CN116011879B - 生态系统稳定性评估方法、装置、电子设备及存储介质 - Google Patents
生态系统稳定性评估方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116011879B CN116011879B CN202310050333.4A CN202310050333A CN116011879B CN 116011879 B CN116011879 B CN 116011879B CN 202310050333 A CN202310050333 A CN 202310050333A CN 116011879 B CN116011879 B CN 116011879B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- vegetation index
- stability
- target area
- index
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种生态系统稳定性评估方法、装置、电子设备及存储介质。生态系统稳定性评估方法包括：首先获取指定时间范围内目标区域的植被指数，植被指数包括归一化植被指数、增强植被指数及日光诱导叶绿素荧光值；其次根据植被指数，判断目标区域在指定时间范围内是否受过灾害扰动；然后若受过灾害扰动，则根据植被指数和指定时间范围的时间长度，确定目标区域的植被稳定性数据，植被稳定性数据包括植被抵抗力数据和植被恢复力数据；最后根据植被稳定性数据，评估目标区域的生态系统稳定性。本发明通过上述方法步骤，可以判断目标区域是否受到灾害扰动，并获得在受到灾害扰动后的植被稳定性数据，准确的评估生态系统稳定性。
Description
技术领域
本发明涉及信息处理技术领域，具体而言，涉及一种生态系统稳定性评估方法、装置、电子设备及存储介质。
背景技术
越来越多的证据表明，气候异常波动和人类活动导致全球范围生态系统受到外界扰动的强度、频率呈现增加趋势，生态系统面临潜在状态转移的风险越来越大。植被是陆地生态系统水循环、能量循环和碳循环的纽带，是衡量生态系统稳定性的重要指标。
由于外界扰动对生态系统的胁迫的机理极其复杂，目前对生态系统稳定性的认识远不够，针对生态系统稳定性的监测、评估等研究都处于待发展的阶段。如何准确评估区域生态系统的稳定性，对地区经济可持续发展具有重要意义。
发明内容
为了克服上述问题和缺陷，本发明的目的是提供一种生态系统稳定性评估方法、装置、电子设备及存储介质，可以较准确的评估区域生态系统稳定性。
为了实现上述目的，本发明第一方面提供一种生态系统稳定性评估方法，包括：
获取指定时间范围内目标区域的植被指数，植被指数包括归一化植被指数、增强植被指数及日光诱导叶绿素荧光值；
根据植被指数，判断目标区域在指定时间范围内是否受过灾害扰动；
若受过灾害扰动，则根据植被指数和指定时间范围的时间长度，确定目标区域的植被稳定性数据，植被稳定性数据包括植被抵抗力数据和植被恢复力数据；
根据植被稳定性数据，评估目标区域的生态系统稳定性。
可选地，稳定性数据还包括植被指数量级转移率，植被指数量级转移率用于表征在受过灾害扰动后，目标区域的植被恢复程度。
可选地，根据植被指数，判断目标区域在指定时间范围内是否受过灾害扰动的步骤，包括：
根据指定时间范围内植被指数的月均值，确定植被指数基准；
根据植被指数基准和植被指数的，判断目标区域在指定时间范围内是否受过灾害扰动。
可选地，根据植被指数基准和植被指数，判断目标区域在指定时间范围内是否受过灾害扰动的步骤，包括：
根据植被指数基准和植被指数，确定动态时间弯曲距离；
根据动态时间弯曲距离，判断目标区域在指定时间范围内是否受过灾害扰动。
可选地，根据植被指数，判断目标区域在指定时间范围内是否受过灾害扰动的步骤，还包括：
基于植被指数，得到灾害强度指数和灾害持续时间；
根据灾害强度指数和灾害持续时间，判断目标区域在指定时间范围内是否受过灾害扰动。
可选地，根据植被稳定性数据，评估目标区域的生态系统稳定性的步骤，包括：
根据灾害强度指数和灾害持续时间，确定灾害严重性数据；
根据植被稳定性数据和灾害严重性数据，评估目标区域的生态系统稳定性。
可选地，目标区域包括多个不同类型的子区域，根据植被稳定性数据，评估目标区域的生态系统稳定性的步骤，包括：
根据各子区域在目标区域的空间分布位置，及各子区域的植被稳定性数据，得到目标区域的稳定性空间分布数据；
根据稳定性空间分布数据，评估目标区域的生态系统稳定性。
本发明第二方面提供一种生态系统稳定性评估装置，包括：
获取模块，用于获取指定时间范围内目标区域的植被指数，植被包括归一化植被指数、增强植被指数及日光诱导叶绿素荧光值；
判断模块，用于根据植被指数，判断目标区域在指定时间范围内是否受过灾害扰动；
确定模块，用于在判定受过灾害扰动后，根据植被指数和指定时间范围的时间长度，确定目标区域的植被稳定性数据，植被稳定性数据包括植被抵抗力数据和植被恢复力数据；
评估模块，用于根据植被稳定性数据，评估目标区域的生态系统稳定性。
本发明第三方面提供一种电子设备，包括处理器和存储器，存储器上存储有计算机程序，计算机程序被处理器执行时，实现上述的生态系统稳定性评估方法。
本发明第四方面提供一种计算机可读的存储介质，其上存储有计算机程序，计算机程序被处理器执行时，实现上述的生态系统稳定性评估方法。
