CN112988926A - 一种改进混合型线性双源遥感蒸散模型及其应用 - Google Patents
一种改进混合型线性双源遥感蒸散模型及其应用 Download PDFInfo
- Publication number
- CN112988926A CN112988926A CN202110139355.9A CN202110139355A CN112988926A CN 112988926 A CN112988926 A CN 112988926A CN 202110139355 A CN202110139355 A CN 202110139355A CN 112988926 A CN112988926 A CN 112988926A
- Authority
- CN
- China
- Prior art keywords
- data
- evapotranspiration
- map
- drought
- model
- 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.)
- Pending
Links
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 88
- 238000000034 method Methods 0.000 claims description 81
- 238000012545 processing Methods 0.000 claims description 63
- 239000002689 soil Substances 0.000 claims description 60
- 238000012544 monitoring process Methods 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 24
- 230000005855 radiation Effects 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 12
- 238000013519 translation Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 5
- 238000001983 electron spin resonance imaging Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000012732 spatial analysis Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 43
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 35
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000007613 environmental effect Effects 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 20
- 230000005068 transpiration Effects 0.000 description 15
- 239000010410 layer Substances 0.000 description 13
- 238000010219 correlation analysis Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 8
- 230000008020 evaporation Effects 0.000 description 7
- 238000001704 evaporation Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000001556 precipitation Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000013079 data visualisation Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- 238000007639 printing Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- ZDZOTLJHXYCWBA-VCVYQWHSSA-N N-debenzoyl-N-(tert-butoxycarbonyl)-10-deacetyltaxol Chemical compound O([C@H]1[C@H]2[C@@](C([C@H](O)C3=C(C)[C@@H](OC(=O)[C@H](O)[C@@H](NC(=O)OC(C)(C)C)C=4C=CC=CC=4)C[C@]1(O)C3(C)C)=O)(C)[C@@H](O)C[C@H]1OC[C@]12OC(=O)C)C(=O)C1=CC=CC=C1 ZDZOTLJHXYCWBA-VCVYQWHSSA-N 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 101000740537 Tityus serrulatus Toxin Ts4 Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229960003668 docetaxel Drugs 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002969 morbid Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- -1 vegetation Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/38—Creation or generation of source code for implementing user interfaces
-
- 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
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Remote Sensing (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于环境测定技术领域,公开了一种改进混合型线性双源遥感蒸散模型及其应用;根据能量平衡原理和线性双源遥感蒸散模型,对影响蒸散的关键物理参数进行简化和优化,改进了混合型线性双源遥感蒸散模型。利用地表蒸散和干旱之间的关系,分析四川省蒸散和干旱的时空变化特征。针对干旱与蒸散之间的关系,基于改进的混合型线性双源遥感蒸散模型,从地表能量和水分平衡角度分析了四川省近15年陆表蒸散和干旱变化特征。实现了基于互联网+和GIS技术的地表蒸散Web发布控制系统。基于互联网+和GIS技术将地表蒸散数据进行网络发布,结合互联网优势,更加高效便利地实现了蒸散数据的实时发布和动态管理。
Description
技术领域
本发明属于环境测定技术领域,尤其涉及一种改进混合型线性双源遥感蒸散模型及其应用。
背景技术
目前,业内常用的现有技术是这样的:据IPCC第五次评估报告,1880-2012年全球平均温度已升高0.85℃,全球气候呈现明显变暖趋势,陆表的增温速度要快于海洋,纬度较高地区快于纬度较低地区,尤其高纬度地区冰雪融化速度在加快,且冬半年的增温速率也显著高于夏半年。1983-2012年是过去1400年来最热的30年。与全球变暖趋势一致,中国近百年来增温速度也在加快,有关数据显示平均气温已上升了0.91℃,尤其近60年表现最明显,有关气象专家测算,目前我国的平均气温正以每10年上升0.23℃的趋势发展,这一数值为全球的2倍,整体形式不容乐观。地表的持续升温加剧了地表蒸散,致使全球多数地区干旱频发。水分条件是制约陆表植被覆盖度的重要因子,当植被体内水分达到平衡时,植被按需吸收充足的水分并通过叶片蒸腾到大气中去,一旦有干旱出现,植被所含的水分就会蒸发,原有的平衡被打破,植被因无法获得充足的水分使叶片干枯、凋零,继而植物的光合有效性随之降低,导致蒸腾速度减缓,从而造成植被长势变差、农作物产量减少。由此可见,蒸散发是水分循环的重要环节,其能够提供较多与地表水分变化相关的信息。蒸散不仅维持地表水分平衡,是地表水分平衡的重要组成部分,还在维持地表能量平衡方面起到重要作用。土壤含水量、区域气象条件、植被覆盖度等因素会影响蒸散的时空分布。由于陆表蒸散均发生在较大空间尺度上,所以局部地区的思路难以在较大区域上发挥作用,致使干旱分析存在一定困难。但是,伴随着科学技术的进步特别是遥感技术的深入应用,尤其是上世纪70年代后期热红外遥感的广泛使用,使区域尺度的地表蒸散遥感模型快速发展。在热红外遥感应用中,人们不仅可以利用热红外波段得到陆表温度,还可以从其它波段获取地表覆被等参数变量,这在一定程度上为地表蒸散反演提供了帮助。基于有效的技术手段,许多学者提出了大量且能准确地估算地表蒸散的遥感模型,这使得蒸散发研究逐渐从局部区域走向大区域。
除气候变化及科技发展外,四川省“十年九旱”的实际也要求必须开展四川省的地表蒸散以及干旱研究。四川省长期遭受旱灾影响,2-3年就会有大旱发生,春夏伏秋旱相连也偶有发生,具有影响范围广、经济损失大的特点,尤其是发生在2006年和2009-2010年的旱灾,不仅使四川省的社会经济遭受严重损失,也对人们的正常生产生活产生了巨大影响。在2006年,川东地区各市均发生了严重干旱,几千万人在这场旱灾中遭受损失;1537万人以及1632万头牲畜因干旱饮水困难,相关数据估算干旱使农业受灾面积超过400万公顷,给四川省粮食生产造成了严重威胁。而发生在2009至2010年的旱灾影响范围更广,西南地区相继发生了秋、冬、春连旱,这场旱灾是历史记录上较为严重的一次,据统计,受灾人口达5100万人;农业受灾面积约为636.9万公顷,同时多地因缺水导致林木枯死,实为历史罕见。综合以上背景,开展四川省的蒸散与干旱分析是非常必要且迫切的。
