地球科学进展

地球科学进展 ›› 2026, Vol. 41 ›› Issue (7): 749 -760. doi: 10.11867/j.issn.1001-8166.2026.055   cstr: 32269.14.adearth.CN62-1091/P.2026.055.

研究论文 上一篇    下一篇

公益林质量评估与政策检验及补偿类型智能识别
苏晨辉1(), 姜镓伟2, 肖智丹2, 罗勇1, 徐期瑚1, 赵少华3, 莫登奎4, 熊育久2,5()   
  1. 1.广东省林业调查规划院，广东 广州 510520
    2.中山大学 土木工程学院，广东 珠海 519082
    3.生态环境部卫星环境应用中心/国家环境保护卫星遥感重点实验室，北京 100094
    4.中南林业科技大学 林学院，湖南 长沙 410004
    5.中山大学 广东省华南地区水安全调控工程技术研究中心，广东 广州 510275
  • 收稿日期:2026-04-26 修回日期:2026-06-01 出版日期:2026-07-10
  • 通讯作者: 熊育久 E-mail:583803243@qq.com;xiongyuj@mail.sysu.edu.cn
  • 基金资助:
    广东省林业科技创新项目(2024KJCX008);国家自然科学基金面上项目(42571401)

Quality Assessment of Public Welfare Forests, Rationality Verification of Policies, and Intelligent Identification of Compensation Types

Chenhui Su1(), Jiawei Jiang2, Zhidan Xiao2, Yong Luo1, Qihu Xu1, Shaohua Zhao3, Dengkui Mo4, Yujiu Xiong2,5()   

  1. 1.Guangdong Forestry Survey and Planning Institute, Guangzhou 510520, China
    2.School of Civil Engineering, Sun Yat-sen University, Zhuhai Guangdong 519082, China
    3.Satellite Application Center for Ecology and Environment/State Environmental Protection Key Laboratory of Satellite Remote Sensing, Beijing 100094, China
    4.College of Forestry, Central South University of Forestry and Technology, Changsha 410004, China
    5.Guangdong Engineering Technology Research Center of Water Security Regulation and Control for Southern China, Sun Yat-sen University, Guangzhou 510275, China
  • Received:2026-04-26 Revised:2026-06-01 Online:2026-07-10 Published:2026-09-23
  • Contact: Yujiu Xiong E-mail:583803243@qq.com;xiongyuj@mail.sysu.edu.cn
  • About author:Su Chenhui, research areas include forest resources monitoring and assessment. E-mail: 583803243@qq.com
  • Supported by:
    the Technology Innovation Program from Forestry Administration of Guangdong Province(2024KJCX008);The National Natural Science Foundation of China(42571401)
全文 ( 0 ) 下载PDF ( 1 )

公益林质量评估与差异化生态补偿政策制定长期依赖地面抽样调查，但抽样调查难以客观、及时地反映大尺度森林质量动态变化，导致基于静态数据划定的补偿类型与生态实际存在错配风险。针对2024年广东省实施的公益林差异化生态补偿政策，利用政策实施前的多源遥感数据，构建公益林质量等级指数，评估2023年生态本底，借助公益林边界等先验知识，将数值连续的质量等级指数值转化为离散补偿类型，与政策划定的补偿类型进行空间匹配分析，识别错位区域。进而设计全连接神经网络模型，探索不依赖先验政策边界、仅基于连续遥感特征复现政策分类规则的智能识别方法。结果表明：①基于公益林质量等级指数的评价显示，广东省公益林质量以中等为主（面积占比72.9%），空间异质性显著；②公益林质量等级指数与政策补偿类型的总体空间匹配度为82%，在“特殊区域基础性补偿”类别内部，约20%的面积被划分为“一般区域激励性补偿”，揭示政策区划与实际森林质量之间存在部分脱节；③以林龄、郁闭度、蓄积量、生物量、碳汇量、树高、坡度、坡向8项遥感指标驱动的全连接神经网络模型，对“一般区域下的基础性与激励性补偿”的复现精度均超过90%，表明生态主导的分类规则可被自动学习；④模型对政策驱动主导的“特殊区域激励性补偿”复现精度较低（60%~78%），暗示纯生态特征驱动模型的局限。构建的方法为大尺度公益林质量动态评估、差异化补偿政策合理性检验及智能识别提供了方法学参考。

