CN115575601A - 基于水汽通量散度的植被旱灾指数评估方法和系统 - Google Patents
基于水汽通量散度的植被旱灾指数评估方法和系统 Download PDFInfo
- Publication number
- CN115575601A CN115575601A CN202211173091.XA CN202211173091A CN115575601A CN 115575601 A CN115575601 A CN 115575601A CN 202211173091 A CN202211173091 A CN 202211173091A CN 115575601 A CN115575601 A CN 115575601A
- Authority
- CN
- China
- Prior art keywords
- water vapor
- index
- vapor flux
- flux divergence
- 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
- 230000004907 flux Effects 0.000 title claims abstract description 239
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 236
- 238000011156 evaluation Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 69
- 230000008859 change Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012417 linear regression Methods 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 10
- 238000001556 precipitation Methods 0.000 description 10
- 241000238631 Hexapoda Species 0.000 description 7
- 230000000052 comparative effect Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000012163 sequencing technique Methods 0.000 description 4
- 241000607479 Yersinia pestis Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000024346 drought recovery Effects 0.000 description 3
- 230000008020 evaporation Effects 0.000 description 3
- 238000001704 evaporation Methods 0.000 description 3
- 238000000540 analysis of variance Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004836 empirical method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 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 description 2
- 238000005259 measurement Methods 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012950 reanalysis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material 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
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- 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
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Algebra (AREA)
- Biochemistry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Geology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明属于农业气象灾害技术领域,尤其涉及一种基于水汽通量散度的植被旱灾指数评估方法和系统。评估方法包含步骤:获取目标区域的水汽通量散度的历史数据,根据历史数据处理得到源历史数据,根据源历史数据计算得到水汽通量散度的发生概率;并由发生概率得到水汽通量散度指数;根据卫星遥感植被指数得到卫星遥感植被变动指数,根据水汽通量散度指数和卫星遥感植被变动指数计算得到二者的显著性区域;对显著性区域依据水汽通量散度指数进行植被旱灾等级划分。本发明解决了传统干旱指数对旱灾影响因素考虑不全,导致准确率较低和多个植被旱灾影响因素间相互干扰,数据处理和分析存在困难问题;克服了在复杂地表不具有旱灾预测能力的缺陷。
Description
技术领域
本发明属于农业气象灾害技术领域,尤其涉及一种基于水汽通量散度的植被旱灾指数评估方法和系统。
背景技术
陆地生产系统受到水分收支不平衡的负面影响就形成了旱灾。和气象气候干旱不同,植被旱灾是指无雨或雨水稀少造成土壤水分下降,植物因得不到所需水分而受害;植物旱灾除了受到环境中水分影响外,还与本身抗旱能力等有关。现有技术中,常见的预测方法主要基于降水和蒸散发从缺水角度对干旱进行评估,例如选用降水、蒸散发和水汽含量等因素的干旱指数;还有从遥感植被的旱灾响应来进行评估。以上方法往往存在:对植被旱灾的预测存在复杂地表抗干扰能力差、准确率低和不具备预测能力等缺陷,目前尚无可以对植被旱灾影响因素较为全面涵盖并可以有效、便捷、准确地评估和预测植被旱灾的方法。
