CN115115224A - 一种矿区植被碳汇分级及变化趋势评价分析方法 - Google Patents
一种矿区植被碳汇分级及变化趋势评价分析方法 Download PDFInfo
- Publication number
- CN115115224A CN115115224A CN202210749017.1A CN202210749017A CN115115224A CN 115115224 A CN115115224 A CN 115115224A CN 202210749017 A CN202210749017 A CN 202210749017A CN 115115224 A CN115115224 A CN 115115224A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- carbon sink
- fvc
- fpar
- nep
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 175
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 175
- 238000005065 mining Methods 0.000 title claims abstract description 92
- 230000008859 change Effects 0.000 title claims abstract description 65
- 238000011156 evaluation Methods 0.000 title claims abstract description 22
- 238000004458 analytical method Methods 0.000 title claims abstract description 17
- 230000005855 radiation Effects 0.000 claims abstract description 46
- 239000002245 particle Substances 0.000 claims abstract description 45
- 238000011160 research Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000001556 precipitation Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 42
- 238000005457 optimization Methods 0.000 claims description 21
- 239000002689 soil Substances 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 10
- 244000005700 microbiome Species 0.000 claims description 9
- 238000010521 absorption reaction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 208000005156 Dehydration Diseases 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000008020 evaporation Effects 0.000 claims description 3
- 238000001704 evaporation Methods 0.000 claims description 3
- 230000000243 photosynthetic effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 239000003245 coal Substances 0.000 abstract description 11
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000000528 statistical test Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009919 sequestration Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 235000008708 Morus alba Nutrition 0.000 description 1
- 240000000249 Morus alba Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004177 carbon cycle Methods 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010998 test method 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
Abstract
本发明公开了一种矿区植被碳汇分级及变化趋势评价分析方法,首先根据矿权边界选定矿区的研究区,获取研究区对应的遥感影像和气象数据;基于光能利用率模型计算矿区植被碳汇量,基于CASA模型及采用粒子群算法计算植被光能利用率理想最大值和所对应的理想气温和降水量;依据矿区月太阳总辐射和植被覆盖度的分级标准,推算出植被碳汇的分级指标;通过Theil‑SenMedian计算不同煤炭采阶段的植被碳汇的变化趋势,并结合Mann‑Kendall统计检验方法进行显著性检验,实现矿区植被碳汇趋势变化的等级划分。本发明能够量化评判植被碳汇量值变化情况、变化趋势,能够科学的、量化地知晓变化趋势好坏,对矿区生态环境监测、治理和修复提供数据支撑。
Description
技术领域
本发明涉及遥感及地理信息、生态学领域,尤其涉及一种矿区植被碳汇分级及变化趋势评价分析方法。
背景技术
