CN113569409B - 耦合气候累积效应的植被生产力模型优化方法 - Google Patents

耦合气候累积效应的植被生产力模型优化方法 Download PDF

Info

Publication number
CN113569409B
CN113569409B CN202110857572.1A CN202110857572A CN113569409B CN 113569409 B CN113569409 B CN 113569409B CN 202110857572 A CN202110857572 A CN 202110857572A CN 113569409 B CN113569409 B CN 113569409B
Authority
CN
China
Prior art keywords
vegetation
data
climate
month
npp
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
Application number
CN202110857572.1A
Other languages
English (en)
Other versions
CN113569409A (zh
Inventor
温宥越
魏祖帅
潘翠红
罗赵慧
周泉彬
冯丽晶
梁旻轩
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.)
South China Institute of Environmental Science of Ministry of Ecology and Environment
Original Assignee
South China Institute of Environmental Science of Ministry of Ecology and Environment
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 South China Institute of Environmental Science of Ministry of Ecology and Environment filed Critical South China Institute of Environmental Science of Ministry of Ecology and Environment
Priority to CN202110857572.1A priority Critical patent/CN113569409B/zh
Publication of CN113569409A publication Critical patent/CN113569409A/zh
Application granted granted Critical
Publication of CN113569409B publication Critical patent/CN113569409B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Breeding Of Plants And Reproduction By Means Of Culturing (AREA)

Abstract

本发明公开了耦合气候累积效应的植被生产力模型优化方法，具体包括以下步骤：步骤一、数据获取及预处理；步骤二、设计反演与估算；步骤三、对比分析：进行设定情景下CASA模型的精度验证，筛选并确定出最佳模型，本发明涉及植被生产力研究技术领域。该耦合气候累积效应的植被生产力模型优化方法，通过设定多种情景的方式代入到CASA模型中进行全球植被NPP的反演，并且在相同条件下利用原始情景条件代入到CASA模型中进行全球植被NPP反演的结果作为对比，有效验证出设定情境下是否能够提高全球植被NPP的反演精度，从而根据验证耦合气候累积效应能否对CASA模型的有效优化，进而有效提高在进行全球陆地植被NPP估算精度，保证研究结论的可靠性。

