CN115860487B - 基于植被稳定性风险指数评估当地植被变化风险的方法 - Google Patents
基于植被稳定性风险指数评估当地植被变化风险的方法 Download PDFInfo
- Publication number
- CN115860487B CN115860487B CN202310185056.8A CN202310185056A CN115860487B CN 115860487 B CN115860487 B CN 115860487B CN 202310185056 A CN202310185056 A CN 202310185056A CN 115860487 B CN115860487 B CN 115860487B
- Authority
- CN
- China
- Prior art keywords
- risk
- index
- vegetation
- space
- area
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于植被稳定性风险指数评估当地植被变化风险的方法。针对现有生态风险评价方法影响因素较多,精确定量化困难,缺乏对生态风险空间规模量化等缺陷,本发明聚焦影响当地植被变化的植被自身状况、温度距平、降水距平、人口密度和空间规划等主要因素,提出植被稳定性风险指数模型,通过定量分析引起植被变化的风险因子、风险受体、暴露度的空间信息,提升识别当地植被变化风险的空间精度。利用空间分析技术在单元格和区域尺度上量化当地植被变化风险数值、等级、空间规模,弥补现有植被生态风险缺少空间规模信息的不足,为生态***监测和保护提供更准确的植被变化风险空间分布信息和等级规模信息。
Description
技术领域
本发明涉及植物学、生态学、气象气候学、地理学、遥感和地理信息***等技术领域,特别涉及基于植被稳定性风险指数评估当地植被变化风险的方法。
背景技术
植被变化受多种因素制约,植被变化风险往往是由人类活动和环境变化等危害植被组成、结构、功能的不利影响造成的,既包括不确定性的人为事故或自然灾害造成的风险,也包括人类活动和渐进性环境变化造成的风险。早期生态风险评价的风险源以意外事故发生的可能性分析为主,更多地强调化学污染,没有明确的风险受体、暴露评价和风险表征,整个评价过程以简单的定性分析为主。20世纪90年代后,风险因子扩展到可能造成生态风险的事件,由最初的单因子单风险评价逐步向多因子多风险评价演化。风险受体也从人体发展到种群、群落、生态***。传统的生态风险评价包括危害评价、暴露评价、受体分析、风险表征、风险综合评价等,但生态风险评价强调风险源识别、生态风险的描述。USEPA1998年正式颁布了《生态风险评价指南》,提出生态风险分析包括生态暴露分析、生态***和受体特征分析。
现有的生态风险评价方法大多仅给出风险程度,缺少针对生态风险空间等级规模的量化。例如,2022年世界自然保护联盟(IUCN)发布指南《将生态***风险评估科学运用于生态***恢复》,建议将《IUCN生态***红色名录》应用于生态***恢复,使用了五个评估指标(即生境范围退化、非生物环境退化、生物过程退化、生境限制分布、威胁定量分析)反映生态***的风险,将生态***划分为易于理解的风险类别(崩溃、极度濒危、濒危、脆弱、近危和无危)。
由于风险源以及生态***等都在区域内具有空间异质性,单纯的区域尺度上的生态风险评价,难以反映具体某要素(植被、土壤)风险的空间差异性,且时空精度低。
综上,现有生态风险评价方法较多,但是精确定量化困难,缺乏对生态风险空间规模量化等缺陷。
发明内容
本发明的目的在于提供一种基于植被稳定性风险指数评估当地植被变化风险的方法。通过准确识别风险因子、风险受体、暴露度的空间信息,提升识别植被变化风险空间精度。在此基础上量化变化风险数值、等级、空间规模,区分正向变化和负向变化,解决现有生态风险评价缺少空间信息和等级规模信息的问题,为生态***监测和保护提供更准确的植被变化风险空间分布信息和等级规模信息。
为实现上述目的,本发明采取的技术方案为:
本发明提供一种基于植被稳定性风险指数评估当地植被变化风险的方法,包括以下步骤:
S1、选择研究区当地植被变化风险的风险受体、风险因子及暴露度指标,构建植被稳定性风险指数模型;
S2、对不同来源,不同格式指标数据按照统一的研究区范围,进行数据格式、数据坐标系、分辨率的统一预处理;
S3、将预处理后的数据,按照不同指数计算公式利用空间数据处理软件进行栅格运算,得到不同风险评估指数;所述不同的指数包括:风险受体指数、风险因子指数及暴露度的空间信息;
S4、将所述不同的指数代入植被稳定性风险指数模型,根据所述植被稳定性风险指数模型的输出结果,对研究区当地植被变化风险进行等级划分;
