申请/专利权人：西安理工大学

申请日：2018-12-06

公开（公告）日：2022-11-29

公开（公告）号：CN109615215B

主分类号：G06Q10/06

分类号：G06Q10/06;G06Q50/26;G06F16/29;G06F16/2458

优先权：

专利状态码：有效-授权

法律状态：2022.11.29#授权;2019.05.07#实质审查的生效;2019.04.12#公开

摘要：本发明公开了一种区域植被恢复的特征分析方法，确定研究区域，收集气象站年降水数据以及年NDVI遥感数据；根据收集到的年NDVI遥感数据对年植被覆盖度时间序列栅格数据进行统计分析，计算得到的区域植被覆盖度持续增长的栅格数据、植被覆盖度显著突变年份栅格数据、具有时间稳定性的区域、不同显著水平的植被覆盖度与降雨的相关性栅格数据即为区域植被恢复综合评价指标。本发明的一种区域植被恢复的特征分析方法，可以凭借较少的数据快速简单的评价研究区域的植被恢复状况，为区域生态建设决策提供科学依据。

主权项：1.一种区域植被恢复的特征分析方法，其特征在于，具体按照以下步骤实施：步骤1，确定研究区域，收集气象站年降水数据以及年NDVI遥感数据；步骤2，根据收集到的年NDVI遥感数据，计算得到年植被覆盖度时间序列栅格数据，对年植被覆盖度时间序列栅格数据进行统计分析，以确定其时空分布特征，所述统计分析是指分析植被覆盖度时间序列栅格数据的最大值，最小值，平均值以及变异系数；步骤3，根据收集到气象站年降水数据，通过空间插值计算得到与植被覆盖度同样精度的研究区年降雨量时间序列栅格数据；步骤4，在步骤2的基础上，根据年植被覆盖度时间序列栅格数据计算得到年植被覆盖度Hurst指数栅格数据，通过Mann-Kendall趋势检验方法得到不同显著水平的植被覆盖度Mann-Kendall检验结果栅格数据，对Hurst指数栅格数据并进行分级，通过对分级后的Hurst指数栅格数据和检验结果栅格数据叠加分析得到区域植被覆盖度持续增长的栅格数据；步骤5，在步骤2的基础上，根据年植被覆盖度时间序列栅格数据，通过Pettitt突变点检验方法计算得到植被覆盖度显著突变年份栅格数据；步骤6，在步骤2的基础上，根据年植被覆盖度时间序列栅格数据，利用平均相对偏差法快速识别研究区域的具有时间稳定性的区域；步骤7，根据年植被覆盖度时间序列栅格数据和步骤3所述插值计算得到与植被覆盖度同样精度的研究区年降雨量时间序列栅格数据，通过Pearson相关性检验得到不同显著水平的植被覆盖度与降雨的相关性栅格数据；所述区域植被覆盖度持续增长的栅格数据、植被覆盖度显著突变年份栅格数据、步骤6获得的具有时间稳定性的区域、步骤7获得的不同显著水平的植被覆盖度与降雨的相关性栅格数据即为区域植被恢复综合评价指标。