煤炭在我国一次能源消费中占据主体地位,煤炭行业的发展对我国经济和生产建设发挥着至关重要的作用。煤炭开采的过程中会对矿区周边生态环境造成一定程度的影响和破坏,给生态环境治理造成了压力和挑战。因此,平衡好煤炭生产与环境保护之间的关系是新时代高质量发展的迫切需求(参考文献:矿区生态环境定量遥感监测评价技术框架与应用.矿业科学学报,作者:李军,彭苏萍,张成业,杨飞,桑潇;矿区生态环境定量遥感监测研究进展与展望[J].金属矿山,作者:张成业,李军,雷少刚,杨金中,杨楠)。植被碳汇作为陆地生态系统碳汇的重要组成部分,通过遥感反演的方法可以对矿区的植被碳汇进行长时序、高频次的监测和精确计算,从而精确反映矿区植被的生长状况、固碳能力和碳循环过程(参考文献:Yang F, Wang J,Zhang C,et al.The Impact of Human Activities on NetPrimary Productivity in a Grassland Open-Pit Mine:The Case Study of theShengli Mining Area in Inner Mongolia,China[J].Land,2022,11(5):743)。然而,矿区某一时段、某一区域的植被碳汇量值变化情况、变化趋势缺乏科学的技术评判,导致矿区无法实现在时间与区域的趋势研究,也无法科学的、量化地知晓变化趋势是好还是坏,这是生态环境治理与环境保护需要解决的技术方向。
发明内容
针对现有技术存在的技术问题,本发明的目的在于提供一种矿区植被碳汇分级及变化趋势评价分析方法,首先根据矿权边界选定矿区的研究范围,依据矿区研究范围获取对应的遥感影像和气象数据;基于光能利用率模型计算矿区植被碳汇量,然后基于CASA模型构建原理,采用深度优先搜索的粒子群算法在气温和降水因素的胁迫下计算植被光能利用率理想最大值和该状态下对应的理想气温和降水量;进一步依据矿区月太阳总辐射和植被覆盖度的分级标准,推算出植被碳汇的分级指标;最后,通过非参数统计方法Theil-SenMedian,计算不同煤炭采阶段的植被碳汇的变化趋势,并结合Mann-Kendall统计检验方法进行显著性检验,实现矿区植被碳汇趋势变化的等级划分,能够量化评判植被碳汇量值变化情况、变化趋势,能够科学的、量化地知晓变化趋势好坏,对矿区生态环境监测、治理和修复提供数据支撑。
本发明的目的通过下述技术方案实现:
一种矿区植被碳汇分级及变化趋势评价分析方法,其方法如下:
A、采集研究区内的影像数据与影像数据相关联的气象气候数据;植被碳汇 NEP按照如下公式计算得到:
NEP=NPP-RH,其中NPP为基于光能利用率模型计算得到的植被净初级生产力,RH表示土壤微生物的呼吸量;
B、通过粒子群优化算法模型依据CASA模型中植被光能率计算原理进行迭代计算并得出研究区植被理想光能利用率εw及其对应的最佳气温Tw和最佳降水量条件Pw;
C、以植被覆盖度为基准建立植被覆盖度等级划分标准,植被覆盖度等级划分标准中的植被覆盖度分界值FVCi,根据植被覆盖度等级划分标准得出植被碳汇等级划分标准,植被碳汇等级划分标准中的植被碳汇分界值NEPi:
D、构建泰尔-森估算模型并按照如下公式计算出时间阶段的植被碳汇变化趋势β:
其中j表示时间阶段的起始年份,k表示时间阶段的终止年份,NEPj和NEPk表示对应年份的植被碳汇量,β>0表示时间阶段的植被碳汇呈现上升趋势,β<0表示时间阶段的植被碳汇呈现下降趋势, Mean表示取中值;
E、构建Mann-Kendall检验模型按照如下公式计算出植被碳汇变化趋势β的显著性:
其中,n表示参与计算的年份数量,n=j-i,NEPi和NEPj表示对应年份的植被碳汇量,sign(θ)为符号函数;
F、划分设定步骤D植被碳汇变化趋势的阈值β0,划分设定步骤F显著性的阈值Z0;按照如下方法对研究区内植被碳汇变化趋势进行分析评价:
当时间阶段内植被碳汇变化趋势β≥β0,且显著性Z≥Z0,则判定为植被碳汇明显增加;
当时间阶段内植被碳汇变化趋势β≥β0,且显著性Z处于-Z0≤Z≤Z0范围内,则判定为植被碳汇微弱增加;
当时间阶段内植被碳汇变化趋势处于-β0≤β≤β0,且显著性Z处于 -Z0≤Z≤Z0范围内,则判定为植被碳汇稳定不变;
当时间阶段内植被碳汇变化趋势β<-β0,且显著性Z处于 -Z0≤Z≤Z0范围内,则判定为植被碳汇微弱减少;
当时间阶段内植被碳汇变化趋势β<-β0,且显著性Z≤-Z0,则判定为植被碳汇明显减少。
为了更好地实现本发明方法,本发明优选的步骤B包括如下方法:
B1、CASA模型中植被光能率计算原理如下:
Tε1(x,t)=0.8+0.02×Topt(x)-0.0005×[Topt(x)]2
ε(x,t)=Tε1(x,t)×Tε2(x,t)×W(x,t)×0.389
其中Tε1(x,t)表示高温胁迫系数,Tε2(x,t)表示低温胁迫系数,W(x,t)表示水分胁迫系数;Topt(x)表示一年期中出现NDVI最高值时对应月份的平均温度; T(x,t)为月平均温度;E(x,t)表示区域实际蒸散量;Ep(x,t)表示区域潜在蒸散量;
E(x,t)和Ep(x,t)的计算方法如下:
其中P(x,t)表示t月降水量,Rn(x,t)表示t月地表净辐射量,Ep0(x,t)表示局地潜在蒸发量,Rn(x,t)和Ep0(x,t)计算方法如下:
其中I(x)为全年总和的热量指标,参数α(x)是与I(x)有关的参数,I(x)和α(x) 的关系公式如下:
α(x)=[0.6751×I3(x)-77.1×I2(x)+17920×I(x)+492390]×10-6;
B2、粒子群优化算法模型迭代计算公式如下:
νi=ω×νi+c1×rand()×(pbesti-xi)+c2×rand()×(gbesti-xi)
其中xi表示粒子当前位置;νi表示当前粒子的速度;rand()表示介于(0,1) 之间的随机数;c1和c2表示学习因子;ω表示惯性因子;pbesti表示对应粒子在满足适应值条件的最佳位置;gbesti表示在满足适应值条件下整个群体中所有粒子发现的最佳位置。
优选地,本发明在步骤A中,基于光能利用率模型按照如下公式计算得到植被净初级生产力NPP:
NPP(x,t)=APAR(x,t)×ε(x,t),其中NPP(x,t)表示影像数据中像元x在t月的植被净初级生产力,APAR(x,t)表示影像数据中像元x在t月吸收的光合有效辐射,ε(x,t)为影像数据中像元x在t月真实的植被光能利用率,x表示影像数据中像元的空间位置,t表示月度;
在步骤A中,土壤微生物的呼吸量RH按照裴志永模型进行如下计算:
RH=0.22×(exp(0.0912T)+ln(0.3145R+1))×30×46.5%,式中,T表示气温,R表示降水。
优选地,本发明光合有效辐射APAR(x,t)的计算公式如下:
APAR(x,t)=PAR(x,t)×FPAR(x,t)
PAR(x,t)=SOL(x,t)×0.5
其中PAR(x,t)表示影像数据中像元x在t月的光合有效辐射,FPAR(x,t)表示影像数据中像元x在t月的植被光合有效辐射吸收比例,SOL(x,t)表示像元x在t月的太阳总辐射量;
FPAR(x,t)采用如下公式计算得到:
FPAR(x,t)=FVC×(FPARmax-FPARmin)+FPARmin;
FPARmax与FPARmin分别取值为0.95和0.001,NDVImax和NDVImin分别取研究区NDVI的最大值和最小值;FVC为植被覆盖度,采用像元二分模型进行计算,NDVIsoil表示纯裸土像元,NDVIveg表示纯植被像元。
优选地,本发明在步骤C中,根据植被覆盖度等级划分标准中的植被覆盖度分界值FVCi得出植被碳汇等级划分标准中的植被碳汇分界值NEPi的方法如下:
FPARi=FVCi×(FPARmax-FPARmin)+FPARmin,其中FVCi为植被覆盖度分界值,FPARi为对应的植被光合有效辐射吸收比例分界值;
APARi=PARmean×FPARi,PARmean=SOLmean×0.5;其中SOLmean表示矿区开采全生命周期中植被生长状况最佳的月份对应的太阳总辐射量均值, PARmean表示在SOLmean条件下对应的光合有效辐射,APARi表示像植被吸收的光合有效辐射分界值;
NPPi=APARi×εw,其中NPPi表示植被净初级生产力分界值,εw表示矿区植被理想光能利用率;
优选地,本发明植被覆盖度等级划分标准中的植被覆盖度分界值FVCi包括 FVC1、FVC2、FVC3、FVC4四个植被覆盖度分界值,FVC1=0.2, FVC2=0.4,FVC3=0.6,FVC4=0.8,植被碳汇等级划分标准中的植被碳汇分界值NEPi对应包括NEP1、NEP2、NEP3、NEP4四个植被碳汇分界值。
本发明较现有技术相比,具有以下优点及有益效果:
(1)本发明针对矿区煤炭开采全周期过程提出一种矿矿区植被碳汇分级及变化趋势评价分析方法,首先根据矿权边界选定矿区的研究范围,依据矿区研究范围获取对应的遥感影像和气象数据;基于光能利用率模型计算矿区植被碳汇量,然后基于CASA模型构建原理,采用深度优先搜索的粒子群算法在气温和降水因素的胁迫下计算植被光能利用率理想最大值和该状态下对应的理想气温和降水量;进一步依据矿区月太阳总辐射和植被覆盖度的分级标准,推算出植被碳汇的分级指标;最后,通过非参数统计方法Theil-SenMedian,计算不同煤炭采阶段的植被碳汇的变化趋势,并结合Mann-Kendall统计检验方法进行显著性检验,实现矿区植被碳汇趋势变化的等级划分,能够量化评判植被碳汇量值变化情况、变化趋势,能够科学的、量化地知晓变化趋势好坏,对矿区生态环境监测、治理和修复提供数据支撑。
(2)本发明针对矿区场景,提出了植被碳汇量分级和趋势变化评价的方法,能够准确反映在伴随煤炭开采和矿区土地利用变化等人类活动影响下植被碳汇的真实状态和演变过程,为矿区生态环境治理和生态修复提供重要的科学数据支撑和理论指导。
(3)本发明基于CASA模型的光能利用率计算流程并利用粒子群优化算法,能够建立适用于不同矿区的植被碳汇等级划分标准,具有针对性和普适性;通过Sen-MK算法进行植被碳汇变化趋势的计算和统计性检验,基于此构建的矿区植被碳汇变化趋势评价方法能够从时间维度和空间维度反映不同开采阶段矿区植被碳汇的变化方向和变化程度。
(4)本发明通过融合多源遥感数据和气候站点数据,在矿区场景定量反演植被碳汇;基于光能利用率模型和粒子群优化算法,结合矿区的太阳辐射条件和植被生长状况,构建具有普适性的植被碳汇分级标准,为矿区植被碳汇评价分析提供精确的数据支撑和理论依据;基于Sen-MK算法,计算分析在矿区开采全生命周期以及不同开采阶段的植被碳汇变化趋势并进行等级划分,能够精准的反映在不同开采阶段植被变化情况,以及矿区生态修复工程对植被碳汇恢复的作用效果,为矿区生态环境修复提供有效的精准监测和决策建议。
附图说明
图1为实施例中的方法流程示意图;
图2为实施例中粒子群优化算法模型的原理方法流程图;
图3为实施例中举例研究矿区的植被覆盖度空间分布情况;
图4为实施例中举例研究矿区的植被碳汇空间分布情况;
图5为实施例中举例研究矿区的植被碳汇等级划分结果图;
图6为实施例中举例研究矿区的植被碳汇变化趋势分析评价结果。
具体实施方式
下面结合实施例对本发明作进一步地详细说明:
实施例
如图1~图6所示,一种矿区植被碳汇分级及变化趋势评价分析方法,首先根据矿权边界选定矿区的研究范围,依据矿区研究范围获取对应的遥感影像和气象数据;基于光能利用率模型计算矿区植被碳汇量,然后基于CASA模型构建原理,采用深度优先搜索的粒子群算法在气温和降水因素的胁迫下计算植被光能利用率理想最大值和该状态下对应的理想气温和降水量;进一步依据矿区月太阳总辐射和植被覆盖度的分级标准,推算出植被碳汇的分级指标;最后,通过非参数统计方法Theil-Sen Median,计算不同煤炭采阶段的植被碳汇的变化趋势,并结合Mann-Kendall统计检验方法进行显著性检验,实现矿区植被碳汇趋势变化的等级划分,能够量化评判植被碳汇量值变化情况、变化趋势,能够科学的、量化地知晓变化趋势好坏,对矿区生态环境监测、治理和修复提供数据支撑。其方法如下:
A、采集研究区内的影像数据与影像数据相关联的气象气候数据;本实施例影像数据来源于系列陆地资源卫星获取的遥感影像或中国资源卫星应用中心获取的高分影像数据(空间分辨率为2米,重访周期为4天,可实现高时效的动态监测),本实施例需要对上述影像数据进行矿权边界(即本实施例研究区) 的识别和矿区范围(即本实施例研究区)的选取;本实施例可以对影像数据进行裁剪、去云处理、辐射定标和大气校正等预处理操作,可以消除云层和大气等因素造成的辐射误差。本实施例气象气候数据来源于中国气象数据网,气象气候数据同样选取包含矿区范围(即本实施例研究区)所在行政区划范围的气象站点的气温、降水和月太阳总辐射月度数据(本实施例可以按照反距离权重法插值的方法在矿区矢量范围内进行插值计算处理)。植被碳汇NEP按照如下公式计算得到:
NEP=NPP-RH,其中NPP为基于光能利用率模型计算得到的植被净初级生产力(单位:(gC/(m2·a)),RH表示土壤微生物的呼吸量(单位:gC/(m2·a));
在一些实施例中,在步骤A中,基于光能利用率模型按照如下公式计算得到植被净初级生产力NPP(光能利用率模型中NPP可以在Monteith方程中通过植被吸收的光合有效辐射(APAR)和实际光能利用率(ε)计算得到):
NPP(x,t)=APAR(x,t)×ε(x,t),其中NPP(x,t)表示影像数据中像元x在t月的植被净初级生产力(gC/(m2·a)),APAR(x,t)表示影像数据中像元x 在t月吸收的光合有效辐射(gC/(m2·month),ε(x,t)为影像数据中像元x在t月真实的植被光能利用率(gC/MJ),x表示影像数据中像元的空间位置,t表示月度;上述植被净初级生产力公式为月度植被净初级生产力公式,若本发明是按照月度进行变化趋势评价,则直接采用上述公式对应计算,若本发明是按照年度(包括12个月)进行变化趋势评价,则按照上述公司计算出月度植被净初级生产力,将各个月相加即可得到年度植被净初级生产力。
