Agbs erstellen Muster

Für die oben genannten remote erfassten VIs ist ein grundlegender Faktor, der ihre Genauigkeit bei der Erkennung von AGB beeinflussen kann, ihre Korngröße. Jüngste Studien verwendeten häufig den ModiS-Datensatz (Moderate Resolution Imaging Spectroradiometer), um periodische AGB-Bewertungen der terrestrischen Ökosysteme auf regionaler Ebene zu erstellen, die in einer Reihe von Korngrößen von 250 m bis 1 km verfügbar sind. Die räumliche Heterogenität innerhalb jedes grobkörnigen Pixels kann zu einem gemischten Pixel führen, das aus einem Mosaik verschiedener Bodenbedeckungstypen besteht. Mit der Vergrößerung der Bildkorngröße wird die Bodenbedeckung in einem Pixel fragmentierter, was zu einem Verlust der direkten Verbindung zwischen Biomasse und Bodenbedeckungsarten führt (Miettinen und Liew 2009). Getreidegröße wurde als ein Schlüsselfaktor bei der Beeinflussung der Vorhersagen der Artenverteilung und des Reichtums mustern betrachtet (Guisan et al. 2007; Rahbek 2005; Willis und Whittaker 2002). Korngröße wirkt sich auch auf die AGB-Schätzung aus, da sich das Richness-Muster konsequent auf die AGB-Humpform auswirkt (Allcock und Hik 2003). Daher ist ein klares Verständnis, ob oder wie die Korngröße einer ferngesteuerten Bildsprache die AGB-Schätzung beeinflusst, notwendig, um die unterschiedlichen AgBs jeder Vegetationseinheit (z.B. Deckformen und Gemeinschaften) genau widerzuspiegeln.

Allgemeine lineare Modelle (GLMs) wurden verwendet, um zu veranschaulichen, wie klimatische Faktoren die räumlichen Variationen in AGB in den folgenden vier Schritten beeinflussen. Erstens haben wir nach dem Zufallsprinzip 1000 Punkte innerhalb von Grünland geschaffen und gleichzeitig AGB, monatliche mittlere Niederschlagsmenge und monatliche Durchschnittstemperatur an diesen Punkten extrahiert. Da die Fällungszeit für die Grünlandproduktivität von besonderer Bedeutung ist (Craine et al. 2012), haben wir weiter den mittleren jahreslichen Niederschlag (MAP), die Vegetationsperiode und die maximale monatliche Niederschlagung berechnet. In den Modellen wurden auch die mittlere Jahrestemperatur (MAT), die minimale und maximale Jahrestemperatur sowie die Jahrestemperatur berücksichtigt. Räumliche Variationen von MAP und MAT wurden in Abb. 1 dargestellt. Drittens wurden GLMs verwendet, um die Zusammenhänge zwischen dem geschätzten AGB und allen möglichen Kombinationen von Niederschlag und Temperatur zu untersuchen. Schließlich wurde das am besten ausgeführte Modell anhand der R2- und Akaike-Informationskriteriumswerte identifiziert.

Posted in Uncategorized