CN116756572A - 基于红树林生态系统分布数据集的构建方法 - Google Patents
基于红树林生态系统分布数据集的构建方法 Download PDFInfo
- Publication number
- CN116756572A CN116756572A CN202310915177.3A CN202310915177A CN116756572A CN 116756572 A CN116756572 A CN 116756572A CN 202310915177 A CN202310915177 A CN 202310915177A CN 116756572 A CN116756572 A CN 116756572A
- Authority
- CN
- China
- Prior art keywords
- data
- mangrove
- biological
- distribution
- ecological system
- 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
- 240000002044 Rhizophora apiculata Species 0.000 title claims abstract description 229
- 238000010276 construction Methods 0.000 title claims abstract description 19
- 241000894007 species Species 0.000 claims abstract description 104
- 238000005070 sampling Methods 0.000 claims description 61
- 238000000034 method Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 36
- 238000010586 diagram Methods 0.000 claims description 18
- 239000003086 colorant Substances 0.000 claims description 16
- 239000006185 dispersion Substances 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000000630 rising effect Effects 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000003891 environmental analysis Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 43
- 230000009286 beneficial effect Effects 0.000 description 11
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000009360 aquaculture Methods 0.000 description 2
- 244000144974 aquaculture Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 241000233855 Orchidaceae Species 0.000 description 1
- 235000010678 Paulownia tomentosa Nutrition 0.000 description 1
- 244000153888 Tung Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004922 lacquer Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于红树林生态系统分布数据集的构建方法，该方法包括以下步骤：获取红树林生态系统的历史生态数据并对其进行生物类别划分；获取每个生物类别中划分生物种类在红树林生态系统的区域种群密度数据，根据区域种群密度数据确定每个生物类别中划分生物种类的区域分布；将每个生物类别中划分生物种类的区域种群密度数据和每个生物类别中划分生物种类的区域分布进行关联，获取每个生物类别的空间分布数据及对应区域的种群密度总量；根据每个生物类别的空间分布数据及对应区域的种群密度总量构建红树林生态系统的分布数据集。
Description
技术领域
本发明涉及分布数据集领域，尤其涉及一种基于红树林生态系统分布数据集的构建方法。
背景技术
红树林生态系统是由生长在热带海岸泥滩上的红树科植物与其周围环境共同构成的生态功能统一体，是热带、亚热带海岸带海陆交错区生产能力最高的海洋生态系统之一，在净化海水、防风消浪、维持生物多样性、固碳储碳等方面发挥着极为重要的作用。上世纪以来，由于环境污染，填海造陆，近海养殖业的快速发展等因素，我国的红树林面积急剧减少，近年来，在国家政策的大力支持下，红树林修复保护工作取得积极进展，红树林面积整体变化呈现先少后多的趋势。构建红树林生态系统分布数据集是一种直观表现红树林生态系统各生物种类分布面积及数量等数据在时间和空间尺度的变化的有效方法，现有技术尚没有一种完整的红树林生态系统分布数据集的构建方法，导致关于红树林生态系统的生态数据缺乏参考依据，降低了用户的体验感。
发明内容
针对上述所显示出来的问题，本发明提供了一种基于红树林生态系统分布数据集的构建方法，用以解决红树林生态系统分布数据集的构建问题。
一种基于红树林生态系统分布数据集的构建方法，包括以下步骤：
获取红树林生态系统的历史生态数据并对其进行生物类别划分；
获取每个生物类别中划分生物种类在红树林生态系统的区域种群密度数据，根据区域种群密度数据确定每个生物类别中划分生物种类的区域分布；
将每个生物类别中划分生物种类的区域种群密度数据和每个生物类别中划分生物种类的区域分布进行关联，获取每个生物类别的空间分布数据及对应区域的种群密度总量；
根据每个生物类别的空间分布数据及对应区域的种群密度总量构建红树林生态系统的分布数据集。
优选的，获取红树林生态系统的历史生态数据并对其进行生物类别划分，包括：
根据历史采集的有关红树林生态系统的各类数据，生成红树林生态系统的历史生态数据；
获取红树林生态系统历史生态数据中的生物信息数据；
基于生物信息数据中生物所处的环境类型及生物的形态特征对生物信息数据进行分类，根据生物所处的环境类型生成生物类别的第一分类信息，根据生物的形态特征生成生物类别的第二分类信息；
根据生物类别的第一分类信息和第二分类信息对生物信息数据进行生物类别划分。
优选的，根据历史采集的有关红树林生态系统的各类数据，生成红树林生态系统的历史生态数据，包括：
通过线上数据库获取历年采集的红树林生态系统原始数据；
对获取的红树林生态系统原始数据按照采集年份及数据类型进行分类；
根据红树林生态系统原始数据的数据类型获取每种数据类型对应的数据处理方式；
根据每种数据类型对应的处理方式对对应的原始数据进行处理，获取处理结果；
根据经分类处理的红树林生态系统原始数据生成红树林生态系统的历史生态数据。
优选的，获取每个生物类别中划分生物种类在红树林生态系统的区域种群密度数据，根据区域种群密度数据确定每个生物类别中划分生物种类的区域分布，包括：
基于红树林生态系统历史生态数据中的遥感地图数据按照预设大小对红树林生态系统进行区域划分；
获取每个生物类别中划分生物种类在每个划分区域的区域种群密度数据；
对每个生物类别中划分生物种类在每个区域的区域种群密度数据进行判断，确认该区域每个生物类别中划分生物种类的种群密度数据是否为零，若不为零，确认该区域存在对应划分生物种类；
根据每个区域的判断结果将确认存在对应划分生物种类的区域进行标记，在红树林生态系统的遥感地图数据中生成每个生物类别中划分生物种类的区域分布图像数据。
优选的，将每个生物类别中划分生物种类的区域种群密度数据和每个生物类别中划分生物种类的区域分布进行关联，获取每个生物类别的空间分布数据及对应区域的种群密度总量，包括：
将遥感地图数据中生成的每个生物类别中划分生物种类的区域分布图像数据进行合并，确定每个生物类别的空间分布数据；
获取每个生物类别中划分生物种类在该划分生物种类分布区域的区域种群密度数据；
将每个生物类别中每个划分生物种类的区域种群密度数据进行叠加，确定每个生物类别在该生物类别空间分布区域的种群密度总量。
优选的，根据每个生物类别的空间分布数据及对应区域的种群密度总量构建红树林生态系统的分布数据集，包括：
按照红树林生态系统历史生态数据的采集年份对每个生物类别的空间分布数据及对应区域的种群密度总量按照时间顺序进行分类；
按照不同年份，将每年每个生物类别的空间分布数据及该生物类别空间分布区域的种群密度总量按照生物类别以不同颜色标示在红树林生态系统的遥感图像数据中，生成红树林生态系统不同年份的分布图；
将红树林生态系统不同年份的分布图及每个生物类别的空间分布数据和该生物类别空间分布区域的种群密度总量进行处理，构建红树林生态系统的分布数据集。
优选的，将红树林生态系统不同年份的分布图及每个生物类别的空间分布数据和该生物类别空间分布区域的种群密度总量进行处理，构建红树林生态系统的分布数据集，包括：
根据红树林生态系统不同年份的分布图生成历年红树林生态系统生物类别的空间及种群密度分布图集；
将红树林生态系统不同年份的分布图按照生物类别数据进行数据分离，将同一生物类别不同年份的空间分布数据以不同颜色在红树林生态系统的遥感地图上进行标记，分别生成每一生物类别的历年空间分布趋势图；
将红树林生态系统每一生物类别的历年种群密度总量按照采集年份的时间顺序分别生成折线统计图，构建每一生物类别的种群密度总量变化子数据集；
根据历年红树林生态系统生物类别的空间及种群密度分布图集，每一生物类别的历年空间分布趋势图及每一生物类别的种群密度总量变化子数据集进行数据标识，构建红树林生态系统的分布数据集。
优选的，将红树林生态系统不同年份的分布图按照生物类别进行数据分离，将同一生物类别不同年份的空间分布数据以不同颜色在红树林生态系统的遥感地图上进行标记，分别生成每一生物类别的历年空间分布趋势图，包括：
将红树林生态系统不同年份的分布图按照每个分布图上的不同生物类别数据分离该年份每一生物类别的空间分布数据；
将红树林生态系统同一生物类别不同年份的空间分布数据在遥感地图数据上进行叠加处理，按照预设的年份与颜色的对应关系，对该生物类别不同年份的空间分布轮廓进行标记，分别生成每一生物类别的历年空间分布趋势图。优选的，所述方法还包括：使用抽样采集方法对红树林生态系统的历史生态数据进行数据可信度的采样评估，其步骤包括：
获取红树林生态系统的历史生态数据，对历史生态数据按照数据的采集年份进行分类，获得历年历史生态数据；
在历年历史生态数据中随机选取具有相关性的两项数据作为历史生态数据的可信度采样数据，分别计算历年所述两项数据的比值，确定比值为该年份所述两项数据的第一相关系数；
对历年可信度采样数据的第一相关系数进行预处理，将历年可信度采样数据的第一相关系数以可信度采样数据的采集时间点为横坐标，可信度采样数据的第一相关系数数值为纵坐标进行直角坐标系坐标变换；
对所有第一相关系数进行线性拟合，且确定该线性拟合方程的自变量为常数，获取线性拟合的结果；
将在直角坐标系中距线性拟合获得的直线方程纵坐标偏差度超过预设异常值阈值的第一相关系数作为异常值，将异常值使用历年可信度采样数据相关系数的中位数进行替换，获得经处理的历年可信度采样数据的第二相关系数；
根据经处理的历年可信度采样数据的第二相关系数计算所述第二相关系数的均值，使用历年可信度采样数据的第二相关系数及所述第二相关系数的均值计算历年可信度采样数据的标准差，根据标准差进行数据离散度评估，将标准差与历年可信度采样数据的第二相关系数均值之比作为数据离散程度；
根据可信度采样数据的数据离散度确认可信度采样数据的一致性，一致性数值确认为一减去可信度采样数据的数据离散度之差的百分比，将可信度采样数据的一致性数值作为红树林生态系统的历史生态数据的可信度采样评估结果。
优选的，所述方法还包括：对遥感图像数据进行环境分析以确定各环境类型在红树林生态系统遥感图像数据中的占地比例及具体地形，生成红树林生态系统的环境类型分布数据集，其步骤包括：
获取红树林生态系统的遥感图像数据，将遥感图像数据根据采集年份进行分类；
通过线上海洋数据库获取红树林生态系统所处区域在采集年份的全年最大涨潮时间点和最大退潮时间点，从该年份的遥感图像数据中提取对应时间点的遥感图像；
获取红树林生态系统的遥感地图数据，从遥感地图数据中提取当地海岸线的图像，对海岸线的图像进行分割，得到海陆交界处的图像数据，分别提取海洋部分和陆地部分的图像灰度值；
对海洋部分和陆地部分的灰度值进行均值处理，得到海陆二值图，根据海陆二值图确定对遥感图像海洋和陆地部分进行分割的特征阈值；
对每个年份对应时间点的遥感图像进行处理，将对应时间点的遥感图像基于当地海陆二值图的特征阈值使用阈值分割方法将遥感图像分为海洋区域和陆地区域；
基于经处理的采集年份全年最大涨潮时间和最大退潮时间的遥感图像，将采集年份全年最大涨潮时间的陆地区域所在位置确定为陆地环境类型，将采集年份全年最大退潮时间的海洋区域所在位置确定为海洋环境类型，两区域之间的位置确定为潮间带环境类型；
将遥感图像上对应位置的环境类型在遥感地图数据上进行轮廓标记，计算各环境类型在地图上的占地比例；
将各环境类型在红树林生态系统遥感图像中的占地比例标注在遥感地图数据中，生成该采集年份的环境类型图像，使用历年环境数据图像建立红树林生态系统的环境类型分布数据集。
通过上述技术手段，本发明取得如下有益效果：
1)可以根据采集到的各类数据生成红树林生态系统的分布数据集，直观表现红树林生态系统各生物种类分布面积及数量等数据在时间和空间尺度的变化。
2)可以通过可信度评估手段对数据集中的数据质量进行评估，使数据真实可信。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明所提供的一种基于红树林生态系统分布数据集的构建方法的工作流程图；
图2为本发明所提供的一种基于红树林生态系统分布数据集的构建方法的另一工作流程图；
图3为本发明所提供的一种基于红树林生态系统分布数据集的构建方法的又一工作流程图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
