CN117115376A - 一种识别与绘制gde范围的方法、系统、设备及介质 - Google Patents
一种识别与绘制gde范围的方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117115376A CN117115376A CN202311121623.XA CN202311121623A CN117115376A CN 117115376 A CN117115376 A CN 117115376A CN 202311121623 A CN202311121623 A CN 202311121623A CN 117115376 A CN117115376 A CN 117115376A
- Authority
- CN
- China
- Prior art keywords
- gde
- data
- area
- distribution
- vegetation
- 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 60
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 177
- 238000009826 distribution Methods 0.000 claims abstract description 130
- 239000003673 groundwater Substances 0.000 claims abstract description 72
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000001035 drying Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims description 40
- 238000013507 mapping Methods 0.000 claims description 23
- 241001465754 Metazoa Species 0.000 claims description 21
- 239000000126 substance Substances 0.000 claims description 11
- 230000033764 rhythmic process Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 239000013589 supplement Substances 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000011835 investigation Methods 0.000 description 11
- 238000001556 precipitation Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000005070 sampling Methods 0.000 description 8
- 239000002689 soil Substances 0.000 description 7
- 239000002352 surface water Substances 0.000 description 7
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 235000019738 Limestone Nutrition 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000006028 limestone Substances 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 239000011148 porous material Substances 0.000 description 5
- 239000011435 rock Substances 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 240000008574 Capsicum frutescens Species 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 241000894007 species Species 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 102000006463 Talin Human genes 0.000 description 2
- 108010083809 Talin Proteins 0.000 description 2
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 244000144992 flock Species 0.000 description 2
- 238000001095 inductively coupled plasma mass spectrometry Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000002459 sustained effect Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000132092 Aster Species 0.000 description 1
- 241001247197 Cephalocarida Species 0.000 description 1
- 208000010445 Chilblains Diseases 0.000 description 1
- 241000239250 Copepoda Species 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 241001465382 Physalis alkekengi Species 0.000 description 1
- 208000032827 Ring chromosome 9 syndrome Diseases 0.000 description 1
- 241000700141 Rotifera Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 150000001450 anions Chemical class 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 239000010953 base metal Substances 0.000 description 1
- 230000008827 biological function Effects 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 239000013043 chemical agent Substances 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000012826 global research Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 244000144980 herd Species 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000004255 ion exchange chromatography Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/42—Document-oriented image-based pattern recognition based on the type of document
