甘肃省林草大数据平台建设的指标提取

张琴 王新源 程小云

摘要：  以甘肃省为例，通过分析林草大数据指标的基本特征，将其从空间尺度和服务对象2个方面进行分类。之后，依照地理景观与植被分布，将甘肃省分为河西走廊荒漠绿洲、祁连山森林草地、陇中—陇东黄土高原、陇南—陇东南山地森林和甘南高寒草地灌丛5个生境区，并在阐述了各生境区主要的生态服务功能的基础上，明确和提取出适宜于相应生境区的关键指标。

关键词：  林草大数据;  空间尺度;  服务对象;  生境区;  指标提取

中图分类号：   F 326. 2; TP 308               文献标识码：   A                文章编号：1001 - 9499（2021）01 - 0027 - 07

大数据是互联网与通信技术高速发展取得的重要技术突破，与传统数据系统相比，在数据存储、传输、处理及应用方面技术优势明显，已成为推进经济社会发展的重要驱动力。目前，大数据在互联网、经济、医疗、交通和公共管理等领域的应用初见成效[ 1 ]。对于与生态环境密切相关的林草行业，诸多学者亦认识到大数据的重要性，并进行了相应研究[ 2 - 5 ]。

频发的生态问题迫使人们要求林草业由简单的追求生产力和商品输出等直接经济价值转变为以涵养水源、水土保持、固碳释氧等生态效益为主，兼顾社会与经济效益的综合性价值。然而，生态环境问题的解决与生态系统功能价值的评估需要长期的数据积累，这些数据来源多样、分布广泛、结构复杂、采集手段和分析方法不一致、涉及部门与服务对象广泛，应用传统的方法难以全面精准的进行信息提取与解译。因此，适时构建大数据平台，通过对海量复杂数据的有效分析与把控，有助于准确掌握林草行业各类资源的变化趋势与原因，为科学解决各类生态环境问题提供技术支撑。

甘肃省位于中国3大自然地理区域的过渡区[ 6 ]， 是黄土、青藏及内蒙古高原的交汇地带，境内山脉纵横，气候多变，在各类自然要素的共同驱动下，形成了山脉、高原、丘陵、盆地、沙漠等丰富多彩的地貌景观[ 7 ]，构建出森林、草地（草原、草甸）、荒漠等复杂多样的生态类型。生境的多樣性与破碎化，为甘肃省林草行业科学研究与特色生态产业的发展提供了机遇，但也为大数据平台构建中基础数据的提取带来了困难。由于生境类型复杂多样，甘肃省不同区域内林草业重点关注的数据指标存在差异，甚至大相径庭，表明甘肃省林草大数据指标的选取与收集应遵循因地制宜的原则。鉴于此，研究首先将林草行业相关数据指标进行分类，之后，综合气候、地貌、景观及生态系统等多个因素，将甘肃划分为河西走廊荒漠绿洲、祁连山森林草地、陇中—陇东黄土高原、陇南—陇东南山地森林和甘南高寒草地灌丛5个生境区，并最终分析与提取出适宜于各生境区的关键数据指标，以在降低大数据平台运营成本的同时进一步发挥其应用价值，为科学研究和政府决策提供理论支撑。

1 数据指标的分类

林草大数据信息类型多样，数据来源丰富[ 8 ]，对这些数据进行辨识与分类，提取出高价值的科研信息和社会信息，是大数据平台建设的核心要求。目前，林草行业数据指标分类主要存在两方面的问题，一是生态环境具有尺度性，复杂性与多样性并存的基本特征，单一的分类模式难以准确的提供满足大数据平台架构所需数据;二是林草部门业务庞杂，职能繁多，欠缺有效管理与合理分工，极大的阻碍了数据的科学分类。鉴于此，本研究在充分考虑林草行业数据本质特征的同时，兼顾了简明、高效、可靠等利于科学研究与社会应用的诸多原则，尝试将甘肃省林草大数据所需的指标按空间尺度和服务对象2种相对独立、却又存在关联的模式进行分类。

1. 1 空间尺度

林草数据是生境空间内真实特征和过程的抽象与综合[ 9 ]，空间范围不同，林草数据的状态、过程、变化规律乃至表征意义均不同，部分数据局限于独立的空间尺度内，而另一部分数据则跨越多个空间尺度，具有一定的连续性和延展性。在甘肃境内，依照空间表达的适宜度，数据可分为小尺度、中尺度与大尺度3个类别（图1）。

1. 1. 1 小空间尺度

小空间尺度的数据多是基于野外样地（样方）和研究台站获取的，因此，小空间尺度数据的解释能力通常与样地大小密切相关。样地与台站常布设在代表性明显的单一生境单元中，对分布其中的环境指标和生物指标便于进行长期的动态监测。监测数据主要包括气象指标（地表温度、降水、风速等）、土壤指标（土壤容重、含水量、有机质等）、植被指标（地上生物量、盖度、多度、郁闭度、胸径、物种丰富度、枯落物储量等）等，这些数据能够较为精确的表征小空间尺度内各类自然要素的生态过程，是诠释下垫面生态系统结构与功能变化规律的关键。

1. 1. 2 中空间尺度

对于生态学来说，中空间是生态景观由种群、群落向生态系统过渡的关键尺度，但由于景观镶嵌引起的空间异质性，林草部门很难应用传统方法在中空间尺度下提取出精确的信息。当前，得益于无人机低空遥感技术的发展，测度“样方”由传统的米级扩展为千米级，一定程度上解决了景观格局引起的空间异质性问题，无人机低空遥感技术具有响应快速、成像分辨率高、全天候、低成本等特点，对于林草行业，尤其适用于种群和群落两种中空间尺度生态要素的数据收集与度量。在种群尺度上，无人机技术常用于测度种群分布格局[ 10 ]、种群的迁移与扩散等方面[ 11 ];在群落尺度上，无人机低空遥感主要用于群落生物量、群落面积、中小尺度生境单元界线等方面的测算[ 12 - 13 ]。通过携带多种传感设备，无人机还可深入调查极高山林带、沼泽湿地等人力难以到达的区域，在降低工作成本的同时保护了技术人员的人身安全。

1. 1. 3 大空间尺度

对于林草行业，当分析对象空间尺度达数百平方千米以上时，利用遥感技术（航空航天）可快速获取区域尺度下多时相、多波段的地表信息，是大空间尺度林草行业调查研究的重要技术手段。

林草行业所需的遥感数据主要用于综合与解译下垫面植被的反射光谱信息，各类卫星采集的不同光谱信息能够反映不同的植被数据，主要指标包括：通过人机互动解译获取与判读的土地利用与覆被变化类型（Land Use and Land Cover Change， LUCC）数据;不同比例尺下植被类型空间分布数据;多光谱解析后获取的能精确量度植被生长状况与覆盖度的归一化植被指数（Normal Difference Vegetation Index， NDVI）[ 14 ];反映陆表植被生产力与冠层结构的净初级生产力（Net Primary Productivity， NPP）与叶面积指数（Leaf Area Index， LAI）等。这些数据能够表征区域时空尺度下林草领域相关生态系统生物量、生产力、生物多样性及生态系统服务功能的变化规律与演替方向[ 15 ]，为行业内科学研究与政府决策提供技术支撑和理论指导。此外，部分与林草业紧密相关的社会经济信息也属于大空间数据，这些数据通常以行政区域为统计单位，专业调查为收集方法，常见的主要有经济林面积、经济林产值、畜牧业产值、牲畜存出栏数等。

应当看到，在大数据指标选取过程中，各空间尺度数据间联系紧密，具体表现在大空间的航空航天遥感数据对小空间样地的布设有重要的指导作用，小空间定点数据可以验证与提高大空间遥感信息的精确度，中空间低空遥感数据在降低小空间数据景观异质性的情况下提高了群落尺度植被信息的获取效率。可以预期，不同空间尺度数据指标的融合与反演将成为林草行业大数据研究的热点。

1. 2 服务对象

随着大数据平台的构建，林草行业各类数据的应用价值愈加突出，为林草部门各项业务工作的科学开展与精准施策提供了数据支撑与理论依据，根据服务对象的不同，数据指标可分为以生态效益为主的基础研究型数据、以社会经济效益为主的服务管理型数据和兼具生态效益与社会经济效益的综合型数据3个类别（图1）：

1. 2. 1 基础研究型

基础研究型数据主要用于生态系统健康状况监测、生态服务与价值的评估等与生态效益密切相关的各类业务工作，如森林结构调整、森林和草地资源生态服务功能评价，森林碳汇监测与评估等。林草行业相关生态系统内中小空间尺度數据，即基于样地和无人机低空遥感技术获取的各类植被指标及相应的环境指标多属于基础研究型数据，这些数据能够有效评估各类生态资源（森林、草地等）的质量与演替方向、为各项林草工程的建设与管理提供技术支持与理论依据。

1. 2. 2 服务管理型

服务管理型数据常面向政府与社会公众，用以度量林草资源在社会经济方面的价值，这类数据主要来源于经济类专项统计和入户调查，收集的空间尺度常以行政单元（大尺度）为基准，存在典型的市场与政策导向性。牲畜存出栏数、经济林产值属于典型的服务管理类数据。

