CN114970941A - 一种基于遥感植被物候的花粉信息预测方法 - Google Patents
一种基于遥感植被物候的花粉信息预测方法 Download PDFInfo
- Publication number
- CN114970941A CN114970941A CN202210294633.2A CN202210294633A CN114970941A CN 114970941 A CN114970941 A CN 114970941A CN 202210294633 A CN202210294633 A CN 202210294633A CN 114970941 A CN114970941 A CN 114970941A
- Authority
- CN
- China
- Prior art keywords
- pollen
- remote sensing
- information
- period
- sensing vegetation
- 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 42
- 230000008859 change Effects 0.000 claims abstract description 24
- 238000010219 correlation analysis Methods 0.000 claims abstract description 18
- 238000011160 research Methods 0.000 claims abstract description 12
- 230000007613 environmental effect Effects 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000001419 dependent effect Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 9
- 239000002689 soil Substances 0.000 claims description 9
- 230000000977 initiatory effect Effects 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000010238 partial least squares regression Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000001704 evaporation Methods 0.000 claims description 3
- 230000008020 evaporation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 230000007812 deficiency Effects 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 description 7
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 6
- 235000018185 Betula X alpestris Nutrition 0.000 description 5
- 235000018212 Betula X uliginosa Nutrition 0.000 description 5
- 208000006673 asthma Diseases 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 229940046536 tree pollen allergenic extract Drugs 0.000 description 3
- 102100033320 Lysosomal Pro-X carboxypeptidase Human genes 0.000 description 2
- 241000219000 Populus Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000035784 germination Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 108010057284 lysosomal Pro-X carboxypeptidase Proteins 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000005180 public health Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 244000036975 Ambrosia artemisiifolia Species 0.000 description 1
