CN117933477B - 一种青藏高原多年冻土区植被特性时间变化趋势预测方法 - Google Patents
一种青藏高原多年冻土区植被特性时间变化趋势预测方法 Download PDFInfo
- Publication number
- CN117933477B CN117933477B CN202410112817.1A CN202410112817A CN117933477B CN 117933477 B CN117933477 B CN 117933477B CN 202410112817 A CN202410112817 A CN 202410112817A CN 117933477 B CN117933477 B CN 117933477B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- species
- qinghai
- tibet plateau
- characteristic
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 46
- 230000008859 change Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 29
- 241000894007 species Species 0.000 claims abstract description 127
- 230000000694 effects Effects 0.000 claims abstract description 31
- 238000011835 investigation Methods 0.000 claims abstract description 17
- 239000000203 mixture Substances 0.000 claims description 10
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 229910052757 nitrogen Inorganic materials 0.000 claims description 4
- 230000002792 vascular Effects 0.000 claims description 4
- 241000196324 Embryophyta Species 0.000 description 19
- 238000004458 analytical method Methods 0.000 description 10
- 238000012512 characterization method Methods 0.000 description 6
- 238000001556 precipitation Methods 0.000 description 6
- 230000007774 longterm Effects 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 4
- 239000010410 layer Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008080 stochastic effect Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 125000000524 functional group Chemical group 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000013076 uncertainty analysis Methods 0.000 description 3
- 241000592342 Tracheophyta Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013476 bayesian approach Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011033 desalting Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000005413 snowmelt Substances 0.000 description 1
- 244000148755 species properties Species 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Abstract
本发明涉及一种青藏高原多年冻土区植被特性时间变化趋势预测方法，该方法包括以下步骤：S1青藏高原多年冻土区典型样地植物群落特征数据获取和集成；S2青藏高原多年冻土区典型样地空气温度和土壤湿度数据提取及集成整理；S3青藏高原多年冻土区典型样地物种层级植被特性数据整理；S4定义模型通用符号；S5构建基于贝叶斯混合效应模型的青藏高原多年冻土区植被特性时间变化预测模型；S6基于贝叶斯混合效应模型的气候变化背景下植被特性时间变化预测模型实施。本发明可淡化或去除传统方法中存在的主调查区域和时间的影响偏差，能够较客观、精确地预测青藏高原多年冻土区植被特性随变化的趋势。
