导读:本文包含了生物量空间分布论文开题报告文献综述、选题提纲参考文献及外文文献翻译,主要关键词:生物量,空间,遥感,主根,柳杉,庐山,混交林。
生物量空间分布论文文献综述
杨顺尧,刘苑秋,郭圣茂,高茜茜,郭锦荣[1](2019)在《毛竹扩张对庐山日本柳杉细根生物量空间分布的影响》一文中研究指出在江西省庐山自然保护区毛竹向日本柳杉林扩张的典型过渡地带上设置日本柳杉纯林、毛竹×日本柳杉混交林、伐除毛竹×日本柳杉混交林3种样地,用根钻法采集样地毛竹、日本柳杉根系,比较其直径≤2.0 mm的细根生物量及其垂直分布特征。结果表明,0~30 cm活细根总生物量以日本柳杉×毛竹混交林相对最高,为600.67 g/m~2,日本柳杉纯林相对最低,为252.78 g/m~2,伐除毛竹×日本柳杉混交林居中,为572.04 g/m~2;毛竹向日本柳杉林扩张过程中,林分内活细根生物量有明显增加,并在竞争过程中毛竹细根趋向于0~10 cm上层土壤;与日本柳杉纯林相比,毛竹×日本柳杉混交林中日本柳杉活细根生物量在0~10 cm土层所占比例减少。(本文来源于《江苏农业科学》期刊2019年14期)
崔素萍[2](2019)在《基于地统计方法的山西省森林木本层生物量及碳密度空间分布格局研究》一文中研究指出笔者利用经典统计和地统计分析方法,研究了山西省森林木本层生物量和碳密度的变异性及空间分布格局。结果表明,山西省森林乔木层和灌木层生物量平均值分别为60. 26 t/hm2和3. 22 t/hm2,木本层的碳密度平均值为31. 42 t/hm2.灌木层生物量为强变异,乔木层生物量、木本层地上生物量和碳密度均为中等变异水平。乔木层生物量、灌木层生物量、地上生物量的最优半变异函数模型均为指数模型,碳密度为圆形模型;普通克里格差值的空间预测模型拟合效果较好。(本文来源于《山西林业科技》期刊2019年02期)
Lamin,Rahman,Mansaray[3](2019)在《协同光学与SAR遥感数据的水稻空间分布、生物量和叶面积指数制图研究》一文中研究指出Both optical and microwave satellite data have been employed in rice monitoring.Optical images are however prone to cloud contamination especially in the tropics and subtropics.Microwave images on the other hand are less affected by clouds and have become complementary to optical images in rice monitoring.Hence the synergistic use of optical and microwave images in rice monitoring has recorded better results as against their independent use.However,substantial challenges exist in the conjugative use of these datasets in rice monitoring by virtue of their varying spatial and temporal resolutions,and the different temporal profiles of these datasets with rice crop growth.Against this backdrop,this thesis investigated the most optimal dataset(among optical and microwave satellite data)and model(among key statistical and machine learning models)combinations at specific growth periods(scenarios)of rice.For the first time,this study explored the combined use of quad-source optical satellite data(Sentinel-2A,Landsat-8 OLI,HJ-1 and GF-1)with the new Sentinel-1 A microwave satellite data in mapping rice field distribution,dry biomass and green leaf area index(LAI),at two growing seasons(2016 and 2017),at an area located in southeast China.Using random forest(RF)and support vector machine(SVM)for