- G06V30/422—Technical drawings; Geographical maps
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Astronomy & Astrophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种识别与绘制GDE范围的方法、系统、设备及介质，涉及地下水与生态环境研究领域，包括：根据数字高程模型确定目标流域内的平原地区；根据卫星遥感数据确定目标流域内的慢干植被分布区域；对平原地区和慢干植被分布区域取交集，得到潜在GDE分布区域；根据河床数据、植被根系深度数据、第四系含水层水位数据和水化学特征数据，从潜在GDE分布区域内确定植被型GDE区域、河道型GDE区域和喀斯特型GDE区域，得到GDE栅格数据；采用空间核密度算法对GDE栅格数据进行概率密度划分，得到目标流域内的GDE分布范围，并绘制GDE分布图。本发明能够提高GDE分布范围识别以及GDE分布图绘制的适用性和可靠性。
Description
技术领域
本发明涉及地下水与生态环境研究领域，特别是涉及一种识别与绘制GDE范围的方法、系统、设备及介质。
背景技术
依赖地下水的生态系统(Groundwater Dependent Ecosystem，GDE)是指部分或完全需要获取地下水以维持其生态结构和功能的生态系统，这些生态系统对土地、水和沿海生态系统的健康起着非常重要的作用。气候变化、地下水开采和其他人类活动通过水流和流体输送过程改变了地下水条件，从而改变了GDE的分布和生态水文特征。然而，关于如何识别受影响的GDE的研究，在流域尺度上相对分散，不利于了解GDE的生态水文特征，以及管理对人为变化的生态响应，特别是用于农村灌溉和城市供水的地下水开采。
在野外识别和绘制GDE具有挑战性，特别是在受人类活动严重影响的地区。早期研究主要利用现场水文地质和生态调查技术来确定GDE。例如，Eamus和Froend(2006)提出了一个工具箱，其中包括根据GDE的类型识别GDE及其对地下水的依赖，以及依赖地下水的植被过程的各种方法。随着遥感和地理信息系统方法的广泛应用，研究人员已经能够更精确地分析空间数据。例如，Howard和Merrifield(2010)利用GIS方法对美国加利福尼亚州进行了研究，并建立了地下水依赖指数。通过这样做，他们能够识别、绘制各种类型的依赖地下水的生态系统(GDE)，并将其分类为不同的依赖水平，如泉水、湿地和溪流。Hoogland等人(2010)通过绘制地下水深度图，评估了荷兰GDE的干旱缺水情况。最后，Gou等人(2015)率先使用GIS数据库信息来确定州/省一级GDE的潜在分布。为了跟踪和识别植被像素的变化，研究人员经常使用陆地卫星图像来分析归一化差异植被指数(NDVI)，这有助于确定地下水支持的植被在含水层或流域尺度上的分布。虽然传统的水文地质调查可能耗时且昂贵，但遥感方法为确定大规模GDE分布提供了一种有效的方法。然而，遥感在小尺度上可能并不总是准确的，例如河段的分段尺度。因此，结合传统的水文地质调查、野外生态监测、全球定位系统(GPS)、GIS和遥感(RS)是识别和绘制GDE的有效方法。
为了改进GDE的识别和绘制，分析其生态水文特征非常重要。这包括研究地表水和地下水之间的相互作用过程，以及模拟物质运输，以确定区域生态水文特征。这些特征通常可以被视为监测生态系统状态并将生物功能与生态水文过程联系起来的特定信号，如水文气象要素的节律、水文地球化学特征和生物指标(生物多样性、连通性等)等。了解这些特征有助于确定地下水和潜在GDE之间是否存在水文连通性，以及是否可以形成“水文连续体”。这对于维持生态系统的完整性和“生态带”所调节的生态过程至关重要。郝等(2018)通过对华北岩溶水文实例娘子关泉流量数据的研究发现，尽管地下水开发削弱了泉流量与降水的关系，但泉流量与降雨的共振频率保持不变。Brancelj等人(2020)概述了古典岩溶含水层潜水带的地下水动物群，并发现该地区的特有病发生率非常高(约50％)，可以被视为含水层类型和栖息地结构以及水流状况和地下水流动路径的描述符。这些案例研究是独特的生态水文栖息地的例子，是全球研究的重要组成部分。此外，植被生态系统与降水、地表水和地下水之间的水文和水力联系也证明了GDEs的生态水文过程。因此，分析GDE的生态水文特征可以为其功能提供有价值的见解，并有助于其有效管理和保护。此外，GDE与其他生态系统的区别在于，地下水无脊椎动物的独特存在，从毫米到厘米不等，它们是地下水支持的生态系统的关键指标物种。因此，对地下水动物群进行采样、物种鉴定、生物多样性和生态评估以及动物栖息地分区都是GDE研究的重要组成部分。
从以上分析可以看出，对GDE分布的研究仍处于探索的初级阶段，研究方法也不尽相同，因此迫切需要提出一个全面适用的研究理论。
发明内容
本发明的目的是提供一种识别与绘制GDE范围的方法、系统、设备及介质，以提高GDE分布范围识别以及GDE分布图绘制的适用性和可靠性。
为实现上述目的，本发明提供了如下方案：
一种识别与绘制GDE范围的方法，该方法包括：
获取目标流域的数字高程模型、卫星遥感数据、河床数据、植被根系深度数据、第四系含水层水位数据和水化学特征数据；
根据所述数字高程模型确定所述目标流域内的平原地区；
根据所述卫星遥感数据确定所述目标流域内的慢干植被分布区域；
对所述平原地区和所述慢干植被分布区域取交集，得到潜在GDE分布区域；
根据所述河床数据、所述植被根系深度数据、所述第四系含水层水位数据和所述水化学特征数据，从所述潜在GDE分布区域内确定植被型GDE区域、河道型GDE区域和喀斯特型GDE区域，得到GDE栅格数据；
采用空间核密度算法对所述GDE栅格数据进行概率密度划分，得到所述目标流域内的GDE分布范围，并绘制GDE分布图。
可选地，根据所述数字高程模型确定所述目标流域内的平原地区，具体包括：
根据所述数字高程模型确定所述目标流域的高程数据和坡度数据；
根据所述高程数据确定所述目标流域的平均海拔；
根据所述坡度数据确定所述目标流域的最大平坦坡度阈值；
将所述目标流域内的海拔不高于所述平均海拔，且坡度不高于所述最大平坦坡度阈值的区域确定为平原地区。
可选地，根据所述卫星遥感数据确定所述目标流域内的慢干植被分布区域，具体包括：
根据所述卫星遥感数据分别计算所述目标流域的WET指数和NDBSI指数；
将所述目标流域内的WET指数与NDBSI指数的差值小于或等于区域边界阈值的区域确定为慢干植被分布区域；所述区域边界阈值采用试错算法确定。
可选地，根据所述河床数据、所述植被根系深度数据、所述第四系含水层水位数据和所述水化学特征数据，从所述潜在GDE分布区域内确定植被型GDE区域、河道型GDE区域和喀斯特型GDE区域，得到GDE栅格数据，具体包括：
根据所述河床数据和所述第四系含水层水位数据，将所述潜在GDE分布区域内的第四系含水层水位高于河床高程的区域确定为河道型GDE区域；
根据所述植被根系深度数据和所述第四系含水层水位数据，将所述潜在GDE分布区域内的植被根系深度低于第四系含水层水位的区域确定为植被型GDE区域；
根据所述水化学特征数据，采用聚类分析的方法将所述潜在GDE分布区域内的与喀斯特含水层水体特征相近的区域确定为喀斯特型GDE区域。
可选地，采用空间核密度算法对所述GDE栅格数据进行概率密度划分，得到所述目标流域内的GDE分布范围，并绘制GDE分布图，具体包括：
根据所述GDE栅格数据计算每个格网像元的搜索半径；
对于任意一个格网像元，采用空间核密度算法根据所述搜索半径内所有邻域像元与所述格网像元的距离计算所述格网像元属于GDE区域的概率密度；
根据所述GDE栅格数据内所有格网像元的概率密度确定所述目标流域内的GDE分布范围；
根据所述目标流域内的GDE分布范围绘制GDE分布图。
可选地，该方法还包括：
