CN116720624A - 一种基于遥感数据的流域植被蒸散发预测方法 - Google Patents
一种基于遥感数据的流域植被蒸散发预测方法 Download PDFInfo
- Publication number
- CN116720624A CN116720624A CN202310718649.6A CN202310718649A CN116720624A CN 116720624 A CN116720624 A CN 116720624A CN 202310718649 A CN202310718649 A CN 202310718649A CN 116720624 A CN116720624 A CN 116720624A
- Authority
- CN
- China
- Prior art keywords
- data
- vegetation
- evapotranspiration
- evaporation
- remote sensing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001704 evaporation Methods 0.000 claims abstract description 50
- 230000008020 evaporation Effects 0.000 claims abstract description 49
- 239000002689 soil Substances 0.000 claims abstract description 33
- 230000005068 transpiration Effects 0.000 claims abstract description 28
- 230000008859 change Effects 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000004088 simulation Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000005855 radiation Effects 0.000 claims description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical class O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 7
- 230000007423 decrease Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000004907 flux Effects 0.000 claims description 4
- 230000002688 persistence Effects 0.000 claims description 4
- 230000008033 biological extinction Effects 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000000243 photosynthetic effect Effects 0.000 claims 1
- 239000002344 surface layer Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 10
- 238000011160 research Methods 0.000 description 9
- 230000002123 temporal effect Effects 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010792 warming Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 239000002352 surface water Substances 0.000 description 2
- 238000001308 synthesis method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 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 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/04—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
- 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
- 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
- G06V20/13—Satellite images
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于遥感数据的流域植被蒸散发预测方法，通过选取待预测的流域植被蒸散发数据集，进行数据预处理，获取遥感数据、气象数据和土地利用等数据；通过构建优化PT‑JPL模型，将获取的遥感数据、气象数据和土地利用数据输入，对流域植被蒸散发进行分割，输出土壤蒸发、冠层截流蒸发和植被蒸腾数据，进行估算模拟，获得土壤蒸发、冠层截流蒸发和植被蒸腾的估算模拟结果；根据土壤蒸发、冠层截流蒸发和植被蒸腾的估算模拟结果，结合实际应用情况，通过逐像元计算方法，对蒸散发数据的变化趋势进行计算，获取时间序列，对蒸散发数据的未来趋势进行预测，形成了一套完整且全面的评估方法，提高了预测的准确性。
Description
