一种基于关键水情变量与植被固碳速率关系的湿地植被固碳速率预测方法

摘要

本发明公开了一种基于关键水情变量与植被固碳速率关系的湿地植被固碳速率预测方法，包括如下步骤：S1、基于遥感观测植被指数EVI时间序列影像进行湿地植被固然速率的遥感估算；S2、以观测水位数据与数字地形高程模型DEM计算湿地淹水历时、淹水深度、淹水频率以及淹水起讫时间对湿地植被具有重要意义的各水文变量；S3、以高斯混合模型计算植被固碳速率对各水文变量的响应曲线，获得对湿地植被固碳速率解释程度最高的关键水情变量；S4、通过预测阶段与观测阶段关键水情变量的对比，预测关键水情变量变化后的湿地植被固碳速率。本发明适用于地面碳存量实测数据较少且水情对植被起主导作用的水位变幅较高的湿地生态系统，操作方法简便，便与推广和应用。

说明书

技术领域

本发明涉及湿地辅助估算技术领域，尤其是一种基于关键水情变量与植被固碳速率关系的湿地植被固碳速率预测方法。

背景技术

湿地植物通过光合作用固定的碳元素，即植物生物量碳，是湿地生态系统固碳过程的主要碳输入。单位时间内的湿地植被碳存量累积增长量，即湿地植被固碳速率，直接反映湿地生态系统的碳汇状态，是湿地生态过程调节关注的主要因子。水文条件是湿地生态系统影响植被的主控因子，包括淹水深度、淹水历时等在内的多水情变量均对湿地植被固碳速率具有重要影响。近年来，加剧的气候变化及人类活动导致众多浅水湖泊水文情势发生显著改变，并进一步威胁其湿地植被固碳功能的发挥。在此背景下，评估变化环境中湿地植被固碳速率的变化已逐渐成为生态水文学关注的焦点。

虽然已有研究发展了利用遥感手段对大范围湿地进行植被固碳速率估算的方法，但基于遥感手段对湿地植被固碳速率的估算往往需要地面实测植被碳存量数据作率定和验证。而碳存量地面观测序列往往较短，因此，在无地面碳存量观测数据时期，难以采用遥感手段估算湿地植被固碳速率，因此也无法以其实现气候变化或水利工程等因素对湿地植被固碳速率的长效影响机制评估。

而一般来说，水文数据的观测序列往往较为完整且时间较长，比如我国的水文观测数据多始于建国初期，至1950s年代的水文数据序列已经趋于完整。且众多研究表明，湿地植被固碳速率在很大程度上取决于其水文条件，因此，基于关键水情变量与湿地植被固碳速率的相关关系，可以对无碳存量地面观测数据时期的湿地植被固碳速率进行估算，其结果有利于气候变化或水利工程等因素对湿地植被固碳速率的长效影响机制研究。

有鉴于此，针对湿地生态系统这一特殊地带，有必要提出一种基于关键水情变量与植被固碳速率关系的湿地植被固碳速率估算方法，助于气候变化或水利工程等对湿地植被固碳速率的长效影响机制评价。

发明内容

本发明所要解决的技术问题在于，提供一种基于关键水情变量与植被固碳速率关系的湿地植被固碳速率预测方法，适用于地面碳存量实测数据较少且水情对植被起主导作用的水位变幅较高的湿地生态系统，操作方法简便，便与推广和应用。

为解决上述技术问题，本发明提供一种基于关键水情变量与植被固碳速率关系的湿地植被固碳速率预测方法，包括如下步骤：

S1、基于遥感观测植被指数EVI时间序列影像进行湿地植被固然速率的遥感估算；

S2、以观测水位数据与数字地形高程模型DEM计算湿地淹水历时、淹水深度、淹水频率以及淹水起讫时间对湿地植被具有重要意义的各水文变量；

S3、以高斯混合模型计算植被固碳速率对各水文变量的响应曲线，获得对湿地植被固碳速率解释程度最高的关键水情变量；

S4、通过预测阶段与观测阶段关键水情变量的对比，预测关键水情变量变化后的湿地植被固碳速率。

优选的，步骤S1中，以S-G滤波处理原始EVI时间序列影像，得到重构的具有高时空一致性的高质量EVI影像时间序列；以湿地植被碳存量样方观测数据作为地面验证，实现对湿地植被碳存量年内动态变化过程的遥感反演，并基于累积存量法计算湿地植被年碳存量累积增长量，即湿地植被固碳速率；

其中，以S-G滤波对原始EVI影像异常值进行插补的基本运算过程为：选取EVI影像异常点j附近m个临近点的值拟合d阶多项式，获得各点多项式系数C

单幅重构EVI影像对湿地植被碳存量的遥感反演以实测碳存量与同期对应坐标位置的EVI值的线性回归方程、二项式方程、指数模型或随机森林算法中的确定最优湿地植被碳存量遥感反演模型。湿地植被年固碳速率以累积存量法计算，即计算年内各幅湿地植被碳存量间湿地植被碳存量的累积增长量，得到年湿地植被固碳速率。

