CN117668768B - 基于滑动窗口相似生境潜力模型的植被恢复潜力评估方法 - Google Patents
基于滑动窗口相似生境潜力模型的植被恢复潜力评估方法 Download PDFInfo
- Publication number
- CN117668768B CN117668768B CN202311645437.6A CN202311645437A CN117668768B CN 117668768 B CN117668768 B CN 117668768B CN 202311645437 A CN202311645437 A CN 202311645437A CN 117668768 B CN117668768 B CN 117668768B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- potential
- sliding window
- factors
- model
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 34
- 238000011084 recovery Methods 0.000 claims abstract description 42
- 230000008859 change Effects 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000001419 dependent effect Effects 0.000 claims abstract description 15
- 238000005192 partition Methods 0.000 claims description 32
- 238000012876 topography Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 239000002689 soil Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000001704 evaporation Methods 0.000 claims description 2
- 230000008020 evaporation Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 230000002411 adverse Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于滑动窗口相似生境潜力模型的植被恢复潜力评估方法,以筛选的植被恢复影响因素作为自变量,多年植被指数NDVI的变化斜率作为因变量,基于多尺度地理加权回归模型MGWR对多年植被恢复影响因素贡献程度的空间分异特征及其依存尺度进行分析,识别植被恢复显著驱动因素及其空间异质性依存尺度;基于识别的植被恢复显著驱动因素及其空间异质性依存尺度,改进基于滑动窗口的相似生境潜力模型SWSHPM的参数;基于改进的基于滑动窗口的相似生境潜力模型评价植被恢复潜力。本发明提供了一种普遍适用的针对不同空间尺度,考虑空间数据自身存在的空间异质性来改进基于滑动窗口相似生境潜力模型的植被恢复潜力评估的方法。
Description
技术领域
本发明环境保护技术领域,涉及基于滑动窗口相似生境潜力模型参数的改进,具体为一种基于滑动窗口相似生境潜力模型改进的植被恢复潜力评估的方法。
背景技术
植被恢复建设不仅是生态环境保护的需要,也是实现可持续发展和建设生态文明的重要一环。植被恢复是评价生态工程实施情况的重要指标,确定植被恢复潜力则是制定生态恢复方案时的重要前提和依据。植被恢复建设从单一追求“数量规模”转向注重“效益提升”是步入高质量发展阶段所面临的必要转变,科学评估植被恢复潜力是实现改善生态环境与区域生态治理格局优化调控的关键。
植被作为陆地生态系统重要组成部分,在调节气候、水土保持、固碳和生物多样性等方面发挥着至关重要的作用。如何将有限的植被恢复工作投入发挥出最大效果,是摆在当前和未来一段时间内的关键问题。
关于植被恢复潜力,以往植被恢复潜力研究多采用多因素综合评价模型(MFCE),即通过构建多指标综合评价体系,选取多个能反映植被生长的指标并确定每个指标的权重,如层次分析法AHP、比率估计方法、变异系数CV方法等,将多个指标转化为能综合反映待评价对象得分的单一指标。这种方法依赖于专家知识,在小区域相对容易构建,放到大区域似乎效率较低。