1. 2. 3 综合型

综合型林草数据既适用于于生态学基础研究，亦可在国民经济政策制定中发挥作用，具有较高的应用价值，是大数据平台构建的关键数据。目前，综合型数据已广泛应用于林草行业多数业务工作，如森林资源清查、草地资源调查等。

应当看到，生态系统的保护与修复始终是林草部门的主要职能，而国家对甘肃省的主要定位是我国西部重要的生态安全屏障，鉴于此，甘肃省林草大数据平台建设所需的关键数据指标应以基础研究型和综合型为主。

2 不同生境区数据指标的提取

依据甘肃省的实际情况，并充分参考前人研究成果[ 10 ]，可将甘肃分为河西走廊荒漠绿洲、祁连山森林草地、陇中—陇东黄土高原、陇南—陇东南山地森林、和甘南高寒草地灌丛5个生境区（表1）。

2. 1 河西走廊荒漠绿洲生境区

河西走廊地处祁连山以北，东起乌鞘岭，西至新疆，整体呈东南—西北走向，总面积为2.71×105 km2，占据甘肃省的60%[ 16 ]，区域内气候干燥、降水稀缺，沙漠、戈壁分布广泛，得益于祁连山区地表径流的供给，在武威、张掖、敦煌等地区形成了大片的绿洲，构建出典型的荒漠绿洲生境区。河西走廊荒漠绿洲生境区属于水分受限生态系统[ 17 ]，有限的水资源既要维持区域内基本的生态功能，抑制荒漠化的加剧，又需保证人类的生产生活需求，以促进经济社会的健康稳定[ 18 ]。因此，该区域优先提取的关键指标应是兼顾生态效益和经济社会效益的综合型数据，同时，由于具有较低的植被盖度、相对均一的地貌类型和较好的交通通达度，不同空间尺度的数据在河西走廊荒漠绿洲生境区均可获得较好的收集效果。总体来看，小空间定点数据中，地表风速、地下水埋深、地表径流量等与荒漠绿洲生境区形成和演化密切相关的指标应优先提取，经过网络化插值分析，这些点数据可转换为大空间尺度的面数据。大空间遥感数据中，NDVI、NPP等可有效表征植被分布与生长状况的各类指数以及经过人工或软件（如eCognition）解译获取的荒漠化面积、绿洲面积、LUCC等关键地表信息也应重点给予关注（表 1）。

2. 2 祁连山森林草地生境区

祁连山作为甘肃境内重要的生态屏障，是石羊河、黑河和疏勒河的发源地与产流区，同时也是河西绿洲得以存在与维持的关键。祁连山自然条件复杂，区内气候与海拔高度关系密切[ 19 ]，植被分布呈明显的垂直地带性，按海拔由低到高依次发育有山地草原、山地森林草原、高山灌丛草甸等亚生境单元。考虑到祁连山森林草地生境区在水源涵养和调节气候方面的关键作用，该区域数据指标以注重生态效益的基础研究型为主，综合型数据为辅。地表温度、降水量、地表径流、林线高度、森林与草地生长状况与分布格局（NDVI、NPP等基于遥感技术的指数）等指标应优先收集，此外，由于祁连山区地貌复杂，交通不便，中小空间尺度指标提取存在困难，可在重点区域设立固定站点进行数据的长期监测与收集，同时采用无人机低空遥感技术，准确判读森林、灌木和草本植物群落的分布界线与面积。

2. 3 陇中—陇东黄土高原生境区

陇中—陇东黄土高原生境区主要涵盖兰州、白银、定西、平凉和庆阳等多个地市，是国家战略“黄河流域生态保护和高质量发展”重点关注的生态屏障区。水资源短缺与水土流失是陇中—陇东黄土高原生境区面临的主要生态问题[ 20 ]，同时该区域还是甘肃省退耕还林生态工程的主要实施区和苹果等经济林的主产区，因此，在指标选取过程中应3类服务对象并重，这其中，基础研究型数据应优先收集小空间样地观测的降雨过程（降雨量、降雨强度、降雨时长等）、土壤指标（容重、含水量、有效持水量、团聚体组成等）、植被指标（盖度、郁闭度等）和地形指标（坡向、坡度、侵蚀沟密度等），主要目的是精确测度土壤侵蚀水平与水源涵养能力;综合型数据以中空间的无人机低空遥感和大空间的各类航空航天遥感数据为主，主要包括森林覆被面积、LUCC、NDVI等，从宏观层面分析生境区域内植被的动态变化;服务管理型数据优先收集经济林面积、结构与产值等涉及林草行业社会经济价值的指标（表 1）。

