湿地是重要却脆弱的生态系统之一，若其遭受破坏则难以恢复，科学评估生境质量并进行提升对保护湿地至关重要。针对该问题，提出一种新颖的分析框架，将生态系统服务和权衡的综合评估模型（Integrated Valuation of Ecosystem Services ...
详细信息
湿地是重要却脆弱的生态系统之一，若其遭受破坏则难以恢复，科学评估生境质量并进行提升对保护湿地至关重要。针对该问题，提出一种新颖的分析框架，将生态系统服务和权衡的综合评估模型（Integrated Valuation of Ecosystem Services and Tradeoffs,In VEST）和时空加权回归模型（regression model,STWR）相结合，实现对湿地生境质量的可靠评估以及提升制定策略的科学性。为验证该框架的有效性，本研究对2000-2020年闽江河口湿地进行实证分析，结果表明，闽江河口湿地的生境质量等级以Ⅱ级和Ⅳ级为主，表明生境质量相对较好。在分析的自然和社会经济因素中，DEM对生境质量影响力较弱，NDVI对生境质量的影响显著，主要为正相关。人口密度对生境质量的影响力度呈现降低的趋势，GDP对生境质量产生负向影响。
叶面积指数(Leaf Area Index,LAI)是作物长势监测及产量估算的重要指标,准确高效的LAI反演对农田经济的宏观管理具有重要作用。研究探索了联合无人机激光雷达(Light Detection and Ranging,LiDAR)和高光谱数据反演玉米叶面积指数的潜力...
详细信息
叶面积指数(Leaf Area Index,LAI)是作物长势监测及产量估算的重要指标,准确高效的LAI反演对农田经济的宏观管理具有重要作用。研究探索了联合无人机激光雷达(Light Detection and Ranging,LiDAR)和高光谱数据反演玉米叶面积指数的潜力,并分析了LiDAR数据不同采样尺寸、高度阈值、点密度对LAI反演精度的影响同时确定三者的最优值。该研究分别从重采样的LiDAR数据和高光谱影像中提取了LiDAR变量和植被指数,然后基于偏最小二乘回归(Partial Least Square Regression,PLSR)和随机森林(Random Forest,RF)回归两种算法分别利用LiDAR变量、植被指数、联合LiDAR变量和植被指数构建预测模型,并确定反演玉米LAI的最优预测模型。结果表明:反演玉米LAI的最优采样尺寸、高度阈值、点密度分别为5.5 m、0.55 m、18 points/m^(2),研究发现最高的点密度(420 points/m^(2))并没有产生最优的玉米LAI反演精度,因此单独依靠增加点密度的方法提高LAI的反演精度并不可靠。基于LiDAR变量获得的LAI反演精度(PLSR:R^(2)=0.874,RMSE=0.317;RF:R^(2)=0.942,RMSE=0.222)高于基于植被指数获得的LAI反演精度(PLSR:R^(2)=0.741,RMSE=0.454;RF:R^(2)=0.861,RMSE=0.338),而使用组合变量构建预测模型的反演精度(PLSR:R^(2)=0.885,RMSE=0.304;RF:R^(2)=0.950,RMSE=0.203)优于使用单一变量建立的LAI预测模型,其中利用联合LiDAR变量和植被指数建立的随机森林回归模型为最优预测模型。因此,将两种数据源融合在提高植被LAI反演精度方面具有一定的潜力。
暂无评论