根据所述目标流域的生态水文信号对所述目标流域内的GDE分布范围进行验证；所述生态水文信号包括：地下水对岩溶泉的基流补给、流域内各种水体的水化学特征和地下水动物群。
可选地，根据所述目标流域的生态水文信号对所述目标流域内的GDE分布范围进行验证，具体包括：
根据所述目标流域的生态水文信号，采用水文分析、水化学同位素分析以及地下水动物谱系分析对所述目标流域内的GDE分布范围进行验证；所述水文分析包括：水文节律分析和地下水流节律分析。
一种识别与绘制GDE范围的系统，该系统包括：
数据获取模块，用于获取目标流域的数字高程模型、卫星遥感数据、河床数据、植被根系深度数据、第四系含水层水位数据和水化学特征数据；
平原地区确定模块，用于根据所述数字高程模型确定所述目标流域内的平原地区；
慢干植被分布区域确定模块，用于根据所述卫星遥感数据确定所述目标流域内的慢干植被分布区域；
潜在GDE分布区域确定模块，用于对所述平原地区和所述慢干植被分布区域取交集，得到潜在GDE分布区域；
GDE栅格数据确定模块，用于根据所述河床数据、所述植被根系深度数据、所述第四系含水层水位数据和所述水化学特征数据，从所述潜在GDE分布区域内确定植被型GDE区域、河道型GDE区域和喀斯特型GDE区域，得到GDE栅格数据；
GDE分布范围确定模块，用于采用空间核密度算法对所述GDE栅格数据进行概率密度划分，得到所述目标流域内的GDE分布范围，并绘制GDE分布图。
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的识别与绘制GDE范围的方法。
一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的识别与绘制GDE范围的方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的识别与绘制GDE范围的方法，通过获取目标流域的数字高程模型、卫星遥感数据、河床数据、植被根系深度数据、第四系含水层水位数据和水化学特征数据并进行分析，确定目标流域内的植被型GDE区域、河道型GDE区域和喀斯特型GDE区域，得到GDE栅格数据，并采用空间核密度算法对GDE栅格数据进行概率密度划分，得到目标流域内的GDE分布范围，从而绘制GDE分布图，能够提高GDE分布范围识别以及GDE分布图绘制的适用性和可靠性，克服现有的GDE研究在流域尺度上相对分散的问题，有利于了解GDE的生态水文特征，以及管理对人为变化的生态响应。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的识别与绘制GDE范围的方法的流程图；
图2为2020年至2021年干湿季WET指数、NDBSI指数、WET指数和NDBSI指数的平均差值以及潜在GDE分布区域的示意图；
图3为目标流域内WET与NDBSI指数差异的采样点分布图；
图4为WET指数与NDBSI指数差异的质心散点图；
图5为辽河流域水文地质调查资料图；
图6为水化学分析图；
图7为聚类分析树状图；
图8为浪溪河流域的GDE分布图；
图9为书院泉水文地质剖面图；
图10为书院泉水文数据示意图；
图11为生物抽水泵取样设备的结构图；
图12为对地下水动物进行生物分类学分析的示意图；
图13为本发明提供的识别与绘制GDE范围的方法的整体框图。
符号说明：圆台体滤网-1，圆柱体滤网-2，第一套管-3，第二套管-4，内丝接头-5，样品瓶-6，第一喉部-7，第二喉部-8，钢圈-9，锥形吊锤-10。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种识别与绘制GDE范围的方法、系统、设备及介质，以提高GDE分布范围识别以及GDE分布图绘制的适用性和可靠性。
本发明有三个主要目标：第一，提出一个识别、绘制和验证GDE的标准框架；第二，利用基于土壤水分的遥感方法和空间核密度函数，识别和绘制典型研究流域中GDE的分布图；第三，通过流域生态水文信号分析，验证GDE区划的可靠性。流域潜在依赖地下水的生态系统(GDE)可以根据地形、地表岩性以及湿、旱季湿度指数(即WET指数)与归一化差分累积土壤指数(即NDBSI指数)之间的变化来划分，进一步结合地下水位、河床底面、植被根深、地表水和地下水化学，以及水生动物的样本采集，可以更详细地识别出河道型S-GDE、植被型V-GDE和喀斯特型K-GDE。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供一种识别与绘制GDE范围的方法。如图1所示，该方法包括：
步骤S1：获取目标流域的数字高程模型、卫星遥感数据、河床数据、植被根系深度数据、第四系含水层水位数据和水化学特征数据。
步骤S2：根据所述数字高程模型确定所述目标流域内的平原地区。
步骤S2具体包括：
步骤S2.1：根据所述数字高程模型确定所述目标流域的高程数据和坡度数据。
步骤S2.2：根据所述高程数据确定所述目标流域的平均海拔。
步骤S2.3：根据所述坡度数据确定所述目标流域的最大平坦坡度阈值。
步骤S2.4：将所述目标流域内的海拔不高于所述平均海拔，且坡度不高于所述最大平坦坡度阈值的区域确定为平原地区。
使用数字高程模型(DEM)计算高程(Elevation)和坡度(Slope)，可以区分流域的平原和丘陵，并进一步根据地表岩性，筛选出易生成裂隙的碳酸盐岩(如石灰岩)区域，即为浅裂岩平原，这是具有GDE形成条件的区域。其中，DEM下载自地理空间数据云(https://www.gscloud.cn)，使用的是ASTER GDEM，全称Advanced Spaceborne Thermal Emissionand Reflection Radiometer Global Digital ElevationModel，即先进星载热发射和反射辐射仪全球数字高程模型，与SRTM一样为数字高程DEM，其全球空间分辨率为30米。坡度是使用Arcgis软件中的工具箱通过DEM数据计算出来的。
确定平原地区的具体公式如下：
其中，gridplain表示划分为平原地区的网格；slope为坡度，Δslope是最大平坦坡度阈值，本实施例中取Δslope＝10°，该参数的确定可根据流域平均坡度的三分之一手动调整，直至平原和山地清晰区分；elevation为海拔，是流域的平均海拔，当在高程差异较大的流域应用此方法时，可适应性调整该值，而不是不加考虑地简单使用平均值。
步骤S3：根据所述卫星遥感数据确定所述目标流域内的慢干植被分布区域。
步骤S3具体包括：
步骤S3.1：根据所述卫星遥感数据分别计算所述目标流域的WET指数和NDBSI指数。优选地，所述卫星遥感数据为红外光学遥感Landsat系列卫星数据。
步骤S3.2：将所述目标流域内的WET指数与NDBSI指数的差值小于或等于区域边界阈值的区域确定为慢干植被分布区域；所述区域边界阈值采用试错算法确定。
步骤S4：对所述平原地区和所述慢干植被分布区域取交集，得到潜在GDE分布区域。
在雨季和旱季结束时，使用WET指数和NDBSI指数来区分因水造成的植被损失率，并确定潜在GDE分布区域。
WET和NDBSI指数分别代表区域湿度和干燥度，基于红外光学遥感Landsat系列卫星数据分别计算旱季(即干季，4月底)和雨季(即湿季，10月底)结束时的WET和NDBSI指数。
基于WET和NDBSI指数在干湿季的差值可以用来计算特定地区在给定时期内干燥和湿度的极端变化，从而反映该季度的平均水储量，参见图2。
根据干季和湿季WET和NDBSI的差值，可以将流域平原地区分为不同的植被类别，包括永久开放水体、慢干植被、快干植被和作物。
分类依据为：在整个旱季，永久性开放水体表现出持续的高湿度和持续的低绿色；在长时间干旱后，缓慢干燥的植被(即慢干植被)往往表现出一定程度的绿色和湿度降低，这通常是由于地下水对基准流量的贡献减少或地下水位年度沉降所致；快速干燥的植被(即快干植被)，其根区经常与地下水断开，由于长期干旱期结束时土壤水分储存完全耗尽，表面的绿色和湿度可能会显著下降；作物可以通过种植和收获季节的明显变化来区分，参见图3和图4。
