CN115565063B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115565063B CN115565063B CN202211133129.0A CN202211133129A CN115565063B CN 115565063 B CN115565063 B CN 115565063B CN 202211133129 A CN202211133129 A CN 202211133129A CN 115565063 B CN115565063 B CN 115565063B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- area
- carbon sink
- land
- research
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 172
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 172
- 238000005065 mining Methods 0.000 title claims abstract description 72
- 238000004364 calculation method Methods 0.000 title claims abstract description 49
- 238000004458 analytical method Methods 0.000 title claims abstract description 16
- 238000011160 research Methods 0.000 claims abstract description 111
- 238000012360 testing method Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000000694 effects Effects 0.000 claims abstract description 38
- 238000012706 support-vector machine Methods 0.000 claims abstract description 18
- 230000005855 radiation Effects 0.000 claims description 34
- 239000002689 soil Substances 0.000 claims description 29
- 238000001556 precipitation Methods 0.000 claims description 16
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 11
- 244000005700 microbiome Species 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 238000002310 reflectometry Methods 0.000 claims description 7
- 238000001704 evaporation Methods 0.000 claims description 6
- 230000008020 evaporation Effects 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 208000005156 Dehydration Diseases 0.000 claims description 3
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012937 correction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000003245 coal Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 101150011046 NPP1 gene Proteins 0.000 description 2
- 101100080092 Phytophthora capsici NLP1 gene Proteins 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 235000008708 Morus alba Nutrition 0.000 description 1
- 240000000249 Morus alba Species 0.000 description 1
- 241000605508 Nerine Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 235000008216 herbs Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- GPLGAQQQNWMVMM-FCGWIEHOSA-N nerine Chemical compound C1C=C2CC(N(C)C)CC[C@]2(C)C2C1C1CCC3C(C)N(C)C[C@@]31CC2 GPLGAQQQNWMVMM-FCGWIEHOSA-N 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009919 sequestration Effects 0.000 description 1
- 150000000030 silines Chemical class 0.000 description 1
- 238000003971 tillage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种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，其方法如下：A、基于矿区构建出试验区，在试验区中选取研究区；B、计算对照区土地利用类型为草地、林地、耕地的植被潜在碳汇补偿值：C、研究区植被碳汇影响因子分析：C1、利用对照区植被碳汇的补偿值矫正计算得出研究区的理想植被碳汇，C2、根据计算模型得出研究区的气候气象与人类活动对植被碳汇影响。本发明对研究区土地进行精细分类，开展基于层次支持向量机的对照区选取，结合光能利用率和气候潜在模型构建潜在碳汇补偿值，精确获取矿区人类活动对植被碳汇的影响，进而实现矿区植被碳汇影响因子贡献的定量计算与分析，为矿区决策提供科学的数据支撑。