Description
技术领域
本发明涉及自然地理技术领域，尤其涉及一种青藏高原多年冻土区植被特性时间变化趋势预测方法。
背景技术
青藏高原，作为地球上最大的高原，拥有独特且复杂的生态环境。这里的多年冻土区是全球气候变化研究的重要区域，而青藏高原多年冻土区植被特性随时间演替速率对于该区域生态环境保护、农牧业发展政策的制定至关重要，然而，现有关青藏高原多年冻土区植被特性时间变化预测方法或技术，因为历史调查数据空间和时间分布不均匀，预测结果受主调查区域和时间的影响，偏差比较大，不能全面正确地反应该地区植被特性的变化趋势，往往造成相关管理制度和政策的滞后。
因此，亟需发展一种新的技术方法，弱化或者减小主调查区域和时间对预测结果的影响偏差，提供客观、精准的该区域植被特性随时间变化趋势的预测数据。
发明内容
本发明所要解决的技术问题是提供一种淡化或者去主调查区域和时间的影响偏差的青藏高原多年冻土区植被特性时间变化趋势预测方法。
为解决上述问题，本发明所述的一种青藏高原多年冻土区植被特性时间变化趋势预测方法，包括以下步骤：
S1青藏高原多年冻土区典型样地植物群落特征数据获取和集成：
收集青藏高原多年冻土区植物群落加权特性平均值的群落组成数据以及野外调查数据，并形成数据集；同时确定输入植被类型为维管植被；
S2青藏高原多年冻土区典型样地空气温度和土壤湿度数据提取及集成整理：
采用来自WorldClim44和CRU41的网格化气候数据集，并分别提取每个植被调查地点的夏季和冬季温度；同时提取该植被调查地点的土壤湿度数据；
S3青藏高原多年冻土区典型样地物种层级植被特性数据整理：
从TRY数据库中提取青藏高原多年冻土区区域内一系列连续植被特性数据，包括成年植物高度高度、叶面积(单叶单面平均面积)、叶面积与叶干质量的比值(SLA)、叶氮含量(每单位叶干质量)和叶干质量与叶鲜质量的比值(LDMC)；并收集实地野外调查数据；同时，对植被特性数据进行清理，使整理完以后的植被特性数据分布在青藏高原多年冻土区生物群落的各个纬度；
S4定义模型通用符号如下：
CWM为样地内所有物种特征值的平均值，按其在样地内的丰度进行加权平均计算；CWM+ITV为根据每个物种的种内温度-植被特性关系估计的ITV对CWM的调整；ITV为同一物种内的植被特性变化；
S5构建基于贝叶斯混合效应模型的青藏高原多年冻土区植被特性时间变化预测模型：
使用一个仅包含那些在至少在四个不同地点测量过植被性状的物种的性状数据子集，每个性状与温度之间的关系是从一个贝叶斯混合效应模型中估算出来，并以时间(年)作为预测变量，物种(sp)和数据集-位置作为随机效应进行建模；
基于贝叶斯混合效应模型的青藏高原多年冻土区植被特性时间变化预测模型如下：
αs，d～Normal(αs，σs)；
其中：～表示分布为；表示第i次观测到的植被特性；αs，d表示样地s中所有物种sp在d年观测值的平均值；σd表示样地s中所有物种sp在d年观测值的残差；αs，d～Normal(αs，σs)表示样地s中所有物种sp在d年观测值的平均值符合一个平均值为αs、残差为σs的正态分布；
S6基于贝叶斯混合效应模型的气候变化背景下植被特性时间变化预测模型实施。
所述步骤S2中土壤湿度被划分为干燥、中等和湿润三类。
本发明与现有技术相比具有以下优点：
1、本发明清晰的拟合出青藏高原多年冻土区植被特性时间变化非线性过程，包括环境变量因子，例如温度在时间趋势上的非线性过程。提高了青藏高原多年冻土区植被特性时间变化预测的准确性。
2、本发明通过引入历史调查数据群落内物种权重系数，包括调查区域和调查时间不均一性，对混合效应模型参数的先验概率进行了均衡补偿，提高了先验概率部分决策作用，降低了单一历史调查数据(物种丰度或环境因子)的权重影响或过拟合，提高了模型的时间预测准确率，实现了较好的青藏高原多年冻土区植被特性时间变化预测作用。
3、本发明利用贝叶斯层混合效应模型，通过对多个时间段非线性参数变量的推导，淡化或去除传统方法中存在的主调查区域和时间的影响偏差，克服了传统方法中地面调查所面临的空间限制和数据不连续性问题，能够较客观、精确地预测青藏高原多年冻土区植被特性随变化的趋势。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1为本发明的流程图。
具体实施方式
如图1所示，一种青藏高原多年冻土区植被特性时间变化趋势预测方法，包括以下步骤：
S1青藏高原多年冻土区典型样地植物群落特征数据获取和集成：
收集青藏高原多年冻土区植物群落加权特性平均值(CWM)的群落组成数据以及野外调查数据，并形成数据集；同时确定输入植被类型为维管植被。
S2青藏高原多年冻土区典型样地空气温度和土壤湿度数据提取及集成整理：
采用来自WorldClim44和CRU41的网格化气候数据集，并分别提取每个植被调查地点的夏季和冬季温度；同时提取该植被调查地点的土壤湿度数据。土壤湿度被划分为干燥、中等和湿润三类。
