利用Python与ArcGIS工具进行蒸散发ET、植被总初级生产力GPP估算

最新推荐文章于 2023-12-20 22:57:57 发布
最新推荐文章于 2023-12-20 22:57:57 发布
阅读量747 收藏 4
点赞数
分类专栏： 农林生态遥感 大气科学 环境科学 文章标签： 蒸散发ET 植被总初级生产力GPP估算 土壤蒸发 冠层截留 植被蒸腾 植被生态 碳水耦合
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_49857990/article/details/131801855
版权

查看原文>>>基于”Python+”多技术融合在蒸散发与植被总初级生产力估算中的实践应用

熟悉蒸散发ET及其组分（植被蒸腾Ec、土壤蒸发Es、冠层截留Ei）、植被总初级生产力GPP的概念和碳水耦合的基本原理；掌握利用Python与ArcGIS工具进行课程相关的操作；熟练掌握国际上流行的Penman-Monteith模型，并能够应用该模型在各种植被类型上进行冠层导度、蒸散发组分的计算；掌握单站和区域结果的可视化方法、制图方法等。

目录

1. 蒸散发与光合作用阻抗

2. Python使用说明

3. ArcGIS实践

4. 数据下载与处理

5. 应用案例

【内容简述】：

1. 蒸散发与光合作用阻抗

蒸散发和光合作用阻抗是植物生理学中的重要概念。蒸散发与植物水分平衡、生长和代谢密切相关；而光合作用阻抗则反映了植物在限制水分蒸散的情况下，为维持光合作用而形成的扩散阻力。研究蒸散发与光合作用阻抗的原理有助于了解植物的光合作用效率、生长速度和生态适应性等方面信息，为农业生产、林业经营和环境保护等领域提供科学依据和决策支持。

2. Python使用说明

2.1. Jupyter Notebook编辑器+Anaconda管理器的安装

Python是一种简单易学、功能强大的编程语言，具有丰富的标准库和广泛的第三方库支持，适用于大数据处理、人工智能、Web开发等多个领域。

2.2 虚拟环境的安装与配置

虚拟环境允许同一台机器上创建多个独立的Python环境，每个环境都可以有自己的Python版本和安装的第三方库。不同的项目可以使用不同的Python版本和依赖库，避免了版本冲突和依赖冲突的问题。

2.3 常用库学习

本节包含Python基本语法及常用的科学计算（Numpy）、数据处理（Pandas）和数据可视化（Matplotlib）库函数的使用。

2.4 数据处理

Python中常见的数据问题有数据重复、数据异常、文本类型、数据缺失、数据无效等，对应异常值处理、文本转换和空缺值填补等操作。

3. ArcGIS实践

3.1 基本操作

ArcGIS的基本操作包括创建与打开地图文档、加载数据、保存文档、图层操作、数据框坐标系统定义、要素属性查询等。

3.2 数据格式转换

在ArcGIS中可以实现不同数据格式的相互转换，如EXCEL数据与Shapefile数据、TXT 数据与 Shapefile 数据的相互转换等。

3.3 提取栅格值

在ArcGIS中可以实现值提取至点或利用ArcPy实现批量处理栅格数据集。

3.4 数据裁剪

ArcGIS中的裁剪功能用于根据指定的边界范围，对图层或栅格数据集进行裁剪。通过裁剪操作，可以删除不感兴趣的数据或者将数据限制在特定区域内，以便更好地分析和可视化数据。

3.5 地图制图

地图制图主要包括地图版面设计的主要要素、地图渲染方式等内容。

4. 数据下载与处理

4.1 站点数据下载与处理

FLUXNET2015是一个全球尺度的碳、水和能量通量观测数据集，汇集了来自200多个观测站点的数据。该数据集提供了关于碳、水和能量通量等多个观测变量的实地观测数据，并按照标准化格式存储和共享。

Ø 数据下载

打开网址https://fluxnet.org/data/fluxnet2015-dataset/，点击Download FLUXNET2015 Dataset，进行用户名和账号密码登录后，可以根据需求选择站点，填写申请需求即可完成下载。

Ø 数据处理

根据研究需求，对下载后的数据进行处理，包括变量选择、异常值的处理、空缺值填补。

4.2 区域数据下载与处理

GLASS是一个全球陆地表面遥感数据集，提供了高分辨率的植被叶面积指数（LAI）数据，空间分辨率为250m/500m/0.05°，时间分辨率为8天。

Ø 数据下载

打开网址http://www.glass.umd.edu/index.html，根据研究需求选择对应分辨率的LAI数据集，并利用DownThemAll!批量下载数据。

Ø 数据处理

下载后的数据为hdf格式，根据研究需求，对下载后的数据进行处理，包括数据格式转换、定义投影、对应栅格值提取、数据汇总等。

5. 应用案例

n案例一：蒸散发、土壤蒸发、植被蒸腾在站点尺度的计算

在站点尺度上，利用叶面积指数、净辐射等计算出冠层有效能量和土壤有效能量，并根据一定时间的累积降水和土壤表面平衡蒸发速率得到土壤蒸发，进而计算出植被蒸腾与冠层导度。具体操作如下：

1、叶面积指数的站点值提取与插补
Ÿ 数据格式转换
Ÿ 定义投影
Ÿ 站点值提取
Ÿ 数据插补

2、土壤蒸发计算
Ÿ 冠层有效能量和土壤有效能量计算
Ÿ 土壤蒸发分数计算
Ÿ 土壤平衡蒸发计算

3、植被蒸腾计算
Ÿ 干湿表常数计算
Ÿ 饱和水汽压和温度关系曲线斜率计算
Ÿ 空气动力学导度计算

4、冠层导度计算
Ÿ 数值计算
Ÿ 结果可视化

案例二：蒸散发与植被总初级生产力的区域数据下载、处理与显示

区域地表蒸散发及其组分（土壤蒸发、植被蒸腾、冠层截留蒸发）、植被总初级生产力数据的下载、处理、显示与统计。

【其它相关推荐】：

DNDC模型土壤碳储量、温室气体排放、农田减排、土地变化、气候变化中的实践应用

基于R语言机器学习方法在生态经济学领域中的实践技术

基于MATLAB的无人机遥感数据预处理与农林植被性状估算

基于R语言APSIM模型高级应用及批量模拟

生态系统NPP及碳源、碳汇模拟实践技术应用

基于当量因子法、InVEST、SolVES模型等多技术融合在生态系统服务功能社会价值评估中的应用

双碳目标下基于“遥感+”融合技术在碳储量、碳收支、碳循环等多领域监测与模拟实践应用

基于最新导则下生态环评报告编制技术暨报告篇、制图篇、指数篇、综合应用篇系统性实践技能提升

吹翻书页的风
关注
专栏目录
蒸散发数据的处理及空间分析建模的学习
06-24
中国陆地实际蒸散发数据集（1982-2017），用ArcGIS Pro或ArcMap将NC数据转为tif格式 1.将蒸散发数据Ea_1982_2017_CR.nc导出为逐月的TIFF数据（共432个月） 2.将导出的逐月TIFF数据进行逐年求和，然后重采样为空间分辨率1km的栅格，裁剪出需要的区域，输出为逐年的TIFF数据。 3、空间分析建模的学习、ModelBuilder
Python和MATLAB和ARCGIS三种不同方法进行SEBAL模型计算蒸散发
qq_44795205的博客
04-24 2472
教程照片及其他详细信息请关注微信公众号：夫也的笔记 公众号内容包含：GEE、ArcGIS、ENVI、MATLAB、Python和R语言教程和实际案例分享 SEBAL模型介绍 在 1998 年荷兰学者 Bastiaanssen 以能量平衡原理为基础，提出了利用遥感数据估算蒸散的模型 SEBAL。SEBAL（土地表面能量平衡算法）是一个由 25 个计算步骤基于能量平衡的原理通过遥感传感器获得的相关区域内可见光、近红外、热红外光谱辐射等数据反演地表反照率、地表温度等相关地表参数，在与所在地的气象数据及植被信息相结
ArcGIS植被覆盖度计算与栅格计算
hu397313168的博客
05-08 6008
当我们对NDVI再分类时选择分类数为20，分类方法选择等间隔，那么我们就可以看到第1类和第19类对应的数值，这就是5%和95%对应的值，到了这我们就不需要继续往下完成再分类了，关掉即可。之前的一篇文章一样，我们先下载目标区域的DEM数据，这里的例子是宜昌市兴山县的，按照具体的目标区域对原始DEM数据进行裁剪，最后做坡度分级。下面要做的就是出图的设置和调整。然后我们就可以看到很多影响，我们选择云量最少，图像最清晰的进行下载，这里提醒一下，这个数据非常大，约1G（之前的DEM只有20M作用）。
基于遥感数据的地表蒸散量的获取与分析的解决方案
12-20 908
国际粮农组织 FAO 推荐的 Penman–Monteith 模型是计算参考作物蒸散量的标准方法，全面考虑了影响田间水分散失的大气因素和作物因素，把能量平衡、空气动力学参数和表面参数结合在一起，可应用于世界各个地区，估值精度较高，具有良好的可比性。FAO P-M 模型对参考作物蒸散量 ET0定义为“从一种假定作物植株高度为 12cm，反射率为 0.23，表面阻力为 70s/m 的参考作物冠层的蒸散量相当于高度一致、生长旺盛、完全覆盖地面且水分供给充足的开阔绿色植被的蒸散量。
用ArcGIS处理nc数据步骤
热门推荐
Nisotope的博客
11-24 2万+
降水温度蒸散发等气象数据通常以NC格式存储，可以用Matlab和ArcGIS读取数据。常为逐年逐月逐日数据。在用GIS进行数据分析时，需要将其转换为栅格数据。
GEE15：获取不同遥感指数的时间序列及不同指数间的关系
amyniez的博客，欢迎交流讨论
10-03 440
GPP数据在一定程度上和植被指数（如NDVI和EVI）有着显著的相关性，那么其相关性如何？如何从时间序列的角度来思考呢？下面我将用GEE代码解答这个问题。
基于”Python+”多技术融合在蒸散发与植被总初级生产力估算中的实践应用
weixin_49857990的博客
10-31 110
熟悉蒸散发ET及其组分（植被蒸腾Ec、土壤蒸发Es、冠层截留Ei）、植被总初级生产力GPP的概念和碳水耦合的基本原理；掌握利用Python与ArcGIS工具进行课程相关的操作；熟练掌握国际上流行的Penman-Monteith模型，并能够应用该模型在各种植被类型上进行冠层导度、蒸散发组分的计算；掌握单站和区域结果的可视化方法、制图方法等。
蒸散发ET及其组分、植被总初级生产力GPP概念和碳水耦合基本原理丨Penman-Monteith模型冠层导度、蒸散发组分计算
WangYan2022的博客
08-14 370
熟悉蒸散发ET及其组分（植被蒸腾Ec、土壤蒸发Es、冠层截留Ei）、植被总初级生产力GPP的概念和碳水耦合的基本原理；掌握利用Python与ArcGIS工具进行相关的操作；熟练掌握国际上流行的Penman-Monteith模型，并能够应用该模型在各种植被类型上进行冠层导度、蒸散发组分的计算；掌握单站和区域结果的可视化方法、制图方法等。
python与蒸散发与植被总初级生产力估算
weixin_xiao5kou4chang6kai4的博客
07-10 251
蒸散发ET及其组分（植被蒸腾Ec、土壤蒸发Es、冠层截留Ei）、植被总初级生产力GPP的概念和碳水耦合
利用arcgis的python工具进行clip批处理程序
05-24
将代码拷到arcgis里的idle或者arcmap界面的python里面，将输入输出文件路径修改了，和参数中最小外包矩形改下即可运行。适合做大量数据clip批处理，节约人力。对于其他工具使用也是类似的，稍微改下即可。
python与arcgis_ArcGIS与Python结合（一）
weixin_29005499的博客
12-28 2194
最近很多工作都需要用到python，在使用过程中出现了一些问题，简单地总结了部分处理问题的方法。希望碰到类似问题的朋友可以尽快的找到解决的方案，节约时间。问题1、在import arcgisscripting的时候,提示ImportError: No module named arcgisscripting错误信息，该错误主要导致无法创建gp对象，有如下方法解决：a、使用win32com；代码如下...
Python与ArcGIS系列（八）通过python执行地理处理工具
weixin_43894929的博客
11-16 1638
arcgis包含数百种可以通过python脚本执行的地理处理工具，这样就通过python可以处理复杂的工作和批处理。本篇将介绍如何利用arcpy实现。在脚本执行地理处理工具之前我们需要知道有哪些地理处理工具，可以通过地理处理–搜索工具进行地理处理工具搜索，并通过帮助查看具体使用方法。很多时候需要将一个地理处理工具结果作为另一个的输入，这边需要建立地理处理工具间的联系。确定了我们需要使用的地理处理工具函数后，就可以在arcpy中执行该地理处理工具。执行地理处理工具以及在地理处理工具间建立联系。
ArcGIS统计各种土地利用类型的总面积
「 刘一哥与GIS的故事」
10-31 3447
如下图为研究区多个村的土地利用现状图，现在需统计每种类型的面积总和，以及每个行政村内各种土地利用类型的总面积。
arcgis添加python工具_ArcGIS添加工具
weixin_39569894的博客
01-31 1653
在规划类工程项目中，经常要输出县级或者各个乡镇的各种规划图。以前的做法是一副一副打开后单个输出，费时费力，而且输出速度较慢。学习了Python之后，一直想为还奋战在规划一线的硕士办公室的学弟学妹们写一个批量输出JEPG的程序，节省精力和体力。可总是各种拖延，没有付诸行动。今早刷朋友圈，看到一个师妹的状态说昨晚又在熬夜出项目图，那种辛苦我感同身受。作为大师兄的我，责任感爆棚，打败拖延症，写出人生第一...
机械原理课程设计 破碎机.doc
最新发布
09-21
机械原理课程设计 破碎机.doc
电子设计论文施密特触发器电子设计论文施密特触发器
09-21
电子设计论文施密特触发器电子设计论文施密特触发器
电子设计论文往返式流动灯电子设计论文往返式流动灯
09-21
电子设计论文往返式流动灯电子设计论文往返式流动灯
基于深度学习来实现序列到序列.zip
09-21
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值