Description
技术领域
本发明涉及矿区植被碳汇影响因子分析领域，特别涉及遥感及地理信息领域、生态学领域，尤其涉及一种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。
背景技术
煤炭行业作为碳减排的重要领域，对矿区进行碳监测是实现“碳达峰”和“碳中和”的前提。作为矿区生态系统碳汇计算的重要部分，植被碳汇受到矿区降水、气温、气压、采矿活动、城镇扩张、复垦措施等因素综合影响，矿区降水、气温、气压归类为气象气候的影响因子，采矿活动、城镇扩张、复垦措施归类为人类活动的影响因子。这些因素被归纳为自然影响因子(即气象气候影响因子)和人类活动影响因子。了解和掌握不同因子对矿区植被碳汇的影响，可以为矿区采矿活动、复垦措施等提供基础数据和支撑。当前利用气温、总降水量、地表净辐射等数据，基于遥感影像反演估算法可以实现矿区长时序、高频次、大范围的植被碳汇计算，但它不能定量的给出气候因子和人类活动因子对矿区植被碳汇的具体影响(具体参见《矿区生态环境定量遥感监测评价技术框架与应用》，作者：李军，彭苏萍，张成业，杨飞，桑潇，矿业科学学报，2022，7(01)：9-25+88.DOI：10.19606/j.cnki.jmst.2022.01.002)。此外，矿区生产造成了区域特殊的土地利用类型，自然因子和人类活动因子在不同土地利用类型对植被碳汇的影响也具有差异性。因此，现有技术方法难以在矿区实现植被碳汇影响因子贡献量的定量计算，且缺乏对矿区植被碳汇人类活动影响的分析(具体参见：Yang H，Hu D，Xu H，Zhong X.Assessing the spatiotemporalvariation of NPP and its response to driving factors in Anhui province，China.Environmental Science and Pollution Research.2020；27(13)：14915-14932.doi：10.1007/s11356-020-08006-w)。
发明内容
本发明的目的在于克服现有技术难以在矿区实现植被碳汇影响因子贡献量的定量计算且缺乏对矿区植被碳汇人类活动影响因子贡献量的分析，提供一种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，通过对矿区中研究区土地进行精细分类，开展基于层次支持向量机的对照区选取，结合光能利用率和气候潜在模型构建不同土地利用类型的潜在碳汇补偿值，精确获取矿区人类活动对植被碳汇的影响，进而实现矿区植被碳汇影响因子贡献的定量计算与分析，为矿区煤炭清洁开采方式的转型和土地复垦方案的决策提供科学的数据支撑。
本发明的目的通过下述技术方案实现：
一种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，其方法如下：
A、基于矿区构建出试验区，在试验区中选取研究区；
A1、采集试验区中的遥感影像与气象数据，构建出试验区影像气象数据库；
A2、基于遥感影像对研究区进行精细土地利用分类，将研究区的土地利用类型划分为草地、林地、耕地、裸地、水体、工矿用地和城镇建设用地；从研究区提取土地利用类型为草地、林地、耕地，研究区包括草地研究区、林地研究区、耕地研究区；
A3、在试验区除开研究区之外区域基于遥感影像进行精细土地利用分类，将试验区除开研究区之外区域的土地利用类型划分为草地、林地、耕地、裸地、水体、工矿用地和城镇建设用地；从试验区除开研究区之外区域提取出土地利用类型为草地、林地、耕地作为对照区，对照区包括草地对照区、林地对照区、耕地对照区；
B、计算对照区土地利用类型为草地、林地、耕地的植被潜在碳汇补偿值：
B1、基于CASA模型按照如下公式计算对照区月度植被真实碳汇：NPP月(x，t)＝APAR(x，t)×ε(x，t)，式中NPP月(x，t)表示像元x在t月的植被净初级生产力，APAR(x，t)表示像元x在t月吸收的光合有效辐射，ε(x，t)为像元x在t月真实的植被光能利用率，x表示影像中像元的空间位置，t表示月度；
按照如下公式计算出年度植被净初级生产力：
按照如下公式计算出植被真实碳汇量：
NEP＝NPP-RH；
NEP表示植被真实碳汇，RH表示土壤微生物的呼吸量，土壤微生物的呼吸量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；
B2、基于Chikugo模型按照如下公式计算出年度气候潜在生产力NPP’：
NPP’＝0.29×[exp(-0.216×RDI)×Rn×0.45
Rn＝RDI×L×P
L＝(597-0.6Tvr)×0.0103
式中NPP′表示年度气候潜在生产力，RDI表示年平均辐射干燥度，Rn表示陆地表面所获得净辐射量，L表示蒸发潜热量，P表示年总降水量，Tvr表示年平均气温；
按照如下公式计算出植被潜在碳汇量：
NEP′＝NPP′-RH；
NEP’表示植被潜在碳汇，NPP’表示年度植被潜在净初级生产力，RH表示土壤微生物的呼吸量；
B3、按照步骤B1分别计算出对照区土地利用类型为草地、林地、耕地的植被真实碳汇，按照步骤B2分别计算出对照区土地利用类型为草地、林地、耕地的植被潜在碳汇，按照如下方法计算出差值COR(i，n)：
COR(i，n)＝NEP(i，n)-NEP′(i，n)；NEP(i，n)表示对照区中像元i的植被真实碳汇，NEP’(i，n)表示对照区中像元i的植被潜在碳汇，i表示气候对照区中像元的空间位置，n表示土地利用类型；
分别计算出对照区土地利用类型为草地、林地、耕地的差值COR(i，n)并取中位数CORn作为对照区植被碳汇的补偿值；
C、研究区植被碳汇影响因子分析：
C1、利用对照区植被碳汇的补偿值矫正计算得出研究区的理想植被碳汇
C2、按照如下公式计算出研究区的气候气象与人类活动对植被碳汇影响的计算模型：
CIi＝NEP研(i，n)-HIi；
为了更好地实现本发明，步骤C还包括C3；
C3、采用局域空间关联指数Getis-Ord Gi*来表示步骤C2研究区气候气象与人类活动对植被碳汇影响的集聚程度，以距离为衡量标准识别统计不同空间位置上的高值簇与低值簇的空间分布情况，并通过空间位置对应的z-score来表达聚集程度的高低水平，计算方法如下：
式中，
表示研究区像元i的区域空间关联指数统计值，n1表示研究区像元个数，xj表示像元j的受影响因子影响的植被碳汇量，影响因子包括气候气象与人类活动，Wij表示空间权重矩阵。
