草原生態(tài)系統(tǒng)是世界陸地植被生態(tài)系統(tǒng)的重要組成部分。草原生產(chǎn)力水平是草地退化、草地生態(tài)系統(tǒng)健康診斷、生態(tài)服務(wù)功能評價和碳匯研究的關(guān)鍵;草原產(chǎn)草量的估算和預(yù)測則能夠為合理確定載畜量提供重要的科學依據(jù),對維護草原生態(tài)平衡、正確指導畜牧業(yè)發(fā)展等具有重要的理論與現(xiàn)實意義。本文以內(nèi)蒙古草原為研究區(qū),綜合運用GIS和遙感手段,結(jié)合野外實際調(diào)查數(shù)據(jù)、遙感數(shù)據(jù)及其他輔助數(shù)據(jù),在草地NPP估算的基礎(chǔ)上,系統(tǒng)分析了研究區(qū)草地生產(chǎn)力時空演變特征及影響因素,探討了氣溫和降水對草地生產(chǎn)力的延遲性影響,完成了鮮草產(chǎn)草量的遙感估算和預(yù)測。主要工作和結(jié)論如下:(1)基于CASA模型估算了 2000-2014年各月份的草地NPP,估算結(jié)果與MOD17A3H-NPP數(shù)據(jù)的Pearson相關(guān)系數(shù)r達到了 0.935。以草地NPP作為草地生產(chǎn)力評價指標,采用基于像元的線性趨勢法分析發(fā)現(xiàn),內(nèi)蒙古草地生產(chǎn)力整體上呈自西向東,自南向北逐漸遞增的趨勢;草地NPP積累期主要集中在4-10月份,在2000-2014年間變化趨勢雖有少許波動,但整體上以0.85 g C/(m2 a)(P0.01)的速度增長;呈極顯著增加和顯著增加的區(qū)域所占百分比分別為29.76%和22.26%;Hurst指數(shù)計算結(jié)果結(jié)合2000-2014年的變化趨勢綜合分析發(fā)現(xiàn),13.42%的研究區(qū)草地生產(chǎn)力由目前的增加將轉(zhuǎn)變?yōu)闇p少趨勢。(2)系統(tǒng)研究了研究區(qū)草地NPP與自然因素的相關(guān)性,并探討了草地對人類活動的響應(yīng)。基于像元的相關(guān)性分析法研究發(fā)現(xiàn),研究區(qū)草地NPP與氣溫、地表溫度在年際尺度上主要呈負相關(guān),其中顯著和極顯著負相關(guān)所占比例之和分別為25.15%和60.99%;與降水量和蒸散發(fā)量在年際尺度上主要呈正相關(guān),其中顯著和極顯著正相關(guān)所占比例之和分別為20.34%和74.25%;與本文提出的改進型TVDI計算結(jié)果在生長季連續(xù)月際尺度上,主要呈負相關(guān),其中顯著和極顯著所占比例之和為49.83%。SNPP均值與年累計新增圍欄草場面積和年累計種草面積的相關(guān)系數(shù)分別為0.689(P0.01)和0.817(P0.01),分析認為,國家生態(tài)環(huán)境相關(guān)政策等人類活動對草地NPP的提升有著明顯的積極作用。(3)氣象因素對植被生長的延遲性影響雖然被研究人員普遍認同,但定量研究一直未得到充分關(guān)注。本文在3個月的延遲量及不同時間氣候因素對草地生產(chǎn)力影響大小各不相同的基礎(chǔ)上,提出了基于時間累加的延遲性分析法,系統(tǒng)探討了生長季連續(xù)月際和不同月份年際2個時間尺度下,氣溫和降水量對草地生產(chǎn)力的延遲性影響。結(jié)果表明,氣溫和降水對草地生長季的植被生產(chǎn)力影響具有一定的延遲性,但均隨著時間向前推移,其影響程度越來越弱;同時,氣溫和降水量在生長季不同月份對草地生產(chǎn)力的影響具有明顯的時空差異。(4)針對實際采樣樣方和遙感影像的像元在空間尺度上不一致的問題,提出了基于空間尺度轉(zhuǎn)換的鮮草產(chǎn)草量遙感估算模型。以2013年錫林郭勒盟草地為例,采用空間尺度轉(zhuǎn)換后的NPP和AFY構(gòu)建散點圖,并采用線性和冪函數(shù)進行擬合回歸,兩者的擬合優(yōu)度系數(shù)R2分別達到了 0.79和0.85,均方根誤差RMSE分別為0.0625 Kg/m2和0.0609 Kg/m2;采用Landsat 8遙感影像對該模型的有效性進一步驗證證實,該模型適用于基于中低分辨率光學遙感影像的產(chǎn)草量估算。(5)基于深度學習的方法、基于時間累加的延遲性分析法和鮮草產(chǎn)草量遙感估算模型,提出了下一年度產(chǎn)草量預(yù)測的技術(shù)流程。以2014年錫林郭勒盟草地產(chǎn)草量為例,首先采用LSTM和GRU 2種神經(jīng)網(wǎng)絡(luò)模型基于站點的氣象數(shù)據(jù)對下一年度的氣溫和降水量進行了預(yù)測;然后,以最優(yōu)的氣溫和降水量預(yù)測結(jié)果為變量,采用基于時間累加的延遲性分析法原理,預(yù)測了 2014年草地生長季的NPP,其預(yù)測結(jié)果與基于CASA模型估算結(jié)果的擬合優(yōu)度系數(shù)R2達到了 0.92;最后實現(xiàn)鮮草產(chǎn)草量預(yù)測,相對于2013年的鮮草產(chǎn)草量,預(yù)測結(jié)果相對精度為76.38%。
【學位單位】：山東科技大學
【學位級別】：博士
【學位年份】：2019
【中圖分類】：TP79;S812
【部分圖文】：

