CN115936422A - 一种基于尺度优化的生态风险评价方法及系统 - Google Patents
一种基于尺度优化的生态风险评价方法及系统 Download PDFInfo
- Publication number
- CN115936422A CN115936422A CN202211213278.8A CN202211213278A CN115936422A CN 115936422 A CN115936422 A CN 115936422A CN 202211213278 A CN202211213278 A CN 202211213278A CN 115936422 A CN115936422 A CN 115936422A
- Authority
- CN
- China
- Prior art keywords
- ecological risk
- scale
- landscape
- ecological
- land utilization
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于尺度优化的生态风险评价方法及系统,包括以下步骤:S1、采集研究区域内历史土地利用数据;S2、基于历史土地利用数据,获取生态风险的尺度效应;S3、基于尺度效应,确定研究区域内生态风险评价的最佳尺度;S4、基于最佳尺度分析土地利用变化和生态风险时空变化特征;S5、基于最佳尺度模拟预测未来生态风险变化并提出保护建议。基于历史土地利用数据,根据景观格局指数粒度响应曲线以及景观生态风险半变异函数拟合结果确定生态风险时空变化特征。并通过PLUS模型模拟预测不同情景下土地的利用格局及生态风险变化趋势,根据预测结果提出相应保护建议,为研究区域生态风险管理和规避提供参考依据和决策支持。
Description
技术领域
本申请属于风险评价技术领域,具体涉及一种基于尺度优化的生态风险评价方法及系统。
背景技术
随着经济社会的快速发展和城镇化进程的不断推进,人地冲突日益显著,大量生态用地的结构和格局被强制性改变,进而引发了森林覆盖率降低、生态系统退化、水土流失加剧、生物多样性丧失等一系列生态环境问题。人类力量被视为改善环境系统的主要力量来源,可以通过城市规划、节能减排、碳达峰碳中和等手段降低生态风险、改善区域自然环境、调整生态系统内部结构。因此,分析快速发展的城市风险时空演变特征,模拟预测不同情景下的生态风险变化有利于开展城市生态风险管控、生态规划和生态修复等工作,促进城市、人与自然的可持续发展。
而目前针对南宁市生态风险时空变化的评价及未来情景模拟的研究和认识较少,急需分析和预测该区生态风险时空变化特征并提出示意的生态保护策略,进而为南宁市国土空间的优化分布提供科学的决策依据。
发明内容
本申请提出了一种基于尺度优化的生态风险评价方法及系统,基于历史土地利用数据,根据景观格局指数粒度响应曲线以及景观生态风险半变异函数拟合结果确定生态风险时空变化特征。并通过PLUS模型模拟预测不同情景下土地的利用格局及生态风险变化趋势,根据预测结果提出相应保护建议,为研究区域生态风险管理和规避提供参考依据和决策支持。
为实现上述目的,本申请提供了如下方案:
一种基于尺度优化的生态风险评价方法,包括以下步骤:
S1、采集研究区域内历史土地利用数据;
S2、基于所述历史土地利用数据,获取生态风险的尺度效应;
S3、基于所述尺度效应,确定研究区域内生态风险评价的最佳尺度;
S4、基于所述最佳尺度分析土地利用变化和生态风险时空变化特征;
S5、基于所述最佳尺度模拟预测未来生态风险变化并提出保护建议。
优选的,采用空间粒度和空间幅度来获取所述生态风险的尺度效应。
优选的,所述空间粒度的分析方法包括:
以预设距离为间隔,将所述历史土地利用数据重采样生成z种粒度等级土地利用数据;
基于所述粒度土地利用数据绘制所述z种粒度等级下的景观格局指数的响应曲线;
基于所述响应曲线,确定最佳景观粒度。
优选的,所述空间幅度的分析方法包括:
基于所述最佳景观粒度的土地利用资源,创建m类不同大小的正方形网格生态风险评估单元;
计算所述m类生态风险评估单元的生态风险指数,基于所述生态风险指数分析不同幅度的生态风险半变异函数拟合结果。
优选的,采用土地利用转移矩阵和生态风险评估模型分析最佳尺度下土地利用和生态风险时空变化特征。
优选的,所述土地利用转移矩阵计算方法包括:
式中,Sij为研究初期第i类型转为研究末期第j类型的个数,i、j分别为研究期初、末土地利用类型;N为土地利用类型总数。
优选的,所述生态风险评估模型包括:
Ri=Ei×Fi
式中,ERIk表示第k个风险小区的生态风险指数;Ski表示第k个风险小区第i类景观类型的面积,Sk表示第k个风险小区的总面积,Ri表示第i类景观类型的损失度指数,Ei表示第i类景观类型的景观扰动度指数,Fi表示第i类景观类型的景观脆弱度指数。
本申请还提供一种基于尺度优化的生态风险评价系统,包括:采集模块、尺度效应获取模块、最佳尺度获取模块、特征获取模块和分析模块;
所述采集模块用于采集研究区域内历史土地利用数据;
尺度效应获取模块用于基于所述历史土地利用数据,获取生态风险的尺度效应;
所述最佳尺度获取模块用于基于所述尺度效应,确定研究区域内生态风险评价的最佳尺度;
特征获取模块用于基于所述最佳尺度分析土地利用和生态风险时空变化特征;
所述分析模块用于基于所述最佳尺度模拟预测未来生态风险变化并提出保护建议。
