CN115936189A - 一种公路边坡植被恢复生长及营建的方法 - Google Patents
一种公路边坡植被恢复生长及营建的方法 Download PDFInfo
- Publication number
- CN115936189A CN115936189A CN202211454593.XA CN202211454593A CN115936189A CN 115936189 A CN115936189 A CN 115936189A CN 202211454593 A CN202211454593 A CN 202211454593A CN 115936189 A CN115936189 A CN 115936189A
- Authority
- CN
- China
- Prior art keywords
- slope
- vegetation
- survival rate
- vegetation coverage
- indexes
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000010276 construction Methods 0.000 claims abstract description 45
- 230000000694 effects Effects 0.000 claims abstract description 36
- 230000008635 plant growth Effects 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 8
- 230000004083 survival effect Effects 0.000 claims description 126
- 244000025254 Cannabis sativa Species 0.000 claims description 29
- 238000011084 recovery Methods 0.000 claims description 29
- 239000002689 soil Substances 0.000 claims description 29
- 238000013461 design Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 20
- 238000007637 random forest analysis Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 15
- 230000012010 growth Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 5
- 238000012352 Spearman correlation analysis Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 239000011435 rock Substances 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 239000011464 hollow brick Substances 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000005507 spraying Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000001174 ascending effect Effects 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 230000002902 bimodal effect Effects 0.000 description 12
- 238000000605 extraction Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000008400 supply water Substances 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Cultivation Of Plants (AREA)
Abstract
本申请公开一种公路边坡植被恢复及营建的方法，属于边坡绿化、生态环保领域。基于已建公路边坡植被覆盖度及基础工程条件指标、植物生长基础营建指标的调查，采用现场调查和图像识别的方法，依次对上述指标进行优化，形成优化‑预测‑再优化‑再预测模式，通过不断优化边坡植被修复基础营建指标，直至边坡植被修复效果达到好或较好等级为止。对于不可优化的坡向、边坡位置、坡位、海拔等指标，提出边坡修复工艺的优化方案。本申请的公路边坡植被恢复基础营建的方法，可以优化公路边坡绿化方式，筛选适用的生态修复方法，提升边坡生态恢复效果。
Description
技术领域