关键词: 公益林, 生态补偿, 质量评价, 机器学习, 多源遥感, 广东省

The assessment of public welfare forests quality and the formulation of differentiated ecological compensation policies have long relied on ground-based sampling surveys. However, such surveys are unable to objectively and timely capture the dynamic changes in forest quality over large scales, leading to a risk of mismatch between compensation types delineated from static data and actual ecological conditions. To address this issue, a methodology was developed using multi-source remote sensing data acquired before the implementation of a differentiated ecological compensation policy in Guangdong Province, China (2024), which classifies public welfare forests into four types: basic and incentive compensations under general zones and special zones, respectively. A Quality Rating Index (QRI) for public welfare forests was constructed to assess the ecological baseline of the year 2023. With the aid of prior knowledge (i.e., public welfare forests boundaries and compensation labels), the continuous QRI values were converted into discrete compensation types, and a spatial matching analysis was conducted between the QRI-based types and the policy‑defined types to identify mismatched areas. Furthermore, a Fully Connected Neural Network (FCNN) model was designed to explore an intelligent identification approach that can replicate policy classification rules based solely on continuous remote sensing features, without relying on prior policy boundaries. The results show that: ① the QRI-based evaluation reveals that the quality of public welfare forests in Guangdong was predominantly moderate (accounting for 73% of the area), with significant spatial heterogeneity. ② the overall spatial matching rate between QRI results and policy-defined compensation types was 82%. Within the “basic compensation in special zones” category, about 20% of the area was mapped as “incentive compensation in general zones”, indicating a partial disconnect between policy zoning and actual forest quality. ③ driven by eight remote sensing indicators (stand age, canopy density, stock volume, biomass, carbon sequestration, tree height, slope, and aspect), the FCNN model achieved a reproduction accuracy exceeding 90% for the general‑zone compensation types (both basic and incentive), demonstrating that ecologically dominated classification rules can be automatically learned. ④ the model’s reproduction accuracy for the policy‑driven “incentive compensation in special zones” was relatively low (60%~78%), revealing the limitation of purely eco‑feature‑driven models. The proposed framework provides a methodological reference for large-scale dynamic assessment of public welfare forests quality, rationality verification of differentiated compensation policies, and intelligent recognition of compensation types.

Key words: Public welfare forests, Ecological compensation, Quality assessment, Machine learning, Multi-source remote sensing, Guangdong Province.

中图分类号: 

图1 广东省公益林4种生态补偿类型空间分布
Fig. 1 Spatial distribution of four ecological compensation types for public welfare forests in the Guangdong Province
表1 本文采用的多源遥感数据基本信息
Table 1 Basic information for multi-source remote sensing data used in this study
遥感数据基本信息
空间分辨率/m时间来源精度
生物量302023年https：//zenodo.org/records/12747329R2：0.63；RMSE：68.26 Mg/hm2［15］
郁闭度302023年https：//zenodo.org/records/11047923R2：0.49~0.83［13］
树高102020年https：//doi.org/10.3929/ethz-b-000609802MAE：4.0 m；RMSE：6.0 m［12］
林龄302020年https：//zenodo.org/records/8354262R2：0.51~0.62［27］
土壤流失量302022年https：//doi.org/10.57760/sciencedb.12876MAE：7.96%［28］
净初级生产力302020年https：//doi.org/10.57760/sciencedb.20797R2：0.57~0.89［19］
数字高程模型30—https：//doi.org/10.5067/MEASURES/NASADEM/NASADEM_HGT.001［29］MAE：2.81 m；RMSE：5.30 m［29］
表2 公益林质量等级指数（QRI）模型中5指标与7指标体系的构成及专家权重
Table 2 Composition and expert weights of the 5-indicator and 7-indicator systems for the Quality Rating Index （QRI） model
指标7指标5指标
得分标准差权重/%