Description

耦合气候累积效应的植被生产力模型优化方法
技术领域
本发明涉及植被生产力研究技术领域，具体为耦合气候累积效应的植被生产力模型优化方法。
背景技术
植被NPP反演模型为了建模的方便，植被的生长机理过程及其对环境因子的响应过程往往被理想化，这样利用简化了过程的植被NPP反演模型得到的结果进行相关研究，势必会增加研究结论的不可靠性，如果能找到方法尽量还原植被的生长机理过程及外界因子对植被的生长与发展的影响作用情况，那么将极大地帮助我们在全球气候变化背景下更准确地评估和监测植被NPP 的变化。
经研究表明气候因子对生态系统有极其重要的滞后及累积作用，不少研究者提出现行的陆地生产力反演模型应该把这两种气候作用考虑到模型的反演过程中去，从而更好地刻画植被对气候变化的响应过程，进而提高模型的反演结果精度，但目前而言鲜有综合考虑了气候因子滞后及累积作用的植被生产力模型出现，基于此现状，特提出耦合气候累积效应的植被生产力模型优化方法，对CASA模型进行优化，获取精度更高的模型预测结果。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了耦合气候累积效应的植被生产力模型优化方法，解决了常规植被的生长机理过程及其对环境因子的响应过程往往被理想化，且利用简化了过程的植被NPP反演模型得到的结果进行相关研究，势必会增加研究结论不可靠性的问题。
(二)技术方案
为实现上述目的，本发明提供了如下技术方案：耦合气候累积效应的植被生产力模型优化方法，具体包括以下步骤：
步骤一、数据获取及预处理：选择某地区某一时间段内的植被数据、气候数据、土地覆盖类型数据和实测NPP数据，之后对获取的数据进行预处理；
步骤二、设计反演与估算：按照设定的三种情景进行对比反演和估算，具体如下：
(1)处于平均累积作用情景，假定当前的植被生长状态受制于历史的平均气候状态，也就是假定不同历史时期的气候因子对植被生长具有相同的作用，基于此假设，将步骤一中获取的平均气候数据当作真正决定当前植被生长的气候数据，然后代入CASA模型，进行全球植被NPP的反演；
(2)处于变化累积作用情景，假定历史时期各个月份的气候因子对当前植被生长的影响程度可能不一样，此时，同样假定当前的植被生长状态受制于历史的气候状态，但认为不同历史时期的气候因子对植被生长具有不同的作用，基于此假设，将步骤一中获取的具有不同影响作用的气候数据进行累积当作真正决定当前植被生长的气候数据，然后代入CASA模型，进行全球植被NPP的反演；
(3)处于原始情景，将步骤一中获得的原始气候数据代入CASA模型并获得全球植被NPP；
步骤三、对比分析：将步骤一中的获得的全球植被NPP实测数据作为基准值，将步骤二中处于平均累积作用情景、处于变化累积作用情景和处于原始情景下获得的植被NPP结果与实测NPP结果进行对比分析，然后进行三种设定情景下CASA模型的精度验证，筛选并确定出最佳模型。
本发明进一步设置为：为了保证各结果可对比性，将CASA模型反演NPP 的过程中的重要参数，也就是最大光能利用率，统一设定为0.389gC/MJ。
本发明进一步设置为：所述步骤一中植被数据为利用装载在诺阿卫星上的先进甚高分辨率辐射仪获得的时间系列产品生产的NDVI3g数据。
本发明进一步设置为：所述步骤一中的气候数据具体包括月平均气温、月总降水量以及月总入射短波太阳辐射，对于植被数据的预处理为采用利用克里金插值把这些气象数据插值成了8km的数据。
通过采用上述技术方案，月平均气温和月总降水量来自气候研究中心提供的时间序列数据集，太阳辐射数据来源于普林斯顿大学制作的全球气象模型驱动数据集第二版，不仅可以用来确定气候因子对植被生长与发展影响的累积作用，还可以用来驱动CASA模型，并且可以保证气候数据与NDVI3g数据的空间分辨率的一致性。
本发明进一步设置为：所述步骤一中土地覆盖类型数据为基于AVHRR传感器所获得影像制作的土地覆盖数据，空间分辨率为8km。
通过采用上述技术方案，采用与NDVI3g空间分辨率相同(均为8km)及数据源一致(均来源于AVHRR传感器获得的数据)的UMD8km土地覆盖数，可以避免人为后期处理，例如重采样等，给数据带来的误差，保证数据源的一致性。
本发明进一步设置为：所述步骤二中处于平均累积作用情景下的演算公式具体如下：
其中，m表示月时间序列；k是累积月份与当前月份相差月份数值；n是最大累积期限，即气候因子对植被生长的最适滞后时长，MATEM、MASOLAR和 MAPRE分别代表考虑了滞后及累积作用后的气温、太阳辐射和降水的月时间序列数据，TEM、SOLAR和PRE代表原始气温、太阳辐射及降水的月时间序列数据。
本发明进一步设置为：所述步骤二中处于变化累积作用情景下的演算公式具体如下：
其中，m表示月时间序列；k是累积月份与当前月份相差月份数值；n是最大累积期限，即气候因子对植被生长的最适滞后时长，、和分别表示历史时期气温、太阳辐射及降水对当前植被生长的影响程度；MATEM、MASOLAR和MAPRE 分别代表考虑了滞后及累积作用后的气温、太阳辐射和降水的月时间序列数据，TEM、SOLAR和PRE分别代表原始气温、太阳辐射及降水的月时间序列数据。
本发明进一步设置为：所述步骤三中进行精度验证的过程中，首先进行相关性验证，然后通过决定系数R2进行判断。
(三)有益效果
本发明提供了耦合气候累积效应的植被生产力模型优化方法。具备以下有益效果：
该耦合气候累积效应的植被生产力模型优化方法，通过设定多种情景的方式代入到CASA模型中进行全球植被NPP的反演，并且在相同条件下利用原始情景条件代入到CASA模型中进行全球植被NPP反演的结果作为对比，有效验证出设定情境下是否能够提高全球植被NPP的反演精度，从而根据验证结果实现对CASA模型的有效优化，进而有效提高在进行全球陆地植被NPP估算时的精度，保证研究结论的可靠性。
附图说明
图1为CASA模型的基本框架示意图；
图2为不同情景下不同植被类型NPP实测值与模拟值的对比分析表图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-2，本发明实施例提供技术方案：耦合气候累积效应的植被生产力模型优化方法，具体包括以下步骤：
步骤一、数据获取及预处理：选择某地区某一时间段内植被数据为利用装载在诺阿卫星上的先进甚高分辨率辐射仪获得的时间系列产品生产了的 NDVI3g数据作为植被数据。选择气候研究中心提供的时间序列数据集提供的月平均气温和月总降水量，普林斯顿大学制作的全球气象模型驱动数据集第二版提供的太阳辐射数据作为气候数据，对于植被数据的预处理为采用利用克里金插值把这些气象数据插值成了8km的数据。基于AVHRR传感器所获得影像制作的土地覆盖数据作为土地覆盖类型数据，选择8km的空间分辨率，选取了GPPDIR2中与土地覆盖数据中植被类型相一致的实测站点数据(n＝ 4378)，然后随机分为两等份，其中一份用于验证考虑气候因子的滞后及累积作用是否能提高CASA模型的反演NPP精度和用来执行各个植被类型的最大光能利用率的估算，另一份用于优化后的CASA模型最后的反演结果的验证。
需要说明的是：基于遥感的光能利用率模型CASA模型，其核心逻辑如下：
其中，APAR为植被所吸收的光合有效辐射部分，而表示植被的光能利用率；
植被所吸收的光合有效辐射取决于太阳总辐射和植被对光合有效辐射的吸收比例，由下面的公式给出：
这里的SOLAR指月总太阳总辐射量(MJ·m-2)；FPAR指植被冠层对入射光合有效辐射的吸收比例；常数0.5表示植被所能利用的太阳有效辐射(波长为 0.4～0.7um)占太阳总辐射比例；
FPAR由植被指数NDVI和植被类型两个因子来确定，其最大值不超过0.95，由下面的公式得出：
式中：和由植被类型确定，其中取值为1.08，的大小与植被类型有关；而指的是植被采样比例，由NDVI计算得出，即由下面的公式给出：
土地覆盖类型和SRmax数值表如下