本申请属于边坡绿化、生态环保领域，特别涉及一种公路边坡植被恢复生长及营建的方法。
背景技术
公路、铁路等基础设施建设中，不可避免地要占压沿线植被造成破坏，而一旦破坏后恢复十分困难。在该区公路建设施工中，广泛地应用了草皮移植技术，即将公路或铁路占用的草皮进行揭取、分割，存放，并在公路边坡修复时进行回铺。这种做法一方面最大程度降低了因为施工对当地生态环境造成的破坏，另一方面则通过重新回铺，以较低的成本恢复了路域生态环境。
然而在工程实践中，草皮的铺植工艺设计不尽合理，主要体现在：一是草皮铺植位置选择不当，如在坡度大的挖方边坡铺植，在拱形骨架或框架梁框格内铺植，在缺水少土环境下导致铺植的草皮大片干化死亡，二是草皮与下面基层土的培育没有同步开展，尤其对于一些石质或干砌石坡面，草皮与下层土壤之间、土壤与下面岩石之间在采用传统人工铺植方式下，结合不够紧密，从而使草皮根系层无法有效固定土壤并从土壤中吸取水分与营养，经过一段时间后逐渐干化死亡。三是草皮铺植坡面上方设置了截水沟或排水沟，导致边坡坡面上方径流不能对铺植的草皮进行水分补给等造成草皮块缺水干化，此外还有部分草皮调用至不同海拔不同气候区域使用，造成难以适应摊铺区环境造成死亡等。
现有技术中，尚没有一种对公路边坡植被恢复生长基础营建的决策技术，从而导致在实施公路边坡草皮铺植时，不能预先估计不同边坡基础工程设计指标以及植物生长基础营建类指标下草皮铺植效果，从而无法指导边坡植被修复措施设计，不能辅助边坡生态恢复措施设计优化、恢复措施工艺选择和应用决策。
因此，针对公路边坡植被恢复情况的预测及决策需要，亟需寻找到影响边坡植被恢复营建的影响因子，从而建立公路边坡草皮铺植存活率的预测模型，通过反复向模型中输入优化后的边坡基础工程设计指标以及植物生长基础营建类指标，模拟边坡草皮铺植存活率提升效果，为边坡植被恢复工程设计及恢复措施选择提供决策辅助，提升未来公路建设中边坡草皮铺植恢复效果，利于公路边坡植被修复工作。
发明内容
本申请的主要目的在于，克服现有技术中，缺乏公路边坡植被恢复生长基础营建的决策技术，无法预先估计不同边坡基础工程设计指标以及植物生长基础营建类指标下草皮铺植效果，不能辅助生态修复工艺选择和应用决策的不足，所要解决的技术问题是建立边坡草皮铺植预测的通用模型，可以广泛应用到公路边坡草皮铺植效果预测中。
本申请的另一目的在于，克服现有工程实践中公路边坡基础工程设计条件不能适应边坡草皮铺植，植物生长基础营建措施选择针对性不强，不能保证边坡草皮铺植的生态效果的不足，所要解决的技术问题是使公路边坡草皮铺植工艺的选择更符合边坡基础工程设计条件，辅以植物生长基础营建技术措施，提升边坡草皮成活率，从而为工程设计指标优化、植物生长基础营建决策提供支持，提升边坡草皮铺植生态恢复效果。
本申请提供一种公路边坡植被恢复生长及营建的方法，具体步骤如下：
步骤1：采集公路边坡植被覆盖度/草坪存活率数据：
在已建公路路线图上随机选择部分边坡点位，现场调查边坡植被覆盖度或草坪存活率情况，对于可以靠近的部分边坡，采用目测法估计边皮植被覆盖度/草皮存活率，同时观测并记录边坡位置、边坡防护形式、坡向、坡位、海拔、坡度、垫土情况、排水设施设置情况。对于难以靠近观察的边坡，采用无人机航拍建模方法，在模型图上读取植被覆盖度以及基础工程条件指标、植物生长基础营建指标情况。
植被覆盖度或草皮存活率估测方法：每个观测点位取三个观测小区，每个小区随机设置1*1植被样方，估算植被覆盖度(植物样方调查中的盖度)，取三个观测小区观测值均值做为该观测点的植被覆盖度；或在每个小区内随机取10块铺植草皮，统计草皮块上存活的植被面积占草皮块面积比例，取三个观测小区观测值均值做为该观测点的草皮存活率。
植被覆盖度或草皮存活率校准：采集边坡观测点位相机照片和无人机照片，在室内计算机上应用阈值分割法，提取各观测小区内植被覆盖度或草坪存活率面积，除以观测小区面积，测算植被覆盖度或草坪存活率，结合现场估测值及室内计算机阈值分割法测算，获取最终的植被覆盖度或草坪存活率。
将全部调查点的植被覆盖度或草坪存活率数据整理至一处，采用自然分界法Jenks natural break，将边坡植被恢复效果划分为三个等级,植被覆盖度或草坪存活率数值由低到高0-30％恢复效果差、30％-60％恢复效果较好、60％-90％恢复效果好；其中，自然分界法Jenks natural break是本领域常用的分类方法；
步骤2基础工程条件指标、植物生长基础营建指标调查：
在调查植被覆盖度或草坪存活率的样点处，采集基础工程条件指标信息，包括：边坡位置、边坡防护形式、坡向、坡位、坡度、海拔指标；
按边坡位置划分为：挖方边坡与填方路基边坡
边坡防护形式分为：拱形格固土植草，土质边坡三维网(或无)植草，岩石边坡客土喷播植草、矩形梁植生袋植草、框格生态袋植草，人字格植草，空心砖植草等、铺植草皮、拱型骨架+铺植草皮护坡、框格梁+铺植草皮护坡等类型，根据现场情况或查阅设计图纸判断；
坡向、坡度指标采用罗盘测量；
坡位分为上坡位、下坡位；
海拔采用GPS测量；
植物生长基础营建类指标信息，包括：是否铺垫土壤、是否设置排水设施等。上述指标均结合工程设计图与现场观测得到；
