CN116776611A - 一种基于结构方程模型的植被变化预估方法 - Google Patents
一种基于结构方程模型的植被变化预估方法 Download PDFInfo
- Publication number
- CN116776611A CN116776611A CN202310756853.7A CN202310756853A CN116776611A CN 116776611 A CN116776611 A CN 116776611A CN 202310756853 A CN202310756853 A CN 202310756853A CN 116776611 A CN116776611 A CN 116776611A
- Authority
- CN
- China
- Prior art keywords
- structural equation
- equation model
- model
- vegetation
- change
- 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
- 230000008859 change Effects 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000000694 effects Effects 0.000 claims abstract description 45
- 238000012417 linear regression Methods 0.000 claims abstract description 18
- 238000013178 mathematical model Methods 0.000 claims abstract description 15
- 238000011160 research Methods 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims description 25
- 238000000513 principal component analysis Methods 0.000 claims description 10
- 238000012876 topography Methods 0.000 claims description 10
- 238000001556 precipitation Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000009736 wetting Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013499 data model Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于结构方程模型的植被变化预估方法,获取研究区内在时间序列上的植被指数、影响地表植被变化的潜变量、各潜变量所对应的观察变量;设计初始结构方程模型;判断初始结构方程模型是否有理论唯一解;在各观察变量内选取第一样本点,根据第一样本点在时间序列上做线性回归,得到各第一样本点的变化趋势;将初始结构方程模型转化为数学模型;将各第一样本点的变化趋势作为第二样本点导入数学模型,得到结构方程模型结果;建立植被变化趋势预估模型、进行植被变化预估。本发明用以解决现有技术中的地表植被预估方法由于考虑因素片面、难以量化而导致的预估效果不佳的问题,实现提高植被变化预估的准确性的目的。
Description
技术领域
本发明涉及地表植被的动态变化预估领域,具体涉及一种基于结构方程模型的植被变化预估方法。
背景技术
地表植被的动态变化情况受到多种因素的综合作用。植被减少导致的草场退化、土地沙化、森林减少等现象会对生态环境、水资源和农业经济造成重要影响。有效预估地表植被变化有助于土地科学防治,降低土壤退化导致的社会财产损失。
现有的植被变化预估方法中,大多基于不同时期植被遥感等数据,采用时间变化趋势预估植被变化的方法忽略导致地表植被演变的物理过程,即是基于植被指数或影响植被变化的驱动因子,采用趋势回归分析法较为定性的预估地表植被的变化。然而,现有的预估技术中考虑的驱动因子不够完善,无法明确各驱动因子与植被的量化关系,这对于土地科学治理和区域环境整治带来了重大难题;如存在如何有效量化不同驱动因子的影响大小的问题。
所以,现有技术中针对地表植被变化的预估方法至少存在如下问题:(1)未能考虑植被变化的影响成因;(2)表征植被变化的驱动因子不够全面,无法全面体现多因素的综合作用;(3)未能有效量化各驱动因子对植被变化的贡献大小,造成预估困难。
综上,现有的预估方法无法准确的预估植被变化,对于生态环境治理带来严峻挑战。
发明内容
本发明提供一种基于结构方程模型的植被变化预估方法,以解决现有技术中的地表植被预估方法由于考虑因素片面、难以量化而导致的预估效果不佳的问题,实现提高植被变化预估的准确性的目的。
