CN113112081B - 一种落叶松人工林两种土壤属性的时间序列估算方法 - Google Patents
一种落叶松人工林两种土壤属性的时间序列估算方法 Download PDFInfo
- Publication number
- CN113112081B CN113112081B CN202110432126.6A CN202110432126A CN113112081B CN 113112081 B CN113112081 B CN 113112081B CN 202110432126 A CN202110432126 A CN 202110432126A CN 113112081 B CN113112081 B CN 113112081B
- Authority
- CN
- China
- Prior art keywords
- larch
- forest
- model
- artificial forest
- parameters
- 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
- 241000218652 Larix Species 0.000 title claims abstract description 70
- 235000005590 Larix decidua Nutrition 0.000 title claims abstract description 70
- 239000002689 soil Substances 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 31
- 241000894007 species Species 0.000 claims abstract description 32
- 230000012010 growth Effects 0.000 claims abstract description 20
- 238000009826 distribution Methods 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 10
- 238000010586 diagram Methods 0.000 claims abstract description 6
- 230000035790 physiological processes and functions Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 230000029553 photosynthesis Effects 0.000 claims description 5
- 238000010672 photosynthesis Methods 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 239000002028 Biomass Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000001932 seasonal effect Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 210000000481 breast Anatomy 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003306 harvesting Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 230000005068 transpiration Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000035558 fertility Effects 0.000 description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 208000005156 Dehydration Diseases 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001651 autotrophic effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process 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
- 239000003607 modifier Substances 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种落叶松人工林两种土壤属性的时间序列估算方法，包括以下步骤：确定林场级3PG模型的落叶松人工林树种参数，设置立地参数和气候数据；获取覆盖林区的每年LAImax分布图；基于3PG模型反演，进行ASWC和FR值估算；得到林场适应落叶松人工林的ASWC和FR逐年时间序列分布图。本发明所述的一种落叶松人工林两种土壤属性的时间序列估算方法，得到落叶松人工林两种土壤属性的时间序列产品，包含有关土壤属性的高时间分辨率信息，能够使模型在测量误差范围内预测落叶松人工林的年度增长，预测的生产力占测量变化的70％以上，时间和空间更精确和更具有制图一致性的土壤属性制图产品有助于落叶松林分生长量动态预测。
Description
技术领域
本发明涉及林学和森林经理学领域，特别涉及一种落叶松人工林两种土壤属性的时间序列估算方法。
背景技术