随着高时空分辨率遥感影像的出现,通过对遥感数据的挖掘和建模,可以定量评估生态工程治理成效和植被恢复潜力。生境相似的区域具有类似的植被恢复潜力。一些学者利用遥感数据支持的数据驱动方法,基于“相似生境原则”提取不同生境斑块的植被恢复潜力及可提升空间。相似生境潜力模型可以计算整个研究区域内每个当前位置的植被恢复潜力值,从而获得基于像元尺度的植被恢复潜力空间分布格局图,更加精细化的表征了不同地理区间植被进一步恢复的潜力。然而基于全局模型的相似生境潜力模型忽略了环境变量空间异质性的存在,植被恢复所能达到的理论最大潜力值因地而异;同时由于数据资料难以获取,难以全面准确评估植被恢复的影响因素,这就不可避免的影响相似生境的划分,增加评价结果的偏倚风险。为了解决上述问题,一些学者提出采用空间滑动窗口模型代替全局模型来处理回归问题。对此,Yin等(2020)提出“基于滑动窗口的相似生境潜力模型(SWSHPM)”来进一步优化算法,该模型基于每个当前位置在其本地窗口内相同的自然条件下计算,允许环境变量在不同位置对植被生长产生不同的影响,同时认为缺失变量在局部窗口尺度内对植被生长的影响可能非常有限,从而可以有效削弱空间异质性及未知的缺失变量的不利影响,提高评估结果的准确性。然而在构建局部相似生境潜力模型中,对于纳入变量的选择和滑动窗口尺度的确定来源依据仍然不足。
植被恢复潜力一般认为是由气候地形、土壤和地质条件决定的,一些学者还考虑了社会经济条件。随着遥感数据产品的广泛获取和丰富多样化,科学选择植被恢复影响因素已成为评估工作的必要前提。目前基于“相似生境”的植被恢复潜力研究均为自行纳入变量进行叠加分区,纳入变量是否有显著代表意义及科学依据,均有待于对植被恢复时空演变特征和及其潜在影响驱动机制做进一步定量评价。植被恢复潜力评价结果具有很大的尺度依赖性,对于局部评价模型中滑动窗口尺度的确定,目前为止依然没有很好的说明,主要依据经验来设置窗口尺度大小。
综合来看,以往植被恢复潜力评估未系统的考虑驱动因素贡献程度及其空间异质性依存尺度,由此导致基于滑动窗口的相似生境潜力模型评估植被恢复潜力,依赖于经验设定影响因素及滑动窗口尺度,参数缺乏依据,评估结果存在较大的不确定性。
目前基于滑动窗口的相似生境潜力模型(SWSHPM)叠加分区变量的不确定选取和滑动窗口尺度的经验确定,导致评估区域植被恢复目标存在较大的不确定性。植被恢复需在气候变化、社会经济和宏观政策等多方面综合分析的基础上,借助新的理论与方法进行科学评估,以制定符合区域实际情况的植被恢复目标。
发明内容
针对现有对植被恢复潜力评估的需求,本发明的目的是提供一种普遍适用的针对不同空间尺度,考虑空间数据自身存在的空间异质性来改进基于滑动窗口相似生境潜力模型的植被恢复潜力评估的方法,包括以下步骤:
一种基于滑动窗口相似生境潜力模型的植被恢复潜力评估方法,包括以下步骤:
步骤一:定量计算区域多年植被指数NDVI的变化斜率:采用Theil-Sen Median非参数估计斜率的算法进行计算;所述多年为不小于10年;
步骤二:植被恢复影响因素的初步筛选:从气候因素、地形因素、社会因素、生态工程中一个或多个方面中取多个数值型变量作为初筛的植被恢复影响因素,作为后续OLS建模的驱动力指标;
步骤三:基于全局传统多元线性回归模型OLS对步骤二获得的作为自变量的植被恢复影响因素和步骤一获得的作为因变量的植被指数NDVI变化斜率之间的多重共线性问题进行检验,剔除存在多重共线性的植被恢复影响因素,获得再次筛选的植被恢复影响因素作为后续MGWR建模的驱动力指标;
步骤四:以步骤三再次筛选的植被恢复影响因素作为自变量,步骤一获得的多年植被指数NDVI的变化斜率作为因变量,基于多尺度地理加权回归模型MGWR对多年植被恢复影响因素贡献程度的空间分异特征及其依存尺度进行分析,识别植被恢复显著驱动因素及其空间异质性依存尺度;
MGWR模型计算公式为:
式中:yi为因变量植被指数NDVI变化斜率;(ui,vi)为第i个区域的空间质心坐标;bwj表示用于校准第j个自变量的回归系数所使用的带宽;βbwj(ui,vi)表示局部自变量的回归系数,是关于地理位置的函数,表示第i个区域采样点上的第k个回归参数,每个βbwj都是基于局部回归,带宽是特定的;xij表示自变量j在第i个区域样本点处的观测值;εi表示随机误差项;采样点选取的每个行政区域的质心位置,自变量和因变量均进行了区域内的空间平均,即自变量和因变量每个行政单元为一个值,为了保证样本数量此处采取乡镇作为行政单元;
步骤五:基于步骤四识别的植被恢复显著驱动因素及其空间异质性依存尺度,改进基于滑动窗口的相似生境潜力模型SWSHPM的参数,所述参数为叠加分区V1,V2,…VN和滑动窗口R:将植被恢复显著驱动因素纳入基于滑动窗口相似生境潜力模型的叠加分区;引用植被恢复显著驱动因素的最小空间异质性作用尺度,即带宽,来确定滑动窗口尺度大小。滑动窗口R尺度大小依据以下公式为确定原则:
滑动窗口R的尺度大小=m×n=带宽/样本点数*区域面积,
m=n=(带宽/样本点数*区域面积)1/2,
基于滑动窗口的相似生境潜力模型如下式所示:
式中:LVRPIij(V1,V2,……VN)是当前单元格的植被恢复潜力指数LVRPI,当前单元格即第i行和第j列的单元格;N表示环境变量个数,V1,V2,……VN表示叠加分区变量在当前位置的值,包括步骤四MGWR模型回归识别出的植被恢复显著驱动因素和多年不变影响植被生长的地质环境因素(地理分区、植被分区、土壤类型和坡向);;为植被恢复潜力值,即是假设滑动窗口中有m行和n列,y_b表示开始年份,y_e表示结束年份,先在该窗口下从属于不同年份的NDVI映射当前位置的单元格中找到最大NDVI值,再从与当前位置具有相同V1、V2、…VN的各叠加分区变量值的网格中寻找最大的NDVI值,然后将此最大值或其95%分位数作为返回值;NDVIij(V1,V2,…VN)为植被恢复现状值,是当前单元格在给定年份(本研究中为末年,即当前年份)所取的NDVI值;
