基于BFAST算法的神东矿区地表温度突变检测及影响分析

为获取神东矿区地表温度长期变化趋势,提取其地表温度突变特征,以2000—2018年16 d地表温度最大值合成的MOD11A2为数据源,对神东矿区地表温度进行回归分析,拟合其时序变化趋势,并利用BFAST算法(breaks for additive seasonal and trend)提取地表温度突变的时空分布特征、最大突变发生时间和突变幅度。在此基础上,通过空间叠加统计方法分析地表温度突变与土地覆被变化之间的关系。结果表明:2000—2018年,由于神东矿区整体植被覆盖度增加,矿区内98.63%的区域地表温度呈下降趋势;露天采区地表温度突变比例高于井工采区,露天采区和井工采区内地表温度突变面积占比分别为34.66%和19.02%,归因于露天开采比井工开采对地表扰动更加剧烈;土地覆被变化引起地表温度突变,地表温度突变方向和幅度取决于土地覆被变化的类型、规模等。研究结果可为矿区生态环境治理及评价提供科学依据。

基于云平台和BFAST算法的地表变化检测方法

准确识别地表变化的时空信息,有助于探究地表自然环境和生态系统发展演变的规律,支撑相关的科研与行政管理工作。本文以河南某生态保护修复工程部分实施范围为研究区域,基于Google Earth Engine(GEE)云平台,以2013—2020年的98景Landsat8/OLI遥感影像作为数据源,应用Breaks for additive season and trend(BFAST)算法对地表变化进行了信息提取和制图。首先基于GEE云平台对Landsat8/OLI地表反射率数据集进行调用和预处理,基于CFMask算法对遥感数据集进行云影掩膜,开展光谱指数(植被指数NDVI)的计算以及时间序列数据集的构建。其次基于时序数据集与BFAST算法构建由趋势项、季节项和残差项组成的广义线性回归模型,通过最小二乘法求解模型中的未知参数集,以此进一步构建时序拟合模型,而后基于残差的Moving sums(MOSUM)方法对时序结构变化进行检测。最后从检测结果中抽取像元样点,通过与Google Earth高分辨率影像数据叠置和目视解译,开展结果验证和精度评价。结果表明,本文提出的方法在研究区的时序地表变化检测中具有较高的检测精度(总体精度为83.7%,2018—2020年分年度检测结果精度分别为86.5%、80.7%、87.7%)。本文提出的方法是遥感大数据库构建、地表生态信息近实时变化扰动识别和监测等技术的一种基础方法,能够对国土空间生态保护修复调查监测和评估预警等工作提供技术支撑和决策支持。

中国植被碳源/汇时空演变特征及其驱动因素

植被生态系统对植被碳汇至关重要,是实现中国“碳中和”目标的重要路径之一。选择1981-2019年全球逐日NEP模拟数据产品,对1981-2019年中国植被碳源/汇时空演变进行分析,确定气候变化和人类活动对植被碳源/汇的影响区域,并量化生态修复治理工程对植被碳汇的成效。(1)通过使用BFAST模型监测NEP年际突变范围,确定2001年为时间断点,对比分析1981-2001年与2001-2019年NEP时空变化特征及驱动因素。(2)1981-2001年段植被碳汇大范围呈现递减趋势。2001-2019年,中国整体植被碳汇增加,尤其是北部地区NEP增长趋势显著。(3)1981-2001年中国北部地区植被固碳能力下降,受降水、辐射影响为主。2001-2019年,大部分地区NEP变化与降水相关性显著。(4)1981-2001年人类活动导致植被碳源/汇变化占总面积的4%,主要分布于东北地区和西南地区。2001-2019年中国植被碳源/汇变化由人类活动影响占比提高至26.23%,其中植被固碳能力提升占比25.22%。气候变化负向影响植被固碳能力较于1981-2001年减少约30%。说明人类活动在一定程度减少气候变化对植被的负面影响。(5)2019年相较于2001年净碳储量价值明显增长,大多地区生态修复与治理投资经济效率呈正比。此外,中国北部地区植被碳汇得到有效改善。因此,为了应对气候变化和保护生态环境,积极推进生态修复和治理投资,以实现经济、社会和环境的可持续发展。

极端气候模型与气象数据分析——以苏州为例

极端气候导致的自然灾害给人类带来巨大损失.通过数学模型和数据分析给出极端气候的成因和影响,以苏州地区为例,利用MATLAB编程,结合M-K突变检测和BFAST算法研究极端气候变化.通过建立均温时间序列模型对未来五年苏州地区年平均温度进行预测,得出未来五年苏州地区年平均温度持续升高的结论.

耕地生产力隐性退化遥感监测与影响因素分析

以江苏省永久耕地为例,基于2001—2019年中分辨率成像光谱仪(Moderate resolution imaging spectroradiometer,MODIS)遥感影像,开展耕地生产力隐性退化遥感监测和影响因素分析。BFAST(Breaks for additive seasonal and trend)算法用于建模历史时期耕地生产力变化的预期行为,并以此为基准判断监测时期耕地生产力是否存在隐性退化风险。基于地理探测器,从3个准则层的8项指标变量对耕地生产力隐性退化进行了主导影响因素探测和因子交互分析。研究结果表明:江苏省存在生产力隐性退化的耕地比例为21.9%,具有显著的空间差异。西北地区的徐州市、宿迁市的耕地生产力隐性退化比例最高,分别为47.2%和43.4%,且表现出聚集性。东南地区的苏州市、无锡市和南通市的耕地生产力隐性退化比例较低,均不足10%。因子探测分析表明外流人口数量、种植业从业人员数量和农业机械化总动力3项指标对江苏省耕地生产力隐性退化的解释力最强。多因子交互耦合后,人口因素与生产条件解释力增强最为显著。耕地生产力隐性退化的地域分异类型划分为生产条件约束型、产出效益约束型和人口因素约束型。农业机械化总动力、农业产值和外流人口数量分别为3种约束类型的首要因素。从地域空间来看,人口因素约束型地区在江苏省占比最大,主要集中于苏北地区。对于不同约束类型区域分别提出加强高标准农田建设、实施惠农政策、减缓劳动力析出等相应的政策建议。