预测林分生产力，对于人工林树种选择、森林经营、人工林质量提升以及气候变化下木材产量、碳储量预估均有重要应用价值。在气候，立地条件及生理过程模拟的森林生长模型、陆地植被生长或生产活动精准连续建模和区域尺度森林生物量和碳储量计算中，许多参数和变量的获取已经有低成本且有效的方法，但是连续获取森林土壤时间序列属性一直是个难题。
森林土壤属性影响森林生产力，这些生产力驱动因子及其驱动效应因树种而异，且尺度依赖性潜在地使这些关系复杂化。土壤因子的模型有效性受到尺度的限制，小尺度上土壤因子模型需要高分辨率的信息，以捕捉短距离内变量的变异性，而大尺度上则较低分辨率的信息即足以表征其变异性。
当前林分生产力建模常用的土壤地图是联合国粮农组织和维也纳国际应用系统研究所构建的世界土壤数据库(Harmonized World Soil Database version 1.1)(HWSD)，它以1：5000000比例尺汇编了现有的地区和国家土壤信息，具有1公里空间分辨率(30弧秒)。土壤中的大多数异质性都被掩盖了，而且该数据库几十年都不更新，无法反映植被生长、气候变化对土壤的影响。因为这种土壤地图时间尺度太粗，对建模用处有限，多数区域和全球范围的森林生产力评估都忽略土壤属性的变化。
如果从野外调查直接获取森林土壤属性，设置样地，土壤样品通常采取分层取样，实验室检测，耗时耗力，成本高，实际应用中无法这样做来作为模型的输入为此，我们提出一种落叶松人工林两种土壤属性的时间序列估算方法。
发明内容
本发明的主要目的在于提供一种落叶松人工林两种土壤属性的时间序列估算方法，可以有效解决背景技术中的问题。
为实现上述目的，本发明采取的技术方案为：
一种落叶松人工林两种土壤属性的时间序列估算方法，包括以下步骤：
(1)、确定林场级3PG模型的落叶松人工林树种参数，设置立地参数和气候数据；
(2)、获取覆盖林区的每年LAImax分布图；
(3)、基于3PG模型反演，进行ASWC和FR值估算；
(4)、得到林场适应落叶松人工林的ASWC和FR逐年时间序列分布图。
优选的，步骤(1)中确定林场级3PG模型的落叶松人工林树种参数，设置立地参数和气候数据的步骤如下：
①、生理过程模型采用3PG模型；
②、确定3PG模型中落叶松人工林树种参数；
③、设置研究区的落叶松人工林的适宜生长温度；
④、气候表面数据采用气候数据降尺度工具ClimateAP。
优选的，步骤①中3PG模型计算月尺度的总光合作用、蒸腾作用、生长分配和产生的凋落物产量，通过逐步提高土壤水分平衡来考虑到前几个月和年降水量的不足，在年度时间步长中，该模型将树木株数、平均直径、林分断面积、地上体积和生物量以及LAI的变化值的月度变化相加。
优选的，步骤②中的落叶松人工林树种参数根据当地的常规林业收获表和之前的生理学观察研究得到的异速数据确定，使用文献中记载的参数，落叶松人工林树种参数需要进行校正，校正时判断引入落叶松人工林树种参数的3PG模型输出的样地平均胸径、生长量以及蓄积量值是否和样地实测值一致，精度达到80％以上时将该落叶松人工林树种参数确定为后面3PG模型计算中的落叶松人工林树种参数。
优选的，步骤④中气候数据降尺度工具ClimateAP提取并降尺度PRISM和WorldClim多个基准时期的月气候数据：2.5×2.5弧分钟，4×4千米，以产生基于纬度、经度和海拔的位置空间分辨率可达10米级像元的季节和年度气候变量，把ClimateAP得到的气候变量作为3PG模型输入，气候变量的最大空间分辨率可设置为20米×20米。
优选的，步骤(2)中获取覆盖林区的每年LAImax分布图的具体步骤如下所示：
A、从MODISCollection 5LAI MOD15A2全球产品获得的叶面积指数中提取月年LAImax，作为3PG模型中月年LAImax实测值；
B、利用Savitzky-Golay滤波去除MOD15A2 v5 LAI时序数据中的噪声；
C、计算出2000年至今每年的最大年LAImax，对这段时间内每个像素的这些值进行平均。
优选的，步骤(3)中基于3PG模型反演，进行ASWC和FR值估算时采用步骤②中校正后的落叶松人工林树种参数，气候数据采用2000年到当前年的平均每月气候数据。
优选的，步骤(3)中用基于内部反射牛顿法的信赖域内点仿射算法(TIR)在定义变量数据合理值范围内(FR＝0-1.0；ASWS＝0-400毫米)来反演最优的ASWC和FR值。
优选的，本发明使用时确定3PG模型使用地点的落叶松人工林树种参数，从MODIS卫星产品中计算每年LAImax作为实测的LAImax输入模型；然后基于3PG模型反演方法进行ASWC和FR值估算，最优ASWC和FR值的寻找过程采用基于信赖域内点仿射算法(TIR)，从变量数据合理值范围内，FR值在0-1.0之间，ASWS在0-400毫米之间，最终找到每个点与输入每年LAImax匹
配的年平均ASWC和FR值；
输入LAImax分布过于均匀，实施两步backup算法在3×3像素的移动窗口内来同时推断适当的ASWC和FR值；
最终得到林场适应落叶松人工林的ASWC和FR逐年的时间序列分布图。
与现有技术相比，本发明一种落叶松人工林两种土壤属性的时间序列估算方法具有如下有益效果：
1、本方法可以快速得到森林区1公里分辨率的土壤肥力(FR)和可利用的土壤水储存量(ASWC)时间序列数据并制图，既可以作为生理过程模型的输入，从而得到土壤属性变化对落叶松人工林林分生产力变化的精准刻画。同时也可以为林场人工林经营提供参考性数据资料；
2、本发明得到的落叶松人工林两种土壤属性的时间序列产品，由于包含了有关土壤属性的高时间分辨率信息，在基于生理过程模型正确参数化前提下，能够使模型在测量误差范围内预测落叶松人工林的年度增长，预测的生产力可以占测量变化的70％以上。时间和空间更精确和更具有制图一致性的土壤属性制图产品有助于落叶松林分生长量动态预测。
附图说明
图1为本发明一种落叶松人工林两种土壤属性的时间序列估算方法的流程框图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
实施例
一种落叶松人工林两种土壤属性的时间序列估算方法，包括以下步骤：
(1)、确定林场级3PG模型的落叶松人工林树种参数，设置立地参数和气候数据；
步骤如下：
①、生理过程模型采用3PG模型；
3PG模型的基本如下：
a、气候数据每月的时间步骤足以捕捉主要趋势；
b、每月限制光合作用的最有限变量的知识是足够；
c、自养呼吸作用(Ra)和净初级生产力(Pnet)与总光合(Pg)大致相等；
d、随着LAI超过3.0，最大冠层电导接近常数；
e、随着干旱和营养物质供应的减少，分配到根部的光合产物比例增加。
3PG模型计算月尺度的总光合作用、蒸腾作用、生长分配和产生的凋落物产量，通过逐步提高土壤水分平衡来考虑到前几个月和年降水量的不足，在年度时间步长中，该模型将树木株数、平均直径、林分断面积、地上体积和生物量以及LAI的变化值的月度变化相加。
②、确定3PG模型中落叶松人工林树种参数；
落叶松人工林树种参数根据当地的常规林业收获表和之前的生理学观察研究得到的异速数据确定，使用文献中记载的参数，落叶松人工林树种参数需要进行校正，检测所有的参数值是否符合生物物理或生物学；
校正时判断引入落叶松人工林树种参数的3PG模型输出的样地平均胸径、生长量以及蓄积量值是否和样地实测值一致，精度达到80％以上时将该落叶松人工林树种参数确定为后面3PG模型计算中的落叶松人工林树种参数。
③、设置研究区的落叶松人工林的适宜生长温度；
考虑温度最优值的季节性调整和落叶松种群间的遗传变异，通过分别设置最小值，最佳值和最大值，设置3PG模型中研究区的土壤肥力(FR)值。FR是立地特征，对同一立地所有树种都是一样的。
3PG模型中的依赖肥力的生长修正因子是土壤肥力等级FR的函数，范围是0到1，其中最贫瘠的土壤为0，高度肥沃的则为1。
设置可利用的土壤水储存量(ASWC)，范围是0到400，根据测量值或文献记录。
初始化林分初植密度为3000株每公顷落叶松幼苗，这个值可以根据实际的林分情况修改，并允许种植50年。
④、气候表面数据采用气候数据降尺度工具ClimateAP；
气候数据降尺度工具ClimateAP提取并降尺度PRISM和WorldClim多个基准时期的月气候数据：2.5×2.5弧分钟，4×4千米，以产生基于纬度、经度和海拔的位置空间分辨率可达10米级像元的季节和年度气候变量，把ClimateAP得到的气候变量作为3PG模型输入，气候变量的最大空间分辨率可设置为20米×20米。
通过假设一天中存在的水蒸气浓度等于那些将获得的水蒸气浓度来估计月平均每日大气水汽压差(VPD)，在假定平均最低温度等于平均露水温度点温度的条件下。最大值VPD是每月计算的平均最大值和最小值温度的饱和大气水汽压差值。平均白天VPD计算为三分之二最大值。每月达到次冰点温度(≤2℃)的天数由具有平均最低温度的经验方程估算。
(2)、获取覆盖林区的每年LAImax分布图；
具体步骤如下所示：
A、从MODISCollection 5LAIMOD15A2全球产品获得的叶面积指数中提取月年LAImax，作为3PG模型中月年LAImax实测值，MOD15A2从2000
年第49天开始，时间分辨率是8天，空间分辨率是1公里；
B、利用Savitzky-Golay滤波去除MOD15A2 v5 LAI时序数据中的噪声，噪声是由于云、气溶胶和地物的反射等因素的影响的，这样就对以MODIS v5LAI时间序列数据集进行了校准；
C、计算出2000年至今每年的最大年LAImax，对这段时间内每个像素的这些值进行平均，使用林场边界图裁剪出森林或林地区域的逐年的MODIS LAImax时间序列数据。
(3)、基于3PG模型反演，进行ASWC和FR值估算；
采用步骤②中校正后的落叶松人工林树种参数，气候数据采用2000年到当前年的平均每月气候数据。
本发明假设MODIS派生的LAI最大值代表每个像素的当前的生长潜力，因此FR和ASWC可以从3PG反演模型中推导出来。
3PG反演过程旨在最小化将FR和ASWC值直接代入3PG模型得到的LAImax和观测的MODISLAImax之间的差异，通过调整模型输入(FR和ASWC)迭代来达到，基于让3PG模型估计的LAImax值收敛于来自MODIS的LAImax值。设置土壤肥力在0到1之间的整个范围内变化，直接耦合到冠层量子效率(α),假设冠层量子效率在0.02和0.055mol C/mol光子(1.1-3.03gCMJ
-1)之间变化，吸收光合有效辐射。AWSC被允许在0和400毫米之间变化；
模型反演作为非线性最小化问题，根据它们最小化正向模拟(3PG模型计算的LAImax)和测量观测值(MODIS时间序列LAImax)的残差的相对效率来选择；
用基于内部反射牛顿法的信赖域内点仿射算法(TIR)在定义变量数据合理值范围内(FR＝0-1.0；ASWS＝0-400毫米)来反演最优的ASWC和FR值；
如果反演变量(LAImax)分布过于均匀，可能会产生收敛于ASWC或FR之一的最大值。为了缓解这个问题，如果它发生了，本方法实施两步backup算法在3×3像素的移动窗口内来推断ASWC和FR；迭代过程通过以下步骤实现：
Ⅰ、同时解决FR和ASWC，假设FR(0.5)和AWSC(200mm)初始值。当LAImax的估计没有收敛，接下来假设LAImax小于某个阈值的那个区域可利用的土壤水储存量可能比土壤肥力更受限制,这个阈值是根据现场测量落叶松人工林植物水分胁迫和跨研究区的LAImax值决定的。因此，解决了FR设置为0.60时的ASWC；
Ⅱ、对于LAImax大于等于上述阈值的地区，FR被指定为两种土壤性质中最重要的，并通过设定ASWC为170毫米而得出；
Ⅲ、两个土壤的敏感度较低性质是通过保持步骤1中获得的值不变而得到的。
(4)、得到林场适应落叶松人工林的ASWC和FR逐年时间序列分布图。
本发明一种落叶松人工林两种土壤属性的时间序列估算方法，本方法可以快速得到森林区1公里分辨率的土壤肥力(FR)和可利用的土壤水储存量(ASWC)时间序列数据并制图，既可以作为生理过程模型的输入，从而得到土壤属性变化对落叶松人工林林分生产力变化的精准刻画。同时也可以为林场人工林经营提供参考性数据资料；
本发明得到的落叶松人工林两种土壤属性的时间序列产品，由于包含了有关土壤属性的高时间分辨率信息，在基于生理过程模型正确参数化前提下，能够使模型在测量误差范围内预测落叶松人工林的年度增长，预测的生产力可以占测量变化的70％以上。时间和空间更精确和更具有制图一致性的土壤属性制图产品有助于落叶松林分生长量动态预测。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种落叶松人工林两种土壤属性的时间序列估算方法，其特征在于：包括以下步骤：
(1)、确定林场级3PG模型的落叶松人工林树种参数，设置立地参数和气候数据；
(2)、获取覆盖林区的每年LAImax分布图；
(3)、基于3PG模型反演，进行ASWC和FR值估算；
(4)、得到林场适应落叶松人工林的ASWC和FR逐年时间序列分布图。
2.根据权利要求1所述的一种落叶松人工林两种土壤属性的时间序列估算方法，其特征在于：步骤(1)中确定林场级3PG模型的落叶松人工林树种参数，设置立地参数和气候数据的步骤如下：
①、生理过程模型采用3PG模型；
②、确定3PG模型中落叶松人工林树种参数；
③、设置研究区的落叶松人工林的适宜生长温度；
④、气候表面数据采用气候数据降尺度工具ClimateAP。
3.根据权利要求2所述的一种落叶松人工林两种土壤属性的时间序列估算方法，其特征在于：步骤①中3PG模型计算月尺度的总光合作用、蒸腾作用、生长分配和产生的凋落物产量，通过逐步提高土壤水分平衡来考虑到前几个月和年降水量的不足，在年度时间步长中，该模型将树木株数、平均直径、林分断面积、地上体积和生物量以及LAI的变化值的月度变化相加。
4.根据权利要求2所述的一种落叶松人工林两种土壤属性的时间序列估算方法，其特征在于：步骤②中的落叶松人工林树种参数根据当地的常规林业收获表和之前的生理学观察研究得到的异速数据确定，使用文献中记载的参数，落叶松人工林树种参数需要进行校正，校正时判断引入落叶松人工林树种参数的3PG模型输出的样地平均胸径、生长量以及蓄积量值是否和样地实测值一致，精度达到80％以上时将该落叶松人工林树种参数确定为后面3PG模型计算中的落叶松人工林树种参数。
5.根据权利要求2所述的一种落叶松人工林两种土壤属性的时间序列估算方法，其特征在于：步骤④中气候数据降尺度工具ClimateAP提取并降尺度PRISM和WorldClim多个基准时期的月气候数据：2.5×2.5弧分钟，4×4千米，以产生基于纬度、经度和海拔的位置空间分辨率可达10米级像元的季节和年度气候变量，把ClimateAP得到的气候变量作为3PG模型输入，气候变量的最大空间分辨率可设置为20米×20米。
6.根据权利要求1所述的一种落叶松人工林两种土壤属性的时间序列估算方法，其特征在于：步骤(2)中获取覆盖林区的每年LAImax分布图的具体步骤如下所示：
A、从MODISCollection 5LAIMOD15A2全球产品获得的叶面积指数中提取月年LAImax，作为3PG模型中月年LAImax实测值；
B、利用Savitzky-Golay滤波去除MOD15A2 v5 LAI时序数据中的噪声；
C、计算出2000年至今每年的最大年LAImax，对这段时间内每个像素的这些值进行平均。
7.根据权利要求2所述的一种落叶松人工林两种土壤属性的时间序列估算方法，其特征在于：步骤(3)中基于3PG模型反演，进行ASWC和FR值估算时采用步骤②中校正后的落叶松人工林树种参数，气候数据采用2000年到当前年的平均每月气候数据。
8.根据权利要求1所述的一种落叶松人工林两种土壤属性的时间序列估算方法，其特征在于：步骤(3)中用基于内部反射牛顿法的信赖域内点仿射算法(TIR)在定义变量数据合理值范围内(FR＝0-1.0；ASWS＝0-400毫米)来反演最优的ASWC和FR值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110432126.6A CN113112081B (zh) | 2021-04-21 | 2021-04-21 | 一种落叶松人工林两种土壤属性的时间序列估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110432126.6A CN113112081B (zh) | 2021-04-21 | 2021-04-21 | 一种落叶松人工林两种土壤属性的时间序列估算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113112081A CN113112081A (zh) | 2021-07-13 |
| CN113112081B true CN113112081B (zh) | 2024-05-14 |
Family
ID=76719441