mapping rice field distribution,and statistical(linear,quadratic,logarithmic,power and exponential)models and machine learning[RF,SVM,k-nearest neighbor(k-NN)and gradient boosting decision tree(GBDT)]regression models for mapping rice biomass and LAI,this thesis answered the vital research questions of which algorithm(SVM and RF for paddy rice fields),growth period(for rice biomass and LAI),and dataset among the vertical transmitted and vertical received(VV)and vertical transmitted and horizontal received(VH)channels of Sentinel-1A,and the enhanced vegetation index(EVI)and modified normalized difference water index(MNDWI)from optical satellite imagery,most adequately meet the requirements of precision and operational rice monitoring.In mapping rice fields,EVI and MNDWI were combined to form a spectral index(SI)dataset,resulting in seven satellite datasets as follows;SI,VH,VV,VHVV,VHSI,VVSI and VHVVSI.The VHVVSI with RF combination produced the highest overall map accuracies of 98.43%in 2016 and 96.73%in 2017,and is therefore considered optimal for rice field mapping.However,VHVV with RF recording accuracies of 96.8%(2016)and 94.5%(2017)is regarded optimal for operational rice mapping initiatives.In dry biomass estimation,VHVV with RF is optimal at all stages,with an R2 of 0.73 and an RMSE of 462.4 g/11m2.EVI before heading recorded the most accurate biomass estimates with GBDT,with an R2 of 0.82 and an RMSE of 191.8 g/m2.After heading,there is a substantial drop in the performance of EVI,recording an R2 of 0.49 and an RMSE of 364.7 g/m2 with the quadratic model,indicating that optical imagery can produce more accurate biomass estimates in the first half of the growing season.The poor performance of EVI after heading is attributed to the greater attenuation by leaves and ears.Therefore,to improve on biomass estimates,elongation to milking and elongation to maturity periods were investigated for the synergistic use of optical and microwave imagery.In this regard,improved biomass estimates were obtained at flowering and milking with an R2 of 0.84 and an RMSE of 251.2 g/m2 based on kNN with VHEVI.Beyond milking,the most accurate