S3青藏高原多年冻土区典型样地物种层级植被特性数据整理：
从TRY数据库中提取青藏高原多年冻土区区域内一系列连续植被特性数据，包括成年植物高度高度、叶面积(单叶单面平均面积)、叶面积与叶干质量的比值(SLA)、叶氮含量(每单位叶干质量)和叶干质量与叶鲜质量的比值(LDMC)；并收集实地野外调查数据；同时，对植被特性数据进行清理，使整理完以后的植被特性数据分布在青藏高原多年冻土区生物群落的各个纬度。
S4定义模型通用符号如下：
CWM为样地内所有物种特征值的平均值，按其在样地内的丰度进行加权平均计算；CWM+ITV为根据每个物种的种内温度-植被特性关系估计的ITV对CWM的调整；ITV为同一物种内的植被特性变化(即，种内特性变异)。
S5构建基于贝叶斯混合效应模型的青藏高原多年冻土区植被特性时间变化预测模型：
使用一个仅包含那些在至少在四个不同地点测量过植被性状的物种的性状数据子集，每个性状与温度之间的关系是从一个贝叶斯混合效应模型中估算出来，并以时间(年)作为预测变量，物种(sp)和数据集-位置作为随机效应进行建模；
基于贝叶斯混合效应模型的青藏高原多年冻土区植被特性时间变化预测模型如下：
αs，d～Normal(αs，σs)；
其中：～表示分布为；表示第i次观测到的植被特性；αs，d表示样地s中所有物种sp在d年观测值的平均值；σd表示样地s中所有物种sp在d年观测值的残差；αs，d～Normal(αs，σs)表示样地s中所有物种sp在d年观测值的平均值符合一个平均值为αs、残差为αs的正态分布(Normal)。这里的αs表示样地s所有植被性状不受环境因素、时间、空间影响的内在恒定值。
S6基于贝叶斯混合效应模型的气候变化背景下植被特性时间变化预测模型实施。
实施例一种青藏高原多年冻土区植被特性时间变化趋势预测方法，包括以下步骤：
S1青藏高原多年冻土区典型样地植物群落特征数据获取和集成：
收集青藏高原多年冻土区植物群落加权特性平均值(CWM)的群落组成数据以及野外调查数据，并形成数据集；同时确定输入植被类型为维管植被。
本发明用于计算植物群落加权特性平均值(CWM)的群落组成数据是从对青藏高原多年冻土区植被调查的综合研究中汇编而来的，并增加了额外的地点(例如，西大滩，五道梁，和北麓河)和年份(例如，花石峡添加了2015年的调查数据)。
仅包括植物群落组成数据大致等同于植被盖度的地点(即：排除只估计生物量的地点)，共计117个地点(定义为单一连续植被类型中的样地)，分布在38个区域内(定义为CRU41网格单元)。在这些地点，1989年至2015年间进行了每个样地的物种组成和覆盖度调查。平均而言，每个地点有15.2个样方。重复调查的时间跨度至少为5年，最多为21年，时间跨度从1989年到2015年(平均持续时间为13.6年)，总共有1,781个独立样方和5,507个样方-年组合。这些样方62％是永久性的(即：标记了界标)或38％是半永久性的(即：大致但不精确的位置被重复调查)。植被监测地点位于青藏高原多年冻土区109公路和214公路沿线。
本发明仅包括维管植物，因为非维管植物的特性数据不足。
S2青藏高原多年冻土区典型样地空气温度和土壤湿度数据提取及集成整理：
采用来自WorldClim44(用于长期平均值；http://www.worldclim.org/)和CRU41(用于时间趋势；http://www.cru.uea.ac.uk/)的网格化气候数据集，并分别提取每个植被调查地点的夏季(最热季节)和冬季(最冷季节)温度。
WorldClim温度进一步根据海拔修正公式(即每增加1米海拔，温度下降0.005℃)进行海拔修正，此修正是基于记录的地点海拔与WorldClim网格单元平均海拔的差异。这个修正因子是通过提取所有落在站点周围2.5公里半径缓冲区内的单元的平均温度和海拔(WorldClim 30米分辨率地图)，并拟合一个线性混合效应模型(以站点为随机效应)，以估计海拔变化对温度的影响率来计算的。所有站点的长期平均(1960年至今)温度趋势为每十年夏季温度上升0.26℃(范围为-0.06℃至0.49℃)和冬季温度上升0.43℃(范围为-0.15℃至1.32℃)。
土壤湿度是由该地点之前描述的方法提供的分类度量。土壤湿度被划分为：(1)干燥，即在一年中最热的月份，土壤表层2厘米处摸起来是干的；(2)中等，即土壤全年湿润，但没有积水；(3)湿润，即在一年中最热的月份有积水存在。此外，使用欧洲航天局(ESA)CCISMv.04.2提供的高分辨率土壤湿度观测数据，以估计土壤湿度随时间的变化。
为了计算土壤湿度的平均分布，对1979年至2016年间的观测数据进行了平均。由于ESACCISM对的站点的时间覆盖率较差，因此改用同一时间段再分析(ERA-Interim；体积土壤水层1)的土壤湿度数据。同时，使用气候辅助插值(delta变化方法)将ERA-Interim数据降至ESACCI SM v.04.2的0.05°分辨率。然后，使用线性回归(以月份为预测变量)分别计算每个网格单元的土壤水分含量变化。
为了将土壤湿度数据分类为三类(湿润、中等或干燥)，以匹配群落数据集，在青藏高原多年冻土区范围内的平均土壤湿度上使用了分位数方法。将最低分位数指定为干燥，最高分位数指定为湿润。对于1979年至2016年间土壤湿度的趋势，首先计算了平均值的百分比变化，然后基于分类数据计算了变化(例如，从分类1(干燥)到分类2(中等)的5％变化)。
尽管土壤湿度对空间温度-植被特性关系的强烈影响表明，随时间变化的水分可用性将在调节植被特性变化中发挥重要作用，但本发明没有使用CRU降水数据集的降水变化估计，因为高纬度地区的降水记录存在问题，而且网格化数据集无法捕捉局部降水模式。而站点的CRU降水趋势数据空缺由长期平均值填补。因为多年冻土的土壤湿度主要受到雪融化时间、土壤排水、冻土层和当地水文的控制，所以降水记录和大尺度的遥感土壤湿度变化数据不太可能准确代表当地土壤水分可用性的变化。出于这个原因，本发明没有使用ERA-Interim数据来探索温度、湿度和植被特性之间的空间关系，因为上述的分类土壤湿度数据是在每个群落组成地点专门收集的，因此更准确地代表了该特定地点的长期平均土壤湿度条件。
S3青藏高原多年冻土区典型样地物种层级植被特性数据整理：
从TRY49 3.0数据库(https://www.try-db.org/TryWeb/Home.php)】中提取青藏高原多年冻土区区域内一系列连续植被特性数据，包括成年植物高度高度、叶面积(单叶单面平均面积)、叶面积与叶干质量的比值(SLA)、叶氮含量(每单位叶干质量)和叶干质量与叶鲜质量的比值(LDMC)。
并在2014-2015年进行了实地和数据收集活动，以收集额外的现场植被特性数据，补充现有的植被特性变化记录。来自植被监测站点、植被特性数据集和野外调查的所有物种名称在合并数据集之前都与植物名录中的公认名称匹配，使用R包Taxonstand51(v.1.8)进行匹配。
群落级别植被特性变化(木本性和常绿性)是根据每个物种的功能群分类得出的。木本性是以样地内木本物种的比例(丰度)估计的，而常绿性是样地中所有木本物种(常绿加落叶)中常绿木本物种丰度的比例。由于一些站点没有任何木本物种(因此无法计算常绿木本物种的比例)，所以这个特性只为117个站点中的98个估计。
植被特性数据野点剔除及插补：植被特性数据经历了多步清理过程。
首先，排除了所有不代表个体测量或大致物种平均值的数据。当植被特性数据集内的某个数据集仅包含粗略的植物高度估计(例如，估计到最近的一英尺)时，会移除这些值，除非没有该物种的其他高度估计可用。
然后，对植被特性数据集内重叠的数据集进行识别，并尽可能移除重复观察。以下数据集被识别为具有部分重叠的观察：全球植物特性网络数据库(GLOPNET)、LEDA特性数据库、阿比斯科和谢菲尔德数据库、多年冻土区植物特性数据库和皇家植物园(Kew)种子信息数据库(SID)。
其次，在每个植被特性数据集内部移除重复项(例如，如果一个值一次列为“平均值”、再次列为“最佳估计”)，先计算每个数据集内重复值的比例，再从重复值超过30％的数据集中移除重复项。这个阈值是通过手动评估不同阈值下的数据集确定的。重复值少于30％的数据集没有以这种方式移除，因为任何内部重复的值被假定为真正的重复(即，测量了两个不同的个体，恰好具有相同的测量值)。另外还从“Niwot Alpine Plant Traits”数据库中移除了所有物种平均观察，并用M.J.S.提供的原始个体观察替换。
植被特性数据集和野外调查数据集交叉验证：首先对植被特性数据集和野外调查数据集两个数据集进行不太可能值的检查，目的是排除可能的错误或单位不正确的测量，但不排除真实的极端值。此过程遵循了以下数据清理步骤，在每个步骤中，通过计算给定观察值(x)与该分类群平均值(排除x)之间的差异，然后除以该分类群的标准差，来确定一个观察值是否可能是错误的(即“错误风险”)。
本发明使用数据分层清理方法，因为特性值的标准差与均值和样本大小相关。检查针对植被特性的所有个体观察记录，并移除了错误风险大于8的任何记录(即，与特性均值相差超过8个标准差的值)。对于在植被特性数据集或野外调查数据集中出现在四个或更多独特数据集中的物种(即，不同的数据贡献者)，估计了每个数据集的物种平均值，并移除了物种平均错误风险大于3的观察(即，该数据集的物种平均值与所有数据集的物种平均值相差超过3个标准差)。对于出现在少于四个独特数据集中的物种，估计了每个数据集的属分类水平平均值，并移除了基于属分类水平平均的错误风险大于3.5的观察值。最后，将个体记录直接与该物种的值分布进行比较。对于拥有超过四个记录的物种，排除了错误风险高于Y的值，其中Y取决于该物种的记录数量，从少于10个记录的物种的错误风险为2.25，到超过30个记录的物种的错误风险为4。对于四个或更少记录的物种，手动检查了特性值，并仅排除了那些基于对这些物种的专业知识明显错误的值。这一程序应用于完整的苔原特性数据库，包括此处未呈现的物种和特性。总共移除了2,056个观察值(1.6％)。在所有情况下，都根据每个物种的所有观察值的分布进行了视觉检查，以确保我们的特性清理协议是合理的。
整理完以后的植被特性数据分布在青藏高原多年冻土区生物群落的各个纬度。所有带有纬度和经度信息的植被特性观察都被映射并检查了不太可能的值(例如，落在热喀斯特湖中)。这些值从原始数据集中进行了剔除。在移除重复和异常值后，保留了56,048个植被特性观察数据，其中18,613个包含在植被特性数据集中，37,435个是由野外实地调查贡献。
S4定义模型通用符号如下：
CWM为样地内所有物种特征值的平均值，按其在样地内的丰度进行加权平均计算；CWM+ITV为根据每个物种的种内温度-植被特性关系估计的ITV对CWM的调整；ITV为同一物种内的植被特性变化(即，种内特性变异)。
S5构建基于贝叶斯混合效应模型的青藏高原多年冻土区植被特性时间变化预测模型：
种内植物性状时间变化预测模型：
使用一个仅包含那些在至少在四个不同地点测量过植被性状的物种的性状数据子集，这些物种的性状在跨越至少整个温度范围60％的温度范围内测量(分别为夏季和冬季温度2.6℃和5.0℃)，并且记录了测量个体或个体群的纬度和经度。满足这些标准的物种数量因性状和温度变量而异：叶面积比(SLA；夏季108种，冬季109种)，植物高度(夏季80种，冬季86种)，叶氮(夏季74种，冬季72种)，叶面积(夏季85种，冬季76种)，叶干物质含量(LDMC；夏季43种，冬季52种)。这些物种数量对应于群落中53-73％的丰度。因此，每个植物性状(物种水平)时间变化趋势可以构建成一个贝叶斯层次模型。也就是说，每个性状与时间(年)之间的关系是从一个贝叶斯混合效应模型中估算出来的，以时间(年)作为预测变量，物种和数据集-位置作为随机效应进行建模。
使用贝叶斯混合效应方法计算每个物种的特性均值，使用只有截距模型(这样每个物种的截距(αs)等同于该物种的平均特性值)和每个物种的变异(σs)，符合对数正态误差分布。为了避免从分析中移除特性数据很少或没有的物种，本发明还使用了一种“填补空缺”的方法，可在考虑对这个平均值估计的不确定性的同时估计每个物种的特性平均值。因此，基于贝叶斯混合效应模型的青藏高原多年冻土区植被特性时间变化预测基础模型具体如下：
σsp，d～Normal(αsp+βspTd，σ1)…方程式(2)
βsp～Normal(B，σ2)…方程式(3)
αsp～Normal(A，σ3)…方程式(4)
上面方程中，波浪符号(～)表示“分布为”；表示第i次观测到的植被特性；αsp，d表示物种(sp)在d年观测值的平均值；σsp表示物种(sp)在d年观测值的标准误差；T代表温度；i代表每个特性观察；Α和Β分别是截距和斜率的超参数。
方程式(2)表示物种(sp)在d次(年)观测值的平均值符合一个截距为αsp，斜率为βsp，随d次(年)温度(T)变化的线性方程，标准误差为σ1的正态分布(Normal)。这里的斜率βsp表示单一物种(sp)的时间尺度上的温度敏感性；asp表示单一物种(sp)某一性状的非温度影响或者不受时间影响的恒定值。
由于叶干物质含量LDMC代表一个比例，因此被限制在0到1之间，使用了贝塔误差分布。温度值在每个物种内部都是以平均值为中心的。本发明对所有系数使用了非信息性先验，即所有样地内的CWM(即，所有物种的平均特性值，按每个物种的丰度加权平均计算)使用上述方程式(1)计算每个物种(s)的特性均值，使用只有截距模型(这样每个物种的截距(αs)等同于该物种的平均特性值)和每个物种的变异(σs)，符合对数正态误差分布，因此方程式(1)可以简化为方程式(5)，其余参数不变：
进一步，由于叶干物质含量LDMC代表一个比例，因此被限制在0到1之间，对这个特性使用了贝塔误差分布而不是对数正态分布。当一个物种在几个不同地点被多次测量时，还包括了数据集-地点(d)的随机效应，以减少单个数据集在一个站点的多次观测对计算物种平均值的影响。因此，上述基于贝叶斯混合效应模型的青藏高原多年冻土区植被特性时间变化预测基础模型(方程式(5))可以调整为方程式(6)：
其中，αs，d～Normal(αs，σs)。
本发明对所有物种截距参数使用了非信息性先验，前提是该物种有四个或更多独特的特性观察，这样每个物种级别的截距和截距周围的方差就是基于数据估计的。
本发明在使用上述方程式(6)时，为了避免从分析中移除特性数据很少或没有的物种，使用了“填补空缺”的方法，以便在考虑对这个平均值估计的不确定性的同时估计每个物种的特性平均值。即，对于特性观察少于四个但超过一个的物种，使用正态先验，均值等于观察值的均值，方差基于所有物种的平均值方差比例的估计。换句话说，计算了所有观察次数超过四次的物种的特性均值与这些特性值的标准差的比例，然后取这些比例在所有物种中的平均值，并将这个数乘以物种X的均值(其中X是观察次数在1-4次的物种)来获取σ的先验。
对于没有观察数据的物种，使用了一个先验均值，等于同属所有物种的平均值，先验方差基于同属所有物种的平均值，方差比例的估计或1.5倍的平均值，取较低者。如果同属没有其他物种，则使用先验均值，等于同科所有其他物种的平均值，先验方差基于同科所有物种的平均值:方差比例的估计或1.5倍的平均值，取较低者。
S6基于贝叶斯混合效应模型的青藏高原多年冻土区植被特性时间变化预测模型不确定性测试：
①物种特性均值的不确定性分析：
由于种内特性变异(ITV)、某些物种缺少特性信息或者当分类单元被归类为属或功能组而非物种时，采用方程式(7)进行物种特性均值的不确定性分析。通过从每个物种截距估计的后验分布(均值±标准差)中抽样，并将此分布乘以每个物种在样地中的相对丰度，从而得到每个样地(p)每年(y)的CWM分布：
这种方法生成了每个样地的CWM值分布，将每个物种的每个特性的均值估计的不确定性传递到样地级别(CWM)估计中。通过使用贝叶斯方法，能够将特性均值估计的不确定性传递到所有后续分析中，减少由于缺少特性观察而导致的偏见或虚假精确估计的可能性。
②物种演替还是站点间丰度变化不确定分析：
为了评估空间温度-特性关系是由物种演替还是站点间丰度变化引起的程度，本发明重复了每个分析，使用每个样地的非加权群落平均值(所有物种平均加权)。用非加权群落平均值估计的温度-特性关系仅归因于站点间的物种变化。最后，通过使用建模的种内温度-植物特性关系，及基于每个物种在特定年份相对于其长期平均值的站点温度，预测每个物种在每个站点的特性“异常值”，来评估ITV对群落级温度-特性关系的潜在贡献。
由于某些物种观察次数不足，无法为每个物种估计种内温度-植物特性关系。因此，使用所有物种的种内温度-植物特性斜率均值来预测没有种内温度-特性关系的物种的特性异常值。然后使用站点和年份特定的物种特性来估计计算每个样地在每个测量年份的ITV调整后的CWM(CWM+ITV)，并像上述只有CWM一样进行建模。由于这些调整值是相对于每个物种的均值估计的，因此包括此调整的空间温度-植物特性关系不会消除底层物种均值数据中的任何偏差。例如，如果青藏高原南部物种倾向于在其范围的南部边缘被测量，而青藏高原北部物种倾向于在其范围的北部边缘被测量，则整体空间温度-特性关系可能比实际情况更强。
③种内变异分析：
对于具有温度相关种内变异的物种，时间尺度上的CWM+ITV温度-植物特性关系估计不易受到相同的限制，因为它们代表了相对变化，但应谨慎解读，因为种内温度-植物特性关系可能是由于种群间的遗传差异而非可塑性，这表明特性变化不会立即随着变暖而发生。因此，CWM+ITV分析代表了ITV对整体CWM温度-特性关系在空间和时间上的潜在贡献的估计，但不应被解释为测量反应。
本发明以三种方式将种内变异纳入分析。首先，通过使用物种特性均值估计的后验分布(而不是单一均值)来计算每个样地的CWM值，从而将关于物种内变异量的信息纳入研究的所有分析中。其次，通过基于同一物种个体间特性的空间变异显示估计种内温度-特性关系。第三，通过使用这些模型化的温度-特性关系来指导估计ITV对整体(CWM+ITV)温度-特性关系在空间和时间上的潜在贡献。
S7基于贝叶斯混合效应模型的青藏高原多年冻土区植被特性时间变化预测模型预测精度评估：
通过贝叶斯层混合效应模型的建立，充分考虑了各影响因素(自变量)之间的关联性和时空变化，通过概率推断方法对未来气候变化背景下植被特性变化的发展趋势情况进行预测，精确度达到87.3％以上，因此，本发明可以清晰地反映出气候变化背景下青藏高原多年冻土区植被特性时间变化特征。
S8基于贝叶斯混合效应模型的气候变化背景下植被特性时间变化预测模型实施。
基于贝叶斯的气候变化背景下植被特性时间变化预测模型分析都是在R(v.3.3.3)下JAGS和Stan进行的，使用了rjags(v.4.6)和rstan53(v.2.14.1)包。在所有情况下，模型运行直到达到收敛，这通过追踪图中的视觉评估和确保所有Gelman–Rubin收敛诊断的值小于1.1来评估。
植物物种平均特征方法的一个主要局限性，通常用于环境-植被特性关系的分析中，是未能考虑ITV的，这可能与种间变异一样重要或更重要。因此，本发明通过使用层次分析来解决这个问题，该分析结合了气候梯度上种内和群落间植被特性变异，以估计生物群落规模上空间和时间上的特征变化。我们使用贝叶斯方法，考虑了数据的层次空间(区域某站点内某样地)和分类(种内和种间变异)结构，以及通过某些物种特征记录的缺失或通过在植被调查中被识别为属或功能群(而非物种)的分类引入的估计参数的不确定性。
Claims (2)
1.一种青藏高原多年冻土区植被特性时间变化趋势预测方法，包括以下步骤：
S1青藏高原多年冻土区典型样地植物群落特征数据获取和集成：
收集青藏高原多年冻土区植物群落加权特性平均值的群落组成数据以及野外调查数据，并形成数据集；同时确定输入植被类型为维管植被；
S2青藏高原多年冻土区典型样地空气温度和土壤湿度数据提取及集成整理：
采用来自WorldClim44和CRU41的网格化气候数据集，并分别提取每个植被调查地点的夏季和冬季温度；同时提取该植被调查地点的土壤湿度数据；
S3青藏高原多年冻土区典型样地物种层级植被特性数据整理：
从TRY数据库中提取青藏高原多年冻土区区域内一系列连续植被特性数据，包括成年植物高度高度、叶面积、叶面积与叶干质量的比值、叶氮含量和叶干质量与叶鲜质量的比值；并收集实地野外调查数据；同时，对植被特性数据进行清理，使整理完以后的植被特性数据分布在青藏高原多年冻土区生物群落的各个纬度；
S4定义模型通用符号如下：
CWM为样地内所有物种特征值的平均值，按其在样地内的丰度进行加权平均计算；CWM+ITV为根据每个物种的种内温度-植被特性关系估计的ITV对CWM的调整；ITV为同一物种内的植被特性变化；
S5构建基于贝叶斯混合效应模型的青藏高原多年冻土区植被特性时间变化预测模型：
使用一个仅包含那些在至少在四个不同地点测量过植被性状的物种的性状数据子集，每个性状与温度之间的关系是从一个贝叶斯混合效应模型中估算出来，并以时间作为预测变量，物种和数据集-位置作为随机效应进行建模；
基于贝叶斯混合效应模型的青藏高原多年冻土区植被特性时间变化预测模型如下：
αs，d～Normal(αs，σs)；
其中：～表示分布为；表示第i次观测到的植被特性；αs，d表示样地s中所有物种sp在d年观测值的平均值；σd表示样地s中所有物种sp在d年观测值的残差；αs，d～Normal(αs，σs)表示样地s中所有物种sp在d年观测值的平均值符合一个平均值为αs、残差为σs的正态分布；
S6基于贝叶斯混合效应模型的气候变化背景下植被特性时间变化预测模型实施。
2.如权利要求1所述的一种青藏高原多年冻土区植被特性时间变化趋势预测方法，其特征在于：所述步骤S2中土壤湿度被划分为干燥、中等和湿润三类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410112817.1A CN117933477B (zh) | 2024-01-26 | 一种青藏高原多年冻土区植被特性时间变化趋势预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410112817.1A CN117933477B (zh) | 2024-01-26 | 一种青藏高原多年冻土区植被特性时间变化趋势预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117933477A CN117933477A (zh) | 2024-04-26 |
| CN117933477B true CN117933477B (zh) | 2024-06-07 |
Family
ID=
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107330279A (zh) * | 2017-07-05 | 2017-11-07 | 贵州省草业研究所 | 一种高海拔多年冻土区植被类型预测方法 |
| CN116738161A (zh) * | 2023-05-05 | 2023-09-12 | 中国地质大学（武汉） | 冻土活动层厚度反演方法、装置、设备及存储介质 |
| CN116777079A (zh) * | 2023-07-21 | 2023-09-19 | 中国科学院西北生态环境资源研究院 | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 |
| WO2023245399A1 (zh) * | 2022-06-21 | 2023-12-28 | 南京大学 | 基于土地系统和气候变化耦合的水稻生产潜力模拟方法 |
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107330279A (zh) * | 2017-07-05 | 2017-11-07 | 贵州省草业研究所 | 一种高海拔多年冻土区植被类型预测方法 |
| WO2023245399A1 (zh) * | 2022-06-21 | 2023-12-28 | 南京大学 | 基于土地系统和气候变化耦合的水稻生产潜力模拟方法 |
| CN116738161A (zh) * | 2023-05-05 | 2023-09-12 | 中国地质大学（武汉） | 冻土活动层厚度反演方法、装置、设备及存储介质 |
| CN116777079A (zh) * | 2023-07-21 | 2023-09-19 | 中国科学院西北生态环境资源研究院 | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| ERA-Interim地表温度数据集在青藏高原冻土分布制图应用的适用性评估;秦艳慧;吴通华;李韧;谢昌卫;邹德富;张乐乐;王田野;余文君;王蔚华;;冰川冻土;20151215(第06期);全文 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | Evaluation of the latest satellite–gauge precipitation products and their hydrologic applications over the Huaihe River basin | |
| Voukantsis et al. | Forecasting daily pollen concentrations using data-driven modeling methods in Thessaloniki, Greece | |
| Javelle et al. | Evaluating flash-flood warnings at ungauged locations using post-event surveys: a case study with the AIGA warning system | |
