CN116628519A - 一种生态脆弱区识别方法及系统 - Google Patents
一种生态脆弱区识别方法及系统 Download PDFInfo
- Publication number
- CN116628519A CN116628519A CN202310868631.4A CN202310868631A CN116628519A CN 116628519 A CN116628519 A CN 116628519A CN 202310868631 A CN202310868631 A CN 202310868631A CN 116628519 A CN116628519 A CN 116628519A
- Authority
- CN
- China
- Prior art keywords
- data
- identified
- grid
- target
- area
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 221
- 238000009826 distribution Methods 0.000 claims abstract description 135
- 238000012549 training Methods 0.000 claims description 33
- 230000007613 environmental effect Effects 0.000 claims description 28
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 24
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 23
- 229910052799 carbon Inorganic materials 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 23
- 239000002689 soil Substances 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 12
- 229910052757 nitrogen Inorganic materials 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000003628 erosive effect Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 241000894007 species Species 0.000 description 109
- 241000196324 Embryophyta Species 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种生态脆弱区识别方法及系统,所述方法包括:通过目标InVEST模型对待识别区域进行多种生态系统服务计算,获得所述待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果;通过目标MaxEnt模型对所述待识别区域进行物种空间分布预测,获得所述待识别区域内每个栅格中的物种空间分布的预测结果;根据所述计算结果和所述预测结果,确定所述待识别区域的每个栅格的空间匹配度指数;根据所述空间匹配度指数,确定所述待识别区域内的生态脆弱区。旨在进行高精度、高效率和可扩展的生态脆弱区识别。
Description
技术领域
本发明涉及生态环境技术领域,尤其涉及一种生态脆弱区识别方法及系统。
背景技术
生态系统服务是指人类从生态系统中获得的所有惠益,一类是生态系统产品,如食品、原材料、能源等;另一类是对人类生存及生活质量有贡献的生态系统功能,如调节气候及大气中的气体组成、涵养水源及保持土壤、支持生命的自然环境条件等。生物多样性是地球上生命的多样性及差异性,差异程度可从三个层面来审视:基因差异、物种多样性及生态系统多样性。生物多样性是生态系统服务的基础,两者密切相关。
探索生物多样性与生态系统之间的内在联系对于进一步促进生态修复具有重要意义。目前,生态学领域的一个重要研究方法是通过相关性分析来判断生态系统的权衡和协同作用,可以用来衡量不同生态系统服务之间的相互作用。Pearson或Spearman系数通常用于生态系统服务的相关性分析,这些相关系数的正值代表协同作用,负值代表权衡作用。然而,相关性分析只能判断区域内两种生态系统服务之间是权衡还是协同关系,例如一个增加另一个按比率减少(权衡),或者两者按比率同增同减(协同)。该方法无法判断两种生态系统服务值的高低,也无法反映权衡/协同区域在空间上的分布情况,不利于生态脆弱区的识别,无法为决策者提供更有针对性的建议。
发明内容
有鉴于此,本发明提供一种生态脆弱区识别方法及系统。旨在进行高精度、高效率和可扩展的生态脆弱区识别。
本发明第一方面提供了一种生态脆弱区识别方法,所述方法包括:
通过目标InVEST模型对待识别区域进行多种生态系统服务计算,获得所述待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果;
通过目标MaxEnt模型对所述待识别区域进行物种空间分布预测,获得所述待识别区域内每个栅格中的物种空间分布的预测结果;
根据所述计算结果和所述预测结果,确定所述待识别区域的每个栅格的空间匹配度指数;
根据所述空间匹配度指数,确定所述待识别区域内的生态脆弱区。
可选地,所述通过目标InVEST模型对待识别区域进行多种生态系统服务计算,获得所述待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果,包括:
采集包含待识别区域的栅格数据;
通过GIS软件对采集的所述栅格数据进行精度和范围的统一处理,获得所述待识别区域的目标栅格数据;
将所述目标栅格数据和生物物理数据输入InVEST模型进行计算,获得所述待识别区域的多种生态系统服务的初始计算结果;
将所述初始计算结果与实测数据进行对比,获得第一对比结果;
在所述第一对比结果超过设定阈值的情况下,对所述InVEST模型的参数进行调整,返回步骤:将所述目标栅格数据和生物物理数据输入InVEST模型进行计算,获得所述待识别区域的多种生态系统服务的初始计算结果;
在所述第一对比结果未超过设定阈值的情况下,将所述第一对比结果未超过设定阈值对应的InVEST模型确定为目标InVEST模型,并将所述目标InVEST模型计算获得的所述待识别区域的多种生态系统服务的初始计算结果确定为所述待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果。
可选地,所述目标栅格数据至少包括:土地利用数据、数字高程数据、碳库数据、降雨数据、地表蒸散数据、根部限制层深度数据、植物有效水含量数据、降雨侵蚀力指数数据和土壤可蚀性数据。
可选地,在所述多种生态系统服务包括产水生态系统服务、碳储存生态系统服务、土壤保持生态系统服务和氮元素输出生态系统服务的情况下,所述将所述目标栅格数据和生物物理数据输入InVEST模型进行计算,获得所述待识别区域的多种生态系统服务的初始计算结果,包括:
将所述目标栅格数据中的土地利用数据、降雨数据、地表蒸散数据、根部限制层深度数据、植物有效水含量数据和生物物理数据输入InVEST模型的WY子模型进行计算,获得产水生态系统服务的初始计算结果;
将所述目标栅格数据中的土地利用数据和碳库数据输入InVEST模型的CS子模型进行计算,获得碳储存生态系统服务的初始计算结果;
将所述目标栅格数据中的土地利用数据、数字高程数据、降雨数据、降雨侵蚀力指数数据、土壤可蚀性数据、生物物理数据输入InVEST模型的SDR子模型进行计算,获得土壤保持生态系统服务的初始计算结果;
将所述目标栅格数据中的土地利用数据、数字高程数据、降雨数据、生物物理数据输入InVEST模型的NDR子模型进行计算,获得氮元素输出生态系统服务的初始计算结果。
可选地,所述通过目标MaxEnt模型对所述待识别区域进行物种空间分布预测,获得所述待识别区域内每个栅格中的物种空间分布的预测结果,包括:
采集待识别区域的物种分布的经纬度数据,以及,采集包含待识别区域的影响物种分布的环境变量数据,并筛选出所述环境变量数据中的关键环境变量数据;
通过GIS软件对所述关键环境变量数据进行精度和范围的统一处理,获得所述待识别区域的目标环境变量数据;
根据预设比例,将所述经纬度数据划分为训练数据和测试数据;
将所述目标环境变量数据和所述训练数据输入MaxEnt模型进行模型训练,获得物种空间分布的初始预测结果;
将所述初始预测结果和测试数据进行对比,获得第二对比结果;
在所述第二对比结果表征所述MaxEnt模型未达到目标精度要求的情况下,对所述MaxEnt模型的参数进行调整,返回步骤:将所述目标环境变量数据和所述训练数据输入MaxEnt模型进行模型训练,获得物种空间分布的初始预测结果;
