Li, Yifan (2025). Modelling biological soil crust based on multiple datasets. PhD thesis, Universität zu Köln.

This is the latest version of this item.

All available versions of this item

  • Modelling biological soil crust based on multiple datasets. (deposited 16 May 2025 10:00) [Currently Displayed]
[img] PDF
Thesis_Yifan_Li_published_version.pdf

Download (25MB)

Abstract

Further understanding of biological soil crust (BSC) response to climate change requires BSC-climate models, which represent the relevant processes taking place in the atmosphere and land surface. In this study, a modelling system for biological soil crust and climate factors based on multi-datasets is developed in two approaches. The effects of climate variability on the long temporal and large spatial distribution of BSC are revealed by an improved BSC detection method and multiple linear regression. The models can be used to explain the dominant climatic factors associated with BSC changes. the short-term or long-term forecasts of regional-scale distribution of BSC, the assessment for the potential effects of climate change on the availability of BSC and the sustainable development of ecosystem, as well as the short-term or long-term forecasts of regional-scale distribution of BSC. The long-time and large-scale distribution of biological soil crust is obtained in the study area. To this end, this study is divided into the following four steps: 1) Fusion of MODIS and Landsat7 satellite data using the Sspatial and Temporal Adaptive Reflectance Fusion Model (STARFM) to obtain multispectral data with high spatial and temporal resolution; 2) Calculation of the BSC Index (BSCI) and the NDVI from the fused satellite spectral data; 3) Extraction of the BSC for the study area based on the BSCI thresholds obtained from previous studies, as well as considered with NDVI. 4) Analyzing the extracted BSC data from multiple perspectives. The analysis for 19a shows that on the time scale, the BSC variations have an interannual periodicity, peaking in March and October of each year, and almost zero in winter. On the spatial scale, the BSC is mainly distributed in the desert-oasis transition zone, while the distribution become gradually sparse toward to the desert hinterland. Lag-correlation and partial correlation between BSC and climate variables is analyses. In this study, five climatic variables (specific humidity, 10-meter wind speed, 2-meter temperature, surface solar radiation and total precipitation) and their time lags were used as independent variables. The results show that in some areas the BSC is more strongly correlated with time-lagged climate factors when the time lag is taken into account, and this is most evident for specific humidity. The response of the BSC to this is usually delayed by 1 to 2 months. In principle, the time lag between the BSC and the climatic variables does not exceed three months. The BSC responds quickly to temperature, with a correlation coefficient of 0.7. The BSC also responds quickly to precipitation, while the correlation coefficient is relatively low at 0.46 and the significantly correlated areas are mainly in the east and south. These correlation analyses provide a good reference for the selection of variables for subsequent modelling. The models of biological soil crust and climate factors is constructed using two approaches, in which the influence of time lag is considered. One approach is based on fixed climate factors, and the other slides over the time series to select more appropriate climate factors and coefficients for different time points. Multiple regression analysis is applied to both models. Statistical parameters are used to estimation. The results shows that the two approaches can explain about 40% and 75% of the BSC, respectively. Then applied models to paleoclimate (Last Glacial Maximum and Mid-Holocene) in the Gurbantunggut Desert and to historical climate in the Atacama Desert. Changes in biological soil crust during different time periods are also compared and analyzed. In summary, the long-temporal and large-spatial distribution of BSC is obtained. Benefiting from it, the correlation between BSC and climatic factors is analyzed. And the model system developed captures well the climatological processes in the study area. The BSC-climate model can appropriately predict the BSC in paleoclimate and indicate the its response to the climate variables.

