CN109636171A - 一种区域植被恢复的综合诊断与风险评价方法 - Google Patents
一种区域植被恢复的综合诊断与风险评价方法 Download PDFInfo
- Publication number
- CN109636171A CN109636171A CN201811487454.0A CN201811487454A CN109636171A CN 109636171 A CN109636171 A CN 109636171A CN 201811487454 A CN201811487454 A CN 201811487454A CN 109636171 A CN109636171 A CN 109636171A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- vegetation coverage
- risk
- year
- coverage
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种区域植被恢复的综合诊断与风险评价方法,具体按照以下步骤实施:确定研究区域,收集研究区年NDVI遥感数据;确定植被覆盖度的时空变异特征、年植被覆盖度变化的趋势特征、年植被覆盖度变化的持续性特征、年植被覆盖度变化的突变性特征、年植被覆盖度变化的分布函数特征;建立与植被覆盖度对应的风险等级,计算每个植被覆盖度像元中每一个植被覆盖度级别的风险发生概率,风险发生概率最大的植被覆盖度级别对应的风险等级为该像元的植被恢复风险等级,则该区域为该等级风险区。本发明的一种区域植被恢复的综合诊断与风险评价方法,凭借较少的数据高效的对研究区域植被恢复进行诊断与风险评价,为区域生态建设提供科学依据。
Description
技术领域
本发明属于生态评价方法技术领域,涉及一种区域植被恢复的综合诊断 与风险评价方法。
背景技术
随着我国现代化的建设,科技革命的不断进行,经济水平的不断提高, 工业化和城镇化的快速发展,人民对生态环境美好的生活越来越向往,目前 区域水土流失与荒漠化、干旱等问题依然严重,资源环境问题不断凸显,生 态环境治理迫在眉睫。
在地表生态***的能量交换、水循环、碳循环、生物地球化学循环和维 持中,植被发挥着重要作用,区域植被恢复情况的好坏,对区域生态环境变 化具有重要意义。自从1999年以来,随着中国植被恢复工程增加,区域植 被覆盖状况有了显著的变化。因此,对区域植被恢复进行综合诊断及风险评 价具有十分重要的意义。目前关于区域植被恢复的综合诊断及风险评价的方 法还比较少。因此提出一种区域植被恢复的综合诊断与风险评价方法是十分 重要的。
发明内容
本发明的目的是提供一种区域植被恢复的综合诊断与风险评价方法,提 高了区域植被恢复的综合诊断与风险评价的效率。
本发明所采用的技术方案是,一种区域植被恢复的综合诊断与风险评价 方法,具体按照以下步骤实施:
步骤1,确定研究区域,收集研究区年NDVI遥感数据;
步骤2,根据收集到的年NDVI数据,计算得到年植被覆盖度时间序列 栅格数据,对年植被覆盖度时间序列栅格数据统计最大值、最小值、平均值、 标准差以及变异系数,以确定植被覆盖度的时空变异特征;
步骤3,在步骤2的基础上,根据年植被覆盖度时间序列栅格数据,通 过Mann-Kendall趋势检验方法得到不同显著水平的植被覆盖度 Mann-Kendall检验结果栅格数据,分析年植被覆盖度变化的趋势特征;
步骤4,在步骤2的基础上,根据年植被覆盖度时间序列栅格数据计算 得到年植被覆盖度Hurst指数栅格数据,对Hurst指数栅格数据并进行分级, 分析得到年植被覆盖度变化的持续性特征;
步骤5,在步骤2的基础上,根据年植被覆盖度时间序列栅格数据,通 过Pettitt突变点检验方法得到的植被覆盖度显著突变年份栅格数据,分析得 到年植被覆盖度变化的突变性特征;
步骤6,在步骤2的基础上,根据年植被覆盖度时间序列栅格数据,运 用统计学原理得到的植被覆盖度理论最优分布栅格数据,分析年植被覆盖度 变化的分布函数特征;
步骤7,根据年植被覆盖度时间序列栅格数据和理论最优分布栅格数据, 按照植被覆盖度由低到高的分级标准,建立与植被覆盖度对应的风险等级, 计算每个植被覆盖度像元中每一个植被覆盖度级别的风险发生概率,风险发 生概率最大的植被覆盖度级别对应的风险等级为该像元的植被恢复风险等 级,则该区域为该等级风险区。
本发明的特点还在于,
步骤1中年NDVI遥感数据均采用最大值合成法得到,操作步骤如下:
通过ArcGIS软件Spatial Anal yst Tools模块Local工具Cell Statistics按 照最大值合成法逐步得到月、季节NDVI时间序列栅格数据,最终得到年 NDVI时间序列栅格数据,再通过ArcGIS软件Spatial Analyst Tools模块Map Algebra工具Raster Calculator将年NDVI时间序列栅格数据转换为植被覆盖 度时间序列栅格数据。
步骤2中年植被覆盖度数据均采用最大最小值法由NDVI数据计算得到, 公式如下:
f=(NDVI-NDVImin)/(NDVImax-NDVImin)
其中,f为植被覆盖度,NDVI是像素的植被指数,NDVImax和NDVIMin分别是研究区NDVI的最大值和最小值。
步骤3的Mann-Kendall趋势检验的计算方法为:
Mann-Kendall检验统计量S采用下式计算:
其中xj和xk分别是年份为j和k对应的样本值,n>j>k,n指的是样本数 量,其中