S5、根据等级划分结果,按照单元格等级划分与植被面积关系,确定所述研究区的植被变化风险规模。
进一步地,述步骤S1包括:
构建植被稳定性风险指数模型:
R=B×C×F
式中,R为植被稳定性风险指数;B为风险受体指数;C为植被覆盖度,作为暴露度的空间信息;F为风险因子指数。
进一步地,所述步骤S2包括:
所述步骤S2包括:
S21、根据研究区的空间范围,在地理信息***软件中生成1000m×1000m大小的单元格渔网;
S22、对关键因子所对应的各评估指标,按照所述渔网的范围进行空间裁剪、栅格化、坐标系转换、重采样操作;实现所述各评估指标的数据空间范围、格式、坐标系、空间分辨率保持一致。
进一步地,所述步骤S3包括:
将预处理后的各指标数据,分别按照风险受体指数公式、风险因子指数公式、暴露度的空间信息公式及植被稳定性风险指数模型进行运算,获得对应的输出结果。
进一步地,所述风险受体指数公式如下:
式中,B为研究区植被变化风险的风险受体指数,A为研究区的各栅格面积;为各栅格的植被面积。
进一步地,所述风险因子指数由如下步骤获得:
1)获取研究区的人类驱动因子;所述人类驱动因子包括:人口密度指数和空间规划指数;
其中,所述人口密度指数计算如下:
提取评估年的人口密度最大值和最小值,按照如下公式进行栅格运算:
式中,D为人口密度指数;为栅格点i评估年的人口密度;为评估年研究区人口密度最大值;为评估年研究区人口密度最小值;
所述空间规划因子指数DP赋值如下:将城镇开发边界内范围赋值1,生态保护红线内范围赋值0.1,其他赋值0.6;
2)获取研究区的自然因子:所述自然因子包括:降水量因子指数和温度因子指数;
其中,所述降水量因子指数计算如下:
式中,P为降水量风险因子指数;为栅格点i评估年的生长季降水量;为栅格点i多年生长季降水量平均值, 为栅格点i多年生长季降水量最大值,为栅格点i多年生长季降水量最小值;
所述温度因子指数计算如下:
式中,T为温度因子指数;为栅格点i评估年生长季均温;为栅格点i多年年度温度平均值, 为栅格点i年度生长季均温最大值,为栅格点i年度生长季均温最小值;
3)风险因子指数的计算:
将各风险因子指数按如下公式进行加和计算,得到风险因子指数:
F=D+DP+P+T
式中,F为风险因子指数;D为人口密度指数;DP为空间规划因子指数;P为降水量因子指数;T为温度因子指数。
进一步地,所述暴露度的空间信息根据如下公式由各栅格点的植被覆盖度量化:
其中,C为植被覆盖度;NDVI为栅格点评估年生长季归一化植被指数;为研究区评估年生长季NDVI最大值;为研究区评估年生长季NDVI最小值。
与现有技术相比,本发明具有如下有益效果:
本发明实施例提供的基于植被稳定性风险指数评估当地植被变化风险的方法,针对现有生态风险评价方法影响因素较多,精确定量化困难,缺乏对生态风险空间规模量化等缺陷,聚焦影响植被变化的主要因素,提出植被稳定性风险指数模型,通过准确识别风险因子、风险受体、暴露度的空间信息,提升植被变化风险空间精度。利用空间分析技术在单元格和区域尺度上量化植被变化风险数值、等级、空间规模,以便在此基础上区分正向变化和负向变化风险区域,制定针对性的管理策略。弥补现有植被生态风险缺少空间规模信息的不足,为生态***监测和保护提供更准确的植被变化风险空间信息。
附图说明
图1为本发明实施例提供的基于植被稳定性风险指数评估当地植被变化的方法流程图;
图2为本发明实施例提供的植被稳定性风险识别评估指标体系架构图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
随着遥感和 GIS 等空间分析技术成熟,结合多种数学建模,为同时在区域和栅格尺度上开展生态风险评价提供了技术支撑。基于此,参照图1所示,本发明提供的一种基于植被稳定性风险指数评估当地植被变化的方法,包括以下步骤:
S1、选择研究区当地植被变化风险的风险受体、风险因子及暴露度指标,构建植被稳定性风险指数模型;
S2、对不同来源,不同格式指标数据按照统一的研究区范围,进行数据格式、数据坐标系、分辨率的统一预处理;
S3、将预处理后的数据,按照不同指数计算公式利用空间数据处理软件进行栅格运算,得到不同风险评估指数;所述不同的指数包括:风险受体指数、风险因子指数及暴露度的空间信息;
S4、将所述不同的指数代入植被稳定性风险指数模型,根据所述植被稳定性风险指数模型的输出结果,对研究区当地植被变化风险进行等级划分;
S5、根据等级划分结果,按照单元格等级划分与植被面积关系,确定所述研究区的植被变化风险规模。