红树林生态系统是由生长在热带海岸泥滩上的红树科植物与其周围环境共同构成的生态功能统一体，是热带、亚热带海岸带海陆交错区生产能力最高的海洋生态系统之一，在净化海水、防风消浪、维持生物多样性、固碳储碳等方面发挥着极为重要的作用。上世纪以来，由于环境污染，填海造陆，近海养殖业的快速发展等因素，我国的红树林面积急剧减少，近年来，在国家政策的大力支持下，红树林修复保护工作取得积极进展，红树林面积整体变化呈现先少后多的趋势。构建红树林生态系统分布数据集是一种直观表现红树林生态系统各生物种类分布面积及数量等数据在时间和空间尺度的变化的有效方法，现有技术尚没有一种完整的红树林生态系统分布数据集的构建方法，导致关于红树林生态系统的生态数据缺乏参考依据，降低了用户的体验感。针对上述所显示出来的问题，本发明提供了一种基于红树林生态系统分布数据集的构建方法，用以解决红树林生态系统分布数据集的构建问题。
一种基于红树林生态系统分布数据集的构建方法，如图1所示，包括以下步骤：
步骤S101：获取红树林生态系统的历史生态数据并对其进行生物类别划分；
步骤S102：获取每个生物类别中划分生物种类在红树林生态系统的区域种群密度数据，根据区域种群密度数据确定每个生物类别中划分生物种类的区域分布；
步骤S103：将每个生物类别中划分生物种类的区域种群密度数据和每个生物类别中划分生物种类的区域分布进行关联，获取每个生物类别的空间分布数据及对应区域的种群密度总量；
步骤S104：根据每个生物类别的空间分布数据及对应区域的种群密度总量构建红树林生态系统的分布数据集。
在本实施例中，历史生态数据表示为关于红树林系统的历年各种生态数据，例如：2000年到2017年采集的红树林遥感地图数据，生物种类数据，物种的种群密度数据等；
在本实施例中，生物类别划分表示为按照生存区域及生物形态进行生物的类别划分，例如：水生植物，潮间带植物，潮间带动物等；
在本实施例中，划分生物种类表示为每个生物类别下划分为该生物类别的具体物种，例如，潮间带植物包括红树、红海兰、海漆、桐花树等多种划分生物种类；
在本实施例中，区域种群密度数据表示为每个生物类别中划分生物种类在该划分生物种类分布区域的区域种群密度；
在本实施例中，空间分布数据表示为每个生物类别在红树林生态系统中的空间分布位置及面积；
在本实施例中，对应区域的种群密度总量表示为每个生物类别在该生物类别分布区域的所有划分生物种类种群密度总量；
在本实施例中，红树林生态系统的分布数据集表示为包括红树林生态系统的历年生物类别分布及种群密度总量，红树林生态系统中各生物类别分布的变化趋势等多种数据的分布数据集。
上述技术方案的工作原理为：首先获取红树林生态系统的历史生态数据并对其进行生物类别划分；其次获取每个生物类别中划分生物种类在红树林生态系统的区域种群密度数据，根据区域种群密度数据确定每个生物类别中划分生物种类的区域分布；再次将每个生物类别中划分生物种类的区域种群密度数据和每个生物类别中划分生物种类的区域分布进行关联，获取每个生物类别的空间分布数据及对应区域的种群密度总量；最后根据每个生物类别的空间分布数据及对应区域的种群密度总量构建红树林生态系统的分布数据集。
上述技术方案的有益效果为：首先获取红树林生态系统的历史生态数据并对其进行生物类别划分，对历史生态数据进行分类，提高了数据的处理效率，进一步地，获取每个生物类别中划分生物种类在红树林生态系统的区域种群密度数据，确定每个生物类别中划分生物种类的区域分布，可以确定每个划分生物种类的具体分布区域，便于后续的生物类别的分布图构建，进一步地，将每个生物类别中划分生物种类的区域种群密度数据和区域分布进行关联，获取每个生物类别的空间分布数据及对应区域的种群密度总量，可以通过具体生物种类的调查采样数据生成该生物类别的空间分布数据及种群密度总量，便于数据的整合和分布数据集的建立，解决了红树林中物种过多难以进行分布数据集构建问题。
在一个实施例中，如图2所示，获取红树林生态系统的历史生态数据并对其进行生物类别划分，包括：
步骤S201：根据历史采集的有关红树林生态系统的各类数据，生成红树林生态系统的历史生态数据；
步骤S202：获取红树林生态系统历史生态数据中的生物信息数据；
步骤S203：基于生物信息数据中生物所处的环境类型及生物的形态特征对生物信息数据进行分类，根据生物所处的环境类型生成生物类别的第一分类信息，根据生物的形态特征生成生物类别的第二分类信息；
步骤S204：根据生物类别的第一分类信息和第二分类信息对生物信息数据进行生物类别划分。
在本实施例中，有关红树林生态系统的各类数据表示为红树林生态系统的各项原始数据，例如遥感数据，红树林生态系统的占地面积及位置数据，红树林中生物种类及群落数据等；
在本实施例中，生物信息数据表示为关于红树林生态系统中生物的信息数据；
在本实施例中，环境类型表示为生物的生存环境，例如：生存环境为水体、潮间带、陆地等；
在本实施例中，第一分类信息表示为基于生物所处环境类型进行分类的分类信息；
在本实施例中，形态特征表示为生物的外形特征，例如：动物、植物；
在本实施例中，第二分类信息表示为基于生物外形特征进行分类的分类信息。
上述技术方案的有益效果为：可以根据对红树林生态系统历史生态数据中的生物信息数据进行分类从而对数据进行生物类别划分，使数据清晰、简洁，便于后续处理。
在一个实施例中，如图3所示，根据历史采集的有关红树林生态系统的各类数据，生成红树林生态系统的历史生态数据，包括：
步骤S301：通过线上数据库获取历年采集的红树林生态系统原始数据；
步骤S302：对获取的红树林生态系统原始数据按照采集年份及数据类型进行分类；
步骤S303：根据红树林生态系统原始数据的数据类型获取每种数据类型对应的数据处理方式；
步骤S304：根据每种数据类型对应的处理方式对对应的原始数据进行处理，获取处理结果；
步骤S305：根据经分类处理的红树林生态系统原始数据生成红树林生态系统的历史生态数据。
在本实施例中，线上数据库表示为存有红树林生态系统各类数据的各大科研数据库及国家数据库，例如：戈达德地球科学资料和信息服务中心，科学数据银行，海南省高分数据与应用中心等线上数据库；
在本实施例中，红树林生态系统原始数据表示为历年采集的未经处理原始数据，例如：历年红树林生态系统的卫星遥感数据，野外物种采集数据及数量统计数据等；
在本实施例中，采集年份表示为原始数据的采集具体年份；
在本实施例中，数据类型表示为各类不同数据，例如遥感图像数据，文字数据，表格数据等；
在本实施例中，数据类型对应的数据处理方式表示为每种原始数据对应的数据校正处理方式，例如：遥感地图数据的原始数据需要进行大气校正。
上述技术方案的有益效果为：通过线上数据库获取历年采集的红树林生态系统原始数据可以确保数据的真实性和精确性，进一步地对获取的红树林生态系统原始数据进行分类，便于后续的数据处理工作，提升了数据处理效率，根据每种数据类型对应的处理方式对对应的原始数据进行处理，排除数据受到的各种干扰，使数据简洁。
在一个实施例中，获取每个生物类别中划分生物种类在红树林生态系统的区域种群密度数据，根据区域种群密度数据确定每个生物类别中划分生物种类的区域分布，包括：
基于红树林生态系统历史生态数据中的遥感地图数据按照预设大小对红树林生态系统进行区域划分；
获取每个生物类别中划分生物种类在每个划分区域的区域种群密度数据；
对每个生物类别中划分生物种类在每个区域的区域种群密度数据进行判断，确认该区域每个生物类别中划分生物种类的种群密度数据是否为零，若不为零，确认该区域存在对应划分生物种类；