2. 4 陇南—陇东南山地森林生境区

陇南—陇东南山地森林生境区主要包括陇南市及天水市东南部部分水热条件较佳的区域，地带性植被以常绿阔叶、落叶阔叶及松栎混交林为主，是甘肃省森林资源最为丰富的地区[ 21 ]。该区属于长江多条支流的发源地与汇水区，同时也是大熊猫（Ailuropoda melanoleuca）、金钱豹（Panthera pardus）、红豆杉（Taxus wallichiana var. chinensis）、連香树（Cercidiphyllum japonicum）、银杏（Ginkgo biloba）等多种珍稀野生动植物的重要分布区，在水源涵养与生物多样性维持方面具有不可替代的作用，因此，在数据指标提取中应优先考虑基础研究型。可以预见，与物种多样性和水源涵养密切相关的小空间尺度指标（郁闭度、株高、胸径、蓄积量、物种丰富度、枯落物储量、降雨量、林冠截留量＼率、枯落物有效持水量、土壤有效持水量等）是陇南—陇东南山地森林生境区需要提取的重要信息（表1），表明以样地布设为主的长期定位观测仍然是区域内数据获取的主要手段。此外，类似于其它生境区，综合型遥感数据（LUCC、NPP、LAI等）在大空间尺度的指导作用仍是不可或缺的，亦需要重视。

2. 5 甘南高寒草地灌丛生境区

甘南高寒草地灌丛生境区位于青藏高原东北缘，气候寒冷湿润，植被以高寒草地、灌丛为主，是黄河上游重要的水源涵养和补给区[ 14 ， 22 ]。畜牧业是该区域经济发展的支柱产业，与农牧民的生产生活密切相关，寻求科学的放牧方式，明确合理的放牧强度，是确保生态安全与经济可持续发展的关键。由此可见，就服务对象而言，甘南高寒草地灌丛生境区的指标涵盖全部3种类型，其中基础研究型数据中优先级较高的主要包含小空间尺度定点观测获取的降水量、地表径流量、地下水埋深等气象环境指标，主要目的是准确判读水资源的动态变化;综合型遥感数据中，NDVI和NPP在草地生态系统的敏感度较高[ 14 ]，亦需要优先考虑，主要用于明确区域尺度上植被的变化趋势，为当前放牧方式和强度的科学调整提供依据;服务管理型数据中，需优先收集与畜牧业密切相关的牲畜存出栏数、畜牧业产值等，主要目标是对农牧民生产生活水平做出准确判断（表1）。

综上可见，无论何种生境区，LUCC、NDVI等源于遥感技术的指标均需优先提取，主要原因是这类数据能够较精确的表征大空间尺度植被生长状况与分布格局，有助于从宏观层面上揭示林草生态系统的变化规律，这是其它数据难以提供的关键信息。

3 结论与讨论

3. 1 林草数据按空间尺度可分为小、中、大3类，依照服务对象同样可分为3类，依次为基础研究型、综合型及服务管理型。具体来看，小空间数据主要源于样地采集和定点观测，多属于注重生态效益的基础研究型;中空间数据与无人机技术密切相关，在基础研究与数据的尺度推演方面作用突出;大空间数据主要来自于航空航天遥感和社会经济调查，其中遥感数据属于兼具生态导向与社会经济导向的综合型数据，社会经济调查获取的数据则以服务管理型为主。

3. 2 研究将甘肃分为5个生境区，不同生境区需要重点提取的数据指标不同，河西走廊荒漠绿洲生境区收集信息以反映水资源现状与绿洲生产生活健康度为主;祁连山森林草地生境区优先考虑了水源涵养、气候调节、植被分布等与生态功能密切相关的指标;陇中—陇东黄土高原生境区提取的数据主要聚焦于水源涵养与水土保持，同时兼顾经济林发展状况;陇南—陇东南山地森林生境区收集指标呈现基础研究型和综合型并重的特征，以全面反映区域内植被生长、物种多样性及水源涵养状况;甘南高寒草地灌丛生境区相关数据在注重水源涵养与生态安全的同时，充分考虑了畜牧业健康有序发展的需求。

3. 3 综合来看，不同生境区之间差异化的气候条件和林草分布格局决定了其生态服务功能不同，预示着林草资源各类指标所能提供的信息价值也大相径庭。因此，在对林草行业各类数据按空间尺度和服务对象统一分类的基础上，依照不同生境区域进行精准化提取，是提高甘肃省林草大数据平台应用价值，降低其运行成本的有效手段。

参考文献

[1] 方巍，  郑玉，  徐江.  大数据： 概念、技术及应用研究综述[J]. 南京信息工程大学学报： 自然科学版， 2014， 6（5）： 405 - 419.

[2] Stephanie E H， Carly A S， Joshua J T. Big data and the future of ecology[J]. Frontiers in Ecology and the Environment， 2013， 11（3）： 156 - 162.

[3] 王虎威，  张文革，  于新文，  等.  森林生态定位观测系统网络管理平台设计与实现[J]. 世界林业研究， 2018， 31（3）： 28 - 33.

[4] 王雪军.  基于多源数据源的森林资源年度动态监测研究[D]. 北京：  北京林业大学，  2013.

[5] 江林升，  田文雅.  基于Web GIS数据挖掘的林业主动信息推送系统模式构建的探讨[J].林业资源管理， 2011（5）： 131-134.

[6] 伍光和，  江存远.  甘肃省综合自然区划[M].  兰州：  甘肃科学技术出版社， 1998.

[7] 刘康，  欧阳志云，  王效科，  等.  甘肃省生态环境敏感性评价及其空间分布[J].  生态学报， 2003， 23（12）： 2 711 - 2 718.

[8] 刘晓曙.  大数据时代下金融业的发展方向、趋势及其应对策略[J].  科学通报，  2015， 60（Z1）： 453 - 459.

[9] 孙伟，  马志波，  曹姗姗，  等.  林业资源数据特征分析[J].  西北林学院学报， 2014， 29（6）： 200 - 206.

[10] Flynn K F， Chapra S C. Remote Sensing of Submerged Aquatic Vegetation in a Shallow Non-Turbid River Using an Unmanned Aerial Vehicle[J]. Remote Sensing， 2014， 6（12）： 12 815 - 12 836.

[11] He K S， Rocchini D， Neteler M， et al. Benefits of hyperspectral remote sensing for tracking plant invasions[J]. Diversity and Distributions， 2011， 17（3）： 381 - 392.

[12] Pasher J， King D J. Multivariate forest structure modelling and mapping using high resolution airborne imagery and topographic information[J]. Remote Sensing of Environment， 2010， 114（8）： 1 718 - 1 732.

[13] Man Q X， Dong P L， Guo H D， et al. Light detection and ranging and hyperspectral data for estimation of forest biomass： A review[J]. Journal of Applied Remote Sensing， 2014， 8（1）： 69-89..

[14] 王新源，  連杰，  杨小鹏，  等.  玛曲县植被覆被变化及其对环境要素的响应[J].  生态学报， 2019， 39（3）： 923 - 935.

[15] 彭少麟，  郭志华，  王伯荪.  RS和GIS在植被生态学中的应用及其前景[J]. 生态学杂志， 1999， 18（5）： 52 - 64.

[16] 高振荣，  刘晓云，  杨庆华，  等.  河西走廊荒漠-绿洲区气候环境演变特征[J]. 干旱区研究， 2010， 27（1）： 31 - 38.

[17] 王新源，  陈翔舜，  丁乾平，  等.  不同荒漠化阶段植被生态特征对土壤环境因子的响应——以民勤荒漠绿洲过渡带为例[J]. 生态学报， 2018， 38（5）： 1 569 - 1 580.

[18] 刘洪霞，  冯益明，  曹晓明，  等.  荒漠生态系统大数据资源平台建设与服务[J].  干旱区资源与环境， 2018， 32（9）： 126 - 131.

[19] 武正丽，  贾文雄，  刘亚荣，  等. 近10 a来祁连山植被覆盖变化研究[J]. 干旱区研究， 2014， 31（1）： 80 - 87.

[20] 宋丽萍，  罗珠珠，  李玲玲，  等.  陇中黄土高原半干旱区苜蓿-作物轮作对土壤物理性质的影响[J]. 草业学报， 2015， 24（7）： 12 - 20.

[21] 程小云，  张龙生，  李源，  等.  甘肃省天然林碳汇现状及其动态变化分析[J]. 西部林业科学， 2020， 49（2）： 82 - 90.

[22] 赵雪雁.  生计资本对农牧民生活满意度的影响-以甘南高原为例[J]. 地理研究， 2011， 30（4）： 687 - 698.

第1作者简介：  张琴（1987-），  女，  工程师，  学士，  研究方向：  生态数字化、  林业资源管理。

通讯作者：  王新源（1984-），  男，  高级工程师，  博士，研究方向：  恢复生态学、  植被生态学。

收稿日期： 2020 - 07 -  02

（责任编辑：   李 丹）