发明内容
鉴于以上分析,针对现有技术中的不足,本发明旨在提供一种基于水汽通量散度的植被旱灾指数评估方法和系统,至少能够解决以下技术问题之一:(1)传统干旱指数对复杂地表植被旱灾影响因素考虑不全,导致准确率较低;(2)传统干旱指数中,多个植被旱灾影响因素间相互干扰,数据处理和分析存在困难;(3)卫星遥感技术植被旱灾监测易受虫害、人为因素等干扰。
本发明的目的主要是通过以下技术方案实现的:
本发明提供一种基于水汽通量散度的植被旱灾指数评估方法,包含以下步骤:
获取目标区域的水汽通量散度的历史数据,根据历史数据处理得到源历史数据;历史数据包括通过气象数据查询获取目标区域水汽通量散度数据;源历史数据包括所需时间单位的水汽通量散度数据;
根据源历史数据计算得到指定时间的水汽通量散度的发生概率;
根据指定时间的水汽通量散度的发生概率计算指定时间的水汽通量散度指数;
获取目标区域的卫星遥感植被指数,根据卫星遥感植被指数得到卫星遥感植被变动指数,根据得到的指定时间的水汽通量散度指数和卫星遥感植被变动指数进行线性回归分析得到目标区域中指定时间的水汽通量散度指数和卫星遥感植被变动指数的显著性区域;
依据指定时间的水汽通量散度指数对显著性区域进行植被旱灾等级划分。
优选的,所述指定时间的水汽通量散度的发生概率p的计算方法为:
其中,VIMDy,m是指定的第y年第m月的水汽通量散度;m是1-12月的编号;p(VIMDy,m)是指定的第y年第m月的水汽通量散度的概率;nm=多年同期不同年份的第m月的水汽通量散度的样本数量+1;iy,m的定义为:将指定的第y年第m月的水汽通量散度和多年同期不同年份的第m月的水汽通量散度的数据集按照数值大小从小到大排列,并依次赋予1、2……直至nm的序号,iy,m为第y年第m月水汽通量散度在排列中的序号。
优选的,所述指定时间的水汽通量散度指数的计算方法为:
将水汽通量散度VIMD的发生概率p分为≤0.5和>0.5两种情况对水汽通量散度进行正态分布标准化即得到水汽通量散度正态分布标准化指数t,t满足:
水汽通量散度指数SVIMDI满足:
优选的,获取目标区域的卫星遥感植被变动指数VA的方法为:
y为年份,m为1-12月的编号,VAy,m为指定的第y年的第m月遥感植被变动指数;VIy,m为指定的第y年的第m月植被指数;VIave,m为第m月历年植被指数的均值。
优选的,所述水汽通量散度指数和卫星遥感植被变动指数的显著性区域的判定方法为:将所述水汽通量散度指数和所述卫星遥感植被变动指数根据F总体显著性检验筛选显著性水平小于0.05的区域判定为显著性区域。
优选的,所述F总体显著性检验前可以将目标区域分割为若干可以获取水汽通量散度指数和/或卫星遥感植被变动指数的最小单元,并将最小单元进行F总体显著性检验筛选显著性水平小于0.05的区域作为显著性区域。
优选的,以所述显著性区域水汽通量散度指数为预测因子,和,以所述显著性区域的卫星遥感植被变动指数为预测量构建线性回归模型。
优选的,所述植被旱灾等级的划分标准为:SVIMDI>1.0,则判定目标区域或目标区域的最小单元为湿润区;-1.0<SVIMDI≤1.0,则判定目标区域或目标区域的最小单元为正常区;SVIMDI≤-1.0,则判定目标区域或目标区域的最小单元为干旱区。
优选的,所述原始历史数据包含至少15年的水汽通量散度数据。
另一方面,本发明公开一种基于水汽通量散度的植被旱灾指数评估系统,用于实现上述的评估方法,包含以下模块:
数据采集处理模块:
用于获取目标区域的水汽通量散度的历史数据,根据历史数据处理得到源历史数据;历史数据包括通过气象数据查询获取的目标区域水汽通量散度数据;源历史数据包括所需时间单位的水汽通量散度数据;
第一计算模块:
根据源历史数据计算得到指定时间的水汽通量散度的发生概率;
第二计算模块:
根据指定时间的水汽通量散度的发生概率计算指定时间的水汽通量散度指数;
第三计算模块:
获取目标区域的卫星遥感植被指数,根据卫星遥感植被指数得到卫星遥感植被变动指数,根据得到的指定时间的水汽通量散度指数和卫星遥感植被变动指数进行线性回归分析得到目标区域中指定时间的水汽通量散度指数和卫星遥感植被变动指数的显著性区域;
旱灾等级判定模块:
依据指定时间的水汽通量散度指数对显著性区域进行植被旱灾等级划分。
与现有技术相比,本发明至少能实现以下技术效果之一:
(1)本发明采用水汽通量散度作为分析变量,水汽通量散度将区域看成一个整体表征水汽输入和输出,能够反映降水、蒸散发等因素的综合影响,因而较常见旱灾指数单纯考虑降水、蒸发和土壤水分等,水汽通量散度能够综合考虑影响植被旱灾各种因素,在复杂地表更容易取得最接近实际的评估结果。
(2)本发明通过对目标区域中水汽通量散度指数和卫星遥感植被变动指数的显著性分析,避免了水汽通量散度评估中和植被实际生长状况不相关因素,进而避免了从大气缺水角度对干旱的片面描述,同时考虑到了不同植物对干旱耐受程度不同及植物旱灾与环境干旱本质上差异,极大提高了植物旱灾的评估准确度。
(3)本发明与现有技术中利用卫星遥感监测植被生长状况进而评估旱灾的方法相比,避免了虫害、气温、人为因素等对植被旱灾评估的干扰,具有更高的特异性和准确率。
(4)本发明相较于卫星遥感等对植被生长状况评估方法,由于水汽通量散度指数对植被旱灾前置影响的特点,水汽通量散度的变化优先导致大气水分变化,需要经过植被对水分反馈调节后才能影响到植被生长状态,因而本发明采用水汽通量散度作为植被旱灾的评估方法能够对区域内未来一定时间内植被生长状态起到预测作用。
(5)本发明中,计算指定时间的水汽通量散度的发生概率时,通过对相关源历史数据中的多年同期水汽通量散度和指定时间的水汽通量散度从小到大排序,覆盖了源历史数据全部样本区间,较现有技术常用的抽检方法对历史数据的部分抽样,具有更高的准确率;同时本发明仅对样本区间进行数学排序,不需要更为复杂的计算,在计算机辅助下能够很容易实现,在增加准确率同时没有过度增大工作量;同时与现有技术中常见的另一类通过数学全分析判定概率具体分布方法相比,数据处理工作量大为简化,采用将指定时间的水汽通量散度和多年同期同月的水汽通量散度从小到大排列比较经过公式计算即可由水汽通量散度得到指定时间的水汽通量散度的概率。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及说明书附图中所指出的结构来实现和获得。