根据每个区域的判断结果将确认存在对应划分生物种类的区域进行标记，在红树林生态系统的遥感地图数据中生成每个生物类别中划分生物种类的区域分布图像数据。
在本实施例中，预设大小表示为对遥感地图数据进行分割的预设大小，此处预设大小设置为500m×500m；
在本实施例中，区域划分表示为按照预设大小，在遥感地图数据上根据地图比例尺进行区域划分；
在本实施例中，划分区域的区域种群密度数据表示为划分生物种类在遥感地图上划分区域的区域种群密度数据；
在本实施例中，区域分布图像数据表示为对遥感地图上存在对应划分生物种类的划分区域进行标记，合并整理成该划分生物种类的分布区域。
上述技术方案的有益效果为：通过红树林生态系统历史生态数据中的遥感地图数据按照预设大小对红树林生态系统进行区域划分可以根据预设的精度确定划分生物种类的种群分布，进一步地，每个生物类别中划分生物种类在每个区域的区域种群密度数据进行判断，无需进行复杂公式计算，可以通过数据直接得出划分生物种类的种群分布数据，增强了该方法的实用性和直观性。
在一个实施例中，将每个生物类别中划分生物种类的区域种群密度数据和每个生物类别中划分生物种类的区域分布进行关联，获取每个生物类别的空间分布数据及对应区域的种群密度总量，包括：
将遥感地图数据中生成的每个生物类别中划分生物种类的区域分布图像数据进行合并，确定每个生物类别的空间分布数据；
获取每个生物类别中划分生物种类在该划分生物种类分布区域的区域种群密度数据；
将每个生物类别中每个划分生物种类的区域种群密度数据进行叠加，确定每个生物类别在该生物类别空间分布区域的种群密度总量；
在本实施例中，生物类别的空间分布数据表示为根据生物类别下的划分生物种类空间分布进行合并整理生成的该生物类别空间分布；
在本实施例中，划分生物种类在该划分生物种类分布区域的区域种群密度数据表示为每个划分生物种类在其所有分布区域的区域种群密度数据；
在本实施例中，生物类别在该生物类别空间分布区域的种群密度总量表示为每个生物类别在该生物类别分布区域的所有划分生物种类的种群密度总量。
上述技术方案的有益效果为：根据生成的每个生物类别中划分生物种类的区域分布图像数据确定每个生物类别的空间分布数据，可以精确确定每一生物类别的具体分布区域，进一步地可以根据每个划分生物种类的种群密度确定生物类别的种群密度总量，提高了数据的精确性，提高了该方法的实用性和有效性。
在一个实施例中，根据每个生物类别的空间分布数据及对应区域的种群密度总量构建红树林生态系统的分布数据集，包括：
按照红树林生态系统历史生态数据的采集年份对每个生物类别的空间分布数据及对应区域的种群密度总量按照时间顺序进行分类；
按照不同年份，将每年每个生物类别的空间分布数据及该生物类别空间分布区域的种群密度总量按照生物类别以不同颜色标示在红树林生态系统的遥感图像数据中，生成红树林生态系统不同年份的分布图；
将红树林生态系统不同年份的分布图及每个生物类别的空间分布数据和该生物类别空间分布区域的种群密度总量进行处理，构建红树林生态系统的分布数据集。
在本实施例中，采集年份表示为红树林生态系统历史生态数据的不同采集年份；
在本实施例中，按照生物类别以不同颜色标示表示为将每一生物类别的分布图像用不同的颜色标识在同一张遥感数据图上；
在本实施例中，红树林生态系统不同年份的分布图表示为每个进行数据采集年份的生物类别分布图；
在本实施例中，处理表示为基于历年分布图及分布区域和种群密度总量对所有数据按照时间顺序及生物类别进行处理，生成分布数据集。
上述技术方案的有益效果为：通过历年每个生物类别的空间分布数据及对应区域的种群密度总量分别生成每次数据采集时的物种分布图，便于直观体现红树林生物类别分布的时间变化趋势，通过对数据进一步处理后构建红树林生态系统的分布数据集，进一步地提高了数据集的全面性和直观性。
在一个实施例中，将红树林生态系统不同年份的分布图及每个生物类别的空间分布数据和该生物类别空间分布区域的种群密度总量进行处理，构建红树林生态系统的分布数据集，包括：
根据红树林生态系统不同年份的分布图生成历年红树林生态系统生物类别的空间及种群密度分布图集；
将红树林生态系统不同年份的分布图按照生物类别数据进行数据分离，将同一生物类别不同年份的空间分布数据以不同颜色在红树林生态系统的遥感地图上进行标记，分别生成每一生物类别的历年空间分布趋势图；
将红树林生态系统每一生物类别的历年种群密度总量按照采集年份的时间顺序分别生成折线统计图，构建每一生物类别的种群密度总量变化子数据集；
根据历年红树林生态系统生物类别的空间及种群密度分布图集，每一生物类别的历年空间分布趋势图及每一生物类别的种群密度总量变化子数据集进行数据标识，构建红树林生态系统的分布数据集。
在本实施例中，生物类别的空间及种群密度分布图集表示为按照采集年份分别生成的每年生物类别的空间及种群密度分布图的图集；
在本实施例中，数据分离表示为将该年份的生物类别空间及种群密度分布图的每个生物类别分布区域及种群密度总量进行分离；
在本实施例中，不同颜色表示为按照不同年份以不同颜色在同一张遥感地图上进行趋势图标记；
在本实施例中，历年空间分布趋势图表示为同一张遥感地图上同一物种的种群分布及种群密度总量在不同年份的分布图；
在本实施例中，历年种群密度总量表示为每一采集年份同一物种的历年种群密度总量；
在本实施例中，折线统计图表示为以数据采集年份为横轴，种群密度总量为纵轴的折线统计图；
在本实施例中，数据标识表示为对每个图片的数据名称及数量在图片上进行标识。
上述技术方案的有益效果为：通过对所有数据分别进行处理生成红树林生态系统的分布数据集使数据集表现形式丰富，关于分布及趋势变化真实可感，增强了红树林生态系统的分布数据集的直观性和生动性。
在一个实施例中，将红树林生态系统不同年份的分布图按照生物类别进行数据分离，将同一生物类别不同年份的空间分布数据以不同颜色在红树林生态系统的遥感地图上进行标记，分别生成每一生物类别的历年空间分布趋势图，包括：
将红树林生态系统不同年份的分布图按照每个分布图上的不同生物类别数据分离该年份每一生物类别的空间分布数据；
将红树林生态系统同一生物类别不同年份的空间分布数据在遥感地图数据上进行叠加处理，按照预设的年份与颜色的对应关系，对该生物类别不同年份的进行标记，分别生成每一生物类别的历年空间分布趋势图。
在本实施例中，预设的年份与颜色的对应关系表示为将每一年份数据按照预先设置的该年份数据的标记颜色在地图上进行标记。
上述技术方案的有益效果为：通过对系统的多项参数进行检测，可以精确排查可能的故障类型，并根据故障类型发出相应提醒，提高了系统的安全性，便于用户在发现系统异常时及时进行维修和零件更换，提高了系统的实用性和用户的体验感。
在一个实施例中，所述方法还包括：使用抽样采集方法对红树林生态系统的历史生态数据进行数据可信度的采样评估，其步骤包括：
获取红树林生态系统的历史生态数据，对历史生态数据按照数据的采集年份进行分类，获得历年历史生态数据；
在历年历史生态数据中随机选取具有相关性的两项数据作为历史生态数据的可信度采样数据，分别计算历年所述两项数据的比值，确定比值为该年份所述两项数据的第一相关系数；
对历年可信度采样数据的第一相关系数进行预处理，将历年可信度采样数据的第一相关系数以可信度采样数据的采集时间点为横坐标，可信度采样数据的第一相关系数数值为纵坐标进行直角坐标系坐标变换；