在所述第二对比结果表征所述MaxEnt模型达到目标精度要求的情况下,将所述MaxEnt模型确定为目标MaxEnt模型,并将所述目标MaxEnt模型识别获得的物种空间分布的初始预测结果确定为所述待识别区域内每个栅格中的物种空间分布的预测结果。
可选地,筛选出所述环境变量数据中的关键环境变量数据,包括:
确定各个环境变量数据彼此之间的相关系数取值;
将彼此之间的相关系数取值未超过目标设定阈值的两个环境变量数据均确定为关键环境变量数据;
将彼此之间的相关系数取值超过目标设定阈值的两个环境变量数据的其中之一确定为关键环境变量数据。
可选地,所述根据所述计算结果和所述预测结果,确定所述待识别区域的每个栅格的空间匹配度指数,包括:
通过GIS软件将所述待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果和所述待识别区域内每个栅格中的物种空间分布的预测结果进行精度统一和错位匹配处理,获得栅格目标计算结果和栅格目标预测结果;
通过最大最小值标准化方法对所述栅格目标计算结果和所述栅格目标预测结果进行归一化,获得第一栅格目标计算结果和第一栅格目标预测结果;
根据预设算法、所述第一栅格目标计算结果和所述第一栅格目标预测结果,确定所述待识别区域的每个栅格的空间匹配度指数,所述预设算法,包括:
,/>,其中,/>表示第个栅格的生物多样性的值,/>表示第/>个栅格中第/>种生态系统服务的值,/>表示待识别区域的生物多样性的平均值,/>表示第/>个栅格中的生物多样性的值与第/>个栅格中第/>种生态系统服务的值之间的比值,/>表示空间匹配度指数。
可选地,所述根据所述空间匹配度指数,确定所述待识别区域内的生态脆弱区,包括:
设定空间匹配度指数的分级标准;
根据所述分级标准和各个栅格各自的空间匹配度指数,通过GIS软件绘制生态系统服务和生物多样性匹配度的空间分布图,获得所述待识别区域的生态脆弱区。
本发明第二方面提供一种生态脆弱区识别系统,所述系统包括:
生态系统服务计算模块,用于通过目标InVEST模型对待识别区域进行多种生态系统服务计算,获得所述待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果;
物种空间分布预测模块,用于通过目标MaxEnt模型对所述待识别区域进行物种空间分布预测,获得所述待识别区域内每个栅格中的物种空间分布的预测结果;
空间匹配度指数确定模块,用于根据所述计算结果和所述预测结果,确定所述待识别区域的每个栅格的空间匹配度指数;
生态脆弱区识别模块,用于根据所述空间匹配度指数,确定所述待识别区域内的生态脆弱区。
针对在先技术,本发明具备如下优点:
本发明实施例提供的一种生态脆弱区识别方法。通过目标InVEST模型对待识别区域进行多种生态系统服务计算,获得所述待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果;通过目标MaxEnt模型对所述待识别区域进行物种空间分布预测,获得所述待识别区域内每个栅格中的物种空间分布的预测结果;根据所述计算结果和所述预测结果,确定所述待识别区域的每个栅格的空间匹配度指数;根据所述空间匹配度指数,确定所述待识别区域内的生态脆弱区。本方法基于空间匹配度指数对待识别区域进行生态脆弱区的识别,而空间匹配度指数的存在使得可以基于高精度格网的生态系统服务的计算结果和物种空间分布的预测结果进行生态脆弱区识别,由此获得的生态脆弱区识别结果的精度将更高,提高了生态脆弱区识别的精度。同时,通过使用InVEST和MaxEnt两种模型分别进行各自的生态系统服务的计算和物种空间分布的预测,可以快速而准确地计算生态系统服务和预测物种的空间分布,提高了分析效率。由于InVEST和MaxEnt两种模型可以针对各种地区分别进行各自的生态系统服务的计算和物种空间分布的预测,因此本发明具有更高的可扩展性。此外,本发明通过综合考虑多种生态系统服务和物种空间分布的匹配格局,可以对待识别区域的状况进行更全面的评估。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例提供的一种生态脆弱区识别方法的流程图;
图2为本发明实施例提供的一种生态脆弱区识别方法中栅格错位匹配的示意图;
图3为本发明实施例提供的一种生态脆弱区识别方法中不同栅格尺寸的示意图;
图4为本发明实施例提供的一种生态脆弱区识别系统的示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。
图1为本发明实施例提供的一种生态脆弱区识别方法的流程图,如图1所示,该方法包括:
步骤S101:通过目标InVEST模型对待识别区域进行多种生态系统服务计算,获得所述待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果;
步骤S102:通过目标MaxEnt模型对所述待识别区域进行物种空间分布预测,获得所述待识别区域内每个栅格中的物种空间分布的预测结果;
步骤S103:根据所述计算结果和所述预测结果,确定所述待识别区域的每个栅格的空间匹配度指数;
步骤S104:根据所述空间匹配度指数,确定所述待识别区域内的生态脆弱区。
在本发明的实施例中,InVEST(Integrated Valuation of Ecosystem Servicesand Trade-offs)模型为态系统服务评估与权衡模型,该InVEST模型用于模拟不同土地覆被情景下生态系统服务的不同物质量和不同价值量并以图的形式表达出来。本发明将用于进行生态系统服务计算的待识别区域的栅格数据输入适用于该待识别区域的目标InVEST模型中进行计算,获得待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果。
示例地,待识别区域被划分为栅格1、栅格2、栅格3、……、栅格n,生态系统服务的类型包括生态系统服务a、生态系统服务b、生态系统服务c。将用于进行生态系统服务计算的待识别区域的栅格数据输入适用于该待识别区域的目标InVEST模型中进行计算。对于栅格1将计算获得该栅格的生态系统服务a对应的计算结果a1和生态系统服务b对应的计算结果b1以及生态系统服务c对应的计算结果c1、对于栅格2将计算获得该栅格的生态系统服务a对应的计算结果a2和生态系统服务b对应的计算结果b2以及生态系统服务c对应的计算结果c2、对于栅格3将计算获得该栅格的生态系统服务a对应的计算结果a3和生态系统服务b对应的计算结果b3以及生态系统服务c对应的计算结果c3、……、对于栅格n将计算获得该栅格的生态系统服务a对应的计算结果an和生态系统服务b对应的计算结果bn以及生态系统服务c对应的计算结果cn。
在本发明的实施例中,MaxEnt模型为基于最大熵原理的用于物种分布预测的机器学习方法,该MaxEnt模型通过在环境变量与物种分布之间建立关联,学习环境变量影响物种空间分布的规则。根据学习到的规则,预测给定环境变量下物种可能分布的地方,预测结果以概率形式呈现。本发明将用于进行物种空间分布预测的待识别区域内的相关环境变量数据和训练数据输入适用于该待识别区域的目标MaxEnt模型进行处理,获得待识别区域内每个栅格中的物种空间分布的预测结果。
示例地,待识别区域被划分为栅格1、栅格2、栅格3、……、栅格n,物种包括物种a、物种b、物种c、……、物种m,将用于进行物种空间分布预测的待识别区域内的相关环境变量数据和训练数据输入适用于该待识别区域的目标MaxEnt模型进行处理,对于任意一个栅格,可以预测到其中出现物种的概率。例如对于栅格1,预测到该栅格1会出现物种的概率为90%;对于栅格2,预测到该栅格2会出现物种的概率为85%;对于栅格3,预测到该栅格3会出现物种的概率为95%等。
在本发明的实施例中,在计算获得待识别区域中每个栅格的物种空间分布的预测结果和每个栅格中的各种生态系统服务的计算结果后,根据一个栅格的物种空间分布的预测结果和该一个栅格的各种生态系统服务的计算结果,可确定该一个栅格的空间匹配度指数。对于该待识别区域的每个栅格的空间匹配度指数的确定的实施方式相同,在此不再赘述。
在计算获得该待识别区域中每个栅格各自的空间匹配度指数后,根据该待识别区域中每个栅格各自的空间匹配度指数取值,确定待识别区域内的生态脆弱区。
在本发明中,所述根据所述计算结果和所述预测结果,确定所述待识别区域的每个栅格的空间匹配度指数,包括:通过GIS软件将所述待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果和所述待识别区域内每个栅格中的物种空间分布的预测结果进行精度统一和错位匹配处理,获得栅格目标计算结果和栅格目标预测结果;通过最大最小值标准化方法对所述栅格目标计算结果和所述栅格目标预测结果进行归一化,获得第一栅格目标计算结果和第一栅格目标预测结果;根据预设算法、所述第一栅格目标计算结果和所述第一栅格目标预测结果,确定所述待识别区域的每个栅格的空间匹配度指数,所述预设算法,包括:
,/>,其中,/>表示第个栅格的生物多样性的值,/>表示第/>个栅格中第/>种生态系统服务的值,/>表示待识别区域的生物多样性的平均值,/>表示第/>个栅格中的生物多样性的值与第/>个栅格中第/>种生态系统服务的值之间的比值,/>表示空间匹配度指数。
在本发明的实施例中,步骤S103的一种实施方式为:为避免进行生态系统服务计算的待识别区域的栅格尺寸与进行物种空间分布预测的待识别区域的栅格尺寸不同导致的无法进行空间匹配度指数的计算的情况发生,以及,为避免进行生态系统服务计算的待识别区域的栅格尺寸与进行物种空间分布预测的待识别区域的栅格尺寸相同,但进行生态系统服务计算的待识别区域的栅格与进行物种空间分布预测的待识别区域的栅格发生错位导致的无法进行后续的空间匹配度指数的计算的情况发生。本发明首先通过GIS软件将计算获得的待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果和待识别区域内每个栅格中的物种空间分布的预测结果进行精度统一,以使得生态系统服务的计算结果对应的栅格尺寸与物种空间分布的预测结果对应的栅格尺寸相同。同时,通过GIS软件将计算获得的待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果和待识别区域内每个栅格中的物种空间分布的预测结果进行错位匹配,以使得生态系统服务的计算结果对应的各个栅格能够与物种空间分布的预测结果对应的各个栅格重合。也就是同一地理坐标位置下的生态系统服务的计算结果对应的栅格能够与物种空间分布的预测结果对应的栅格重合,以使得生态系统服务的计算结果对应的各个栅格能够与物种空间分布的预测结果对应的各个栅格重合。如图2所示,图2示出了生态系统服务的计算结果对应的栅格尺寸与物种空间分布的预测结果对应的栅格尺寸相同,但生态系统服务的计算结果对应的各个栅格与物种空间分布的预测结果对应的各个栅格之间发生错位的情况,此时通过GIS软件将计算获得的待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果和待识别区域内每个栅格中的物种空间分布的预测结果进行错位匹配,以使得生态系统服务的计算结果对应的各个栅格能够与物种空间分布的预测结果对应的各个栅格重合,该重合指的是同一地理坐标位置下的生态系统服务的计算结果对应的栅格与物种空间分布的预测结果对应的栅格重合。在对待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果和所述待识别区域内每个栅格中的物种空间分布的预测结果进行精度统一和错位匹配处理后,获得栅格目标计算结果和栅格目标预测结果。此时的栅格目标计算结果中的栅格尺寸和栅格目标预测结果中的栅格尺寸相同,同时在待识别区域内栅格目标计算结果中的各个栅格将与栅格目标预测结果中的各个栅格重合。具体地:本发明将待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果和所述待识别区域内每个栅格中的物种空间分布的预测结果统一至WGS 1984 Albers投影坐标系,以使得待识别区域内栅格目标计算结果中的各个栅格将与栅格目标预测结果中的各个栅格重合。
不同的生态系统服务对应的计算结果之间的数值量纲不同,同时生态系统服务对应的计算结果与物种空间分布的预测结果的量纲也不同,为消除不同量纲的影响,采用最大最小值标准化方法对进行精度统一和错位匹配处理后获得的栅格目标计算结果和栅格目标预测结果进行归一化处理,获得第一栅格目标计算结果和第一栅格目标预测结果。然后将获得的第一栅格目标计算结果和第一栅格目标预测结果中的任意一个栅格的各种生态系统服务各自对应的计算结果和该任意一个栅格的物种空间分布的预测结果带入预设算法进行计算,获得该任意一个栅格的空间匹配度指数。
在本发明的实施例中,所述预设算法包括:
,/>,其中,/>表示归一化后第/>个栅格的生物多样性的值,也就是第i个栅格出现物种的概率在进行归一化后得到的结果;/>表示归一化后第/>个栅格中第/>种生态系统服务的计算结果;/>表示归一化后待识别区域的生物多样性的平均值,也就是待识别区域中所有栅格各自出现物种的概率归一化后,再取平均值得到的结果;/>表示归一化后第/>个栅格中的生物多样性的值与第/>个栅格中第/>种生态系统服务的计算结果之间的比值,/>表示空间匹配度指数。
应当理解的是,一个栅格所具有的空间匹配度指数的数量与生态系统服务的类型数量相同,如在生态系统服务包括产水生态系统服务、碳储存生态系统服务、土壤保持生态系统服务和氮元素输出生态系统服务4种生态系统服务的情况下,一个栅格所具有的空间匹配度指数也就包括相对应的4种。
在本发明中,所述根据所述空间匹配度指数,确定所述待识别区域内的生态脆弱区,包括:设定空间匹配度指数的分级标准;根据所述分级标准和各个栅格各自的空间匹配度指数,通过GIS软件绘制生态系统服务和生物多样性匹配度的空间分布图,获得所述待识别区域的生态脆弱区。
在本发明的实施例中,步骤S104的一种实施方式为:设定空间匹配度指数的分级标准,一种优选的分级标准为将划分为一个等级,将/>划分为一个等级,将/>划分为一个等级,将/>划分为一个等级。在/>的情况下,确定该空间匹配度指数对应的栅格中的生物多样性与生态系统服务属于低-低匹配,也就是该栅格中的生物多样性和生态系统服务都处于低水平,且生物多样性低于均值;在的情况下,确定该空间匹配度指数对应的栅格中的生物多样性与生态系统服务属于低-高匹配,也就是生物多样性的水平低(低于均值)和生态系统服务的水平高;在的情况下,确定该空间匹配度指数对应的栅格中的生物多样性与生态系统服务属于高-低匹配,也就是生物多样性的水平高(高于均值)和生态系统服务的水平低。在的情况下,确定该空间匹配度指数对应的栅格中的生物多样性与生态系统服务属于高-高匹配,也就是生物多样性的水平高(高于均值)和生态系统服务的水平高。
根据设定好的分级标准,将空间匹配度指数处于的栅格确定为生态脆弱区。然后根据各个栅格各自的空间匹配度指数,通过ArcGIS软件中的栅格计算器计算待识别区域的多种生态系统服务和生物多样性的空间匹配度,进而绘制出待识别区域的多种生态系统服务和生物多样性匹配度的空间分布图,也就是待识别区域的空间匹配度指数的空间分布图,获得该待识别区域的生态脆弱区。如图2所示,在栅格1、2、3、4各自的空间匹配度指数均处于/>的情况下,通过GIS软件绘制待识别区域的空间匹配度指数的空间分布图,将绘制出包括栅格1、2、3、4的生态脆弱区。
应当理解的是,一个栅格所具有的空间匹配度指数的数量与生态系统服务的类型数量相同,在一个栅格的多个空间匹配度指数中包括处于的空间匹配度指数的情况下,该一个栅格将被确定为生态脆弱区。同时,应当理解的是,待识别区域的空间匹配度指数的空间分布图是基于空间匹配度指数绘制的,因此待识别区域的空间匹配度指数的空间分布图的数量也与生态系统服务的类型数量相同,在进行生态脆弱区识别时,将多种空间匹配度指数的空间分布图进行叠加,在叠加后,一个栅格在一种空间匹配度指数的空间分布图中被识别为生态脆弱区或多种空间匹配度指数的空间分布图中被识别为生态脆弱区,该一个栅格将被确定为生态脆弱区。
示例地,在绘制待识别区域的空间匹配度指数的空间分布图时,基于上述分级标准,将处于不同空间匹配度指数范围的栅格绘制为不同的颜色,如对于空间匹配度指数处于的栅格绘制为红色、对于空间匹配度指数处于/>0的栅格绘制为黄色,对于空间匹配度指数处于/>的栅格绘制为蓝色,对于空间匹配度指数处于0.51的栅格绘制为绿色,从而根据绘制出的待识别区域的空间匹配度指数的空间分布图,可以确定该空间分布图中的红色区域为需要重点关注的生态脆弱区。
本发明实施例提供的一种生态脆弱区识别方法。通过目标InVEST模型对待识别区域进行多种生态系统服务计算,获得所述待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果;通过目标MaxEnt模型对所述待识别区域进行物种空间分布预测,获得所述待识别区域内每个栅格中的物种空间分布的预测结果;根据所述计算结果和所述预测结果,确定所述待识别区域的每个栅格的空间匹配度指数;根据所述空间匹配度指数,确定所述待识别区域内的生态脆弱区。本方法基于空间匹配度指数对待识别区域进行生态脆弱区的识别,而空间匹配度指数的存在使得可以基于高精度格网的生态系统服务的计算结果和物种空间分布的预测结果进行生态脆弱区识别,由此获得的生态脆弱区识别结果的精度将更高,提高了生态脆弱区识别的精度。同时,通过使用InVEST和MaxEnt两种模型分别进行各自的生态系统服务的计算和物种空间分布的预测,可以快速而准确地计算生态系统服务和预测物种的空间分布,提高了分析效率。由于InVEST和MaxEnt两种模型可以针对各种地区分别进行各自的生态系统服务的计算和物种空间分布的预测,因此本发明具有更高的可扩展性。此外,本发明通过综合考虑多种生态系统服务和物种空间分布的匹配格局,可以对待识别区域的状况进行更全面的评估。
在本发明中,所述通过目标InVEST模型对待识别区域进行多种生态系统服务计算,获得所述待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果,包括:采集包含待识别区域的栅格数据;通过GIS软件对采集的所述栅格数据进行精度和范围的统一处理,获得所述待识别区域的目标栅格数据;将所述目标栅格数据和生物物理数据输入InVEST模型进行计算,获得所述待识别区域的多种生态系统服务的初始计算结果;将所述初始计算结果与实测数据进行对比,获得第一对比结果;在所述第一对比结果超过设定阈值的情况下,对所述InVEST模型的参数进行调整,返回步骤:将所述目标栅格数据和生物物理数据输入InVEST模型进行计算,获得所述待识别区域的多种生态系统服务的初始计算结果;在所述第一对比结果未超过设定阈值的情况下,将所述第一对比结果未超过设定阈值对应的InVEST模型确定为目标InVEST模型,并将所述目标InVEST模型计算获得的所述待识别区域的多种生态系统服务的初始计算结果确定为所述待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果。
在本发明的实施例中,步骤S101的一种实施方式为:待识别区域为需要进行生态脆弱区识别的一个区域,该区域可以是一个很大的范围,也可以是一个很小的范围,在采集栅格数据时只采集到待识别区域的栅格数据难度较高,本发明首先采集包含待识别区域的一个大的区域范围内的栅格数据,后续再对该栅格数据进行相应处理,以得到待识别区域的栅格数据。在采集到包含待识别区域的栅格数据后,栅格数据所包括的数据类型有多种,例如数字高程数据、降雨数据、地表蒸散数据等栅格数据,因此采集到多种类型的栅格数据的栅格精度可能不同,而这将导致无法基于该多种类型的栅格数据进行准确的生态系统服务器的计算。示例地,如图3所示,图3示出了三种类型的栅格数据在待识别区域中的同一位置具有不同的栅格尺寸,对于该同一位置的x类型的栅格数据所对应的栅格尺寸最大,该同一位置的z类型的栅格数据所对应的栅格尺寸最小,该同一位置的y类型的栅格数据所对应的栅格尺寸介于上述两种类型的栅格数据所对应的栅格尺寸之间。在基于该同一位置的这三种类型的栅格数据进行生态系统服务的计算时,将获得生态系统服务的计算结果,而无论将生态系统服务的计算结果作为最大的栅格尺寸的计算结果还是最小的栅格尺寸的计算结果,都将导致得到的计算结果不够准确。这是因为,在将生态系统服务的计算结果作为最大的栅格尺寸(如图3中x类型的栅格数据对应的栅格尺寸)的计算结果时,对于栅格尺寸小于该最大的栅格尺寸的栅格数据(如图3中的y类型和z类型的栅格数据),该计算结果,并未考虑到完整的栅格数据信息(也就是考虑的y类型和z类型的栅格数据不足),以及,在将生态系统服务的计算结果作为最小的栅格尺寸(如图3中z类型的栅格数据对应的栅格尺寸)的计算结果时,对于栅格尺寸大于该最小的栅格尺寸的栅格数据(如图3中的x类型和y类型的栅格数据),该计算结果,考虑了过多的栅格数据信息(也就是考虑了过多的x类型和y类型的栅格数据)。而本发明为避免上述问题的发生,在采集到包含待识别区域的各种类型的栅格数据后,通过GIS软件对采集到的该各种类型的栅格数据进行范围的统一处理,以确定到待识别区域内的各种类型的栅格数据,并通过GIS软件对采集到的各种类型的栅格数据进行精度的统一处理,以使得各种类型的栅格数据的栅格精度相同。例如,将各种类型的栅格数据均统一到30m×30m的栅格尺寸精度。同时通过GIS软件对经过范围和精度的统一处理后的各种类型的栅格数据进行错位匹配,以使得各种类型的栅格数据的栅格能够重合。在对采集到的包含待识别区域的栅格数据进行上述一系列的精度和范围的统一处理以及错位匹配后,获得待识别区域的目标栅格数据。该目标栅格数据中的各种类型的栅格数据不仅栅格的尺寸精度相同,该各种类型的栅格数据各自对应的在同一地理坐标位置下的栅格能够重合。具体地:本发明将各种类型的栅格数据统一至WGS 1984 Albers投影坐标系,以使得各种类型的栅格数据的栅格能够重合。
将生物物理数据和待识别区域的目标栅格数据输入InVEST模型进行计算,获得该待识别区域的多种生态系统服务的初始计算结果。所述生物物理数据为一个CSV格式的表格,其中记录了各种用地类型和对应的相关参数,是InVEST模型进行生态系统服务计算所需用到的一个数据信息。然后将得到的该待识别区域的多种生态系统服务的初始计算结果与实测数据进行对比,获得第一对比结果。
在该第一对比结果超过设定阈值的情况下,表明该InVEST模型的计算精度未达到所需的精度要求,此时对InVEST模型的参数进行调整。然后再将生物物理数据和待识别区域的目标栅格数据输入当前经过参数调整后的InVEST模型进行计算,获得该待识别区域的多种生态系统服务的初始计算结果。将当前这次的初始计算结果与实测数据继续进行对比,获得当前这次的第一对比结果。
在该当前这次的第一对比结果还是超过设定阈值的情况下,则继续对上述InVEST模型的参数进行新一轮的调整。直至将生物物理数据和待识别区域的目标栅格数据输入当前经过参数调整后的InVEST模型进行计算,获得的该待识别区域的多种生态系统服务的初始计算结果与实测数据之间的第一对比文件未超过设定阈值为止。此时该当前经过参数调整后的InVEST模型即为适用于对待识别区域进行生态系统服务计算的目标InVEST模型,而该目标InVEST模型已经进行过生态系统服务的计算,此时直接将该目标InVEST模型对应的该待识别区域的多种生态系统服务的初始计算结果确定为待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果即可。应当理解的是待识别区域的多种生态系统服务的初始计算结果中记录的就是待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果,只是该初始计算结果的计算精度可能满足精度要求,可能不满足精度要求,对于满足精度要求的待识别区域的多种生态系统服务的初始计算结果也就是待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果。
在本发明中,所述目标栅格数据至少包括:土地利用数据、数字高程数据、碳库数据、降雨数据、地表蒸散数据、根部限制层深度数据、植物有效水含量数据、降雨侵蚀力指数数据和土壤可蚀性数据。
在本发明中,在所述多种生态系统服务包括产水生态系统服务、碳储存生态系统服务、土壤保持生态系统服务和氮元素输出生态系统服务的情况下,所述将所述目标栅格数据和生物物理数据输入InVEST模型进行计算,获得所述待识别区域的多种生态系统服务的初始计算结果,包括:将所述目标栅格数据中的土地利用数据、降雨数据、地表蒸散数据、根部限制层深度数据、植物有效水含量数据和生物物理数据输入InVEST模型的WY子模型进行计算,获得产水生态系统服务的初始计算结果;将所述目标栅格数据中的土地利用数据和碳库数据输入InVEST模型的CS子模型进行计算,获得碳储存生态系统服务的初始计算结果;将所述目标栅格数据中的土地利用数据、数字高程数据、降雨数据、降雨侵蚀力指数数据、土壤可蚀性数据、生物物理数据输入InVEST模型的SDR子模型进行计算,获得土壤保持生态系统服务的初始计算结果;将所述目标栅格数据中的土地利用数据、数字高程数据、降雨数据、生物物理数据输入InVEST模型的NDR子模型进行计算,获得氮元素输出生态系统服务的初始计算结果。
在本发明的实施例中,在目标栅格数据至少包括:土地利用数据、数字高程数据、碳库数据、降雨数据、地表蒸散数据、根部限制层深度数据、植物有效水含量数据、降雨侵蚀力指数数据和土壤可蚀性数据,以及,多种生态系统服务包括产水生态系统服务、碳储存生态系统服务、土壤保持生态系统服务和氮元素输出生态系统服务的情况下,将所述目标栅格数据和生物物理数据输入InVEST模型进行计算,获得所述待识别区域的多种生态系统服务的初始计算结果的一种实施方式为:将待识别区域的目标栅格数据中的土地利用数据(LULC,land-use/land-cover)、降雨数据、地表蒸散数据、根部限制层深度数据、植物有效水含量数据和生物物理数据输入InVEST模型的WY(Water Yield)子模型进行计算,获得各个栅格各自的产水生态系统服务的初始计算结果,该产水生态系统服务初始计算结果指的是栅格的年平均产水量,单位为吨/平方千米。
同时将待识别区域的目标栅格数据中的土地利用数据和碳库数据输入InVEST模型的CS(Carbon Storage)子模型进行计算,获得各个栅格各自的碳储存生态系统服务的初始计算结果,该碳储存生态系统服务的初始计算结果指的是栅格的年平均碳存储量,单位为吨/平方千米。
同时将待识别区域的目标栅格数据中的土地利用数据、数字高程数据(DEM,Digital Elevation Model)、降雨数据、降雨侵蚀力指数数据、土壤可蚀性数据、生物物理数据输入InVEST模型的SDR(Sediment Delivery Ratio)子模型进行计算,获得各个栅格各自的土壤保持生态系统服务的初始计算结果,该土壤保持生态系统服务的初始计算结果指的是栅格的年平均泥沙持留量,单位为吨/平方千米。
同时将待识别区域的目标栅格数据中的土地利用数据、数字高程数据、降雨数据、生物物理数据输入InVEST模型的NDR(Nutrient Delivery Ratio)子模型进行计算,获得各个栅格各自的氮元素输出生态系统服务的初始计算结果,该氮元素输出生态系统服务的初始计算结果指的是栅格的年平均氮元素输送量,单位为吨/平方千米。
在本发明中,所述通过目标MaxEnt模型对所述待识别区域进行物种空间分布预测,获得所述待识别区域内每个栅格中的物种空间分布的预测结果,包括:采集待识别区域的物种分布的经纬度数据,以及,采集包含待识别区域的影响物种分布的环境变量数据,并筛选出所述环境变量数据中的关键环境变量数据;通过GIS软件对所述关键环境变量数据进行精度和范围的统一处理,获得所述待识别区域的目标环境变量数据;根据预设比例,将所述经纬度数据划分为训练数据和测试数据;将所述目标环境变量数据和所述训练数据输入MaxEnt模型进行模型训练,获得物种空间分布的初始预测结果;将所述初始预测结果和测试数据进行对比,获得第二对比结果;在所述第二对比结果表征所述MaxEnt模型未达到目标精度要求的情况下,对所述MaxEnt模型的参数进行调整,返回步骤:将所述目标环境变量数据和所述训练数据输入MaxEnt模型进行模型训练,获得物种空间分布的初始预测结果;在所述第二对比结果表征所述MaxEnt模型达到目标精度要求的情况下,将所述MaxEnt模型确定为目标MaxEnt模型,并将所述目标MaxEnt模型识别获得的物种空间分布的初始预测结果确定为所述待识别区域内每个栅格中的物种空间分布的预测结果。
在本发明的实施例中,步骤S102的一种实施方式为:采集待识别区域的物种分布的经纬度数据,以及采集待识别区域中影响物种分布的多种环境变量数据,并筛选出该多种环境变量数据中的关键环境变量数据。
示例地,采集包含待识别区域中多种被定义为面临高灭绝风险的濒危植物物种分布的经纬度数据,并采集待识别区域中影响物种分布的多种环境变量数据,多种环境变量数据至少包括年平均气温、平均昼夜温差、最暖月的最高温度、最冷月份的最低温度、温度年度范围、最湿季的平均温度、最干燥季度的平均温度、年降水量、海拔、坡度、坡向和归一化植被指数。并筛选出该多种环境变量数据中的关键环境变量数据。
在确定到包含待识别区域的多种关键环境变量数据后,通过GIS软件对该多种关键环境变量数据进行范围的统一处理,以确定到待识别区域内的多种关键环境变量数据,并通过GIS软件对该多种关键环境变量数据进行精度的统一处理,以使得该多种关键环境变量数据的栅格精度相同。例如,将该多种关键环境变量数据均统一到30m×30m的栅格尺寸精度,也就是以30m×30m的栅格尺寸精度记录该多种关键环境变量数据。同时通过GIS软件对经过范围和精度的统一处理后的该多种关键环境变量数据进行错位匹配,以使得该多种关键环境变量数据的栅格能够重合。在对采集到的包含待识别区域的多种关键环境变量数据进行上述一系列的精度和范围的统一处理以及错位匹配后,获得待识别区域的目标环境变量数据。该目标环境变量数据中的各种类型的关键环境变量数据不仅栅格的尺寸精度相同,该各种类型的关键环境变量数据各自对应的在同一地理坐标位置下的栅格能够重合。具体地:本发明将多种关键环境变量数据统一至WGS 1984 Albers投影坐标系,以使得该多种关键环境变量数据的栅格能够重合。
设定预设比例,将获得的待识别区域的物种分布的经纬度数据按照预设比例划分为训练数据和测试数据,训练数据用于对MaxEnt模型进行模型训练,测试数据用于评估每次训练后的MaxEnt模型的性能。应当理解的是所述预设比例可根据实际应用场景进行设定,如将物种分布的经纬度数据的75%作为模型的训练数据,将物种分布的经纬度数据的25%作为模型训练后的测试数据。
将获得的待识别区域中的目标环境变量数据和获得的训练数据输入MaxEnt模型进行模型训练,该MaxEnt模型将预测输出物种在该待识别区域的空间分布,也就是在该待识别区域内的物种空间分布的初始预测结果。
将获得的初始预测结果与测试数据进行交叉对比,获得第二对比结果。在该第二对比结果表征该经过训练的MaxEnt模型未达到目标精度要求的情况下,对该MaxEnt模型的参数进行调整,进行新一轮的模型训练。也就是将获得的待识别区域中的目标环境变量数据和获得的训练数据输入当前经过参数调整后的MaxEnt模型进行模型训练,直至MaxEnt模型预测获得的待识别区域内的物种空间分布的初始预测结果与测试数据进行交叉对比,获得第二对比结果表征该MaxEnt模型达到目标精度要求为止,此时将该MaxEnt模型确定为目标MaxEnt模型,同时该目标MaxEnt模型已经具有预测获得的待识别区域内的物种空间分布的初始预测结果,而该初始预测结果是符合目标精度要求的,因此直接将该待识别区域内的物种空间分布的初始预测结果确定为待识别区域内每个栅格中的物种空间分布的预测结果。应当理解的是待识别区域内的物种空间分布的初始预测结果记录的就是待识别区域内每个栅格中的物种空间分布的预测结果,只是该初始预测结果的预测精度可能满足目标精度要求,可能不满足目标精度要求,对于满足目标精度要求的待识别区域内的物种空间分布的初始预测结果也就是待识别区域内每个栅格中的物种空间分布的预测结果。
在本发明的实施例中,本发明采用接收器性能分析的接收器操作特征曲线(AUC,Area Under Curve)下的面积评估MaxEnt模型的性能。本发明优选AUC为0.857,以确定MaxEnt模型的预测是否可靠,在MaxEnt模型的物种空间分布的预测结果对应的AUC大于等于0.857时,确定MaxEnt模型的预测可靠。
在本发明中,筛选出所述环境变量数据中的关键环境变量数据,包括:
确定各个环境变量数据彼此之间的相关系数取值;将彼此之间的相关系数取值未超过目标设定阈值的两个环境变量数据均确定为关键环境变量数据;将彼此之间的相关系数取值超过目标设定阈值的两个环境变量数据的其中之一确定为关键环境变量数据。
在本发明的实施例中,由于采集的环境变量数据的类型很多,因此基于采集到的所有类型的环境变量数据进行物种空间分布的预测,MaxEnt模型运行效率将降低,导致预测时间过长,同时导致计算资源的大量占用。因此本发明从采集到的所有类型的环境变量数据中筛选出更为关键和核心的关键环境变量数据用于进行物种空间分布的预测,以此提高MaxEnt模型运行效率。具体地:通过SPSS(Statistical Package for the SocialSciences)软件确定各种类型的环境变量数据彼此之间的Pearson相关系数取值,Pearson相关系数取值越高表明该相关系数取值对应的两种类型的环境变量数据彼此之间的相关性越高,该两种类型的环境变量数据对物种空间分布的影响相似性也会更高,由于该两种类型的环境变量数据对物种空间分布的影响相似性很高,因此为了提高MaxEnt模型运行效率,本发明从该两种类型的环境变量数据随机选择出其中一种类型的环境变量数据作为关键环境变量数据参与后续的物种空间分布的预测,而本发明通过设定目标设定阈值来确定两种类型的环境变量数据是否需要选择出其中一种类型的环境变量数据作为关键环境变量数据。在两种类型的环境变量数据彼此之间的Pearson相关系数取值未超过目标设定阈值时,表明该两种类型的环境变量数据彼此之间的相关性较低,对物种空间分布影响的相似性较低,此时将该两种类型的环境变量数据均确定为关键环境变量数据。而在两种类型的环境变量数据彼此之间的Pearson相关系数取值超过目标设定阈值时,表明该两种类型的环境变量数据彼此之间的相关性较高,对物种空间分布影响的相似性较高,此时从该两种类型的环境变量数据随机选择一种类型的环境变量数据确定为关键环境变量数据。其中,所述目标设定阈值可根据实际应用场景进行设定,在此不作具体限定,如将目标设定阈值设定为0.8或0.9等。
本发明提供的一种生态脆弱区识别方法,采用InVEST模型计算生态系统服务,该模型能准确地量化生态系统提供的服务,并且可以通过可视化软件在空间上展示生态系统服务的量化结果;通过MaxEnt模型模拟生物多样性的空间分布,MaxEnt模型是一种基于最大熵原理的物种分布模型,能精确地模拟物种在空间上的潜在分布;并通过构建高精度格网下的空间匹配度指数探索生态系统服务与生物多样性的空间匹配格局。具有以下优点:
高精度:本发明基于高精度格网,能提供更精确的空间匹配度结果,从而得到更精确和更高精度的生态脆弱区识别结果,从而为生态保护策略提供更准确的决策支持。
高效率:通过使用InVEST和MaxEnt两种模型,本发明可以快速而准确地计算生态系统服务和模拟生物多样性的空间分布,提高分析效率。
可扩展性:本发明可适用于各种类型的生态环境,具有广泛的应用性。
全面性:通过综合考虑多种生态系统服务和生物多样性的空间匹配格局,本发明可以对待识别区域的生态环境状况进行更全面的评估。
本发明第二方面提供一种生态脆弱区识别系统,如图4所示,所述系统400包括:
生态系统服务计算模块401,用于通过目标InVEST模型对待识别区域进行多种生态系统服务计算,获得所述待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果;
物种空间分布预测模块402,用于通过目标MaxEnt模型对所述待识别区域进行物种空间分布预测,获得所述待识别区域内每个栅格中的物种空间分布的预测结果;
空间匹配度指数确定模块403,用于根据所述计算结果和所述预测结果,确定所述待识别区域的每个栅格的空间匹配度指数;
生态脆弱区识别模块404,用于根据所述空间匹配度指数,确定所述待识别区域内的生态脆弱区。
可选地,所述生态系统服务计算模块401,包括:
第一数据采集模块,用于采集包含待识别区域的栅格数据;
第一数据处理模块,用于通过GIS软件对采集的所述栅格数据进行精度和范围的统一处理,获得所述待识别区域的目标栅格数据;
初始计算模块,用于将所述目标栅格数据和生物物理数据输入InVEST模型进行计算,获得所述待识别区域的多种生态系统服务的初始计算结果;
第一对比模块,用于将所述初始计算结果与实测数据进行对比,获得第一对比结果;
第一模型参数调整模块,用于在所述第一对比结果超过设定阈值的情况下,对所述InVEST模型的参数进行调整,并控制所述初始计算模块执行;
计算结果确定模块,用于在所述第一对比结果未超过设定阈值的情况下,将所述第一对比结果未超过设定阈值对应的InVEST模型确定为目标InVEST模型,并将所述目标InVEST模型计算获得的所述待识别区域的多种生态系统服务的初始计算结果确定为所述待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果。
可选地,所述初始计算模块中的所述目标栅格数据至少包括:土地利用数据、数字高程数据、碳库数据、降雨数据、地表蒸散数据、根部限制层深度数据、植物有效水含量数据、降雨侵蚀力指数数据和土壤可蚀性数据。
可选地,在所述多种生态系统服务包括产水生态系统服务、碳储存生态系统服务、土壤保持生态系统服务和氮元素输出生态系统服务的情况下,所述初始计算模块,包括:
第一初始计算模块,用于将所述目标栅格数据中的土地利用数据、降雨数据、地表蒸散数据、根部限制层深度数据、植物有效水含量数据和生物物理数据输入InVEST模型的WY子模型进行计算,获得产水生态系统服务的初始计算结果;
第二初始计算模块,用于将所述目标栅格数据中的土地利用数据和碳库数据输入InVEST模型的CS子模型进行计算,获得碳储存生态系统服务的初始计算结果;
第三初始计算模块,用于将所述目标栅格数据中的土地利用数据、数字高程数据、降雨数据、降雨侵蚀力指数数据、土壤可蚀性数据、生物物理数据输入InVEST模型的SDR子模型进行计算,获得土壤保持生态系统服务的初始计算结果;
第四初始计算模块,用于将所述目标栅格数据中的土地利用数据、数字高程数据、降雨数据、生物物理数据输入InVEST模型的NDR子模型进行计算,获得氮元素输出生态系统服务的初始计算结果。
可选地,所述物种空间分布预测模块402,包括:
第二数据采集模块,用于采集待识别区域的物种分布的经纬度数据,以及,采集包含待识别区域的影响物种分布的环境变量数据,并筛选出所述环境变量数据中的关键环境变量数据;
第二数据处理模块,用于通过GIS软件对所述关键环境变量数据进行精度和范围的统一处理,获得所述待识别区域的目标环境变量数据;
数据划分模块,用于根据预设比例,将所述经纬度数据划分为训练数据和测试数据;
模型训练模块,用于将所述目标环境变量数据和所述训练数据输入MaxEnt模型进行模型训练,获得物种空间分布的初始预测结果;
第二对比模块,用于将所述初始预测结果和测试数据进行对比,获得第二对比结果;
第二模型参数调整模块,用于在所述第二对比结果表征所述MaxEnt模型未达到目标精度要求的情况下,对所述MaxEnt模型的参数进行调整,控制所述模型训练模块执行;
预测结果确定模块,用于在所述第二对比结果表征所述MaxEnt模型达到目标精度要求的情况下,将所述MaxEnt模型确定为目标MaxEnt模型,并将所述目标MaxEnt模型识别获得的物种空间分布的初始预测结果确定为所述待识别区域内每个栅格中的物种空间分布的预测结果。
可选地,所述第二数据采集模块,包括:
相关系数确定模块,用于确定各个环境变量数据彼此之间的相关系数取值;
第一关键环境变量确定模块,用于将彼此之间的相关系数取值未超过目标设定阈值的两个环境变量数据均确定为关键环境变量数据;
第二关键环境变量确定模块,用于将彼此之间的相关系数取值超过目标设定阈值的两个环境变量数据的其中之一确定为关键环境变量数据。
可选地,所述空间匹配度指数确定模块403,包括:
第三数据处理模块,用于通过GIS软件将所述待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果和所述待识别区域内每个栅格中的物种空间分布的预测结果进行精度统一和错位匹配处理,获得栅格目标计算结果和栅格目标预测结果;
归一化模块,用于通过最大最小值标准化方法对所述栅格目标计算结果和所述栅格目标预测结果进行归一化,获得第一栅格目标计算结果和第一栅格目标预测结果;
空间匹配度指数确定子模块,用于根据预设算法、所述第一栅格目标计算结果和所述第一栅格目标预测结果,确定所述待识别区域的每个栅格的空间匹配度指数,所述预设算法,包括:
,/>,其中,/>表示第个栅格的生物多样性的值,/>表示第/>个栅格中第/>种生态系统服务的值,/>表示待识别区域的生物多样性的平均值,/>表示第/>个栅格中的生物多样性的值与第/>个栅格中第/>种生态系统服务的值之间的比值,/>表示空间匹配度指数。
可选地,所述生态脆弱区识别模块404,包括:
分级标准设定模块,用于设定空间匹配度指数的分级标准;
生态脆弱区识别子模块,用于根据所述分级标准和各个栅格各自的空间匹配度指数,通过GIS软件绘制生态系统服务和生物多样性匹配度的空间分布图,获得所述待识别区域的生态脆弱区。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk (SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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,均包含在本发明的保护范围内。
Claims (9)
1.一种生态脆弱区识别方法,其特征在于,所述方法包括:
通过目标InVEST模型对待识别区域进行多种生态系统服务计算,获得所述待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果;
通过目标MaxEnt模型对所述待识别区域进行物种空间分布预测,获得所述待识别区域内每个栅格中的物种空间分布的预测结果;
根据所述计算结果和所述预测结果,确定所述待识别区域的每个栅格的空间匹配度指数;
根据所述空间匹配度指数,确定所述待识别区域内的生态脆弱区。
2.根据权利要求1所述的一种生态脆弱区识别方法,其特征在于,所述通过目标InVEST模型对待识别区域进行多种生态系统服务计算,获得所述待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果,包括:
采集包含待识别区域的栅格数据;
通过GIS软件对采集的所述栅格数据进行精度和范围的统一处理,获得所述待识别区域的目标栅格数据;
将所述目标栅格数据和生物物理数据输入InVEST模型进行计算,获得所述待识别区域的多种生态系统服务的初始计算结果;
将所述初始计算结果与实测数据进行对比,获得第一对比结果;
在所述第一对比结果超过设定阈值的情况下,对所述InVEST模型的参数进行调整,返回步骤:将所述目标栅格数据和生物物理数据输入InVEST模型进行计算,获得所述待识别区域的多种生态系统服务的初始计算结果;
在所述第一对比结果未超过设定阈值的情况下,将所述第一对比结果未超过设定阈值对应的InVEST模型确定为目标InVEST模型,并将所述目标InVEST模型计算获得的所述待识别区域的多种生态系统服务的初始计算结果确定为所述待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果。
3.根据权利要求2所述的一种生态脆弱区识别方法,其特征在于,所述目标栅格数据至少包括:土地利用数据、数字高程数据、碳库数据、降雨数据、地表蒸散数据、根部限制层深度数据、植物有效水含量数据、降雨侵蚀力指数数据和土壤可蚀性数据。
4.根据权利要求3所述的一种生态脆弱区识别方法,其特征在于,在所述多种生态系统服务包括产水生态系统服务、碳储存生态系统服务、土壤保持生态系统服务和氮元素输出生态系统服务的情况下,所述将所述目标栅格数据和生物物理数据输入InVEST模型进行计算,获得所述待识别区域的多种生态系统服务的初始计算结果,包括:
将所述目标栅格数据中的土地利用数据、降雨数据、地表蒸散数据、根部限制层深度数据、植物有效水含量数据和生物物理数据输入InVEST模型的WY子模型进行计算,获得产水生态系统服务的初始计算结果;