在步骤A中,光合有效辐射APAR(x,t)的计算公式如下(植被吸收的光合有效辐射取决于太阳总辐射和植物本身的特征,本实施例可以利用光能利用率的植被净初级生产力估算模型对APAR进行计算):
APAR(x,t)=PAR(x,t)×FPAR(x,t)
PAR(x,t)=SOL(x,t)×0.5
其中PAR(x,t)表示影像数据中像元x在t月的光合有效辐射 (MJ/(m2·month)),FPAR(x,t)表示影像数据中像元x在t月的植被光合有效辐射吸收比例,SOL(x,t)表示像元x在t月的太阳总辐射量(MJ/(m2·month));常数 0.5表示植被在波长为0.38-0.71μm处所能利用的太阳有效辐射占太阳总辐射的比例。
FPAR(x,t)采用如下公式计算得到:
FPAR(x,t)=FVC×(FPARmax-FPARmin)+FPARmin;
本实施例FPARmax与FPARmin分别取值为0.95和0.001,NDVImax和 NDVImin分别取研究区NDVI的最大值和最小值;FVC为植被覆盖度,采用像元二分模型进行计算,NDVIsoil表示纯裸土像元,NDVIveg表示纯植被像元,本实施例选取研究区NDVI值的95%置信区间作为纯裸土像元NDVIsoil和纯植被像元 NDVIveg。
在步骤A中,土壤微生物的呼吸量RH按照裴志永模型进行如下计算:
RH=0.22×(exp(0.0912T)+ln(0.3145R+1))×30×46.5%,式中,T表示气温(℃),R表示降水(mm)。
本实施例步骤A举例如下:研究区选自内蒙古自治区锡林郭勒盟锡林浩特市胜利一号露天矿及其周围1km范围的自然生态区,本发明所需采集的影像数据通过下载使用Google Earth Engine(GEE)平台中的Landsat-5、Landsat-7、 Landsat-8卫星影像产品和Sentinel-2A影像产品进行数据运算。气象数据来自中国气象数据网的地面气候资料月度数据集站点数据,主要包括月平均气温、月总降水量和月太阳总辐射;通过反距离权重插值的方法将气象数据插值到30m 分辨率,与遥感数据的空间分辨率保持一致便于运算。其中归一化植被指数 (NDVI)和植被覆盖度(FVC)的计算方法如下,
本实施例经过计算得出本实施例举例胜利一号露天矿及其周围1km范围的植被覆盖度空间分布情况如图3所示。由此进行计算研究区的植被碳汇,植被碳汇可以通过植被净初级生产力(NPP)和土壤中的微生物呼吸的碳排放量的差值即植被净生态系统生产力进行计算,方法如下:
FPAR(x,t)=FVC×(FPARmax-FPARmin)+FPARmin
PAR(x,t)=SOL(x,t)×0.5
APAR(x,t)=PAR(x,t)×FPAR(x,t)
NPP(x,t)=APAR(x,t)×ε(x,t)
RH=0.22×(exp(0.0912T)+ln(0.3145P+1))×30×46.5%
NEP=NPP-RH
本实施例举例胜利一号露天矿及其周围1km范围作为研究区的植被碳汇空间分布情况如图4所示。
B、通过粒子群优化算法模型依据CASA模型中植被光能率计算原理进行迭代计算并得出研究区植被理想光能利用率εw及其对应的最佳气温Tw和最佳降水量条件Pw。本实施例通过粒子群优化算法模型按照植被光能率计算原理计算出研究区植被理想光能利用率εw,并对应得到最佳气温Tw和最佳降水量条件 Pw。
在一些实施例中,步骤B包括如下方法:
B1、CASA模型中植被光能率计算原理如下:
Tε1(x,t)=0.8+0.02×Topt(x)-0.0005×[Topt(x)]2
W(x,t)=0.5+0.5×E(x,t)/Ep(x,t)
ε(x,t)=Tε1(x,t)×Tε2(x,t)×W(x,t)×0.389
其中Tε1(x,t)表示高温胁迫系数,Tε2(x,t)表示低温胁迫系数,W(x,t)表示水分胁迫系数;Topt(x)表示一年期中出现NDVI最高值时对应月份的平均温度(又称最适宜植被生长的温度);T(x,t)为月平均温度(℃),在一些实施例中,T(x,t) 可以按照如下规则进行配置:当T(x,t)小于或等于-10℃时,Tε1(x,t)取0;当 T(x,t)比最适温度Topt(x)高10℃或低13℃时,Tε2(x,t)等于T(x,t)为最适温度 Topt(x)时Tε2(x,t)值的一半;E(x,t)表示区域实际蒸散量(mm);Ep(x,t)表示区域潜在蒸散量(mm);
E(x,t)和Ep(x,t)的计算方法如下:
其中P(x,t)表示t月降水量,Rn(x,t)表示t月地表净辐射量,Ep0(x,t)表示局地潜在蒸发量,Rn(x,t)和Ep0(x,t)计算方法如下:
其中I(x)为全年总和的热量指标,参数α(x)是与I(x)有关的参数,I(x)和α(x) 的关系公式如下:
α(x)=[0.6751×I3(x)-77.1×I2(x)+17920×I(x)+492390]×10-6;
B2、粒子群优化算法模型(粒子群优化算法模型采用粒子群优化算法,粒子群优化算法是一种群体智能优化的进化算法,从随机解出发,通过迭代运算寻找最优解并按照适应度来评价解品质)迭代计算公式如下:
vi=ω×vi+c1×rand()×(pbesti-xi)+c2×rand()×(gbesti-xi)
其中xi表示粒子当前位置;vi表示当前粒子的速度;rand()表示介于(0,1) 之间的随机数;c1和c2表示学习因子,分别代表粒子自身的认知能力和粒子之间的社会信息交互能力,通常c1=c2=2;ω表示惯性因子,惯性因子值越大,全局择优能力越强,惯性因子值越小,局部择优能力越强,ω通常取值范围为0.8~1.2;pbesti表示对应粒子在满足适应值条件的最佳位置;gbesti表示在满足适应值条件下整个群体中所有粒子发现的最佳位置。本实施例粒子群优化算法模型所采用的粒子群优化算法如图2所示,其计算流程方法主要包括:
B21、初始化粒子群参数,初始化每个粒子的位置和速度;
B22、计算目标函数的适应值;
B23、更新每个粒子的个体历史最优适应值和位置;更新群体历史最优适应值和位置;
B24、判断是否满足收敛条件,若满足收敛条件,则输出最优结果,更新每个粒子的位置和速度;若不满足收敛条件,则返回至步骤B22。
本实施例先初始化一群微粒的参数、随机位置和速度;计算目标函数的适应值,评价每个微粒的适应度;更新每个粒子的个体历史最优适应值和位置;对每个微粒,将其适应值与pbest_i位置的适应值作比较,如果较好,则将其作为当前的最佳位置;更新群体历史最优适应值和位置;根据上文公式对速度和位置进行优化调整;在达到最大迭代次数或满足最优位置的搜索条件时停止迭代。
本实施例将步骤B1中植被光能率计算原理作为求取适应值的目标函数代入步骤B2中粒子群优化算法模型中,粒子群优化算法模型按照粒子群优化算法经过迭代运算得到矿区植被理想光能利用率(εw)及其对应的最佳气温(Tw)和最佳降水量条件(Pw)。
本实施例举例胜利一号露天矿及其周围1km范围作为研究区的演算方法如下:
基于光能利用率计算原理,通过粒子群优化算法进行迭代计算,求解在矿区植被生长最适温度和降水条件下,植被的理想光能利用率。
Tε1(x,t)=0.8+0.02×Topt(x)-0.0005×[Topt(x)]2
W(x,t)=0.5+0.5×E(x,t)/Ep(x,t)
εw(x,t)=Tε1(x,t)×Tε2(x,t)×W(x,t)×0.389
其中εw(x,t)为矿区植被理想最大光能利用率,Tε1(x,t)为高温胁迫系数,Tε2(x,t)为低温胁迫系数,W(x,t)为水分胁迫系数,0.389为植被最大光能利用率。依据迭代运算而得到如下结果:研究区在气温为20.6℃,降水为70.06mm的条件下,植被在受到气温和降水的胁迫下,理想光能利用率为0.2019。
C、以植被覆盖度为基准建立植被覆盖度等级划分标准,植被覆盖度等级划分标准中的植被覆盖度分界值FVCi,根据植被覆盖度等级划分标准得出植被碳汇等级划分标准,植被碳汇等级划分标准中的植被碳汇分界值NEPi:
在本实施例中,步骤C的植被覆盖度等级划分标准中的植被覆盖度分界值 FVCi包括FVC1、FVC2、FVC3、FVC4四个植被覆盖度分界值(参考文献: 1982-2003年内蒙古植被带和植被覆盖度的时空变化[J].地理学报,作者:陈效逑,王恒;1998—2018年呼伦贝尔市植被覆盖度时空变化及驱动力分析[J].生态学报,2022,42(01):220-235,作者:李晶,刘乾龙,刘鹏宇),FVC1=0.2, FVC2=0.4,FVC3=0.6,FVC4=0.8,植被覆盖度等级划分标准中的植被覆盖度分界值FVCi如下表:
植被覆盖度等级 | 植被覆盖度分级标准 |
极低植被覆盖度区 | FVC≤FVC<sub>1</sub> |
低植被覆盖度区 | FVC<sub>1</sub>≤FVC≤FVC<sub>2</sub> |
中等植被覆盖度区 | FVC<sub>2</sub>≤FVC≤FVC<sub>3</sub> |
高植被覆盖度区 | FVC<sub>3</sub>≤FVC≤FVC<sub>4</sub> |
极高植被覆盖度区 | FVC<sub>4</sub>≤FVC |
表1植被覆盖度等级划分标准
植被碳汇等级划分标准中的植被碳汇分界值NEPi对应包括 NEP1、NEP2、NEP3、NEP4四个植被碳汇分界值。在本实施例中,步骤C根据植被覆盖度等级划分标准中的植被覆盖度分界值FVCi得出植被碳汇等级划分标准中的植被碳汇分界值NEPi的方法如下:
FPARi=FVCi×(FPARmax-FPARmin)+FPARmin,其中FVCi为植被覆盖度分界值,FPARi为对应的植被光合有效辐射吸收比例分界值;
APARi=PARmean×FPARi,PARmean=SOLmean×0.5;其中SOLmean表示矿区开采全生命周期中植被生长状况最佳的月份对应的太阳总辐射量均值, PARmean表示在SOLmean条件下对应的光合有效辐射,APARi表示像植被吸收的光合有效辐射分界值;
NPPi=APARi×εw,其中NPPi表示植被净初级生产力分界值,εw表示矿区植被理想光能利用率;
本实施例植被碳汇等级划分标准中的植被碳汇分界值NEPi如下表:
植被碳汇等级 | 植被碳汇分级标准 |
极低植被碳汇区 | NEP≤NEP<sub>1</sub> |
低植被碳汇区 | NEP<sub>1</sub>≤NEP≤NEP<sub>2</sub> |
中等植被碳汇区 | NEP<sub>2</sub>≤NEP≤NEP<sub>3</sub> |
高植被碳汇区 | NEP<sub>3</sub>≤NEP≤NEP<sub>4</sub> |
极高植被碳汇区 | NEP<sub>4</sub>≤NEP |
表2矿区植被碳汇等级划分标准
本实施例举例胜利一号露天矿及其周围1km范围作为研究区根据植被理想光能利用率结合植被覆盖度的等级划分标准和月太阳总辐射数据计算矿区植被分界值,并构建植被碳汇分级标准,共划分为5类(极低植被碳汇区、低植被碳汇区、中等植被碳汇区、高植被碳汇区、极高植被碳汇区)如下表所示:按照本发明碳汇分级标准对举例的研究区植被碳汇进行等级划分,其植被碳汇等级划分结果如图5所示。
表3胜利一号露天矿及其周围1km范围作为研究区的植被碳汇分级标准
表3中,FVC表示植被覆盖度,FPAR表示植被光合有效辐射吸收比例,APAR表示植被吸收的光合有效辐射量,NEP表示植被碳汇量。
D、构建泰尔-森估算模型(泰尔-森估算模型,英文名称为:Theil-Sen Median,是一种稳健的非参数统计的趋势计算方法,通过选择成对点的所有线的斜率的中值来稳健地将线拟合到平面中的采样点。)并按照如下公式计算出时间阶段的植被碳汇变化趋势β:
其中j表示时间阶段的起始年份,k表示时间阶段的终止年份,NEPj和 NEPk表示对应年份的植被碳汇量,β>0表示时间阶段的植被碳汇呈现上升趋势,β<0表示时间阶段的植被碳汇呈现下降趋势,Mean表示取中值;
E、构建Mann-Kendall检验模型(Mann-Kendall检验是一种非参数检验方法,用于检验泰尔-森估算模型(即Theil-Sen Median)时间序列趋势计算结果的显著性,针对矿区植被碳汇趋势计算的结果进行假设检验)按照如下公式计算出植被碳汇变化趋势β的显著性:
其中,n表示参与计算的年份数量,n=j-i,在本实施例中,当n≥8时,检验统计量s近似服从正态分布;NEPi和NEPj表示对应年份的植被碳汇量, sign(θ)为符号函数;在给定显著性水平α下,当表示拒绝“无趋势性”的假设。当Z的绝对值大于1.65、1.96和2.58时表示趋势分别通过了置信水平为90%、95%和99%的显著性检验。
F、划分设定步骤D植被碳汇变化趋势的阈值β0,划分设定步骤F显著性的阈值Z0;按照如下方法对研究区内植被碳汇变化趋势进行分析评价:
当时间阶段内植被碳汇变化趋势β≥β0,且显著性Z≥Z0,则判定为植被碳汇明显增加;
当时间阶段内植被碳汇变化趋势β≥β0,且显著性Z处于-Z0≤Z≤Z0范围内,则判定为植被碳汇微弱增加;
当时间阶段内植被碳汇变化趋势处于-β0≤β≤β0,且显著性Z处于 -Z0≤Z≤Z0范围内,则判定为植被碳汇稳定不变;
当时间阶段内植被碳汇变化趋势β<-β0,且显著性Z处于 -Z0≤Z≤Z0范围内,则判定为植被碳汇微弱减少;
当时间阶段内植被碳汇变化趋势β<-β0,且显著性Z≤-Z0,则判定为植被碳汇明显减少。
本实施例根据Sen-MK算法的趋势计算和检验结果划分趋势变化阈值,构建矿区植被碳汇变化趋势评价标准,统计标准如下表所示:
趋势β | Z值 | 植被碳汇变化趋势评价 |
β≥β<sub>0</sub> | Z≥Z<sub>0</sub> | 植被碳汇明显增加 |
β≥β<sub>0</sub> | -Z<sub>0</sub>≤Z≤Z<sub>0</sub> | 植被碳汇微弱增加 |
-β<sub>0</sub>≤β≤β<sub>0</sub> | -Z<sub>0</sub>≤Z≤Z<sub>0</sub> | 植被碳汇稳定不变 |
β<-β<sub>0</sub> | -Z<sub>0</sub>≤Z≤Z<sub>0</sub> | 植被碳汇微弱减少 |
β<-β<sub>0</sub> | Z≤-Z<sub>0</sub> | 植被碳汇明显减少 |
表4矿区植被碳汇变化趋势评价标准
通过非参数统计方法Theil-Sen Median,计算不同煤炭采阶段的植被碳汇的变化趋势,并结合Mann-Kendall统计检验方法进行显著性检验。β0表示用于划分植被碳汇改善增加的阈值,Z0表示在置信水平上的显著性检验结果阈值。其中,正向变化趋势大于变化阈值,同时假设检验结果大于显著性检验结果阈值呈现显著变化时,认定植被碳汇呈现明显增加的变化趋势。
通过步骤D-步骤F的计算,本实施例举例胜利一号露天矿及其周围1km范围作为研究区的植被碳汇变化趋势评价标准如下表(本实施例举例胜利一号露天矿及其周围1km范围作为研究区的阈值β0=0.3,阈值Z0=1.96):
本实施例举例胜利一号露天矿及其周围1km范围作为研究区植被碳汇变化趋势分析评价结果如图6所示。
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 (6)
1.一种矿区植被碳汇分级及变化趋势评价分析方法,其特征在于:其方法如下:
A、采集研究区内的影像数据与影像数据相关联的气象气候数据;植被碳汇NEP按照如下公式计算得到:
NEP=NPP-RH,其中NPP为基于光能利用率模型计算得到的植被净初级生产力,RH表示土壤微生物的呼吸量;
B、通过粒子群优化算法模型依据CASA模型中植被光能率计算原理进行迭代计算并得出研究区植被理想光能利用率εw及其对应的最佳气温Tw和最佳降水量条件Pw;
C、以植被覆盖度为基准建立植被覆盖度等级划分标准,植被覆盖度等级划分标准中的植被覆盖度分界值FVCi,根据植被覆盖度等级划分标准得出植被碳汇等级划分标准,植被碳汇等级划分标准中的植被碳汇分界值NEPi:
D、构建泰尔-森估算模型并按照如下公式计算出时间阶段的植被碳汇变化趋势β:
其中j表示时间阶段的起始年份,k表示时间阶段的终止年份,NEPj和NEPk表示对应年份的植被碳汇量,β>表示时间阶段的植被碳汇呈现上升趋势,β<0表示时间阶段的植被碳汇呈现下降趋势,Mean表示取中值;
E、构建Mann-Kendall检验模型按照如下公式计算出植被碳汇变化趋势β的显著性:
其中,n表示参与计算的年份数量,n=j-i,NEPi和NEPj表示对应年份的植被碳汇量,sign(θ)为符号函数;
F、划分设定步骤D植被碳汇变化趋势的阈值β0,划分设定步骤F显著性的阈值Z0;按照如下方法对研究区内植被碳汇变化趋势进行分析评价:
当时间阶段内植被碳汇变化趋势β≥β0,且显著性Z≥Z0,则判定为植被碳汇明显增加;
当时间阶段内植被碳汇变化趋势β≥β0,且显著性Z处于-Z0≤Z≤Z0范围内,则判定为植被碳汇微弱增加;
当时间阶段内植被碳汇变化趋势处于-β0≤β≤β0,且显著性Z处于-Z0≤Z≤Z0范围内,则判定为植被碳汇稳定不变;
当时间阶段内植被碳汇变化趋势β<-β0,且显著性Z处于-Z0≤Z≤Z0范围内,则判定为植被碳汇微弱减少;
当时间阶段内植被碳汇变化趋势β<-β0,且显著性Z≤-Z0,则判定为植被碳汇明显减少。
2.按照权利要求1所述的一种矿区植被碳汇分级及变化趋势评价分析方法,其特征在于:步骤B包括如下方法:
B1、CASA模型中植被光能率计算原理如下:
Tε1(x,t)=0.8+0.02×Topt(x)-0.0005×[Topt(x)]2
W(x,t)=0.5+0.5×E(x,t)/Ep(x,t)
ε(x,t)=Tε1(x,t)×Tε2(x,t)×W(x,t)×0.389
其中Tε1(x,t)表示高温胁迫系数,Tε2(x,t)表示低温胁迫系数,W(x,t)表示水分胁迫系数;Topt(x)表示一年期中出现NDVI最高值时对应月份的平均温度;T(x,t)为月平均温度;E(x,t)表示区域实际蒸散量;Ep(x,t)表示区域潜在蒸散量;
E(x,t)和Ep(x,t)的计算方法如下:
其中P(x,t)表示t月降水量,Rn(x,t)表示t月地表净辐射量,Ep0(x,t)表示局地潜在蒸发量,Rn(x,t)和Ep0(x,t)计算方法如下:
其中I(x)为全年总和的热量指标,参数α(x)是与I(x)有关的参数,I(x)和α(x)的关系公式如下:
α(x)=[0.6751×I3(x)-77.1×I2(x)+17920×I(x)+492390]×10-6;
B2、粒子群优化算法模型迭代计算公式如下:
vi=ω×vi+c1×rand()×(pbesti-xi)+c2×rand()×(gbesti-xi)
其中xi表示粒子当前位置;vi表示当前粒子的速度;rand()表示介于(0,1)之间的随机数;c1和c2表示学习因子;ω表示惯性因子;pbesti表示对应粒子在满足适应值条件的最佳位置;gbesti表示在满足适应值条件下整个群体中所有粒子发现的最佳位置。
3.按照权利要求1所述的一种矿区植被碳汇分级及变化趋势评价分析方法,其特征在于:在步骤A中,基于光能利用率模型按照如下公式计算得到植被净初级生产力NPP:
NPP(x,t)=APAR(x,t)×ε(x,t),其中NPP(x,t)表示影像数据中像元x在t月的植被净初级生产力,APAR(x,t)表示影像数据中像元x在t月吸收的光合有效辐射,ε(x,t)为影像数据中像元x在t月真实的植被光能利用率,x表示影像数据中像元的空间位置,t表示月度;
在步骤A中,土壤微生物的呼吸量RH按照裴志永模型进行如下计算:
RH=0.22×(exp(0.0912T)+ln(0.3145R+1))×30×46.5%,式中,T表示气温,R表示降水。
4.按照权利要求3所述的一种矿区植被碳汇分级及变化趋势评价分析方法,其特征在于:光合有效辐射APAR(x,t)的计算公式如下:
APAR(x,t)=PAR(x,t)×FPAR(x,t)
PAR(x,t)=SOL(x,t)×0.5
其中PAR(x,t)表示影像数据中像元x在t月的光合有效辐射,FPAR(x,t)表示影像数据中像元x在t月的植被光合有效辐射吸收比例,SOL(x,t)表示像元x在t月的太阳总辐射量;