技术领域
本发明涉及区域蒸散发遥感估算技术领域，更具体的涉及一种基于遥感数据的流域植被蒸散发模拟及变化研究的方法。
背景技术
我国植被环境得到了有效改善，但是随着全球气候变暖的逐渐加剧，有观点认为过度造林及不合理树种种植将对社会和自然环境造成更大的伤害，确保当地的粮食与水资源的供应应当置于首要位置，与不断改善植被覆盖情况相比，保持与气候条件及当地水资源条件相适应的植被覆盖度则更有利于当地的可持续发展。
蒸散发(Evapotranspiration，ET)是地表水循环与能量平衡的重要组成部分，决定了土壤－植被－大气系统中的水、热传输。在全球变暖的气候背景下，蒸散发的改变将影响并反馈区域生态系统及气候变化，如干旱化和热浪天气。近些年来，随着水文循环研究以及陆面和大气之间物质和能量交换研究的深入，蒸散问题越来越受到人们的重视，量化蒸散对于理解碳水耦合关系，评价气候变化的影响及其对陆地生态系统碳水循环的影响有重要意义，其定量估算在水文学、气象学、农学、地学等学科研究中，都发挥着重要的作用。准确估算蒸散发量ET是了解流域植被蒸散发状况的重要步骤。
而遥感技术从技术性、经济性和实效性等方面来看，被认为是获得地球表面区域尺度蒸散发分布最有效的方法。遥感卫星数据直接表征，由于卫星数据分辨率较为粗糙，这种方法可能忽略蒸散发本身的一些潜在变化，进而为后续的数据分析问题造成一定的不准确性；观测站直接测量，该种方法对于仪器、人力以及时间的要求较高，观测的数据量较小且多为某点数据，实际操作较为繁琐，且不易表征流域整体的蒸散发状况；通过模型计算得到数据，而现有的模型大多没有考虑到植被因子的引入，缺乏科学的参考依据，因此，现有的植被蒸散发技术不能贴合我国植被现状以及缺少完整的分析评估体系，分析不全面，导致预测结果不准确。
发明内容
针对上述领域中存在的问题，本发明一种基于遥感数据的流域植被蒸散发预测方法，能够解决了现有的植被蒸散发技术不能贴合我国植被现状以及缺少完整的分析评估体系，分析不全面，导致预测结果不准确的技术问题。
为解决上述技术问题，本发明公开了一种基于遥感数据的流域植被蒸散发预测方法，包括以下步骤：
选取待预测的流域植被蒸散发数据集，进行数据预处理，获取遥感数据、气象数据和土地利用数据；
构建PT-JPL模型，将获取的遥感数据、气象数据和土地利用数据输入，对流域植被蒸散发进行分割，输出土壤蒸发、冠层截流蒸发和植被蒸腾数据；
通过对土壤蒸发、冠层截流蒸发和植被蒸腾数据进行估算模拟，获得土壤蒸发、冠层截流蒸发和植被蒸腾的估算模拟结果；
根据土壤蒸发、冠层截流蒸发和植被蒸腾的估算模拟结果，结合实际应用情况，通过逐像元计算方法，对蒸散发数据的变化趋势进行计算，获取时间序列；根据获取的时间序列，对蒸散发数据的未来趋势进行预测，获得蒸散发数据的未来趋势预测结果。
优选地，所述进行数据预处理包括使用python语言，将原始数据进行格式转换、图像拼接、去除异常值、掩膜、统一分辨率。
优选地，所述对流域植被蒸散发进行分割，输出土壤蒸发、冠层截流蒸发和植被蒸腾数据，包括以下步骤：
ET＝Et+Es+Ei
式中，Et为植被蒸腾，Es为土壤蒸发，Ei为冠层截流蒸发，fwet为相对表面湿度，fg为绿色冠层限制因子，ft为植物的温度限制，fm为植物的湿度限制；Rnc和Rns分别表示冠层净辐射和到达土壤表层的净辐射，G为土壤热通量，α是Priestley-Taylor系数为1.26，Δ为饱和-蒸气压曲线斜率，γ为湿度常数；
Rnc＝Rn-Rns
Rn＝Rnshort，-Rnlong
Rns＝(Rnexp(-kRnLAI))
Rnshort＝(1-α)It
Rnlong＝Rld-Rln
Rln＝σT4
式中，kRn为消光系数为0.6；LAI为叶面积指数；α为蓝天地表反照率；It为向下的短波辐射；Rld为向下的长波辐射，Rlu为向上的长波辐射；T为气温，σ为斯蒂芬玻尔兹曼常数为5.67×10-8W·m-2·K-4；Rn为净辐射，Rns、Rnshort和Rnlong分别为净短波辐射和净长波辐射；
fwet＝RH4
fsm＝RHVPD/β
fAPAR＝m1EVI+b1
fIPAR＝m2NDVA+b2
式中，FIPAR为被冠层截取光合有效辐射的比例系数，FAPAR为植被冠层吸收光合有效辐射的比例系数；RH为相对湿度，Topt为植被生长最适宜温度，VPD为饱和水汽压差；EVI为增强型植被指数，NDVA为归一化植被指数；β为fsm对VPD的灵敏度，b1取值为-0.48，b2取值为-0.05，m2取值为1；
VPD＝es-ea
es＝0.6122×e17.67×T/(T+243.5)
式中，es为饱和水汽压，ea为实际水汽压；
G＝Rn[Γc+(1-FVC)(Γs-Γc)]
式中，FVC为植被覆盖度，Γs为低植被覆盖度取0.05，Γc为高植被覆盖度取0.325。
优选地，所述通过对土壤蒸发、冠层截流蒸发和植被蒸腾数据进行估算模拟包括采用均方根误差、平均绝对百分比误差和希尔不等系数评价。
优选地，所述通过逐像元计算方法，对蒸散发数据的变化趋势进行计算，获取时间序列，包括以下步骤：
Theil-Sen中位数趋势分析是一种非参数统计趋势计算方法，其计算公式为：
其中，β为ET变化斜率；
Mann-Kendall检验对测量误差不敏感，其计算公式如下：
其中，n为序列中数据集的个数，s为检验统计量；sgn()是符号函数；
采用标准正态检验统计量Z进行显著性检验，在95％的置信水平下，|Z|≥1.96；在99％的置信水平下，|Z|≥2.58；
趋势分为极显著增加ESI、显著增加SI、不显著变化IN、显著减少SD和极显著减少ESD五类；
VAR的计算公式表示为：
式中，n为时间序列的个数，n>10。
优选地，所述根据获取的时间序列，对蒸散发数据的未来趋势进行预测，获得蒸散发数据的未来趋势预测结果，包括以下步骤：
Hurst指数，即H，被广泛利用于反映时间序列变化趋势的可持续性，采用重标极差R/S分析方法的Hurst指数，对植被蒸散发ET的未来变化趋势进行分析预测；
