CN115619275A - 一种铁路工程生态修复决策方法和装置 - Google Patents
一种铁路工程生态修复决策方法和装置 Download PDFInfo
- Publication number
- CN115619275A CN115619275A CN202211329507.2A CN202211329507A CN115619275A CN 115619275 A CN115619275 A CN 115619275A CN 202211329507 A CN202211329507 A CN 202211329507A CN 115619275 A CN115619275 A CN 115619275A
- Authority
- CN
- China
- Prior art keywords
- ecological
- ecological restoration
- restoration
- area
- railway engineering
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000010276 construction Methods 0.000 claims abstract description 112
- 239000013598 vector Substances 0.000 claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 claims description 78
- 241000196324 Embryophyta Species 0.000 claims description 70
- 238000012549 training Methods 0.000 claims description 32
- 238000010801 machine learning Methods 0.000 claims description 20
- 238000007637 random forest analysis Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 8
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000009897 systematic effect Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000009960 carding Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 abstract description 2
- 239000002689 soil Substances 0.000 description 21
- 239000000463 material Substances 0.000 description 9
- 238000009412 basement excavation Methods 0.000 description 6
- 239000007921 spray Substances 0.000 description 6
- 230000006378 damage Effects 0.000 description 5
- 235000008216 herbs Nutrition 0.000 description 5
- 230000001105 regulatory effect Effects 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000005422 blasting Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000010410 layer Substances 0.000 description 4
- 238000010899 nucleation Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 238000003900 soil pollution Methods 0.000 description 3
- 239000004575 stone Substances 0.000 description 3
- 239000002351 wastewater Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000000179 transient infrared spectroscopy Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- 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
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及生态修复工程技术领域,特别是指一种铁路工程生态修复决策方法和装置,所述方法包括:获取铁路工程生态修复区的自然环境特征指标;获取铁路工程生态修复区的施工扰动特征指标;将所述自然环境特征指标和所述施工扰动特征指标进行多源异构数据融合,得到融合后的多源异构数据;使用所述融合后的多源异构数据,作为铁路工程生态修复决策的输入特征向量,构建生态修复方案决策模型;根据所述生态修复方案决策模型,输出得到不同生态修复区的生态修复方案。采用本发明,解决了难以对多源异构数据进行系统整合的问题,为铁路工程生态修复提供更加全面的决策依据,使决策结果更加客观有效。
Description
技术领域
本发明涉及生态修复工程技术领域,特别是指一种铁路工程生态修复决策方法和装置。
背景技术
铁路工程具有建设规模大、地区跨度大、生态环境影响显著等特点,极易对生态环境脆弱地区产生不可逆的生态影响。在工程设计阶段,充分考虑铁路工程建设可能带来的生态环境影响并有针对性地设计生态修复方案,将有利于降低工程建设所引致的生态环境影响。由于铁路建设包含大量的土石方工程,这将显著改变施工扰动区域内生态环境的原生状态,例如:桥隧口、临时辅助道路和施工营地等区域的取、弃土会造成施工场地植被和地表形态破坏,不仅破坏了原生植被的正常生长环境,还可能造成土壤污染、水土平衡破坏等情况,进而影响生态恢复速度和植被修复难度。然而,现有技术并没有很好的铁路工程生态修复决策方案。
发明内容
本发明提供了一种铁路工程生态修复决策方法和装置,用以对铁路工程生态修复进行决策。所述技术方案如下:
一方面,提供了一种铁路工程生态修复决策方法,所述方法包括:
S1、获取铁路工程生态修复区的自然环境特征指标;
S2、获取铁路工程生态修复区的施工扰动特征指标;
S3、将所述自然环境特征指标和所述施工扰动特征指标进行多源异构数据融合,得到融合后的多源异构数据;
S4、使用所述融合后的多源异构数据,作为铁路工程生态修复决策的输入特征向量,构建生态修复方案决策模型;
S5、根据所述生态修复方案决策模型,输出得到不同生态修复区的生态修复方案。
可选地,所述自然环境特征指标包括遥感影像数据和气象观测数据;所述施工扰动特征指标包括以下至少一种:修复区施工扰动区类型、修复区坡度、修复区地表裸露状态、修复区景观需求;所述生态修复方案包括生态修复技术和生态修复植物种。
可选地,所述S2的获取铁路工程生态修复区的施工扰动特征指标,具体包括:S21、对铁路工程生态风险文本数据进行语义分析,得到铁路工程生态风险分类,并进一步匹配对应生态风险的风险源,以及各类生态风险源的对应修复区施工扰动区类型,形成铁路工程生态风险识别与溯源的分类框架;S22、再结合铁路工程生态修复实际案例的文本数据,获取所述修复区坡度、所述修复区地表裸露状态、所述修复区景观需求。
可选地,所述S21的对铁路工程生态风险文本数据进行语义分析,得到铁路工程生态风险分类,并进一步匹配对应生态风险的风险源,以及各类生态风险源的对应修复区施工扰动区类型,形成铁路工程生态风险识别与溯源的分类框架,具体包括:
S211、收集铁路工程生态风险文本和修复文本,并对文本进行预处理;S212、通过计算每个文本与铁路工程生态风险的相关程度得分进行排序,筛选样本得分排名靠前的铁路工程生态风险文本数据,作为训练样本进行后续机器学习模型训练;S212中样本得分的计算和筛选步骤如下:
第一步,设定铁路工程生态风险相关的关键词KEYi(i=1,…,n),n为关键词的个数,并分为高度相关、中度相关和低度相关三类,再对相关程度从低到高的关键词赋权为[1,4]、[4,7]、[7,10]范围内的随机整数WEIGHTj(j=1,…,m),m为类别,高度相关、中度相关和低度相关三类;
第二步,分别统计上一步处理好的每个文本数据中相关关键词表的各关键词出现的频次Ki(i=1,…,n);第三步,运用公式11计算每个文本的相关性得分,选择得分排序靠前的文本作为后续机器学习模型的训练样本;
Score=∑Ki*WEIGHTj(i=1,…,n;j=1,…,m) (11)
S213、结合两种机器学习模型的互补优势,对文本数据进行语义分析,实现对铁路工程生态风险系统性地识别,所述两种机器学习模型分别为:LDA模型和Word2Vec模型;
其中,所述LDA模型用于挖掘大量文本数据中的隐含生态风险主题,并得到各个文档的生态风险主题归属;所述Word2Vec模型通过构建三层神经网络用词嵌入WordEmbedding的方式将文本词向量化,弥补了所述LDA模型中主题词关系割裂的问题,通过结构化的词向量,分析生态风险关键词间的语义关系;并进一步利用主成分分析算法PCA提取文本词向量中的重要特征,并对特征降维,得到更加直观的关键词语义关系;
S214、通过标注训练得到的不同类型生态风险主题词,梳理得到铁路工程生态风险分类;并筛选出归属于各个风险主题类型中相关程度得分高的文档,提取文档摘要进行梳理和匹配,在生态风险分类的基础上,匹配对应生态风险的风险源,以及各类生态风险源的对应修复区施工扰动区类型,形成铁路工程生态风险识别与溯源的分类框架。
可选地,所述S3的将所述自然环境特征指标和所述施工扰动特征指标进行多源异构数据融合,得到融合后的多源异构数据,具体包括:S31、根据所述气象观测数据确定样本区域,再通过匹配样本区域经纬度,实现所述气象观测数据与所述遥感影像数据融合,得到样本区域内的自然环境特征指标;S32、根据所述遥感影像数据提取得到样本区域内的地貌特征,将所述样本区域内的地貌特征与所述修复区施工扰动区类型进行匹配,得到样本区域内不同地貌特征对应的修复区施工扰动区类型;S33、根据样本区域内不同地貌特征对应的修复区施工扰动区类型,结合铁路工程生态修复实际案例的文本数据,进一步匹配各类修复区施工扰动区类型中存在的其他施工扰动特征指标;S34、将所述样本区域内的自然环境特征指标、样本区域内不同地貌特征对应的修复区施工扰动区类型和其他施工扰动特征指标,作为所述融合后的多源异构数据。
可选地,所述S4的使用所述融合后的多源异构数据,作为铁路工程生态修复决策的输入特征向量,构建生态修复方案决策模型,具体包括:S41、准备所述融合后的多源异构数据,作为构建所述生态修复方案决策模型的样本输入数据;S42、根据铁路工程生态修复文本数据中包括的生态修复实例,将预先构建的生态修复技术库中的各类生态修复技术,与预先构建的生态修复植物种库中的修复植物种进行匹配,将库中的生态修复技术和生态修复植物种组合标注优先级;S43、根据生态修复样本区域的输入特征向量,结合生态修复技术与修复植物种组合的优先级,匹配得到不同输入特征向量下适用的生态修复方案,包括适用的生态修复技术和生态修复植物种;将标注好的生态修复技术数据结果和生态修复植物种数据结果分别进行编码,得到可供机器学习模型训练的样本输出数据;S44、根据所述样本输入数据和所述样本输出数据,以所述生态修复技术和生态修复植物种为分类目标,通过网格搜索确定最优的模型参数,分别构建所述生态修复技术和生态修复植物种决策的随机森林模型,共同构成所述生态修复方案决策模型。
可选地,预先构建生态修复技术库,具体包括:收集铁路工程生态修复案例;根据所述生态修复案例,针对铁路工程中的生态修复重点区域,构建所述生态修复技术库。
预先构建生态修复植物种库,具体包括:收集铁路工程生态修复案例;获取样本区域内相关的植被生长特性;根据所述生态修复案例和所述植被生长特性,筛选出适合在铁路工程修复区种植的修复植物种;再根据修复区景观需求,构建所述生态修复植物种库。
另一方面,还提供了一种铁路工程生态修复决策装置,所述装置包括:
第一获取模块,用于获取铁路工程生态修复区的自然环境特征指标;第二获取模块,用于获取铁路工程生态修复区的施工扰动特征指标;融合模块,用于将所述自然环境特征指标和所述施工扰动特征指标进行多源异构数据融合,得到融合后的多源异构数据;构建模块,用于使用所述融合后的多源异构数据,作为铁路工程生态修复决策的输入特征向量,构建生态修复方案决策模型;输出模块,用于根据所述生态修复方案决策模型,输出得到不同生态修复区的生态修复方案。
另一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述铁路工程生态修复决策方法。
另一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述铁路工程生态修复决策方法。
本发明提供的技术方案带来的有益效果至少包括:
(1)多源异构数据融合。本发明通过匹配样本区域经纬度、地貌特征和施工扰动区类型,逐步将气象观测数据、遥感影像数据、铁路工程生态风险文本和生态修复文本数据融合,解决了难以对多源异构数据进行系统整合的问题,为铁路工程生态修复提供更加全面的决策依据,使决策结果更加客观有效。
(2)从生态风险识别、溯源的角度解决铁路工程生态修复决策问题。通过构建铁路工程生态风险识别与溯源的分类框架,从各类生态风险源出发进行生态修复决策,不仅能够全方位地涵盖铁路工程各类生态风险,还能有针对地进行生态修复决策,降低决策误差。