重要性

排序

得分标准差权重/%

重要性

排序

权重累计100100
蓄积量4.8221.2916.1327.571
植被变化趋势4.6818.7125.6819.433
碳汇量4.7615.4334.9917.294
郁闭度5.9615.2946.7720.142
土壤保持能力4.9911.7153.5515.575
生态保护红线5.3810.436———
坡度2.277.147———
图2 基于全连接神经网络（FCNN）的公益林生态补偿类型识别模型
Fig. 2 Identification model for ecological compensation types of public welfare forests using a Fully Connected Neural Network （FCNN）
表3 全连接神经网络（FCNN）模型输入特征配置与渐进式替换实验方案
Table 3 Input feature configuration and progressive replacement experiment design of the Fully Connected Neural Network （FCNN） model
数据驱动情景模型输入特征（公益林图斑属性）遥感反演指标（替换项）精度/%Kappa系数
相对稳定型动态变化型
1土地权属、林种、起源、每公顷株数、林地质量等级、林木使用权属、森林群落结构、特殊区域面积、一般区域面积、主体功能区、生态区位、生态功能等级、坡向、坡度树高、生物量、碳汇量、林龄、胸径、郁闭度无83.070.72
2林龄85.630.76
3郁闭度86.230.77
4蓄积量86.390.77
5生物量86.620.77
6碳汇量87.890.79
7树高88.420.80
8坡度、坡向（同时替换）88.480.80
98项遥感反演指标全部同时替换88.600.83
图3 基于多源遥感数据的广东省森林质量等级指数（QRI）空间分布
Fig. 3 Spatial distribution of the forest Quality Rating Index （QRI） in Guangdong Province based on multi-source remote sensing data
图4 基于质量等级指数（QRI）与公益林边界的4种生态补偿类型空间格局
Fig. 4 Spatial pattern of four ecological compensation types based on Quality Rating Index （QRI） and public welfare forests boundaries
表4 公益林质量等级指数（QRI）模型中各指标的Pearson相关系数矩阵（5个指标同时具有有效数据的图斑数量， n=1 360 280）
Table 4 Pearson correlation coefficient matrix of indicators in the Quality Rating Index （QRI） model （patches with valid data for all five indicators， n=1 360 280）
郁闭度蓄积量碳汇量植被变化趋势土壤保持能力
郁闭度1.000.280.330.45-0.46
蓄积量0.281.000.250.07-0.13
碳汇量0.330.251.000.14-0.20
植被变化趋势0.450.070.141.00-0.21
土壤保持能力-0.46-0.13-0.20-0.211.00
图5 5指标与7指标体系计算的公益林质量等级指数（QRI）差异对比
（a）散点图；（b）箱型图；***表示p < 0.001。
Fig. 5 Comparison of Quality Rating Index （QRI） differences calculated based on 7-indicator and 5-indicator systems
（a） Scatter plot； （b） Box plot； *** indicates p < 0.001.
图6 等权和非等权计算的公益林质量等级指数（QRI）差异对比
（a）5指标；（b）7指标；***表示P < 0.001。
Fig. 6 Comparison of Quality Rating Index （QRI） differences using equal and non-equal weights under the same indicator system
（a） 5-indicator； （b） 7-indicator； *** indicates P < 0.001.
表5 同时采用8项遥感指标情景下的机器学习模型分类混淆矩阵 (%)
Table 5 Confusion matrix of the machine learning model under the simultaneous replacement of eight remote sensing indicators
公益林生态补偿类型一般区域基础性补偿一般区域激励性补偿特殊区域基础性补偿特殊区域激励性补偿
一般区域基础性补偿93.340.096.390.18
一般区域激励性补偿4.5390.650.754.06
特殊区域基础性补偿9.610.0786.783.54
特殊区域激励性补偿2.885.3731.5960.16
表6 单一替换情景下特殊区域激励性图斑识别最优时的机器学习模型分类混淆矩阵 (%)
Table 6 Confusion matrix of the machine learning model under the optimal single-replacement scenario for identifying special-zone incentive patches
公益林生态补偿类型一般区域基础性补偿一般区域激励性补偿特殊区域基础性补偿特殊区域激励性补偿
一般区域基础性补偿89.910.169.460.47
一般区域激励性补偿3.8775.750.2320.15
