基于环境相似性分区的土壤异养呼吸的遥感估算方法技术

一种基于环境相似性分区的土壤异养呼吸的遥感估算方法，包括以下步骤：构建土壤异养呼吸的地面观测数据集；获取时空连续的多源遥感数据；基于环境相似性将待研究的区域分成若干分区；针对不同的所述分区，根据所述土壤异养呼吸的地面观测数据集和所述多源遥感数据，分别构建数据驱动的机器学习模型；验证并选择最优的机器学习模型，作为每一个所述分区的土壤异养呼吸的遥感估算模型。壤异养呼吸的遥感估算模型。壤异养呼吸的遥感估算模型。

【技术实现步骤摘要】
基于环境相似性分区的土壤异养呼吸的遥感估算方法


[0001]本专利技术涉及土壤异养呼吸的遥感估算方法，特别是基于环境相似性分区的土壤异养呼吸的遥感估算方法。

技术介绍

[0002]土壤呼吸是指土壤向大气排放CO2的过程，可分为自养型呼吸(根呼吸和根际微生物呼吸)和异养型呼吸(微生物和动物呼吸)，自养型呼吸消耗的底物直接来源于植物光合作用产物向地下分配的部分，异养型呼吸则利用土壤中的有机或无机碳。
[0003]土壤异养呼吸的实地测量方法主要有根移除法、开沟法、林窗法、同位素法等。这些方法可以在站点尺度上测量得到精度的土壤异养呼吸，但很难获取大范围、区域尺度的值。
[0004]区域尺度的土壤异养呼吸数据的获取主要是通过模型估算法。目前，土壤异养呼吸的模型估算方法主要包括基于机理的过程模型和基于数据驱动的统计模型。过程模型的主要原理是基于植被生理生态理论，结合气候、土壤和植被生理生态参数，根据碳循环的动力学特点，集合多个过程，探究各个碳循环因子之间的关系，从而估算得到土壤异养呼吸。由于模型结构和参数设置的不同，导致现有的过程模型估算的土壤异养呼吸之间存在很大差异。另一方面，数据驱动模型包括多元非线性回归模型和机器学习模型，其中机器学习模型能够通过输入数据构建土壤异养呼吸与其影响因素之间的非线性关系，有效克服变量过多导致的过拟合和自相关问题，已经开始被不少研究者应用于土壤异养呼吸的估算中，但是数据驱动模型的估算结果很大程度上会受到训练数据的数量、质量及空间代表性的影响。因此，作为目前区域尺度土壤异养呼吸估算的主要模型，无是过程模型、还是统计模型，都存在一定的不足。
[0005]目前区域尺度的土壤异养呼吸的测量产品主要存在两方面的缺陷：一是现有产品的时空分辨率较低，在时间尺度上，大部分产品都是基于年度土壤异养呼吸进行估算的，忽略了土壤异养呼吸的年内变化特征；在空间尺度上，现有产品主要采用空间分辨率较粗的气象数据作为模型的输入参数，导致产品的空间分辨率较低。二是现有产品估算土壤异养呼吸的精度较低，例如可决系数R2介于0.11
‑
0.57之间。

技术实现思路

[0006]针对上述问题，本专利技术的目的是提供一种考虑地理分区的土壤异养呼吸的估算方法，该方法以高时空分辨率的遥感数据作为土壤异养呼吸估算模型的输入数据，进行区域尺度的土壤异养呼吸的估算。通过本专利技术提出的方法，可以有效改善现有的区域尺度的土壤异养呼吸产品的时空分辨率及估算精度。
[0007]本专利技术提供一种基于环境相似性分区的土壤异养呼吸的遥感估算方法，包括以下步骤：构建土壤异养呼吸的地面观测数据集；获取时空连续的多源遥感数据；基于环境相似性将待研究的区域分成若干分区；针对不同的所述分区，根据所述土壤异养呼吸的地面观
测数据集和所述多源遥感数据，分别构建数据驱动的机器学习模型；验证并选择最优的机器学习模型，作为每一个所述分区的土壤异养呼吸的遥感估算模型。
[0008]另外，优选在基于环境相似性将待研究的区域分成若干分区的步骤中，根据气候、地形、植被长势的影响，选择多个定量化的指标因子来表示待研究的区域的环境相似性。
[0009]另外，优选在基于环境相似性将待研究的区域分成若干分区的步骤中，利用改进的kmeans算法将待研究的区域分成若干分区。
[0010]本专利技术综合考虑气候、地形、植被长势等方面的影响，选择多个定量化的指标因子来表征研究区域的环境相似性；在基于环境相似性进行研究区域的分区时，利用改进的kmeans算法将研究区域分成诺干个最优的分区；针对每一分区，考虑输入变量的重要性排序、相关性和共线性大小，选择最适合每一个分区的机器学习模型。从而有效改善现有的区域尺度的土壤异养呼吸产品的时空分辨率及估算精度。
附图说明
[0011]图1是根据本专利技术的土壤呼吸估算方法的流程图。
具体实施方式
[0012]下面结合附图和实施例对本专利技术的技术方案做进一步的说明。附图和实施例仅用于举例说明本专利技术，而本专利技术并不限于以下描述的附图和实施例。
[0013]图1示出了根据本专利技术的基于环境相似性分区的土壤异养呼吸的遥感估算方法的流程图。如图1所示，首先在步骤S101，构建土壤异养呼吸地面观测数据集。通过整合已有的日、月时间尺度上观测的土壤异养呼吸数据得到该数据集，并对进入该数据集的数据进行严格的质量筛选。质量筛选的标准包括：
①
选择在野外自然条件下测量获取的土壤异养呼吸数据，不包括在控制实验(例如：增温、施肥、CO2浓度增强等)条件下获取的观测数据；
②
测量样地具有一定的空间代表性，能代表周围一定范围内自然植被状况；
③
选择通过红外气体分析仪法或气相色谱法测量获取的土壤异养呼吸数据，使得不同地点测量得到的土壤异养数据具有可比性。
[0014]在步骤S102，获取时空连续的多源遥感数据。为了改善区域尺度土壤异养呼吸产品的空间分辨率，使用遥感数据来进行土壤异养呼吸的估算，因为高空间分辨率的遥感数据相比气象数据可以更精细的刻画地表特征。例如：可以使用8天时间分辨率、500m和1km空间分辨率的中分辨率成像光谱仪(MODIS)地表参数产品，包括温度、水分变量、植被生产力等方面的多个特征变量。通过这些遥感数据产品的质量数据层过滤质量不好的数据，并利用缺失像元前后两年质量好的像元平均值来插补缺失像元值，以此来获得时空连续的遥感数据。
[0015]在步骤S103，基于环境相似性将待研究的区域分成若干分区。由于土壤异养呼吸的时空变化受到气候、地形、植被长势等环境因子的综合影响，因此，专利技术人提出了基于环境相似性的分区建模方法，该方法综合考虑气候(温度和降水量)、地形(高程和坡度)、植被长势(植被叶面积指数和植被水分含量)等环境因子将待研究的区域分成若干最优的分区。例如采用改进的Kmeans聚类方法来实现环境相似性的分区。因为Kmeans聚类有着原理简单、易于操作、执行效率高等优点，是聚类中的一种经典算法。但是，Kmeans也存在着聚类个
数需要事先确定、聚类质量对初始中心选取有很强依赖性以及全局搜索能力差等局限性问题。针对k
‑
means聚类中聚类数K值难以确定的问题，可以通过比较不同k值下的聚类评价指标来解决。对于k
‑
means算法对初始点敏感和全局搜索能力较差的问题，通过使用最大最小距离积法确定初始化聚类中心，克服k
‑
means初始聚类中心具有随机性的问题，并利用新的适应度函数以及引入全局引导因子的位置更新公式进行迭代寻优，从而最终基于环境相似性将待研究的区域分成若干分区。
[0016]在步骤S104，针对不同的分区，根据土壤异养呼吸的地面观测数据集和多源遥感数据(昼夜地表温度、地表蒸散发和昼夜地表温差表征的水分因子、植被绿度指数和植被生产力表征的植被因子)，考虑输入变量的重要性排序、相关性和共线性大小，选择重要性排序靠前、相关性与共线性均较小的因子，构建数据驱动的机器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于环境相似性分区的土壤异养呼吸的遥感估算方法，包括以下步骤：构建土壤异养呼吸的地面观测数据集；获取时空连续的多源遥感数据；基于环境相似性将待研究的区域分成若干分区；针对不同的所述分区，根据所述土壤异养呼吸的地面观测数据集和所述多源遥感数据，分别构建数据驱动的机器学习模型；验证并选择最优的机器学习模型，作为每一个所述分区的土壤异养呼吸的遥感估算模型。2.根据权利要求1所述的基于环...

【专利技术属性】
技术研发人员：黄妮，王力，朱璐莹，张跃林，牛铮，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：