与现有技术相比，本发明的有益效果包括：首先获取指定时间范围内目标区域的植被指数，植被指数包括归一化植被指数、增强植被指数及日光诱导叶绿素荧光值；其次根据植被指数，判断目标区域在指定时间范围内是否受过灾害扰动；然后若受过灾害扰动，则根据植被指数和指定时间范围的时间长度，确定目标区域的植被稳定性数据，植被稳定性数据包括植被抵抗力数据和植被恢复力数据；最后根据植被稳定性数据，评估目标区域的生态系统稳定性。本发明通过上述方法步骤，可以通过归一化植被指数、增强植被指数及日光诱导叶绿素荧光值等植被指数，判断目标区域是否受到灾害扰动，并获得在受到灾害扰动后的植被稳定性数据，准确的评估生态系统稳定性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例的技术方案的示例性系统架构的示意图；
图2为本发明实施例生态系统稳定性评估方法的步骤流程图一；
图3为本发明实施例生态系统稳定性评估方法的步骤流程图二；
图4为本发明实施例植被指数的变化趋势示意图；
图5为本发明实施例受到灾害扰动后的植被指数变化图；
图6为本发明实施例生态系统稳定性评估方法的步骤流程图三；
图7为本发明实施例生态系统稳定性评估方法的步骤流程图四；
图8为本发明实施例生态系统稳定性评估方法的步骤流程图五；
图9为本发明实施例植被抵抗力强弱等级的空间分布图；
图10为本发明实施例植被恢复力强弱等级的空间分布图；
图11为本发明实施例植被指数量级转移率的空间分布图；
图12为本发明实施例生态系统稳定性评估装置的架构示意图；
图13为本发明实施例电子设备的计算机系统的架构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
图1示出了可以应用本发明实施例的技术方案的示例性系统架构的示意图。
如图1所示，系统架构可以包括终端设备（如图1中所示智能手机101、平板电脑102和便携式计算机103中的一种或多种，当然也可以是台式计算机等等）、网络104和服务器105。网络104用以在终端设备和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线通信链路、无线通信链路等等。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
需要说明的是，本发明实施例所提供的生态系统稳定性评估方法一般由服务器105执行，相应地，生态系统稳定性评估装置一般设置于服务器105中。但是，在本发明的其它实施例中，终端设备也可以与服务器具有相似的功能，从而执行本发明实施例所提供的生态系统稳定性评估的技术方案。
下面对本发明实施例的技术方案的实现细节进行详细阐述。
本发明实施例提供一种生态系统稳定性评估方法，如图2所示，包括步骤210、步骤220、步骤230及步骤240，具体如下：
步骤210，获取指定时间范围内目标区域的植被指数，植被指数包括归一化植被指数、增强植被指数及日光诱导叶绿素荧光值。
本实施例中，植被指数为长时间序列的遥感数据，可以来自GOSIF数据集，GOSIF数据集是以OCO-2 SIF和MODIS数据以及MERRA-2气象在分析数据为基础，采用光能利用模型概念，通过EVI（增强植被指数）、PAR（光合有效辐射）、VPD（水汽压差）以及气温等环境变量，针对不同的植被覆盖类型构建反演模型开发的，具有高时空分辨率的长时间序列全球SIF（日光诱导叶绿素荧光值）数据集。其中，OCO-2 SIF是轨道碳观测卫星OCO-2采集的日光诱导叶绿素荧光值数据。MODIS数据是中分辨率成像光谱仪（Moderate-resolution ImagingSpectroradiometer）数据。MERRA-2是一套长时间序列的在分析数据集，其中包括各种气象变量，像净辐射、温度、相对湿度、风速等，MERRA-2数据覆盖全球，空间分辨率为0.5°´0.625°，时间分辨率为1小时。
具体地，归一化植被指数（NDVI）用于表征植被生长状态、植被覆盖度和消除部分辐射误差等，归一化植被指数（NDVI）能反映出植物冠层的背景影响，如土壤、潮湿地面、雪、枯叶、粗糙度等，且与植被覆盖有关。增强植被指数（EVI）是基于归一化植被指数（NDVI），根据影像因子大气分子、气溶胶、薄云、水汽和臭氧等因素进行全面的大气校正，可以有效避免NDVI对于高植被覆盖区域的饱和问题。日光诱导叶绿素荧光值（SIF）是指叶绿素分子吸收光量子(主要指蓝光和红光)，被激发的叶绿素重新发射光子回到基态而产生的一种光信号。本实施例中，NDVI和EVI遥感数据均来源于航空航天系统，采用MRT（MODISReprojectionTool，MODIS数据处理工具）软件对其进行格式转换和重投影处理。
本实施例中，指定时间范围可以为2000年至2021年。
步骤220，根据植被指数，判断目标区域在指定时间范围内是否受过灾害扰动。具体地，可以选择植被指数的最大年增长量为植被指数基准，也可以选择植被指数的多年月均值为植被指数基准，下面以多年月均值为例进行说明，如图3所示，步骤220可以进一步包括步骤221和步骤222：
步骤221，根据指定时间范围内植被指数的月均值，确定植被指数基准。
具体的，植被指数的月均值Var包括NDVI的多年月均值、EVI的多年月均值，SIF的多年月均值，以植被指数的多年月均值Var为植被指数基准。
步骤222，根据植被指数基准和植被指数，判断目标区域在指定时间范围内是否受过灾害扰动。具体的包括：根据植被指数基准和植被指数，确定动态时间弯曲距离；根据动态时间弯曲距离，判断目标区域在指定时间范围内是否受过灾害扰动。
本实施例中，可以采用DTW（DynamicTime Warping，动态时间弯曲）算法来分析判断，DTW算法是一种相似性度量算法，通过调节时间节点间的对应关系，寻找两个任意长时间序列中数据之间的最佳匹配路径，更有效的度量时间序列的相似性。
例如，设指定时间范围内，任意一段时间内植被指数的月均值Var的时间序列数据为X（X1，X2，…，Xn），植被指数基准的时间序列数据为Y（Y1，Y2，…，Ym），时间长度分别为n和m，将X和Y的点进行匹配，基于对应点构造一个n×m的矩阵。
设动态时间弯曲距离为DTW（X,Y），通过上述矩阵的路径来计算，计算公式如下所示：
其中Di是规整路径中的第i个元素，n为规整路径中的元素总数。
当DTW（X,Y）大于设定的阈值时，则可以判断目标区域在指定时间范围内是否受过灾害扰动（例如干旱、洪涝、火灾等灾害）。
一种实施例中，步骤220中，也可以根据植被指数的变化趋势，来判断目标区域在指定时间范围内是否受过灾害扰动。
例如，植被指数的变化趋势函数slope，定义如下：
其中，Vari为第i年的植被指数的平均值；n为指定时间范围的时间长度，如2000年至2021年，则n=21。
如图4所示，为植被指数的变化趋势示意图，其中，（a）为NDVI变化趋势示意图，（b）为SIF变化趋势示意图，（C）为EVI变化趋势示意图。根据变化趋势函数slope结合历年植被指数，也可以分析判断出目标区域在指定时间范围内是否受过灾害扰动。
步骤230，若受过灾害扰动，则根据植被指数和指定时间范围的时间长度，确定目标区域的植被稳定性数据，植被稳定性数据包括植被抵抗力数据和植被恢复力数据。
如图5所示，其中，植被抵抗力数据为R，植被指数下降振幅为M，指定时间范围内植被指数下降的一段时间为△T，则R=M/△T；植被恢复力数据为R’，植被指数上升振幅为M’，指定时间范围内植被指数上升的一段时间为△T’，则R’=M’/△T’。
进一步地，植被指数下降振幅M=Si-Mini，植被指数上升振幅M’=Ei- Mini，其中，Si为植被指数下降前的数值，Ei-为植被指数上升后的数值，Mini为植被指数由下降转为上升时的数值，即拐点数值。
本实施例的一种实施方式中，稳定性数据还可以包括植被指数量级转移率，植被指数量级转移率用于表征在受过灾害扰动后，目标区域的植被恢复程度。其中，设植被指数量级转移率为RS，植被指数下降振幅为M，植被指数上升振幅为M’，则RS=M’/M。
步骤240，根据植被稳定性数据，评估目标区域的生态系统稳定性。
具体地，通过对植被抵抗力数据、植被恢复力数据和植被指数量级转移率的分析，可以评估目标区域镍植被的恢复力和抵抗力，植被的恢复力和抵抗力是衡量生态系统稳定性的关键指标，这样可以较为精准的评估该目标区域的生态系统稳定性如何。
本实施例的一种实施方式中，目标区域包括多个不同类型的子区域，子区域的类型可以是耕地、林地或草地。如图6所示，步骤240还可以进一步包括：
步骤241，根据各子区域在目标区域的空间分布位置，及各子区域的植被稳定性数据，得到目标区域的稳定性空间分布数据。
具体地，将各子区域按植被抵抗力和植被恢复力，分别从小到大依次排列，根据排列顺序来对应划分植被抵抗力、植被恢复力及植被指数量级转移率的强弱等级。
以植被抵抗力为例，将植被抵抗力划分为强、较强、中、较弱、弱五个等级，采用百分位数法，子区域的植被抵抗力百分位数为P，则：
其中，m为植被抵抗力数据系列按递增次数排列时的顺序号，n为子区域的总个数。P≦20%，则该子区域的植被抵抗力等级为弱（Weak）；20%＜P≦40%，则该子区域的植被抵抗力等级为较弱（Weaker）；40%＜P≦60%，则该子区域的植被抵抗力等级为中（Ordinary）；60%＜P≦80%，则该子区域的植被抵抗力等级为较强（Stronger）；P＞80%，则该子区域的植被抵抗力等级为强（Strong）。
同理，植被恢复力也可以通过上述方法进行强弱等级的划分，此处不再赘述。
通过上述方法可以根据各子区域的植被稳定型数据，得到各子区域的植被稳定性强弱等级，然后结合各子区域在目标区域的空间分布位置，即可得到目标区域的稳定性空间分布数据，其中，稳定性空间分布数据包括植被抵抗力强弱等级的空间分布数据、植被恢复力强弱等级的空间分布数据，及植被指数量级转移率空间分布数据。
步骤242，根据稳定性空间分布数据，评估目标区域的生态系统稳定性。
根据上述的植被抵抗力强弱等级的空间分布数据、植被恢复力强弱等级的空间分布数据，及植被指数量级转移率空间分布数据，就可以对目标区域的生态系统稳定性，进行由点到面的系统性评价，使的评价结果更加详细、准确、合理科学。
一种实施例中，在步骤220中，根据植被指数，判断目标区域在指定时间范围内是否受过灾害扰动，还包括步骤223和步骤224，如图7所示：
步骤223，基于植被指数，得到灾害强度指数和灾害持续时间。
其中，本实施例可以通过游程理论来获取灾害强度指数、灾害持续时间等灾害扰动的特征数据，灾害强度指数用于表征灾害扰动的强度。
步骤224，根据灾害强度指数和灾害持续时间，判断目标区域在指定时间范围内是否受过灾害扰动。
具体地，当灾害强度指数偏离设定的范围，且持续时间超过设定的时间阈值时，则可以判定目标区域受到灾害扰动。
一种实施例中，步骤240，根据植被稳定性数据，评估目标区域的生态系统稳定性，具体包括步骤243和步骤244，如图8所示：
步骤243，根据灾害强度指数和灾害持续时间，确定灾害严重性数据。具体地，灾害严重性数据为灾害事件持续时间内的灾害强度指数之和。
步骤244，根据植被稳定性数据和灾害严重性数据，评估目标区域的生态系统稳定性。
其中，灾害严重性数据除以灾害持续时间可以得到灾害强度平均值。结合灾害强度平均值和灾害严重性数据，考虑了灾害扰动的强弱程度对植被抵抗力和植被恢复力的影响程度，根据植被稳定性数据和灾害严重性数据，来综合评估目标区域的生态系统稳定性，可以更准确的评估目标区域的植被抵抗力和植被恢复力情况。
下面，本实施例以某一江河流域为目标区域进行示例说明。
植被抵抗力的强弱可以反映该江河流域生态系统受到灾害扰动维持其正常状态的能力。如图9所示的植被抵抗力强弱等级的空间分布图中，（a）为NDVI抵抗力强弱等级的空间分布图，（b）SIF抵抗力强弱等级的空间分布图，（C）EVI抵抗力强弱等级的空间分布图。基于三种植被指数（NDVI，SIF，EVI）所量化的该江河流域植被抵抗力在空间上具有较高的一致性。植被抵抗力的强弱与植被类型保持着较高的联系，整体而言，该江河流域耕地植被抵抗力最强，林地次之，草地最弱。三种植被指数反映出的林地植被抵抗力具有较大的差异。参照植被覆盖数据，NDVI反演林地植被抵抗力，与植被覆盖类型数据最为吻合，其次是基于SIF数据反演的植被抵抗力，EVI反映出的植被抵抗力存在一定的偏差，且强度弱于其他指标。草地为低温少雨的气候环境，导致草地植被抵抗力弱于耕地和林地。总体而言，三类植被指数反演的植被抵抗力空间分布较为一致。但某些子区中，与其他植被指数相比，SIF对植被变化更敏感，更能准确反映出植被的空间格局分布、季节变化特征。
植被恢复力反映生态系统受到外界灾害扰动，能够恢复至正常水平的能力。如图10所示的植被恢复力强弱等级的空间分布图中，（a）为NDVI恢复力强弱等级的空间分布图，（b）为SIF恢复力强弱等级的空间分布图，（C）EVI恢复力强弱等级的空间分布图。三种植被指数反演的植被恢复力具有较高的空间一致性，对比发现，该江河流域草地恢复力最强，耕地次之，林地恢复力最弱。但EVI反演的植被恢复力程度弱于其他指标，产生这种现象与EVI的计算模型有关，与NDVI相比，EVI改善了NDVI高植被区饱和，大气校正不彻底和土壤背景等问题。草地的植被恢复力强弱与海拔高度呈现出了随着海拔升高，植被恢复力下降的关系。但是高海拔地区林地植被恢复力高于低海拔地区，产生差异的原因是高海拔地区林地物种丰度高，生态结构复杂，人类灾害扰动相对较少，生境条件也比较优越，具有较高的自调控能力。该江河流域农作物以水稻为主，农作物熟制为两到三熟，耕地植被在人为灾害扰动下，始终处于某一平衡态。因此，三类指标反映出耕地植被恢复力处于一个相对稳定的状态（较弱和中等）。
在受到外界灾害扰动后，植被恢复程度的强弱用植被指数量级转移率来量化。该江河流域的植被指数量级转移率空间分布如图11所示，其中，（a）为NDVI数量级转移率的空间分布图，（b）为SIF数量级转移率的空间分布图，（C）EVI数量级转移率的空间分布图。在图11中，可变性（植被指数量级转移率）大于或等于1，表示在研究时段内受到灾害扰动后植被可以恢复至正常水平，反之，表示灾害扰动抑制植被生长，导致植被无法恢复至正常状态。统计发现该江河流域约有58.75%的林地，54.37%的草地，37.21%的耕地，其植被指数量级转移率小于1。可以受到灾害扰动后，看出林地的植被指数量级转移率最大，表明受到灾害扰动后没有恢复至灾害扰动前的状态，耕地的植被指数量级转移率最小，即受灾害扰动后可以恢复至灾害扰动前的状态甚至更好。总体来看，该江河流域北部植被转移率略高于南部，表明研究时段末期该江河流域北部植被生长状态好于流域南部。据国家林业和草原局2020年公布的数据显示，该江河流域上游植被覆盖度提升至47%，植被水源涵养功能提升了21%。该江河流域上游持续增长的植被覆盖率对生态系统稳定性、生产力的提高具有重要意义。之所以该江河流域南部植被指数量级转移率小于1的区域面积较高，是因为持续的城镇化扩张，在过去十年该江河流域南部耕地面积锐减了40%。
本实施例的生态系统稳定性评估方法，首先获取指定时间范围内目标区域的植被指数，植被指数包括归一化植被指数、增强植被指数及日光诱导叶绿素荧光值；其次根据植被指数，判断目标区域在指定时间范围内是否受过灾害扰动；然后若受过灾害扰动，则根据植被指数和指定时间范围的时间长度，确定目标区域的植被稳定性数据，植被稳定性数据包括植被抵抗力数据和植被恢复力数据；最后根据植被稳定性数据，评估目标区域的生态系统稳定性。本发明通过上述方法步骤，可以通过归一化植被指数、增强植被指数及日光诱导叶绿素荧光值等植被指数，判断目标区域是否受到灾害扰动，并获得在受到灾害扰动后的植被稳定性数据，准确的评估生态系统稳定性。
本发明实施例还提供一种生态系统稳定性评估装置，如图12所示，包括获取模块301、判断模块302、确定模块303及评估模块304。
获取模块301用于获取指定时间范围内目标区域的植被指数，植被包括归一化植被指数、增强植被指数及日光诱导叶绿素荧光值；
判断模块302用于根据植被指数，判断目标区域在指定时间范围内是否受过灾害扰动；
确定模块303用于在判定受过灾害扰动后，根据植被指数和指定时间范围的时间长度，确定目标区域的植被稳定性数据，植被稳定性数据包括植被抵抗力数据和植被恢复力数据；
评估模块304用于根据植被稳定性数据，评估目标区域的生态系统稳定性。
本实施例的生态系统稳定性评估装置，可以采用上述实施例提供的生态系统稳定性评估方法，通过归一化植被指数、增强植被指数及日光诱导叶绿素荧光值等植被指数，判断目标区域是否受到灾害扰动，并获得在受到灾害扰动后的植被稳定性数据，准确的评估生态系统稳定性。
图13示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