优选地，步骤A1中试验区中的遥感影像采集方法如下：采集包括Landsat系列陆地资源卫星遥感影像或国产高分卫星遥感影像在内的高分辨率影像数据；步骤A1中气象数据来源包括中国气象数据网。
优选地，步骤A3中试验区除开研究区之外区域的精细土地利用分类方法如下：
依据步骤A2中研究区的精细土地利用分类数据为训练样本，精细土地利用分类数据包括研究区遥感影像、土地利用类型，建立层次支持向量机对试验区除开研究区之外区域进行精细土地利用分类，层次支持向量机构建最优超平面的方式实现不同土地利用类型精确划分，层次支持向量机使用RBF核函数作为SVM的分类模型并采用交叉验证的方法调整惩罚系数C和间隔γ来提高分类结果精度。
优选地，在步骤B1 中光合有效辐射APAR(x，t)的计算方法如下：利用光能利用率的植被净初级生产力模型对APAR(x，t)进行计算，计算公式如下：
APAR(x，t)＝PAR(x，t)×FPAR(x，t)
PAR(x，t)＝SOL(x，t)×0.5
式中PAR(x，t)表示像元x在t月的光合有效辐射，FPAR(x，t)表示像元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；ρNIR表示近红外波段反射率，ρred表示红光波段反射率；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，在步骤B1中植被光能利用率ε(x，t)通过如下公式进行计算：
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；
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)
式中，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。
优选地，E(x，t)和Ep(x，t)的计算方法如下：
式中，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：
式中，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。
优选地，在步骤B2中，年平均辐射干燥度RDI与可能蒸散量PER关系如下：
RDI＝[0.629+0.237PER-0.0031PER2]2
可能蒸散量PER计算方法如下：
PER＝PET/P
PET＝BT×58.93
BT＝∑T/12＝∑t/365
式中BT为年平均生物温度，t为日平均温度，T为月平均温度，P为年总降水量。
本发明较现有技术相比，具有以下优点及有益效果：
(1)本发明通过对矿区中研究区土地进行精细分类，开展基于层次支持向量机的对照区选取，结合光能利用率和气候潜在模型构建不同土地利用类型的潜在碳汇补偿值，精确获取矿区人类活动对植被碳汇的影响，进而实现矿区植被碳汇影响因子贡献的定量计算与分析，为矿区煤炭清洁开采方式的转型和土地复垦方案的决策提供科学的数据支撑。
(2)本发明首先根据研究区土地利用类型的精细分类结果，通过层次支持向量机对研究区同纬度范围的试验区进行土地利用分类，优选选取地形地貌条件相似的对照区，然后在不同的对照区，分别利用CASA模型和Chikugo模型计算植被碳汇量和潜在植被碳汇量，并基于此构建部同土地利用类型的植被潜在碳汇补偿值模型；最后在研究矿区针对不同的土地利用类型，通过相应的补偿值和潜在植被碳汇，从光能利用率模型的植被真实碳汇中分离精确的人类活动影响植被碳汇量并开展植被碳汇影响模式分析，即影响力正值越大，人类活动对植被NPP的破坏强度越大；影响力负值越大，人类活动对植被NPP产生的恢复强度越大。
(3)本发明对矿区小范围进行土地利用精细分类，在此基础上采用层次支持向量机方法对产生碳汇的土地利用类型进行对照区选取，在保证精度和控制变量的条件下为建立气候潜在补偿法的矿区植被碳汇影响因子计算提供土地利用分类和对照区信息。
(4)本发明在不受人类活动影响的对照区通过CASA模型和气候潜在生产力模型对矿区植被碳汇进行计算，构建不同土地利用分类的气候潜在碳汇补偿值，为实现对研究区植被碳汇量的精确计算提供补偿值信息。
(5)本发明通过构建人类活动对植被碳汇的影响的定量计算模型，解除人类活动、气候气象条件与矿区植被碳汇之间的耦合关系，量化计算各影响因子对矿区植被碳汇的贡献量大小，并能够精确分析出人类活动影响的空间分布格局。
附图说明
图1为本发明方法的流程示意图；
图2为层次支持向量机的土地利用分类原理示意图；
图3为实施例二中研究区的土地利用精细分类结果；
图4为实施例二中基于层次支持向量机的试验区除开研究区分类结果；
图5为实施例二中研究区的植被真实碳汇分布图；
图6为实施例二中研究区的植被潜在碳汇分布图；
图7为实施例二中三种土地利用类型的碳汇补偿值情况；
图8为实施例二中研究区植被碳汇人类活动影响因子贡献量分布情况；
图9为实施例二中研究区植被碳汇气候气象影响因子贡献量分布情况；
图10为实施例二中植被碳汇影响作用冷热点空间分布。
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：
实施例一
如图1～图2所示，一种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，其方法如下：
A、基于矿区构建出试验区，在试验区中选取研究区；
A1、采集试验区中的遥感影像与气象数据，构建出试验区影像气象数据库；
根据本发明的一个优选实施例，步骤A1中试验区中的遥感影像采集方法如下：采集包括Landsat系列陆地资源卫星遥感影像或国产高分卫星遥感影像在内的高分辨率影像数据；Landsat系列陆地资源卫星遥感影像的空间分辨率为30米，国产高分卫星遥感影像的空间分辨率为2米。分别按照研究区范围和试验区范围(研究区位于试验区范围内)对Landsat系列陆地资源卫星遥感影像或国产高分卫星遥感影像进行影像裁剪，将裁剪后的卫星影像进行辐射定标和大气校正，消除大气影响造成的辐射误差，使得影像能够反映地表真实反射率，即影像中的色调和纹理能够表达为真实地物的特征。步骤A1中气象数据来源包括中国气象数据网，比如中国气象数据网的地面气候资料月度数据集，选取试验区内部及其相邻的气象站点的气温、降水和月太阳总辐射的逐月数据，按照反距离权重法插值的方法对试验区欠量范围进行插值，用于后续步骤B和步骤C中的计算处理。
