CN117407838A - 一种绿色植被适应气候变化恢复力确定方法及系统 - Google Patents
一种绿色植被适应气候变化恢复力确定方法及系统 Download PDFInfo
- Publication number
- CN117407838A CN117407838A CN202311467586.8A CN202311467586A CN117407838A CN 117407838 A CN117407838 A CN 117407838A CN 202311467586 A CN202311467586 A CN 202311467586A CN 117407838 A CN117407838 A CN 117407838A
- Authority
- CN
- China
- Prior art keywords
- green vegetation
- model
- scale
- year
- index data
- 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 76
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000011084 recovery Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000011160 research Methods 0.000 claims description 11
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000001308 synthesis method Methods 0.000 claims description 2
- 238000011835 investigation Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 244000179970 Monarda didyma Species 0.000 description 1
- 235000010672 Monarda didyma Nutrition 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000003041 ligament Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000010792 warming 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
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种绿色植被适应气候变化恢复力确定方法及系统，绿色植被适应气候变化恢复力确定方法包括：获取待检测绿色植被指数数据；将所述待检测绿色植被指数数据输入到所述时空自回归模型，获取输出结果；根据所述输出结果，对绿色植被适应气候变化恢复力进行分析确定，其中，所述时空自回归模型基于历史绿色植被指数数据构建，所述历史绿色植被指数数据包括同一区域绿色植被前一年度同期的生长状态数据和同年度上个月的生长状态数据。本发明将绿色植被前一年度同期的生长状态耦合到绿色植被适应气候变化的恢复力模型中，从而更精准地获得绿色植被对气候变化的恢复力特性。
Description
技术领域
本发明属于应对气候变化技术领域，尤其涉及一种绿色植被适应气候变化恢复力确定方法及系统。
背景技术
应对气候变化是人类遇到规模最大、影响机理最复杂的共同难题。绿色植被是连接土壤、大气和水分的自然纽带，是陆地生态系统受全球气候变化影响程度的敏感指示器。
恢复力是指系统受到外界扰动后恢复原始状态或稳定状态的能力。有关绿色植被适应气候变化的恢复力确定方法是一直以来的研究热点，前人在不同区域和使用不同模型探讨了绿色植被适应气候变化的恢复力特性。例如，De Keersmaecker等建立了第一个同时在全球尺度上推导绿色植被抗性和恢复力指标的ARx模型，该模型使用NDVI和上一月份的NDVI、干旱指数、温度构建。Verhoeve等研究了坦桑尼亚北部在日趋干旱条件下绿色植被恢复力的变化特性，结果表明当地绿色植被覆盖率有所下降，但绿色植被恢复力维持较高水平。Feng等利用月度NDVI在局部和全球计算得到的指标评估绿色植被恢复力的强弱，发现气候变化降低了全球超过60％陆地绿色植被面积的生态系统恢复力，但在全球尺度上这种影响并不明显，气候变暖缓冲了全球尺度上恢复力的影响。
