东非舌蝇（Glossina spp.）分布的遥感研究

发布时间：2017-10-19 15:36

  本文关键词：东非舌蝇（Glossina spp.）分布的遥感研究

  更多相关文章： MODIS 温度 湿度饱和差 舌蝇 锥虫病

【摘要】：舌蝇分布图在非洲锥虫病控制中具有重要意义。考虑到遥感观测方法比传统地面观测宏观、高效,本文选择东非地区为研究区,对MODIS产品是否适合在舌蝇分布模型中作为气象输入参数进行了评估。 通过把MODIS Aqua地表温度与气象站日最高和最低温度进行比较,发现用MODIS地表温度作为日最高温度的替代因子具有较大误差(MAE (Mean Absolute Error)=6.9±5.0℃),而作为最低温度替代因子误差较小(MAE=1.9±1.7℃)。在该地区,由于云层覆盖,MODIS每日地表温度数据产品缺失严重(约2/3缺失),再加上本地的气温季节变化较小,本文认为采用卫星高程数据作为替代因子更符合实际。采用逐步线性回归方法研究表明,仅以高程作为预测因子,预测的最高气温与最低气温与实际温度均相差仅1.9℃(MAE)。考虑地表温度后,模型精度仅提高0.2℃(MAE).太阳天顶角、低层大气可降水量和植被指数(NDVI/EVI)对模型精度提高贡献很小。 以3个气象站记录的湿度数据为基准,气象站监测的每日湿度饱和差,与MODIS监测的780hPa大气层湿度饱和差(DMODIS)和NDVI均显著相关(|r|=0.42-0.63,P0.001),但相关性一般。采用线性回归预测的每日湿度饱和差与气象站实测值分别相差4.64-4.98hPa (MAE, DMODIS)和5.96-6.66hPa (MAE, NDVI),DMODIS较NDVI显优势。就长期平均值(16天)而言,DMODT和NDVI预测湿度饱和差效果相似,与实测值相差在3.75-4.22hPa (MAE,DMODIS)和3.26-4.22hPa (MAE, NDVI)之间,误差比日值有所下降。 利用促进回归树(boosted regression trees, BRT)模拟东非舌蝇(Morsitans spp.)分布,以及影响分布的关键环境因子及其相互作用,表明基于BRT模型,利用高程作为气温替代因子,NDVI作为湿度替代因子,结合土地利用／覆盖(LULC)数据,卫星数据能有效地估测东非舌蝇分布范围。BRT比传统回归算法(如：logistic回归)更有效,是未来预测舌蝇分布的首选模型。高程是舌蝇分布的主要控制因子(相对重要性=48.8%),其相对重要性分别比NDVI(相对重要性=28.2%)和LULC(相对重要性=23.0%)高。舌蝇分布与NDVI和高程间的关系是非线性的,且起伏大。高程与NDVI具有较强的交互作用。在肯尼亚,高程低于1000m并且NDVI0.35的湿热区域是舌蝇分布重点关注区域。
【关键词】：MODIS 温度 湿度饱和差 舌蝇 锥虫病
【学位授予单位】：浙江大学
【学位级别】：博士
【学位授予年份】：2012
【分类号】：R184
【目录】：

• Acknowledgements4-5
• 摘要5-6
• Abstract6-8
• List of tables and figures8-11
• 目次11
• 中文版11-15
• 1 绪论15-23
• 1.1 非洲锥虫病15-16
• 1.1.1 人类非洲锥虫病15-16
• 1.1.2 动物非洲锥虫病16
• 1.1.3 非洲锥虫病控制方法16
• 1.2 遥感技术在非洲锥虫病中的应用16-18
• 1.2.1 舌蝇生态学16-17
• 1.2.2 环境变量替代因子17
• 1.2.3 物种分布模型17-18
• 1.2.4 卫星数据18
• 1.3 研究目的18-19
• 参考文献19-23
• 2 基于MODIS数据估测东非日最高与最低气温23-45
• 2.1 引言23-25
• 2.1.1 研究背景23-24
• 2.1.2 研究进展24
• 2.1.3 研究目的24-25
• 2.2 研究区域与数据25-27
• 2.2.1 研究区域25-26
• 2.2.2 每日最高和最低气温26
• 2.2.3 MODIS数据26-27
• 2.3 Ts与Ta27-28
• 2.4 模型构建28-34
• 2.4.1 变量相关性28-29
• 2.4.2 逐步线性回归29-32
• 2.4.3 模型评估32-34
• 2.5 讨论34-40
• 2.5.1 Ts和Ta差异特性34-37
• 2.5.2 在中间宿主分布预测中使用Ts作为Ta替代因子37-39
• 2.5.3 根据高程估测Ta示例39-40
• 2.6 结论40
• 参考文献40-45
• 3 MODIS数据作为气象站湿度替代因子评估45-57
• 3.1 引言45-46
• 3.2 数据46-49
• 3.2.1 气象站湿度饱和差46-47
• 3.2.2 MODIS数据47-49
• 3.3 结果49-52
• 3.4 讨论52-53
• 3.4.1 使用NDVI作为D_(stn)的替代因子52
• 3.4.2 使用D_(MODIS)作为D_(stn)的替代因子52-53
• 3.5 结论53-54
• 参考文献54-57
• 4 基于促进回归树(BRT)和遥感图像预测东非舌蝇分布57-73
• 4.1 引言57-59
• 4.1.1 非洲锥虫病与舌蝇57-58
• 4.1.2 舌蝇分布模型58-59
• 4.1.3 研究目的59
• 4.2 材料和方法59-62
• 4.2.1 空间预测因子59-60
• 4.2.2 模型算法60-61
• 4.2.3 模型构建与评估61-62
• 4.3 结果62-66
• 4.3.1 BRT模拟效果62
• 4.3.2 变量权重62-64
• 4.3.3 变量交互作用64-66
• 4.4 讨论和结论66-68
• 4.4.1 基于BRT的舌蝇分布预测66-67
• 4.4.2 变量权重和交互作用67-68
• 参考文献68-73
• 5 结论与展望73-76
• 5.1 结论73-74
• 5.2 展望74-75
• 参考文献75-76
• 英文版76-77
• 1 Introduction77-87
• 1.1 The human and animal trypanosomiasis of Africa77-79
• 1.1.1 Human African Trypanosomiasis77-78
• 1.1.2 Animal African Trypanosomes78-79
• 1.1.3 Methods of trypanosomiasis control79
• 1.2 Remote sensing studies in trypanosomiases79-83
• 1.2.1 Tsetse ecology79-80
• 1.2.2 Meteorological proxies80-81
• 1.2.3 Mapping models81
• 1.2.4 Satellite data81-83
• 1.3 Research objectives83-84
• References84-87
• 2 Estimating daily maximum and minimum air temperature with MODIS data in east Africa87-119
• 2.1 Introduction88-91
• 2.1.1 Background88-89
• 2.1.2 Overview of previous efrorts and methods89-91
• 2.1.3 Study Purpose91
• 2.2 Study area and data91-94
• 2.2.1 Study area91-92
• 2.2.2 Daily maximum and minimum air temperature92-93
• 2.2.3 MODIS data93-94
• 2.3 Ts vs. Ta94-95
• 2.4 Model construction95-103
• 2.4.1 Variable correlation95-97
• 2.4.2 Stepwise linear regression97-101
• 2.4.3 Model Assessment101-103
• 2.5 Discussion103-112
• 2.5.1 The pattern of diference between Ts and Ta103-107
• 2.5.2 Ts as surrogate of Ta for vector distribution prediction107-110
• 2.5.3 Ta predicted with elevation110-112
• 2.6 Conclusion112-113
• Acknowledgements113
• References113-119
• 3 Evaluation of MODIS surrogates for meteorological humidity data in east Africa119-135
• 3.1 Introduction120-121
• 3.2 Data121-125
• 3.2.1 Meteorological saturation deficit121-123
• 3.2.2 MODIS data123-125
• 3.3 Results125-128
• 3.4 Discussion128-130
• 3.5 Conclusions130-131
• Acknowledgements131
• References131-135
• 4 Modeling Tsetse fly distributions in east Afri ca using remotely sensed data and boostedregression trees135-153
• 4.1 Introduction136-139
• 4.1.1 African trypanosomiasis and tsetse fly136-137
• 4.1.2 Tsetse fly distribution models137-138
• 4.1.3 Objective138-139
• 4.2 Materials and methods139-142
• 4.2.1 Spatial predictors139-140
• 4.2.2 Modeling algorithms140-141
• 4.2.3 Model construction and assessment141-142
• 4.3 Result142-146
• 4.3.1 BRT model performance142-143
• 4.3.2 Vatiable contributions143-145
• 4.3.3 Variable interaction145-146
• 4.4 Discussion and conclusion146-149
• 4.4.1 BRT model for tsetse fly distribution146-148
• 4.4.2 Variable contribution and interaction148-149
• Acknowledgements149
• References149-153
• 5 Conclusions and prospects153-159
• 5.1 Conclusions153-155
• 5.2 Prospects155-156
• References156-159
• Curriculum vitae159-160

，

本文编号：1061909