estimates with the combined optical and microwave data were obtained by VHVVEVI with RF,recording an R2 of 0.70 and an RMSE of 382.2 g/m2.It is therefore obvious that the combined use of optical and microwave imagery produced rice biomass estimates that are more accurate than corresponding estimates generated by the sole use of microwave images(VHVV with RF in the all stages scenario).With EVI capable of producing more accurate estimates before heading,its deficiency after heading can be ameliorated with the combined use of optical and microwave datasets.However,despite the improved biomass estimates obtained with the division of the growth period,their resultant biomass dynamic maps were very consistent with those obtained by VHVV with RF at the all stages scenario.Thus,for operational paddy rice monitoring initiatives,the sole use of Sentinel-1A VHVV data can be sufficient for the estimation and dynamic mapping of rice biomass.In the estimation of green LAI,VHVV also proved most optimal at the all stages,recording the most accurate estimates with GBDT with an R2 of 0.82 and an RMSE of 0.68 m2/m2.Similar to biomass,EVI also performed best before heading,recording its most accurate estimates with GBDT with an R2 of 0.82 and an RMSE of 0.82 m2/m2,as against its estimates after heading with the power model,having an R2 of 0.52 and an RMSE of 1.03 m2/m2.This suggests that as opposed to biomass,VHVV can yield more accurate rice LAI estimates than EVI.The reverse being the case with biomass suggests that green LAI could be more sensitive to image quality than dry biomass.It is important to note that the optical images used in this study are not 100%cloud-free.Remnant atmospheric effects may have compromised the ability of optical imagery to outperform its microwave counterpart.Even LAI estimates from the combined use of optical and microwave satellite data from elongation to milking where VHEVI with GBDT recorded an R2 of 0.84 and an RMSE of 0.71 m2/m2,and from elongation to maturity where VVEVI with RF recorded an R2 of 0.69 and an RMSE of 0.77 m2/m2,LAI estimates generated by VHVV with GBDT at the all stages were still of superior accuracy.Dynamic