本发明实施例,利用遥感和 GIS 等空间分析技术,聚焦植被变化的主要影响因素,提出植被稳定性风险指数,提升现有植被变化风险评估的空间精度,在栅格和区域尺度上精确量化植被变化风险的数量、等级、规模和发生区域,为生态***监测和保护提供更准确的植被变化风险空间信息。
其中,步骤S3中,将预处理后的各指标数据,分别利用不同的指数计算公式进行栅格运算,得到不同的指数;包括:风险受体指数、风险因子指数和暴露度指数的计算,架构如图2所示;
1.风险受体指数
风险受体是指研究区植被。风险受体指数B由各栅格点的植被(此处指林草地)面积占栅格面积来量化(可通过公式(1)计算获得)。各栅格点植被面积由以下步骤获得:利用ArcGIS生成1000m×1000m大小的单元格渔网;按位置选择(渔网和植被分布相交);导出渔网图层;区域统计获得各网格植被面积;与渔网图层关联,即可获得每个格点植被面积图层。
(1)
其中,B为研究区植被的风险受体指数,A为研究区的栅格面积(m2),为各栅格点的植被面积(m2)。
具体操作:
Step1:利用掩膜提取研究区植被分布范围;
Step2:建立渔网(范围选择栅格研究区,像元高度和宽度根据需要设定,几何类型选择面);
Step3:按位置选择,利用研究区植被分布范围和渔网相交选出需要的网格(即消除多余的网格);
Step4:导出图层(导出渔网);
Step5:计算各个网格的各类植被类型面积;
首先利用按属性提取,依次提取研究区植被分布数据;然后区域统计分析计算出各单元格的植被类型面积。(具体操作如下:在Arcmap软件中,选择空间分析-以表格显示分区统计方法,首先选择导出的渔网,字段选择FID,赋值栅格选择研究区不同植被类型栅格数据,输入***计算后的表格名称即单元格植被类型面积,统计类型选择ALL);
Step6:关联,利用FID号将各单元格植被面积数据与渔网连接起来,利用属性计算各栅格植被面积/渔网栅格面积得到风险受体面积百分比。
2.风险因子指数
风险因子是引起植被变化的各种因子,即风险因子。各栅格点的关键风险因子包括人类驱动因子(人口密度、空间规划)和自然驱动因子(降水量因子指数、温度因子)。人类驱动力用人口密度和空间规划两个因子来表征,假设人口素质一致的情况下,人口密度越大,人类干扰风险就越大,通过公式(2)计算获得。空间规划中城镇空间和农业空间的干扰风险大,生态空间的干扰风险小。自然驱动因子用生长季降水和生长季温度的距平绝对值来量化,距平绝对值越大,风险就越大;分别通过公式(3)和公式(4)获得。可以采用点数据的空间插值方法,获得相关的栅格数据。将各风险因子指数进行加和得到风险因子指数。
人类驱动因子的计算
人类驱动因子包括人口密度指数和空间规划指数,分别利用人口密度数据和空间规划数据进行相关处理得到,具体步骤如下:
Step1: 人口密度栅格数据生产
人口密度:每平方千米土地上平均居住的人口数。本实施例中指的是公里网格人口分布数据。行政区为基本单元的统计人口扩展到一定空间尺度(1公里)网格上,综合分析人口分布的空间特征及区域差异,计算人口区划。在区划后的各子区域中建立多元统计人口空间化模型进行人口空间化。具体参照国家科技基础条件平台-国家地球***科学数据中心提供的人口密度空间数据集生产方法。
Step2:人口密度因子指数计算
提取评估年的人口密度数据,提取研究区人口密度最大值及最小值,然后在软件中按照公式(2)进行栅格运算。
(2)
式中,D为人口密度指数;为栅格点i评估年的人口密度;为评估年研究区人口密度最大值;为评估年研究区人口密度最小值;
Step3:空间规划因子指数DP(Development Plan)
不同规划用地,植被遭受破坏的风险不一样,多规合一过程中,国土空间按照城市开发边界、永久基本农田红线和生态保护红线进行了统一规划,此处将研究区国土空间规划中的城镇开发边界内范围赋值1,生态保护红线内范围赋值0.1,其他赋值0.6。具体操作,将城镇开发边界、生态保护红线边界等矢量数据在地理信息***软件中合并到一个栅格或矢量图层中,按照不同规划空间类型进行栅格重分类或矢量属性赋值,然后重分类后的栅格或矢量数据转化程与研究区范围和数据基础一致的1000m×1000m的栅格数据。
自然因子的计算
Step1:降水量因子指数计算
将研究区评估年生长季降水量和生长季多年降水量均值进行空间插值,处理成分辨率1000m×1000m栅格化处理,提取各单元格生长季多年降水量均值中的最大值和最小值,然后进行栅格运算,按公式(3)进行运算:
(3)
式中,P为年降水量因子指数;为栅格点i评估年的生长季降水量;为栅格点i生长季多年降水量平均值, 为栅格点i生长季多年降水量最大值,为栅格点i生长季多年降水量最小值;
Step2:温度因子指数计算