将所述目标栅格数据中的土地利用数据和碳库数据输入InVEST模型的CS子模型进行计算,获得碳储存生态系统服务的初始计算结果;
将所述目标栅格数据中的土地利用数据、数字高程数据、降雨数据、降雨侵蚀力指数数据、土壤可蚀性数据、生物物理数据输入InVEST模型的SDR子模型进行计算,获得土壤保持生态系统服务的初始计算结果;
将所述目标栅格数据中的土地利用数据、数字高程数据、降雨数据、生物物理数据输入InVEST模型的NDR子模型进行计算,获得氮元素输出生态系统服务的初始计算结果。
5.根据权利要求1所述的一种生态脆弱区识别方法,其特征在于,所述通过目标MaxEnt模型对所述待识别区域进行物种空间分布预测,获得所述待识别区域内每个栅格中的物种空间分布的预测结果,包括:
采集待识别区域的物种分布的经纬度数据,以及,采集包含待识别区域的影响物种分布的环境变量数据,并筛选出所述环境变量数据中的关键环境变量数据;
通过GIS软件对所述关键环境变量数据进行精度和范围的统一处理,获得所述待识别区域的目标环境变量数据;
根据预设比例,将所述经纬度数据划分为训练数据和测试数据;
将所述目标环境变量数据和所述训练数据输入MaxEnt模型进行模型训练,获得物种空间分布的初始预测结果;
将所述初始预测结果和测试数据进行对比,获得第二对比结果;
在所述第二对比结果表征所述MaxEnt模型未达到目标精度要求的情况下,对所述MaxEnt模型的参数进行调整,返回步骤:将所述目标环境变量数据和所述训练数据输入MaxEnt模型进行模型训练,获得物种空间分布的初始预测结果;
在所述第二对比结果表征所述MaxEnt模型达到目标精度要求的情况下,将所述MaxEnt模型确定为目标MaxEnt模型,并将所述目标MaxEnt模型识别获得的物种空间分布的初始预测结果确定为所述待识别区域内每个栅格中的物种空间分布的预测结果。
6.根据权利要求5所述的一种生态脆弱区识别方法,其特征在于,筛选出所述环境变量数据中的关键环境变量数据,包括:
确定各个环境变量数据彼此之间的相关系数取值;
将彼此之间的相关系数取值未超过目标设定阈值的两个环境变量数据均确定为关键环境变量数据;
将彼此之间的相关系数取值超过目标设定阈值的两个环境变量数据的其中之一确定为关键环境变量数据。
7.根据权利要求1所述的一种生态脆弱区识别方法,其特征在于,所述根据所述计算结果和所述预测结果,确定所述待识别区域的每个栅格的空间匹配度指数,包括:
通过GIS软件将所述待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果和所述待识别区域内每个栅格中的物种空间分布的预测结果进行精度统一和错位匹配处理,获得栅格目标计算结果和栅格目标预测结果;
通过最大最小值标准化方法对所述栅格目标计算结果和所述栅格目标预测结果进行归一化,获得第一栅格目标计算结果和第一栅格目标预测结果;
根据预设算法、所述第一栅格目标计算结果和所述第一栅格目标预测结果,确定所述待识别区域的每个栅格的空间匹配度指数,所述预设算法,包括:
,/>,其中,/>表示第/>个栅格的生物多样性的值,/>表示第/>个栅格中第/>种生态系统服务的值,/>表示待识别区域的生物多样性的平均值,/>表示第/>个栅格中的生物多样性的值与第/>个栅格中第/>种生态系统服务的值之间的比值,/>表示空间匹配度指数。
8.根据权利要求1所述的一种生态脆弱区识别方法,其特征在于,所述根据所述空间匹配度指数,确定所述待识别区域内的生态脆弱区,包括:
设定空间匹配度指数的分级标准;
根据所述分级标准和各个栅格各自的空间匹配度指数,通过GIS软件绘制生态系统服务和生物多样性匹配度的空间分布图,获得所述待识别区域的生态脆弱区。
9.一种生态脆弱区识别系统,其特征在于,所述系统包括:
生态系统服务计算模块,用于通过目标InVEST模型对待识别区域进行多种生态系统服务计算,获得所述待识别区域内每个栅格中的各种生态系统服务各自对应的计算结果;
物种空间分布预测模块,用于通过目标MaxEnt模型对所述待识别区域进行物种空间分布预测,获得所述待识别区域内每个栅格中的物种空间分布的预测结果;
空间匹配度指数确定模块,用于根据所述计算结果和所述预测结果,确定所述待识别区域的每个栅格的空间匹配度指数;
生态脆弱区识别模块,用于根据所述空间匹配度指数,确定所述待识别区域内的生态脆弱区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868631.4A CN116628519B (zh) | 2023-07-17 | 2023-07-17 | 一种生态脆弱区识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868631.4A CN116628519B (zh) | 2023-07-17 | 2023-07-17 | 一种生态脆弱区识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116628519A true CN116628519A (zh) | 2023-08-22 |
CN116628519B CN116628519B (zh) | 2023-09-29 |
Family
ID=87602775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310868631.4A Active CN116628519B (zh) | 2023-07-17 | 2023-07-17 | 一种生态脆弱区识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116628519B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312875A (zh) * | 2023-10-13 | 2023-12-29 | 河北省气象灾害防御和环境气象中心(河北省预警信息发布中心) | 基于knn算法的区域性高温事件相似判别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229859A (zh) * | 2018-02-09 | 2018-06-29 | 中国环境科学研究院 | 一种确定生物多样性保护的关键区域的方法及系统 |
WO2019098692A1 (ko) * | 2017-11-17 | 2019-05-23 | 노아에스앤씨 주식회사 | 폭우에 대한 재해취약성 정보 자동처리방법 |
CN113516387A (zh) * | 2021-07-09 | 2021-10-19 | 李达维 | 基于地理空间大数据的区域生态安全格局构建方法及系统 |
CN114139986A (zh) * | 2021-12-03 | 2022-03-04 | 北京师范大学 | 一种基于生态系统服务视角的区域生态修复规划方法 |
CN115630802A (zh) * | 2022-09-26 | 2023-01-20 | 中国科学院生态环境研究中心 | 一种结合生态系统服务供需的生态修复空间划定方法 |
CN115759331A (zh) * | 2022-09-30 | 2023-03-07 | 海南大学 | 基于最大熵模型和InVEST模型的红树林碳储量增量估算方法 |
CN115983522A (zh) * | 2022-11-10 | 2023-04-18 | 东南大学 | 一种乡村生境质量评估及预测方法 |
-
2023
- 2023-07-17 CN CN202310868631.4A patent/CN116628519B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019098692A1 (ko) * | 2017-11-17 | 2019-05-23 | 노아에스앤씨 주식회사 | 폭우에 대한 재해취약성 정보 자동처리방법 |
CN108229859A (zh) * | 2018-02-09 | 2018-06-29 | 中国环境科学研究院 | 一种确定生物多样性保护的关键区域的方法及系统 |
CN113516387A (zh) * | 2021-07-09 | 2021-10-19 | 李达维 | 基于地理空间大数据的区域生态安全格局构建方法及系统 |
CN114139986A (zh) * | 2021-12-03 | 2022-03-04 | 北京师范大学 | 一种基于生态系统服务视角的区域生态修复规划方法 |
CN115630802A (zh) * | 2022-09-26 | 2023-01-20 | 中国科学院生态环境研究中心 | 一种结合生态系统服务供需的生态修复空间划定方法 |
CN115759331A (zh) * | 2022-09-30 | 2023-03-07 | 海南大学 | 基于最大熵模型和InVEST模型的红树林碳储量增量估算方法 |
