一种植被功能型数据集构建方法、装置、电子设备和介质
文献发布时间:2023-06-19 19:35:22
技术领域
本发明涉及地球系统模拟和土地遥感监测技术领域,具体涉及一种植被功能型数据集构建方法、装置、电子设备和计算机可读存储介质。
背景技术
植被功能型(plant functional types,PFT)是指有相同关键功能性状而对特定环境因子有相似生理反应机理并对生态系统主要过程有相似影响的不同植被种类的组合。构建植被功能型数据集可以被认为是地球系统模式中使用的一种分类方式,目的是将地表划分为不同类别并设定相关的一系列参数。植被功能型数据集主要用于地球系统模拟研究中,其在生物地理模型、生物地球化学模型、陆面过程模型和全球动态植被模型中被广泛应用。然而,当前植被功能型数据集时空分辨率一般为单年5~10km,存在时空精度低、时间跨度短的问题,对长时序高精度的地球系统模拟研究造成极大限制。
发明内容
有鉴于此,本发明实施例提供了一种植被功能型数据集构建方法、装置、电子设备和介质,以解决当前植被功能型数据集时空精度低、时间跨度短的问题。
根据第一方面,本发明实施例提供了一种植被功能型数据集构建方法,包括:基于时空精度均大于预定精度的历史土地覆盖制图产品、当前土地覆盖制图产品和未来土地覆盖模拟产品,生成初始土地覆盖产品数据集;基于预先获取的多源参考数据集,对所述初始土地覆盖产品数据集中的土地覆盖数据执行植被功能型转换处理,获得植被功能型数据集。
结合第一方面,在第一方面第一实施方式中,所述基于时空精度均大于预定精度的历史土地覆盖制图产品、当前土地覆盖制图产品和未来土地覆盖模拟产品,生成初始土地覆盖产品数据集的步骤,包括:分别基于所述历史土地覆盖制图产品、所述当前土地覆盖制图产品和所述未来土地覆盖模拟产品,获取相应的源历史土地覆盖数据集、当前土地覆盖数据集和源未来土地覆盖模拟数据集;基于第一功能表对所述源历史土地覆盖数据集执行土地覆盖类型转换处理,生成目标历史数据集;所述第一功能表包括所述历史土地覆盖制图产品的土地覆盖类型与所述当前土地覆盖制图产品的土地覆盖类型之间的转换关系;基于第二功能表对所述源未来土地覆盖模拟数据集执行土地覆盖类型转换处理,生成目标未来模拟数据集;所述第二功能表包括所述未来土地覆盖模拟产品的土地覆盖类型与所述当前土地覆盖制图产品的土地覆盖类型之间的转换关系;基于所述目标历史数据集、当前土地覆盖数据集和所述目标未来模拟数据集生成所述初始土地覆盖产品数据集。
结合第一方面第一实施方式,在第一方面第三实施方式中,在所述获取相应的源历史土地覆盖数据集、当前土地覆盖数据集和源未来土地覆盖模拟数据集之前,还包括:从所述历史土地覆盖制图产品、所述当前土地覆盖制图产品和所述未来土地覆盖模拟产品中分别提取相应的第一分类体系信息、第二分类体系信息和第三分类体系信息;基于所述第一分类体系信息和所述第二分类体系信息生成所述第一功能表;基于所述第二分类体系信息和所述第三分类体系信息生成所述第二功能表。
结合第一方面第二实施方式,在第一方面第四实施方式中,所述基于预先获取的多源参考数据集,对所述初始土地覆盖产品数据集中的土地覆盖数据执行植被功能型转换处理,获得植被功能型数据集的步骤,包括:针对初始土地覆盖产品数据集中每一个子数据集,基于所述子数据集的空间分辨率,对所述多源参考数据集执行相应的尺度变换处理;所述子数据集包括所述目标历史数据集、所述当前土地覆盖数据集和所述目标未来模拟数据集;基于尺度变换处理后的所述多源参考数据集,对相应的所述子数据集中的土地覆盖数据执行植被功能型转换处理,以获得所述植被功能型数据集。
结合第一方面第四实施方式,在第一方面第五实施方式中,所述基于尺度变换处理后的所述多源参考数据集,对所述子数据集中的土地覆盖数据执行植被功能型转换处理的步骤,包括:基于尺度变换处理后的所述多源参考数据集,对所述子数据集中的土地覆盖数据进行植被类型细分,并确定各植被类型的面积比例信息,以实现对所述子数据集中的土地覆盖数据的植被功能型转换处理。
结合第一方面第四实施方式,在第一方面第六实施方式中,所述尺度变换处理包括基于比例聚合法的升尺度处理,或者基于重投影和三次插值算法的降尺度处理。
结合第一方面第五实施方式,在第一方面第七实施方式中,所述多源参考数据集包括但不限于:欧空局全球陆地覆盖数据、全球生态系统分区数据和ISLSCP II C4百分比数据。
根据第二方面,本发明实施例提供了一种植被功能型数据集构建装置,包括:生成单元,用于基于时空精度均大于预定精度的历史土地覆盖制图产品、当前土地覆盖制图产品和未来土地覆盖模拟产品,生成初始土地覆盖产品数据集;转换单元,用于基于预先获取的多源参考数据集,对所述初始土地覆盖产品数据集中的土地覆盖数据执行植被功能型转换处理,获得植被功能型数据集。
