全球综合评估框架下土地利用序列数据的时空离散化方法

摘要

政府间气候变化专业委员会(Intergovernmental Panel on Climate Change,IPCC)报告中描述全球变暖归因于人类活动的可能性从2001年的“66％以上”提高到2013年的“95％以上”。因此,研究人类活动与全球气候变化的相互影响具有重要意义。全球变化评估模型(Global Change Assessment Model,GCAM)是一个基于全球尺度局部均衡的动态回归经济模型,通过模拟温室气体变化、能源排放、土地利用变化等情况来反映人类活动对全球的影响。土地利用变化数据是进行全球气候模式模拟的一个重要输入条件,但GCAM输出值是基于全球行政区划和农业生态区划的土地利用变化统计数据,在时间和空间上难以直接使用。本文针对这一问题,重点开展全球综合评估框架下土地利用序列数据的时空离散化方法研究,主要研究内容包括以下几个方面:
　　1.GCAM模型介绍及数据类型合并。介绍了GCAM和全球土地利用模型(GlobeLanduse Model,GLM)基本原理以及基础数据来源,利用GCAM模型和GLM模型输出地物类别的相似性,设计了基于GLM模型输出地物类型的GCAM地类合并方法,进行了GCAM地物类型的合并。
　　2.GCAM数据时间离散化实验与分析。对平稳性、规律性、周期性时间序列插值方法的特点进行了分析,结合GCAM数据特点,选择以平稳性时间序列插值方法中的最近距离插值方法为主,同时结合线性插值、立方体插值和样条函数插值方法,设计GCAM数据时间离散化流程,进行GCAM统计数据的逐年输出,并对几种插值方法所得结果进行精度评定,选择误差值最小的作为最优输出。
　　3.GCAM数据空间离散化实验与分析。根据GCAM团队提供的32个政治经济大区分布和18个农业生态区划数据,建立了格网大小为0.5°×0.5°的空间映射关系;同时基于GLM格网比例关系和GCAM模型全球格网面积数据,实现GLM各地物在全球各个农业生态区的面积求和,同时基于面积约束方法来进行调整并反复迭代,实现了GCAM统计数据在空间上的离散化,最后进行了空间离散化结果的精度评定。
　　实验结果表明,本文方法可用于GCAM统计数据在全球尺度下的时空离散化,并得出离散化土地利用变化格网数据。论文成果可为全球气候模式模拟中土地利用格网数据输入参数提供参考,以及全球土地利用变化推演提供基础数据。

目录

声明

摘要

图索引

表索引

第1章 绪论

1．1 研究背景和意义

1．2 国内外研究现状

1．2．1 GCAM模型应用

1．2．2 时空离散化方法

1．2．3 土地利用变化研究进展

1．3 研究目标和研究内容

1．4 论文组织结构

第2章 GCAM模型及其数据类型合并

2．1 GCAM模型理论

2．1．1 GCAM模型简介

2．1．2 AEZ分区

2．1．3 土地分配机制

2．2 GLM模型

2．2．1 GLM模型简介

2．2．2 数据特性

2．3 数据类型合并

2．3．1 数据来源

2．3．2 土地利用类型输出数据合并

2．4 本章小结

第3章 GCAM数据时间离散化实验与分析

3．1 现有的时间插值方法

3．1．1 平稳性时间序列数据插值

3．1．2 规律性时间序列数据插值

3．1．3 周期性时间序列数据插值

3．2 GCAM数据时间离散化

3．2．1 时间插值方法选择与优化

3．2．2 时间离散化

3．3 精度评定

3．3．1 精度评定指标

3．3．2 时间离散化精度

3．4 本章小结

第4章 GCAM数据空间离散化实验与分析

4．1 全球土地利用变化空间网格离散化映射关系

4．2 数据预处理

4．2．1 GCAM数据预处理

4．2．2 面积约束

4．3 基于面积的离散值调整

4．3．1 单元网格面积分配

4．3．2 单元网格面积调整

4．3．3 自动迭代调整

4．4 空间离散精度评定方法

4．5 本章小结

第5章 结论与展望

5．1 总结

5．2 不足与展望

致谢

攻读学位期间发表的论文

参考文献