技大學博士學位論文?１１７Ａ３Ｈ－ＮＰＰ數(shù)據(jù)進行驗證；然后，系統(tǒng)分析草地ＮＰＰ不同時間尺度的時空對不同草地類型的變化特征進行統(tǒng)計分析；最后基于Ｈｕｒｓｔ指數(shù)法對草地Ｎ化趨勢進行研究；具體流程如圖１．２所示。??一?－?－?－?－?－?－遙慼數(shù)據(jù)氣數(shù)據(jù)地面實測數(shù)據(jù)其他輔助數(shù)據(jù)

Ｆｉｇ．?１．４?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ｈｅｒｂａｇｅ?ｙｉｅｌｄ?ｅｓｔｉｍａｔｉｏｎ?ｂｙ?Ｒｅｍｏｔｅ?Ｓｅｎｓｉｎｇ??（４）鮮草產(chǎn)草量預(yù)測研究??針對基于遙感的鮮草產(chǎn)草量預(yù)測缺乏相應(yīng)的遙感數(shù)據(jù)源的問題，本文以２０１４年為??例，擬提出一種間接獲取草地ＮＰＰ的方法，并以此結(jié)果進行鮮草產(chǎn)草量的預(yù)測。??首先，基于長時間序列的數(shù)據(jù)，采用深度學習的方法對２０１４年的氣溫和降水量進??行預(yù)測，擬采用?ＧＲＩＫＧａｔｅｄ?Ｒｅｃｕｒｒｅｎｔ?Ｕｎｉｔ）?［１�。祝珊�?ＬＳＴＭ（Ｌｏｎｇ?Ｓｈｏｒｔ?Ｍｅｍｏｒｙ?Ｎｅｔｗｏｒｋ，??中短期記憶網(wǎng)絡(luò)）［１９０］２種神經(jīng)網(wǎng)絡(luò)模型進行嘗試，并用實際氣溫和降水數(shù)據(jù)分別基于站??點和插值后隨機采點２種方式進行驗證，選取最優(yōu)預(yù)測結(jié)果；然后，采用基于時間累加??的延遲性分析法獲取基于氣溫和降水量數(shù)據(jù)對草地ＮＰＰ的擬合回歸公式，并計算２０１４??年的草地ＮＰＰ數(shù)據(jù)，同時，采用ＣＡＳＡ模型估算結(jié)果進行檢驗；最后，采用鮮草產(chǎn)草??量遙感估算模型，基于ＮＰＰ數(shù)據(jù)實現(xiàn)鮮草產(chǎn)草量的預(yù)測，并與２０１３年產(chǎn)草量數(shù)據(jù)進行??對比分析；具體流程如圖１．５所示。??１９??

?＾?效性檢驗??圖１．４鮮草產(chǎn)草量遙感估算流程圖??Ｆｉｇ．?１．４?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ｈｅｒｂａｇｅ?ｙｉｅｌｄ?ｅｓｔｉｍａｔｉｏｎ?ｂｙ?Ｒｅｍｏｔｅ?Ｓｅｎｓｉｎｇ??（４）鮮草產(chǎn)草量預(yù)測研究??針對基于遙感的鮮草產(chǎn)草量預(yù)測缺乏相應(yīng)的遙感數(shù)據(jù)源的問題，本文以２０１４年為??例，擬提出一種間接獲取草地ＮＰＰ的方法，并以此結(jié)果進行鮮草產(chǎn)草量的預(yù)測。??首先，基于長時間序列的數(shù)據(jù)，采用深度學習的方法對２０１４年的氣溫和降水量進??行預(yù)測，擬采用?ＧＲＩＫＧａｔｅｄ?Ｒｅｃｕｒｒｅｎｔ?Ｕｎｉｔ）?［１！ＷＩ和?ＬＳＴＭ（Ｌｏｎｇ?Ｓｈｏｒｔ?Ｍｅｍｏｒｙ?Ｎｅｔｗｏｒｋ，??中短期記憶網(wǎng)絡(luò)）［１９０］２種神經(jīng)網(wǎng)絡(luò)模型進行嘗試，并用實際氣溫和降水數(shù)據(jù)分別基于站??點和插值后隨機采點２種方式進行驗證，選取最優(yōu)預(yù)測結(jié)果；然后，采用基于時間累加??的延遲性分析法獲取基于氣溫和降水量數(shù)據(jù)對草地ＮＰＰ的擬合回歸公式，并計算２０１４??年的草地ＮＰＰ數(shù)據(jù)

本文編號：2869555