CN115759331A - 基于最大熵模型和InVEST模型的红树林碳储量增量估算方法 - Google Patents

基于最大熵模型和InVEST模型的红树林碳储量增量估算方法 Download PDF

Info

Publication number
CN115759331A
CN115759331A CN202211212714.XA CN202211212714A CN115759331A CN 115759331 A CN115759331 A CN 115759331A CN 202211212714 A CN202211212714 A CN 202211212714A CN 115759331 A CN115759331 A CN 115759331A
Authority
CN
China
Prior art keywords
mangrove forest
carbon
model
mangrove
data
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
Application number
CN202211212714.XA
Other languages
English (en)
Inventor
史娴
孙仲益
乌兰
安映荷
包青格乐
张润卿
鄂晓宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hainan University
Original Assignee
Hainan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hainan University filed Critical Hainan University
Priority to CN202211212714.XA priority Critical patent/CN115759331A/zh
Publication of CN115759331A publication Critical patent/CN115759331A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明的基于最大熵模型和InVEST模型的红树林碳储量增量估算方法,获取现有红树林分布点,确定影响红树林分布的主要环境因子;运用最大熵模型和地理信息系统分析预测红树林的潜在生境分布,采用刀切法分析影响红树林分布的主要环境因子,获得红树林的适生区数据;将预测结果采用受试者工作特征曲线进行检验精度,并将生境预测结果与现有的红树林分布进行叠加对比分析;对土地利用遥感数据和InVEST所需碳密度数据库进行获取;剔除最大熵模型得到的适生区数据中不适合红树林生长的区域,在地理信息系统中计算扩种范围和处理土地利用数据;利用InVEST模型计算现有红树林和扩种红树林的碳储量,通过对碳储量和扩种的预估,为红树林的修复和扩种提供理论指导。