优选的，步骤S2中，以湖面多水文站日均水位作为湖区平均水位，将其栅格化，得到湖泊日均水面时序数据，计算其与湖泊数字高程模型DEM的差值，得到湖泊每日淹水状态空间分布图；在此基础上，统计各栅格的年内淹水历时(Inundation Duration，IDU)，平均淹水深度(Average Inundation Depth,AID)、以及初次淹没开始时间(Start of theFirst Inundation,SFI)和末次淹没结束时间(End of the Last Inundation,ELI)，得到对湿地植被具有显著生态意义的多水情变量空间分布图；

其中，淹水深度为年淹没时段日淹水深度的平均值，以如下公式计算：

式中，WSE

优选的，步骤S3中，以高斯混合模型(Gaussian Mixture Model,GMM)描述并量化湿地植被固碳速率沿各水情变量梯度的分布模式，揭示湿地植被固碳速率对湖泊水文情势的响应行为；并对比各水情变量对湿地植被固碳速率解释程度的高低，选择对湿地植被固体速率解释程度最高的变量作为关键水情变量，得到其对湿地植被固碳速率估算的各个参数值，建立基于GMM模型的关键水情变量-湿地植被固体速率预测模型；

以高斯混合模型GMM建立多个水情变量对湿地植被碳存量的关系模型，以决定系数/拟合优度R

其中，变量y是湿地植被固碳速率；变量x为水情条件，包括淹水历时、初次淹没开始时间、末次淹没结束时间以及平均淹没深度共四个水情变量；参数c

优选的，步骤S4中，以合适步长划分关键水情变量为等差序列，建立湿地植被固碳速率基于关键水情变量的同质水文响应单元，以其统计关键水情变量在观测时段与预测时段的频率分布图，对比两时段关键水情变量的差异，在各同质水文响应单元分别计算预测时段的湿地植被固碳速率，并通过预测结果与实测时段植被固碳速率的对比，揭示两时段关键水情变化导致的湿地植被固碳速率变化；其中，划分同质水文响应单元的关键水情变量步长一般为关键水情变量取值范围的1/n，n取值越高预测结果的精度越高，根据预测精度与计算量的权衡，n取值在15～20之间。

本发明的有益效果为：能有效预测无地面碳存量实测数据时段的在湿地植被固碳速率，甄别关键水情变量变化导致的湿地植被固体速率变化过程，通过关键水情变量识别、关键水情变量与湿地植被固碳速率关系曲线的建立以及对比观测时段与预测时段关键水情变量三种方法结合的方式，达到了对无地面观测时期湿地植被碳存量的估算以及量化关键水情变化对湿地植被固碳速率影响的目的；操作较为简便，所需成本低。

附图说明

图1为本发明的方法流程示意图。

图2为本发明实施例1中基于遥感观测植被指数时序影像估算鄱阳湖湿地植被固碳速率的示意图。

图3为本发明实施例1中计算的鄱阳湖湿地各水情变量空间分布图。

图4为本发明实施例1中得到的各水情变量与湿地植被固碳速率关系模型示意图。

图5(a)为本发明实施例1中观测时段与预测时段关键水情变量的分布面积对比图。

图5(b)为本发明实施例1中由观测时段与预测时段水情差异估算的湿地植被固碳速率差异图。

具体实施方式

如图1所示，一种基于关键水情变量与植被固碳速率关系的湿地植被固碳速率预测方法，包括如下步骤：

S1、基于遥感观测植被指数(EVI)时间序列影像进行湿地植被固然速率的遥感估算；

S2、以观测水位数据与数字地形高程模型(DEM)计算湿地淹水历时、淹水深度、淹水频率以及淹水起讫时间等对湿地植被具有重要意义的各水文变量；

S3、以高斯混合模型计算植被固碳速率对各水文变量的响应曲线，获得对湿地植被固碳速率解释程度最高的关键水情变量；

S4、通过预测阶段与观测阶段关键水情变量的对比，预测关键水情变量变化后的湿地植被固碳速率。

具体包括：

首先以遥感观测EVI时序影像和地面实测碳存量数据估算研究区湿地植被固碳速率；同时以水位观测数据和DEM数据计算研究区淹水历时、淹水深度以及淹水起讫时间等水情变量；在此基础上，以混合高斯模型GMM建立各水情变量与湿地植被固碳速率的关系模型，识别最优模型的预测变量为关键水情变量，并对比其在观测时段和预测时段的差异，以其预测无碳存量样方实测数据时段的湿地植被固碳速率。

具体而言，本方法包括如下具体技术方案：

S1、以S-G滤波处理原始EVI时间序列影像，得到重构的具有高时空一致性的高质量EVI影像时间序列；以湿地植被碳存量样方观测数据作为地面验证，基于重构高质量EVI影像实现对湿地植被碳存量年内动态变化过程的遥感反演，并基于累积存量法计算湿地植被年碳存量累积增长量，即湿地植被固碳速率。