- 235000003129 Ambrosia artemisiifolia var elatior Nutrition 0.000 description 1
- 238000001134 F-test Methods 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 241001420622 Meris Species 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000000172 allergic effect Effects 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 235000003484 annual ragweed Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 208000010668 atopic eczema Diseases 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000006263 bur ragweed Nutrition 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 235000003488 common ragweed Nutrition 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 235000009736 ragweed Nutrition 0.000 description 1
- 239000009342 ragweed pollen Substances 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000011272 standard treatment Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000007704 transition Effects 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
- G06Q10/04—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
- 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
- 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)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于遥感植被物候的花粉信息预测方法，包括：S1、获取数据并进行预处理；S2、对花粉释放信息与遥感植被物候进行时空相关性分析；S3、对遥感植被物候与气候环境因素进行时空相关性分析；S4、对遥感植被物候信息以及气候环境要素进行特征提取，并且利用逐步回归模型进行花粉释放信息预测；S5、花粉释放信息区域制图：获取研究区域的遥感植被物候信息，以及与花粉释放信息有关的气候环境因素和对应逐步回归方程中得到的拟合系数，得到区域尺度内花粉预测信息。本发明利用遥感植被物候区域尺度和长时间序列数据信息，结合气候环境的影响，可以弥补花粉监测站点的不足，提供高质量、大区域尺度的花粉信息及其年际动态变化趋势。
Description
技术领域
本发明属于花粉释放信息预测技术领域，具体涉及一种基于遥感植被物候的花粉信息预测方法。
背景技术
植被春季物候事件(例如爆芽和开花)与树木花粉的产生和释放时间有关，而树木花粉是春季过敏的重要来源和诱因。由于气候变化导致的春季物候变化会影响树木花粉的动态变化，从而增加人类的疾病暴露风险。此外，过敏性花粉是导致哮喘症状恶化的主要危险因素之一，而哮喘病对医疗保健系统带来的负担是沉重的。据估计，美国每年约有1060万人由于哮喘病就医，超过 40万人接受住院治疗，经济总成本约为560亿美元。哮喘病在我国的影响也越来越严重。经过评估，我国哮喘的总患病率为4.2％，而且由于大多数哮喘患者没有确诊，或者未接受规范治疗，隐藏的疾病风险和经济成本也比较高。
目前，在建立花粉释放周期和花粉浓度的预测模型中，基于经验和基于过程的物候模型已被使用。其中，经验模型主要利用阈值定义或统计方法建立花粉起始时期(浓度)与天气、气候和土地利用条件等相关因素之间的关系。例如，Lejoly-Gabriel 等(1978)和Pathirane等(1975)将花粉释放的起始时期定义为花粉积累量达到该年份花粉总量5％时所对应的时刻。此外， Fornaciari等(1998)通过回归模型揭示了气候环境与年花粉量的关系，Hjort等(2016)使用基于土地利用的回归模型估算了芬兰的花粉浓度。基于过程的模型可以通过模拟受气候环境影响的植被生长机制来预测花粉释放周期和花粉浓度。Lake等(2017)使用基于过程模型模拟了当前和未来的豚草花粉水平，从而评估了气候变化对豚草的影响。但是，基于经验和基于过程的模型高度依赖于花粉观测站点和气象站点的观测结果，不能用于监测大尺度研究区域的花粉释放周期和浓度传递过程。