总结这些研究可以发现，前人在评估绿色植被适应气候变化的恢复力时，主要通过利用前一时期绿色植被生长状态构建的线性或非线性模型来进一步评估气候变化背景下绿色植被的恢复力强弱。然而，绿色植被具有独特的生长周期记忆特性，绿色植被生长现状会继承前一年度同期的生长状态，这一事实并没有被充分考虑到当前恢复力模型中。
发明内容
为解决上述技术问题，本发明提出了一种绿色植被适应气候变化恢复力确定方法及系统，在前人研究基础上进一步考虑绿色植被具有独特的生长周期记忆特性，将绿色植被生长现状所继承前一年度同期的生长状态耦合到绿色植被适应气候变化的恢复力模型中，从而更精准地获得绿色植被对气候变化的恢复力特性，进而更好地刻画绿色植被对气候变化的适应机制，支撑适应气候变化战略的制定与实施。
为实现上述目的，本发明提供了一种绿色植被适应气候变化恢复力确定方法，包括：
获取待检测绿色植被指数数据；
将所述待检测绿色植被指数数据输入到时空自回归模型，获取输出结果；根据所述输出结果，对绿色植被适应气候变化恢复力进行分析确定，其中，所述时空自回归模型基于历史绿色植被指数数据构建，所述历史绿色植被指数数据包括同一区域绿色植被前一年度同期的生长状态数据和同年度上个月的生长状态数据。
可选的，在构建所述时空自回归模型前，所述方法还包括对所述历史绿色植被指数数据进行预处理：
利用最大值合成法对所述历史绿色植被指数数据进行处理，获取月值数据集；
对所述月值数据集进行去线性趋势处理，获取预处理后的所述历史绿色植被指数数据。
可选的，所述时空自回归模型包括综合子模型、空间尺度子模型和时间尺度子模型；
所述综合子模型，用于刻画研究区域综合的绿色植被生命周期恢复力特性；
所述空间尺度子模型，用于根据所述绿色植被生命周期恢复力特性评估所述研究区域不同空间的绿色植被恢复力强弱变化；
所述时间尺度子模型，用于根据所述绿色植被生命周期恢复力特性评估所述研究区域所述绿色植被恢复力的时间动态变化。
可选的，所述综合子模型为：
NDVI＝a*NDVI(year-1，m)+b*NDVI(year,m-1)+c
其中，year是年份；m是月份；NDVI代表绿色植被指数数据时间序列值；a和b是模型系数，a表示年际尺度上的恢复力，b表示月度尺度上的恢复力；c是模型的截距。
可选的，所述空间尺度子模型为：
NDVI(x，y)＝a(x，y)*NDVI(x，y)(year-1，m)+b(x，y)*NDVI(x，y)(year，m-1)+c(x，y)其中，(x,y)是象元的地理坐标，year是年份；m是月份；NDVI代表绿色植被指数数据时间序列值；a和b是模型系数，a表示年际尺度上的恢复力，b表示月度尺度上的恢复力；c是模型的截距。
可选的，所述时间尺度子模型为：
NDVIt,k＝at,k*NDVIt,k(year-1,m)+bt,k*NDVIt,k(year，m-1)+ct,k
其中，k为时间窗口；t表示研究时段范围，且0≤t-k≤n，n是研究时段最大值；year是年份；m是月份；NDVI代表绿色植被指数数据时间序列值；a和b是模型系数，a表示年际尺度上的恢复力，b表示月度尺度上的恢复力；c是模型的截距。
可选的，根据所述输出结果，对绿色植被适应气候变化恢复力进行分析确定前还包括：根据决定性系数对所述时空自回归模型的精度进行验证，决定性系数越大，精度越高。
可选的，根据所述输出结果，对绿色植被适应气候变化恢复力进行分析确定包括：
根据所述输出结果，对绿色植被适应气候变化恢复力进行时间尺度变化特性分析和空间尺度变化特性分析。
可选的，所述绿色植被适应气候变化恢复力确定方法还包括：利用所述时空自回归模型对绿色植被指数数据进行预测模拟，获得时间尺度变化结果和空间尺度变化结果。
本发明还提供了一种绿色植被适应气候变化恢复力确定系统，包括：数据采集模块、数据分析模块和预测模块；
所述数据采集模块，用于采集绿色植被指数数据；
所述数据分析模块，用于对所述绿色植被指数数据进行分析；
所述预测模块，用于对所述绿色植被指数数据进行预测。
与现有技术相比，本发明具有如下优点和技术效果：
