CN116861637A - 植被生长状态和空间分布数值模拟方法、装置及介质 - Google Patents
植被生长状态和空间分布数值模拟方法、装置及介质 Download PDFInfo
- Publication number
- CN116861637A CN116861637A CN202310709791.4A CN202310709791A CN116861637A CN 116861637 A CN116861637 A CN 116861637A CN 202310709791 A CN202310709791 A CN 202310709791A CN 116861637 A CN116861637 A CN 116861637A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- ndvi
- photosynthesis
- rate
- carbon dioxide
- 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 57
- 238000004088 simulation Methods 0.000 title claims abstract description 52
- 230000012010 growth Effects 0.000 title claims abstract description 38
- 230000029553 photosynthesis Effects 0.000 claims abstract description 64
- 238000010672 photosynthesis Methods 0.000 claims abstract description 64
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 47
- 239000002689 soil Substances 0.000 claims abstract description 29
- 230000007613 environmental effect Effects 0.000 claims abstract description 28
- 230000007246 mechanism Effects 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 18
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 98
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 49
- 239000001569 carbon dioxide Substances 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 35
- 230000000694 effects Effects 0.000 claims description 26
- 239000011148 porous material Substances 0.000 claims description 20
- 108090000790 Enzymes Proteins 0.000 claims description 16
- 102000004190 Enzymes Human genes 0.000 claims description 16
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 14
- 229910052799 carbon Inorganic materials 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 14
- 229920006395 saturated elastomer Polymers 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 12
- 230000021523 carboxylation Effects 0.000 claims description 10
- 238000006473 carboxylation reaction Methods 0.000 claims description 10
- 230000002596 correlated effect Effects 0.000 claims description 10
- 230000000243 photosynthetic effect Effects 0.000 claims description 10
- 230000005855 radiation Effects 0.000 claims description 10
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000008635 plant growth Effects 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 101100083253 Caenorhabditis elegans pho-1 gene Proteins 0.000 claims description 5
- 238000010521 absorption reaction Methods 0.000 claims description 5
- 230000000422 nocturnal effect Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000009088 enzymatic function Effects 0.000 claims description 3
- 239000004973 liquid crystal related substance Substances 0.000 claims 2
- 238000011160 research Methods 0.000 description 7
