RWEQ模型——土壤风蚀模拟

详情点击链接:基于“RWEQ+”集成技术在土壤风蚀模拟与风蚀模数估算、变化归因分析中的实践应用及SCI论文撰写

前沿

 土壤风蚀是一个全球性的环境问题。中国是世界上受土壤风蚀危害最严重的国家之一,土壤风蚀是中国干旱、半干旱及部分湿润地区土地荒漠化的首要过程。中国风蚀荒漠化面积达160.74×104km2,占国土总面积的16.7%,严重影响这些地区的资源开发和社会经济持续稳定发展。自20世纪80年代以来,土壤风蚀作为沙漠化的首要环节而得到前所未有的重视,相继开展了大量的实验研究工作,揭示了各种因素对风蚀过程的影响,尤其是人为因素对风蚀的加剧作用,并提出了不同地区的风蚀防治措施。中国西部山区生态脆弱,水土流失现象较为严重,威胁着国家的生态安全,当地风蚀模数的估算工作对维护其生态环境可持续发展具有一定意义。
 

第一:基础

1、土壤侵蚀的基本原理

1.1 土壤侵蚀:在水力、风力、冻融、重力等外营力作用下,土壤、土壤母质被破坏、剥蚀、转运和沉积的全部过程。

1.2 土壤侵蚀的分类:水力侵蚀、重力侵蚀、冻融侵蚀和风力侵蚀等。

1.3 土壤侵蚀的危害及原因:中国山地丘陵面积广,地形起伏大,地面组成物质疏松深厚,降雨强度大,垦殖历史久,植被覆盖率低等,都是引起土壤侵蚀的重要因素。多种因素的不同组合,决定着土壤侵蚀的类型、程度、区域分布以及潜在危险的大小等。

2、土壤风蚀模型

2.1 土壤风蚀发生的机理

2.2 土壤风蚀的影响因子:1)风速;2)地表土壤物理特性;3)地表覆盖及粗糙度状况.

2.3 土壤风蚀评估模型:

图片

 

2.4 风蚀方程模型(Wind Erosion Equation, WEQ)

风蚀方程模型(WEQ)由Woodruff和Siddoway在1965年提出,旨在分析田间地表情况和田间管理措施对侵蚀速率的影响,进而有效防治农田的风力侵蚀。WEQ用于预报美国的农田的年风蚀量(kg/ha-1)。

WEQ 是第一个用于估算田间年风蚀量的模型,其中包含5组11个变量:气候因子、土壤可蚀性、土壤表面粗糙度、田块长度、以及作物残留物。其中土壤可蚀性与气候因子是最重要的因变量。

WEQ可用下式表示:

E=f(I,K,C,L,V)

其中,E为年风蚀量( t / acre, 1 acre= 4046 .86m2) ; f为函数关系;Ⅰ为土壤可蚀性( t / acre) ; K为土壤糙度因子; C为气候因子; L为田块裸露长度( ft, 1 ft =30 .48 cm); V为植被因子。

2.5 修正风蚀方程模型(Revised Wind Erosion Equation, RWEQ)

修正的风蚀方程 (revised wind erosion equation, RWEQ)是一种以较高时空分辨率对区域土壤风蚀状况进行长时间序列估算, 从而有效预测风蚀量的模型, 可以为土地沙化防治提供依据 。

图片

 

第二:平台基础

1、ArcGIS软件及安装、常用功能

1.1 ArcGIS版本,安装;

1.2 ArcGIS软件界面,常用功能;

1.3 ArcGIS工作空间环境设置

2、ArcGIS空间分析与制图

2.1 ArcGIS如何定义坐标系

2.2 ArcGIS空间分析

在ArcGIS软件的空间分析工具箱中,提供了大量的栅格数据处理工具,其中对栅格数据进行平滑处理的工具在去除图像上的椒盐噪音的处理中有非常重要的作用

(1)提取分析:按属性或空间位置提取、按像元值提取;

(2)地图代数:地图代数语言规则;

(3)局部分析:栅格数据叠合分析、像元统计、分级、频数取值;

(4)邻域分析:邻域形状、邻域统计类型、点统计;

(5)区域分析:分区几何统计、分区统计、面积制表、区域直方图;

(6)插值分析:反距离权重法、自然邻域法、趋势面法、样条函数法、克里金法;

(7)采样与重采样:渔网分析、随机点采样、重分类、查找表等;

2.3 ArcGIS版面设计

2.3.1 ArcGIS基础地图服务使用:配置地图服务器;在线地图添加与使用

地图、鹰眼图、范围指示器、格网、表格、图表等的制作与设计。

2.3.2 过去踩过的那些坑—常见错误和使用注意事项等

第三:RWEQ模型数据支持

图片

 

1.矢量数据的获取与预处理

1.1 矢量数据的认识

1.2 矢量数据创建、转换、编辑

图片

 2.栅格数据的获取与预处理

2.1 栅格数据的认识

2.2 栅格数据的输入、输出及转换

2.3 空间分辨率的认识

2.4 栅格数据重采样

图片

 

3.遥感云平台数据获取

3.1 遥感云平台数据

3.2 遥感云平台基本语法

3.3 遥感云平台数据获取

图片

 

4.NetCDF数据的获取与处理

4.1 NC数据的认识与读取

4.2 ArcGIS模型构建器的组成

4.3 ArcGIS新建工具箱与自定义工具

5.基于Python的气象数据的获取与处理

5.1 气象数据

5.2 Python开发环境搭建

5.3 Python代码库的安装与讲解

5.4 对文本、矢量、栅格等文件进行读写操作

5.5 Python数据清洗

5.6 文本数据与栅格数据的转换

5.7 NC数据与*.TIF数据的转换

5.8 批量数据投影定义与转换

图片

图片

第四:RWEQ模型参量提取

1、气候因子WF提取

风速、气温、降雨、日照辐射以及雪盖天数等气候状况都会影响土壤风蚀模数, 其共同组成了气候因子。

气候因子WF表征了在考虑降雨、温度、日照及雪盖等因素的条件下风力对土壤颗粒的搬运能力,其表达式如下

图片

 式中,WF为气象因子(kg/m);WE为风场强度因子(m3/ s3),由监测风速μ2(m /s)、起沙风速μ1(假定为5 m/ s)和观察周期天数 Nd 计算得到;ρ 为空气 密度(kg /m3 ),由海拔高度 EL(km)和绝对温度 T(K) 计算得到;g 为重力加速度(m/s2);S为土壤湿度因子(无量纲);R为降雨量(mm);I为灌溉量(mm);Rd为降雨次数和(或)灌溉天数;ETP为地表潜在相对蒸发量(mm),由太阳辐射SR(cal /cm2 )和平均温度 DT(℃)计算得到;SD为雪覆盖因子(无量纲);P为计算时段内积雪覆盖深度(Hsnow)大于25.4 mm的概率。

Wf因子

图片

ETp因子

图片

SW因子

图片

WF因子

图片

2、土壤可蚀性因子EF提取

土壤可蚀性是指土壤对侵蚀的敏感性。对于不同的机械组成和理化性质的土壤种类,粒度越小,有机质含量越低,其土壤可蚀性越大,越容易被侵蚀;反之粒度越粗,有机质含量越高,其可蚀性越小,越不容易被侵蚀。对于土壤可蚀性因子的计算公式如下:

图片

图片

3、土壤结皮因子SCF提取

土壤结皮是指某些低等生物与土表相互作用或降水滴溅在土表上形成的微层,一般按产生机理可分为生物性结皮和物理性结皮。其中,生物性结皮有利于抵抗土壤风蚀;物理性结皮易碎,反而加速了土壤被风蚀的过程。其计算公式如下:

图片

图片

4、植被覆盖度因子C提取

不同的植被有着不同的根系,也就有不同的固水固沙能力。植被覆盖度因子表示一定植被覆盖条件下,对土壤风蚀的抑制作用大小。 依据研究区LUCC分类图,将植被分为林地、灌木、草地、农田、裸地5个植被类型,根据不同的系数计算各植被覆盖度因子。

式中,ai为不同植被类型的系数,其中,林地为 -0.153 5,灌木为 -0.092 1,草地为 -0.151 1,农田为-0.043 8,裸地为-0.076 8;SC为植被覆盖度(无量纲),由NDVI 数据集计算得到。

图片

 

5、地表粗糙度因子K’提取

地表粗糙度是指由地形引起的土地表面粗糙程度对土壤风蚀的影响

式中,Kr 为因地形起伏产生的地形粗糙度长度 (cm);Crr 为随机糙度因子,取 0;ΔH为距离L范围内的海拔高程差(m),根据不同的起伏地形情况,L 具有不同的值。

图片

 

6、土壤风蚀量的计算

图片

 

SL为土壤风蚀量(thm-2a-1);Qmax为风沙最大转移量(kg/m);S为关键地块长度(m);z为下风向最大风蚀出现距离(m);WF为气候因子(kg/m);K’为地表粗糙度因子;EF为土壤可蚀性因子;SCF为土壤结皮因子;C为植被覆盖因子。

图片

 

第五:归因分析

1.统计分析

将结合根据研究区土地利用、覆盖变化信息的提取与分析及其他相关研究成果,统计分析研究区空间分布特征,为土壤风蚀防治措施方面进行深入分析。

图片

图片

2.相关性分析

渔网分析:利用ArcGIS渔网工具在研究区域创建一定大小的格网,进行分割地图、采样分析、划分研究单元等。

相关性分析:通过格网法分别建立三江源地区植被等因子与潜在风蚀量尧实际风蚀量和防风固沙量的散点图,并对散点图进行最优函数拟合,探讨其在空间分布上的相关性。

3.通径分析

以三江源地区2015年年土壤风蚀量为因变量,以气候因子和植被覆盖度等因子为自变量进行通径分析,量化分析各个因子的直接和间接作用的共同贡献。

图片

 

4.因子探测分析--地理探测器

风蚀量的空间分布并非由某单一地理、气候或人文因素导致,其形成与多种因素的共同作用密不可分,因此对其作用贡献较大的因素将决定其实际的空间分布规律。地理探测器模型(GDM)是基于空间分化理论和地理信息系统(GIS)空间分析技术提出的。它通常用于研究影响空间层次异质性的因素及其潜在机制。

4.1因子探测器

因子探测器可评估某一影响因素对风蚀量的贡献程度,具体公式如下:

图片

 

其中,D为某一影响因子,H为风蚀量,Q为影响因子对风蚀量的贡献度,取值范围是[0-1],N、σ2为样本量及其方差,h为样本层数,L为影响因子分类数。当Q值越大时,表明该影响风蚀量的贡献度越大。

4.2 交互作用探测器

交互探测器可评估两种影响因子交互作用时对研究区风蚀量的贡献程度,以便更准确分析实际多影响因子共同作用下的贡献度。

图片

 

4.1基于R的地理探测器实现:

① 自变量和因变量数据制备;

② 地理探测器运行准备;

③ R软件及程序包的安装、基本设置等;

④ 地理探测器运行代码解析;

⑤ 因子探测器结果分析与可视化;

⑥ 交互探测器结果与可视化;

图片

 

第六:RWEQ模型相关的SCI论文撰写技巧

1.科技论文结构

2.引言
科学问题是否清楚?
逻辑推理是否严密?
文献综述的写作技巧
引言写作的示例

3.摘要和结论
英文摘要的写作要求
摘要的五要素
如何构建一篇SCI论文的总结摘要
摘要和结论的区别
数据来源与预处理
模型因子提取方法

4.讨论
讨论的写作要点
讨论撰写中的常见问题

5.论文投稿技巧分析

6.SCI论文案例分析

图片

 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/14856.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【Docker】Docker应用部署之Docker容器安装Tomcat

目录 一、搜索镜像 二、拉取镜像 三、创建容器 四、测试使用 一、搜索镜像 docker search tomcat 二、拉取镜像 docker pull tomcat:版本 三、创建容器 首先在宿主机创建数据卷的目录 mkdir /root/tomcat # 创建目录 cd /root/tomcat # 进入目录 docker run -id -…

前端框架学习-Vue(二)

最近在学习Vue框架,Vue中的内容很多。相当于把之前后端的MVC,V层转移到前端来编写和部署。下面是学习Vue时的大纲。 Vue生命周期是Vue应用的生命周期Vue脚手架,即vue-cli,使用node.js 来创建和启动vue项目Vue组件知识,…

RS485/RS232自由转ETHERNET/IP网关profinet和ethernet区别

你是否曾经遇到过这样的问题:如何将ETHERNET/IP网络和RS485/RS232总线连接起来呢?捷米的JM-EIP-RS485/232通讯网关,自主研发的ETHERNET/IP从站功能,完美解决了这个难题。这款网关不仅可以将ETHERNET/IP网络和RS485/RS232总线连接起…

Zynq-Linux移植学习笔记之62- PL挂载复旦微flash

1、背景介绍 现在为了全国产化需要,之前所有的进口flash全部要换成国产flash 2、复旦微flash型号 其中EFM25QU256和EFM25QL256对标winbond的w25q256 nor flash 3、FPGA设置 复旦微flash只支持单线模式,当使用PL侧的IP核访问时,需要设置模式…

【系统架构】分布式系统架构设计

1 分布式系统是什么 分布式系统是指由多个计算机节点组成的一个系统,这些节点通过网络互相连接,并协同工作完成某个任务。 与单个计算机相比,分布式系统具有更高的可扩展性、可靠性和性能等优势,因此广泛应用于大规模数据处理、高…

IDEA代码自动格式化工具

1.自动import 在IDEA中,打开 IDEA 的设置,找到 Editor -> General -> Auto Import。勾选上 Add unambiguous imports on the flyOptimize imports on the fly (for current project) 2.gitee 提交格式化 设置方法如下: 1.打开设置 2.找到版本…

KMP算法总结

KMP算法总结 BF算法引导BF算法步骤(图片演示)代码演示 KMP算法推next数组代码演示 BF算法引导 BF算法是一个暴力的字符串匹配算法,时间复杂度是o(m*n) 假设主串和子串分别为 我们想要找到子串在主串的位置 BF算法核…

Spring Boot集成Swagger3.0,Knife4j导出文档

文章目录 Spring Boot集成Swagger3.0,Knife4j导出文档效果展示如何使用简要说明添加依赖添加配置类测试接口token配置位置 官网 说明情况 demo Spring Boot集成Swagger3.0,Knife4j导出文档 效果展示 如何使用 简要说明 Knife4j的前身是swagger-bootstrap-ui,前身swagger-boo…

Github-Copilot初体验-Pycharm插件的安装与测试

引言: 80%代码秒生成!AI神器Copilot大升级 最近copilot又在众多独角兽公司的合力下,取得了重大升级。GitHub Copilot发布还不到两年, 就已经为100多万的开发者,编写了46%的代码,并提高了55%的编码速度。 …

springboot整合myabtis+mysql

一、pom.xml <!--mysql驱动包--><dependency><groupId>mysql</groupId><artifactId>mysql-connector-java</artifactId></dependency><!--springboot与JDBC整合包--><dependency><groupId>org.springframework.b…

微信小程序实现日历功能、日历转换插件、calendar

文章目录 演示htmlJavaScript 演示 效果图 微信小程序实现交互 html <view wx:if"{{calendarArr.length}}"><view class"height_786 df_fdc_aic"><view class"grid_c7_104"><view class"font_weight_800 text_align…

Redis 数据库高可用

Redis 数据库的高可用 一.Redis 数据库的持久化 1.Redis 高可用概念 &#xff08;1&#xff09;在web服务器中&#xff0c;高可用是指服务器可以正常访问的时间&#xff0c;衡量的标准是在多长时间内可以提供正常服务&#xff08;99.9%、99.99%、99.999%等等&#xff09;。 …

【Golang 接口自动化02】使用标准库net/http发送Post请求

目录 写在前面 发送Post请求 示例代码 源码分析 Post请求参数解析 响应数据解析 验证 发送Json/XMl Json请求示例代码 xml请求示例代码 总结 资料获取方法 写在前面 上一篇我们介绍了使用 net/http 发送get请求&#xff0c;因为考虑到篇幅问题&#xff0c;把Post单…

Spring Boot 缓存 Cache 入门

Spring Boot 缓存 Cache 入门 1.概述 在系统访问量越来越大之后&#xff0c;往往最先出现瓶颈的往往是数据库。而为了减少数据库的压力&#xff0c;我们可以选择让产品砍掉消耗数据库性能的需求。 当然也可以引入缓存,在引入缓存之后&#xff0c;我们的读操作的代码&#xff…

介绍壹牛NFT数字艺术藏品数藏源码

这个版本新增了不少功能&#xff0c;也修复了一些地方。 1.平台新增用户找回密码功能 2.平台新增短信注册&#xff08;实名制功能&#xff09; 3.平台新增主图后台添加功能 4.平台修复相关问题&#xff0c;系统高效运行 5、H5端与APP端在新UI完美适配 6、加入宝盒功能&…

Java方法的使用(重点:形参和实参的关系、方法重载、递归)

目录 一、Java方法 * 有返回类型&#xff0c;在方法体里就一定要返回相应类型的数据。没有返回类型&#xff08;void&#xff09;&#xff0c;就不要返回&#xff01;&#xff01; * 方法没有声明一说。与C语言不同&#xff08;C语言是自顶向下读取代码&#xff09;&#…

基于SpringBoot+Vue的车辆充电桩管理系统设计与实现(源码+LW+部署文档等)

博主介绍&#xff1a; 大家好&#xff0c;我是一名在Java圈混迹十余年的程序员&#xff0c;精通Java编程语言&#xff0c;同时也熟练掌握微信小程序、Python和Android等技术&#xff0c;能够为大家提供全方位的技术支持和交流。 我擅长在JavaWeb、SSH、SSM、SpringBoot等框架…

STM32 LWIP UDP 一对一 一对多发送

STM32 LWIP UDP通信 前言设置 IP 地址UDP函数配置实验结果单播发送&#xff0c;一对一发送广播发送&#xff0c;一对多发送 可能遇到的问题总结 前言 之前没有接触过网络的通信&#xff0c;工作需要 UDP 接收和发送通信&#xff0c;在网上没有找到一对一、一对多的相关例程&am…

什么是SVM算法?硬间隔和软间隔的分类问题

SVM全称是supported vector machine(支持向量机)&#xff0c;即寻找到一个超平面使样本分成两类&#xff0c;并且间隔最大。 SVM能够执行线性或⾮线性分类、回归&#xff0c;甚至是异常值检测任务。它是机器学习领域最受欢迎的模型之一。SVM特别适用于中小型复杂数据集的分类。…

CentOS 8 错误: Error setting up base repository

配置ip、掩码、网关、DNS VMware网关可通过如下查看 打开网络连接 配置镜像的地址 vault.centos.org/8.5.2111/BaseOS/x86_64/os/