需要说明的是，图13示出的电子设备的计算机系统仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图13所示，计算机系统包括中央处理单元（CentralProcessing Unit，CPU）1801，中央处理单元CPU 1801即为处理器，其可以根据存储在只读存储器（Read-OnlyMemory，ROM）1802中的程序或者从存储部分1808加载到随机访问存储器（RandomAccess Memory，RAM）1803中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 1803中，还存储有系统操作所需的各种程序和数据。CPU1801、ROM 1802以及RAM 1803通过总线1804彼此相连。输入/输出（Input /Output，I/O）接口1805也连接至总线1804。
以下部件连接至I/O接口1805：包括键盘、鼠标等的输入部分1806；包括诸如阴极射线管（CathodeRay Tube，CRT）、液晶显示器（LiquidCrystal Display，LCD）等以及扬声器等的输出部分1807；包括硬盘等的存储部分1808；以及包括诸如LAN（Local Area Network，局域网）卡、调制解调器等的网络接口卡的通信部分1809。通信部分1809经由诸如因特网的网络执行通信处理。驱动器1810也根据需要连接至I/O接口1805。可拆卸介质1811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1810上，以便于从其上读出的计算机程序根据需要被安装入存储部分1808。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分1809从网络上被下载和安装，和/或从可拆卸介质1811被安装。在该计算机程序被中央处理单元（CPU）1801执行时，执行本发明的系统中限定的各种功能。
需要说明的是，本发明实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（ErasableProgrammable Read Only Memory，EPROM）、闪存、光纤、便携式紧凑磁盘只读存储器（Compact Disc Read-Only Memory，CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
具体地，通过本实施例的电子设备，首先获取指定时间范围内目标区域的植被指数，植被指数包括归一化植被指数、增强植被指数及日光诱导叶绿素荧光值；其次根据植被指数，判断目标区域在指定时间范围内是否受过灾害扰动；然后若受过灾害扰动，则根据植被指数和指定时间范围的时间长度，确定目标区域的植被稳定性数据，植被稳定性数据包括植被抵抗力数据和植被恢复力数据；最后根据植被稳定性数据，评估目标区域的生态系统稳定性。本发明通过上述方法步骤，可以通过归一化植被指数、增强植被指数及日光诱导叶绿素荧光值等植被指数，判断目标区域是否受到灾害扰动，并获得在受到灾害扰动后的植被稳定性数据，准确的评估生态系统稳定性。
作为另一方面，本发明还提供了一种计算机可读的存储介质，该存储介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述存储介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备的处理器执行时，使得该电子设备实现上述实施例中提供的方法。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、触控终端、或者网络设备等）执行根据本发明实施方式的方法。
具体地，通过本实施例的存储介质，首先获取指定时间范围内目标区域的植被指数，植被指数包括归一化植被指数、增强植被指数及日光诱导叶绿素荧光值；其次根据植被指数，判断目标区域在指定时间范围内是否受过灾害扰动；然后若受过灾害扰动，则根据植被指数和指定时间范围的时间长度，确定目标区域的植被稳定性数据，植被稳定性数据包括植被抵抗力数据和植被恢复力数据；最后根据植被稳定性数据，评估目标区域的生态系统稳定性。本发明通过上述方法步骤，可以通过归一化植被指数、增强植被指数及日光诱导叶绿素荧光值等植被指数，判断目标区域是否受到灾害扰动，并获得在受到灾害扰动后的植被稳定性数据，准确的评估生态系统稳定性。
本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (9)
1.一种生态系统稳定性评估方法，其特征在于，包括：
获取指定时间范围内目标区域的植被指数，所述植被指数包括归一化植被指数、增强植被指数及日光诱导叶绿素荧光值；
根据所述植被指数，判断所述目标区域在所述指定时间范围内是否受过灾害扰动；
若受过灾害扰动，则根据所述植被指数和所述指定时间范围的时间长度，确定所述目标区域的植被稳定性数据，所述植被稳定性数据包括植被抵抗力数据和植被恢复力数据；
根据所述植被稳定性数据，评估所述目标区域的生态系统稳定性；
其中，所述稳定性数据还包括植被指数量级转移率，所述植被指数量级转移率用于表征在受过灾害扰动后，所述目标区域的植被恢复程度；
其中，所述植被抵抗力数据为R，植被指数下降振幅为M，指定时间范围内植被指数下降的一段时间为△T，则R=M/△T；所述植被恢复力数据为R’，植被指数上升振幅为M’，指定时间范围内植被指数上升的一段时间为△T’，则R’=M’/△T’；