常见的基于大区域尺度的花粉释放信息预测方法主要有两种类型：一是通过量化花粉释放周期与气候变化之间的相关性，二是通过遥感植被物候模型提取物候信息。
通过量化花粉释放周期与气候变化之间的相关性，研究气候环境因素对花粉释放信息的贡献量和变化灵敏度，并最终通过气候环境因素的改变将花粉动态变化信息外推到更大的区域尺度。之前使用该类方法的研究成果发现了升高温度和适当增加降水均会影响植被花粉释放周期的时间和长度(Zi ska等，2011；Dahl 等，2008)。此外，人类活动中造成的臭氧变化和居民区空气污染的增加也会延长花粉释放周期和增加花粉浓度(Anderson等， 1998；Barnes等，2018)。在过去的几十年中，卫星遥感技术用于地表植被物候监测的可行性逐渐提高，如，Karlsen等(2007) 利用GIMMS的NDVI结果预测了挪威的桦树开花期(Karlsen等， 2007)；Li等(2019)利用Landsat的植被指数探究了北美地区五个花粉站点中桦树的花粉释放起始时期与遥感植被物候之间的关系；Khwarahm等(2017)利用MERIS获取的叶绿素信息绘制了英国草地和桦树的花粉释放周期地图。
虽然影响花粉释放信息的主要气候环境因素(例如温度、降水等)能够较为容易地获取，但是由于影响花粉周期的因素多而复杂，其他因素或由于较难获取，或因为没有被相关的研究所验证。此外，花粉释放信息与气候环境因素的相关性强度仍有待进一步改进。同时，由于气候环境因素容易受到地理位置、城镇化程度、人为活动因素的影响，依赖花粉监测站点获取的统计分析结果难以直接外推至较大的研究区域。对于基于卫星遥感技术的而言，虽然其能够获取大区域尺度、不同地物覆盖类型的物候信息，而且由于所有的物候信息都是针对特定区域的影像像元进行长时间序列的信息提取，所以其物候信息的可靠性较高。但是，由于遥感植被物候模型提取的物候信息(例如春季植被物候起始时期)发生的时间点为植被物候由休眠期过渡到返青期的起始时期，与实际植被开花(释放花粉)时期仍存在一定的差异，因此单纯使用遥感植被物候信息仍无法准确获取高精度的花粉释放信息。
发明内容
本发明的目的是针对上述问题，提供一种基于遥感植被物候的花粉信息预测方法，可以弥补花粉监测站点的不足，为气候环境变化、公共健康领域提供高质量的区域花粉释放信息。
为达到上述目的，本发明采用了下列技术方案：
一种基于遥感植被物候的花粉信息预测方法，步骤包括：
S1、获取数据并进行预处理；
S2、对花粉释放信息与遥感植被物候进行时空相关性分析；
S3、对遥感植被物候与气候环境因素进行时空相关性分析；
S4、对遥感植被物候信息以及气候环境要素进行特征提取，并且利用逐步回归模型进行花粉释放信息预测；
S5、进行区域花粉释放信息制图：获取研究区域的遥感植被物候信息，以及与花粉释放信息有关的气候环境因素和对应逐步回归方程中得到的拟合系数，得到区域尺度内的花粉释放信息。本发明通过遥感植被物候产品预测花粉释放信息，并建立完整的遥感植被物候预测花粉释放信息评价体系与制图，可以对改善花粉监测匮乏、数据种类较少，以及研究区域受到限制等方面进行极大的改善和突破。
进一步的，所述步骤S1获取的数据包括花粉数据、遥感数据和气候数据；花粉数据包括在花粉释放周期内的花粉浓度数据以及对数据预处理时进行滤波平滑；所述花粉浓度数据为每立方米空气中24小时内收集到的花粉总颗粒数；
花粉释放周期的长度为花粉起始时期到花粉结束时期；所述花粉起始时期为累计花粉量达到年花粉总量5％时所对应的日期，所述花粉结束时期为累计花粉量达到年花粉总量95％时所对应的日期。本发明数据预处理时进行了滤波平滑，可以减小和消除由于错误记录或异常天气状况导致的原始花粉数据产生的随机偏差。
进一步的，遥感数据包括相应花粉站点所在区域的Landsat 和MODIS影像计算得到的植被指数；所述气候数据包括气候信息和土壤信息；所述气候信息包括逐日最高温度、最低温度和降雨量；所述土壤信息包括土地覆盖信息、土壤水和植被冠层处的水分蒸发量。
进一步的，花粉释放信息与遥感植被物候相关性分析包括绝对差异、整体差异、动态变化一致性和模型预测；
所述绝对差异包括用于衡量遥感植被物候起始时期与花粉起始时期的绝对变化差异，所述绝对差异指标的公式为：
其中，SOSn表示第n(n＝1,2...N)年遥感植被物候起始时期，SPSn表示第n年花粉起始时期，μn表示第n年遥感植被物候起始时期和花粉起始时期结果的平均差异，SOSn,m和SPSn,m分别表示第n年第 m(m＝1,2,...M)个站点的遥感植被物候起始时期和花粉起始时期，N 表示有效观测年限，M表示花粉观测站点个数，AD表示绝对差异。
进一步的，整体差异包括通过标准化的遥感植被物候起始时期和花粉起始时期结果评估两者在保持动态变化一致性时的整体变化差异，具体公式为：
其中，
和
分别表示第m个站点N年来植被物候起始时期的均值和标准差，
和