将研究区评估年生长季温度值和生长季多年温度均值进行空间插值,处理成分辨率1000m×1000m栅格化处理,提取多年均值中的最大值和最小值,然后进行栅格运算,按公式(4)进行运算:
(4)
式中,T为温度因子指数;为栅格点i评估年生长季均温;为栅格点多年年度温度平均值, 为栅格点年度生长季均温最大值,为栅格点年度生长季均温最小值;
风险因子指数的计算
将各风险因子指数按公式(5)进行加和计算,得到风险因子指数。
利用公式
F=D+DP+P+T (5)
式中,F为风险因子指数;D为人口密度指数;DP为空间规划因子指数;P为降水量因子指数;T为温度因子指数。
3.暴露度指数
暴露度由各栅格点的植被覆盖度量化,通过公式(6)计算获得。植被覆盖度是指植被(包括叶、茎、枝)在地面的占统计区总面积的百分比。暴露度用植被覆盖度表示,避免了整个栅格为植被区时,植被区内部的微小空地也作为承灾体的缺陷,可以更真实反映植被的暴露度。
采用经典的像元二分模型提取植被覆盖度。即利用全部植被覆盖条件下像元归一化植被指数NDVI()和全部裸土背景情况下像元NDVI()的两个极值,将像元NDVI进行线性分解,从而得到植被覆盖度(FVC)。具体操作方法:借助Arcmap区域统计方法,获取研究区内(或研究区一段时间内)NDVI最大值和最小值,分别作为值和值。
(6)
其中,C为植被覆盖度;NDVI为归一化植被指数;为研究区NDVI最大值;为研究区NDVI最小值。
4.植被稳定性风险指数
各栅格点的植被稳定性风险指数采用风险受体、暴露度和风险因子三者的乘积来量化,通过公式(7)计算获得,可以制作生态风险分布图。
R=B×C×F (7)
其中,R为植被稳定性风险指数(阈值[0, 4]),B为风险受体指数,C为(暴露度)植被覆盖度,F为风险因子指数。
上述步骤S4中,当地植被变化风险等级
将不同的指数代入植被稳定性风险指数模型,根据植被稳定性风险指数模型的输出结果,对研究区域的当地植被变化风险进行等级划分。依据自然断点法和历史经验值综合确定(也可以根据研究区的实际风险值调整分级界点)将生态风险划分为无风险、低风险、中风险、高风险4个风险级别,然后制作植被稳定性风险等级分布图。
上述步骤S5中,植被变化风险的空间规模
植被变化的空间规模是风险区面积和空间分布范围。通过不同风险区的分布面积及其占植被分布区的面积百分比来量化(表1)。在区域尺度上,可以利用Arcmap的区域统计功能(Zonal statistics table),统计无风险、低风险、中风险、高风险区的分布面积,然后除以研究区植被总面积得到研究区植被高风险区、中风险区及低风险区的比例(表1)。
表1.生态风险规模统计表:
风险等级 | <![CDATA[空间规模(面积km<sup>2</sup>)]]> | 占植被总面积的比例 |
无风险 | ||
低风险 | ||
中风险 | ||
高风险 | ||
总计 |
下面以北京市为例,基于植被稳定性风险指数模型,通过各类数据的处理与运算,实现对当地植被变化风险等级划分和风险规模的判定。
S1,建立植被稳定性风险指数模型
S1.1:构建植被稳定性风险指数模型
研究影响植被变化主要因素,提出植被稳定性风险指数模型, 综合反映区域植被受自然因素或人为活动影响的可能性和破坏程度。模型如下:
R=B×C×F (7)
其中,R为植被稳定性风险指数(阈值[0, 4]),B为风险受体指数,C为(暴露度)植被覆盖度,F为风险因子指数。
S1.2:构建植被稳定性风险指标体系
构建3层北京市植被稳定性风险评估指标体系。第1层是目标层,植被稳定性风险指数(Risk Index of vegetation quality stability,RIVQS),综合反映区域植被受自然因素或人为活动影响的可能性和破坏程度;第2层是指数层,从风险受体、风险因子、暴露度三方面衡量植被变化风险;第3层是指标层,包含各具体指标,其中受体指标包括单元格植被面积比例;风险因子指标包括人口密度、空间规划、降水量和温度等;暴露度指数为植被覆盖度。
S2,数据处理
S2.1:指标数据预处理
S2.1.1:生成统一范围:为统一研究区范围和统一栅格精度,首先依据北京市空间范围,利用地理信息软件,生成大小为1000m×1000m大小的渔网。
S2.1.2:指标处理:对各评估指标按照渔网范围进行空间裁剪、栅格化、坐标系转换、重采样等处理操作,确保所有指标数据范围、格式、空间分辨率等均一致。
S2.2:指标运算处理
S2.2.1:单元格植被面积比例:首先根据植被类型分类,结合中国科学院地理科学与资源研究所制定的“中国多时期土地利用/土地覆盖遥感监测数据分类***”,提取2018年北京市LUCC中的2级分类中的2和3即林地和草地两个一级类、7个二级类。然后利用渔网和提取后的数据进行区域统计计算,得到渔网各网格点的植被面积,然后利用各网格点的植被面积/网格面积,得到渔网各网格的植被面积比例。
