[发明专利]一种基于生境因子的植被类型空间模拟方法

说明书

本发明公开了一种新的基于生境因子的植被类型空间模拟方法。该方法针对植被类型分布的空间复杂性和非线性特征，引入SVM算法，构建了基于生境因子的植被类型空间模拟模型，主要包含三个步骤：首先，利用遥感与GIS空间分析方法，实现案例区自然气候、土壤地形、人口交通等生境因子基础数据预的处理；其次，采用径向基核函数（RBF）作为SVM的核函数，运用经过预处理的基础数据对SVM模型进行训练，并采用网格搜索法搜索模型最优参数，进而构建基于生境因子的植被类型空间模拟模型；最后，运行和验证模型，进而实现案例区植被类型的空间分布模拟。该方法不仅有助于实现中宏观尺度上的植被类型及其空间分布的定量模拟，而且具有很好模拟精度和很强的可操作性。

技术领域

本发明涉及一种基于生境因子的植被类型空间模拟方法，适用于全球气候变化及生态效应研究领域。

背景技术

植被类型分布与相关生境因子之间关系及作用机理研究，是植被空间分布格局模拟的前提条件。针对不同区域的地形地貌特征、自然气候条件和人类活动干扰程度，定量揭示分析植被类型分布与生境因子之间的相互作用范围、作用机理，是认识植被类型分布状况，模拟分析植被类型空间分布、变化趋势及其未来情景的核心内容。目前在植被空间分布研究中，主要采用包括野外样方-样线实地调查方法、遥感与GIS技术结合的方法，对植被类型空间分布进行解译和勾画。传统方法不仅需要进行大量的野外实地采样和耗费大量人力物力，而且在自然条件和地形地貌特征极为复杂的区域，无法进行采样活动，从而使得传统方法无法对这些区域的植被类型进行识别和分析。另外，传统方法无法对气候变化和人类活动驱动下的植被类型未来情景进行模拟，而是仅局限于现状及过去的趋势对比分析。随着遥感技术和GIS技术在植物信息提取和分类等方面的快速发展，高精度、高空间分辨率和高光谱遥感技术的发展和应用，通过监测植被结构信息和分析植被指数来进行植被类型判别，具有速度快、鲁棒性高、稳定等特点，提高了识别与分类的精度，为开展植被类型空间模拟的驱动参数提供了高可行的数据基础。

植被类型空间分布特征是各种生境因子在特定地域相互作用的结果，这种相互作用是一个极为复杂多样的非线性系统。而现有的研究方法往往采样单一数据源进行植被类型分类或空间分析，既不能体现植被类型是受到诸多生境因素的影响和相互作用的机理，也不能满足中宏观尺度上的植被类型模拟分析。因此，如何在深入分析生境要素和植被类型及其空间分布相互作用机理的基础上，利用有限离散的植被类型样点数据，结合高分辨率遥感影像数据，并综合考虑多方面的生境因子，构建植被类型空间分布模拟模型，进而实现植被类型空间分布的模拟分析，是在大尺度上对植被类型空间分布模拟亟需解决的问题。支持向量机(Support Vector Machine，简称SVM)理论是基于结构风险最小化理论的一种机器学习算法（Vapnik V,1998, Statistical Learning Theory. Wiley, New York），为解决非线性回归的求解提供了一种新的思路，相比较传统的方法在速度和精度上都更有明显的优势，在很多领域得到成功应用。尤其是通过低维到高维内积空间的映射构造线性分类器，在解决小样本、非线性及高维模式识别问题中具有很快的训练速度和收敛速度，同时有较好的泛化能力和较高的分类精度，非常适合利用多生境因子和规模不大的离散数据进行大尺度植被类型空间分布模拟的应用。

因此，针对由于植被类型分布的空间复杂性和非线性特征，运用线性分类方法得到的模拟精度很难满足需求的科学问题，充分利用SVM方法在样本量较少的情况下，也能获得良好分类结果和统计规律的算法优势，本发明在综合考虑自然气候、土壤地形、人文因子等生境因子的基础上，引入SVM算法，对每种植被类型的样本进行训练，进而确定核函数的最优参数，最终构建基于生境因子的植被类型空间模拟模型。该方法不仅有助于实现中宏观尺度上的植被类型及其空间分布的定量模拟，而且具有很好的模拟精度和很强的可操作性。

发明内容

本发明旨在综合考虑和植被分布相关的自然气候、土壤地形、人文因子等生境因子，利用SVM构建基于生境因子的植被类型空间分布自动提取模型，实现中宏观尺度上的植被类型空间分布的定量模拟。为了实现上述目的，本发明实现的关键技术方案包括以下几个步骤：