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110432126.6A Active CN113112081B (zh) | 2021-04-21 | 2021-04-21 | 一种落叶松人工林两种土壤属性的时间序列估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113112081B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2080771C1 (ru) * | 1993-07-27 | 1997-06-10 | Санкт-Петербургский государственный аграрный университет | Способ оценки почвенного плодородия |
| RU2200947C2 (ru) * | 2001-03-20 | 2003-03-20 | Всероссийский научно-исследовательский институт агролесомелиорации | Способ количественной оценки лесопригодности почвогрунтов |
| CN109710889A (zh) * | 2018-12-13 | 2019-05-03 | 北京林业大学 | 一种基于树木年轮精确估计森林生产力的取样方法 |
| CN109934514A (zh) * | 2019-04-03 | 2019-06-25 | 南京林业大学 | 一种基于云模型的森林土壤肥力人工智能综合评价方法 |
| CN112487701A (zh) * | 2020-10-19 | 2021-03-12 | 电子科技大学 | 一种基于Landsat时间序列建模的森林地上生物量估算方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6562490B2 (ja) * | 2016-06-20 | 2019-08-21 | 株式会社小松精機工作所 | 土壌分析装置及び土壌分析方法 |
-
2021
- 2021-04-21 CN CN202110432126.6A patent/CN113112081B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2080771C1 (ru) * | 1993-07-27 | 1997-06-10 | Санкт-Петербургский государственный аграрный университет | Способ оценки почвенного плодородия |
| RU2200947C2 (ru) * | 2001-03-20 | 2003-03-20 | Всероссийский научно-исследовательский институт агролесомелиорации | Способ количественной оценки лесопригодности почвогрунтов |
| CN109710889A (zh) * | 2018-12-13 | 2019-05-03 | 北京林业大学 | 一种基于树木年轮精确估计森林生产力的取样方法 |
| CN109934514A (zh) * | 2019-04-03 | 2019-06-25 | 南京林业大学 | 一种基于云模型的森林土壤肥力人工智能综合评价方法 |
| CN112487701A (zh) * | 2020-10-19 | 2021-03-12 | 电子科技大学 | 一种基于Landsat时间序列建模的森林地上生物量估算方法 |
Non-Patent Citations (2)
| Title |
|---|
| MACHINE LEARNING AND STATISTICAL APPROACHES USED IN ESTIMATING PARAMETERS THAT AFFECT THE SOIL FERTILITY STATUS: A SURVEY;Sareena Rose;《Second International Conference on Green Computing and Internet of Things (ICGCIoT)》;全文 * |
| 西藏人工造林作业区土壤肥力评价;罗红;《应用生态学报》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113112081A (zh) | 2021-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Adhikari et al. | Simulating future climate change impacts on seed cotton yield in the Texas High Plains using the CSM-CROPGRO-Cotton model | |
| Cienciala et al. | Tree sap flow and stand transpiration of two Acacia mangium plantations in Sabah, Borneo | |
| Irmak et al. | Hourly and daily single and basal evapotranspiration crop coefficients as a function of growing degree days, days after emergence, leaf area index, fractional green canopy cover, and plant phenology for soybean | |
