雅鲁藏布江中下游地区湿季降雨量的空间分布模型

对于水文气象站点稀少的青藏高原山区,获得较为精确的降雨空间分布信息是进行降雨径流模拟的前提。该文利用GIS手段和多元回归方法,建立了雅鲁藏布江中下游地区旱、偏旱、正常、偏涝、涝等5种类型年份的湿季(5—9月)降雨量的空间分布模型。结果显示:多种地理地形因子对湿季降雨空间分布均有重要影响。统计分析表明:(1)雅鲁藏布江中下游流域地形复杂、降雨站点稀少,回归分析中的地理、地形因子共线性问题突出,方差扩大因子法、Pear-son相关系数法和因子分析法的组合应用是识别和解决共线性问题的有效方法;(2)影响湿季降雨的局部地形因子表达存在着最优空间尺度,15—25km半径范围内的平均坡度、平均坡向、开放度值与降雨也有较高相关性,但考虑其他局部地形因子后,开放度对降雨空间分布的影响可以忽略。     

陕北黄土高原乡村振兴战略对生态系统服务的影响及原因研究——以陕西省米脂县为例

从微观层面探讨乡村振兴战略对生态系统服务的影响对于推动政策落实及改善农户福祉意义重大。针对政策对生态系统服务影响的路径以及群体性差异研究不足的现状，该文基于米脂县2018年和2020年的面板数据，运用双重差分和多元逐步回归，从农户整体和农户群体2个层面定量评估乡村振兴战略对生态系统服务的影响，并以农户行为为中介探究其影响原因。结果表明：(1)乡村振兴对供给和文化服务均有提高作用，且对各农户群体获取的生态系统服务类别和数量产生差异性影响。整体上农户的畜牧业收入和消遣娱乐提升最大，群体上纯农户的畜牧业收入和兼业户的消遣娱乐提升较大。(2)乡村振兴对各农户行为均有影响，且影响的类别与程度在各农户群体间存在差异。整体上农户的参与培训次数受影响最大，群体上纯农户的养殖投入、兼业户和非农户的种植投入受影响最大。(3)农户的生产和生活行为分别影响供给和文化服务，且影响各群体获取的生态系统服务的行为不同。整体上农户的果园大棚面积、劳作天数、养殖投入和休闲娱乐频率增加分别是经济作物收入、粮食收入、畜牧业收入和各文化服务提高的主要原因。群体上谷子面积和种植投入增加分别是纯农户粮食收入及兼业户和非农户经济作...     

API模型和新安江模型的参数区域化研究与应用

为了将API模型与新安江模型更好地应用于无资料地区,将API模型和新安江模型应用于大别山区及皖南山区的29个中小流域,对模型参数在研究区的区域规律进行研究,通过中小河流新建水文测站对参数区域化的成果进行实证研究。结果表明:API模型与新安江模型均能较好地用于研究区中小流域的洪水模拟;逐步回归分析法能有效地推求模型的敏感参数;基于空间邻近与逐步回归分析相结合的参数区域化方法,API模型与新安江模型在新建水文测站次洪模拟中的平均确定性系数分别达到0.92和0.86,该方法能有效地推求研究区无资料流域API模型与新安江模型的参数。     

辽东湾北部碱蓬群落及滩涂土壤盐分遥感反演模型

土壤盐分是评价土壤质量的重要指标，也是影响辽河口滨海湿地盐地碱蓬生长的主要环境因素之一，提出一种实时、准确、大尺度监测碱蓬群落及周围滩涂土壤盐分的算法十分必要.为了减少大气对模型的影响，该文利用地面高光谱数据模拟Landsat 8 OLI卫星反射率，采用基于交叉验证的逐步回归分析方法构建土壤盐分反演模型.结果表明：1) 碱蓬样本的土壤盐分明显低于裸滩，海南三区域土壤盐分在总体上低于鸳鸯沟和笔架岭区域，而植株高度和生物量普遍均高于鸳鸯沟和笔架岭区域，在一定程度上说明了土壤盐分对盐地碱蓬生长的影响；2) 模拟卫星反射率构建的多光谱指数与土壤盐分的相关性相较于单波段在整体上有所提高，其中植被指数NDVI和RVI与土壤盐分的相关性较高，相关系数达到了－0.689和－0.683；3) 利用基于交叉验证的逐步回归分析法构建土壤盐分反演模型，模型的自变量为RVI、SAVI和SI3，模型的建模集决定系数R2为0.684，均方根误差(RMSE)为3.45，验证集RMSE为1.88，相对分析误差(RPD)为2.28，表明模型的反演精度和反演能力较好；为了进一步验证模型的精度，对比分析基于逐步回归分析法筛选的指数因子构建的多元线性回归反演模型，发现交叉验证的逐步回归模型的R2、RMSE均优于多元线性回归反演模型，同时土壤盐分反演值和实测值散点图更接近1∶1线，为辽东湾北部碱蓬群落及裸滩土壤盐分因子的反演提供技术及数据支持.     

联合LiDAR和多光谱数据森林地上生物量反演研究

【目的】森林地上生物量的准确估测对于实时掌握全球碳储量变化及应对气候变化有着重要的意义。组合多种遥感数据特征优选,分类建模反演森林地上生物量,是提高森林地上生物量精度的有效方法。【方法】以根河市大兴安岭生态观测站寒温带天然林为研究对象,以机载激光雷达(LiDAR)、Landsat8 OLI两种遥感数据源结合55块地面调查数据,采用偏最小二乘算法优化筛选变量,再以线性多元逐步回归和快速迭代特征选择的最近邻算法(KNN-FIFS)构建模型,在两种数据源的不同组合方式下进行森林地上生物量反演。【结果】①基于线性多元逐步回归模型下的单一LiDAR数据反演精度决定系数(R²)为 0.76,均方根误差(RMSE)为 21.78 t/hm²;单一Landsat8 OLI数据的反演精度R²为 0.24,RMSE为39.27 t/hm²;LiDAR和Landsat8 OLI联合反演精度R² 为 0.84,RMSE为18.16 t/hm²;②基于KNN-FIFS模型下的单一LiDAR数据反演精度R²为 0.74,RMSE为23.83 t/hm²;单一Landsat8 OLI数据的反演精度R²为0.60,RMSE为 29.63 t/hm²;LiDAR和Landsat8 OLI联合反演精度R²为0.80,RMSE为21.15 t/hm²。【结论】①特征优选支持下的3种组合方式中,LiDAR和Landsat8 OLI两种数据的组合在两种模型中反演精度均最高,其中线性多元逐步回归模型的反演精度最高,说明LiDAR和Landsat8 OLI数据组合,激光雷达与光学数据优势特征互补,协同反演可有效提高森林地上生物量的反演精度;②单一数据源反演森林地上生物量精度中,LiDAR数据比Landsat8 OLI数据在两种模型反演精度中均较高,这与LiDAR数据空间分辨高、可获得垂直结构特征参数有关。