本发明将绿色植被前一年度同期的生长状态耦合到绿色植被适应气候变化的恢复力模型中，从而更精准地获得绿色植被对气候变化的恢复力特性，对绿色植被恢复力的时空分布变化进行分析，进而更好地刻画陆地生态系统对气候变化的适应机制。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例的一种绿色植被适应气候变化恢复力确定方法的流程示意图；
图2为本发明实施例的研究区域的绿色植被恢复力空间分布图，其中，图(a)为年际尺度绿色植被恢复力图，图(b)为月度尺度绿色植被恢复力图；
图3为本发明实施例的1983-2014年粤港澳大湾区绿色植被适应气候变化恢复力变化曲线图；
图4为本发明实施例的1983-2014年粤港澳大湾区绿色植被适应气候变化恢复力相邻年份差值变化曲线图；
图5为本发明实施例的2015-2016年每月粤港澳大湾区时序绿色植被NDVI预测曲线图；
图6为本发明实施例的2015年每月粤港澳大湾区象元尺度绿色植被NDVI预测图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例提出了一种绿色植被适应气候变化恢复力确定方法，如图1所示，包括以下步骤：
1.基础数据准备
本发明利用的基础数据主要包括绿色植被指数数据和气象数据，其中，绿色植被指数数据来自全球库存监测和模拟研究小组(The Global Inventory Monitoring andModelling Studies Group，GIMMS)制作的第三代产品(GIMMS NDVI3g v1.0)。该数据集的空间分辨率为8千米，时间分辨率为15天，时间跨度为1981年7月至2015年12月，空间覆盖南极洲以外的陆地区域。
2.基础数据预处理
2.1绿色植被指数数据最大值合成
为了进一步去除非绿色植被信号所带来的误差，本发明使用最大值合成法(MaximumValue Composites,MVC)将原始的数据集处理成月值数据集。
2.2时序数据去线性趋势
为了消除季节性因素的影响，对所有用到的绿色植被指数时间序列数据进行去线性趋势处理。方法采用matlab中的detrend(x)函数，该函数的原理为基于最小二乘法，从原数据x中去除最佳直线拟合线，从而消去数据的趋势变化。
算法步骤如下：
计算数据的平均值和数据个数的平均值/>公式如下：
其中，n为数据个数，为数据的平均值，/>为数据个数的平均值，i为1、2、3、…、n，yi为第i个数据。
计算最佳直线拟合线的斜率a和截距b，公式如下：
得到最佳直线拟合线
其中，a为最佳直线拟合线的斜率，b为最佳直线拟合线的截距，为最佳拟合线的自变量，/>为最佳拟合线的因变量。
去除线性趋势，公式如下：
y'i＝yi-(axi+b) (5)
y'i即为去线性趋势后的新数据。
3耦合绿色植被生命周期恢复力的时空自回归模型
根据处理好的绿色植被指数数据，可构建耦合绿色植被生命周期恢复力的时空自回归模型，用以评估绿色植被适应气候变化的恢复力。本发明根据不同运用情景构建了三种形式的模型。
3.1综合模型
综合模型作为最基础的模型，适用于刻画某区域综合的绿色植被生命周期恢复力特性。具体公式如下：
NDVI＝a*NDVI(year-1，m)+b*NDVI(year,m-1)+c (6)
其中，year是年份，范围1983年至2014年；m是月份，范围1至12个月；NDVI代表绿色植被指数数据时间序列值；a和b是模型系数，a表示年际尺度上的恢复力，b表示月度尺度上的恢复力，范围为-1到1，其绝对值越大表示绿色植被恢复力越低，恢复平衡的速度越慢，反之亦然；c是模型的截距。
3.2空间尺度模型
为了详细评估研究区域不同空间的绿色植被恢复力强弱变化，可把综合模型运用于空间逐象元，对每个象元上建立一个自回归模型，形成空间尺度模型。具体公式如下：
NDVI(x，y)＝a(x，y)*NDVI(x，y)(year-1，m)+b(x，y)*NDVI(x，y)(year，m-1)+c(x，y) (7)
其中，(x,y)是象元的地理坐标；其他参数与式(6)含义相同。
3.3时间尺度模型
为了观测绿色植被恢复力的随着时间的动态变化，可把综合模型运用于时间尺度，构建时间尺度模型。此时，需要引入一定长度的时间窗口。具体公式如下：
NDVIt,k＝at,k*NDVIt,k(year-1,m)+bt,k*NDVIt,k(year，m-1)+ct,k (8)
其中，k为时间窗口(通常可为2、5、10、20等，一般不大于研究时段的一半)；t表示研究时段范围，且0≤t-k≤n，n是研究时段最大值；其他参数与式(6)含义相同。
4.模型精度验证