S2.2.1:空间规划指数:渔网网格范围内,将北京市生态保护红线范围直接赋值0.1,北京市城市开发边界范围赋值1,其他区域赋值0.6。
S2.2.3:其他指数:将相关数据在Arcmap软件中,按照渔网的范围,进行空间栅格运算。
S3,计算植被稳定性风险指数结果与等级划分
将各项指数按照植被稳定性风险指数评估模型进行计算,输出植被稳定性风险指数结果,对评估结果进行等级划分并制图可视化展示。植被变化风险按照自然分类法分为无风险区、较低风险区、中风险区、和高风险区4个等级。北京市植被变化风险等级划分阈值如下:
表 2 北京市2021年植被变化风险等级划分阈值
风险等级 | 无风险(I) | 低风险(II) | 中风险(III) | 高风险(IV) |
阈值范围 | 0-0.213 | 0.213-0.589 | 0.589-0.994 | 0.994-1.811 |
并借助ArcGIS10.7可视化制图软件,绘制受体风险指数等级图、风险因子指数和暴露度指数以及植被稳定性风险等级专题图。
S4、植被稳定性变化风险规模确定
经统计,北京市2021年植被(林草地)植被分布面积为11088平方千米。其中植被变化无风险、低风险、中风险、高风险面积分别是1588平方千米、1265平方千米、4502平方千米和3733平方千米,植被变化风险规模为3733平方千米,占植被总面积的33.67%,占北京市区域面积的22.75%。
表3.北京市植被变化生态风险规模统计表
风险等级 | <![CDATA[空间规模(面积km<sup>2</sup>)]]> | 占植被总面积的比例 |
无风险 | 1588 | 14.32% |
低风险 | 1265 | 11.41% |
中风险 | 4502 | 40.60% |
高风险 | 3733 | 33.67% |
总计 | 11088 | 100% |
本发明实施例中,通过建立植被稳定性风险指数模型,在格点尺度上准确识别风险受体、暴露度的空间信息;在格点尺度上将风险受体、暴露度,以及人口密度、空间规划、降水量距平、温度距平等关键风险因子融合为植被稳定性风险评估模型;然后利用GIS空间分析技术分别在栅格和区域尺度上量化风险数值、等级、规模和发生区域。提升现有植被变化风险评估的空间精度,在栅格和区域尺度上精确量化当地植被变化风险的数量、等级、规模和发生区域,为生态***监测和保护提供更准确的植被变化空间信息。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.基于植被稳定性风险指数评估当地植被变化风险的方法,其特征在于,包括以下步骤:
S1、选择研究区当地植被变化风险的风险受体、风险因子及暴露度指标,构建植被稳定性风险指数模型;
S2、对不同来源,不同格式指标数据按照统一的研究区范围,进行数据格式、数据坐标系、分辨率的统一预处理;
S3、将预处理后的数据,按照不同指数计算公式利用空间数据处理软件进行栅格运算,得到不同风险评估指数;所述不同的指数包括:风险受体指数、风险因子指数及暴露度的空间信息;
S4、将所述不同的指数代入植被稳定性风险指数模型,根据所述植被稳定性风险指数模型的输出结果,对研究区当地植被变化风险进行等级划分;
S5、根据等级划分结果,按照单元格等级划分与植被面积关系,确定所述研究区的植被变化风险规模;
其中,所述风险受体指数公式如下:
式中,B为研究区植被变化风险的风险受体指数,A为研究区的各栅格面积;Aveg为各栅格的植被面积;
所述风险因子指数由如下步骤获得:
1)获取研究区的人类驱动因子;所述人类驱动因子包括:人口密度指数和空间规划指数;
其中,所述人口密度指数计算如下:
提取评估年的人口密度最大值和最小值,按照如下公式进行栅格运算:
式中,D为人口密度指数;Di为栅格点i评估年的人口密度;Dmax为评估年研究区人口密度最大值;Dmin为评估年研究区人口密度最小值;
空间规划因子指数DP赋值如下:将城镇开发边界内范围赋值1,生态保护红线内范围赋值0.1,其他赋值0.6;
2)获取研究区的自然因子:所述自然因子包括:降水量因子指数和温度因子指数;
其中,所述降水量因子指数计算如下:
式中,P为降水量风险因子指数;Pi为栅格点i评估年的生长季降水量;Pmean为栅格点i多年生长季降水量平均值,Pmax为栅格点i多年生长季降水量最大值,Pmin为栅格点i多年生长季降水量最小值;
所述温度因子指数计算如下:
式中,T为温度因子指数;Ti为栅格点i评估年生长季均温;Tmean为栅格点i多年年度温度平均值,Tmax为栅格点i年度生长季均温最大值,Tmin为栅格点i年度生长季均温最小值;
3)风险因子指数的计算:
将各风险因子指数按如下公式进行加和计算,得到风险因子指数:
F=D+DP+P+T
式中,F为风险因子指数;D为人口密度指数;DP为空间规划因子指数;P为降水量因子指数;T为温度因子指数。
2.根据权利要求1所述的基于植被稳定性风险指数评估当地植被变化风险的方法,其特征在于,所述步骤S1包括:
构建植被稳定性风险指数模型:
R=B×C×F
式中,R为植被稳定性风险指数;B为风险受体指数;C为植被覆盖度,作为暴露度的空间信息;F为风险因子指数。
3.根据权利要求1所述的基于植被稳定性风险指数评估当地植被变化风险的方法,其特征在于,所述步骤S2包括:
S21、根据研究区的空间范围,在地理信息***软件中生成1000m×1000m大小的单元格渔网;
S22、对关键因子所对应的各评估指标,按照所述渔网的范围进行空间裁剪、栅格化、坐标系转换、重采样操作;实现所述各评估指标的数据空间范围、格式、坐标系、空间分辨率保持一致。
4.根据权利要求1所述的基于植被稳定性风险指数评估当地植被变化风险的方法,其特征在于,所述步骤S3包括:
将预处理后的各指标数据,分别按照风险受体指数公式、风险因子指数公式、暴露度的空间信息公式及植被稳定性风险指数模型进行运算,获得对应的输出结果。
5.根据权利要求4所述的基于植被稳定性风险指数评估当地植被变化风险的方法,其特征在于,所述暴露度的空间信息根据如下公式由各栅格点的植被覆盖度量化:
其中,C为植被覆盖度;NDVI为栅格点评估年生长季归一化植被指数;NDVIveg为研究区评估年生长季NDVI最大值;NDVIsoil为研究区评估年生长季NDVI最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310185056.8A CN115860487B (zh) | 2023-03-01 | 2023-03-01 | 基于植被稳定性风险指数评估当地植被变化风险的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310185056.8A CN115860487B (zh) | 2023-03-01 | 2023-03-01 | 基于植被稳定性风险指数评估当地植被变化风险的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115860487A CN115860487A (zh) | 2023-03-28 |
CN115860487B true CN115860487B (zh) | 2023-05-09 |
Family
ID=85659528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310185056.8A Active CN115860487B (zh) | 2023-03-01 | 2023-03-01 | 基于植被稳定性风险指数评估当地植被变化风险的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115860487B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780089B (zh) * | 2016-12-27 | 2020-10-16 | 广州蓝图地理信息技术有限公司 | 基于神经网络元胞自动机模型的永久性基本农田划定方法 |
WO2019226782A1 (en) * | 2018-05-25 | 2019-11-28 | Bayer Cropscience Lp | System and method for vegetation management risk assessment and resolution |
CN109636171B (zh) * | 2018-12-06 | 2022-11-29 | 西安理工大学 | 一种区域植被恢复的综合诊断与风险评价方法 |
-
2023
- 2023-03-01 CN CN202310185056.8A patent/CN115860487B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115860487A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Millward et al. | Adapting the RUSLE to model soil erosion potential in a mountainous tropical watershed | |
Das et al. | Assessment of urban sprawl using landscape metrics and Shannon’s entropy model approach in town level of Barrackpore sub-divisional region, India | |
CN113283802B (zh) | 一种复杂艰险山区滑坡危险性评估方法 | |
CN108536908B (zh) | 基于非点源氮磷流失风险对流域水环境安全评估的方法 | |
Dmowska et al. | A high resolution population grid for the conterminous United States: The 2010 edition | |
Hashimoto et al. | Scenario analysis of land-use and ecosystem services of social-ecological landscapes: implications of alternative development pathways under declining population in the Noto Peninsula, Japan | |
Hassan | Climate change impact on groundwater recharge of Umm er Radhuma unconfined aquifer Western Desert, Iraq | |
CN112785024A (zh) | 一种基于流域水文模型的径流计算和预测方法 | |
CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
CN102567648A (zh) | 一种绿地生态评价单元粒度自适应栅格取样方法 | |
CN113240257A (zh) | 一种基于最小累积阻力模型的国土空间分区方法和装置 | |
CN115994685A (zh) | 一种国土空间规划现状评估方法 | |
Supari | Spatiotemporal characteristics of extreme rainfall events over Java Island, Indonesia | |
CN116882625A (zh) | 一种岩溶山地乡村聚落用地空间脆弱性识别方法 | |
CN115481211A (zh) | 基于滑坡易发性评价因子特征选取非滑坡样本的方法 | |
Tassinari et al. | Wide-area spatial analysis: A first methodological contribution for the study of changes in the rural built environment | |
Tsakiris et al. | Regional drought identification and assessment. Case study in Crete | |
CN113793023A (zh) | 一种基于卫星遥感的区域绿色发展指标评价方法 | |
Kumar et al. | Assessing seasonal variation and trends in rainfall patterns of Madhya Pradesh, Central India | |
Haywood et al. | Monitoring Victoria’s public forests: implementation of the Victorian Forest Monitoring Program | |
CN115860487B (zh) | 基于植被稳定性风险指数评估当地植被变化风险的方法 | |
CN116543528A (zh) | 一种基于降雨阈值的区域滑坡危险性预警方法 | |
Liu et al. | Vegetation mapping for regional ecological research and management: a case of the Loess Plateau in China | |
Khadka et al. | Forest and other land cover assessment in Nepal using Collect Earth | |
CN115203643A (zh) | 融合水文与生态要素的水源涵养功能定量诊断方法及*** |
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 |