本发明通过下述技术方案实现:
一种基于结构方程模型的植被变化预估方法,包括以下步骤:
S1、获取研究区内在时间序列上的植被指数;获取研究区内在时间序列上,影响地表植被变化的潜变量、以及各潜变量所对应的观察变量;
S2、基于所述潜变量和观察变量,以所述植被指数作为被观察对象,设计初始结构方程模型;
S3、判断所述初始结构方程模型是否有理论唯一解,若无理论唯一解,调整所述初始结构方程模型中的路径,直至初始结构方程模型具有理论唯一解;
S4、在各观察变量内选取第一样本点,根据第一样本点在时间序列上做线性回归,得到各第一样本点的变化趋势;将所述初始结构方程模型转化为数学模型;
S5、将各第一样本点的变化趋势作为第二样本点,以第二样本点导入所述数学模型,得到结构方程模型结果;
S6、基于所述结构方程模型结果,建立植被变化趋势预估模型、进行植被变化预估。
针对现有技术中的地表植被预估方法的预估效果有限的问题,本发明提出一种基于结构方程模型的植被变化预估方法,本方法首先在时间序列上,获取研究区内的植被指数(NDVI)、影响地表植被变化的潜变量、以及各潜变量所对应的观察变量。其中每个潜变量所对应的观察变量数量不限。然后基于植被指数、潜变量和观察变量,设计初始结构方程模型,在设计的初始结构方程模型中,以植被指数作为被观察对象,即是各路径的终点均指向植被指数。然后对初始结构方程模型进行验证,判断其是否有理论唯一解,若无理论唯一解,调整初始结构方程模型中的路径,直至初始结构方程模型具有理论唯一解。之后提取第一样本点,做时间序列上的线性回归,根据回归结果得到各第一样本点的变化趋势,将其作为第二样本点,导入至由初始结构方程模型转化而成的数学模型中,得到所需的结构方程模型结果,根据结构方程模型结果中观察变量对潜变量及植被指数的影响效应值,构建植被变化趋势预估模型,即可通过观察变量的变化预估植被变化。
本方法相较于现有技术而言,充分考虑了各潜变量和对应观察变量对植被变化情况的综合影响,能够有效实现各影响因素对植被指数影响程度的量化,基于各影响因素的时空变化实现了植被在时空尺度的动态预估,进而显著提高了植被变化预估的准确性,为土地科学治理和区域环境整治提供了更为科学合理的依据。
进一步的,所述潜变量包括地形、气候因素和人类活动;
所述地形所对应的观察变量包括坡度、高程和地形湿润指数;
所述气候因素所对应的观察变量包括年平均降水、年平均温度;
所述人类活动所对应的观察变量包括人口密度、夜间灯光和土地利用。
本方案对潜变量和观察变量的选择做出限定,其中地形、气候因素和人类活动均是驱动地表植被发生变化的核心驱动因子。对于潜变量地形而言,至少采用坡度、高程和地形湿润指数进行表征;对于潜变量气候因素而言,至少采用年平均降水和年平均温度进行表征;对于潜变量人类活动而言,至少采用人口密度、夜间灯光和土地利用进行表征。本方案能够提高地表植被预估过程中对驱动因子的综合考量效果,有利于体现多因素的综合作用。
进一步的,步骤S2中设计的初始结构方程模型包括:各潜变量对所述植被指数的直接影响路径,以及潜变量地形通过潜变量人类活动对所述植被指数的间接影响路径、潜变量人类活动通过潜变量气候因素对所述植被指数的间接影响路径。
本方案所设计的初始结构方程模型,考虑了各潜变量对植被指数的直接影响,以及地形间接通过人类活动对植被指数的影响、人类活动间接通过气候因素对植被指数影响;即是,本方案的初始结构方程模型中不仅考虑各潜变量对植被变化的直接作用,还考虑了地形不同而导致的人类活动程度的差异、以及人类活动对研究区内气候因素的干扰,有利于获得更加准确的植被变化预估结果。
进一步的,判断所述初始结构方程模型是否有理论唯一解的方法为:计算所述初始结构方程模型的模型自由度,若模型自由度大于0,认为具有理论唯一解;否则,认为不具有理论唯一解。
进一步的,所述模型自由度通过如下方法计算:用初始结构方程模型中所有观察变量中的方差与协方差数量之和,减去初始结构方程模型中的待估计参数数量,得到模型自由度;其中,所述待估计参数包括各观察变量所生成的因子载荷、每条路径的路径系数、模型中的残差项。
其中模型自由度大于0,即是模型可通过识别,因此认为对该模型进行参数估计理论上可以得到唯一解。
进一步的,步骤S4包括:
S401、针对数值型的观察变量,采用空间随机抽样或选择全部格点的方式确定第一样本点;
S402、在时间序列上,采用一元线性回归模型做线性回归,计算出各第一样本点的变化趋势;
S403、针对离散型的观察变量,在时间序列上:若变量发生改变则取值为0,若变量未发生改变则取值为1;
S404、利用结构方程建模工具将所述初始结构方程模型转化为数学模型。
本方案将观察变量根据其数据类型,分为数值型和离散型。对于数值型的观察标量选择第一样本点,选择方法可以是空间随机抽样,也可采用将全部格点作为采样点的方式。本方案中对第一样本点的线性回归采用一元线性回归模型完成,一元线性回归的回归斜率即为所需的变化趋势。此外对于离散型的观察变量而言,根据变量是否发生变化进行赋值即可。之后,即可利用结构方程建模工具将得到的初始结构方程模型转化为数学模型,便于进行后续的定量计算。