步骤3：建立基于机器学习算法的边坡植被覆盖度或草坪存活率预测模型
按所述的步骤1、步骤2中采集的调查数据，采用机器学习算法中随机森林模型以边坡草皮覆盖度或草坪存活率为预测变量，以基础工程条件指标、植物生长基础营建指标为解释变量，建立公路边坡草皮植被覆盖度或草坪存活率预测模型。
根据变量类别，分别选择适用的相关分析方法检验解释变量与预测变量的相关性，对连续变量选择Pearson相关分析方法，对有序分类变量采用Spearman相关分析方法，筛选与草皮铺植存活率相关性显著的因子(P<0.1)，做为边坡草皮植被覆盖度或草坪存活率预测模型的解释变量。
具体为采用Pearson相关分析，分析海拔、坡度与植被覆盖度或草皮存活率的相关关系，采用Spearman相关分析边坡形式、防护形式、坡向、坡位、垫土情况、排水设施设置与植被覆盖度或草皮存活率的关系，筛选与其相关性达到显著水平的解释变量P<0.1，经过计算，除坡位变量外，植被覆盖度或草皮存活率与其他解释变量相关系数显著水平均小于0.1，可以做为边坡植被覆盖度或草皮存活率的解释变量；
将公路边坡植被覆盖度存活率数据以及解释变量数据以.CSV表格形式输入统计软件包，进行数据清洗和整理，包括定义缺失值，定义变量格式，将有序分类变量设置为因子变量，连续变量设置为整型变量，公路边坡草皮铺植存活率数据设置为整型变量。使用set.seed函数生成随机数种子，调用randomForest包，使用creatDataPartion命令生成随机的训练集列表。
进一步地，应用训练集列表将现场调查数据划分为训练集和测试集，其中训练集数据组占调查数据的80％，测试集占调查数据的20％；以训练集为模型输入数据，调用randomForest软件包生成随机森林模型，检查树数量是否满足要求，确定模型回归效果；调用importance函数，分别计算InMSE(相对重要性)；IncNodePurity(节点纯度)指标，对预测模型中各解释变量进行重要程度排序，确定边坡草皮植被覆盖度或草坪存活率主要影响因子。
步骤4公路边坡植被覆盖度或草坪存活率预测模型精度验证和优化，包括:
选择测试集做为输入数据，代入所述步骤3中形成的预测模型，调用predict函数，生成基于测试集的预测值，将所述测试集中的公路边坡草皮植被覆盖度或草坪存活率与基于机器学习的预测模型生成的公路边坡草皮铺植存活率预测值进行比对，评估模型预测性能，并反馈至预测模型，进行变量优化和变量筛选，使得预测精度达到80％以上。
步骤5边坡植被修复生长基础营建的决策，包括:
将拟建公路边坡植被设计文件中提取的基础工程条件指标、植物生长基础营建指标做为解释变量，代入所述步骤3、步骤4形成的验证和优化后的预测模型，生成拟建公路边坡植被覆盖度或草坪存活率预测结果，按照解释变量重要性排序，依次进行优化，通过不断迭代优化决策指标直至边坡植被覆盖度或草坪存活率达到恢复效果较好或好的等级。对于解释变量中不可优化的指标，如边坡坡向、边坡位置、坡位、海拔等指标，则提出采取工程防护、改变植被恢复措施的优化方案。
进一步的，采集边坡观测点位相机照片和无人机照片，在室内计算机上应用阈值分割法，提取各观测小区内植被覆盖度或草坪存活率面积，除以观测小区面积，测算植被覆盖度或草坪存活率，结合现场估测值及室内计算机阈值分割法测算，获取最终的植被覆盖度或草坪存活率，其中包括如下步骤：
边坡草皮观测点位相机照片和无人机照片中的植被覆盖度信息提取主要分2个步骤：首先计算植被指数，然后设定合适的阈值，将植被指数大于阈值的像素归为植被，小于阈值的像素归为非植被；
(1)植被指数的计算，即可见光波段差异植被指数；具体如下公式所示：
其中，ρgreen-绿光波段的反射率、ρred-红光波段的反射率和ρblue-蓝光波段的反射率；
(2)阈值的确定
利用双峰直方图法与直方图熵阈值法分别确定各植被指数的阈值，并比较两种方法得到阈值的提取精度，将提取精度高的阈值确定为最终阈值；
a.双峰直方图阈值确定法
图像中含有2个明显坡峰的直方图，这2个峰分别对应于对象内部与外部较多数目的点，两峰之间的坡谷对应于对象边缘附近相对较少数目的点，即坡谷就是阈值的选取处；
b.直方图熵阈值法
首先假设阈值为t，则阈值t将图像分为目标O与背景B两大类；目标区域的熵为HO(t)，背景区域的熵为HB(t)，则使总熵H(t)＝HO(t)+HB(t)取得最大值时所对应的t值即为最佳阈值；
利用双峰直方图阈值法和直方图熵阈值法确定各植被指数的阈值，并采用人机交互的方式，将影像逐像元分成植被与非植被区；显示无论用双峰阈值法还是直方图熵阈值法，VDVI提取植被的总体精度都是最高的，且用双峰阈值法确定的阈值提取精度要比直方图熵阈值法高。
进一步的，本申请还涉及上述边坡植被恢复生长的预测系统，包括数据收集模块：采集公路边坡植被覆盖度/草坪存活率数据；
数据处理模块：公路边坡植被覆盖度或草坪存活率预测模型的模块；
数据输出模块：生成拟建公路边坡植被覆盖度或草坪存活率预测结果，按照解释变量重要性排序。
进一步的，本申请还涉及一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
进一步的，本申请还涉及一种计算机可读存储介质，所述计算机可读存储介质存储有程序，所述程序被执行时，能够实现上述方法。
本申请的有益效果：
1.本申请提出的基于现场调查与机器学习的公路边坡植被恢复生长基础营建的方法，通过已建公路边坡植被恢复现场数据采集，构建预测模型，将拟建公路边坡生态恢复设计代入预测模型，构建数据输入、效果反馈、模型优化、效果提升反馈闭环，实现拟建公路边坡生态恢复效果的提升，形成一种通用的公路边坡植被恢复生长基础营建的方法。
2.本申请提出的基于现场调查与机器学习的边坡植被修复生长基础营建的方法，可以指导拟建公路边坡基础工程条件指标优化，指导植物生长基础营建指标的补充，从而指导不同基础工程条件下边坡植被修复措施的选择，以及不同基础工程条件下植物生长基础营建指标的优化，有效提高公路建设中剥离草皮的利用效率和边坡生态恢复应用效果。
3.本申请方法通过现场调查结合机器学习方法，建立边坡草皮铺植预测的通用模型，按基础工程条件指标、植被生长基础营建指标重要性排序结果，依次对指标进行优化，预测指标优化后的边坡植被覆盖度或草坪存活率，直至达到好或较好等级为止。对于不可优化的边坡坡向、边坡位置、坡位、海拔等指标，提出边坡修复工艺的优化方案。
4.本申请方法克服现有工程实践中公路边坡基础工程设计条件不能适应边坡草皮铺植生态效果，植物生长基础营建措施针对性不强的、不能保证边坡草皮铺植的恢复效果的不足，通过模型预测、变量优化方式使公路边坡草皮铺植工艺的选择更符合边坡基础工程设计条件，辅以植物生长基础营建技术措施，提升边坡植被覆盖度/成活率，从而为工程设计指标优化、植物生长基础营建决策提供支持，提升边坡草皮铺植生态恢复效果。
5.本申请能够克服传统的公路边坡草皮铺植存活率观测工作量大、观测结果较难推广至其他道路，以及缺乏高精度模拟预测模型的不足。提高了拟建公路边坡生态恢复措施的选择的针对性，提高公路建设中剥离草皮的利用效率和生态恢复应用效果，产生良好的环境经济效益。
6.本申请通过创造性的对比试验研究，得出了影响公路边坡植被覆盖度或草坪存活率的8个影响指标，且采用Pearson相关分析，分析海拔、坡度与植被覆盖度或草皮存活率的相关关系，采用Spearman相关分析边坡形式、防护形式、坡向、坡位、垫土情况、排水设施设置与植被覆盖度或草皮存活率的关系，通过筛选与草皮铺植存活率相关性达到显著水平的因素，及重要性排序，最终经过试验获得，除坡位变量外，植被覆盖度或草皮存活率与其他解释变量相关系数显著水平均小于0.1，可以做为边坡植被覆盖度或草皮存活率的解释变量，最终得到更优化更准确的预测模型。
附图说明
图1一种公路边坡草皮铺植存活率的预测方法流程图
图2公路边坡草皮铺植存活率分级图
图3随机森林模型误差与树数量的关系图
图4公路边坡草皮铺植存活率影响因素重要性排序图
图5本申请模型预测草皮存活率与实测存活率比较图
图6基于随机森林模型预测值与实测值的比较图
图7采取优化措施后边坡植被覆盖度或草坪存活率提升效果图
具体实施方式
某拟建公路位于青藏高原高寒区，沿线植被类型以高寒草甸为主，在公路建设中，为了实现边坡草皮铺植技术选择及铺植工艺优化，采用了本申请人提出的方法，具体如下：
为了更清楚地说明本申请，下面结合优选实施例和附图对本申请做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本申请的保护范围。
实施例一种公路边坡植被恢复生长及营建的方法，包括如下步骤：
步骤1：采集公路边坡植被覆盖度或草坪存活率数据：
在青藏高原区某已建公路沿线随机选择调查点位，调查边坡草坪存活率情况，对于可以靠近的部分边坡，采用目测法估测植被覆盖度或草皮存活率，同时观测并记录边坡位置、边坡防护形式、坡向、坡位、海拔、坡度、垫土情况、排水设施设置情况。对于难以靠近观察的边坡，采用无人机航拍建模方法，在模型图上读取植被覆盖度或草坪存活率以及基础工程条件指标、植物生长基础营建指标情况。
植被覆盖度/存活率估测方法：每个观测点位取三个观测小区，每个小区随机设置1*1植被样方，估算植被覆盖度(植物样方调查中的盖度)，取三个观测小区观测值均值做为该观测点的植被覆盖度/存活率；或在每个小区内随机取10块铺植草皮，统计草皮块上存活的植被面积占草皮块面积比例，取三个观测小区观测值均值做为该观测点的植被覆盖度/存活率。
边坡草皮存活率校准：采集边坡草皮观测点位数码相机照片和无人机照片，在室内计算机上应用阈值分割法，提取各观测小区内草坪存活率面积，计算其占观测小区面积百分比，测算草坪存活率，通过现场快速观测及室内计算机校准，获取最终的草坪存活率。以上共调查172个点位的草皮存活率及影响因素情况。
将全部调查点的草坪存活率数据整理至一处，采用自然分界法Jenks naturalbreak，将边坡植被恢复情况划分为三个等级,植被覆盖度或草坪存活率数值由低到高0-30％恢复效果差、30％-60％恢复效果较好、60％-90％恢复效果好。具体见图2。
进一步的，步骤1的边坡草皮观测点位相机照片和无人机照片中的植被覆盖度信息提取主要分2个步骤：首先计算植被指数，然后设定合适的阈值，将植被指数大于阈值的像素归为植被，小于阈值的像素归为非植被；