基于调整决定性系数等对所构建模型的精度进行分析。
5.恢复力结果分析
根据第三步获得的绿色植被恢复力时空分布变化结果进行分析，包括时间尺度变化特性分析和空间尺度变化特性分析，对于模型系数a、b，a表示年际尺度上的恢复力，b表示月度尺度上的恢复力。在时间尺度上，a的绝对值越大表示年际尺度上的恢复力越低，恢复平衡的速度越慢，b的绝对值越大表示月度尺度上的恢复力越低，恢复平衡的速度越慢，反之亦然。在空间尺度上，不同像元的a和b的大小分布变化，表示了该区域绿色植被的恢复力空间变化。以此明确绿色植被恢复力时空分布变化特点。
6.恢复力模型预测应用
基于历史数据，利用所构建的恢复力模型对绿色植被指数未来数据进行预测模拟，获得时间尺度变化结果和空间分布变化结果。
实施例
本发明以粤港澳大湾区为实验区，获得了1982年到2014年的绿色植被适应气候变化的恢复力模型如下表1所示：
表1
表中序号1是本发明提出的耦合绿色植被前一年度同期的生长状态与同年度上个月的生长状态的绿色植被适应气候变化的恢复力模型，而序号2是前人研究中仅仅耦合绿色植被同年度上个月的生长状态的绿色植被适应气候变化的恢复力模型。可以发现在模型精度方面，本实施例提出的模型调整R2为0.4862，比前人常用的模型(调整R2为0.2965)模型精度提高了约20％。
研究区域恢复力特性分析
根据所构建的恢复力模型，可以发现，在年际尺度上，恢复力为0.50752，在月度尺度上，恢复力为0.29134。因为系数的绝对值越大，则恢复力越弱，说明对于研究区域的绿色植被来说，在年际尺度上比月度尺度需要更多的时间恢复到原始状态。
研究区域象元尺度恢复力分析如图2(a)-(b)所示。
在每个象元上建立一个恢复力模型，得到每个象元模型在年际和月度尺度上的恢复力表现特性，见图2。整体来看，绝大部分象元(90.4％)年际尺度恢复力小于月度尺度，与研究区域全区的结果相符合。在年际尺度上，绿色植被恢复力在研究区域中部(佛山、广州、东莞、中山四市的相邻的区域)小于周围区域。在月度尺度上，绿色植被恢复力在肇庆市北部有大部分地区恢复力较大(系数b小于0.2)，其他区域恢复力分布较为均匀(大部分区域系数b大于0.2小于0.4)。
研究区域时间窗口模型恢复力分析
以1983-2014年为时间跨度，本发明设置五年时间滑动窗口，得到粤港澳大湾区绿色植被适应气候变化恢复力变化曲线，即图3。并根据图3得到绿色植被恢复力在年际尺度和月度尺度的变化曲线，即图4。分析图3，绿色植被的恢复力一直呈现波动状态，说明绿色植被的恢复力的变化是不规则的，绿色植被恢复力对气候变化存在动态响应。在年际尺度上，恢复力集中在0.4到0.6区间内；在月度尺度上，恢复力在0.2到0.4之间。这说明对于研究区域的绿色植被来说，年际尺度恢复力小于月度尺度，与3.1的结论相同。在年际尺度上，绿色植被的恢复力在1991-1995年最低，在1996-2000年最高，在2001-2005年达到第二个低点，这三个时间窗口之间恢复力先升高后降低，变化幅度最大。在月度尺度上，在2008年到2012年的时间窗口之前，恢复力大都在0.2至0.3，而在该时间段和之后时间段的窗口上，恢复力升高到0.37后保持在0.3以上，说明2008年到2014年大湾区的绿色植被恢复力变弱。分析图4，可以看出：年际尺度上，绿色植被恢复力变化较为稳定，绝对值大小基本在0.08以下；而月度变化在2003-2007年的时间窗口之前变化稳定波动，在之后变化明显变大，部分时间段超过0.1，说明未来绿色植被状态可能会因气候变化而发生变化。
模型预测，全区综合预测，根据式6得到的模型，可以对研究区域2015-2016年的NDVI平均值进行预测，结果见图5。
空间各象元尺度预测，根据式7得到的每个象元的模型，对2015年各个象元的NDVI值进行了预测，结果见图6。
本发明还提供了一种绿色植被适应气候变化恢复力确定系统，包括：
数据采集模块、数据分析模块和预测模块；
数据采集模块，用于采集绿色植被指数数据；
数据分析模块，用于对绿色植被指数数据进行分析；
预测模块，用于对绿色植被指数数据进行预测。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种绿色植被适应气候变化恢复力确定方法，其特征在于，包括：
获取待检测绿色植被指数数据；