全文数据：一种区域植被恢复的特征分析方法技术领域本发明属于生态保护评价方法技术领域，涉及一种区域植被恢复的特征分析方法。背景技术随着我国工业化和城镇化的快速发展，中国特色社会主义建设及经济水平的不断提高，生态环境越来越受人们的重视，人民对美好生活的向往越来越强烈，目前国内仍然面临生态空间遭受威胁、区域水土流失与荒漠化加剧等生态问题，资源环境问题不断凸显。植被在地表生态系统的能量交换、水循环、碳循环、生物地球化学循环和维持气候稳定等方面发挥着重要作用，植被覆盖度的变化及其对气候变化的敏感度对研究区域生态环境变化具有重要意义。因此，研究植被的时空特征具有十分重要的意义，在不同的地区进行大量植被动态研究，植被动力学研究已成为全球生态环境变化的关键问题之一。自从1999年以来，植被恢复工程增加，中国植被状况有了明显的变化。目前关于区域植被恢复的综合评价方法还比较少。因此提出一种区域植被恢复的特征分析方法是十分重要的。发明内容本发明的目的是提供一种区域植被恢复的特征分析方法，解决了现有区域植被恢复评价方法复杂度高，获取数据时间长，分析范围小的问题。本发明所采用的技术方案是，一种区域植被恢复的特征分析方法，具体按照以下步骤实施：步骤1，确定研究区域，收集气象站年降水数据以及年NDVI遥感数据；步骤2，根据收集到的年NDVI遥感数据，计算得到年植被覆盖度时间序列栅格数据，对年植被覆盖度时间序列栅格数据进行统计分析，以确定其时空分布特征，统计分析是指分析植被覆盖度时间序列栅格数据的最大值，最小值，平均值以及变异系数；步骤3，根据收集到气象站年降水数据，通过空间插值计算得到与植被覆盖度同样精度的研究区年降雨量时间序列栅格数据；步骤4，在步骤2的基础上，根据年植被覆盖度时间序列栅格数据计算得到年植被覆盖度Hurst指数栅格数据，通过Mann-Kendall趋势检验方法得到不同显著水平的植被覆盖度Mann-Kendall检验结果栅格数据，对Hurst指数栅格数据并进行分级，通过对分级后的Hurst指数栅格数据和检验结果栅格数据叠加分析得到区域植被覆盖度持续增长的栅格数据；步骤5，在步骤2的基础上，根据年植被覆盖度时间序列栅格数据，通过Pettitt突变点检验方法计算得到植被覆盖度显著突变年份栅格数据；步骤6，在步骤2的基础上，根据年植被覆盖度时间序列栅格数据，利用平均相对偏差法快速识别研究区域的具有时间稳定性的区域；步骤7，根据年植被覆盖度时间序列栅格数据和步骤3插值计算得到与植被覆盖度同样精度的研究区年降雨量时间序列栅格数据，通过Pearson相关性检验得到不同显著水平的植被覆盖度与降雨的相关性栅格数据；区域植被覆盖度持续增长的栅格数据、植被覆盖度显著突变年份栅格数据、步骤6获得的具有时间稳定性的区域、步骤7获得的不同显著水平的植被覆盖度与降雨的相关性栅格数据即为区域植被恢复综合评价指标。本发明的特点还在于，步骤1中年NDVI遥感数据均采用最大值合成法得到，操作步骤如下：通过ArcGIS软件SpatialAnalystTools模块Local工具CellStatistics按照最大值合成法逐步得到月、季节NDVI时间序列栅格数据，最终得到年NDVI时间序列栅格数据，再通过ArcGIS软件SpatialAnalystTools模块MapAlgebra工具RasterCalculator将年NDVI时间序列栅格数据转换为植被覆盖度时间序列栅格数据。