根据第三方面,本发明实施例提供了一种计算机设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行第一方面或者第一方面的任意一种实施方式中所述的任一项所述的植被功能型数据集构建方法。
根据第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被服务器执行时实现如第一方面或者第一方面的任意一种实施方式中所述的植被功能型数据集构建方法。
本发明提供一种植被功能型数据集构建方法、装置、电子设备和介质,其中,基于时空精度均大于预定精度的历史土地覆盖制图产品、当前土地覆盖制图产品和未来土地覆盖模拟产品,生成初始土地覆盖产品数据集,然后基于预先获取的多源参考数据集,对初始土地覆盖产品数据集中的土地覆盖数据执行植被功能型转换处理,获得植被功能型数据集,由于生成的初始土地覆盖产品数据集中集成有精度高、时间跨度长的土地覆盖数据,因此,基于该初始土地覆盖产品数据集构建的植被功能型数据集也同样集成了精度高、时间跨度长的植被功能型数据,从而实现高精度、长时序的植被功能型数据集的构建,为长时序高精度的地球系统模拟研究提供了数据基础。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1为本发明实施例提供的一种植被功能型数据集构建方法的流程图。
图2为本发明实施例提供的一种生成初始土地覆盖产品数据集的方法的流程图。
图3为本发明实施例提供的一种第一功能表的示例图。
图4为本发明实施例提供的一种第二功能表的示例图。
图5为本发明实施例提供的另一种生成初始土地覆盖产品数据集的方法的流程图。
图6为本发明实施例提供的一种获得植被功能型数据集的方法的流程图。
图7为本发明实施例提供一种对土地覆盖数据进行植被类型细分的示意图。
图8为本发明实施例提供的一种植被功能型数据集构建装置的结构示意图。
图9为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
地表覆盖是地球系统模式中的一个重要基础变量,其精度对模式性能有极大影响。十九世纪八十年代以来,通过地图编辑生成的粗分辨率(1°和0.5°)全球地表覆盖产品被用于气候模式和碳循环研究。随着地球系统和气候系统模式研究的发展,人们需要更高分辨率、更准确的专题内容和更稳定的全球地表覆盖产品以便更好地理解全球气候和地球系统。然而,地球系统模式中的分类体系主要是植被功能型的分类,和地表覆盖数据属于不同的分类系统。考虑陆面次网格过程的气候系统模式中不仅需要地表覆盖类型,还需要不同类型的覆盖百分比信息,因此地表覆盖数据需要进行数据类型转换及空间尺度的处理才能应用于地球模式系统。基于此需求,植被功能型(plant functional types,PFT)这一概念被提出。
植被功能型是指有相同关键功能性状而对特定环境因子有相似生理反应机理并对生态系统主要过程有相似影响的不同植被种类的组合。构建植被功能型数据集可以被认为是地球系统模式中使用的一种分类方式,目的是将地表划分为不同类别并设定相关的一系列参数。植被功能型数据集主要用于地球系统模拟研究中,其在生物地理模型、生物地球化学模型、陆面过程模型和全球动态植被模型中被广泛应用。然而,当前植被功能型数据集时空分辨率一般为单年5~10km,存在时空精度低、时间跨度短(一般为1990s~2020s)的问题,对长时序高精度的地球系统模拟研究造成极大限制。
为了解决上述难题,本发明实施例提供了一种植被功能型数据集构建方法、装置、电子设备和计算机可读存储介质。
图1为本发明实施例提供的一种植被功能型数据集构建方法的流程图。如图1所示,该植被功能型数据集构建方法包括:步骤S1-步骤S2。
步骤S1、基于时空精度均大于预定精度的历史土地覆盖制图产品、当前土地覆盖制图产品和未来土地覆盖模拟产品,生成初始土地覆盖产品数据集。
其中,时空精度的衡量指标由时间分辨率和空间分辨率共同决定,时间分辨率指的是指在同一区域进行的相邻两次遥感观测的最小时间间隔,空间分辨率是指遥感图像上能够详细区分的最小单元的尺寸或大小。
预定精度是指本实施例中预先设定的时空精度。时空精度大于预定精度是指时间分辨率大于预先设定的时间分辨率以及空间分辨率大于预先设定的空间分辨率。
本实施例在初步选择需要用到的土地覆盖制图产品的过程中,利用预定精度对每一个土地覆盖制图产品的时空精度进行把控,选择时空精度大于预定精度的土地覆盖制图产品,从而使得后续过程中处理得到的植被功能型数据集的时空精度也能够大于预定精度。