FPAR(x,t)采用如下公式计算得到:
FPAR(x,t)=FVC×(FPARmax-FPARmin)+FPARmin;
FPARmax与FPARmin分别取值为0.95和0.001,NDVImax和NDVImin分别取研究区NDVI的最大值和最小值;FVC为植被覆盖度,采用像元二分模型进行计算,NDVIsoil表示纯裸土像元,NDVIveg表示纯植被像元。
5.按照权利要求1所述的一种矿区植被碳汇分级及变化趋势评价分析方法,其特征在于:在步骤C中,根据植被覆盖度等级划分标准中的植被覆盖度分界值FVCi得出植被碳汇等级划分标准中的植被碳汇分界值NEPi的方法如下:
FPARi=FVCi×(FPARmax-FPARmin)+FPARmin,其中FVCi为植被覆盖度分界值,FPARi为对应的植被光合有效辐射吸收比例分界值;
APARi=PARmean×FPARi,PARmean=SOLmean×0.5;其中SOLmean表示矿区开采全生命周期中植被生长状况最佳的月份对应的太阳总辐射量均值,PARmean表示在SOLmean条件下对应的光合有效辐射,APARi表示像植被吸收的光合有效辐射分界值;
NPPi=APARi×εw,其中NPPi表示植被净初级生产力分界值,εw表示矿区植被理想光能利用率;
6.按照权利要求5所述的一种矿区植被碳汇分级及变化趋势评价分析方法,其特征在于:植被覆盖度等级划分标准中的植被覆盖度分界值FVCi包括FVC1、FVC2、FVC3、FVC4四个植被覆盖度分界值,FVC1=0.2,FVC2=0.4,FVC3=0.6,FVC4=0.8,植被碳汇等级划分标准中的植被碳汇分界值NEPi对应包括NEP1、NEP2、NEP3、NEP4四个植被碳汇分界值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210749017.1A CN115115224A (zh) | 2022-06-28 | 2022-06-28 | 一种矿区植被碳汇分级及变化趋势评价分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210749017.1A CN115115224A (zh) | 2022-06-28 | 2022-06-28 | 一种矿区植被碳汇分级及变化趋势评价分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115115224A true CN115115224A (zh) | 2022-09-27 |
Family
ID=83329387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210749017.1A Pending CN115115224A (zh) | 2022-06-28 | 2022-06-28 | 一种矿区植被碳汇分级及变化趋势评价分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115224A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128377A (zh) * | 2023-04-04 | 2023-05-16 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 一种近海岸区域的碳汇效果评估方法、装置和电子设备 |
CN116384818A (zh) * | 2023-03-31 | 2023-07-04 | 重庆地质矿产研究院 | 一种露天矿山全生命周期碳排放评价模型构建方法及系统 |
CN116720624A (zh) * | 2023-06-16 | 2023-09-08 | 西北农林科技大学 | 一种基于遥感数据的流域植被蒸散发预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604258A (zh) * | 2009-07-10 | 2009-12-16 | 杭州电子科技大学 | 一种嵌入式异构多处理器系统的任务调度方法 |
CN103942599A (zh) * | 2014-04-23 | 2014-07-23 | 天津大学 | 一种基于优胜劣汰、步步选择的粒子群优化方法 |
CN104062273A (zh) * | 2014-04-29 | 2014-09-24 | 江西农业大学 | 基于粒子群优化算法的同步荧光光谱特征波长筛选方法 |
CN105160395A (zh) * | 2015-09-06 | 2015-12-16 | 河南师范大学 | 谐振式电能发送装置的效率寻优惯性变化粒子群方法 |
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 |
CN114021348A (zh) * | 2021-11-05 | 2022-02-08 | 中国矿业大学(北京) | 一种精细土地利用类型的矿区植被碳汇遥感反演方法 |
-
2022
- 2022-06-28 CN CN202210749017.1A patent/CN115115224A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604258A (zh) * | 2009-07-10 | 2009-12-16 | 杭州电子科技大学 | 一种嵌入式异构多处理器系统的任务调度方法 |
CN103942599A (zh) * | 2014-04-23 | 2014-07-23 | 天津大学 | 一种基于优胜劣汰、步步选择的粒子群优化方法 |
CN104062273A (zh) * | 2014-04-29 | 2014-09-24 | 江西农业大学 | 基于粒子群优化算法的同步荧光光谱特征波长筛选方法 |
CN105160395A (zh) * | 2015-09-06 | 2015-12-16 | 河南师范大学 | 谐振式电能发送装置的效率寻优惯性变化粒子群方法 |
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 |
CN114021348A (zh) * | 2021-11-05 | 2022-02-08 | 中国矿业大学(北京) | 一种精细土地利用类型的矿区植被碳汇遥感反演方法 |
Non-Patent Citations (1)
Title |
---|
吴学琴等: "香日德河流域近53年ET_0变化特征", 《青海大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384818A (zh) * | 2023-03-31 | 2023-07-04 | 重庆地质矿产研究院 | 一种露天矿山全生命周期碳排放评价模型构建方法及系统 |
