CN114118867A - 一种基于遥感技术的湿地生态风险指数快速估算方法 - Google Patents
一种基于遥感技术的湿地生态风险指数快速估算方法 Download PDFInfo
- Publication number
- CN114118867A CN114118867A CN202111488798.5A CN202111488798A CN114118867A CN 114118867 A CN114118867 A CN 114118867A CN 202111488798 A CN202111488798 A CN 202111488798A CN 114118867 A CN114118867 A CN 114118867A
- Authority
- CN
- China
- Prior art keywords
- data
- index
- remote sensing
- wetland
- ecological risk
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005516 engineering process Methods 0.000 title claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000001556 precipitation Methods 0.000 claims abstract description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 12
- 238000007637 random forest analysis Methods 0.000 claims abstract description 9
- 238000002310 reflectometry Methods 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 238000011160 research Methods 0.000 claims description 18
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 239000002689 soil Substances 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 235000015097 nutrients Nutrition 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 239000002994 raw material Substances 0.000 claims description 3
- 238000000746 purification Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 7
- 238000013468 resource allocation Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000012502 risk assessment Methods 0.000 description 9
- 241000894007 species Species 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 7
- 238000005520 cutting process Methods 0.000 description 6
- 230000003750 conditioning effect Effects 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910052793 cadmium Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052745 lead Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于遥感技术的湿地生态风险指数快速估算方法,通过湿地生态风险的概念模型计算湿地生态风险指数,在指数计算时,先将指标数据转换为栅格数据再进行后续计算;基于MODIS卫星影像数据,将各波段反射率进行数学变换后,结合遥感融合降水数据、夜间灯光数据、人口数据、植被数据、土地利用数据作为模型输入,基于概念模型计算得到的湿地生态风险指数作为输出,利用多元逐步回归/随机森林构建生态风险指数遥感估算模型。采用本发明的方法能够实现湿地生态风险指数快速估算,有助于评估大范围长时间尺度的生态系统的风险来源以及会出现的负面效果,对水资源合理分配和湿地生态环境改善和管控提供了参考依据。
Description
技术领域
本发明属于生态和遥感技术领域,具体涉及一种基于遥感技术的湿地生态风险指数快速估算方法。
背景技术
近几十年来随着全球气候变化,极端气象事件频发,水资源时空分布差异增大。同时,我国经济社会迅速发展导致大量污染物排放进入水体,地表水环境污染问题日益突出,严重影响了生态安全和区域经济发展。为了对湿地生态系统可能产生的损害程度及其产生的原因进行评价分析,需要预测湿地生态系统的风险源来、风险出现的概率及其负面效果。因此,利用遥感技术实现大范围长时间尺度的湿地生态系统风险指数快速估算对区域生态保护和水资源利用管理有着重要意义。
生态风险评估是评估生态环境条件(如化学污染或人类活动造成的潜在危害)、事故或灾害对生态系统造成破坏的可能性。生态风险评估研究始于1970年代,在人类健康风险评估的基础上发展起来;之后,在80年代生态风险评价框架被提出并完善;90年代,Hunsaker等(1990)发展了区域复合生态风险评价模型,美国环境保护署于1992年提出了生态风险评估的定义;21世纪评价尺度迅速扩展,各国根据本国实际情况,对不同的评价框架进行了修改,从而将其与用到不同的研究领域。
湿地作为地球上一种由水陆相互作用而形成的重要而独特的生态系统,有着涵养水源,抵御洪水,调节气候和维护生态平衡等其他生态系统所不能代替的作用(杨永兴,2002)。湿地生态风险评估是在生态风险评估的基础上发展起来的。这种评价更侧重于从湿地面临的主要风险源,如自然灾害、人为因素等,研究可能发生的危害,并考虑多种风险源(Li et al.2020)。湿地生态系统的风险评价方法主要包括指示物种法和评价指标体系法,其中指示物种法根据生态系统的关键种、特有种、指示种等敏感五种的数量、生物量、生产力和功能等指标来描述生态系统的状况,但是生态系统非常复杂,敏感物种之间的因果关系难以厘清,而且指示物种在生态系统中的作用难以定量,因此该方法的适用范围较小(李然然,2014)。评价指标体系方法以生态学和生物学为基础,结合社会、经济和文化,运用不同尺度信息构建风险评价模型,模型的指标选择主要可以分成环境要素和生态系统内部指标两个方面。其中环境要素包括破碎度、分离度、分形维数等景观格局指数(娄妮等,2020)以及湿地面积、降水、温度等自然环境因素(JiangW,2017);生态系统内部指标主要包括Cu、Cr、Mn、Pb、Cd等重金属含量以及生物群落结构等(KumarV,2020)。
目前,湿地生态风险评估方法十分成熟,然而评估体系构建需要用到大量数据,主要来自于统计年鉴和野外调查,不仅空间分布差异难以体现,而且野外调查费时费力。遥感技术可以实时获取大范围地表环境要素的时空分布特征,因此通过多源遥感数据,可以实现湿地生态风险指数快速估算。
参考文献
Hunsaker,C.T.,Graham,R.L.,Suter,G.W.,Oneill,R.V.,Barnthouse,L.W.,&Gardner,R.H.(1990).Assessing Ecological Risk on aRegional Scale.EnvironmentalManagement,14,325-332
Jiang W,Lv J,Wang C,et al.Marsh wetland degradation risk assessmentand change analysis:A case study in the Zoige Plateau,China[J].EcologicalIndicators,2017,82(nov.):316-326.
Kumar V,Sharma A,Pandita S,et al.A review of ecological riskassessment and associated health risks with heavy metals in sediment fromIndia[J].International Journal of Sediment Research,2020.
Li,Z.,Jiang,W.G.,Wang,W.J.,Chen,Z.,Ling,Z.Y.,&Lv,J.X.(2020).Ecological risk assessment of the wetlands in Beijing-Tianjin-Hebei urbanagglomeration.Ecological Indicators,117
李然然.查干湖湿地水环境演变及生态风险评估[D].中国科学院研究生院(东北地理与农业生态研究所),2014.
娄妮,王志杰,何嵩涛.基于景观格局的阿哈湖国家湿地公园景观生态风险评价[J].水土保持研究,2020,27(01):233-239.
杨永兴.国际湿地科学研究的主要特点、进展与展望[J].地理科学进展,2002(02):111-120.
发明内容
本发明的目的在于提供一种可以快速估算湿地生态风险指数的遥感方法,为生态修复和山水林田湖草沙多生态系统质量与经营利用有着重要理论与实践意义。
为达成上述目的,本发明所采用的技术方案如下:
基于遥感技术的湿地生态风险指数快速估算方法,包括如下步骤:
1)针对研究湿地区域,基于湿地生态风险的概念模型计算湿地生态风险指数,其中,利用获取的各项指标数据进行指数计算时,先将指标数据转换为栅格数据再进行后续计算;
