CN106682756A - 一种基于rs/gis的冬虫夏草产量预测模型 - Google Patents

Abstract

一种基于RS(Remote Sensing，遥感)/GIS(Geographic Information System，地理信息***)技术的冬虫夏草产量预测模型，解决了如何科学预测冬虫夏草这种野生中药材的年产量的问题。该模型基于RS(Remote Sensing，遥感)/GIS(Geographic Information System，地理信息***)技术，利用雪线高程，采收期(4月和5月)的平均气温，降水量和日照时长等环境因子和虫草产量之间的关系，采用加权几何平均方法，在每年的6月上旬预测当年的虫草产量，经过检验，本模型的精度可达82.16％以上。此研究可为虫草产业的健康、可持续发展提供基础数据和信息。

Description

一种基于RS/GIS的冬虫夏草产量预测模型

技术领域

本发明属于野生药用植物资源量预测领域

背景技术

目前世界上已知的广义虫草属有500多种，其中冬虫夏草是我国特有的名贵中药资源，是由冬虫夏草菌(Ophiocordyceps sinensis)侵染鳞翅目蝙蝠蛾幼虫后发育而成的由子座和菌核组成的菌体。冬草夏草一般生长在海拔3000m以上的山地阴坡、半阴坡的灌丛和草甸中，在我国主要分布于青藏高原及边缘地区，零星分布于境外的尼泊尔、不丹的喜马拉雅山脉高寒草甸，我国冬虫夏草的采挖量占世界总采挖量的98％以上。

由于天然冬虫夏草的生长有严格的寄生性及要求特殊的生态地理环境，野生资源十分有限。另一方面，冬虫夏草还不能进行人工或半人工的培育，只能自然生长，于是其蕴藏量在日益趋高的价格逼迫下迅速下降。据统计，20世纪50年代以前全国产量曾达到100吨以上，60年代初为50～80吨，90年代就仅有5～15吨。自70年代以来，因全球气候变化、生态环境破坏，以及掠夺式的采挖，加之其自身生长缓慢，自然资源更新能力低下，更使天然蕴藏量迅速减少。据80年代中期第三次全国中草药资源普查结果显示其野生蕴藏量仅约400吨，总体还呈逐年下降趋势。目前冬虫夏草天然资源已濒于灭绝，被列为国家二级重点保护野生植物。

由于各种原因从第三次中药资源普查至今，没有对虫草进行过全面的调查，特别是虫草在西藏的具体分布和蕴藏量，有关部门只能从各乡群众采挖范围上获取一些基本情况，基本上是经验数据。因此，准确掌握虫草的产量信息是可持续开发冬虫夏草资源的基础，也是一个亟待解决的问题。

发明内容

本发明基于冬虫夏草的分布和气候环境变化之间的定量关系，选择雪线高程，采收期(4月和5月)的平均气温，降水量和日照时长等环境因子，采用加权几何平均方法，在每年的6月上旬预测当年的虫草产量。该模型包括如下步骤：

步骤一：基于RS/GIS的气候环境因子构建。气候环境因子包括：虫草所在地区的5月份雪线高程，4月、5月、6月的降水量，4月、5月、6月的平均气温，4月、5月、6月的日照时长共10个因子。

步骤二：建立气候环境因子与虫草产量的关系。利用相关分析工具，分别确定各因子与虫草产量之间的相关系数。根据经验，按照相关系数大小排序来确定入选模型的因子，各因子与虫草产量的相关系数，就是该因子的权重。

步骤三：利用加权几何平均模型来构建虫草产量的预测模型。并利用历史数据进行模型精度检验。

步骤四：预测当年虫草产量。在当年6月上旬，把当年的气候环境因子数据输入模型，得到当年的虫草产量预测值。

上述的步骤一中，具体过程包括如下步骤：

步骤一一：虫草所在地区的雪线高程的构建方法如下：利用NDSI指数(Normalized difference snowindex，归一化雪被指数)提取雪线[15]。NDSI是观测冰雪定量指标，积雪有很强的可见光反射和很强的短波红外吸收特性。积雪在0.5m附近有高反射率，在1.6m和2.1m附近反射率较低。计算公式是：

NDSI＝(Ref_0.555um-Ref_1.640um)/(Ref_0.555um+Ref_1.640um) (1)

公式(1)中Ref_0.555um、Ref_1.640um分别为0.555um和1.64um处的反射率，NDSI＞＝0.4的区域即为冰雪覆盖区。把提取出来的雪线高程的“平均值-2*标准差”作为雪线的最低高程。

步骤一二：降水量、平均气温、日照时长相关因子的构建方法如下：根据虫草所在地区的经纬度，找到该区域内的气象台站，利用这些气象台站的平均值作为环境因子的值。

所述的步骤一一中，计算雪线高程的具体过程包括如下步骤：

步骤a：把DN值图像转化成反射率图像

根据遥感影像的来源，有两种情况，一种是针对Landsat TM5/Landsat TM7影像，另一种是针对LandsatTM8影像。

①对于Landsat TM5和Landsat TM7影像：

0.555um和1.64um波段分别对应着影像的第2和第5波段。计算过程如下：

第一步：分别计算各个波段每个像元的辐射亮度L值：

公式(2)中，QCAL为某一像元的DN值(Digital Number，像元亮度值)，即QCAL＝DN。QCAL_max为像元可以取的最大值，QCAL_min为像元可以取的最小值。L_max为该波段的最大辐射亮度，L_min为该波段的最小辐射亮度，可以从遥感影像的头文件中获取以上参数的信息。

第二步：计算各波段反射率(反照率、反射率)p

公式(3)中，D为日地距离，可从影像的头文件中获取该参数信息。ESUN(Solar Exoatmospheric SpectralIrradiances，或ESUNI)为大气顶层太阳辐照度可从遥感权威单位定期测定并公布的信息中获取，一般如表1所示：

表1大气顶层太阳辐射照度(ESUNI)

Table 1 Solar Exoatmospheric Spectral Irradiances(ESUNI)(w/cm²·ster·μm)

波段	TM1	TM2	TM3	TM4	TM5	TM7
							L5TM	1957	1829	1557	1047	219.3	74.52
L7ETM+	1969	1840	1551	1044	225.7	82.07

θ为太阳的天顶角，θ＝90°-β，β为太阳高度角，从遥感影像的头文件可获取太阳高度角信息。

②对于Landsat TM8影像：

0.555um和1.64um波段分别对应着影像的第3和第6波段。计算过程如下：

第一步：分别计算各个波段的反射率ρλ′

ρλ′＝M_ρ*Q_cal+A_ρ (4)

公式(4)中，ρλ′是未经太阳高度角校正的反射率，M_ρ各波段的乘子，A_ρ是各波段的修正数，ρ是波段数，Q_cal是该波段的像元值。

第二步：用太阳高度角进行修正ρλ′

公式(5)中，ρλ是修正后的反射率，θ_SZ是太阳天顶角。θ_SE是太阳高度角，可从从遥感影像的头文件可获取。

步骤b：在生成的反射率图像上计算NDSI

对于Landsat TM5/7，NDSI＝(B2-B5)/(B2+B5)；对于Landsat TM8，NDSI＝(B3-B6)/(B3+B6)。式中B2，B5，B3，B7分别代表各波段反射率图像。

步骤c：提取NDSI上大于等于0.4的区域

根据MODIS产品说明，认为NDSI大于等于0.4的区域被积雪覆盖。利用ENVI软件里的band math工具来提取积雪覆盖的区域。

步骤d：提取积雪区域的边界

由于提取的积雪覆盖的区域是栅格图形，利用ENVI软件转化为矢量后是多边形，接着利用Arctools工具把多边形转化为线类型的矢量图形，至此雪线已提取完成。

步骤e：利用空间分析提取雪线处最低高程

利用Arcmap 10软件，加载DEM(Digital Elevation Model，数字高程模型)数据，与雪线分布数据进行空间分析，提取雪线处的高程信息，最后去除图像边缘的异常值。

上述的步骤二中，具体过程包括如下步骤：

步骤二一：利用线性相关分析工具，分别计算各因子与虫草产量之间的相关系数R。

步骤二二：按照相关系数从大到小的顺序排序，选择前4个因子作为模型的输入因子。各因子与虫草产量的相关系数，就是该因子的权重。

上述的步骤三中，具体过程包括如下步骤：

步骤三一：基于时间序列的虫草产量数据和各因子数据，建立虫草产量与各因子的单因子线性回归模型。

步骤三二：利用加权几何平均模型来构建虫草产量的预测模型，如果各因子与虫草产量的线性函数为f_i，i＝1，2，...，N，N为输入因子的数目。各个因子权重比值为w_i，最小值为1。则虫草产量Y为公式(6)：