对所有第一相关系数进行线性拟合，且确定该线性拟合方程的自变量为常数，获取线性拟合的结果；
将在直角坐标系中距线性拟合获得的直线方程纵坐标偏差度超过预设异常值阈值的第一相关系数作为异常值，将异常值使用历年可信度采样数据相关系数的中位数进行替换，获得经处理的历年可信度采样数据的第二相关系数；
根据经处理的历年可信度采样数据的第二相关系数计算所述第二相关系数的均值，使用历年可信度采样数据的第二相关系数及所述第二相关系数的均值计算历年可信度采样数据的标准差，根据标准差进行数据离散度评估，将标准差与历年可信度采样数据的第二相关系数均值之比作为数据离散程度；
根据可信度采样数据的数据离散度确认可信度采样数据的一致性，一致性数值确认为一减去可信度采样数据的数据离散度之差的百分比，将可信度采样数据的一致性数值作为红树林生态系统的历史生态数据的可信度采样评估结果。
在本实施例中，数据可信度的采样评估表示为通过对红树林生态系统的历史生态数据中随机的具有相关性的两项数据进行一致性研究从而对所有历史生态数据进行可信度评估；
在本实施例中，具有相关性的两项数据表示为数据间具有关联性，且关联系数相对稳定的两项数据，例如：某生物种类的种群数量和该生物种类的分布面积；
在本实施例中，可信度采样数据表示为随机选取的具有相关性可以对历史生态数据进行评估的两项数据；
在本实施例中，第一相关系数表示为通过历年两项可信度采样数据的比值确定的每一年份两项可信度采样数据之间的相关系数；
在本实施例中，预处理表示为对获得的历年可信度采样数据的第一相关系数进行处理，排除数据中可能存在的异常值；
在本实施例中，线性拟合表示为将直角坐标系中的所有点进行输入建模软件进行线性回归方程的拟合；
在本实施例中，该线性拟合方程的自变量为常数表示为通过线性拟合得到的线性方程为一次方程，且该一次方程不存在未知数，自变量为常数，即拟合得到的线性方程图像为平行于x轴的一条直线；
在本实施例中，纵坐标偏差度表示为第一相关系数的纵坐标与线性回归方程的纵坐标之间的偏离程度百分比；
在本实施例中，预设异常值阈值表示为将第一相关系数判断为异常值的预设阈值，此处第一相关系数的纵坐标与线性回归方程的纵坐标之间的偏离程度百分比超过100％；
在本实施例中，异常值表示为明显偏离线性拟合结果，存在不合理，且对后续计算造成极大不良影响的值；
在本实施例中，相关系数的中位数表示为历年计算得到的所有相关系数按照大小排列后的中位数；
在本实施例中，第二相关系数表示为将异常值进行替换处理后的第一相关系数；
在本实施例中，历年可信度采样数据的标准差表示为历年可信度采样数据相关系数与历年可信度采样数据相关系数均值间方差的算术平方根；
在本实施例中，数据离散度评估表示为对数据的离散程度进行量化计算得到的数据离散度信息；
在本实施例中，数据离散程度表示为历年可信度采样数据相关系数与均值间的离散程度，数据离散程度越高，一致性越低；
在本实施例中，可信度采样数据的一致性表示为一致性数值确认为一减去可信度采样数据的数据离散度之差的百分比，数据的一致性越高，则数据的可信程度越高。
上述技术方案的有益效果为：通过抽样采集方法，随机选取具有相关性的两项数据进行相关系数的一致性验证，从而对红树林生态系统的历史生态数据进行数据可信度的采样评估，确认了当前数据的有效性并进行量化评估，提高了数据可信度，提升了红树林生态系统分布数据集构建方法的有效性和可信度。
在一个实施例中，所述方法还包括：对遥感图像数据进行环境分析以确定各环境类型在红树林生态系统遥感图像数据中的占地比例及具体地形，生成红树林生态系统的环境类型分布数据集，其步骤包括：
获取红树林生态系统的遥感图像数据，将遥感图像数据根据采集年份进行分类；
通过线上海洋数据库获取红树林生态系统所处区域在采集年份的全年最大涨潮时间点和最大退潮时间点，从该年份的遥感图像数据中提取对应时间点的遥感图像；
获取红树林生态系统的遥感地图数据，从遥感地图数据中提取当地海岸线的图像，对海岸线的图像进行分割，得到海陆交界处的图像数据，分别提取海洋部分和陆地部分的图像灰度值；
对海洋部分和陆地部分的灰度值进行均值处理，得到海陆二值图，根据海陆二值图确定对遥感图像海洋和陆地部分进行分割的特征阈值；
对每个年份对应时间点的遥感图像进行处理，将对应时间点的遥感图像基于当地海陆二值图的特征阈值使用阈值分割方法将遥感图像分为海洋区域和陆地区域；
基于经处理的采集年份全年最大涨潮时间和最大退潮时间的遥感图像，将采集年份全年最大涨潮时间的陆地区域所在位置确定为陆地环境类型，将采集年份全年最大退潮时间的海洋区域所在位置确定为海洋环境类型，两区域之间的位置确定为潮间带环境类型；
将遥感图像上对应位置的环境类型在遥感地图数据上进行轮廓标记，计算各环境类型在地图上的占地比例；
将各环境类型在红树林生态系统遥感图像中的占地比例标注在遥感地图数据中，生成该采集年份的环境类型图像，使用历年环境数据图像建立红树林生态系统的环境类型分布数据集。
在本实施例中，遥感图像数据表示为卫星采集的红树林生态系统的动态遥感数据合集；
在本实施例中，各环境类型表示为红树林生态系统中的各种环境类型，包括海洋环境类型，陆地环境类型，潮间带环境类型；
在本实施例中，环境类型分布数据集表示为红树林生态系统历年各种环境类型分布图的集合；
在本实施例中，线上海洋数据库表示为国家海洋信息中心数据库；
在本实施例中，对应时间点的遥感图像表示为在最大涨潮时间点和最大退潮时间点的特定遥感图像；
在本实施例中，遥感地图数据表示为从遥感信息网站上获取的的红树林生态系统所在位置的遥感地图；
在本实施例中，对海岸线的图像进行分割表示为根据海岸线将图像分为海洋部分和陆地部分；
在本实施例中，均值处理表示为分别对海洋部分和陆地部分的灰度值进行该部分灰度值的均值均值化，并获取对应数值；
在本实施例中，海陆二值图表示为将海岸线的图像进行均值处理后得到的海洋部分和陆地部分灰度分别为固定数值的二值图；
在本实施例中，特征阈值表示为海陆二值图中海洋部分和陆地部分灰度之间进行区分的特征阈值；
在本实施例中，阈值分割方法表示为按照海洋部分和陆地部分之间灰度的特征阈值对遥感图像进行分割；
在本实施例中，海洋区域和陆地区域表示为遥感图像中的海洋部分和陆地部分；
在本实施例中，陆地环境类型表示为始终属于陆地环境的环境类型；
在本实施例中，海洋环境类型表示为始终属于海洋环境的环境类型；
在本实施例中，潮间带环境类型表示为在潮汐上涨时属于海洋环境，潮汐退去时露出水面的环境类型；
在本实施例中，轮廓标记表示为将每个环境类型的轮廓在遥感地图上进行标记；
在本实施例中，占地比例表示为每个环境类型在地图上的面积与地图总面积之比；
在本实施例中，该采集年份的环境类型图像表示为该采集年份的红树林生态系统各环境类型分布图。
上述技术方案的有益效果为：通过获取每个采集年份的最大涨潮和退潮潮汐时间的遥感图像，精准定位了红树林潮间带的范围，确定了红树林各环境类型的位置及占地比例，使数据更加精确，丰富了数据集的组成部分，增加了红树林生态系统分布数据集构建方法的实用性。
本领域技术用户员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开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。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种基于红树林生态系统分布数据集的构建方法，其特征在于，包括以下步骤：