分别表示第m个站点N年来花粉起始时期的均值和标准差，NSOSn,m和NSPSn,m分别表示SOSn,m和SPSn,m在第m个站点、第n年归一化处理后的结果，OD表示整体差异。
进一步的，动态变化一致性包括遥感植被物候起始时期与花粉起始时期的时空相关性，通过计算遥感植被物候起始时期与花粉起始时期的年度偏差，并根据遥感植被物候起始时期年度偏差的百分位数对所述时空相关性进行分类。
进一步的，模型预测通过遥感植被物候建立线性回归模型预测花粉释放信息，并选取遥感植被物候产品进行花粉释放信息预测，所述线性回归模型公式为：
Y＝β0+β1x
其中，Y表示花粉起始时期SPS，x表示遥感植被物候起始时期SOS，β0和β1分别为线性回归模型的拟合截距与拟合系数。
进一步的，遥感植被物候与气候环境相关性分析包括偏相关性分析和偏最小二乘分析，所述偏相关性分析是求解在消除其他变量影响下的两变量之间的相关系数，具体公式为：
其中，r12(3)表示在不考虑因素3时因素1和2的相关性，r12、r13、r23分别表示因素1和2、因素1和3、因素2和3的相关性。
进一步的，偏最小二乘分析通过偏最小二乘回归模型将自变量和因变量同时进行分解，并且将因变量的信息引入到自变量矩阵分解过程中使得自变量的主成分直接与因变量相关联，同时去除因变量中无关的信息。
进一步的，逐步回归模型的公式为：
Y＝α0+α1x1+α2x2+...+αixi
其中，Y表示花粉起始时期SPS，xi(i≥1)表示遥感植被物候起始时期SOS和相关的气候环境因素，α0为逐步回归模型的拟合截距，αi(i≥1)表示遥感植被物候起始时期SOS和相关的气候环境因素所对应的逐步回归模型拟合系数。
本发明逐步回归模型从没有选择候选变量开始，逐步选择拟合优度最高的变量，通过逐步回归模型能够消除自变量的共线性并保留与因变量相关性较高的自变量。
与现有的技术相比，本发明的优点在于：
1.本发明一种基于遥感植被物候的花粉信息预测方法利用遥感植被物候信息大区域尺度和稳定性的优势，结合气候环境因素对花粉释放信息的影响，建立一套全新的植被春季花粉释放信息评价体系与预测模型，以弥补花粉监测站点的不足，为气候环境变化、公共健康领域提供高质量的区域花粉释放信息。
2.本发明利用遥感植被物候产品预测花粉释放信息，包含花粉释放周期起始时期、周期长度以及花粉峰值期等，以及建立完整的遥感植被物候预测花粉释放信息评价体系与制图，可以对改善花粉监测匮乏、数据种类较少，以及研究区域受到限制等方面进行质变性质的突破；并且，结合遥感影像大区域尺度、长时间序列的优势，本发明能够为预测大区域尺度花粉动态变化，以及人类健康风险评估与预警带来重大的改变和影响。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1是本发明一种基于遥感植被物候的花粉信息预测方法的流程图；
图2是本实施例遥感与花粉动态变化一致性的示意图；
图3是本实施例花粉释放起始时期预测图。
具体实施方式
为了使本技术领域的人员更好的理解本发明方案，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整的描述。
如图1-图3所示，本实施例一种基于遥感植被物候的花粉信息预测方法，步骤包括：
S1、获取数据并进行预处理；
S2、对花粉释放信息与遥感植被物候进行时空相关性分析；
S3、对遥感植被物候与气候环境因素进行时空相关性分析；
S4、对遥感植被物候信息以及气候环境要素进行特征提取，并且利用逐步回归模型进行花粉释放信息预测；
S5、进行区域花粉释放信息制图：获取研究区域的遥感植被物候信息，以及通过逐步回归模型获取的与花粉释放信息有关的气候环境因素和对应逐步回归方程中得到的拟合系数，计算出该区域内所有研究单元的花粉释放信息。本实施例通过遥感植被物候产品预测花粉释放信息，并建立完整的遥感植被物候预测花粉释放信息评价体系与制图，对于改善花粉监测匮乏、数据种类较少，以及研究区域受到限制等方面进行了极大的改善和突破。
本实施例步骤S1中获取的数据包括花粉数据、遥感数据和气候数据。本实施例花粉数据包括花粉浓度数据，花粉浓度数据为每立方米空气中24小时内收集到的花粉总颗粒数。本实施例的花粉预测评价体系与制图主要针对桦木、杨树和橡树三种春季开花的树种。在提取树木花粉释放周期的过程中，本实施例采用了将花粉释放的起始时期定义为花粉积累量达到该年份花粉总量5％时所对应的时刻的方法，这样既能避免花粉释放周期曲线中的长尾效应，又能有效地排除花粉在长期传输过程中对于观测结果造成的影响。本实施例中将花粉起始时期SPS定义为累计花粉量达到年花粉总量5％时所对应的日期；花粉结束时期EPS定义为累计花粉量达到年花粉总量95％时所对应的日期。由花粉起始时期到花粉结束时期即为花粉释放周期LPS的长度；同时，花粉释放高峰时期PPS表示该年日花粉量最大时所对应的日期。为了消除由于错误记录或异常天气状况导致原始花粉数据产生的随机偏差，本实施例在数据预处理时进行了滤波平滑。此外，本实施例研究获取了2001年-2015年间位于北美地区七个花粉观测站点的花粉浓度逐日观测数据作为研究对象。这些站点分别位于 Quebec，Sherbrooke，Montreal，Ottawa，Kingston，Windsor和London。
本实施例遥感数据通过利用Google earth engine(GEE) 平台获取对应花粉站点所在区域的Landsat和MODIS影像，并且计算植被指数NDVI。其中，Landsat影像选自30米空间分辨率的 Landsat7 TM，Landsat7 ETM+和Landsat8 OLI，MODIS影像选自 500米空间分辨率MCD43A4 V6经过双向反射率分布函数调整的反射率(NBAR)产品。所有获取的遥感产品均经过辐射校正、地形校正和大气校正，并且剔除了有云和雪覆盖地区的像元。本实施例分别采用双逻辑回归模型DLM和分段逻辑回归模型HPLM提取遥感植被物候起始时期。区别于通过曲率提取遥感植被物候转型期的定义，本实施例在DLM和HPLM模型中，选取植被指数拟合曲线中一阶导数最大值所对应的日期为植被物候起始时期。结合植被物候学理论，开花期通常在植被发芽的中后段时期，因此本实施例使用的一阶导数方法能够较为敏感识别植被发芽的爆发期，而由于该时期与植被开花时期间隔非常短，因此可以用来预测植被花粉起始时期SPS。
为了消除MODIS和Landsat两类遥感影像空间分辨率的差异对实验结果造成的影响，本实施例建立了一个新数据集，即将 Landsat影像的空间分辨率降采样至500米。为了解决降采样过程中混合土地覆盖类型的问题，通过计算不同土地覆盖类型的占比，将所有的土地类型信息加权融合到新的数据集中。最终，本实施例生产出六种不同的物候产品，其产品名称分别定义为：(1) Landsat30_DLM：利用30米空间分辨率的Landsat数据集和DLM模型；(2)Landsat30_HPLM：利用30米空间分辨率的Landsat 数据集和HPLM模型；(3)MODIS500_DLM：利用500米空间分辨率的MODIS数据集和DLM模型；(4)MODIS500_HPLM：利用500米空间分辨率的MODIS数据集和HPLM模型；(5)Landsat500_DLM：利用500米空间分辨率的Landsat数据集和DLM模型；(6) Landsat500_HPLM：利用500米空间分辨率的Landsat数据集和 HPLM模型。
本实施例气候数据包括逐日最高温度TMAX、最低温度TMIN、降雨量PRCP、土地覆盖信息、土壤水和植被冠层处的水分蒸发量。其中逐日最高温度TMAX、最低温度TMIN和降雨量PRCP从美国国家气候数据中心(NCDC)数据门户的全球历史气候学网络(GHCN) 数据集中获取。土地覆盖信息从全球30米土地覆盖数据集 GlobeLand30中获取(https://www.globeland30.org)。除了温度和降雨量对植被物候起始时期的影响，土壤水和植被冠层处的水分蒸发量也会影响植被物候起始时期的变化。因此，本实施例获取基于ECMWFERA5 reanalys i s产品的土壤水和植被冠层处的水分蒸发量。
本实施例花粉释放信息与遥感植被物候相关性分析包括绝对差异、整体差异、动态变化一致性和模型预测。本实施例桦木、橡树和杨树的遥感植被物候起始时期与花粉起始时期的相关性如图2所示。
所述绝对差异包括用于衡量遥感植被物候起始时期SOS与花粉起始时期SPS的绝对变化差异，所述绝对差异指标的公式为：
其中，SOSn表示第n(n＝1,2...N)年遥感植被物候起始时期，SPSn表示第n年花粉起始时期，μn表示第n年遥感植被物候起始时期和花粉起始时期结果的平均差异，SOSn,m和SPSn,m分别表示第n年第 m(m＝1,2,...M)个站点的遥感植被物候起始时期和花粉起始时期，N 表示有效观测年限，M表示花粉观测站点个数，AD表示绝对差异。即n表示有效观测年限N中的任意一年，m表示花粉观测站点个数 M中的任意一个。
整体差异OD利用标准化的遥感植被物候起始时期SOS和花粉起始时期SPS结果评估两者在保持动态变化一致性时的整体变化差异，其公式如下所示：
其中，
和
分别表示第m个站点N年来植被物候起始时期的均值和标准差，
和
分别表示第m个站点N年来花粉起始时期的均值和标准差，NSOSn,m和NSPSn,m分别表示SOSn,m和SPSn,m在第m个站点、第n年归一化处理后的结果，OD表示整体差异。本实施例遥感植被物候起始时期SOS和花粉起始时期SPS的绝对差异AD和整体差异OD结果如表1所示：
表1
本实施例花粉释放信息与遥感植被物候相关性分析还包括动态变化一致性，为了研究分析遥感植被物候起始时期SOS与花粉起始时期SPS的时空相关性，本实施例分别计算了遥感植被物候起始时期SOS与花粉起始时期SPS的年度偏差，并且根据遥感植被物候起始时期SOS年度偏差的百分位数将其分为五类：“非常早” (小于10％分位数)、“早”(介于10％和25％分位数)、“正常”(介于25％和75％分位数)、“晚”(介于75％和90％分位数)和“非常晚” (大于90％分位数)五种类型。
本实施例模型预测是利用遥感植被物候产品建立线性回归模型，以预测花粉释放信息。其公式如下所示：
Y＝β0+β1x
其中，Y表示花粉起始时期SPS，x表示遥感植被物候起始时期SOS，β0和β1分别为线性回归模型的拟合截距与拟合系数。