LAI maps generated at the all stages scenario by the VHVV with GBDT model were consistent with the seasonal trends of LAI,and this has further demonstrated that in cloudy areas,microwave data can be used in lieu of optical data.This thesis concludes that in mapping rice fields,the combined use of multisource optical and Sentinel-1 A data only brought slight improvements in accuracy over the sole use of the VHVV dataset of the latter.Additionally,despite the improved biomass estimates with combinations of multisource optical and Sentinel-1 A imagery,dynamic biomass maps obtained by VHVV were consistent with in-situ data.Moreover,LAI estimates by VHVV are not only consistent with in-situ data but also superior to those of the combined datasets.Based on these results,the sole use of the VHVV dataset of Sentinel-IA cannot only meet the data requirements of precision agriculture,but also being obtained from a single satellite sensor which avoids the huge amount of time required in processing multisource satellite data,makes it optimal for an operational scenario where timely data acquisition is imperative.Given this potential of VHVV,its use should therefore be extended to the retrieval of other biophysical parameters such as height,phenology and yield for complete crop information.This is especially important in cloudy areas where the use of optical satellite imagery is highly limited.(本文来源于《浙江大学》期刊2019-03-01)
赵英铭,雷渊才,杨文斌,郝玉光,黄雅茹[4](2018)在《农田防护林带主根生物量空间分布》一文中研究指出绿洲农田防护林作为叁北防护林的重要组成部分发挥着重要的固碳作用,其生物量直接决定碳储量的大小,尤其根生物量,而主根生物量是根生物量的主体部分,故探明干旱区绿洲农田防护林带主根生物量空间分布结构和规律,为干旱区乃至叁北防护林修复过程根生物量的计算提供重要的指导价值。在内蒙古自治区乌兰布和沙漠磴口绿洲选择20 a、2行结构新疆杨农田防护林带,按径级、固定样方尺寸和深度测量不同土层主根生物量,利用SPSS 18.0统计软件建立生长模型,模拟主根生物量变化过程。通过调查分析得出新疆杨11个不同土层主根生物量及分配比例模型;发现0~0.5 m和0.5~1.0 m土层囊括了87.11%~100%的主根生物量,且主根生物量分配比例在生长过程中基本恒定;0~1.5 m土层主根生物量随胸径增长而增长,唯1.5~2.0 m土层有先增长后下降的趋势;1.0~1.5 m和1.5~2.0 m土层在林带平均胸径长到0.228 5 m和0.363 0 m时有主根生物量分布,按胸径年增0.02 m计算,到11~18 a时新疆杨的垂直根系才能向下生长到1.0~2.0 m土层。新疆杨农田防护林主根生物量空间分布结构及规律:主根生物量主要集中分布在0~1.5 m土层内,占主根97%以上的生物量;胸径达一定值时,1.5~2.0 m有主根分布;主根生物量空间分布呈近地表集中分布趋势。主根生物量近地表集中分布形成原因是:沙漠季风气候、土壤干旱和地下水位低造成植物生境干旱,植物根系生长向水性使其向水资源富集于地表灌溉水系和灌溉农田生长,是植物对干旱气候土壤和农业灌溉环境的一种适应性进化。(本文来源于《中国农业科技导报》期刊2018年09期)