步骤六:基于步骤五改进的基于滑动窗口的相似生境潜力模型评价植被恢复潜力。
进一步的优化,步骤一中,采用Theil-Sen Median非参数估计斜率算法计算植被指数NDVI的变化斜率的公式为:
其中:SNDVI为植被指数NDVI的变化斜率;NDVIi和NDVIj分别代表第i年和第j年植被指数NDVI值;首年≤i<j≤末年;Median代表计算中数;
当SNDVI<-0.0005时,NDVI呈退化趋势;当-0.0005<SNDVI<0.0005时,NDVI呈稳定趋势;当SNDVI>0.0005时,NDVI呈增长趋势。
进一步的,步骤二中,采用Theil-Sen Median非参数估计斜率的算法定量计算各个初筛的植被恢复影响因素的变化斜率,从而确定具有长时间序列的植被恢复影响因素的多年变化趋势。
进一步的,步骤二中,从气候因素方面选取的数值型变量包括年均降雨量增长率和年均蒸散发量增长率;从地形因素方面选取的数字型变量包括地形数字高程和坡度;从社会因素方面选取的数字型变量包括人口增长率和夜间灯光增长率;从生态工程方面选取的数字型变量包括退耕还林还草面积比率、林地保护面积比率和草地保护面积比率。
进一步的,步骤三中,剔除存在多重共线性的植被恢复影响因素为方差膨胀因子VIF≥7.5的自变量。
进一步的,步骤四中,在MGWR模型的基础上,确定具有带宽大小自适应的二次核函数,采用黄金分割搜索方式,用高斯函数对模型校准,使用修正后的赤池信息量准则AICc对模型拟合进行评估和比较,以选择最佳带宽。
进一步的,步骤五中,V1,V2,……VN表示叠加分区变量在当前位置的值,包括步骤四MGWR模型回归识别出的植被恢复显著驱动因素及多年不变影响植被生长的地质环境因素;所述多年不变影响植被生长的地质环境因素属于文字型分类变量。
进一步的,所述多年不变影响植被生长的地质环境因素包括:地理分区、植被分区、土壤类型和坡向。
基于相似生境潜力模型评估植被恢复潜力的原理,主要是基于叠加分区将具有相似生境条件的栅格单元划定为同一分区,认为属于同一分区内的栅格单元理应可以达到相同的植被覆盖度(本研究用植被指数NDVI表示),那么同一分区内具有较高植被覆盖度的栅格单元即认为是其他未达到该植被覆盖度的植被恢复潜力值(即可植被恢复到的最大值)。基于滑动窗口的植被恢复潜力模型就是在传统的相似生境潜力模型基础上,考虑到了生境条件具有空间异质性,即不同区域可达到的潜力因地而异,在局部窗口内可以很大程度上减少空间异质性和未知缺失变量的不利影响,从而提高评估结果的准确性。
滑动窗口相当于是在一个局部窗口内,筛选与窗口中心位置栅格单元具有相似生境条件的所有栅格单元,统计局部窗口内具有相同生境区域的所有栅格单元的95%分位数或最大NDVI值,赋值到该局部窗口中心栅格单元作为植被恢复潜力值,植被恢复潜力值减去现状值即为植被恢复潜力指数,滑动窗口即为设定一个自动程序,如上遍历所有栅格单元,为每个栅格单元赋值。
本发明在基于滑动窗口相似生境潜力模型的基础上进一步改进,有效识别具有显著影响的变量纳入叠加分区,并定量评估各自变量对植被指数增长率的影响的空间异质性尺度,确定出哪些变量具有空间异质性,空间异质性的最小尺度,将具有显著影响的自变量中具有的最小空间异质性尺度作为滑动窗口尺度大小的确定标准。一方面,将具有显著性影响的自变量纳入叠加分区,以保证所选变量对植被恢复具有显著影响;另一方面,采用具有的最小空间异质性尺度确定滑动窗口尺度大小,可认为滑动窗口尺度内的已知环境要素不存在空间异质性,即为同质的。那么在窗口内的同一分区的栅格单元可达到相同的植被覆盖度,即在相似生境的基础上进一步创造了更相近的生境条件,同时在相对小的窗口内,也可最大程度上有效避免未知缺失变量存在的空间异质性的不利影响。
本发明的优点和有益效果是:
本发明将MGWR模型评价结果应用于SWSHPM评估植被恢复潜力领域中,识别具有显著贡献度的驱动因素及其空间异质性依存尺度,改进局部窗口相似生境潜力模型参数,构建综合考虑驱动因素空间异质性差异化作用尺度和贡献度的SWSHPM,以最大程度上削弱未知及缺失变量的不利影响。
本发明拓宽了MGWR模型在评估植被恢复潜力中的应用。将评价结果用于基于滑动窗口的相似生境潜力模型的改进,通过评价植被恢复驱动因素贡献度筛选具有显著性的变量纳入相似生境模型叠加分区,以保证所选变量在实际应用中对目标变量具有足够的解释力和显著代表意义,使得相似生境的划分更具科学依据;通过识别不同显著驱动因素的空间异质性依存尺度,将变量最小异质性作用尺度作为滑动窗口尺度大小的确定依据,进一步精细化相似生境的划分,有效避免或减弱模型中环境因素的空间异质性和未知缺失变量的不利影响,使得相同分区在局部窗口内相似性更加接近,从而有效提高植被恢复潜力评估的准确性。
本发明改进解决了以往依据经验设置模型变量和参数的弊端,为基于栅格单元的大区域尺度植被恢复评价提供了新的视角,研究结果可作为空间指南为制定植被恢复的地方计划提供有效和明确的指导方针。此方法具有一定的普适性,可用于任意地区任意尺度(局部尺度或者全球尺度)层面的植被恢复驱动因素评价及潜力预测,也可延伸引用到其他具有空间异质性变量的研究应用中。