附图说明
图1为本发明实施例中植被旱灾指数评估方法流程图;
图2为本发明实施例中SVIMDI和VA显著相关区域示意图;
图3为本发明实施例中克孜勒苏柯尔克孜自治州历年干旱等级变化示意图;
图4为本发明对比例中SPI和VA显著相关区域示意图;
图5为本发明对比例中克孜勒苏柯尔克孜自治州历年干旱等级变化示意图。
具体实施方式
以下结合具体实施例和对比例对基于水汽通量散度的植被旱灾指数评估方法和系统作进一步的详细描述,这些实施例只用于比较和解释的目的,本发明不限定于这些实施例中。
发明人发现:现有技术中,一方面,干旱指数主要基于降水和蒸散发从缺水角度对干旱进行评估,分别基于降水、蒸散发和水汽含量等单一指标,不能全面考虑影响干旱的各个因素,且忽略了植物本身耐干旱属性对植被旱灾评估的实际影响,因而现有技术中干旱指数影响了预测或评估准确性;而选用降水、蒸散发和水汽含量等因素组合分析时,降水、蒸散发和水汽含量互为变量,变化时相互影响,为数据处理带来了较大困难,难以便捷高效的对植被旱灾进行预测;另一方面,传统的植被野外调查方法需花费大量人力物力,难以满足实时监测的需要;而卫星遥感虽然可以对地表植被和环境变动进行监测,但卫星遥感只能揭示出植被生长状态,不能给出植被生长变化的原因(例如病虫害和人为因素等也可以影响植被生长),且卫星遥感是基于植被目前生长状态监测,不能对植被生长或受旱灾影响的趋势进行预测。
基于上述发现,本发明提出一种基于水汽通量散度的植被旱灾指数评估方法和系统,其中水汽通量散度表征某区域水汽的辐合辐散总量。当水汽由源地输送到某一地区时,水平输入的水汽大于输出的水汽,表现为水汽的水平净辐合,反之即为水汽的水平净辐散;由于可以引起水汽流动的指标均可以影响水汽通量散度,水汽通量散度是降水、蒸散发等因素共同作用的结果,因而通过对某区域一定时间水汽通量散度计算就可以获得综合考虑降水、蒸散发等因素的植物旱灾评估指标。
本发明提出一种基于水汽通量散度的植被旱灾指数评估方法和系统,如图1所示,包括:
步骤1:获取目标区域的水汽通量散度的历史数据,根据历史数据处理得到源历史数据;历史数据包括通过已有记载的气象数据查询获取的目标区域水汽通量散度数据;源历史数据包括通过目标区域水汽通量散度数据转化的所需时间单位的水汽通量散度数据;具体的,可通过气象数据查询获取目标区域水汽通量散度的历史数据;为了提高评估结果的准确性和可靠性,可获取多个年份的历史数据,示例性地,历史数据可包含目标区域连续15年以上的数据,将获取的历史数据转化为可进一步处理的源历史数据,例如月度平均数据:历史数据可以是月度数据、季度数据,也可以是以天甚至小时为计时周期的短时数据;月度数据、季度数据可以直接作为源历史数据;以天甚至小时为计时周期的短时数据可根据需要采用加权平均等方法转化为月度平均数据或季度数据。
与现有技术中常见的旱灾指数相比,水汽通量散度表征区域水汽输入和输出,使用整体化思维方式考虑到影响植被旱灾的各方面因素,降低了现有技术中选取互为变量、相互影响的降水、太阳蒸发等因素变量组合分析的难度,减少了数据处理量,提高了处理效率。
步骤2:根据源历史数据计算得到指定时间的水汽通量散度的发生概率;
其中,指定时间是拟对目标区域植被旱灾状态进行评估的时间点,指定时间可以确定为某年某月或某年某个季度,例如:选取历史数据中拟评估的第y年第m月作为指定时间,并在源历史数据中查询指定时间的水汽通量散度和指定时间相同月份的多年同期水汽通量散度;多年同期是指历史年份中与指定时间月份相同的时间点;具体的,拟对2019年05月的目标区域植被旱灾状态进行评估,可选取1982-2018年05月水汽通量散度的源历史数据的数据集作为2019年05月水汽通量散度数据的多年同期数据;具体的,拟对2019年第一季度的目标区域植被旱灾状态进行评估,可选取1982-2018年第一季度的水汽通量散度的源历史数据的集作为2019年第一季度水汽通量散度数据的多年同期数据。
具体的,根据水汽通量散度的源历史数据,提取指定时间水汽通量散度和相应的多年同期水汽通量散度,并根据两种水汽通量散度计算得到指定时间的水汽通量散度的发生概率。
具体的,步骤2中,指定时间的水汽通量散度的发生概率p的计算方法为:
iy,m∈[1,nm];
其中,VIMDy,m是指定的第y年第m月的水汽通量散度;m是1-12月的编号;p(VIMDy,m)是指定的第y年第m月的水汽通量散度的概率;nm=多年同期不同年份的第m月的水汽通量散度的样本数量+1;iy,m的定义为:将指定的第y年第m月的水汽通量散度和多年同期不同年份的第m月的水汽通量散度的数据集按照数值大小从小到大排列,并依次赋予1、2……直至nm的序号,iy,m为第y年第m月水汽通量散度在排列中的序号。
与现有技术相比,本发明中,计算指定时间的水汽通量散度的发生概率p时,通过对iy,m相关源历史数据中的多年同期水汽通量散度和指定时间的水汽通量散度从小到大排序,覆盖了源历史数据全部样本区间,较现有技术常用的抽检方法对历史数据的部分抽样,具有更高的准确率;同时本发明仅对样本区间进行数学排序,不需要更为复杂的计算,在计算机辅助下可以很容易实现,在增加准确率同时没有过度增大工作量;同时与现有技术中常见的另一类通过数学全分析判定概率具体分布方法相比,数据处理工作量大为简化,采用将第y年第m月的水汽通量散度和多年同期第m月的水汽通量散度从小到大排列比较经过公式计算即可由水汽通量散度得到指定的第y年第m月的水汽通量散度的概率。
步骤3:根据指定时间的水汽通量散度的发生概率计算指定时间的水汽通量散度指数;将分散分布的水汽通量散度的发生概率进行正态分布标准化,采用累积正态分布近似的经验方法计算:将指定时间的水汽通量散度的发生概率p转化为以p=0.5对称的水汽通量散度正态分布标准化指数t;进一步将t通过经验公式获得水汽通量散度指数SVIMDI,其中SVIMDI以SVIMDI=0的点对称分布,这有利于进一步和植物旱灾等级匹配,实现对植物旱灾等级定量化评级。
