillary data
Boori et al. Natural and eco-environmental vulnerability assessment through multi-temporal satellite data sets in Apodi valley region, Northeast Brazil
Espírito-Santo et al. Biophysical and socioeconomic factors associated to deforestation and forest recovery in Brazilian tropical dry forests
Wenguang et al. Impacts of land-use change on mammal diversity in the upper reaches of Minjiang River, China: Implications for biodiversity conservation planning
Zhang et al. Temporal and spatial dynamics distribution of organic carbon content of surface soil in coastal wetlands of Yancheng, China from 2000 to 2022 based on Landsat images
Wu et al. Model selection in Bayesian framework to identify the best WorldView-2 based vegetation index in predicting green biomass of salt marshes in the northern Gulf of Mexico
Zhang et al. Analyzing the effects of estuarine freshwater fluxes on fish abundance using artificial neural network ensembles
Guindin-Garcia Estimating maize grain yield from crop biophysical parameters using remote sensing
Alahuhta et al. Importance of spatial scale in structuring emergent lake vegetation across environmental gradients and scales: GIS-based approach
Fabiyi Change actors’ analysis and vegetation loss from remote sensing data in parts of the Niger Delta region
Gupta Simulating climate change impact on soil erosion & soil carbon sequestration
Ramachandra et al. Analysis of land surface temperature and rainfall with landscape dynamics in Western Ghats, India
Nascimento et al. Soil degradation detected by temporal satellite image in São Paulo state, Brazil
Antomi et al. THE DYNAMICS OF LAND USE CHANGE IN PADANG CITY FOR HYDROLOGICAL MODELING
Acheampong Deriving algal concentration from Sentinel-2 through a downscaling technique: A case near the intake of a desalination plant
Davranche et al. A multi-sensor approach to monitor the ongoing restoration of edaphic conditions for salt marsh species facing sea level rise: An adaptive management case study in Camargue, France
Chiloane Multispectral remote sensing of vegetation responses to groundwater variability in the greater floristic region of the Western Cape, South Africa
Bobric et al. The use of spectral techniques to monitor the vegetation status in a protected area in the Iasi county

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