Figure RE-GDA0003238314040000061
植被的光能转化效率()，受温度和水分等因子的约束。
其中，和表示温度胁迫约束，它们分别由最适温度和月平均温度来确定，表示水分胁迫约束，是植被最大光能利用率；
式中Topt是植被生长的最适温度，数值上等于最大NDVI出现月份的平均温度，需要注意的是：当T(x)<＝10℃时＝0；
上式中的是月平均温度(℃)，需要注意的是：当+10℃或者小于-13℃时该月的等于月平均温度()为最适宜温度()时值的一半；
水分胁迫影响系数()根据潜在蒸散量(PET)和真实蒸散量(EET)来进行计算，它反映了植物所能利用的有效水分条件对光能转化率的影响情况。随着环境中有效水分的增加，逐渐增大，它的取值范围为0.5(在极端干旱条件下)到1(非常湿润条件下)，由下列公式计算：
其中，是潜在蒸散量(mm)；是真实蒸散量(mm)，按照土壤水分子模型方法计算；
式中，代表月平均气温，a是与I相关的经验统计值，I是热指数，当TEM 小于0时，PET设置为0，a和I分别由下面公式给出：
EET和月平均降水量(PRE)和潜在蒸散量(PET)有关：
其中，是指相对干燥率；是指前一个月土壤含水量(mm)；是土壤萎蔫含水量，需要注意的是：当某月TEM不大于0时，PRE设置为0，并被加入积雪体量中，直到其后第一个月的TEM大于0时，该积雪体量被加入该月的PRE 中，
上式中的a和b是与土壤质地相关的回归经验值；为土壤含水量(m3·m-3) 数值等于前一个月的土壤含水量，与土壤水势(kPa)存在一定关系()，a，b 可由土壤含沙粒量(％Sand)和含粘粒量(％Clay)计算得出：
某月土壤含水量()与前一个月的土壤含水量、月平均降水量(PRE)、潜在蒸散量(PET)和相对干燥率(RDR)有关：
需要注意的是：土壤含水量的上限值为田间持水量(FC)(m3/m3)和土壤深度(mm)的乘积，下限值为萎蔫含水量(WPT)(m3/m3)和土壤深度(mm)的乘积，FC 和WPT由土壤质地确定。当TEM不大于0时，SOILM默认不变化。
粗土壤质地的田间持水量等于土壤水势为10kPa时的土壤体积含水量(W)；中、细土壤质地的田间持水量等于土壤水势为33kPa时的土壤体积含水量。
根据土壤水势公式可以得到土壤含水量的表达式：
那么土壤体积含水量就等于：
其中D是指土壤的有效深度(mm)，可以根据土壤质地数据获得。
萎蔫含水量(WPT)的确定：土壤水势为1500kPa时的土壤体积含水量。
土壤深度的确定:土壤的有效深度D(mm)，可以根据土壤质地数据里的参考深度(REF_DEPTH)来获得。
土壤质地的确定：土壤质地可以分为粗糙、中等、细腻土壤三类，它们可以根据联合国粮农组织(FAO)提供的土壤信息数据库获得；
步骤二、设计反演与估算：按照设定的三种情景进行对比反演和估算，具体如下：
(1)处于平均累积作用情景，假定当前的植被生长状态受制于历史的平均气候状态，也就是假定不同历史时期的气候因子对植被生长具有相同的作用，基于此假设，将步骤一中获取的平均气候数据当作真正决定当前植被生长的气候数据，然后代入CASA模型，进行全球植被NPP的反演；
(2)处于变化累积作用情景，假定历史时期各个月份的气候因子对当前植被生长的影响程度可能不一样，此时，同样假定当前的植被生长状态受制于历史的气候状态，但认为不同历史时期的气候因子对植被生长具有不同的作用，基于此假设，将步骤一中获取的具有不同影响作用的气候数据进行累积当作真正决定当前植被生长的气候数据，然后代入CASA模型，进行全球植被NPP的反演，演算公式具体如下：
其中，m表示月时间序列；k是累积月份与当前月份相差月份数值；n是最大累积期限，即气候因子对植被生长的最适滞后时长，MATEM、MASOLAR和 MAPRE分别代表考虑了滞后及累积作用后的气温、太阳辐射和降水的月时间序列数据，TEM、SOLAR和PRE代表原始气温、太阳辐射及降水的月时间序列数据，演算公式具体如下：