步骤三三：把历年的环境因子数据带入得到的模型中，得到的预测值和实际值。特别地，如果某年的环境因子数据因客观原因无法获取(如遥感影像含云量较大导致无法提取雪线高程，如时间关系气象因子数据尚未发布)，那么对预测模型进行修正，去掉该因子，只利用剩余的因子进行当年的建模和预测。计算各年的预测的平均偏差和最大偏差。

上述的步骤四中，具体过程包括如下步骤：

步骤四一：在当年6月上旬，收集、制作和整理4种气候环境因子数据。

步骤四二：把整理好的的气候环境因子数据输入模型，得到当年的虫草产量预测值。若无法获取某些气候环境因子数据，则从模型中删掉该因子，只利用剩余因子进行预测，也能保证模型有较高的精度。

Claims (5)

1.一种基于RS(Remote Sensing，遥感)/GIS(Geographic Information System，地理信息***)技术的冬虫夏草产量预测模型，其特征是基于RS(Remote Sensing，遥感)/GIS(Geographic InformationSystem，地理信息***)技术，利用雪线高程，采收期(4月和5月)的平均气温，降水量和日照时长等环境因子和虫草产量之间的关系，采用加权几何平均方法，在每年的6月上旬预测当年的虫草产量。该模型包括如下步骤：

步骤一：基于RS/GIS的气候环境因子构建。气候环境因子包括：虫草所在地区的5月份雪线高程，4月、5月、6月的降水量，4月、5月、6月的平均气温，4月、5月、6月的日照时长共10个因子。

步骤二：建立气候环境因子与虫草产量的关系。利用相关分析工具，分别确定各因子与虫草产量之间的相关系数，按照相关系数大小排序来确定入选模型的因子，各因子与虫草产量的相关系数，就是该因子的权重。

步骤三：利用加权几何平均模型来构建虫草产量的预测模型。并利用历史数据进行模型精度检验。

步骤四：预测当年虫草产量。在当年6月上旬，把当年的生态因子数据输入模型，得到当年的虫草产量预测值。

2.根据权利要求1所述的一种基于RS/GIS技术的冬虫夏草产量预测模型，其特征在于，所述的步骤一中，具体过程包括如下步骤：

步骤一一：虫草所在地区的雪线高程的构建方法如下：利用NDSI指数(Normalized difference snowindex，归一化雪被指数)提取雪线[15]。NDSI是观测冰雪定量指标，积雪有很强的可见光反射和很强的短波红外吸收特性。积雪在0.5m附近有高反射率，在1.6m和2.1m附近反射率较低。计算公式是：

NDSI＝(Ref_0.555um-Ref_1.640um)/(Ref_0.555um+Ref_1.640um) (1)

公式(1)中Ref_0.555um、Ref_1.640um分别为0.555um和1.64um处的反射率，NDSI＞＝0.4的区域即为冰雪覆盖区。把提取出来的雪线高程的“平均值-2*标准差”作为雪线的最低高程。

步骤一二：降水量、平均气温、日照时长相关因子的构建方法如下：根据虫草所在地区的经纬度，找到该区域内的气象台站，利用这些气象台站的平均值作为环境因子的值。

3.根据权利要求1所述的一种基于RS/GIS技术的冬虫夏草产量预测模型，其特征在于，所述的步骤二中，各因子权重是根据各个因子与虫草产量的相关系数的比值得出，最小值为1。

4.根据权利要求1所述的一种基于RS/GIS技术的冬虫夏草产量预测模型，其特征在于，所述的步骤三中，如果预测因子与虫草产量的线性函数为f_i，i＝1，2，...，N，N为最终入选模型的因子数目。各个因子权重比值为w_i，则虫草产量Y为公式(2)：

$Y={\left(\underset{N}{\Π}{f}_i^{w_i}\right)}^{\frac{1}{\underset{i=1}{\overset{N}{\Σ}}{w}_i}}---\left(2\right)$

5.根据权利要求1所述的一种基于RS/GIS技术的冬虫夏草产量预测模型，其特征在于，所述的步骤四中，若无法获取某些相关因子数据，则从模型中删掉该因子，只利用剩余因子进行预测，也能保证模型有较高的精度。