(3)铁路工程生态修复技术与修复植物种共同决策。决策方法可以得到生态修复技术和修复植物种的决策两个方面的结果,使提出的生态修复技术和修复植物种相互匹配,形成更加系统完整的生态修复方案,提高生态修复效率和工程质量,符合工程实践需求。
(4)建立生态修复技术库和修复植物种库,为铁路工程的生态修复决策提供参考依据,极大地降低了生态修复决策的难度,也能为其他相关工程(公路、隧道、桥梁等)提供生态修复方案的支持。
(5)生态修复决策方法的适用范围更加广泛。在生态修复方案决策模型的训练数据中包含海拔范围279.1m到4507m的样本,能得到地理适用范围更广的生态修复决策方案,更能够满足一般重大铁路工程,在地区跨度大时产生的多样化生态修复需求。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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。
图1是本发明实施例提供的一种铁路工程生态修复决策方法流程图;
图2是本发明实施例提供的一种铁路工程生态修复决策方法的详细步骤流程图;
图3是本发明实施例的铁路工程生态风险识别与溯源的分类框架示意图;
图4是本发明实施例提供的一种铁路工程生态修复决策装置框图;
图5是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
如图1所示,本发明实施例提供了一种铁路工程生态修复决策方法,所述方法包括:
S1、获取铁路工程生态修复区的自然环境特征指标;
S2、获取铁路工程生态修复区的施工扰动特征指标;
S3、将所述自然环境特征指标和所述施工扰动特征指标进行多源异构数据融合,得到融合后的多源异构数据;
S4、使用所述融合后的多源异构数据,作为铁路工程生态修复决策的输入特征向量,构建生态修复方案决策模型;
S5、根据所述生态修复方案决策模型,输出得到不同生态修复区的生态修复方案。
下面结合图2,详细说明本发明实施例的一种铁路工程生态修复决策方法,所述方法包括:S1、获取铁路工程生态修复区的自然环境特征指标;
可选地,所述自然环境特征指标包括遥感影像数据和气象观测数据。
S11、获取铁路工程生态修复区的遥感影像数据,包括:从遥感卫星中获取多区域、多时段的观测数据,并对遥感影像进行自然环境特征指标提取,具体过程为:本发明实施例在地理空间数据云平台下载Landsat8OLI_TIRS卫星影像数据,OLI陆地成像仪包括9个波段,空间分辨率为30米,其中包括一个15米的全色波段,成像宽幅为185kmx185km;热红外传感器TIRS包括2个单独的热红外波段,分辨率100米;利用ENVI平台对遥感图像进行辐射定标、大气校正和正射校正,实现信息提取,形成矢量图斑;将处理结果导入Arc GIS 10.7软件,计算得到遥感影像数据,所述遥感影像数据包括如下至少一种:归一化植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)和垂直植被指数(PVI)、大气阻抗植被指数(ARVI),增强型植被指数(EVI),变换型土壤调节植被指数(TSAVI),调整型土壤调节植被指数(MSAVI),优化型土壤调节植被指数(OSAVI)、归纳型土壤调节植被指数(GESAVI)。
DVI=ρNIR-ρRED (2)
式中:ρ为反射率,NIR为近红外波段,RED为红光波段,BLUE为蓝光波段,S为土壤的反射率,V为植被的反射率,a为土壤线的斜率,b为土壤线的截距,Z为土壤调节参数(恒等于土壤线与R轴交点的相反数)。
S12、获取铁路工程生态修复区的气象观测数据,包括:从气象观测站中获取多区域、多时段的观测数据,对气象观测数据进行预处理后,结合处理遥感影像得到的各指标数据,共同构成铁路工程生态修复区自然环境特征指标,具体过程为:本发明实施例在国家气象科学数据中心下载中国地面气候标准值月值数据集(1981-2010),共收集到全国2170个气象站点数据。选择其中具有代表性、且符合重大铁路工程建设范围的168个站点数据,覆盖海拔范围为279.1m-4507m。根据气象站数据,提取得到不同站点的气象观测数据,所述气象观测数据包括如下至少一种:平均本站气压、最高本站气压、最低本站气压、最大风速、极大风速、极大风速的风向(角度)、2分钟平均风向(角度)、2分钟平均风速、最大风速的风向(角度)、平均气温、平均最高气温、平均最低气温、相对湿度、最小相对湿度、降水量、风力、体感温度。
S2、获取铁路工程生态修复区的施工扰动特征指标;
所述施工扰动特征指标包括以下至少一种:修复区施工扰动区类型、修复区坡度一种:修复区施工扰动区类型、修复区坡度、修复区地表裸露状态、修复区景观需求。本发明实施例通过铁路工程生态修复区生态风险与施工扰动情况数据采集,获取铁路工程生态修复区的施工扰动特征指标。
可选地,所述S2的获取铁路工程生态修复区的施工扰动特征指标,具体包括:
S21、对铁路工程生态风险文本数据进行语义分析,得到铁路工程生态风险分类,并进一步匹配对应生态风险的风险源,以及各类生态风险源的对应修复区施工扰动区类型,形成铁路工程生态风险识别与溯源的分类框架;
S22、再结合铁路工程生态修复实际案例的文本数据,获取所述修复区坡度、所述修复区地表裸露状态、所述修复区景观需求。
可选地,所述S21的对铁路工程生态风险文本数据进行语义分析,得到铁路工程生态风险分类,并进一步匹配对应生态风险的风险源,以及各类生态风险源的对应修复区施工扰动区类型,形成铁路工程生态风险识别与溯源的分类框架,具体包括:
S211、收集铁路工程生态风险文本和修复文本,并对文本进行预处理;
文本收集主要包括:学术论文、专利、专著、报告、年鉴、新闻等铁路工程生态风险文本和铁路工程生态修复文本,因为铁路工程生态修复文本也可能和铁路工程生态风险相关,故本发明实施例也对铁路工程生态修复文本进行收集,本发明实施例最终检索得到1787个文本,获取得到有效文本为1140个。对文本预处理的步骤主要分为:pdf解码、分词、去停用词和特殊符号。
S212、通过计算每个文本与铁路工程生态风险的相关程度得分进行排序,筛选样本得分排名靠前的铁路工程生态风险文本数据,作为训练样本进行后续机器学习模型训练
为了保证文本数据与铁路工程生态环境风险的高度相关性,通过计算每个文本与铁路工程生态风险的相关程度得分进行排序,筛选样本得分排名靠前的文本数据作为训练样本进行后续机器学习模型训练,比如,筛选排名的前50%的文本数据作为有效样本进行机器学习模型训练。
S212中样本得分的计算和筛选步骤如下:
第一步,设定铁路工程生态风险相关的关键词KEYi(i=1,…,n),n为关键词的个数,并分为高度相关、中度相关和低度相关三类,再对相关程度从低到高的关键词赋权为[1,4]、[4,7]、[7,10]范围内的随机整数WEIGHTj(j=1,…,m),m为类别,高度相关、中度相关和低度相关三类;
第二步,分别统计上一步处理好的每个文本数据中相关关键词表的各关键词出现的频次Ki(i=1,…,n);第三步,运用公式11计算每个文本的相关性得分,选择得分排序靠前的文本作为后续机器学习模型的训练样本;
Score=∑Ki*WEIGHTj(i=1,…,n;j=1,…,m) (11)
由于各关键词的赋权值是根据不同相关程度范围内取随机数的方式确定,所以每个关键词权重可以多次取值,用来计算文本相关性得分并对文本相关性排序。为了降低单次计算的误差,按照表1中赋权范围进行多次取值计算各文本相关性得分,比如共进行10次随机权重计算,取每次得分前50%文本的并集加入模型训练,最终筛选出637个文本作为初始样本输入后续机器学习模型中训练,为了方便处理不同语言的文本,所有文本选择为英文。
表1铁路工程生态风险关键词优先级及权重取值范围
S213、结合两种机器学习模型的互补优势,对文本数据进行语义分析,实现对铁路工程生态风险系统性地识别,所述两种机器学习模型分别为:LDA模型和Word2Vec模型;
其中,所述LDA模型用于挖掘大量文本数据中的隐含生态风险主题,并得到各个文档的生态风险主题归属;所述Word2Vec模型通过构建三层神经网络用词嵌入(WordEmbedding)的方式将文本词向量化,弥补了所述LDA模型中主题词关系割裂的问题,通过结构化的词向量分析生态风险关键词间的语义关系;并进一步利用主成分分析算法(Principal Component Analysis,PCA)提取文本词向量中的重要特征,并对特征降维,得到更加直观的关键词语义关系;
S214、通过标注训练得到的不同类型生态风险主题词,梳理得到铁路工程生态风险分类;并筛选出归属于各个风险主题类型中相关程度得分高的文档,提取文档摘要进行梳理和匹配,在生态风险分类的基础上,匹配对应生态风险的风险源,以及各类生态风险源的对应修复区施工扰动区类型,形成铁路工程生态风险识别与溯源的分类框架,如图3所示。
其中,生态风险包括:栖息地分割,景观破坏,大气污染,噪声污染,土壤污染,隧道涌水,废水污染,和水土平衡破坏,与之对应的风险源分别是:铁路永久性占地,边坡创面、施工硬化地表,温室气体排放、粉尘污染,施工爆破、铁路运行等,弃土弃渣、生活垃圾,隧道开挖、爆破等,施工、生活污废水,过度取土、弃土;
铁路永久性占地导致栖息地分割风险的主要施工扰动区类型包括:隧道洞口区、桥基区、河岸边坡区和桥墩台坡体开挖区;
边坡创面、施工硬化地表导致景观破坏风险的主要施工扰动区类型包括:隧道洞口区、河岸边坡区、桥墩台坡体开挖区、施工便道边坡区、施工营地区、局部坍塌和掉块区、取料区和弃料区;
温室气体排放、粉尘污染导致大气污染风险的主要施工扰动区类型包括:取料区和弃料区;
施工爆破导致噪声污染风险的主要施工扰动区类型包括:隧道洞口区、桥基区、桥墩台坡体开挖区、和弃料区;
弃土弃渣、生活垃圾导致土壤污染风险的主要施工扰动区类型包括:施工便道边坡区和施工营地区;
隧道开挖、爆破等导致隧道涌水风险的主要施工扰动区类型包括:隧道洞口区、取料区和弃料区;
施工、生活污废水导致废水污染风险的主要施工扰动区类型包括:施工便道边坡区和施工营地区;
过度取土、弃土导致水土平衡破坏风险的主要施工扰动区类型包括:取料区和弃料区。
可选地,S22中再结合铁路工程生态修复实际案例的文本数据,获取所述修复区坡度、所述修复区地表裸露状态、所述修复区景观需求,具体包括:
S221、获取修复区坡度;
坡度是影响生态修复技术选择的重要因素,因此将修复区的坡度分为陡坡区(坡度大于1:1)和缓坡区(坡度小于1:1)两类。
S222、获取修复区地表裸露状态;
修复区的地表裸露状态会显著地影响生态修复植被的生长,如果在地表土层不足以保证植被生长,还需要采用客土喷播、植生袋等方法支持修复区植被生长。因此将修复区地表裸露状态分为四类:岩石表面、土质表面、弱风化表面(泥岩、砂泥岩)、强风化表面(落石、卵沙石)。
S223、获取修复区景观需求。
铁路工程生态修复决策受修复后的景观需求影响,例如在隧道洞口或河岸边坡,一般会有较高的景观需求,这类区域应该尽量选择修复速度快、绿化效果好的生态修复技术和修复植物种。因此,将修复区景观需求分为高、中、低三类。
S3、将所述自然环境特征指标和所述施工扰动特征指标进行多源异构数据融合,得到融合后的多源异构数据;
可选地,所述S3的将所述自然环境特征指标和所述施工扰动特征指标进行多源异构数据融合,得到融合后的多源异构数据,具体包括:
S31、根据所述气象观测数据确定样本区域,再通过匹配样本区域经纬度,实现所述气象观测数据与所述遥感影像数据融合,得到样本区域内的自然环境特征指标;
本发明实施例先以气象观测站点为中心,选择周围10公里范围作为样本区域,通过气象观测站点经纬度坐标计算得到样本区域的地理坐标范围;
再根据样本区域的地理坐标范围,匹配与气象观测站点数据相同时间段的遥感影像数据;
最后将样本区域内经过预处理的遥感影像数据的各项植被指标取均值后,加入对应区域的气象观测站指标数据集中,共同构成样本区域内的自然环境特征指标。
S32、根据所述遥感影像数据提取得到样本区域内的地貌特征,将所述样本区域内的地貌特征与所述修复区施工扰动区类型进行匹配,得到样本区域内不同地貌特征对应的修复区施工扰动区类型;
本发明实施例先根据遥感影像数据,提取得到样本区域内的地貌特征,得到样本区域内可能存在的平原、峡谷、峰丛、冰川、河流等不同地貌类型;
然后将样本区域内的地貌特征,与根据铁路工程生态风险文本和铁路工程生态修复文本识别出的修复区施工扰动区类型进行匹配,得到样本区域内不同地貌特征对应的修复区施工扰动区类型;
例如:当样本区域内的地貌特征以峰丛为主时,主要匹配隧道施工引致的施工扰动,即隧道洞口区扰动类型;当样本区域的地貌以峡谷、河流为主时,主要匹配桥梁施工引致的施工扰动,即桥墩台坡体开挖区扰动类型、桥基区扰动类型、河岸边坡区扰动类型;当样本区域的地貌特征以平原为主时,主要匹配施工营地区扰动类型。
S33、根据样本区域内不同地貌特征对应的修复区施工扰动区类型,结合铁路工程生态修复实际案例的文本数据,进一步匹配各类修复区施工扰动区类型中存在的其他施工扰动特征指标;
根据样本区域内对应存在的主要施工扰动区类型,结合铁路工程生态风险和生态修复文本数据内的实例,进一步匹配各类施工扰动区类型中存在的其他铁路工程施工扰动指标,包括:修复区坡度、地表裸露状态、景观需求等。
S34、将所述样本区域内的自然环境特征指标、样本区域内不同地貌特征对应的修复区施工扰动区类型和其他施工扰动特征指标,作为所述融合后的多源异构数据。
S4、使用所述融合后的多源异构数据,作为铁路工程生态修复决策的输入特征向量,构建生态修复方案决策模型;
可选地,所述S4的使用所述融合后的多源异构数据,作为铁路工程生态修复决策的输入特征向量,构建生态修复方案决策模型,具体包括:
S41、准备所述融合后的多源异构数据,作为构建所述生态修复方案决策模型的样本输入数据;
铁路工程生态修复决策的输入特征向量主要分为两类:多源异构数据融合后的自然环境特征指标和施工扰动特征指标。
本发明实施例的自然环境特征指标的样本输入数据,是取168个样本区域的124个时间段的平均数据,最终得到20832个样本输入标注数据进行后续的机器学习模型训练。
本发明实施例的施工扰动特征指标的样本输入数据,主要数据来源为学术论文、专利、专著、报告、年鉴、新闻等铁路工程生态风险和生态修复的文本数据,主要包括:工程施工扰动区类型(9类)、修复区坡度(2类)、修复区地表裸露状态(4类)、修复区景观需求(3类)。
S42、根据铁路工程生态修复文本数据中包括的生态修复实例,将预先构建的生态修复技术库中的各类生态修复技术,与预先构建的生态修复植物种库中的修复植物种进行匹配,将库中的生态修复技术和生态修复植物种组合标注优先级;
生态修复决策结果主要分为两个方面:生态修复技术选择、生态修复植物种选择。生态修复技术与修复植物种的选择基于预先构建的生态修复技术库(表2)与预先构建的修复植物种库(表3)。
表2:生态修复技术库
表3:生态修复植物种库
其中,预先构建生态修复技术库,具体包括:
收集铁路工程生态修复案例,尤其重大铁路工程生态修复案例(比如京哈铁路、京通铁路、京包铁路、京沪铁路、京九铁路、京广铁路、焦柳铁路、包兰铁路、兰新铁路、青藏铁路、陇海铁路、成昆铁路、宝成铁路、沪昆铁路等);
根据所述生态修复案例,针对重大铁路工程中的生态修复重点区域(比如施工道路、隧道、桥梁、临建工程等),构建所述生态修复技术库,主要包括(21种):客土喷播技术、生态袋技术、植生带技术、CBS植被混凝土生态防护技术、框架梁内生态袋绿化技术、锚杆铁丝网和喷播植生技术、挂铁丝(双层)网喷播有机基材技术、SNS主动防护网、植被型生态混凝土护坡技术、机械混合喷播技术、植被毯铺植技术、厚层基质喷附技术、草皮移植技术、改良的生态袋植生工艺技术、改良的挂网喷混植生工艺技术、三维网技术、改良的V型槽植生工艺技术、生态网格技术、宾格石笼技术、帷幕灌浆施工技术(固定河岸技术)、钢筋串石护岸(固定河岸技术)。
预先构建生态修复植物种库,具体包括:
收集铁路工程生态修复案例;
获取样本区域内相关的植被生长特性;
根据所述生态修复实例和所述植被生长特性,还可以再结合施工成本等,筛选出适合在铁路工程修复区种植的修复植物种;
再根据修复区景观需求,构建生态修复植物种库,主要包括3大类:分为乔木(19种)、灌木(49种)和草本(31种)。
根据铁路工程生态修复文本数据中包括的生态修复实例,将预先构建的生态修复技术库中的各类生态修复技术,与预先构建的生态修复植物种库中的修复植物种进行匹配,将库中的生态修复技术和生态修复植物种组合标注优先级;
比如将实例中修复效果好的生态修复技术和生态修复植物种组合赋予较高的标注优先级,将不适用于部分生态修复技术的植物种类型赋予较低的标注优先级。
S43、根据生态修复样本区域的输入特征向量,结合生态修复技术与修复植物种组合的优先级,匹配得到不同输入特征向量下适用的生态修复方案,包括适用的生态修复技术和生态修复植物种;将标注好的生态修复技术数据结果和生态修复植物种数据结果分别进行编码,得到可供机器学习模型训练的样本输出数据;
生态修复技术属于类别数据,即不同的自然环境、施工扰动情况适用于不同类别的生态修复技术。为了将不同的技术类型数据输入机器学习模型中训练,将适用的生态修复技术库中的生态修复技术进行one-hot编码,以二进制向量表示生态修复技术类型,最终形成互不相同的21维向量。
与生态修复技术数据类似,对生态修复植物种中的乔木进行one-hot编码,最终形成19维度向量表示。由于生态修复植物种中的灌木和草本的种类多,为了提高生态修复方案决策模型的训练效率,同时体现植被之间的关联性,对修复植物种中不同类型的灌木和草本采用基于神经网络训练优化的embedding编码,最终分别形成互不相同的15维和12维向量表示不同的植物种。
S44、根据所述样本输入数据和所述样本输出数据,以所述生态修复技术和生态修复植物种为分类目标,通过网格搜索确定最优的模型参数,分别构建所述生态修复技术和生态修复植物种决策的随机森林模型,共同构成所述生态修复方案决策模型。
本发明实施基于Bootstrap抽样,将生态修复技术和修复植物种(三类)的标注数据分别划分为M1,M2,M3,M4个子集,依据每个数据子集分别建立Mi(i=1,2,3,4)个决策树模型,将每个模型的预测结果取平均值,聚合得到最终的预测结果。随机森林模型构建主要包括:
随机森林模型参数确定;
使用网格搜索的方法遍历给定范围内的参数组合来优随机森林模型,本模型调整确定的主要有5个核心指标:(1)选择决策树划分标准,即参数criterion。一般包括entropy(熵)和gini(基尼系数)两种。(2)确定随机森林的树模型个数,即参数n_estimators。(3)确定树的最大深度,即参数max_depth。(4)确定树模型中叶子节点的最小拆分样本量,即参数min_samples_split。(5)确定每个树模型的最大特征数,即参数max_features。
模型训练与求解;
(1)抽取等量的样本。确定模型的核心参数后,从划分好的训练数据中依次有放回地抽取等量样本,训练每个树模型。(2)训练样本数据特征。根据参数max_features,确定每个树模型训练的特征数。(3)构建多个树模型。重复操作前两个步骤,训练n_estimators个树模型。
模型评价;
使用并考虑精确率(precision)和召回率(recall)的F1分数(f1-score)判断模型精确度(公式18-20)。
式中:TP、FP和FN分别代表测试集中真阳(True Positive)、假阳(FalsePositive)、假阴(False Negative)的情况。
以生态修复技术、生态修复植物种(乔木)、生态修复植物种(灌木)和生态修复植物种(草本)为分类目标,分别通过网格搜索确定最优的模型参数,构建训练4个随机森林模型,共同构成所述生态修复方案决策模型。
以生态修复植物种(乔木)为例。将整合得到的20832个样本数据输入所述生态修复方案决策模型进行训练和检验,训练集随机取80%的样本数据,测试集为剩下的20%样本。经过网格搜索,确定各参数选择为:(1)决策树划分标准为entropy;(2)随机森林的树模型个数为100;(3)树的最大深度为20;(4)树模型中叶子节点的最小拆分样本量为3;(5)每个树模型的最大特征数为0.6。最终计算得到的结果如表4所示,其中F1分数的宏平均(macro avg)结果达到0.83,预测准确度较高。
表4生态修复植物种(乔木)决策模型评价
最终得到的生态修复植物种(乔木)的随机森林模型,模型中包括100个根据不同等量样本训练代表的不同特征。
同理可以构建生态修复技术、生态修复植物种(灌木)和生态修复植物种(草本)的随机森林模型,共同构成本发明实施例的生态修复方案决策模型。
S5、根据所述生态修复方案决策模型,输出得到不同生态修复区的生态修复方案。
以模拟的10个铁路工程生态修复区(A1-A10)为例,将自然环境特征指标和施工扰动特征指标数据作为输入特征向量(表5);
表5铁路工程生态修复区的输入特征向量(示例)
将所述输入特征向量输入生态修复决策模型中,得到表6所示的生态修复技术和生态修复植物种(乔木、灌木、草本)的决策结果,提供该铁路工程扰动区域优先级高的生态修复方案。
表6铁路工程生态修复区决策结果(示例)
如图4所示,本发明实施例还提供一种铁路工程生态修复决策装置,所述装置包括:
第一获取模块410,用于获取铁路工程生态修复区的自然环境特征指标;
第二获取模块420,用于获取铁路工程生态修复区的施工扰动特征指标;
融合模块430,用于将所述自然环境特征指标和所述施工扰动特征指标进行多源异构数据融合,得到融合后的多源异构数据;
构建模块440,用于使用所述融合后的多源异构数据,作为铁路工程生态修复决策的输入特征向量,构建生态修复方案决策模型;
输出模块450,用于根据所述生态修复方案决策模型,输出得到不同生态修复区的生态修复方案。
本发明实施例提供的一种铁路工程生态修复决策装置,其功能结构与本发明实施例提供的一种铁路工程生态修复决策方法相对应,在此不再赘述。
图5是本发明实施例提供的一种电子设备500的结构示意图,该电子设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centra lprocess i ng un its,CPU)501和一个或一个以上的存储器502,其中,所述存储器502中存储有至少一条指令,所述至少一条指令由所述处理器601加载并执行以实现上述铁路工程生态修复决策方法的步骤。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述铁路工程生态修复决策方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种铁路工程生态修复决策方法,其特征在于,所述方法包括:
S1、获取铁路工程生态修复区的自然环境特征指标;
S2、获取铁路工程生态修复区的施工扰动特征指标;
S3、将所述自然环境特征指标和所述施工扰动特征指标进行多源异构数据融合,得到融合后的多源异构数据;
S4、使用所述融合后的多源异构数据,作为铁路工程生态修复决策的输入特征向量,构建生态修复方案决策模型;
S5、根据所述生态修复方案决策模型,输出得到不同生态修复区的生态修复方案。
2.根据权利要求1所述的方法,其特征在于,所述自然环境特征指标包括遥感影像数据和气象观测数据;所述施工扰动特征指标包括以下至少一种:修复区施工扰动区类型、修复区坡度、修复区地表裸露状态、修复区景观需求;所述生态修复方案包括生态修复技术和生态修复植物种。
3.根据权利要求2所述的方法,其特征在于,所述S2的获取铁路工程生态修复区的施工扰动特征指标,具体包括:
S21、对铁路工程生态风险文本数据进行语义分析,得到铁路工程生态风险分类,并进一步匹配对应生态风险的风险源,以及各类生态风险源的对应修复区施工扰动区类型,形成铁路工程生态风险识别与溯源的分类框架;
S22、再结合铁路工程生态修复实际案例的文本数据,获取所述修复区坡度、所述修复区地表裸露状态、所述修复区景观需求。
4.根据权利要求3所述的方法,其特征在于,所述S21的对铁路工程生态风险文本数据进行语义分析,得到铁路工程生态风险分类,并进一步匹配对应生态风险的风险源,以及各类生态风险源的对应修复区施工扰动区类型,形成铁路工程生态风险识别与溯源的分类框架,具体包括:
S211、收集铁路工程生态风险文本和修复文本,并对文本进行预处理;
S212、通过计算每个文本与铁路工程生态风险的相关程度得分进行排序,筛选样本得分排名靠前的铁路工程生态风险文本数据,作为训练样本进行后续机器学习模型训练;
样本得分的计算和筛选步骤如下:
第一步,设定铁路工程生态风险相关的关键词KEYi(i=1,…,n),n为关键词的个数,并分为高度相关、中度相关和低度相关三类,再对相关程度从低到高的关键词赋权为[1,4]、[4,7]、[7,10]范围内的随机整数WEIGHTj(j=1,…,m),m为类别,高度相关、中度相关和低度相关三类;
第二步,分别统计上一步处理好的每个文本数据中相关关键词表的各关键词出现的频次Ki(i=1,…,n);
第三步,运用公式11计算每个文本的相关性得分,选择得分排序靠前的文本作为后续机器学习模型的训练样本;
Score=∑Ki*WEIGHTj(i=1,…,n;j=1,…,m) (11)
S213、结合两种机器学习模型的互补优势,对文本数据进行语义分析,实现对铁路工程生态风险系统性地识别,所述两种机器学习模型分别为:LDA模型和Word2Vec模型;
其中,所述LDA模型用于挖掘大量文本数据中的隐含生态风险主题,并得到各个文档的生态风险主题归属;所述Word2Vec模型通过构建三层神经网络用词嵌入Word Embedding的方式将文本词向量化,弥补了所述LDA模型中主题词关系割裂的问题,通过结构化的词向量,分析生态风险关键词间的语义关系;并进一步利用主成分分析算法PCA提取文本词向量中的重要特征,并对特征降维,得到更加直观的关键词语义关系;
S214、通过标注训练得到的不同类型生态风险主题词,梳理得到铁路工程生态风险分类;并筛选出归属于各个风险主题类型中相关程度得分高的文档,提取文档摘要进行梳理和匹配,在生态风险分类的基础上,匹配对应生态风险的风险源,以及各类生态风险源的对应修复区施工扰动区类型,形成铁路工程生态风险识别与溯源的分类框架。
5.根据权利要求4所述的方法,其特征在于,所述S3的将所述自然环境特征指标和所述施工扰动特征指标进行多源异构数据融合,得到融合后的多源异构数据,具体包括:
S31、根据所述气象观测数据确定样本区域,再通过匹配样本区域经纬度,实现所述气象观测数据与所述遥感影像数据融合,得到样本区域内的自然环境特征指标;
S32、根据所述遥感影像数据提取得到样本区域内的地貌特征,将所述样本区域内的地貌特征与所述修复区施工扰动区类型进行匹配,得到样本区域内不同地貌特征对应的修复区施工扰动区类型;
S33、根据样本区域内不同地貌特征对应的修复区施工扰动区类型,结合铁路工程生态修复实际案例的文本数据,进一步匹配各类修复区施工扰动区类型中存在的其他施工扰动特征指标;
S34、将所述样本区域内的自然环境特征指标、样本区域内不同地貌特征对应的修复区施工扰动区类型和其他施工扰动特征指标,作为所述融合后的多源异构数据。
6.根据权利要求5所述的方法,其特征在于,所述S4的使用所述融合后的多源异构数据,作为铁路工程生态修复决策的输入特征向量,构建生态修复方案决策模型,具体包括:
S41、准备所述融合后的多源异构数据,作为构建所述生态修复方案决策模型的样本输入数据;
S42、根据铁路工程生态修复文本数据中包括的生态修复实例,将预先构建的生态修复技术库中的各类生态修复技术,与预先构建的生态修复植物种库中的修复植物种进行匹配,将库中的生态修复技术和生态修复植物种组合标注优先级;
S43、根据生态修复样本区域的输入特征向量,结合生态修复技术与修复植物种组合的优先级,匹配得到不同输入特征向量下适用的生态修复方案,包括适用的生态修复技术和生态修复植物种;将标注好的生态修复技术数据结果和生态修复植物种数据结果分别进行编码,得到可供机器学习模型训练的样本输出数据;
S44、根据所述样本输入数据和所述样本输出数据,以所述生态修复技术和生态修复植物种为分类目标,通过网格搜索确定最优的模型参数,分别构建所述生态修复技术和生态修复植物种决策的随机森林模型,共同构成所述生态修复方案决策模型。
7.根据权利要求6所述的方法,其特征在于,预先构建生态修复技术库,具体包括:
收集铁路工程生态修复案例;
根据所述生态修复案例,针对铁路工程中的生态修复重点区域,构建所述生态修复技术库;
预先构建生态修复植物种库,具体包括:
收集铁路工程生态修复案例;
获取样本区域内相关的植被生长特性;
根据所述生态修复案例和所述植被生长特性,筛选出适合在铁路工程修复区种植的修复植物种;
再根据修复区景观需求,构建所述生态修复植物种库。
8.一种铁路工程生态修复决策装置,其特征在于,所述装置包括:
第一获取模块,用于获取铁路工程生态修复区的自然环境特征指标;
第二获取模块,用于获取铁路工程生态修复区的施工扰动特征指标;
融合模块,用于将所述自然环境特征指标和所述施工扰动特征指标进行多源异构数据融合,得到融合后的多源异构数据;
构建模块,用于使用所述融合后的多源异构数据,作为铁路工程生态修复决策的输入特征向量,构建生态修复方案决策模型;
输出模块,用于根据所述生态修复方案决策模型,输出得到不同生态修复区的生态修复方案。
9.一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,其特征在于,所述至少一条指令由所述处理器加载并执行以实现如权利要求1-7任一项所述铁路工程生态修复决策方法。
10.一种计算机可读存储介质,所述存储介质中存储有至少一条指令,其特征在于,所述至少一条指令由处理器加载并执行以实现如权利要求1-7任一项所述铁路工程生态修复决策方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211329507.2A CN115619275B (zh) | 2022-10-27 | 2022-10-27 | 一种铁路工程生态修复决策方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211329507.2A CN115619275B (zh) | 2022-10-27 | 2022-10-27 | 一种铁路工程生态修复决策方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115619275A true CN115619275A (zh) | 2023-01-17 |
CN115619275B CN115619275B (zh) | 2023-05-26 |
Family
ID=84876077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211329507.2A Active CN115619275B (zh) | 2022-10-27 | 2022-10-27 | 一种铁路工程生态修复决策方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115619275B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117371830A (zh) * | 2023-08-28 | 2024-01-09 | 广东天亿马信息产业股份有限公司 | 基于gis技术的智慧城市的城市生态管控方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111357577A (zh) * | 2020-03-31 | 2020-07-03 | 中铁二局第一工程有限公司 | 一种滇西北高原高寒地区铁路绿色通道植物配植方法 |
US20200311319A1 (en) * | 2019-03-28 | 2020-10-01 | China Waterborne Transport Research Institute | Method for evaluating ecological environmental impact of channel project and countermeasures thereof based on mechanism analysis |
CN113868584A (zh) * | 2021-09-08 | 2021-12-31 | 三峡大学 | 一种用于高山地区工程扰动边坡生态修复效益动态评价及调控方法 |
CN114022097A (zh) * | 2021-10-08 | 2022-02-08 | 河北省水文工程地质勘查院(河北省遥感中心、河北省地矿局科技信息中心) | 一种生态保护修复遥感信息服务系统 |
CN114120147A (zh) * | 2021-11-30 | 2022-03-01 | 上海交通大学 | 铁路隧道涌水流径沿线区域生态环境评价系统 |
CN114386816A (zh) * | 2021-12-31 | 2022-04-22 | 四川农业大学 | 一种国土空间生态修复关键区识别系统 |
-
2022
- 2022-10-27 CN CN202211329507.2A patent/CN115619275B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200311319A1 (en) * | 2019-03-28 | 2020-10-01 | China Waterborne Transport Research Institute | Method for evaluating ecological environmental impact of channel project and countermeasures thereof based on mechanism analysis |
CN111357577A (zh) * | 2020-03-31 | 2020-07-03 | 中铁二局第一工程有限公司 | 一种滇西北高原高寒地区铁路绿色通道植物配植方法 |
CN113868584A (zh) * | 2021-09-08 | 2021-12-31 | 三峡大学 | 一种用于高山地区工程扰动边坡生态修复效益动态评价及调控方法 |
CN114022097A (zh) * | 2021-10-08 | 2022-02-08 | 河北省水文工程地质勘查院(河北省遥感中心、河北省地矿局科技信息中心) | 一种生态保护修复遥感信息服务系统 |
CN114120147A (zh) * | 2021-11-30 | 2022-03-01 | 上海交通大学 | 铁路隧道涌水流径沿线区域生态环境评价系统 |
CN114386816A (zh) * | 2021-12-31 | 2022-04-22 | 四川农业大学 | 一种国土空间生态修复关键区识别系统 |
Non-Patent Citations (4)
Title |
---|
吴冷;: "井工煤矿矿区生态破坏现状及常用修复技术", 环保科技 * |
吴国玺;喻铮铮;刘良云;: "区域景观格局变化及生态修复――以北京门头沟区为例", 地理研究 * |
李海文;鲍学英;: "川藏铁路高原脆弱区沿线受损生态空间修复状况综合评价", 铁道科学与工程学报 * |
雷少刚;张周爱;陈航;吴振华;宫传刚;卞正富;: "草原煤电基地景观生态恢复技术策略", 煤炭学报 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117371830A (zh) * | 2023-08-28 | 2024-01-09 | 广东天亿马信息产业股份有限公司 | 基于gis技术的智慧城市的城市生态管控方法及系统 |
CN117371830B (zh) * | 2023-08-28 | 2024-05-07 | 广东天亿马信息产业股份有限公司 | 基于gis技术的智慧城市的城市生态管控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115619275B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111858803B (zh) | 一种滑坡地灾风险区划图生成方法 | |
CN109165424A (zh) | 一种基于国产gf-1卫星数据的滑坡易发性评估方法 | |
CN106845559A (zh) | 顾及poi数据空间异质性的地表覆盖验证方法及系统 | |
CN115619275B (zh) | 一种铁路工程生态修复决策方法和装置 | |
CN117390555A (zh) | 一种实现泥石流灾害风险多维分类预测方法 | |
Yu et al. | Downscaling mapping method for local climate zones from the perspective of deep learning | |
Mosaffaie et al. | Landslide risk assessment based on susceptibility and vulnerability | |
KR100918008B1 (ko) | Gis를 이용한 습지위치 탐색방법 | |
Wicaksono et al. | Landslide susceptibility map of Bogor Area using analytical hierarchy process | |
Haakana et al. | Finnish CORINE 2006 project: determining changes in land cover in Finland between 2000 and 2006 | |
Xiao et al. | Risk assessment of debris flow in longchi area of dujiangyan based on GIS and AHP | |
Issler et al. | NAKSIN–a new approach to snow avalanche hazard indication mapping in Norway | |
Shukla et al. | Land Use/land cover change detection of Indira Sagar Canal command area using integrated remote sensing and GIS tools | |
Lopes et al. | Mapping of Land Units and Land Capability Classification in Portugal. The Case of the Municipality of Lourinhà | |
CN118113805B (zh) | 一种基于深度学习的地理信息勘测校准方法及系统 | |
Satheeshkumar et al. | Impact Assessment of Check Dam in the Pappiredipatti Watershed (South India) Using LULC and NDVI Signatures | |
Geneletti | Using classification and spatial index techniques on remotely sensed data for environmental impact assessment | |
Mazzuco et al. | Sequential methodology for the selection of sanitary landfill sites: a comparison with a traditional method | |
Kwesi et al. | Site Screening for Landfill Development at the District Level: Case Study in the Prestea Huni-Valley Municipality of Ghana | |
Jovanović | GIS analysis of vulnerabilty from landslides: A case study of Sokobanja municipality | |
Manjan et al. | Land Use Land Cover Change Detectionin Churia of Bara District, Nepal by Using GIS and Remote Sensing | |
Ahmed et al. | Integration Remote Sensing and GIS Techniques to Evaluate Land Use-Land Cover of Baghdad Region and Nearby Areas | |
Merchán Hernández | Resumen de tesis. Estudio geoambiental para la planificación y gestión territorial sostenible del Parque Natural Arribes del Duero | |
Mohammed et al. | Object-Oriented Image Processing of an high resolution satellite imagery with perspectives for urban growth, planning and development | |
Ejares et al. | Tree canopy cover mapping using LiDAR in urban barangays of Cebu City, central Philippines |
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 |