| Moliere et al. | Classifying the flow regime of data-limited streams in the wet-dry tropical region of Australia | |
| CN113887972A (zh) | 一种基于水文过程的综合旱情监测与评估方法 | |
| McRoberts et al. | A new homogenized climate division precipitation dataset for analysis of climate variability and climate change | |
| CN112903606B (zh) | 一种基于无人机高光谱的红树林生态恢复力评估方法 | |
| CN115575601A (zh) | 基于水汽通量散度的植被旱灾指数评估方法和系统 | |
| CN115238947A (zh) | 气候变化下旱涝急转事件的社会经济暴露度预估方法 | |
| Zhang et al. | A tree-ring based precipitation reconstruction for the Mohe region in the northern Greater Higgnan Mountains, China, since AD 1724 | |
| Wang et al. | Spatial Variation of Extreme Rainfall Observed From Two Century‐Long Datasets | |
| Jarvis et al. | Applying econometric techniques to hydrological problems in a large basin: Quantifying the rainfall–discharge relationship in the Burdekin, Queensland, Australia | |
| CN117933477B (zh) | 一种青藏高原多年冻土区植被特性时间变化趋势预测方法 | |
| Xiong et al. | A quality control method for surface hourly temperature observations via gene‐expression programming | |
| CN117933477A (zh) | 一种青藏高原多年冻土区植被特性时间变化趋势预测方法 | |
| Zhang et al. | Reconstruction of hydrological changes based on tree-ring data of the Haba River, northwestern China | |
| Imfeld et al. | 250 years of daily weather: Temperature and precipitation fields for Switzerland since 1763 | |
| CN112380778A (zh) | 一种基于海温的气象干旱预报方法 | |
| CN117933476A (zh) | 一种青藏高原多年冻土区植被性状空间分布估算方法 | |
| Zhao et al. | Risk assessment for comprehensive meteorological disaster of winter wheat based on multisource gridded data: A case study in the upper Huaihe River basin, China | |
| Gado et al. | Evaluation of satellite-based rainfall estimates in the upper Blue Nile basin | |
| Zheng et al. | Spatiotemporal variation of water cycle components in Minjiang River Basin based on a correction method for evapotranspiration products | |
| Zhou | The impact of climate change and human management on the water cycle of China: dealing with uncertainties | |
| Mokashi et al. | Spiking Neural Network based Water management in Drought Area of Maharashtra India: A Case Study of Osmanabad District | |
| CN117992725B (zh) | 一种全球草地土壤水分阈值计算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |