武宁县森林扰动及驱动因子分析

森林扰动是影响陆地生态系统的重要因子,也是影响全球碳循环的重要因素.以江西省武宁县为例,利用1986-2011年14景Landsat TM/ETM+遥感影像,通过扰动指数(disturbance index,DI)时间序列轨迹分析提取森林扰动信息,并引入经验正交函数(empirical orthogonal function,EOF)分解方法定量分析了森林扰动的时空变化规律,利用GIS深入分析了自然和社会驱动因子影响.结果表明,武宁县森林扰动在1986-1998年较强,扰动面积以1992年为最大,以地区性扰动为主;2000年以后则趋于平缓,扰动以砍伐和森林火灾为主;在空间上,扰动主要发生在近道路、低海拔、低坡度和近水地区,并受地形和交通的制约,城镇化逐渐成为该地区森林扰动的一个不可忽略的驱动因子.     

江苏地区MODIS LST产品重建研究

地表温度(LST)是评价地表热环境的重要指标,但受云等大气状况影响,MODIS LST时间序列产品存在大量噪音像元,严重影响LST数据使用。以江苏省为研究区,用2003-2011年MYD11A1 LST日时间序列产品为基础,结合质量控制信息(QC,quality control),基于改进时空滤波(mTSF,modified Temporal Spatial Filter)方法和最小二乘滑动滤波(S-G,Savitzky-Golay)方法逐步判断,建立LST背景数据库,综合考虑时空尺度效应,提出基于背景数据和mTSF原理的温度重建方法,重建了2009-2011年LST日产品,并校正云覆盖下重建结果。结果表明,江苏地区LST日产品全年受云污染像元(QC=2)比例较高,重建后的LST和0 cm实测地表温度平均相关系数为0.87,同时重建前后平均绝对误差变小。说明重建技术重构LST日产品保证了时空尺度的连续性,提高了原始LST数据的质量和使用效率。     

基于BP神经网络的空气污染指数预测模型研究

BP神经网络已成为研究空气污染预测的有效工具之一。文章利用近十年北京市地面气象观测资料和空气污染指数数据,通过BP神经网络技术构建了不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测。通过相关系数分析法,对比分析了预测结果与实际监测结果,研究结果表明:春、夏、秋、冬季的预测值与监测值线性相关系数分别为0.81、0.84、0.89、0.85。北京春季常伴随有沙尘天气,而文章并没有考虑沙尘天气对预测模型的影响,因此春季BP神经网络预测精度在四季中最低,其预测值与监测值的线性相关系数为0.81。由于秋季不同空气质量级别的数据都有较多分布,因此该季节构建的网络更具有代表性,其预测精度在四季中最高,预测值与监测值的线性相关系数高达0.89。总之,BP神经网络模型对于北京空气污染指数预测是行之有效的。