一种高海拔多年冻土区植被类型预测方法与流程

本发明涉及地理学领域，更具体的涉及一种高海拔多年冻土区植被类型预测方法。

背景技术：

青藏高原是一个经历了长期复杂地质作用过程的多阶段拼合体，拥有世界上最大面积的高海拔区域，被公认为“世界第三极”，分布有众多高寒植被，被称为“高山植物基因库”。随着近百年来全球气温逐年升高，广泛分布于青藏高原的多年冻土也存在严重的退化现象，而且根据现有研究表明这种趋势在21世纪仍将持续。多年冻土的退化，会导致位于其上的活动层厚度增加，进而改变土壤中的水、热环境，对青藏高原多年冻土区的植被生长和分布存在重要的影响作用。当该区域植被和土壤水、热状况发生变化时，又会通过下垫面对大气圈底部的环境产生反作用，进而影响到周边地区乃至全球的气候变化。

植被作为一种重要的自然资源，被认为是反映生态环境变化的敏感指示器。它不仅是影响陆面过程下垫面的因素，而且因其对碳的作用，在全球变化中也同样发挥着巨大作用。气候变暖后，多年冻土区的植被发生变化会改变地表的一系列特征，如反照率、降水的渗透速度、土壤中的蒸腾和蒸散、以及土壤侵蚀等。以上过程的发生，不仅会极大的影响到水文和气候系统的循环速率，还会改变多年冻土区活动层的水、热状况。为了分析植被和地表条件之间的关系，许多陆面过程模式(earthsystemmodelling,esm)需要用到植被类型信息，将其作为模型的初始输入参数，如地表模型、水文模型、生物化学模型和全球植被模型。

根据ipcc第一工作组的第四次评估报告可知：近百年内，全球地表气温以0.78±0.18℃的速度在持续上升。而全球变暖会导致植被的密度、组成和分布都发生变化。当植被生长状况发生变化时又会反作用于大气、土壤等环境因子。模拟未来气候变化对研究植被生长、分布的意义重大，同样分析未来植被生长状况的变更对气候预测的准确性也提供了更加有效的证据。因此，研究青藏高原多年冻土区植被的分布现状意义重大，不仅可以为研究气候变化提供理论支撑，还可以为青藏高原多年冻土区乃至全球的碳循环过程提供关键的数据基础。

气候系统模式可以有效的定量化表达气候系统变化规律，是预测未来气候变化的工具之一。虽然植被类型可以通过生物地理学模型预测，然而全球植被动态模型(dynamicglobalvegetationmodels,dgvm)将青藏高原的植被类型划分为简单的几种，如基于生物地理学的biome1，基于生物地球化学的tem和century，耦合二者的mapss、biome3和biome4，以及基于生态系统过程的动态模型ibis和lpj，以及任继周院士依据水、热的客观过程提出的综合顺序分类法等，在多种植被模型中青藏高原的植被类型一般被预测为冻原(tundra)，或者冰川、极地沙漠(ice/polardesert)，而高原寒冷环境下的特有植被在这些模式中并没有区分。同时，在modis的mcd12产品中发布5种土地利用类型，也未能适宜的区分高原特有植被类型，如对草甸的区分，各类利用类型方案中仅包括灌丛(shrublands)、草地(grasslands)和萨瓦纳草原(savannas)。因此，亟需寻找适合于青藏高原植被类型的预测模型，然后利用气候系统模式对高海拔多年冻土区的植被类型进行预测。

综上所述，现有技术中的植被类型预测方法，存在不能将高原寒冷环境下的特有植被区分开的问题。

技术实现要素：

本发明实施例提供一种高海拔多年冻土区植被类型预测方法，用以解决现有技术中存在不能将高原寒冷环境下的特有植被区分开的问题。

本发明实施例提供一种高海拔多年冻土区植被类型预测方法，包括：

获取青藏高原多年冻土区的植被特征调查数据；其中，所述植被特征调查数据包括490个植被特征调查样点，且所述490个植被特征调查样点设置在高寒沼泽草甸、高寒草甸、高寒草原、高寒荒漠和无植被生长的裸地；

获取19个生物气候参数；其中，所述生物气候参数包括：年均温、温度平均间距、等温性、温度的季节性、最热月的最大温、最冷月的最低温、温度年间距、最湿润季节平均温、最干旱季节平均温、最温暖季节平均温、最寒冷季节平均温、年均降水、最湿润月降水、最干旱月降水、降水的季节性、最湿润季节降水、最干旱季节降水、最温暖季节降水和最寒冷季节降水；

根据ndvi数据集，获取4个ndvi参数；其中，所述ndvi参数包括：ndvi平均值、ndvi最大值、ndvi最小值和ndvi间距；

根据数字高程模型dem，获取青藏高原多年冻土区各栅格象元点上的坡度、坡向和剖面曲率；并将高程、坡度、坡向和剖面曲率作为地形参数；

通过主成分分析法，从生物气候参数、ndvi参数和地形参数中选取相关系数大于0.8的参数，获取12个植被分类参数；其中，所述植被分类参数包括：年均温、等温性、温度年间距、年均降水、最干旱月降水、最湿润季节降水、最干旱季节降水、最寒冷季节降水、ndvi平均值、ndvi最大值、ndvi最小值和高程；

根据植被特征调查数据、植被分类参数、4种气候情景数据和10类气候系统模式，通过决策树分类方法，获取青藏高原多年冻土区的植被类型；其中，所述气候情景数据，包括：rcp2.6、rcp4.5、rcp6.0和rcp8.0；所述气候系统模式，包括：bcc-csm1-1、ccsm4、giss-e2-r、hadgem2-ao、hadgem2-es、ipsl-cm5a-lr、miroc-esm、miroc5、mri-cgcm3和noresm1-m。

较佳地，所述ndvi数据集选用1982年到2015年的ndvi数据集；获取每个象元点上的ndvi年变化率，通过2015年的ndvi影像和ndvi年变化率，获取2050年和2070年的ndvi参数。

较佳地，通过决策树规则提取软件see5.0进行所述决策树分类方法中的分类规则提取，且进行分类规则提取10次，每次用于分类规则提取的数据是植被特征调查数据中90％的数据，每次用于验证精度的数据是植被特征调查数据中10％的数据。

本发明实施例中，提供一种高海拔多年冻土区植被类型预测方法，与现有技术相比，其有益效果为：本发明采用公开、免费的植被特征产品、地形特征数据和未来气候变化参数，并对青藏高原独有的高寒草地(高寒沼泽草甸、高寒草甸、高寒草原和高寒荒漠)进行分类，可实现2050年和2070年4种气候情景10类气候系统模式下青藏高原多年冻土区植被类型分布预测，预测方法成功的为青藏高原多年冻土区植被类型分布提供有效的预测模型，从而解决了传统分类方法无法有效预估青藏高原多年冻土区未来植被类型分布的技术难题，不仅可以为气候变化研究提供理论支撑，还可以为青藏高原多年冻土区乃至全球的碳循环过程提供关键的数据基础。

附图说明

图1为本发明实施例提供的一种高海拔多年冻土区植被类型预测方法流程图；

图2为本发明实施例提供的一种bcc-csm1-1模式下2050年和2070年青藏高原多年冻土区4种代表性浓度途径情景下植被分布状况。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的一种高海拔多年冻土区植被类型预测方法流程图。如图1所示，该方法包括：

s101，获取青藏高原多年冻土区的植被特征调查数据；其中，所述植被特征调查数据包括490个植被特征调查样点，且所述490个植被特征调查样点设置在高寒沼泽草甸、高寒草甸、高寒草原、高寒荒漠和无植被生长的裸地。

需要说明的是，此处的调查主要包括两方面，一是定义植被类型，二是调查了样方框内的植物种，并对植物种进行了高度和分盖度估算，这个调查为未来的预测提供了分类标准，同时利用当前的数据制定了分类规则以应用到后期的预测当中。

需要说明的是，本发明中青藏高原多年冻土区实地植被调查数据使用2009年到2013年的植被调查数据。

s102，获取19个生物气候参数；其中，所述生物气候参数包括：年均温、温度平均间距、等温性、温度的季节性、最热月的最大温、最冷月的最低温、温度年间距、最湿润季节平均温、最干旱季节平均温、最温暖季节平均温、最寒冷季节平均温、年均降水、最湿润月降水、最干旱月降水、降水的季节性、最湿润季节降水、最干旱季节降水、最温暖季节降水和最寒冷季节降水。

需要说明的是，本发明中对当前结果评估选用的数据包括来源于worldclim数据中心的生物气候参数，主要包括19种，具体如下表1所示，其分辨率为1km×1km。同时选取gimmsndvi1982年到2015的ndvi数据集，利用该数据集，计算后得到有关ndvi的4个参数用于青藏高原多年冻土区未来植被类型预测模型中，分别为ndvi平均值(bio20)、ndvi最大值(bio21)、ndvi最小值(bio22)和ndvi间距(bio23[bio21-bio22])，其分辨率为8km×8km。

表1青藏高原多年冻土区未来植被类型预测模型中用到的生物气候变量

s103，根据ndvi数据集，获取4个ndvi参数；其中，所述ndvi参数包括：ndvi平均值、ndvi最大值、ndvi最小值和ndvi间距。

需要说明的是，为尽量减少对未来ndvi预测的不确定性，选取1982年到2015年的ndvi数据集，计算获取每个象元点上的ndvi年变化率，然后通过2015年的ndvi影像和ndvi年变化率数据，计算得到2050年和2070年的ndvi平均值(bio20)、ndvi最大值(bio21)、ndvi最小值(bio22)和ndvi间距(bio23[bio21-bio22])，其分辨率为1/12°×1/12°。

s104，根据数字高程模型dem，获取青藏高原多年冻土区各栅格象元点上的坡度、坡向和剖面曲率；并将高程、坡度、坡向和剖面曲率作为地形参数。

需要说明的是，因dem数据无长时间连续的同源数据集，因此本预测中仍然使用当前地形数据作为未来地形因子，包括高程(bio24)、坡度(bio25)、坡向(bio26)和剖面曲率(bio27)，数据来源于西部数据中心，其分辨率为1km×1km。

s105，通过主成分分析法，从生物气候参数、ndvi参数和地形参数中选取相关系数大于0.8的参数，获取12个植被分类参数；其中，所述植被分类参数包括：年均温、等温性、温度年间距、年均降水、最干旱月降水、最湿润季节降水、最干旱季节降水、最寒冷季节降水、ndvi平均值、ndvi最大值、ndvi最小值和高程。

需要说明的是，根据当前生物气候、ndvi、地形参数中的27个变量，经过主成分分析选取相关系数大于0.8的变量和决策树分类规则提取后，保留12个变量用于植被分类预测模型的建立，这些变量为bio1、bio3、bio7、bio12、bio14、bio16、bio17、bio19、bio20、bio21、bio22和bio24，其代表的含义分别为：年均温、等温性、温度年间距、年均降水、最干旱月降水、最湿润季节降水、最干旱季节降水、最寒冷季节降水、ndvi平均值、ndvi最大值、ndvi最小值和高程。

优选地，本发明通过决策树规则提取软件see5.0进行所述决策树分类方法中的分类规则提取，且进行分类规则提取10次，每次用于分类规则提取的数据是植被特征调查数据中90％的数据，每次用于验证精度的数据是植被特征调查数据中10％的数据。最终，10次分类的精度分别为65％、76％、76％、69％、62％、79％、70％、60％、63％和67％，平均分类精度为69％。

需要说明的是，通过主成分分析方法对多种参数去相关处理，目的是可以将重复变量删除，根据统计学来讲一般处理数据时所选的变量在解释自然规律时会存在很大程度的“解释力”重复，因此很多研究用多种降维统计方法，如主成分分析、因子分析等去除变量的重复性。

s106，根据植被特征调查数据、植被分类参数、4种气候情景数据和10类气候系统模式，通过决策树分类方法，获取青藏高原多年冻土区的植被类型；其中，所述气候情景数据，包括：rcp2.6、rcp4.5、rcp6.0和rcp8.0；所述气候系统模式，包括：bcc-csm1-1、ccsm4、giss-e2-r、hadgem2-ao、hadgem2-es、ipsl-cm5a-lr、miroc-esm、miroc5、mri-cgcm3和noresm1-m。

需要说明的是，本发明利用决策树分类方法(软件see5.0)来区分青藏高原多年冻土区的植被类型，因为它具有简单、快速、准确的预测分类结果的特点，被广泛应用于植被分类中。整个操作就是先将所有能收集到的免费数据进行降维处理，利用降维后“重复信息”更少的多个变量来制定分类规则，因为植被调查后的植被类型数据只有少量“点”位置上有资料，而反应到整个青藏高原多年冻土区的“面”尺度上则必须通过规则对不同的遥感数据进行处理，来完成从“点”到“面”利用“分类规则”的“反演”。

需要说明的是，代表性浓度途径(rcps)情景的开发主要采用并行方法，可将气候、大气和碳循环预估(climatemodelings,cms)与排放和社会经济情景(integratedassessmentmoels,iams)有机的结合起来，提供分析气候变化对研究区影响、适应和脆弱性以及减排分析。ipccar5代表性浓度路径情景主要包括以下4种rcp分别为：一个高端路径，指到2100年时候辐射强迫为8.5w/m²，同时维持该状态一段时间；两个中等的“稳定路径”，指到2100年时候辐射强迫分别为6w/m²和4.5w/m²；一个低端路径，指辐射强迫在2100年前达到最大峰值约为3w/m²，随后下降。本发明选取同时存在rcp2.6、rcp4.5、rcp6.0和rcp8.0情景数据的10个气候系统模式来完成未来青藏高原植被分布预测，10个气候系统模式分别包括bcc-csm1-1、ccsm4、giss-e2-r、hadgem2-ao、hadgem2-es、ipsl-cm5a-lr、miroc-esm、miroc5、mri-cgcm3和noresm1-m。

需要说明的是，未来的温度和降水数据通过降尺度aogcm的输出结果得到，最终分辨率为1km×1km，也包括上表中所示的19个参数，未来预测年份为2050年(平均2041到2060年)和2070年(平均2061年到2080年)。

以上公开的仅为本发明的几个具体实施例，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。