CN115239127B - 生态脆弱性评价方法、计算机设备、存储介质和验证方法 - Google Patents

Abstract

本发明提供了一种生态脆弱性评价方法、计算机设备、存储介质和验证方法。所述评价方法包括：针对具有多个分区的目标区域，确定多项基本判定指标；利用聚类分析法，计算每个分区每项基本判定指标的评分；利用模糊物元分析法确定每个分区的脆弱性评分。所述计算机设备包括至少一个处理器；存储有程序指令的存储器，程序指令包括执行上述评价方法的指令。所述存储介质上存储有程序指令。本发明还提出用衡量分类相似度的定性指标来验证评分模型的合理性，在集群分析基础上引入向量的余弦值来验证权重赋值的合理性。本发明能减少环境脆弱性评价中人为主观影响，提高评价准确性；本发明能完善模糊物元分析法的运算逻辑，提升运算结果可信度。

Description

生态脆弱性评价方法、计算机设备、存储介质和验证方法

技术领域

本发明涉及生态环境的评价领域，特别地，涉及一种生态脆弱性评价方法、计算机设备、存储介质和验证方法。

背景技术

生态环境脆弱性是当前全球气候变化及可持续发展研究中的热点问题。生态环境脆弱性研究一般通过指标、赋值来建立可以测度的评价模型，评价方法运用众多，主要可划分为两大类：

一类为基于样本(或历史数据)的数据评估法，以主成分分析法、逼近理想解的排序方法(TOPSIS)、数据包络法等为代表。另一类为针对不确定环境下的隶属问题，这类方法属于模糊数学范畴，理论层面以模糊数学理论、突变理论、物元可拓三大类为代表。数据评估法中评价指标权重的确定方法主要有专家打分法、层次分析法、熵权法、证据权重法等。

在上述方法的评价过程中，很容易受到人为的影响，并且缺乏对相关环节的验证，评价结果的可信度有待提高。

发明内容

针对现有技术中存在的不足，本发明的目的在于解决上述现有技术中存在的一个或多个问题。例如，本发明的目的之一在于减少环境脆弱性评价中人为的主观影响，提高评价的准确性；目的之二在于完善评价过程中的模糊物元分析法的运算逻辑，提升运算结果的可信度。

为了实现上述目的，本发明一方面提供了一种生态环境脆弱性的评价方法。

目标区域包括多个分区，所述方法可包括步骤：

针对目标区域，确定多项基本判定指标，所述多项基本判定指标包括：自然灾害、气候条件、社会经济、地质条件、水土、植被和人类行为中的至少两种；利用聚类分析法，计算每个分区的每项基本判定指标的评分；基于所述评分，利用模糊物元分析法，确定每个分区的脆弱性评分。

可选择地，所述方法还可包括步骤：对每个分区的所述脆弱性评分进行排序。

可选择地，所述确定每个分区的脆弱性评分的步骤可包括：利用所述模糊物元分析法确定每个分区的每项基本判定指标的权重，然后结合所述每个分区的每项基本判定指标的评分，确定每个分区的脆弱性评分。

可选择地，所述聚类分析法包括：K-means算法。

可选择地，对于任一个分区的任一项基本判定指标，所述聚类分析法包括：对所有分区的某项基本判定指标所包含影响因素的值，进行聚类分析，得到划分的k个聚类；对每个聚类中心的数值进行分析，确定每个聚类的等级；根据等级计算每个聚类的等级评分；计算代表某个分区的点分别到k个聚类中心的距离；根据所述距离，计算该分区对k类等级评分的权重，并对权重进行归一化处理；根据所述归一化处理后的权重和所述等级评分，得到针对该分区的所述某项基本判定指标的综合评分。

可选择地，所述模糊物元分析法可包括以下步骤：

建立决策方案的物元R，其中，

x_ji对应第i个分区的第j个基本判定指标的综合评分；

确定x_ji的隶属度U_ji；

将隶属度U_ji转换为关联系数ξ_ji；

建立关联系数复合模糊物元S，

确定各分区的第j个基本判定指标的综合评分的权重W_j；并得到各个基本判定指标的权重向量R_w，

根据R_w和S构建关联度复合模糊物元R_k，并确定各关联度的值，各关联度的值为各分区的脆弱性评分，R_k＝R_w·S。

可选择地，所述目标区域可以为川藏交通廊道沿线区域，例如川藏铁路沿线区域，再例如川藏交通廊道雅安至昌都段沿线。

可选择地，所述方法还可包括步骤：对所述计算出的每项基本判定指标的评分的合理性进行验证，该验证方法可包括：对所述至少一个分区的所有评价指标做聚类分析，得到k1个聚类；将k1个聚类中心的所有评价指标归类为所述多项基本判定指标，然后采用所述聚类分析法，计算出k1个聚类中心的每项基本判定指标的评分；将k1类按照所述多项基本判定指标的评分进行聚类，聚类个数为k2，得到各分区的第一聚类结果，k2＜k1；对所述至少一个分区的所述多项基本判定指标的评分进行聚类分析，聚类个数为k2，得到各分区的第二类聚类结果；基于分类矩阵，计算第一、第二聚类结果的分离度和聚集度；根据所述分离度和聚集度，确定第一、第二聚类结果的聚类相似程度，进而判断所述计算出的评分的合理性。

可选择地，所述方法还可包括步骤：对所述计算的权重的合理性进行验证，该验证方法包括：将所述多个分区的所述多项基本判定指标的评分进行聚类分析，得到k3个聚类中心；基于模糊数元法计算权重，可以得到k3个聚类中心的脆弱性评分及脆弱性排序，将其扩展为所述多个分区的第一脆弱性评分向量；根据所述确定的每个分区的脆弱性评分，得到第二脆弱性评分向量；计算第一、第二脆弱性评分向量夹角的余弦值；根据所述余弦值判断所述计算的权重的合理性。

可选择地，所述余弦值越接近1，所述计算的权重越合理。

可选择地，所述分区的数量可以根实际情况来划分，例如划分为2至40个，再例如10、15、22、30、38个等。

本发明另一方面提供了一种计算机设备。

所述设备可包括：至少一个处理器；存储有程序指令的存储器，其中，所述程序指令被配置为由所述至少一个处理器执行，所述程序指令包括用于执行如上所述的生态环境脆弱性的评价方法的指令。

本发明再一方面提供了一种计算机可读存储介质。

所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如上所述的生态环境脆弱性的评价方法。

本发明又一方面提供了一种主观评分模型合理性的验证方法。

所述主观评分模型包括有多项高级指标，每项高级指标包括有若干项低级指标，所述方法包括以下步骤：对目标对象的所有低级指标进行聚类分析，得到k1个聚类；将k1个聚类中心的所有低级指标归类到所述多项高级指标，然后采用聚类分析法，计算出k1个聚类中心的每项高级指标的评分；将k1类按照所述多项高级指标的评分进行聚类，聚类个数为k2，得到第一聚类结果，k2＜k1；基于所述主观评分模型，得到目标区域的所述多项高级指标的评分；对所述多项高级指标的评分进行聚类分析，聚类个数为k2，得到第二类聚类结果；基于分类矩阵，计算第一、第二聚类结果的分离度和聚集度；根据所述分离度和聚集度，确定第一、第二聚类结果的聚类相似程度，进而判断所述计算出的评分的合理性。

本发明又一方面提供了一种赋值模型中权重合理性的验证方法。

评分模型包括有多项基本指标，其所针对的目标区域包括多个分区；所述赋值模型能够确定每项基本指标评分的权重；所述方法包括以下步骤：基于所述评分模型，得到目标对象的所述基本指标的评分；将所述多项基本指标的评分进行聚类分析，得到k3个聚类中心；基于模糊数元法计算权重，得到k3个聚类中心的评分及排序，将其扩展为所述多个分区的第一评分向量；基于所述评分模型和所述赋值模型，得到目标区域每个分区的评分，进而得到所述多个分区的第二评分向量；计算第一、第二评分向量夹角的余弦值；根据所述余弦值判断所述赋值模型中权重的合理性。

与现有技术相比，本发明的有益效果可包括：

(1)本发明方法简便，可靠性高，能够减少环境脆弱性评价中人为的主观影响，提高评价的准确性。

(2)本发明能够于完善评价过程中的模糊物元分析法的运算逻辑，提升运算结果的可信度。

(3)本发明的成果可为区域国土空间规划双评价提供评价方法参考以及为各类开发保护建设活动提供指导依据，同时也可为区域交通项目建设的可行性评估提供参考，例如川藏铁路建设过程中的工程选址、生态保护政策及修复措施均可以通过本发明的方法来获得客观依据。

附图说明

通过下面结合附图进行的描述，本发明的上述和其他目的和特点将会变得更加清楚，其中：

图1示出了本发明以自然灾害为例计算基本判定指标的评分一个流程示意图；

图2示出了本发明对基本判定指标的评分进行合理性验证的一个流程示意图；

图3示出了本发明的平面向量的夹角示意图；

图4示出了本发明对计算出的基本判定指标的权重的合理性进行验证的一个流程示意图；

图5示出了本发明示例1中各分区自然灾害聚类结果局部二维投影平面图；

图6示出了本发明示例1中22个分区的自然灾害评估图；

图7示出了本发明示例2中各分区气象聚类结果局部二维投影平面图；

图8示出了本发明示例2中22个分区的气象条件评估图；

图9示出了本发明示例3中各分区社会经济聚类结果局部二维投影平面图；

图10示出了本发明示例3中22个分区的社会经济评估图；

图11示出了本发明示例4中各分区地质条件聚类结果局部二维投影平面图；

图12示出了本发明示例4中22个分区的地质条件评估图；

图13示出了本发明示例5中各分区水土条件聚类结果局部二维投影平面图；

图14示出了本发明示例5中22个分区的水土条件评估图；

图15示出了本发明示例6中各分区植被条件聚类结果局部二维投影平面图；

图16示出了本发明示例6中22个分区的植被条件评估图；

图17示出了本发明示例7中各分区人类行为聚类结果局部二维投影平面图；

图18示出了本发明示例7中22个分区的人类行为评估图；

图19示出了本发明示例8中22个分区的脆弱性强度示意图。

具体实施方式

在下文中，将结合附图和示例性实施例详细地描述本发明的生态脆弱性评价方法、计算机设备、存储介质和验证方法。

示例性实施例1

所述生态环境脆弱性的评价方法可包括以下步骤：

S10：针对目标区域，确定多项基本判定指标。

在本实施例中，目标区域可包括多个分区，例如2～30个分区，再例如5、10、20、22、28个分区等。

在本实施例中，本发明基于“暴露—敏感—适应”框架建立了多要素、多属性的综合评价体系。首先将评价指标划分为暴露性、敏感性、适应性三类，由于暴露性、敏感性和适应性指标数量太多，因此进行了二次划分，确定了自然灾害、气候条件、社会经济、地质条件、水土、植被和人类行为7个基本判定指标，具体如下表1所示。

表1

在本实施例中，表1中的三级指标层的数值可以根据本领域常规方法来获取，例如调研、经验值确定等方法。

步骤S20：计算基本判定指标的评分。

为了计算基本判定指标的综合评分，本发明运用聚类分析对分区某一基本判定指标划分等级，得到等级评分，然后基于距离计算等级评分的权重，最后得到该基本判定指标的综合评分。

具体地，以目标区域包括22个分区为例，所述计算评分的方法可包括：首先，将22个分区按与基本判定指标相关的三级指标进行聚类分析，再对聚类中心的相关数据进行分析，进而确定每一个分区基本判定指标的等级评分。接着，计算分区到所有聚类中心的距离，进而确定等级评分的权重。最后，对等级评分求加权和即为每个基本判定指标的评分。

以自然灾害这一基本判定指标为例，阐述基本判定指标评分的计算步骤。具体计算思路为：对自然灾害这一基本判定指标的主导因子进行聚类分析，将22个分区划分为k类，对聚类中心的数值进行分析，得到每个类的自然灾害等级，再根据自然灾害等级计算等级评分。然后根据聚类图，计算代表某分区的点到k个聚类中心的距离进而确定分区对k个自然灾害等级评分的权重，理论上，距离越小表示分区越靠近该类，对该类等级评分的权重越大，对等级评分求加权和即可得到自然灾害的综合评分。

图1示出了以自然灾害为例的综合评分的一个计算流程示意图。如图1所示，样本集为D_i＝{x₁,x₂,…,x₂₂}，其中，x_j＝(x_j1,x_j2,…,x_jn,)^T，x_j表示第j个分区自然灾害影响因素的值向量，x_j的每一个元素是自然灾害对应的三级指标的值。聚类个数为k。

所述计算流程包括以下步骤：

步骤S21：对D_i做聚类分析，得到聚类结果：C＝{C₁,C₂,…,C₂₂}。

步骤S22：确定每个类的自然灾害等级。

对每个聚类中心的数值进行定性分析，得到每个聚类的自然灾害等级。其中，最容易发生自然灾害的类等级为1，最不容易发生自然灾害的类等级为k。

步骤S23：计算每个类自然灾害等级评分。

等级为j(j＝1,2,…,k)的类包含的分区自然灾害的等级评分s_j为：

步骤S24：针对某个分区，计算代表该分区的点到k个聚类中心的距离d₁,d₂,…,d_k，例如可以根据聚类图来计算。

步骤S25：针对某个分区，计算该分区对k个等级评分的权重w_j。

步骤S26：对权重进行归一化处理，得到分区对第j(j＝1,2,…,k)类等级的权重p_j。该步骤是为了保证分区等级的权重之和为1。

其中，

步骤S27：针对某个分区，计算自然灾害的综合评分。例如第i个分区自然灾害的综合评分为

第一个分区自然灾害的综合评分为

其计算公式为：

步骤S30：确定基本判定指标的权重。

为了计算步骤S20所计算的评分的权重，本发明提出基于模糊物元分析的权重计算方法。

模糊物元分析的步骤如下：

S31：建立决策方案的物元。

对于一个多目标决策方案，将该方案的事物，特征以及量值用有序三元组来描述。其中，事物就是方案M_i(i＝1,2,…,m)，共有m种方案，在本发明中，m种方案对应m个分区。特征就是评价指标C_j(j＝1,2,…,n)，共有n个评价指标，在本发明中，n个评价指标对应n个基本判定指标。量值就是给定的数值x_ji，它表示第i个方案M_i的第j个评价指标值，在本发明中，x_ji对应第i个分区的第j个基本判定指标的综合评分，从而可以构成如下的物元，即：

其中，R＝[r₁，r₂，…，r_m]，r_i(i＝1，2，…，m)代表第i个方案M_i的指标数为n的评价指标值向量，即第i个分区M_i的基本判定指标数为n的综合评分向量。

S32：隶属度的确定。

为了多目标决策，应该确定衡量标准，这个标准常用隶属度来衡量，通常用如下的两种方法来确定隶属度。

对于越大越优型决策：

对于越小越优型决策：

其中，max x_ji和min x_ji分别表示多目标决策方案中每一项指标所对应量值x_ji中的最大值与最小值，例如max x_ji可以表示某一项基本判定指标的最大值，再如可以表示自然灾害、气候条件等基本判定指标的最大值。

此外还可以用向量范数的形式确定隶属度，引入向量范数之前，先对向量范数作出如下的定义：

定义1：若V(F)是数域F上的线性空间，定义在F上的实值函数||·||：V(F)→R如果满足：

a.正定性：||x||≥0,当且仅当x＝0时等号成立；

b.齐次性：||kx||＝k||x||，k∈R；

c.三角不等式：||x+y||≤||x||+||y||；

则称此实值函数||·||为V(F)上的范数。

若x为n维向量x＝(x₁，x₂，…，x_n)^T，那么定义∞-范数为：||x||_∞＝max(|x₁|，|x₂|，…，|x_n|)。

综上，由向量范数计算的隶属度的表达式为：

对于越大越优型决策：

对于越小越优型决策：

S33：隶属度到关联数变换。

关联变换就是隶属度与关联系数的相互转换。由于关联系数与隶属度函数等价，因此，关联系数ξ_ji由隶属度系数U_ji可以确定，即：

ξ_ji＝U_ji(i＝1，2，…，m；j＝1，2，…，n) (5)

S34：模糊物元建立。

通过隶属度到关联系数的变换，可以用隶属度的值代替关联系数值，由此建立了关联系数复合模糊物元，记为：

模糊物元每个元素由各分区基本判定指标的值变换而来，因此模糊物元的每个元素大小仍然可以表征基本判定指标的评分大小，若令S＝[s₁，s，…，s_m]，那么s_i(i＝1，2，…，m)仍可代表第i个分区的基本判定指标数为n的综合评分向量。因此根据模糊物元计算各项基本判定指标的权重，并求加权和即可得到各分区的脆弱性评分。

S35：计算关联度并进行关联分析确定多目标决策方案。

关联度是决策方案之间关联性的大小，通过计算并排序，即可实现多目标决策方案的最终决策。用k_j表示关联度，此时将所有关联度组合，构造成关联度复合模糊物元，以R_k表示，如果采用加权平均集中处理，即有：

R_k＝R_w·S (7)

其中R_w表示每一决策方案指标的权得复合物元，如用W_j表示每一决策方案第j项评价指标的权重，则：

此时有：

R_w＝(W₁ W₂ …W_n) (9)

将R_w与S代入(7)式，即可得到各方案的关联度大小，将关联度值排序即可得到各方案的排序结果。

在本发明中，R_w是基本判定指标的权重向量。W_i代表第i项基本判定指标的权重。R_k即为各分区脆弱性评分向量，它是模糊物元中得到的基本判定指标评分的加权和。

S40：对所述22个分区脆弱性进行综合评价。

步骤S30中关联度的值即为各分区的脆弱性评分。对关联度的大小进行排序即可得到各分区脆弱性的排序。

可选择地，基于各分区的脆弱性评分，可以按照脆弱的相对性将所有的分区划分为不同的脆弱等级，例如将22个分区划分为轻度脆弱、一般脆弱、强脆弱和极脆弱四类。

S50：对步骤S20计算得到基本判定指标的综合评分的合理性进行验证。该步骤为可选择的步骤。

需要说的是步骤S50与S30、S40之间可以无先后顺序关系。

本发明在集群分析的基础上，提出了分类矩阵聚集度、分离度等概念，从聚集度和分离度的物理涵义出发，认为如果两次聚类结果是相同的，那么聚集度达到最大，分离度达到最大；聚集度越大、分离度越大，聚类结果就越相似，提出衡量分类相似度的定性指标η，η∈(0，1)，η越接近1，评分模型越合理。

其中，图2示出了本发明对基本判定指标评分的合理性进行验证的一个流程示意图。

仍以目标区域包括22个分区为例。首先，对22分区的40个三级指标做聚类分析，聚类数量为k1个，这样可以综合考虑所有的因素，将脆弱性最相似的区聚在同一类。然后，将k1个聚类中心的40个三级指标归类为表1所示的7个基本判定指标，再根据S20所述的方法计算k1个聚类中心的7个基本判定指标的评分。最后将k1类按照7个指标评分进行聚类，基于基本判定指标进一步把脆弱性相似的区聚在同一类，聚类个数为k2(k2＜k1)个，得到各分区的聚类结果：A(a₁，a₂，…，a₂₂)，a_i∈{1，2，…，k₂}。

对于步骤S20计算出的22个分区的7个指标评分进行聚类分析，聚类个数为k₂,记聚类结果为B(b₁，b₂，…，b₂₂)，b_i∈{1，2，…，k₂}。

聚类结果A(a₁，a₂，…，a₂₂)是先基于40个三级指标进行聚类，再根据聚类中心的基本判定指标进行聚类得到的结果。第一步聚类充分考虑了所有指标，每个聚类中心的40个三级指标的值为该类包含的分区指标值的均值，因此聚类中心的三级指标值能代表该类所包含的分区。计算出聚类中心的三级指标值后按照S20所述的方法即可计算出每个聚类中心的基本判定指标，聚类中心的基本判定指标的值能反应该类所包含的分区基本判定指标的情况。

聚类结果B(b₁，b₂，…，b₂₂)是先根据40个三级指标计算基本判定指标评分，然后对22个分区的基本判定指标综合评分聚类得到的结果。

聚类结果A(a₁，a₂，…，a₂₂)和聚类结果B(b₁，b₂，…，b₂₂)从不同的角度对分区进行聚类，并且在不同环节使用了基本判定指标评分模型，从理论上讲，如果评分模型较为合理，聚类结果A(a₁，a₂，…，a₂₂)和聚类结果B(b₁，b₂，…，b₂₂)应该较为相似。因此评分验证模型的关键在于找到一种方法衡量聚类结果A(a₁，a₂，…，a₂₂)和聚类结果B(b₁，b₂，…，b₂₂)的相似性。

为了检验评分模型的合理性，本发明针对聚类结果A(a₁，a₂，…，a₂₂)，a_i∈{1，2，…，k₂}和B(b₁，b₂，…，b₂₂)，b_i∈{1，2，…，k₂}定义了分类矩阵、聚集度、分离度等概念，基于分类矩阵可计算两个聚类结果的分离度和聚集度。

阐述合理性检验方法的原理之前，先对关键概念作出如下定义：

定义2(分类矩阵)：定义分类矩阵为K，其中k_ij表示A中第i类数据在B中第j类的个数,矩阵K表示为：

其中，矩阵K的行数和列数分别为：A的分类数目及B的分类数目。

例1：设两个聚类结果为：A(1，1，1，2，2，3)、B(2，2，3，1，1，1)，则分类矩阵

以k₁₂为例，它表示A中第1类数据在B中第2类的个数，观察A和B，A的第1,2位置元素属于A的第一类，但是B中对应位置元素属于B的第二类，因此k₁₂＝2。

定义3(矩阵范数)：考虑系数域

上的所有m×n矩阵构成的向量空间

若一个从

映射到非负实数的函数||·||满足以下条件：

正定性：对任意矩阵

都有||H||≥0，当且仅当H＝0时等号成立；

齐次性：对任意系数

任意矩阵

都有||αH||＝α||H||；

三角不等式：对任意矩阵

都有||H+I||≤||H||+||I||；

则称||·||为

上的一个矩阵范数。

设矩阵H的维数为m×n，则矩阵H的F-范数计算公式为：

定义4(聚集度g)：定义聚集度为分类矩阵K的F-范数，聚集在同一类的数量越多，聚集度越大。

例2：对于例1中的分类矩阵

计算K的F-范数即可得到聚集度为：

聚集度的物理含义：聚集度越大，聚类结果A和B越相似。例如，极端情况下，若两个聚类结果为：A(1，1，1，2，2，3)、B(1，1，1，2，2，3)，聚集度达到最大，A和B完全相同。

定义5(分离度d)：对于分类矩阵K，仅保留每一行的最大元，其余元都为0，构成一个新的矩阵

计算新矩阵的秩，将其定义为分离度。

例3：对于例1中的分类矩阵

保留仅保留每一行的最大元，其余元都为0，构成一个新的矩阵

计算

的秩，得到分离度为d＝2。

分离度的物理含义：选出A中第i簇在B中最大的第j_k簇作为对应簇，分离度越高，A中每一簇在B中的对应簇相同的概率越低。分离度越大说明A和B越相似，当A和B完全相同时，K和

为对角矩阵，分离度达到最大。

综上所述，从聚集度和分离度的物理含义出发，如果聚类结果A和B是相同的，那么聚集度达到最大，分离度达到最大；聚集度越大、分离度越大，聚类结果A和B就越相似。

评分模型合理性检验的原理为：从物理的角度来看，基于聚合度和分离度的指标反映了结果的聚合程度。如果指标评分模型较为合理，则聚类结果A(a₁，a₂，…，a₂₂)和B(b₁，b₂，…，b₂₂)是较为相似的。由于聚类时类别的标签是随机给定的，因此本文提出了分类矩阵的概念，基于分类矩阵可以计算聚集度和分离度。若分类结果A与B完全相同，则聚类度达到最大g′＝max g，分离度达到最大d′＝max d，基于聚集度和分离度，本文提出衡量分类相似度的定性指标η：

其中，η∈(0，1)，从η的表达式可以看出，其物理意义是A与B的聚类相似程度，η越接近1，A与B聚类相似程度越高，评分模型越合理。

S60：对所步骤S30计算的指标权重的合理性进行验证。该步骤为可选择的步骤，可以与S40、S50无先后顺序关系。

指标权重合理性验证问题可以转换为脆弱性评分合理性验证。本发明在集群分析的基础上，引入向量的余弦值这一指标，向量余弦值的几何意义为两个向量的相近程度，若两个向量的夹角接近0，或者向量的余弦值接近1，则两个向量相近。

仍以目标区域包括22个分区为例。如图4所示，该验证方法可包括：将22个分区的7个基本判定指标进行聚类分析，聚类个数为X个(例如10个)，得到X个类别中心。基于模糊数元法计算权重，可以得到X个聚类中心的脆弱性评分及脆弱性排序，将其扩展为22个分区的脆弱性评分向量Q。接着，本发明步骤S30得到的脆弱性评分向量为P，说明两种方法得到的脆弱性评分向量的相似性。如果二者是相似的，则指标权重计算模型是合理的。

为了说明两个向量的相似性，本发明引入向量的余弦值这一指标，向量余弦值的几何意义为两个向量的相近程度，若两个向量的夹角接近0，或者向量的余弦值接近1，则两个向量相近。

设向量α为(x₁，y₁)^T，向量β为(x₂，y²)^T，x和y的夹角为θ，x和y的位置关系如图3所示。

则α和β的相似性可由θ的余弦值cosθ表示，其计算方法为：

其中，cosθ∈(0，1)，cosθ越接近1，表示α和β的夹角越小，α和β越相似。

综上，对两个向量P、Q计算向量夹角的余弦值即可得到两个排序结果的相似性，进而验证模型的合理性。

其中，cosθ∈(0，1)，cosθ越接近1，C与D越相似，模糊数元法计算出的权重越合理。

例4：设5个聚类中心的脆弱性排序为：

H＝(1，2，3，4，5)^T，R_k＝(0.1，0.2，0.3，0.4，0.5)，第一类的脆弱性小于第二类，以此类推。根据聚类结果C，第一类的分区有2个(假设是第1,3分区)，第二类的分区有3个(假设是第2,4,5分区)，第三类的分区有1个(假设是第7分区)，第四类的分区有2个(假设是第6,8分区)，第五类的分区有1个(假设第9分区)，则9个分区的脆弱性排序为Q＝(1，1，2，2，2，3，4，4，5)^T，脆弱性评分向量为：

R_k＝(0.1，0.2，0.1，0.2，0.2，0.4，0.3，0.4，0.5)

为了更好地理解本发明的上述示例性实施例，下面结合具体示例对其进行进一步说明。其中，以下示例是本发明对川藏交通廊道雅安至昌都段沿线做出的生态环境脆弱性评价，本发明将该区域划分为了22个分区。

示例1(自然灾害)

自然灾害包含的三级指标有年极大风速、年平均风速、年最大风速、年最大积雪深度和年最大雪压。对22个区的年极大风速、年平均风速、年最大风速、年最大积雪深度和年最大雪压做聚类分析，按照k＝3聚成三类，聚类结果见图5。关于图5，申请人表示为了可视化三个类的5个三级指标的数值情况，将5维聚类结果投影到年平均风速和年极大风速构成的二维平面中。

分析三个聚类中心，图5中的A分区年最大风速和年平均风速都很大，可以认为自然灾害等级最大，因此等级评分为s₁＝1，B分区自然灾害等级次之，等级评分为s₂＝0.667，C分区自然灾害等级最低，等级评分为s₃＝0.333。

利用本发明的方法(如图1所示方法)计算各分区的自然灾害基本判定指标的评分，结果如表2所示。

表2自然灾害评分

根据22个分区的自然灾害评分作出1-22个分区的自然灾害评估图，结果见图6。

示例2(气候条件)

影响气象的因素有年平均气温、年最高气温、年最低气温、年最大相对湿度、年最小相对湿度、年平均相对湿度、年平均降水、年最大降水、年最小降水。对22个区的年平均气温、年最高气温、年最低气温、年最大相对湿度、年最小相对湿度、年平均相对湿度、年平均降水、年最大降水、年最小降水做聚类分析，按照k＝3聚成三类，聚类结果见图7。其中，为了可视化三个类的9个三级指标的数值情况，申请人将9维聚类结果投影到年最高气温和年最低气温构成的二维平面中。

对3个聚类中心的9个气象三级指标数值进行分析，发现A圈内分区的气象灾害等级最大，因此等级评分为s₁＝1，B圈内分区气象灾害等级次之，等级评分为s₂＝0.667，C圈内分区气象灾害等级最低，等级评分为s₃＝0.333。

根据图1所示的方法计算22个分区气象灾害的评分，结果见表3。需要说明的是，在本示例以及后续示例中，根据图1计算相应基本判定指标的评分时，需将图1中的自然灾害换为相应的基本判定指标，这对本领域技术人员而言是清楚的、可实现的。

表3气候条件各区评分

由22个分区的气象评分作出1-22个分区的气象条件评估图，结果见图8。

示例3(社会经济)

由表1可知，影响社会经济的因素有人口密度、人均GDP、城市化率、少数民族比例、年财政收入、道路通达性指数。对22个区的人口密度、人均GDP、城市化率、少数民族比例、年财政收入、道路通达性指数做聚类分析，按照k＝3聚成三类，聚类结果见图9。其中，为了可视化三个类的6个三级指标的数值情况，将6维聚类结果投影到人均GDP和人口密度构成的二维平面中，结果如图9所示。

对3个聚类中心的6个社会经济三级指标数值进行分析，发现A圈内分区的社会经济条件最差，因此等级评分为s₁＝1，B圈内分区社会经济条件次之，等级评分为s₂＝0.667，C圈内分区社会经济条件最好，等级评分为s₃＝0.333。

根据图1所示的方法计算22个分区社会经济的评分，结果见表4。

表4社会经济评分

由22个分区的社会经济评分作出1-22个分区的社会经济条件评估图，结果见图10。

示例4(地质条件)

由表1可知，影响地质的因素有平均坡度、平均高程、坡向、平均地形湿度、地灾面积占比。对22个区的平均坡度、平均高程、坡向、平均地形湿度、地灾面积占比做聚类分析，按照k＝3聚成三类，聚类结果见图11。其中，为了可视化三个类的5个三级指标的数值情况，将5维聚类结果投影到平均高程和平均坡度构成的二维平面中，结果如图11所示。

对3个聚类中心的5个地质条件三级指标数值进行分析，发现A圈内分区的地质条件最差，因此等级评分为s₁＝1，B圈内分区地质条件次之，等级评分为s₂＝0.667，C圈内分区地质条件最好，等级评分为s₃＝0.333。

根据图1所示的方法计算22个分区地质情况的评分，结果见表5。

表5地质条件评分

由22个分区的地质条件评分作出1～22个分区的地质条件评估图，结果见图12。

示例5(水土条件)

影响水土条件的因素有淹没面积占比、保护区面积占比、土壤厚度、土壤颗粒度和土壤养分。对22个区的淹没面积占比、保护区面积占比、土壤厚度、土壤颗粒度和土壤养分做聚类分析，按照k＝3聚成三类，聚类结果见图13。其中，为了可视化三个类的5个三级指标的数值情况，将5维聚类结果投影到保护区面积占比和淹没面积占比构成的二维平面中，结果如图13所示。

对3个聚类中心的5个水土条件三级指标数值进行分析，发现A圈内分区的水土条件最差，因此等级评分为s₁＝1，B圈内分区水土条件次之，等级评分为s₂＝0.667，C圈内分区水土条件最好，等级评分为s₃＝0.333。

根据图1所示的方法计算22个水土条件的评分，结果见表6。

表6水土条件评分

由22个分区的水土条件评分作出1～22个分区的水土条件评估图，结果见图14。

示例6(植被条件)

影响植被条件的影响植被条件的因素有乔木多样性指数、灌木多样性指数、草本多样性指数、乔木盖度、灌木盖度和草本盖度。本发明所针对22个分区的植被条件的指标因素见表7-1。基于表7-1，对22个区的乔木多样性指数、灌木多样性指数、草本多样性指数、乔木盖度、灌木盖度和草本盖度做聚类分析，按照k＝3聚成三类，聚类结果见图15。其中，为了可视化三个类的6个三级指标的数值情况，将6维聚类结果投影到草本多样性和灌木多样性构成的二维平面中，结果如图15所示。

表7-1植被条件的指标因素

对3个聚类中心的6个植被条件三级指标数值进行分析，发现A圈内分区的植被条件最好，因此等级评分为s₁＝1，B圈内分区植被条件次之，等级评分为s₂＝0.667，C圈内分区植被条件最差，等级评分为s₃＝0.333。

根据图1所示的方法计算22个分区植被条件评分，结果见表7-2。

表7-2植被条件评分

由22个分区的植被条件评分作出1～22个分区的植被条件评估图，结果见图16。

示例7(人类行为)

由表1可知，人类行为包含的指标有基础设施资金、生态修复资金、教育水平和信息化指数，对22个区的基础设施资金、生态修复资金、教育水平和信息化指数做聚类分析，按照k＝3聚成三类，聚类结果见图17。其中，为了可视化三个类的4个三级指标的数值情况，将4维聚类结果投影到生态修复资金/面积和基础设施资金/面积构成的二维平面中。

对3个聚类中心的4个人类行为三级指标数值进行分析，发现A圈内分区的人类行为对生态环境的积极影响最大，因此等级评分为s₁＝1，B圈内分区人类行为积极影响次之，等级评分为s₂＝0.667，C圈内分区人类行为积极影响最小，等级评分为s₃＝0.333。

根据图1所示的方法计算22个分区人类行为的评分，结果见表8。

表8人类行为评分

由22个分区的人类行为评分作出1-22个分区的人类行为评估图，结果见图18。

示例8

将示例1-7得到的22个区7个基本判定指标的评分数据带入本发明的权重计算过程中。其中，在7个基本判定指标中，自然灾害、气候条件、社会经济、地质条件、水土条件为越小越优型，植被和人类行为为越大越优型。由上述步骤S30可以得到22个分区每项指标相对应的关联系数值，从而得到复合模糊物元为：

其中：

由R_w的计算公式得：

R_w＝[0.14，0.20，0.08，0.13，0.12，0.15，0.19]

再通过关联度公式R_k＝R_w·S，将R_w与S的值代入，从而得到：

R_k＝[R_k1，R_k2]

R_k1

＝[0.33，0.34，，0.46，0.35，0.51，0.49，0.65，0.59，0.66，0.71，0.49]

R_k2

＝[0.63，0.74，0.56，0.43，0.66，0.57，0.66，0.63，0.54，0.65，0.65]

按关联度大小对22个分区的脆弱性进行排序，排序结果为：

ρ₁＜ρ₂＜ρ₄＜ρ₁₅＜ρ₃＜ρ₆＜ρ₁₁＜ρ₅＜ρ₂₀＜ρ₁₄＜ρ₁₇＜ρ₈＜ρ₁₂＜ρ₁₉＜ρ₂₁＜ρ₇＜ρ₂₂＜ρ₉＜ρ₁₆＜ρ₁₈＜ρ₁₀＜ρ₁₃

其中，ρ_i表示第i个分区的脆弱性，由此可见最脆弱的分区为13号分区，最不脆弱的的分区为1号分区。由脆弱性排序作22个分区的脆弱性强度如图19所示。

示例9

取k2＝5，按照本发明提出的新的分区聚类思路，得到的分区聚类结果为B：

[0 1 1 1 1 1 2 2 2 2 3 3 4 4 4 4 4 4 4 4 4 4]

对于利用本发明方法计算出的22个分区7个基本判定指标的评分进行聚类分析，得到的分区聚类结果为A：

[2 2 2 2 1 1 1 1 1 3 3 0 4 4 4 4 4 4 4 4 4 4]

根据聚类结果得到分类矩阵为：

接着计算分离度和聚集度，结果为：

g＝11.22，d＝5，g′＝12.08，d′＝5。故η＝0.93，较为接近1，A与B聚类相似程度较高，7个基本判定指标的评分较为合理。

示例10

对22个分区的7个判定指标进行聚类分析，取聚类个数为10，得到10个类别中心，基于模糊物元分析，计算10个聚类中心每项指标相对应的关联系数值，从而得到复合模糊物元为：

由R_w的计算公式得：

R_w＝[0.15，0.16，0.18，0.14，0.13，0.12，0.11]

再通过关联度公式R_k＝R_w·S，将R_w与S的值代入，从而得到：

R_k＝[0.29，0.30，0.49，0.39，0.64，0.58，0.78，0.60，0.57，0.62]

按关联度大小对10个聚类中心的脆弱性进行排序，排序结果为：ρ₁＜ρ₄＜ρ₂＜ρ₃＜ρ₅＜ρ₉＜ρ₆＜ρ₈＜ρ₁₀＜ρ₇，将其扩展为22个分区的脆弱性排序：

Q＝(1，4，2，2，2，3，3，5，5，5，5，9，6，8，10，10，7，7，7，7，7，7)^T

将其扩展为22个分区的脆弱性得分：

P′＝[0.39，0.62，0.49，0.3，0.62，0.57，0.78，0.49，0.64，0.78，0.30，0.78，078，0.64，0.64，0.58，0.64，0.78，0.30，0.78，0.60，0.29]^T

利用本发明的方法(即步骤S30和S40)得到的22个分区的脆弱性排序为：

Q＝(1，2，4，15，3，6，11，5，20，14，17，8，12，19，21，7，22，9，16，18，10，13)^T

得到的22个分区的脆弱性得分为：

P＝[0.33，0.34，0.46，0.35，0.51，0.49，0.65，0.59，0.66，0.71，0.49，0.63，0.74，0.56，0.43，0.66，0.57，0.66，0.63，0.54，0.65，0.65]^T

计算两个权重向量夹角的余弦值，得到cosθ＝0.964，很接近1，因此,给出的模型是比较合理的。

示例性实施例2

本示例性实施例提供了一种主观评分模型合理性的验证方法。

所述主观评分模型包括有多项高级指标，每项高级指标包括有若干项低级指标，所述方法包括以下步骤：对目标对象的所有低级指标进行聚类分析，得到k1个聚类；将k1个聚类中心的所有低级指标归类到所述多项高级指标，然后采用聚类分析法，计算出k1个聚类中心的每项高级指标的评分；将k1类按照所述多项高级指标的评分进行聚类，聚类个数为k2，得到第一聚类结果，k2＜k1；基于所述主观评分模型，得到目标区域的所述多项高级指标的评分；对所述多项高级指标的评分进行聚类分析，聚类个数为k2，得到第二类聚类结果；基于分类矩阵，计算第一、第二聚类结果的分离度和聚集度；根据所述分离度和聚集度，确定第一、第二聚类结果的聚类相似程度，进而判断所述计算出的评分的合理性。

在本实施例中，所述主观评分模型可包括与上述示例性实施例1中相同的S10～S20，或者S10～S30，亦或S10～S40。例如前两步：目标区域包括多个分区，确定多项基本判定指标，所述多项基本判定指标包括：自然灾害、气候条件、社会经济、地质条件、水土、植被和人类行为中的至少两种；利用聚类分析法，计算每个分区的每项基本判定指标的评分。其中，基本判定指标对应高级指标，基本判定指标所包括的下一级指标对应低级指标。

可选择地，相应验证步骤可以与上述示例性实施例1中的步骤S50相同。

在本实施例中，所述评分合理性验证方可以针对已知低级指标评分计算高级指标评分这一类问题进行验证。

在本实施例中，所述主观评分模型还可以包括本领域常用的主观评分模型。例如综合评分法中使用的区间打分法，其合理性并没有得到验证，本发明的合理性验证方法可以对打分是否合理进行验证。

示例性实施例3

本示例性实施例提供了一种赋值模型中权重合理性的验证方法。

评分模型包括有多项基本指标，其所针对的目标区域包括多个分区；所述赋值模型能够确定每项基本指标评分的权重；所述方法包括以下步骤：基于所述评分模型，得到目标对象的所述基本指标的评分；将所述多项基本指标的评分进行聚类分析，得到k3个聚类中心；基于模糊数元法计算权重，得到k3个聚类中心的评分及排序，将其扩展为所述多个分区的第一评分向量；基于所述评分模型和所述赋值模型，得到目标区域每个分区的评分，进而得到所述多个分区的第二评分向量；计算第一、第二评分向量夹角的余弦值；根据所述余弦值判断所述赋值模型中权重的合理性。

在本实施例中，所述验证方法可以针对所有赋权模型中权重的合理性验证。例如层次分析法中的赋权，再如专家赋权法。

在本实施例中，所述评分模型可以与上述示例性实施例1中相同的S10～S30，或者S10～S40。此时，基本指标可以对应基本判定指标。

相应的验证步骤可以与示例性实施例1中的步骤S60相同。

在本实施例中，所述基本指标是所述评分模型所计算出的评分所针对的指标，其可以为低级指标，也可以为高级指标，可根据具体情况来定。

根据本发明的生态环境脆弱性的评价方法、主观评分模型合理性的验证方法或赋值模型中权重合理性的验证方法，可以被编程为计算机程序并且相应的程序代码或指令可以被存储在计算机可读存储介质中，当程序代码或指令被处理器执行时使得处理器执行上述方法，上述处理器和存储器可以被包括在计算机设备中。

示例性实施例4

本示例性实施例提供了一种计算机设备。

所述设备可包括：至少一个处理器；存储有程序指令的存储器，其中，所述程序指令被配置为由所述至少一个处理器执行，所述程序指令包括用于执行如示例性实施例1中所述的生态环境脆弱性的评价方法的指令，或者执行如示例性实施例2中所述的主观评分模型合理性的验证方法的指令，或者执行如示例性实施例3中所述的赋值模型中权重合理性的验证方法的指令。

示例性实施例5

本示例性实施例提供了一种计算机可读存储介质。

所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如示例性实施例1中的生态环境脆弱性的评价方法，或者实现如示例性实施例2中所述的主观评分模型合理性的验证方法，或者实现如示例性实施例3中所述的赋值模型中权重合理性的验证方法。

该计算机可读存储介质可以是任意数据存储装置，该数据存储装置中存储有能够被计算机系统读出的数据。例如，计算机可读存储介质的示例可包括：只读存储器、随机存取存储器、只读光盘、磁带、软盘、光数据存储装置和载波(诸如经有线或无线传输路径通过互联网的数据传输)。

综上所述，与现有技术相比，本发明的优点可包括：

(1)本发明将模糊数学和物元分析有机地结合，利用聚类分析计算基本判定指标的评分，利用模糊物元分析计算基本判定指标的权重，获取目标区域的生态环境脆弱性评价结果。本发明的方法简便，可靠性高。

(2)模糊物元分析法已是目前已有研究中较为客观的评价方法之一，且本发明也对共性问题设计了针对性的验证模型，实际运算过程及结果均合理呈现，而且，作为川藏交通廊道雅安至昌都段沿线生态环境脆弱性评价的基础性尝试是成功的。

(3)本发明针对模糊物元分析法提出的合理性验证方法完善了模糊物元分析法的运算逻辑，对模糊物元分析法的科学性及可信度有较大的提升，可广泛推广应用。

需要说明的是，本发明还可以有以下应用：

A、生态保护及修复

本发明可为区域的大型基础设施建设展开提供指导，例如川藏地区亟待完善的公路、铁路等工程项目。指导可包括：以生态环境脆弱性评价结果为依据，明确极度脆弱区域和强脆弱区域应尽量减少地表工程的扰动，特别是永久性道路及大型取弃土场的设置，可能会带来无法恢复且扩张性退化的严重生态破坏；一般脆弱区及轻度脆弱区则采用允许一定程度的人类扰动，在工程活动结束后积极采取自然恢复与人工修复措施，加速自然植被及景观的恢复。本发明还可以对区域(例如川藏地区)基础建设生态恢复的总体工作应对的全线脆弱性差异进行综合分析，然后针对不同脆弱性等级的分区分析生态保护与修复的关键因子，并确定保护原则及修复措施，根据不同的修复模式采取不同的修复技术措施，以保证生态保护与修复的整体效果。

B、景观资源开发及利用

景观资源的合理开发及利用是地区(例如川藏交通廊道雅安至昌都沿线)提升社会经济综合效益的关键着力点，如何建设全域旅游新格局，促进全域旅游大发展；如何激活沿线城乡资源开发，促进藏区高标准乡村振兴，都将是人类文明建设的巨大收获。但同时，这也是双刃剑。如此脆弱的生态本底，如何有度、有序、有策略得进行景观资源开发及利用，是这一世界级工程面临的世界级难题。无论是自然景观还是文化景观，生态环境都是人民赖以生存的基础，也是不可或缺的重要部分，生态环境的脆弱性等级，直接影响景观资源的开发利用方式。

基于本发明的方法，可以将目标区域的多个分区划为不同的脆弱性等级，例如轻度脆弱、一般脆弱、强脆弱和极脆弱四类。针对不同脆弱性分区，一般采取以下三种景观资源开发模式：(1)极脆弱区及强脆弱区采用保护式开发，这种开发方式一般不允许有人类行为的干扰，原封不动的将景观资源呈现，而体验方式仅以观赏为主；(2)一般脆弱区采用以资源特色延伸为主的开发，这种开发方式允许在核心景观资源区外围进行一定程度的人为活动，例如配套基础服务设施的修建，但在体量上要大力控制，风格上要与景观环境相宜且尽量隐蔽；(3)轻度脆弱区可采用以资源价值最大化的开发方式，一般是在景观资源核心区较远的区域，进行主题性、整体性的配套旅游服务设施的开发及打造，完善旅游服务体系的构建。

C、景观规划设计

区域(例如川藏交通廊道雅安至昌都沿线)的景观规划设计是驾驭生态本底、景观资源、规划思路、设计手法等众多方面的系统性体系性架构，需要体现科学规划、生态保护、多元融合、川藏特色等原则。其中，科学规划原则主要指坚持科学发展观，进行系统性、整体性的统筹规划；生态保护指以生态评估为基础，注重生态平衡，保护重于开发，在制定严谨的生态环境保护及修复措施的基础上，进行合理的资源开发及利用；多元融合指尊重各民族文化，文化多元民族交融，历史人文相得益彰。

而本发明的方法可以作为景观规划设计的基础和前提，提供有利的助力。

尽管上面已经通过结合示例性实施例描述了本发明，但是本领域技术人员应该清楚，在不脱离权利要求所限定的精神和范围的情况下，可对本发明的示例性实施例进行各种修改和改变。

Claims (5)

1.一种生态环境脆弱性的评价方法，其特征在于，目标区域包括多个分区，所述方法包括以下步骤：

针对目标区域，确定多项基本判定指标，所述多项基本判定指标包括：自然灾害、气候条件、社会经济、地质条件、水土、植被和人类行为中的至少两种；

利用聚类分析法，计算每个分区的每项基本判定指标的评分；

基于所述评分，利用模糊物元分析法，确定每个分区的脆弱性评分；

所述确定每个分区的脆弱性评分的步骤包括：利用所述模糊物元分析法确定每个分区的每项基本判定指标的权重，然后结合所述每个分区的每项基本判定指标的评分，确定每个分区的脆弱性评分；

对于任一个分区的任一项基本判定指标，所述聚类分析法包括：对所有分区的某项基本判定指标所包含影响因素的值，进行聚类分析，得到划分的k个聚类；对每个聚类中心的数值进行分析，确定每个聚类的等级；根据等级计算每个聚类的等级评分；计算代表某个分区的点分别到k个聚类中心的距离；根据所述距离，计算该分区对k类等级评分的权重，并对权重进行归一化处理；根据所述归一化处理后的权重和所述等级评分，得到针对该分区的所述某项基本判定指标的评分；

对所述计算出的每项基本判定指标的评分的合理性进行验证，该验证方法包括：对所述至少一个分区的所有评价指标做聚类分析，得到k1个聚类；将k1个聚类中心的所有评价指标归类为所述多项基本判定指标，然后采用所述聚类分析法，计算出k1个聚类中心的每项基本判定指标的评分；将k1类按照所述多项基本判定指标的评分进行聚类，聚类个数为k2，得到各分区的第一聚类结果，k2＜k1；对所述至少一个分区的所述多项基本判定指标的评分进行聚类分析，聚类个数为k2，得到各分区的第二类聚类结果；基于分类矩阵，计算第一、第二聚类结果的分离度和聚集度；根据所述分离度和聚集度，确定第一、第二聚类结果的聚类相似程度，进而判断所述计算出的评分的合理性；

对所述计算的权重的合理性进行验证，该验证方法包括：将所述多个分区的所述多项基本判定指标的评分进行聚类分析，得到k3个聚类中心；基于模糊物元法计算权重，得到k3个聚类中心的脆弱性评分及脆弱性排序，将其扩展为所述多个分区的第一脆弱性评分向量；根据所述确定的每个分区的脆弱性评分，得到第二脆弱性评分向量；计算第一、第二脆弱性评分向量夹角的余弦值；根据所述余弦值判断所述计算的权重的合理性。

2.根据权利要求1所述的生态环境脆弱性的评价方法，其特征在于，对于任一个分区的任一项基本判定指标，所述聚类分析法包括：

对所有分区的某项基本判定指标所包含影响因素的值，进行聚类分析，得到划分的k个聚类；

对每个聚类中心的数值进行分析，确定每个聚类的等级；

根据等级计算每个聚类的等级评分；

计算代表某个分区的点分别到k个聚类中心的距离；

根据所述距离，计算该分区对k类等级评分的权重，并对权重进行归一化处理；

根据所述归一化处理后的权重和所述等级评分，得到针对该分区的所述某项基本判定指标的综合评分。

3.根据权利要求1所述的生态环境脆弱性的评价方法，其特征在于，所述模糊物元分析法包括以下步骤：

建立决策方案的物元R，其中，

x_ji对应第i个分区的第j个基本判定指标的综合评分；

确定x_ji的隶属度U_ji；

将隶属度U_ji转换为关联系数ξ_ji；

建立关联系数复合模糊物元S，

确定各分区的第j个基本判定指标的综合评分的权重W_j；并得到各个基本判定指标的权重向量R_w，

R_w＝(W₁ W₂ … W_n)；

根据R_w和S构建关联度复合模糊物元R_k，并确定各关联度的值，各关联度的值为各分区的脆弱性评分，R_k＝R_w·S。

4.一种计算机设备，其特征在于，包括：

至少一个处理器；

存储有程序指令的存储器，其中，所述程序指令被配置为由所述至少一个处理器执行，所述程序指令包括：用于执行根据权利要求1-3中任一项所述方法的指令。

5.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现：权利要求1-3中任意一项所述的方法。

Images