厦门下潭尾红树林修复区景观类型与鸟类群落动态

2018年10月—2019年9月调查厦门下潭尾红树林修复区鸟类群落变化,利用遥感图像解译红树林修复区景观格局,为修复区后续景观格局优化与鸟类保护提供技术支持。结果显示:修复区鸟类共有26科62种,鹭类(8种2047只)与鸻鹬类(16种786只)种类及数量较多。春季鸟类种数及数量最多,其中3月鸟类种数最多25种,5月数量最多828只。下潭尾修复区景观格局在低潮位与高潮位存在周期性变化,不同景观鸟类种类及数量有较大差异;鸻鹬类在低潮位时的种类较多但数量较少,高潮位时仅分布于高潮裸露湿地和建设用地。建议修复区增加鸻鹬类高潮停息的滩涂湿地及游禽类生活需要的生态塘区,进一步提高水鸟多样性。     

基于GIS和RS的西藏森林火险等级计算方法

基于遥感技术(RS)和地理信息系统(GIS),利用由基于DEM演算的地面最高温度、最小相对湿度和最大风速等格点化气象要素,FY2静止气象卫星逐日降水反演产品和AVHRR积雪监测产品计算网格森林火险天气等级,结合由植被类型、NDVI、地形要素和公路、人口聚居地等要素评估的森林火险风险等级,综合计算得到网格化的西藏森林火险等级。该项业务程序基于MeteoInfo组件建立,能够实现全自动化业务运行。对于森林火灾事件,通过与基于气象站的森林火险天气等级相比,该方法的准确性更高,能为西藏林区森林防火工作提供有效参考。     

地震荷载下土层变形等级预测方法研究

以计算结果可靠的土层反应结果为基础数据,基于随机森林算法(Random Forest,简称"RF"),建立地震动、场地土层参数特征量与土层变形特征的关系,提出一种依据常规地震动和场地土层参数为特征量的地震荷载下土层变形等级预测新方法,给出了典型场地土体发生大应变的地震动阈值.结果表明:基于RF模型对土体的变形程度预测结...     

Changes in air pollutants during the COVID-19 lockdown in Beijing:Insights from a machine-learning technique and implications for future control policy

基于2015-2020年北京35个环境空气站和20个气象站观测资料,应用机器学习方法(随机森林算法)分离了气象条件和源排放对大气污染物浓度的影响.结果发现,为应对疫情采取的隔离措施使北京2020年春节期间大气污染物浓度降低了35.1％-51.8％;其中,背景站氮氧化物和一氧化碳浓度的降幅最大,超过了以往报道较多的交通站...     

大兴安岭火烧迹地土壤动物生态地理分析

不同恢复年份森林火烧迹地的土壤动物群落特征明显不同。火烧过后的前1³年,大型土壤动物的种类和数量很少,特别是常见类群中的线蚓所占的比例很小,但运动能力较强的蜈蚣、蜘蛛等所占比例较高。火烧3⁵年后,土壤中线蚓数量才逐渐增多并趋于稳定。中小型土壤动物中的原尾虫只出现在16年迹地和对比样地中,表明原尾虫确是稳定生境的指示动物。火烧过后,土壤环境中最先侵入的是运动能力较强的大型土壤动物,之后中小型土壤动物才逐渐得到恢复。火烧后6⁷年是中小型土壤动物发展的盛期,随后土壤动物种类和数量开始减少并趋于稳定。火烧的强度对土壤动物群落的恢复有一定的影响,轻度火烧影响地区的土壤动物恢复较快,经过6⁷年,土壤动物种类和数量能超过未受火烧影响的地区;而中、重度火烧地区,土壤动物恢复到正常水平则需要超过16年的更长的时间。     

区域性森林大火的真正成因

森林大火真正起因于地球排气中易燃还原性气体在腐殖层的临界积聚(气体体积分数大约为5%~6%)。现场气体(H2,CO)系统测量结果证实了这一点。测量结果显示,该林区腐殖层中H2、CO质量分数分别为(10~170)×10-6(本底值为0·5×10-6)和(2~60)×10-6(本底值为0·5×10-6),二者均远高于大气本底值数十到数百倍,而且未燃区的测值显然高于1998年燃区。     

基于机器学习的海洋环境预报订正方法研究

结合中尺度数值模式 WRF 预报数据和 ERA5 再分析资料,利用机器学习方法对 WRF 预报场的风场、温度、气压进行预报订正。采用 ERA5 作为真值,与原始 WRF 预报相比,利用随机森林模型可以将预报结果整体均方根误差降低 44%以 上,利用深度神经网络模型可以将预报结果整体均方根误差降低 34%以上。通过随机森林模型实验得到不同输入特征对预报要素的影响程度,分析了关键的预报订正因子。     

伏牛山地区森林生态系统服务权衡/协同效应多尺度分析

森林生态系统服务权衡与协同研究已成为当前相关学科的研究热点和前沿,对服务权衡与协同关系的多尺度分析有助于更加有效地实施森林资源管理。综合森林类型图、NDVI、气象和土壤等多源数据,借助CASA模型、InVEST 3.2模型和ArcGIS 10.2软件,开展伏牛山地区森林生态系统服务评估,运用空间叠置方法从多个空间尺度（区域、南北坡、垂直带）探讨服务权衡与协同效应。结果表明：① 研究区森林生态系统平均蓄积量为49.26 m ³/hm ²,碳密度为156.94 t/hm ²,供水深度为494.46 mm,土壤保持量为955.4 t/hm ²,生境质量指数为0.79。② 区域尺度上,28.79%的森林服务之间存在高协同效应,10.15%的森林存在低协同效应,61.06%的森林存在强权衡和弱权衡效应。③ 南北坡尺度上,南坡服务之间的协同关系优于北坡。垂直带尺度上,南坡中山落叶阔叶林带（SIII）服务之间协同关系最好,北坡低山落叶阔叶林带（NI）协同关系最差。     

基于SWAT模型的森林分布不连续流域水源涵养量多时间尺度分析

为解决森林分布不连续流域森林水源涵养功能及其多时间尺度特征的定量评价问题,根据分布式水文模型（SWAT）的特点,提出了反映森林斑块空间分布的水文响应单元划分方法,以及基于水量平衡法的森林不连续分布流域森林水源涵养量计算公式。以东南沿海的晋江流域为例,构建了2006年土地利用条件下的日时间步长SWAT模型,统计分析了2002—2010年降水条件下森林水源涵养量的时空变化规律。结果表明：① 构建的晋江流域SWAT模型精度较高,面积阈值为零生成的水文响应单元比较准确地反映流域森林斑块分布,提出的森林水源涵养量计算公式适用于森林空间分布不连续流域森林水源涵养量的多时间尺度分析,为流域森林水源涵养功能评价提供了一个新的方法。② 晋江流域森林水源年涵养量271.41~565.25 mm;月涵养量-29.15~154.59 mm;日尺度的极端降水期皆为正值,极端枯水期都为负值。表明年际之间不存在森林水源涵养的蓄丰补枯调节作用,但在年内的部分月份得到体现,而日尺度的森林蓄丰补枯功能充分发挥。从而揭示了不同时间尺度森林水源涵养量及其蓄丰补枯功能的差异。     

In-season crop classification using elements of the Kennaugh matrix derived from polarimetric RADARSAT-2 SAR data

Accurate spatio-temporal classification of crops is of prime importance for in-season crop monitoring. Synthetic Aperture Radar (SAR) data provides diverse physical information about crop morphology. In the present work, we propose a day-wise and a time-series approach for crop classification using full-polarimetric SAR data. In this context, the 4 × 4 real Kennaugh matrix representation of a full-polarimetric SAR data is utilized, which can provide valuable information about various morphological and dielectric attributes of a scatterer. The elements of the Kennaugh matrix are used as the parameters for the classification of crop types using the random forest and the extreme gradient boosting classifiers.The time-series approach uses data patterns throughout the whole growth period, while the day-wise approach analyzes the PolSAR data from each acquisition into a single data stack for training and validation. The main advantage of this approach is the possibility of generating an intermediate crop map, whenever a SAR acquisition is available for any particular day. Besides, the day-wise approach has the least climatic influence as compared to the time series approach. However, as time-series data retains the crop growth signature in the entire growth cycle, the classification accuracy is usually higher than the day-wise data.Within the Joint Experiment for Crop Assessment and Monitoring (JECAM) initiative, in situ measurements collected over the Canadian and Indian test sites and C-band full-polarimetric RADARSAT-2 data are used for the training and validation of the classifiers. Besides, the sensitivity of the Kennaugh matrix elements to crop morphology is apparent in this study. The overall classification accuracies of 87.75% and 80.41% are achieved for the time-series data over the Indian and Canadian test sites, respectively. However, for the day-wise data, a ∼6% decrease in the overall accuracy is observed for both the classifiers.