获取红树林生态系统的历史生态数据并对其进行生物类别划分；
获取每个生物类别中划分生物种类在红树林生态系统的区域种群密度数据，根据区域种群密度数据确定每个生物类别中划分生物种类的区域分布；
将每个生物类别中划分生物种类的区域种群密度数据和每个生物类别中划分生物种类的区域分布进行关联，获取每个生物类别的空间分布数据及对应区域的种群密度总量；
根据每个生物类别的空间分布数据及对应区域的种群密度总量构建红树林生态系统的分布数据集。
2.根据权利要求1所述基于红树林生态系统分布数据集的构建方法，其特征在于，获取红树林生态系统的历史生态数据并对其进行生物类别划分，包括：
根据历史采集的有关红树林生态系统的各类数据，生成红树林生态系统的历史生态数据；
获取红树林生态系统历史生态数据中的生物信息数据；
基于生物信息数据中生物所处的环境类型及生物的形态特征对生物信息数据进行分类，根据生物所处的环境类型生成生物类别的第一分类信息，根据生物的形态特征生成生物类别的第二分类信息；
根据生物类别的第一分类信息和第二分类信息对生物信息数据进行生物类别划分。
3.根据权利要求2所述基于红树林生态系统分布数据集的构建方法，其特征在于，根据历史采集的有关红树林生态系统的各类数据，生成红树林生态系统的历史生态数据，包括：
通过线上数据库获取历年采集的红树林生态系统原始数据；
对获取的红树林生态系统原始数据按照采集年份及数据类型进行分类；
根据红树林生态系统原始数据的数据类型获取每种数据类型对应的数据处理方式；
根据每种数据类型对应的处理方式对对应的原始数据进行处理，获取处理结果；
根据经分类处理的红树林生态系统原始数据生成红树林生态系统的历史生态数据。
4.根据权利要求1所述基于红树林生态系统分布数据集的构建方法，其特征在于，获取每个生物类别中划分生物种类在红树林生态系统的区域种群密度数据，根据区域种群密度数据确定每个生物类别中划分生物种类的区域分布，包括：
基于红树林生态系统历史生态数据中的遥感地图数据按照预设大小对红树林生态系统进行区域划分；
获取每个生物类别中划分生物种类在每个划分区域的区域种群密度数据；
对每个生物类别中划分生物种类在每个区域的区域种群密度数据进行判断，确认该区域每个生物类别中划分生物种类的种群密度数据是否为零，若不为零，确认该区域存在对应划分生物种类；
根据每个区域的判断结果将确认存在对应划分生物种类的区域进行标记，在红树林生态系统的遥感地图数据中生成每个生物类别中划分生物种类的区域分布图像数据。
5.根据权利要求1所述基于红树林生态系统分布数据集的构建方法，其特征在于，将每个生物类别中划分生物种类的区域种群密度数据和每个生物类别中划分生物种类的区域分布进行关联，获取每个生物类别的空间分布数据及对应区域的种群密度总量，包括：
将遥感地图数据中生成的每个生物类别中划分生物种类的区域分布图像数据进行合并，确定每个生物类别的空间分布数据；
获取每个生物类别中划分生物种类在该划分生物种类分布区域的区域种群密度数据；
将每个生物类别中每个划分生物种类的区域种群密度数据进行叠加，确定每个生物类别在该生物类别空间分布区域的种群密度总量。
6.根据权利要求1所述基于红树林生态系统分布数据集的构建方法，其特征在于，根据每个生物类别的空间分布数据及对应区域的种群密度总量构建红树林生态系统的分布数据集，包括：
按照红树林生态系统历史生态数据的采集年份对每个生物类别的空间分布数据及对应区域的种群密度总量按照时间顺序进行分类；
按照不同年份，将每年每个生物类别的空间分布数据及该生物类别空间分布区域的种群密度总量按照生物类别以不同颜色标示在红树林生态系统的遥感图像数据中，生成红树林生态系统不同年份的分布图；
将红树林生态系统不同年份的分布图及每个生物类别的空间分布数据和该生物类别空间分布区域的种群密度总量进行处理，构建红树林生态系统的分布数据集。
7.根据权利要求6所述基于红树林生态系统分布数据集的构建方法，其特征在于，将红树林生态系统不同年份的分布图及每个生物类别的空间分布数据和该生物类别空间分布区域的种群密度总量进行处理，构建红树林生态系统的分布数据集，包括：
根据红树林生态系统不同年份的分布图生成历年红树林生态系统生物类别的空间及种群密度分布图集；
将红树林生态系统不同年份的分布图按照生物类别数据进行数据分离，将同一生物类别不同年份的空间分布数据以不同颜色在红树林生态系统的遥感地图上进行标记，分别生成每一生物类别的历年空间分布趋势图；
将红树林生态系统每一生物类别的历年种群密度总量按照采集年份的时间顺序分别生成折线统计图，构建每一生物类别的种群密度总量变化子数据集；
根据历年红树林生态系统生物类别的空间及种群密度分布图集，每一生物类别的历年空间分布趋势图及每一生物类别的种群密度总量变化子数据集进行数据标识，构建红树林生态系统的分布数据集。
8.根据权利要求7所述基于红树林生态系统分布数据集的构建方法，其特征在于，将红树林生态系统不同年份的分布图按照生物类别进行数据分离，将同一生物类别不同年份的空间分布数据以不同颜色在红树林生态系统的遥感地图上进行标记，分别生成每一生物类别的历年空间分布趋势图，包括：
将红树林生态系统不同年份的分布图按照每个分布图上的不同生物类别数据分离该年份每一生物类别的空间分布数据；
将红树林生态系统同一生物类别不同年份的空间分布数据在遥感地图数据上进行叠加处理，按照预设的年份与颜色的对应关系，对该生物类别不同年份的空间分布轮廓进行标记，分别生成每一生物类别的历年空间分布趋势图。
9.根据权利要求1所述基于红树林生态系统分布数据集的构建方法，其特征在于，所述方法还包括：使用抽样采集方法对红树林生态系统的历史生态数据进行数据可信度的采样评估，其步骤包括：
获取红树林生态系统的历史生态数据，对历史生态数据按照数据的采集年份进行分类，获得历年历史生态数据；
在历年历史生态数据中随机选取具有相关性的两项数据作为历史生态数据的可信度采样数据，分别计算历年所述两项数据的比值，确定比值为该年份所述两项数据的第一相关系数；
对历年可信度采样数据的第一相关系数进行预处理，将历年可信度采样数据的第一相关系数以可信度采样数据的采集时间点为横坐标，可信度采样数据的第一相关系数数值为纵坐标进行直角坐标系坐标变换；
对所有第一相关系数进行线性拟合，且确定该线性拟合方程的自变量为常数，获取线性拟合的结果；
将在直角坐标系中距线性拟合获得的直线方程纵坐标偏差度超过预设异常值阈值的第一相关系数作为异常值，将异常值使用历年可信度采样数据相关系数的中位数进行替换，获得经处理的历年可信度采样数据的第二相关系数；
根据经处理的历年可信度采样数据的第二相关系数计算所述第二相关系数的均值，使用历年可信度采样数据的第二相关系数及所述第二相关系数的均值计算历年可信度采样数据的标准差，根据标准差进行数据离散度评估，将标准差与历年可信度采样数据的第二相关系数均值之比作为数据离散程度；
根据可信度采样数据的数据离散度确认可信度采样数据的一致性，一致性数值确认为一减去可信度采样数据的数据离散度之差的百分比，将可信度采样数据的一致性数值作为红树林生态系统的历史生态数据的可信度采样评估结果。
10.根据权利要求1所述基于红树林生态系统分布数据集的构建方法，其特征在于，所述方法还包括：对遥感图像数据进行环境分析以确定各环境类型在红树林生态系统遥感图像数据中的占地比例及具体地形，生成红树林生态系统的环境类型分布数据集，其步骤包括：
获取红树林生态系统的遥感图像数据，将遥感图像数据根据采集年份进行分类；
通过线上海洋数据库获取红树林生态系统所处区域在采集年份的全年最大涨潮时间点和最大退潮时间点，从该年份的遥感图像数据中提取对应时间点的遥感图像；
获取红树林生态系统的遥感地图数据，从遥感地图数据中提取当地海岸线的图像，对海岸线的图像进行分割，得到海陆交界处的图像数据，分别提取海洋部分和陆地部分的图像灰度值；
对海洋部分和陆地部分的灰度值进行均值处理，得到海陆二值图，根据海陆二值图确定对遥感图像海洋和陆地部分进行分割的特征阈值；
对每个年份对应时间点的遥感图像进行处理，将对应时间点的遥感图像基于当地海陆二值图的特征阈值使用阈值分割方法将遥感图像分为海洋区域和陆地区域；
基于经处理的采集年份全年最大涨潮时间和最大退潮时间的遥感图像，将采集年份全年最大涨潮时间的陆地区域所在位置确定为陆地环境类型，将采集年份全年最大退潮时间的海洋区域所在位置确定为海洋环境类型，两区域之间的位置确定为潮间带环境类型；
将遥感图像上对应位置的环境类型在遥感地图数据上进行轮廓标记，计算各环境类型在地图上的占地比例；
将各环境类型在红树林生态系统遥感图像中的占地比例标注在遥感地图数据中，生成该采集年份的环境类型图像，使用历年环境数据图像建立红树林生态系统的环境类型分布数据集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310915177.3A CN116756572B (zh) | 2023-07-25 | 2023-07-25 | 基于红树林生态系统分布数据集的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310915177.3A CN116756572B (zh) | 2023-07-25 | 2023-07-25 | 基于红树林生态系统分布数据集的构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116756572A true CN116756572A (zh) | 2023-09-15 |
| CN116756572B CN116756572B (zh) | 2023-12-26 |
Family
ID=87947959
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310915177.3A Active CN116756572B (zh) | 2023-07-25 | 2023-07-25 | 基于红树林生态系统分布数据集的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116756572B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117011555A (zh) * | 2023-10-07 | 2023-11-07 | 广东海洋大学 | 一种基于遥感图像识别的红树林生态检测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103999736A (zh) * | 2014-05-19 | 2014-08-27 | 江苏大学 | 一种河口湿地红树林生态修复造林方法 |
| CN104573654A (zh) * | 2015-01-08 | 2015-04-29 | 中国林业科学研究院资源信息研究所 | 一种基于分层决策树的红树林提取方法 |
| JP2019024377A (ja) * | 2017-07-28 | 2019-02-21 | 国立大学法人 東京大学 | 藻場の種別分布と生物量の取得方法及び装置 |
| CN111666314A (zh) * | 2020-06-08 | 2020-09-15 | 广东省城乡规划设计研究院 | 基于多因子的风暴潮易损性评估方法、装置和计算机设备 |
| CN112765556A (zh) * | 2020-12-30 | 2021-05-07 | 中国空间技术研究院 | 一种基于密集时间遥感数据的新生红树林树龄评估方法 |
| CN112861837A (zh) * | 2020-12-30 | 2021-05-28 | 北京大学深圳研究生院 | 一种基于无人机的红树林生态信息智慧提取方法 |
| CN113269362A (zh) * | 2021-05-20 | 2021-08-17 | 中电建华东勘测设计研究院(郑州)有限公司 | 水电开发影响下基于关键生境因子辨识与修复的生物多样性保育方法 |
| CN114169673A (zh) * | 2021-10-28 | 2022-03-11 | 长江水资源保护科学研究所 | 一种多时相湖泊湿地水鸟群落多样性反演方法及系统 |
-
2023
- 2023-07-25 CN CN202310915177.3A patent/CN116756572B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103999736A (zh) * | 2014-05-19 | 2014-08-27 | 江苏大学 | 一种河口湿地红树林生态修复造林方法 |
| CN104573654A (zh) * | 2015-01-08 | 2015-04-29 | 中国林业科学研究院资源信息研究所 | 一种基于分层决策树的红树林提取方法 |
| JP2019024377A (ja) * | 2017-07-28 | 2019-02-21 | 国立大学法人 東京大学 | 藻場の種別分布と生物量の取得方法及び装置 |
| CN111666314A (zh) * | 2020-06-08 | 2020-09-15 | 广东省城乡规划设计研究院 | 基于多因子的风暴潮易损性评估方法、装置和计算机设备 |
| CN112765556A (zh) * | 2020-12-30 | 2021-05-07 | 中国空间技术研究院 | 一种基于密集时间遥感数据的新生红树林树龄评估方法 |
| CN112861837A (zh) * | 2020-12-30 | 2021-05-28 | 北京大学深圳研究生院 | 一种基于无人机的红树林生态信息智慧提取方法 |
| CN113269362A (zh) * | 2021-05-20 | 2021-08-17 | 中电建华东勘测设计研究院(郑州)有限公司 | 水电开发影响下基于关键生境因子辨识与修复的生物多样性保育方法 |
| CN114169673A (zh) * | 2021-10-28 | 2022-03-11 | 长江水资源保护科学研究所 | 一种多时相湖泊湿地水鸟群落多样性反演方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| MOHAMMED S. ABDEL-RAZIK: "Population structure and ecological performance of the mangrove Avicennia marina (Forssk.) Vierh. on the Arabian Gulf coast of Qatar", 《JOURNAL OF ARID ENVIRONMENTS》, vol. 20, no. 3, pages 331 - 338 * |