CN116384818B (zh) * | 2023-03-31 | 2023-10-20 | 重庆地质矿产研究院 | 一种露天矿山全生命周期碳排放评价模型构建方法及系统 |
CN116128377A (zh) * | 2023-04-04 | 2023-05-16 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 一种近海岸区域的碳汇效果评估方法、装置和电子设备 |
CN116720624A (zh) * | 2023-06-16 | 2023-09-08 | 西北农林科技大学 | 一种基于遥感数据的流域植被蒸散发预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | The varying driving forces of urban expansion in China: Insights from a spatial-temporal analysis | |
CN115115224A (zh) | 一种矿区植被碳汇分级及变化趋势评价分析方法 | |
Sun et al. | Estimating the spatial distribution of solar photovoltaic power generation potential on different types of rural rooftops using a deep learning network applied to satellite images | |
CN102539336B (zh) | 基于环境一号卫星的可吸入颗粒物估算方法及系统 | |
CN109344865B (zh) | 一种多数据源的数据融合方法 | |
CN115293473A (zh) | 一种林草生态修复效果评价方法 | |
CN112580982B (zh) | 一种基于多时相遥感和casa模型的生态保护红线实施评估 | |
Yang et al. | Human activities and the natural environment have induced changes in the PM2. 5 concentrations in Yunnan Province, China, over the past 19 years | |
Yang et al. | Long-time series ecological environment quality monitoring and cause analysis in the Dianchi Lake Basin, China | |
CN108983324B (zh) | 一种基于卡尔曼滤波的气温预报方法及系统 | |
CN108959661B (zh) | 一种基于3s技术的土壤养分等级分类图生成方法及其精度评价方法 | |
CN113139901A (zh) | 一种流域尺度植被净初级生产力遥感精细反演方法 | |
Wang et al. | Spatial-temporal variations of surface urban heat island: An application of local climate zone into large Chinese cities | |
Levy et al. | Coastal and synoptic recirculation affecting air pollutants dispersion: A numerical study | |
CN115565063B (zh) | 基于气候潜在补偿的矿区植被碳汇贡献量计算与分析方法 | |
Pan et al. | Spatiotemporal dynamics of electricity consumption in China | |
CN114254802A (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
Zhang et al. | Developing a process-based and remote sensing driven crop yield model for maize (PRYM–Maize) and its validation over the Northeast China Plain | |
Li et al. | Evaluating the influencing factors of urbanization in the Xinjiang Uygur Autonomous Region over the past 27 years based on VIIRS-DNB and DMSP/OLS nightlight imageries | |
CN116109191A (zh) | 基于卫星观测和gis的城市部门碳排放估算方法及系统 | |
CN111723525A (zh) | 一种基于多源数据和神经网络模型的pm2.5反演方法 | |
Flückiger et al. | Modelling daily air temperature at a fine spatial resolution dealing with challenging meteorological phenomena and topography in Switzerland | |
CN115420690A (zh) | 近地表痕量气体浓度反演模型及反演方法 | |
Jing et al. | Estimating PM2. 5 concentrations in a central region of China using a three-stage model | |
Qin et al. | Reconstruction of 60-year (1961–2020) surface air temperature on the Tibetan Plateau by fusing MODIS and ERA5 temperatures |
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 |
Application publication date: 20220927 |
|
RJ01 | Rejection of invention patent application after publication |