在时间序列随机独立的情况下,定义统计量:
式中,VAR(S)可由下式计算
使用Z值进行趋势性检验,Z的正值表示向上趋势、负值表示向下趋势; 统计量Z服从标准正态分布。
步骤4的Hurst指数的计算方法为:
Hurst指数可以有效地预测时间序列的未来趋势,定义时间序列,t=1, 2,…,n,计算时间序列的平均值,
计算时间序列的累积偏差,
计算时间序列的范围,
建立标准偏差序列,
最后计算Hurst指数,
其中,H代表Hurst指数,H的值在[0,1]的范围内;当H=0.5时,表 明植被覆盖的时间序列是随机序列,是不可持续的;当H>0.5时,植被覆盖 度的变化与目前的趋势基本一致,表明植被的可持续性是正的;H<0.5表示 负可持续性,未来植被覆盖变化将与当前趋势相反。
步骤5的Pettitt突变点检验的计算方法为:
该方法使用可能发生突变的时间节点把时间数据序列分为前后两个时 段,并认为这两个时段数据均来自同一样本;Pettitt法采用Mann-Whitney 中Ut,n值检验同一总体中两个分开样本x1,…,xt和xt+1,…,xn,统计量Ut,n的公 式为:
其中:
Pettitt检验的零假设为没有变化点,当|Ut,n|取最大值时对应的xt被认为 是可能的突变点,其突变显著性水平可由下式计算:
当p≤0.05时认为数据中存在均值变异点。
步骤6的理论最优分布计算中四种理论概率分布函数的参数估计使用线 性矩法分别进行估计,计算公式如下:
设变量X为植被覆盖度,植被覆盖度分布函数为F(x)=P(X≤x),且 存在反函数x=G(F),G(F)又称为分位函数,对于样本x1,...,xn,记顺序统计量:x1:n≤x2:n,....,≤xn:n,
Hosking的r阶线性矩法估计量如下:
其中:
式中:r为线性矩阶数,n为样本个数。
步骤6的植被覆盖度的理论最优分布优选方法为:
分布函数检验使用非参数柯尔莫哥洛夫-斯米诺夫检验,计算公式如下:
设Sn(x)是随机样本植被覆盖度观察值的累积概率分布函数,即经验分 布函数,样本量为n;Fo(x)是一个特定的累积概率分布函数,即理论分布函 数,定义D=|Sn(x)-Fo(x)|,如果对于每个x值,Sn(x)与Fo(x)接近,则表明 经验分布函数与理论分布函数的拟合程度很高,有理由认为样本数据来自服 从该理论分布的总体;
K-S检验的是绝对值D=|Sn(x)-Fo(x)|中最大的偏差,即使用如下的统计 量做检验:
Dmax=max|Sn(x)-Fo(x)|;
步骤7的风险概率计算方法为:
风险发生概率的计算方法根据连续随机变量的概率密度公式进行计算, 公式如下:
P(xi<x≤xi+1)=P(x<xi+1)-P(x≤xi)
式中:m为植被覆盖度由低到高的分级标准的级数;f(x,Θ)为像元的最优分 布函数,Θ为分布函数参数;xi为第i级别植被覆盖分级的区间最大值;P (x≤xi)为植被覆盖度小于等于xi的风险累积分布概率;P(xi<x≤xi+1) 为植被覆盖度发生在第i+1区间的风险发生概率。
本发明的有益效果是,本发明的一种区域植被恢复的快速综合评价方法, 数据获取比较容易、计算相对简单、评价效率高,通过获取研究区域NDVI 数据便可快速对研究区域植被恢复状况进行综合诊断及风险评价。
附图说明
图1是本发明专利一种区域植被恢复的综合诊断与风险评价方法的实例 中无定河流域多年植被覆盖度最小值示意图;
图2是本发明专利一种区域植被恢复的综合诊断与风险评价方法的实例 中无定河流域多年植被覆盖度最大值示意图;
图3是本发明专利一种区域植被恢复的综合诊断与风险评价方法的实例 中黄无定河流域多年植被覆盖度均值示意图;
图4是本发明专利一种区域植被恢复的综合诊断与风险评价方法的实例 中无定河流域多年植被覆盖度标准差示意图;
图5是本发明专利一种区域植被恢复的综合诊断与风险评价方法的实例 中无定河流域多年植被覆盖度变异程度示意图;
图6是本发明专利一种区域植被恢复的综合诊断与风险评价方法的实例 中无定河流域多年植被覆盖度变化趋势示意图;
图7是本发明专利一种区域植被恢复的综合诊断与风险评价方法的实例 中无定河流域多年植被覆盖度变化持续性示意图;
图8是本发明专利一种区域植被恢复的综合诊断与风险评价方法的实例 中无定河流域多年植被覆盖度变化突变点示意图;
图9是本发明专利一种区域植被恢复的综合诊断与风险评价方法的实例 中无定河流域多年植被覆盖度最优分布函数示意图;
图10是本发明专利一种区域植被恢复的综合诊断与风险评价方法的实 例中无定河流域植被恢复风险评价示意图;
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于数理统计及概率论方法,提出了一种区域植被恢复的综合诊 断与风险评价方法,具体操作步骤如下:
步骤1,确定研究区域,收集研究区年NDVI遥感数据
通过ArcGIS软件Spatial Anal yst Tools模块Local工具Cell Statistics按 照最大值合成法逐步得到月、季节NDVI时间序列栅格数据,最终得到年 NDVI时间序列栅格数据,再通过ArcGIS软件Spatial Analyst Tools模块Map Algebra工具Raster Calculator将年NDVI时间序列栅格数据转换为植被覆盖 度时间序列栅格数据。
步骤2,根据收集到的年NDVI数据,计算得到年植被覆盖度时间序列 栅格数据,对年植被覆盖度时间序列栅格数据统计最大值、最小值、平均值、 标准差以及变异系数,以确定植被覆盖度的时空变异特征