2)使用MODIS卫星影像作为基础遥感数据,对MODIS卫星影像进行预处理后,将卫星影像的各波段反射率及其数学变换形式建立遥感波段数据库;
3)获取遥感数据产品,包括遥感融合降水数据、夜间灯光数据、人口数据、植被数据和土地利用数据,建立遥感数据产品库;
4)以遥感波段数据库和遥感数据产品库中的参数为输入,利用重要性指数IncMSE筛选输入变量;以步骤1)计算得到的湿地生态风险指数作为输出,利用随机森林方法构建生态风险指数遥感估算模型。
作为本发明的进一步改进,所述基于湿地生态风险的概念模型计算湿地生态风险指数的方法包括:
①基于自然要素和人文要素,利用加权法分别计算自然危害指数和人类危害指数,再用加权法得到危险性指数;
②分别计算湿地面积指数、结构指数和功能指数,用加权计算得到脆弱性指数;
③将危险性指数和脆弱性指数相乘得到湿地生态风险指数。
作为本发明的进一步改进,所述基础遥感数据为MODIS Aqua level-1a数据,选取645nm、859nm、469nm、555nm、1240nm、1640nm、2130nm的波段反射率数据及其数学变换形式建立遥感波段数据库。
作为本发明的进一步改进,所述对MODIS卫星影像进行预处理的方式为:将MODIS影像数据转换为HDR格式后,根据研究湿地区域选取投影坐标进行转换,将影像数据经过辐射定标处理后,利用FLAASH模块对数据进行大气校正。
作为本发明的进一步改进,所述植被数据选用归一化植被指数NDVI和总初级生产力GPP数据。进一步的,计算NDVI和GPP时取各个季节的无云遥感影像,计算各个季节的植被指数后求取平均值作为当年的NDVI和GPP。
作为本发明的进一步改进,所述自然要素包括降水和温度,人文要素包括建筑用地占比、耕地占比、当地国内生产总值GDP和人口密度。
作为本发明的进一步改进,所述面积指数为湿地面积,以公顷计;结构指数为斑块数量、斑块密度、破碎度和聚集度4个指标加权计算得到;功能指数由气体调节、气候调节、净化环境、水文调节、食物生产、原料生产、水资源供给、土壤保持、维持养分循环、生物多样性、美学景观11个指标加权计算得到。进一步的,所述功能指数基于下式计算:
其中ESVi表示i类湿地生态系统服务值,m=9,ESVj表示功能J生态系统服务值,n=7,Ai和Aj表示提供生态系统服务的湿地面积和总湿地面积J(hm2);Vi和Vj表示i类生态系统服务值j和生态系统服务值j的单位面积(元/hm2)。
作为本发明的进一步改进,所述随机森林算法由sklearn实现,模型优化时,以保持模型取得较高预测精度的前提下简化模型结构为原则,通过逐步的调参得到最优的模型结构参数。
本申请中最终得到参数设置为n_estimators=10,max_depth=20,criterion='mse',oob_score='False',max_features='auto',verbose=0。
作为本发明的进一步改进,所述方法还包括,采用刀切法对模型精度进行交叉验证,随机选取100个像元样本用于训练,50个像元样本用于验证,基于RMSE和MRE对模型性能进行评价。
由以上本发明的技术方案可知,本发明利用多源遥感数据和随机森林算法实现了湿地生态风险指数快速估算。该方法基于“自然-人为”的外部危险性和“面积-结构-功能”的内部脆弱性计算的湿地生态风险指数,利用MODIS遥感数据,同时结合夜间灯光数据、人口数据、植被数据、土地利用数据,利用随机森林构建了湿地生态风险指数的遥感估算算法。通过湿地生态风险指数估算有助于评估大范围长时间尺度的生态系统的风险来源以及会出现的负面效果,有助于生态功能分区,明确湿地生态保护与建设的重点区域,为区域湿地生态系统保护和水资源配置提供科学依据。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外,所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制,在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示,为了清晰起见,在每个图中,并非每个组成部分均被标记,其中:
图1是湿地生态风险指数计算流程图。
图2是白城市自然危害指数和人类危害指数估算结果。
图3是白城市危险性指数估算结果。
图4是白城市面积、结构和功能指数估算结果。
图5是白城市脆弱性指数估算结果。
图6是白城市生态风险指数估算结果。
图7是白城市各类遥感产品数据(a)NDVI;(b)GPP;(c)降水;(d)人口;(e)夜间灯光指数;(f)土地利用。
图8是白城市生态风险指数遥感估算精度(a)训练集精度;(b)验证集精度。
图9是白城市生态风险指数遥感估算结果。
图10是其他城市生态风险指数遥感估算结果。
前述图示1-10中,作为英文形式表达的各坐标、标识或其他表示,均为本领域所公知的,并不在本例中再做赘述。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解,上面介绍的多种构思和实施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施,这是应为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