步骤2年植被覆盖度数据均由NDVI数据采用以下公式计算得到：f＝NDVI-NDVIminNDVImax-NDVImin其中，f为植被覆盖度，NDVI是像素的植被指数，NDVImax和NDVIMin分别是研究区NDVI的最大值和最小值。步骤4Mann-Kendall趋势检验的计算方法为：Mann-Kendall检验法通过用数据序列的秩来判别变量间的相关程度，Mann-Kendall检验统计量S采用下式计算：其中xj和xk分别是年份为j和k对应的样本值，n＞j＞k，其中在时间序列随机独立的假定下，定义统计量：式中，VARS可由下式计算使用Z值进行趋势性检验，Z的正值表示向上趋势、负值表示向下趋势；统计量Z服从标准正态分布。步骤4Hurst指数的计算方法为：Hurst指数可以有效地预测时间序列的未来趋势，定义时间序列，t＝1，2，…，n，并计算时间序列的平均值，τ＝1，2，…，n计算时间t的累积偏差，1≤t≤T计算序列的范围，τ＝1，2，…，n建立标准偏差序列，τ＝1，2，…，n最后计算Hurst指数，其中，H代表Hurst指数，H的值在[0，1]的范围内；当H＝0.5时，表明植被覆盖的时间序列是随机序列，是不可持续的；当H＞0.5时，植被覆盖度的变化与目前的趋势基本一致，表明植被的可持续性是正的；H＜0.5表示负可持续性，未来植被覆盖变化将与当前趋势相反。步骤5Pettitt突变点检验的计算方法为：该方法使用可能发生突变的时间节点把数据序列分为前后两个时段，并认为这两个时段数据均来自同一样本；Pettitt法采用Mann-Whitney中Ut，n值检验同一总体中两个样本X1，...，Xt和Xt+1，...，Xn，统计量Ut，n的公式为：其中：Pettitt检验的零假设为没有变化点，当|Ut，n|取最大值时对应的xt被认为是可能的突变点，其显著性水平可由下式计算：当p≤0.05时认为数据中存在均值变异点。步骤6用平均相对偏差法快速识别研究区域的具有时间稳定性的区域计算方法为：对于相对偏差法，相对差分δij是基于栅格点i，i＝1，...，n；n为栅格数目，在时间j的植被覆盖度值ECij与时间j的所有栅格点植被覆盖度值的均值的差：相对差分在时间上的均值MRD，用表示；平均相对差分和标准差SDRD，用表示，和的计算公式分别为：和式中：m为植被覆盖度的年份，所有样点按照MRD，即由小到大的顺序排列起来，并标注出每一个样点的SDRD，即小的值表示位置点有时间稳定性，大的值表示位置点存在强的时间变异性；如果一个样点的接近于零并且也比较小，那么这个点就是代表性位置点；位置点值在±0.05范围内可以被认为是接近于0；值越小，时间稳定性越好。本发明的有益效果是，本发明的一种区域植被恢复的特征分析方法，数据容易获取、计算简单、简单便捷，通过获取研究区域NDVI和降水数据便可快速对研究区域植被恢复状况进行综合评价。附图说明图1是本发明专利一种区域植被恢复的特征分析方法的实例中黄土高原植被持续改善结果示意图；图2是本发明专利一种区域植被恢复的特征分析方法的实例中黄土高原植被突变结果示意图；图3是本发明专利一种区域植被恢复的特征分析方法的实例中黄土高原植被时间稳定性结果示意图；图4是本发明专利一种区域植被恢复的特征分析方法的实例中黄土高原植被与降水相关性结果示意图；具体实施方式下面结合附图和具体实施方式对本发明进行详细说明。