特殊区域基础性补偿11.290.0584.094.57
特殊区域激励性补偿2.003.1716.8477.98
[1] Wei X H， Jones J， Hou Y P， et al. Local considerations are the key to managing global forests for water［J］. Science Bulletin， 2025， 70（4）： 448-451.
[2] Fu Bojie， Zhou Guoyi， Bai Yongfei， et al. The main terrestrial ecosystem services and ecological security in China［J］. Advances in Earth Science， 2009， 24（6）： 571-576.
傅伯杰， 周国逸， 白永飞， 等. 中国主要陆地生态系统服务功能与生态安全［J］. 地球科学进展， 2009， 24（6）： 571-576.
[3] Yu Honghong， Yang Jiameng. Forest horizontal ecological compensation strategy and its stability based on three-party evolutionary game： a case of Chongqing City［J］. Scientia Silvae Sinicae， 2025， 61（3）： 214-232.
余红红， 杨加猛. 基于三方演化博弈的森林横向生态补偿策略及其稳定性——以重庆市为例［J］. 林业科学， 2025， 61（3）： 214-232.
[4] Liu Can， Zhang Minxin. Literature review and comments on forest ecological compensation［J］. Journal of Nanjing Forestry University （Natural Sciences Edition）， 2019， 43（5）： 149-155.
刘璨， 张敏新. 森林生态补偿问题研究进展［J］. 南京林业大学学报（自然科学版）， 2019， 43（5）： 149-155.
[5] Chen Jie， Hong Yanzhen， Huang Guoxing， et al. Research progress on the effect of forest ecological compensation policy and its influencing factors［J］. Issues of Forestry Economics， 2022， 42（5）： 477-489.
陈婕， 洪燕真， 黄国星， 等. 森林生态补偿政策效果及其影响因素研究进展［J］. 林业经济问题， 2022， 42（5）： 477-489.
[6] Huang Guosheng， Liu Qian， Pu Ying， et al. A new mode for forest resource monitoring in the era of big data［J］. Forest Resources Management， 2020（6）： 1-5.
黄国胜， 刘谦， 蒲莹， 等. 大数据时代森林资源监测新模式［J］. 林业资源管理， 2020（6）： 1-5.
[7] Wu Heng， Zhou Hongbin， Zhu Liyan. Forest resources inventory and monitoring system in Finland and its enlightenment［J］. World Forestry Research， 2024， 37（5）： 86-93.
吴恒， 周红斌， 朱丽艳. 芬兰森林资源调查监测体系分析及启示［J］. 世界林业研究， 2024， 37（5）： 86-93.
[8] Ding Xiangyuan， Chen Erxue， Li Zengyuan， et al. A review of remote sensing application in national forest inventory［J］. Journal of Nanjing Forestry University （Natural Sciences Edition）， 2023， 47（1）： 1-12.
丁相元， 陈尔学， 李增元， 等. 国家森林资源清查遥感应用主要技术进展［J］. 南京林业大学学报（自然科学版）， 2023， 47（1）： 1-12.
[9] Ustin S L， Middleton E M. Current and near-term Earth-observing environmental satellites， their missions， characteristics， instruments， and applications［J］. Sensors， 2024， 24（11）： 3488.
[10] Cavender-Bares J， Schneider F D， Santos M J， et al. Integrating remote sensing with ecology and evolution to advance biodiversity conservation［J］. Nature Ecology & Evolution， 2022， 6： 506-519.
[11] Decuyper M， Chávez R O， Lohbeck M， et al. Continuous monitoring of forest change dynamics with satellite time series［J］. Remote Sensing of Environment， 2022， 269： 112829.
[12] Lang N， Jetz W， Schindler K， et al. A high-resolution canopy height model of the Earth［J］. Nature Ecology & Evolution， 2023， 7： 1 778-1 789.