| 崔文浩等: "福田红树林湿地大型底栖动物与浮游动物调查研究", 《环境科学与管理》, vol. 45, no. 10, pages 173 - 176 * |
| 李伟: "福建洛阳江口红树林湿地动态变化研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》, no. 01, pages 027 - 46 * |
| 李宏伟: "兰州北山密点麻蜥种群密度, 栖息地选择及年龄结构研究", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》, no. 06, pages 006 - 235 * |
| 李蕙: "长江口滨海湿地生态系统多稳态特征及形成机制研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》, no. 01, pages 027 - 134 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117011555A (zh) * | 2023-10-07 | 2023-11-07 | 广东海洋大学 | 一种基于遥感图像识别的红树林生态检测方法 |
| CN117011555B (zh) * | 2023-10-07 | 2023-12-01 | 广东海洋大学 | 一种基于遥感图像识别的红树林生态检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116756572B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Alvarez et al. | Improvement of plankton biovolume estimates derived from image-based automatic sampling devices: application to FlowCAM | |
| CN108595414B (zh) | 基于源汇空间变量推理的土壤重金属企业污染源识别方法 | |
| Lu et al. | How to automate timely large-scale mangrove mapping with remote sensing | |
| CN116756572B (zh) | 基于红树林生态系统分布数据集的构建方法 | |
| CN109063754A (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
| CN116337146B (zh) | 基于改进遥感生态指数的生态质量评价与分区方法及装置 | |
| CN116128350A (zh) | 一种铁路廊道生物多样性价值的评估方法及评估装置 | |
| Yeo et al. | Classification and mapping of saltmarsh vegetation combining multispectral images with field data | |
| CN115240060A (zh) | 一种海星灾害预警方法及系统 | |
| Wan et al. | Mapping annual urban change using time series Landsat and NLCD | |
| Turak et al. | Multi-attribute ecological river typology for assessing ecological condition and conservation planning | |
| CN110569733A (zh) | 基于遥感大数据平台的湖泊长时序连续水域变化重建方法 | |
| CN113449982A (zh) | 基于控制性生态因子比尺的湖泊生态水文节律确定方法 | |
| Murray et al. | Using fractal analysis of crown images to measure the structural condition of trees | |
| CN115035417A (zh) | 一种基于Sentinel-2卫星影像的海草分布图生成方法 | |
| CN113269464B (zh) | 一种生态恢复评估方法和生态恢复评估装置 | |
| CN115271332A (zh) | 一种旱情监测方法 | |
| CN114372676A (zh) | 一种湿地生态空间受损程度的计算方法及装置 | |
| CN114202551A (zh) | 一种喀斯特石漠化的分级制图方法及装置 | |
| Jepsen et al. | Intercalibration of fish-based methods to evaluate river ecological quality | |
| Bonala et al. | Integration of machine learning in the spatio-temporal analysis of mangrove forest | |
| Awuah | Effects of spatial resolution, land-cover heterogeneity and different classification methods on accuracy of land-cover mapping | |
| Bashar et al. | WATER AND VEGETATION COVER CHANGE DETECTION USING MULTISPECTRAL SATELLITE IMAGERY: A CASE STUDY ON JHENAIDAH DISTRICT OF BANGLADESH | |
| Putrajaya et al. | Analysis of Vegetation Density Using Landsat 8 Imagery for Mapping Characteristics of Green Open Space in Denpasar City | |
| CN116645012B (zh) | 一种城市边缘区空间范围的高精度动态识别方法 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Construction method based on mangrove ecosystem distribution dataset Granted publication date: 20231226 Pledgee: China Co. truction Bank Corp Guangzhou Liwan branch Pledgor: Zhonghuan Yuen (Guangdong) Ecology Technology Co.,Ltd. Registration number: Y2024980021126 |