其中，m表示月时间序列；k是累积月份与当前月份相差月份数值；n是最大累积期限，即气候因子对植被生长的最适滞后时长，、和分别表示历史时期气温、太阳辐射及降水对当前植被生长的影响程度；MATEM、MASOLAR和MAPRE 分别代表考虑了滞后及累积作用后的气温、太阳辐射和降水的月时间序列数据，TEM、SOLAR和PRE分别代表原始气温、太阳辐射及降水的月时间序列数据；
(3)处于原始情景，将步骤一中获得的原始气候数据代入CASA模型并获得全球植被NPP；
步骤三、对比分析：将步骤一中的获得的全球植被NPP实测数据作为基准值，将步骤二中处于平均累积作用情景、处于变化累积作用情景和处于原始情景下获得的植被NPP结果与实测NPP结果进行对比分析，如图2所示，可以看出不同情景下的NPP模拟值与实测值之间呈现较好的相关性，其中，原始情景下高自然植被NPP模拟值与实测值之间的决定系数(R2)为0.7135 (p<0.001，n＝995)，矮自然植被NPP模拟值与实测值之间的R2＝0.6271 (p<0.001，n＝1089)，其他植被类型NPP模拟值与实测值之间的R2＝0.3758 (p<0.01，n＝113)，所有自然植被NPP模拟值与实测值之间的R2＝0.8644 (p<0.001，n＝2197)，相对于原始情景，平均累积作用情景下的不同类型自然植被NPP模拟值与实测值之间的R2都有所提高(大致为0.01-0.02)，其中高自然植被的R2提高了0.0160，矮自然植被的R2提高了0.0122，其他植被类型的R2提高了0.0221，所有自然植被的R2提高了0.0089，而相对于原始情景，变化累积作用情景下的不同类型自然植被NPP模拟值与实测值之间的R2也都有所提高(大致为0.01-0.06)，其中高自然植被的R2提高了0.0234，矮自然植被的R2提高了0.0282，其他植被类型的R2提高了0.0545，所有自然植被的 R2提高了0.0123，这些R2提高的幅度比平均累积作用情景下R2提高的幅度更大(约0.01-0.03)。
由以上相关性分析结果可以得出以下结论，CASA模型能较好地模拟全球植被NPP；耦合了气候因子的滞后及累积作用后的CASA模型比传统的CASA模型具有更好的模拟效果，也就是说将气候累积及滞后作用考虑到CASA模型后，可以提高其反演植被NPP的精度；不同植被类型在变化累积作用情景下的NPP 模拟值与实测值之间相关性的都要高于平均累积作用情景下的NPP模拟值与实测值之间的相关性，从而说明不同历史时期的气候因子对植被NPP的影响程度不是均等的，而是不同的、有区别的，基于以上结论，在变化累积作用情景下进行全球陆地植被NPP的估算是可以实现对传统的CASA模型优化的目的。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下。由语句“包括一个......限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素”。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.耦合气候累积效应的植被生产力模型优化方法，其特征在于：具体包括以下步骤：
步骤一、数据获取及预处理：选择某地区某一时间段内的植被数据、气候数据、土地覆盖类型数据和实测NPP数据，之后对获取的数据进行预处理；
步骤二、设计反演与估算：按照设定的三种情景进行对比反演和估算，具体如下：
(1)处于平均累积作用情景，假定当前的植被生长状态受制于历史的平均气候状态，也就是假定不同历史时期的气候因子对植被生长具有相同的作用，基于此假设，将步骤一中获取的平均气候数据当作真正决定当前植被生长的气候数据，然后代入CASA模型，进行全球植被NPP的反演，处于平均累积作用情景下的演算公式具体如下：
Figure QLYQS_1
Figure QLYQS_2
Figure QLYQS_3