将所述待检测绿色植被指数数据输入到时空自回归模型，获取输出结果；根据所述输出结果，对绿色植被适应气候变化恢复力进行分析确定，其中，所述时空自回归模型基于历史绿色植被指数数据构建，所述历史绿色植被指数数据包括同一区域绿色植被前一年度同期的生长状态数据和同年度上个月的生长状态数据。
2.根据权利要求1所述的一种绿色植被适应气候变化恢复力确定方法，其特征在于，在构建所述时空自回归模型前，所述方法还包括对所述历史绿色植被指数数据进行预处理：
利用最大值合成法对所述历史绿色植被指数数据进行处理，获取月值数据集；
对所述月值数据集进行去线性趋势处理，获取预处理后的所述历史绿色植被指数数据。
3.根据权利要求1所述的一种绿色植被适应气候变化恢复力确定方法，其特征在于，所述时空自回归模型包括综合子模型、空间尺度子模型和时间尺度子模型；
所述综合子模型，用于刻画研究区域综合的绿色植被生命周期恢复力特性；
所述空间尺度子模型，用于根据所述绿色植被生命周期恢复力特性评估所述研究区域不同空间的绿色植被恢复力强弱变化；
所述时间尺度子模型，用于根据所述绿色植被生命周期恢复力特性评估所述研究区域所述绿色植被恢复力的时间动态变化。
4.根据权利要求3所述的一种绿色植被适应气候变化恢复力确定方法，其特征在于，所述综合子模型为：
NDVI＝a*NDVI(year-1，m)+b*NDVI(year,m-1)+c
其中，year是年份；m是月份；NDVI表示绿色植被指数数据时间序列值；a和b是模型系数，a表示年际尺度上的恢复力，b表示月度尺度上的恢复力；c是模型的截距。
5.根据权利要求3所述的一种绿色植被适应气候变化恢复力确定方法，其特征在于，所述空间尺度子模型为：
NDVI(x，y)＝a(x，y)*NDVI(x，y)(year-1，m)+b(x，y)*NDVI(x，y)(year，m-1)+c(x，y)
其中，(x，y)是象元的地理坐标，year是年份；m是月份；NDVI代表绿色植被指数数据时间序列值；a和b是模型系数，a表示年际尺度上的恢复力，b表示月度尺度上的恢复力；c是模型的截距。
6.根据权利要求3所述的一种绿色植被适应气候变化恢复力确定方法，其特征在于，所述时间尺度子模型为：
NDVIt,k＝at,k*NDVIt,k(year-1,m)+bt,k*NDVIt,k(year，m-1)+ct,k
其中，k为时间窗口；t表示研究时段范围，且0≤t-k≤n，n是研究时段最大值；year是年份；m是月份；NDVI代表绿色植被指数数据时间序列值；a和b是模型系数，a表示年际尺度上的恢复力，b表示月度尺度上的恢复力；c是模型的截距。
7.根据权利要求1所述的一种绿色植被适应气候变化恢复力确定方法，其特征在于，根据所述输出结果，对绿色植被适应气候变化恢复力进行分析确定前还包括：根据决定性系数对所述时空自回归模型的精度进行验证，决定性系数越大，精度越高。
8.根据权利要求1所述的一种绿色植被适应气候变化恢复力确定方法，其特征在于，根据所述输出结果，对绿色植被适应气候变化恢复力进行分析确定包括：
根据所述输出结果，对绿色植被适应气候变化恢复力进行时间尺度变化特性分析和空间尺度变化特性分析。
9.根据权利要求1所述的一种绿色植被适应气候变化恢复力确定方法，其特征在于，所述绿色植被适应气候变化恢复力确定方法还包括：利用所述时空自回归模型对绿色植被指数数据进行预测模拟，获得时间尺度变化结果和空间尺度变化结果。
10.一种绿色植被适应气候变化恢复力确定系统，其特征在于，包括：数据采集模块、数据分析模块和预测模块；
所述数据采集模块，用于采集绿色植被指数数据；
所述数据分析模块，用于对所述绿色植被指数数据进行分析；
所述预测模块，用于对所述绿色植被指数数据进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311467586.8A CN117407838B (zh) | 2023-11-07 | 一种绿色植被适应气候变化恢复力确定方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311467586.8A CN117407838B (zh) | 2023-11-07 | 一种绿色植被适应气候变化恢复力确定方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117407838A true CN117407838A (zh) | 2024-01-16 |
| CN117407838B CN117407838B (zh) | 2024-07-12 |
Family
ID=
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101718865A (zh) * | 2009-12-07 | 2010-06-02 | 中国科学院新疆生态与地理研究所 | 基于遥感的植被响应延迟方法 |
| KR101410770B1 (ko) * | 2013-04-02 | 2014-06-24 | 한국해양과학기술원 | 식생 변동을 조절하는 예측 기상 인자들을 이용한 연간 식생 변동 예측 방법 및 장치 |
| CN111832506A (zh) * | 2020-07-20 | 2020-10-27 | 大同煤矿集团有限责任公司 | 一种基于长时序植被指数的重建植被遥感判别方法 |
| CN114254802A (zh) * | 2021-11-09 | 2022-03-29 | 北京师范大学 | 气候变化驱动下植被覆盖时空变化的预测方法 |
| CN116011879A (zh) * | 2023-02-01 | 2023-04-25 | 长江水利委员会长江科学院 | 生态系统稳定性评估方法、装置、电子设备及存储介质 |
| CN116522092A (zh) * | 2023-05-17 | 2023-08-01 | 吉林大学 | 面向区域尺度的盐碱地植被状况时序变化精细化表达方法 |
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101718865A (zh) * | 2009-12-07 | 2010-06-02 | 中国科学院新疆生态与地理研究所 | 基于遥感的植被响应延迟方法 |
| KR101410770B1 (ko) * | 2013-04-02 | 2014-06-24 | 한국해양과학기술원 | 식생 변동을 조절하는 예측 기상 인자들을 이용한 연간 식생 변동 예측 방법 및 장치 |
| CN111832506A (zh) * | 2020-07-20 | 2020-10-27 | 大同煤矿集团有限责任公司 | 一种基于长时序植被指数的重建植被遥感判别方法 |
| CN114254802A (zh) * | 2021-11-09 | 2022-03-29 | 北京师范大学 | 气候变化驱动下植被覆盖时空变化的预测方法 |
| CN116011879A (zh) * | 2023-02-01 | 2023-04-25 | 长江水利委员会长江科学院 | 生态系统稳定性评估方法、装置、电子设备及存储介质 |
| CN116522092A (zh) * | 2023-05-17 | 2023-08-01 | 吉林大学 | 面向区域尺度的盐碱地植被状况时序变化精细化表达方法 |
Non-Patent Citations (4)
| Title |
|---|
| MATTHIAS FORKEL等: "Trend Change Detection in NDVI Time Series: Effects of Inter-Annual Vatiability and Methodology", REMOTE SENSING, 3 May 2013 (2013-05-03), pages 2113 - 2144 * |
| 刘静;温仲明;刚成诚;: "黄土高原不同植被覆被类型NDVI对气候变化的响应", 生态学报, no. 02, 31 January 2020 (2020-01-31), pages 678 - 691 * |
| 王小霞;刘志华;焦珂伟;: "2000―2017年东北森林NDVI时空动态及其驱动因子", 生态学杂志, no. 09, 30 September 2020 (2020-09-30), pages 2878 - 2886 * |
| 第2章: "西南地区NDVI动态变化及其与SPEI的关系研究", 中国优秀硕士学位论文全文数据库 基础科学辑, 15 February 2023 (2023-02-15), pages 2 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112684520B (zh) | 一种气象预报的订正方法、装置、计算机设备及存储介质 | |