其中，慢干植被分布区域即为旱季仍受地下水补给的区域，而旱季仍受地下水补给的流域平原区为潜在GDE分布区域。基于WET和NDBSI指数差异的临界阈值(δWD)与公式(1)中计算的流域平原地区的交集来确定潜在GDE分布区域。
WET指数和NDBSI指数的计算公式如下：
WET＝c1·ρblue+c2·ρgreen+c3·ρred+c4·ρnir+c5·ρswir1+c6·ρswir2
(2)
其中，c1至c6为传感器参数。由于传感器类型不同，其参数也不同，针对不同Landsat卫星数据，公式(2)中的各参数详见表1。IBI和SI分别是建筑指数和土壤指数。ρred、ρgreen、ρblue、ρnir、ρswir1和ρswir2分别表示红波段、绿波段、蓝波段、近红波段、中红外波段1和中红外波段2的波长数据。δWD是用于划分潜在GDE分布区域边界的阈值，由试错算法确定。本实施例中取δWD＝0.3。
表1 Landsat系列卫星各波段传感器参数。
| Bands | Blue | Green | Red | Nir | Swir1 | Swir2 |
| Landsat5 TM | 0.0315 | 0.2021 | 0.3102 | 0.1594 | -0.6806 | -0.6109 |
| Landsat7 ETM+ | 0.1509 | 0.1973 | 0.3279 | 0.3406 | -0.7112 | -0.4572 |
| Lansat8 OLI | 0.1511 | 0.1973 | 0.3283 | 0.34067 | -0.7117 | -0.4559 |
其中，Landsat8卫星的波段如下：Band1、可见沿海、气溶胶(0.43-0.45μm)30m；Band2、可见蓝色(0.450-0.51μm)30m；Band3、可见绿色(0.53-0.59μm)30m；Band4、可见红色(0.64-0.67μm)30m；Band5、近红外(0.85-0.88μm)30m；Band6、SWIR短波长红外1(1.57-1.65μm)30m；Band7、SWIR短波长红外2(2.11-2.29μm)30m；Band8、全色(PAN)(0.50-0.68μm)15m；Band9、卷云(1.36-1.38μm)30m。
根据遥感影像估算当年干湿季GDE的潜在分布范围的具体公式为：
其中，gridpotential GDEs area表示潜在GDE分布范围，表示划分为慢干植被分布区域的网格。
以下标dry表示干季末，下标wet表示湿季末，则WET指数和NDBSI指数的平均差值的计算公式为：
图2为2020年至2021年干湿季WET指数、NDBSI指数、WET指数和NDBSI指数的平均差值以及潜在GDE分布区域的示意图。其中，图2中的(a)部分表示WET指数的变化率，图2中的(b)部分表示NDBSI指数的变化率，图2中的(c)部分表示WET指数和NDBSI指数的平均差值，图2中的(d)部分表示潜在GDE分布区域。具体地，图2中的(a)部分显示了2020年至2021年干湿季WET指数的变化率，图2中的(b)部分显示了2020年至2021年干湿季NDBSI指数的变化率。图中的边界线代表GDEs分布区域识别方法识别的流域平原与山丘的区域分界。与湿度变化不大的丘陵地区相比，平原地区的WET指数变化率较高。靠近丘陵和平原边界的平原地区WET指数变化率显著。相反，沿河岸和流域北部低洼地区的WET指数变化相对较小。与WET指数相比，NDBSI在平原地区变化相对较小，但在流域径流区的山脊处变化较大。图2中的(c)部分显示了干季和湿季期间WET指数和NDBSI指数之间的平均差异，其表明了不同水量的干湿季节之间可用水量的变化。某些地区的巨大差异表明旱季供水相对稳定。对流域岩性和水源分析表明，岩溶地下水补给是该地区稳定供水的主要来源。图2中的(d)部分显示了由旱季叠加图确定的潜在GDE范围，可以看出，丘陵地区虽然植被丰富，但土壤湿度较差，因此，这些区域可能不被视为潜在GDE分布区。而平原地区是山地与非山地的分界线，WET和NDBSI指数的变化趋势可以很好地区分。因此，可以提取全年土壤湿度稳定性更好的潜在GDE区域。潜在GDE的分布区域较为广泛，覆盖河流上下游以及丘陵平原的部分植被区。然而，需要进一步的水文地质调查来确定这些地区是否可以接受地下水补给。
图3为目标流域内WET与NDBSI指数差异的采样点分布图，图4为WET指数与NDBSI指数差异的质心散点图。如图3和图4所示，植被和水的辨别非常准确，慢干植被在湿季结束时表现出-0.4至0的差异指数(WET-NDBSI)范围，在旱季结束时表现出0至0.4的差异指数范围。平原地区的快干植被差异指数在湿季结束时为0.4～0.8，在旱季结束时为-0.4～0。相比之下，山区快干植被与农作物的差异指数在雨季结束时在0.4至0.8范围内，在旱季结束时在0.6至1范围内。值得注意的是，与农作物相比，旱季末山区快干植被在湿季末的相同差异指数更小，表明两者之间的回归系数更小。
步骤S5：根据所述河床数据、所述植被根系深度数据、所述第四系含水层水位数据和所述水化学特征数据，从所述潜在GDE分布区域内确定植被型GDE区域、河道型GDE区域和喀斯特型GDE区域，得到GDE栅格数据。
步骤S5具体包括：
步骤S5.1：根据所述河床数据和所述第四系含水层水位数据，将所述潜在GDE分布区域内的第四系含水层水位高于河床高程的区域确定为河道型GDE区域。
通过使用河床(通过遥感高程提取和实地野外踏勘测量验证获得)和第四系含水层水位(通过流域内第四系含水层地下水位观测井监测获得)数据，可以比较出第四系含水层水位是否高于河床高程，当第四系含水层地下水位高于河床高程时，地下水通过横向流动补给河流，并为地下植被提供季节性或全年性的水。河流的河岸缓冲区由地下水滋养，与这些区域部分重叠，被归类为河道型GDE(S-GDE)。
步骤S5.2：根据所述植被根系深度数据和所述第四系含水层水位数据，将所述潜在GDE分布区域内的植被根系深度低于第四系含水层水位的区域确定为植被型GDE区域。
图5为辽河流域水文地质调查资料图。其中，图5中的(a)部分为地下水分布图，浅色圆点代表从第四系含水层抽水的水井；深色圆点表示从喀斯特含水层抽水的水井；粗实线代表地下水等水位线，其中地下水位在0-3米和3-5m的区域用斜线进行了填充；图5中的(b)部分为最大植被根深、河床高程、流域的水量和损失量河流段分布图，灰度表示经过实地调查绘制的流域植被最大根系深度范围；黑色水平实线区域为失水区域，即河道补给地下水的区域；黑色斜实线区域为赢水区域，即地下水补给河道的区域；数字标注的是实地调研获取的河床高程。
如图5所示，收集流域内植被根系深度(通过野外实地调查及全国土壤普查数据获得)和第四系含水层水位(通过流域内第四系含水层地下水位观测井监测获得)数据。植被根系深度比第四系含水层水位深的区域，代表植被可以直接接受地下水补给，这些区域被称为植被型GDE(V-GDE)。
步骤S5.3：根据所述水化学特征数据，采用聚类分析的方法将所述潜在GDE分布区域内的与喀斯特含水层水体特征相近的区域确定为喀斯特型GDE区域。
通过实地调查，在流域内岩溶泉、河流、地下水等各种水体采集水样，将所有水样通过0.45μm过滤器，并在金属分析之前使用纯HNO3将液体样品酸化至pH2，以防止金属沉淀。使用电感耦合等离子体质谱法(ICP-MS，Agilent 7500C)测定基本金属，同时使用离子色谱法(IC，Metrohm 861)分析溶解的阴离子。对水中的初级离子和污染物进行分析，确定它们的组成和含量。测试各水样的水化学(包括pH值、电导率、总硬度、溶解氧、氨氮、无机碳DIC、有机碳DOC、硝态氮、铵态氮、总氮、总磷等参数)和同位素(包括氢氧同位素(δ2H和δ18O))特征，使用聚类分析的方法，分析不同水体的相似性和一致性。与喀斯特含水层水体特征相近的水体分布范围即为受喀斯特含水层补给的区域，这些区域被称为喀斯特型GDE(K-GDE)。
根据水化学分析，大部分水样的pH值在7至7.5范围内，属于弱碱性环境。监测井石灰岩含水层水样水化学类型主要为HCO3-Ca·Na，其余水样均为HCO3-Ca型。图6为水化学分析图，图7为聚类分析树状图，如图6和图7所示，数据可以分为三个聚类组。第一聚类组为监测井内深度为60～90m的地下水，反映了寒武系张夏群岩溶承压含水层的地下水特征。第二聚类组包括龙池、胡泉、书院泉、丁泉、拔剑泉等泉水，主要为地下水天然露头，体现了岩溶泉水的特征。第三聚类组由第四系孔隙水和来自汇泉水库的水组成，反映了该水库主要由浅层地下水补给。事实上，集群划分并不是特别明确，尤其是像书院泉这样的下降泉。这些泉水不仅与岩溶含水层关系密切，而且与第四系含水层也有良好的水力联系。另一方面，惠泉水库是河道拦河坝蓄水的地表水库，接受大量地下水补给。因此，它表现出与泉水和第四系孔隙水相似的水化学特征。因此可以看出，该地区地表水与地下水的相互作用较强，GDE的水化学特征存在明显差异，但也存在一定的相似性。
步骤S6：采用空间核密度算法对所述GDE栅格数据进行概率密度划分，得到所述目标流域内的GDE分布范围，并绘制GDE分布图。
步骤S6具体包括：
步骤S6.1：根据所述GDE栅格数据计算每个格网像元的搜索半径。
步骤S6.2：对于任意一个格网像元，采用空间核密度算法根据所述搜索半径内所有邻域像元与所述格网像元的距离计算所述格网像元属于GDE区域的概率密度。
步骤S6.3：根据所述GDE栅格数据内所有格网像元的概率密度确定所述目标流域内的GDE分布范围。
步骤S6.4：根据所述目标流域内的GDE分布范围绘制GDE分布图。
通过上述步骤，能够精确定位被归类为GDE的栅格数据。进而利用空间核密度算法对流域内GDE的分布范围进行概率密度划分。内核密度估计背后的基本概念是，空间内的每个数据点都会通过密度函数对特定区域产生影响。通过构建空间核密度函数模型，可以确定给定样本空间内任何位置的影响。
其中，i＝1,2,…,n是输入点。仅当点位于(x,y)位置的半径距离内时，才将这些点包含在总和中。popi为第i点的人口字段值，为可选参数，本实施例中定义popi＝1。disti是点i与(x,y)位置之间的距离。radius表示搜索半径，也称为带宽。本发明通过取未加权标准距离SD与中较小的值来定义相邻两个网格的带宽计算方法。
其中，Dm是距(加权)平均中心的(加权)中值距离。SD是标准距离。n表示搜索半径内符合选取条件的点的个数。xi、yi和zi为空间坐标位置， 和/>为所有点位的平均坐标。
通过选择根据估计位置或样本点而变化的非固定带宽，可以利用称为自适应或可变带宽核密度估计的方法，更准确地描述GDE的空间分布特征。
图8为浪溪河流域的GDE分布图。如图8所示，采用三种灰度范围代表三种不同类型的GDE，采用不同亮度代表GDE的空间核密度梯度。流域内GDE主要位于流域中西部地区，面积约49平方公里，占流域总面积的29％。河流虽然流经岩溶地区，但其中心的空间分布与地表富水河道和小型水库不一致，这是本发明识别的GDE的显著特征。岩溶地区地表水侧向补给地下水，但补给并不集中在河道；相反，河道两岸都同样受到影响。因此，GDEs的形状反映了地面地下含水层的变化趋势，根据核密度梯度直方图将GDE的覆盖范围分为四个级别，从而更符合不同补水条件下的实际分布。
进一步地，该方法还包括：
步骤S7：根据所述目标流域的生态水文信号对所述目标流域内的GDE分布范围进行验证；所述生态水文信号包括：地下水对岩溶泉的基流补给、流域内各种水体的水化学特征和地下水动物群。
优选地，根据所述目标流域的生态水文信号，采用水文分析、水化学同位素分析以及地下水动物谱系分析对所述目标流域内的GDE分布范围进行验证；所述水文分析包括：水文节律分析和地下水流节律分析。
通过提取和细化流域的生态水文特征，可以获得生态水文信号，并验证GDE的判别范围。本发明选取了三种类型的生态水文信号：地下水对岩溶泉的基流补给、流域内各种水体的水化学特征和地下水动物群。
水文分析方法的主要目的是通过S-GDE中的基本流量信号来分析和验证(过程)地下水补给的比例。根据流域水文地质图，首先选取垂直河流并含有喀斯特泉的断面，参见图9，分析泉水(或河水)流量(通过监测泉流量断面的泉流量数据获得)的径流过程线的几何特征。
图9为书院泉水文地质剖面图。其中，虚线表示图中的地质类型，包括：全新世河流冲积矿床Q、寒武系张夏组灰岩€1-2和寒武纪馒头山组页岩€3。如图9所示，流域内寒武系、第四系地层广泛分布，地表岩性为硬质灰岩、寒武系张夏群、第四系冲积堆积层、河湖相砂质粘土、砾石等。含水岩层包括第四系松散多孔岩含水层和寒武系碳酸盐岩裂隙岩溶含水层。由于地形、地质的差异，各地形成了各种升降泉。山前断裂带和第四纪沉积物薄的地区，喀斯特泉水丰富，形成了大小不等的湿地，风景秀丽。据史料记载，盆地内共有泉水34处。河岸带和浅层地下水湿地通过地下水渗流和岩溶泉水支持GDE。根据GIS数据和调查结果，构建了垂直于浪溪河和书院泉的水文地质剖面。书院泉位于第四系与寒武系地层交界处，形成于张夏群寒武系鲕粒灰岩中，东部岩溶裂隙发育。地下水头比地表高约20米，形成自流下降泉。
图10为书院泉水文数据示意图。其中，图10中的(a)部分为1990年至2015年降水与书院泉基流量的关系，图10中的(b)部分为1993年7月至1994年7月书院泉水文图，图10中的(c)部分为1993年11月至1994年4月书院泉水流量衰减曲线，不同颜色表示流量衰减的不同阶段。
如图10所示，采用直线割线法，即使用水平线水平划分流程线的峰值。规定地表径流的贡献在水平切割线以上，而基流的贡献在横向切割线以下。选择没有降水的一段时期，进行分析，计算地下水基流量所占泉流量的比例，可知泉水或河水是否受喀斯特含水层的补给，以及喀斯特含水层对泉水或河水的补给比例。
如图9及图10所示，书院泉附近河段的流量对降水的依赖程度较高。2004年记录的最大流量为1450Ls-1，而2015年的最小平均流量为6.87Ls-1，比最大值低211倍多。年平均排放量89.66Ls-1，日排放量7746m3。尽管流量存在这种变化，即使在旱季，基流也得以维持，基流指数占河流流量的54.15％。其中，1991年BFI最小为0.369，2013年最大为0.845，可见基流对流域径流的贡献始终较大。即使在长时间无降雨补给的情况下，基流也呈现衰减趋势，并持续较长时间直至下一次降雨。因此，选择1993年7月至1994年7月作为典型年份，分析降水和书院泉断面流量的变化过程，以说明地下水和泉水如何补给河流。可以看出，期间出现了两次明显的流动下降过程。其中，1993年11月至1994年4月期间几乎没有降水，表明河流流量主要受地下水和泉水流量的影响。
选择1993年11月至1994年4月(该时期无降水和地下水开采)的水文图进行分析发现，这段无雨补给期的河流主要靠泉水维持，流量呈指数衰减趋势。流量衰减呈现三个阶段，表明岩溶管道中存在湍流的集中流量对河流进行补给；黑线表示大的腐蚀空隙和提供裂缝流的裂缝；蓝线表示小腐蚀裂纹、裂缝和粒间孔，通过漫流和层流对漫流含水层进行补给。
比较不同阶段的衰减系数(α)可以看出，第一个子动力阶段(0～10天)的衰减系数最大，为0.0985。第二子动力阶段(10～51天)的衰减系数明显减弱，而第三子动力阶段(51～141天)的衰减系数逐渐接近0。由上述分析可知：即使在长时间没有雨水补给的情况下；流量衰减可以持续很长一段时间，表明地下水一直对浪溪河的流量做出贡献。
在非雨季，岩溶含水层得到补给时，由于没有降水的额外补给，泉水的流量会逐渐减小，直到与含水层的补给率相匹配。流量衰减过程的方程可以写为：
其中，Qt为t时刻的总流量，Q1，Q2，…，Qn分别为第1至n个分解补给项；α1、α2、…、αn是指数回归模型的参数。
为了更全面地了解喀斯特型GDE的生态水文特征，以流域内书院泉为例进行研究。收集56年(1990-2015年)的月平均降水量和泉水流量数据，并利用频率排序筛选出典型年份(1993年7月至1994年7月)。选择上述时间段的原因主要源于两个因素。首先，这些时间段处于自然状态，没有受到地下水开采的任何影响。其次，今年无降雨补给的时间较长，为研究地下水基流补给过程提供了独特的机会，这在其他年份可能无法实现。
水化学特征可以区分流域水体是否由岩溶含水层补给。通过在流域内的岩溶地下水、第四系孔隙水和地表水布设采集点，采集不同类型的水样。将采集的水样进行样品制备和测定，通常采用稳定同位素比值质谱仪(IRMS)等设备进行测量，可采用Los GatosResearch(LGR)液态水同位素分析仪(LWIA)进行测定。测量结果以δ2H和δ18O的形式表示，即样品与标准(V-SMOW或者SLAP)的同位素比值的差值，用千分之一(‰)表示。
根据测定结果，分析水体的同位素组成特征，如同位素组成的空间分布特征、季节变化特征、水体来源特征等；将同位素组成与水文过程进行对比分析，如降水补给、蒸发作用、地下水补给等过程对同位素组成的影响，来验证水化学的连通性，即通过水化学聚类分析的准确性。
GDE的一个显著特点是存在毫米级的地下水动物群，这是地下水生态系统的生物指标，有助于确认GDE的识别和验证。这些动物群也有助于确定GDE的分布。利用网捕法采集岩溶地下水、地表水和第四纪孔隙水中的地下水动物。通过设计研制特定的捕网(网筛直径50、74、150μm)和生物抽水泵取样设备，可以实现几毫米微小动物的取样。如图11所示，该设备包括：圆台体滤网1、圆柱体滤网2、第一套管3、第二套管4、内丝接头5、样品瓶6、第一喉部7、第二喉部8、钢圈9和锥形吊锤10，上述结构的具体连接关系和作用详见专利CN208676142U一种地下水无脊椎动物网捕取样器，在此不做赘述。
为了调查岩溶地下水支撑的生态系统的水生动物的种类及分布状况，运用网捕和微型生物抽水泵相结合的取样方法，水生动物取样并用化学药剂进行保存。底栖无脊椎动物放在70％乙醇或5％福尔马林溶液中固定保存；浮游动物(枝角类、桡足类)于100mL水样中加4～5ml福尔马林固定后保存；浮游动物(原生动物、轮虫)水样中约加入1％(v/v)鲁哥氏液固定；鱼类用10％福尔马林保存。
如图12所示，通过对地下水动物进行生物分类学分析，可以用于验证不同水体的连通性。
如图13所示，本发明的整体思路为：1、识别潜在GDE、河道型GDE(S-GDE)、植被型GDE(V-GDE)和喀斯特型GDE(K-GDE)的分布范围；2、对范围进行制图；3、通过不同水体的水文节律、水化学同位素和地下水动物特征进行验证。
整体流程可分为数据的收集与野外调查、GDE的识别和GDE的制图与验证三部分。
①数据的收集与野外调查：1、对Landsat系列卫星数据进行预处理，计算出WET和NDBSI指数；使用DEM数据计算出栅格高程(Elevation)和坡度(Slope)。2、基于GIS数据和野外实地调研及监测获取地层岩性(SL)、河床高程(RB level)、地下水水位(GW depth)、植被(Vegtation)、水化学采样(WHS)、地下水动物采样(GFS)、河流/地下水的水质水位(WL&WQ)和无脊椎动物样品。3、将遥感数据栅格分辨率与GIS数据和野外实地调研数据的分辨率统一至相同大小和坐标系。
②识别GDE的内容包括：1、利用WET、NDBSI指数、高程、坡度和地层岩性，计算河流潜流带范围；利用高程、坡度、河床高程和地下水水位，计算赢水河段范围；利用河流潜流带范围和赢水河段范围获得S-GDE范围。2、利用地下水水位和植被根系数据计算获得V-GDE范围。3、利用各水体水化学聚类特征和地下水动物特性获得地下水支撑的栖息地范围，即为K-GDE范围。4、潜在GDE范围是包括V-GDE范围、S-GDE范围和K-GDE范围在内，有概率成为GDE区域的潜在范围。
③GDE的制图与验证：1、分别将识别的GDE栅格利用空间核密度函数进行面尺度拓展，获得流域GDE范围并制图。2、利用地层岩性、河流/地下水的水质水位以及地下水动物采样的无脊椎动物生物分类学分析结果，分别对河流、喀斯特泉等进行水文节律分析和地下水流节律分析，通过水文分析、水化学同位素分析以及地下水动物谱系分析对流域GDE范围进行验证。
综上所述，本发明提出了一个由遥感、GIS数据和现场水文地质调查相结合的四个诊断标准框架。该框架可以有效地识别和绘制典型岩溶盆地中不同类型的GDE。与传统的NDVI和NDWI指数划分相比，WET和NDBSI的差异指数在识别潜在GDE分布方面具有更好的适应性。然后使用空间核密度函数来映射GDE。结果表明，GDE主要有三种类型。河道型和植被型GDE集中在浪溪河河岸带，而岩溶含水层型(即喀斯特型)GDE分布在整个流域。每种类型的GDE都显示特殊的生态水文信号。例如，河流上涨的一个明显信号是基本流量指数，该指数可达到约54.15％，即使在极端干旱的季节也能保持河流的流动。水化学特征离子的聚集揭示了GDE是由岩溶地下水还是其他水源补给的。不同类型GDE中生活有不同的地下水动物群。这三个信号可以用来评估识别和映射GDE的准确性。
为了执行上述方法，以实现相应的功能和技术效果，下面提供一种识别与绘制GDE范围的系统，该系统包括：
数据获取模块，用于获取目标流域的数字高程模型、卫星遥感数据、河床数据、植被根系深度数据、第四系含水层水位数据和水化学特征数据。
平原地区确定模块，用于根据所述数字高程模型确定所述目标流域内的平原地区。
慢干植被分布区域确定模块，用于根据所述卫星遥感数据确定所述目标流域内的慢干植被分布区域。
潜在GDE分布区域确定模块，用于对所述平原地区和所述慢干植被分布区域取交集，得到潜在GDE分布区域。
GDE栅格数据确定模块，用于根据所述河床数据、所述植被根系深度数据、所述第四系含水层水位数据和所述水化学特征数据，从所述潜在GDE分布区域内确定植被型GDE区域、河道型GDE区域和喀斯特型GDE区域，得到GDE栅格数据。
GDE分布范围确定模块，用于采用空间核密度算法对所述GDE栅格数据进行概率密度划分，得到所述目标流域内的GDE分布范围，并绘制GDE分布图。
本发明还提供一种电子设备，包括存储器和处理器，该存储器用于存储计算机程序，该处理器用于运行计算机程序以使电子设备执行上述的识别与绘制GDE范围的方法。所述电子设备可以是服务器。
另外，本发明还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现上述的识别与绘制GDE范围的方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种识别与绘制GDE范围的方法，其特征在于，包括：
获取目标流域的数字高程模型、卫星遥感数据、河床数据、植被根系深度数据、第四系含水层水位数据和水化学特征数据；
根据所述数字高程模型确定所述目标流域内的平原地区；
根据所述卫星遥感数据确定所述目标流域内的慢干植被分布区域；
对所述平原地区和所述慢干植被分布区域取交集，得到潜在GDE分布区域；
根据所述河床数据、所述植被根系深度数据、所述第四系含水层水位数据和所述水化学特征数据，从所述潜在GDE分布区域内确定植被型GDE区域、河道型GDE区域和喀斯特型GDE区域，得到GDE栅格数据；
采用空间核密度算法对所述GDE栅格数据进行概率密度划分，得到所述目标流域内的GDE分布范围，并绘制GDE分布图。
2.根据权利要求1所述的识别与绘制GDE范围的方法，其特征在于，根据所述数字高程模型确定所述目标流域内的平原地区，具体包括：
根据所述数字高程模型确定所述目标流域的高程数据和坡度数据；
根据所述高程数据确定所述目标流域的平均海拔；
根据所述坡度数据确定所述目标流域的最大平坦坡度阈值；
将所述目标流域内的海拔不高于所述平均海拔，且坡度不高于所述最大平坦坡度阈值的区域确定为平原地区。
3.根据权利要求1所述的识别与绘制GDE范围的方法，其特征在于，根据所述卫星遥感数据确定所述目标流域内的慢干植被分布区域，具体包括：
根据所述卫星遥感数据分别计算所述目标流域的WET指数和NDBSI指数；
将所述目标流域内的WET指数与NDBSI指数的差值小于或等于区域边界阈值的区域确定为慢干植被分布区域；所述区域边界阈值采用试错算法确定。
4.根据权利要求1所述的识别与绘制GDE范围的方法，其特征在于，根据所述河床数据、所述植被根系深度数据、所述第四系含水层水位数据和所述水化学特征数据，从所述潜在GDE分布区域内确定植被型GDE区域、河道型GDE区域和喀斯特型GDE区域，得到GDE栅格数据，具体包括：
根据所述河床数据和所述第四系含水层水位数据，将所述潜在GDE分布区域内的第四系含水层水位高于河床高程的区域确定为河道型GDE区域；
根据所述植被根系深度数据和所述第四系含水层水位数据，将所述潜在GDE分布区域内的植被根系深度低于第四系含水层水位的区域确定为植被型GDE区域；
根据所述水化学特征数据，采用聚类分析的方法将所述潜在GDE分布区域内的与喀斯特含水层水体特征相近的区域确定为喀斯特型GDE区域。
5.根据权利要求1所述的识别与绘制GDE范围的方法，其特征在于，采用空间核密度算法对所述GDE栅格数据进行概率密度划分，得到所述目标流域内的GDE分布范围，并绘制GDE分布图，具体包括：
根据所述GDE栅格数据计算每个格网像元的搜索半径；
对于任意一个格网像元，采用空间核密度算法根据所述搜索半径内所有邻域像元与所述格网像元的距离计算所述格网像元属于GDE区域的概率密度；
根据所述GDE栅格数据内所有格网像元的概率密度确定所述目标流域内的GDE分布范围；
根据所述目标流域内的GDE分布范围绘制GDE分布图。
6.根据权利要求1所述的识别与绘制GDE范围的方法，其特征在于，还包括：
根据所述目标流域的生态水文信号对所述目标流域内的GDE分布范围进行验证；所述生态水文信号包括：地下水对岩溶泉的基流补给、流域内各种水体的水化学特征和地下水动物群。
7.根据权利要求6所述的识别与绘制GDE范围的方法，其特征在于，根据所述目标流域的生态水文信号对所述目标流域内的GDE分布范围进行验证，具体包括：
根据所述目标流域的生态水文信号，采用水文分析、水化学同位素分析以及地下水动物谱系分析对所述目标流域内的GDE分布范围进行验证；所述水文分析包括：水文节律分析和地下水流节律分析。
8.一种识别与绘制GDE范围的系统，其特征在于，包括：
数据获取模块，用于获取目标流域的数字高程模型、卫星遥感数据、河床数据、植被根系深度数据、第四系含水层水位数据和水化学特征数据；
平原地区确定模块，用于根据所述数字高程模型确定所述目标流域内的平原地区；
慢干植被分布区域确定模块，用于根据所述卫星遥感数据确定所述目标流域内的慢干植被分布区域；
潜在GDE分布区域确定模块，用于对所述平原地区和所述慢干植被分布区域取交集，得到潜在GDE分布区域；
GDE栅格数据确定模块，用于根据所述河床数据、所述植被根系深度数据、所述第四系含水层水位数据和所述水化学特征数据，从所述潜在GDE分布区域内确定植被型GDE区域、河道型GDE区域和喀斯特型GDE区域，得到GDE栅格数据；
GDE分布范围确定模块，用于采用空间核密度算法对所述GDE栅格数据进行概率密度划分，得到所述目标流域内的GDE分布范围，并绘制GDE分布图。
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1至7中任意一项所述的识别与绘制GDE范围的方法。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的识别与绘制GDE范围的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311121623.XA CN117115376B (zh) | 2023-09-01 | 2023-09-01 | 一种识别与绘制gde范围的方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311121623.XA CN117115376B (zh) | 2023-09-01 | 2023-09-01 | 一种识别与绘制gde范围的方法、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117115376A true CN117115376A (zh) | 2023-11-24 |
| CN117115376B CN117115376B (zh) | 2024-06-14 |
Family
ID=88794546
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311121623.XA Active CN117115376B (zh) | 2023-09-01 | 2023-09-01 | 一种识别与绘制gde范围的方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117115376B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117935080A (zh) * | 2024-03-19 | 2024-04-26 | 国网安徽省电力有限公司经济技术研究院 | 基于大数据的输变电工程地质分布图绘制处理方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650689A (zh) * | 2016-12-30 | 2017-05-10 | 厦门理工学院 | 一种沿海城市时间序列土地利用信息提取方法 |
| CN107194160A (zh) * | 2017-05-05 | 2017-09-22 | 合肥工业大学 | 一种流域沼泽湿地空间恢复分析方法 |
| CN109872062A (zh) * | 2019-02-02 | 2019-06-11 | 湖南大学 | 基于三维指标框架的县域尺度水土保持防控区划方法及系统 |
| CN113077153A (zh) * | 2021-04-02 | 2021-07-06 | 华南理工大学 | 一种基于生态系统服务供需关系的生态空间管制分区方法 |
| CN115660450A (zh) * | 2022-09-05 | 2023-01-31 | 中国长江三峡集团有限公司 | 一种河流生态系统文化服务功能评价方法及系统 |
-
2023
- 2023-09-01 CN CN202311121623.XA patent/CN117115376B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650689A (zh) * | 2016-12-30 | 2017-05-10 | 厦门理工学院 | 一种沿海城市时间序列土地利用信息提取方法 |
| CN107194160A (zh) * | 2017-05-05 | 2017-09-22 | 合肥工业大学 | 一种流域沼泽湿地空间恢复分析方法 |
| CN109872062A (zh) * | 2019-02-02 | 2019-06-11 | 湖南大学 | 基于三维指标框架的县域尺度水土保持防控区划方法及系统 |
| CN113077153A (zh) * | 2021-04-02 | 2021-07-06 | 华南理工大学 | 一种基于生态系统服务供需关系的生态空间管制分区方法 |
| CN115660450A (zh) * | 2022-09-05 | 2023-01-31 | 中国长江三峡集团有限公司 | 一种河流生态系统文化服务功能评价方法及系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117935080A (zh) * | 2024-03-19 | 2024-04-26 | 国网安徽省电力有限公司经济技术研究院 | 基于大数据的输变电工程地质分布图绘制处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117115376B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cappelaere et al. | The AMMA-CATCH experiment in the cultivated Sahelian area of south-west Niger–Investigating water cycle response to a fluctuating climate and changing environment | |
| da Cunha et al. | Assessment of current and future land use/cover changes in soil erosion in the Rio da Prata basin (Brazil) | |
| Holdaway et al. | Geoarchaeology of aboriginal landscapes in semi-arid Australia | |
| Jakada et al. | An approach to runoff modelling in small karst watersheds using the SWAT model | |
| Safarbeiranvnd et al. | Quality evaluation of groundwater resources using geostatistical methods (case study: Central Lorestan Plain, Iran) | |
| Macdonald et al. | Estimation of groundwater recharge in weathered basement aquifers, southern Zimbabwe; a geochemical approach | |
| Huang et al. | Quantificational effect of reforestation to soil erosion in subtropical monsoon regions with acid red soil by sediment fingerprinting | |
| McCool et al. | Soil analysis in discussions of agricultural feasibility for ancient civilizations: A critical review and reanalysis of the data and debate from Chaco Canyon, New Mexico | |
| Godif et al. | Delineation of groundwater potential zones using remotely sensed data and GIS-based analytical hierarchy process: Insights from the Geba river basin in Tigray, Northern Ethiopia | |
| Rahman et al. | Seasonal variability of waterlogging in Rangpur city corporation using GIS and remote sensing techniques | |
| Boudreault et al. | Using colour, shape and radionuclide fingerprints to identify sources of sediment in an agricultural watershed in Atlantic Canada | |
| Mendoza et al. | Determination of field capacity in the Chibunga and Guano rivers micro-basins | |
| CN117115376B (zh) | 一种识别与绘制gde范围的方法、系统、设备及介质 | |
| Gibson et al. | Compositional patterns in terrestrial fauna and wetland flora and fauna across the Pilbara biogeographic region of Western Australia and the representativeness of its conservation reserve system | |
| Nyarko | Floodplain wetland-river flow synergy in the White Volta River basin, Ghana | |
| Shamsudduha | Groundwater dynamics and arsenic mobilisation in Bangladesh: A national-scale characterisation | |
| SORO et al. | Contribution of remote sensing and piezometry to the study of the tablecloth behavior of the high Bandama basin at Tortiya (Northern Cote d’Ivoire) | |
| Koponen et al. | Blue Carbon Habitats:–a comprehensive mapping of Nordic salt marshes for estimating Blue Carbon storage potential | |
| Li et al. | Identification, Mapping and Eco-hydrological Signal Analysis for Groundwater-dependent Ecosystems (GDEs) in Langxi River Basin, North China | |
| Janipella et al. | Assessment of LULC change and its impact on groundwater regime using remote sensing and GIS techniques in Narkhed–Pandhurna CZO | |
| Yang et al. | Heterogeneity of hydrological connectivity in coral limestone groundwater pool from vertical, spatial and temporal tracing of groundwater chemicals and isotopes | |
| YIMEGNUSHAL | THE EFFECT OF LAND USE LAND COVER CHANGE ON STREAM FLOW AND SEDIMENT CONCENTRATION: CASE OF GILGEL ABAY WATERSHED, UPPER BLUE NILE BASIN, ETHIOPIA | |
| Minor | Estimating Annual Groundwater Evapotranspiration from Hydrographic Areas in the Great Basin Using Remote Sensing and Evapotranspiration Data Measured by Flux Tower Systems | |
| Cambule | Assessment of soil organic carbon stocks in the Limpopo National Park: from legacy data to digital soil mapping | |
| Mageed | Anti-desertification technology and management |
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 |