年植被覆盖度数据均采用最大最小值法由NDVI数据计算得到,公式如 下:
f=(NDVI-NDVImin)/(NDVImax-NDVImin)
其中,f为植被覆盖度,NDVI是像素的植被指数,NDVImax和NDVIMin分别是研究区NDVI的最大值和最小值。
步骤3,在步骤2的基础上,根据年植被覆盖度时间序列栅格数据,通 过Mann-Kendall趋势检验方法得到不同显著水平的植被覆盖度 Mann-Kendall检验结果栅格数据,分析年植被覆盖度变化的趋势特征
Mann-Kendall趋势检验的计算方法为:
Mann-Kendall检验统计量S采用下式计算:
其中xj和xk分别是年份为j和k对应的样本值,n>j>k,n指的是样本数 量,其中
在时间序列随机独立的情况下,定义统计量:
式中,VAR(S)可由下式计算
使用Z值进行趋势性检验,Z的正值表示向上趋势、负值表示向下趋势; 统计量Z服从标准正态分布。
步骤4,在步骤2的基础上,根据年植被覆盖度时间序列栅格数据计算 得到年植被覆盖度Hurst指数栅格数据,对Hurst指数栅格数据并进行分级, 分析得到年植被覆盖度变化的持续性特征
Hurst指数的计算方法为:
Hurst指数可以有效地预测时间序列的未来趋势,定义时间序列,t=1, 2,…,n,计算时间序列的平均值,
计算时间序列的累积偏差,
计算时间序列的范围,
建立标准偏差序列,
最后计算Hurst指数,
其中,H代表Hurst指数,H的值在[0,1]的范围内;当H=0.5时,表 明植被覆盖的时间序列是随机序列,是不可持续的;当H>0.5时,植被覆盖 度的变化与目前的趋势基本一致,表明植被的可持续性是正的;H<0.5表示 负可持续性,未来植被覆盖变化将与当前趋势相反。
步骤5,在步骤2的基础上,根据年植被覆盖度时间序列栅格数据,通 过Pettitt突变点检验方法得到的植被覆盖度显著突变年份栅格数据,分析得 到年植被覆盖度变化的突变性特征
Pettitt突变点检验的计算方法为:
该方法使用可能发生突变的时间节点把时间数据序列分为前后两个时 段,并认为这两个时段数据均来自同一样本;Pettitt法采用Mann-Whitney 中Ut,n值检验同一总体中两个分开样本x1,…,xt和xt+1,…,xn,统计量Ut,n的公 式为:
其中:
Pettitt检验的零假设为没有变化点,当|Ut,n|取最大值时对应的xt被认为 是可能的突变点,其突变显著性水平可由下式计算:
当p≤0.05时认为数据中存在均值变异点。
步骤6的理论最优分布计算中四种理论概率分布函数的参数估计使用线 性矩法分别进行估计,计算公式如下:
设变量X为植被覆盖度,植被覆盖度分布函数为F(x)=P(X≤x), 且存在反函数x=G(F),G(F)又称为分位函数,对于样本x1,...,xn, 记顺序统计量:x1:n≤x2:n,....,≤xn:n,
Hosking的r阶线性矩法估计量如下:
其中:
式中:r为线性矩阶数,n为样本个数。
步骤6,在步骤2的基础上,根据年植被覆盖度时间序列栅格数据,运 用统计学原理得到的植被覆盖度理论最优分布栅格数据,分析年植被覆盖度 变化的分布函数特征
分布函数检验使用非参数柯尔莫哥洛夫-斯米诺夫检验,计算公式如下:
设Sn(x)是随机样本植被覆盖度观察值的累积概率分布函数,即经验分 布函数,样本量为n;Fo(x)是一个特定的累积概率分布函数,即理论分布函 数,定义D=|Sn(x)-Fo(x)|,如果对于每个x值,Sn(x)与Fo(x)接近,则表明 经验分布函数与理论分布函数的拟合程度很高,有理由认为样本数据来自服 从该理论分布的总体;
K-S检验的是绝对值D=|Sn(x)-Fo(x)|中最大的偏差,即使用如下的统计 量做检验:
Dmax=max|Sn(x)-Fo(x)|;
步骤7,根据年植被覆盖度时间序列栅格数据和理论最优分布栅格数据, 按照植被覆盖度由低到高的分级标准,建立与植被覆盖度对应的风险等级, 计算每个植被覆盖度像元中每一个植被覆盖度级别的风险发生概率,风险发 生概率最大的植被覆盖度级别对应的风险等级为该像元的植被恢复风险等 级,则该区域为该等级风险区
步骤7风险概率计算方法为:
风险发生概率的计算方法根据连续随机变量的概率密度公式进行计算, 公式如下:
P(xi<x≤xi+1)=P(x<xi+1)-P(x≤xi)
式中:m为植被覆盖度由低到高的分级标准的级数;f(x,Θ)为像元的最优分 布函数,Θ为分布函数参数;xi为第i级别植被覆盖分级的区间最大值;P (x≤xi)为植被覆盖度小于等于xi的风险累积分布概率;P(xi<x≤xi+1) 为植被覆盖度发生在第i+1区间的风险发生概率。
下面以无定河流域植被恢复的综合诊断及风险评价为例子详细介绍本 发明,具体按照以下步骤实施:
步骤1,首先收集基础数据:1>无定河流域500m分辨率NDVI数据, 中国合成的NDVI数据产品MODND1T/NDVI,在2000年至2013年期间, 空间分辨率为500米×500米,间隔为10天.以上数据由中国科学院计算机 网络信息中心地理空间数据云站点(http://www.gscloud.cn)提供;
