1.一种景观格局分析与预测方法,其特征在于,包括:
获取研究区域的研究数据,并基于该研究数据计算土地利用转移矩阵和景观格局指数;其中,土地利用转移矩阵的计算公式如下:式中,n表示地表覆盖类型,S
利用Pearson相关性分析方法从面积边缘指数、形状指数和聚集指数三个层面客观地选择10个相关性低的景观指数;其中,10个景观指数分别为斑块所占景观面积比例、平均形状指数、面积加权平均形状指数、平均斑块周长面积比、面积加权平均斑块分形指标、斑块密度、分散指数、景观分离度、散布与并列指数和斑块内聚力指数;
根据土地利用转移矩阵和10个景观指数对研究区域的景观时空变化进行分析,得到景观变化分析结果;
利用地理探测器中的分异及因子探测器计算驱动力因素的解释力,以确定研究区域的驱动力因素,驱动力因素选择自然因素,包括高程数据、坡度数据、降水数据和温度数据;分异及因子探测器的表达式为:式中,q表示驱动力因素的解释力,L表示自然因素分类数,
基于研究区域的驱动力因素指导适宜性图集构建CA-Markov模型,对研究区域未来的地表覆盖情况进行预测;其中,CA-Markov模型的表达式为:式中,S表示元胞有限离散的集合状态;t、t+1分别表示不同的时刻;Y表示元胞的领域;f表示局部空间的元胞转化规则。
2.根据权利要求1所述的景观格局分析与预测方法,其特征在于,研究区域为长白山国家级自然保护区。
3.根据权利要求2所述的景观格局分析与预测方法,其特征在于,研究数据为长时序地表覆盖数据,即从地球大数据科学工程数据共享服务系统获得的1985年-2020年的精细地物覆盖数据。
4.根据权利要求1~3中任一项所述的景观格局分析与预测方法,其特征在于,利用地理探测器中的交互作用探测器识别不同驱动力因素之间的相互作用,评估不同驱动力因素共同作用时对因变量Y的解释力是否增强。
5.根据权利要求4所述的景观格局分析与预测方法,其特征在于,驱动力因素的交互作用类型包括非线性降低、单因素的非线性衰减、双因素增强、因素相互独立性、非线性增强;其中,非线性降低的判断依据为:
q(X1∩X2)
单因素的非线性衰减的判断依据为:
Min(q(X1),q(X2))
双因素增强的判断依据为:
q(X1∩X2)>Max(q(X1),q(X2));
因素相互独立性的判断依据为:
q(X1∩X2)=q(X1)+q(X2);
非线性增强的判断依据为:
q(X1∩X2)>q(X1)+q(X2);
X1和X2分别表示驱动因素,q(X1)和q(X2)分别表示驱动因素X1和X2对因变量Y的q值。
6.根据权利要求3所述的景观格局分析与预测方法,其特征在于,选取高程数据、坡度数据和水系数据作为适宜性图集影响因素,制作适宜性图集,CA-Markov模型基于适宜性图集对长白山国家级自然保护区未来的地表覆盖变化进行预测。
7.根据权利要求6所述的景观格局分析与预测方法,其特征在于,CA-Markov模型利用长白山国家级自然保护区于2010年和2015年的地表覆盖数据,模拟长白山国家级自然保护区于2020年的地表覆盖数据,Kappa系数用于判断CA-Markov模型是否用于预测未来地表覆盖变化,并利用长白山国家级自然保护区2015年和2020年的地表覆盖数据预测长白山国家级自然保护区于2025年的地表覆盖数据。