经实例验证,基于MGWR结果改进SWSHPM参数对植被恢复潜力的评估,模型能有效识别出沙漠等特殊地区植被恢复潜力低和植被无可恢复空间的特性,相比现有研究的全局相似生境模型对于黄土高原植被恢复潜力评价结果显示出的带状空间分布格局,本方法明显提高了植被恢复潜力评估结果的准确性,在一定程度上验证了模型参数改进的可靠性以及改进的现实意义。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为实施例1 2000-2019年宁夏植被指数NDVI变化斜率;
图2为实施例1中植被恢复驱动因素的空间分异格局;
图3为实施例1中MGWR驱动因素空间异质性尺度依存特征和显著贡献度;
图4为实施例1中基于现状自然环境和社会经济要素特征分区(式6中的叠加分区变量V1,V2,…VN);
图5为实施例1中宁夏植被恢复空间分异特征。
具体实施方式
实施例1:
一种基于滑动窗口相似生境潜力模型的植被恢复潜力评估方法,包括以下步骤:
步骤一:定量计算区域多年植被指数NDVI的变化斜率:采用Theil-Sen Median非参数估计斜率对宁夏2000-2019年植被指数NDVI变化趋势进行定量计算,用于表征区域植被覆盖的时空演变特征。该结果作为步骤三植被恢复驱动因素回归建模的因变量,同时作为步骤二选取回归建模驱动力指标(自变量)中具有长时间序列的影响因素的数据处理方法的示例,来作为植被恢复驱动因素回归建模的自变量。Theil-Sen Median非参数估计斜率的计算公式为:
首年≤i<j≤末年 (1)
其中:SNDVI为植被指数NDVI的变化斜率;NDVIi和NDVIj分别代表第i年和第j(i<j)年植被指数NDVI值;Median代表计算中数。
当SNDVI<-0.0005时,NDVI呈退化趋势;当-0.0005<SNDVI<0.0005时,NDVI呈稳定趋势;当SNDVI>0.0005时,NDVI呈增长趋势。
步骤二:植被恢复影响因素的初步筛选:从气候因素、地形因素、社会因素、生态工程中取多个变数值型量作为初筛的植被恢复影响因素,作为后续OLS建模的驱动力指标;采用Theil-Sen Median非参数估计斜率定量计算具有长时间序列的植被恢复影响因素的多年变化趋势(同步骤一),本实施例选取的建模驱动力指标(植被恢复影响因素)如表1:
表1建模驱动力指标
步骤三:基于全局传统多元线性回归模型OLS对步骤二获得的作为自变量的植被恢复影响因素和步骤一获得的作为因变量的植被指数NDVI变化斜率之间的多重共线性问题进行检验,剔除存在多重共线性的植被恢复影响因素,获得再次筛选的植被恢复影响因素作为后续MGWR建模的驱动力指标。
首先基于全局OLS模型对自变量(表1的建模驱动力指标)和因变量(步骤一植被指数NDVI变化斜率)之间是否存在多重共线性问题进行检验,剔除方差膨胀因子(VIF)≥7.5的自变量变量,帮助选择需要做空间异质性分析(MGWR)的自变量。
OLS模型是一种全局回归模型,它假设自变量和因变量之间的关系在整个研究区域是平稳的(即恒定的)。因此,OLS模型得到的回归系数估计值代表了整个研究区域的平均值,常见形式为:
Yi=β0+β1X1i+β2X2i+……βnXni+εi (2)
式中:Yi表示第i个地点的因变量(植被指数NDVI变化斜率)观测值;i=1,2…为样本数。β0,β1,β2,…,βn为n+1个未知参数,εi为误差项;β0为估计的截距;β1为X1的参数估计;Xni表示自变量集;n为自变量个数,下标i表述第i个地点,即第i个样本点(每个行政单元—乡镇的质心位置。最小二乘法可以用来计算回归参数矩阵:
式中,X、Y分别表示自变量矩阵和因变量列向量,β表示未知参数列向量。
采用方差膨胀因子(VIF)评估OLS回归模型中变量多重共线性的大小,VIF≥7.5表示该自变量与其他自变量因子高度相关,该自变量应被删除。VIF因子计算方法如下:
其中R2表示回归方程中的决定系数。
步骤四:以步骤三再次筛选的植被恢复影响因素作为自变量,基于步骤三多尺度地理加权回归模型MGWR对多年植被恢复影响因素贡献程度的空间分异特征及其依存尺度进行定量评估,识别植被恢复显著驱动因素(图3右)及其空间异质性依存尺度(图3左);基于空间异质性依存尺度和显著贡献度两个指标为步骤四改进基于滑动窗口的相似生境潜力模型(SWSHPM)参数提供依据。通过带宽(图3左)确定自变量的空间异质性尺度,基于空间分异格局的显著性(图3右)识别对植被恢复具有显著贡献度的自变量。
当现象涉及多个不同空间尺度的空间过程时,固定的空间尺度是无效的。MGWR允许不同的过程在不同的空间尺度上运行,通过自变量和因变量之间的条件关系推导出单独的带宽。MGWR模型中各变量的比带宽可以作为各空间过程作用的空间尺度的指标,更接近真实的空间过程模型。
MGWR模型计算公式为:
式中:yi为因变量植被指数NDVI变化斜率;(ui,vi)为第i个区域的空间质心坐标;bwj表示用于校准第j个自变量的回归系数所使用的带宽;βbwj(ui,vi)表示局部自变量的回归系数,是关于地理位置的函数,表示第i个区域采样点上的第k个回归参数,每个βbwj都是基于局部回归,带宽是特定的;xij表示自变量j在第i个区域样本点处的观测值;εi表示随机误差项。
在建立局部模型(MGWR)的基础上,确定具有带宽大小自适应的二次核函数,采用黄金分割搜索方式,用高斯函数对模型校准,使用修正后的赤池信息量准则(AICc)对模型拟合进行评估和比较,以选择最佳带宽。模型表现调整后的拟合优度R2较大,AICc值较小时即为更优拟合。MGWR使用Fotheringham等人(2017)中描述的反拟合算法进行校准,为了更快地进行模型校准,以GWR模型的最优参数估计作为MGWR模型的迭代初始点。基于这些初始值,校准过程以迭代的方式进行,在每次迭代中,评估所有局部参数估计和最优带宽。当连续迭代的参数估计值之间的差收敛到指定的阈值(本实施例中选择了1e-5)时,迭代终止。同时利用蒙特卡洛检验自变量(步骤二表1中OLS剔除多重共线性后的变量)是否具有空间异质性。
步骤五:基于步骤四识别的植被恢复显著驱动因素(图3右)及其空间异质性依存尺度(图3左),改进基于滑动窗口的相似生境潜力模型SWSHPM的参数,所述参数为叠加分区V1,V2,…VN和滑动窗口R:将植被恢复显著驱动因素纳入基于滑动窗口相似生境潜力模型的叠加分区;引用植被恢复显著驱动因素的最小空间异质性作用尺度,即带宽,来确定滑动窗口尺度大小。滑动窗口R尺度大小依据以下公式为确定原则:
滑动窗口R的尺度大小=m×n=带宽/样本点数*区域面积, (6)
m=n=(带宽/样本点数*区域面积)1/2,
滑动窗口尺度大小依据上述公式为确定原则,并进行适量取整,其中设定滑动窗口R的行数m和列数n相等;计算数据取整后采取的滑动窗口大小为90km×90km(本实施例数据分辨率为90m,R=1001×1001单元格);关于数据取整,在未能依据此原则确定滑动窗口大小时,尝试过设置不同等级的窗口大小所得出的结果,发现本数值所属区间段内最终得出结果几乎没有差异,认为窗口取整后不会对结果产生影响,R=1001×1001单元格,设置窗口为奇数,便于对窗口中心位置赋值。
将植被恢复显著驱动因素纳入基于滑动窗口相似生境潜力模型的叠加分区(图4),保证所选叠加变量在实际应用中对目标变量具有足够的解释力和显著代表意义,使得相似生境的划分更具科学依据。在叠加分区时,仅考虑了气候地形因素,未考虑生态工程影响因素。图4前四个变量(地理分区、植被分区、土壤类型和坡向)属于区域地理地质条件,属于多年不变的环境变量,后4个变量(坡度、干旱指数、夜间灯光、人口密度)是依据MGWR定量评估植被恢复影响因素所筛选出的变量,其中第6个变量干旱指数r=PET/PRE,属于考虑到水分条件是当地的主要限制因素,将降雨和蒸散发两个变量用干旱指数r来表示。
本实施例中,引用显著驱动因素的最小空间异质性作用尺度(带宽,图3左),按区域面积等比例(带宽占样本点比例,如43/258)确定滑动窗口R(带宽/样本点数*区域面积)的尺度大小(公式7中的行数m,列数n;本研究中m=n),进一步精细化相似生境的划分,有效避免或减弱模型中环境因素的空间异质性和未知的缺失变量的不利影响,使得相同分区在局部窗口内相似性更加接近,从而有效提高植被恢复潜力评估的准确性。
基于滑动窗口的相似生境潜力模型如下式所示:
式中:LVRPIij(V1,V2,……VN)是当前单元格的植被恢复潜力指数LVRPI,当前单元格即第i行和第j列的单元格的;N表示环境变量个数,V1,V2,……VN表示叠加分区变量在当前位置的值,包括步骤四MGWR模型回归识别出的植被恢复显著驱动因素和多年不变影响植被生长的地质环境因素(地理分区、植被分区、土壤类型和坡向);为植被恢复潜力值,即是假设滑动窗口中有m行和n列,y_b表示开始年份,y_e表示结束年份,先在该窗口下从属于不同年份的NDVI映射当前位置的单元格中找到最大NDVI值,再从与当前位置具有相同V1、V2、…VN的各叠加分区变量值的网格中寻找最大的NDVI值,然后将此最大值或其95%分位数作为返回值;NDVIij(V1,V2,…VN)为植被恢复现状值,是当前单元格在给定年份(本研究中为末年,即当前年份)所取的NDVI值。先从2000-2019年的NDVI中找到每个栅格单元多年NDVI中的最大值,作为后续数据统计的底图,随后再以该底图做滑动窗口95%分位数和最大值数据统计,寻找局部窗口内,与中心栅格单元属于同一叠加分区的所有栅格单元所形成的数据集中的95%和最大值,返回赋值到局部窗口中心栅格单元,如此利用滑动窗口遍历所有栅格,为每个局部窗口中心位置赋值。
步骤六:基于步骤五改进的基于滑动窗口的相似生境潜力模型评价植被恢复潜力。
本实施例,利用Rstudio构建基于滑动窗口的相似生境潜力模型评估宁夏植被恢复潜力。对当前位置在局部窗口下的相似生境集空间统计植被指数的95%分位数和最大值。为避免统计误差以95%分位数的植被指数值作为该位置的植被恢复潜力值(公式7中的生成具有局地适应性的植被恢复潜力图(VRPM;图5b)。根据植被恢复潜力值与当前植被指数NDVIij(V1,V2,…VN)(图5a)之差,计算得植被恢复潜力指数(LVRPI)LVRPIij(V1,V2,…VN)(图5c)。
最后应说明的是,以上仅用以说明本发明的技术方案而非限制,尽管参照较佳布置方案对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种基于滑动窗口相似生境潜力模型的植被恢复潜力评估方法,其特征在于:包括以下步骤:
步骤一:定量计算区域多年植被指数NDVI的变化斜率:采用Theil-Sen Median非参数估计斜率的算法进行计算;所述多年为不小于10年;
步骤二:植被恢复影响因素的初步筛选:从气候因素、地形因素、社会因素、生态工程因素4方面中一个或多个方面选取多个数值型变量作为初筛的植被恢复影响因素,作为后续OLS建模的驱动力指标;
步骤三:基于全局传统多元线性回归模型OLS对步骤二获得的作为自变量的植被恢复影响因素和步骤一获得的作为因变量的植被指数NDVI变化斜率之间的多重共线性问题进行检验,剔除存在共线性的植被恢复影响因素,获得再次筛选的植被恢复影响因素作为后续MGWR建模的驱动力指标;
步骤四:以步骤三再次筛选的植被恢复影响因素作为自变量,步骤一获得的多年植被指数NDVI的变化斜率作为因变量,基于多尺度地理加权回归模型MGWR对多年植被恢复影响因素贡献程度的空间分异特征及其依存尺度进行分析,识别植被恢复显著驱动因素及其空间异质性依存尺度;
MGWR模型计算公式为:
式中:yi为因变量植被指数NDVI变化斜率;(ui,vi)为第i个区域的空间质心坐标;bwj表示用于校准第j个自变量的回归系数所使用的带宽;βbwj(ui,vi)表示局部自变量的回归系数,是关于地理位置的函数,表示第i个区域采样点上的第k个回归参数;xij表示自变量j在第i个区域样本点处的观测值;εi表示随机误差项;
步骤五:基于步骤四识别的植被恢复显著驱动因素及其空间异质性依存尺度,改进基于滑动窗口的相似生境潜力模型SWSHPM的参数,所述参数为叠加分区V1,V2,…VN和滑动窗口R:将植被恢复显著驱动因素纳入基于滑动窗口相似生境潜力模型的叠加分区;引用植被恢复显著驱动因素的最小空间异质性作用尺度,即带宽,来确定滑动窗口尺度大小;滑动窗口R尺度大小依据以下公式确定:
滑动窗口R的尺度大小=m×n=带宽/样本点数*区域面积,
m=n=(带宽/样本点数*区域面积)1/2,
基于滑动窗口的相似生境潜力模型如下式所示:
式中:LVRPIij(V1,V2,……VN)是当前单元格的植被恢复潜力指数LVRPI,当前单元格即第i行和第j列的单元格的;N表示环境变量个数,V1,V2,……VN表示叠加分区变量在当前位置的值,包括步骤四MGWR模型回归识别出的植被恢复显著驱动因素;为植被恢复潜力值,即是假设滑动窗口中有m行和n列,y_b表示开始年份,y_e表示结束年份,先在该窗口下从属于不同年份的NDVI映射当前位置的单元格中找到最大NDVI值,再从与当前位置具有相同V1、V2、…VN的各叠加分区变量值的网格中寻找最大的NDVI值,然后将此最大值或其95%分位数作为返回值;
NDVIij(V1,V2,…VN)为植被恢复现状值,是当前单元格在给定年份所取的NDVI值;
步骤六:基于步骤五改进的基于滑动窗口的相似生境潜力模型评价植被恢复潜力。
2.根据权利要求1所述的基于滑动窗口相似生境潜力模型的植被恢复潜力评估方法,其特征在于:步骤一中,采用Theil-Sen Median非参数估计斜率算法计算植被指数NDVI的变化斜率的公式为:
其中:SNDVI为植被指数NDVI的变化斜率;VDVIi和VDVIj分别代表第i年和第j年植被指数NDVI值;首年≤i<j≤末年;Median代表计算中数;
当SNDVI<-0.0005时,NDVI呈退化趋势;当-0.0005<SNDVI<0.0005时,NDVI呈稳定趋势;当SNDVI>0.0005时,NDVI呈增长趋势。
3.根据权利要求1所述的基于滑动窗口相似生境潜力模型的植被恢复潜力评估方法,其特征在于:步骤二中,采用Theil-Sen Median非参数估计斜率的算法定量计算各个初筛的植被恢复影响因素的变化斜率,从而确定具有长时间序列的植被恢复影响因素的多年变化趋势。
4.根据权利要求1所述的基于滑动窗口相似生境潜力模型的植被恢复潜力评估方法,其特征在于:步骤二中,从气候因素方面选取的数值型变量包括年均降雨量增长率和年均蒸散发量增长率;从地形因素方面选取的数值型变量包括地形数字高程和坡度;从社会因素方面选取的数值型变量包括人口增长率和夜间灯光增长率;从生态工程方面选取的数值型变量包括退耕还林还草面积比率、林地保护面积比率和草地保护面积比率。
5.根据权利要求1所述的基于滑动窗口相似生境潜力模型的植被恢复潜力评估方法,其特征在于:步骤三中:剔除存在多重共线性的植被恢复影响因素为方差膨胀因子VIF≥7.5的自变量。
6.根据权利要求1所述的基于滑动窗口相似生境潜力模型的植被恢复潜力评估方法,其特征在于:步骤四中:在MGWR模型的基础上,确定具有带宽大小自适应的二次核函数,采用黄金分割搜索方式,用高斯函数对模型校准,使用修正后的赤池信息量准则AICc对模型拟合进行评估和比较,以选择最佳带宽。
7.根据权利要求1所述的基于滑动窗口相似生境潜力模型的植被恢复潜力评估方法,其特征在于:步骤五中,V1,V2,……VN表示叠加分区变量,包括步骤四MGWR模型回归识别出的植被恢复显著驱动因素及多年不变影响植被生长的地质环境因素;所述多年不变影响植被生长的地质环境因素属于文字型分类变量。