步骤2,根据收集到的2000年至2013年期间,空间分辨率为500米, 间隔为10天的NDVI数据,通过ArcGIS软件Spatial Analyst Tools模块Local 工具Cell Statistics按照最大值合成法逐步得到月和季节NDVI时间序列栅格 数据,再使用最大值合成法将季节NDVI时间序列栅格数据合成为年NDVI 时间序列栅格数据,再通过ArcGIS软件SpatialAnalyst Tools模块Map Algebra工具Raster Calculator将年NDVI时间序列栅格数据转换为植被覆盖 度时间序列栅格数据,通过ArcGIS软件Spatial Analyst Tools模块Local工具Combine将2000-2013年植被覆盖度时间序列栅格数据叠加到一起生成新 的栅格文件,将新生成的栅格文件属性表导出成txt文件,通过R语言编程 实现最小值、最大值、均值、标准差、变异系数的计算,将txt文件读入R 语言计算得到每个像元5个统计特征的计算结果并生成1.txt文件导出,通 过ArcGIS软件将新生成的1.txt文件链接到新生成的栅格文件,通过ArcGIS 软件Spatial Analyst Tools模块Reclass工具Lookup将链接1.txt文件后新生 成的栅格文件属性表1.txt的5个字段生成5个新的栅格文件,命名为最小 值、最大值、均值、标准差、变异系数,对变异系数进行分级(弱变异0~0.1, 中等变异0.1~1,强变异)1),如图1、2、3、4、5;
步骤3,根据计算得到的年植被覆盖度时间序列栅格数据,通过ArcGIS 软件Spatial Analyst Tools模块Local工具Combine将2000-2013年植被覆盖 度时间序列栅格数据叠加到一起生成新的栅格文件,将新生成的栅格文件属 性表导出成txt文件,通过R语言编程实现Mann-Kendall检验计算,将txt 文件读入R语言计算得到不同显著水平的植被覆盖度Mann-Kendall检验的 计算结果并生成1.txt文件导出,通过ArcGIS软件将新生成的1.txt文件链接 到新生成的栅格文件,通过ArcGIS软件Spatial Analyst Tools模块Reclass 工具Lookup将链接1.txt文件后新生成的栅格文件属性表1.txt的新字段生成 新的栅格文件,命名为MK检验,如图6;
步骤4,根据计算得到的年植被覆盖度时间序列栅格数据,通过ArcGIS 软件Spatial Analyst Tools模块Local工具Combine将2000-2013年植被覆盖 度时间序列栅格数据叠加到一起生成新的栅格文件,将新生成的栅格文件属 性表导出成txt文件,通过R语言编程Hurst指数的计算,将txt文件读入R 语言计算得到<=0.5和>0.5两种分类的Hurst指数的计算结果并生成1.txt文 件导出,通过ArcGIS软件将新生成的1.txt文件链接到新生成的栅格文件, 通过ArcGIS软件Spatial Analyst Tools模块Reclass工具Lookup将链接1.txt 文件后新生成的栅格文件属性表1.txt的新字段生成新的栅格文件,命名为Hurst指数,如图7;
步骤5,根据计算得到的年植被覆盖度时间序列栅格数据,通过ArcGIS 软件Spatial Analyst Tools模块Local工具Combine将2000-2013年植被覆盖 度时间序列栅格数据叠加到一起生成新的栅格文件,将新生成的栅格文件属 性表导出成txt文件,通过R语言编程实现Pettitt突变点检验,将txt文件读 入R语言计算得到显著突变的植被覆盖度的计算结果并生成1.txt文件导出, 通过ArcGIS软件将新生成的1.txt文件链接到新生成的栅格文件,通过 ArcGIS软件Spatial Analyst Tools模块Reclass工具Lookup将链接1.txt文件 后新生成的栅格文件属性表1.txt的一个字段生成一个新的栅格文件,命名 为Pettitt突变点检验结果,如图8;
步骤6,根据计算得到的年植被覆盖度时间序列栅格数据,通过ArcGIS 软件Spatial Analyst Tools模块Local工具Combine将2000-2013年植被覆盖 度时间序列栅格数据叠加到一起生成新的栅格文件,将新生成的栅格文件属 性表导出成txt文件,通过R语言编程实现每个像元的理论最优分布函数优 选,将txt文件读入R语言计算得到每个像元的理论最优分布函数结果并生 成1.txt文件导出,通过ArcGIS软件将新生成的1.txt文件链接到新生成的栅 格文件,通过ArcGIS软件Spatial Analyst Tools模块Reclass工具Lookup将 链接1.txt文件后新生成的栅格文件属性表1.txt的新字段生成新的栅格文件,命名为最优分布函数,如图9。
步骤7,根据计算得到的年植被覆盖度时间序列栅格数据,通过ArcGIS 软件Spatial Analyst Tools模块Local工具Combine将2000-2013年植被覆盖 度时间序列栅格数据叠加到一起生成新的栅格文件,将新生成的栅格文件属 性表导出成v.txt文件,植被覆盖度按照从高到低分布5个等级,依次为低植 被覆盖度(0~0.1)、较低植被覆盖度(0.1~0.3)、中度植被覆盖度(0.3~0.5)、 较高植被覆盖度(0.5~0.7)、高植被覆概度(>0.7),与之相对应的风险等级 为高风险、较高风险、中度风险、较低风险、低风险,在步骤6的基础上, 通过R语言编程实现每个像元每一级别风险发生概率及风险等级的判断,将 v.txt文件读入R语言计算得到植被覆盖度风险等级结果并生成1.txt文件导 出,通过ArcGIS软件将新生成的1.txt文件链接到新生成的植被覆盖度栅格 文件,通过ArcGIS软件SpatialAnalyst Tools模块Reclass工具Lookup将链 接1.txt文件后新生成的栅格文件属性表1.txt的新字段生成一个新的栅格文 件,命名为风险评价,如图10。
Claims (9)
1.一种区域植被恢复的综合诊断与风险评价方法,其特征在于,具体按照以下步骤实施:
步骤1,确定研究区域,收集研究区年NDVI遥感数据;
步骤2,根据收集到的年NDVI数据,计算得到年植被覆盖度时间序列栅格数据,对年植被覆盖度时间序列栅格数据统计最大值、最小值、平均值、标准差以及变异系数,以确定植被覆盖度的时空变异特征;
步骤3,在步骤2的基础上,根据年植被覆盖度时间序列栅格数据,通过Mann-Kendall趋势检验方法得到不同显著水平的植被覆盖度Mann-Kendall检验结果栅格数据,分析年植被覆盖度变化的趋势特征;
步骤4,在步骤2的基础上,根据年植被覆盖度时间序列栅格数据计算得到年植被覆盖度Hurst指数栅格数据,对Hurst指数栅格数据并进行分级,分析得到年植被覆盖度变化的持续性特征;
步骤5,在步骤2的基础上,根据年植被覆盖度时间序列栅格数据,通过Pettitt突变点检验方法得到的植被覆盖度显著突变年份栅格数据,分析得到年植被覆盖度变化的突变性特征;
步骤6,在步骤2的基础上,根据年植被覆盖度时间序列栅格数据,运用统计学原理得到的植被覆盖度理论最优分布栅格数据,分析年植被覆盖度变化的分布函数特征;
步骤7,根据年植被覆盖度时间序列栅格数据和理论最优分布栅格数据,按照植被覆盖度由低到高的分级标准,建立与植被覆盖度对应的风险等级,计算每个植被覆盖度像元中每一个植被覆盖度级别的风险发生概率,风险发生概率最大的植被覆盖度级别对应的风险等级为该像元的植被恢复风险等级,则该区域为该等级风险区。
2.根据权利要求1所述的一种区域植被恢复的综合诊断与风险评价方法,其特征在于,步骤1中年NDVI遥感数据均采用最大值合成法得到,操作步骤如下:
通过ArcGIS软件Spatial Anal yst Tools模块Local工具Cell Statistics按照最大值合成法逐步得到月、季节NDVI时间序列栅格数据,最终得到年NDVI时间序列栅格数据,再通过ArcGIS软件Spatial Analyst Tools模块Map Algebra工具Raster Calculator将年NDVI时间序列栅格数据转换为植被覆盖度时间序列栅格数据。
3.根据权利要求1所述的一种区域植被恢复的综合诊断与风险评价方法,其特征在于,步骤2中年植被覆盖度数据均采用最大最小值法由NDVI数据计算得到,公式如下:
f=(NDVI-NDVImin)/(NDVImax-NDVImin)
其中,f为植被覆盖度,NDVI是像素的植被指数,NDVImax和NDVIMin分别是研究区NDVI的最大值和最小值。
4.根据权利要求1所述的一种区域植被恢复的综合诊断与风险评价方法,其特征在于,步骤3Mann-Kendall趋势检验的计算方法为:
Mann-Kendall检验统计量S采用下式计算:
其中xj和xk分别是年份为j和k对应的样本值,n>j>k,n指的是样本数量,其中
在时间序列随机独立的情况下,定义统计量:
式中,VAR(S)可由下式计算
使用Z值进行趋势性检验,Z的正值表示向上趋势、负值表示向下趋势;统计量Z服从标准正态分布。
5.根据权利要求1所述的一种区域植被恢复的综合诊断与风险评价方法,其特征在于,步骤4Hurst指数的计算方法为:
Hurst指数可以有效地预测时间序列的未来趋势,定义时间序列,t=1,2,…,n,计算时间序列的平均值,
计算时间序列的累积偏差,
计算时间序列的范围,
建立标准偏差序列,
最后计算Hurst指数,
其中,H代表Hurst指数,H的值在[0,1]的范围内;当H=0.5时,表明植被覆盖的时间序列是随机序列,是不可持续的;当H>0.5时,植被覆盖度的变化与目前的趋势基本一致,表明植被的可持续性是正的;H<0.5表示负可持续性,未来植被覆盖变化将与当前趋势相反。
6.根据权利要求5所述的一种区域植被恢复的综合诊断与风险评价方法,其特征在于,步骤5的Pettitt突变点检验的计算方法为:
Pettitt法采用Mann-Whitney中Ut,n值检验同一总体中两个分开样本x1,…,xt和xt+1,…,xn,统计量Ut,n的公式为:
其中:
Pettitt检验的零假设为没有变化点,当|Ut,n|取最大值时对应的xt被认为是可能的突变点,其突变显著性水平可由下式计算:
当p≤0.05时认为数据中存在均值变异点。
7.根据权利要求1所述的一种区域植被恢复的综合诊断与风险评价方法,其特征在于,步骤6理论最优分布计算中四种理论概率分布函数的参数估计使用线性矩法分别进行估计,计算公式如下:
设变量X为植被覆盖度,植被覆盖度分布函数为F(x)=P(X≤x),且存在反函数x=G(F),G(F)又称为分位函数,对于样本x1,...,xn,记顺序统计量:x1:n≤x2:n,....,≤xn:n,
Hosking的r阶线性矩法估计量如下:
其中:
式中:r为线性矩阶数,n为样本个数。
8.根据权利要求1所述的一种区域植被恢复的综合诊断与风险评价方法,其特征在于,步骤6植被覆盖度的理论最优分布优选方法为:
分布函数检验使用非参数柯尔莫哥洛夫-斯米诺夫检验,计算公式如下:
设Sn(x)是随机样本植被覆盖度观察值的累积概率分布函数,即经验分布函数,样本量为n;Fo(x)是一个特定的累积概率分布函数,即理论分布函数,定义D=|Sn(x)-Fo(x)|,如果对于每个x值,Sn(x)与Fo(x)接近,则表明经验分布函数与理论分布函数的拟合程度很高,有理由认为样本数据来自服从该理论分布的总体;
K-S检验的是绝对值D=|Sn(x)-Fo(x)|中最大的偏差,即使用如下的统计量做检验:
Dmax=max|Sn(x)-Fo(x)| 。
9.根据权利要求7所述的一种区域植被恢复的综合诊断与风险评价方法,其特征在于,步骤7风险概率计算方法为:
风险发生概率的计算方法根据连续随机变量的概率密度公式进行计算,公式如下:
P(xi<x≤xi+1)=P(x<xi+1)-P(x≤xi)
式中:m为植被覆盖度由低到高的分级标准的级数;f(x,Θ)为像元的最优分布函数,Θ为分布函数参数;xi为第i级别植被覆盖分级的区间最大值;P(x≤xi)为植被覆盖度小于等于xi的风险累积分布概率;P(xi<x≤xi+1)为植被覆盖度发生在第i+1区间的风险发生概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811487454.0A CN109636171B (zh) | 2018-12-06 | 2018-12-06 | 一种区域植被恢复的综合诊断与风险评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811487454.0A CN109636171B (zh) | 2018-12-06 | 2018-12-06 | 一种区域植被恢复的综合诊断与风险评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109636171A true CN109636171A (zh) | 2019-04-16 |
CN109636171B CN109636171B (zh) | 2022-11-29 |
Family
ID=66071640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811487454.0A Active CN109636171B (zh) | 2018-12-06 | 2018-12-06 | 一种区域植被恢复的综合诊断与风险评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109636171B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619291A (zh) * | 2019-08-30 | 2019-12-27 | 西安理工大学 | 一种植被覆盖度与气候因子非线性响应关系的识别方法 |
CN110927120A (zh) * | 2019-11-30 | 2020-03-27 | 内蒙古蒙草生命共同体大数据有限公司 | 一种植被覆盖度预警方法 |
CN110991332A (zh) * | 2019-11-30 | 2020-04-10 | 内蒙古蒙草生命共同体大数据有限公司 | 一种植被指数预警方法 |
CN110991333A (zh) * | 2019-11-30 | 2020-04-10 | 内蒙古蒙草生命共同体大数据有限公司 | 一种地上生物量预警方法 |
CN112330204A (zh) * | 2020-11-25 | 2021-02-05 | 中国科学院东北地理与农业生态研究所 | 面向频数集中趋势的生态***属性组分组成结构量化方法 |
CN112365158A (zh) * | 2020-11-11 | 2021-02-12 | 中国自然资源航空物探遥感中心 | 一种基于遥感数据的矿山复绿监测与评价方法 |
CN112508758A (zh) * | 2020-12-02 | 2021-03-16 | 中国科学院东北地理与农业生态研究所 | 生态***内部类型组分与属性组分组成结构协同描述方法 |
CN115293473A (zh) * | 2022-01-19 | 2022-11-04 | 中国建筑股份有限公司 | 一种林草生态修复效果评价方法 |
CN115860487A (zh) * | 2023-03-01 | 2023-03-28 | 生态环境部卫星环境应用中心 | 基于植被稳定性风险指数评估当地植被变化风险的方法 |
CN116011879A (zh) * | 2023-02-01 | 2023-04-25 | 长江水利委员会长江科学院 | 生态***稳定性评估方法、装置、电子设备及存储介质 |
CN116843495A (zh) * | 2023-09-01 | 2023-10-03 | 生态环境部卫星环境应用中心 | 一种植被修复工程实施区识别方法及*** |
CN117688505A (zh) * | 2024-02-04 | 2024-03-12 | 河海大学 | 一种植被大范围区域化负异常的预测方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184162A (zh) * | 2011-02-01 | 2011-09-14 | 环境保护部卫星环境应用中心 | 草原植被覆盖时空动态变化的遥感定量监测方法 |
CN106815690A (zh) * | 2017-01-25 | 2017-06-09 | 中国科学院遥感与数字地球研究所 | 基于遥感数据的生态环境质量评价***与方法 |
CN107229715A (zh) * | 2017-05-31 | 2017-10-03 | 福州大学 | 时序数值型遥感专题数据变化过程的地图可视化表达方法 |
US20200058132A1 (en) * | 2017-03-23 | 2020-02-20 | Nec Corporation | Vegetation index calculation apparatus, vegetation index calculation method, and computer readable recording medium |
-
2018
- 2018-12-06 CN CN201811487454.0A patent/CN109636171B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184162A (zh) * | 2011-02-01 | 2011-09-14 | 环境保护部卫星环境应用中心 | 草原植被覆盖时空动态变化的遥感定量监测方法 |
CN106815690A (zh) * | 2017-01-25 | 2017-06-09 | 中国科学院遥感与数字地球研究所 | 基于遥感数据的生态环境质量评价***与方法 |
US20200058132A1 (en) * | 2017-03-23 | 2020-02-20 | Nec Corporation | Vegetation index calculation apparatus, vegetation index calculation method, and computer readable recording medium |
CN107229715A (zh) * | 2017-05-31 | 2017-10-03 | 福州大学 | 时序数值型遥感专题数据变化过程的地图可视化表达方法 |
Non-Patent Citations (1)
Title |
---|
李石华等: "抚仙湖流域植被覆盖度时空分异及其与坡度的关系", 《地域研究与开发》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619291A (zh) * | 2019-08-30 | 2019-12-27 | 西安理工大学 | 一种植被覆盖度与气候因子非线性响应关系的识别方法 |
CN110619291B (zh) * | 2019-08-30 | 2022-10-28 | 西安理工大学 | 一种植被覆盖度与气候因子非线性响应关系的识别方法 |
CN110927120B (zh) * | 2019-11-30 | 2023-08-04 | 内蒙古小草数字生态产业股份有限公司 | 一种植被覆盖度预警方法 |
CN110927120A (zh) * | 2019-11-30 | 2020-03-27 | 内蒙古蒙草生命共同体大数据有限公司 | 一种植被覆盖度预警方法 |
CN110991332A (zh) * | 2019-11-30 | 2020-04-10 | 内蒙古蒙草生命共同体大数据有限公司 | 一种植被指数预警方法 |
CN110991333A (zh) * | 2019-11-30 | 2020-04-10 | 内蒙古蒙草生命共同体大数据有限公司 | 一种地上生物量预警方法 |
CN112365158A (zh) * | 2020-11-11 | 2021-02-12 | 中国自然资源航空物探遥感中心 | 一种基于遥感数据的矿山复绿监测与评价方法 |
CN112365158B (zh) * | 2020-11-11 | 2023-11-17 | 中国自然资源航空物探遥感中心 | 一种基于遥感数据的矿山复绿监测与评价方法 |
CN112330204A (zh) * | 2020-11-25 | 2021-02-05 | 中国科学院东北地理与农业生态研究所 | 面向频数集中趋势的生态***属性组分组成结构量化方法 |
CN112508758B (zh) * | 2020-12-02 | 2022-12-06 | 中国科学院东北地理与农业生态研究所 | 生态***内部类型组分与属性组分组成结构协同描述方法 |
CN112508758A (zh) * | 2020-12-02 | 2021-03-16 | 中国科学院东北地理与农业生态研究所 | 生态***内部类型组分与属性组分组成结构协同描述方法 |
CN115293473A (zh) * | 2022-01-19 | 2022-11-04 | 中国建筑股份有限公司 | 一种林草生态修复效果评价方法 |
CN116011879A (zh) * | 2023-02-01 | 2023-04-25 | 长江水利委员会长江科学院 | 生态***稳定性评估方法、装置、电子设备及存储介质 |
CN115860487A (zh) * | 2023-03-01 | 2023-03-28 | 生态环境部卫星环境应用中心 | 基于植被稳定性风险指数评估当地植被变化风险的方法 |
CN116843495A (zh) * | 2023-09-01 | 2023-10-03 | 生态环境部卫星环境应用中心 | 一种植被修复工程实施区识别方法及*** |
CN116843495B (zh) * | 2023-09-01 | 2023-11-10 | 生态环境部卫星环境应用中心 | 一种植被修复工程实施区识别方法及*** |
CN117688505A (zh) * | 2024-02-04 | 2024-03-12 | 河海大学 | 一种植被大范围区域化负异常的预测方法及*** |
CN117688505B (zh) * | 2024-02-04 | 2024-04-19 | 河海大学 | 一种植被大范围区域化负异常的预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109636171B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636171A (zh) | 一种区域植被恢复的综合诊断与风险评价方法 | |
Qian et al. | An improved seasonal GM (1, 1) model based on the HP filter for forecasting wind power generation in China | |
Yang et al. | Day-ahead forecasting of photovoltaic output power with similar cloud space fusion based on incomplete historical data mining | |
Alassery et al. | An artificial intelligence-based solar radiation prophesy model for green energy utilization in energy management system | |
CN109615215A (zh) | 一种区域植被恢复的特征分析方法 | |
CN110991262A (zh) | 生态服务价值预测的多带宽地理加权回归元胞自动机方法 | |
CN112907113B (zh) | 一种考虑空间相关性的植被变化成因识别方法 | |
Xu et al. | Evaluation of spatiotemporal dynamics of simulated land use/cover in China using a probabilistic cellular automata-Markov model | |
Shi et al. | Genetic algorithm-piecewise support vector machine model for short term wind power prediction | |
Pei et al. | Short-term regional wind power forecasting based on spatial–temporal correlation and dynamic clustering model | |
Sun et al. | Spatial modelling the location choice of large-scale solar photovoltaic power plants: Application of interpretable machine learning techniques and the national inventory | |
Lu et al. | Neural network interpretability for forecasting of aggregated renewable generation | |
CN115544889A (zh) | 基于深度学习的数值模式降水偏差校正方法 | |
CN114118613A (zh) | 一种焦化土壤污染空间分布预测优化方法及*** | |
CN111199298A (zh) | 基于神经网络的洪水预报方法与*** | |
CN201716727U (zh) | 基于遥感与gis的地理模拟*** | |
CN117113854B (zh) | 一种基于ConvLSTM和三维数值模拟的咸潮预报方法 | |
CN112052996B (zh) | 基于卷积神经网络技术的小水电集群功率预测方法 | |
CN117540303A (zh) | 基于交叉半监督机器学习算法的滑坡易发性评估方法及*** | |
CN112508278A (zh) | 一种基于证据回归多模型的多联供***负荷预测方法 | |
LU503778B1 (en) | The method for wind speed downscaling of wind farms based on super-resolution reconstruction technology | |
Chen et al. | Urban inundation rapid prediction method based on multi-machine learning algorithm and rain pattern analysis | |
CN103473476B (zh) | 基于区域内数座测风塔测风数据的风能资源推算方法 | |
Panagoulia et al. | Diagnostic statistics of daily rainfall variability in an evolving climate | |
Vejdan et al. | Detecting behind-the-meter PV installation using convolutional neural networks |
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 | ||
GR01 | Patent grant |