经过几十年的发展,遥感在干旱监测和蒸散估算方面已经具有非常重要的影响力。但是,蒸散估算与干旱监测是一个非常复杂的问题,遥感在蒸散估算以及干旱监测中面临许多问题。
现有技术存在的问题主要有以下三点:
(1)许多物理遥感蒸散模型需要过多参数和陷入病态问题。遥感数据估算地表蒸散时,许多物理遥感蒸散模型一般需要参考高度的气温和风速等过多非遥感参数,但这些参数难以通过遥感手段获取,往往是依据气象站和生态站的观测值进行内插,从而限制了遥感方法在这一领域的应用和发展。而很多过于简单的遥感经验蒸散模型精度又不能满足需要,而且地域可推广性较差。此外,地表是一个复杂的开放的系统,未知的参数几乎是无穷的,而遥感数据总是有限的,使遥感估算地表蒸散陷入病态问题。因此,探讨既有物理基础又具有可操作性的遥感蒸散模型,进而开展干旱监测是非常必要的。
(2)侧重于干旱状态监测,基于能量和水分平衡的干旱过程监测较少,影响了干旱动态监测。以往的基于遥感的动态干旱监测模型,注重通过地物反射或辐射,了解地物特性,通常都是基于植被指数和温度指数的干旱状态监测研究。干旱的最终发生都是因为水分的亏缺变化引起的,地表生态系统中土壤、植被、大气等诸多因素之间能量和水分变化在不同的干旱发生过程中相差较大,而干旱状态监测正好忽略了能量和水分的过程变化。因此,研究水分亏缺的动态变化,从地表能量和水分平衡角度来理解地表干旱的发生和发展过程,构建时空信息的干旱监测模型,才能高效精准的提高干旱监测。
(3)陆地蒸散和干旱变化过程以及结果的不确定性。陆地蒸散和干旱化趋势一直是人们关注的焦点问题,这主要是因为尽管估算蒸散和监测干旱的方法很多,包括气象的、水文的、遥感等方法,但是过去几十年内通过各种方法得到的蒸散(潜在蒸散和实际蒸散)和干旱变化过程以及变化结果一直存在很大争议,存在着不确定性。干旱本身就是一种复杂的自然现象,很难精准的定量衡量,使得干旱的成因和变化过程研究成为困扰人们的一个重要科学难题。因此,探索陆地蒸散和干旱变化对人们理解水循环、能量循环和全球变化起着重要的作用。
解决上述技术问题的难度和意义:难度集中于混合型线性双源遥感蒸散模型的建立及精度验证。主要意义是根据地表能量平衡原理和线性双源遥感蒸散模型,从影响蒸散的关键物理参数角度出发,建立既有物理基础又有可操作性的混合型线性双源遥感蒸散模型,实现区域性的地表蒸散和干旱监测。
发明内容
针对现有技术存在的问题,本发明提供了一种改进混合型线性双源遥感蒸散模型及其应用。
本发明是这样实现的,一种蒸散Web发布控制系统,所述蒸散Web发布控制系统包括:
地图展示模块,用于实现气象站点数据、基础地理数据以及蒸散发数据展示,通过地图展示功能提供空间信息。ArcGIS API forJavaScript提供了一个map类(即后文中的地图类),地图类需要一个DOM结构,地图类通过创建一个容器将图层、图形、信息窗口,和其他导航控件添加地图窗口。通常情况下,一张地图通过DIV元素添加到页面中,而地图的宽度和高度是根据承载map类对象的DIV容器的高度来决定的。系统中地图展示功能,是首先将需要展示的地图在ArcMAP中配置完成,并通过ArcGIS Sever将配置好的地图文档发布成地图服务,发布成功之后地图服务提供相应的数据接口。ArcGIS API for JavaScript中提供了layer类,可创建多种类型的图层,不同类型的服务对应不同类型的图层,如ArcGISDynamicMapServiceLayer对应2D动态地图服务,ArcGISTiledMapServiceLayer对应2D缓存地图服务,根据需要系统发布的是2D动态地图服务,使用layer类中提供的创建图层的方法,调用在Arcgis Sever中发布的地图服务提供的REST URL创建一个地图图层,再使用map对象提供的addlayer方法将创建的地图图册加载到map对象中,完成地图展示功能。
地图控制模块,用于实现地图放大、地图缩小、全图显示、上一视图、下一视图、地图平移、中心放大和中心缩小功能。地图的基本控制通过ArcGIS API for JavaScript提供了一个Navigation类实现地图的基本操作,创建一个Navigation对象与Map对象绑定,Navigation提供了Toolbar的所有功能,对按钮绑定对应的事件,放大功能通过调用Navigation对象的ZOOM_IN方法实现,缩小功能调用Navigation对象的ZOOM_OUT方法实现,全图显示调用Navigation对象的zoomToFullExtent方法实现,上一视图;下一视图分别调用zoomToPrevExtent;zoomToNextExtent两个方法,但为了功能的完备性考虑,在实现视图切换时需要判断当前状态是否已经到了第一视图或者最后一个视图,Navigation中提供了isFirstExtent,isLastExtent方法可用作判断依据;地图平移功能调用Navigation对象的PAN方法实现。地图展示中比例尺则由API中Scalebar类实现。
蒸散发量计算模块,用于通过客户端输入相关信息,自动调取后台数据库中相应数据,计算出相应的蒸散发量,并提供下载功能。Arcgis for Sever中可发布地理处理服务,地理处理服务可以利用网络实现ArcGIS的空间分析功能。地理处理服务包含地理处理任务,通过Web应用程序获取执行任务所必须的参数数据,并对数据进行相应的处理,根据地理处理任务的预先设计返回相应类型的结果数据。创建地理处理服务,首先根据需要设计蒸散发量计算的数据处理模型,确定整个数据的处理过程,然后在ArcGIS Desktop中Modelbuilder中建立处理模型,模型的输入参数和输出参数就是地理处理任务参数,模型运行成功之后,将其通过ArcGIS Sever发布为一个地理处理服务,发布完成之后即可通过ArcGIS API for JavaScript中提供的Geoprocessor类创建地理处理对象,利用theArcGIS Server REST API中提供的地理处理服务的接口,创建一个地理处理任务,通过前端将系统中空间数据库中的数据包括空间数据,属性数据以模型参数传递给地理处理任务,地理处理任务在GIS服务器中完成对数据处理,发布服务设置查看处理结果可同时生产一个地图服务,通过调用这个地图服务查看处理结果。
气象数据查询模块,用于查询到后台数据库所提供的月最高气温、月最低气温、月平均气温和月净全辐射四类气象数据。气象数据查询的实现过程主要用到了Ajax和ASP.Net。Ajax技术可实现局部刷新。ASP.Net则将Datatable解析为json序列的技术。整个过程为首先在前端使用jQuery获取用户输入的查询信息,通过Ajax将输入信息以参数形式传递后台处理程序,后台处理程序首先执行搜索,从空间数据库中查询出对应年份月份的气象数据,存放在DataTable中,然后再从DataTable提取出各行各列的字段以及字段值,按照json的格式,放置在一个可变的字符序列中,最终这个字符序列返回到前端。前端接收到返回的结果后将其序列化成一个json对象,最后利用EasyUI中Datagrid组件,将json作为数据源绑定给Datagrid,最终查询的结果数据以电子表格的形式在浏览器端展示。
数据统计模块,用于将查询得到的气象数据以电子表格或者统计图的方式进行展示,并提供统计图表的下载功能统计图的功能气象数据查询过程类似,也从获取用户输入的参数信息开始。参数通过ajax传递至后台处理程序,程序根据参数信息查询出相应的数据,查询结果暂时存放在DataTable中,再提取出DataTable各个字段和字段值,将其转换成一个json字符串,不同的是根据图表统计插件的要求,在字符串转换的过程中,字段值的格式必须与插件中对应的数据源格式一致,最后返回至前端,前端将字符串序列化成json对象。统计图生成用到的是EasyUI框架以外的插件ECharts。ECharts是基于html5 Canvas,是一个纯Javascript图表库,开源自百度商业前端数据可视化团队,提供直观,生动,可交互,可个性化定制的数据可视化图表。创新的拖拽重计算、数据视图、值域漫游等特性大大增强了用户体验,赋予了用户对数据进行挖掘、整合的能力。根据功能需求,系统使用了Echarts中的柱状图统计功能。通过将json对象中的字段以参数形式传递给插件作为数据源,实现数据动态的显示。最后客户端显得的是一个直观的柱状统计图。
数据上传模块,用于当在后台数据库中无法找到所需的数据时,可上传已有的且符合系统数据格式的数据至后台的数据服务器。数据上传功能,通过DropzonJS实现。DropzoneJS是一个可实现拖放上传文件,并且可实现图像文件预览的轻量级开源库。类似jQuery,DropzoneJS不需要依赖任何其他库。其界面简洁美观,符合系统的要求,使用方便,功能实用性很强。与ASP.net技术结合,ASP.Net中HttpPostedFile对象提供了已上传文件的单独访问,HttpContext可获取到服务器路径,主要通过这两个对象实现文件保存。
进一步,所述蒸散Web发布控制系统的空间数据通过ESRI Geodatabase存储和管理,属性数据通过Microsoft SQL Server数据库存储,前端采用jQuery EasyUI框架;EasyUI是一组基于jQuery的UI插件集合;使用ArcGIS API forJavaScript完成地图展示,基于ArcGIS Server的GIS服务器实现模型计算等功能,后端采用ASP.Net动态网页技术开发。
本发明的另一目的在于提供一种运行所述蒸散Web发布控制系统的蒸散Web发布控制方法,所述蒸散Web发布控制方法包括:
地图展示功能提供空间信息;
实现地图放大、地图缩小、全图显示、上一视图、下一视图、地图平移、中心放大和中心缩小功能;
通过客户端输入相关信息,自动调取后台数据库中相应数据,计算出相应的蒸散发量,并提供下载功能;
查询到后台数据库所提供的月最高气温、月最低气温、月平均气温和月净全辐射四类气象数据;
将查询得到的气象数据以电子表格或者统计图的方式进行展示,并提供统计图表的下载功能;
当在后台数据库中无法找到所需的数据时,可上传已有的且符合系统数据格式的数据至后台的数据服务器。
本发明的另一目的在于提供一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行权利要求任意一项所述包括下列步骤:
地图展示功能提供空间信息;