其中，m表示月时间序列；k是累积月份与当前月份相差月份数值；n是最大累积期限，即气候因子对植被生长的最适滞后时长，MATEM、MASOLAR和MAPRE分别代表考虑了滞后及累积作用后的气温、太阳辐射和降水的月时间序列数据，TEM、SOLAR和PRE代表原始气温、太阳辐射及降水的月时间序列数据；
(2)处于变化累积作用情景，假定历史时期各个月份的气候因子对当前植被生长的影响程度可能不一样，此时，同样假定当前的植被生长状态受制于历史的气候状态，但认为不同历史时期的气候因子对植被生长具有不同的作用，基于此假设，将步骤一中获取的具有不同影响作用的气候数据进行累积当作真正决定当前植被生长的气候数据，然后代入CASA模型，进行全球植被NPP的反演，处于变化累积作用情景下的演算公式具体如下：
Figure QLYQS_4
Figure QLYQS_5
Figure QLYQS_6
其中，m表示月时间序列；k是累积月份与当前月份相差月份数值；n是最大累积期限，即气候因子对植被生长的最适滞后时长，β1、β2和β3分别表示历史时期气温、太阳辐射及降水对当前植被生长的影响程度；MATEM、MASOLAR和MAPRE分别代表考虑了滞后及累积作用后的气温、太阳辐射和降水的月时间序列数据，TEM、SOLAR和PRE分别代表原始气温、太阳辐射及降水的月时间序列数据；
(3)处于原始情景，将步骤一中获得的原始气候数据代入CASA模型并获得全球植被NPP；
步骤三、对比分析：将步骤一中的获得的全球植被NPP实测数据作为基准值，将步骤二中处于平均累积作用情景、处于变化累积作用情景和处于原始情景下获得的植被NPP结果与实测NPP结果进行对比分析，然后进行三种设定情景下CASA模型的精度验证，筛选并确定出最佳模型。
2.根据权利要求1所述的耦合气候累积效应的植被生产力模型优化方法，其特征在于：所述步骤二中进行CASA模型反演NPP的过程中，最大光能利用率均设定为0.389g C/MJ。
3.根据权利要求1所述的耦合气候累积效应的植被生产力模型优化方法，其特征在于：所述步骤一中植被数据主要是利用装载在诺阿卫星上的先进甚高分辨率辐射仪获得的时间系列产品生产的NDVI3g数据；对于植被数据的预处理包括先用MVC方法将GLOBMAP LAI、MOD17A2及SPOT NDVI V2.2处理成月值数据，此外，通过重采样的方法将MOD17A3及SPOTNDVI V2.2数据处理成和NDVI3g具有相同空间分辨率的数据；其中，各植被数据的时空分辨率分别为半个月和8km。
4.根据权利要求1所述的耦合气候累积效应的植被生产力模型优化方法，其特征在于：所述步骤一中的气候数据具体包括月平均气温、月总降水量以及月总入射短波太阳辐射，对于植被数据的预处理为采用利用克里金插值把这些气象数据插值成了8km的数据。
5.根据权利要求1所述的耦合气候累积效应的植被生产力模型优化方法，其特征在于：所述步骤一中土地覆盖类型数据为基于AVHRR传感器所获得影像制作的土地覆盖数据，空间分辨率为8km。
6.根据权利要求1所述的耦合气候累积效应的植被生产力模型优化方法，其特征在于：所述步骤三中进行精度验证的过程中，首先进行相关性验证，然后通过决定系数R2进行判断。
CN202110857572.1A 2021-07-28 2021-07-28 耦合气候累积效应的植被生产力模型优化方法 Active CN113569409B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110857572.1A CN113569409B (zh) 2021-07-28 2021-07-28 耦合气候累积效应的植被生产力模型优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110857572.1A CN113569409B (zh) 2021-07-28 2021-07-28 耦合气候累积效应的植被生产力模型优化方法