| Zhu et al. | Seasonal fluctuations and temperature dependence in photosynthetic parameters and stomatal conductance at the leaf scale of Populus euphratica Oliv. | |
| CN109711102B (zh) | 一种作物灾害损失快速评估方法 | |
| Das et al. | Understanding the climate change impact on crop yield over Eastern Himalayan Region: ascertaining GCM and scenario uncertainty | |
| CN114128608B (zh) | 一种果园灌溉管理方法及系统 | |
| Ali et al. | Deep soil water deficit and recovery in alfalfa fields of the Loess Plateau of China | |
| Wang et al. | Rice yield estimation based on an NPP model with a changing harvest index | |
| CN113039908A (zh) | 一种施肥和灌溉动态决策方法及系统 | |
| Amarasingha et al. | Aligning sowing dates with the onset of rains to improve rice yields and water productivity: modelling rice (Oryza sativa L.) yield of the Maha season in the dry zone of Sri Lanka. | |
| CN110516943B (zh) | 一种基于地表温度的春灌期灌溉面积动态监测遥感方法 | |
| CN115455086A (zh) | 一种灌区农业灌溉用水量的估算方法及系统 | |
| Liu et al. | Impacts of mulching measures on crop production and soil organic carbon storage in a rainfed farmland area under future climate | |
| Wang et al. | Cotton growth model under drip irrigation with film mulching: A case study of Xinjiang, China | |
| Liu et al. | Influences of agricultural phenology dynamic on land surface biophysical process and climate feedback | |
| Tsujimoto et al. | Quantifying the GCM-related uncertainty for climate change impact assessment of rainfed rice production in Cambodia by a combined hydrologic-rice growth model | |
| Teixeira et al. | Crop water productivity in semi-arid regions: from field to large scales. | |
| CN113112081B (zh) | 一种落叶松人工林两种土壤属性的时间序列估算方法 | |
| Hu et al. | Retrieval of photosynthetic capability for yield gap attribution in maize via model-data fusion | |
| Zhou et al. | Climate change impacts assessment and developing adaptation strategies for rainfed foxtail millet in northern Shanxi, China | |
| CN112667955B (zh) | 基于遥感估算区域尺度玉米潜在产量与产量差的方法与应用 | |
| Liu et al. | Estimation and spatiotemporal variation analysis of net primary productivity in the upper Luanhe River Basin in China from 2001 to 2017 combining with a downscaling method | |
| Li et al. | Crop model data assimilation with particle filter for yield prediction using leaf area index of different temporal scales | |
| Napoli et al. | Modeling soil and nutrient runoff yields from an Italian vineyard using SWAT |
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 |