本发明的一种区域植被恢复的特征分析方法，具体按照以下步骤实施：步骤1，确定研究区域，收集气象站年降水数据以及年NDVI遥感数据年NDVI遥感数据均采用最大值合成法得到，操作步骤如下：通过ArcGIS软件SpatialAnalystTools模块Local工具CellStatistics按照最大值合成法逐步得到月、季节NDVI时间序列栅格数据，最终得到年NDVI时间序列栅格数据，再通过ArcGIS软件SpatialAnalystTools模块MapAlgebra工具RasterCalculator将年NDVI时间序列栅格数据转换为植被覆盖度时间序列栅格数据。步骤2，根据收集到的年NDVI遥感数据，计算得到年植被覆盖度时间序列栅格数据，对年植被覆盖度时间序列栅格数据进行统计分析，以确定其时空分布特征，统计分析是指分析植被覆盖度时间序列栅格数据的最大值，最小值，平均值以及变异系数；年植被覆盖度数据均由NDVI数据采用以下公式计算得到：f＝NDVI-NDVIminNDVImax-NDVImin其中，f为植被覆盖度，NDVI是像素的植被指数，NDVImax和NDVIMin分别是研究区NDVI的最大值和最小值。步骤3，根据收集到气象站年降水数据，通过空间插值计算得到与植被覆盖度同样精度的研究区年降雨量时间序列栅格数据；步骤4，在步骤2的基础上，根据年植被覆盖度时间序列栅格数据计算得到年植被覆盖度Hurst指数栅格数据，通过Mann-Kendall趋势检验方法得到不同显著水平的植被覆盖度Mann-Kendall检验结果栅格数据，对Hurst指数栅格数据并进行分级，通过对分级后的Hurst指数栅格数据和检验结果栅格数据叠加分析得到区域植被覆盖度持续增长的栅格数据Mann-Kendall趋势检验的计算方法为：Mann-Kendall检验法通过用数据序列的秩来判别变量间的相关程度，Mann-Kendall检验统计量S采用下式计算：其中xj和xk分别是年份为j和k对应的样本值，n＞j＞k，其中在时间序列随机独立的假定下，定义统计量：式中，VARS可由下式计算使用Z值进行趋势性检验，Z的正值表示向上趋势、负值表示向下趋势；统计量Z服从标准正态分布。Hurst指数的计算方法为：Hurst指数可以有效地预测时间序列的未来趋势，定义时间序列，t＝1，2，…，n，并计算时间序列的平均值，τ＝1，2，…，n计算时间t的累积偏差，1≤t≤T计算序列的范围，τ＝1，2，…，n建立标准偏差序列，τ＝1，2，…，n最后计算Hurst指数，其中，H代表Hurst指数，H的值在[0，1]的范围内；当H＝0.5时，表明植被覆盖的时间序列是随机序列，是不可持续的；当H＞0.5时，植被覆盖度的变化与目前的趋势基本一致，表明植被的可持续性是正的；H＜0.5表示负可持续性，未来植被覆盖变化将与当前趋势相反。步骤5，在步骤2的基础上，根据年植被覆盖度时间序列栅格数据，通过Pettitt突变点检验方法计算得到植被覆盖度显著突变年份栅格数据Pettitt突变点检验的计算方法为：该方法使用可能发生突变的时间节点把数据序列分为前后两个时段，并认为这两个时段数据均来自同一样本；Pettitt法采用Mann-Whitney中Ut，n值检验同一总体中两个样本X1，...，Xt和Xt+1，...，Xn，统计量Ut，n的公式为：其中：Pettitt检验的零假设为没有变化点，当|Ut，n|取最大值时对应的xt被认为是可能的突变点，其显著性水平可由下式计算：当p≤0.05时认为数据中存在均值变异点。步骤6，在步骤2的基础上，根据年植被覆盖度时间序列栅格数据，利用平均相对偏差法快速识别研究区域的具有时间稳定性的区域用平均相对偏差法快速识别研究区域的具有时间稳定性的区域计算方法为：对于相对偏差法，相对差分δij是基于栅格点i，i＝1，...，n；n为栅格数目，在时间j的植被覆盖度值ECij与时间j的所有栅格点植被覆盖度值的均值的差：相对差分在时间上的均值MRD，用表示；平均相对差分和标准差SDRD，用表示，和的计算公式分别为：和式中：m为植被覆盖度的年份，所有样点按照MRD，即由小到大的顺序排列起来，并标注出每一个样点的SDRD，即小的值表示位置点有时间稳定性，大的值表示位置点存在强的时间变异性；如果一个样点的接近于零并且也比较小，那么这个点就是代表性位置点；位置点值在±0.05范围内可以被认为是接近于0；值越小，时间稳定性越好。步骤7，根据年植被覆盖度时间序列栅格数据和步骤3插值计算得到与植被覆盖度同样精度的研究区年降雨量时间序列栅格数据，通过Pearson相关性检验得到不同显著水平的植被覆盖度与降雨的相关性栅格数据；区域植被覆盖度持续增长的栅格数据、植被覆盖度显著突变年份栅格数据、步骤6获得的具有时间稳定性的区域、步骤7获得的不同显著水平的植被覆盖度与降雨的相关性栅格数据即为区域植被恢复综合评价指标。以黄土高原植被恢复的快速综合评价为例子详细说明本发明，如图1-4所示，具体按照以下步骤实施：步骤1，首先收集基础数据：1＞黄土高原NDVI数据，在2000年至2013年期间，空间分辨率为500米×500米，间隔为10天，由中国科学院计算机网络信息中心地理空间数据云站点http：www.gscloud.cn提供；2＞黄土高原及其附近区域海力素、乌拉特中旗、达尔罕联合旗、四子王旗、集宁、张家口、蔚县、石家庄、邢台、安阳、新乡、开封、郑州、许昌、宝丰、栾川、卢氏、商州、镇安、佛坪、汉中、略阳、武都、岷县、合作、河南、贵南、恰卜恰、刚察、祁连、山丹、门源、景泰、西宁、贵州、民和、靖远、同仁、榆中、临夏、临洮、华家岭、包头、呼和浩特、右玉、大同、临河、鄂托克旗、东胜、河曲、五台山、榆林、五寨、兴县、原平、定边、吴旗、横山、绥德、离石、太原、榆社、固原、环县、延安、隰县、介休、临汾、长治、西吉、平凉、西峰镇、长武、洛川、运城、侯马、阳城、武功、耀县、华山、三门峡、孟津82个气象站点2000～2013年降水量数据；步骤2，根据收集到的2000年至2013年期间，空间分辨率为500米×500米，间隔为10天的NDVI数据，通过ArcGIS软件SpatialAnalystTools模块Local工具CellStatistics按照最大值合成法逐步得到月、季节NDVI时间序列栅格数据，最终得到年NDVI时间序列栅格数据，再通过ArcGIS软件SpatialAnalystTools模块MapAlgebra工具RasterCalculator将年NDVI时间序列栅格数据转换为植被覆盖度时间序列栅格数据；步骤3，根据收集到气象站年降水数据，通过SpatialAnalystTools模块Interpolation工具Kriging空间插值计算得到与植被覆盖度同样精度的研究区年降雨量时间序列栅格数据如图4所示；步骤4，根据计算得到的年植被覆盖度时间序列栅格数据，通过ArcGIS软件SpatialAnalystTools模块Local工具Combine将2000-2013年植被覆盖度时间序列栅格数据叠加到一起生成新的栅格文件，将新生成的栅格文件属性表导出成txt文件，通过R语言编程实现Mann-Kendall检验和Hurst指数的计算，将txt文件读入R语言计算得到不同显著水平的植被覆盖度如图3所示，Mann-Kendall检验和＜＝0.5和＞0.5两种分类的Hurst指数的计算结果并生成1.txt文件导出，通过ArcGIS软件将新生成的1.txt文件链接到新生成的栅格文件，通过ArcGIS软件SpatialAnalystTools模块Reclass工具Lookup将链接1.txt文件后新生成的栅格文件属性表1.txt的两个字段生成两个新的栅格文件，命名为MK检验结果和Hurst指数，再通过ArcGIS软件SpatialAnalystTools模块Local工具Combine，将新生成的MK检验结果和Hurst指数栅格文件叠加分析，Hurst指数大于0.5且MK检验呈显著增加区域植被覆盖度为持续改善如图1所示；步骤5，根据计算得到的年植被覆盖度时间序列栅格数据，通过ArcGIS软件SpatialAnalystTools模块Local工具Combine将2000-2013年植被覆盖度时间序列栅格数据叠加到一起生成新的栅格文件，将新生成的栅格文件属性表导出成txt文件，通过R语言编程实现Pettitt突变点检验，将txt文件读入R语言计算得到显著突变的植被覆盖度如图2所示的计算结果并生成1.txt文件导出，通过ArcGIS软件将新生成的1.txt文件链接到新生成的栅格文件，通过ArcGIS软件SpatialAnalystTools模块Reclass工具Lookup将链接1.txt文件后新生成的栅格文件属性表1.txt的一个字段生成一个新的栅格文件，命名为Pettitt突变点检验结果；步骤6，根据计算得到的年植被覆盖度时间序列栅格数据，通过ArcGIS软件SpatialAnalystTools模块Local工具Combine将2000-2013年植被覆盖度时间序列栅格数据叠加到一起生成新的栅格文件，将新生成的栅格文件属性表导出成txt文件，通过R语言编程实现平均相对偏差法计算平均相对偏差meanrelativedifference，MRD和相对偏差的标准差standarddeviationofrelativedifference，SDRD，将txt文件读入R语言计算得到植被覆盖度的MRD和SDRD结果并生成1.txt文件导出，通过ArcGIS软件将新生成的1.txt文件链接到新生成的栅格文件，通过ArcGIS软件SpatialAnalystTools模块Reclass工具Lookup将链接1.txt文件后新生成的栅格文件属性表1.txt的两个字段生成两个新的栅格文件，命名为MRD和SDRD，快速识别黄土高原的植被覆盖度时间稳定性的区域。步骤7，根据计算得到的年植被覆盖度时间序列栅格数据，通过ArcGIS软件SpatialAnalystTools模块Local工具Combine将2000-2013年植被覆盖度时间序列栅格数据叠加到一起生成新的栅格文件，将新生成的栅格文件属性表导出成v.txt文件，同时将2000-2013年插值得到的年降水时间序列栅格数据叠加到一起生成另一个新的栅格文件，将新生成的栅格文件属性表导出成p.txt文件，通过R语言编程实现Pearson相关性检验并分类，将v.txt和p.txt文件读入R语言计算得到植被覆盖度与降水的Pearson相关性检验与分类结果并生成1.txt文件导出，通过ArcGIS软件将新生成的1.txt文件链接到新生成的植被覆盖度栅格文件，通过ArcGIS软件SpatialAnalystTools模块Reclass工具Lookup将链接1.txt文件后新生成的栅格文件属性表1.txt的一个字段生成一个新的栅格文件，命名为Pearson相关性。