具体的,步骤3中,水汽通量散度指数(SVIMDI)的计算方法为:
将指定时间的多年同期的水汽通量散度的发生概率p分为≤0.5和>0.5两种情况对水汽通量散度进行正态分布标准化:
根据以下公式得到水汽通量散度正态分布标准化指数t:
根据t进一步计算得到的水汽通量散度指数SVIMDI满足:
和现有技术相比,本发明的水汽通量散度概率分布原本是偏态分布,为了方便使用和分析,本发明将水汽通量散度的概率经过标准化正态分布转化为水汽通量散度指数SVIMDI,给予水汽通量散度的发生概率p正态分布对称显示的,便于与植物旱灾两种状态-湿润和干旱对应,具有普遍适用的意义。现有技术中,计算类似的旱灾指数或发生概率往往是不对称型数据,一侧数据极为密集,另一侧数据极为离散,不能反映出实际情况下干旱年份和湿润年份发生概率的真实情况。本发明的水汽通量散度指数SVIMDI可以正态分布对称显示,完全避免了图形展现形式对效果展示的干扰。
步骤4:获取目标区域的卫星遥感植被指数,根据卫星遥感植被指数得到卫星遥感植被变动指数,根据步骤3得到的指定时间的水汽通量散度指数和卫星遥感植被变动指数进行线性回归统计计算得到目标区域中指定时间的水汽通量散度指数和卫星遥感植被变动指数的显著性区域;筛选出目标区域中和卫星遥感植被变动指数具有显著关联的区域,排除了虫害、极端气温等因素的干扰。
具体的,步骤4中,获取目标区域的卫星遥感植被变动指数VA的方法为:
其中,VA为卫星遥感植被变动指数;y为指定的年份,m为1-12月的编号,VAy,m为指定的第y年第m月遥感植被变动指数;VIy,m为指定的第y年的第m月植被指数;VIy,m可以来源于美国NOAA,MODIS或者国产风云卫星的产品,具体可以是反映植被长势和营养信息的归一化植被指数(NDVI),增强型植被指数(EVI),比值植被指数(RVI),叶面积指数(LAI),光合有效辐射分量(FPAR),总初级生产力(GPP)和净初级生产力(NPP)指数;VIave,m为第m月历年植被指数的均值,VIave,m由来源于美国NOAA,MODIS或者国产风云卫星的产品中第m月历年植被指数均值计算获得。
具体的,步骤4中,水汽通量散度指数和卫星遥感植被变动指数的线性回归统计计算方法为:采用常用的数据分析软件,以拟处理的水汽通量散度指数为预测因子,卫星遥感植被变动指数为预测量构建线性回归模型,采用线性Pearson相关系数计算相关度;将水汽通量散度指数数据集和对应的卫星遥感植被变动指数的数据集进行方差分析,评估回归模型的F总体显著性水平。
进一步地,步骤4中,显著性区域判定方法为:根据方差分析总体显著性检验(F总体显著性检验)筛选显著性水平小于0.05的区域作为显著性区域。
具体的,相关度为正并且显著性水平小于0.05,说明水资源越少,植被越受损;如果相关度为负,且显著性水平小于0.05,可能受到洪涝干扰,因此为了判断植被旱灾情况,除了判断水汽通量散度指数SVIMDI与遥感植被变动指数VAy,m显著性以外,还需要确定二者的相关度。
同时为了进一步提高评估/预测准确性,F总体显著性检验前能够将目标区域分割为若干能够获取水汽通量散度指数和/或卫星遥感植被变动指数的基本单元,以基本单元的水汽通量散度指数和卫星遥感植被变动指数进行F总体显著性检验判断基本单元是否属于显著性区域。在可能范围内,基本单元的区域面积越小,越有利于提高评估/预测准确性,能够获取水汽通量散度指数和/或卫星遥感植被变动指数的基本单元的面积受限于实际技术水平和获得气象资料和卫星遥感资料的能力。
进一步地,以判定为显著性区域的基本单元的水汽通量散度指数为预测因子,以基本单元的卫星遥感植被变动指数为预测量构建线性回归模型;具体的可以由分析软件直接线性回归分析并构建线性回归模型。与现有技术中常见的旱灾指数相比,本发明通过对目标区域中水汽通量散度指数和卫星遥感植被变动指数的显著性分析,排除目标区域中水汽通量散度变化但植被生长因为自身耐旱性强导致植被生长状态变化不显著的区域,进而避免了从大气缺水角度对干旱的片面描述,同时考虑到了不同植物对干旱耐受程度不同及植物旱灾与环境干旱本质上差异,极大提高了植物旱灾的评估准确度。
同时和现有技术中利用卫星遥感监测植被生长状况进而评估植被旱灾的方法相比,卫星遥感监测植被生长状况不能排除虫害、极端气温等因素对植被生长状况影响,本发明由于采用了水汽通量散度指数SVIMDI与遥感植被变动指数VAy,m显著性分析,排除了虫害、极端气温等因素的干扰。同时和现有技术中利用卫星遥感监测植被生长状况进而评估植被旱灾的方法相比,由于水汽通量散度指数对植被旱灾前置影响的特点,水汽通量散度的变化优先导致大气水分变化,需要经过植被对水反馈调节后才能影响到植被生长状态,因而本发明采用水汽通量散度作为植被旱灾的评估方法能够对区域内未来一定时间内植被生长状态起到预测作用。
步骤5:依据指定时间的水汽通量散度指数对显著性区域进行植被旱灾等级划分,评估或预测区域植被旱灾状况。
具体的,SVIMDI>1.0,则判定目标区域或目标区域的基本单元为湿润区;-1.0<SVIMDI≤1.0,则判定目标区域或目标区域的基本单元为正常区;SVIMDI≤-1.0,则判定目标区域或目标区域的基本单元为干旱区;划分干旱强度等级具体如表1所示:
表1
与现有技术相比,本发明采用SVIMDI及-1和1作为阈值端点,将受多种因素影响的复杂多变的植被旱灾,给出了清晰可量化的评估标准,并在具体实施实例中证明较现有技术具有更好的预测准确率。
另一方面,本发明公开一种基于水汽通量散度的植被旱灾指数评估系统,具体包含以下模块:
数据采集处理模块:用于获取目标区域的水汽通量散度的历史数据,并转化为源历史数据;
具体的,可通过气象数据查询获取目标区域水汽通量散度的历史数据;为了提高评估结果的准确性和可靠性,可获取多个年份的历史数据,示例性地,历史数据可包含目标区域连续15年以上的数据,将获取的历史数据转化为可进一步处理的源历史数据,例如月度平均数据:历史数据可以是月度数据、季度数据,也可以是以天甚至小时为计时周期的短时数据;月度数据、季度数据可以直接作为源历史数据;以天甚至小时为计时周期的短时数据可根据需要采用加权平均等方法转化为月度平均数据或季度数据。