当H<0.5时，表示时间序列的反持续性；H＝0.5，表示时间序列随机；H>0.5，表示时间序列的正向持续性；
其计算公式如下：
时间序列[β(x)](x＝1，2，3，…，n)对于任意正整数定义均值序列为：
均值：
累计离差：
极差：
标准差：
其中，
与现有技术相比，本发明具有如下有益效果：
本发明通过构建PT-JPL模型，获得土壤蒸发、冠层截流蒸发和植被蒸腾的估算模拟结果，能够结合实际应用情况，对蒸散发数据的变化趋势进行计算，获取时间序列，对蒸散发数据的未来趋势进行预测，获得蒸散发数据的未来趋势预测结果。将数据处理、植被蒸散发的估算模拟、变化趋势分析、未来趋势预测有机结合，形成了一套完整且全面的评估方法，提高了模型预测的准确性，为衡量当下干旱半干旱植被恢复区中植被规划在水文学上的合理性提供便捷。
附图说明
图1为本发明的整体方法流程图。
具体实施方式
下面将结合本发明实施例中的附图1，对本发明实施例中的技术方案进行清楚、完整地描述。应理解本发明中所述的术语仅仅是为描述特别的实施方式，并非用于限制本发明。
蒸散发(Evapotranspiration，ET)是地表水循环与能量平衡的重要组成部分，决定了土壤－植被－大气系统中的水、热传输。在全球变暖的气候背景下，蒸散发的改变将影响并反馈区域生态系统及气候变化，如干旱化和热浪天气。
近些年来，随着水文循环研究以及陆面和大气之间物质和能量交换研究的深入，蒸散问题越来越受到人们的重视，量化蒸散对于理解碳水耦合关系，评价气候变化的影响及其对陆地生态系统碳水循环的影响有重要意义，其定量估算在水文学、气象学、农学、地学等学科研究中，都发挥着重要的作用。而遥感技术从技术性、经济性和实效性等方面来看，被认为是获得地球表面区域尺度蒸散发分布最有效的方法。
准确估算植被蒸散发ET量是了解流域植被蒸散发状况的重要步骤。国内外研究者开发了一系列的基于遥感技术的蒸散发模型。这些模型大致可以分为传统的经验统计模型、地表能量平衡模型、气温-植被指数特征空间模型、基于过程模型和陆面过程模型等。
基于过程的模型中，以Penman-Monteith(PM)模型和Priestly-Taylor JetPropulsion Laboratory(PT-JPL)模型为主，这类模型的优势在于以遥感数据观测的植被信息和气象观测数据为驱动数据。PM模型结合了影响ET的空气动力学项和辐射项，被广泛应用于大尺度ET估算。PM模型理论机制严密，模型的计算精度较高，往往对气象数据的要求较高，在许多气象数据难以获取的地方，模型的应用受到限制。此外，应用PM型方法的一大难点是如何合理地估算冠层阻力。虽然已经开发了许多冠层阻力模型，但这些模型基本上是经验或半经验的，并且侧重于影响冠层阻力的单一或有限的因素。
但事实上，冠层阻力对多种环境因素敏感，如土壤水分、光照、温度和植物类型。由于影响因素的复杂性和异质性，很难在大空间尺度上对这种阻力进行合理的参数化。PT-JPL模型在前人公式基础上，引入四种植物生理限制及土壤水分因子限制。因其不考虑空气动力学因素的影响，所需要的气象数据较少，模型性能出色和对地面测量要求相对较低等有点，而得到广泛应用。此外，与实测相比，PT-JPL模型不受时间或空间的限制，因此可以与遥感植被状况相结合，估算区域尺度的ET，并预测未来的ET。同时，有研究表明在干旱半干旱地区PT-JPL模型有较好的模拟表现，且该模型使用了大量的植物生理参数，适合与植被变化相联系。
我国植被环境得到了有效改善，但是随着全球气候变暖的逐渐加剧，有观点认为过度造林及不合理树种种植将对社会和自然环境造成更大的伤害，确保当地的粮食与水资源的供应应当置于首要位置，与不断改善植被覆盖情况相比，保持与气候条件及当地水资源条件相适应的植被覆盖度则更有利于当地的可持续发展。在此背景下，急需一种更加全面完善的流域植被蒸散发模拟及变化分析方法，以为植被种植提供科学的参考意见。
现有技术多使用三种方式表征某地的蒸散发状况：
1)遥感卫星数据直接表征，由于卫星数据分辨率较为粗糙，这种方法可能忽略蒸散发本身的一些潜在变化，进而为后续的数据分析问题造成一定的不准确性；
2)观测站直接测量，该种方法对于仪器、人力以及时间的要求较高，观测的数据量较小且多为某点数据，实际操作较为繁琐，且不易表征流域整体的蒸散发状况；
3)通过模型计算得到数据，现有模型大多没有考虑到植被因子的引入，本技术在模拟蒸散发数据是采纳多种植被因子，可以更加贴合我国流域植被的具体情况。
综合上述分析，现有技术对于流域植被蒸散发ET的分析没有形成全面的体系。本发明分别从数据处理、蒸散发模拟、变化趋势分析和未来趋势预测方面提供了一个较为全面的分析体系。
本发明研究了一种基于遥感数据的流域植被蒸散发预测方法。针对先阶段植树造林中存在的“小老树”及过度造林带来的水资源与植被资源不平衡问题，本发明解决了已有方法中，植被蒸散发ET估算不准确、不能贴合我国植被现状以及缺少完整的分析评估体系，即数据处理-蒸散发估算-蒸散发趋势分析-未来趋势预测的问题。
实施例
如图1所示，本发明实施例提供一种基于遥感数据的流域植被蒸散发预测方法，该方法主要包括以下内容：
1.数据预处理
使用python语言，将原始数据进行格式转换、图像拼接、去除异常值、掩膜、统一分辨率等预处理工作。
2.构建PT-JPL模型，模拟流域植被蒸散发ET
首先，进行数据收集与处理，收集的数据包括：遥感数据、气象数据和土地利用数据等。
遥感数据的获取，本发明使用到的归一化植被指数NDVI和增强型植被指数EVI数据产品来自于美国国家航天局的MODIS数据(https://search.earthdata.nasa.gov/)，选取2001-2018年的MODIS13A3月合成数据产品，其空间分辨率为500m。首先利用MRT(MODISReprojection Tool)软件进行格式转换、定义投影和重采样等一系列预处理，将原始的HDF格式数据转化为1km分辨率的TIFF格式数据，其次使用最大值合成法得到逐年最大值NDVI和EVI数据，减少噪声对数据的干扰。MODIS植被数据具有数据获取容易、覆盖范围广与时空分辨率较高等特点，在不同区域的植被变化研究中得到广泛应用。