8.根据权利要求7所述的基于滑动窗口相似生境潜力模型的植被恢复潜力评估方法,其特征在于:所述多年不变影响植被生长的地质环境因素包括:地理分区、植被分区、土壤类型和坡向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311645437.6A CN117668768B (zh) | 2023-12-04 | 2023-12-04 | 基于滑动窗口相似生境潜力模型的植被恢复潜力评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311645437.6A CN117668768B (zh) | 2023-12-04 | 2023-12-04 | 基于滑动窗口相似生境潜力模型的植被恢复潜力评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117668768A CN117668768A (zh) | 2024-03-08 |
CN117668768B true CN117668768B (zh) | 2024-07-02 |
Family
ID=90070786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311645437.6A Active CN117668768B (zh) | 2023-12-04 | 2023-12-04 | 基于滑动窗口相似生境潜力模型的植被恢复潜力评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117668768B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907113A (zh) * | 2021-03-18 | 2021-06-04 | 中国科学院地理科学与资源研究所 | 一种考虑空间相关性的植被变化成因识别方法 |
CN114139986A (zh) * | 2021-12-03 | 2022-03-04 | 北京师范大学 | 一种基于生态系统服务视角的区域生态修复规划方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971301B (zh) * | 2022-05-27 | 2023-01-13 | 生态环境部卫星环境应用中心 | 一种基于自动调参优化模型的生态干扰风险识别评估方法 |
CN116337146B (zh) * | 2022-12-27 | 2024-02-06 | 广东省科学院广州地理研究所 | 基于改进遥感生态指数的生态质量评价与分区方法及装置 |
-
2023
- 2023-12-04 CN CN202311645437.6A patent/CN117668768B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907113A (zh) * | 2021-03-18 | 2021-06-04 | 中国科学院地理科学与资源研究所 | 一种考虑空间相关性的植被变化成因识别方法 |
CN114139986A (zh) * | 2021-12-03 | 2022-03-04 | 北京师范大学 | 一种基于生态系统服务视角的区域生态修复规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117668768A (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ge et al. | Spatiotemporal dynamics of grassland aboveground biomass and its driving factors in North China over the past 20 years | |
CN110222911B (zh) | 一种卫星遥感与地面数据协同的雨量站网优化布局方法 | |
Easter et al. | The GEFSOC soil carbon modelling system: a tool for conducting regional-scale soil carbon inventories and assessing the impacts of land use change on soil carbon | |
Maeda et al. | Modelling agricultural expansion in Kenya’s Eastern Arc Mountains biodiversity hotspot | |
Yang et al. | Research on reconstructing spatial distribution of historical cropland over 300 years in traditional cultivated regions of China | |
Stella et al. | Model simplification and development via reuse, sensitivity analysis and composition: a case study in crop modelling | |
CN113902580B (zh) | 一种基于随机森林模型的历史耕地分布重建方法 | |
Lombardo et al. | Numerical recipes for landslide spatial prediction using R-INLA: a step-by-step tutorial | |
Aertsen et al. | Effects of scale and scaling in predictive modelling of forest site productivity | |
Di et al. | Design of a spatial sampling scheme considering the spatial autocorrelation of crop acreage included in the sampling units | |
Debeljak et al. | Modelling forest growing stock from inventory data: A data mining approach | |
Arif et al. | Analysis of artificial neural network in erosion modeling: a case study of Serang watershed | |
Yang et al. | Cross-system legacy data applied to digital soil mapping: A case study of Second National Soil Survey data in China | |
Jia et al. | Grassland biomass spatiotemporal patterns and response to climate change in eastern Inner Mongolia based on XGBoost model estimates | |
Krakauer | Estimating climate trends: application to United States plant hardiness zones | |
Yue et al. | Simulation and prediction of land use change in Dongguan of China based on ANN cellular automata-Markov chain model | |
CN117668768B (zh) | 基于滑动窗口相似生境潜力模型的植被恢复潜力评估方法 | |
Mansor et al. | Optimization of land use suitability for agriculture using integrated geospatial model and genetic algorithms | |
Shi et al. | Determination of the effective utilization coefficient of irrigation water based on geographically weighted regression | |
Rupsys et al. | A univariate stochastic Gompertz model for tree diameter modeling | |
Zou et al. | An empirical ensemble rainfall nowcasting model using multi-scaled analogues | |
Qu et al. | Spatial–temporal evolution and driving factors of ecosystem services trade‐offs and synergies in karst areas from a geospatial perspective | |
Wu et al. | An integrated model to simulate sown area changes for major crops at a global scale | |
Li et al. | Long-time Series Dataset of Soil Conservation Capacity Preventing Water Erosion in China (1992–2019) | |
Giuliano et al. | Dark future for a black salamander: effects of climate change and conservation implications for an endemic alpine amphibian |
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 |