李路,常亚鹏,许仲林[5](2018)在《乌鲁木齐南山森林生物量和碳储量空间分布特征》一文中研究指出乌鲁木齐南山分布有大面积的雪岭云杉林,探究其生物量和碳储量的空间分布特征,能够为该地区碳储量的研究和森林生态系统管理提供依据。以2015年4—5月的Landsat TM遥感影像为主要数据源,结合样地实测数据,基于遥感统计模型法,利用逐步回归法建立模型估算了乌鲁木齐南山雪岭云杉林的生物量。以此为基础,分析了生物量的空间分布规律和碳储量的空间分布格局。结果表明:生物量模型估算值与实测值的平均相对误差为12.72%,精度较高。雪岭云杉林的平均生物量为91.21t/hm,生物量总量为8.2×10~6 t,山区生物量密度的分布总体呈现西南高、东北低的趋势。森林生态系统碳储量为4.1×106 t,平均碳密度为45.61t/hm,山区及其周边的森林碳密度分布不均衡。研究表明,乌鲁木齐南山生物量密度分布不均可能和人类活动有关,且碳储量主要集中在中高密度等级。(本文来源于《水土保持研究》期刊2018年05期)
马丽,徐满厚,周华坤,贾燕燕,王孝贤[6](2018)在《山西亚高山草甸植被生物量的地理空间分布》一文中研究指出以山西省境内分布的典型亚高山草甸为对象,采用收获法获取植被生物量数据,结合经度、纬度和海拔3个地理因子,分析总生物量(TB)、地上生物量(AGB)、地下生物量(BGB)及根冠比(R/S)沿不同地理梯度的变化规律,从群落水平上探究山西亚高山草甸植被生物量的地理空间分布特征。结果表明:(1)TB、AGB、BGB在地域上表现较大变异。AGB变异最大,在32.50~756.00 g·m-2;BGB次之,变化范围为140.50~1586.50 g·m-2;TB波动最小,在248.25~2342.50 g·m-2。(2)TB随海拔升高显着减小(P<0.05),随经度增加缓慢增大(P>0.05),随纬度增加略微减小(P>0.05),在1700~1800 m、113.4°E—113.85°E、35°N—35.5°N处最大(平均为896 g·m-2)。(3)AGB随纬度增加、海拔升高显着减小(P<0.001),随经度增加逐渐增大(P<0.05),在1700~1800 m、112.05°E—112.5°E、35°N—35.5°N处最大(平均为366.06 g·m-2)。(4)BGB随纬度增加呈"降低-升高-降低"的变化趋势,整体略有增大(P>0.05),随经度增加也略有增大(P>0.05),而随海拔升高显着增大(P<0.05),在3000~3100 m、113.4°E—113.85°E、35°N—35.5°N处最大(平均为745.63 g·m-2)。(5)R/S随纬度增加、海拔升高显着增大(P<0.05),随经度增加略有增大(P>0.05);与纬度、海拔呈显着的幂指数函数关系(P<0.05),且表现为等速增长(幂指数平均为1.025)。RDA分析结果表明,在一定范围内,对亚高山草甸植被不同生物量特征影响较大的为纬度和海拔因子,最小影响因子是经度,地上生物量与经纬度和海拔均呈显着的负相关,生物量更多地分配到地下部分。(本文来源于《生态学杂志》期刊2018年08期)
林秀华[7](2018)在《杉木大径材林分不同胸径单株根生物量垂直空间分布特征》一文中研究指出以32年生杉木大径材林分为研究对象,分析20cm、25cm、30cm 3个不同胸径杉木单株不同径级根生物量及其垂直空间分布特征。结果表明,随着杉木胸径的增长,杉木单株根系总生物量呈逐渐增大的趋势;杉木粗根总生物量表现为胸径30cm>25cm>20cm,杉木大根总生物量表现为胸径20cm>30cm>25cm,杉木中根总生物量表现为胸径25cm>20cm>30cm,小根及细根总生物量均表现为30cm>20cm>25cm;随着土层深度增加,杉木粗根、大根总体上表现为随着杉木胸径的增大其根生物量也呈逐渐增加的趋势,杉木中根在深层土层表现为随着杉木胸径增大其生物量呈现先上升后降低的趋势,杉木小根及细根总体表现为随着胸径增大其生物量呈先降低后上升的趋势。(本文来源于《安徽农学通报》期刊2018年12期)
沈文娟[8](2018)在《联合主被动遥感数据估算森林生物量空间分布及其与陆表温度的关系》一文中研究指出森林生长和造林是增加陆地生态系统碳汇的主要方式。造林项目的实施增加了森林碳汇,同时也改变了区域的能量收支,使得造林对于区域气候具有反馈作用。中国的人工林分布面积排世界第一。理解造林所带来的森林生物量变化和生物物理效应有助于合理地制定造林计划和可持续地利用森林资源,并进而评价中国的人工林碳储量动态。当前,森林生物量的评估主要使用传统的野外实测法,或基于单一遥感数据源(低、中、高分辨率)的短周期反演方法。此外,结合物理模型或者生物化学模型的方法通常由于模型复杂而不适于大范围推广,因而缺乏一种节省人力与成本且可实现长时间跨区域监测森林地上生物量的评估方法。另外,造林(人工林)的分布关乎碳核算,并与森林生物量保持着密切的关系。造林的空间分布通常来自于国家林业局的森林资源调查报告,或者基于粗分辨率、短周期的遥感数据产品,数据可获取性或者时效性需要考证。