Publications (2)

Publication Number Publication Date
CN113569409A CN113569409A (zh) 2021-10-29
CN113569409B true CN113569409B (zh) 2023-05-30

Family

ID=78168502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110857572.1A Active CN113569409B (zh) 2021-07-28 2021-07-28 耦合气候累积效应的植被生产力模型优化方法

Country Status (1)

Country Link
CN (1) CN113569409B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114897630B (zh) * 2022-06-21 2022-11-18 生态环境部卫星环境应用中心 植被生长最适温度估算方法和装置
CN117521951A (zh) * 2023-11-08 2024-02-06 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 一种绿色植被应对气候变化抵抗力确定方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112257225A (zh) * 2020-09-16 2021-01-22 中国科学院地理科学与资源研究所 一种适用于高寒草地生态系统的npp计算方法
CN112580982A (zh) * 2020-12-21 2021-03-30 北京市测绘设计研究院 一种基于多时相遥感和casa模型的生态保护红线实施评估
CN113095619A (zh) * 2021-03-04 2021-07-09 广东省科学院广州地理研究所 基于气候和土壤模拟植被生产力空间格局的方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112257225A (zh) * 2020-09-16 2021-01-22 中国科学院地理科学与资源研究所 一种适用于高寒草地生态系统的npp计算方法
CN112580982A (zh) * 2020-12-21 2021-03-30 北京市测绘设计研究院 一种基于多时相遥感和casa模型的生态保护红线实施评估
CN113095619A (zh) * 2021-03-04 2021-07-09 广东省科学院广州地理研究所 基于气候和土壤模拟植被生产力空间格局的方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Determining the impacts of climate change and urban expansion on terrestrial net primary production in China;Youyue Wen 等;Journal of Environmental Management;第240卷;75-83 *
不同气象插值方法在新疆草地NPP估算中的可靠性评价;任璇 等;草业科学;第34卷(第3期);439-448 *
对地表植被生产力的定量影响研究;王伦澈;中国博士学位论文全文数据库 (基础科学辑)(第07期);A006-53 *
粤港澳大湾区植被CUE变化及与气候变化的关系;罗赵慧 等;中国环境科学;第41卷(第12期);5793-5804 *

Also Published As

Publication number Publication date
CN113569409A (zh) 2021-10-29

Similar Documents

Publication Publication Date Title
CN110363327B (zh) 基于ConvLSTM和3D-CNN的短临降水预测方法
Stathopoulos et al. Wind power prediction based on numerical and statistical models
CN113569409B (zh) 耦合气候累积效应的植被生产力模型优化方法
Wang et al. Integrating remote sensing-based process model with environmental zonation scheme to estimate rice yield gap in Northeast China
CN109711102B (zh) 一种作物灾害损失快速评估方法
CN104063718B (zh) 在作物识别和面积估算中选择遥感数据和分类算法的方法
CN113344291B (zh) 城市内涝淹没范围的预报方法、装置、介质和设备
KR101383617B1 (ko) 일사량 예측 방법 및 장치
CN109903234A (zh) 一种城市热力景观定量描述及多尺度特征分析方法
CN104143043B (zh) 一种多功能气候数据获取方法
CN118072178B (zh) 基于分类后百分比数据同化的玉米产量估算方法及系统
Park et al. Integrated model for predicting rice yield with climate change
CN114357737B (zh) 针对大尺度水文模型时变参数的代理优化率定方法
Chaudhari et al. Spatial wheat yield prediction using crop simulation model, GIS, remote sensing and ground observed data
CN109034462B (zh) 玉米群体种植结构优化方法及装置
CN114239274A (zh) 多源遥感数据驱动指数滤波模型推求根层土壤水的方法
CN117973625A (zh) 一种基于多源遥感数据的工业产值预测方法、设备及介质
CN117496369A (zh) 一种矿区碳汇数据集构建方法
CN112560633A (zh) 基于深度学习的植物关键物候期时间点预测方法及系统
Clewett et al. Optimising farm dam irrigation in response to climatic risk
CN116307233B (zh) 一种基于汛期分期的洪水预报方法
CN111579565B (zh) 农业干旱监测方法、系统及存储介质
KR20180129443A (ko) 생장이 종료된 식생의 구조적 특징을 반영한 눈 알베도 결정 장치 및 그 방법
CN115169263A (zh) 基于TVGM-Budyko耦合模型的多时间尺度径流变化归因分析方法
CN113762768A (zh) 基于天气发生器和作物模型的农业旱灾动态风险评估方法

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