其中，所述植被指数下降振幅M=Si-Mini，所述植被指数上升振幅M’=Ei-Mini，其中，Si为植被指数下降前的数值，Ei为植被指数上升后的数值，Mini为植被指数由下降转为上升时的数值，即拐点数值。
2.根据权利要求1所述的生态系统稳定性评估方法，其特征在于，所述根据所述植被指数，判断所述目标区域在所述指定时间范围内是否受过灾害扰动的步骤，包括：
根据所述指定时间范围内所述植被指数的月均值，确定植被指数基准；
根据所述植被指数基准和所述植被指数，判断所述目标区域在所述指定时间范围内是否受过灾害扰动。
3.根据权利要求2所述的生态系统稳定性评估方法，其特征在于，所述根据所述植被指数基准和所述植被指数，判断所述目标区域在所述指定时间范围内是否受过灾害扰动的步骤，包括：
根据所述植被指数基准和所述植被指数，确定动态时间弯曲距离；
根据所述动态时间弯曲距离，判断所述目标区域在所述指定时间范围内是否受过灾害扰动。
4.根据权利要求1所述的生态系统稳定性评估方法，其特征在于，所述根据所述植被指数，判断所述目标区域在所述指定时间范围内是否受过灾害扰动的步骤，还包括：
基于所述植被指数，得到灾害强度指数和灾害持续时间；
根据所述灾害强度指数和所述灾害持续时间，判断所述目标区域在所述指定时间范围内是否受过灾害扰动。
5.根据权利要求4所述的生态系统稳定性评估方法，其特征在于，所述根据所述植被稳定性数据，评估所述目标区域的生态系统稳定性的步骤，包括：
根据所述灾害强度指数和所述灾害持续时间，确定灾害严重性数据；
根据所述植被稳定性数据和所述灾害严重性数据，评估所述目标区域的生态系统稳定性。
6.根据权利要求1至5任一项所述的生态系统稳定性评估方法，其特征在于，所述目标区域包括多个不同类型的子区域，所述根据所述植被稳定性数据，评估所述目标区域的生态系统稳定性的步骤，包括：
根据各所述子区域在所述目标区域的空间分布位置，及各所述子区域的植被稳定性数据，得到所述目标区域的稳定性空间分布数据；
根据所述稳定性空间分布数据，评估所述目标区域的生态系统稳定性。
7.一种生态系统稳定性评估装置，其特征在于，包括：
获取模块，用于获取指定时间范围内目标区域的植被指数，所述植被包括归一化植被指数、增强植被指数及日光诱导叶绿素荧光值；
判断模块，用于根据所述植被指数，判断所述目标区域在所述指定时间范围内是否受过灾害扰动；
确定模块，用于在判定受过灾害扰动后，根据所述植被指数和所述指定时间范围的时间长度，确定所述目标区域的植被稳定性数据，所述植被稳定性数据包括植被抵抗力数据和植被恢复力数据；
评估模块，用于根据所述植被稳定性数据，评估所述目标区域的生态系统稳定性；
其中，所述稳定性数据还包括植被指数量级转移率，所述植被指数量级转移率用于表征在受过灾害扰动后，所述目标区域的植被恢复程度；
其中，所述植被抵抗力数据为R，植被指数下降振幅为M，指定时间范围内植被指数下降的一段时间为△T，则R=M/△T；所述植被恢复力数据为R’，植被指数上升振幅为M’，指定时间范围内植被指数上升的一段时间为△T’，则R’=M’/△T’；
其中，所述植被指数下降振幅M=Si-Mini，所述植被指数上升振幅M’=Ei-Mini，其中，Si为植被指数下降前的数值，Ei-为植被指数上升后的数值，Mini为植被指数由下降转为上升时的数值，即拐点数值。
8.一种电子设备，其特征在于，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现权利要求1至6中任一项所述的生态系统稳定性评估方法。
9.一种计算机可读的存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至6中任一项所述的生态系统稳定性评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310050333.4A CN116011879B (zh) | 2023-02-01 | 2023-02-01 | 生态系统稳定性评估方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310050333.4A CN116011879B (zh) | 2023-02-01 | 2023-02-01 | 生态系统稳定性评估方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116011879A CN116011879A (zh) | 2023-04-25 |
| CN116011879B true CN116011879B (zh) | 2023-07-04 |
Family
ID=86033524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310050333.4A Active CN116011879B (zh) | 2023-02-01 | 2023-02-01 | 生态系统稳定性评估方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116011879B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104517037A (zh) * | 2014-12-23 | 2015-04-15 | 中国科学院遥感与数字地球研究所 | 一种生态承载力的遥感估算方法 |
