本文探讨了InVEST模型、PLUS模型等在生态系统服务、生物多样性保护、植被生产力估算和碳循环模拟等领域的应用，强调了遥感技术如无人机遥感、GEE遥感云大数据在信息提取和GIS融合中的作用，以及Python在数据处理和模型应用中的关键地位，最后介绍了SolVES模型在社会价值评估中的创新应用。
包含:InVEST模型、PLUS模型、DSSAT模型、CENTURY模型、CASA模型、BGC模型、MAXENT模型、CLM模式、CLUE模型、PROSAIL模型......
不论您是小白亦或是已经能够成功运行InVEST模型生成结果，您可以自由选择课程内容，如果您是小白老师手把手教您，如果您已经是InVEST模型熟悉者，已经为您准备了结合实际项目内容以及通过模型进行高质量的论文重现，还有很重要的一点结合InVEST模型的论文写作经验、技巧以及针对参会者本身的论文写作进行交流指导。
随着生物多样性全球大会的举办，不论是管理机构及科研单位、高校都在积极准备，根据国家林草局最新工作指示，我国将积极整合、优化自然保护地，加快推进国家公园体制试点，构建以国家公园为主体的自然保护地体系。针对我国目前已有自然保护区普遍存在保护目标不明确、保护成效低下和保护空缺依然存在等问题，科学的鉴定生物多样性热点保护区域与保护空缺显得刻不容缓。最大熵模型（Maxent模型）利用物种的分布与环境数据，采用特定算法评估物种的生态位，并投射到景观中，可以直观的呈现物种出现的概率、生境适宜度或物种丰富度等，是目前应用最广泛、预测效果最好的物种分布模型。采用基于Maxent模型的生物多样性热点模拟与GAP分析，将为我国的自然保护区优化、自然保护地体系构建和保护地社区精准脱贫致富等提供重要的决策依据。
植被作为陆地生态系统的重要组成部分对于生态环境功能的维持具有关键作用。植被净初级生产力（Net Primary Productivity, NPP）是指单位面积上绿色植被在单位时间内由光合作用生产的有机质总量扣除自养呼吸的剩余部分。植被NPP是表征陆地生态系统功能及可持续性的重要参数之一，不仅直接反映生态系统在自然环境条件下的生产能力及质量状况，也是判定生态系统碳源/汇的重要因子。目前，基于多源遥感数据开展大尺度、长时间序列植被NPP估算并应用地理信息系统技术进行综合的空间格局和动态分析已经成为量化NPP的重要手段，对于我国实现2060“碳中和”目标具有重要意义。
CENTURY模型，主要基于过程的陆地生态系统生物地球化学循环模型。主要用于模拟不同土壤-植被系统间C、N、P和S的长期动态。根据土壤有机质的分解速率，CENTURY模型将土壤总有机碳（TOC）分成了三个碳库，即活性、慢性和惰性有机碳库。
Biome-BGC是利用站点描述数据、气象数据和植被生理生态参数，模拟日尺度碳、水和氮通量的有效模型，其研究的空间尺度可以从点尺度扩展到陆地生态系统。
在Biome-BGC模型中，对于碳的生物量积累，采用光合酶促反应机理模型计算出每天的初级生产力(GPP)，将生长呼吸和维持呼吸减去后的产物分配给叶、枝条、干和根。生物体的碳每天都按一定比例以凋落方式进入凋落物碳库；对于水份输运过程，该模型模拟的水循环过程包括降雨、降雪、冠层截留、穿透降水、树干径流、 冠层蒸发、融雪、雪升华、冠层蒸腾、土壤蒸发、蒸散、地表径流和土壤水分变化以及植物对水分的利用；对于土壤过程，模型考虑了凋落物分解进入土壤有机碳库过程、土壤有机物矿化过程和基于木桶模型的水在土层间的输送关系；对于能量平衡，该模型还考虑了净辐射、感热通量和潜热通量等过程。
遥感技术作为一种空间大数据手段，能够从多时、多维、多地等角度，获取大量的农情数据。数据具有面状、实时、非接触、无伤检测等显著优势，是智慧农业必须采用的重要技术之一。本课程梳理了我国目前无人机遥感在智慧农业信息提取的综合态势，对无人机平台的性能、机载传感器指标、地面传感器应用、农林遥感光谱指数、农林光谱建模方法进行了大量的分析。在此基础上，按照形态、生理生化、胁迫、估产等四大类信息提取目标，从理论和实践两方面进行了详细的分析。
其中，围绕着四大类信息，划分为十四个子专题：株数和株高、冠层覆盖度、作物倒伏、不同生育期状况、叶面积指数、作物系数、叶绿素含量、营养元素含量、异常因素胁迫、病虫害、作物衰老、净同化率、蛋白质含量、生物量。对每一个子信息都有相应的数据，涵盖三波段真彩色、多光谱和高光谱无人机数据，进行智慧信息提取的学习。
植被是陆地生态系统中最重要的组分之一，也是对气候变化最敏感的组分，其在全球变化过程中起着重要作用，能够指示自然环境中的大气、水、土壤等成分的变化，其年际和季节性变化可以作为地球气候变化的重要指标。此外，由于生态工程保护建设和植被自然生长等因素，中国陆地生态系统发挥了重要的碳汇作用。因此，定量评估植被时空动态变化是制定生态系统可持续发展目标和衡量生态系统固碳潜力的重要前提，卫星遥感数据衍生的生态参量产品为研究长时间序列全球及区域植被时空变化提供了重要数据源。
目前已经从卫星获取的遥感数据反演了许多长时序生物物理参量产品，如GIMMS3g NDVI/LAI/FAPAR、MODIS NDVI/LAI/FAPAR/ GPP、GLASS LAI/FVC/GPP等，并且已经广泛应用于全球或区域尺度植被变化趋势及格局分析。
近年来遥感技术得到了突飞猛进的发展，航天、航空、临近空间等多遥感平台不断增加，数据的空间、时间、光谱分辨率不断提高，数据量猛增，遥感数据已经越来越具有大数据特征。遥感大数据的出现为相关研究提供了前所未有的机遇，同时如何处理好这些数据也提出了巨大的挑战。传统的工作站和服务器已经无法胜任大区域、多尺度海量遥感数据处理的需要。
以Earth Engine（GEE）为代表全球尺度地球科学数据（尤其是卫星遥感数据）在线可视化计算和分析云平台应用越来越广泛。该平台存储和同步遥感领域目前常用的MODIS、Landsat和Sentinel等卫星影像、气候与天气、地球物理等方面的数据集超过60PB，同时依托全球上百万台超级服务器，提供足够的运算能力对这些数据进行处理。相比于ENVI等传统的遥感影像处理工具，GEE在处理海量遥感数据方面具有不可比拟的优势，一方面提供了丰富的计算资源，另一方面其巨大的云存储节省了科研人员大量的数据下载和预处理的时间，是遥感数据的计算和分析可视化方面代表世界该领域最前沿水平，是遥感领域的一次革命。
前期我们分别以Javascript和Python为编程语言，成功举办了数期关于GEE遥感大数据分析处理的基础培训课程，得到了来自多个行业的学员的广泛参与和支持。
“绿水青山就是金山银山”的生态文明理念现已深入人心，从顶层设计到全面部署，生态文明建设进入举措最实、推进最快、力度最大、成效最好的时期。生态文明评价必须将生态系统健康作为基本内容，而作为生态系统健康评价的重要指标之一——植被参数（如生物物理、生物化学、结构参数等）如何获取日益受到重视。
传统的地面实测方法能够得到比较准确的植被参数（如叶面积指数、覆盖度、生物量、叶绿素、干物质、叶片含水量、FPAR等），但其获取信息有限，难以满足大范围提取植被参数的需求，尤其在异质地表区域。遥感技术的发展为植被生长状态及动态监测提供了重要的技术手段，与传统地面实测方法不同，遥感把传统的“点”测量获取的有限代表性信息扩展为更加符合客观世界的“面”信息（即区域信息），且不会对生态系统造成破坏，能够长期、动态、连续地估算植被参数，在区域或全球尺度植被参数估算中具有不可替代的优势。随着科学技术的发展和生态文明建设的需要，借助遥感数据反演植被参数，可为生态系统健康评价提供关键的数据支持，并且植被参数遥感反演是当前遥感应用研究的重要内容之一，也是国际遥感领域的热点研究方向。
随着数字农业和智慧农业的发展，基于过程的作物生长模型（Process-based Crop Growth Simulation Model）在模拟作物对气候变化的响应与适应、农田管理优化、作物品种和株型筛选、农业碳中和、农田固碳减排等领域扮演着越来越重要的作用。Decision Support Systems for Agrotechnology Transfer (简称DSSAT)模型是世界知名的作物生长模拟模型之一。现有版本V4.7能模拟27种主要农作物的生长发育和产量形成过程，被广泛应用于精细农业、水肥管理、气候变化、粮食安全、土壤碳周转、环境影响、农业可持续性、农业生态等诸多与农业生产和科研有关的领域。DSSAT模型内核算法是基于Fortran语言开发的，软件界面是基于C++进行开发。了解和熟悉DSSAT模型的关键算法和软件的操作是学习DSSAT模型的基础。此外，想要成为一名优秀的作物模型使用者与科研团队不可或缺的人才，除了掌握对作物模型相关知识之外，还要掌握模型的快速模拟和高效数据分析能力。Python是一门应用场景广泛、简单易学的程序语言，在DSSAT模型的气候、土壤、管理措施等数据准备，自动化模拟和结果分析上都发挥着重要的作用。
工业革命以来，社会生产力迅速提高，人类活动频繁，此外人口与日俱增对土地的需求与改造更加强烈，人-地关系日益紧张。此外，土地资源的不合理开发利用更是造成了水土流失、植被退化、水资源短缺、区域气候变化、生物多样性锐减等一系列生态环境问题。如何优化土地利用模式，维持区域土地生态安全，缓和土地供需矛盾，使人-地关系协调共生作为关键问题，成为国内外研究热点。
生态系统服务是人类直接或间接从生态系统中获得的惠益，在应对城市挑战和实施可持续发展方面发挥着至关重要的作用。随着全球城市化的快速发展, 频繁的人类活动导致了土地利用的快速变化，导致生态系统结构和功能的变化，影响生态系统服务的供应。因此，生态系统服务评估与未来城市土地规划的整合已成为近年来的一个重要研究课题。情景分析方法目前是针对未来生态系统服务权衡和协同性研究最成熟的方法之一。通过建立不同的土地利用情景分析生态系统服务之间的变化和内部相互响应的作用，可为未来土地利用规划情景提出决策性建议。PLUS模型有两大模块，一是基于土地扩张分析策略的规则挖掘框架，二是基于多类型随机补丁种子的CA模型，此外该模型还内嵌了Markov chain，以便于对土地利用数量需要作出预测。PLUS模型能够以一个斑块级土地利用模拟模型，精准模拟土地利用背后的非线性关系变化，实现更加准确地未来不同政策情景下 土地利用对潜在生态系统服务功能的影响。在未来土地情景演替加剧的情况下，需要开展准确模拟未来 土地利用发展潜力、符合政策指引的多种情景规划、合理准确的模拟生态系统服务的各项功能及其权衡的研究，是满足可持续生态系统服务权衡发展理念的迫切需求。地理空间分析技术的应用将确保这一目标的实现，利用PLUS模型有助于决策者在所需情景条件下通过设定开发驱动参数提前评估和规划土地利用政策。InVEST模型已广泛用于评估生态系统服务。
生态系统服务是人类从自然界中获得的直接或间接惠益，可分为供给服务、文化服务、调节服务和支持服务4类，对提升人类福祉具有重大意义，且被视为连接社会与生态系统的桥梁。自从启动千年生态系统评估项目（Millennium Ecosystem Assessment，MA）以来，生态系统服务成为学术界的研究热点，其中在生态系统服务功能如何转化为经济价值方面取得了巨大进展。然而，在全球气候变暖及土地利用变化速度加快的双重驱动下，以短期经济利益作为交换条件，生态环境持续恶化。因此，随着生态系统的退化，其提供产品和服务的能力也随之下降。此外，在景观空间规划过程中，需关注生态系统服务间的协同与权衡关系，且优先考虑具有经济价值的生态系统服务，以期同时实现生态效益和社会经济效益。鉴于部分生态系统服务缺乏经济价值，如美学价值、文化价值和治疗价值，管理者和生态学家认为其重要性较低，通常不会在规划决策中给予考虑。同时，由于生态系统服务功能社会价值的无形性以及受益人群主观感知的依赖性，难以将其评估或量化，从而导致生态系统服务功能社会价值难以被纳入规划和资源管理过程中。SolVES模型（Social Values for Ecosystem Services）全称为生态系统服务社会价值模型，是由美国地质勘探局和美国科罗拉多州立大学联合开发的一款地理信息系统应用程序，开发该模型的目的主要是对生态系统服务功能中的社会价值进行空间分析和量化评估。此模型评估的社会价值类型多种多样。该模型由三个子模块构成，分别是生态系统服务功能社会价值模块、价值制图模块和价值转换制图模块。评估研究区生态系统服务社会价值时需要将社会价值模块和价值制图模块两者结合起来，通过邮件、访谈、问卷调查的形式收集生态系统服务产品使用者对于生态系统所提供的服务或者产品态度和偏好，同其它社会经济调查数据和研究区自然环境数据，通过运行模型来估算研究区的生态系统服务社会价值。模型中的统计数据还会生成统计表用于分析价值指数与自然环境的关系。价值转移模块可以基于已有的研究成果，将数据转移到另一个缺乏调查数据的研究区，生成新研究区预测价值指数图，该模块可方便快捷的单独使用。本课程将讲述用于评估生态系统服务功能社会价值的SolVES模型及其原理，通过本课程的学习，您将学会SolVES模型的原理与运行方法：如何将收集的社会调查数据导入数据库（SQL），结合受访者分配给各社会价值类型的金额总和（即权重指数），如何利用内嵌的核密度分析工具对标注的社会价值点做加权核密度分析，得到“核密度曲面”及“最大栅格值”；如何利用镶嵌在SolVES模型中的“平均最近邻统计”工具统计社会价值点的聚类空间分布状况；如何利用模型将“核密度曲面”除以“最大栅格值”，并将其结果标准化为“价值指数曲面”；如何结合环境变量数据，启动MaxEnt最大熵模型预测社会价值点的空间分布，实现社会价值的制图。
扫一扫
6322
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