叶面积指数LAI、植被覆盖度FVC、地表反照率Albedo数据和总初级生产力GPP数据来自于全球陆表特征参量数据产品(GLASS；http：//www.glass.umd.edu/)。GLASS产品是综合了长时间序列的多源遥感数据与高精度的地面观测数据反演得到的具有时间序列长与模拟精度高的全球尺度的遥感数据产品，在全球、生态功能区、流域尺度上的植被和生态环境与气候变化等方面的动态监测和变化研究中得到广泛应用。本发明选取流域区域2001-2018年的的LAI、FVC和Albedo数据，其时间分辨率为8天，空间分辨率为500m，采用最大值合成法将8天尺度的的植被覆盖度与叶面积指数合成得到月和年尺度数据。地表反照率数据基于数据集中的白天反照率(White sky albedo)和黑天反照率(Black sky albedo)，结合区域太阳高度角数据，计算得到研究区蓝天地表反照率(Blue sky albedo)数据，计算公式如下：
a＝fdiradir+fdifadif
fdir+fdif＝1
式中，α为蓝天地表反照率；αdif和αdir分别为白天反照率与黑天反照率；fdir和fdif分别表示实际天空的直射光与漫射光比例。
气象数据的获取，本发明选用中国区域高时空分辨率地表气象数据集(ChinaMeteorological Forcing Dataset，CMFD)作为驱动PT-JPL模型的区域气象输入数据。CMFD数据集来源于国家青藏高原科学数据中心(http://data.tpdc.ac.cn/)，数据范围涵盖整个中国，时间长度为1979年到2018年，其空间分辨率为0.1°，时间分辨率为3h。数据内容主要包括降水量、气温、空气比湿、风速和辐射通量等七种数据。该数据集基于现有的Princeton再分析数据、GLDAS、GEWEX-SRB辐射数据和TRMM降水数据，通过融合地面站点气象观测数据制作而成。CMFD较GLDAS数据集具有更高的空间精度和分辨率，已被广泛应用于水文气象分析、水文模拟以及其它的陆面模式研究过程中。在本发明中将CMFD数据作为区域尺度的气象观测数据，在原始数据整理计算的基础上，得到研究区2001-2018年逐月和逐年的气象数据序列用于驱动PT-JPL蒸散发模型。
土地利用数据的获取，土地利用数据(2000年、2005年、2015年和2020年)选用中国科学院空天信息创新研究院刘良云研究团队发布的1985-2020年全球30米精细地表覆盖动态监测产品(GLC_FCS30-1985_2020)，该数据基于1984-2020年所有Landsat卫星数据(Landsat TM，ETM+和OLI)利用Google Earth Engine云计算平台研发了全球30米精细地表覆盖动态监测产品。共包含建设用地、水体、湿地、旱地、水田、灌木、草地、开放落叶阔叶林、封闭落叶阔叶林和开放常绿针叶林等29个地表覆盖类型。综合研究区土地利用类型特点，为了便于驱动蒸散发估算模型，本发明将29个地表覆盖类型按照相同地类进行组合分类，得到9种地表覆盖类型，即旱地、水田、建设用地、水体、湿地、草地、灌木、阔叶林和针叶林。本发明中使用2000年数据代替2001-2002的土地利用数据，2020年数据代替2018的土地利用数据，带入PT-JPL模型用于估算蒸散发。
将获取的遥感数据、气象数据和土地利用等数据的输入，对流域植被蒸散发进行分割，输出土壤蒸发、冠层截流蒸发和植被蒸腾数据，包括以下步骤：
ET＝Et+Es+Ei
式中，Et为植被蒸腾，Es为土壤蒸发，Ei为冠层截流蒸发，fwet为相对表面湿度，fg为绿色冠层限制因子，ft为植物的温度限制，fm为植物的湿度限制；Rnc和Rns分别表示冠层净辐射和到达土壤表层的净辐射，G为土壤热通量，α是Priestley-Taylor系数为1.26，Δ为饱和-蒸气压曲线斜率，γ为湿度常数；
Rnc＝Rn-Rns
Rn＝Rnshort-Rnlong
Rns＝(Rn exp(-kRnLAI))
Rnshort＝(1-α)It
Rnlong＝Rld-Rlu
Rlu＝σT4
式中，kRn为消光系数为0.6；LAI为叶面积指数；α为蓝天地表反照率；It为向下的短波辐射；Rld为向下的长波辐射，Rlu为向上的长波辐射；T为气温，σ为斯蒂芬玻尔兹曼常数为5.67×10-8W·m-2·K-4；Rn为净辐射，Rns、Rnshort和Rnlong分别为净短波辐射和净长波辐射；
fwet＝RH4
fsm＝RHVPD/β
fAPAR＝m1EVI+b1
fIPAR＝m2NDVA+b2
式中，FIPAR为被冠层截取光合有效辐射的比例系数，FAPAR为植被冠层吸收光合有效辐射的比例系数；RH为相对湿度，Topt为植被生长最适宜温度，VPD为饱和水汽压差；EVI为增强型植被指数，NDVA为归一化植被指数；β为fsm对VPD的灵敏度，b1取值为-0.48，b2取值为-0.05，m2取值为1；
VPD＝es-ea
es＝0.6122×e17.67×T/(T+243.5)
式中，es为饱和水汽压，ea为实际水汽压；
G＝Rn[Γc+(1-FVC)(Γs-Γc)]
式中，FVC为植被覆盖度，Γs为低植被覆盖度取0.05，Γc为高植被覆盖度取0.325。
通过对土壤蒸发、冠层截流蒸发和植被蒸腾数据进行估算模拟，获得土壤蒸发、冠层截流蒸发和植被蒸腾的估算模拟结果。
通过对土壤蒸发、冠层截流蒸发和植被蒸腾数据进行估算模拟采用均方根误差、平均绝对百分比误差和希尔不等系数评价。
根据土壤蒸发、冠层截流蒸发和植被蒸腾的估算模拟结果，结合实际应用情况，通过逐像元计算方法，对蒸散发数据的变化趋势进行计算，获取时间序列，包括以下步骤：
Theil-Sen中位数趋势分析是一种非参数统计趋势计算方法，其计算公式为：
其中，β为ET变化斜率；