预定精度可以根据实际应用需求进行设定。在一些实施例中,可以将预定精度设定为现有的植被功能型数据集所具有的时空精度,从而使得通过本发明构建的植被功能型数据集具有比现有植被功能型数据集更高的时空精度。需要说明的是,由于土地覆盖制图产品发展迅速,其时空精度在不断提高,而植被功能型数据集的构建存在滞后性,因此,现有植被功能型数据集的时空精度一般低于较为先进的土地覆盖制图产品,且缺乏对于历史(如20世纪以前)和未来的植被功能型制图。
土地覆盖制图产品是指基于遥感影像,经过影像融合、几何校正、图像增强与拼接等处理后,用于表示地球表面不同类型物理覆盖的空间信息的数据产品。该土地覆盖制图产品例如全球历史环境数据集(History database of the Global Environment Version3.2,HYDE V3.2)、全球土地覆盖制图产品(Finer Resolution Observation andMonitoring of Global Land Cover,FROM-GLC Plus)、全球10m土地覆盖制图产品(Esri10-Meter Land Cover)、全球地理信息公共产品、全球土地调查 (Global Land Survey ,GLS)、哥白尼全球土地覆盖(Copernicus Global Land Cover,CGLS)等。
历史土地覆盖制图产品是指时间跨度包含第一预定年限之前年限的土地覆盖制图产品,其中,第一预定年限可以根据实际应用情况进行设定。例如,该第一预定年限可以是1980年或者2000年。该历史土地覆盖制图产品例如是HYDE V3.2, HYDE V3.2为荷兰乌得勒支大学构建的跨越公元前10000年(10000BC)到公元2015年的历史土地覆盖数据集。该数据集结合历史人口估计和分配算法,将土地覆盖分为城市、乡村、耕地、牧地等类型。
当前土地覆盖制图产品是指时间跨度包含第一预定年限和第二预定年限之间年限的土地覆盖制图产品,其中,第一预定年限早于第二预定年限。该第二预定年限可以根据实际应用情况制定,例如可以是当前年限,也可以是不早于当前年限三年的年限。以当前年限2023年为例,该第二预定年限可以是2023年,也可以是2020年。该当前土地覆盖制图产品例如是全球土地覆盖制图产品,该全球土地覆盖制图产品是清华大学基于多源遥感数据开发的土地覆盖数据集,其通过光谱特征时间序列重建、样本迁移和机器学习算法等构建,土地覆盖类型包括耕地、森林、草地、灌木、湿地、水体、苔原、不透水层、裸地、冰雪。
未来土地覆盖模拟产品是指用于模拟第二预定年限之后的土地覆盖数据的产品。例如,该未来土地覆盖模拟产品可以是未来土地利用模拟系统(Future Land-UseSimulation,FLUS)。该FLUS系统由两个模块构成,分别为基于神经网络的适宜性概率计算模块和基于自适应惯性机制的元胞自动机模块,其所产生的模拟数据中土地覆盖类型包括耕地、森林、草地、水体、城市、裸地。
本发明实施例通过上述步骤S1生成的初始土地覆盖数据集不仅集成了多个时序的土地覆盖制图产品,且该多个时序的土地覆盖制图产品还均满足时空精度要求。由此可见,通过步骤S1可以获得包含有高精度长时序土地覆盖数据的初始土地覆盖产品数据集。该初始土地覆盖产品数据集能够为后续构建高精度长时序的植被功能型数据集提供数据基础。
步骤S2、基于预先获取的多源参考数据集,对初始土地覆盖产品数据集中的土地覆盖数据执行植被功能型转换处理,获得植被功能型数据集。
其中,多源参考数据集是用于辅助构建植被功能型数据集的多个数据集。该多源参考数据集能够为植被功能型数据集的构建提供植被类型基础、分区基础、植被比例基础等参考信息,因此,基于多源参考数据集对初始土地覆盖产品数据集中的土地覆盖数据执行植被功能型转换处理,能够将土地覆盖数据准确转化为多类植被功能型数据,提高转换过程的细分程度和精确程度,从而获得高质量的植被功能型数据集。
植被功能型转换处理是将土地覆盖数据转换为植被功能型数据的处理过程。对初始土地覆盖产品数据集中的土地覆盖数据执行植被功能型转换处理,能够将土地覆盖数据转换为植被功能型数据,从而获得植被功能型数据集。该植被功能型数据集主要用做地球系统模拟研究的输入数据,其在生物地理模型、生物地球化学模型、陆面过程模型和全球动态植被模型中被广泛应用。