如何发展适于区域研究的连续数据关系到森林生物量与碳储量评估的合理性,以及造林对气候变化机制(地表温度)的合理响应。本文首先在广东省粤北区域进行了基于光学和合成孔径雷达以及连续清查数据预测森林地上生物量的研究,然后在该方法的基础上进一步改善,构建了光学、合成孔径雷达和星载激光雷达多源数据融合的广东省森林地上生物量的研究方法,并将两者进行了对比分析;最后构建了造林与森林地上生物量的关联关系,以及人工林(造林和再造林)的陆表生物物理效应(如反照率和蒸散发)及其对陆表温度的影响。主要的内容和结论如下:首先,发展了一种结合光学和合成孔径雷达(SAR)数据估算粤北森林地上生物量(AGB)的方法(光学-SAR模型),并分析森林地上生物量与森林干扰的关联关系。基于国家森林资源连续清查(NFI)数据和陆地资源卫星Landsat影像以及L-波段合成孔径雷达影像(PALSAR),构建结合光谱变量或辅助数据的随机森林模型(光学-SAR),量化粤北区域森林地上生物量(AGB)(1990~2011年)。结果表明基于样地验证所得的森林生物量均方根误差RMSE值在6.44(t/ha)至39.49(t/ha)之间,标准均方根误差NRMSE值在7.49%和19.01%之间,平均绝对误差MAE值在5.06(t/ha)和23.84(t/ha)之间,其中,2006年有最高的可决系数R~2(0.8)和最低的NRMSE(7.49%)。自1988年~2000年,平均AGB值由最低13.58 t/ha上升到最高66.25 t/ha,而2000年之后呈现波动上升的趋势,并于2004年达到最高值67.13 t/ha。通过整合AGB变化与森林干扰动态的结果表明干扰的面积变化与森林地上生物量下降的趋势吻合。利用相关性分析和因子分析法发现在短期的森林AGB动态变化中,人类活动带来的影响大于气候变动的影响。再结合当地的石漠化和全球气候变暖的场景,发现引起森林AGB变化最主要的干扰是采伐和人为火灾。然后,在光学-SAR模型理念的基础上,结合星载激光雷达GLAS数据,构建随机森林(RF)和随机梯度上升(SGB)模型,并选取最优模型用于生成广东省的森林地上生物量分布图(1986~2016)。结果表明基于RF的GLAS波形预测森林AGB的模型(R~2_(adj)=0.89,n=277,p<0.001,RMSE=21.24 t/ha),以及基于RF的GLAS波形外推构建的森林AGB模型(R~2_(adj)=0.86,n=558,p<0.001,RMSE=11.35 t/ha),经验证发现模型结果受饱和以及模型不确定性的影响,从总体上能够有效地搭建森林AGB预测的框架(RF-GLAS),生成合理的森林AGB分布图。此外,RF-GLAS模型的精度优于光学-SAR模型。另外,广东省的森林地上生物量从1986至2016年呈上升趋势,上升率达到55.9%。中亚热带和南亚热带分布区域的总森林地上生物量也呈上升趋势,分别占总量的42%~62%和38%~57%,而热带森林的生物量呈下降趋势,特别是2010年以后。就广东省四个经济区的总森林生物量而言,分别呈上升趋势,其中山区有最高的森林AGB分布,约占总量的58%~70%,紧接着依次是珠江叁角洲区域(20%~30%)、粤西区域(3%~9%)和粤东区域(2%~7%)。模型中引入了物候变量和气候变量,对于准确地监测森林AGB的年际、季节和时空分布动态具有深远意义。通过将RF-GLAS模型与光学-SAR模型结果以及连续清查数据相比,结果发现本文模拟的结果呈现偏高的趋势,这主要是因为遥感方法和连续清查方法中关于森林定义的不同所致。最后,结合具备不同光谱和纹理特征的PALSAR数据,以及基于Landsat的物候数据进行森林与非森林的精确识别,得到造林分布,并理解造林的碳汇效应和对气候的生物物理效应。首先,采取不同机器学习算法(支持向量机、随机森林、决策树、随机梯度上升)并结合PALSAR镶嵌数据进行森林与非森林的初步识别,发现随机梯度上升SGB分类模型所得的结果是四种方法中最为有效的。其次,结合基于Landsat的物候变量,即归一化植被指数NDVI年度最大合成值进行森林与非森林的进一步识别,得到基于随机梯度上升算法和NDVI干季最大值的分类模型(SGB-NDVI)。然后,为了便于描述人工林(造林和再造林)的陆表生物物理变化机制及其对于陆表温度影响。先识别广东省的人工林、天然林、农田和草地不同土地覆盖类型,再选取便于识别人工林与天然林、农田和草地差异的格网点,结合MODIS每8天的陆表数据--白天和夜晚陆表温度、蒸散以及黑空反照率数据,刻画了人工林对于陆表温度的反馈作用。分别对2007年、2010年、2016年的森林非森林结果图像进行验证,得到的总体精度最高达85%左右,Kappa系数最高达0.58。通过野外调查数据和对比已有数据产品的验证发现总体精度优于日本的PALSAR/FNF(森林非森林)产品,与全球30 m土地覆盖产品和基于植被变化追踪模型(VCT)的产品在小区域进行验证,结果精度保持持平或略微逊色。尽管存在一些分类误差,SGB-NDVI分类模型仍能够有效地识别造林和再造林分布。