三峡库区消落带植被NPP估算——基于机器学习优化CASA模型

三峡库区蓄水后,其生态效应受到广泛关注。消落带植被固碳量作为衡量库区生态系统健康状态的重要指标,对库区碳循环与生态净化具有重要意义。针对消落带不同高程植被接受光照的时间有所差异,且受河流水位变化影响,传统的CASA模型在计算消落带植被固碳量时,存在对植物的光能利用率计算不够精确等问题。以三峡库区香溪河陡坡消落带为研究区域,提出了一种耦合RBFNN模型(Radial Basis Function Neural Network)与CASA模型(Carnegie-Ames-Stanford approach)的新方法(RBF-CASA)。基于RBFNN建立环境影响因子模型,借助高程数据及植被指数等特征计算适合消落带区域的环境影响因子。结合CASA模型中温度和水分胁迫因子,提高植被在像元尺度上的净初级生产力(Net Primary Productivity,NPP)的估算精度,并对反演结果进行验证。模型验证结果显示:RBF-CASA模型估算值与观测值的决定系数(Coefficient of determination,R^(2))为0.730(P<0.01,n=32)。对比原始CASA模型,平均绝对误差(Mean absolute error,MAE)降低10.991,均方根误差(Root mean square error,RMSE)降低了23.861,相对均方根误差(Relative root mean square error,RRMSE)降低5.10%,平均绝对百分误差(Mean absolute percentage error,MAPE)降低1.12%。使用提出的RBF-CASA模型在库区水位落干期(7—8月份)进行固碳量估算,结果表明:NPP月均值在66.234—134.144g C/m^(2)之间,NPP随着高程的增加呈现起伏变化,其总量在150—155m之间达到峰值,均值在170m以上区域最高。在2021年9月植被NPP均值为35.883g C/m^(2),2022年9月植被NPP均值为25.964g C/m^(2),由于降雨量减少、长江水位下降,在2021—2022年间植被恢复情况较差。研究结果可为库区碳循环、生态净化及生态修复等决策提供科学依据。

基于注意力机制的LSTM长江汛期水位预测方法研究

为提高长短期记忆网络(Long Short-Term Memory,LSTM)在水位预测任务中的准确性,以及提高LSTM对数据中时空信息的利用率,本文提出了一种基于Softmax函数的注意力模块,并将其应用在LSTM的输入前,使模型可以根据输入数据中的时间和空间信息,自主地生成带有权重的词义向量,并赋予输入序列时间和空间注意力权重值.注意力机制增强了LSTM模型对时间序列的处理能力,同时使LSTM模型能够对数据空间信息具备一定的应对能力.最后在长江汛期的水位数据上进行预测试验,以E_(MAE)、E_(RMSE)、E_(MAPE)和R^(2)作为评价指标,将所提出的模型与原始LSTM模型进对比,同时分析了权重分布情况.结果表明,该模型对水位预测的精度有明显提升,应用了时空注意力机制的LSTM(AT-LSTM)相比于原始LSTM,E_(MAE)、E_(RMSE)和E_(MAPE)分别降低了21.77%、31.15%和17.4%,R^(2)提高了9.69%.

复杂及单一水面的无人机多光谱反射率对时空变化的响应

无人机多光谱遥感影像可以较好的实现水质定量反演,而目前无人机遥感定量分析缺乏光谱时空变化对光谱特征信息影响的研究。为探究时空分辨率对光谱反射率的影响,以复杂及单一水面多光谱反射率为研究对象,对比分析了两个时间点(12:00和15:00)以及7个不同飞行高度(100 m、125 m、150 m、175 m、200 m、225、250 m)的多光谱影像。研究表明,12:00时拍摄的多光谱影像效果最好,不同通道的光谱反射率随高度的变化呈现出差异性,并且复杂水面的光谱信息更丰富。研究的方法和结果为多光谱遥感定量遥感的时间选择和空间分辨率选择提供理论依据。

香溪河消落带土壤重金属的生态及健康风险评价及预测

采集三峡库区香溪河消落带2020—2022年不同季节、不同高程的土壤样品,测定其中4种重金属元素(Cu、Pb、Cd、Cr)含量,进行生态及健康风险评价。地积累指数结果表明,Cd为研究区域主要污染元素,处于轻度污染等级,其他3种元素处于无污染等级。潜在生态风险指数结果表明,研究区域整体为轻度生态风险,但在27%的土壤样品中,Cd元素的潜在生态风险指数属于中强度风险。重金属健康风险结果表明,研究区域重金属的非致癌风险与致癌风险均处于可接受水平,儿童的致癌风险高于成人。使用支持向量机(SVM)模型对土壤重金属含量进行基于时间序列和季节变化的定量预测。结果表明:基于时间序列的模拟实验中,SVM对上层土中重金属元素含量的预测较为准确;基于季节变化的模拟实验中,SVM对上、下层土的重金属元素含量均能很好地拟合。