与现有技术中常见的旱灾指数相比,水汽通量散度表征区域水汽输入和输出,使用整体化思维方式考虑到影响植被旱灾的各方面因素,降低了现有技术中选取互为变量、相互影响的降水、太阳蒸发等因素变量组合分析的难度,减少了数据处理量,提高了处理效率。
第一计算模块:
根据源历史数据计算得到指定时间的水汽通量散度的发生概率;
其中,指定时间是拟对目标区域植被旱灾状态进行评估的时间点,指定时间可以确定为某年某月或某年某个季度,例如:选取历史数据中拟评估的第y年第m月作为指定时间,并在源历史数据中查询指定时间的水汽通量散度和指定时间相同月份的多年同期水汽通量散度;多年同期是指历史年份中与指定时间月份相同的时间点;具体的,拟对2019年05月的目标区域植被旱灾状态进行评估,可选取1982-2019年05月水汽通量散度的源历史数据的数据集作为2019年05月水汽通量散度数据的多年同期数据;具体的,拟对2019年第一季度的目标区域植被旱灾状态进行评估,可选取1982-2019年第一季度的水汽通量散度的源历史数据的集作为2019年第一季度水汽通量散度数据的多年同期数据。
具体的,根据水汽通量散度的源历史数据,提取指定时间水汽通量散度和相应的多年同期水汽通量散度,并根据两种水汽通量散度计算得到指定时间的水汽通量散度的发生概率。
具体的,步骤2中,指定时间的水汽通量散度的发生概率p的计算方法为:
iy,m∈[1,nm];
其中,VIMDy,m是指定的第y年第m月的水汽通量散度;m是1-12月的编号;p(VIMDy,m)是指定的第y年第m月的水汽通量散度的概率;nm=多年同期不同年份的第m月的水汽通量散度的样本数量+1;iy,m的定义为:将指定的第y年第m月的水汽通量散度和多年同期不同年份的第m月的水汽通量散度的数据集按照数值大小从小到大排列,并依次赋予1、2……直至nm的序号,iy,m为第y年第m月水汽通量散度在排列中的序号。
与现有技术相比,本发明中,计算指定时间的水汽通量散度的发生概率p时,通过对iy,m相关源历史数据中的多年同期水汽通量散度和指定时间的水汽通量散度从小到大排序,覆盖了源历史数据全部样本区间,较现有技术常用的抽检方法对历史数据的部分抽样,具有更高的准确率;同时本发明仅对样本区间进行数学排序,不需要更为复杂的计算,在计算机辅助下可以很容易实现,在增加准确率同时没有过度增大工作量;同时与现有技术中常见的另一类通过数学全分析判定概率具体分布方法相比,数据处理工作量大为简化,采用将第y年第m月的水汽通量散度和多年同期第m月的水汽通量散度从小到大排列比较经过公式计算即可由水汽通量散度得到指定的第y年第m月的水汽通量散度的概率。
第二计算模块:
根据指定时间的水汽通量散度的发生概率计算指定时间的水汽通量散度指数;
将分散分布的水汽通量散度的发生概率进行正态分布标准化,采用是累积正态分布近似的经验方法计算:将指定时间的水汽通量散度的发生概率p转化为以变量p=0.5对称的水汽通量散度正态分布标准化指数t;进一步将t通过经验公式获得水汽通量散度指数SVIMDI,其中SVIMDI以SVIMDI=0的点对称分布,这有利于进一步和植物旱灾等级匹配,实现对植物旱灾等级定量化评级。
具体的,水汽通量散度指数(SVIMDI)的计算方法为:
将指定时间的多年同期的水汽通量散度的发生概率p分为≤0.5和>0.5两种情况对水汽通量散度进行正态分布标准化:
根据以下公式得到水汽通量散度正态分布标准化指数t:
根据t进一步进行水汽通量散度指数SVIMDI满足:
和现有技术相比,本发明的水汽通量散度概率分布原本是偏态分布,为了方便使用和分析,本发明将水汽通量散度的概率经过标准化正态分布转化为水汽通量散度指数SVIMDI,水汽通量散度的发生概率p正态分布对称显示,便于与植物旱灾湿润和干旱两种状态对应,具有普遍适用的意义。现有技术中,计算类似的旱灾指数或发生概率往往是不对称型数据,一侧数据极为密集,另一侧数据极为离散,指数的数值不能直观反映出实际情况下干旱年份和湿润年份发生概率的真实情况。本发明的水汽通量散度指数SVIMDI呈现正态分布对称显示,能够从指数的数值直观了解到统计的数据规律。
第三计算模块:
获取目标区域的卫星遥感植被指数,根据卫星遥感植被指数得到卫星遥感植被变动指数,根据上述步骤中得到的指定时间的水汽通量散度指数和卫星遥感植被变动指数进行回归统计得到目标区域中指定时间的水汽通量散度指数和卫星遥感植被变动指数的显著性区域;充分考虑植被对干旱响应的时空异质性,筛选出目标区域中和卫星遥感植被变动指数具有显著关联的区域。
具体的,获取目标区域的卫星遥感植被变动指数VA的方法为:
其中,VA为卫星遥感植被变动指数;y为指定的年份,m为1-12月的编号,VAy,m为指定的第y年第m月遥感植被变动指数;VIy,m为指定的第y年的第m月植被指数;VIy,m可以来源于美国NOAA,MODIS或者国产风云卫星的产品,具体可以是反映植被长势和营养信息的归一化植被指数(NDVI),增强型植被指数(EVI),比值植被指数(RVI),叶面积指数(LAI),光合有效辐射分量(FPAR),总初级生产力(GPP)和净初级生产力(NPP)指数;VIave,m为第m月历年植被指数的均值,VIave,m由来源于美国NOAA,MODIS或者国产风云卫星的产品中第m月历年植被指数均值计算获得。
进一步地,显著性区域判定方法为:构建回归模型,根据方差分析总体显著性检验(F总体显著性检验)筛选显著性水平小于0.05的区域作为显著性区域。
具体的,相关度为正并且显著性水平小于0.05,说明水资源越少,植被越受损;如果相关度为负,且显著性水平小于0.05,可能受到洪涝干扰,因此为了判断植被旱灾情况,除了使用水汽通量散度指数SVIMDI与遥感植被变动指数VAy,m显著性以外,还需要确定二者的相关度。
具体的,水汽通量散度指数和卫星遥感植被变动指数的线性回归统计方法为:采用常用的数据分析软件,以水汽通量散度指数为预测因子,卫星遥感植被变动指数为预测量构建线性回归模型,采用线性Pearson相关系数计算相关度,将拟处理的水汽通量散度指数数据集和对应的卫星遥感植被变动指数的数据集进行方差分析,评估回归模型的F总体显著性水平。
为了进一步提高评估/预测准确性,F总体显著性检验前可以将目标区域分割为若干可以获取水汽通量散度指数和/或卫星遥感植被变动指数的基本单元,以基本单元的水汽通量散度指数和卫星遥感植被变动指数进行F总体显著性检验判断基本单元是否属于显著性区域。在可能范围内,基本单元的区域面积越小,有利于提高评估/预测准确性,然而获取水汽通量散度指数和/或卫星遥感植被变动指数的基本单元的面积受限于实际技术水平和获得气象资料和卫星遥感资料的能力。
进一步地,以判定为显著性区域的基本单元的水汽通量散度指数为预测因子,以基本单元的卫星遥感植被变动指数为预测量构建线性回归模型。与现有技术中常见的旱灾指数相比,本发明通过对目标区域中水汽通量散度指数和卫星遥感植被变动指数的显著性分析,排除目标区域中水汽通量散度变化但植被生长因为自身耐旱性强导致植被生长状态变化不显著的区域,进而避免了从大气缺水角度对干旱的片面描述,同时考虑到了植物对干旱耐受程度的不同,极大提高了植物旱灾评估的准确度。
同时和现有技术中利用卫星遥感监测植被生长状况进而评估植被旱灾的方法相比,卫星遥感监测植被生长状况不能排除虫害、极端气温等因素对植被生长状况影响,本发明由于采用了水汽通量散度指数SVIMDI与遥感植被变动指数VAy,m显著性分析,排除了不受水汽通量散度变化影响的区域。同时和现有技术中利用卫星遥感监测植被生长状况进而评估植被旱灾的方法相比,由于水汽通量散度指数对植被旱灾前置影响的特点,水汽通量散度的变化优先导致大气水分变化,需要经过植被对水分反馈调节后才能影响到植被生长状态,因而本发明采用水汽通量散度作为植被旱灾的评估方法可以对区域内未来一定时间内植被生长状态起到预测作用。
旱灾等级判定模块:
依据指定时间的水汽通量散度指数对显著性区域进行植被旱灾等级划分,评估或预测区域植被旱灾状况。
具体的,SVIMDI>1.0,则判定目标区域或目标区域的基本单元为湿润区;-1.0<SVIMDI≤1.0,则判定目标区域或目标区域的基本单元为正常区;SVIMDI≤-1.0,则判定目标区域或目标区域的基本单元为干旱区。
为了对基于水汽通量散度的植被旱灾指数评估方法和系统作进一步的详细描述,进一步设立实施例和对比例:
实施例
在已经公开实施方式基础上,本实施例公开基于水汽通量散度的植被旱灾指数评估方法和系统:
首先,将欧洲中期天气预报中心提供的1982-2019年全球0.25度大气再分析数据中的垂直积分水汽辐散数据集VIMD预处理成以0.25度为基本单元的月尺度数据集,根据塔里木河流域边界抽取水汽通量散度数据集,其中作为举例选取基本单元(东经77.125°E-77.375°E,北纬37.625°N-37.875°N)在1983年VIMD月尺度数据集如表2所示。
其次,按照以下公式计算水汽通量散度的发生概率p:
其中,作为举例选取基本单元(东经77.125°E-77.375°E,北纬37.625°N-37.875°N)区域,p(VIMDy,m)作为该区域1983年,5-9月的水汽通量散度的概率,具体结果如表2所示。
进一步地,水汽通量散度的概率分≤0.5和>0.5两种情况将水汽通量散度正态标准化,将目标流域划分为基本单元,计算流域范围格网的SVIMDI;作为举例选取基本单元(东经77.125°E-77.375°E,北纬37.625°N-37.875°N),计算该区域1983年,5-9月的SVIMDI,具体结果如表2所示。
进一步地,将NOAA卫星Blended-VHP 1982-2019年4km植被NDVI重采样到0.25度,参照一下公式计算NDVI的VAy,m植被变动指数:
VAy,m为第y年的第m月遥感植被变动指数;VIy,m为第y年的第m月植被指数;VIave,m为第m月历年植被指数的均值。
进一步地,逐个格网以月SVIMDI为预测因子,VAy,m为预测量构建线性回归模型,塔里木河流域光学遥感区域生长季(5-9月)植被变动与SVIMDI的平均相关度为0.238,SVIMDI和VAy,m属于正相关;根据F总体显著性检验判断预测模型能否通过0.05显著性水平检验。经计算SVIMDI和VAy,m通过0.05显著性水平检验区域如图2所示:1983年,该区域5-9月的光学遥感区域生长季(5-9月)植被变动与SVIMDI通过0.05显著性水平检验的基本单元呈深色实心分布。
作为举例选取基本单元(东经77.125°E-77.375°E,北纬37.625°N-37.875°N)区域,计算该区域1982-2019年,5-9月的SVIMDI和VAy,m的显著性水平:
回归方程:VA=0.048×(SVIMDI)-0.027;
F值:24.957;
显著性:0.00;
Pearson相关系数:0.3439。
表2
塔里木河流域光学遥感区域生长季(5-9月)植被受干旱显著影响的网格面积为99043平方公里,Pearson相关系数大于0表明SVIMDI和VAy,m呈正相关;以F总体显著性检验显著性小于0.05判定SVIMDI和VAy,m的显著区域。根据《中国气象灾害大典-新疆卷》关于塔里木河流域的新疆克孜勒苏柯尔克孜自治州的1982-2000年的灾害灾情记录,根据自治州年平均SVIMDI变化划定的植被旱灾等级如图3所示:通过SVIMDI数值判断植被旱灾等级;SVIMDI>1.0,则判定目标区域或目标区域的单元为指定时间的湿润区;-1.0<SVIMDI≤1.0,则判定目标区域或目标区域的单元为指定时间的正常区;SVIMDI≤-1.0,则判定目标区域或目标区域的单元为指定时间的干旱区。
作为举例如表3所示,其中1997,1991和1983年为干旱年份,如表4所示自治州年平均SVIMDI分别为-7.28,-6.06,-2.50,以-1.0为阈值划分旱灾等级,与当地旱灾灾情记载相符;因此SVIMDI及阈值能够应用于绿洲农业地区,这样在SVIMDI和VAy,m显著相关区域,将SVIMDI按照-1.0和1.0阈值进行植被旱灾等级划定。
表3
表4
对比例