造林变化的趋势与森林AGB变化的趋势密切相符。1991~1995年间造林面积和AGB有最高值,2006~2010年间造林面积和AGB有最低值。粤北地区每五年间隔的造林与森林AGB趋势表示p122r043覆盖的区域1991~1995和2001~2005年间的造林与森林AGB达到峰值,1996~2000和2006~2010年呈现低值。而p121r043覆盖区域在2006~2010年间达到低值,在1991~1995年达到峰值,然后呈现一定的波动下降。这些变动均与营林举措与城市化的变化紧密关联。另外,遥感意义上的造林年龄与森林AGB呈现明显的线性关系。此外,造林对气候的效应表明降水丰富的广东省人工林带来陆表温度的降温,其中白天和夜晚的温度都存在降温效应,且夏季的降温尤为明显。本文的研究方法为亚热带和热带区域森林地上生物量变化监测提供了基础,能够帮助决策者以及遥感研究者们理解森林干扰与气候变化影响下亚热带、热带造林毁林的森林碳储量情况,为综合多源数据的大区域生物量制图探索开辟了新方向。人工林造林对于广东省的气候具有正向反馈作用,为中国南方及其他区域未来合理的造林计划提供了时空意义明确的指示作用,也有助于为维持全球气候的平衡提供科学借鉴。(本文来源于《南京林业大学》期刊2018-06-01)
李尚益,方晰,陈金磊,李雷达,辜翔[9](2018)在《人为干扰对中亚热带森林生物量及其空间分布格局的影响》一文中研究指出为揭示不同程度的人为干扰对中亚热带森林生物量及其空间分布格局的影响机制,在湘中丘陵区4种处于不同程度的人为干扰、地域相邻的植物群落:檵木-南烛-满山红灌草丛(LVR)、檵木-杉木-白栎灌木林(LCQ)、马尾松-石栎-檵木针阔混交林(PLL)、石栎-红淡比-青冈常绿阔叶林(LAG)设置固定样地,结合植物群落调查,采用收获法和建立主要树种各器官生物量相对生长方程,测定和估算群落生物量。结果表明:(1)随着人为干扰程度减弱,群落总生物量呈显着的指数函数增长(P<0.05),地上部分、地下部分生物量表现为异速生长,LAG与PLL乔木层生物量差异不显着(P>0.05),4个群落灌木层生物量及其各器官、地上部分、地下部分生物量均呈先增加后下降的变化特征,草本层生物量及其地上部分、地下部分生物量先下降再增高,凋落物层现存量总体上呈增加趋势;(2)不同程度的人为干扰,群落生物量的空间分布格局不同,LVR群落灌木层、草本层生物量相当,LCQ群落灌木层生物量占明显优势,草本层生物量下降,PLL和LAG群落乔木层生物量占绝对优势,灌木层、草本层和凋落物层生物量占群落总生物量低于10%;(3)群落总生物量与树种多样性指数呈显着的正相关(P<0.05),与土壤有机碳、全氮、水解氮、有效磷含量呈显着的正相关(P<0.05),表明不同程度的人为干扰造成群落树种多样性、土壤养分含量的变化,是导致群落生物量变化的主要因素。(本文来源于《生态学报》期刊2018年17期)
陆琳莹[10](2018)在《浙江滨海湿地互花米草生物量空间分布及其影响因素研究》一文中研究指出互花米草(Spartina alterniflora Lois.)是我国滨海湿地入侵物种,它具有繁殖扩散能力强、种间竞争能力强、分布面积广的特点。它在一定程度上抑制了红树林(Mangrove)、翅碱蓬(Suaeda salsa(Linn.)Pall.)及芦苇(Phragmites australis(Cav.)Trin.ex Steud.)等本地优势物种的生存,但同时它又具有很高的生物质能,也为甲壳等底栖动物提供了适宜的生存与繁殖环境,因此互花米草对滨海湿地生物多样性以及生态系统稳定性有很大影响。1983年,互花米草首次被引入浙江省玉环县桐丽五门滩涂,之后其迅速繁衍扩张,如今在整个浙江东部沿海滩涂均有分布。因此,对浙江省滨海湿地互花米草生物量进行估算并对影响其空间分布的因素进行研究,对湿地生物多样性保护和湿地生态恢复研究有重要的指导意义。本研究以浙江省东部沿海滩涂互花米草湿地为研究区,以2016年7月的Landsat8 OLI遥感影像中提取的波段、植被指数信息以及同期野外实测的37个互花米草样方的地上、地下生物量干重数据为数据源,比较分析了基于不同遥感信息所建立的单变量线性、非线性回归模型及多元线性逐步回归模型,得到浙江省滨海湿地互花米草地上生物量最优估算模型与地下生物量最优估算模型,并进行互花米草生物量反演及其空间分布格局分析,并通过对互花米草的生长性状与土壤因子的分析探究土壤因子对互花米草生长与分布的影响,主要研究结论如下:(1)遥感信息Band4、Band7、NDVI、SAVI、EVI、RVI与互花米草地上生物量显着相关(P<0.05),其中归一化植被指数NDVI的叁次多项式模型估算精度为87.99%,是互花米草地上生物量最优估算模型;互花米草地下生物量与地上生物量之间显着相关(P<0.05),地下生物量的最优估算模型是基于地上生物量的一元线性回归模型,估算精度为92.6%。