最终，选取最优的遥感植被物候产品进行花粉释放信息预测。
本实施例遥感植被物候与气候环境相关性分析包括偏相关性分析和偏最小二乘分析。偏相关性分析是求解在消除其他变量影响下的某两变量之间的相关系数。在多元相关分析中，简单相关系数可能不能够真实地反映出变量之间的相关性，因此在多要素构成系统中，当研究某一个要素对另一个要素的影响或相关程度时，排除其他要素的影响，单独研究该两个要素之间的相互关系。其公式如下所示：
其中，r12(3)表示在不考虑因素3时因素1和2的相关性。r12、 r13、r23分别表示因素1和2、因素1和3、因素2和3的相关性。
本实施例采用偏最小二乘分析，与传统多元线性回归模型相比，偏最小二乘回归模型能够在自变量存在严重多重相关性的条件下进行回归建模。同时，偏最小二乘回归模型允许在样本点个数少于变量个数的条件下进行回归，更易于辨识系统信息与噪声。偏最小二乘回归模型将自变量和因变量同时进行分解，并且将因变量的信息引入到自变量矩阵分解过程中，使得自变量的主成分直接与因变量相关联，同时也能够有效去除因变量中冗余无关的信息。
本实施例花粉释放信息预测模型采用对遥感植被物候信息以及气候环境要素进行特征提取，并且利用逐步回归模型进行花粉释放信息预测的方法。本实施例花粉起始时期SPS与 MODIS500_DLM产品预测结果差异如图3所示。
其中，本实施例逐步回归(正向选择)模型的本质是一种拟合回归模型，该模型从没有选择候选变量开始，逐步选择拟合优度最高的变量。本实施例选择变量的标准取决于一系列F检验。逐步回归模型的优点是消除了自变量的共线性并保留了与因变量相关性较高的自变量。其公式如下所示：
Y＝α0+α1x1+α2x2+...+αixi
其中，Y表示花粉起始时期SPS，xi(i≥1)表示遥感植被物候起始时期和相关的气候环境因素，α0为逐步回归模型的拟合截距，αi(i≥1)表示遥感植被物候起始时期和相关的气候环境因素所对应的逐步回归模型拟合系数。
本发明一种基于遥感植被物候的花粉信息预测方法在应用过程中，可以随着花粉站点的数据增加，对于模型预测方法能够尝试获取更多的气候环境变化因素，利用例如机器学习或者深度学习等其他预测模型，以进一步提高花粉释放信息的预测精度。同时，其他的遥感物候产品也可以替代本文生产的遥感物候产品。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种基于遥感植被物候的花粉信息预测方法，其特征在于，步骤包括：
S1、获取数据并进行预处理；
S2、对花粉释放信息与遥感植被物候进行时空相关性分析；
S3、对遥感植被物候与气候环境因素进行时空相关性分析；
S4、对遥感植被物候信息以及气候环境要素进行特征提取，并且利用逐步回归模型进行花粉释放信息预测；
S5、进行区域花粉释放信息制图：获取研究区域的遥感植被物候信息，以及与花粉释放信息有关的气候环境因素和对应逐步回归方程中得到的拟合系数，得到区域尺度内花粉预测信息。
2.根据权利要求1所述的一种基于遥感植被物候的花粉信息预测方法，其特征在于，所述步骤S1获取的数据包括花粉数据、遥感数据和气候数据；所述花粉数据包括在花粉释放周期内的花粉浓度数据以及对数据预处理时进行滤波平滑；所述花粉浓度数据为每立方米空气中24小时内收集到的花粉总颗粒数；
所述花粉起始时期为累计花粉量达到年花粉总量5％时所对应的日期，所述花粉结束时期为累计花粉量达到年花粉总量95％时所对应的日期；所述花粉释放周期的长度为花粉起始时期到花粉结束时期。
3.根据权利要求2所述的一种基于遥感植被物候的花粉信息预测方法，其特征在于，所述遥感数据包括相应花粉站点所在区域的Landsat和MODIS影像计算得到的植被指数；所述气候数据包括气候信息和土壤信息；所述气候信息包括逐日最高温度、最低温度和降雨量；所述土壤信息包括土地覆盖信息、土壤水和植被冠层处的水分蒸发量。
4.根据权利要求1所述的一种基于遥感植被物候的花粉信息预测方法，其特征在于，所述花粉释放信息与遥感植被物候相关性分析包括绝对差异、整体差异、动态变化一致性和模型预测；
所述绝对差异包括用于衡量遥感植被物候起始时期与花粉起始时期的绝对变化差异，所述绝对差异指标的公式为：
其中，SOSn表示第n(n＝1,2...N)年遥感植被物候起始时期，SPSn表示第n年花粉起始时期，μn表示第n年遥感植被物候起始时期和花粉起始时期结果的平均差异，SOSn,m和SPSn,m分别表示第n年第m(m＝1,2,...M)个站点的遥感植被物候起始时期和花粉起始时期，N表示有效观测年限，M表示花粉观测站点个数，AD表示绝对差异。
5.根据权利要求4所述的一种基于遥感植被物候的花粉信息预测方法，其特征在于，所述整体差异包括通过标准化的遥感植被物候起始时期和花粉起始时期结果评估两者在保持动态变化一致性时的整体变化差异，具体公式为：
其中，
和
分别表示第m个站点N年来植被物候起始时期的均值和标准差，
和
分别表示第m个站点N年来花粉起始时期的均值和标准差，NSOSn,m和NSPSn,m分别表示SOSn,m和SPSn,m在第m个站点、第n年归一化处理后的结果，OD表示整体差异。