实施例1
本实施例以吉林省白城市为例,对本发明的技术方案作进一步描述。
本发明基于湿地生态风险评估的概念模型,分别从“自然-人为”的外部危险性和“面积-结构-功能”的内部脆弱性计算构建了湿地生态风险评估模型,利用MODIS遥感数据,同时结合夜间灯光数据、人口数据、植被数据、土地利用数据,利用随机森林构建了湿地生态风险指数的遥感估算算法。
作为示例性的描述,下面结合附图所示,对前述方法的实施进行具体说明。
步骤1、针对研究湿地区域,基于传统模型计算湿地生态风险指数,包括:
(1)基于自然要素和人文要素,利用加权法分别计算自然危害指数和人类危害指数,再用加权法得到危险性指数;
自然要素包括年均降水和温度,数据来源于国家气象数据中心(http://data.cma.cn/)发布的地面气象资料。利用反距离插值法得到白城市的年均降水和温度空间分布,该操作在ArcGIS中完成。降雨的权重为0.67,气温的权重为0.33,利用加权算法得到自然危害指数(图2a)。
人文要素包括建筑用地占比、耕地占比、当地国内生产总值GDP和人口密度。其中,建筑用地占比和耕地数据来源于土地利用数据,统计白城市建筑用地和耕地的用地面积,除以白城市总面积,得到面积占比,转换为栅格数据格式;GDP和人口密度来源于当地统计年鉴,同样转换为栅格数据格式。建筑用地的权重为0.31,耕地占比的权重为0.15,人口权重为0.44,GDP权重为0.1,利用加权法得到人类危害指数(图2b)。
自然危害和人类危害的权重分别为0.25和0.75,通过加权法得到危险性指数(图3)。
(2)分别计算面积、结构和功能三个指数,用加权计算得到脆弱性指数;
其中,面积指数为湿地面积,由土地利用数据统计得到,权重为0.09(图4a)。
结构指数由斑块数量、斑块密度、破碎度和聚集度4个指标加权计算得到,具体含义见表1。将土地利用数据中的湿地提取出来后,利用Fragstats 4.2计算得到,权重分别为0.32、0.11、0.38和0.38(图4b)。
表1结构指数及其含义
功能指数由气体调节、气候调节、净化环境、水文调节、食物生产、原料生产、水资源供给、土壤保持、维持养分循环、生物多样性、美学景观11个指标的加权得到(图4c)。功能指数计算公式为:
其中ESVi表示i类湿地生态系统服务值(元),m=9,ESVj表示功能J(元)生态系统服务值,n=7,Ai和Aj表示提供生态系统服务的湿地面积和总湿地面积J(hm2);Vi和Vj表示i类生态系统服务值j和生态系统服务值j的单位面积(元/hm2),取值参考谢高地,张彩霞,张昌顺,肖玉,鲁春霞.中国生态系统服务的价值[J].资源科学,2015,37(09):1740-1746。具体取值见如表2所示。
表2单位面积湿地生态系统服务价值当量
本实施例中,权重分别为0.09、0.27、0.16、0.48、0.14、0.14、0.72、0.2、0.12、0.68和1。
面积、结构和功能三个指数计算好后赋值给湿地的SHP文件,转换为栅格,面积、结构和功能的权重分别为0.4375,0.125和0.4375,加权计算后得到脆弱性指数(图5)。
(3)将危险性和脆弱性相乘得到生态风险指数(图6);
步骤2、使用MODIS卫星影像作为基础遥感数据,影像数据经过重采样、地形校正、大气校正等一系列预处理后,将各波段反射率经过数学变换建立遥感波段数据库。
MODIS Aqua level-1a数据来自美国NASAOBPG(https://oceandata.sci.gsfc.nasa.gov),由于原始影像数据无法进行常规处理,因此首先利用MRT(MODIS Reprojection Tool)工具将MODIS影像数据转换为HDR格式,并根据研究区域选取合适的投影坐标,本实施例研究区位于吉林省白城市,因此投影坐标系选取D_WGS_1984转换和研究区域裁剪。
由于MODIS超期运行,导致部分波段失效,目前只有前7个波段运行良好:645、859、469、555、1240、1640、2130nm。将影像数据经过辐射定标处理后,利用FLAASH模块对数据进行大气校正。将7个波段的栅格数据经过对数、倒数、开方和平方计算;然后,将影像进行空间分辨率重采样,至250m分辨率,使用GLT(Geographic Lookup Table)几何校正对影像进行配准。以上过程均在SeaDAS7.3.2和ENVI5.3中完成。
步骤3、基于遥感融合降水数据、夜间灯光数据、人口数据、植被数据和土地利用数据等遥感数据产品,通过格式转换、重采样、研究区裁剪等一系列处理后,建立遥感产品数据库。