进一步的,步骤S5中得到结构方程模型结果后,判断拟合指标是否全部达标;若拟合指标未全部达标,则对所述结构方程模型结果做第一次修正。
本方案在得到结构方程模型结果后,对模型准确性进行验证和修正。其中拟合指标的达标标准根据实际工况提前预设,在此不做限定。
进一步的,所述第一次修正的方法包括:
S501、回到步骤S2,为所述初始结构方程模型增加1条间接影响路径;
S502、重复执行步骤S3~S5,直至拟合指标全部达标。
具体的,当拟合指标未全部达标时,回到步骤S2中对初始结构方程模型的设计阶段,为初始结构方程模型增加1条间接影响路径,然后再次执行步骤S3~S5,得到新的结构方程模型结果,再次判断拟合指标是否全部达标;若拟合指标全部达标,则可进入后续的步骤S6;否则,继续回到步骤S2,再为初始结构方程模型增加1条间接影响路径,以此循环直至拟合指标全部达标。
需要说明的是,本申请中的第一次修正,是为了与后续步骤中可能出现的第二次、第三次修正做区分而定义的术语,其并不对单个修正的次数起任何限定作用。
进一步的,若初始结构方程模型已经增加完所有的间接影响路径后,拟合指标仍未全部达标,则采用如下方法做第二次修正:
S503、对所有观察变量做主成分分析,根据潜变量类别划分主成分类别;
S504、根据主成分分析结果,检查是否有观察变量被分配到了不对应的潜变量类别里;若有,则回到步骤S2,从初始结构方程模型中删除分配错误的观察变量。
此外,发明人在深入研究的过程中发现,在某些工况下,即使已经在初始结构方程模型内增加完所有的间接影响路径,拟合指标仍无法全部达标。针对这类工况,本方案提出第二次修正的方法,该方法对所有观察变量做主成分分析,并根据潜变量类别划分主成分类别,如潜变量类别为地形、气候因素和人类活动三类,那么则将主成分也划分为地形、气候因素和人类活动三类。之后,根据对观察变量的主成分分析结果,检查是否有观察变量被分配到了不对应的潜变量类别里,并对分配错误的观察变量做删除处理,基于删除后的观察变量建立新的初始结构方程模型,并以新的初始结构方程模型为依据重新得到结构方程模型结果。
进一步的,若从初始结构方程模型中删除分配错误的观察变量后,拟合指标仍未全部达标,或结构方程模型结果中至少一个观察变量在对应潜变量上的因子载荷的绝对值大于1,则采用如下方法做第三次修正:回到步骤S4,将步骤S4中的线性回归替换为如下趋势公式:ε=Xend-Xbegin;式中:ε表示第一样本点在研究期内的变化,Xend表示第一样本点在研究期最后一年的数值大小,Xbegin表示第一样本点在研究期初始年的数值大小。
发明人在深入研究的过程中发现,在某些工况下,在删除分配错误的观察变量后,拟合指标仍无法全部达标,或结构方程模型结果中存在因子载荷的绝对值大于1。针对这类工况,本方案提出第三次修正方法,将对第一样本点的线性回归替换为采用公式ε=Xend-Xbegin做回归计算,此种方式可消除第二次修正后模型依然无法达标的情况,保证模型结果与拟合指数均能够复现。
其中,本方案中的因子载荷表示某观察变量与对应的潜变量之间的相关系数,采用现有统计学方法计算即可,在此不做赘述。
本发明与现有技术相比,具有如下的优点和有益效果:
1、本发明一种基于结构方程模型的植被变化预估方法,充分考虑了各潜变量和对应观察变量对植被变化情况的综合影响,能够有效实现各影响因素对植被指数影响程度的量化,基于各影响因素的时空变化实现了植被在时空尺度的动态预估,进而显著提高了植被变化预估的准确性,为土地科学治理和区域环境整治提供了更为科学合理的依据。
2、本发明一种基于结构方程模型的植被变化预估方法,提高了地表植被预估过程中对驱动因子的综合考量效果,有利于体现多因素的综合作用。
3、本发明一种基于结构方程模型的植被变化预估方法,在初始结构方程模型中不仅考虑各潜变量对植被变化的直接作用,还考虑了地形不同而导致的人类活动程度的差异、以及人类活动对研究区内气候因素的干扰,有利于获得更加准确的植被变化预估结果。
4、本发明一种基于结构方程模型的植被变化预估方法,对所建立的初始结构方程模型进行了可行性验证,保证了后续计算的有效性。
5、本发明一种基于结构方程模型的植被变化预估方法,提出了对结构方程模型结果的验证和修正方法,更加有利于提高对植被变化预估结果的准确性。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明具体实施例的流程示意图;
图2为本发明具体实施例中设计的初始结构方程模型;
图3为本发明具体实施例的验证结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1:
如图1所示的一种基于结构方程模型的植被变化预估方法,包括以下步骤:
S1、获取研究区内在时间序列上的植被指数;获取研究区内在时间序列上,影响地表植被变化的潜变量、以及各潜变量所对应的观察变量。其中:
所述潜变量包括地形、气候因素和人类活动;
所述地形所对应的观察变量包括坡度、高程和地形湿润指数;
所述气候因素所对应的观察变量包括年平均降水、年平均温度;
所述人类活动所对应的观察变量包括人口密度、夜间灯光和土地利用。
S2、基于所述潜变量和观察变量,以所述植被指数作为被观察对象,设计初始结构方程模型。
所设计的初始结构方程模型中,各潜变量对所述植被指数的直接影响路径,以及潜变量地形通过潜变量人类活动对所述植被指数的间接影响路径、潜变量人类活动通过潜变量气候因素对所述植被指数的间接影响路径。
S3、判断所述初始结构方程模型是否有理论唯一解,若无理论唯一解,调整所述初始结构方程模型中的路径,直至初始结构方程模型具有理论唯一解。判断方法为:计算所述初始结构方程模型的模型自由度,若模型自由度大于0,认为具有理论唯一解;否则,认为不具有理论唯一解。
其中,模型自由度通过如下方法计算:用初始结构方程模型中所有观察变量中的方差与协方差数量之和,减去初始结构方程模型中的待估计参数数量,得到模型自由度;其中,所述待估计参数包括各观察变量所生成的因子载荷、每条路径的路径系数、模型中的残差项。
S4、在各观察变量内选取第一样本点,根据第一样本点在时间序列上做线性回归,得到各第一样本点的变化趋势;将所述初始结构方程模型转化为数学模型;具体过程包括:
S401、针对数值型的观察变量,采用空间随机抽样或选择全部格点的方式确定第一样本点;
S402、在时间序列上,采用一元线性回归模型做线性回归,计算出各第一样本点的变化趋势;
S403、针对离散型的观察变量,在时间序列上:若变量发生改变则取值为0,若变量未发生改变则取值为1;
S404、利用结构方程建模工具将所述初始结构方程模型转化为数学模型。
S5、将各第一样本点的变化趋势作为第二样本点,以第二样本点导入所述数学模型,得到结构方程模型结果;得到结构方程模型结果后,判断拟合指标是否全部达标;若拟合指标未全部达标,则对所述结构方程模型结果做第一次修正。第一次修正的方法包括:
S501、回到步骤S2,为所述初始结构方程模型增加1条间接影响路径;
S502、重复执行步骤S3~S5,直至拟合指标全部达标。
若初始结构方程模型已经增加完所有的间接影响路径后,拟合指标仍未全部达标,则采用如下方法做第二次修正:
S503、对所有观察变量做主成分分析,根据潜变量类别划分主成分类别;
S504、根据主成分分析结果,检查是否有观察变量被分配到了不对应的潜变量类别里;若有,则回到步骤S2,从初始结构方程模型中删除分配错误的观察变量。
若从初始结构方程模型中删除分配错误的观察变量后,拟合指标仍未全部达标或结构方程模型结果中至少一个因子载荷的绝对值大于1,则采用如下方法做第三次修正:回到步骤S4,将步骤S4中的线性回归替换为如下回归公式:ε=Xend-Xbegin;
式中:ε表示第一样本点在研究期内的变化,Xend表示第一样本点在研究期最后一年的数值大小,Xbegin表示第一样本点在研究期初始年的数值大小。
S6、基于所述结构方程模型结果,得到观察变量对潜变量及植被指数的影响效应值,建立植被变化趋势预估模型、进行植被变化预估。
实施例2:
基于实施例1中所记载的预估方法,本实施例以四川省作为研究区为例,详细阐述本申请中的植被变化预估过程,并对预估结果进行验证。具体的:
(一)搜集2000-2020年具有空间分布的年平均降水、年平均温度、坡度、高程、地形湿润指数、人口密度、夜间灯光、土地利用和NDVI数据;
其中地形湿度指数TWI通过如下公式计算:式中,α为单位等高线长度集水面积,β为坡度。
(二)设计初始结构方程模型如图2所示。模型中的三个潜变量分别为气候、地形和人类活动。采用年均气温与年均降水两个观察变量表征气候因素。采用坡度、高程和地形湿度指数三个观察变量表征地形因素。人采用人口密度、夜间灯光和土地利用三个观察变量表征类活动因素。模型中地形、人类活动与气候三个潜变量都分别会对植被指数NDVI产生直接影响,间接考虑地形通过人类活动对NDVI变化产生影响,和人类活动间接通过气候因素影响NDVI变化,模型中共计5条路径。
(三)通过观察变量中的方差与协方差数量之和减去与待估计参数,计算模型自由度。得出模型存在理论唯一解。
本实施例中,观察变量中的方差与协方差数量之和为:6+6+3+1=16(地形因素、人类活动因素中都有三个观察变量,而3个观察变量会有3个方差,两两观察变量间又会生成3个协方差,所以其各有6个数据点;气候因素中有2个观察变量,2个观察变量会有2个方差及1个协方差,数据点数为3;观察变量NDVI有一个方差,数据点数为1);待估计参数的数量为:2+2+1+5+3=13(其中地形因素与人类活动因素的观察变量都会生成2个因子载荷,气候因素的观察变量会生成1个因子载荷,模型中共有5条路径,所以路径系数值有5个,同时模型中有3个残差项)。
可以看出,本实施例中,模型自由度=16-13=3,因此初步设定的初始结构方程模型可通过模型识别,对模型进行参数估计理论上可以得到唯一解。
(四)将空间分辨率统一为5km×5km,在空间上随机抽取19502个采样点。
针对数值型的观察变量:分别采用一元回归计算年平均降水、年平均温度、坡度、高程、地形湿润指数、人口密度、夜间灯光和NDVI指数趋势变化,计算公式见公式为:
式中:S表示观察变量的变化趋势,fnk表示第k年变量的数值,n为观测时段的总年数,由于本实施例的研究时间范围是2000-2019年,所以n=20。
若计算后S>0,说明在研究时段内变量呈增加、上升趋势,反之若S<0,则说明变量在研究时段内呈下降趋势。
由于土地利用为离散型数据,因此在发生变化的采样点赋值标记为0,没有发生变化的采样点赋值标记为1。
之后利用结构方程建模工具AMOS,将初始结构方程模型转化成数学模型,将观察变量的趋势变化值导入数学模型中。
(五)对数学模型进行拟合迭代,迭代结束后得到的实际拟合指标如表1所示:
表1实际拟合指标
GFI | RMSEA | RMR | CFI | NFI | AGFI | SRMR | AIC | |
真实值 | 0.933 | 0.118 | 321.24 | 0.799 | 0.799 | 0.869 | - | 6262.45 |
将得到的全部拟合指标,与达标标准进行判断。本实施例中采用的达标标准如表2所示:
表2拟合指标达标标准
可以看出,本实施例中,RMSEA、RMR、CFI、NFI、AGFI均未达标,因此进行第一次修正:
(1)添加地形通过气候因素间接影响NDVI的模型路径,重新运行模型,运行后得到的模型实际拟合指数如表3所示:
表3第一次修正后的实际拟合指标
GFI | RMSEA | RMR | CFI | NFI | AGFI | SRMR | AIC | |
真实值 | 0.936 | 0.116 | 0.0634 | 0.813 | 0.813 | 0.874 | - | 5835.39 |
通过表3可以看出,虽然拟合效果优于表1所体现的原始模型,但仍未全部达到标准。因此,本实施例继续添加间接影响路径,直至添加完所有可能出现的间接影响路径后,拟合指标仍未全部达标,所以进行第二次修正。
(2)对模型中的观察变量进行主成分分析,选取3个主成分。基于气候、地形和人类活动3个角度解释主成分,发现主成分结果中的高程及土地利用存在分类错误,故删除高程和土地利用这两个观察变量。
经过第二次修正后,重新采用结构化方程运行模型。模型运行迭代次数93次,模型拟合指标如表4所示,全部满足拟合标准。
表4第二次修正后的实际拟合指标
GFI | RMSEA | RMR | CFI | NFI | AGFI | SRMR | AIC | |
真实值 | 0.936 | 0.049 | 0.0252 | 0.973 | 0.972 | 0.98 | - | 476.6 |
之后计算各路径的因子载荷,计算结果如表5所示。
表5路径系数与因子载荷
可以看出,夜间灯光在人类活动上的因子载荷值与年平均降水在气候上的因子载荷值的绝对值大于1。因此进行第三次修正:
(3)利用各观察变量在2019年的数值减去2000年的数值来表示观测变量的趋势,公式为:ε=X2019-X2000。
式中,ε表示对应观察变量在2000-2019年的变化情况,X2019表示对应观察变量在2019年的数值大小,X2000表示对应观察变量在2000年的数值大小。
修正后的实验样本数据主成分分析符合实际,模型运行稳定。模型拟合指数均符合标准,潜变量间的路径系数值、观察变量在潜变量上的因子载荷值经过标准化后的路径系数值与因子载荷值取值范围也在(-1,1)区间内。
(六)基于上述步骤得到的结构方程模型结果,计算各潜变量对NDVI变化影响的总影响效应值,计算结果如表6所示:
表6总影响效应值
根据上表,可建立植被变化趋势预估模型如下,即可使用该模型进行植被变化预估:
climate=0.136*tmp+(-0.918)*pre
person=0.124*pop+(-0.553)*light
terrain=0.815*slope*(-0.681)*twi
ndvi=0.219*climate+(-0.022)*terrain+0.365*person
其中,ndvi表示植被变化,climate表示气候因素的变化,tmp为年平均温度的变化,pre为年平均降水变化,person表示人类活动因素的变化,pop为人口密度变化,light为夜间灯光变化,terrain表示地形因素的变化,slope为坡度变化,twi为地形湿度指数变化。模型中的系数值即是来自于表6中的总影响系数。
本实施例以2020年四川省为例进行了植被变化预估的验证,验证结果如图3所示。