权利要求：1.一种区域植被恢复的特征分析方法，其特征在于，具体按照以下步骤实施：步骤1，确定研究区域，收集气象站年降水数据以及年NDVI遥感数据；步骤2，根据收集到的年NDVI遥感数据，计算得到年植被覆盖度时间序列栅格数据，对年植被覆盖度时间序列栅格数据进行统计分析，以确定其时空分布特征，所述统计分析是指分析植被覆盖度时间序列栅格数据的最大值，最小值，平均值以及变异系数；步骤3，根据收集到气象站年降水数据，通过空间插值计算得到与植被覆盖度同样精度的研究区年降雨量时间序列栅格数据；步骤4，在步骤2的基础上，根据年植被覆盖度时间序列栅格数据计算得到年植被覆盖度Hurst指数栅格数据，通过Mann-Kendall趋势检验方法得到不同显著水平的植被覆盖度Mann-Kendall检验结果栅格数据，对Hurst指数栅格数据并进行分级，通过对分级后的Hurst指数栅格数据和检验结果栅格数据叠加分析得到区域植被覆盖度持续增长的栅格数据；步骤5，在步骤2的基础上，根据年植被覆盖度时间序列栅格数据，通过Pettitt突变点检验方法计算得到植被覆盖度显著突变年份栅格数据；步骤6，在步骤2的基础上，根据年植被覆盖度时间序列栅格数据，利用平均相对偏差法快速识别研究区域的具有时间稳定性的区域；步骤7，根据年植被覆盖度时间序列栅格数据和步骤3所述插值计算得到与植被覆盖度同样精度的研究区年降雨量时间序列栅格数据，通过Pearson相关性检验得到不同显著水平的植被覆盖度与降雨的相关性栅格数据；所述区域植被覆盖度持续增长的栅格数据、植被覆盖度显著突变年份栅格数据、步骤6获得的具有时间稳定性的区域、步骤7获得的不同显著水平的植被覆盖度与降雨的相关性栅格数据即为区域植被恢复综合评价指标。2.根据权利要求1所述的一种区域植被恢复的特征分析方法，其特征在于，步骤1中年NDVI遥感数据均采用最大值合成法得到，操作步骤如下：通过ArcGIS软件SpatialAnalystTools模块Local工具CellStatistics按照最大值合成法逐步得到月、季节NDVI时间序列栅格数据，最终得到年NDVI时间序列栅格数据，再通过ArcGIS软件SpatialAnalystTools模块MapAlgebra工具RasterCalculator将年NDVI时间序列栅格数据转换为植被覆盖度时间序列栅格数据。3.根据权利要求1所述的一种区域植被恢复的特征分析方法，其特征在于，步骤2所述年植被覆盖度数据均由NDVI数据采用以下公式计算得到：f＝NDVI-NDVIminNDVImax-NDVImin其中，f为植被覆盖度，NDVI是像素的植被指数，NDVImax和NDVIMin分别是研究区NDVI的最大值和最小值。4.根据权利要求1所述的一种区域植被恢复的特征分析方法，其特征在于，步骤4的Mann-Kendall趋势检验的计算方法为：Mann-Kendall检验法通过用数据序列的秩来判别变量间的相关程度，Mann-Kendall检验统计量S采用下式计算：其中xj和xk分别是年份为j和k对应的样本值，njk，其中在时间序列随机独立的假定下，定义统计量：式中，VARS可由下式计算使用Z值进行趋势性检验，Z的正值表示向上趋势、负值表示向下趋势；统计量Z服从标准正态分布。5.根据权利要求1所述的一种区域植被恢复的特征分析方法，其特征在于，步骤4的Hurst指数的计算方法为：Hurst指数可以有效地预测时间序列的未来趋势，定义时间序列，t＝1，2，…，n，并计算时间序列的平均值，计算时间t的累积偏差，计算序列的范围，建立标准偏差序列，最后计算Hurst指数，其中，H代表Hurst指数，H的值在[0，1]的范围内；当H＝0.5时，表明植被覆盖的时间序列是随机序列，是不可持续的；当H0.5时，植被覆盖度的变化与目前的趋势基本一致，表明植被的可持续性是正的；H0.5表示负可持续性，未来植被覆盖变化将与当前趋势相反。6.根据权利要求1所述的一种区域植被恢复的特征分析方法，其特征在于，步骤5的Pettitt突变点检验的计算方法为：Pettitt法采用Mann-Whitney中Ut,n值检验同一总体中两个样本X1,…,Xt和Xt+1,…,Xn，统计量Ut,n的公式为：其中：Pettitt检验的零假设为没有变化点，当|Ut,n|取最大值时对应的xt被认为是可能的突变点,其显著性水平可由下式计算：当p≤0.05时认为数据中存在均值变异点。7.根据权利要求1所述的一种区域植被恢复的特征分析方法，其特征在于，步骤6的利用平均相对偏差法快速识别研究区域的具有时间稳定性的区域计算方法为：对于相对偏差法，相对差分δij是基于栅格点i，i＝1,...,n；n为栅格数目，在时间j的植被覆盖度值ECij与时间j的所有栅格点植被覆盖度值的均值的差：相对差分在时间上的均值MRD，用表示；平均相对差分和标准差SDRD，用表示，和的计算公式分别为：和式中：m为植被覆盖度的年份，所有样点按照MRD，即由小到大的顺序排列起来，并标注出每一个样点的SDRD，即小的值表示位置点有时间稳定性，大的值表示位置点存在强的时间变异性；如果一个样点的接近于零并且也比较小，那么这个点就是代表性位置点；位置点值在±0.05范围内可以被认为是接近于0；值越小，时间稳定性越好。

百度查询： 西安理工大学 一种区域植被恢复的特征分析方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD