一种基于植被冠层时变特征的swat模型优化方法
技术领域
1.本发明涉及一种水文和气候监测领域，尤其涉及一种基于植被冠层时变特征的swat模型优化方法。
背景技术：2.目前，全球气候变化及人类活动影响日益加剧，水文学逐渐聚焦于变化环境下的水循环变化规律研究。气候、植被、土壤和地形等下垫面要素对流域水文过程产生影响。土壤和地形可以认为处于“稳态”，而气候和植被呈现出高度的时间变异性。研究表明，由气候变化和人类活动引起的大尺度植被变化，已经在很多地区改变了陆地水循环。植被变化下的水文响应是当今水文学研究的热点问题。
3.植被变化对水文过程影响的定量分析方法可以分为三类：水文模型法、对比流域实验法和基于budyko等理论的分析方法。其中，水文模型不但可对植被变化的水文响应过程进行定性和定量研究，还可以充分考虑参数和变量的变异性，是分析植被变化水文响应的有效手段。模型中与植被有关的生态水文过程有冠层截留、蒸腾蒸发和土壤水分等。植被参数是水文模型中重要的输入参数，如植被类型、叶面积指数、冠层高度和根系深度等。其中，叶面积指数是水文模型中表征植被冠层结构和生长状态最重要的指标，通常在水文模型中用来模拟植被变化对冠层截留、蒸腾蒸发、径流和泥沙等过程的影响。在模型中详细刻画植被冠层结构和水文特征的动态变化，对研究植被变化水文响应有重要作用。
4.swat(soiland water assessment tool)是具有较强物理机制的半分布式水文模型，已广泛应用于变化环境下的生态水文问题研究。在研究植被变化的水文响应时，主要存在以下几个关键问题。首先，swat模型中通过简化的作物生长模型epic(erosion productivity impact calculator)模拟植被lai，其与遥感数据差异较大。其次，swat模型中表征植被物候特征的休眠期设定也存在适应性问题。swat模型假设植被生长循环由气温和日长控制，导致休眠期与实际情况不符。再次，土地利用变化是个连续过程，但swat不能反映不同土地利用或植被类型的时变特征。
5.目前的研究一般是基于水文模型分析土地利用变化对水文过程的影响。然而，植被变化不仅仅包括土地利用或植被类型的变化，还包括植被的冠层结构特征(如叶面积指数)及物候特征等冠层特征因子的变化。这些因子的变化都会对水文过程及水文参数产生影响，且这三个因子的变化是相互联系的。因此，如何在水文模型框架内描述植被冠层结构的动态变化，是基于水文模型模拟植被变化水文响应必须要解决的问题。
技术实现要素：6.为了解决以上技术问题，本发明提出了一种基于植被冠层时变特征的swat模型优化方法，以植被类型、叶面积指数和物候期为植被冠层特征因子，在swat模型的框架下实现遥感冠层特征因子的多参数动态表达，构建考虑冠层结构参数时变特征的水文模拟模型。
7.为了实现以上的发明目的，本技术提供了以下技术方案：
8.一种基于植被冠层时变特征的swat模型优化方法，包括步骤：
9.步骤s1.获取目标区域逐年的modis lai数据和遥感数据；
10.步骤s2.将所述modis lai数据进行时间和空间分辨率的转换，并根据目标区域的实测样地lai数据进行校正，获得目标区域校正modis lai数据；
11.步骤s3.用所述目标区域校正modis lai数据代替swat模型中的lai模拟计算模块，作为模型的输入；
12.步骤s4.利用所述目标区域校正modis lai数据提取物候期数据，用所述物候期数据代替swat模型中的阈值日长定义休眠期模式，作为模型的输入。
13.在一些较优的实施例中，步骤s2中所述将modis lai数据进行时间和空间分辨率的转换的方法包括：
14.步骤s201.将预处理后的modis lai数据根据所述遥感数据的空间分辨率进行重采样；
15.步骤s202.对所述遥感数据进行植被分类；根据所述植被分类结果建立重采样后的modis lai数据与遥感数据的反射率数量关系；
16.步骤s203.根据所述反射率数量关系将modis lai数据的空间分辨率转换为与遥感数据的空间分辨率相同；
17.步骤s204.采用线性插值法，将modis lai数据的时间分辨率处理为1天。
18.在一些较优的实施例中，步骤s2中所述根据所述目标区域的区域观测lai数据进行校正的方法包括：
19.步骤s211.根据转换后的modis lai数据的空间分辨率，在所述目标区域设置若干块样地，并对所述样地进行实测观察，获得实测样地lai数据；
20.步骤s212.采用同时间、同位置的modis lai数据和实测样地lai数据，训练modis-esu lai转换模型；
21.步骤s213.将所述目标区域modis lai数据输入训练好的modis-esu lai转换模型中，得到目标区域校正modis lai数据。
22.在一些较优的实施例中，步骤s3还包括：
23.步骤s301.设置swat模型中的lai模拟计算模块为“非激活”状态；
24.步骤s302.计算并赋值每个水文响应单元的目标区域校正modis lai数据平均值，作为swat模型中植被生长子程序的输入。
25.在一些较优的实施例中，步骤s4还包括：
26.步骤s401.采用多周期物候反演法，利用所述目标区域校正modis lai数据提取物候期数据，包括植被生长期的起点sog、终点eog；
27.步骤s402.设置swat模型中的阈值日长定义休眠期模式为“非激活”状态；
28.步骤s403.分别计算并赋值每个水文响应单元的植被生长期起点sog和终点eog的均值，作为swat模型中模拟生物量增长程序的输入。
29.有益效果
30.本发明以植被类型、叶面积指数和物候期为植被冠层特征因子，在swat模型的基础上实现遥感冠层特征因子的多参数动态表达，考虑了植被冠层时变特征，提高模型对植被冠层时变特征的刻画能力。
附图说明
31.图1为本发明中一种较优实施例的流程示意图；
32.图2为本发明一种较优实施例中实现将modis lai数据进行时间和空间分辨率转换的流程示意图；
33.图3为本发明一种较优实施例中实现根据目标区域的区域观测lai数据进行校正的流程示意图；
34.图4为本发明一种较优实施例中实现用目标区域校正modis lai数据代替swat模型中的lai模拟计算模块作为模型输入的流程示意图；
35.图5为本发明一种较优实施例中实现用物候期数据代替swat模型中的阈值日长定义休眠期模式作为模型输入的流程示意图；
36.图6为本发明一种较优实施例中编辑swat模型的初始植被生长模块的结构示意图；
37.图7为本发明一种较优实施例中编辑swat模型的物候信息输入模块的结构示意图；
38.图8为本发明一种较优实施例中不同时间的叶面积指数的空间分布示意图；
39.图9为本发明一种较优实施例中不同时间的植被返青期多年均值和变化率的空间分布示意图；
具体实施方式
40.为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
41.如图1所示，一种基于植被冠层时变特征的swat模型优化方法，包括步骤：
42.步骤s1.获取目标区域逐年的modis lai数据和遥感数据；
43.在本技术中，所述目标区域是指待研究的、被人类活动和气候变化影响的流域。
44.modis(moderate-resolution imaging spectroradiometer，中分辨率成像光谱仪)是美国宇航局研制大型空间遥感仪器，根据其直接广播的能力，原始modis数据流可以通过实时跟踪天线免费获得。另外，一些互联网上的网站为公众付费提供经过处理的数据。lai(leaf area index，叶面积指数)是指单位土地面积上植物叶片总面积占土地面积的倍数。它与植被的密度、结构(单层或复层)、树木的生物学特性(分枝角、叶着生角、耐荫性等)和环境条件(光照、水分、土壤营养状况)有关，是表示植被利用光能状况和冠层结构的一个常用综合指标。
45.所述modis lai数据具体包括modis反射率数据和lai数据。
46.应当理解的是，对于获取后的影像数据，需要进行滤波、降噪、裁剪等预处理步骤。在一些较优的实施例中，可以采用s-g(savitzky-golay)平滑滤波技术处理modis lai数据，以此去除由大气条件等因素带来的噪声干扰。
47.在一些较优的实施例中，所述遥感数据可以是：landsat数据(landsat5 tm,
landsat7 etm+,landsat8 oli)，其时间分辨率为1天，空间分辨率为30m。应当理解的是，本领域技术人员具体采用何种遥感数据均不影像本技术的技术方案实施和技术效果的实现，因此本技术无意对具体的遥感数据类型作出进一步的限定。
48.步骤s2.将所述modis lai数据进行时间和空间分辨率的转换，并根据目标区域的实测样地(esu)lai数据进行校正，获得目标区域校正modis lai数据；
49.应当理解的是，所述modis lai数据的时空间分辨率往往较低，而遥感影像的分辨率较高，因此，为了使两者能够适配，需要对modis lai数据进行时间和空间分辨率的转换。在一些较优的实施例中，给出了具体的步骤，如图2所示，包括：
50.步骤s201.将预处理后的modis lai数据根据所述遥感数据的空间分辨率进行重采样；
51.步骤s202.对所述遥感数据进行植被分类；根据所述植被分类结果建立重采样后的modis lai数据与遥感数据的反射率数量关系；其中，所述分类可以采用无监督分类法。
52.步骤s203.根据所述反射率数量关系将modis lai数据的空间分辨率转换为与遥感数据的空间分辨率相同；优选的，转换modis lai数据的空间分辨率时可以采用时间自适应反射率融合模型(starfm)。
53.步骤s204.采用线性插值法，将modis lai数据的时间分辨率处理为1天。
54.进一步的是，本领域技术人员可以知晓，在现有的swat模型中，hru(水文响应单元)由植被类型、土壤类型和坡度共同定义。其中，对所述遥感数据进行植被分类的具体方法可以是：
55.a)将所述遥感数据中的逐年植被类型数据重分类，将面积比例及其变化很小的植被类型合并到其它相近类型，减少植被类型的种类；
56.b)按照年份顺序将模拟时段内的逐年植被类型栅格数据进行空间叠加，叠加后生成的植被类型图有植被斑块号、植被斑块类型和年份等属性信息；
57.c)将新的植被类型图与土壤类型图和坡度图叠加，在后续使用中，逐年调用不同年份的植被类型信息，生成各年份的hru。应当理解的是，此时不同年份的hru中斑块位置、数量和面积相同，但植被类型属性可能发生改变。
58.在另一些较优的实施例中，如图3所示，所述根据所述目标区域的区域观测lai数据进行校正的方法包括：
59.步骤s211.根据转换后的modis lai数据的空间分辨率，在所述目标区域设置若干块样地，并对所述样地进行实测观察，获得实测样地lai数据；这样设置是考虑地面观测数据具有真实性，modis lai数据具有时空连续性，两者结合增强modis lai数据时空分布的可信性。
60.步骤s212.采用同时间、同位置的modis lai数据和实测样地lai数据，训练modis-esu lai转换模型；
61.步骤s213.将所述目标区域modis lai数据输入训练好的modis-esu lai转换模型中，得到目标区域校正modis lai数据。
62.在本技术中，申请人考虑将现有swat模型直接应用于植被冠层结构的时变特征描述方面存在以下不足：
①
模拟过程中植被类型的空间分布不随时间变化，
②
叶面积指数模拟精度存在较大不确定性，
③
模型休眠期描述与植被冠层实际物候特征不匹配。因此，考虑
对swat模型进行优化。本技术中，重点一方面是编辑swat模型的植被生长模块(grow.f)，其替换示意如图6所示；另一方面是编辑swat模型的物候信息输入模块，其替换示意如图7所示。
63.步骤s3.用所述目标区域校正modis lai数据代替swat模型中的lai模拟计算模块，作为模型的输入；
64.由于swat模型通过简化的作物生长模型epic(erosion productivity impact calculator)模拟植物生长过程，其假设只有当日平均气温(t
av
)超过植物生长基温(t
base
)时，植物才会生长。采用累积潜在热量单位分数(fr phu
)模拟叶面积指数变化过程，并根据monteith法利用叶面积指数计算植物生物量变化。这样的植物生长模块不能很好地描述实际叶面积指数变化过程。特别是在退耕还林和人工采伐等人类活动影响强烈区域和地震等自然灾害发生区域，上述方法模拟的叶面积指数不能反映实际植被冠层变化特征。
65.因此，申请人考虑利用经过地面观测数据修正的目标区域校正modis lai数据来作为模型的输入，取代原有的lai模拟算法，以此来避免产生上述问题。在一些较优的实施例中，给出了上述步骤s3的具体操作方法，如图4所示，包括：
66.步骤s301.设置swat模型中的lai模拟计算模块为“非激活”状态；
67.步骤s302.计算并赋值每个水文响应单元的目标区域校正modis lai数据平均值，作为swat模型中植被生长子程序的输入。
68.进一步的是，现有swat模型中，通过设置休眠期来反映植物物候特征，假定植被在休眠期不生长。休眠期开始后，乔木和多年生植物的叶面积都设置为最小值(植物生长库中设置)。模型采用阈值日长定义休眠期的开始与结束。当日长低于该阈值日长时，除暖季一年生植物外，都进入休眠状态，部分叶片转化为残余物；当日长高于该阈值时，植物休眠结束，模型开始模拟生物量增长。这样的休眠期设置方式与植物实际物候特征差异较大，特别是对热带和亚热带植物生长循环适应性很差。而且，对于地形地貌和气候条件复杂的山区，气象站点稀少，难以通过模型模拟反应气候变化对植被物候的影响。
69.因此，申请人考虑利用从经过地面观测数据修正的目标区域校正modis lai数据中提取的物候期数据(主要是sog和eog)作为模型输入，代替swat模型的阈值日长定义休眠期模式，以此来避免产生上述问题。在一些较优的实施例中，给出了上述步骤s4的具体操作方法，包括：
70.步骤s4.利用所述目标区域校正modis lai数据提取物候期数据，用所述物候期数据代替swat模型中的阈值日长定义休眠期模式，作为模型的输入。
71.在一些较优的实施例中，给出了上述步骤s4的具体操作方法，如图5所示，包括：
72.步骤s401.采用多周期物候反演法利用所述目标区域校正modis lai数据提取物候期数据，包括植被生长期的起点sog、终点eog；其中，所述物候期数据的提取方法有很多，本领域技术人员可以根据实际情况来确定，在本实施例中，介绍一种通用多周期物候反演法(umpm)，该方法主要分为数据预处理、物候特征参数提取和参数检验3部分。
73.1)数据预处理是为了消除原始数据中噪声，重建lai时间序列数，使其满足物候特征参数提取方法的要求。
74.2)针对物候特征参数提取，采用的策略是首先确定物候生长周期数，然后再分别在每个生长周期内确定关键物候结点。确定关键物候结点采用logistic函数拟合法和分段
线性拟合法相结合的反演策略。其中，选择logistic拟合法作为主算法；当主算法反演失败或其不适用时，则选用备用算法进行反演。
75.3)参数检验则是针对物候特征参数提取过程中可能出现的虚假数值进行检验，以确保产品结果的可靠性和稳定性。
76.步骤s402.设置swat模型中的阈值日长定义休眠期模式为“非激活”状态；
77.步骤s403.分别计算并赋值每个水文响应单元的植被生长期起点sog和终点eog的均值，作为swat模型中模拟生物量增长程序的输入。
78.其中，所述物候期数据的提取方法可以是：采取通用多周期物候反演法，提取植被生长期起点(sog)和终点(eog)、峰值起点(sop)和终点(eop)。
79.本发明以植被类型、叶面积指数和物候期为植被冠层特征因子，在swat模型的基础上实现遥感冠层特征因子的多参数动态表达，考虑了植被冠层时变特征，提高模型对植被冠层时变特征的刻画能力。
80.实施例
81.本实施例以岷江上游流域为例。1999年之后，国家实施“退耕还林还草”政策，植被逐渐恢复，但2008年发生的汶川地震又对当地生态系统和植被造成了严重破坏。震后森林面积降幅达2.75％，针叶林受损面积最多，其次是阔叶林和针阔混交林，灾后森林面积又逐步恢复。目前，现有的swat模型中的叶面积指数模块无法准确模拟震损和人类活动等多因素影响下的lai变化，而采用本发明所提出的swat模型优化方法，以植被类型、叶面积指数和物候期为植被冠层特征因子，在swat模型的基础上实现遥感冠层特征因子的多参数动态表达，可有效提高模型对植被叶面积指数时空变化的刻画能力。如图8所示，基于遥感叶面积指数(mod15a2)分析，2001和2018年岷江上游的叶面积指数下降了5.94％；低值区(lai≤2)的面积比例从22.09％增加到29.32％，特别是流域东南汶川一带区域植被退化明显。在气候变化、人类活动和地震等多种因素影响下，岷江上游植被状况发生了显著变化。
82.另一方面，目前swat模型根据气温和日长确定生长期或休眠期的开始与结束，而山区气象站点分布稀少，难以准确反映植被物候信息的时空变化。而采用本发明所提出的swat模型优化方法，如图9所示，基于modis lai数据提取的遥感物候信息，2001-2016年岷江上游草地和落叶阔叶林的返青期均呈显著提前趋势，混交林呈不显著提前趋势。而且，高海拔段(》3500m)的返青期变化率更高，趋势也更显著。由此可以得出，本发明采用基于遥感数据提取的物候信息作为模型输入，能有效提高模型对植被物候指标空间分布格局及演变的刻画能力。
83.进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、ram、rom等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还
包括计算机本身。
84.以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
技术特征：1.一种基于植被冠层时变特征的swat模型优化方法，其特征在于，包括步骤：步骤s1.获取目标区域逐年的modis lai数据和遥感数据；步骤s2.将所述modis lai数据进行时间和空间分辨率的转换，并根据目标区域的实测样地lai数据进行校正，获得目标区域校正modis lai数据；步骤s3.用所述目标区域校正modis lai数据代替swat模型中的lai模拟计算模块，作为模型的输入；步骤s4.利用所述目标区域校正modis lai数据提取物候期数据，用所述物候期数据代替swat模型中的阈值日长定义休眠期模式，作为模型的输入。2.如权利要求1所述的基于植被冠层时变特征的swat模型优化方法，其特征在于，步骤s2中所述将modis lai数据进行时间和空间分辨率的转换的方法包括：步骤s201.将预处理后的modis lai数据根据所述遥感数据的空间分辨率进行重采样；步骤s202.对所述遥感数据进行植被分类；根据所述植被分类结果建立重采样后的modis lai数据与遥感数据的反射率数量关系；步骤s203.根据所述反射率数量关系将modis lai数据的空间分辨率转换为与遥感数据的空间分辨率相同；步骤s204.采用线性插值法，将modis lai数据的时间分辨率处理为1天。3.如权利要求2所述的基于植被冠层时变特征的swat模型优化方法，其特征在于，步骤s2中所述根据所述目标区域的区域观测lai数据进行校正的方法包括：步骤s211.根据转换后的modis lai数据的空间分辨率，在所述目标区域设置若干块样地，并对所述样地进行实测观察，获得实测样地lai数据；步骤s212.采用同时间、同位置的modis lai数据和实测样地lai数据，训练modis-esu lai转换模型；步骤s213.将所述目标区域modis lai数据输入训练好的modis-esu lai转换模型中，得到目标区域校正modis lai数据。4.如权利要求1所述的基于植被冠层时变特征的swat模型优化方法，其特征在于，步骤s3还包括：步骤s301.设置swat模型中的lai模拟计算模块为“非激活”状态；步骤s302.计算并赋值每个水文响应单元的目标区域校正modis lai数据平均值，作为swat模型中植被生长子程序的输入。5.如权利要求1所述的基于植被冠层时变特征的swat模型优化方法，其特征在于，步骤s4还包括：步骤s401.采用多周期物候反演法，利用所述目标区域校正modis lai数据提取物候期数据，包括植被生长期的起点sog、终点eog；步骤s402.设置swat模型中的阈值日长定义休眠期模式为“非激活”状态；步骤s403.分别计算并赋值每个水文响应单元的植被生长期起点sog和终点eog的均值，作为swat模型中模拟生物量增长程序的输入。
技术总结本发明提供了一种基于植被冠层时变特征的SWAT模型优化方法，包括步骤：获取目标区域逐年的MODIS LAI数据和遥感数据；将MODIS LAI数据进行时间和空间分辨率的转换，并根据目标区域的实测样地LAI数据进行校正，获得目标区域校正MODIS LAI数据；用目标区域校正MODIS LAI数据代替SWAT模型中的LAI模拟计算模块，作为模型的输入；利用所述目标区域校正MODIS LAI数据提取物候期数据，用所述物候期数据代替SWAT模型中的阈值日长定义休眠期模式，作为模型的输入。本发明以植被类型、叶面积指数和物候期为植被冠层特征因子，在SWAT模型的基础上实现遥感冠层特征因子的多参数动态表达，考虑了植被冠层时变特征，提高模型对植被冠层时变特征的刻画能力。变特征的刻画能力。变特征的刻画能力。
技术研发人员：刘铁刚 郝伟罡 刘超 金中武
受保护的技术使用者：四川大学
技术研发日：2022.04.08
技术公布日：2022/7/5
