内蒙古草地生产力时空分析及产草量遥感估算和预测
发布时间：2020-11-04 03:34
草原生态系统是世界陆地植被生态系统的重要组成部分。草原生产力水平是草地退化、草地生态系统健康诊断、生态服务功能评价和碳汇研究的关键;草原产草量的估算和预测则能够为合理确定载畜量提供重要的科学依据,对维护草原生态平衡、正确指导畜牧业发展等具有重要的理论与现实意义。本文以内蒙古草原为研究区,综合运用GIS和遥感手段,结合野外实际调查数据、遥感数据及其他辅助数据,在草地NPP估算的基础上,系统分析了研究区草地生产力时空演变特征及影响因素,探讨了气温和降水对草地生产力的延迟性影响,完成了鲜草产草量的遥感估算和预测。主要工作和结论如下:(1)基于CASA模型估算了 2000-2014年各月份的草地NPP,估算结果与MOD17A3H-NPP数据的Pearson相关系数r达到了 0.935。以草地NPP作为草地生产力评价指标,采用基于像元的线性趋势法分析发现,内蒙古草地生产力整体上呈自西向东,自南向北逐渐递增的趋势;草地NPP积累期主要集中在4-10月份,在2000-2014年间变化趋势虽有少许波动,但整体上以0.85 g C/(m2 a)(P0.01)的速度增长;呈极显著增加和显著增加的区域所占百分比分别为29.76%和22.26%;Hurst指数计算结果结合2000-2014年的变化趋势综合分析发现,13.42%的研究区草地生产力由目前的增加将转变为减少趋势。(2)系统研究了研究区草地NPP与自然因素的相关性,并探讨了草地对人类活动的响应。基于像元的相关性分析法研究发现,研究区草地NPP与气温、地表温度在年际尺度上主要呈负相关,其中显著和极显著负相关所占比例之和分别为25.15%和60.99%;与降水量和蒸散发量在年际尺度上主要呈正相关,其中显著和极显著正相关所占比例之和分别为20.34%和74.25%;与本文提出的改进型TVDI计算结果在生长季连续月际尺度上,主要呈负相关,其中显著和极显著所占比例之和为49.83%。SNPP均值与年累计新增围栏草场面积和年累计种草面积的相关系数分别为0.689(P0.01)和0.817(P0.01),分析认为,国家生态环境相关政策等人类活动对草地NPP的提升有着明显的积极作用。(3)气象因素对植被生长的延迟性影响虽然被研究人员普遍认同,但定量研究一直未得到充分关注。本文在3个月的延迟量及不同时间气候因素对草地生产力影响大小各不相同的基础上,提出了基于时间累加的延迟性分析法,系统探讨了生长季连续月际和不同月份年际2个时间尺度下,气温和降水量对草地生产力的延迟性影响。结果表明,气温和降水对草地生长季的植被生产力影响具有一定的延迟性,但均随着时间向前推移,其影响程度越来越弱;同时,气温和降水量在生长季不同月份对草地生产力的影响具有明显的时空差异。(4)针对实际采样样方和遥感影像的像元在空间尺度上不一致的问题,提出了基于空间尺度转换的鲜草产草量遥感估算模型。以2013年锡林郭勒盟草地为例,采用空间尺度转换后的NPP和AFY构建散点图,并采用线性和幂函数进行拟合回归,两者的拟合优度系数R2分别达到了 0.79和0.85,均方根误差RMSE分别为0.0625 Kg/m2和0.0609 Kg/m2;采用Landsat 8遥感影像对该模型的有效性进一步验证证实,该模型适用于基于中低分辨率光学遥感影像的产草量估算。(5)基于深度学习的方法、基于时间累加的延迟性分析法和鲜草产草量遥感估算模型,提出了下一年度产草量预测的技术流程。以2014年锡林郭勒盟草地产草量为例,首先采用LSTM和GRU 2种神经网络模型基于站点的气象数据对下一年度的气温和降水量进行了预测;然后,以最优的气温和降水量预测结果为变量,采用基于时间累加的延迟性分析法原理,预测了 2014年草地生长季的NPP,其预测结果与基于CASA模型估算结果的拟合优度系数R2达到了 0.92;最后实现鲜草产草量预测,相对于2013年的鲜草产草量,预测结果相对精度为76.38%。
【学位单位】：山东科技大学
【学位级别】：博士
【学位年份】：2019
【中图分类】：TP79;S812
【部分图文】：
技大学博士学位论文?１１７Ａ３Ｈ－ＮＰＰ数据进行验证；然后，系统分析草地ＮＰＰ不同时间尺度的时空对不同草地类型的变化特征进行统计分析；最后基于Ｈｕｒｓｔ指数法对草地Ｎ化趋势进行研究；具体流程如图１．２所示。??一?－?－?－?－?－?－遥慼数据气数据地面实测数据其他辅助数据
Ｆｉｇ．?１．４?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ｈｅｒｂａｇｅ?ｙｉｅｌｄ?ｅｓｔｉｍａｔｉｏｎ?ｂｙ?Ｒｅｍｏｔｅ?Ｓｅｎｓｉｎｇ??（４）鲜草产草量预测研究??针对基于遥感的鲜草产草量预测缺乏相应的遥感数据源的问题，本文以２０１４年为??例，拟提出一种间接获取草地ＮＰＰ的方法，并以此结果进行鲜草产草量的预测。??首先，基于长时间序列的数据，采用深度学习的方法对２０１４年的气温和降水量进??行预测，拟采用?ＧＲＩＫＧａｔｅｄ?Ｒｅｃｕｒｒｅｎｔ?Ｕｎｉｔ）?［１！ＷＩ和?ＬＳＴＭ（Ｌｏｎｇ?Ｓｈｏｒｔ?Ｍｅｍｏｒｙ?Ｎｅｔｗｏｒｋ，??中短期记忆网络）［１９０］２种神经网络模型进行尝试，并用实际气温和降水数据分别基于站??点和插值后随机采点２种方式进行验证，选取最优预测结果；然后，采用基于时间累加??的延迟性分析法获取基于气温和降水量数据对草地ＮＰＰ的拟合回归公式，并计算２０１４??年的草地ＮＰＰ数据，同时，采用ＣＡＳＡ模型估算结果进行检验；最后，采用鲜草产草??量遥感估算模型，基于ＮＰＰ数据实现鲜草产草量的预测，并与２０１３年产草量数据进行??对比分析；具体流程如图１．５所示。??１９??
?＾?效性检验??图１．４鲜草产草量遥感估算流程图??Ｆｉｇ．?１．４?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ｈｅｒｂａｇｅ?ｙｉｅｌｄ?ｅｓｔｉｍａｔｉｏｎ?ｂｙ?Ｒｅｍｏｔｅ?Ｓｅｎｓｉｎｇ??（４）鲜草产草量预测研究??针对基于遥感的鲜草产草量预测缺乏相应的遥感数据源的问题，本文以２０１４年为??例，拟提出一种间接获取草地ＮＰＰ的方法，并以此结果进行鲜草产草量的预测。??首先，基于长时间序列的数据，采用深度学习的方法对２０１４年的气温和降水量进??行预测，拟采用?ＧＲＩＫＧａｔｅｄ?Ｒｅｃｕｒｒｅｎｔ?Ｕｎｉｔ）?［１！ＷＩ和?ＬＳＴＭ（Ｌｏｎｇ?Ｓｈｏｒｔ?Ｍｅｍｏｒｙ?Ｎｅｔｗｏｒｋ，??中短期记忆网络）［１９０］２种神经网络模型进行尝试，并用实际气温和降水数据分别基于站??点和插值后随机采点２种方式进行验证，选取最优预测结果；然后，采用基于时间累加??的延迟性分析法获取基于气温和降水量数据对草地ＮＰＰ的拟合回归公式，并计算２０１４??年的草地ＮＰＰ数据
本文编号：2869555
【学位单位】：山东科技大学
【学位级别】：博士
【学位年份】：2019
【中图分类】：TP79;S812
【部分图文】：
技大学博士学位论文?１１７Ａ３Ｈ－ＮＰＰ数据进行验证；然后，系统分析草地ＮＰＰ不同时间尺度的时空对不同草地类型的变化特征进行统计分析；最后基于Ｈｕｒｓｔ指数法对草地Ｎ化趋势进行研究；具体流程如图１．２所示。??一?－?－?－?－?－?－遥慼数据气数据地面实测数据其他辅助数据
Ｆｉｇ．?１．４?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ｈｅｒｂａｇｅ?ｙｉｅｌｄ?ｅｓｔｉｍａｔｉｏｎ?ｂｙ?Ｒｅｍｏｔｅ?Ｓｅｎｓｉｎｇ??（４）鲜草产草量预测研究??针对基于遥感的鲜草产草量预测缺乏相应的遥感数据源的问题，本文以２０１４年为??例，拟提出一种间接获取草地ＮＰＰ的方法，并以此结果进行鲜草产草量的预测。??首先，基于长时间序列的数据，采用深度学习的方法对２０１４年的气温和降水量进??行预测，拟采用?ＧＲＩＫＧａｔｅｄ?Ｒｅｃｕｒｒｅｎｔ?Ｕｎｉｔ）?［１！ＷＩ和?ＬＳＴＭ（Ｌｏｎｇ?Ｓｈｏｒｔ?Ｍｅｍｏｒｙ?Ｎｅｔｗｏｒｋ，??中短期记忆网络）［１９０］２种神经网络模型进行尝试，并用实际气温和降水数据分别基于站??点和插值后随机采点２种方式进行验证，选取最优预测结果；然后，采用基于时间累加??的延迟性分析法获取基于气温和降水量数据对草地ＮＰＰ的拟合回归公式，并计算２０１４??年的草地ＮＰＰ数据，同时，采用ＣＡＳＡ模型估算结果进行检验；最后，采用鲜草产草??量遥感估算模型，基于ＮＰＰ数据实现鲜草产草量的预测，并与２０１３年产草量数据进行??对比分析；具体流程如图１．５所示。??１９??
?＾?效性检验??图１．４鲜草产草量遥感估算流程图??Ｆｉｇ．?１．４?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ｈｅｒｂａｇｅ?ｙｉｅｌｄ?ｅｓｔｉｍａｔｉｏｎ?ｂｙ?Ｒｅｍｏｔｅ?Ｓｅｎｓｉｎｇ??（４）鲜草产草量预测研究??针对基于遥感的鲜草产草量预测缺乏相应的遥感数据源的问题，本文以２０１４年为??例，拟提出一种间接获取草地ＮＰＰ的方法，并以此结果进行鲜草产草量的预测。??首先，基于长时间序列的数据，采用深度学习的方法对２０１４年的气温和降水量进??行预测，拟采用?ＧＲＩＫＧａｔｅｄ?Ｒｅｃｕｒｒｅｎｔ?Ｕｎｉｔ）?［１！ＷＩ和?ＬＳＴＭ（Ｌｏｎｇ?Ｓｈｏｒｔ?Ｍｅｍｏｒｙ?Ｎｅｔｗｏｒｋ，??中短期记忆网络）［１９０］２种神经网络模型进行尝试，并用实际气温和降水数据分别基于站??点和插值后随机采点２种方式进行验证，选取最优预测结果；然后，采用基于时间累加??的延迟性分析法获取基于气温和降水量数据对草地ＮＰＰ的拟合回归公式，并计算２０１４??年的草地ＮＰＰ数据
本文编号：2869555
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2869555.html
