CN111178631B - 一种水浮莲入侵分布区预测方法及系统 - Google Patents
一种水浮莲入侵分布区预测方法及系统 Download PDFInfo
- Publication number
- CN111178631B CN111178631B CN201911402302.0A CN201911402302A CN111178631B CN 111178631 B CN111178631 B CN 111178631B CN 201911402302 A CN201911402302 A CN 201911402302A CN 111178631 B CN111178631 B CN 111178631B
- Authority
- CN
- China
- Prior art keywords
- water lettuce
- environment variable
- lettuce
- water
- redundancy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 244000207867 Pistia stratiotes Species 0.000 title claims abstract description 202
- 235000006440 Pistia stratiotes Nutrition 0.000 title claims abstract description 202
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000007613 environmental effect Effects 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 33
- 241000196324 Embryophyta Species 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 230000009545 invasion Effects 0.000 abstract description 13
- 239000010865 sewage Substances 0.000 abstract description 10
- 238000012876 topography Methods 0.000 abstract description 9
- 238000011161 development Methods 0.000 abstract description 5
- 238000011160 research Methods 0.000 description 13
- 241000894007 species Species 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了水浮莲入侵分布区预测方法及系统,该方法包括对所获取到的水浮莲灾害发生点信息和水浮莲灾害发生点的环境变量集进行RDA分析,获得与水浮莲生长相关的无冗余环境变量集;对无冗余环境变量集采用WOE法处理,获得无冗余环境变量集中每一环境变量对水浮莲发生的影响权重;对预测区域中的所有环境变量进行影响权重求和,得到预测区域的水浮莲生境适应性指数。本发明可以去除水浮莲入侵灾害区域Sobs的地形、气象、污水排放和社会经济发展状况等环境变量的共线性问题,并可以基于这些环境变量预测更大区域Spre的水浮莲入侵可能,直观的反映整个区域入侵可能性的强弱。
Description
技术领域
本发明涉及地理信息、植物生态及入侵植物监测领域,具体涉及一种水浮莲入侵分布区预测方法及系统。
背景技术
水浮莲被世界自然保护联盟(IUCN)列为全球十大入侵物种,其在我国的分布具有面积大、范围广、时间长的特征。水浮莲已严重威胁到我国尤其是南方地区的生物多样性,加剧了水生环境的恶化和物种灭绝,被国家环境保护总局和中国科学院列为必须严格控制的入侵物种名单。因此,揭示水浮莲的入侵分布区对于水浮莲的治理和预防具有重要意义。
随着全球变暖进程的加剧,水生入侵物种的适生区逐渐变大,并向高纬度地区转移。另外,随着全球一体化进程的加快,国际和区域间的交流贸易活动更加频繁,也潜在的丰富了物种入侵的传播载体。因此,入侵物种治理和生物多样性的保护得到了国内外众多研究者的关注。然而,现有技术中并没有揭示如何有效地预测水浮莲入侵的可能性。
发明内容
本发明的目的在于克服上述现有技术的不足,提供一种水浮莲入侵分布区预测方法及系统,以对水浮莲的适生区域做定量评估,为水浮莲灾害防治、水生环境管理和生物多样性保护提供信息支撑。
为实现上述目的,本发明的技术方案是:
第一方面,本发明实施例提供了一种水浮莲入侵分布区预测方法,包括:
对所获取到的水浮莲灾害发生点信息和水浮莲灾害发生点的环境变量集进行RDA分析,以每个区域单元的水浮莲灾害发生点个数和密度作为响应变量,以水浮莲灾害发生点的环境变量集作为解释变量,获得与水浮莲生长相关的无冗余环境变量集;
对无冗余环境变量集采用WOE法处理,获得无冗余环境变量集中每一环境变量对水浮莲发生的影响权重;
对预测区域中的所有环境变量进行影响权重求和,得到预测区的水浮莲生境适应性指数,以根据水浮莲生境适应性指数来分析预测区内可能发生水浮莲灾害的程度。
第二方面,本发明实施例提供了一种水浮莲入侵分布区预测系统,包括:
水浮莲分布信息数据库,其存储的信息包括每个县域单元内水浮莲灾害发生点的个数和密度;
水浮莲环境信息数据库,其存储的信息包括水浮莲灾害发生点的环境变量集;
第一数据处理器,其用于将从水浮莲分布信息数据库中获取到的区域单元的水浮莲灾害发生点的个数和密度信息作为响应变量,将从水浮莲环境信息数据库中获取到的环境变量集作为解释变量,以进行RDA分析处理,获得与水浮莲生长相关的无冗余环境变量集;
第二数据处理器,其用于对第一数据处理器传输来的无冗余环境变量集采用WOE法处理,获得无冗余环境变量集中每一环境变量对水浮莲发生的影响权重;还用于接收指令,来对预测区域中的所有环境变量进行影响权重求和,得到预测区的水浮莲生境适应性指数。
本发明与现有技术相比,其有益效果在于:
本实施例提供的水浮莲入侵分布区预测方法是一种基于RDA-WOE的生境适应性评估方法,是一种大范围、快速、科学的预测方法,可以去除水浮莲入侵灾害区域Sobs的地形、气象、污水排放和社会经济发展状况等环境变量的共线性问题,并可以基于这些环境变量预测更大区域Spre的水浮莲入侵可能,直观的反映整个区域入侵可能性的强弱。
本实施提供的水浮莲入侵分布区预测系统通过第一数据处理器来从水浮莲分布信息数据库中获取到每个县域的水浮莲灾害发生点个数和密度信息作为响应变量,将从水浮莲环境信息数据库中获取到的环境变量集作为解释变量来进行RDA分析处理,能够将去除共线性变量之后的环境因子进行耦合,然后通过第二数据处理器建立水浮莲环境因子的权重矩阵,最终通过构建适生性指数来定量预测水浮莲在某一区域内的分布情况,本系统能够对水浮莲的适生区域做定量评估,为水浮莲灾害防治、水生环境管理和生物多样性保护提供信息支撑。
附图说明
图1为本发明实施例1提供的水浮莲入侵分布区预测方法流程图;
图2为水浮莲入侵分布区预测方法技术路线图;
图3为广东省地理位置示意和水浮莲灾害采样点;
图4为广东省地形因子示意图;
图5为广东省气象因子示意图;
图6为广东省社会经济因子示意图;
图7为广东省土地利用现状图;
图8为广东省污水排放数据图;
图9为RDA分析图;
图10为广东省水浮莲入侵预测分布图;
图11为RDA-WOE方法的ROC评价结果;
图12为本发明实施例2提供的水浮莲入侵分布区预测系统的组成示意图。
具体实施方式
下面结合附图和具体实施方式对本发明的内容做进一步详细说明。
实施例:
参阅图1所示,本实施例提供的一种水浮莲入侵分布区预测方法,包括:
101、对所获取到的水浮莲灾害发生点信息和水浮莲灾害发生点的环境变量集进行RDA(Redundancy analysis,冗余分析)分析;具体地,该水浮莲灾害发生点信息包括水浮莲灾害发生点的时间、地点、范围等信息,该环境变量集则包括地形、气象、社会经济、土地利用、污水排放等环境变量参数。在进行RDA分析处理时,以每个县域单元水浮莲灾害发生点的个数和密度作为响应变量,以水浮莲灾害发生点的环境变量集作为解释变量,从而能够获得与水浮莲生长相关的无冗余环境变量集;也就是说,在此步骤中,通过采用RDA方法对除土地利用数据以外环境变量进行冗余分析,找到去除共线性变量,且对水浮莲影响较大的环境变量。
102、对无冗余环境变量集采用WOE(Weight of evidence,证据权重法)法处理,获得无冗余环境变量集中每一环境变量对水浮莲发生的影响权重;也就是说,在此步骤中,能够去除各与水浮莲生长相关的环境变量之间可能由于共线性问题产生的冗余,即将去除共线性变量之后的环境因子进行耦合,并根据已有水浮莲的空间分布,建立水浮莲环境因子的权重矩阵。
103、对预测区域中的所有环境变量进行影响权重求和,得到预测区的水浮莲生境适应性指数HAI(式5);根据其统计特征,采取自然间断法,将HAI划分为极高、高、中、低、极低五个等级,分别代表预测区水浮莲入侵可能性的高低。
如此,即可以通过构建生境适应性指数来定量预测水浮莲在某一区域内的分布情况。
由此可见,本实施例提供的水浮莲入侵分布区预测方法是基于RDA-WOE的生境适应性评估方法,是一种大范围、快速、科学的预测方法,可以去除水浮莲入侵灾害区域Sobs的地形、气象、污水排放和社会经济发展状况等环境变量的共线性问题,并可以基于这些环境变量预测更大区域Spre的水浮莲入侵可能,直观的反映整个区域入侵可能性的强弱。
具体地,该水浮莲灾害发生点信息从水浮莲分布信息数据库中获取,该水浮莲分布信息数据库基于Esri ArcGIS的Geodatabase数据库模块来构建,水浮莲分布信息数据库中的信息可以通过野外调查、文献查阅、国家植物标本馆以及网络标本库等途径获取研究区的水浮莲灾害发生点信息,并输入到数据库之中。同理该水浮莲灾害发生点的环境变量集是从水浮莲环境信息数据库中获取,该水浮莲环境信息数据库基于Esri ArcGIS的Geodatabase数据库模块来构建,通过文献调查、气象局、统计局网站和国家基础地理信息数据库等平台获取研究区的地形、气象、社会经济、土地利用、污水排放等环境变量数据,并输入到数据库之中。
而上述对无冗余环境变量集采用WOE法处理,获得无冗余环境变量集中每一环境变量对水浮莲发生的影响权重,包括:
假设水浮莲灾害发生的环境条件保持不变,即当区域满足已发生水浮莲灾害的条件,水浮莲灾害将会发生;设未来发生水浮莲灾害的事件为A,其概率为P(A);已经发生水浮莲灾害的事件为B,其概率为P(B);则P(A|B)为事件B发生条件下的事件A、B的发生概率,其等于P(B|A)乘于P(A)除以P(B),则:
将P(F)定义为区域内某一环境变量的概率,为不是该环境变量的概率;相应的,P(H)和/>分别代表该环境变量下和非该环境变量下的水浮莲发生的概率,则Wi+和Wi-表示各个环境变量对水浮莲发生的正负向贡献程度,Wi+和Wi-的差Wi代表各个环境变量对水浮莲发生的影响程度,其相互关系可由式2-式4计算:
Wi=Wi+-Wi- (式4)。
通过如此方式即可以准确地计算出各个环境变量对水浮莲发生的影响程度。
而上述获得与水浮莲生长相关的无冗余环境变量集的过程为:
将响应变量和解释变量分别标准化为环境变量矩阵X和水浮莲矩阵Y,然后对矩阵Y中的每个响应变量分别与矩阵X中的所有解释变量进行多元回归,得到水浮莲与环境变量的拟合值矩阵Yfit以及残差矩阵Yres
对Yfit和Yres进行主成分分析,得到特征向量矩阵E和非约束性环境变量矩阵UE;特征向量矩阵E即为无冗余环境变量集,非约束性环境变量矩阵UE则为存在冗余的一部分环境变量,如此可以将特征向量矩阵E用于WOE模型的构建,UE可在适当时候做一定的补充。
综上,本方法是基于GIS和RDA-WOE的生境适应性评估方法,是一种大范围、快速、科学的预测方法,能够将去除共线性变量之后的环境因子进行耦合,根据已有水浮莲的空间分布,建立水浮莲环境因子的权重矩阵,最终通过构建生境适应性指数来定量预测水浮莲在某一区域内的分布情况,本方法为预测水浮莲入侵区域和驱动因素分析提供了有效的技术支撑。
下面以广东省为研究区域,结合具体实施方式对本发明做进一步的说明。
广东省(图2,20°13′12″N-25°30′12″N,109°39′26″E-117°10′53″E)地处华南,下辖21个地级市,高程在0~1888m之间,从北向南逐渐降低。研究区属于亚热带季风气候,年均温22℃,年均降雨量1777mm。从社会经济方面来看,研究区经济发达、人口密度大、城市化率高;2017年,在我国1.8%的国土面积上养育了8.9%(1.17亿)的人口,并创造了1/8的GDP(93436.29亿元)。
广东省水系发达,拥有城市、乡村和河口等众多类型的水系。然而,改革开放以来,随着经济的快速发展和城市化水平的提高,广东省的淡水资源面临富营养化加剧、黑臭水体严重和外来入侵物种增多等诸多问题,严重制约了研究区水资源的可持续利用和绿色发展。其中,水浮莲引发的河道淤积、水质下降、水动力减弱等水生环境问题尤为突出,亟待解决。
如图2所示,本实例的具体过程如下:
1.水浮莲分布信息数据库构建
基于Esri ArcGIS的Geodatabase数据库模块构建水浮莲灾害信息数据库,通过野外调查、文献查阅、国家植物标本馆以及网络标本库等途径获取研究区的水浮莲灾害发生点信息(图3),并输入到数据库之中,主要包括水浮莲灾害位置、日期、面积及周围环境等信息。
2.水浮莲环境信息数据库构建
基于Esri ArcGIS的Geodatabase数据库模块构建水浮莲环境信息数据库,通过文献调查、气象局、统计局网站和国家基础地理信息数据库等平台获取研究区的地形(图4)、气象(图5)、社会经济(图6)、土地利用(图7)、污水排放(图8)等环境变量数据,并输入到数据库之中。
3.环境变量的冗余分析
采用RDA(Redundancy analysis,冗余分析)方法对除土地利用数据以外的23个环境变量进行冗余分析,找到去除共线性变量,且对水浮莲影响较大的环境变量,RDA分析结果见图9。最终得到用于建模的19个环境变量,其中,地形因素包括高程、坡度、坡向;气象因素包括年均降雨量、年均气温、年均风速、年均日照时数和年均相对湿度;社会经济数据包括:人口、GDP、人均GDP、第一产业、第二产业、禽类产量、猪肉产量、水生产品产量;污水排放因素包括总污水排放量和污水处理率;土地利用数据为2017年广东省土地利用数据。
4.水浮莲生境适应性模型构建
基于WOE(Weight of Evidence)模型,选取3/4的水浮莲灾害观察点作为训练数据,计算各环境变量的权重(如表1);基于此,进行水浮莲生境适应性的评价,其评估结果见图10。
表1用于WOE模型构建的环境变量及权重
5.水浮莲生境适应性模型的验证
将剩余的1/4的水浮莲灾害观察点作为验证数据,利用ROC(Receiver operatingcharacteristic curve,受试者工作特征曲线)曲线评估水浮莲生境适应性模型的效果,见图11。
6.水浮莲入侵分布区分析
按照上述基于GIS和RDA-WOE方法对广东省的水浮莲入侵分布区进行定量评价,分析研究区内可能发生水浮莲灾害的程度。
结果显示,研究区内的水浮莲分布具有明显的空间聚类特征,其从南到北递减,从中间向两端递减。研究区内有超过50%的区域有中等以上的水浮莲分布潜力,沿海地区尤其是珠江三角洲,粤西和潮汕地区是三个主要的分布区域。RDA结果显示水浮莲的分布与人口密度(Correlation=0.86,P<0.01)和第一产业(Correlation=-0.25,P<0.01)关系紧密,分别呈显著正相关和负相关。
实施例2:
参阅图12所示,本实施例提供的水浮莲入侵分布区预测系统,包括:
水浮莲分布信息数据库10,其存储的信息包括水浮莲灾害发生点的时间、位置和范围等信息;具体地,基于Esri ArcGIS的Geodatabase数据库模块构建水浮莲灾害信息数据库,通过野外调查、文献查阅、国家植物标本馆以及网络标本库等途径获取研究区的水浮莲灾害发生点信息,并输入到数据库之中,主要包括每个县域单元内水浮莲灾害点的个数和密度、水浮莲灾害位置、日期、面积及周围环境等信息。
水浮莲环境信息数据库20,其存储的信息包括水浮莲灾害发生点的环境变量集;该水浮莲环境信息数据库则基于Esri ArcGIS的Geodatabase数据库模块构建,通过文献调查、气象局、统计局网站和国家基础地理信息数据库等平台获取研究区的地形、气象、社会经济、土地利用、污水排放等环境变量数据,并输入到数据库之中。
第一数据处理器30,其用于将从水浮莲分布信息数据库中获取到每个县域单元的水浮莲灾害发生点个数和密度信息作为响应变量,将从水浮莲环境信息数据库中获取到的环境变量集作为解释变量,以进行RDA分析处理,获得与水浮莲生长相关的无冗余环境变量集;
第二数据处理器40,其用于对第一数据处理器传输来的无冗余环境变量集采用WOE法处理,获得无冗余环境变量集中每一环境变量对水浮莲发生的影响权重;还用于接收指令,来对预测区域中的所有环境变量进行影响权重求和,得到预测区的水浮莲生境适应性指数。
由此可见,本实施提供的水浮莲入侵分布区预测系统通过第一数据处理器来从水浮莲分布信息数据库中获取到每个县域单元的水浮莲灾害发生点的个数和密度信息作为响应变量,将从水浮莲环境信息数据库中获取到的环境变量集作为解释变量来进行RDA分析处理,能够将去除共线性变量之后的环境因子进行耦合,然后通过第二数据处理器建立水浮莲环境因子的权重矩阵,最终通过构建生境适应性指数来定量预测水浮莲在某一区域内的分布情况,本系统能够对水浮莲的适生区域做定量评估,为水浮莲灾害防治、水生环境管理和生物多样性保护提供信息支撑。
作为本实施例提供的水浮莲入侵分布区预测系统的一种优选,还包括显示终端,其和第二数据处理器信号连接,用于显示预测区的水浮莲生境适应性指数的分布效果图,以便于直观地了解研究区相关的预测情况。
由于本实施例的第一数据处理器中的RDA分析处理过程以及第二数据处理器中的WOE处理过程和实施例1相同,因此在本实施例中就不再赘述。
上述实施例只是为了说明本发明的技术构思及特点,其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰,都应涵盖在本发明的保护范围内。
Claims (3)
1.一种水浮莲入侵分布区预测方法,其特征在于,包括:
对所获取到的水浮莲灾害发生点信息和水浮莲灾害发生点的环境变量集进行RDA分析,所述水浮莲灾害发生点信息包括水浮莲灾害发生点的时间、位置和范围信息,以每个县域单元的水浮莲灾害发生点的个数和密度作为响应变量,以水浮莲灾害发生点的环境变量集作为解释变量,获得与水浮莲生长相关的无冗余环境变量集;
对无冗余环境变量集采用WOE法处理,获得无冗余环境变量集中每一环境变量对水浮莲发生的影响权重;
对预测区域中的所有环境变量进行影响权重求和,得到预测区的水浮莲生境适应性指数,以根据水浮莲生境适应性指数来分析预测区内可能发生水浮莲灾害的程度;
所述对无冗余环境变量集采用WOE法处理,获得无冗余环境变量集中每一环境变量对水浮莲发生的影响权重,包括:
假设水浮莲灾害发生的环境条件保持不变,即当区域满足已发生水浮莲灾害的条件,水浮莲灾害将会发生;设未来发生水浮莲灾害的事件为A,其概率为P(A);已经发生水浮莲灾害的事件为B,其概率为P(B);则P(A|B)为事件B发生条件下的事件A、B的发生概率,其等于P(B|A)乘于P(A)除以P(B),则:
将P(F)定义为区域内某一环境变量的概率,为不是该环境变量的概率;相应的,P(H)和/>分别代表该环境变量下和非该环境变量下的水浮莲灾害发生的概率,则Wi+和Wi-表示各个环境变量对水浮莲发生的正负向贡献程度,Wi+和Wi-的差Wi代表各个环境变量对水浮莲发生的影响程度,其相互关系可由式2-式4计算:
Wi=Wi+-Wi- (式4);
所述获得与水浮莲生长相关的无冗余环境变量集的过程为:
将响应变量和解释变量分别标准化为环境变量矩阵X和水浮莲矩阵Y,然后对矩阵Y中的每个响应变量分别与矩阵X中的所有解释变量进行多元回归,得到水浮莲与环境变量的拟合值矩阵Yfit以及残差矩阵Yres;
对Yfit和Yres进行主成分分析,得到特征向量矩阵E和非约束性环境变量矩阵UE;特征向量矩阵E即为无冗余环境变量集;
所述水浮莲灾害发生点信息通过数字植物标本馆、文献记录和实地调查方式获取,并基于Esri ArcGIS的Geodatabase数据库模块来构建水浮莲分布信息数据库;
所述水浮莲灾害发生点的环境变量集从地理空间数据云、国家气象局数据共享平台、统计年鉴方式获取,并基于Esri ArcGIS的Geodatabase数据库模块来构建水浮莲环境信息数据库。
2.一种水浮莲入侵分布区预测系统,其特征在于,包括:
水浮莲分布信息数据库,其存储的信息包括每个县域单元内水浮莲灾害发生点的个数、位置和范围;
水浮莲环境信息数据库,其存储的信息包括水浮莲灾害发生点的环境变量集;
第一数据处理器,其用于将从水浮莲分布信息数据库中获取到县域单元内水浮莲灾害发生点的个数和密度信息作为响应变量,将从水浮莲环境信息数据库中获取到的环境变量集作为解释变量,以进行RDA分析处理,获得与水浮莲生长相关的无冗余环境变量集;
第二数据处理器,其用于对第一数据处理器传输来的无冗余环境变量集采用WOE法处理,获得无冗余环境变量集中每一环境变量对水浮莲发生的影响权重;还用于接收指令,来对预测区域中的所有环境变量进行影响权重求和,得到预测区的水浮莲生境适应性指数;
所述第二数据处理器获得无冗余环境变量集中每一环境变量对水浮莲发生的影响权重的运算处理逻辑为:
假设水浮莲灾害发生的环境条件保持不变,即当区域满足已发生水浮莲灾害的条件,水浮莲灾害将会发生;设未来发生水浮莲灾害的事件为A,其概率为P(A);已经发生水浮莲灾害的事件为B,其概率为P(B);则P(A|B)为事件B发生条件下的事件A、B的发生概率,其等于P(B|A)乘于P(A)除以P(B),则:
将P(F)定义为区域内某一环境变量的概率,为不是该环境变量的概率;相应的,P(H)和/>分别代表该环境变量下和非该环境变量下的水浮莲发生的概率,则Wi+和Wi-表示各个环境变量对水浮莲发生的正负向贡献程度,Wi+和Wi-的差Wi代表各个环境变量对水浮莲发生的影响程度,其相互关系可由式2-式4计算:
Wi=Wi+-Wi-(式4);
所述第一数据处理器获得与水浮莲生长相关的无冗余环境变量集的运算处理逻辑为:
将响应变量和解释变量分别标准化为环境变量矩阵X和水浮莲矩阵Y,然后对矩阵Y中的每个响应变量分别与矩阵X中的所有解释变量进行多元回归,得到水浮莲与环境变量的拟合值矩阵Yfit以及残差矩阵Yres;
对Yfit和Yres进行主成分分析,得到特征向量矩阵E和非约束性环境变量矩阵UE;特征向量矩阵E即为无冗余环境变量集;
所述水浮莲灾害发生点信息通过数字植物标本馆、文献记录和实地调查方式获取,并基于Esri ArcGIS的Geodatabase数据库模块来构建水浮莲分布数据库;所述水浮莲灾害发生点的环境变量集从地理空间数据云、国家气象局数据共享平台、统计年鉴方式获取,并基于EsriArcGIS的Geodatabase数据库模块来构建水浮莲环境信息数据库。
3.如权利要求2所述的水浮莲入侵分布区预测系统,其特征在于,还包括:
显示终端,其和第二数据处理器信号连接,用于显示预测区的水浮莲生境适应性指数的分布效果图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911402302.0A CN111178631B (zh) | 2019-12-30 | 2019-12-30 | 一种水浮莲入侵分布区预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911402302.0A CN111178631B (zh) | 2019-12-30 | 2019-12-30 | 一种水浮莲入侵分布区预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111178631A CN111178631A (zh) | 2020-05-19 |
CN111178631B true CN111178631B (zh) | 2024-03-29 |
Family
ID=70658482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911402302.0A Active CN111178631B (zh) | 2019-12-30 | 2019-12-30 | 一种水浮莲入侵分布区预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178631B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680843B (zh) * | 2020-06-12 | 2022-06-28 | 电子科技大学 | 基于深度svdd模型的中药材适生区预测方法及系统 |
CN113052803B (zh) * | 2021-03-12 | 2023-12-22 | 湖南省林业科学院 | 一种外来植物集群分布调查系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101055631A (zh) * | 2006-04-10 | 2007-10-17 | 中国地质大学(武汉) | 一种空间数据模糊证据权重分析方法 |
CN105005712A (zh) * | 2015-08-21 | 2015-10-28 | 山东科技大学 | 灰岩含水层富水性评价方法 |
CN109191282A (zh) * | 2018-08-23 | 2019-01-11 | 北京玖富普惠信息技术有限公司 | 一种基于行为模型的贷中监测评分方法以及系统 |
-
2019
- 2019-12-30 CN CN201911402302.0A patent/CN111178631B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101055631A (zh) * | 2006-04-10 | 2007-10-17 | 中国地质大学(武汉) | 一种空间数据模糊证据权重分析方法 |
CN105005712A (zh) * | 2015-08-21 | 2015-10-28 | 山东科技大学 | 灰岩含水层富水性评价方法 |
CN109191282A (zh) * | 2018-08-23 | 2019-01-11 | 北京玖富普惠信息技术有限公司 | 一种基于行为模型的贷中监测评分方法以及系统 |
Non-Patent Citations (3)
Title |
---|
徐燃 等.刺五加全球产地生态适宜性及品质生态学研究.《药学学报》.2018,第53卷(第2期),第313-320页. * |
李宏群 等.基于Maxent生态位模型的水葫芦在中国的适生区预测.《生态科学》.2018,第37卷(第8期),第143-147页. * |
雷林洋.基于GIS的云南省盐津县地震地质灾害危险性评价研究.《中国优秀硕士学位论文全文数据库基础科学辑》.2018,第53-62页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111178631A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Exploring spatiotemporal patterns of electric power consumption in countries along the Belt and Road | |
Amini Parsa et al. | Spatio-temporal analysis of land use/land cover pattern changes in Arasbaran Biosphere Reserve: Iran | |
Beguería et al. | Assessing trends in extreme precipitation events intensity and magnitude using non-stationary peaks-over-threshold analysis: a case study in northeast Spain from 1930 to 2006 | |
WO2018214060A1 (zh) | 一种城市小尺度空气质量指数预测方法与系统 | |
Ahmed et al. | Statistical downscaling and bias correction of climate model outputs for climate change impact assessment in the US northeast | |
Wahiduzzaman et al. | A climatological model of North Indian Ocean tropical cyclone genesis, tracks and landfall | |
CN105760970A (zh) | 空气质量指数的预测方法 | |
CN111178631B (zh) | 一种水浮莲入侵分布区预测方法及系统 | |
CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
Wang et al. | Linkages between tropical cyclones and extreme precipitation over China and the role of ENSO | |
Liu et al. | A comprehensive risk analysis of transportation networks affected by rainfall‐induced multihazards | |
Behzadi et al. | Analysis of the climate change signal in Mexico City given disagreeing data sources and scattered projections | |
Gilleland et al. | Spatial extreme value analysis to project extremes of large‐scale indicators for severe weather | |
Samal et al. | Spatio-temporal prediction of air quality using distance based interpolation and deep learning techniques | |
CN114154702A (zh) | 基于多粒度图时空神经网络的污染物浓度预测方法及装置 | |
CN114494865A (zh) | 一种山地生态系统未来情景的cset方法 | |
Lababpour | The response of dust emission sources to climate change: Current and future simulation for southwest of Iran | |
Song et al. | Climate‐induced range shifts shaped the present and threaten the future genetic variability of a marine brown alga in the Northwest Pacific | |
He et al. | Potential geographical distribution and its multi-factor analysis of Pinus massoniana in China based on the maxent model | |
Xu et al. | Species distribution models to estimate the deforested area of Picea crassifolia in arid region recently protected: Qilian Mts. National Natural Reserve (China) | |
Felbermayr et al. | Shedding light on the spatial diffusion of disasters | |
CN116628519B (zh) | 一种生态脆弱区识别方法及系统 | |
Yang et al. | Spatiotemporal characteristics of human activity on coastal landscape of Laizhou Bay | |
Mok et al. | Selection of bias correction models for improving the daily PM10 forecasts of WRF-EURAD in Porto, Portugal | |
Bhend et al. | Evaluation of simulated recent climate change in Australia |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |