CN116579645A - 一种估计亚热带森林恢复的方法 - Google Patents

一种估计亚热带森林恢复的方法 Download PDF

Info

Publication number
CN116579645A
CN116579645A CN202310424282.7A CN202310424282A CN116579645A CN 116579645 A CN116579645 A CN 116579645A CN 202310424282 A CN202310424282 A CN 202310424282A CN 116579645 A CN116579645 A CN 116579645A
Authority
CN
China
Prior art keywords
recovery
weight
index
forest
comprehensive
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
CN202310424282.7A
Other languages
English (en)
Inventor
左舒翟
黎梅
任引
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.)
Institute of Urban Environment of CAS
Original Assignee
Institute of Urban Environment of CAS
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 Institute of Urban Environment of CAS filed Critical Institute of Urban Environment of CAS
Priority to CN202310424282.7A priority Critical patent/CN116579645A/zh
Publication of CN116579645A publication Critical patent/CN116579645A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Primary Health Care (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本发明属于森林管理技术领域，提供了一种估计亚热带森林恢复的方法。利用多源数据构建森林生态恢复指标体系，再利用代理变量实现恢复指标时间尺度的拓展应用。该方法选择代表森林的结构、功能和栖息地恢复程度的指标，构建森林恢复评估指数，主要包括：多源数据提取、标准化处理、权重设置、综合恢复指数计算、代理变量筛选与时间尺度扩展六个部分。利用上述技术方案，可以较准确地估算森林在生态功能方面的恢复情况，有助于相关恢复政策的制定。

Description

一种估计亚热带森林恢复的方法
技术领域
本发明涉及森林监测技术领域，特别是涉及一种估计亚热带森林恢复的方法。
背景技术
随着气候变化和城市化，森林受到的干扰越来越严重。然而，由于地面调查投入大，缺乏科学的方法论，退化森林生态系统恢复评价指标依赖于恢复的面积而非评估生态系统功能的恢复。
检测森林干扰和恢复的常用方法是通过被动遥感图像(例如Landsat)检测植被覆盖度的变化。光学遥感数据例如陆地卫星为探测和评估大面积森林恢复提供了一种低成本的方法。由于中等分辨率如30m的Landsat能够实现大面积的重复数据覆盖，在扰动检测和恢复方面具有很大的优势。但是，光学遥感影像检测的森林生态系统恢复是光谱信息的恢复，缺乏对生态系统功能恢复的判断。
然而，使用来自航空摄影的主动遥感数据，例如激光雷达数据和实地全覆盖数据，会使成本增加，导致数据采集间隔较长，限制了长期森林生态功能恢复变化监测的要求。国际组织制定的全球或区域森林生态恢复战略目标大多侧重于面积覆盖，而不考虑生态功能。造成这种现象的原因有两个。一方面，仅基于光谱指标评价森林生态功能和恢复力的方法不能反映森林恢复的真实情况。另一方面，虽然有在群落和样地层面评价森林生态系统恢复的方法，但是在区域尺度上评价森林生态功能恢复的方法尚不完善。因此，整合多源数据的优势，在区域尺度上开发评估森林生态实际恢复水平的方法迫在眉睫。
发明内容
本发明的目的在于构建评估亚热带森林生态系统恢复指数，可通过多源数据的充分利用，实现在区域尺度上快速评估整片亚热带森林生态是否恢复，为森林管理提供理论支持和指导方针。
为了实现上述目的，本发明采用如下估计亚热带森林恢复的方法，该方法包括：
1)获取发生了恢复的亚热带森林区域的多源数据，从中提取亚热带森林区域中发生了恢复的各栅格像元点的恢复指标的原始数值；
2)将所提取的恢复指标的原始数值进行标准化处理，获得各栅格像元点的各恢复指标相应的标准化值；
3)对各栅格像元点的各恢复指标的权重进行设置；
4)针对各栅格像元点，将各恢复指标的标准化值与各恢复指标对应的权重分别相乘，并将相乘获得的各乘积求和来获得在各栅格像元点上的综合恢复指数值；
5)使用随机森林模型筛选出用于替代恢复指标的代理变量；
6)使用代理变量在时间尺度上扩展对亚热带森林区域的恢复估计。
7)根据综合恢复指数变化趋势预测判断区域恢复所需时间，即判断区域恢复达到稳定状态所需的时间。
优选地，该方法还包括：
在步骤1)中，构建多源数据库，将多种来源的数据进行预处理，统一为预定尺寸的栅格数据，如30m×30m的栅格数据；并进行备选恢复指标的提取，并通过信息熵的方式来选择要使用的恢复指标。
在步骤1)中，恢复指标包括：从被动遥感影像数据中获取的归一化燃烧指数NBR，从主动遥感数据中获取的树高和郁闭度，从地面观测数据中获取的自然度、群落结构和地上部分生物量；
在步骤2)中，标准化处理包括获得各恢复指标的正向标准化值和负向标准化值，其中正向标准化值通过用对应指标的原始数值与该类指标数据的最小值的差值和该类指标原始数据中的最大值与最小值的差值相比来获得；其中负向标准化值通过用该类指标数据的最大值与对应指标的原始数值的差值和该类指标原始数据中的最大值与最小值的差值相比来获得。
在步骤3)中，各恢复指标的权重为通过如下公式确定的综合权重：
Wcj＝0.5×(Waj+Wej) (1)
其中，Waj为通过层次分析法确定的第j个指标的权重，Wej为通过熵权法确定的第j个指标的权重，Wcj第j个指标的综合权重；
其中，归一化燃烧指数的层次分析法权重为0.03，熵权法权重为0.016，综合权重为0.023；
树高的层次分析法权重为0.141，熵权法权重为0.143，综合权重为0.142；
郁闭度的层次分析法权重为0.08，熵权法权重为0.13；综合权重为0.105；
自然度的层次分析法权重为0.229，熵权法权重为0.273，综合权重为0.251；
群落结构的层次分析法权重为0.432，熵权法权重为0.164，综合权重为0.298；
地上部分生物量的层次分析法权重为0.088，熵权法权重为0.274，综合权重为0.181。
在步骤5)中，为获取研究区一段时间内的综合恢复指数，使用随机森林模型筛选出用于替代恢复指标的代理变量包括：
将选定的多个评估指数输入随机森林模型，根据随机森林拟合结果中评估指数的重要性来筛选出代理变量。筛选出的代理变量包括如下中的一项或多项：干扰指数DI、缨帽变换角度TCA、简单植被指数SR、短波红外波段SWIR2、归一化植被指数、缨帽变换湿度TCW、缨帽变换亮度TCG、裸土指数BI、红光波段、海拔、坡度和树龄。
在步骤6)中，筛选出的代理变量为树龄，使用如下logistic方程拟合获得要扩展年份的森林综合恢复指数：
其中，x为树龄，y为森林综合恢复指数。
在步骤7)中，根据所获得的综合恢复指数值判断发生了恢复的亚热带森林区域是否已经达到恢复的稳定状态。使用单因素方差分析判断第二年的综合恢复指数值与第一年数值差异是否显著，以及第五年的综合恢复指数值与第一年的数值差异是否显著，当两次对比的差异均不显著时，确定所述亚热带森林区域已经达到恢复的稳定状态，并输出达到稳定状态的年份。差异是否显著的判断方式是单因素方差分析检验。
上述技术方案具有如下技术效果：
本发明实施例的技术方案提供了一种融合多源数据的混合方法来实现对亚热带森林恢复的估计，以实现在区域尺度上快速评估整片亚热带森林生态是否恢复，并为森林管理提供理论支持和指导方针；