(1)植被指数的计算，即可见光波段差异植被指数；具体如下公式所示：
其中，ρgreen-绿光波段的反射率、ρred-红光波段的反射率和ρblue-蓝光波段的反射率；
(2)阈值的确定
利用双峰直方图法与直方图熵阈值法分别确定各植被指数的阈值，并比较两种方法得到阈值的提取精度，将提取精度高的阈值确定为最终阈值；
a.双峰直方图阈值确定法
图像中含有2个明显坡峰的直方图，这2个峰分别对应于对象内部与外部较多数目的点，两峰之间的坡谷对应于对象边缘附近相对较少数目的点，即坡谷就是阈值的选取处；
b.直方图熵阈值法
首先假设阈值为t，则阈值t将图像分为目标O与背景B两大类；目标区域的熵为HO(t)，背景区域的熵为HB(t)，则使总熵H(t)＝HO(t)+HB(t)取得最大值时所对应的t值即为最佳阈值；
利用双峰直方图阈值法和直方图熵阈值法确定各植被指数的阈值，如下表。利用2种方法所确定的阈值提取植被信息，得到各植被指数对应的植被分布结果。并采用人机交互的方式，将影像逐像元分成植被与非植被区。
表1植被指数及阈值
| 植被指数 | 双峰直方图阈值法 | 直方图熵阈值法 |
| VDVI | 0.039217 | 0.0743165 |
各植被指数提取的植被区域的精度评价如下表所示。显示无论用双峰阈值法还是直方图熵阈值法，VDVI提取植被的总体精度都是最高的，且用双峰阈值法确定的阈值提取精度要比直方图熵阈值法高。
表2植被提取精度评价表
| 植被 | 非植被 | 总正确率 | Kappa系数 | |
| 双峰阈值法 | 98.26 | 99.15 | 98.56 | 0.97 |
| 直方图熵阈值法 | 86.88 | 99.81 | 91.29 | 0.82 |
步骤2基础工程条件指标、植物生长基础营建指标调查：
在调查草坪存活率的样点处，采集基础工程条件指标信息，包括：边坡位置、边坡防护形式、坡向、坡位、坡度、海拔指标；其中：
按边坡位置划分为：挖方边坡与填方路基边坡；
边坡防护形式分为：拱形格固土植草，土质边坡三维网(或无)植草，岩石边坡客土喷播植草、矩形梁植生袋植草、框格生态袋植草，人字格植草，空心砖植草等、铺植草皮、拱型骨架+铺植草皮护坡、框格梁+铺植草皮护坡等类型，根据现场情况及查阅设计图纸判断；
坡向、坡度指标采用罗盘测量；
坡位：上坡位、下坡位；
海拔采用GPS测量；
植物生长基础营建类指标：是否铺垫土壤、是否设置排水设施。上述指标均结合工程设计图与现场观测得到；
步骤3：建立基于机器学习算法的边坡草坪存活率预测模型；
按所述的步骤1、步骤2中采集的调查数据，采用机器学习算法中随机森林模型以边坡植被覆盖度或草坪存活率为预测变量，以基础工程条件指标、植物生长基础营建指标为解释变量，建立公路边坡草皮存活率预测模型。
采用Pearson相关分析，分析海拔、坡度预测变量与草皮铺植存活率的相关关系，如表1所示，采用Spearman相关分析边坡形式、防护形式、坡向、坡位、垫土情况、排水设施设置等有序分类预测变量与草皮铺植存活率的关系，如表3所示，筛选与草皮铺植存活率相关性达到显著水平的变量(P<0.1)，经过计算，除坡位因素外，其他解释变量相关系数显著度均小于0.1，可以做为边坡草皮存活影响预测模型的解释变量。
表3草皮存活率影响因素提取
基于随机森林的预测模型构建，通过整理所有观测点位上边坡草皮铺植存活率及其影响因素数据，随机选取80％样本(140条)作为随机森林模型的训练样本，以8个影响因素指标作为解释变量，草皮块存活比例作为预测变量，应用RStudio软件中Randomforest工具包进行随机树模拟生成，首选确定模型误差与随机树数量关系，确定最随机数数量，本实例中随机树数量ntree＝500时，误差基本趋于稳定，见图3。用剩余的20％数据作为测试数据进行后续预测分析。
影响因素重要性排序调用importance函数，分别计算InMSE(相对重要性)；IncNodePurity(节点纯度)两项指标，确定随机森林模型中各自变量重要程度，如图4所示，反映边坡草皮存活影响因素的重要性。依次为边坡坡向、海拔、坡度、边坡防护形式、边坡位置、垫土情况、排水设施、坡位。
步骤4公路边坡草坪存活率预测模型精度验证和优化，包括:
利用生成的边坡草皮块存活率随机森林预测模型对20％样本(32条)测试数据进行预测运算，根据各解释变量的指标值得出了预测草皮块存活率如表4所示。通过对预测结果和实际观测存活率数据建立散点图和折线图进行可视化表达，模型预测精度达到83.28％，结果如图5所示。在整体上预测结果能够较好地吻合测试数据中的实际草皮块存活率。表明使用的随机森林模型能够较好地实现边坡草皮块存活率的预测。
表4公路边坡草皮铺植存活率实测值与预测值表格
步骤5边坡植被修复生长基础营建的决策，包括:
青藏高原区某拟建公路边坡修复工程设计时采用了所述步骤4形成的预测模型，将边坡修复工程的基础工程条件指标、植物生长基础营建指标代入预测模型，预测草坪存活率。经预测，拟建公路边坡中有如表5所示，
表5拟建公路边坡修复工程的指标优化及效果预测
根据预测变量重要性排序结果，依次对可优化的指标包括：边坡防护形式、坡向、坡度、垫土情况、排水设施设置进行优化。代入预测模型中，预测指标优化后的边坡草坪存活率。
采取改变防护形式优化方案后，边坡草坪存活率平均提升幅度为17.13％；采取优化边坡坡度措施方案后，边坡草坪存活率平均提升幅度为16.00％；采取增加填土措施方案后，边坡草坪存活率平均提升幅度为18.57％；采取2-3种上述优化方案后，边坡草坪存活率平均提升幅度为32.08％，14处边坡在措施优化后，草坪存活率均达到好或较好水平(图6)。
本申请方法，形成一种公路边坡植被恢复生长基础营建的方法，可以优化公路边坡绿化方式，筛选适用生态修复方法，提升边坡绿化效果。
应当理解，以上借助优选实施例对本申请的技术方案进行的详细说明是示意性的而非限制性的。本领域的普通技术人员在阅读本申请说明书的基础上可以对各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种公路边坡植被恢复生长基础及营建的方法，其特征在于，根据已建公路边坡植被覆盖度及基础工程条件指标、植物生长基础营建指标调查，采用机器学习方法，建立不同情景下边坡植被覆盖度预测模型，将拟建公路边坡生态修复设计方案代入预测模型，按基础工程条件指标、植被生长基础营建指标重要性排序结果，依次对指标进行优化，按照优化-预测-再优化-再预测方式，不断优化边坡植被修复基础营建指标，直至边坡植被修复效果达到好或较好等级为止；对于不可优化的边坡坡向、边坡位置、坡位、海拔指标，提出边坡修复工艺的优化方案，具体步骤如下：
步骤1：采集公路边坡植被覆盖度数据；通过现场调查，获取已建公路边坡植被覆盖度数据；
步骤2：基础工程条件指标、植物生长基础营建指标的调查；所述基础工程条件指标包括：边坡位置、边坡防护形式、坡向、坡位、坡度、海拔；所述植物生长基础营建指标包括：是否铺垫土壤、是否设置排水设施；
步骤3：建立基于机器学习算法的边坡植被覆盖度预测模型；具体为按所述的步骤1、步骤2中采集的调查数据，采用机器学习算法以边坡植被覆盖度或草坪存活率为预测变量，以基础工程条件指标、植物生长基础营建指标为解释变量，建立公路边坡植被覆盖度或草坪存活率预测模型；
步骤4：公路边坡植被覆盖度预测模型精度验证和优化；按照所述步骤3形成的预测模型，将该预测值与现场观测值进行比对、评估；
步骤5：边坡植被修复生长及营建，将拟建公路边坡生态修复设计文件中提取的基础工程条件指标、植物生长基础营建指标做为解释变量，代入预测模型，生成拟建公路边坡植被覆盖度或草坪存活率预测结果，按照解释变量重要性排序，依次优化解释变量，通过迭代，逐步提升边坡植被覆盖度或草坪存活率至较好或好的等级。
2.如权利要求1所述的方法，其特征在于，
所述步骤1具体为在公路路线图上随机选择部分点位，调查边坡植被覆盖度或草坪存活率数据，对于能靠近的部分边坡，采用目测法估测植被覆盖度，同时观测并记录边坡位置、边坡防护形式、坡向、坡位、海拔、坡度、垫土情况、排水设施设置情况；对于因交通原因难以靠近观察的边坡，采用无人机航拍建模方法，在模型图上读取植被覆盖度或草坪存活率；
植被覆盖度或草坪存活率校准：采集边坡观测点位数码相机照片和无人机照片，在室内计算机上应用阈值分割法，提取各观测小区内植被覆盖度或草坪存活率面积，除以观测小区面积，测算植被覆盖度或草坪存活率，通过现场快速观测及室内计算机校准，获取最终的植被覆盖度或草坪存活率；
将全部调查点的植被覆盖度或草坪存活率数据整理至数据表中，采用自然分界法Jenks natural break，将边坡植被恢复效果划分为三个等级,植被覆盖度或草坪存活率数值由低到高0-30％恢复效果差、30％-60％恢复效果较好、60％-90％恢复效果好。
3.如权利要求1所述的方法，其特征在于，所述步骤2具体为在调查植被覆盖度或草坪存活率的样点处，采集基础工程条件指标，包括：边坡位置、边坡防护形式、坡向、坡位、坡度、海拔；其中，
边坡位置划分为：挖方边坡、填方路基边坡；
边坡防护形式分为：拱形格固土植草，土质边坡三维网植草，岩石边坡客土喷播植草、矩形梁植生袋植草、框格生态袋植草，人字格植草，空心砖植草、铺植草皮、拱型骨架+铺植草皮护坡、框格梁+铺植草皮护坡几个类型；
坡向、坡度指标采用罗盘测量；
坡位：分为上坡位、下坡位；
海拔采用GPS测量；
植物生长基础营建类指标，包括：是否铺垫土壤、是否设置排水设施，上述指标均结合工程设计图或现场观测得到。
4.如权利要求1所述的方法，其特征在于，所述步骤3，包括以下几个步骤：
步骤3.1，按所述的步骤1、步骤2中采集的调查数据，采用机器学习算法中随机森林模型以边坡植被覆盖度或草坪存活率为预测变量，以基础工程条件指标、植物生长基础营建指标为解释变量，建立公路边坡草皮植被覆盖度或草坪存活率预测模型；
步骤3.2，根据有序变量与连续变量类别，分别选择适用的相关分析法检验相关性，筛选与边坡植被覆盖度或草坪存活率相关性达到显著水平的因子(P<0.1)，做为植被覆盖度或草坪存活率预测模型的解释变量；
步骤3.3，将公路边坡存活率数据以及影响因素数据以.CSV数据表或矩阵格式输入机器学习软件包，经过数据清洗和整理，包括定义缺失值，定义变量格式，将有序分类变量设置为因子变量(Factor)，连续变量设置为整型变量(int)，边坡植被覆盖度或草坪存活率数据设置为整型变量，形成机器学习可用的数据结构，使用set.seed函数生成随机数种子，调用randomForest包，使用creatDataPartion命令生成随机的训练集列表；
步骤3.4，应用训练集列表将调查数据划分为训练集和测试集，其中训练集数据组占现场调数据的80％，测试集占20％；调用适用的机器学习算法，建立预测模型；进一步确定模型中变量重要性，并进行排序，确定主要影响因子。
5.如权利要求4所述的方法，其特征在于，
所述步骤3.2，具体为采用Pearson相关分析，分析海拔、坡度与植被覆盖度或草皮存活率的相关关系，采用Spearman相关分析边坡形式、防护形式、坡向、坡位、垫土情况、排水设施设置与植被覆盖度或草皮存活率的关系，筛选与其相关性达到显著水平的解释变量P<0.1，经过计算，除坡位变量外，植被覆盖度或草皮存活率与其他解释变量相关系数显著水平均小于0.1，可以做为边坡植被覆盖度或草皮存活率的解释变量。
6.如权利要求4所述的方法，其特征在于，
所述步骤3.4，具体为基于随机森林的预测模型构建，通过整理所有观测点位边坡植被覆盖度或草皮存活率及其影响因素数据，随机选取80％样本作为随机森林模型的训练样本，以8个影响因素指标作为解释变量，植被覆盖度或草皮存活率作为预测变量，应用RStudio软件中Randomforest工具包进行随机树模拟生成，首选确定模型误差与随机树数量关系，确定最大随机树数量，用剩余的20％数据作为测试数据进行后续预测分析；
影响因素重要性排序，调用importance函数，分别计算InMSE(相对重要性)；IncNodePurity(节点纯度)两项指标，对边坡植被覆盖度或草皮存活率预测模型中解释变量进行重要性排序。
7.如权利要求1所述的方法，其特征在于，
所述步骤4具体为选择测试集做为输入数据，代入所述步骤3中形成的预测模型，调用predict函数，生成基于测试集的预测值，将所述测试集中的公路边坡草皮植被覆盖度或草坪存活率与基于机器学习的预测模型生成的公路边坡草皮铺植存活率预测值进行比对，评估模型预测性能，并反馈至预测模型，进行变量优化和变量筛选，使得预测精度达到80％以上。
8.如权利要求1所述的方法，其特征在于，所述步骤5具体为将拟建公路边坡植被设计文件中提取的基础工程条件指标、植物生长基础营建指标做为解释变量，代入所述步骤3、步骤4形成的验证和优化后的预测模型，生成拟建公路边坡植被覆盖度或草坪存活率预测结果，按照解释变量重要性排序，依次优化，通过迭代，逐步提升边坡植被覆盖度或草坪存活率恢复效果达到较好或好的等级；对于解释变量中不可优化的指标，如坡向、边坡位置、海拔，提出采取工程防护、改变植被恢复措施的优化方案。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-8任一项所述方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序，所述程序被执行时，能够实现如权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211454593.XA CN115936189A (zh) | 2022-11-21 | 2022-11-21 | 一种公路边坡植被恢复生长及营建的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211454593.XA CN115936189A (zh) | 2022-11-21 | 2022-11-21 | 一种公路边坡植被恢复生长及营建的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115936189A true CN115936189A (zh) | 2023-04-07 |
Family
ID=86554949
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211454593.XA Pending CN115936189A (zh) | 2022-11-21 | 2022-11-21 | 一种公路边坡植被恢复生长及营建的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115936189A (zh) |
-
2022
- 2022-11-21 CN CN202211454593.XA patent/CN115936189A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jarrah et al. | A review of wind erosion models: Data requirements, processes, and validity | |