本实施例为简化估算过程,所有遥感产品数据均从权威公开平台获取。其中遥感融合降水数据使用NASA开展的全球降水观测计划发布的GPM_3IMERGDF 06数据产品,数据获取平台为https://disc.gsfc.nasa.gov/datasets,将下载好的数据通过格式转换、研究区裁剪和统计后,得到白城市年均降水量变量;夜间灯光数据使用美国国家海洋和大气管理局(NOAA)发布的VIIRS DNB Nightly Mosaic数据产品,数据获取平台为https://ngdc.noaa.gov/eog/download.html,将下载好的数据通过研究区裁剪,得到白城市夜间灯光变量;人口数据使用世界知名科学杂志Nature的下属机构scientific data Worldpop发布的Population Density数据产品,数据获取平台为https://www.worldpop.org,将下载好的数据通过研究区裁剪,得到白城市人口变量;植被数据为NDVI和GPP,分别使用美国宇航局(NASA)发布的MYD13Q1和MYD17A2H数据产品,数据获取平台为https://ladsweb.modaps.eosdis.nasa.gov/search/,由于植被随季节变化明显,因此处理植被数据时选取一整年的数据产品求取平均值作为当年的NDVI和GPP,裁剪得到白城市范围的植被变量;土地利用数据使用自然资源部发布的30米全球地表覆盖数据GlobeLand30产品,数据获取平台为http://www.globallandcover.com/,经过研究区裁剪,给每个土地利用类型赋值后转换为栅格数据格式得到土地利用变量。白城市各类遥感产品数据如图7所示。
步骤4、基于遥感波段数据库和遥感产品数据库,随机森林方法构建生态风险指数遥感算法,模拟湿地生态风险指数空间分布。
湿地生态风险指数遥感估算模型采用随机森林方法构建,算法由python的sklearn实现。首先是输入变量筛选,通过计算每个变量的重要性指数IncMSE,筛选得到用于拟合湿地生态风险指数的变量,包括降水、NDVI、GPP、人口密度、土地利用、夜间灯光指数和(859-555)/(859+555),环境参数是估算湿地生态风险指数的重要变量。通过逐步的调参得到最优的模型结构参数,使得最终模型具有高精度。调参的原则是保持模型取得较高预测精度的前提下,模型的结构保持简单,如更少的树的层数、叶子数量等。本实施例中,通过上述方法得到的参数设定为:n_estimators=10,max_depth=20,criterion='mse',oob_score='False',max_features='auto',verbose=0。
为了保证模型的稳定性和对训练集的不依赖性,采用刀切法对模型精度进行交叉验证,随机选取100个像元样本用于训练,选取50个像元样本用于验证,基于RMSE和MRE对模型性能进行评价。
结果表明,算法在训练和验证的数据集上都体现了较高的精度(图8),大部分的数据点都均匀分布在1:1线附近,验证集精度略低于训练集。统计结果显示,交叉验证中训练集的平均精度达到0.98,RMSE为0.00,MRE为3.21%;验证精度达到0.85,RMSE为0.00,MRE为14.34%。多轮验证指标表明了模型对于训练集依赖性弱,具备较好的抗干扰性能,说明了模型具备较好的泛化能力,该模型可用于湿地生态风险指数估算。
图9展示了研究区内湿地生态风险指数的遥感估算结果空间分布,虽然在白城市中部高值区存在高估现象,说明该算法在不同区域的精度存在差异,但是空间分布特征与传统方法的估算结果基本保持一致,展现了良好的鲁棒性。图10展示了本发明的遥感算法在吉林市、长春市和松原市的应用效果,在经济相对发达、人口相对密集的长春市,湿地生态风险指数高于另外两个城市,而且吉林市内水资源相对丰富,因此风险指数也较低,估算结果比较合理,本发明的遥感算法可以用于湿地生态风险指数快速估算。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。
Claims (10)
1.基于遥感技术的湿地生态风险指数快速估算方法,其特征在于,包括如下步骤:
1)针对研究湿地区域,基于湿地生态风险的概念模型计算湿地生态风险指数,其中,利用获取的各项指标数据进行指数计算时,先将指标数据转换为栅格数据再进行后续计算;
2)使用MODIS卫星影像作为基础遥感数据,对MODIS卫星影像进行预处理后,将卫星影像的各波段反射率及其数学变换形式建立遥感波段数据库;
3)获取遥感数据产品,包括遥感融合降水数据、夜间灯光数据、人口数据、植被数据和土地利用数据,建立遥感数据产品库;
4)以遥感波段数据库和遥感数据产品库中的参数为输入,利用重要性指数IncMSE筛选输入变量;以步骤1)计算得到的湿地生态风险指数作为输出,利用随机森林方法构建生态风险指数遥感估算模型。
2.根据权利要求1所述的方法,其特征在于,所述基于湿地生态风险的概念模型计算湿地生态风险指数的方法包括:
①基于自然要素和人文要素,利用加权法分别计算自然危害指数和人类危害指数,再用加权法得到危险性指数;
②分别计算湿地面积指数、结构指数和功能指数,用加权计算得到脆弱性指数;
③将危险性指数和脆弱性指数相乘得到湿地生态风险指数。
3.根据权利要求1所述的方法,其特征在于,所述基础遥感数据为MODIS Aqua level-1a数据,选取645nm、859nm、469nm、555nm、1240nm、1640nm、2130nm的波段反射率数据及其数学变换形式建立遥感波段数据库。