A2、基于遥感影像对研究区进行精细土地利用分类(优选地，精细土地利用分类依据中国土地利用分类标准(GB/T21010-2017))，将研究区的土地利用类型划分为草地、林地、耕地、裸地、水体、工矿用地和城镇建设用地；从研究区提取土地利用类型为草地、林地、耕地，研究区包括草地研究区、林地研究区、耕地研究区；精细土地利用分类标准如下：①林地，主要指用于林业生产的地区或天然林区；影像中色调大多呈现为深绿色，标准假彩色影像中大多呈现为红色，由于受到地形的影响，形状不规则，多呈现为团状或絮状。②草地，生长草本和灌木植物为主并适宜发展畜牧业的土地。影像中色调大多呈现为淡绿色或黄绿色，标准假彩色影像中大多呈现为红色、淡红色或灰褐色，影像结构均一且纹理较细。③裸地，指裸露的地表、植被较为稀疏的土地或指在一年内超过特定时间处于无植被生长，但在植被生长旺季仍存在植被的区域。表面纹理不均一，呈较浅颜色。④水体，主要指自然水体以及开采废弃地的积水矿坑，标准假彩色中大多呈现为蓝黑色或黑色，有明显的区域边界。⑤耕地，指种植农作物获得粮食或产品的土地。影像颜色随着季节的变化有所不同，一般为淡绿色，几何形状明显，大多呈现为块状或圆形，边界清晰，结构细腻，有纹理结构。⑥城镇建设用地，主要指城镇建设、道路等人类生活用，地城镇建设用地色调混合多样，边界清晰，形状规则且几何特征明显，影像结构粗糙；道路的颜色相较于周边更加明亮，呈现较为平行且宽度基本不变的双边缘状态，特征较为一致。⑦工矿用地，主要指煤炭开采、工业生产等活动用地，工矿用地通常具有明显的作业边界范围和清晰的矿区建筑物轮廓，相较于城镇建筑分布更为稀疏。优选地，本实施例步骤A2可以通过遥感解译的方式对研究区的高分卫星遥感影像进行精细土地利用分类，还可同时根据相关资料和实地勘验的方式对土地分类结果进行校正。
A3、在试验区除开研究区之外区域基于遥感影像进行精细土地利用分类，将试验区除开研究区之外区域的土地利用类型划分为草地、林地、耕地、裸地、水体、工矿用地和城镇建设用地；从试验区除开研究区之外区域提取出土地利用类型为草地、林地、耕地作为对照区(优选选取远离人类活动区域且地形地貌条件相似的对照区)，对照区包括草地对照区、林地对照区、耕地对照区；
根据本发明的一个优选实施例，步骤A3中试验区除开研究区之外区域的精细土地利用分类方法如下：如图2所示，依据步骤A2中研究区的精细土地利用分类数据为训练样本，精细土地利用分类数据包括研究区遥感影像、土地利用类型，建立层次支持向量机对试验区除开研究区之外区域进行精细土地利用分类，层次支持向量机构建最优超平面的方式实现不同土地利用类型精确划分，层次支持向量机使用RBF核函数作为SVM的分类模型并采用交叉验证的方法调整惩罚系数C和间隔γ来提高分类结果精度。依据层次分析法的原理，对SVM划分完成的两个子类进行循环和再分类，最终实现本方法中草地、林地、耕地、裸地、水体、城镇建设用地和工矿用地的分类结果。根据土地分类结果计算总体精度和Kappa系数进行精度评价，提取不同土地利用类型的欠量范围，其技术方案流程如图2所示。根据土地利用类型的特征，本发明分别选取分类完成的研究区与对照区的林地、耕地和草地作为矿区植被碳汇影响因子贡献量的研究对象。
B、计算对照区土也利用类型为草地、林地、耕地的植被潜在碳汇补偿值，本发明构建出植被潜在碳汇补偿值模型，植被潜在碳汇补偿值模型包括CASA模型与Chikugo模型：
B1、基于CASA模型按照如下公式计算对照区月度植被真实碳汇(CASA模型是一种用于估算NPP的光能利用率模型，计算所需的数据主要包括遥感波段运算得到的每月归一化植被指数和对应月份的气温、降水、月太阳总辐射)：NPP月(x，t)＝APAR(x，t)×ε(x，t)，式中NPP月(x，t)表示像元x在t月的植被净初级生产力(gC/(m2·a))，APAR(x，t)表示像元x在t月吸收的光合有效辐射(gC/(m2·month))，ε(x，t)为像元x在t月真实的植被光能利用率(gC/MJ)，x表示影像中像元的空间位置，t表示月度。
按照如下公式计算出年度植被净初级生产力：
按照如下公式计算出植被真实碳汇量：
NEP＝NPP-RH；
NEP表示植被真实碳汇(gC/(m2·a))，RH表示土壤微生物的呼吸量(gC/(m2·a))，土壤微生物的呼吸量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)。
B2、基于Chikugo模型按照如下公式计算出年度气候潜在生产力NPP’：
NPP’＝0.29×[exp(-0.216×RDI)×Rn×0.45
Rn＝RDI×L×P
L＝(597-0.6Tvr)×0.0103
式中NPP′表示年度气候潜在生产力，RDI表示年平均辐射干燥度，Rn表示陆地表面所获得净辐射量(mm)，L表示蒸发潜热量(mm)，P表示年总降水量(mm)，Tvr表示年平均气温(℃)；
按照如下公式计算出植被潜在碳汇量：
NEP′＝NPP′-RH；
NEP’表示植被潜在碳汇，NPP’表示年度植被潜在净初级生产力，RH表示土壤微生物的呼吸量；
B3、按照步骤B1分别计算出对照区土地利用类型为草地、林地、耕地的植被真实碳汇，按照步骤B2分别计算出对照区土地利用类型为草地、林地、耕地的植被潜在碳汇，按照如下方法计算出差值COR(i，n)：
COR(i，n)＝NEP(i，n)-NEP′(i，n)；NEP(i，n)表示对照区中像元i的植被真实碳汇，NEP’(i，n)表示对照区中像元i的植被潜在碳汇，i表示气候对照区中像元的空间位置，n表示土地利用类型；
分别计算出对照区土地利用类型为草地、林地、耕地的差值COR(i，n)并取中位数CORn作为对照区植被碳汇的补偿值；
C、研究区植被碳汇影响因子分析：
C1、利用对照区植被碳汇的补偿值矫正计算得出研究区的理想植被碳汇
C2、按照如下公式计算出研究区的气候气象与人类活动对植被碳汇影响的计算模型：
CIi＝NEP研(i，n)-HIi；
根据本发明的一个优选实施例，步骤C还包括C3；
C3、采用局域空间关联指数Getis-Ord Gi*来表示步骤C2研究区气候气象与人类活动(即本发明所研究的影响因子)对植被碳汇影响的集聚程度，以距离为衡量标准识别统计不同空间位置上的高值簇与低值簇的空间分布情况(即热点区与冷点区)，并通过空间位置对应的z-score来表达聚集程度的高低水平，计算方法如下：
式中，
表示研究区像元i的区域空间关联指数统计值，n1表示研究区像元个数，xj表示像元j的受影响因子影响的植被碳汇量，影响因子包括气候气象与人类活动，Wij表示空间权重矩阵。
根据本发明的一个优选实施例，在步骤B1中光合有效辐射APAR(x，t)的计算方法如下：利用光能利用率的植被净初级生产力模型对APAR(xt)进行计算，计算公式如下：
APAR(x，t)＝PAR(x，t)×FPAR(x，t)
PAR(x，t)＝SOL(x，t)×0.5
式中PAR(x，t)表示像元x在t月的光合有效辐射(MJ/(m2.month))，FPAR(x，t)表示像元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；
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；ρNIR表示近红外波段反射率，ρred表示红光波段反射率；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(在实施例中，NDVIsoil可以为NDVI值的95％置信区间下限)，NDVIveg表示纯植被像元(在实施例中，NDVIsoil可以为NDVI值的95％置信区间上限)。
根据本发明的一个优选实施例，在步骤B1中植被光能利用率ε(x，t)通过如下公式进行计算：
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；
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)
式中，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(℃)；在模型中公式计算时，可以设定如下条件：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)。
根据本发明的一个优选实施例，E(x，t)和Ep(x，t)的计算方法如下：
式中，P(x，t)表示t月降水量(mm)，Rn(x，t)表示t月地表净辐射量(mm)，Ep0(x，t)表示局地潜在蒸发量(mm)，Rn(x，t)和Ep0(x，t)计算方法如下：
式中，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。
根据本发明的一个优选实施例，在步骤B2中，年平均辐射干燥度RDI与可能蒸散量PER关系如下：
RDI＝[0.629+0.237PER-0.0031PER2]2
叮能蒸散量PER计算方法如下：
PER＝PET/P
PET＝BT×58.93
BT＝∑T/12＝∑t/365
式中BT为年平均生物温度(℃)，t为日平均温度(℃)，T为月平均温度(℃)，P为年总降水量(mm)。
实施例二
一种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，其方法如下：
A、基于矿区构建出试验区，在试验区中选取研究区；
A1、采集试验区中的遥感影像与气象数据，构建出试验区影像气象数据库；
本实施例以内蒙古自治区锡林郭勒盟锡林浩特市的城区及其周边的矿区的范围为中心位置，选取其周边10km范围为研究区。下载采集锡林浩特市的Landsat卫星30m影像和高分卫星2m分辨率影像，进行影像裁剪、辐射定标、大气校正、去云等预处理操作。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，通过反距离权重法对蒙古自治区的气温、降水和月地表净辐射数据进行插值，并重采样至30m分辨率。
A2、研究区精细地物分类
依据中国土地利用分类标准(GB/T21010-2017)对步骤A1预处理完成的高分卫星影像进行地物识别和精细分类，将研究区划分为草地、林地、耕地、裸地、水体、工矿用地和城镇建设用地7类，如图3所示。
A3、基于层次支持向量机方法的对照区选取：在试验区除开研究区之外区域基于遥感影像进行精细土地利用分类，将试验区除开研究区之外区域的土地利用类型划分为草地、林地、耕地、裸地、水体、工矿用地和城镇建设用地；从试验区除开研究区之外区域提取出土地利用类型为草地、林地、耕地作为对照区，对照区包括草地对照区、林地对照区、耕地对照区；
根据步骤A2中研究区土地利用精细分类的结果，分别在不同用地类型的区域中选取300个像元作为训练样本，通过SVM算法和RBF核函数构建层次支持向量机(H-SVMs)模型，并采用交叉验证的方法调整惩罚系数C和间隔γ来提高分类结果精度，分类精度优于85％，并选取出对照区，对照区分类结果如图4所示。
B、基于土也利用类型的对照区植被潜在碳汇补偿值模型
B1、基于CASA模型(参见文献：Wen-Quan Z，Yao-Zhong P，Jin-Shui Z.朱文泉潘耀忠张锦水＊ESTIMATION 0F NET PRIMARY PRODUCTIVITY OF CHINESE TERRESTRIALVEGETATION BASED ONREMOTE SENSING)的不同对照区植被真实碳汇
通过气温、降水、月太阳总辐射等气象参数和归一化植被指数在光能利用率CASA模型中计算植被净初级生产力，剔除土壤中的微生物呼吸的碳排放量，得到植被净生态系统生产力即植被真实碳汇量，公式如下：
NPP1＝APAR×ε
NEP＝NPP-RH
式中NPP1表示植被净初级生产力(gC/(m2·a))，APAR表示植物吸收的光合有效辐射(gC/(m2·month))，ε为真实的植被光能利用率(gC/MJ)，NEP表示植被净生态系统生产力即植被真实碳汇(gC/(m2·a))，RH表示土壤微生物的呼吸量(gC/(m2·a))，其中研究区的植被真实碳汇计算结果如图5所示。
B2、基于Chikugo气候生产力模型的不同对照区植被潜在碳汇
依据Chikugo气候生产力模型(参见文献：Wen C.Model Methods and Mechanismsof Vegetation NPP Estimation.Published online 1993.doi：10.16377/j.cnki.issn1007-7731.2014.08.019)的原理通过净辐射和辐射下燥度估算气候潜在生产力，并计算植被潜在碳汇量，计算方法如下：
NPP’＝0.29×[exp(-0.216×RDI)×Rn×0.45
NEP’＝NPP’-RH
式中RDI表示年平均辐射干燥度，Rn表示陆地表面所获得净辐射量(mm)，同理，NPP’表示对全年的植被潜在净初级生产力(gC/(m2·α))，NEP’表示植被潜在净生态系统生产力即植被潜在碳汇(gC/(m2·a))，RH表示土壤微生物的呼吸量(gC/(m2·a))，其中研究区的植被潜在碳汇计算结果如图6所示。
B3、不同土地利用类型对照区植被潜在碳汇补偿值模型
选取典型植被地物类型林地、耕地和草地，在对照区求取CASA模型和Chikugo模型计算结果的差值，方法如下：
COR(i，n)＝NEP(i，n)-NEP′(i，n)