Mann-Kendall检验对测量误差不敏感，其计算公式如下：
其中，n为序列中数据集的个数，s为检验统计量；sgn()是符号函数；
采用标准正态检验统计量Z进行显著性检验，在95％的置信水平下，|Z|≥1.96；在99％的置信水平下，|Z|≥2.58；
趋势分为极显著增加ESI、显著增加SI、不显著变化IN、显著减少SD和极显著减少ESD五类；
VAR的计算公式表示为：
式中，n为时间序列的个数，n>10。
根据获取的时间序列，对蒸散发数据的未来趋势进行预测，获得蒸散发数据的未来趋势预测结果，包括以下步骤：
Hurst指数，即H，被广泛利用于反映时间序列变化趋势的可持续性，本发明采用重标极差R/S分析方法的Hurst指数，对植被蒸散发ET的未来变化趋势进行分析预测；
当H<0.5时，表示时间序列的反持续性；H＝0.5，表示时间序列随机；H>0.5，表示时间序列的正向持续性；
其计算公式如下：
时间序列[β(x)](x＝1，2，3，…，n)对于任意正整数定义均值序列为：
均值：
累计离差：
极差：
标准差：
其中，
本发明的应用领域广泛，能够满足区域干旱监测、生态农业、精准农业，陆地生态系统、气候变化等领域的土壤含水量科学研究及实际应用需求。对于数据处理、植被蒸散发ET的估算模拟、变化趋势分析、未来趋势预测形成了一套完整且全面的评估方法，为衡量当下干旱半干旱植被种植区中植被规划在水文学上的合理性提供便捷。
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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
另外，除非另有说明，否则本发明使用的所有技术和科学术语具有本发明所属领域的常规技术人员通常理解的相同含义。本说明书中提到的所有文献通过引用并入，用以公开和描述与所述文献相关的方法。在与任何并入的文献冲突时，以本说明书的内容为准。
Claims (6)
1.一种基于遥感数据的流域植被蒸散发预测方法，其特征在于，包括以下步骤：
选取待预测的流域植被蒸散发数据集，进行数据预处理，获取遥感数据、气象数据和土地利用数据；
构建PT-JPL模型，将获取的遥感数据、气象数据和土地利用数据输入，对流域植被蒸散发进行分割，输出土壤蒸发、冠层截流蒸发和植被蒸腾数据；
通过对土壤蒸发、冠层截流蒸发和植被蒸腾数据进行估算模拟，获得土壤蒸发、冠层截流蒸发和植被蒸腾的估算模拟结果；
根据土壤蒸发、冠层截流蒸发和植被蒸腾的估算模拟结果，结合实际应用情况，通过逐像元计算方法，对蒸散发数据的变化趋势进行计算，获取时间序列；根据获取的时间序列，对蒸散发数据的未来趋势进行预测，获得蒸散发数据的未来趋势预测结果。
2.根据权利要求1所述的一种基于遥感数据的流域植被蒸散发预测方法，其特征在于，所述进行数据预处理包括使用python语言，将原始数据进行格式转换、图像拼接、去除异常值、掩膜、统一分辨率。
3.根据权利要求2所述的一种基于遥感数据的流域植被蒸散发预测方法，其特征在于，所述对流域植被蒸散发进行分割，输出土壤蒸发、冠层截流蒸发和植被蒸腾数据，包括以下步骤：
ET＝Et+Es+Ei
式中，Et为植被蒸腾，Es为土壤蒸发，Ei为冠层截流蒸发，fwet为相对表面湿度，fg为绿色冠层限制因子，ft为植物的温度限制，fm为植物的湿度限制；Rnc和Rns分别表示冠层净辐射和到达土壤表层的净辐射，G为土壤热通量，α是Priestley-Taylor系数为1.26，Δ为饱和-蒸气压曲线斜率，γ为湿度常数；
Rnc＝Rn-Rns
Rn＝Rnshort-Rnlong
Rns＝(Rnexp(-kRnLAI))
Rnshort＝(1-α)It
Rnlong＝Rld-Rlu
Rlu＝σT4
式中，kRn为消光系数为0.6；LAI为叶面积指数；α为蓝天地表反照率；It为向下的短波辐射；Rld为向下的长波辐射，Rlu为向上的长波辐射；T为气温，σ为斯蒂芬玻尔兹曼常数为5.67×10-8W·m-2·K-4；Rn为净辐射，Rns、Rnshort和Rnlong分别为净短波辐射和净长波辐射；
fwet＝RH4
fsm＝RHVPD/β
fAPAR＝m1EVI+b1
fIPAR＝m2NDVA+b2
式中，FIPAR为被冠层截取光合有效辐射的比例系数，FAPAR为植被冠层吸收光合有效辐射的比例系数；RH为相对湿度，Topt为植被生长最适宜温度，VPD为饱和水汽压差；EVI为增强型植被指数，NDVA为归一化植被指数；β为fsm对VPD的灵敏度，b1取值为-0.48，b2取值为-0.05，m2取值为1；
VPD＝es-ea
es＝0.6122×e17.67×T/(T+243.5)
式中，es为饱和水汽压，ea为实际水汽压；
G＝Rn[Γc+(1-FVC)(Γs-Γc)]
式中，FVC为植被覆盖度，Γs为低植被覆盖度取0.05，Γc为高植被覆盖度取0.325。
4.根据权利要求3所述的一种基于遥感数据的流域植被蒸散发预测方法，其特征在于，所述通过对土壤蒸发、冠层截流蒸发和植被蒸腾数据进行估算模拟包括采用均方根误差、平均绝对百分比误差和希尔不等系数评价。
5.根据权利要求4所述的一种基于遥感数据的流域植被蒸散发预测方法，其特征在于，所述通过逐像元计算方法，对蒸散发数据的变化趋势进行计算，获取时间序列，包括以下步骤：
Theil-Sen中位数趋势分析是一种非参数统计趋势计算方法，其计算公式为：
其中，β为ET变化斜率；
Mann-Kendall检验对测量误差不敏感，其计算公式如下：
其中，n为序列中数据集的个数，s为检验统计量；sgn()是符号函数；
采用标准正态检验统计量Z进行显著性检验，在95％的置信水平下，|Z|≥1.96；在99％的置信水平下，|Z|≥2.58；
趋势分为极显著增加ESI、显著增加SI、不显著变化IN、显著减少SD和极显著减少ESD五类；
VAR的计算公式表示为：
式中，n为时间序列的个数，n>10。
6.根据权利要求5所述的一种基于遥感数据的流域植被蒸散发预测方法，其特征在于，所述根据获取的时间序列，对蒸散发数据的未来趋势进行预测，获得蒸散发数据的未来趋势预测结果，包括以下步骤：
Hurst指数，即H，被广泛利用于反映时间序列变化趋势的可持续性，采用重标极差R/S分析方法的Hurst指数，对植被蒸散发ET的未来变化趋势进行分析预测；
当H<0.5时，表示时间序列的反持续性；H＝0.5，表示时间序列随机；H>0.5，表示时间序列的正向持续性；
其计算公式如下：
时间序列[β(x)](x＝1，2，3，…，n)对于任意正整数定义均值序列为：
均值：
累计离差：
极差：
标准差：
其中，
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310718649.6A CN116720624A (zh) | 2023-06-16 | 2023-06-16 | 一种基于遥感数据的流域植被蒸散发预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310718649.6A CN116720624A (zh) | 2023-06-16 | 2023-06-16 | 一种基于遥感数据的流域植被蒸散发预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116720624A true CN116720624A (zh) | 2023-09-08 |
Family
ID=87864330
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310718649.6A Pending CN116720624A (zh) | 2023-06-16 | 2023-06-16 | 一种基于遥感数据的流域植被蒸散发预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116720624A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117473256A (zh) * | 2023-10-23 | 2024-01-30 | 中国水利水电科学研究院 | 一种优化蒸发胁迫指数的计算方法 |
| CN117992725A (zh) * | 2024-04-03 | 2024-05-07 | 南京大学 | 一种全球草地土壤水分阈值计算方法 |
| CN118228507A (zh) * | 2024-04-17 | 2024-06-21 | 中国科学院地理科学与资源研究所 | 考虑土壤水分和植被根深变化的区域蒸散发模拟方法 |
| CN119047166A (zh) * | 2024-08-19 | 2024-11-29 | 中国水利水电科学研究院 | 一种基于短波红外水分指数的地表导度参数化和区域蒸散发模型方法 |
| CN119935905A (zh) * | 2025-04-09 | 2025-05-06 | 武汉大学 | 一种植被蒸散发变化动态监测及驱动力识别方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140073675A (ko) * | 2012-12-06 | 2014-06-17 | 한양대학교 산학협력단 | 인공위성을 이용한 증발산량 산출방법 |
| CN110059362A (zh) * | 2019-03-22 | 2019-07-26 | 兰州大学 | 考虑植被动态变化的区域尺度双源蒸散发模型的构建方法 |
| CN112699621A (zh) * | 2021-01-14 | 2021-04-23 | 中国科学院地理科学与资源研究所 | 一种考虑下垫面条件变化的潜在蒸散发估算方法 |
| CN113340898A (zh) * | 2021-06-30 | 2021-09-03 | 福建师范大学 | 一种叶面积指数时空变化特征研究方法 |
| CN114417553A (zh) * | 2021-12-08 | 2022-04-29 | 中国科学院地理科学与资源研究所 | 一种基于遥感的陆表蒸散计算方法 |
| CN114510824A (zh) * | 2022-01-11 | 2022-05-17 | 兰州大学 | 同步考虑植被冠层和根系动态变化的区域尺度蒸散发模型的构建方法 |
| CN115115224A (zh) * | 2022-06-28 | 2022-09-27 | 中国矿业大学(北京) | 一种矿区植被碳汇分级及变化趋势评价分析方法 |
-
2023
- 2023-06-16 CN CN202310718649.6A patent/CN116720624A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140073675A (ko) * | 2012-12-06 | 2014-06-17 | 한양대학교 산학협력단 | 인공위성을 이용한 증발산량 산출방법 |
| CN110059362A (zh) * | 2019-03-22 | 2019-07-26 | 兰州大学 | 考虑植被动态变化的区域尺度双源蒸散发模型的构建方法 |
| CN112699621A (zh) * | 2021-01-14 | 2021-04-23 | 中国科学院地理科学与资源研究所 | 一种考虑下垫面条件变化的潜在蒸散发估算方法 |
| CN113340898A (zh) * | 2021-06-30 | 2021-09-03 | 福建师范大学 | 一种叶面积指数时空变化特征研究方法 |
| CN114417553A (zh) * | 2021-12-08 | 2022-04-29 | 中国科学院地理科学与资源研究所 | 一种基于遥感的陆表蒸散计算方法 |
| CN114510824A (zh) * | 2022-01-11 | 2022-05-17 | 兰州大学 | 同步考虑植被冠层和根系动态变化的区域尺度蒸散发模型的构建方法 |
| CN115115224A (zh) * | 2022-06-28 | 2022-09-27 | 中国矿业大学(北京) | 一种矿区植被碳汇分级及变化趋势评价分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李稚 等: "1982-2012年西北干旱区蒸散发组分时空变化分析", 灌溉排水学报, pages 120 - 127 * |
| 邓兴耀 等: "2000-2014年天山山区蒸散发时空动态特征", 水土保持研究, pages 266 - 271 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117473256A (zh) * | 2023-10-23 | 2024-01-30 | 中国水利水电科学研究院 | 一种优化蒸发胁迫指数的计算方法 |
| CN117473256B (zh) * | 2023-10-23 | 2024-09-03 | 中国水利水电科学研究院 | 一种优化蒸发胁迫指数的计算方法 |
| CN117992725A (zh) * | 2024-04-03 | 2024-05-07 | 南京大学 | 一种全球草地土壤水分阈值计算方法 |
| CN117992725B (zh) * | 2024-04-03 | 2024-06-11 | 南京大学 | 一种全球草地土壤水分阈值计算方法 |
| CN118228507A (zh) * | 2024-04-17 | 2024-06-21 | 中国科学院地理科学与资源研究所 | 考虑土壤水分和植被根深变化的区域蒸散发模拟方法 |
| CN119047166A (zh) * | 2024-08-19 | 2024-11-29 | 中国水利水电科学研究院 | 一种基于短波红外水分指数的地表导度参数化和区域蒸散发模型方法 |
| CN119935905A (zh) * | 2025-04-09 | 2025-05-06 | 武汉大学 | 一种植被蒸散发变化动态监测及驱动力识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116720624A (zh) | 一种基于遥感数据的流域植被蒸散发预测方法 | |
| Sjöström et al. | Exploring the potential of MODIS EVI for modeling gross primary production across African ecosystems | |
| Liang et al. | A long-term Global LAnd Surface Satellite (GLASS) data-set for environmental studies | |
| Wang et al. | New global MuSyQ GPP/NPP remote sensing products from 1981 to 2018 | |
| Yu et al. | Enhanced observations from an optimized soil-canopy-photosynthesis and energy flux model revealed evapotranspiration-shading cooling dynamics of urban vegetation during extreme heat | |
| Kicklighter et al. | Comparing global models of terrestrial net primary productivity (NPP): global pattern and differentiation by major biomes | |
| Liu et al. | Enhanced drought detection and monitoring using sun-induced chlorophyll fluorescence over Hulun Buir Grassland, China | |
| Chen et al. | Improved global maps of the optimum growth temperature, maximum light use efficiency, and gross primary production for vegetation | |
| Liao et al. | A critical review of methods, principles and progress for estimating the gross primary productivity of terrestrial ecosystems | |
| Di et al. | Urban green space classification and water consumption analysis with remote-sensing technology: a case study in Beijing, China | |
| Wu et al. | Evaluation of winter wheat yield simulation based on assimilating LAI retrieved from networked optical and SAR remotely sensed images into the WOFOST model | |