4.根据权利要求1或3所述的方法,其特征在于,所述对MODIS卫星影像进行预处理的方式为:将MODIS影像数据转换为HDR格式后,根据研究湿地区域选取投影坐标进行转换,将影像数据经过辐射定标处理后,利用FLAASH模块对数据进行大气校正。
5.根据权利要求1所述的方法,其特征在于,所述植被数据选用归一化植被指数NDVI和总初级生产力GPP数据。
6.根据权利要求5所述的方法,其特征在于,计算NDVI和GPP时取各个季节的无云遥感影像,计算各个季节的植被指数后求取平均值作为当年的NDVI和GPP。
7.根据权利要求2所述的方法,其特征在于,所述自然要素包括降水和温度,人文要素包括建筑用地占比、耕地占比、当地国内生产总值GDP和人口密度。
8.根据权利要求2所述的方法,其特征在于,所述面积指数为湿地面积,以公顷计;结构指数为斑块数量、斑块密度、破碎度和聚集度4个指标加权计算得到;功能指数由气体调节、气候调节、净化环境、水文调节、食物生产、原料生产、水资源供给、土壤保持、维持养分循环、生物多样性、美学景观11个指标加权计算得到。
10.根据权利要求1所述的方法,其特征在于,还包括,采用刀切法对模型精度进行交叉验证,随机选取100个像元样本用于训练,50个像元样本用于验证,基于RMSE和MRE对模型性能进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111488798.5A CN114118867A (zh) | 2021-12-07 | 2021-12-07 | 一种基于遥感技术的湿地生态风险指数快速估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111488798.5A CN114118867A (zh) | 2021-12-07 | 2021-12-07 | 一种基于遥感技术的湿地生态风险指数快速估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118867A true CN114118867A (zh) | 2022-03-01 |
Family
ID=80367290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111488798.5A Pending CN114118867A (zh) | 2021-12-07 | 2021-12-07 | 一种基于遥感技术的湿地生态风险指数快速估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118867A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943404A (zh) * | 2022-03-30 | 2022-08-26 | 北京师范大学 | 一种基于生态系统服务权衡的湿地缺水生态风险评估方法 |
CN115796691A (zh) * | 2022-12-10 | 2023-03-14 | 中国科学院地理科学与资源研究所 | 一种基于遥感的生态系统服务多维评估方法 |
CN117036978A (zh) * | 2023-08-17 | 2023-11-10 | 吉林师范大学 | 一种基于遥感的湿地退化提取方法及系统 |
-
2021
- 2021-12-07 CN CN202111488798.5A patent/CN114118867A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943404A (zh) * | 2022-03-30 | 2022-08-26 | 北京师范大学 | 一种基于生态系统服务权衡的湿地缺水生态风险评估方法 |
CN115796691A (zh) * | 2022-12-10 | 2023-03-14 | 中国科学院地理科学与资源研究所 | 一种基于遥感的生态系统服务多维评估方法 |
CN117036978A (zh) * | 2023-08-17 | 2023-11-10 | 吉林师范大学 | 一种基于遥感的湿地退化提取方法及系统 |
CN117036978B (zh) * | 2023-08-17 | 2024-04-09 | 吉林师范大学 | 一种基于遥感的湿地退化提取方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shen et al. | Remote sensing and evaluation of the wetland ecological degradation process of the Zoige Plateau Wetland in China | |
CN104517037B (zh) | 一种生态承载力的遥感估算方法 | |
CN110298411B (zh) | 一种城市群生态空间受损识别方法 | |
Li et al. | Assessing the changes in land use and ecosystem services in Changzhou municipality, Peoples’ Republic of China, 1991–2006 | |