[13] Cai Y， Xu X， Zhu P， et al. Unveiling spatiotemporal tree cover patterns in China： the first 30 m annual tree cover mapping from 1985 to 2023［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2024， 216： 240-258.
[14] Yang Z K， Qi Z Y， Chen Y L， et al. Revealing the spatial distribution of crown base height across China based on close-range Lidar data［J］. Remote Sensing of Environment， 2025， 331： 115030.
[15] Cai Y T， Zhu P， Li X， et al. Dynamics of China’s forest carbon storage： the first 30 m annual aboveground biomass mapping from 1985 to 2023［J］. Earth System Science Data， 2025， 17： 6 993-7 018.
[16] Jian Yongfeng， Han Zemin， Huang Guangti， et al. Estimation of forest biomass using high spatial resolution remote sensing imagery in north subtropical forests［J］. Acta Ecologica Sinica， 2021， 41（6）： 2 161-2 169.
菅永峰， 韩泽民， 黄光体， 等. 基于高分辨率遥感影像的北亚热带森林生物量反演［J］. 生态学报， 2021， 41（6）： 2 161-2 169.
[17] Ding Jingyu， Liu Xin， Dong Lihu， et al. Effect of UAV-LiDAR point density on aboveground biomass estimation in Larix olgensis plantations［J］. Chinese Journal of Applied Ecology， 2025， 36（11）： 3 245-3 255.
丁静宇， 刘鑫， 董利虎， 等. 无人机LiDAR点云密度对长白落叶松人工林地上生物量估计的影响［J］. 应用生态学报， 2025， 36（11）： 3 245-3 255.
[18] Li X Y， Bi C Y， Wu J P， et al. Maximum carbon uptake potential through progressive management of plantation forests in Guangdong Province， China［J］. Communications Earth & Environment， 2025， 6： 9.
[19] Liu Y， Zhao W W， Zhang Z J， et al. A 30 m spatial resolution dataset of ecosystem services in China for 2000， 2010， and 2020［J］. Earth System Science Data， 2026， 18（2）： 1 519-1 540.
[20] Wang Xugao， Xiaotao Lü， Xi Fengming， et al. Current status and research prospects of terrestrial ecosystem carbon sink in northeast China［J］. Chinese Journal of Applied Ecology， 2024， 35（9）： 2 322-2 337.
王绪高， 吕晓涛， 郗凤明， 等. 东北陆地生态系统碳汇现状与研究展望［J］. 应用生态学报， 2024， 35（9）： 2 322-2 337.
[21] Wei Y P， Song B， Wang Y L. Designing cross-region ecological compensation scheme by integrating habitat maintenance services production and consumption： a case study of Jing-Jin-Ji region［J］. Journal of Environmental Management， 2022， 311： 114820.
[22] Chen Qianhu， Huang Jiangpeng， Yu Jianzhong， et al. Measurement of value spillover and optimization of compensation mechanisms for cross-regional ecosystem regulating services： a case study of Zhejiang Province［J/OL］. Acta Ecologica Sinica， 2026， 46（12）： 1-12. .
陈前虎， 黄江鹏， 余建忠， 等 ． 跨域生态系统调节服务价值溢出测度与补偿机制优化研究———以浙江省为例［J/OL］. 生态学报， 2026， 46（12）： 1-12. .
[23] Huang Jixing， Liu Wanyi， Lin Jinhuang， et al. Horizontal ecological compensation based on ecosystem carbon sequestration flow in Fujian Province［J］. Chinese Journal of Applied Ecology， 2025， 36（11）： 3 443-3 456.
黄纪星， 刘婉仪， 林金煌， 等. 基于生态系统固碳服务流的福建省横向生态补偿［J］. 应用生态学报， 2025， 36（11）： 3 443-3 456.
[24] Guo K， Wang B， Niu X. A review of research on forest ecosystem quality assessment and prediction methods［J］. Forests， 2023， 14（2）： 317.
[25] Yan Jin， Zhou Xiaocheng， Huang Tingting， et al. Evaluation of forest ecological quality in coastal zone counties of Fujian Province， eastern China based on multi-source remote sensing data［J］. Journal of Beijing Forestry University， 2024， 46（5）： 12-25.
闫谨， 周小成， 黄婷婷， 等. 基于多源遥感数据的福建省海岸带县域森林生态质量评价［J］. 北京林业大学学报， 2024， 46（5）： 12-25.
[26] Zou Wentao， Chen Shaozhi， Fang Qing， et al. Research advances in China’s forest quality evaluation indicators［J］. World Forestry Research， 2024， 37（5）： 67-72.
邹文涛， 陈绍志， 方庆， 等. 中国森林质量评价指标研究进展［J］. 世界林业研究， 2024， 37（5）： 67-72.
[27] Cheng K， Chen Y L， Xiang T Y， et al. A 2020 forest age map for China with 30 m resolution［J］. Earth System Science Data， 2024， 16（2）： 803-819.
[28] Yan J N， Wang S， Feng J X， et al. New 30- m resolution dataset reveals declining soil erosion with regional increases across Chinese mainland （1990-2022）［J］. Remote Sensing of Environment， 2025， 323： 114681.
[29] NASA JPL. NASADEM merged DEM Global 1 arc second V001［EB/OL］. （2020-02-13）［2025-06-01］. .
[30] Adil M， Ullah R， Noor S， et al. Effect of number of neurons and layers in an artificial neural network for generalized concrete mix design［J］. Neural Computing and Applications， 2022， 34： 8 355-8 363.
[31] Srivastava N， Hinton G， Krizhevsky A， et al. Dropout： a simple way to prevent neural networks from overfitting［J］. Journal of Machine Learning Research， 2014， 15： 1 929-1 958.
[32] Bian J， Hu Z Y， Wang Q Y， et al. Nonlinear response correction based on fully connected neural network［J］. IEEE Geoscience and Remote Sensing Letters， 2024， 21： 7000605.
[33] Liu Linyu， Zhang Yongjun， Li Yansheng， et al. PM2.5 inversion using remote sensing data in Eastern China based on deep learning［J］. Environmental Science， 2020， 41（4）： 1 513-1 519.
刘林钰， 张永军， 李彦胜， 等. 基于深度学习的华东地区PM2.5浓度遥感反演［J］. 环境科学， 2020， 41（4）： 1 513-1 519.
[34] Xu Tian， Li Jing， Liu Zhenhua. Remote sensing inversion of soil manganese in Nanchuan District， Chongqing［J］. Spectroscopy and Spectral Analysis， 2024， 44（1）： 69-75.
徐天， 李敬， 刘振华. 重庆市南川区土壤锰元素遥感反演［J］. 光谱学与光谱分析， 2024， 44（1）： 69-75.
[35] Huang Junxian， Chen Chun， Cao Yijia， et al. Distribution network fault risk assessment method considering difference in entropy value of rare factors［J］. Journal of Shanghai Jiao Tong University， 2024， 58（12）： 1 857-1 867.
黄俊贤， 陈春， 曹一家， 等. 考虑罕见因素熵值差异的配电网故障风险评估方法［J］. 上海交通大学学报， 2024， 58（12）： 1 857-1 867.
[36] He Jiang， Qin Lin. Climate-sensitive tree recruitment model for natural Cunninghamia lanceolata forests［J］. Scientia Silvae Sinicae， 2025， 61（1）： 70-80.
何江， 覃林. 气候敏感的杉木天然林林分进界模型［J］. 林业科学， 2025， 61（1）： 70-80.
[37] Darabi H， Haghighi A T， Klöve B， et al. Remote sensing of vegetation trends： a review of methodological choices and sources of uncertainty［J］. Remote Sensing Applications： Society and Environment， 2025， 37： 101500.
[38] Wang Jingping， Wu Xiaodan， Ma Dujuan， et al. Remote sensing retrieval based on machine learning algorithm： uncertainty analysis［J］. National Remote Sensing Bulletin， 2023， 27（3）： 790-801.
汪静平， 吴小丹， 马杜娟， 等. 基于机器学习的遥感反演：不确定性因素分析［J］. 遥感学报， 2023， 27（3）： 790-801.
[39] Chen X F， Du H J， Liu Y， et al. Fully Connected-Convolutional Neural Network （FC-CNN） based on hyperspectral images for rapid identification of P. ginseng growth years ［J］. Scientific Reports， 2024， 14： 7209.
[40] Wang T J， Zuo Y Y， Manda T， et al. Harnessing artificial intelligence， machine learning and deep learning for sustainable forestry management and conservation： transformative potential and future perspectives［J］. Plants， 2025， 14（7）： 998.
[41] Yang Zhenyu， Zhang Rihui， Zhang Lei， et al. Uncovering the black box of medical image analysis algorithms： recent advances in explainable artificial intelligence in medical image analysis［J］. Chinese Science Bulletin， 2025， 70（33）： 5 675-5 695.
杨振宇， 张日晖， 张雷， 等. 揭开医学图像分析算法的黑箱：医学图像分析中可解释人工智能的最新进展［J］. 科学通报， 2025， 70（33）： 5 675-5 695.
[1] 龙清云, 张通, 王彻, 车涛, 效存德. 基于机器学习和动力过程的南极冰架崩解特征分析[J]. 地球科学进展, 2024, 39(8): 837-846.
[2] 刘东海, 黄静, 刘娟, 周扬, 秦昆. 典型中尺度数值预报模式参数化方案的综述与展望[J]. 地球科学进展, 2023, 38(4): 349-362.
[3] 马雷鸣, 林红, 储海, 尹春光, 张军平, 陈磊, 王海宾, 徐康, 范旭亮. 上海强对流智能预报业务新技术研究进展[J]. 地球科学进展, 2023, 38(2): 111-124.
[4] 李一民, 谭振宇, 杨辰, 何峰, 孟迪, 罗菊花, 段洪涛. 基于多源卫星的滇池藻华提取机器学习算法研究[J]. 地球科学进展, 2022, 37(11): 1141-1156.
[5] 摆玉龙, 路亚妮, 刘名得. 基于变分模态分解的机器学习模型择优风速预测系统[J]. 地球科学进展, 2021, 36(9): 937-949.
[6] 王冰泉, 冉有华. 中国西北、西藏和周边地区1961—2020年每十年1 km季节冻土最大冻结深度数据集∗[J]. 地球科学进展, 2021, 36(11): 1137-1145.
[7] 李爱华，柏延臣. 多源遥感专题信息比较研究：现状、问题与展望[J]. 地球科学进展, 2011, 26(7): 741-750.
[8] 徐自为，刘绍民，宫丽娟，王介民，李小文. 涡动相关仪观测数据的处理与质量评价研究[J]. 地球科学进展, 2008, 23(4): 357-370.
[9] 岳耀杰,周洪建,王静爱,史培军,吕红峰,何春阳,严平. 生态安全条件下亚洲沙区土地利用结构研究[J]. 地球科学进展, 2006, 21(2): 131-137.
[10] S.Metzger,马耀明,T.Markkanen,M.Gckede,李茂善,T.Foken. 利用步长模拟对青藏高原涡度方差测量法的质量评价[J]. 地球科学进展, 2006, 21(12): 1260-1267.
[11] 闫满存,李华梅,文启忠,李保生. 区域地质环境质量评价研究的现状与趋势[J]. 地球科学进展, 1999, 14(4): 371-376.
阅读次数
全文


摘要

地址：甘肃省兰州市天水中路8号
QQ：114723517
电话：0931-8762293　E-mail：adearth@lzb.ac.cn
陇ICP备2021001824号-5　 甘公网安备62010202000687