本发明实施例提供的植被功能型数据集构建方法中,基于时空精度均大于预定精度的历史土地覆盖制图产品、当前土地覆盖制图产品和未来土地覆盖模拟产品,生成初始土地覆盖产品数据集,然后基于预先获取的多源参考数据集,对初始土地覆盖产品数据集中的土地覆盖数据执行植被功能型转换处理,获得植被功能型数据集。由于生成初始土地覆盖产品数据集中集成有精度高、时间跨度长的土地覆盖数据,因此,基于该初始土地覆盖产品数据集构建的植被功能型数据集也同样集成了精度高、时间跨度长的植被功能型数据。另外,在执行植被功能型转换处理的过程中引入多源参考数据集,能够有效提高转换过程的细分程度和精确程度,从而实现高精度、长时序、高质量的植被功能型数据集的构建,为长时序高精度的地球系统模拟研究提供了数据基础。
图2为本发明实施例提供的一种生成初始土地覆盖产品数据集的方法的流程图。如图2所示,基于时空精度均大于预定精度的历史土地覆盖制图产品、当前土地覆盖制图产品和未来土地覆盖模拟产品,生成初始土地覆盖产品数据集(步骤S1)的步骤,包括:步骤S11-步骤S14。
步骤S11、分别基于历史土地覆盖制图产品、当前土地覆盖制图产品和未来土地覆盖模拟产品,获取相应的源历史土地覆盖数据集、当前土地覆盖数据集和源未来土地覆盖模拟数据集。
其中,源历史土地覆盖数据集是从历史土地覆盖制图产品中采集的土地覆盖数据的集合。当前土地覆盖数据集是从当前土地覆盖制图产品中采集的土地覆盖数据的集合。源未来土地覆盖模拟数据集是从未来土地覆盖模拟产品中模拟出的土地覆盖数据的集合。需要说明的是,该采集和模拟的过程均可以基于各自预先设定的要求的进行,其中,预先设定的要求例如时间跨度、空间分辨率、时间分辨率等要求,针对不同的土地覆盖制图产品,预先设定的要求中各项要求的具体参数可以不同。
以具体的土地覆盖制图产品为例,对上述步骤S11进行举例说明。
例如,针对历史土地覆盖制图产品HYDE V3.2,预先设定的要求可以为:空间分辨率为5’,时间跨度为10000BC-1980年,时间分辨率要求1700年之间为100年、1700年之后为10年。基于该预先设定的要求,可以从HYDE V3.2中采集满足相应要求的源历史土地覆盖数据集。
针对当前土地覆盖制图产品FROM-GLC Plus,预先设定的要求可以为:空间分辨率为30米,时间跨度为1980s-2020s,时间分辨率为1年。基于该预先设定的要求,可以从FROM-GLC Plus中采集满足相应要求的当前土地覆盖数据集。
针对未来土地覆盖模拟产品FLUS,预先设定的要求可以为:空间分辨率为1千米,时间跨度为2025年-2100年,时间分辨率为5年。基于该预先设定的要求,可以从FLUS中模拟出满足相应要求的源未来土地覆盖模拟数据集。
通过上述步骤S11,可以初步获得符合采集或模拟要求的源历史土地覆盖数据集、当前土地覆盖数据集和源未来土地覆盖模拟数据集。然而,由于不同数据集中土地覆盖类型有各自的划分标准,数据集难以进行整合,因此,本实施例还需要对数据集的土地覆盖类型划分体系进行一致化处理。
步骤S12、基于第一功能表对源历史土地覆盖数据集执行土地覆盖类型转换处理,生成目标历史数据集。
其中,第一功能表包括该历史土地覆盖制图产品的土地覆盖类型与当前土地覆盖制图产品的土地覆盖类型之间的转换关系。
以历史土地覆盖制图产品为HYDE V3.2、当前土地覆盖制图产品为FROM-GLC Plus为例,对步骤S12进行举例说明。
其中,图3为本发明实施例提供的一种第一功能表的示例图。基于如图3所示的第一功能表,将源历史土地覆盖数据集中土地覆盖数据的源类型转换为目标类型,例如,将城市(Urban)、密集的居民区(Dense settlements)、乡村中的水田(Village,Rice)、乡村中的水浇地(Village,Irrigated)、乡村中的旱地(Village,Rainfed)、乡村中的畜牧(Village,Pastoral)等源类型均转换为不透水层类型;将耕地中水浇地居民区(Croplands,residential irrigated)、耕地中旱地居民区(Croplands,residential rainfed)、耕地中人口密集(Croplands,populated)、耕地中畜牧区(Croplands,pastoral)均转化为耕地类型;将牧地中居民区(Rangeland,residential)、牧地中人口密集(Rangeland,populated)、牧地中遥远区(Rangeland,remote)等源类型均转化为草地类型;将半自然林地中居民区(Semi-natural woodlands,residential)、半自然林地中人口密集(Semi-naturalwoodlands,populated)、半自然林地中遥远(Semi-natural woodlands,remote)等源类型均转换为森林类型;将半自然裸地(Semi-natural treeless and barren lands)转换为裸地类型;将荒野-林地(Wild, remote-woodlands)转化为森林类型,将荒野-裸地(Wild,remote-treeless&barren)转换为裸地类型,将荒野-冰雪(Wild,remote-ice)转换为冰雪类型;将未定义(No definition)类型转换为裸地类型。
