一种海岸带土壤有机碳储量模拟及预测方法技术

本发明专利技术公开了一种海岸带土壤有机碳储量模拟及预测方法，通过构建的海岸带土壤有机碳储量估算与预测增强回归树模型，进行海岸带土壤有机碳储量模拟及预测。本发明专利技术提供的海岸带土壤有机碳储量模拟及预测方法，以高空间分辨率、开源的Sentinel光学和雷达遥感等数据作为输入数据，实现了大的区域尺度滨海湿地10m空间分辨率模拟监测，模型十层交叉验证平均相关系数达到0.8，精度显著优于传统基于调查样点按照生态系统类型统计方法和空间插值方法土壤碳储量估算。实现了空间破碎、实地采样调查困难的海岸带地区土壤碳储量高空间分辨率、高精度、低成本、快速模拟与预测。快速模拟与预测。快速模拟与预测。

【技术实现步骤摘要】
一种海岸带土壤有机碳储量模拟及预测方法


[0001]本专利技术涉及多源卫星遥感生态系统监测
，特别是涉及一种海岸带土壤有机碳储量模拟及预测方法。

技术介绍

[0002]土壤中存储的碳远超大气和生物体中的碳。在土壤碳中，超过一半以上的的碳是以有机碳的的形式固存，是大气碳库的2倍，且相比土壤无机碳，土壤有机碳参与碳循环过程更加活跃(Batjes,1996；Crowther et al.,2016)。因此，土壤有机碳储量动态对全球和区域气候具有显著影响。
[0003]相比森林，草地、农田等陆地生态系统，由于更高的碳埋藏速率和吸收速率，海岸带生态系统在区域碳循环中扮演着十分重要的作用，特别是作为一个显著的碳汇生态系统，对“双碳”战略目标的实现具有重要作用。然而，然而由于其空间分布破碎、可达性差，空间异质性大等原因，海岸带生态系统碳储量估算及预测，特别是土壤有机碳储量的准确估算和预测仍然存在很大的不确定性。
[0004]现有土壤有机碳储量估算包括：基于调查采样分析方法，通过样点测试分析数据建立经验统计模型或机器学习模型模拟，基于过程模型模拟三种方法。基于调查采样方法方法仅限于小尺度土土壤有机碳储量评估分析。建立经验模型或机器学习模型估算土壤有机碳储量赖于有限的样点观测数据和单一、中低分辨率卫星遥感数据，模拟监测土壤碳储量精度往往存在较大不确定。基于过程模型模拟土壤有机碳储量受限于模型复杂、参数众多且优化复杂，在区域土壤有机碳储量估算中不确定性高，且应用复杂不便。
[0005]卫星遥感对地观测技术广泛应用于地表土地覆被、植被生长、表层土壤水分和土壤温度等可直接监测或间接反演的地理和生态系统参量监测，但对于土壤碳储量等涉及一定深度的土壤信息则很难通过卫星遥感直接监测或间接反演获取。利用传统通过样点采样测试数据结合中低分辨率遥感数据模拟方法并不适于海岸带生态系统土壤碳储量监测。一方面，大尺度土壤碳储量调查人力物力成本高昂、时间周期长；另一方面，中低分辨率卫星遥感数据像元不足以区分小于分辨率尺度的小块破碎滨海湿地，使得目前海岸带生态系统碳储量模拟监测结果存在很大不确定性。
[0006]虽然已有不少土壤有机碳储量估算方法，然而少有行之有效的有关未来气候变化背景下海岸带土壤有机碳储量预测方法。海岸带生态系统同时受人类活动、气候变化及其导致的海平面上升影响，预测未来气候变化情景下的海岸带生态系统需同时考虑气候变化、人类活动和海平面上升影响，并且需要获取合理可靠的未来气候变化情景下的模型输入变量信息。总而言之，目前关于未来气候变化情景下的海岸带土壤有机碳储量预测仍然存在很大的挑战。

技术实现思路

[0007]本专利技术的目的是针对传统通过样点采样测试数据结合中低分辨率遥感数据的土
壤有机碳储量估算方法并不适于海岸带生态系统土壤碳储量高时空分辨率监测，且不能实现未来气候变化情景下的海岸带土壤有机碳储量预测。本专利技术的一个目的是，提供一种利用当前可开源获取的高时空分辨率卫星遥感数据结合气象、土壤属性和地形地貌等信息实现海岸带土壤有机碳储量高空间分辨率估算的方法。
[0008]本专利技术的另一个目的，是基于上述海岸带土壤有机碳储量模拟方法的预测方法。
[0009]为实现本专利技术的目的所采用的技术方案是：
[0010]一种海岸带土壤有机碳储量模拟方法，包括以下步骤：
[0011]步骤1：选取模型构建所需的模型变量
[0012]所述模型变量包括：海岸带植被指数、归一化植被指数、归一化水体指数、叶绿素荧光指数、增强植被指数、归一化植被湿度指数、改进型土壤植被指数、改进植被指数、归一化盐度指数、雷达遥感极化指数、高程、地形湿度指数、年均温、年降水、向下太阳短波辐射、人口、距离河流距离、土壤盐度和参考土壤碳储量；
[0013]步骤2：模型变量获取与处理
[0014]首先通过Google Earth Engine地理科学大数据云平台和开源基础地理数据产品获取模型变量数据；然后利用GIS软件对获取的模型变量数据进行格式转换、格网匹配处理；
[0015]步骤3：模型训练样本数据集制备
[0016]利用GIS软件提取栅格属性到点工具提取土壤碳储量样本点对应的模型输入变量值，获取构建土壤碳储量模型所需模型训练样本数据集；
[0017]步骤4：模型变量优化
[0018]通过相关系数矩阵分析和膨胀因子检验方法，从步骤1的模型变量中选取最优模型变量，并按照步骤2的方法获取最优模型变量数据；
[0019]所述最优模型变量包括：海岸带植被指数、归一化植被指数、归一化植被湿度指数、改进型土壤植被指数、高程、距离河流距离、年降水、年均温、人口、土壤盐度和参考土壤碳储量；
[0020]步骤5：海岸带土壤有机碳储量估算与预测增强回归树模型的构建
[0021]利用海岸带空间分布数据和土壤有机碳样点数据，结合步骤3获取的模型训练样本数据集，构建海岸带土壤有机碳储量估算与预测增强回归树模型；
[0022]步骤6：海岸带土壤有机碳储量模拟
[0023]以步骤2获取的最优模型变量数据作为模型输入，通过步骤5构建的海岸带土壤有机碳储量估算与预测增强回归树模型，实现10m空间分辨率海岸带土壤有机碳储量模拟估算；
[0024]步骤7：海岸带土壤有机碳储量统计分析
[0025]利用步骤6获取的海岸带土壤有机碳储量空间分布数据，统计分析区域海岸带总的土壤有机碳储量和平均有机碳密度。
[0026]本专利技术的另一方面，一种海岸带土壤有机碳储量预测方法，包括以下步骤：
[0027]步骤1：选取模型构建所需的模型变量
[0028]所述模型变量包括：海岸带植被指数、归一化植被指数、归一化水体指数、叶绿素荧光指数、增强植被指数、归一化植被湿度指数、改进型土壤植被指数、改进植被指数、归一
化盐度指数、雷达遥感极化指数、高程、地形湿度指数、年均温、年降水、向下太阳短波辐射、人口、距离河流距离、土壤盐度和参考土壤碳储量；
[0029]步骤2：模型变量获取与处理
[0030]首先通过Google Earth Engine地理科学大数据云平台和开源基础地理数据产品获取模型变量数据；然后利用GIS软件对获取的模型变量数据进行格式转换、格网匹配处理；
[0031]步骤3：模型训练样本数据集制备
[0032]利用GIS软件提取栅格属性到点工具提取土壤碳储量样本点对应的模型输入变量值，获取构建土壤碳储量模型所需模型训练样本数据集；
[0033]步骤4：模型变量优化
[0034]通过相关系数矩阵分析和膨胀因子检验方法，从步骤1的模型变量中筛选最优模型变量，并按照步骤2的方法获取最优模型变量数据；
[0035]所述最优模型变量包括：海岸带植被指数、归一化植被指数、归一化植被湿度指数、改进型土壤植被指数、高程、距离河流距离、年降水、年均温、人口、土壤盐度和参考土壤碳储量；
[0036]步骤5：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种海岸带土壤有机碳储量模拟方法，其特征在于：包括以下步骤：步骤1：选取模型构建所需的模型变量所述模型变量包括：海岸带植被指数、归一化植被指数、归一化水体指数、叶绿素荧光指数、增强植被指数、归一化植被湿度指数、改进型土壤植被指数、改进植被指数、归一化盐度指数、雷达遥感极化指数、高程、地形湿度指数、年均温、年降水、向下太阳短波辐射、人口、距离河流距离、土壤盐度和参考土壤碳储量；步骤2：模型变量获取与处理首先通过Google Earth Engine地理科学大数据云平台和开源基础地理数据产品获取模型变量数据；然后利用GIS软件对获取的模型变量数据进行格式转换、格网匹配处理；步骤3：模型训练样本数据集制备利用GIS软件提取栅格属性到点工具提取土壤碳储量样本点对应的模型输入变量值，获取构建土壤碳储量模型所需模型训练样本数据集；步骤4：模型变量优化通过相关系数矩阵分析和膨胀因子检验方法，从步骤1的模型变量中选取最优模型变量，并按照步骤2的方法获取最优模型变量数据；所述最优模型变量包括：海岸带植被指数、归一化植被指数、归一化植被湿度指数、改进型土壤植被指数、高程、距离河流距离、年降水、年均温、人口、土壤盐度和参考土壤碳储量；步骤5：海岸带土壤有机碳储量估算与预测增强回归树模型的构建利用海岸带空间分布数据和土壤有机碳样点数据，结合步骤3获取的模型训练样本数据集，构建海岸带土壤有机碳储量估算与预测增强回归树模型；步骤6：海岸带土壤有机碳储量模拟以步骤2获取的最优模型变量数据作为模型输入，通过步骤5构建的海岸带土壤有机碳储量估算与预测增强回归树模型，实现10m空间分辨率海岸带土壤有机碳储量模拟估算；步骤7：海岸带土壤有机碳储量统计分析利用步骤6获取的海岸带土壤有机碳储量空间分布数据，统计分析区域海岸带总的土壤有机碳储量和平均有机碳密度。2.一种海岸带土壤有机碳储量预测方法，其特征在于：包括以下步骤：步骤1：选取模型构建所需的模型变量所述模型变量包括：海岸带植被指数、归一化植被指数、归一化水体指数、叶绿素荧光指数、增强植被指数、归一化植被湿度指数、改进型土壤植被指数、改进植被指数、归一化盐度指数、雷达遥感极化指数、高程、地形湿度指数、年均温、年降水、向下太阳短波辐射、人口、距离河流距离、土壤盐度和参考土壤碳储量；步骤2：模型变量获取与处理首先通过Google Earth Engine地理科学大数据云平台和开源基础地理数据产品获取模型变量数据；然后利用GIS软件对获取的模型变量数据进行格式转换、格网匹配处理；步骤3：模型训练样本数据集制备利用GIS软件提取栅格属性到点工具提取土壤碳储量样本点对应的模型输入变量值，获取构建土壤碳储量模型所需模型训练样本数据集；
步骤4：模型变量优化通过相关系数矩阵分析和膨胀因子检验方法，从步骤1的模型变量中筛选最优模型变量，并按照步骤2的方法获取最优模型变量数据；所述最优模型变量包括：海岸带植被指数、归一化植被指数、归一化植被湿度指数、改进型土壤植被指数、高程、距离河流距离、年降水、年均温、人口、土壤盐度和参考土壤碳储量；步骤5：海岸带土壤有机碳储量估算与预测增强回归树模型的构建利用海岸带空间分布数据和土壤有机碳样点数据，结合步骤3获取的模型训练样本数据集，构建海岸带土壤有机碳储量估算与预测增强回归树模型；步骤6：最优模型变量的相对重要性分析及筛选通过构建的海岸带土壤有机碳储量增强回归树模型变量重要性分析和部分依赖图特征分析，确定步骤4筛选出的各最优模型变量对海岸带土壤有机碳模拟预测的相对重要性，并划分为重要变量、非重要变量和稳定变量；步骤7：最优模型变量数据的获取与处理所述稳定变量采用现有数据；除稳定变量以外的非重要变量采用现有卫星遥感多年平均数据；气象数据采用CMIP6多模型预估的SS...

【专利技术属性】
技术研发人员：孙少波，宋照亮，
申请(专利权)人：天津大学，
类型：发明
国别省市：