CN115271428B - 基于svd分解的环境脆弱性评价方法、设备和介质 - Google Patents
基于svd分解的环境脆弱性评价方法、设备和介质 Download PDFInfo
- Publication number
- CN115271428B CN115271428B CN202210884836.7A CN202210884836A CN115271428B CN 115271428 B CN115271428 B CN 115271428B CN 202210884836 A CN202210884836 A CN 202210884836A CN 115271428 B CN115271428 B CN 115271428B
- Authority
- CN
- China
- Prior art keywords
- index
- vulnerability
- value
- partition
- annual
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 26
- 238000011156 evaluation Methods 0.000 title abstract description 35
- 238000005192 partition Methods 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 62
- 239000011159 matrix material Substances 0.000 claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000004451 qualitative analysis Methods 0.000 claims abstract description 5
- 239000002689 soil Substances 0.000 claims description 61
- 238000010606 normalization Methods 0.000 claims description 26
- 235000015097 nutrients Nutrition 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000001556 precipitation Methods 0.000 claims description 12
- 208000036119 Frailty Diseases 0.000 claims description 10
- 206010003549 asthenia Diseases 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000014759 maintenance of location Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001131 transforming 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于SVD分解的环境脆弱性评价方法、设备和介质。所述方法包括以下步骤:获取目标区域各分区的每项指标的值;针对每项指标进行定性分析,判断指标对生态系统脆弱性的影响方向;对各分区的每项指标的值进行数据预处理,得到数据矩阵;将预处理后的数据矩阵进行SVD分解,利用最大奇异值对应的左奇异向量计算各项指标的权重;根据各分区的每项指标的值与对应的权重,得到各分区的脆弱性评分。本发明基于上述方法还提供了一种计算机设备和一种计算机可读存储介质。本发明能够降低人为的主观因素影响,提高脆弱性评价的精度,且更加科学的评价和分析环境脆弱性,增加了可信度。
Description
技术领域
本发明涉及生态环境的评价领域,具体涉及基于SVD分解法的生态环境脆弱性评价方法、计算机设备和存储介质。
背景技术
生态环境脆弱性分析与研究是近年来生态科学及环境科学领域的热点和前沿。其中,生态环境脆弱性评价是一个多指标综合评价问题,其核心在于综合评价方法的确定,常用的综合评价方法可以分成定性评价方法、基于统计分析的评价方法、基于目标规划模型的评价方法和定量评价方法四类。
定性评价方法是利用专家经验等主观知识直接对评价对象做出定性评价,如等级和排序。定性评价方法高度依赖评价者的先验知识,评价精度不高。
基于统计分析的评价方法常用的有主成分分析法、因子分析方法、聚类分析法等,这类方法对数据量的要求较高,主要利用变量间的相关性进行排序。其中,主成分分析考虑到变量间的多重共线性,通过将原始变量重新组合成少数几个相互独立的综合指标来代替原来的指标,达到降维的目的,这种方法会造成信息损失。因子分析法与主成分分析法相似,将关系密切的几个变量归在同一类中,每一类变量构成一个因子,用较少的几个因子反映原始资料的大部分信息,这种方法也会造成信息损失。
基于目标规划模型的评价方法是利用目标规划模型对评价方案进行择优,其特点是在已有方案中选择最优方案,不能用于排序问题。
定量评价方法是一种利用被评对象的特征数据,对被评对象进行综合分析获取评价结果的方法,主要包括层次分析法、模糊数学法等。层次分析法是一种定性与定量相结合的决策分析法,需要决策者将所有因素的重要性进行两两比较,从而构造判断矩阵。这一步骤的主观性较大,对不同的决策者来说,判断矩阵可能有较大差别,因此结果不易令人信服。
因此,基于上述常用的综合评价方法的各种问题,现需要跳出传统理论框架及指标体系的设定,提出一种更全面、更科学的评价方法。
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降低人为的主观因素影响,提高脆弱性评价的精度;目的之二在于提供一种新的数据处理及运算方法,更加科学的评价和分析环境脆弱性,增加可信度。
为了实现上述目的,本发明一方面提供了一种基于SVD分解法的生态环境脆弱性评价方法。
目标区域可包括多个分区,所述方法可包括以下步骤:获取目标区域各分区的每项指标的值;针对每项指标进行定性分析,判断指标对生态系统脆弱性的影响方向;对各分区的每项指标的值进行数据预处理,得到数据矩阵;其中,所述预处理可包括:趋势化和归一化处理,傅里叶变换,低通滤波处理;将预处理后的数据矩阵进行SVD分解,利用最大奇异值对应的左奇异向量计算各项指标的权重;根据各分区的每项指标的值与对应的权重,得到各分区的脆弱性评分。
可选择地,所述趋势化和归一化处理可包括正向极差变换和负向极差变换。其中,指标的值越大,生态系统越脆弱,则该指标为正向指标,归一化处理时进行正向极差变换;若指标的值越小,生态系统越脆弱,则该指标为负向指标,归一化处理时进行负向极差变换。
可选择地,所述正向极差变换的公式可为:
所述负向极差变换的公式可为:
其中,xij为第j个分区的第i个指标的值,max xij为所有分区的第i个指标中的最大值;min xij为所有分区的第i个指标中的最小值。
可选择地,所述傅里叶变换能够将所述指标数据从时域转换到频域;在进行低通滤波之前,所述预处理还可包括:将经过傅里叶变换后集中在矩阵左上角的低频数据移至矩阵中心。
可选择地,利用下式计算每个分区的脆弱性评分,
其中,ρj为第j个分区的脆弱性评分,ωi为第i个指标的权重,aij为第j个分区第i个指标的值。
可选择地,所述目标区域可为川藏交通廊道沿线区域。
可选择地,所述指标可包括:年平均风速、年最大风速、年极大风速、年最大积雪深度、年最大雪压、年平均气温、年最高气温、年最低气温、年平均相对湿度、年最小相对湿度、年平均降水、年最大降水、年最小降水、人口密度、人均GDP、城市化率、特征人员比例、年财政收入/面积、道路通达性指数/面积、平均坡度、平均高程、坡向、平均地形湿度、地灾面积占比、淹没面积占比、保护区面积占比、土壤脆弱度、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、草本盖度、基础设施资金/面积、生态修复资金/面积、教育水平/人口以及信息化指数/人口中的至少一种。
可选择地,土壤脆弱度可根据经验或常规方法来确定。例如可根据土壤厚度来确定;土壤厚度越大,石砾含量越小,一般来说稳定性越强,有机质含量(养分保有率)越高,脆弱性越低;土壤厚度越小,石砾含量越大,一般来说稳定性越差,有机质含量(养分保有率)越低,脆弱性越高。
可选择地,土壤脆弱度指标可包括土壤厚度、土壤石砾含量和土壤养分中的至少一种。在包括至少两种的情况下,土壤脆弱度由所述至少两种同时来确定。
可选择地,所述方法还可包括步骤:根据每个分区的所述脆弱性评分进行排序;或者,根据每个分区的所述脆弱性评分进行排序,并根据排序结果将所有的分区进行脆弱性等级划分。
可选择地,所述分区的数量可根据实际情况来划分,可划分为2~30个。
为了实现上述目的,本发明另一方面提供了一种计算机设备。
所述计算机设备可包括: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上述基于SVD分解法的生态环境脆弱性评价方法的指令。
为了实现上述目的,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,其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上述基于SVD分解法的生态环境脆弱性评价方法。
与现有技术相比,本发明的有益效果可包括以下至少一项:
(1)本发明能够降低人为的主观因素影响,提高脆弱性评价的精度。
(2)本发明提供了一种新的数据处理及运算方法,能够对环境脆弱性进行更加科学的评价分析,增加可信度。
(3)本发明回避了评价指标体系构建的定性因素,回归指标数据本身,提出基于SVD分解法寻找最大特征值的向量,以向量对应权重赋值的综合评价方法,真正实现客观赋权的目的。
(4)本发明适用于评价对象基数大、指标数量大、指标数据量大、均为定量指标、结果精度要求高且评价对象之间的可比性要求高的生态环境脆弱性评价。
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示出了本发明生态环境脆弱性评价方法的流程图;
图2示出了本发明示例1的指标数据进行傅里叶变化后在频域上的图像;
图3示出了本发明示例1的指标数据进行低通滤波后在频域上的图像;
图4示出了本发明示例1的22个分区脆弱性热力图。
具体实施方式
下面结合本发明的附图,对本发明实施例的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
示例性实施例1
本示例性实施例提供了一种基于SVD分解法的生态环境脆弱性评价方法。
目标区域可包括多个分区,所述方法可包括以下步骤:获取目标区域各分区的每项指标的值;针对每项指标进行定性分析,判断指标对生态系统脆弱性的影响方向;对各分区的每项指标的值进行数据预处理,得到数据矩阵;其中,预处理可包括:趋势化和归一化处理,傅里叶变换,低通滤波处理;将预处理后的数据矩阵进行SVD分解,利用最大奇异值对应的左奇异向量计算各项指标的权重;根据各分区的每项指标的值与对应的权重,得到各分区的脆弱性评分。
在本实施例中,趋势化和归一化处理可包括正向极差变换和负向极差变换。其中,指标的值越大,生态系统越脆弱,则该指标为正向指标,归一化处理时进行正向极差变换;若指标的值越小,生态系统越脆弱,则该指标为负向指标,归一化处理时进行负向极差变换。
在本实施例中,正向极差变换的公式可为:
负向极差变换的公式可为:
其中,xij为第j个分区的第i个指标的值,max xij为所有分区的第i个指标中的最大值;min xij为所有分区的第i个指标中的最小值。
在本实施例中,傅里叶变换能够将指标数据从时域转换到频域;在进行低通滤波之前,数据预处理还可包括:将经过傅里叶变换后集中在矩阵左上角的低频数据移至矩阵中心。
具体地,在统计数据时不可避免的会存在统计误差,统计误差会对评价结果带来一定程度的影响。为了解决该问题,引入低通滤波方法,以此去除数据的统计误差、噪声等。低通滤波使用传递函数对频谱进行筛选,能够去除多余频段,留下有价值的频段,对这部分频段进行分析即可。经过傅里叶变换后,低频的数据会集中在矩阵左上角,故需要将低频数据移至矩阵中心,然后进行滤波。
在本实施例中,利用下式计算每个分区的脆弱性评分:
其中,ρj为第j个分区的脆弱性评分,ωi为第i个指标的权重,aij为第j个分区第i个指标的值。
在本实施例中,目标区域可为川藏交通廊道沿线区域,例如川藏交通廊道雅安至昌都段沿线。
在本实施例中,指标可包括:年平均风速、年最大风速、年极大风速、年最大积雪深度、年最大雪压、年平均气温、年最高气温、年最低气温、年平均相对湿度、年最小相对湿度、年平均降水、年最大降水、年最小降水、人口密度、人均GDP、城市化率、特征人员比例、年财政收入/面积、道路通达性指数/面积、平均坡度、平均高程、坡向、平均地形湿度、地灾面积占比、淹没面积占比、保护区面积占比、土壤脆弱度、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、草本盖度、基础设施资金/面积、生态修复资金/面积、教育水平/人口以及信息化指数/人口中的至少一种。
在本实施例中,土壤脆弱度可根据经验或常规方法来确定。例如可根据土壤厚度来确定;土壤厚度越大,石砾含量越小,一般来说稳定性越强,有机质含量(养分保有率)越高,脆弱性越低;土壤厚度越小,石砾含量越大,一般来说稳定性越差,有机质含量(养分保有率)越低,脆弱性越高。
在本实施例中,土壤脆弱度指标可包括土壤厚度、土壤石砾含量和土壤养分中的至少一种。在包括至少两种的情况下,土壤脆弱度由所述至少两种同时来确定。
在本实施例中,所述方法还可包括步骤:根据每个分区的脆弱性评分进行排序;或者,根据每个分区的脆弱性评分进行排序,并根据排序结果将所有的分区进行脆弱性等级划分。
在本实施例中,分区的数量可根实际情况来划分,可划分为2至30个,例如5、10、15、22、28个等。
示例性实施例2
本示例性实施例提供了一种基于SVD分解法的生态环境脆弱性评价方法,所述方法的整个流程如图1所示,详细内容如下。
步骤S10:通过常规方法获取目标区域各分区生态环境影响因子的原始数据,并构建指标值的数据矩阵。
设各分区的评价指标值构成矩阵R,R可表示为:
其中,x1j表示第j个分区的第i个指标值,记R=[ri,r2,…,rm],rj(j=1,2,…,m)代表第j个分区的指标数为n的评价指标值向量。
在本实施例中,区域生态环境影响因子可包括:年平均风速、年最大风速、年极大风速、年最大积雪深度、年最大雪压、年平均气温、年最高气温、年最低气温、年平均相对湿度、年最小相对湿度、年平均降水、年最大降水、年最小降水、人口密度、人均GDP、城市化率、特征人员比例、年财政收入/面积、道路通达性指数/面积、平均坡度、平均高程、坡向、平均地形湿度、地灾面积占比、淹没面积占比、保护区面积占比、土壤厚度、土壤石砾含量、土壤养分、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、草本盖度、基础设施资金/面积、生态修复资金/面积、教育水平/人口以及信息化指数/人口中的至少两种。例如,区域生态环境影响因子可包括除土壤类影响因子(土壤厚度、土壤石砾含量、土壤养分)外的其他所有因子中的至少两种,再例如可包括上述所有的影响因子。
其中,上述的土壤厚度、土壤石砾含量和土壤养分属于土壤脆弱度指标的影响因子,土壤脆弱度指标可包括土壤厚度、土壤石砾含量和土壤养分中的至少一种影响因子。在包括至少两种的情况下,土壤脆弱度由所述至少两种同时来确定,可对其影响因子的值进行数据处理,其处理方式可使用本领域的常规方法。例如,在同时包括有土壤厚度、土壤石砾含量和土壤养分三种影响因子时,可分别根据三种影响因子的值,进行算数平均或加权平均计算后获得评价指标值,或者可建立三种影响因子与评价指标的函数关系来确定。最后将确定的评价指标值作为土壤脆弱度指标的值,与其他正向和负向指标一起分析。
步骤S20:将指标值的数据矩阵进行趋势化和归一化处理,得到矩阵
若第i个指标对生态系统脆弱性的影响为:指标值越大,生态系统越脆弱,则该指标为正向(越大越优型)指标,该类指标进行正向极差变换,其归一化函数为:
若第i个指标对生态系统脆弱性的影响为:指标值越小,生态系统越脆弱,则该指标为负向(越小越优型)指标,该类指标进行负向极差变换,其归一化函数为:
记经过正向和负向极差变换的指标值矩阵为
特别地,对于部分双向指标,例如年平均气温,在河谷地区,年平均气温越大生态系统越脆弱;对于其他地区,年平均气温越低生态系统越脆弱。本发明就实际情况考虑,对指标值越大越优的地区按照正向指标归一化,对于指标值越小越优型的地区按负向型指标归一化。
步骤S30:对矩阵的每个元素进行离散傅里叶变换,得到矩阵A。
对于正向和负向极差变换后的指标矩阵其二维离散傅里叶变换及反变换定义由以下形式给出:
其中,u=0,1,2,...,n-1,v=0,1,2,...,m-1,u,v均为频率变量,s,t均为位置坐标。
其中,s=0,1,2,...,n-1,t=0,1,2,...,m-1,u,v均为频率变量,s,t均为位置坐标。
步骤S40:对矩阵A进行低通滤波,得到矩阵A′。
本发明是把频率最低的部分移至矩阵中心,然后设置一个大小为N×M的窗口,将窗口外的部分频率都设为0,以此实现低通滤波。
对于低频部分在矩阵中心的矩阵A∈Rn*m,其传递函数可表示为:
步骤S50:对矩阵A′进行奇异值分解,A′=U∑VT。
定理1令A′∈Rn*m则存在正交矩阵U∈Rn*n和V∈Rm*m,使
A′=U∑VT
式中
U=[u1,u2,…,un]
且∑1=diag(σ1,σ2,…,σr),其对角线元素按照顺序σ1≥σ2≥…≥σr>-0,其中,r=rank(A′)。此时,称数值σ1,σ2,…,σr连同σr+1=σr+2=…=σm=0一起称为矩阵A′的奇异值。每一个奇异值对应一个左奇异向量ui∈Rn*1和一个右奇异向量如下表1展示了奇异值、左奇异向量和右奇异向量的计算算法。
表1SVD分解算法
步骤S60:利用SVD分解后的最大奇异值对应的左奇异向量计算各项指标的权重。
利用左奇异矩阵的第一列向量u1计算指标权重向量ω=[ω1,ω2,…ωn],其中:
步骤S70:根据各分区的每项指标的值与对应的权重,得到各分区的脆弱性评分。
利用下式计算每个分区的脆弱性评分:
其中,ρj为第j个分区的脆弱性评分,ωi为第i个指标的权重,aij为第j个分区第i个指标的值。
步骤S80:根据每个分区的所述脆弱性评分进行排序;或者,根据每个分区的所述脆弱性评分进行排序,并根据排序结果将所有的分区进行脆弱性等级划分。
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1对其做进一步说明。
示例1
本示例采用本发明的评价方法对川藏交通廊道雅安至昌都沿线生态环境脆弱性进行评价,评价分析流程如图1所示。
S1、针对目标区域进行分区,获取各分区的每项指标的值。
在本示例中,目标区域为川藏交通廊道雅安至昌都沿线,可划分为22个分区。
在本示例中,针对目标区域的生态环境,基于常规方法获取的原始数据确定40个影响因子(见表2),并确定相应的值。
本示例含有土壤厚度、土壤石砾含量、土壤养分三种影响因子,需对其进行数据处理,整合成一个评价指标:土壤脆弱度。
S2、针对每项指标进行定性分析,判断指标对生态系统脆弱性的影响方向。
在本示例中,判断40个指标对生态系统脆弱性的影响方向如表2所示。
表2基于SVD分解生态环境脆弱性评价指标表
将土壤脆弱度指标作为土层厚度、石砾含量和土壤养分三个影响因子的综合指标与其他正向和负向指标一起分析。
S3、对各分区的每项指标的值进行数据预处理,得到数据矩阵;其中,数据预处理可包括:趋势化和归一化处理,傅里叶变换,低通滤波处理。
S31、对各分区每项指标的值进行趋势化和归一化处理。
(1)正向指标的同趋势化及归一化
本示例以地灾面积占比这一正向指标为例,展示正向指标同趋势化及归一化的计算步骤。22个分区的地灾面积占比数据为:
x1=(0.033,0.015,0.079,0.073,0.042,0.021,0.024,0.001,0.027,0.018,0.022,0.014,0.185,0.016,0.054,0.014,0.203,0.011,0.043,0.048,0.106,0.106)
22个分区地灾面积占比的最大值为x1,17=0.203,最小值为x1,9=0.001,将其代入正向指标同趋势化及归一化公式:
得到地灾面积占比同趋势化及归一化数据为:
(2)负向指标的同趋势化及归一化
本示例以灌木盖度这一负向指标为例,展示负向指标同趋势化及归一化的计算步骤。22个分区的灌木盖度数据为:
x2=(0.488,0.425,0.406,0.517,0.576,0.590,0.704,0.531,0.575,0.590,0.644,0.546,0.507,0.581,0.706,0.551,0.576,0.550,0.589,0.405,0.308,0.454)
22个分区灌木盖度的最大值为x2,15=0.706,最小值为x2,21=0.308,将其代入负向指标同趋势化及归一化公式:
得到灌木盖度同趋势化及归一化数据为:
(3)双向指标的同趋势化及归一化
本示例以年平均气温这一双向指标为例,展示双向指标同趋势化及归一化的计算步骤。22个分区的年平均气温数据为:
x3=(12.60,9.90,10.25,4.90,0.30,6.20,2.80,2.80,3.85,6.15,3.93,3.03,2.25,1.80,5.40,4.10,4.10,1.10,4.10,2.60,5.50,5.50)
其中第3区、第7区、第10区、第13区、第17区、第21区为河谷,河谷的脆弱性与年平均气温呈正相关,单独提取x3,3,x3,7,x3,10,x3,13,x3,17,x3,21构成向量x′3=(10.25,2.80,6.15,2.25,4.10,5.50),对x′3按正向指标同趋势化及归一化公式
进行归一化,得到归一化后的向量为:
除河谷外,其他地形区域年平均气温与生态脆弱性呈负相关,单独提取
x3,1,x3,2,x3,4,x3,5,x3,6,x3,8,x3,9,x3,11,x3,12,x3,14,x3,15,x3,16,x3,18,x3,19,x3,20,x3,22
构成向量x″3=(12.60,9.90,4.90,0.03,6.20,2.80,3.85,3.93,3.03,1.80,5.40,4.10,1.10,4.10,2.60,5.50)
对x″3按负向指标同趋势化及归一化公式
进行归一化,得到归一化后的向量为:
整合和/>得到双向指标——年平均气温的同趋势化及归一化向量:
在本示例中,将指标值进行趋势化和归一化处理。为便于数据展示,原始指标值矩阵R表示为:
其中,
/>
指标值矩阵R经过正向化和归一化处理后得到矩阵
其中,
/>
S32、对趋势化和归一化处理后的指标矩阵进行傅里叶变化及低通滤波。
对于正向和负向极差变换后的指标矩阵进行离散傅里叶变换后得到矩阵A。
为了能更加直观的分析数据的内在规律,本实施例将指标值数据从时域转换到频域进行分析,数据在频域上的图像如图2所示。
数据统计的过程中不可避免的会出现统计误差,为了去除数据的统计误差和噪声等因素的影响,对频域上的数据进行低通滤波,最后得到数据矩阵A′,
/>
其中,
/>
低通滤波后数据在频域上的图像如图3所示。
S4、将预处理后的数据矩阵进行SVD分解,利用最大奇异值对应的左奇异向量计算各项指标的权重。
对矩阵A′进行SVD后得到的非负奇异值为:15.89、3.31、2.79、1.82、1.71、1.50、1.43、1.05、0.95、0.89、0.83、0.69、0.53、0.45、0.43、0.36、0.20、0.17、0.15、0.09、0.08、0.05。奇异值最大为15.89,对应的左奇异向量u1为:
u1=[-0.20,-0.15,-0.17,-0.12,-0.09,-0.20,-0.25,-0.22,-0.19,-0.16,-0.20,-0.24,-0.2
0,-0.20,-0.21,-0.19,-0.19,-0.16,-0.12,-0.16,-0.14,-0.08,-0.06,-0.06,-0.07,-0.09,-0.04,-0.07,-0.17,-0.21,-0.06,-0.06,-0.18,-0.20,-0.15,-0.12,-0.13,-0.20]T
通过u1计算指标权重,以年最大积雪深度为例,该指标的权重为:
如此可以计算出所有指标的权重见表3。
表3指标权重表
/>
其中,表3中土壤脆弱度为综合土层厚度、石砾含量和土壤养分三项影响因子后的综合指标。
S5、根据各分区的每项指标的值与对应的权重,得到各分区的脆弱性评分。
通过将各分区的指标值及其权重先相乘再求和得到22个分区的脆弱性评分见表4。
表4 22个分区脆弱性评分表
根据评分得到22个分区的脆弱性排序向量为:
I=[1,2,3,4,8,11,5,6,7,12,15,9,13,14,19,20,10,17,21,18,22,16]。结果表明第16分区的生态系统最脆弱,第1分区的生态系统最稳定。根据22个分区的脆弱性排序绘制22个分区脆弱性热力图如图4所示。
本发明的基于SVD分解法的生态环境脆弱性评价方法,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3
本实施例提供了一种计算机设备。
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,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上述示例性实施例1或2的基于SVD分解法的生态环境脆弱性评价方法的指令。
例如,所述程序指令的算法流程可以与上述示例性实施例2相同,且如图1所示。
示例性实施例4
本实施例提供了一种计算机可读存储介质。
所述计算机可读储存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上述示例性实施例1或2的基于SVD分解法的生态环境脆弱性评价方法。
例如,所述程序指令的算法流程可以与上述示例性实施例2相同,且如图1所示。
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)。
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 (6)
1.一种基于SVD分解法的生态环境脆弱性评价方法,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:
获取目标区域各分区的每项指标的值;
针对每项指标进行定性分析,判断指标对生态系统脆弱性的影响方向;
对各分区的每项指标的值进行数据预处理,得到数据矩阵;其中,所述预处理包括:趋势化和归一化处理,傅里叶变换,低通滤波处理;
将预处理后的数据矩阵进行SVD分解,利用最大奇异值对应的左奇异向量计算各项指标的权重;
根据各分区的每项指标的值与对应的权重,得到各分区的脆弱性评分;
所述趋势化和归一化处理包括正向极差变换和负向极差变换;其中,若指标的值越大,生态系统越脆弱,则该指标为正向指标,归一化处理时进行正向极差变换;若指标的值越小,生态系统越脆弱,则该指标为负向指标,归一化处理时进行负向极差变换;
所述傅里叶变换能够将所述指标数据从时域转换到频域;
在进行低通滤波之前,所述预处理还包括:将经过傅里叶变换后集中在矩阵左上角的低频数据移至矩阵中心;
利用下式进行SVD分解,
A′=UΣVT,
其中,A′为预处理后的数据矩阵;
∑1=diag(σ1,σ2,…,σr),数值σ1,σ2,…,σr连同σr+1=σr+2=…=σm=0一起称为矩阵A′的奇异值;
U=[u1,u2,…,un],u1,u2,…,un为A′A′T的特征值对应的特征向量;
v1,v2,…,vm为A′TA′的特征值对应的特征向量;
利用左奇异矩阵的第一列向量u1计算指标权重向量ω=[ω1,ω2,…ωn],
其中,
所述方法还包括步骤:根据每个分区的所述脆弱性评分进行排序,根据排序绘制所述多个分区脆弱性热力图;
利用下式计算每个分区的脆弱性评分,
其中,ρj为第j个分区的脆弱性评分,ωi为第i个指标的权重,aij为第j个分区第i个指标的值;
所述正向极差变换的公式为:
所述负向极差变换的公式为:
其中,xij为第j个分区的第i个指标的值,max xij为所有分区的第i个指标中的最大值,min xij为所有分区的第i个指标中的最小值。
2.根据权利要求1所述的基于SVD分解法的生态环境脆弱性评价方法,其特征在于,所述目标区域为川藏交通廊道沿线区域。
3.根据权利要求1所述的基于SVD分解法的生态环境脆弱性评价方法,其特征在于,所述指标包括:年平均风速、年最大风速、年极大风速、年最大积雪深度、年最大雪压、年平均气温、年最高气温、年最低气温、年平均相对湿度、年最小相对湿度、年平均降水、年最大降水、年最小降水、人口密度、人均GDP、城市化率、年财政收入/面积、道路通达性指数/面积、平均坡度、平均高程、坡向、平均地形湿度、地灾面积占比、淹没面积占比、保护区面积占比、土壤脆弱度、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、草本盖度、基础设施资金/面积、生态修复资金/面积、教育水平/人口以及信息化指数/人口中的至少一种;
土壤脆弱度为综合土层厚度、石砾含量和土壤养分三项影响因子后的综合指标;其中,根据土层厚度、石砾含量和土壤养分的值进行算数平均或加权平均计算后,获得土壤脆弱度指标的值,或者,根据建立三种土层厚度、石砾含量和土壤养分与土壤脆弱度指标的函数关系来确定土壤脆弱度指标的值。
4.根据权利要求1所述的基于SVD分解法的生态环境脆弱性评价方法,其特征在于,所述方法还包括步骤:根据每个分区的所述脆弱性评分进行排序,并根据排序结果将所有的分区进行脆弱性等级划分。
5.一种计算机设备,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1~4中任一项所述方法的指令。
6.一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1~4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210884836.7A CN115271428B (zh) | 2022-07-25 | 2022-07-25 | 基于svd分解的环境脆弱性评价方法、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210884836.7A CN115271428B (zh) | 2022-07-25 | 2022-07-25 | 基于svd分解的环境脆弱性评价方法、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115271428A CN115271428A (zh) | 2022-11-01 |
CN115271428B true CN115271428B (zh) | 2023-08-15 |
Family
ID=83769024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210884836.7A Active CN115271428B (zh) | 2022-07-25 | 2022-07-25 | 基于svd分解的环境脆弱性评价方法、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115271428B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010015405A (ja) * | 2008-07-04 | 2010-01-21 | Railway Technical Res Inst | 鉄道技術系職場における安全風土評価方法 |
CN102467709A (zh) * | 2010-11-17 | 2012-05-23 | 阿里巴巴集团控股有限公司 | 一种发送商品信息的方法和装置 |
CN106599601A (zh) * | 2016-12-29 | 2017-04-26 | 中国科学院遥感与数字地球研究所 | 生态系统脆弱性遥感评估方法和系统 |
CN108009639A (zh) * | 2017-12-13 | 2018-05-08 | 重庆邮电大学 | 一种基于ga-bp神经网络算法的城市生态建设评价方法 |
CN112232689A (zh) * | 2020-10-27 | 2021-01-15 | 中国地质科学院水文地质环境地质研究所 | 一种茶叶连片种植区的生态地质脆弱性评价方法 |
CN112561235A (zh) * | 2020-11-23 | 2021-03-26 | 中铁二十四局集团福建铁路建设有限公司 | 一种适于高速公路路域的生态脆弱性评价方法 |
CN114037351A (zh) * | 2021-11-29 | 2022-02-11 | 西华大学 | 生态系统服务价值评价模型、建立方法及应用 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10409839B2 (en) * | 2017-03-30 | 2019-09-10 | The Boeing Company | Dimension optimization in singular value decomposition-based topic models |
CN107525907B (zh) * | 2017-10-16 | 2019-12-31 | 中国环境科学研究院 | 地下水污染监测网多目标优化方法 |
-
2022
- 2022-07-25 CN CN202210884836.7A patent/CN115271428B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010015405A (ja) * | 2008-07-04 | 2010-01-21 | Railway Technical Res Inst | 鉄道技術系職場における安全風土評価方法 |
CN102467709A (zh) * | 2010-11-17 | 2012-05-23 | 阿里巴巴集团控股有限公司 | 一种发送商品信息的方法和装置 |
CN106599601A (zh) * | 2016-12-29 | 2017-04-26 | 中国科学院遥感与数字地球研究所 | 生态系统脆弱性遥感评估方法和系统 |
CN108009639A (zh) * | 2017-12-13 | 2018-05-08 | 重庆邮电大学 | 一种基于ga-bp神经网络算法的城市生态建设评价方法 |
CN112232689A (zh) * | 2020-10-27 | 2021-01-15 | 中国地质科学院水文地质环境地质研究所 | 一种茶叶连片种植区的生态地质脆弱性评价方法 |
CN112561235A (zh) * | 2020-11-23 | 2021-03-26 | 中铁二十四局集团福建铁路建设有限公司 | 一种适于高速公路路域的生态脆弱性评价方法 |
CN114037351A (zh) * | 2021-11-29 | 2022-02-11 | 西华大学 | 生态系统服务价值评价模型、建立方法及应用 |
Non-Patent Citations (1)
Title |
---|
基于GIS的衡阳市生态环境脆弱性研究;王鹏;赵莹;田亚平;;水土保持研究(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115271428A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Botella et al. | Species distribution modeling based on the automated identification of citizen observations | |
CN111489008B (zh) | 一种交通事故影响因素空间效应分析方法及其应用 | |
Nissi et al. | A measure of well-being across the Italian urban areas: An integrated DEA-entropy approach | |
CN106503739A (zh) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统 | |
CN115239127B (zh) | 生态脆弱性评价方法、计算机设备、存储介质和验证方法 | |
CN109635010B (zh) | 一种用户特征及特征因子抽取、查询方法和系统 | |
US20150356350A1 (en) | unsupervised non-parametric multi-component image segmentation method | |
CN109189876A (zh) | 一种数据处理方法及装置 | |
Majidipour et al. | Index-based groundwater sustainability assessment in the socio-economic context: a case study in the Western Iran | |
CN114723283A (zh) | 一种面向城市群的生态承载力遥感评估方法及装置 | |
Amirkhiz et al. | Investigating niches and distribution of a rare species in a hierarchical framework: Virginia’s Warbler (Leiothlypis virginiae) at its northeastern range limit | |
Bellagamba et al. | A neural network for automated quality screening of ground motion records from small magnitude earthquakes | |
CN113011788B (zh) | 一种海上交通事故应急决策方法、终端设备及存储介质 | |
CN115271428B (zh) | 基于svd分解的环境脆弱性评价方法、设备和介质 | |
Behnisch et al. | Knowledge discovery in spatial planning data: a concept for cluster understanding | |
CN115796373A (zh) | 风险预测方法、设备及存储介质 | |
Doumpos et al. | Business failure prediction: a comparison of classification methods | |
Nazari et al. | Evaluating the effectiveness of data mining techniques in credit scoring of bank customers using mathematical models: a case study of individual borrowers of Refah Kargaran Bank in Zanjan Province, Iran | |
CN113837913A (zh) | 一种村镇耕地资源承载力关键阈值确定方法及装置 | |
CN113989767A (zh) | 一种自动驾驶测试场景复杂度分析方法及系统 | |
WO1992017853A2 (en) | Direct data base analysis, forecasting and diagnosis method | |
Franciscus et al. | The Assessment of Human Development Index in West Java Province of Indonesia Using Regression and R Programming Technology | |
Borst | Discovering and applying location influence patterns in the mass valuation of domestic real property | |
Kavvada et al. | Probabilistic seismic hazard analysis for spatially distributed infrastructure considering the correlation of spectral acceleration across spectral periods | |
CN111582615A (zh) | 一种基于logistic回归模型的评价方法及系统 |
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 |