[发明专利]一种生态干旱的监测与评估方法

说明书

本发明公开了一种生态干旱的监测与评估方法，首先采集研究区域的多源数据并构建生态干旱灾害数据库，再根据多源数据计算水文气象与水文干旱指标，并提取水文干旱特征，然后对水文干旱特征进行时空规律与演变特征分析，根据分析结果实现对研究区域的生态干旱监测，同时构建Biome‑BGC模型计算生态系统净初级生产力，最后采用随机森林模型得到研究区域的综合生态系统生产力，实现对研究区域的生态干旱评估。本发明采用随机森林模型得出的综合生态系统生产力值，不仅考虑了生态因素，还包括导致水文干旱的因素与人为因素，对于生态干旱的评估更加全面而精确，并解决了传统生态干旱损失评估方法考虑因素少和参数难以调节的问题。

技术领域

本发明属于生态环境治理技术领域，具体涉及一种生态干旱的监测与评估方法的设计。

背景技术

近年来，与生态文明建设相关的譬如生态水循环、生态干旱的监测与评估等研究方向逐渐成为研究热点。开展多因素影响下干旱对流域生态系统影响的研究，不仅对易发生态干旱区域的生态环境治理有重要的现实意义，而且还对促进生态学与水文学等学科的交叉性研究具有重大的促进和理论意义。

决策树是机器学习中的一种以实例为基础的归纳学习，采用的是自顶向下的归纳方法。决策树算法的最大优点它可以自主学习，并且在学习的过程中不需要使用者了解过多的知识背景，只需要对训练实例进行较好的标注，就能够进行学习，属于有监督学习。随机森林模型是使用随机的方式建立一个由很多决策树组成的模型，随机森林的每一棵决策树之间是没有关联的。随机森林模型通过自助法(bootstrap)重采样技术，从原始训练样本集N中有放回地重复随机抽取k个样本生成新的训练样本集合，然后根据自助样本集生成k个分类树组成随机森林，新数据的分类结果按分类树投票多少形成的分数而定，其实质是对决策树算法的一种改进，将多个决策树合并在一起，每棵树的建立依赖于一个独立抽取的样品，森林中的每棵树具有相同的分布，分类误差取决于每一棵树的分类能力和它们之间的相关性。特征选择采用随机的方法去分裂每一个节点，然后比较不同情况下产生的误差，能够检测到的内在估计误差、分类能力和相关性决定选择特征的数目。

现有的生态系统干旱损伤评估方法多以实验观测、遥感监测和模型模拟等定性或半定量评价为主。实验观测方法主要是利用实验和数理统计方法建立的损失统计模型；遥感监测方法利用遥感数据计算各种植被相关的干旱指数监测植被生长；模型模拟方法是通过温度、降水等气象数据计算植被生物期内各阶段相对蒸散发量，主要方法是通过构建水分生产函数和气候生产潜力模型开展植被减产评估。

然而，现有的生态系统干旱损伤评估方法也存在相应的缺陷，实验观测方法相对简单，忽略了干旱的成灾过程对植被生长的物理影响，也未考虑土壤水分、养分以及二氧化碳对植被的作用，方法的时效性差、估算结果精度较低。模型模拟方法对植被生长机理过程描述较差，决定评估因素较少，模型参数多且不易确定与调节。

发明内容

本发明的目的是提出一种生态干旱的监测与评估方法，定量化揭示不同水文干旱的影响程度和时空规律，明确不同类型的水文干旱演变和生态系统之间的响应关系，构建水文干旱演变和生态系统损失评估的模型。

本发明的技术方案为：一种生态干旱的监测与评估方法，包括以下步骤：

S1、采集研究区域的多源数据，并利用多源数据构建生态干旱灾害数据库。

S2、根据多源数据计算研究区域的水文气象与水文干旱指标，并提取水文干旱特征。

S3、对水文干旱特征进行时空规律与演变特征分析，根据分析结果实现对研究区域的生态干旱监测。

S4、根据多源数据构建Biome-BGC模型，计算得到研究区域的生态系统净初级生产力。

S5、根据水文干旱特征和生态系统净初级生产力，采用随机森林模型得到研究区域的综合生态系统生产力，并将综合生态系统生产力作为生态干旱损失的评估值，实现对研究区域的生态干旱评估。