图3中的左图为2020年的真实NDVI变化数据,图3中的右图为根据实施例预估的2020年的预估NDVI变化数据。从图3中可以看出,预估的变化趋势与真实变化趋势相吻合,证明了本申请具有极高的预估准确性,验证了本申请的工程可行性。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不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,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
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”或者其任何其它变体,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。此外,在本文中使用的术语“连接”在不进行特别说明的情况下,可以是直接相连,也可以是经由其他部件间接相连。
Claims (10)
1.一种基于结构方程模型的植被变化预估方法,其特征在于,包括以下步骤:
S1、获取研究区内在时间序列上的植被指数;获取研究区内在时间序列上,影响地表植被变化的潜变量、以及各潜变量所对应的观察变量;
S2、基于所述潜变量和观察变量,以所述植被指数作为被观察对象,设计初始结构方程模型;
S3、判断所述初始结构方程模型是否有理论唯一解,若无理论唯一解,调整所述初始结构方程模型中的路径,直至初始结构方程模型具有理论唯一解;
S4、在各观察变量内选取第一样本点,根据第一样本点在时间序列上做线性回归,得到各第一样本点的变化趋势;将所述初始结构方程模型转化为数学模型;
S5、将各第一样本点的变化趋势作为第二样本点,以第二样本点导入所述数学模型,得到结构方程模型结果;
S6、基于所述结构方程模型结果,建立植被变化趋势预估模型、进行植被变化预估。
2.根据权利要求1所述的一种基于结构方程模型的植被变化预估方法,其特征在于,所述潜变量包括地形、气候因素和人类活动;
所述地形所对应的观察变量包括坡度、高程和地形湿润指数;
所述气候因素所对应的观察变量包括年平均降水、年平均温度;
所述人类活动所对应的观察变量包括人口密度、夜间灯光和土地利用。
3.根据权利要求2所述的一种基于结构方程模型的植被变化预估方法,其特征在于,步骤S2中设计的初始结构方程模型包括:各潜变量对所述植被指数的直接影响路径,以及潜变量地形通过潜变量人类活动对所述植被指数的间接影响路径、潜变量人类活动通过潜变量气候因素对所述植被指数的间接影响路径。
4.根据权利要求1所述的一种基于结构方程模型的植被变化预估方法,其特征在于,判断所述初始结构方程模型是否有理论唯一解的方法为:计算所述初始结构方程模型的模型自由度,若模型自由度大于0,认为具有理论唯一解;否则,认为不具有理论唯一解。
5.根据权利要求4所述的一种基于结构方程模型的植被变化预估方法,其特征在于,所述模型自由度通过如下方法计算:用初始结构方程模型中所有观察变量中的方差与协方差数量之和,减去初始结构方程模型中的待估计参数数量,得到模型自由度;其中,所述待估计参数包括各观察变量所生成的因子载荷、每条路径的路径系数和模型中的残差项。
6.根据权利要求1所述的一种基于结构方程模型的植被变化预估方法,其特征在于,步骤S4包括:
S401、针对数值型的观察变量,采用空间随机抽样或选择全部格点的方式确定第一样本点;
S402、在时间序列上,采用一元线性回归模型做线性回归,计算出各第一样本点的变化趋势;
S403、针对离散型的观察变量,在时间序列上:若变量发生改变则取值为0,若变量未发生改变则取值为1;
S404、利用结构方程建模工具将所述初始结构方程模型转化为数学模型。
7.根据权利要求1所述的一种基于结构方程模型的植被变化预估方法,其特征在于,步骤S5中得到结构方程模型结果后,判断拟合指标是否全部达标;若拟合指标未全部达标,则对所述结构方程模型结果做第一次修正。
8.根据权利要求7所述的一种基于结构方程模型的植被变化预估方法,其特征在于,所述第一次修正的方法包括:
S501、回到步骤S2,为所述初始结构方程模型增加1条间接影响路径;
S502、重复执行步骤S3~S5,直至拟合指标全部达标。
9.根据权利要求8所述的一种基于结构方程模型的植被变化预估方法,其特征在于,若初始结构方程模型已经增加完所有的间接影响路径后,拟合指标仍未全部达标,则采用如下方法做第二次修正:
S503、对所有观察变量做主成分分析,根据潜变量类别划分主成分类别;
S504、根据主成分分析结果,检查是否有观察变量被分配到了不对应的潜变量类别里;若有,则回到步骤S2,从初始结构方程模型中删除分配错误的观察变量。
10.根据权利要求8所述的一种基于结构方程模型的植被变化预估方法,其特征在于,若从初初始结构方程模型中删除分配错误的观察变量后,拟合指标仍未全部达标,或结构方程模型结果中至少一个观察变量在对应潜变量上的因子载荷的绝对值大于1,则采用如下方法做第三次修正:回到步骤S4,将步骤S4中的线性回归替换为如下趋势公式:
ε=Xend-Xbegin;