6.根据权利要求4所述的一种基于遥感植被物候的花粉信息预测方法，其特征在于，所述动态变化一致性包括遥感植被物候起始时期与花粉起始时期的时空相关性，通过计算遥感植被物候起始时期与花粉起始时期的年度偏差，并根据遥感植被物候起始时期年度偏差的百分位数对所述时空相关性进行分类。
7.根据权利要求4所述的一种基于遥感植被物候的花粉信息预测方法，其特征在于，所述模型预测通过遥感植被物候建立线性回归模型预测花粉释放信息，并选取遥感植被物候产品进行花粉释放信息预测，所述线性回归模型公式为：
Y＝β0+β1x
其中，Y表示花粉起始时期SPS，x表示遥感植被物候起始时期SOS，β0和β1分别为线性回归模型的拟合截距与拟合系数。
8.根据权利要求1所述的一种基于遥感植被物候的花粉信息预测方法，其特征在于，所述遥感植被物候与气候环境相关性分析包括偏相关性分析和偏最小二乘分析，所述偏相关性分析是求解在消除其他变量影响下的两变量之间的相关系数，具体公式为：
其中，r12(3)表示在不考虑因素3时因素1和2的相关性，r12、r13、r23分别表示因素1和2、因素1和3、因素2和3的相关性。
9.根据权利要求8所述的一种基于遥感植被物候的花粉信息预测方法，其特征在于，所述偏最小二乘分析通过偏最小二乘回归模型将自变量和因变量同时进行分解，并且将因变量的信息引入到自变量矩阵分解过程中使得自变量的主成分直接与因变量相关联，同时去除因变量中无关的信息。
10.根据权利要求1所述的一种基于遥感植被物候的花粉信息预测方法，其特征在于，所述逐步回归模型的公式为：
Y＝α0+α1x1+α2x2+...+αixi
其中，Y表示花粉起始时期SPS，xi(i≥1)表示遥感植被物候起始时期SOS和相关的气候环境因素，α0为逐步回归模型的拟合截距，αi(i≥1)表示遥感植被物候起始时期SOS和相关的气候环境因素所对应的逐步回归模型拟合系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210294633.2A CN114970941A (zh) | 2022-03-23 | 2022-03-23 | 一种基于遥感植被物候的花粉信息预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210294633.2A CN114970941A (zh) | 2022-03-23 | 2022-03-23 | 一种基于遥感植被物候的花粉信息预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114970941A true CN114970941A (zh) | 2022-08-30 |
Family
ID=82975666
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210294633.2A Pending CN114970941A (zh) | 2022-03-23 | 2022-03-23 | 一种基于遥感植被物候的花粉信息预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114970941A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206411091U (zh) * | 2017-01-12 | 2017-08-15 | 苏州工业职业技术学院 | 一种用于养蜂场的花粉浓度智能监测系统 |
| CN111896430A (zh) * | 2020-01-06 | 2020-11-06 | 上海恺擎智能科技有限公司 | 花粉监测方法及其装置 |
| CN112101681A (zh) * | 2020-09-25 | 2020-12-18 | 北京师范大学 | 基于遥感ndpi时间序列监测冬小麦干热风灾害的方法 |
-
2022
- 2022-03-23 CN CN202210294633.2A patent/CN114970941A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206411091U (zh) * | 2017-01-12 | 2017-08-15 | 苏州工业职业技术学院 | 一种用于养蜂场的花粉浓度智能监测系统 |
| CN111896430A (zh) * | 2020-01-06 | 2020-11-06 | 上海恺擎智能科技有限公司 | 花粉监测方法及其装置 |
| CN112101681A (zh) * | 2020-09-25 | 2020-12-18 | 北京师范大学 | 基于遥感ndpi时间序列监测冬小麦干热风灾害的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 卞萌等: "融合植被遥感数据的北京市次日花粉浓度预测", 《地球信息科学学报》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zeng et al. | A review of vegetation phenological metrics extraction using time-series, multispectral satellite data | |