| Yu | An improved estimation of net primary productivity of grassland in the Qinghai-Tibet region using light use efficiency with vegetation photosynthesis model | |
| CN115796659B (zh) | 一种基于区域尺度蒸发衰退估计城市蓄水能力的方法 | |
| Cao et al. | Combined effects of urban forests on land surface temperature and PM2. 5 pollution in the winter and summer | |
| Wang et al. | Evaluating nitrogen removal by vegetation uptake using satellite image time series in riparian catchments | |
| Yao et al. | Satellite detection of water stress effects on terrestrial latent heat flux with MODIS shortwave infrared reflectance data | |
| Zhao et al. | Modelling and analysis of net primary productivity and its response mechanism to climate factors in temperate grassland, northern China | |
| Zhang et al. | Land cover change instead of solar radiation change dominates the forest GPP increase during the recent phase of the Shelterbelt Program for Pearl River | |
| Lim et al. | A land data assimilation system using the MODIS-derived land data and its application to numerical weather prediction in East Asia | |
| Yang et al. | Improving modeling of ecosystem gross primary productivity through re-optimizing temperature restrictions on photosynthesis | |
| Xu et al. | Estimation of aerosol and cloud radiative effects on terrestrial net primary productivity over northeast Qinghai-Tibet plateau | |
| Cook et al. | Greenhouse-gas induced warming amplification over the Arabian Peninsula with implications for Ethiopian rainfall | |
| CN117408530A (zh) | 一种考虑叶绿素荧光-总初级生产力非线性关系的水稻旱情监测方法 | |
| Huang et al. | Topographic effects on estimating net primary productivity of green coniferous forest in complex terrain using Landsat data: a case study of Yoshino Mountain, Japan | |
| Chang et al. | Precision modelling of leaf area index for enhanced surface temperature partitioning and improved evapotranspiration estimation |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Liu Yangyang Inventor after: Han Peidong Inventor after: Lin Ziqi Inventor after: Wen Zhongming Inventor after: Zhang Wei Inventor after: Zhang Zhixin Inventor after: Wang Zijun Inventor after: Zhao Yinghan Inventor before: Liu Yangyang Inventor before: Lin Ziqi Inventor before: Han Peidong Inventor before: Wen Zhongming Inventor before: Zhang Wei Inventor before: Zhang Zhixin Inventor before: Wang Zijun Inventor before: Zhao Yinghan |
|
| CB03 | Change of inventor or designer information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230908 |
|
| RJ01 | Rejection of invention patent application after publication |