将欧洲中期天气预报中心提供的1982-2019年全球0.25度大气再分析数据中的垂直积分水汽辐散数据集VIMD预处理成以0.25度为基本单元的月尺度数据集,选用现有技术中计算标准化降水指数(SPI)月干旱指数(Mckee T B,Doesken N J,Kleist J.TheRelationship of Drought Frequency and Duration to Time Scales.EighthConference on Applied Climatology,1993:179-184),和实施例在同样条件下,逐个格网以月度SPI替代实施例中SVIMDI为预测因子,以VAy,m为预测量构建线性回归模型并且进行F总体显著性检验,确定塔里木河流域的光学遥感区域生长季(5-9月)植被变动VAy,m与SPI的平均相关度为0.202,SPI和VAy,m属于正相关;根据F总体显著性检验判断预测模型能否通过0.05显著性水平检验。经计算SPI和VAy,m通过0.05显著性水平检验区域如图4所示:1983年,该区域5-9月的光学遥感区域生长季(5-9月)植被变动与SPI通过0.05显著性水平检验的基本单元呈深色实心分布;F总体显著性检验表明受干旱显著影响(显著性水平小于0.05)的网格面积为15756.9平方公里。根据自治州年平均SPI变化划定的植被旱灾等级:SPI>1.0,则判定目标区域或目标区域的基本单元为指定时间的湿润区;-1.0<SPI≤1.0,则判定目标区域或目标区域的基本单元为指定时间的正常区;SPI≤-1.0,则判定目标区域或目标区域的基本单元为指定时间的干旱区;根据《中国气象灾害大典-新疆卷》关于新疆克孜勒苏柯尔克孜自治州的1982-2000年的灾害灾情记录,其中1997,1991和1983年为干旱年份,如图5所示,1997,1991和1983自治州年平均SPI分别为2.197、10.165、-9.151,以-1.0为阈值划分旱灾等级,与当地旱灾灾情记载存在较大差别。因此SPI指数不适宜进行本区域的植被旱灾的预测。
由此可见实施例中的SVIMDI植被旱灾预测方法在塔里木河流域尤其是克孜勒苏柯尔克孜自治州与对比例在同样条件下方法相比拥有更广泛的适用性和准确率。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.基于水汽通量散度的植被旱灾指数评估方法,其特征在于,包含以下步骤:
获取目标区域的水汽通量散度的历史数据,根据历史数据处理得到源历史数据;所述历史数据包括通过气象数据查询获取的目标区域水汽通量散度数据;所述源历史数据包括所需时间单位的水汽通量散度数据;
根据源历史数据计算得到指定时间的水汽通量散度的发生概率;
根据指定时间的水汽通量散度的发生概率计算指定时间的水汽通量散度指数;
获取目标区域的卫星遥感植被指数,根据卫星遥感植被指数得到卫星遥感植被变动指数,根据得到的指定时间的水汽通量散度指数和卫星遥感植被变动指数进行线性回归分析得到目标区域中指定时间的水汽通量散度指数和卫星遥感植被变动指数的显著性区域;
依据指定时间的水汽通量散度指数对显著性区域进行植被旱灾等级划分。
5.根据权利要求4所述植被旱灾指数评估方法,其特征在于,所述水汽通量散度指数和卫星遥感植被变动指数的显著性区域的判定方法为:将所述水汽通量散度指数和所述卫星遥感植被变动指数进行线性回归分析,根据F总体显著性检验筛选显著性水平小于0.05的区域判定为显著性区域。
6.根据权利要求5所述植被旱灾指数评估方法,其特征在于,所述F总体显著性检验前将目标区域划分为若干能够获取水汽通量散度指数和/或卫星遥感植被变动指数的基本单元。
7.根据权利要求6所述植被旱灾指数评估方法,其特征在于,以所述基本单元水汽通量散度指数为预测因子,以所述基本单元的卫星遥感植被变动指数为预测量构建线性回归模型,根据F总体显著性检验筛选显著性水平小于0.05的区域作为显著性区域。
8.根据权利要求7所述植被旱灾指数评估方法,其特征在于,所述植被旱灾等级的划分标准为:SVIMDI>1.0,则判定目标区域或目标区域的基本单元为湿润区;-1.0<SVIMDI≤1.0,则判定目标区域或目标区域的基本单元为正常区;SVIMDI≤-1.0,则判定目标区域或目标区域的基本单元为干旱区。
9.根据权利要求1-8任一项所述植被旱灾指数评估方法,其特征在于,所述历史数据包含至少15年的水汽通量散度数据。
10.基于水汽通量散度的植被旱灾指数评估系统,其特征在于,用于实现权利要求1-9任一项所述的评估方法,包含以下模块:
数据采集处理模块:
用于获取目标区域的水汽通量散度的历史数据,并根据历史数据处理得到源历史数据;历史数据包括通过气象数据查询获取目标区域水汽通量散度数据;源历史数据包括所需时间单位的水汽通量散度数据;
第一计算模块:
根据源历史数据计算得到指定时间的水汽通量散度的发生概率;
第二计算模块:
根据指定时间的水汽通量散度的发生概率计算指定时间的水汽通量散度指数;
第三计算模块:
获取目标区域的卫星遥感植被指数,根据卫星遥感植被指数得到卫星遥感植被变动指数,根据得到的指定时间的水汽通量散度指数和卫星遥感植被变动指数进行线性回归分析得到目标区域中指定时间的水汽通量散度指数和卫星遥感植被变动指数的显著性区域;
旱灾等级判定模块:
依据指定时间的水汽通量散度指数对显著性区域进行植被旱灾等级划分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211173091.XA CN115575601A (zh) | 2022-09-26 | 2022-09-26 | 基于水汽通量散度的植被旱灾指数评估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211173091.XA CN115575601A (zh) | 2022-09-26 | 2022-09-26 | 基于水汽通量散度的植被旱灾指数评估方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115575601A true CN115575601A (zh) | 2023-01-06 |
Family
ID=84583958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211173091.XA Pending CN115575601A (zh) | 2022-09-26 | 2022-09-26 | 基于水汽通量散度的植被旱灾指数评估方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115575601A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116011879A (zh) * | 2023-02-01 | 2023-04-25 | 长江水利委员会长江科学院 | 生态系统稳定性评估方法、装置、电子设备及存储介质 |
CN117236564A (zh) * | 2023-11-08 | 2023-12-15 | 北京弘象科技有限公司 | 针对农田干旱的评估解决方法、装置、设备和介质 |
CN117725375A (zh) * | 2024-02-08 | 2024-03-19 | 中国科学院空天信息创新研究院 | 卫星遥感数据重建方法、装置、电子设备及存储介质 |
-
2022
- 2022-09-26 CN CN202211173091.XA patent/CN115575601A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116011879A (zh) * | 2023-02-01 | 2023-04-25 | 长江水利委员会长江科学院 | 生态系统稳定性评估方法、装置、电子设备及存储介质 |
CN116011879B (zh) * | 2023-02-01 | 2023-07-04 | 长江水利委员会长江科学院 | 生态系统稳定性评估方法、装置、电子设备及存储介质 |
CN117236564A (zh) * | 2023-11-08 | 2023-12-15 | 北京弘象科技有限公司 | 针对农田干旱的评估解决方法、装置、设备和介质 |
CN117236564B (zh) * | 2023-11-08 | 2024-02-02 | 北京弘象科技有限公司 | 针对农田干旱的评估解决方法、装置、设备和介质 |
CN117725375A (zh) * | 2024-02-08 | 2024-03-19 | 中国科学院空天信息创新研究院 | 卫星遥感数据重建方法、装置、电子设备及存储介质 |
CN117725375B (zh) * | 2024-02-08 | 2024-05-14 | 中国科学院空天信息创新研究院 | 卫星遥感数据重建方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108760643B (zh) | 一种适宜于高海拔地区的干旱遥感监测方法 | |
Viswanathan et al. | Weather, agriculture and rural migration: evidence from state and district level migration in India | |
CN111045117B (zh) | 一种气候监测预测平台 | |
Ault et al. | Trends and natural variability of spring onset in the coterminous United States as evaluated by a new gridded dataset of spring indices | |
CN115575601A (zh) | 基于水汽通量散度的植被旱灾指数评估方法和系统 | |
CN113919231B (zh) | 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统 | |
CN112800634B (zh) | 耦合干湿状态辨识与多源信息融合的降水估计方法及系统 | |
CN111401602B (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
Pope et al. | Regimes of the north Australian wet season | |
CN108984803B (zh) | 一种农作物产量空间化的方法及系统 | |
CN112070286A (zh) | 复杂地形流域的降水预报预警系统 | |
CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
CN110619291B (zh) | 一种植被覆盖度与气候因子非线性响应关系的识别方法 | |
CN111062526A (zh) | 一种冬小麦单产预测方法及系统 | |
CN116384591B (zh) | 一种基于大数据的旱情预测方法、系统和介质 | |
CN103971199A (zh) | 一种大范围农作物长势的遥感评级方法 | |
Olsen et al. | A method to identify potential cold-climate vine growing sites—A case study from Røsnæs in Denmark | |
CN116011881A (zh) | 一种基于像元尺度的黑土农田生产力评价方法及系统 | |
CN114781199A (zh) | 水源涵养对气候变化的响应分析方法、装置、介质和设备 | |
CN112380778A (zh) | 一种基于海温的气象干旱预报方法 | |
CN117371660B (zh) | 顾及植被生长节律的台风对植被碳吸收影响的评估方法 | |
CN117933477B (zh) | 一种青藏高原多年冻土区植被特性时间变化趋势预测方法 | |
CN118169774A (zh) | 一种基于多模型融合的降雨预测方法及系统 | |
Flynn et al. | Micropulse Lidar Cloud Mask Machine-Learning Value-Added Product Report | |
CN117217080A (zh) | 一种以鸟类群落指示城市生境生态干扰度的方法 |
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 |