本发明实施例中除了光谱指标外，还整合了森林结构和功能指标，显著提高了森林恢复评估的准确性。在评价裸地、灌木草本和森林时均较为准确。此外，本发明实施例进一步从时间精细化管理的角度出发，采用空间-时间代换方法，将混合方法计算的恢复值与树龄通过logistic方程进行拟合，可以建立预测模型，从而在时间尺度上进行了扩展。该预测模型可以预测森林恢复到稳定状态所需的时间，为生态恢复政策实施所需持续时间的设计提供了科学的数据支持。
附图说明
图1为本发明一实施例的估计亚热带森林恢复的方法的流程示意图；
图2为研究区森林综合恢复指数值与树龄之间的logistic拟合曲线图(a)和利用logistic方程预测的2022年以后的综合恢复指数变化图(b)。图2的(a)中误差条代表标准偏差。图2的(b)中，不同的字母表示在p值<0.05情况下的差异有统计学意义。
具体实施方式
下面结合实例对本发明做进一步详细的说明。
本发明实施例方案是在中国东部某亚热带山区进行。研究区占地约1.3万公顷，海拔范围是10-1000米。该山区森林植被属北部亚热带常绿阔叶林亚带，地带性森林植被为亚热带常绿阔叶林。由于人类活动的影响，大部分植被为次生植被和人工森林植被。主要植被类型有:针叶林、针阔混交林、常绿阔叶林、常绿落叶混交林、竹林等。乔灌种类有松科Pinaceae、杉科Taxodiaceae、柏科Cupressaceae、金缕梅科Hamamelidaceae、樟科Lauraceae、柿科Ebenaceae。该实施例的方法包括如下步骤：
1)获取发生了恢复的亚热带森林区域的多源数据，从中提取所述亚热带森林区域中发生了恢复的各栅格像元点的恢复指标的原始数值；
具体实现中，先确定发生了恢复的亚热带森林区域；示例性地，可以基于Landtrendr算法来确定发生了恢复的亚热带森林区域；
2)将所提取的恢复指标的原始数值进行标准化处理，获得各栅格像元点的各恢复指标相应的标准化值；其中，标准化处理包括获得各恢复指标的正向标准化值和负向标准化值，其中正向标准化值通过用对应指标的原始数值与该类指标数据的最小值的差值和该类指标原始数据中的最大值与最小值的差值相比来获得，负向标准化值通过用该类指标数据的最大值与对应指标的原始数值的差值和该类指标原始数据中的最大值与最小值的差值相比来获得；
3)对各栅格像元点的各恢复指标的权重进行设置；
4)针对各栅格像元点，将各恢复指标的标准化值与各恢复指标对应的权重分别相乘，并将相乘获得的各乘积求和来获得在各栅格像元点上的综合恢复指数值；
5)使用随机森林模型筛选出用于替代恢复指标的代理变量；
6)使用代理变量在时间尺度上扩展对亚热带森林区域的恢复估计。
7)根据综合恢复指数变化趋势预测判断区域恢复所需时间，即判断区域恢复达到稳定状态所需的时间；具体地，根据所获得的综合恢复指数值判断发生了恢复的亚热带森林区域是否已经达到恢复的稳定状态；其中，使用单因素方差分析对区域的恢复结果执行两个判断；判断一是第二年的恢复与第一年的恢复相比是否显著；判断二是第五年的恢复与第一年的恢复相比是否显著；当这两个判断都满足预定的“不显著”的条件时，认为区域的恢复已经处于稳定状态，并输出达到稳定状态的年份。差异是否显著的判断方式是单因素方差分析检验。
下面对各步骤进行详细描述。
1.关于步骤1)：
本实施例的基于多源数据的评估森林恢复的混合方法从生态系统结构-功能-生境的角度，选取了三类指标，建立了具有生态意义的森林生态系统恢复指标。树高、冠层闭合即郁闭度和群落结构是森林结构的典型指标；地上生物量作为功能指标；天然性即自然度代表森林生态系统的生境；归一化燃烧指数作为光谱指标。混合方法集成的多源数据包括：对地观测被动遥感影像数据、对地观测主动遥感数据和地面观测数据。示例性地，集成了这三类数据：森林清查、激光雷达和陆地卫星数据。
1.1多源空间数据库构建
第一类数据是地面观测数据，主要是使用森林资源规划设计调查数据。该调查是一种全域性的面状调查，调查基本单元是小班，每10年进行1次。采用1∶1万地形图勾绘小班，采用角规测树方法可以得到小班林分平均高、平均直径、断面积和蓄积量等调查因子。研究区域在2005年和2015年进行了两次调查，原始数据由相关机构提供。主要统计信息包括树高、郁闭度、平均树龄、自然度、群落结构类型、每亩树木株数。森林资源调查数据并未记录小班生物量，因此本实施例中通过如下异速生长方程来计算。
具体地，选择若干如242棵胸径接近平均胸径的解析木，分别对其进行采伐和各器官的称重以获取生物量构建异速生长方程：生物量＝(0.079×DBH2×Height)0.9164。从调查数据中获取该山区域树木平均胸径DBH、平均高Height、计株数及小班面积。将平均胸径、平均树高代入构建的异速生长模型中，求得单木生物量。最后，利用单木生物量、计株数、小班面积相乘可以求得区域的地上生物量。
第二类数据是对地观测的被动遥感数据，主要是Landsat数据。使用谷歌EarthEngine平台对Landsat图像进行预处理。具体地，示例性地，利用2000-2021年6月20日-9月20日的无云图像共107辐在GEE平台上运行landtrendr算法，计算了2001年至2020年期间每年6月20日至9月20日的无云图像的时间序列。另外还基于landsat影像提取了NBR等光学影像参数。
第三类数据是对地观测的主动遥感数据，主要是激光雷达数据，它能够穿透植被获取地表和林冠的三维信息，是准确提取地形和林冠高度的重要技术手段。数据获取时间为2015年，点云密度为4pts/㎡，空间范围覆盖了几乎全部研究区范围。飞行数据包括：飞行时间为2015年3-4月，飞行高度为3000m，飞行速度为240千米/时，扫描频率为340kHz。最后得到点云密度为1pt/m2，影像分辨率为0.2m精度的成果。