CN115983522A (zh) * | 2022-11-10 | 2023-04-18 | 东南大学 | 一种乡村生境质量评估及预测方法 |
Non-Patent Citations (5)
Title |
---|
FAN ZHANG 等: "Spatial heterogeneity analysis of matching degree between endangered plant diversity and ecosystem services in Xishuangbanna", 《ENVIRONMENTAL SCIENCE AND POLLUTION RESEARCH》, pages 1 - 15 * |
XUE ZHANG 等: "Conservation outcome assessment of Wuyishan protected areas based on InVEST and propensity score matching", 《GLOBAL ECOLOGY AND CONSERVATION》, pages 1 - 11 * |
ZHONGDE HUANG 等: "Mapping biodiversity conservation priorities for protected areas:A case study in Xishuangbanna Tropical Area,China", 《BIOLOGICAL CONSERVATION》, pages 1 - 10 * |
吴隽宇 等: "生态系统环境-文化服务耦合视角下的珠江河口区生态功能分区", 《风景园林》, vol. 30, no. 1, pages 85 - 93 * |
孙蓉: "基于InVEST模型与MaxEnt模型在自然保护区中保护效益的评价", 《中国优秀硕士学位论文全文数据库农业科技辑》, pages 049 - 9 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312875A (zh) * | 2023-10-13 | 2023-12-29 | 河北省气象灾害防御和环境气象中心(河北省预警信息发布中心) | 基于knn算法的区域性高温事件相似判别方法 |
CN117312875B (zh) * | 2023-10-13 | 2024-04-12 | 河北省气象灾害防御和环境气象中心(河北省预警信息发布中心) | 基于knn算法的区域性高温事件相似判别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116628519B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Predicting the spatial distribution of an invasive plant species (Eupatorium adenophorum) in China | |
Thuiller et al. | Using niche‐based modelling to assess the impact of climate change on tree functional diversity in Europe | |
Luo et al. | Impacts of climate change on distributions and diversity of ungulates on the Tibetan Plateau | |
Meier et al. | Biotic and abiotic variables show little redundancy in explaining tree species distributions | |
Thies et al. | Projecting land-use and land-cover changes in a tropical mountain forest of Southern Ecuador | |
Schoeman et al. | Using potential distributions to explore environmental correlates of bat species richness in southern Africa: effects of model selection and taxonomy. | |
Song et al. | Impacts of environmental heterogeneity on moss diversity and distribution of Didymodon (Pottiaceae) in Tibet, China | |
Makinde et al. | Geoinformatic assessment of urban heat island and land use/cover processes: a case study from Akure | |
CN116628519B (zh) | 一种生态脆弱区识别方法及系统 | |
Boria et al. | A single‐algorithm ensemble approach to estimating suitability and uncertainty: cross‐time projections for four Malagasy tenrecs | |
CN110261272B (zh) | 基于地理探测和pca对pm2.5浓度分布的关键影响因子筛选方法 | |
CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
Cheng et al. | The effects of urbanization on ecosystem services for biodiversity conservation in southernmost Yunnan Province, Southwest China | |
Nhita | A rainfall forecasting using fuzzy system based on genetic algorithm | |
CN112903606A (zh) | 一种基于无人机高光谱的红树林生态恢复力评估方法 | |
CN106919645A (zh) | 复杂地貌大景区的景点气象要素智能精细预测方法 | |
Hanberry | Finer grain size increases effects of error and changes influence of environmental predictors on species distribution models | |
CN116739619A (zh) | 一种能源电力碳排放监测分析建模方法及装置 | |
Wang et al. | Using MaxEnt model to guide marsh conservation in the Nenjiang River Basin, Northeast China | |
Zheng et al. | Analysis of the distribution pattern of the ectomycorrhizal fungus Cenococcum geophilum under climate change using the optimized M ax E nt model | |
CN113688506A (zh) | 基于微站等多维数据的潜在大气污染源识别方法 | |
Furze et al. | Biological modelling for sustainable ecosystems | |
Tanimu et al. | Comparison of conventional and machine learning methods for bias correcting CMIP6 rainfall and temperature in Nigeria | |
Widmer et al. | Climate change and range restriction of common salamanders in eastern Canada and the United States | |
Wang et al. | INTEGRATING CLIMATE CHANGE INTO CONSERVATION PLANNING FOR TAXUSCHINENSIS, AN ENDANGERED ENDEMIC TREE PLANT IN CHINA. |
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 |