其中，以S-G滤波对原始EVI影像异常值进行插补的基本运算过程为：选取EVI影像异常点j附近m个临近点的值拟合d阶多项式，获得各点多项式系数C

单幅重构EVI影像对湿地植被碳存量的遥感反演以实测碳存量与同期对应坐标位置的EVI值的线性回归方程、二项式方程、指数模型或随机森林算法中的确定最优湿地植被碳存量遥感反演模型。湿地植被年固碳速率以累积存量法计算，即计算年内各幅湿地植被碳存量间湿地植被碳存量的累积增长量，得到年湿地植被固碳速率。

S2、以湖面多水文站日均水位作为湖区平均水位，将其栅格化，得到湖泊日均水面时序数据，计算其与湖泊数字高程模型DEM的差值，得到湖泊每日淹水状态空间分布图。在此基础上，统计各栅格高程低于湖水位的天数作为其淹水历时IDU，各栅格年内所有淹没时段内淹水深度的平均值作为其淹水深度AID、以及初次淹没开始时间SFI和末次淹没结束时间ELI，得到对湿地植被具有显著生态意义的多水情变量空间分布图。

其中，淹水深度为年淹没时段日淹水深度的平均值，以如下公式计算：

式中，WSE

S3、以高斯混合模型GMM建立多个水情变量对湿地植被碳存量的关系模型，以决定系数/拟合优度R

其中，变量y是湿地植被固碳速率；变量x为水情条件，包括淹水历时、初次淹没开始时间、末次淹没结束时间以及平均淹没深度共四个水情变量。参数c

S4、以合适步长划分关键水情变量为等差序列，建立湿地植被固碳速率基于关键水情变量的同质水文响应单元，以其统计关键水情变量在观测时段与预测时段的频率分布图，对比两时段关键水情变量的差异，在各同质水文响应单元分别计算预测时段的湿地植被固碳速率，并通过预测结果与实测时段植被固碳速率的对比，揭示两时段关键水情变化导致的湿地植被固碳速率变化。其中，划分同质水文响应单元的关键水情变量步长一般为关键水情变量取值范围的1/n，n取值越高预测结果的精度越高，根据预测精度与计算量的权衡，n一般取值在15～20之间。

以下结合具体实施例对本发明作进一步说明。

实施例1：

以典型湿地生态系统鄱阳湖湿地为例。

图2为基于遥感观测植被指数时序影像估算鄱阳湖湿地植被固碳速率的示意图。具体步骤包括①以概括性质量图层(Band Pixel Reliability)的AQ值(AncillaryQuality value,AQ)为依据，删除AQ为-1、2和3的低质量像元，仅保留中、高质量像元；以S-G滤波对EVI时序曲线进行拟合，完成对剔除异常值的插补(图2a)；②基于二项式建立实测湿地植被碳存量与EVI指数的函数关系，建立湿地植被碳存量遥感反演模型(图2b)，以其反演各期遥感影像对应的湿地植被碳存量，并以累积存量法，计算碳存量年内累积增长量，得到湿地植被固碳速率，如图2c所示。

图3为以湖泊日水位观测数据与DEM数据计算的鄱阳湖2003-2016多年平均的湖泊淹水深度AID、淹水历时IDU、淹水开始时间SFI和淹水结束时间ELI。从图3中可以看出，结合水位观测值与湖盆地形数据的空间统计方法可以很好的计算湿地各水情变量的空间分布，各水情变量均体现出很好的沿湖心向湖岸的梯度变化。

图4为基于混合高斯模型GMM拟合的各水情变量与湿地植被固碳速率的关系曲线。从图4可以看出：淹水深度AID对湿地植被固碳速率空间变化的解释程度最高，达到92％，高于淹水历时IDU(91％)以及淹水开始时间SFI(89％)与淹水结束时间ELI(91％)。由此可见，淹水深度AID是决定鄱阳湖湿地植被固碳速率的关键水情变量，可以由淹水深度AID实现对湿地植被固碳速率的估算。

图5(a)和图5(b)为观测时段(2003-2016)与预测时段(1980-2002)关键水情变量AID的对比，以及由此推算的湿地植被固碳速率变化。可以看出，随着低淹水深度区域的增加，其植被固碳速率也有所增加，同样，随着高淹水深度区域的面积缩减，其植被固碳速率也在减少，总体来说，植被固碳速率的增加值超过其减少值，使得湿地植被固碳速率在2003-2016年总体较1980-2002年有一定增加。

本发明利用MODIS(Moderate Resolution Imaging Spectroradiometer，MODIS)影像时间序列、观测水位数据、研究区数字高程模型以及地面碳存量实测数据，通过识别关键水情变量、建立关键水情变量与湿地植被固碳速率的函数关系、以及观测时段与预测时段关键水情变量的对比实现了预测实测碳存量数据缺失时段湿地植被固碳速率的目的。该方法一方面量化了关键水情变量对湿地植被固碳速率的影响，另一方面预测了无碳存量观测时段的湿地植被固碳速率，具有较为明显的优势和创新性。