(2)利用基于光谱信息的决策树分类法提取浙江省滨海湿地互花米草信息,分类总体精度为96.2%,总体Kappa系数为92.04;发现2016年浙江省互花米草总面积为1.56×107m~2,其主要分布区面积从大到小排序依次为杭州湾>叁门湾>浦坝港>飞云江口与鳌江口>象山港>象山县东陈乡>乐清湾,互花米草分布面积依次为1.05×107m~2、1.33×106m~2、1.3×106m~2、8.29×105m~2、7.81×105m~2、5.4×105m~2、3.32×105m~2。(3)对浙江省滨海湿地互花米草进行生物量估算,得到其总生物量为8.505×1010g,地上生物量总量为5.837×1010g,占总生物量的68.6%;互花米草地下生物量总量为2.668×1010g,占总生物量的31.4%。各地区互花米草总生物量由大到小排序为杭州湾>叁门湾>浦坝港>象山港>飞云江口与鳌江口>象山县东陈乡>乐清湾,生物总量依次为5.85×1010g、7.06×109g、6.5×109g、4.53×109g、4.09×109g、2.9×109g、1.7×109g。各地区互花米草平均生物量由大到小排序为杭州湾>象山港>浦坝港>象山县东陈乡>叁门湾>乐清湾>浦坝港>飞云江口与鳌江口,平均生物量依次为5571g/m~2、5504g/m~2、5376g/m~2、5326g/m~2、5116g/m~2、5011g/m~2、4937g/m~2。(4)对土壤因子与互花米草的各生长性状指标进行分析,得到影响浙江滨海湿地互花米草的生长及其生物量分布最主要的土壤因子是土壤水溶性盐分、全氮、有效磷及p H,土壤环境对互花米草生长有很大影响,土壤盐分浓度、养分含量在一定范围内促进互花米草生长,而高盐高养分则会抑制其生长发育。(本文来源于《中国林业科学研究院》期刊2018-04-01)
生物量空间分布论文开题报告
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
笔者利用经典统计和地统计分析方法,研究了山西省森林木本层生物量和碳密度的变异性及空间分布格局。结果表明,山西省森林乔木层和灌木层生物量平均值分别为60. 26 t/hm2和3. 22 t/hm2,木本层的碳密度平均值为31. 42 t/hm2.灌木层生物量为强变异,乔木层生物量、木本层地上生物量和碳密度均为中等变异水平。乔木层生物量、灌木层生物量、地上生物量的最优半变异函数模型均为指数模型,碳密度为圆形模型;普通克里格差值的空间预测模型拟合效果较好。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
生物量空间分布论文参考文献
[1].杨顺尧,刘苑秋,郭圣茂,高茜茜,郭锦荣.毛竹扩张对庐山日本柳杉细根生物量空间分布的影响[J].江苏农业科学.2019
[2].崔素萍.基于地统计方法的山西省森林木本层生物量及碳密度空间分布格局研究[J].山西林业科技.2019
[3].Lamin,Rahman,Mansaray.协同光学与SAR遥感数据的水稻空间分布、生物量和叶面积指数制图研究[D].浙江大学.2019
[4].赵英铭,雷渊才,杨文斌,郝玉光,黄雅茹.农田防护林带主根生物量空间分布[J].中国农业科技导报.2018
[5].李路,常亚鹏,许仲林.乌鲁木齐南山森林生物量和碳储量空间分布特征[J].水土保持研究.2018
[6].马丽,徐满厚,周华坤,贾燕燕,王孝贤.山西亚高山草甸植被生物量的地理空间分布[J].生态学杂志.2018
[7].林秀华.杉木大径材林分不同胸径单株根生物量垂直空间分布特征[J].安徽农学通报.2018
[8].沈文娟.联合主被动遥感数据估算森林生物量空间分布及其与陆表温度的关系[D].南京林业大学.2018
[9].李尚益,方晰,陈金磊,李雷达,辜翔.人为干扰对中亚热带森林生物量及其空间分布格局的影响[J].生态学报.2018
[10].陆琳莹.浙江滨海湿地互花米草生物量空间分布及其影响因素研究[D].中国林业科学研究院.2018
论文知识图
![所图](http://image.cnki.net/GetImage.ashx?id=1013025748.nh0037&suffix=.jpg)
![大型底栖动物不同类群的平均生物量和...](http://image.cnki.net/GetImage.ashx?id=1013300032.nh0025&suffix=.jpg)
![大型底栖动物丰度和生物量的空间分布](http://image.cnki.net/GetImage.ashx?id=1013300032.nh0026&suffix=.jpg)
![辽东湾大型底栖动物生物量空间分布](/uploads/article/2020/01/03/2f05647a6d1402f8246fcea7.jpg)
![莱州湾底层渔业生物生物量空间分布](http://image.cnki.net/GetImage.ashx?id=ZSCK2013010160005&suffix=.jpg)
![反演生物量空间分布图](http://image.cnki.net/GetImage.ashx?id=STXB2013020270005&suffix=.jpg)