式中:ε表示第一样本点在研究期内的变化,Xend表示第一样本点在研究期最后一年的数值大小,Xbegin表示第一样本点在研究期初始年的数值大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310756853.7A CN116776611B (zh) | 2023-06-25 | 2023-06-25 | 一种基于结构方程模型的植被变化预估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310756853.7A CN116776611B (zh) | 2023-06-25 | 2023-06-25 | 一种基于结构方程模型的植被变化预估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116776611A true CN116776611A (zh) | 2023-09-19 |
CN116776611B CN116776611B (zh) | 2024-03-08 |
Family
ID=88013009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310756853.7A Active CN116776611B (zh) | 2023-06-25 | 2023-06-25 | 一种基于结构方程模型的植被变化预估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116776611B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020077349A1 (en) * | 1999-11-03 | 2002-06-20 | Hamilton Nathan D. | Method of treating age-related vision impairment |
CN109033701A (zh) * | 2018-08-22 | 2018-12-18 | 北京林业大学 | 一种基于水土保持功能的黄土高原林分结构设计方法 |
CN110504034A (zh) * | 2019-08-28 | 2019-11-26 | 首都医科大学 | 基于多元信息融合的健康生活方式指导系统及方法 |
CN112651108A (zh) * | 2020-12-07 | 2021-04-13 | 中国水利水电科学研究院 | 一种解耦气象要素和植被动态对水文要素影响的方法 |
CN113671130A (zh) * | 2021-08-24 | 2021-11-19 | 上海交通大学 | 一种界面阻隔对稻田杂草防控机制的研究方法 |
CN114723330A (zh) * | 2022-05-06 | 2022-07-08 | 安徽理工大学 | 一种基于结构方程模型的植被变化影响因素评价方法 |
CN114881834A (zh) * | 2022-06-08 | 2022-08-09 | 生态环境部南京环境科学研究所 | 城市群生态系统服务的驱动关系分析方法及系统 |
CN115330435A (zh) * | 2022-07-18 | 2022-11-11 | 上海金仕达软件科技有限公司 | 一种碳排放权价格指标体系建立方法、装置、设备及介质 |
CN115907349A (zh) * | 2022-11-04 | 2023-04-04 | 合肥工业大学 | 一种基于结构方程模型的多模式影响因素预测方法 |
-
2023
- 2023-06-25 CN CN202310756853.7A patent/CN116776611B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020077349A1 (en) * | 1999-11-03 | 2002-06-20 | Hamilton Nathan D. | Method of treating age-related vision impairment |
CN109033701A (zh) * | 2018-08-22 | 2018-12-18 | 北京林业大学 | 一种基于水土保持功能的黄土高原林分结构设计方法 |
CN110504034A (zh) * | 2019-08-28 | 2019-11-26 | 首都医科大学 | 基于多元信息融合的健康生活方式指导系统及方法 |
CN112651108A (zh) * | 2020-12-07 | 2021-04-13 | 中国水利水电科学研究院 | 一种解耦气象要素和植被动态对水文要素影响的方法 |
CN113671130A (zh) * | 2021-08-24 | 2021-11-19 | 上海交通大学 | 一种界面阻隔对稻田杂草防控机制的研究方法 |