Item Type: Thesis (PhD thesis)
Translated abstract:
AbstractLanguage
Um ein besseres Verständnis der Reaktion biologischer Bodenkrusten (BSC) auf den Klimawandel zu gewinnen, sind BSC-Klima Modelle erforderlich, die die relevanten Prozesse in der Atmosphäre und an der Landoberfläche abbilden. In dieser Studie wird ein Modellierungssystem für biologische Bodenkrusten und Klimafaktoren auf der Grundlage von Multi-Datensätzen mit zwei Ansätzen entwickelt. Durch eine verbesserte BSC-Erkennungsmethode und eine multiple lineare Regression werden die Auswirkungen der Klimavariabilität auf die langfristige und großräumige Verteilung der BSC aufgezeigt. Diese Modelle können verwendet werden, um die dominierenden Klimafaktoren, die Veränderungen der BSC beeinflussen, zu identifizieren, kurz- und langfristige Prognosen zur regionalen Verteilung der BSC zu erstellen, die potenziellen Auswirkungen des Klimawandels auf die Verfügbarkeit der BSC und die nachhaltige Entwicklung des Ökosystems zu bewerten sowie regionale Prognosen der BSC-Verteilung für unterschiedliche Zeiträume zu ermöglichen. In der Studie wird die langfristige und großräumige Verteilung der biologischen Bodenkrusten im Untersuchungsgebiet bestimmt. Dazu wird die Studie in die folgenden vier Schritte unterteilt: 1) Fusion von MODIS- und Landsat7-Satellitendaten unter Verwendung des Sspatial and Temporal Adaptive Reflectance Fusion Model (STARFM), um multispektrale Daten mit hoher räumlicher und zeitlicher Auflösung zu erhalten; 2) Berechnung des BSC Indikator(BSCI) und des NDVI aus den fusionierten Satellitenspektraldaten; 3) Extraktion der BSC im Untersuchungsgebiet auf Basis der aus früheren Studien ermittelten BSCI-Schwellenwerte sowie unter Berücksichtigung des NDVI; 4) Analyse der extrahierten BSC-Daten aus verschiedenen Perspektiven. Die Analyse der 19-jährigen Daten zeigt, dass die BSC-Veränderungen auf der Zeitskala eine jährliche Periodizität aufweisen, mit Spitzenwerten im März und Oktober eines jeden Jahres und nahezu null im Winter. Auf der räumlichen Skala ist die BSC hauptsächlich in der Übergangszone zwischen Wüste und Oase verteilt, wobei die Verteilung in Richtung Wüsteninneres allmählich spärlicher wird. Die Verzögerungskorrelation und Partialkorrelation zwischen BSC und Klimavariablen wird analysiert. In dieser Studie werden fünf Klimavariablen (spezifische Feuchtigkeit, Windgeschwindigkeit in 10 Metern Höhe, Temperatur in 2 Metern Höhe, Oberflächensonnenstrahlung und Gesamtniederschlag) sowie deren Zeitverzögerungen als unabhängige Variablen verwendet. Die Ergebnisse zeigen, dass die BSC in einigen Gebieten stärker mit zeitverzögerten Klimafaktoren korreliert ist, wenn die Zeitverzögerung berücksichtigt wird, was bei der spezifischen Feuchtigkeit besonders deutlich ist. Die Reaktion der BSC auf die spezifische Feuchtigkeit erfolgt in der Regel mit einer Verzögerung von 1 bis 2 Monaten. Grundsätzlich überschreitet die Zeitverzögerung zwischen der BSC und den Klimavariablen nicht drei Monate. Die BSC reagiert schnell auf Temperatur mit einem Korrelationskoeffizienten von 0,7. Auch auf Niederschlag reagiert die BSC schnell, wobei der Korrelationskoeffizient jedoch relativ niedrig ist 0,46 und die signifikant korrelierten Gebiete hauptsächlich im Osten und Süden liegen. Diese Korrelationsanalysen liefern eine gute Grundlage für die Auswahl der Variablen für die nachfolgende Modellierung. Die Modelle für biologische Bodenkruste und Klimafaktoren werden unter Berücksichtigung der Zeitverzögerung mit zwei Ansätzen entwickelt. Ein Ansatz basiert auf festen Klimafaktoren, der andere gleitet über die Zeitreihe, um besser geeignete Klimafaktoren und Koeffizienten für verschiedene Zeitpunkte auszuwählen. Beide Modelle verwenden multiple Regressionsanalysen, die durch statistische Parameter bewertet werden. Die Ergebnisse zeigen, dass die beiden Ansätze etwa 40 % bzw. 75 % der BSC-Veränderungen erklären können. Anschließend werden die Modelle auf das Paläoklima (Letzteiszeitliches Maximum und Mittelholozän) in der Gurbantunggut-Wüste und auf das historische Klima in der Atacama-Wüste angewendet. Veränderungen der biologischen Bodenkrusten in verschiedenen Zeiträumen werden ebenfalls verglichen und analysiert. Zusammenfassend wird die langfristige und großräumige Verteilung der BSC bestimmt. Auf dieser Grundlage wird die Korrelation zwischen BSC und Klimafaktoren analysiert. Das entwickelte Modellsystem erfasst die klimatischen Prozesse im Untersuchungsgebiet gut. Das BSC-Klima Modell kann die BSC im Paläoklima angemessen vorhersagen und ihre Reaktion auf Klimavariablen aufzeigen.German
Creators:
CreatorsEmailORCIDORCID Put Code
Li, YifanUNSPECIFIEDUNSPECIFIEDUNSPECIFIED
URN: urn:nbn:de:hbz:38-782917
Date: 2025
Language: English
Faculty: Faculty of Mathematics and Natural Sciences
Divisions: Faculty of Mathematics and Natural Sciences > Department of Geosciences > Institute for Geophysics and Meteorology
Subjects: Natural sciences and mathematics
Earth sciences
Uncontrolled Keywords:
KeywordsLanguage
Biological soil crustEnglish
Machine learningEnglish
ModellingEnglish
Climate changeEnglish
Date of oral exam: 27 March 2025
Referee:
NameAcademic Title
Shao, YapingProf. Dr.
Löhnert, UlrichProf. Dr.
Refereed: Yes
URI: http://kups.ub.uni-koeln.de/id/eprint/78291

Downloads

Downloads per month over past year

Export

Actions (login required)

View Item View Item