生態(tài)大數(shù)據(jù)管理與多學科應(yīng)用

目錄
第1章 生態(tài)大數(shù)據(jù)概述 1
1.1 生態(tài)大數(shù)據(jù)的概念 1
1.2 生態(tài)大數(shù)據(jù)的特征 2
1.3 生態(tài)大數(shù)據(jù)的主要來源 4
1.3.1 主要來源 4
1.3.2 全球生態(tài)觀測網(wǎng)絡(luò) 4
1.3.3 對地觀測大數(shù)據(jù) 5
1.3.4 公民科學的發(fā)展 5
1.4 生態(tài)大數(shù)據(jù)分析的技術(shù)方法 5
1.4.1 整合分析 5
1.4.2 數(shù)據(jù)挖掘 6
1.4.3 數(shù)據(jù)-模型融合 6
1.4.4 可視化及人機交互 7
1.5 發(fā)展歷程與應(yīng)用 7
1.5.1 大數(shù)據(jù)發(fā)展歷程 7
1.5.2 生態(tài)大數(shù)據(jù)發(fā)展歷程 9
1.5.3 主要應(yīng)用 9
1.6 生態(tài)大數(shù)據(jù)的平臺架構(gòu) 11
1.6.1 數(shù)據(jù)采集層 12
1.6.2 數(shù)據(jù)管理層 12
1.6.3 數(shù)據(jù)運算層 13
1.6.4 服務(wù)應(yīng)用層 14
1.7 面臨的主要挑戰(zhàn)與展望 14
1.7.1 主要挑戰(zhàn) 14
1.7.2 前景展望 15
1.8 本章小結(jié) 16
參考文獻 16
第2章 生態(tài)大數(shù)據(jù)管理 18
2.1 概述 18
2.1.1 生態(tài)大數(shù)據(jù)的數(shù)據(jù)密集問題 18
2.1.2 生態(tài)信息的大規(guī)模高并發(fā)訪問 19
2.2 非關(guān)系型數(shù)據(jù)庫NoSQL 20
2.2.1 廣義列模型：Google BigTable 21
2.2.2 Key-Value模型：Amazon Dynamo 22
2.2.3 文檔存儲模型：MongoDB 23
2.2.4 NoSQL基本思想總結(jié) 24
2.3 關(guān)系數(shù)據(jù)庫與海量異構(gòu)數(shù)據(jù)存儲 25
2.3.1 數(shù)據(jù)倉庫 25
2.3.2 復(fù)制技術(shù) 25
2.3.3 數(shù)據(jù)切分 27
2.3.4 關(guān)系數(shù)據(jù)庫和NoSQL結(jié)合方式 27
2.4 云計算平臺 29
2.4.1 Hadoop架構(gòu)介紹 29
2.4.2 HDFS分布式文件系統(tǒng) 30
2.4.3 MapReduce并行處理框架 31
2.4.4 基于Hadoop的生態(tài)數(shù)據(jù)存儲框架設(shè)計 32
2.5 本章小結(jié) 33
參考文獻 34
第3章 基于Google Earth Engine云平臺的陸表參數(shù)變化分析 35
3.1 概述 35
3.2 GEE云平臺 36
3.2.1 GEE概述 36
3.2.2 主要數(shù)據(jù)說明 39
3.3 研究區(qū)概況及分析方法 40
3.3.1 研究區(qū)概況 40
3.3.2 NDVI數(shù)據(jù)重建 41
3.3.3 時間序列分析 42
3.3.4 相關(guān)性分析 42
3.4 三峽庫區(qū)土地利用與陸表參數(shù)變化特征 42
3.4.1 植被SINDVI變化時空分布特征 42
3.4.2 地表溫度變化時空分布特征 43
3.4.3 反照率變化時空特征分析 45
3.4.4 土地利用變化分析 46
3.4.5 陸表參數(shù)相關(guān)分析 47
3.5 土地利用變化對關(guān)鍵陸表參數(shù)影響 48
3.5.1 土地利用與SINDVI研究 49
3.5.2 土地利用與地表溫度研究 49
3.5.3 土地利用與反照率研究 50
3.6 本章小結(jié) 50
3.6.1 討論 50
3.6.2 結(jié)論 51
參考文獻 52
第4章 基于機器學習算法的陸地生態(tài)系統(tǒng)碳通量估算 55
4.1 概述 55
4.2 通量觀測數(shù)據(jù)獲取與處理 57
4.2.1 觀測站點介紹 57
4.2.2 數(shù)據(jù)處理 57
4.3 主要機器學習方法與性能評價 59
4.3.1 機器學習方法 59
4.3.2 模型構(gòu)建 60
4.3.3 性能評價 60
4.4 主要結(jié)果分析 61
4.4.1 機器學習在不同陸地生態(tài)系統(tǒng)中的GPP模擬 61
4.4.2 機器學習在不同陸地生態(tài)系統(tǒng)中的RE模擬 64
4.4.3 機器學習在不同陸地生態(tài)系統(tǒng)中的NEE模擬 66
4.5 討論 68
4.5.1 機器學習模型的性能及其比較 68
4.5.2 機器學習模型在不同碳通量上的預(yù)測能力 68
4.5.3 機器學習模型在不同陸地生態(tài)系統(tǒng)上的預(yù)測能力 69
4.6 本章小結(jié) 69
參考文獻 70
第5章 基于生態(tài)大數(shù)據(jù)的西南喀斯特地區(qū)生態(tài)恢復(fù)成效評估 74
5.1 概述 74
5.2 生態(tài)工程恢復(fù)成效研究進展 76
5.3 生態(tài)工程恢復(fù)成效評估方法 76
5.3.1 相關(guān)數(shù)據(jù)介紹 76
5.3.2 統(tǒng)計分析方法 79
5.4 西南喀斯特地區(qū)植被SIF時空動態(tài)分析 80
5.4.1 空間格局 80
5.4.2 年際及季節(jié)動態(tài) 80
5.4.3 空間趨勢分析 82
5.5 生態(tài)工程影響評估 84
5.5.1 生態(tài)工程對區(qū)域植被SIF的影響 84
5.5.2 西南喀斯特地區(qū)植被動態(tài)影響因素 85
5.6 本章小結(jié) 86
參考文獻 87
第6章 基于生態(tài)大數(shù)據(jù)的紅樹林濕地生態(tài)系統(tǒng)健康評價 91
6.1 概述 91
6.2 紅樹林生態(tài)系統(tǒng)健康評價研究進展 93
6.3 漳江口紅樹林濕地生態(tài)系統(tǒng) 94
6.3.1 漳江口紅樹林濕地概況 94
6.3.2 土地覆蓋數(shù)據(jù)主要獲取來源 95
6.4 紅樹林濕地生態(tài)系統(tǒng)健康評價方法 95
6.4.1 評價指標體系構(gòu)建 95
6.4.2 指標權(quán)重計算 97
6.4.3 生態(tài)系統(tǒng)健康指數(shù) 97
6.5 紅樹林濕地生態(tài)系統(tǒng)變化 97
6.5.1 景觀格局變化特征 97
6.5.2 濕地生態(tài)系統(tǒng)的壓力-狀態(tài)-響應(yīng)健康狀況 99
6.5.3 濕地生態(tài)系統(tǒng)健康水平的時空變化 101
6.6 紅樹林濕地生態(tài)系統(tǒng)健康變化驅(qū)動力因素分析 102
6.6.1 互花米草入侵與海平面上升的影響 102
6.6.2 養(yǎng)殖業(yè)擴增與海堤建設(shè)的影響 102
6.6.3 保護區(qū)建設(shè)的影響 103
6.7 本章小結(jié) 104
參考文獻 104
第7章 基于生態(tài)大數(shù)據(jù)的區(qū)域生態(tài)安全診斷 106
7.1 生態(tài)安全概述 106
7.2 相關(guān)研究方法 107
7.2.1 生態(tài)足跡 109
7.2.2 生態(tài)承載力 109
7.2.3 生態(tài)赤字/盈余 109
7.2.4 生態(tài)壓力指數(shù) 110
7.3 全國尺度生態(tài)安全格局分析 110
7.3.1 生態(tài)足跡分析 110
7.3.2 生態(tài)承載力分析 112
7.3.3 生態(tài)安全分析 114
7.4 河南省生態(tài)安全格局分析 115
7.4.1 人均生態(tài)足跡分析 115
7.4.2 人均生態(tài)承載力分析 117
7.4.3 人均生態(tài)赤字/盈余與生態(tài)壓力指數(shù)分析 118
7.5 討論 120
7.6 本章小結(jié) 120
參考文獻 121
第8章 基于生態(tài)大數(shù)據(jù)的蔬菜重金屬含量研究 123
8.1 概述 123
8.2 重金屬Cd脅迫下植物高光譜技術(shù)的應(yīng)用及研究進展 124
8.2.1 基本原理 124
8.2.2 高光譜遙感信息提取方法 124
8.3 常見蔬菜Cd含量的高光譜遙感分析 127
8.3.1 小白菜 127
8.3.2 辣椒 131
8.3.3 莖瘤芥 136
8.4 討論 140
8.5 本章小結(jié) 141
參考文獻 141
第9章 基于生態(tài)大數(shù)據(jù)的干旱評價及其對糧食產(chǎn)量的影響 143
9.1 概述 143
9.2 微波遙感觀測土壤水分進展 144
9.2.1 遙感估算原理及全球產(chǎn)品介紹 144
9.2.2 微波遙感反演土壤水分算法研究進展 146
9.3 農(nóng)業(yè)干旱監(jiān)測方法 148
9.3.1 基于植被指數(shù)的干旱監(jiān)測 148
9.3.2 基于植被指數(shù)和溫度的干旱監(jiān)測 148
9.3.3 基于土壤水分的干旱監(jiān)測 149
9.4 東北地區(qū)干旱監(jiān)測及其對糧食產(chǎn)量的影響分析 149
9.4.1 研究區(qū)及數(shù)據(jù)源 149
9.4.2 基于土壤水分的東北地區(qū)干旱程度評價 151
9.4.3 干旱程度與糧食產(chǎn)量的關(guān)系 155
9.5 本章小結(jié) 158
參考文獻 158
第10章 基于生態(tài)大數(shù)據(jù)的植被總初級生產(chǎn)力估算及*新進展 161
10.1 概述 161
10.2 葉綠素熒光遙感反演進展 162
10.2.1 SIF主要獲取方法及優(yōu)勢 162
10.2.2 SIF遙感反演算法進展 163
10.3 常用的GPP估算方法 166
10.3.1 渦度相關(guān)算法 167
10.3.2 基于遙感資料的光能利用率模型 167
10.3.3 生態(tài)過程模型估測 167
10.3.4 動態(tài)全球植被模型 168
10.4 基于SIF估算GPP的不確定性與挑戰(zhàn) 168
10.4.1 基于SIF估算GPP的模型 168
10.4.2 基于SIF估算GPP的不確定性 170
10.4.3 機遇與挑戰(zhàn) 171
10.5 本章小結(jié) 174
參考文獻 175
第11章 基于生態(tài)大數(shù)據(jù)的越冬水禽棲息地植被動態(tài)及影響因素分析 181
11.1 概述 181
11.2 方法與數(shù)據(jù) 182
11.2.1 研究區(qū)概況 182
11.2.2 數(shù)據(jù)來源與處理 184
11.3 水禽越冬季植被覆蓋季內(nèi)動態(tài)變化 185
11.3.1 季內(nèi)時間變化特征 185
11.3.2 季內(nèi)空間變化特征 186
11.4 水禽越冬季植被覆蓋年際動態(tài)變化 187
11.4.1 年際時間變化特征 187
11.4.2 年際空間變化特征 188
11.5 水文條件對植被年際動態(tài)變化的影響 190
11.6 討論 191
11.6.1 越冬季植被覆蓋動態(tài)變化的限制因素 191
11.6.2 影響水禽數(shù)量的潛在因素 193
11.7 本章小結(jié) 194
參考文獻 194
第12章 基于生態(tài)大數(shù)據(jù)的洪水淹沒分析與災(zāi)情評估 197
12.1 概述 197
12.2 洪水淹沒研究進展 198
12.3 實驗過程 201
12.3.1 研究區(qū)概況和數(shù)據(jù)預(yù)處理 201
12.3.2 洪水淹沒分析方法 204
12.3.3 研究方法 206
12.4 實驗討論 208
12.4.1 實驗結(jié)果 208
12.4.2 望江縣洪水淹沒現(xiàn)狀 208
12.4.3 洪水災(zāi)情模型評估權(quán)重選取 209
12.5 本章小結(jié) 211
參考文獻 211
第13章 基于生態(tài)大數(shù)據(jù)的西南地區(qū)極端干旱季節(jié)性響應(yīng)分析 213
13.1 干旱概述 213
13.2 西南地區(qū)干旱研究進展 214
13.3 干旱的季節(jié)性研究方法 216
13.3.1 主要數(shù)據(jù)說明 217
13.3.2 研究方法介紹 219
13.4 西南地區(qū)極端干旱的季節(jié)性響應(yīng)分析 221
13.4.1 地表水響應(yīng) 221
13.4.2 植被響應(yīng) 222
13.4.3 氣象響應(yīng) 224
13.5 討論 225
13.6 本章小結(jié) 226
參考文獻 226