步骤S13、基于第二功能表对源未来土地覆盖模拟数据集执行土地覆盖类型转换处理,生成目标未来模拟数据集。
其中,第二功能表包括未来土地覆盖模拟产品的土地覆盖类型与当前土地覆盖制图产品的土地覆盖类型之间的转换关系。
以未来土地覆盖模拟产品为FLUS、当前土地覆盖制图产品为FROM-GLC Plus为例,对步骤S13进行举例说明。
其中,图4为本发明实施例提供的一种第二功能表的示例图。基于如图4所示的第二功能表,将源未来土地覆盖模拟数据集中土地覆盖模拟数据的源类型转换为目标类型,例如,将耕地转换为耕地、森林转化为森林、草地转为草地、水体转化为水体、城市转化为不透水层、裸地转化为裸地。
在一些实施例中,也可以仅对源未来土地覆盖模拟数据集中源类型和目标类型不一致的土地覆盖类型进行转化,例如,仅将城市转化为不透水层即可,其他无需转换,以提高土地覆盖类型转换处理过程的效率。
需要说明的是,选择哪一类土地覆盖制图产品的土地覆盖类型划分体系为标准是可以根据实际情况进行选择的。本发明实施例中,为了便于给现有的地球系统模拟研究提供有效输入数据基础,所以选择以当前土地覆盖制图产品的土地覆盖类型划分体系为标准,对源历史土地覆盖数据集和源未来土地覆盖模拟数据集进行土地覆盖类型转化处理。
步骤S14、基于目标历史数据集、当前土地覆盖数据集和目标未来模拟数据集生成初始土地覆盖产品数据集。
其中,生成的初始土地覆盖产品数据集包含多个子数据集,该子数据集为目标历史数据集、当前土地覆盖数据集和目标未来模拟数据集。
本发明实施例中,分别基于历史土地覆盖制图产品、当前土地覆盖制图产品和未来土地覆盖模拟产品,获取相应的源历史土地覆盖数据集、当前土地覆盖数据集和源未来土地覆盖模拟数据集,然后以当前土地覆盖制图产品的土地覆盖类型划分体系为标准,对源历史土地覆盖数据集和源未来土地覆盖模拟数据集进行土地覆盖类型转化处理,使得处理后获得的目标历史数据集、处理后获得的目标未来模拟数据集与当前土地覆盖数据集的土地覆盖类型划分标准一致。最后基于土地覆盖类型划分标准一致的目标历史数据集、当前土地覆盖数据集和目标未来模拟数据集生成初始土地覆盖产品数据集,实现了数据的有效整合以及整合后的该初始土地覆盖产品数据集中土地覆盖数据的高可用性。
图5为本发明实施例提供的另一种生成初始土地覆盖产品数据集的方法的流程图。如图5所示,在获取相应的源历史土地覆盖数据集、当前土地覆盖数据集和源未来土地覆盖模拟数据集(步骤S11)之前,还包括:步骤S10a-步骤S10c。
S10a、从历史土地覆盖制图产品、当前土地覆盖制图产品和未来土地覆盖模拟产品中分别提取相应的第一分类体系信息、第二分类体系信息和第三分类体系信息。
其中,分类体系信息是指土地覆盖制图产品中根据土地用途的差异、利用的方式、经营的特点和覆盖的特征等因素对土地进行的分类方式,不同的土地覆盖制图产品的分类体系一般会存在差异。第一分类体系信息是历史土地覆盖制图产品中对土地进行分类的分类体系、第二分类体系信息是当前土地覆盖制图产品中对土地进行分类的分类体系、第三分类体系信息是未来土地覆盖模拟产品中对土地进行分类的分类体系。
S10b、基于第一分类体系信息和第二分类体系信息生成第一功能表。
其中,第一功能表包括该历史土地覆盖制图产品的土地覆盖类型与当前土地覆盖制图产品的土地覆盖类型之间的转换关系。
S10c、基于第二分类体系信息和第三分类体系信息生成第二功能表。
其中,第二功能表包括未来土地覆盖模拟产品的土地覆盖类型与当前土地覆盖制图产品的土地覆盖类型之间的转换关系。
本实施方式中,预先生成第一功能表和第二功能表,为后续执行土地覆盖类型转换处理提供便利。
图6为本发明实施例提供的一种获得植被功能型数据集的方法的流程图。如图6所示,基于预先获取的多源参考数据集,对初始土地覆盖产品数据集中的土地覆盖数据执行植被功能型转换处理,获得植被功能型数据集(步骤S2)的步骤,包括:步骤S21-步骤S22。
步骤S21、针对初始土地覆盖产品数据集中每一个子数据集,基于子数据集的空间分辨率,对多源参考数据集执行相应的尺度变换处理。
其中,子数据集包括目标历史数据集、当前土地覆盖数据集和目标未来模拟数据集。