实现地图放大、地图缩小、全图显示、上一视图、下一视图、地图平移、中心放大和中心缩小功能;
通过客户端输入相关信息,自动调取后台数据库中相应数据,计算出相应的蒸散发量,并提供下载功能;
查询到后台数据库所提供的月最高气温、月最低气温、月平均气温和月净全辐射四类气象数据;
将查询得到的气象数据以电子表格或者统计图的方式进行展示,并提供统计图表的下载功能;
当在后台数据库中无法找到所需的数据时,可上传已有的且符合系统数据格式的数据至后台的数据服务器。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施所述的蒸散Web发布控制方法。
本发明的另一目的在于提供一种所述蒸散Web发布控制系统使用的改进混合型线性双源遥感蒸散模型,所述改进混合型线性双源遥感蒸散模型为:
式中,ET为地表蒸散,Rn为地表净辐射,NDVI为归一化植被指数,Tmax为最高空气温度,Tmin为最低空气温度,b0、b1、b2、b3为回归系数;b2(2.05)>b0(1.27)>b3(0.87)>b1(0.52)。
本发明的另一目的在于提供一种应用所述改进混合型线性双源遥感蒸散模型的环境测定平台。
本发明的另一目的在于提供一种应用所述改进混合型线性双源遥感蒸散模型的土壤干旱监测平台。
综上所述,本发明的优点及积极效果为:
(1)改进优化了混合型线性双源遥感蒸散模型。根据能量平衡原理和线性双源遥感蒸散模型,对影响蒸散的关键物理参数进行了简化和优化,构建混合型线性双源遥感蒸散模型。
(2)通过得到的地表蒸散和干旱之间的结果,分析四川省蒸散和干旱的时空变化特征。针对干旱与蒸散之间的关系,基于改进的混合型线性双源遥感蒸散模型,从地表能量和水分平衡角度分析了四川省近15年陆表蒸散和干旱变化特征。
(3)设计实现了基于互联网+和GIS技术的四川省蒸散Web发布控制系统。基于互联网+和GIS技术将四川省的地表蒸散数据进行网络发布,该系统结合互联网优势,可直接通过浏览器运行,不需要在用户的计算机上安装软件,通过调用后台服务器上发布的空间模型返回结果,更加高效便利地实现了蒸散数据的实时发布和动态管理。
针对现有技术存在的问题,本发明将基于能量和水分平衡理论,改进和优化传统的遥感蒸散模型,利用多源遥感数据和气象站点数据进行四川省近15年的蒸散估算与干旱监测,并利用传统的干旱产品对比分析干旱监测效果,进一步探讨四川省地表蒸散和干旱变化趋势,分析蒸散与干旱变化的原因,为四川省的地表水分变化、旱灾预防和农业科学灌溉提供决策依据和技术途径。
附图说明
图1是本发明实施例提供的基于改进的混合型线性双源遥感蒸散模型的监测方法流程图。
图2是本发明实施例提供的基于改进的混合型线性双源遥感蒸散模型的监测方法原理图。
图3是本发明实施例提供的四川省拟合实际蒸散与实际蒸散产品散点图示意图。
图4是本发明实施例提供的四川省EDI与PDSI的四季相关系数示意图。
图5是本发明实施例提供的NDVI-LST特征空间示意图。
图6是本发明实施例提供的简化的NDVI-LST特征空间示意图。
图7是本发明实施例提供的四川省EDI与TVDI的四季相关系数示意图。
图8是本发明实施例提供的系统的基本架构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。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。
下面结合附图对本发明的应用原理作详细说明;
如图1所示,本发明实施例提供的基于改进混合型线性双源遥感蒸散模型的监测方法,具体包括以下步骤:
S101:数据搜集与空间数据库的建立;
S102:改进混合型线性双源遥感蒸散模型;
S103:基于蒸散干旱指数进行四川省干旱监测的相关分析;
S104:基于改进的混合型线性双源遥感蒸散模型的四川省近15年蒸散变化特征分析;
S105:基于蒸散干旱指数对四川省近15年的干旱演变状况展开具体分析,并对多种干旱指数进行比较分析;
S106:构建四川省地表蒸散发布系统。
步骤S101中,本发明实施例提供的数据搜集与空间数据库的建立,具体为:
搜集四川省近15年的气象站点数据、MODIS的NDVI产品以及地表实测土壤湿度数据,分别进行处理,同时通过计算获得了近15年的净辐射数据,对所获取的数据构建空间数据库。
步骤S102中,本发明实施例提供的改进混合型线性双源遥感蒸散模型,具体为:
(1)基于简单线性双源遥感蒸散模型,把地表景观看作是植被和裸土两部分组成,引入经验参数,改进和优化混合型线性双源遥感蒸散模型;
(2)从全裸土和全植被两种状况下的蒸散影响因子角度出发,指出该模型的物理意义,并通过实测数据对该模型的精度进行验证分析。
步骤S103中,本发明实施例提供的计算蒸散干旱指数EDI,把地表蒸散、干旱以及土壤含水量之间联系起来,实现干旱监测。
步骤S103中,本发明实施例提供的基于蒸散干旱指数进行四川省干旱监测的相关分析,具体为:
选取不同深度的土壤含水量进行验证,分析EDI与土壤含水量之间的相关性。
步骤S104中,本发明实施例提供的结合混合型线性双源遥感蒸散模型和蒸散干旱指数EDI分析四川省的潜在蒸散、实际蒸散、EDI和PDSI的变化趋势,并对蒸散和干旱的变化原因和结果进行初步探讨,进一步验证混合型线性双源遥感蒸散模型在四川省干旱监测中的可行性。
步骤S105中,本发明实施例提供的基于WebGIS平台ArcGIS Server,设计并构建四川省地表蒸散发布系统。
如图2所示,本发明实施例提供的基于改进混合型线性双源遥感蒸散模型的监测方法原理图。
地图展示模块,用于实现气象站点数据、基础地理数据以及蒸散发数据展示,通过地图展示功能提供空间信息。ArcGIS API forJavaScript提供了一个map类(即后文中的地图类),地图类需要一个DOM结构,地图类通过创建一个容器将图层、图形、信息窗口,和其他导航控件添加地图窗口。通常情况下,一张地图通过DIV元素添加到页面中,而地图的宽度和高度是根据承载map类对象的DIV容器的高度来决定的。系统中地图展示功能,是首先将需要展示的地图在ArcMAP中配置完成,并通过ArcGIS Sever将配置好的地图文档发布成地图服务,发布成功之后地图服务提供相应的数据接口。ArcGIS API for JavaScript中提供了layer类,可创建多种类型的图层,不同类型的服务对应不同类型的图层,如ArcGISDynamicMapServiceLayer对应2D动态地图服务,ArcGISTiledMapServiceLayer对应2D缓存地图服务,根据需要系统发布的是2D动态地图服务,使用layer类中提供的创建图层的方法,调用在Arcgis Sever中发布的地图服务提供的REST URL创建一个地图图层,再使用map对象提供的addlayer方法将创建的地图图册加载到map对象中,完成地图展示功能。
地图控制模块,用于实现地图放大、地图缩小、全图显示、上一视图、下一视图、地图平移、中心放大和中心缩小功能。地图的基本控制通过ArcGIS API for JavaScript提供了一个Navigation类实现地图的基本操作,创建一个Navigation对象与Map对象绑定,Navigation提供了Toolbar的所有功能,对按钮绑定对应的事件,放大功能通过调用Navigation对象的ZOOM_IN方法实现,缩小功能调用Navigation对象的ZOOM_OUT方法实现,全图显示调用Navigation对象的zoomToFullExtent方法实现,上一视图;下一视图分别调用zoomToPrevExtent;zoomToNextExtent两个方法,但为了功能的完备性考虑,在实现视图切换时需要判断当前状态是否已经到了第一视图或者最后一个视图,Navigation中提供了isFirstExtent,isLastExtent方法可用作判断依据;地图平移功能调用Navigation对象的PAN方法实现。地图展示中比例尺则由API中Scalebar类实现。
蒸散发量计算模块,用于通过客户端输入相关信息,自动调取后台数据库中相应数据,计算出相应的蒸散发量,并提供下载功能。Arcgis for Sever中可发布地理处理服务,地理处理服务可以利用网络实现ArcGIS的空间分析功能。地理处理服务包含地理处理任务,通过Web应用程序获取执行任务所必须的参数数据,并对数据进行相应的处理,根据地理处理任务的预先设计返回相应类型的结果数据。创建地理处理服务,首先根据需要设计蒸散发量计算的数据处理模型,确定整个数据的处理过程,然后在ArcGIS Desktop中Modelbuilder中建立处理模型,模型的输入参数和输出参数就是地理处理任务参数,模型运行成功之后,将其通过ArcGIS Sever发布为一个地理处理服务,发布完成之后即可通过ArcGIS API for JavaScript中提供的Geoprocessor类创建地理处理对象,利用theArcGIS Server REST API中提供的地理处理服务的接口,创建一个地理处理任务,通过前端将系统中空间数据库中的数据包括空间数据,属性数据以模型参数传递给地理处理任务,地理处理任务在GIS服务器中完成对数据处理,发布服务设置查看处理结果可同时生产一个地图服务,通过调用这个地图服务查看处理结果。
气象数据查询模块,用于查询到后台数据库所提供的月最高气温、月最低气温、月平均气温和月净全辐射四类气象数据。气象数据查询的实现过程主要用到了Ajax和ASP.Net。Ajax技术可实现局部刷新。ASP.Net则将Datatable解析为json序列的技术。整个过程为首先在前端使用jQuery获取用户输入的查询信息,通过Ajax将输入信息以参数形式传递后台处理程序,后台处理程序首先执行搜索,从空间数据库中查询出对应年份月份的气象数据,存放在DataTable中,然后再从DataTable提取出各行各列的字段以及字段值,按照json的格式,放置在一个可变的字符序列中,最终这个字符序列返回到前端。前端接收到返回的结果后将其序列化成一个json对象,最后利用EasyUI中Datagrid组件,将json作为数据源绑定给Datagrid,最终查询的结果数据以电子表格的形式在浏览器端展示。