CN114118867A (zh) | 一种基于遥感技术的湿地生态风险指数快速估算方法 | |
Zhang et al. | Spatio-temporal evolution and driving factors of eco-environmental quality based on RSEI in Chang-Zhu-Tan metropolitan circle, central China | |
Rojas et al. | Assessing land-use and-cover changes in relation to geographic factors and urban planning in the metropolitan area of Concepción (Chile). Implications for biodiversity conservation | |
KR100951610B1 (ko) | Gis기반 기후변화 영향평가 시스템 및 그 방법 | |
CN112465332A (zh) | 一种城市人工湿地公园生态地质环境稳定性的评价方法 | |
Xiong et al. | Multi-scale spatial correlation between vegetation index and terrain attributes in a small watershed of the upper Minjiang River | |
CN111160799A (zh) | 一种自然资源数据库构建方法 | |
CN115330159A (zh) | 沙漠生态修复效果评价方法、装置、终端设备及存储介质 | |
Cho et al. | Cold-season atmospheric conditions associated with sudden changes in PM10 concentration over Seoul, Korea | |
FR | Spatial and temporal changes of vegetation cover in China based on modis NDVI. | |
Mahal et al. | Assessment of the impact of urbanization growth on the climate of Baghdad province using remote sensing techniques. | |
CN103294902A (zh) | 一种基于遥感影像与gis空间分析确定自然湿地恢复方案的方法 | |
CN113627818A (zh) | 基于城市搬迁地的公园绿地建设项目综合效益评价方法 | |
Zheng et al. | A wavelet coherence approach to zoning supply-demand matching of carbon sequestration service | |
Zhao et al. | Impact of expressways on land use changes, landscape patterns, and ecosystem services value in Nanping City, China | |
Wagner et al. | Assessment of urban water-energy interactions and heat island signatures in Rhode island | |
Maleki et al. | Detecting local climate zone change and its effects on PM10 distribution using fuzzy machine learning in Tehran, Iran | |
Ren et al. | Research on sensitivity for soil erosion evaluation from DEM and remote sensing data source of different map scales and image resolutions | |
Hester | Land cover mapping and change detection in urban watersheds using Quickbird high spatial resolution satellite imagery | |
CN116757357B (zh) | 一种耦合多源遥感信息的土地生态状况评估方法 | |
Zhou et al. | Urbanisation and its environmental effects in six emerging mega-city regions, China |
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 |