- 108010003581 Ribulose-bisphosphate carboxylase Proteins 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000002091 cationic group Chemical group 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000027756 respiratory electron transport chain Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明公开了一种植被生长状态和空间分布数值模拟方法、装置及介质，该方法包括：获取数据集，所述数据集包括环境因子和遥感数据序列，基于所述数据集，拟合土壤含水量函数；确定光合作用机理公式系数；基于光合作用机理公式系数模拟植被NDVI，所述植被NDVI用于表征植被的生长状态和空间分布，根据植被NDVI模拟结果判读植被空间分布。本发明有助于在机理层面上理解环境因子对植被生长状态和空间分布的影响，能够在变化环境下更好地分析和模拟植被生长状态和空间分布的变化。
Description
技术领域
本发明涉及生态学及水文学领域，特别是涉及一种植被生长状态和空间分布数值模拟方法、装置及介质。
背景技术
植被的生长和分布变化是生态系统变化的主要驱动力。因此，明晰植被空间分布和生长状态对于研究生态系统的变化十分重要，对于认识生态系统的演变、保护生态系统十分重要。
受环境因子变化的影响，植被的生长状态和空间分布也会发生变化。植被生长状态和空间分布主要通过归一化植被指数(NDVI)等指标来表征。目前采取的模拟方法主要基于将NDVI等指标和环境因子建立统计联系，采用多元线性回归、机器学习模型等数学工具。该方法可以比较便利地显示环境因子变化对植被生长状态和空间分布的影响，因此在研究工作中采用地较为普遍。
根据文献调研，目前常用的研究方法依赖于统计关系描述环境因子对于植被生长状态和空间分布的影响，而这些统计关系难以全方位地考虑对植被生长产生和分布产生影响的环境因子，并且比较容易忽视环境因子对植被生长状态和空间分布的非线性影响。此外，这些研究方法采用了机器学习模型等黑箱模型，难以解释和迭代研究结果。
针对目前研究方法的缺陷，本发明全面考虑影响植被生长和分布的环境因子，考虑光合作用机理对植被生长和分布的影响，提出一种耦合物理机制的分析模型，在此基础上实现植被生长和分布对环境因子变化响应的模拟。本发明提出的方法与目前常用研究方法相比具有更坚固的物理基础，可以很好地描述植被生长状态和空间分布的变化，具有一定优势。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种植被生长状态和空间分布数值模拟方法、装置及介质，以解决植物生长状态和空间分布数值模拟的难点问题。
因此，本发明的技术方案是：
根据本发明的第一方面，提供一种植被生长状态和空间分布数值模拟方法，所述方法包括：
获取数据集，所述数据集包括环境因子和遥感数据序列，所述环境因子包括空气中二氧化碳浓度Ca、太阳短波辐射R、空气相对湿度RH、昼间/夜间地表温度Td/Tn、空气温度Ta以及代表水位Z，所述和遥感数据序列包括湿地像元尺度；
基于所述数据集，拟合土壤含水量函数；
确定光合作用机理公式系数；
基于光合作用机理公式系数模拟植被NDVI，所述植被NDVI用于表征植被的生长状态和空间分布，根据植被NDVI模拟结果判读植被空间分布。
进一步地，在获取数据集后，所述方法还包括：对数据集进行插补。
进一步地，所述对数据集进行插补，具体包括：
根据环境因子中各参数之间的相关关系对缺失的数据进行插补。
进一步地，所述基于所述数据集，拟合土壤含水量函数，具体包括：
按照下列公式在像元尺度上估算鄱阳湖湿地各处土壤含水量：
f(θ)＝Csm/f(Z) (1)
其中f(Z)是星子站水位的函数，Csm是一个用来校正植被光合作用对土壤含水量响应关系的系数；
在像元尺度上利用像元的NDVI代替f(θ)，并且忽略Csm，从所述数据集中提取数据，确定f(Z)的各个系数。
进一步地，所述确定光合作用机理公式系数，具体包括：
计算植被日尺度光合作用速率：
其中，gn是午间叶面气孔二氧化碳导度，单位：mol·m-2·s-1，gmin是日间最小叶面气孔二氧化碳导度，单位：mol·m-2·s-1，
光合作用速率A考虑了叶面背面呼吸作用的净光合作用速率，所述净光合作用速率受到叶细胞中参与光合作用的酶最大活性的限制和叶细胞内碳还原循环中电子的饱和传输速率限制；
当净光合速率受到叶细胞中参与光合作用的酶最大活性的限制时记为Ac,此时a＝(K+Ca)2,b＝2(2Г+K-Ca)Vm+2(Ca+K)Rd,c＝(Vm-Rd)2，
当净光合速率受到叶细胞内碳还原循环中电子的饱和传输速率限制时记为Aj，此时a＝(2.3Г+Ca)2,b＝0.4(4.3Г-Ca)Vm+2(Ca+K)J+2(Ca+2.3Г)Rd,c＝(0.2J-Rd)2；
在任一限制生效时都有d＝(agn 2+bgn+c)1/2,e＝(agmin 2+bgmin+c)1/2；
其中，K是一个酶动力学的函数，单位：μmol·L-1；Г是二氧化碳浓度补偿点，单位：ppm或mg/kg；J是叶细胞碳还原循环中电子传输的速率，单位：μmol·m-2·s-1；Rd是昼间叶片背面呼吸作用，单位：μmol·m-2·s-1；Vm是最大羧化速率，单位：μmol·m-2·s-1；
两种限制作用限定了净光合作用的最大速率，令A取Ac和Aj的最小值。将方程(2)化简成为：
其中Cpho1、Cpho2、Cpho3是三个表示植物生理特征对光合作用调控的经验系数，取决于叶细胞酶动力、最大羧化速率、电子传输速率或空气中的二氧化碳浓度；
以自然对数为底的指数函数泰勒展开式的前三项表示为：
ex＝1+x+x2/2+x3/3！+o(x3) (4)
忽略午间叶面气孔二氧化碳导度gn的3次或更高次数的项，根据方程(3)和方程(4)得到：
可以按照如下方式在像元尺度上计算NDVI：
其中，NDVI-sim是湿地植被NDVI的模拟值；a是用户决定的自由系数，用于调整模拟效果；c1、c2、c3是待定经验系数，受环境因子和植物生理特征共同影响；C是一个无量纲常数，Zxz是水位，gn’是不考虑校正的月均午间叶面气孔二氧化碳导度，叶面气孔二氧化碳导度总体上和短波辐射吸收、土壤含水量正相关，和空气中二氧化碳浓度、饱和水汽压差负相关，对空气温度变化的响应存在一个峰值；
将空气温度对叶面气孔二氧化碳导度的影响用一个自然对数为底的指数函数表示，按如下方法计算：
其中，VPD是是饱和水汽压差，按照如下经验方程计算：
在上述推导工作的基础上，联立方程(6)、(7)、(8)即可开展对鄱阳湖湿地植被NDVI的模拟。函数f(θ)已经在步骤2中确定，而在从NDVI-环境因子数据集中抽取数据后，可以通过最小二乘法确定系数c1、c2、c3、C。在联立方程、确定4个系数并且带入方程后，即可在各个像元内对月尺度NDVI进行模拟。
进一步地，所述基于光合作用机理公式系数模拟植被NDVI，具体包括：
从所述数据集中抽取数据，并通过最小二乘法确定系数c1、c2、c3、C；
在联立方程、确定4个系数并且带入方程后，即可在各个像元内对NDVI进行模拟。
进一步地，所述根据植被NDVI模拟结果判读植被空间分布，具体包括：
根据植被NDVI的月尺度变化规律在各个月份根据NDVI的模拟结果在像元尺度上进行评估以确定土地类型。
根据本发明的第二方面，提供一种植被生长状态和空间分布数值模拟装置，所述装置包括：
数据获取模块，被配置为获取数据集，所述数据集包括环境因子和遥感数据序列，所述环境因子包括空气中二氧化碳浓度Ca、太阳短波辐射R、空气相对湿度RH、昼间/夜间地表温度Td/Tn、空气温度Ta以及代表水位Z，所述和遥感数据序列包括湿地像元尺度；
函数拟合模块，被配置为基于所述数据集，拟合土壤含水量函数；
系数确定模块，被配置为确定光合作用机理公式系数；
模拟模块，被配置为基于光合作用机理公式系数模拟植被NDVI，所述植被NDVI用于表征植被的生长状态和空间分布，根据植被NDVI模拟结果确定植被空间分布。
进一步地，所述装置还包括数据插补模块，所述数据插补模块被配置为：在获取数据集后，对数据集进行插补。
所述数据插补模块被配置为：根据环境因子中各参数之间的相关关系对缺失的数据进行插补。
进一步地，所述函数拟合模块被进一步配置为：
按照下列公式在像元尺度上估算鄱阳湖湿地各处土壤含水量：
f(θ)＝Csm/f(Z) (1)
其中f(Z)是星子站水位的函数，Csm是一个用来校正植被光合作用对土壤含水量响应关系的系数；
在像元尺度上利用像元的NDVI代替f(θ)，并且忽略Csm，从所述数据集中提取数据，确定f(Z)的各个系数。
进一步地，所述系数确定模块被进一步配置为：
计算植被日尺度光合作用速率：
其中，gn是午间叶面气孔二氧化碳导度，单位：mol·m-2·s-1，gmin是日间最小叶面气孔二氧化碳导度，单位：mol·m-2·s-1，
光合作用速率A考虑了叶面背面呼吸作用的净光合作用速率，所述净光合作用速率受到叶细胞中参与光合作用的酶最大活性的限制和叶细胞内碳还原循环中电子的饱和传输速率限制；
当净光合速率受到叶细胞中参与光合作用的酶最大活性的限制时记为Ac,此时a＝(K+Ca)2,b＝2(2Г+K-Ca)Vm+2(Ca+K)Rd,c＝(Vm-Rd)2，
当净光合速率受到叶细胞内碳还原循环中电子的饱和传输速率限制时记为Aj，此时a＝(2.3Г+Ca)2,b＝0.4(4.3Г-Ca)Vm+2(Ca+K)J+2(Ca+2.3Г)Rd,c＝(0.2J-Rd)2；
在任一限制生效时都有d＝(agn 2+bgn+c)1/2,e＝(agmin 2+bgmin+c)1/2；
其中，K是一个酶动力学的函数，单位：μmol·L-1；Г是二氧化碳浓度补偿点，单位：ppm或mg/kg；J是叶细胞碳还原循环中电子传输的速率，单位：μmol·m-2·s-1；Rd是昼间叶片背面呼吸作用，单位：μmol·m-2·s-1；Vm是最大羧化速率，单位：μmol·m-2·s-1；
两种限制作用限定了净光合作用的最大速率，令A取Ac和Aj的最小值。将方程(2)化简成为：
其中Cpho1、Cpho2、Cpho3是三个表示植物生理特征对光合作用调控的经验系数，取决于叶细胞酶动力、最大羧化速率、电子传输速率或空气中的二氧化碳浓度；
以自然对数为底的指数函数泰勒展开式的前三项表示为：
ex＝1+x+x2/2+x3/3！+o(x3) (4)
忽略午间叶面气孔二氧化碳导度gn的3次或更高次数的项，根据方程(3)和方程(4)得到：
可以按照如下方式在像元尺度上计算NDVI：
其中，NDVI-sim是湿地植被NDVI的模拟值；a是用户决定的自由系数，用于调整模拟效果；c1、c2、c3是待定经验系数，受环境因子和植物生理特征共同影响；C是一个无量纲常数，Zxz是水位，gn’是不考虑校正的月均午间叶面气孔二氧化碳导度，叶面气孔二氧化碳导度总体上和短波辐射吸收、土壤含水量正相关，和空气中二氧化碳浓度、饱和水汽压差负相关，对空气温度变化的响应存在一个峰值；
将空气温度对叶面气孔二氧化碳导度的影响用一个自然对数为底的指数函数表示，按如下方法计算：
其中，VPD是是饱和水汽压差，按照如下经验方程计算：
在上述推导工作的基础上，联立方程(6)、(7)、(8)即可开展对鄱阳湖湿地植被NDVI的模拟。函数f(θ)已经在步骤2中确定，而在从NDVI-环境因子数据集中抽取数据后，可以通过最小二乘法确定系数c1、c2、c3、C。在联立方程、确定4个系数并且带入方程后，即可在各个像元内对月尺度NDVI进行模拟。
进一步地，所述模拟模块被进一步配置为从所述数据集中抽取数据，并通过最小二乘法确定系数c1、c2、c3、C；在联立方程、确定4个系数并且带入方程后，即可在各个像元内对NDVI进行模拟。
进一步地，所述模拟模块被进一步配置为根据植被NDVI的月尺度变化规律在各个月份根据NDVI的模拟结果在像元尺度上进行评估以确定土地类型。
根据本发明的第三方面，提供一种存储有指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，执行如上所述的植被生长状态和空间分布数值模拟方法。
与现有技术相比，本发明的有益效果在于：
1、本发明改进光合作用机理公式，以此为基础描述多个环境因子对植被生长和空间分布的影响，在更坚固的物理机理基础上分析植被生长状态和空间分布对环境因子变化的响应。
2、本发明将光合作用机理跟植被生长状态和空间分布结合起来，能够更好地解释植被演替的内在原因。
3、本发明有助于在机理层面上理解环境因子对植被生长状态和空间分布的影响，能够在变化环境下更好地分析和模拟植被生长状态和空间分布的变化。
附图说明
在不一定按比例绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的相同附图标记可以表示相似部件的不同实例。附图大体上通过举例而不是限制的方式示出各种实施例，并且与说明书以及权利要求书一起用于对所发明的实施例进行说明。在适当的时候，在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的，而并非旨在作为本装置或方法的穷尽或排他实施例。
图1为根据本发明实施例的一种植被生长状态和空间分布数值模拟方法的流程图。
图2为根据本发明实施例的鄱阳湖流域示意图。
图3为根据本发明实施例的鄱阳湖湿地植被NDVI模拟结果。
图4为根据本发明实施例的模拟鄱阳湖湿地中各土地类型覆盖面积和空间分布的效果，其中(a)表示模拟结果的准确率，(b)表示模拟水域覆盖面积的效果，(c)表示模拟泥滩覆盖面积的效果，(d)表示模拟植被覆盖面积的效果。
具体实施方式
以下列举的部分实施例仅仅是为了更好地对本发明进行说明，但本发明的内容并不局限在应用于所举的实施例中。所以熟悉本领域的技术人员根据上述发明内容对实施方案进行非本质的改进和调整而应用于其他实施例中，仍在本发明的保护范围之内。
现在结合说明书附图对本发明做进一步的说明。
本发明实施例提供一种植被生长状态和空间分布数值模拟方法，基于光合作用机理，具体流程如图1所示，以下选择对鄱阳湖湿地植被生长状态和空间分布变化开展数值模拟的过程为案例，鄱阳湖流域的示意图如图2所示，该模拟方法包括如下四个步骤。
步骤1，搜集数据，并对数据进行插补和整理以得到数据集。
本发明实施例展示的算例研究秋冬季节鄱阳湖湿地植被生长状态和空间分布，为此首先需要开展数据搜集整理工作。需要搜集的数据包括：(1)空气中二氧化碳浓度Ca、(2)太阳短波辐射R、(3)空气相对湿度RH、(4)昼间/夜间地表温度Td/Tn、(5)空气温度Ta、(6)鄱阳湖代表水位Z、(7)鄱阳湖湿地像元尺度NDVI。其中，鄱阳湖代表水位在星子站测得，其余环境因子的数值可通过遥感反演或气象站的观测记录获得，湿地像元尺度NDVI通过遥感反演方法获得。各项数据均在像元尺度上获得，并将空间分辨率较低的数据插补到像元尺度，鄱阳湖代表水位除外。可根据相关关系进行插补，例如空气温度和昼间/夜间土壤温度的平均值存在线性关系。若在某像元上某日缺失的数据无法通过相关关系进行插补，则在该像元上放弃该日的数据。将各像元上数据的尺度统一为月尺度，整理数据，生成鄱阳湖NDVI-环境因子数据集。
步骤2，拟合土壤水含水量函数。
本发明实施例采用植被NDVI来表征植被的生长状态和空间分布。首先量化表征水文因子对湿地植被NDVI的影响。一般而言，水文因子变化主要通过调节土壤水含量来造成影响植被生长和分布。由于鄱阳湖湿地的地下水和地表水之间存在显著的水量交换，可以认为鄱阳湖湿地的土壤含水量跟鄱阳湖湖区水位波动关系密切。此外，鄱阳湖水位波动主要是由本地来水和鄱阳湖向长江排水的相对大小控制，年蒸发、降水量相当，故可以忽略蒸发、降水对湿地土壤含水量的影响。综上所述，本发明通过星子站水位来估计鄱阳湖湿地各处土壤含水量，按照下列公式在像元尺度上估算鄱阳湖湿地各处土壤含水量：
f(θ)＝Csm/f(Z) (1)
其中f(Z)是星子站水位的函数，可以认为具有二次函数的形式。f(Z)的系数可以简单地由星子站水位对像元尺度湖泊湿地NDVI的拟合关系确定。Csm是一个用来校正植被光合作用对土壤含水量响应关系的系数。由于土壤含水量在本研究中被用于模拟植被NDVI，在像元尺度上可用该像元的NDVI来代替f(θ)，并且忽略Csm。然后，可从鄱阳湖NDVI-环境因子数据集中提取数据，确定f(Z)的各个系数。这样，鄱阳湖湿地中各个像元的土壤含水量函数就的拟合得以完成。
步骤3，确定光合作用机理公式系数。
在确定各像元的土壤含水量函数后，可进一步确定光合作用机理模型中的各系数。本发明通过改进植被日尺度光合作用速率公式，将其推广到更大的时空尺度上。植被日尺度光合作用速率公式如下：
其中，gn是午间叶面气孔二氧化碳导度(mol·m-2·s-1)，gmin是日间最小叶面气孔二氧化碳导度(mol·m-2·s-1)，一般在日出前或日落后取得。在公式中，光合作用速率A实际上是考虑了叶面背面呼吸作用的净光合作用速率，受到叶细胞中参与光合作用的酶最大活性的限制(Rubisco限制)和叶细胞内碳还原循环中电子的饱和传输速率限制(光限制)。
当净光合速率受到Rubisco限制时记为Ac,此时a＝(K+Ca)2,b＝2(2Г+K-Ca)Vm+2(Ca+K)Rd,c＝(Vm-Rd)2。
当净光合速率受到光限制时记为Aj，此时a＝(2.3Г+Ca)2,b＝0.4(4.3Г-Ca)Vm+2(Ca+K)J+2(Ca+2.3Г)Rd,c＝(0.2J-Rd)2。
在两种限制生效时都有d＝(agn 2+bgn+c)1/2,e＝(agmin 2+bgmin+c)1/2。
其中，K是一个酶动力学的函数(μmol·L-1)；Г是二氧化碳浓度补偿点(ppm,或mg/kg)；J是叶细胞碳还原循环中电子传输的速率(μmol·m-2·s-1)；Rd是昼间叶片背面呼吸作用(μmol·m-2·s-1)；Vm是最大羧化速率(μmol·m-2·s-1)。两种限制作用限定了净光合作用的最大速率，故A取Ac和Aj的最小值。采取适当的假设和推导，可将方程(2)化简成如下形式：
其中Cpho1(mol-1·m2·S)、Cpho2、Cpho3(mol·m-2·s-1)是三个表示植物生理特征对光合作用调控的经验系数，主要取决于叶细胞酶动力、最大羧化速率、电子传输速率等植物生理特征，部分取决于空气中的二氧化碳浓度。方程(3)的形式跟以自然对数为底的指数函数泰勒展开式的前三项较为类似：
ex＝1+x+x2/2+x3/3！+o(x3) (4)
在取适当的单位时，gn的值一般在0～1之间，故而gn的3次或更高次数的项可以忽略。这样，方程(4)可以进一步改写成：
方程(3)和(5)都给出了近似计算日尺度A的方法。但由于方程(3)中系数率定结果的微小误差将会被指数函数大幅放大，影响模拟结果，本发明选用方程(5)来计算光合作用速率。若gn取每个月的平均值，并且三个经验系数在月尺度上率定，则方程(5)也可以用来计算月尺度光合作用速率。
在改进了光合作用速率公式以后，可以按照如下方式在像元尺度上计算鄱阳湖湿地NDVI：
其中，NDVI-sim是湿地NDVI的模拟值；a是用户决定的自由系数，可用于调整模拟效果；c1、c2、c3是待定经验系数，受环境因子和植物生理特征共同影响；C是一个无量纲常数。gn’是不考虑校正的月均午间叶面气孔二氧化碳导度。叶面气孔二氧化碳导度总体上和短波辐射吸收、土壤含水量正相关，和空气中二氧化碳浓度、饱和水汽压差负相关，对空气温度变化的响应存在一个峰值。由于本发明给出的算例研究秋冬季节的鄱阳湖湿地植被生长状态和空间分布，此时空气温度较低，叶面气孔二氧化碳导度对空气温度不存在峰值响应，故参考方程(4)的推导过程将空气温度对叶面气孔二氧化碳导度的影响用一个自然对数为底的指数函数表示。按如下方法计算：
其中，VPD是是饱和水汽压差，可以按照如下经验方程计算：
在上述推导工作的基础上，联立方程(6)、(7)、(8)即可开展对鄱阳湖湿地植被NDVI的模拟。函数f(θ)已经在步骤2中确定，而在从NDVI-环境因子数据集中抽取数据后，可以通过最小二乘法确定系数c1、c2、c3、C。在联立方程、确定4个系数并且带入方程后，即可在各个像元内对月尺度NDVI进行模拟。
步骤4，模拟植被NDVI，根据植被NDVI模拟结果判读植被空间分布。
在确定湖泊湿地土壤含水量函数、光合作用机理系数后，可在鄱阳湖湿地的每个像元上通过方程(6)计算NDVI。可以根据植被NDVI的月尺度变化规律在各个月份根据NDVI的模拟结果在像元尺度上评估土地类型是否为植被。以鄱阳湖湿地为例，若某像元的月尺度NDVI大于0.20，则可判断该像元属于植被覆盖区。以2003～2014年11月份为例，通过方程(6)计算鄱阳湖像元尺度NDVI，模拟结果如图3所示。模拟结果很好地反映了鄱阳湖湿地植被NDVI的时空分布，而确定系数R2和均方根误差RMSE平均为0.94和0.05，显示出了良好的模拟准确度。NDVI是植被生长状态的重要指标，这说明本发明提出的方法可以很好地表征植被生长状态。
此外，本发明还可以很好地模拟湿地植被的覆盖面积和空间分布。如图4所示，湿地植被覆盖面积模拟结果的R2系数大于0.98，而对水域、泥滩等另外两种湿地土地类型的覆盖面积也有良好地模拟效果，结果的R2系数也大于0.98。此外，湿地植被空间分布模拟结果的准确率也理想(大于96％)，即模拟结果指出覆盖湿地植被的像元中，有数量大于96％的像元确实覆盖有湿地植被。
综上所述，从鄱阳湖湿地植被模拟案例中可见，本发明提出的数值模拟方法不仅能很好地模拟植被的生长状态，还可以很好地模拟其空间分布。
以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种植被生长状态和空间分布数值模拟方法，其特征在于，所述方法包括：
获取数据集，所述数据集包括环境因子和遥感数据序列，所述环境因子包括空气中二氧化碳浓度Ca、太阳短波辐射R、空气相对湿度RH、昼间/夜间地表温度Td/Tn、空气温度Ta以及代表水位Z，所述和遥感数据序列包括湿地像元尺度；
基于所述数据集，拟合土壤含水量函数；
确定光合作用机理公式系数；
基于光合作用机理公式系数模拟植被NDVI，所述植被NDVI用于表征植被的生长状态和空间分布，根据植被NDVI模拟结果判读植被空间分布。
2.根据权利要求1所述的方法，其特征在于，在获取数据集后，所述方法还包括：对数据集进行插补。
3.根据权利要求1所述的方法，其特征在于，所述对数据集进行插补，具体包括：
根据环境因子中各参数之间的相关关系对缺失的数据进行插补。
4.如权利要求1所述的方法，其特征在于，所述基于所述数据集，拟合土壤含水量函数，具体包括：
按照下列公式在像元尺度上估算鄱阳湖湿地各处土壤含水量：
f(θ)＝Csm/f(Z) (1)
其中f(Z)是星子站水位的函数，Csm是一个用来校正植被光合作用对土壤含水量响应关系的系数；
在像元尺度上利用像元的NDVI代替f(θ)，并且忽略Csm，从所述数据集中提取数据，确定f(Z)的各个系数。
5.如权利要求4所述的方法，其特征在于，所述确定光合作用机理公式系数，具体包括：
计算植被日尺度光合作用速率：
其中，gn是午间叶面气孔二氧化碳导度，单位：mol·m-2·s-1，gmin是日间最小叶面气孔二氧化碳导度，单位：mol·m-2·s-1，
光合作用速率A考虑了叶面背面呼吸作用的净光合作用速率，所述净光合作用速率受到叶细胞中参与光合作用的酶最大活性的限制和叶细胞内碳还原循环中电子的饱和传输速率限制；
当净光合速率受到叶细胞中参与光合作用的酶最大活性的限制时记为Ac,此时a＝(K+Ca)2,b＝2(2Г+K-Ca)Vm+2(Ca+K)Rd,c＝(Vm-Rd)2，
当净光合速率受到叶细胞内碳还原循环中电子的饱和传输速率限制时记为Aj，此时a＝(2.3Г+Ca)2,b＝0.4(4.3Г-Ca)Vm+2(Ca+K)J+2(Ca+2.3Г)Rd,c＝(0.2J-Rd)2；
在任一限制生效时都有d＝(agn2+bgn+c)1/2,e＝(agmin 2+bgmin+c)1/2；
其中，K是一个酶动力学的函数，单位：μmol·L-1；Г是二氧化碳浓度补偿点，单位：ppm或mg/kg；J是叶细胞碳还原循环中电子传输的速率，单位：μmol·m-2·s-1；Rd是昼间叶片背面呼吸作用，单位：μmol·m-2·s-1；Vm是最大羧化速率，单位：μmol·m-2·s-1；
两种限制作用限定了净光合作用的最大速率，令A取Ac和Aj的最小值。将方程(2)化简成为：
其中Cpho1、Cpho2、Cpho3是三个表示植物生理特征对光合作用调控的经验系数，取决于叶细胞酶动力、最大羧化速率、电子传输速率或空气中的二氧化碳浓度；
以自然对数为底的指数函数泰勒展开式的前三项表示为：
ex＝1+x+x2/2+x3/3！+o(x3) (4)
忽略午间叶面气孔二氧化碳导度gn的3次或更高次数的项，根据方程(3)和方程(4)得到：
可以按照如下方式在像元尺度上计算NDVI：
其中，NDVI-sim是湿地植被NDVI的模拟值；a是用户决定的自由系数，用于调整模拟效果；c1、c2、c3是待定经验系数，受环境因子和植物生理特征共同影响；C是一个无量纲常数，Zxz是水位，gn’是不考虑校正的月均午间叶面气孔二氧化碳导度，叶面气孔二氧化碳导度总体上和短波辐射吸收、土壤含水量正相关，和空气中二氧化碳浓度、饱和水汽压差负相关，对空气温度变化的响应存在一个峰值；
将空气温度对叶面气孔二氧化碳导度的影响用一个自然对数为底的指数函数表示，按如下方法计算：
其中，VPD是是饱和水汽压差，按照如下经验方程计算：
在上述推导工作的基础上，联立方程(6)、(7)、(8)即可开展对鄱阳湖湿地植被NDVI的模拟。函数f(θ)已经在步骤2中确定，而在从NDVI-环境因子数据集中抽取数据后，可以通过最小二乘法确定系数c1、c2、c3、C。在联立方程、确定4个系数并且带入方程后，即可在各个像元内对月尺度NDVI进行模拟。
6.如权利要求5所述的方法，其特征在于，所述基于光合作用机理公式系数模拟植被NDVI，具体包括：
从所述数据集中抽取数据，并通过最小二乘法确定系数c1、c2、c3、C；
在联立方程、确定4个系数并且带入方程后，即可在各个像元内对NDVI进行模拟。
7.如权利要求6所述的方法，其特征在于，所述根据植被NDVI模拟结果判读植被空间分布，具体包括：
根据植被NDVI的月尺度变化规律在各个月份根据NDVI的模拟结果在像元尺度上进行评估以确定土地类型。
8.一种植被生长状态和空间分布数值模拟装置，其特征在于，所述装置包括：
数据获取模块，被配置为获取数据集，所述数据集包括环境因子和遥感数据序列，所述环境因子包括空气中二氧化碳浓度Ca、太阳短波辐射R、空气相对湿度RH、昼间/夜间地表温度Td/Tn、空气温度Ta以及代表水位Z，所述和遥感数据序列包括湿地像元尺度；
函数拟合模块，被配置为基于所述数据集，拟合土壤含水量函数；
系数确定模块，被配置为确定光合作用机理公式系数；
模拟模块，被配置为基于光合作用机理公式系数模拟植被NDVI，所述植被NDVI用于表征植被的生长状态和空间分布，根据植被NDVI模拟结果确定植被空间分布。
9.根据权利要求8所述的装置，其特征在于，所述系数确定模块被进一步配置为：
计算植被日尺度光合作用速率：
其中，gn是午间叶面气孔二氧化碳导度，单位：mol·m-2·s-1，gmin是日间最小叶面气孔二氧化碳导度，单位：mol·m-2·s-1，
光合作用速率A考虑了叶面背面呼吸作用的净光合作用速率，所述净光合作用速率受到叶细胞中参与光合作用的酶最大活性的限制和叶细胞内碳还原循环中电子的饱和传输速率限制；
当净光合速率受到叶细胞中参与光合作用的酶最大活性的限制时记为Ac,此时a＝(K+Ca)2,b＝2(2Г+K-Ca)Vm+2(Ca+K)Rd,c＝(Vm-Rd)2，
当净光合速率受到叶细胞内碳还原循环中电子的饱和传输速率限制时记为Aj，此时a＝(2.3Г+Ca)2,b＝0.4(4.3Г-Ca)Vm+2(Ca+K)J+2(Ca+2.3Г)Rd,c＝(0.2J-Rd)2；
在任一限制生效时都有d＝(agn 2+bgn+c)1/2,e＝(agmin 2+bgmin+c)1/2；
其中，K是一个酶动力学的函数，单位：μmol·L-1；Г是二氧化碳浓度补偿点，单位：ppm或mg/kg；J是叶细胞碳还原循环中电子传输的速率，单位：μmol·m-2·s-1；Rd是昼间叶片背面呼吸作用，单位：μmol·m-2·s-1；Vm是最大羧化速率，单位：μmol·m-2·s-1；
两种限制作用限定了净光合作用的最大速率，令A取Ac和Aj的最小值。将方程(2)化简成为：
其中Cpho1、Cpho2、Cpho3是三个表示植物生理特征对光合作用调控的经验系数，取决于叶细胞酶动力、最大羧化速率、电子传输速率或空气中的二氧化碳浓度；
以自然对数为底的指数函数泰勒展开式的前三项表示为：
ex＝1+x+x2/2+x3/3！+o(x3) (4)
忽略午间叶面气孔二氧化碳导度gn的3次或更高次数的项，根据方程(3)和方程(4)得到：
可以按照如下方式在像元尺度上计算NDVI：
其中，NDVI-sim是湿地植被NDVI的模拟值；a是用户决定的自由系数，用于调整模拟效果；c1、c2、c3是待定经验系数，受环境因子和植物生理特征共同影响；C是一个无量纲常数，Zxz是水位，gn’是不考虑校正的月均午间叶面气孔二氧化碳导度，叶面气孔二氧化碳导度总体上和短波辐射吸收、土壤含水量正相关，和空气中二氧化碳浓度、饱和水汽压差负相关，对空气温度变化的响应存在一个峰值；
将空气温度对叶面气孔二氧化碳导度的影响用一个自然对数为底的指数函数表示，按如下方法计算：
其中，VPD是是饱和水汽压差，按照如下经验方程计算：
在上述推导工作的基础上，联立方程(6)、(7)、(8)即可开展对鄱阳湖湿地植被NDVI的模拟。函数f(θ)已经在步骤2中确定，而在从NDVI-环境因子数据集中抽取数据后，可以通过最小二乘法确定系数c1、c2、c3、C。在联立方程、确定4个系数并且带入方程后，即可在各个像元内对月尺度NDVI进行模拟。
10.一种存储有指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，执行根据权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310709791.4A CN116861637B (zh) | 2023-06-15 | 2023-06-15 | 植被生长状态和空间分布数值模拟方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310709791.4A CN116861637B (zh) | 2023-06-15 | 2023-06-15 | 植被生长状态和空间分布数值模拟方法、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116861637A true CN116861637A (zh) | 2023-10-10 |
| CN116861637B CN116861637B (zh) | 2024-05-10 |
Family
ID=88222493
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310709791.4A Active CN116861637B (zh) | 2023-06-15 | 2023-06-15 | 植被生长状态和空间分布数值模拟方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116861637B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190335674A1 (en) * | 2016-10-24 | 2019-11-07 | Board Of Trustees Of Michigan State University | Methods for mapping temporal and spatial stability and sustainability of a cropping system |
| CN112733445A (zh) * | 2021-01-05 | 2021-04-30 | 四川大学 | 基于蒸散量植被指数空间特征的大区域尺度土壤水分反演方法 |
| CN113255133A (zh) * | 2021-05-27 | 2021-08-13 | 国家气象中心(中央气象台) | 一种地表蒸散估算方法 |
-
2023
- 2023-06-15 CN CN202310709791.4A patent/CN116861637B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190335674A1 (en) * | 2016-10-24 | 2019-11-07 | Board Of Trustees Of Michigan State University | Methods for mapping temporal and spatial stability and sustainability of a cropping system |
| CN112733445A (zh) * | 2021-01-05 | 2021-04-30 | 四川大学 | 基于蒸散量植被指数空间特征的大区域尺度土壤水分反演方法 |
| CN113255133A (zh) * | 2021-05-27 | 2021-08-13 | 国家气象中心(中央气象台) | 一种地表蒸散估算方法 |
Non-Patent Citations (13)
| Title |
|---|
| 冯金朝, 黄子琛, 张承烈, 梁厚果: "环境植物生理学定量研究的若干进展", 中国沙漠, no. 01, 30 March 1997 (1997-03-30), pages 91 - 96 * |
| 卢鹤立;刘桂芳;: "陆地生态系统生产力模型研究进展", 宝鸡文理学院学报(自然科学版), no. 03, 15 September 2010 (2010-09-15), pages 85 - 90 * |
| 张弥;关德新;吴家兵;施婷婷;金昌杰;韩士杰;: "植被冠层尺度生理生态模型的研究进展", 生态学杂志, no. 05, 28 May 2006 (2006-05-28), pages 95 - 103 * |
| 张杰;潘晓玲;高志强;师庆东;吕光辉;艾里西尔・库尔班;张琳;: "基于遥感-生态过程的绿洲-荒漠生态系统净初级生产力估算", 干旱区地理, no. 02, 30 April 2006 (2006-04-30), pages 95 - 101 * |
| 曾思栋;夏军;杜鸿;李浩;: "生态水文双向耦合模型的研发与应用：Ⅱ.模型应用", 水利学报, no. 04, 31 December 2020 (2020-12-31), pages 65 - 73 * |
| 曾思栋;夏军;杜鸿;陈向东;: "生态水文双向耦合模型的研发与应用:Ⅰ模型原理与方法", 水利学报, no. 01, 31 December 2020 (2020-12-31), pages 37 - 47 * |
| 李正国;唐华俊;杨鹏;吴文斌;陈仲新;周清波;张莉;邹金秋;: "植被物候特征的遥感提取与农业应用综述", 中国农业资源与区划, no. 05, 20 October 2012 (2012-10-20), pages 22 - 30 * |
| 焦珂伟;高江波;吴绍洪;侯文娟;: "植被活动对气候变化的响应过程研究进展", 生态学报, no. 06, 19 December 2017 (2017-12-19), pages 350 - 359 * |
| 王玉辉, 周广胜: "羊草叶片气孔导度对环境因子的响应模拟", 植物生态学报, no. 06, 20 November 2000 (2000-11-20), pages 100 - 104 * |
| 石建红;周锁铨;余华;孙善磊;荆大为;: "鄱阳湖流域典型树种夏季气孔导度模型及影响因素比较", 环境科学研究, no. 01, 15 January 2010 (2010-01-15), pages 35 - 42 * |
| 郭建茂;刘俊伟;童应祥;费敦悦;王迁;: "基于MODIS的光化学植被指数反演水稻区域光能利用率", 中国农业气象, no. 03, 20 June 2016 (2016-06-20), pages 114 - 121 * |
| 韩贵锋;赵珂;徐建华;: "基于时间序列遥感的长三角地区植被时空格局演变", 中国园林, no. 02, 15 February 2009 (2009-02-15), pages 69 - 73 * |
| 高雅;高懋芳;王晓飞;黄硕;李石磊;: "基于TVDI与荧光的呼伦贝尔市干旱时空动态监测研究", 中国农业信息, no. 01, 25 February 2019 (2019-02-25), pages 86 - 98 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116861637B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Evolution of evapotranspiration models using thermal and shortwave remote sensing data | |
| Folberth et al. | Uncertainty in soil data can outweigh climate impact signals in global crop yield simulations | |
| Rocha et al. | Assessing the impacts of sustainable agricultural practices for water quality improvements in the Vouga catchment (Portugal) using the SWAT model | |
| Zhang et al. | Regional scale cropland carbon budgets: Evaluating a geospatial agricultural modeling system using inventory data | |
| Polhamus et al. | What controls the error structure in evapotranspiration models? | |
| Prihodko et al. | Sensitivity, uncertainty and time dependence of parameters in a complex land surface model | |
| Salazar et al. | Deforestation changes land–atmosphere interactions across South American biomes | |
| Mo et al. | Evaluation of an ecosystem model for a wheat–maize double cropping system over the North China Plain | |
| CN111080173B (zh) | 一种森林系统碳通量的估计方法 | |
| Ghilain et al. | Improving evapotranspiration in a land surface model using biophysical variables derived from MSG/SEVIRI satellite | |
| Davis et al. | Assessing the effects of agricultural management practices on carbon fluxes: Spatial variation and the need for replicated estimates of Net Ecosystem Exchange | |
| Kamali et al. | Uncertainty-based auto-calibration for crop yield–the EPIC+ procedure for a case study in Sub-Saharan Africa | |
| Ju et al. | Prediction of summer grain crop yield with a process-based ecosystem model and remote sensing data for the northern area of the Jiangsu Province, China | |
| Liu et al. | KGML-ag: a modeling framework of knowledge-guided machine learning to simulate agroecosystems: a case study of estimating N 2 O emission using data from mesocosm experiments | |
| He et al. | Optimization of water uptake and photosynthetic parameters in an ecosystem model using tower flux data | |
| Hoefsloot et al. | Combining crop models and remote sensing for yield prediction: Concepts, applications and challenges for heterogeneous smallholder environments | |
| CN114331233A (zh) | 植被总初级生产力估算方法、装置、电子设备及存储介质 | |
| CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
| Wang et al. | Impacts of agricultural management and climate change on future soil organic carbon dynamics in North China Plain | |
| CN114254964A (zh) | 水稻区域气候品质评估方法及系统 | |
| Xie et al. | The global land surface satellite (glass) evapotranspiration product version 5.0: Algorithm development and preliminary validation | |
| Tatsumi | Effects of automatic multi-objective optimization of crop models on corn yield reproducibility in the USA | |
| Verma et al. | Comparative analysis of CMIP5 and CMIP6 in conjunction with the hydrological processes of reservoir catchment, Chhattisgarh, India | |
| Yang et al. | Low and contrasting impacts of vegetation CO 2 fertilization on global terrestrial runoff over 1982–2010: accounting for aboveground and belowground vegetation–CO 2 effects | |
| Wang et al. | Spatially explicit estimation of soil denitrification rates and land use effects in the riparian buffer zone of the large Guanting reservoir |
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 |