CN114723330A (zh) * | 2022-05-06 | 2022-07-08 | 安徽理工大学 | 一种基于结构方程模型的植被变化影响因素评价方法 |
CN114881834A (zh) * | 2022-06-08 | 2022-08-09 | 生态环境部南京环境科学研究所 | 城市群生态系统服务的驱动关系分析方法及系统 |
CN115330435A (zh) * | 2022-07-18 | 2022-11-11 | 上海金仕达软件科技有限公司 | 一种碳排放权价格指标体系建立方法、装置、设备及介质 |
CN115907349A (zh) * | 2022-11-04 | 2023-04-04 | 合肥工业大学 | 一种基于结构方程模型的多模式影响因素预测方法 |
Non-Patent Citations (1)
Title |
---|
吴启富 等: "基于结构方程的北京居民幸福指数因素分析", 《首都经济贸易大学学报》, pages 89 - 93 * |
Also Published As
Publication number | Publication date |
---|---|
CN116776611B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102024953B1 (ko) | 동적 특이치 바이어스 감소 시스템 및 방법 | |
Kuravsky et al. | A numerical technique for the identification of discrete-state continuous-time Markov models | |
CN105320809B (zh) | 一种针对风电场空间相关性的风速预测方法 | |
CN108920427B (zh) | 一种月尺度水文模型时变参数的动态估计方法 | |
Cournède et al. | Development and evaluation of plant growth models: Methodology and implementation in the pygmalion platform | |
Costa et al. | Clustering and forecasting of dissolved oxygen concentration on a river basin | |
CN106991285A (zh) | 一种短期风速多步预测方法及装置 | |
CN104504462B (zh) | 基于改良灰色bpnn和马氏链的汽车形态进化趋势预测方法 | |
Truesdell et al. | Estimating multinomial effective sample size in catch-at-age and catch-at-size models | |
CN116776611B (zh) | 一种基于结构方程模型的植被变化预估方法 | |
CN113011086A (zh) | 一种基于ga-svr算法森林生物量的估测方法 | |
CN117273799A (zh) | 一种基于sarima-lssvm的钢材产品需求量预测方法 | |
CN108051676B (zh) | 一种雷电流幅值累积概率分布曲线拟合计算方法 | |
Matilla-García et al. | Spatial Symbolic Entropy: A Tool for Detecting the Order of Contiguity. | |
CN115467742A (zh) | 一种基于iwoa-svr-eemd的共轨喷油器故障信号预处理方法 | |
CN114462873A (zh) | 一种配电网可靠性评估及其影响因素分析方法 | |
CN112330046A (zh) | 基于多维灰色-神经网络混合协调的电力需求预测方法 | |
CN113343468A (zh) | 一种sarima模型进行多步预测的方法、装置及设备 | |
CN109284320B (zh) | 大数据平台上的自动回归诊断方法 | |
CN111898666A (zh) | 一种随机森林算法结合模群种群的数据变量选择方法 | |
CN109471885B (zh) | 基于加权正负序列模式的数据分析方法及系统 | |
Naz | Forecasting daily maximum temperature of Umeå | |
CN111949933B (zh) | 小样本条件下水文频率分析中Frank Copula函数的参数估计方法 | |
CN116821589B (zh) | 促进生态服务功能提升的植被覆盖度恢复上限计算方法 | |
CN115545351A (zh) | 考虑藤结构优选的时变c藤非一致性径流预报预测方法和系统 |
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 |