NPP(i，n)表示通过CASA模型计算的对照区中像元i的植被碳汇，NEP′(i，n)表示通过Chikugo模型计算的对照区中像元i的植被潜在碳汇，COR(i，n)表示通过两种模型计算得到的像元i的碳汇差值，i表示气候对照区中像元的空间位置，n表示植被类型。分别计算林地、耕地和草地的COR(i，n)的中位数CORn，作为对照区植被碳汇的补偿值。根据步骤B1和步骤B2的方法计算得到对照区林地、耕地和草地的碳汇补偿值，如图7所示。
C、矿区植被碳汇影响定量计算与分析
C1、基于补偿值模型的研究区潜在植被碳汇校正
通过对照区的气候生产力的补偿值对步骤B2方法计算的研究区林地、耕地和草地的气候生产力进行校正，计算得到理想状态的植被碳汇。
C2、矿区植被碳汇影响因子贡献量计算
利用CASA模型和Chikugo模型分别计算研究区的植被碳汇，根据理想状态的植被碳汇和真实状态的植被碳汇之间关系，构建矿区人类活动和气候气象条件对植被碳汇影响的定量计算模型：
CIi＝NEP-HIi
C3、矿区植被碳汇影响作用分析
局域空间关联指数Getis-Ord Gi*用于反映不同影响因子对植被碳汇影响的集聚程度，以距离为衡量标准识别计算不同空间位置上的高值簇与低值簇的空间分布情况，以人类活动对植被碳汇的影响贡献度为例，计算其对应的冷热点效应，如图10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 (8)
1.一种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，其特征在于：其方法如下：
A、基于矿区构建出试验区，在试验区中选取研究区；
A1、采集试验区中的遥感影像与气象数据，构建出试验区影像气象数据库；
A2、基于遥感影像对研究区进行精细土地利用分类，将研究区的土地利用类型划分为草地、林地、耕地、裸地、水体、工矿用地和城镇建设用地；从研究区提取土地利用类型为草地、林地、耕地，研究区包括草地研究区、林地研究区、耕地研究区；
A3、在试验区除开研究区之外区域基于遥感影像进行精细土地利用分类，将试验区除开研究区之外区域的土地利用类型划分为草地、林地、耕地、裸地、水体、工矿用地和城镇建设用地；从试验区除开研究区之外区域提取出土地利用类型为草地、林地、耕地作为对照区，对照区包括草地对照区、林地对照区、耕地对照区；
B、计算对照区土地利用类型为草地、林地、耕地的植被潜在碳汇补偿值：
B1、基于CASA模型按照如下公式计算对照区月度植被真实碳汇：NPP月(x，t)＝APAR(x，t)×ε(x，t)，式中NPP月(x，t)表示像元x在t月的植被净初级生产力，APAR(x，t)表示像元x在t月吸收的光合有效辐射，ε(x，t)为像元x在t月真实的植被光能利用率，x表示影像中像元的空间位置，t表示月度；
按照如下公式计算出年度植被净初级生产力：
按照如下公式计算出植被真实碳汇量：
NEP＝NPP-RH；
NEP表示植被真实碳汇，RH表示土壤微生物的呼吸量，土壤微生物的呼吸量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；
B2、基于Chikugo模型按照如下公式计算出年度气候潜在生产力NPP′：
NPP′＝0.29×[exp(-0.216×RDI)×Rn×0.45
Rn＝RDI×L×P
L＝(597-0.6Tvr)×0.0103
式中NPP′表示年度气候潜在生产力，RDI表示年平均辐射干燥度，Rn表示陆地表面所获得净辐射量，L表示蒸发潜热量，P表示年总降水量，Tvr表示年平均气温；
按照如下公式计算出植被潜在碳汇量：
NEP′＝NPP′-RH；
NEP’表示植被潜在碳汇，NPP’表示年度植被潜在净初级生产力，RH表示土壤微生物的呼吸量；
B3、按照步骤B1分别计算出对照区土地利用类型为草地、林地、耕地的植被真实碳汇，按照步骤B2分别计算出对照区土地利用类型为草地、林地、耕地的植被潜在碳汇，按照如下方法计算出差值COR(i，n)：
COR(i，n)＝NEP(i，n)-NEP′(i，n)；NEP(i，n)表示对照区中像元i的植被真实碳汇，NEP’(i，n)表示对照区中像元i的植被潜在碳汇，i表示气候对照区中像元的空间位置，n表示土地利用类型；
分别计算出对照区土地利用类型为草地、林地、耕地的差值COR(i，n)并取中位数CORn作为对照区植被碳汇的补偿值；
C、研究区植被碳汇影响因子分析：
C1、利用对照区植被碳汇的补偿值矫正计算得出研究区的理想植被碳汇
C2、按照如下公式计算出研究区的气候气象与人类活动对植被碳汇影响的计算模型：
CIi＝NEP研(i，n)-HIi；
2.按照权利要求1所述的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，其特征在于：步骤C还包括C3；
C3、采用局域空间关联指数Getis-Ord Gi*来表示步骤C2研究区气候气象与人类活动对植被碳汇影响的集聚程度，以距离为衡量标准识别统计不同空间位置上的高值簇与低值簇的空间分布情况，并通过空间位置对应的z-score来表达聚集程度的高低水平，计算方法如下：
式中，
表示研究区像元i的区域空间关联指数统计值，n1表示研究区像元个数，xj表示像元j的受影响因子影响的植被碳汇量，影响因子包括气候气象与人类活动，Wij表示空间权重矩阵。
3.按照权利要求1或2所述的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，其特征在于：步骤A1中试验区中的遥感影像采集方法如下：采集包括Landsat系列陆地资源卫星遥感影像或国产高分卫星遥感影像在内的高分辨率影像数据；步骤A1中气象数据来源包括中国气象数据网。
4.按照权利要求1或2所述的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，其特征在于：步骤A3中试验区除开研究区之外区域的精细土地利用分类方法如下：
依据步骤A2中研究区的精细土地利用分类数据为训练样本，精细土地利用分类数据包括研究区遥感影像、土地利用类型，建立层次支持向量机对试验区除开研究区之外区域进行精细土地利用分类，层次支持向量机构建最优超平面的方式实现不同土地利用类型精确划分，层次支持向量机使用RBF核函数作为SVM的分类模型并采用交叉验证的方法调整惩罚系数C和间隔γ来提高分类结果精度。
5.按照权利要求1或2所述的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，其特征在于：在步骤B1中光合有效辐射APAR(x，t)的计算方法如下：利用光能利用率的植被净初级生产力模型对APAR(x，t)进行计算，计算公式如下：
APAR(x，t)＝PAR(x，t)×FPAR(x，t)
PAR(x，t)＝SOL(x，t)×0.5
式中PAR(x，t)表示像元x在t月的光合有效辐射，FPAR(x，t)表示像元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；ρNIR表示近红外波段反射率，ρred表示红光波段反射率；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。
6.按照权利要求1或2所述的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，其特征在于：在步骤B1中植被光能利用率ε(x，t)通过如下公式进行计算：
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；
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)
式中，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。
7.按照权利要求6所述的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，其特征在于：E(x，t)和Ep(x，t)的计算方法如下：
式中，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：
式中，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。
8.按照权利要求1或2所述的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，其特征在于：在步骤B2中，年平均辐射干燥度RDI与可能蒸散量PER关系如下：
RDI＝[0.629+0.237PER-0.0031PER2]2
可能蒸散量PER计算方法如下：
PER＝PET/P
PET＝BT×58.93
BT＝∑T/12＝∑t/365
式中BT为年平均生物温度，t为日平均温度，T为月平均温度，P为年总降水量。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210294705 | 2022-03-24 | ||
| CN2022102947053 | 2022-03-24 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115565063A CN115565063A (zh) | 2023-01-03 |
| CN115565063B true CN115565063B (zh) | 2023-04-11 |
Family
ID=84741267
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211133129.0A Active CN115565063B (zh) | 2022-03-24 | 2022-09-16 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115565063B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116385871B (zh) * | 2023-02-28 | 2024-03-15 | 中国林业科学研究院资源信息研究所 | 一种森林生物量遥感估算方法、系统、设备及介质 |
| CN116796123A (zh) * | 2023-07-14 | 2023-09-22 | 滁州学院 | 基于多源数据的陆地生态系统碳汇分布计算方法及系统 |
| CN118536071A (zh) * | 2024-07-22 | 2024-08-23 | 武汉大学 | 一种基于未来情景模拟的植被碳汇预测方法与系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111487216A (zh) * | 2020-05-06 | 2020-08-04 | 北京中科锐景科技有限公司 | 一种二氧化碳通量反演方法、系统 |
| WO2020240083A1 (en) * | 2019-05-24 | 2020-12-03 | Hiilinieluntuottajat Hnt Oy | A system and a method for utilizing a carbon sink formed by soil and/or forest in emission trading systems |
| CN113743303A (zh) * | 2021-09-03 | 2021-12-03 | 知晓（北京）通信科技有限公司 | 一种林地遥感数据的林业碳汇算法 |
| 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 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU747811B2 (en) * | 1997-12-08 | 2002-05-23 | Photonic Detection Systems Pty Ltd | Discriminating ground vegetation in agriculture |
| FR2953021B1 (fr) * | 2009-11-26 | 2011-12-09 | Tanguy Griffon | Methode de mesure des emissions hebdomadaires et annuelles d'un gaz a effet de serre sur une surface donnee |
| CN106446564A (zh) * | 2016-09-29 | 2017-02-22 | 华南农业大学 | 一种植被净初级生产力遥感估算方法 |
| 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 |
-
2022
- 2022-09-16 CN CN202211133129.0A patent/CN115565063B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020240083A1 (en) * | 2019-05-24 | 2020-12-03 | Hiilinieluntuottajat Hnt Oy | A system and a method for utilizing a carbon sink formed by soil and/or forest in emission trading systems |
| CN111487216A (zh) * | 2020-05-06 | 2020-08-04 | 北京中科锐景科技有限公司 | 一种二氧化碳通量反演方法、系统 |
| CN113743303A (zh) * | 2021-09-03 | 2021-12-03 | 知晓（北京）通信科技有限公司 | 一种林地遥感数据的林业碳汇算法 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115565063A (zh) | 2023-01-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Xu et al. | An integrated method for validating long-term leaf area index products using global networks of site-based measurements | |
| CN104915674B (zh) | Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物的方法 | |
| Wang et al. | Deriving maximal light use efficiency from coordinated flux measurements and satellite data for regional gross primary production modeling | |
| CN114819150B (zh) | 一种极地海洋冬季初级生产力遥感反演方法 | |
| CN109685081B (zh) | 一种遥感提取撂荒地的联合变化检测方法 | |
| CN114021348A (zh) | 一种精细土地利用类型的矿区植被碳汇遥感反演方法 | |
| Li et al. | Estimating plant traits of alpine grasslands on the Qinghai-Tibetan Plateau using remote sensing | |
| Tian et al. | Investigating the urban-induced microclimate effects on winter wheat spring phenology using Sentinel-2 time series | |
| CN111723711A (zh) | 基于Pléiades和面向对象的地膜信息提取方法及系统 | |
| CN111241962A (zh) | 一种剥离人类活动对生态系统生境质量影响的方法 | |
| Zhang et al. | Variation of intra-daily instantaneous FAPAR estimated from the geostationary Himawari-8 AHI data | |
| Du et al. | Combining a crop growth model with CNN for underground natural gas leakage detection using hyperspectral imagery | |
| Boschetti et al. | Estimation of rice production at regional scale with a Light Use Efficiency model and MODIS time series. | |
| CN117197668A (zh) | 基于深度学习的作物倒伏级别的预测方法及系统 | |
| Zhu et al. | UAV flight height impacts on wheat biomass estimation via machine and deep learning | |
| Wang et al. | Research on cropping intensity mapping of the Huai River Basin (China) based on multi-source remote sensing data fusion | |
| CN118154029A (zh) | 基于多源遥感数据的土地整治生态环境质量动态监测方法 | |
| Xu et al. | Air temperature estimation over winter wheat fields by integrating machine learning and remote sensing techniques | |
| Cheng et al. | Spectral purification improves monitoring accuracy of the comprehensive growth evaluation index for film-mulched winter wheat | |
| Zhu et al. | The quality attribute of watershed ecosystem is more important than the landscape attribute in controlling erosion of red soil in southern China | |
| Som-ard | Rice security assessment using geo-spatial analysis | |
| Pan et al. | Using QuickBird imagery and a production efficiency model to improve crop yield estimation in the semi-arid hilly Loess Plateau, China | |
| CN104330798B (zh) | 基于合成孔径雷达遥感影像监测农作物播期的方法及装置 | |
| CN116124774A (zh) | 一种基于无人机光谱多源数据预测冠层氮含量方法 |
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 |