| Hauser et al. | Methods and model dependency of extreme event attribution: the 2015 European drought | |
| Chen et al. | Locally adjusted cubic-spline capping for reconstructing seasonal trajectories of a satellite-derived surface parameter | |
| CN110363327B (zh) | 基于ConvLSTM和3D-CNN的短临降水预测方法 | |
| Vu et al. | A variance inflation factor and backward elimination based robust regression model for forecasting monthly electricity demand using climatic variables | |
| CN108647806B (zh) | 一种考虑大尺度环流背景场的延伸期预报方法 | |
| Vernieres et al. | The GEOS-iODAS: Description and evaluation | |
| CN109344865B (zh) | 一种多数据源的数据融合方法 | |
| Araujo-Pradere et al. | STORM: An empirical storm-time ionospheric correction model: 2. Validation | |
| Das et al. | Downscaling monsoon rainfall over river Godavari Basin under different climate-change scenarios | |
| KR101898629B1 (ko) | H-Infinity 필터를 이용한 기상 예측값 보정 방법 및 이를 이용한 기상 예측값 보정 장치 | |
| KR101515003B1 (ko) | 일사량 예측방법 | |
| KR20170073817A (ko) | 고해상도 강수량자료 복원시스템 및 그 방법 | |
| CN111879915A (zh) | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统 | |
| CN112396229A (zh) | 退化沼泽湿地植被适宜自然或人工恢复的区域划分方法 | |
| Mefti et al. | Satellite approach based on cloud cover classification: Estimation of hourly global solar radiation from meteosat images | |
| CN114723093A (zh) | 数据处理方法、装置及电子设备 | |
| CN114254802A (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
| CN116450700A (zh) | 极轨卫星地表温度时间归一化方法、装置及电子设备 | |
| KR101547682B1 (ko) | 고해상도기온진단모형을 이용한 과거 사상 상세기온자료복원시스템 및 그 방법 | |
| CN117407838B (zh) | 一种绿色植被适应气候变化恢复力确定方法及系统 | |
| Suksamosorn et al. | Post-processing of NWP forecasts using Kalman filtering with operational constraints for day-ahead solar power forecasting in Thailand | |
| CN110110448B (zh) | 一种基于wrf的天气模拟方法、系统和可读存储介质 | |
| CN117407838A (zh) | 一种绿色植被适应气候变化恢复力确定方法及系统 | |
| CN114943189B (zh) | 一种基于XGboost的声速剖面反演方法及系统 |
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 |