示例性地，以Landsat数据30m×30m的像元或像素大小为最小分析单元，使用Arcgis10.2软件将森林资源调查的矢量数据转化为同等大小的栅格数据。即获得多源数据后，将数据统一地面分辨率到30m×30m的像素大小。再使用Lidar360软件进行林业参数提取，主要包括平均树高和郁闭度，输出同等单位大小的栅格数据。最后进行地理配准，统一调整为WGS 1984坐标系数据以备后续分析使用。
1.2.基于多源数据的森林恢复评价指标体系构建
该实施例中，在筛选恢复指标时，进行预实验，将备选参数使用熵权法计算其信息熵，信息熵可以量化信息的无序程度，信息熵越小，能提供的信息就越多，通过信息熵的方式来选择要使用的恢复指标，最后各个数据源各留下信息熵较小的1-3个指标。其中，获得的候选指标可以包括：归一化燃烧比、干扰指数、树高、郁闭度、叶面积指数、自然度、群落结构类型、地上生物量、枯落物层厚度。最后获得了本发明实施例使用的表3中的6个恢复指标。
2.关于步骤2)：
在获取上述恢复指标的原始数值之后，对各恢复指标的原始数值进行标准化处理，并设置相应的权重。
先判别该指标的类别，即正向指标和负向指标，再识别该指标的最大值和最小值，通过以下公式计算标准化指数yij，即第i个像素第j个指标的标准化指数：
正向指标标准化公式为：
负向指标标准化公式为：
其中y是标准化后的数值，x为原始数值。xmax和xmin分别表示该类指标数据中的最大值和最小值。
3.关于步骤3)：
主要采用熵权法和层次分析法(AHP法)的主客观综合评定指标权重。
利用以下公式计算信息熵值Hj：
其中，Hj为第j个指标的信息熵值，yij为第i个像素第j个指标的标准化值，n为所述亚热带森林区域中发生了恢复的像素点的总数目，Yij为定义的比值,m为恢复指标的总数目，该例中为6。
利用以下公式计算指标的权重wej：
熵权法仅能处里数值变量，因此，根据林业调查规范手册将自然度和群落结构类型(类型变量)划分为3个等级。用0到1的数表示值的大小，定性与定量的关系对应定义如表1和表2，在计算时使用范围的中位数值进行计算。如III级为0.165，II级为0.495，I级为0.83。
表1自然度各级取值范围及解释说明
表2群落结构各级取值范围及解释说明
AHP确定评价指标权重的步骤如下：第一，建立递阶层次结构。第二，构造两两判断矩阵，采用1～9及其倒数的标度方法，对两两元素相对重要性程度进行量化。第三，计算指标主观权重w'i。第四，对一致性进行检验，当CR<0.1时，表明判断矩阵的一致性是合理的；当CR≥0.1时，说明判断矩阵是不合理的，需要重新进行一致性检验。
4.关于步骤4)：
主观赋权法和客观赋权法相结合得到的综合权重法可以在一定程度上解决原本仅采用单一赋权方法的缺点；最后将两种方法的算术平均值作为指标的综合权重即最终权重：
Wcj＝0.5×(Waj+Wej) (8)
式中Wcj为多元恢复评价体系的第j个指标的综合权重，Waj为第j个指标的AHP权重，Wej为第j个指标的熵权法权重。
为全面反映研究区的恢复水平，根据各个指标的标准化值和综合权重，计算第i个像素的森林恢复综合指数RVi。
式中Yij第i个像素第j个指标的标准化值，Wcj为第j个指标的综合权重。
其中，下表3为本发明实施例的估计方法中选择的基于多源数据的森林恢复评价指标体系及示例性的权重。
表3森林恢复评价指标体系及示例权重
5.关于步骤5)：
由于某些恢复指标在某些年份无法获得，为了将恢复值进行时间尺度的扩展，从预先选定的多个指标如光学影像指标及地形指标中筛选出所需的代理变量。指标的筛选是使用随机森林模型，通过比较随机森林拟合结果中各指标重要性值的大小来实现的，其中留下的是对拟合结果贡献程度大的多个指标即重要性值较大的多个指标。
具体地，在进行随机森林预实验时先对20多个指数进行预实验以筛选出适宜的指数作为代替恢复指标的代理变量。在随机森林实验后，根据随机森林拟合结果将重要性值比较低的指数，包括：blue、TCB、SWIR1、SAVI、TCD、NBR、DVI、nir、PVI、green剔除，并留下干扰指数DI、缨帽变换角度TCA、简单植被指数SR、短波红外波段SWIR2、归一化植被指数、缨帽变换湿度TCW、缨帽变换亮度TCG、裸土指数BI、红光波段、海拔、坡度和树龄作为代理变量,具体参见表4所示。本发明的发明人通过大量实验发现采用表4中的多个指标来输入随机森林模型可以获得较好的估计效果，且这些指标的数据为较易获得的指标数据。尤其是树龄，这个指标是每年递增的，不需要每一年都去测，这大大简化了数据采集的工作量。
表4随机森林输入自变量及描述
6.关于步骤6)：
对于历史年份，通过筛选后的代理变量与评估的森林综合恢复指数数值逐年拟合；对于未来年份的恢复值，使用如下logistic方程来预测对应的森林综合恢复指数：
其中，x为树龄，y为森林综合恢复指数；
一种具体实现中，针对缺乏数据的年年份，采用“以空间换时间”的方法，通过计算各个树龄的平均恢复值，并使用logistic方程进行拟合，拟合方程结果为上述y，R2为0.90。结果具有较强的解释性。Logistic拟合曲线展现了森林恢复的三个不同阶段。第一个阶段从树龄0年到10年为准备阶段，恢复相对稳定。第二阶段为10到20年，是森林恢复的关键时期，恢复速度最快。第三阶段为20到50年，森林恢复逐渐稳定。
7.关于步骤7)：
该实施例利用logistic方程预测了2022年以后的恢复情况，如图2所示。结果表明是2046年的恢复与第2045年的恢复相比不显著。且2050年的恢复与2045年的恢复相比也不显著。因此，认为区域的恢复已经处于稳定状态。结果表明，在没有干扰和极端气候情况的理想情况下，研究区在2022到2044年将继续显著恢复，但从2045年开始恢复不显著并趋于稳定。由此，可以预测并建议，这项严格的政策可在2044年之后调整。

Claims (7)

1.一种估计亚热带森林恢复的方法，其特征在于，包括：
1)获取发生了恢复的亚热带森林区域的多源数据，从中提取所述亚热带森林区域中发生了恢复的各栅格像元点的恢复指标的原始数值；
2)将所提取的所述恢复指标的原始数值进行标准化处理，获得所述各栅格像元点的各恢复指标相应的标准化值；
3)对所述各栅格像元点的各恢复指标的权重进行设置；
4)针对所述各栅格像元点，将所述各恢复指标的标准化值与所述各恢复指标对应的权重分别相乘，并将相乘获得的各乘积求和来获得在所述各栅格像元点上的综合恢复指数值；
5)使用随机森林模型筛选出用于替代所述恢复指标的代理变量；
6)使用所述代理变量在时间尺度上扩展对所述亚热带森林区域的恢复估计。
2.根据权利要求1所述的方法，其步骤1)特征在于，所述恢复指标包括：从被动遥感影像数据中获取的所述亚热带森林区域的归一化燃烧指数，从主动遥感数据中获取的树高和郁闭度，从地面观测数据中获取的自然度、群落结构和地上部分生物量。
3.根据权利要求1所述的方法，其步骤3)特征在于，所述各恢复指标的权重为通过如下公式确定的综合权重：
Wcj＝0.5×(Waj+Wej) (1)
其中，Waj为通过层次分析法确定的第j个指标的权重，Wej为通过熵权法确定的第j个指标的权重，Wcj第j个指标的综合权重。
4.根据权利要求3所述的方法，其特征在于，所述归一化燃烧指数的层次分析法权重为0.03，熵权法权重为0.016，综合权重为0.023；所述树高的层次分析法权重为0.141，熵权法权重为0.143，综合权重为0.142；所述郁闭度的层次分析法权重为0.080，熵权法权重为0.130；综合权重为0.105；所述自然度的层次分析法权重为0.229，熵权法权重为0.273，综合权重为0.251；所述群落结构的层次分析法权重为0.432，熵权法权重为0.164，综合权重为0.298；所述地上部分生物量的层次分析法权重为0.088，熵权法权重为0.274，综合权重为0.181。
5.根据权利要求1所述的方法，其步骤5)特征在于，所述使用随机森林模型筛选出用于替代所述恢复指标的代理变量的步骤包括：
将选定的多个评估指数输入随机森林模型，根据随机森林拟合结果中评估指数的重要性来筛选出代理变量。
6.根据权利要求1所述的方法，其步骤6)特征在于，所述筛选出的代理变量为树龄，使用如下logistic方程拟合获得要扩展年份的森林综合恢复指数：
其中，x为树龄，y为森林综合恢复指数。
7.根据权利要求1所述的方法，其步骤6)特征在于,根据所获得的综合恢复指数值判断所述亚热带森林区域的恢复是否已经达到稳定状态；
其中，使用单因素方差分析判断第二年的综合恢复指数值与第一年数值差异是否显著，以及第五年的综合恢复指数值与第一年的数值差异是否显著，当两次对比的差异均不显著时，确定所述亚热带森林区域已经达到恢复的稳定状态。
CN202310424282.7A 2023-04-20 2023-04-20 一种估计亚热带森林恢复的方法 Pending CN116579645A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310424282.7A CN116579645A (zh) 2023-04-20 2023-04-20 一种估计亚热带森林恢复的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310424282.7A CN116579645A (zh) 2023-04-20 2023-04-20 一种估计亚热带森林恢复的方法

Publications (1)

Publication Number Publication Date
CN116579645A true CN116579645A (zh) 2023-08-11

Family

ID=87544432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310424282.7A Pending CN116579645A (zh) 2023-04-20 2023-04-20 一种估计亚热带森林恢复的方法

Country Status (1)

Country Link
CN (1) CN116579645A (zh)

Similar Documents

Publication Publication Date Title
Peduzzi et al. Estimating leaf area index in intensively managed pine plantations using airborne laser scanner data
Erdody et al. Fusion of LiDAR and imagery for estimating forest canopy fuels
Tigges et al. Modeling above-ground carbon storage: a remote sensing approach to derive individual tree species information in urban settings
Hauglin et al. Large scale mapping of forest attributes using heterogeneous sets of airborne laser scanning and National Forest Inventory data
Joyce et al. Detection of coarse woody debris using airborne light detection and ranging (LiDAR)
DomaÇ et al. Integration of environmental variables with satellite images in regional scale vegetation classification
CN111667183A (zh) 一种耕地质量监测方法及系统
CN107341492A (zh) 一种喀斯特石漠化信息提取方法
Wang et al. Estimating and mapping forest biomass in northeast China using joint forest resources inventory and remote sensing data
Samalca Estimation of forest biomass and its error: A case in Kalimantan, Indonesia
Queinnec et al. Developing a forest inventory approach using airborne single photon lidar data: from ground plot selection to forest attribute prediction
Asari et al. Modelling and mapping of above ground biomass (AGB) of oil palm plantations in Malaysia using remotely-sensed data
CN113327021A (zh) 一种基于topsis熵权法的土地综合评价方法及装置
Bouvier et al. Influence of sampling design parameters on biomass predictions derived from airborne lidar data
Hartoyo et al. Carbon stock assessment using forest canopy density mapper in agroforestry land in Berau, East Kalimantan, Indonesia
Chen et al. An integrated GIS tool for automatic forest inventory estimates of Pinus radiata from LiDAR data
CN109212553A (zh) 无人机LiDAR和随机森林提取银杏生物物理特性的方法
Deo Modelling and mapping of above-ground biomass and carbon sequestration in the cool temperate forest of north-east China
CN116879176A (zh) 基于遥感技术区域生态环境监测和森林密度估测方法
Estornell et al. Assessment of factors affecting shrub volume estimations using airborne discrete-return LiDAR data in Mediterranean areas
CN116579645A (zh) 一种估计亚热带森林恢复的方法
Roser et al. Drone imagery protocols to map vegetation are transferable between dryland sites across an elevational gradient
CN114997730A (zh) 一种基于多维特征的城乡规划设计区域数据智能监测分析评价系统
Tabacchi et al. Italian national forest inventory: methods, state of the project and future developments
Mellor et al. Remote Sensing Victoria’s Public Land Forests—A Two Tiered Synoptic Approach

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