| Tanhuanpää et al. | Mapping of urban roadside trees–A case study in the tree register update process in Helsinki City | |
| CN117408495B (zh) | 一种基于土地资源综合管理的数据分析方法及系统 | |
| Taguas et al. | Modeling the contribution of ephemeral gully erosion under different soil managements: A case study in an olive orchard microcatchment using the AnnAGNPS model | |
| CN106780089B (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
| CN115829812B (zh) | 一种基于生态系统模拟的碳汇量测算方法及系统 | |
| Richards et al. | A continental biomass stock and stock change estimation approach for Australia | |
| CN109342697A (zh) | 基于随机森林—普通克里格法的土壤有机碳含量预测方法 | |
| CN114925974A (zh) | 一种面向市县国土空间规划的分类逐步双评价方法 | |
| CN110837911B (zh) | 一种大尺度地表节肢动物空间分布模拟方法 | |
| CN115311343A (zh) | 基于多级抽样的草原有害生物发生面积调查方法 | |
| Duarte et al. | Use of simulation models to aid soil and water conservation actions for sustainable agro-forested systems | |
| CN110580377A (zh) | 一种基于响应曲面法的植草沟设计参数优化方法 | |
| CN117627001A (zh) | 一种防止水土流失固沙植被护坡建立方法 | |
| Khosrowpanah et al. | Developing a GIS-based soil erosion potential model of the UGUM watershed | |
| US20230349880A1 (en) | Method and System for Characterising the Soil Moisture Characteristics of Management Zones in Both Time and Space, Specific to Zone-Based Management for Variable Rate Crop Inputs | |
| CN115936189A (zh) | 一种公路边坡植被恢复生长及营建的方法 | |
| Mengistu | Watershed hydrological responses to changes in land use and land cover, and management practices at Hare Watershed, Ethiopia | |
| Sims | Principles of National Forest Inventory Methods | |
| Walker et al. | Estimation of rainfall intensity for potential crop production on clay soil with in-field water harvesting practices in a semi-arid area | |
| Shaw | The influence of contributing area on the hydrology of the prairie pothole region of North America | |
| Grigusova et al. | Mammalian bioturbation amplifies rates of both hillslope sediment erosion and accumulation along the Chilean climate gradient | |
| CN118294974B (zh) | 基于激光雷达和五镜头倾斜摄影的微地貌探察方法和系统 | |
| CN108596379A (zh) | 一种预测陆地生态系统植物群落覆被的技术与装置 | |
| FANTA | THE EFFECTS OF LAND USE LAND COVER CHANGE ON STREAM FLOW OF TIRARI WATERSHED |
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 |