数据统计模块,用于将查询得到的气象数据以电子表格或者统计图的方式进行展示,并提供统计图表的下载功能统计图的功能气象数据查询过程类似,也从获取用户输入的参数信息开始。参数通过ajax传递至后台处理程序,程序根据参数信息查询出相应的数据,查询结果暂时存放在DataTable中,再提取出DataTable各个字段和字段值,将其转换成一个json字符串,不同的是根据图表统计插件的要求,在字符串转换的过程中,字段值的格式必须与插件中对应的数据源格式一致,最后返回至前端,前端将字符串序列化成json对象。统计图生成用到的是EasyUI框架以外的插件ECharts。ECharts是基于html5 Canvas,是一个纯Javascript图表库,开源自百度商业前端数据可视化团队,提供直观,生动,可交互,可个性化定制的数据可视化图表。创新的拖拽重计算、数据视图、值域漫游等特性大大增强了用户体验,赋予了用户对数据进行挖掘、整合的能力。根据功能需求,系统使用了Echarts中的柱状图统计功能。通过将json对象中的字段以参数形式传递给插件作为数据源,实现数据动态的显示。最后客户端显得的是一个直观的柱状统计图。
数据上传模块,用于当在后台数据库中无法找到所需的数据时,可上传已有的且符合系统数据格式的数据至后台的数据服务器。数据上传功能,通过DropzonJS实现。DropzoneJS是一个可实现拖放上传文件,并且可实现图像文件预览的轻量级开源库。类似jQuery,DropzoneJS不需要依赖任何其他库。其界面简洁美观,符合系统的要求,使用方便,功能实用性很强。与ASP.net技术结合,ASP.Net中HttpPostedFile对象提供了已上传文件的单独访问,HttpContext可获取到服务器路径,主要通过这两个对象实现文件保存。
下面结合具体实施例对本发明的应用原理进行进一步说明;
实施例1;
1、改进和优化混合型线性双源遥感蒸散模型
模型是利用遥感手段估算蒸散的重要方法,模型的复杂程度将影响遥感数据的精度和可操作性。遥感蒸散模型近几十年来经历了一个由简至繁的过程,最初的经验模型已经逐步发展为具有物理意义的机理模型。然而无论是纯经验简单模型还是纯物理机理模型,都存在一些明显的缺陷,简单经验模型易用但是区域可推广性较差,物理模型机理明确可推广性好,但是所需参数多,可操作性较差,鉴于此,本发明将结合这两种模型优点提出混合型线性双源遥感蒸散模型,并对模型进行验证与分析。
(1)改进和优化混合型线性双源遥感蒸散模型
1)考虑到NDVI对蒸散的影响,利用植被覆盖度(fv)把蒸散认为是地球表面裸土蒸发和植被蒸腾两部组成,具体表达式如下:
ET=fvETv+(1-fv)ETs (2)
式(1)和式(2)中,ET表示总蒸散量,ETV表示植被蒸腾,ETS表示土壤蒸发,NDVImax表示整个植被情况下的NDVI,此时,fv=1;NDVImin为整个裸土情况下的NDVI,此时,fv=0。
蒸散比(Evapotranspiration Fraction,EF)是地表蒸散的重要标志参量之一,在数值上等于实际蒸散量与可获得能量比值。
Q=ET+H=Rn-G (4)
式(3)和式(4)中,EF为蒸散比,Q为可利用能量,H为地表显热通量,Rn为地表净辐射,G为向下的土壤通量。
向下的土壤热通量(G)通常比较小,为了减少计算的复杂度,认为G/Rn是一个常数,这样式(3)可以表达为:
G=aRn (6)
ET=d*EF*Rn (8)
d=1-a (9)
式(5)-式(9)中a,c,d为常数。这样,对于求解ET就可以转化成求解EF,对于土壤和植被而言,它们满足下面方程:
ETS=QSEFS (10)
ETV=QVEFV (11)
Q=fvQv+(1-fv)QS (12)
式(10)-式(12)中,ETv为植被蒸腾,ETs为土壤蒸发,Qs为土壤可利用能量,EFs为土壤部分蒸散比,Qv为植被可利用能量,EFv为植被部分蒸散比。
通过式(1)、式(10)和式(11)可以得到:
ET=fVQVEFV+(1-fV)QSEFS (13)
上式(13)也说明了EFs和EFv在估算ET的过程中是非常重要的。
2)土壤蒸散模型的改进
对土壤而言,利用Ts-VI特征空间散点图来求解遥感影像中某一像元的EFs值,具体表达式如下:
式(14)中,Tbare_soil为像元某一点裸土温度,Tbare_soil_max为裸土最高温度,Tbare_soil_min为裸土最低温度。
从式(14)可以看出,EFs与温差倒数成正比例关系,结合式(10)可以认为裸土的蒸散与地表净辐射以及地表温度的昼夜温差密切相关。为降低简单线性双源蒸散模型的复杂性,选择地表净辐射(Rn)和空气昼夜温差的倒数(1/Tmax-Tmin)来简化裸土的蒸散模型,空气昼夜温差的倒数可以用来表示土壤含水量,同时增加经验性系数a1,具体简化公式如下:
式(15)中,利用空气昼夜温差来代替地表昼夜温差,主要是因为空气温度可以通过气象资料获得,而通过遥感手段得到的陆表温度产品受云的影响很难获取每天的完整数据。
3)植被蒸散模型的改进
对植被而言,可以利用下面公式求解EFv:
式(16)中,α为常数1.26,△为水汽-温度斜率,可根据气象资料获取,γ为干湿表常数,约等于0.65,rc为冠层阻抗,ra为空气动力学阻抗。
式(16)中,△和γ取决于空气温度,ra取决于风速,rc取决于空气温度、光合有效辐射、水汽压差,植被根部含水量和大气CO2浓度等因素。因此,植被的蒸散可以认为是这些控制因素组成的复杂函数。不过有些参数在很多情况下并不好获取。为了简化植被蒸散函数,在本分析中,认为地表净辐射(Rn)是植被蒸散的最主要控制因子,然后选择其它的重要参数包括空气温度(T)、空气昼夜温差的倒数(1/(Tmax-Tmin)),通过增加经验系数a2和a3来获得简易植被蒸散方程:
4)混合型线性双源遥感蒸散模型的改进
为了获取整个植被和土壤的蒸散量,增加a0Rn作为整个蒸散的订正项,这
主要是因为地表净辐射是蒸散的最主要控制因素。这样考虑到式(15)和式(17),蒸散方程可以表达为:
考虑到fv是NDVI的函数,因此可以利用NDVI进行进一步简化得到混合型线性双源遥感蒸散模型:
式(19)中,ET为地表蒸散,Rn为地表净辐射,NDVI为归一化植被指数,Tmax为最高空气温度,Tmin为最低空气温度,b0、b1、b2、b3为回归系数。经过统计,得到了b0、b1、b2和b3的取值范围分别为-0.55-6.08、-0.14-0.47、-69.75-74.45和-13.85-62.79;利用SPSS进行多元回归分析,可知b0、b1、b2和b3全部通过了显著性水平检验,说明各因子均与实际蒸散量关系密切;为进一步区分各因子的贡献大小,又参考了标准化回归系数,得到b2(2.05)>b0(1.27)>b3(0.87)>b1(0.52),即b2所对应的因子的贡献量最大,其次为b0,最后为b3和b1。
综合式(4)和式(19)可以看出,如果要反演得到分析区的地表蒸散,需要获取分析区的各种气象因子(平均气温、最高和最低气温、水汽压)、植被指数和DEM等数据。
(2)改进的线性双源遥感蒸散模型精度评价与验证
如图3所示,本发明是实施例提供的四川省拟合实际蒸散与实际蒸散产品散点图示意图。
将处理过的遥感数据和气象数据导入模型计算,得到四川省混合型线性双源遥感蒸散模型复相关系数如表1和图3所示,数据表明:
(1)季节上,近15年复相关系数最低值出现在冬季,春季、夏季及秋季均通过0.05显著性检验,最高复相关系数达到0.81。四川省近15年复相关性系数最高值集中在秋季,并且所有的值均在0.5以上,说明混合型线性双源遥感蒸散模型在秋季拟合效果非常好同时,表1中数据显示春夏整体相关性较高;
(2)就平均值而言,相关性拟合效果最好的是秋天,其次依次是夏春两季,冬季的结果较差;
(3)变化趋势上,夏季和秋季的相关系数趋于平稳,即变化波动不大,而春冬两季波动性较大。尤其是在2006-2008年冬季以及2012年与2015年冬季、2013年春季拟合效果较差;
(4)春季和冬季出现相关性较低的原因是:实际蒸散受温度和植被共同作用影响,由于春冬两季温度较低且降水量相对较少,植被蒸散受到很大影响;同时,由于实际蒸散拟合过程中四川省气象站点数据稀少,使温度、平均水汽压以及日照时数等气象要素插值的精度受到影响,插值数据的误差对太阳辐射值以及净辐射值的反演进一步产生了影响;不同的下垫面地表蒸散的反演精度是不一样的,但在验证时是通过随机选点进行分析的,也会造成一定的误差。
表1:四川省混合型线性双源遥感蒸散模型复相关系数
R | 春季 | 夏季 | 秋季 | 冬季 |
2001年 | 0.5101 | 0.2723 | 0.5639 | 0.7318 |
2002年 | 0.4632 | 0.5921 | 0.7458 | 0.7451 |
2003年 | 0.5516 | 0.6439 | 0.7832 | 0.7202 |
2004年 | 0.6027 | 0.7084 | 0.7984 | 0.7828 |
2005年 | 0.4591 | 0.6496 | 0.7080 | 0.7138 |
2006年 | 0.5744 | 0.5495 | 0.6041 | 0.0377 |
2007|年 | 0.5449 | 0.6225 | 0.7546 | 0.0139 |
2008年 | 0.1640 | 0.6939 | 0.6130 | 0.0740 |
2009年 | 0.4586 | 0.4760 | 0.6444 | 0.5710 |
2010年 | 0.3432 | 0.5490 | 0.6237 | 0.2632 |
2011年 | 0.5604 | 0.3806 | 0.4750 | 0.4187 |
2012年 | 0.5625 | 0.5713 | 0.6751 | 0.0554 |
2013年 | 0.3788 | 0.6911 | 0.8148 | 0.6864 |
2014年 | 0.6061 | 0.7226 | 0.7137 | 0.6289 |
2015年 | 0.5732 | 0.6538 | 0.6907 | 0.4268 |
AVG | 0.4902 | 0.5851 | 0.6806 | 0.4580 |
此外,将通过MODIS的实际蒸散产品与模型拟合得到的实际蒸散计算相关系数,来验证混合型线性双源遥感模型的精度。将预处理得到的四川省近15年的MODIS实际蒸散产品数据随机提取100个代表点,同时,提取相同位置的拟合实际蒸散拟合数据,并进行相关性计算,得到如下结果:
(1)四川省四季拟合结果均通过了0.05和0.1的显著性水平的验证,仅在冬季时相关性明显偏低。
(2)时间上,混合型线性双源遥感蒸散模型拟合最好的是夏季和秋季,其次是春季,而冬季拟合效果最差。
(3)空间上,春季时四川盆地大部分地区和川西南山地的部分地区相关系数拟合不好,而川西北高原区相关性则很高;夏季时川东盆地与高原的过渡区域相关系数较低;秋季时拟合程度最好,未形成相关性系数值偏低区域;冬季时川西北高原区以及川西南山地区相关性系数拟合程度较低。
(4)根据相关系数值的分段可以看出,春季、夏季以及秋季相关系数值大部分都集中在0.5以上,说明混合型线性双源遥感蒸散模型在年际内是可用的,且能够实现大范围的地表蒸散反演。
表2:四川省21个市(州)拟合实际蒸散与实际蒸散产品相关系数分区统计
市(州)名称 | 春季 | 夏季 | 秋季 | 冬季 | AVG |
成都市 | 0.8190 | 0.8248 | 0.9400 | 0.8966 | 0.8701 |
自贡市 | 0.6496 | 0.9700 | 0.9466 | 0.9366 | 0.8757 |
攀枝花市 | 0.6716 | 0.8222 | 0.6295 | 0.7479 | 0.7178 |
泸州市 | 0.1281 | 0.9675 | 0.9003 | 0.7152 | 0.6778 |
德阳市 | 0.9203 | 0.6562 | 0.9695 | 0.9695 | 0.8789 |
绵阳市 | 0.9136 | 0.7546 | 0.9708 | 0.9524 | 0.8979 |
广元市 | 0.8352 | 0.7434 | 0.9618 | 0.9823 | 0.8807 |
遂宁市 | 0.5594 | 0.9041 | 0.9637 | 0.9013 | 0.8321 |
内江市 | 0.6653 | 0.9205 | 0.9495 | 0.9275 | 0.8657 |
乐山市 | 0.7004 | 0.9380 | 0.9310 | 0.0944 | 0.6660 |
南充市 | -0.1193 | 0.9255 | 0.9787 | 0.9673 | 0.6881 |
眉山市 | 0.8242 | 0.8194 | 0.8854 | -0.0638 | 0.6163 |
宜宾市 | 0.0285 | 0.9581 | 0.9223 | 0.6585 | 0.6419 |
广安市 | 0.5197 | 0.9677 | 0.9619 | 0.9577 | 0.8518 |
达州市 | 0.7547 | 0.9566 | 0.9433 | 0.9456 | 0.9001 |
雅安市 | 0.8409 | 0.9082 | 0.9411 | 0.0905 | 0.6952 |
巴中市 | 0.5482 | 0.9340 | 0.9412 | 0.9857 | 0.8523 |
资阳市 | 0.5504 | 0.7889 | 0.9521 | 0.8935 | 0.7962 |
阿坝藏族羌族自治州 | 0.9404 | 0.9731 | 0.9818 | 0.3292 | 0.8061 |
甘孜藏族自治州 | 0.9201 | 0.9519 | 0.9447 | 0.1891 | 0.7515 |
凉山彝族自治州 | 0.5905 | 0.9659 | 0.8653 | 0.3987 | 0.7051 |
AVG | 0.6315 | 0.8881 | 0.9276 | 0.6893 | 0.7841 |
如表2所示,分区统计结果显示:
首先,21个市州各自的四季相关系数均值都较高,都在0.6以上,其中,达州市的四季相关系数均值最高,达到0.9;而眉山市的四季相关系数均值最低,只有0.61。
其次,21个市州总体四季相关系数均值也较高,春季最低,为0.63;秋季最高,达到了0.92;夏季和冬季也分别达到了0.8和0.6以上。
最后,年综合相关系数均值达到了0.78,说明拟合效果较好。
结果:基于能量与平衡理论,在修正已有遥感蒸散模型的基础上改进了混合型线性双源遥感蒸散模型,并对模型精度进行了验证;四川省混合型线性双源遥感蒸散模型复相关系数整体较高,仅在冬季存在个别偏低值,经过分区统计发现21个市州各自的四季相关系数均值都较高,均在0.6以上,仅在部分地区的冬季值偏低,造成此现象的可能原因是四川省的降水时空分布不均。
2、四川省近15年蒸散估算与变化趋势分析
地表蒸散估算准确与否是检验遥感蒸散模型的重要手段,本发明使用修正的混合型线性双源遥感蒸散模型反演实际蒸散,此模型简单、易操作;同时利用Hargreaves公式估算潜在蒸散,由得到的蒸散结果分析蒸散的时间以及空间变化趋势,并对造成此种趋势的具体原因进行简单分析。
本发明将采用近15年的气象站点数据和MODIS的NDVI产品以及实际蒸散产品数据,结合混合型线性双源遥感蒸散模型和Hargreaves公式分析四川省的实际蒸散和潜在蒸散的变化趋势。
3、计算蒸散干旱指数并进行四川省干旱监测
蒸散的变化与地表干旱之间具有非常密切的关系。对地表蒸散的估算是进行干旱监测的基础,本发明通过计算蒸散干旱指数,把地表蒸散、干旱以及土壤含水量三者之间关系起来。分析了四川省近15年来EDI值的时空动态变化趋势,并结合EDI、PDSI和TVDI的变化趋势对干旱变化的原因和结果进行初步探讨,进而实现干旱监测。
(1)蒸散干旱指数(EDI)的计算
根据蒸散胁迫指数ESI的机理,有蒸散干旱指数(Evaporative drought index,EDI)的表达式,如下所示:
其中,PET和ET分别通过式(1)和式(19)得到。理论上,EDI的取值范围为0-1,其中EDI值越接近1,表明越干旱;值越接近于0,表明越湿润。
(2)EDI用于干旱监测的可行性分析
如图4所示,本发明实施例提供的四川省EDI与PDSI的四季相关系数示意图。(a:春季;b:夏季;c:秋季;d:冬季)
根据式(20)计算出来四川省的EDI,将EDI与经过处理的PDSI产品进行相关分析,且与温度植被干旱指数TVDI进行相关分析,说明EDI的计算精度与可行性,计算公式为:
式(21)中,Mi与Pi分别为不同年份的相同月份的帕尔默干旱指数PDSI(或温度植被干旱指数TVDI)与对应的蒸散干旱指数(EDI),n为样本容量即这里为所能够获得或计算的PDSI或者TVDI的年限,R的取值为[-1-1],越接近1,表示呈现的正相关性越明显;越接近于-1,表示呈现负相关性越明显;越接近0,表示不明显的相关性
1)EDI与PDSI产品相关性分析
PDSI是一种基于温度、降水和土壤类型的干旱指数,最初由帕尔默提出,帕尔默干旱指数可以较好的评估一段时间内某一地区对气候适宜水分的需求度,该指数正值代表湿润,反之,负值代表干旱。采用PDSI全球数据集(分辨率为2.5°×2.5°),应用GIS软件进行重采样、裁剪等相关处理,获得了与EDI相同分辨率的四川省PDSI数据集。
四川省EDI与PDSI的四季相关系数分布图表明:在表征干旱程度上,PDSI的数值与EDI值表征方式相反,因此二者的相关系数呈现负相关,综合来看,川西高原区相关性要明显高于川东盆地区;春季,相关性较好的地区没有集中分布;夏季,相关性较好的地区集中在阿坝州西北部以及川南的凉山州南部以及攀枝花;秋季相关性最好;冬季相关性较好的地区集中分布在阿坝州以及甘孜州的大部分地区,以及雅安、眉山和乐山的部分地区。
2)EDI与TVDI干旱指数相关性分析
近年来,利用植被指数和地表温度反演地表水分,进而反映地表干旱的方法被广泛应用,当土壤含水量达到较低值时,植被会因缺水而干枯。植被指数和地表温度在单一反演地表干旱过程中都存在一定的局限性,因此有学者开始使用NDVI与LST相结合建立特征空间。
如图5所示,本发明实施例提供的NDVI-LST特征空间示意图。
如图6所示,本发明实施例提供的简化的NDVI-LST特征空间示意图。
NDVI与LST之间有着明显的负相关关系,图中的梯形区域非常明确的强调了此种关系,呈现了两者之间的理想区域;梯形的四个点(A、B、C、D)说明了空间的极端情况,A点位置NDVI值最小,而地表温度相对较低,代表着湿润的裸土,B点的NDVI值与A点一样,但地表温度相对较高,代表着干燥的裸土。C点极高的NDVI和较低的地表温度,则代表了植被覆盖度高、土壤湿润冠层;而D点则代表了植被覆盖度高、但土壤干燥的干燥冠层。梯形的BD边代表土壤干燥的“干边”,AC表示土壤湿润的“湿边”。
而Price、Carlson、William等通过分析得到,当NDVI和LST变化到一定程度时,即变化范围较大时,NDVI—LST散点图会以三角形的形式分布。所以Price等相关学者简化了NDVI-LST特征空间。在简化后的特征空间中仍具有原特征空间的极端情况,Sandholt基于简化后的特征空间提出了温度植被干旱指数(TVDI),用于干旱的相关监测。
TVDI的公式如式(2)所示,其中Ts为某一象元的地表温度,Tsmin为某一象元所对应的最低地表温度,Tsmax则是某一象元对应的最高地表温度。a1、b1为干边拟合参数,a2、b2为湿边拟合参数。TVDI取值范围为0到1,值越大代表干旱程度越严重,值越小代表越湿润。以TVDI作为干旱分级指标,将干旱划分为5级,分别是:湿润(0<TVDI<0.2)、正常(0.2<TVDI<0.4)、轻旱(0.4<TVDI<0.6)、中旱(0.6<TVDI<0.8)和重旱(0.8<TVDI<1.0)。
Tsmax=a1+b1*NDVI (24)
Tsmax=a2+b2*NDVI (25)
利用裁剪出的四川省MODIS月合成归一化植被指数数据NDVI和地表温度LST数据,计算得到TVDI,并与EDI干旱指数建立相关性分析,旨在验证蒸散干旱指数EDI用于干旱监测的可行性。
如图7所示,本发明实施例提供的四川省EDI与TVDI的四季相关系数示意图。(a:春季;b:夏季;c:秋季;d:冬季)
四川省EDI与TVDI的四季相关系数分布图表明:EDI与TVDI相关系数总体呈正相关,综合来看,夏季与冬季的相关性优于春季和秋季,春季,川西的相关性更好;夏季,川东盆地部分地区与川西高原的过渡带相关性更好;秋季,川东盆地部分区域的相关性更好;就全年而言,冬季的整体相关性最好。一定程度上说明了改进后的混合双源线性遥感模型与温度植被干旱指数间变化趋势存在较好的一致性。
3)EDI与土壤湿度数据的相关性分析
土壤湿度决定着农作物的水分供应,是旱情监测中的重要指标,当受到水分胁迫土壤湿度低于某一临界值时,就会受到干旱威胁。因此分析EDI与土壤湿度之间的关系是非常必要的。由于能够获得的土壤湿度实测数据有限,且不同土壤类型具有不同的含水阈值,不同的植物生长季需水量也不同,因此将下载的土壤数据整理和统计,用土壤湿度作为验证数据分别与所得到的EDI结果建立对应关系,分别得到了2006年和2009年土壤表层10cm和20cm相对湿度与EDI的相关系数如表3所示。
表3:EDI与10cm及20cm土壤湿度相关系数
时间 | 10cm土壤相对湿度 | 20cm土壤相对湿度 |
2006年1月 | 0.48 | 0.70 |
2006年2月 | 0.72 | 0.36 |
2006年3月 | -0.54<sup>*</sup> | 0.17<sup>*</sup> |
2006年4月 | 0.22 | 0.28 |
2006年5月 | -0.18 | 0.68 |
2006年6月 | -0.25<sup>**</sup> | -0.16<sup>*</sup> |
2006年7月 | 0.25<sup>*</sup> | 0.20 |
2006年8月 | -0.45<sup>*</sup> | -0.26<sup>*</sup> |
2006年9月 | -0.02 | -0.09 |
2006年10月 | -0.45<sup>*</sup> | -0.05 |
2006年11月 | 0.58<sup>*</sup> | -0.08<sup>*</sup> |
2006年12月 | -0.22<sup>*</sup> | 0.56 |
2009年1月 | -0.14 | -0.08 |
2009年2月 | -0.20 | -0.13 |
2009年3月 | -0.17 | 0.05 |
2009年4月 | -0.39<sup>**</sup> | -0.24<sup>*</sup> |
2009年5月 | 0.25 | -0.38<sup>*</sup> |
2009年6月 | -0.20<sup>**</sup> | 0.04 |
2009年7月 | 0.09 | / |
2009年8月 | / | / |
2009年9月 | -0.21 | / |
2009年10月 | 0.19 | -0.17 |
2009年11月 | -0.31<sup>*</sup> | 0.13 |
2009年12月 | -0.18 | 0.1 |
*,**代表通过0.1,0.05的置信度检验
当土壤湿度低于某一临界值时,农作物在此时会因为缺少水分供应而受到干旱威胁,即在湿度值降低时,作物越易发生干旱;而EDI干旱指数越大,表示干旱状况更加严重,因此在相关系数上表现为湿度值与EDI干旱指数呈负相关。表1表明10cm土壤相对湿度较20cm土壤相对湿度与EDI的相关性更好,且正相关系数明显要少,最大负相关系数为0.54,出现在2006年3月。2006年是四川历史上干旱非常严重的年份,在春季,地表迅速回温,但降水量却很少,无法满足地表植被生长的正常需要,致使干旱发生;而夏季降水更是达到了近60年来的最低点,与此同时高温天气持续时间也达到了历史高点,因此干旱程度愈加严重,受灾农作物范围进一步扩大,严重影响了农业生产。
结果:从蒸散干旱指数的计算及其对干旱的可行性监测两方面开展,首先在得到了实际蒸散和潜在蒸散的前提下计算蒸散干旱指数(EDI),并就蒸散干旱指数的机理性质进行了详细说明;其次将计算的蒸散干旱指数(EDI)与帕尔默干旱产品(PDSI)、温度植被干旱指数(TVDI)以及土壤墒情数据进行相关性分析,以此来评价EDI在干旱监测中的可行性。从EDI分别与PDSI和TVDI的相关系数空间分布图中可以看出,四川各地区相关系数都有区别,这也说明了不同的干旱指数具有不同的适用性,下一步分析中,可以根据下垫面类型和各种分区(气象分区、土壤类型、农作物分区、森林类型分区等)进行精细化研究。整个四川省只有26个土壤湿度监测台站,且台站全部分布在川东地区,分布极不均匀,因此会出现个别月份的EDI指数和土壤湿度的相关性较低。由于可得到的实测土壤湿度数据较少,后面分析中应开展实测数据采集,通过野外采集更密集的土壤湿度数据来验证EDI,进而更准确的说明其可行性。综合来看,EDI指数用于四川省干旱监测具有一定的可行性。综合本发明反演实际蒸散和潜在蒸散的方法,如果要基于EDI进行分析区干旱的预测预报,需要获得分析区的各种气象因子(平均气温、最高和最低气温、水汽压)预报数据和实时的植被指数数据。
4、四川省近15年的蒸散变化特征分析
(1)四川省近15年的蒸散变化特征分析
基于行政区划的实际蒸散变化特征分析
基于地貌分区的实际蒸散变化特征分析
(2)四川省近15年潜在蒸散变化特征分析
基于行政区划的潜在蒸散变化特征分析
基于地貌分区的潜在蒸散变化特征分析
(3)结果:
基于行政区划以及地貌分区对四川省的实际蒸散和潜在蒸散进行相关分析,分析发现:近15年来四川省实际蒸散呈现减少趋势,实际蒸散量蒸发强烈地区集中在川东盆地的各市;而潜在蒸散近15年间波动变化不大,在空间上春、秋、冬三季呈现出明显的南多北少的分异特征,而夏季呈现东多西少的分异规律。经分析发现,实际蒸散与潜在蒸散量在时空上的演进趋势与四川省的降水以及气温变化存在一定关系。
5、四川省近15年的干旱变化特征分析
(1)基于PDSI指数的四川省干旱变化特征分析
(2)基于TVDI指数的四川省干旱变化特征分析
(3)基于EDI指数的四川省干旱变化特征分析
(4)三种干旱指数在四川省干旱监测中的比较
结果:分别获得干旱产品PDSI以及温度植被干旱指数TVDI,并进行干旱特征分析;其次,对求得的EDI指数年际趋势以及变化特征进行详细分析;最后就特殊年份三种指数干旱监测结果的空间特征进行对比,分析三种干旱指数的干旱变化趋势是否一致,进而说明不同干旱指数监测结果的异同,进一步说明本发明使用的蒸散干旱指数(EDI)的可行性。
6、四川省地表蒸散发布系统的构建
在WebGIS技术支持下,将四川省的地表蒸散数据实现网络发布,该系统较原有的文献管理手段更加先进,且易于管理,在可操作性以及时效性上都有较大进步。通过该系统可以将地表蒸散反演数据以图的方式显现出来,便于用户查询,使地表蒸散数据达到了可视化;此外,地表蒸散发布系统可用于各种客户端。实现多样的地图操作,同时对于有需要的用户,可以实现下载以及打印地图等功能,能够让用户快速方便地获得四川省地表蒸散变化情况,为广大用户和管理部门提供服务,尤其为农业生产以及农业灌溉提供建设性的指导意见。
基于ESRI公司的WebGIS平台ArcGIS Server,设计并实现了四川省地表蒸散发布系统。整个系统由用户终端(即浏览器)、GIS服务器、Web服务器以及数据服务器组成。地理空间数据和气象数据都保存在数据服务器中,GIS服务器和Web服务器协同工作完成数据传递和数据处理,最终在用户端展示出可视化的地表蒸散结果,实现对四川省地表蒸散信息的共享与发布展示。
如图8所示,本发明实施例提供的系统的基本架构示意图。
(1)系统结构设计
系统的基本架构如下。空间数据通过ESRI Geodatabase存储和管理,属性数据通过Microsoft SQL Server数据库存储,前端采用jQuery EasyUI框架。EasyUI是一组基于jQuery的UI插件集合,提供了丰富的功能、强大且美观的UI插件,风格简洁符合系统需求。同时使用ArcGIS API forJavaScript完成地图展示,基于ArcGIS Server的GIS服务器实现模型计算等功能,后端采用ASP.Net动态网页技术开发。
(2)系统功能设计
系统的功能模块如下:
该系统遵循简洁易用的原则,为用户提供必要的功能,主要包括:
地图展示功能。这部分功能主要包括对四川省气象站点数据、基础数据以及蒸散发数据进行展示。通过地图展示功能为用户提供必要的空间信息。
地图控制功能。提供地图的基本操作功能,包括地图放大、地图缩小、全图显示、上一视图、下一视图、地图平移、中心放大和中心缩小等功能。
蒸散发量计算功能。四川省地表蒸散发监测系统集成了蒸散发量的遥感计算模型,用户通过客户端输入相关信息(如时间和范围),系统便自动调取后台数据库中相应的数据,计算出相应的蒸散发量,并为用户提供下载功能。
气象数据查询功能。用户可查询到后台数据库所提供的四川省月最高气温、月最低气温、月平均气温和月净全辐射四类气象数据。
数据统计功能。用户可以将查询得到的气象数据以更为直观的电子表格或者统计图的方式进行展示,并为用户提供统计图下载功能。其操作流程与气象数据查询类似,不同之处在于最终返回的结果是绘制而成的统计图。
数据上传功能。考虑到后台数据库的更新频率可能无法及时满足用户的需求,数据上传是在用户无法在后台数据中找到所需要的数据的情况下,用户可以通过上传已有的且符合系统数据格式的数据至后台的数据服务器。
从系统的设计目标和设计原则出发,完成系统的结构设计和功能设计,明确数据的组织方式,形成四川省地表蒸散发布系统的设计方案。在构建四川省地表蒸散发布系统的过程中,完成了系统数据库的建设工作,在此基础上,实现地图展示、图层控制及地图操作等功能;实现蒸散量的实时计算,并为用户提供数据的上传和下载等功能;实现了空间数据和属性数据的查询、统计功能。最终按照事先设计的功能实现了一个较完整的系统,达到了系统的设计目标。
7、总结果:
(1)反演得到了四川省近15年的实际蒸散。利用改进的混合型线性双源遥感蒸散模型,反演得到了四川省近15年实际蒸散量,结果表明:四川省近15年的实际蒸散量呈减少趋势,夏秋季的实际蒸散量要大于春冬季;并基于四川省的区划以及地貌分区展开讨论,发现实际蒸散量蒸发较大地区集中在川东盆地各市,尤其宜宾,泸州等地蒸散量较大,而川西高原较小。
(2)估算得到了四川省近15年的潜在蒸散。利用四川省近15年的平均温度、最高温度以及最低温度数据,使用Hargreaves公式估算得到了四川省2001-2015年的潜在蒸散量,发现四川省近15年来潜在蒸散变化趋于平稳,无明显波动,夏季的潜在蒸散量最多,其次为秋季、春季,冬季最少;空间分布上,潜在蒸散呈现出南多北少、东多西少的分异规律。
(3)计算蒸散干旱指数(EDI)。利用实际蒸散和潜在蒸散求得蒸散干旱指数,利用土壤湿度数据验证EDI用于干旱监测的可行性,并进一步将代表年份2006年的EDI与PDSI和TVDI进行了对比分析,发现三种干旱指数都能较好地对干旱进行监测;结果表明:蒸散干旱指数可以用于四川省的干旱监测,且近15年来EDI值总体呈现上升趋势,尤其春季和冬季的上升程度较明显,从侧面说明了四川省为春旱和冬旱的易发地;在空间分布上,EDI值具有明显的由四川东部或者东南地区向西部或西北地区递增的趋势。
(4)基于互联网+和GIS技术实现了四川省地表蒸散数据的网络发布,该系统较原有的文献管理手段更加先进,且易于管理,在可操作性和时效性上都有较大进步。在构建四川省地表蒸散发布系统的过程中,完成了四川气象、多源遥感数据和空间地理数据的采集,根据系统功能对数据做了科学的处理,完成了系统数据库建设;实现了地图展示功能,且用户可实现对地图的基本操作功能。实现了蒸散量的实时计算,并为用户提供数据上传、成果数据下载、地图属性数据查询、地图属性数据的统计与统计图的输出等功能,最终得到了高效的蒸散量监测系统,使用户方便、快捷地获得四川省地表蒸散变化情况,进而为广大用户和管理部门提供服务。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种蒸散Web发布控制系统,其特征在于,所述蒸散Web发布控制系统包括:
地图展示模块,用于实现气象站点数据、基础地理数据以及蒸散发数据展示,通过地图展示功能提供空间信息;
地图控制模块,用于实现地图放大、地图缩小、全图显示、上一视图、下一视图、地图平移、中心放大和中心缩小功能;
蒸散发量计算模块,用于通过客户端输入相关信息,自动调取后台数据库中相应数据,计算出相应的蒸散发量,并提供下载功能;
气象数据查询模块,用于查询到后台数据库所提供的月最高气温、月最低气温、月平均气温和月净全辐射四类气象数据;
数据统计模块,用于将查询得到的气象数据以电子表格或者统计图的方式进行展示,并提供统计图表的下载功能;
数据上传模块,用于当在后台数据库中无法找到所需的数据时,可上传已有的且符合系统数据格式的数据至后台的数据服务器。
2.如权利要求1所述的蒸散Web发布控制系统,其特征在于,所述蒸散Web发布控制系统的空间数据通过ESRI Geodatabase存储和管理,属性数据通过Microsoft SQL Server数据库存储,前端采用jQuery EasyUI框架;EasyUI是一组基于jQuery的UI插件集合;使用ArcGIS API for JavaScript完成地图展示,基于ArcGIS Server的GIS服务器实现模型计算等功能,后端采用ASP.Net动态网页技术开发。
3.一种运行权利要求1~2任意一项所述蒸散Web发布控制系统的蒸散Web发布控制方法,其特征在于,所述蒸散Web发布控制方法包括:
地图展示功能提供空间信息;
实现地图放大、地图缩小、全图显示、上一视图、下一视图、地图平移、中心放大和中心缩小功能;
通过客户端输入相关信息,自动调取后台数据库中相应数据,计算出相应的蒸散发量,并提供下载功能;
查询到后台数据库所提供的月最高气温、月最低气温、月平均气温和月净全辐射四类气象数据;
将查询得到的气象数据以电子表格或者统计图的方式进行展示,并提供统计图表的下载功能;
当在后台数据库中无法找到所需的数据时,可上传已有的且符合系统数据格式的数据至后台的数据服务器。
4.如权利要求3所述的蒸散Web发布控制方法,其特征在于,所述蒸散Web发布控制方法还包括:通过地图展示功能提供空间信息,将需要展示的地图在ArcMAP中配置完成,并通过ArcGIS Sever将配置好的地图文档发布成地图服务,发布成功之后地图服务提供相应的数据接口;创建多种类型的图层,不同类型的服务对应不同类型的图层,根据需要系统发布的是2D动态地图服务,使用layer类中提供的创建图层的方法,调用在Arcgis Sever中发布的地图服务提供的REST URL创建一个地图图层,再使用map对象提供的addlayer方法将创建的地图图册加载到map对象中,完成地图展示功能;
地图的控制通过ArcGIS API for JavaScript提供了一个Navigation类实现地图的基本操作,创建一个Navigation对象与Map对象绑定,Navigation提供了Toolbar的所有功能,对按钮绑定对应的事件,放大功能通过调用Navigation对象的ZOOM_IN方法实现,缩小功能调用Navigation对象的ZOOM_OUT方法实现,全图显示调用Navigation对象的zoomToFullExtent方法实现,上一视图;下一视图分别调用zoomToPrevExtent;zoomToNextExtent两个方法,但为了功能的完备性考虑,在实现视图切换时需要判断当前状态是否已经到了第一视图或者最后一个视图,Navigation中提供了isFirstExtent,isLastExtent方法可用作判断依据;地图平移功能调用Navigation对象的PAN方法实现;地图展示中比例尺则由API中Scalebar类实现。
5.如权利要求3所述的蒸散Web发布控制方法,其特征在于,所述蒸散Web发布控制方法还包括:蒸散发量计算通过客户端输入相关信息,自动调取后台数据库中相应数据,计算出相应的蒸散发量,并提供下载功能;Arcgis for Sever中可发布地理处理服务,地理处理服务利用网络实现ArcGIS的空间分析功能;地理处理服务包含地理处理任务,通过Web应用程序获取执行任务所必须的参数数据,并对数据进行相应的处理,根据地理处理任务的预先设计返回相应类型的结果数据;创建地理处理服务,首先根据需要设计蒸散发量计算的数据处理模型,确定整个数据的处理过程,然后在ArcGISDesktop中Modelbuilder中建立处理模型,模型的输入参数和输出参数就是地理处理任务参数,模型运行成功之后,将其通过ArcGIS Sever发布为一个地理处理服务,发布完成之后即可通过ArcGIS API forJavaScript中提供的Geoprocessor类创建地理处理对象,利用the ArcGIS Server RESTAPI中提供的地理处理服务的接口,创建一个地理处理任务,通过前端将系统中空间数据库中的数据包括空间数据,属性数据以模型参数传递给地理处理任务,地理处理任务在GIS服务器中完成对数据处理,发布服务设置查看处理结果可同时生产一个地图服务,通过调用这个地图服务查看处理结果;
气象数据查询的实现用到Ajax和ASP.Net,Ajax技术实现局部刷新,ASP.Net则将Datatable解析为json序列的技术;首先在前端使用jQuery获取用户输入的查询信息,通过Ajax将输入信息以参数形式传递后台处理程序,后台处理程序首先执行搜索,从空间数据库中查询出对应年份月份的气象数据,存放在DataTable中,然后再从DataTable提取出各行各列的字段以及字段值,按照json的格式,放置在一个可变的字符序列中,最终这个字符序列返回到前端;前端接收到返回的结果后将其序列化成一个json对象,最后利用EasyUI中Datagrid组件,将json作为数据源绑定给Datagrid,最终查询的结果数据以电子表格的形式在浏览器端展示;
数据统计的参数通过ajax传递至后台处理程序,程序根据参数信息查询出相应的数据,查询结果暂时存放在DataTable中,再提取出DataTable各个字段和字段值,将其转换成一个json字符串,不同的是根据图表统计插件的要求,在字符串转换的过程中,字段值的格式与插件中对应的数据源格式一致,最后返回至前端,前端将字符串序列化成json对象;统计图生成用到的是EasyUI框架以外的插件ECharts;创新的拖拽重计算、数据视图、值域漫游等特性大大增强了用户体验,赋予了用户对数据进行挖掘、整合的能力;根据功能需求,系统使用了Echarts中的柱状图统计功能;通过将json对象中的字段以参数形式传递给插件作为数据源,实现数据动态的显示;最后客户端显得的是一个直观的柱状统计图;
数据上传通过DropzonJS实现,与ASP.net技术结合,ASP.Net中HttpPostedFile对象提供了已上传文件的单独访问,HttpContext可获取到服务器路径,通过这两个对象实现文件保存。
6.一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行权利要求任意一项所述包括下列步骤:
地图展示功能提供空间信息;
实现地图放大、地图缩小、全图显示、上一视图、下一视图、地图平移、中心放大和中心缩小功能;
通过客户端输入相关信息,自动调取后台数据库中相应数据,计算出相应的蒸散发量,并提供下载功能;
查询到后台数据库所提供的月最高气温、月最低气温、月平均气温和月净全辐射四类气象数据;
将查询得到的气象数据以电子表格或者统计图的方式进行展示,并提供统计图表的下载功能;
当在后台数据库中无法找到所需的数据时,可上传已有的且符合系统数据格式的数据至后台的数据服务器。
7.一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施如权利要求3所述的蒸散Web发布控制方法。
9.一种应用权利要求8所述改进混合型线性双源遥感蒸散模型的环境测定平台。
10.一种应用权利要求8所述改进混合型线性双源遥感蒸散模型的土壤干旱监测平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110139355.9A CN112988926A (zh) | 2021-02-01 | 2021-02-01 | 一种改进混合型线性双源遥感蒸散模型及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110139355.9A CN112988926A (zh) | 2021-02-01 | 2021-02-01 | 一种改进混合型线性双源遥感蒸散模型及其应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112988926A true CN112988926A (zh) | 2021-06-18 |
Family
ID=76346091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110139355.9A Pending CN112988926A (zh) | 2021-02-01 | 2021-02-01 | 一种改进混合型线性双源遥感蒸散模型及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112988926A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131125A (zh) * | 2023-10-23 | 2023-11-28 | 瀚高基础软件股份有限公司 | 数据库管理工具的空间栅格数据可视化系统、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107004040A (zh) * | 2014-09-10 | 2017-08-01 | 气象预报公司 | 可定制的天气分析系统 |