尺度变换处理包括降尺度处理或升尺度处理,其中,降尺度处理例如基于比例聚合法的升尺度处理,升尺度处理例如基于重投影和三次插值算法的降尺度处理。
多源参考数据集包括但不限于:欧空局全球陆地覆盖数据(European SpaceAgency Climate Change Initiative Land Cover,ESA CCI LC)、世界自然保护联盟(International Union for Conservation of Nature ,IUCN)全球生态系统分区数据和,国际卫星地表气候研究项目倡议II(The International Satellite Land-Surf aceClimatology Project Initiative II,ISLSCP II)中C4百分比数据。
其中,欧空局全球陆地覆盖数据中土地覆盖类型的植被类型包括常绿针叶林、常绿阔叶林、落叶针叶林、落叶阔叶林、常绿灌木、落叶灌木等,可为PFT数据集构建提供植被类型基础。该数据空间分辨率为300m,时间跨度为1992~2020年,时间分辨率为1年。对于1992~2020年的植被功能型数据集的构建,采用对应年份的ESA CCI LC数据作为参考数据;对于1992年前的植被功能型数据集的构建,采用1992年的ESA CCI LC数据作为辅助数据;对于2020年后的植被功能型数据集的构建,采用2020年的ESA CCI LC数据作为辅助数据。
世界自然保护联盟全球生态系统分区数据中的陆地生态系统包括热带和亚热带森林、温带和寒带的森林和林地、灌丛和灌丛林地、稀树草原和草原、沙漠和半沙漠、极地和高山、密集土地利用,可为植被功能型数据集的构建提供极地、寒带、温带和热带的分区基础。
ISLSCP II C4百分比数据提供了每个一度网格单元中含有C4光合作用途径的植被百分比,该数据中的C4百分比是由描述植物生长形式连续分布的数据集(即草本或木本植被覆盖的网格单元的百分比)、气候分类、耕地覆盖的网格单元的比例以及国家作物类型收获面积统计确定的。
本实施例中,以历史土地覆盖制图产品为HYDE V3.2、当前土地覆盖制图产品为FROM-GLC Plus、未来土地覆盖模拟产品为FLUS、多源参考数据集包括欧空局全球陆地覆盖数据、全球生态系统分区数据和ISLSCP II C4百分比数据为例,对针对初始土地覆盖产品数据集中每一个子数据集,基于子数据集的空间分辨率,对多源参考数据集执行相应的尺度变换处理的步骤进行如下举例说明。
针对从HYDE V3.2中获取的目标历史数据集,基于该目标历史数据集的空间分辨率5’,对多源参考数据集执行基于比例聚合法的升尺度处理,以实现多源参考数据集与目标历史数据集的空间分辨率的一致性,便于后续执行植被功能型转换处理。
针对从FROM-GLC Plus中获取的当前土地覆盖数据集,基于该当前土地覆盖数据集的空间分辨率30米,对多源参考数据集执行基于重投影和三次插值算法的降尺度处理,以实现多源参考数据集与当前土地覆盖数据集的空间分辨率的一致性,便于后续执行植被功能型转换处理。
针对从FLUS中模拟出的目标未来模拟数据集,基于该目标未来模拟数据集的空间分辨率1km,对多源参考数据集执行基于比例聚合法的升尺度处理,以实现多源参考数据集与目标未来模拟数据集的空间分辨率的一致性,便于后续执行植被功能型转换处理。
步骤S22、基于尺度变换处理后的多源参考数据集,对相应的子数据集中的土地覆盖数据执行植被功能型转换处理,以获得植被功能型数据集。
其中,植被功能型转换处理是基于土地覆盖数据将地表划分为不同类别并设定相关的一系列参数的过程。
在一个实施方式中,基于尺度变换处理后的多源参考数据集,对子数据集中的土地覆盖数据执行植被功能型转换处理(步骤S22)的步骤,包括:基于尺度变换处理后的多源参考数据集,对子数据集中的土地覆盖数据进行植被类型细分,并确定各植被类型的面积比例信息,以实现对子数据集中的土地覆盖数据的植被功能型转换处理。
其中,植被类型细分是指将土地划分为不同植被类别的过程。
需要说明的是,进行植被类型细分的过程可以是计算机设备自动采集土地覆盖数据中土地覆盖类型标签后,将具有不同土地覆盖类型标签的土地覆盖数据基于多源参考数据集划分相应的植被类型,也可以是计算机设备先基于多源参考数据集生成划分模型,再将具有不同土地覆盖类型标签的土地覆盖数据基于该划分模型划分相应的植被类型,本实施例中对植被类型细分的过程不进行具体限定。
图7为本发明实施例提供一种对土地覆盖数据进行植被类型细分的示意图。如图7所示,以多源参考数据集包括欧空局全球陆地覆盖数据(ESA CCI LC)、IUCN全球生态系统分区数据和ISLSCP II C4百分比数据为例,将土地覆盖类型中不透水层、裸地、耕地类型分别划分为植被功能型(PFT类型)中建筑、裸地、耕地类型;基于欧空局全球陆地覆盖数据将土地覆盖类型中水体、湿地、冰雪类型分别划分为植被功能型中的永久冰川、永久湿地、湖泊类型;基于IUCN全球生态系统分区数据将土地覆盖类型中的草地、苔原类型细分为极地草和非极地草类型,再进一步结合ISLSCP II C4百分比数据细分为植被功能型中的极地C草、非极地C3草、C4草类型;基于欧空局全球陆地覆盖数据将土地覆盖类型中的森林、灌木类型细分为常绿针叶林、常绿阔叶林、落叶针叶林、落叶阔叶林、常绿灌木和落叶灌木,再进一步结合IUCN全球生态系统分区数据细分为植被功能型中的寒带常绿针叶林、温带常绿针叶林、寒带落叶针叶林、温带常绿阔叶林、热带常绿阔叶林、寒带落叶阔叶林、温带落叶阔叶林、热带落叶阔叶林、寒带落叶阔叶灌木、温带落叶阔叶灌木和温带常绿阔叶灌木类型。
在一些实施例中,以多源参考数据集包括欧空局全球陆地覆盖数据、全球生态系统分区数据和ISLSCP II C4百分比数据为例,对基于尺度变换处理后的多源参考数据集对相应子数据集中的土地覆盖数据执行植被功能型转换处理的步骤进行如下举例说明。
例如,针对从HYDE V3.2中获取的目标历史数据集,利用尺度变换后的欧空局全球陆地覆盖数据(采用1992年的ESA CCI LC数据)对目标历史数据集在对应的5’的空间尺度上进行植被类型细分,并进一步结合尺度变换后的全球生态系统分区数据和ISLSCP II C4百分比数据确定各植被类型的面积比例信息,以实现对目标历史数据集中的土地覆盖数据的植被功能型转换处理。
针对从FROM-GLC Plus中获取的当前土地覆盖数据集,利用尺度变换后的欧空局全球陆地覆盖数据(采用相应年份的ESA CCI LC数据)对当前土地覆盖数据集在对应的30m的空间尺度上进行植被类型细分,并进一步尺度变换后的结合全球生态系统分区数据和ISLSCP II C4百分比数据确定各植被类型的面积比例信息,以实现对当前土地覆盖数据集中的土地覆盖数据的植被功能型转换处理。
针对从FLUS中模拟出的目标未来模拟数据集,利用尺度变换后的欧空局全球陆地覆盖数据(采用2020年的ESA CCI LC数据)对目标未来模拟数据集在对应的1km的空间尺度上进行植被类型细分,并进一步结合尺度变换后的全球生态系统分区数据和ISLSCP II C4百分比数据确定各植被类型的面积比例信息,以实现对目标未来模拟数据集中的土地覆盖数据的植被功能型转换处理。
需要说明的是,执行植被功能型转换处理后的目标历史数据集、当前土地覆盖数据集和目标未来模拟数据集共同构成植被功能型数据集。
本发明实施例中,针对初始土地覆盖产品数据集中每一个子数据集,基于子数据集的空间分辨率,对多源参考数据集执行相应的尺度变换处理,然后基于尺度变换处理后的多源参考数据集,对相应子数据集中的土地覆盖数据执行植被功能型转换处理,以实现对初始土地覆盖产品数据集中的土地覆盖数据执行植被功能型转换处理,以实现植被功能型数据集的构建。
图8为本发明实施例提供的一种植被功能型数据集构建装置的结构示意图。如图8所示,该植被功能型数据集构建装置包括:生成单元81和转换单元82。
其中,生成单元81,用于基于时空精度均大于预定精度的历史土地覆盖制图产品、当前土地覆盖制图产品和未来土地覆盖模拟产品,生成初始土地覆盖产品数据集。
在一个实施方式中,生成单元81包括获取子单元、第一生成子单元、第二生成子单元、整合子单元。
其中,获取子单元用于分别基于历史土地覆盖制图产品、当前土地覆盖制图产品和未来土地覆盖模拟产品,获取相应的源历史土地覆盖数据集、当前土地覆盖数据集和源未来土地覆盖模拟数据集。
第一生成子单元,用于基于第一功能表对源历史土地覆盖数据集执行土地覆盖类型转换处理,生成目标历史数据集;其中,第一功能表包括历史土地覆盖制图产品的土地覆盖类型与当前土地覆盖制图产品的土地覆盖类型之间的转换关系。
第二生成子单元用于基于第二功能表对源未来土地覆盖模拟数据集执行土地覆盖类型转换处理,生成目标未来模拟数据集;其中,第二功能表包括未来土地覆盖模拟产品的土地覆盖类型与当前土地覆盖制图产品的土地覆盖类型之间的转换关系。
整合子单元用于基于目标历史数据集、当前土地覆盖数据集和目标未来模拟数据集生成所述初始土地覆盖产品数据集。
在一个实施方式中,生成单元81还包括提取子单元、第三生成子单元、第四生成子单元。
其中,提取子单元用于从历史土地覆盖制图产品、当前土地覆盖制图产品和未来土地覆盖模拟产品中分别提取相应的第一分类体系信息、第二分类体系信息和第三分类体系信息。
第三生成子单元,用于基于第一分类体系信息和第二分类体系信息生成第一功能表。