Description

基于最大熵模型和InVEST模型的红树林碳储量增量估算方法
技术领域
本发明涉及碳储量估算技术领域,特别涉及基于最大熵模型和InVEST模型的红树林碳储量增量估算方法。
背景技术
红树林是热带、亚热带海陆交错区生产力最高的滨海生态系统之一,其对碳的吸收速度可达陆地森林的四倍,在减缓区域气候变化等方面发挥着极为重要的作用。近年来,我国红树林保护修复取得积极进展,是世界上为数不多的红树林面积扩大的国家;可区域整体保护协调不够,监管能力有限依旧使得红树林生境退化、生物多样性降低等问题存在。
现有对红树林碳储量的计量主要集中在利用样方调查法对特定林分或样方的某一组分(生物量碳或土壤碳)进行估测,集中于小区域规模,虽可以准确地揭示生态系统碳储量的分布,但受限于红树林的生境不易进入,该方法消耗大量时间与人力成本。此外也有不少研究利用调查数据结合碳过程模型来估算红树林生态系统碳储量,由于只能使用经验平均值和转换系数粗略估计红树林碳储量的组成部分,因此估算结果间存在较大的差异和不可靠性。物种多样性、树木密度、林龄和干扰水平都会极大地影响红树林碳储量成分的分布模式,这些高度的空间异质性进一步阻碍了对红树林碳储量的估算,并混淆了空间尺度上碳储量组成之间的关系。得益于空间信息技术的发展,卫星遥感手段提供了大尺度宏观反演红树林生态系统碳储量的机会;通过遥感测量红树林冠层高度,利用异速生长方程推算生物量(AGB),进而获得区域红树林碳储量。但红树生长于低纬度地区,云覆盖率高,数据质量难以保证;此外,现地观测与遥感数据之间的空间观测尺度不匹配也增加了不确定性;特别地,由于遥感技术的特点,地下部分的生物量和土壤碳储量也难以获取。
发明内容
鉴于此,本发明提出基于最大熵模型和InVEST模型的红树林碳储量增量估算方法,基于最大熵模型和InVEST模型获得红树林的碳储量现状及不同扩种情景的碳储量增量,从而为红树林的修复与扩种计划提供理论支持与实践指导。
本发明的技术方案是这样实现的:
基于最大熵模型和InVEST模型的红树林碳储量增量估算方法,包括以下步骤:
步骤S1、获取现有红树林分布点,确定影响红树林分布的主要环境因子,所述主要环境因子包括气候因子以及海洋数据;
步骤S2、运用最大熵模型和地理信息系统分析预测红树林的潜在生境分布,采用刀切法分析影响红树林分布的主要环境因子,获得红树林的适生区数据;
步骤S3、将预测结果采用受试者工作特征曲线进行检验精度,并将生境预测结果与现有的红树林分布进行叠加对比分析;
步骤S4、对土地利用遥感数据和InVEST所需碳密度数据库进行获取;
步骤S5、剔除最大熵模型得到的适生区数据中不适合红树林生长的区域,在地理信息系统中计算扩种范围和处理土地利用数据;
步骤S6、利用InVEST模型计算现有红树林和扩种红树林的碳储量。
优选的,所述步骤S1的红树林分布点通过实地调查获取。
优选的,所述步骤S1的气候因子包括年均温、月均温度变幅、等温性、温度季节性变化、最暖月最高温、最冷月最低温、温度年变幅、最湿季均温、最干季均温、最暖季均温、最冷季均温、年降雨、最湿月降雨、最干月降雨、降雨季节性变化、最湿季降雨、最干季降雨、最暖季降雨、最冷季降雨。
优选的,所述步骤S1的海洋数据包括海岸线欧氏距离,CTI地形综合指数,海底地形高程,地形凹凸指数,基质或者底质类型,盐度、年平均海表温度、年海表温度变化范围、年均的盐度、年均海流速度、年最大海流速度、溶解氧浓度、PH、海表光合有效辐射、叶绿素浓度、浮游植物浓度、初级生产力、硝酸盐/磷酸盐浓度数据。
优选的,所述步骤S2的最大熵模型在使用前进行初始化:设定运算次数为1000次,25%作为训练因子,75%作为测试因此,重复次数为10次。
优选的,所述步骤S2采用刀切法分析影响红树林分布的主要环境因子,获得红树林的适生区数据的具体步骤为:采用刀切法对各主要环境因子进行检验以评估其对红树林分布的重要性和贡献率,构建红树林分布模型进行模拟,并将若干次模拟结果的平均值输出为红树林的适生区数据。
优选的,所述步骤S4的土地利用遥感数据包括耕地、林地、草地、水域、居民地以及未利用土地。
优选的,所述步骤S4的碳密度数据库为根据已有的数据构建的数据库。
优选的,所述步骤S5的具体步骤为:以适生系数作为判断依据,适生系数越接近1的区域越适合生长,将适生区数据中不适合红树林生长的区域剔除,在地里信息系统中计算扩种红树林最佳的位置与范围,处理得到现有红树林和不同扩种前景下的土地利用数据。
优选的,所述步骤S6的碳储量表达式为:
C=Cabove+Cbelow+Csoil+Cdead
其中C为总碳储量,Cabove为地上部分碳储量,Cbelow为地下部分碳储量,Csoil为土壤碳储量,Cdead为死亡有机质碳储量。
与现有技术相比,本发明的有益效果是:
本发明提供了基于最大熵模型和InVEST模型的红树林碳储量增量估算方法,利用最大熵模型和地理信息系统分析目前生长的红树林的现在生境分布,然后通过确定影响红树林分布的主要环境因子后,采用刀切法获得红树林的适生区数据,并以此与真实的红树林分布进行对比,将适生区数据中不适合红树林生长的区域剔除掉后,通过地理信息系统可以计算得到红树林的扩种范围以及处理得到土地利用数据,最终采用InVEST模型可以计算得到现有的红树林和扩种红树林的碳储量,为红树林的修复和扩种提供理论指导。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的优选实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于最大熵模型和InVEST模型的红树林碳储量增量估算方法的流程图。
具体实施方式
为了更好理解本发明技术内容,下面提供一具体实施例,并结合附图对本发明做进一步的说明。
参见图1,本发明提供的基于最大熵模型和InVEST模型的红树林碳储量增量估算方法,包括以下步骤:
步骤S1、通过实地调查获取现有红树林分布点,确定影响红树林分布的主要环境因子,所述主要环境因子包括气候因子以及海洋数据,气候因子包括年均温、月均温度变幅、等温性、温度季节性变化、最暖月最高温、最冷月最低温、温度年变幅、最湿季均温、最干季均温、最暖季均温、最冷季均温、年降雨、最湿月降雨、最干月降雨、降雨季节性变化、最湿季降雨、最干季降雨、最暖季降雨、最冷季降雨;海洋数据包括海岸线欧氏距离,CTI地形综合指数,海底地形高程,地形凹凸指数,基质或者底质类型,盐度、年平均海表温度、年海表温度变化范围、年均的盐度、年均海流速度、年最大海流速度、溶解氧浓度、PH、海表光合有效辐射、叶绿素浓度、浮游植物浓度、初级生产力、硝酸盐/磷酸盐浓度数据。
步骤S2、运用最大熵模型和地理信息系统分析预测红树林的潜在生境分布,采用刀切法分析影响红树林分布的主要环境因子,获得红树林的适生区数据;
利用最大熵模型的刀切法评价36个主要环境因子的权重,通过多次数值调整以获得最佳的参数设置,具体的模型运行参数为运算次数为1000次,25%作为训练因子,75%作为测试因此,重复次数为10次,其他参数为默认。
采用刀切法对各主要环境因子进行检验以评估其对红树林分布的重要性和贡献率,构建红树林分布模型进行模拟,并将10次模拟结果的平均值输出为红树林的适生区数据。
具体的,主要环境因子的贡献率具体为:地形因子的累计贡献率最高(67.0%),其次为水质水文(20.1%)、生物气候(8.7%)、沉积物等因素(4.3%),即地形因子是影响红树林分布的主要环境因子。
海洋数据方面,到海岸线欧氏距离贡献率最大,达63.4%,表明到海岸线的欧氏距离对红树林潜在地理分布格局起着主导作用;年最大盐度贡献率为5.3%、基质或底质类型的贡献率为3.6%,年均海表温度的贡献率为2.5%,表明这3项环境因子对红树林的地理分布格局也起着一定的作用。
步骤S3、将预测结果采用受试者工作特征曲线进行检验精度,并将生境预测结果与现有的红树林分布进行叠加对比分析;
采用受试者工作特征曲线进行检验精度,训练数据和测试数据的10次AUC值平均值分别为0.964和0.949,均大于0.9,用于模型预测模拟的处红树林分布点全部位于高适生区范围内,模拟结果与现有红树林分布数据具有较好的一致性,可信度较高,能够很好的用于红树林的适生区预测。
步骤S4、对土地利用遥感数据和InVEST所需碳密度数据库进行获取;
土地利用遥感数据包括一级类型和二级类型,其中一级类型包括耕地、林地、草地、水域、居民地以及未利用土地6个,而二级类型包括25个,分变脸均为30m*30m,土地利用遥感数据来源于中国科学院资源环境数据中心。
碳密度数据库为根据已公开发表的数据构建,在web of science数据库及中国知网(CNKI)分别以“碳储量”和“碳密度”作为关键词检索,仅选择实地调查所获得数据,利用地上、地下碳储量间的定量统计关系计算得到待预测区域的地上、地下和土壤碳密度。
步骤S5、剔除最大熵模型得到的适生区数据中不适合红树林生长的区域,在地理信息系统中计算扩种范围和处理土地利用数据;
在ArcMap10.7中以以适生系数作为判断依据,适生系数越接近1的区域越适合生长,将适生区数据中不适合红树林生长的区域剔除,在地里信息系统中计算扩种红树林最佳的位置与范围,处理得到现有红树林和不同扩种前景下的土地利用数据。
步骤S6、利用InVEST模型计算现有红树林和扩种红树林的碳储量。
陆地生态系统中的碳储量主要取决于4个碳库:地上生物量碳库,地下生物量碳库,土壤碳库和死亡有机碳库,此外,模型还涉及第5类碳库,即HWP,因数据来源不足,获取困难,所以本飞发明不考虑第5类碳库对固碳能力的影响。
将处理好的4类碳库数据和不同扩种情景的土地利用数据输入InVEST模型,勾选计算碳封存功能项,其他参数默认,利用InVEST模型计算现有红树林和扩种红树林的碳储量,得到不同时期碳储量数据结果,从而对海南岛不同扩种情景的红树林碳储量分布情况进行分析,碳储量表达式为:
C=Cabove+Cbelow+Csoil+Cdead
其中C为总碳储量,Cabove为地上部分碳储量,Cbelow为地下部分碳储量,Csoil为土壤碳储量,Cdead为死亡有机质碳储量。
本发明通过最大熵模型以及InVEST模型基于地理信息系统可以获得待测区域红树林的分布情况和碳储量,并同时预测待测区域中可以扩种红树林的区域以及扩种后的红树林的碳储量,用以为后续的红树林修复以及扩种提供理论指导。
本发明以海南岛为研究区域,选择海南岛现有红树林1820个分布点和36个主要环境因子(气候因子和海洋数据),利用最大熵模型预测红树林适生区分布,其中预测结果AUC均值为0.964(标准差±0.0005),测试数据AUC均值可达0.949(标准差±0.005);同时,用于模型预测模拟的1820处红树林分布点全部位于高适生区范围内,模拟结果与现有红树林分布数据具有较好的一致性,可信度较高,能够很好的用于红树林的适生区预测。
利用地理信息系统空间分析模块对适生区进行适生系数的重分类,去除城市等不适合种植红树林区域,得到红树林适生区分布数据,海南岛东北沿岸红树林生态系统适生区面积远高于西南沿岸,主要集中在海口、文昌和儋州等地,与红树林生态系统分布现状一致。
在地理信息系统上进行红树林的扩种时,发现扩种的面积大致为500-6500公顷,且主要集中在海南岛的东部和北部,西部和南部虽有高适生系数分布区,但其与现有红树分布区重叠,因此几乎无红树适宜扩种区域。
最终利用InVEST模型结合扩种红树林以及碳密度预估碳储量,其中海南岛现状碳储量约为1.24TgC,其中土壤碳约0.84TgC,扩种2000公顷红树林碳储量1.62TgC,可实现约0.38TgC碳储量增量;6500公顷红树林贡献碳储量2.40TgC,碳储量增量约1.16TgC。
对海南岛红树林生态系统碳储量的增量预估能够为红树林保护、修复及种植规划提供科学依据,是维持红树林生态系统服务功能预算的基础和关键。海南岛沿岸各区域红树林生态系统碳储量因区位差异而不同,东北部的碳储量最高,南部最低。人类活动与未来气候变化等因素的综合讨论,遥感与过程模型等手段结合使用,都会进一步提高相关研究的准确度,并能够揭示红树林生态系统碳储量增加机制,这更将有助于确定生态系统动态变化,指定最佳的保护和恢复措施。
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、改进等,均应包含在本发明的保护范围之内。

Claims (10)

1.基于最大熵模型和InVEST模型的红树林碳储量增量估算方法,其特征在于,包括以下步骤:
步骤S1、获取现有红树林分布点,确定影响红树林分布的主要环境因子,所述主要环境因子包括气候因子以及海洋数据;
步骤S2、运用最大熵模型和地理信息系统分析预测红树林的潜在生境分布,采用刀切法分析影响红树林分布的主要环境因子,获得红树林的适生区数据;
步骤S3、将预测结果采用受试者工作特征曲线进行检验精度,并将生境预测结果与现有的红树林分布进行叠加对比分析;
步骤S4、对土地利用遥感数据和InVEST所需碳密度数据库进行获取;
步骤S5、剔除最大熵模型得到的适生区数据中不适合红树林生长的区域,在地理信息系统中计算扩种范围和处理土地利用数据;
步骤S6、利用InVEST模型计算现有红树林和扩种红树林的碳储量。
2.根据权利要求1所述的基于最大熵模型和InVEST模型的红树林碳储量增量估算方法,其特征在于,所述步骤S1的红树林分布点通过实地调查获取。
3.根据权利要求1所述的基于最大熵模型和InVEST模型的红树林碳储量增量估算方法,其特征在于,所述步骤S1的气候因子包括年均温、月均温度变幅、等温性、温度季节性变化、最暖月最高温、最冷月最低温、温度年变幅、最湿季均温、最干季均温、最暖季均温、最冷季均温、年降雨、最湿月降雨、最干月降雨、降雨季节性变化、最湿季降雨、最干季降雨、最暖季降雨、最冷季降雨。
4.根据权利要求1所述的基于最大熵模型和InVEST模型的红树林碳储量增量估算方法,其特征在于,所述步骤S1的海洋数据包括海岸线欧氏距离,CTI地形综合指数,海底地形高程,地形凹凸指数,基质或者底质类型,盐度、年平均海表温度、年海表温度变化范围、年均的盐度、年均海流速度、年最大海流速度、溶解氧浓度、PH、海表光合有效辐射、叶绿素浓度、浮游植物浓度、初级生产力、硝酸盐/磷酸盐浓度数据。
5.根据权利要求1所述的基于最大熵模型和InVEST模型的红树林碳储量增量估算方法,其特征在于,所述步骤S2的最大熵模型在使用前进行初始化:设定运算次数为1000次,25%作为训练因子,75%作为测试因此,重复次数为10次。
6.根据权利要求1所述的基于最大熵模型和InVEST模型的红树林碳储量增量估算方法,其特征在于,所述步骤S2采用刀切法分析影响红树林分布的主要环境因子,获得红树林的适生区数据的具体步骤为:采用刀切法对各主要环境因子进行检验以评估其对红树林分布的重要性和贡献率,构建红树林分布模型进行模拟,并将若干次模拟结果的平均值输出为红树林的适生区数据。
7.根据权利要求1所述的基于最大熵模型和InVEST模型的红树林碳储量增量估算方法,其特征在于,所述步骤S4的土地利用遥感数据包括耕地、林地、草地、水域、居民地以及未利用土地。
8.根据权利要求1所述的基于最大熵模型和InVEST模型的红树林碳储量增量估算方法,其特征在于,所述步骤S4的碳密度数据库为根据已有的数据构建的数据库。
9.根据权利要求1所述的基于最大熵模型和InVEST模型的红树林碳储量增量估算方法,其特征在于,所述步骤S5的具体步骤为:以适生系数作为判断依据,适生系数越接近1的区域越适合生长,将适生区数据中不适合红树林生长的区域剔除,在地里信息系统中计算扩种红树林最佳的位置与范围,处理得到现有红树林和不同扩种前景下的土地利用数据。
10.根据权利要求1所述的基于最大熵模型和InVEST模型的红树林碳储量增量估算方法,其特征在于,所述步骤S6的碳储量表达式为:
C=Cabove+Cbelow+Csoil+Cdead
其中C为总碳储量,Cabove为地上部分碳储量,Cbelow为地下部分碳储量,Csoil为土壤碳储量,Cdead为死亡有机质碳储量。
CN202211212714.XA 2022-09-30 2022-09-30 基于最大熵模型和InVEST模型的红树林碳储量增量估算方法 Pending CN115759331A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211212714.XA CN115759331A (zh) 2022-09-30 2022-09-30 基于最大熵模型和InVEST模型的红树林碳储量增量估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211212714.XA CN115759331A (zh) 2022-09-30 2022-09-30 基于最大熵模型和InVEST模型的红树林碳储量增量估算方法

Publications (1)

Publication Number Publication Date
CN115759331A true CN115759331A (zh) 2023-03-07

Family

ID=85350765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211212714.XA Pending CN115759331A (zh) 2022-09-30 2022-09-30 基于最大熵模型和InVEST模型的红树林碳储量增量估算方法

Country Status (1)

Country Link
CN (1) CN115759331A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116628519A (zh) * 2023-07-17 2023-08-22 河海大学 一种生态脆弱区识别方法及系统
CN116858999A (zh) * 2023-07-05 2023-10-10 中环宇恩(广东)生态科技有限公司 基于红树林生态系统碳汇潜力监测评估的碳汇统计方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116858999A (zh) * 2023-07-05 2023-10-10 中环宇恩(广东)生态科技有限公司 基于红树林生态系统碳汇潜力监测评估的碳汇统计方法
CN116858999B (zh) * 2023-07-05 2024-01-16 中环宇恩(广东)生态科技有限公司 基于红树林生态系统碳汇潜力监测评估的碳汇统计方法
CN116628519A (zh) * 2023-07-17 2023-08-22 河海大学 一种生态脆弱区识别方法及系统
CN116628519B (zh) * 2023-07-17 2023-09-29 河海大学 一种生态脆弱区识别方法及系统

Similar Documents

Publication Publication Date Title
CN115759331A (zh) 基于最大熵模型和InVEST模型的红树林碳储量增量估算方法
Liu et al. Spatial differentiation of the NPP and NDVI and its influencing factors vary with grassland type on the Qinghai-Tibet Plateau
Hassan Climate change impact on groundwater recharge of Umm er Radhuma unconfined aquifer Western Desert, Iraq
Nannawo et al. Exemplifying the effects using WetSpass model depicting the landscape modifications on long-term surface and subsurface hydrological water balance in Bilate Basin, Ethiopia
Imbach et al. Impacts of climate change on ecosystem hydrological services of Central America: water availability
Du et al. Estimating and analyzing the spatiotemporal pattern of aboveground carbon in bamboo forest by combining remote sensing data and improved biome-bgc model
Li et al. An improved model for detecting heavy precipitation using GNSS-derived zenith total delay measurements
CN115630567A (zh) 一种海岸带土壤有机碳储量模拟及预测方法
He et al. Deriving full‐coverage and fine‐scale XCO2 across China based on OCO‐2 satellite retrievals and CarbonTracker output
CN113591288A (zh) 一种基于克里格插值的土壤湿度数据预测方法及装置
Guo et al. How the variations of terrain factors affect the optimal interpolation methods for multiple types of climatic elements?
CN113919185B (zh) 一种地形地貌状况测度方法与装置
Yoshikai et al. Predicting mangrove forest dynamics across a soil salinity gradient using an individual-based vegetation model linked with plant hydraulics
Zhuo et al. Soil moisture sensor network design for hydrological applications
CN116050935B (zh) 一种确定生物多样性优先保护地信息的方法及装置
Carus et al. Which factors and processes drive the spatio-temporal dynamics of brackish marshes?—Insights from development and parameterisation of a mechanistic vegetation model
CN116050163A (zh) 一种基于气象站的生态系统碳水通量计算方法及系统
CN115561432A (zh) 一种农田土壤有机碳空间分布图获取方法
Niraj et al. Fate of agricultural areas of Kailali District of Nepal: A temporal land use land cover change (LUCC) analysis
Yang et al. Changes in the relationship between species richness and belowground biomass among grassland types and along environmental gradients in Xinjiang, Northwest China
Masteali et al. Comparison between graph theory connectivity indices and landscape connectivity metrics for modeling river water quality in the southern Caspian sea basin
CN117272182B (zh) 一种逐日气温的预测方法、装置、介质及设备
Tatsuhara et al. Predicting the spatial distribution of major species composition in secondary hardwood forests on Mt. Gozu, central Japan, based on environmental factors
CN117610434B (zh) 一种融合人工智能的干旱指数重构方法及计算机可读介质
Kondo et al. State of science in carbon budget assessments for temperate forests and grasslands

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