| CN111638195A (zh) * | 2020-05-12 | 2020-09-08 | 中国科学院空天信息创新研究院 | 一种干旱监测方法和装置 |
| CN113688772A (zh) * | 2021-09-02 | 2021-11-23 | 浙江大学 | 一种边坡生态修复监测方法 |
| CN115546636A (zh) * | 2022-09-25 | 2022-12-30 | 四川省林业科学研究院 | 基于高分辨率遥感图像的地质灾害后植被恢复监测方法 |
| CN115575601A (zh) * | 2022-09-26 | 2023-01-06 | 中国科学院空天信息创新研究院 | 基于水汽通量散度的植被旱灾指数评估方法和系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636171B (zh) * | 2018-12-06 | 2022-11-29 | 西安理工大学 | 一种区域植被恢复的综合诊断与风险评价方法 |
| CN110378576A (zh) * | 2019-07-01 | 2019-10-25 | 中国环境科学研究院 | 城市化植被效应有效距离的定量化检测方法 |
| CN113779113B (zh) * | 2021-11-12 | 2022-03-08 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于雨洪时空过程相似性挖掘的洪水动态预估方法及系统 |
| CN115512233A (zh) * | 2022-05-06 | 2022-12-23 | 北京师范大学 | 地块尺度耕地种植属性多时相遥感提取方法 |
-
2023
- 2023-02-01 CN CN202310050333.4A patent/CN116011879B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104517037A (zh) * | 2014-12-23 | 2015-04-15 | 中国科学院遥感与数字地球研究所 | 一种生态承载力的遥感估算方法 |
| CN111638195A (zh) * | 2020-05-12 | 2020-09-08 | 中国科学院空天信息创新研究院 | 一种干旱监测方法和装置 |
| CN113688772A (zh) * | 2021-09-02 | 2021-11-23 | 浙江大学 | 一种边坡生态修复监测方法 |
| CN115546636A (zh) * | 2022-09-25 | 2022-12-30 | 四川省林业科学研究院 | 基于高分辨率遥感图像的地质灾害后植被恢复监测方法 |
| CN115575601A (zh) * | 2022-09-26 | 2023-01-06 | 中国科学院空天信息创新研究院 | 基于水汽通量散度的植被旱灾指数评估方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于IFZ与NDVI的矿区土地利用/覆盖变化研究;李晶;焦利鹏;申莹莹;刘乾龙;;煤炭学报(11);全文 * |
| 汶川地震区灾后植被恢复时空过程及特征――以都江堰龙溪河流域为例;李京忠;曹明明;邱海军;薛冰;胡胜;崔鹏;;应用生态学报(11);正文第2-4页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116011879A (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | Projected changes in temperature and precipitation in ten river basins over China in 21st century | |
| Xie et al. | Relative humidity for load forecasting models | |
| Xu et al. | The dynamics of desertification in the farming-pastoral region of North China over the past 10 years and their relationship to climate change and human activity | |
| Zebende | DCCA cross-correlation coefficient: Quantifying level of cross-correlation | |
| Tippett et al. | A Poisson regression index for tropical cyclone genesis and the role of large-scale vorticity in genesis | |
| Jones et al. | UK Climate Projections science report: Projections of future daily climate for the UK from the Weather Generator | |
| Han et al. | Drought forecasting based on the remote sensing data using ARIMA models | |