第四生成子单元,用于基于第二分类体系信息和第三分类体系信息生成第二功能表。
转换单元82,用于基于预先获取的多源参考数据集,对初始土地覆盖产品数据集中的土地覆盖数据执行植被功能型转换处理,获得植被功能型数据集。
在一个实施方式中,转换单元82包括尺度处理子单元和植被功能型处理子单元。
其中,尺度处理子单元用于针对初始土地覆盖产品数据集中每一个子数据集,基于子数据集的空间分辨率,对多源参考数据集执行相应的尺度变换处理;其中,子数据集包括目标历史数据集、当前土地覆盖数据集和目标未来模拟数据集。
植被功能型处理子单元用于基于尺度变换处理后的多源参考数据集,对相应的子数据集中的土地覆盖数据执行植被功能型转换处理,以获得植被功能型数据集。
在一些实施例中,该植被功能型处理子单元用于基于尺度变换处理后的多源参考数据集,对子数据集中的土地覆盖数据进行植被类型细分,并确定各植被类型的面积比例信息,以实现对子数据集中的土地覆盖数据的植被功能型转换处理。
需要明确的是,本发明并不局限于上文实施例中所描述并在图中示出的特定配置和处理。为了描述的方便和简洁,这里省略了对已知方法的详细描述,并且上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明提供一种植被功能型数据集构建装置,其中,生成单元用于基于时空精度均大于预定精度的历史土地覆盖制图产品、当前土地覆盖制图产品和未来土地覆盖模拟产品,生成初始土地覆盖产品数据集,转换单元用于基于预先获取的多源参考数据集,对初始土地覆盖产品数据集中的土地覆盖数据执行植被功能型转换处理,获得植被功能型数据集,由于生成的初始土地覆盖产品数据集中集成有精度高、时间跨度长的土地覆盖数据,因此,基于该初始土地覆盖产品数据集构建的植被功能型数据集也同样集成了精度高、时间跨度长的植被功能型数据。另外,在执行植被功能型转换处理的过程中引入多源参考数据集,能够有效提高转换过程的细分程度和精确程度,从而实现高精度、长时序、高质量的植被功能型数据集的构建,为长时序高精度的地球系统模拟研究提供了数据基础。
本领域普通技术人员可以理解,上文中所发明方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。
图9为本发明实施例提供的一种计算机设备的结构示意图。如图9所示,该计算机设备可以包括处理器901和存储器902,其中处理器901和存储器902可以通过总线或者其他方式连接,图9中以通过总线连接为例。
处理器901可以为中央处理器(Central Processing Unit,CPU)。处理器901还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器902作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的植被功能型数据集构建方法对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的植被功能型数据集构建方法。
存储器902可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器901所创建的数据等。此外,存储器902可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器902可选包括相对于处理器901远程设置的存储器,这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器902中,当被处理器901执行时,执行如图1所示实施例中的植被功能型数据集构建方法。
上述计算机设备具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行上述植被功能型数据集构建方法。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random AccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
- 一种查询图构建方法、装置、电子设备及计算机存储介质
- 一种浴室加热装置和用于控制浴室加热装置的方法、设备、电子设备及计算机可读存储介质
- 模态框构建方法、装置、电子设备、计算机可读存储介质
- 知识库的构建方法及其装置、电子设备、计算机可读介质
- 神经网络模型构建方法及装置、存储介质、电子设备
- 一种专病数据集构建方法、装置、电子设备及存储介质
- 一种专病数据集构建方法、装置、电子设备及存储介质