CN110674467A (zh) * | 2019-09-24 | 2020-01-10 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于swat模型的水文过程对气候变化的响应监测方法 |
CN111241222A (zh) * | 2020-01-07 | 2020-06-05 | 珠海格力电器股份有限公司 | 地图信息展示方法、存储介质及电子设备 |
-
2021
- 2021-02-01 CN CN202110139355.9A patent/CN112988926A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107004040A (zh) * | 2014-09-10 | 2017-08-01 | 气象预报公司 | 可定制的天气分析系统 |
CN110674467A (zh) * | 2019-09-24 | 2020-01-10 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于swat模型的水文过程对气候变化的响应监测方法 |
CN111241222A (zh) * | 2020-01-07 | 2020-06-05 | 珠海格力电器股份有限公司 | 地图信息展示方法、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
柳锦宝: ""基于改进线性双源遥感蒸散模型的四川省干旱监测研究"", 《中国博士学位论文全文数据库基础科学辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131125A (zh) * | 2023-10-23 | 2023-11-28 | 瀚高基础软件股份有限公司 | 数据库管理工具的空间栅格数据可视化系统、设备及介质 |
CN117131125B (zh) * | 2023-10-23 | 2024-02-02 | 瀚高基础软件股份有限公司 | 数据库管理工具的空间栅格数据可视化系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Steiger et al. | A reconstruction of global hydroclimate and dynamical variables over the Common Era | |
Kussul et al. | A workflow for Sustainable Development Goals indicators assessment based on high-resolution satellite data | |
Tateishi et al. | Analysis of phenological change patterns using 1982–2000 Advanced Very High Resolution Radiometer (AVHRR) data | |
Zhang et al. | Multi-decadal trends in global terrestrial evapotranspiration and its components | |
Shiff et al. | Worldwide continuous gap-filled MODIS land surface temperature dataset | |
Houghton et al. | Annual fluxes of carbon from deforestation and regrowth in the Brazilian Amazon | |
Tucker et al. | Sub-continental-scale carbon stocks of individual trees in African drylands | |
Feng et al. | Net primary productivity of China's terrestrial ecosystems from a process model driven by remote sensing | |
Zhu et al. | Analysis of remotely-sensed ecological indexes' influence on urban thermal environment dynamic using an integrated ecological index: a case study of Xi’an, China | |
Peng et al. | Determinants of the ratio of actual to potential evapotranspiration | |
Heinsch et al. | Gpp and npp (mod17a2/a3) products nasa modis land algorithm | |
Fan et al. | Reconstruction of MODIS land-surface temperature in a flat terrain and fragmented landscape | |
Yu et al. | Modelling long-term water yield effects of forest management in a Norway spruce forest | |
Ju et al. | Prediction of summer grain crop yield with a process-based ecosystem model and remote sensing data for the northern area of the Jiangsu Province, China | |
Wei et al. | Spatial–temporal variations of NDVI and its response to climate in China from 2001 to 2020 | |
Li et al. | Mapping karst rocky desertification using Landsat 8 images | |
Koju et al. | Analysis of spatiotemporal dynamics of forest Net Primary Productivity of Nepal during 2000–2015 | |
Li et al. | Evaluation of the version 5.0 global land surface satellite (GLASS) leaf area index product derived from MODIS data | |
Wei et al. | Selecting the optimal NDVI time-series reconstruction technique for crop phenology detection | |
Qu et al. | A dynamic Bayesian network data fusion algorithm for estimating leaf area index using time-series data from in situ measurement to remote sensing observations | |
Xie et al. | A fine spatial resolution estimation scheme for large-scale gross primary productivity (GPP) in mountain ecosystems by integrating an eco-hydrological model with the combination of linear and non-linear downscaling processes | |
Das et al. | Above ground biomass carbon assessment using field, satellite data and model based integrated approach to predict the carbon sequestration potential of major land use sector of Arunachal Himalaya, India | |
Awaya* et al. | Estimation of the global net primary productivity using NOAA images and meteorological data: changes between 1988 and 1993 | |
Rampheri et al. | Use of remotely sensed data to estimate tree species diversity as an indicator of biodiversity in Blouberg Nature Reserve, South Africa | |
Li et al. | A large-scale, long time-series (1984‒2020) of soybean mapping with phenological features: Heilongjiang Province as a test case |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210618 |