| Ballesteros et al. | FORETo: New software for reference evapotranspiration forecasting | |
| Shrestha et al. | Climatological drought forecasting using bias corrected CMIP6 climate data: A case study for India | |
| Peng et al. | Seasonal precipitation forecasts over China using monthly large-scale oceanic-atmospheric indices | |
| Sharma et al. | Increasing agricultural risk to hydro-climatic extremes in India | |
| Goyal et al. | Evaluation of linear regression methods as downscaling tools in temperature projections over the Pichola Lake Basin in India | |
| Wang et al. | Spatio-temporal changes of precipitation and temperature over the Pearl River basin based on CMIP5 multi-model ensemble | |
| Saha et al. | Disparity in rainfall trend and patterns among different regions: analysis of 158 years’ time series of rainfall dataset across India | |
| Shastri et al. | Improving Global Forecast System of extreme precipitation events with regional statistical model: Application of quantile‐based probabilistic forecasts | |
| Javed et al. | Monitoring responses of vegetation phenology and productivity to extreme climatic conditions using remote sensing across different sub-regions of China | |
| Watson et al. | Comparing the effects of calibration and climate errors on a statistical crop model and a process-based crop model | |
| Soltani et al. | Minimum data requirements for parameter estimation of stochastic weather generators | |
| Chaudhuri | Preferred type of cloud in the genesis of severe thunderstorms—a soft computing approach | |
| Chen et al. | Predicting monsoon intraseasonal precipitation using a low-order nonlinear stochastic model | |
| Jones et al. | Downscaling regional climate model outputs for the Caribbean using a weather generator | |
| Cao et al. | Spatiotemporal dynamics of vegetation net ecosystem productivity and its response to drought in Northwest China | |
| Fan et al. | Accessing the difference in the climate elasticity of runoff across the Poyang Lake Basin, China | |
| Ahmad et al. | Statistically downscaled projections of CORDEX South Asia using quantile mapping approach over Pakistan region | |
| Gond et al. | Assessment of drought variability using SPEI under observed and projected climate scenarios over Uttar Pradesh, India |
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 |