CN113780822B - 一种基于psr模型的城市生态安全预警方法 - Google Patents
一种基于psr模型的城市生态安全预警方法 Download PDFInfo
- Publication number
- CN113780822B CN113780822B CN202111072008.5A CN202111072008A CN113780822B CN 113780822 B CN113780822 B CN 113780822B CN 202111072008 A CN202111072008 A CN 202111072008A CN 113780822 B CN113780822 B CN 113780822B
- Authority
- CN
- China
- Prior art keywords
- data
- ecological safety
- model
- simulated
- urban
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 65
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 46
- 238000010200 validation analysis Methods 0.000 claims description 25
- 238000004088 simulation Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 231100000279 safety data Toxicity 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 125000000118 dimethyl group Chemical group [H]C([H])([H])* 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000002910 solid waste Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于PSR模型的城市生态安全预警方法，包括以下步骤：1)根据遥感影像数据估算并实地调研调查城市群内各城市的PSR模型的训练样本数据、先验数据和待模拟数据；2)训练样本数据、先验数据和待模拟数据预处理；3)城市生态安全预警模型训练；4)利用训练好的模型和待模拟数据集模拟出城市生态安全水平结果以及随时间变化的趋势；5)根据城市多年生态安全趋势线，对趋于危险的城市进行生态安全预警。本发明基于PSR模型，能同时进行多种数据的结果模拟，提高了城市生态安全预警的综合性，将PSR模型与机器学习相结合，能快速得出影响城市生态安全的因素。
Description
技术领域
本发明涉及城市生态安全领域，具体地说是一种基于PSR模型的城市生态安全预警方法。
背景技术
生态安全是以环境安全为基础的，安全的生态环境为人类提供健康、必要资源、基本权利和社会秩序，使人类具有适应环境变化的能力，包括自然安全、社会安全和经济安全。生态安全研究是从自然资源开发和人类生存环境识别的角度对自然和半自然生态系统进行分析和评价。城市具有相对密集的人群、房屋和交通网络，具有空间组织紧凑、经济活动紧密、与其他城市高度同城化的特点。城市的经济发展在全国发挥了重要作用，是中国人口相对最密集、城市化程度最高的地区。现代城市是一个因素众多、关系复杂的高度人工化的自然-经济-社会复杂生态系统，城市的生态安全对中国生态安全具有重大影响，城市生态安全预警是城市生态安全管理急需解决的难题和热点。
如中国专利CN106611256A公开的一种海岸带生态安全评价模型的构建方法，包括收集因子数据；生成因子年空间分布图；计算生态系统服务价值；构建海岸带的涵盖物理因子、污染因子和社会经济因子的生态安全评价因子体系；通过不同方法对各年份的因子进行标准化处理；进行生态安全指数的分区；采用等权重法，计算生态安全指数；揭示陆域活动对海岸带生态系统服务功能和区域生态安全的影响机理及其时空变异规律，甄别影响海岸带生态安全的主要因素。此发明针对的城市及因子的范围较小，不够全面，且此发明直接通过将过去的数据进行标准化和加权平均计算，得到生态安全指数，受主观影响较大，且计算效率低，且没有进行计算模拟，计算精准度不高。
如中国专利CN108364129A公开的一种基于遥感大数据的区域生态安全预警预报方法，遥感大数据监测模块，获取流域被监测区域的实时监测数据；信息预处理模块，得到能够表征流域监测区域水生态安全状况的表征数据；因子体系管理模块，获得实时监测数据的权重值；模型管理模块，进行预警管理和分析；水生态综合评价模块，构建水生态风险概率指数模型、水生态损失度指数模型以及面向评价单元的水生态风险综合指数模型，然后对流域被监测区域的水生态风险进行模拟；风险预案管理模块，判断风险源是否为重大风险源，做出处理决策。此发明仅针对了水生态安全，数据针对的范围较小，采用了遥感大数据监测，城市生活中很多因子无法通过此方法得到，此发明的适用范围小。
因此，如何设计一种基于PSR模型的城市生态安全预警方法，可同时进行多种数据结果模拟，提高模型的准确性和客观性，扩大适用的城市范围是一件亟待解决的事情，具有十分重要的意义。
发明内容
有鉴于此，本发明的目的在于提供一种基于PSR模型的城市生态安全预警方法，基于压力-状态-响应(PSR)因子模型和机器学习方法，结合GIS技术，根据城市发展中的自然、社会、经济三因素逐步改善并互相作用的原理，构建针对各种尺度的城市生态安全进行预警的模型与方法。
为了达到上述目的，本申请提供如下技术方案。
一种基于PSR模型的城市生态安全预警方法，包括以下步骤：
步骤1：根据遥感影像数据估算并实地调研调查城市群内各城市的PSR模型的训练样本数据、先验数据和待模拟数据，训练样本数据表示为矩阵A，待模拟数据表示为矩阵X；
步骤2：训练样本数据、先验数据和待模拟数据预处理；
步骤3：城市生态安全预警模型训练；
步骤4：利用训练好的模型和待模拟数据集模拟出城市生态安全水平结果以及随时间变化的趋势；
步骤5：城市生态安全预警判定标准为：当模拟结果高于警戒值时判定为安全，当模拟结果低于警戒值时判定为危险。当模拟结果被判定为“危险”时，发出预警提示。
优选地，步骤1中，判断训练样本数据和待模拟数据的数据类型：根据“值越大越具有安全性”原则确定其属于正向因子数据类型为A+，根据“值越小越具有安全性”原则确定其属于逆向因子数据类型为A-。
优选地，步骤2中，数据预处理包括以下步骤：
S201：先验数据综合整理，表示为矩阵V；
S202：判断样本因子的数据类型，并对训练样本数据和待模拟数据归一化处理；
S203：按年份划分训练数据集Atrain和Vtrain、验证数据集Avalidation、Vvalidation和待模拟数据集Xtest。
优选地，S201中，从学者的科研论文中收集到过去多年生态安全数据，并按照统一标准换算成生态安全预警系数。生态安全“一般”程度的表示为相对值“3”，根据该绝对值判断其他地区生态安全按如下标准：
优选地，S202中，为了方便进一步的数据处理与模型模拟，将S101收集到的有量纲的训练样本数据，根据训练样本数据的正向因子数据类型和逆向因子数据类型，并按照公式(2)，转化成[0，1]之间无量纲的纯量数据，得到矩阵Anormal和矩阵Xnormal，
其中，amax＝max(a1m，a2m，…，anm)，amin＝min(a1m，a2m，…，anm)，anormal是归一化处理后的数据。
优选地，S203中，将矩阵Anormal和矩阵V按照年份顺序，取前70％时间的数据为训练数据集Atrain和Vtrain，后30％时间的数据为验证数据集Avalidation、Vvalidation，将待模拟数据Xnormal直接划分为待模拟数据集Xtest。
优选地，步骤3中，在Matlab 2021a中修改使BP神经网络输入数据随机化的参数，并输入训练数据集与测试数据集进行反复训练，选择袋外精度最高的模型为最终模型，同时得出各因子的影响权重。
优选地，选择Sigmoid为激活函数，设置隐藏层数为60，并输入数据的随机化参数为“不随机打散”，将训练数据集Atrain和Vtrain输入进行反复训练，取验证数据集Avalidation和Vvalidation进行验证，取精度最佳的训练结果为最终模型Net，同时得出各因子的影响权重W。
优选地，激活函数Sigmoid为：
优选地，步骤4中，将待模拟的数据集Xtest输入训练好的模型Net中，得出城市生态安全综合结果Ytest。
优选地，将城市年生态安全结果进行GIS可视化表示。
相比于现有技术，本发明技术方案具有以下有益效果：
1.本发明基于PSR模型，基础数据基于遥感影像估算和实地调研调查，同时进行多种数据的结果模拟，提高了城市生态安全预警的综合性、整体性和科学性；
2.本发明将先验数据作为一部分内容输入模型模拟，促进了先验数据和数据的集成，避免了对处理样本数据稀疏或较难获得等问题，同时利于消除不同数据不同量纲对模型训练的影响，提高模型计算的准确性；
3.本发明基于PSR模型，适用于不同尺度的城区，如县、单一城市、城市群，扩大了应用覆盖面；
4.本发明因子权重不基于专家打分，减少人为主观因素的影响，提高模型的稳定性；
5.本发明使用BP神经网络的机器学习方法，BP神经网络属于黑箱方法，不需计算因子间的独立性，且可以自动得出各因子的影响权重，简化流程，并提高模型客观性，比较适用于预警城市群生态安全，提高了方法的自动性；
6.本发明使用PSR模型与机器学习相结合的方法，能够快速地得出影响城市生态安全的主要因子，为提出预警方案措施提供有效参考依据；
7.本发明使用图形的方法描述数据间的相互关系，语义清晰，易于理解，也易于分析；
8.本发明根据城市生态安全水平随时间变化的波动规律，定位不同城市的生态安全状况，具有较强的针对性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1是本发明提供的一种基于PSR模型的城市生态安全预警方法的流程示意图；
图2是本发明提供的一种基于PSR模型的城市生态安全预警方法的长三角城市群生态安全训练样本数据GIS展示图；
图3是本发明提供的一种基于PSR模型的城市生态安全预警方法的长三角城市群生态安全模拟的结果GIS展示图；
图4是本发明提供的一种基于PSR模型的城市生态安全预警方法的长三角城市群生态安全模拟的结果折线图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本申请的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本申请的范围和精神。另外，为了清楚和简洁，实施例中省略了对已知功能和构造的描述。
应该理解，说明书通篇中提到的“一个实施例”或“本实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“一个实施例”或“本实施例”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
此外，本申请可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身并不指示所讨论各种实施例和/或设置之间的关系。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况，本文中术语“/和”是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况，另外，本文中字符“/”，一般表示前后关联对象是一种“或”关系。
本文中术语“至少一种”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和B的至少一种，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含。
实施例1
本实施例主要介绍了一种基于PSR模型的城市生态安全预警方法的基本步骤。
请参考图1，图1是本发明提供的一种基于PSR模型的城市生态安全预警方法的流程示意图，其展示了一种基于PSR模型的城市生态安全预警方法，包括以下步骤：
步骤1：根据遥感影像数据估算并实地调研调查城市群内各城市的PSR模型的训练样本数据、先验数据和待模拟数据，训练样本数据表示为矩阵A，待模拟数据表示为矩阵X；
步骤2：训练样本数据、先验数据和待模拟数据预处理；
步骤3：城市生态安全预警模型训练；
步骤4：利用训练好的模型和待模拟数据集运算出城市生态安全水平随时间变化趋势的结果；
步骤5：根据城市多年生态安全水平随时间变化的趋势，对趋于危险的城市进行生态安全预警。
进一步的，步骤1中，判断训练样本数据和待模拟数据的数据类型：根据“值越大越具有安全性”原则确定其属于正向因子数据类型为A+，根据“值越小越具有安全性”原则确定其属于逆向因子数据类型为A-。
进一步的，步骤2中，数据预处理包括以下步骤：
S201：先验数据综合整理，表示为矩阵V；
S202：训练样本数据和待模拟数据归一化处理；
S203：按年份划分训练数据集Atrain和Vtrain、验证数据集Avalidation、Vvalidation和待模拟数据集Xtest。
进一步的，S201中，从学者的科研论文中收集到过去多年生态安全数据，并按照统一标准换算成生态安全预警系数。生态安全“一般”程度的表示为相对值“3”，根据该绝对值判断其他地区生态安全按如下标准：
进一步的，S202中，为了方便进一步的数据处理与模型模拟，将S101收集到的有量纲的训练样本数据，根据训练样本数据的正向因子数据类型和逆向因子数据类型，并按照公式(2)，转化成[0，1]之间无量纲的纯量数据，得到矩阵Anormal和矩阵Xnormal，
其中，amax＝max(a1m，a2m，…，anm)，amin＝min(aim，a2m，…，anm)，anormal是归一化处理后的数据。
进一步的，S203中，将矩阵Anormal和矩阵V按照年份顺序，取前70％时间的数据为训练数据集Atrain和Vtrain，后30％时间的数据为验证数据集Avalidation和Vvalidation，将待模拟数据Xnormal直接划分为待模拟数据集Xtest。
进一步的，步骤3中，在Matlab 2021a中修改使BP神经网络输入数据随机化的参数，并输入训练数据集与测试数据集进行反复训练，选择袋外精度最高的模型为最终模型，同时得出各因子的影响权重。
进一步的，选择Sigmoid为激活函数，设置隐藏层数为60，并输入数据的随机化参数为“不随机打散”，将训练数据集Atrain和Vtrain输入进行反复训练，取验证数据集Avalidation和Vvalidation进行验证，取精度最佳的训练结果为最终模型Net，同时得出各因子的影响权重W。
进一步的，激活函数Sigmoid为：
进一步的，步骤4中，将待模拟的数据集Xtest输入训练好的模型Net中，得出城市生态安全综合结果Ytest。
进一步的，将城市年生态安全结果进行GIS可视化表示。
本发明使用BP神经网络的机器学习方法，BP神经网络属于黑箱方法，不需计算因子间的独立性，且可以自动得出各因子的影响权重，简化流程，并提高模型客观性，比较适用于预警城市群生态安全，提高了方法的自动性。
本发明使用PSR模型与机器学习相结合的方法，能够快速地得出影响城市生态安全的主要因子，为提出预警方案措施提供有效参考依据。
实施例2
基于上述实施例1，本实施例主要介绍了一种基于PSR模型的城市生态安全预警方法步骤1的应用例。
以长三角城市群(包括16个城市：上海、南京、无锡、常州、苏州、南通、扬州、镇江、泰州、杭州、宁波、嘉兴、湖州、绍兴、舟山、台州)为例，覆盖面积约110,800km2。
步骤1，数据收集，包括：
S101训练样本数据收集。
在城市生态安全的自然因素、社会因素和经济因素三方面中，根据遥感影像数据估算压力(Pressure)、状态(State)、响应(Response)数据，收集2005年～2012年，共8年29类数据，表示为矩阵A：
矩阵Ac中的anmc元素表示第c个城市的第m年第n个因子数据。
根据“值越大越具有安全性”原则确定其属于正向因子数据类型A+，根据“值越小越具有安全性”原则确定其属于逆向因子数据类型A-，见表1。
表1、矩阵A表示的因子数据
以上数据多数来自遥感数据反演估算，其他来自实地调研调查。通过遥感数据反演的方法，请见融合细颗粒物浓度数据的区域PM2.5遥感反演模型(CN202010272848.5)、降水事件引导的遥感降水反演训练样本自适应选取方法(CN202110655233.5)等模型。调研调查为辅助方法，以“万人医生数”因子为例，专人实地统计本地二甲及二甲以上医院的医生数，确保数据有效性。
由于将采用神经网络方法进行后续模型训练，而神经网络方法在参与训练时可以允许训练数据不具有独立性，所以，选取数据后可以不进行独立性检验，请参考表2，表2为16个城市建成区绿化覆盖率矩阵A的数据(％)，其展示了以a12mc“建成区绿化覆盖率(％)”为例的部分收集到的矩阵A的数据。
表2、16个城市建成区绿化覆盖率矩阵A的数据(％)
S102先验数据收集。收集2005年～2012年生态安全数据，年份与S101所述的训练样本数据年份重合。
S103待模拟数据收集。收集2013年～2018年，共6年29项的待模拟数据，即需要预警的城市生态安全数据，表示为矩阵X，即：
矩阵X中的元素xijc表示第c个城市第j年第i个类型的数据。该因子与S101中的因子数据类型相同，请参考表3，表3为16个城市建成区绿化覆盖率矩阵X的数据(％)，其展示了以x12jc“建成区绿化覆盖率(％)”即x12j2005～x12j2012为例的部分收集到的矩阵X的数据。
表3、16个城市建成区绿化覆盖率矩阵X的数据(％)
本发明基于PSR模型，同时进行多种数据的结果模拟，提高了城市生态安全预警的综合性、整体性和科学性。
本发明基于PSR模型，适用于不同尺度的城区，如县、单一城市、城市群，扩大了应用覆盖面。
实施例3
基于上述实施例2，本实施例主要介绍了一种基于PSR模型的城市生态安全预警方法步骤2的应用例。
步骤2，数据预处理，包括：
S201先验数据综合整理。从学者的科研论文中收集到过去多年生态安全数据，并按照统一标准换算成生态安全预警系数。生态安全“一般”程度的表示为相对值“3”，根据该绝对值判断其他地区生态安全按如下标准：
整理后的先验数据表示为矩阵V，即：
其中，矩阵V中的元素vcj表示第c个城市第j年生态安全预警系数，先验数据中第一年。请参考表4，表4为16个城市生态安全系数矩阵V中的数据。
表4、16个城市生态安全矩阵V中的生态安全预警系数
进一步的，S202归一化处理。包括对训练样本数据、往年经验数据和待模拟数据的归一化处理。为了方便进一步的数据处理与模型模拟，将S101收集到的有量纲的训练样本数据，根据训练样本数据的正向因子数据类型和逆向因子数据类型，按照公式(2)，转化成[0，1]之间无量纲的纯量数据：
其中，amax＝max(a1m，a2m，…，anm)，amin＝min(a1m，a2m，…，anm)，anormal是归一化处理后的训练样本数据，X同理，得到矩阵Anormal和矩阵Xnormal。请参考表5和表6，表5为16个城市建成区绿化覆盖率矩阵的数据，表6为16个城市建成区绿化覆盖率矩阵Xnormal的数据，其展示了以a12mc和x12jc“建成区绿化覆盖率(％)”为例，该项数据为正向因子数据类型。
表5、16个城市建成区绿化覆盖率矩阵Anormal的数据
表6、16个城市建成区绿化覆盖率矩阵Xnormal的数据
进一步的，S203按年份划分训练样本集、验证数据集和待模拟数据集，按年份划分训练数据集、验证数据集和待训练数据。将矩阵Anormal和矩阵V按照年份顺序，取2005～2010年的数据为训练数据集Atrain和Atrain，2011～2012年的数据为验证数据集Avalidation和Avalidation，将待模拟数据Xnormal直接划分为待模拟数据集Xtest。
实施例4
基于上述实施例3，本实施例主要介绍了一种基于PSR模型的城市生态安全预警方法步骤3的应用例。
步骤3，城市生态安全预警模型训练：在Matlab2021a中使用BP神经网络方法，选择Sigmoid为激活函数，设置隐藏层数为60，并输入数据的随机化参数为“不随机打散”，将训练数据集Atrain和Vtrain输入进行反复训练，取验证数据集Avalidation和Vvalidation进行验证，取精度最佳的训练结果为最终模型Net，同时得出各因子的影响权重W。BP神经网络具有一个输入层、多个隐藏层和一个输出层。其中，激活函数Sigmoid为：
请参考表7，表7为各项因子的权重和类别。
表7、各项因子的权重和类别
请参考图2，图2是本发明提供的一种基于PSR模型的城市生态安全预警方法的长三角城市群生态安全训练样本数据GIS展示图，其展示了城市生态安全预警模型训练的结果。
本发明将先验数据作为一部分内容输入模型模拟，促进了先验数据和数据的集成，避免了对处理样本数据稀疏或较难获得等问题，同时利于消除不同数据不同量纲对模型训练的影响，提高模型计算的准确性；
本发明因子权重不基于专家打分，减少人为主观因素的影响，提高模型的稳定性。
本发明使用BP神经网络的机器学习方法，BP神经网络属于黑箱方法，不需计算因子间的独立性，且可以自动得出各因子的影响权重，简化流程，并提高模型客观性，比较适用于预警城市群生态安全，提高了方法的自动性。
本发明使用PSR模型与机器学习相结合的方法，能够快速地得出影响城市生态安全的主要因素，为提出预警方案措施提供有效参考依据。
实施例5
基于上述实施例4，本实施例主要介绍了一种基于PSR模型的城市生态安全预警方法步骤4和5的应用例。
步骤4，模型应用：将待模拟的数据集Xtest输入训练好的模型Net中，得出城市年生态安全综合结果，并对城市年生态安全综合结果进行GIS可视化表示，请参考图3，图3是本发明提供的一种基于PSR模型的城市生态安全预警方法的长三角城市群生态安全模拟的结果GIS展示图。
进一步的，步骤5，生态安全预警。城市生态安全预警判定标准为：当模拟结果高于警戒值时判定为安全，当模拟结果低于警戒值时判定为危险。当模拟结果被判定为“危险”时，发出预警提示。请参考图4，图4是本发明提供的一种基于PSR模型的城市生态安全预警方法的长三角城市群生态安全模拟的结果折线图。根据模拟得到的结果发现，舟山市的生态安全水平从2015年开始逐年下降，低于0.8，属于“危险型”，可以从模型比重较大的6个方面(工业烟(粉)尘排放、人均道路面积、固体废弃物产生、水资源总量、在校大学生数、公园绿地面积)做出提高生态安全性的战略布局调整。
本发明使用图形的方法描述数据间的相互关系，语义清晰，易于理解，也易于分析。
本发明根据城市生态安全水平的变化趋势线波动规律，定位不同城市的生态安全状况，具有较强的针对性。
以上所述仅为本发明的优选实施例而已，其并非因此限制本发明的保护范围，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，通过常规的替代或者能够实现相同的功能在不脱离本发明的原理和精神的情况下对这些实施例进行变化、修改、替换、整合和参数变更均落入本发明的保护范围内。
Claims (7)
1.一种基于PSR模型的城市生态安全预警方法，其特征在于，包括以下步骤：
步骤1：根据遥感影像数据估算并实地调研调查城市群内各城市的PSR模型的训练样本数据、先验数据和待模拟数据，训练样本数据表示为矩阵A，待模拟数据表示为矩阵X；
步骤2：训练样本数据、先验数据和待模拟数据预处理；
步骤3：城市生态安全预警模型训练；
步骤4：利用训练好的模型和待模拟数据集模拟出城市生态安全水平结果以及随时间变化的趋势；
步骤5：城市生态安全预警判定标准为：当模拟结果高于警戒值时判定为安全，当模拟结果低于警戒值时判定为危险，当模拟结果被判定为“危险”时，发出预警提示；
步骤2中，数据预处理包括以下步骤：S201：先验数据综合整理，表示为矩阵V；
S202：判断样本因子的数据类型，并对训练样本数据和待模拟数据归一化处理；
S203：按年份划分训练数据集Atrain和Vtrain、验证数据集Avalidation、Vvalidation和待模拟数据集Xtest；
S202中，将训练样本数据矩阵A和待模拟数据矩阵X根据训练样本数据的正向因子数据类型和逆向因子数据类型，正向因子数据类型表示为A+，逆向因子数据类型表示为A-，按照公式(2)，转化成[0，1]之间无量纲的纯量数据，得到矩阵Anormal和矩阵Xnormal，（2）
其中，amax＝max(a1m，a2m，…，anm)，amin＝min(a1m，a2m，…，anm)，anormal是归一化处理后的数据。
2.根据权利要求1所述的一种基于PSR模型的城市生态安全预警方法，其特征在于，S203中，将矩阵Anormal和矩阵V按照年份顺序，取前70％时间的数据为训练数据集Atrain和Vtrain，后30％时间的数据为验证数据集Avalidation、Vvalidation，将待模拟数据Xnormal直接划分为待模拟数据集Xtest。
3.根据权利要求1或2所述的一种基于PSR模型的城市生态安全预警方法，其特征在于，步骤3中，在Matlab2021a中修改使BP神经网络输入数据随机化的参数，并输入训练数据集与测试数据集进行反复训练，选择袋外精度最高的模型为最终模型，同时得出各因子的影响权重。
4.根据权利要求3所述的一种基于PSR模型的城市生态安全预警方法，其特征在于，选择Sigmoid为激活函数，设置隐藏层数为60，并输入数据的随机化参数为“不随机打散”，将训练数据集Atrain和Vtrain输入进行反复训练，取验证数据集Avalidation和Vvalidation进行验证，取精度最佳的训练结果为最终模型Net，同时得出各因子的影响权重W。
5.根据权利要求4所述的一种基于PSR模型的城市生态安全预警方法，其特征在于，激活函数Sigmoid为：。
6.根据权利要求4所述的一种基于PSR模型的城市生态安全预警方法，其特征在于，步骤4中，将待模拟的数据集Xtest输入训练好的模型Net中，得出城市生态安全综合结果Ytest。
7.根据权利要求6所述的一种基于PSR模型的城市生态安全预警方法，其特征在于，将城市年生态安全结果进行GIS可视化表示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111072008.5A CN113780822B (zh) | 2021-09-14 | 2021-09-14 | 一种基于psr模型的城市生态安全预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111072008.5A CN113780822B (zh) | 2021-09-14 | 2021-09-14 | 一种基于psr模型的城市生态安全预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113780822A CN113780822A (zh) | 2021-12-10 |
| CN113780822B true CN113780822B (zh) | 2023-10-31 |
Family
ID=78843319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111072008.5A Active CN113780822B (zh) | 2021-09-14 | 2021-09-14 | 一种基于psr模型的城市生态安全预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113780822B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB1063143A (en) * | 1962-11-30 | 1967-03-30 | Burroughs Corp | Modular computer system |
| AU4604493A (en) * | 1989-12-11 | 1993-12-02 | Caterpillar Inc. | Integrated vehicle positioning and navigation system, apparatus and method |
| CN101963607A (zh) * | 2010-10-11 | 2011-02-02 | 北京师范大学 | 一种流域湿地水环境状态及公众满意度评价方法 |
| CN104981011A (zh) * | 2014-04-14 | 2015-10-14 | 李巍岳 | 基于序贯处理的WiFi热点数据采集与更新方法 |
| CN104992245A (zh) * | 2015-07-09 | 2015-10-21 | 南京信息工程大学 | 一种基于广义熵理论的水环境风险管理动态智能综合分析方法 |
| CN105426836A (zh) * | 2015-11-17 | 2016-03-23 | 上海师范大学 | 一种基于分部式模型和稀疏成分分析的单样本人脸识别方法 |
| CN106934233A (zh) * | 2017-03-09 | 2017-07-07 | 江西理工大学 | 一种基于psr模型的稀土矿区环境压力量化评估方法及系统 |
| CN112131731A (zh) * | 2020-09-15 | 2020-12-25 | 同济大学 | 一种基于空间特征向量滤波的城市生长元胞模拟方法 |
| CN112163745A (zh) * | 2020-09-17 | 2021-01-01 | 武汉大学 | 一种基于组合模型的区域安全风险分析方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7411519B1 (en) * | 1999-05-14 | 2008-08-12 | Honeywell International Inc. | System and method for predicting and displaying wake vortex turbulence |
| EP2798376B1 (en) * | 2011-12-29 | 2019-07-24 | Services Petroliers Schlumberger | In-situ characterization of formation constituents |
-
2021
- 2021-09-14 CN CN202111072008.5A patent/CN113780822B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB1063143A (en) * | 1962-11-30 | 1967-03-30 | Burroughs Corp | Modular computer system |
| AU4604493A (en) * | 1989-12-11 | 1993-12-02 | Caterpillar Inc. | Integrated vehicle positioning and navigation system, apparatus and method |
| CN101963607A (zh) * | 2010-10-11 | 2011-02-02 | 北京师范大学 | 一种流域湿地水环境状态及公众满意度评价方法 |
| CN104981011A (zh) * | 2014-04-14 | 2015-10-14 | 李巍岳 | 基于序贯处理的WiFi热点数据采集与更新方法 |
| CN104992245A (zh) * | 2015-07-09 | 2015-10-21 | 南京信息工程大学 | 一种基于广义熵理论的水环境风险管理动态智能综合分析方法 |
| CN105426836A (zh) * | 2015-11-17 | 2016-03-23 | 上海师范大学 | 一种基于分部式模型和稀疏成分分析的单样本人脸识别方法 |
| CN106934233A (zh) * | 2017-03-09 | 2017-07-07 | 江西理工大学 | 一种基于psr模型的稀土矿区环境压力量化评估方法及系统 |
| CN112131731A (zh) * | 2020-09-15 | 2020-12-25 | 同济大学 | 一种基于空间特征向量滤波的城市生长元胞模拟方法 |
| CN112163745A (zh) * | 2020-09-17 | 2021-01-01 | 武汉大学 | 一种基于组合模型的区域安全风险分析方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| "基于机器学习的海面盐度遥感反演模型";徐朝;《中国优秀博士学位论文全文数据库 基础科学》;1-133 * |
| "基于遥感及机器学习的油气资源潜力空间评价方法研究——以榆林气田为例";吴小娟;《中国优秀博士学位论文全文数据库 基础科学》;1-124 * |
| "遥感与网络数据支撑的城市可持续性评价:进展与前瞻";宋晓谕等;《地球科学进展》;1075-1083 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113780822A (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Biancofiore et al. | Recursive neural network model for analysis and forecast of PM10 and PM2. 5 | |
| Assarkhaniki et al. | The conceptualisation of resilience dimensions and comprehensive quantification of the associated indicators: A systematic approach | |
| CN105182450B (zh) | 一种强对流天气短时预警系统 | |
| Zhu et al. | The influencing factors and mechanisms for urban flood resilience in China: From the perspective of social-economic-natural complex ecosystem | |
| CN112529327A (zh) | 一种用于构建商业地区建筑火灾风险预测等级模型的方法 | |
| CN113869689A (zh) | 一种基于遥感和地理信息系统的生态环境动态监测方法 | |
| Peng et al. | Research on the early-warning model of network public opinion of major emergencies | |
| Sun et al. | Spatial characteristics of urban life resilience from the perspective of supply and demand: A case study of Nanjing, China | |
| CN106777987A (zh) | 基于水动力、水质和som的河流水量聚类及水质评价方法 | |
| CN116384803A (zh) | 一种城市数据分析方法、系统、电子设备和存储介质 | |
| Jiao et al. | Resilience assessment of metro stations against rainstorm disaster based on cloud model: a case study in Chongqing, China | |
| Shen et al. | Public reactions to locally unwanted land-uses: Mixed methods evidence from three petrochemicals plants in China | |
| Zhou et al. | Ecological security assessment of Qinzhou coastal zone based on Driving forces-Pressure-State-Impact-Response (DPSIR) model | |
| CN113780822B (zh) | 一种基于psr模型的城市生态安全预警方法 | |
| Zhang et al. | Estimating the outdoor environment of workers’ villages in East China using machine learning | |
| Jiao et al. | An approach to exploring the spatial distribution and influencing factors of urban problems based on Land use types | |
| CN117474327A (zh) | 一种韧性视角下城市交通综合体系统风险评估方法 | |
| Liu et al. | Rapid assessment of flood loss based on neural network ensemble | |
| Wood et al. | Fuzzy sets and simulated environmental change: evaluating and communicating impact significance in environmental impact assessment | |
| CN108694247B (zh) | 一种基于微博话题热度的台风灾害灾情分析方法 | |
| Kong et al. | Exploration of urban heritage in the historic core of London: A spatial network approach | |
| Boni et al. | Study of Environmental Economic Performance According to Energy Use and CO2 Emissions, Air Quality, and Government Policies to Achieve SDGs in Baubau City | |
| CN112561346A (zh) | 一种城市综合运行指数分析方法 | |
| CN112561343A (zh) | 一种城市民生稳定综合分析方法 | |
| Chan et al. | The coherence between resource investment and performance for sustainable development goals in T aiwan cities: A hybrid influence analysis |
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 |