| Canisius et al. | Tracking crop phenological development using multi-temporal polarimetric Radarsat-2 data | |
| Zhang | Reconstruction of a complete global time series of daily vegetation index trajectory from long-term AVHRR data | |
| Chen et al. | Drought detection and assessment with solar-induced chlorophyll fluorescence in summer maize growth period over North China Plain | |
| CN109711102B (zh) | 一种作物灾害损失快速评估方法 | |
| CN115062863B (zh) | 基于作物参考曲线和积温校正的苹果的始花期预测方法 | |
| CN112348812A (zh) | 林分年龄信息测量方法及装置 | |
| CN115639979B (zh) | 基于随机森林回归模型的高分辨率spei数据集开发方法 | |
| Gaughan et al. | Linking vegetation response to seasonal precipitation in the Okavango–Kwando–Zambezi catchment of southern Africa | |
| Araghi et al. | Associations between large-scale climate oscillations and land surface phenology in Iran | |
| CN114372707A (zh) | 一种基于遥感数据的高寒湿地退化程度监测方法 | |
| CN114819737B (zh) | 公路路域植被的碳储量估算方法、系统及存储介质 | |
| Mustafa | Spatiotemporal analysis of vegetation cover in Kurdistan region-Iraq using MODIS image data | |
| CN116310858A (zh) | 一种基于多源遥感数据的高寒高海拔地表水体自动识别监测方法 | |
| Liu et al. | The spatial local accuracy of land cover datasets over the Qiangtang Plateau, High Asia | |
| CN115575601A (zh) | 基于水汽通量散度的植被旱灾指数评估方法和系统 | |
| Liu et al. | The superiority of solar-induced chlorophyll fluorescence sensitivity over other vegetation indices to drought | |
| CN118364975A (zh) | 多源数据驱动混合机理学习模型的小麦产量预测方法 | |
| CN107576399A (zh) | 面向modis 林火探测的亮温预测方法和系统 | |
| Ji et al. | Urban-rural gradient in vegetation phenology changes of over 1500 cities across China jointly regulated by urbanization and climate change | |
| CN111579565B (zh) | 农业干旱监测方法、系统及存储介质 | |
| CN114970941A (zh) | 一种基于遥感植被物候的花粉信息预测方法 | |
| CN105974091B (zh) | 林下草本植被枯枝落叶层丰富度的遥感量化探测方法 | |
| Duan et al. | Monitoring apple flowering date at 10 m spatial resolution based on crop reference curves | |
| Yeprintsev et al. | Ecological diagnostics of urban areas based on the materials of remote sensing of the earth |
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: 20220830 |