优选的,所述尺度效应获取模块获取所述尺度效应的方法包括:
采用空间粒度和空间幅度来获取所述生态风险的尺度效应;
所述空间粒度的分析方法包括:
以预设距离为间隔,将所述历史土地利用数据重采样生成z种粒度等级土地利用数据;
基于所述粒度土地利用数据绘制所述z种粒度等级下的景观格局指数的响应曲线;
基于所述响应曲线,确定最佳景观粒度。
所述空间幅度的分析方法包括:
基于所述最佳景观粒度的土地利用资源,创建m类不同大小的正方形网格生态风险评估单元;
计算所述m类生态风险评估单元的生态风险指数,基于所述生态风险指数分析不同幅度的生态风险半变异函数拟合结果。
优选的,所述特征获取模块分析土地利用和生态风险时空变化特征的方法包括:采用土地利用转移矩阵和生态风险评估模型分析最佳尺度下土地利用和生态风险时空变化特征;
所述土地利用转移矩阵计算方法包括:
式中,Sij为研究初期第i类型转为研究末期第j类型的个数,i、j分别为研究期初、末土地利用类型;N为土地利用类型总数;
所述生态风险评估模型包括:
Ri=Ei×Fi
式中,ERIk表示第k个风险小区的生态风险指数;Ski表示第k个风险小区第i类景观类型的面积,Sk表示第k个风险小区的总面积,Ri表示第i类景观类型的损失度指数,Ei表示第i类景观类型的景观扰动度指数,Fi表示第i类景观类型的景观脆弱度指数。
本申请的有益效果为:
本申请公开了一种基于尺度优化的生态风险评价方法及系统,分析尺度效应对景观生态风险的直接影响,选取适宜的空间幅度划分风险小区,真实有效的开展生态风险评价;通过PLUS模型模拟预测不同情景下的土地利用格局以及生态风险变化趋势,根据研究结果提出生态保护建议,能够为城镇快速发展下城市生态风险管理和规避提供参考依据和决策支持。
附图说明
为了更清楚地说明本申请的技术方案,下面对实施例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是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一种基于尺度优化的生态风险评价方法流程示意图;
图2为本申请实施例各景观格局指数对空间粒度变化的敏感程度示意图;
图3为本申请实施例同一时期不同景观格局指数对空间粒度变化的响应示意图;
图4为本申请一种基于尺度优化的生态风险评价系统结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一
如图1所示,为本申请一种基于尺度优化的生态风险评价方法流程示意图,包括以下步骤:
S1、采集研究区域内历史土地利用数据;
本实施例选取2000年、2010年、2018年南宁市土地利用数据作为历史土地利用数据;数据来源于中国科学院资源环境科学与数据中心,空间分辨率为30米。采用ArcGIS对其进行重分类等处理,将土地利用类型划分为耕地、林地、草地、水域、建设用地和未利用地六大类。
S2、基于所述历史土地利用数据,获取生态风险的尺度效应;
尺度效应在空间上划分为空间粒度和空间幅度,不同研究区域适宜尺度不具有普适性。本实施例基于2000年、2010年、2018年南宁市三期土地利用数据,从空间粒度和空间幅度获取生态风险的尺度效应。
空间粒度指景观中最小可辨识单元所代表的特征长度、面积或体积。本实施例将粒度范围设置为30~180米,以30米为间隔将30米土地利用数据重采样生成60米、90米、120米、150米、180米的粒度土地利用数据,通过粒度土地利用数据绘制30米、60米、90米、120米、150米、180米6种不同粒度等级下的景观格局指数的响应曲线,并根据相应曲线的拐点确定南宁市最佳景观粒度。
为全面反映南宁市景观格局特征,本实施例从面积、形状、分布聚散性、多样性4个方面选取17个景观格局指数。其中,面积指标包括:总面积(TA)、最大斑块指数(LPI)、边界密度(ED)、平均斑块面积(AREA_MN);形状指标包括:加权平均形状指数(SHAPE_MN)、面积加权分维数(FRAC_MN);聚散性指标包括:斑块数量(NP)、斑块密度(PD)、景观分隔度(DIVISION)、分离度(SPLIT)、蔓延度(CONTAG)、散布与并列指数(IJI)、集聚度指数(AI)、景观形状指数(LSI、COHESION);多样性指标包括:香农多样性指数(SHDI)、香农均匀度指数(SHEI)。
采用变异系数来衡量各景观格局指数对粒度变化的敏感性,根据敏感性程度选择适宜的景观格局指数用于分析最佳粒度,计算公式如下:
根据变异系数的大小,将变异系数分为不敏感、低敏感、中敏感、高敏感和极高敏感5个等级,赋值区间为:不敏感(<1%)、低敏感(1~4%)、中敏感(4~7%)、高敏感(7~10%)、极高敏感(>10%)。
各景观格局指数对空间粒度变化的敏感程度如图2所示。图2横坐标1-17分别代表TA、NP、PD、LPI、ED、LSI、AREA_MN、SHAPE_MN、FRAC_MN、CONTAG、IJI、COHESION、DIVISION、SPLIT、SHDI、SHEI、AI。其中,PLIT指数对空间粒度变化具有极高敏感度,高敏感度指标为SHAPE_MN指数和CONTAG指数,中敏感度指标为LPI、ED、LSI和AI指数,而NP、PD、AREA_MN、FRAC_MN四种景观格局指数对空间粒度变化具有低敏感度。TA、IJI、COHESION、DIVISION、SHDI和SHEI指数变异系数值均小于1%。将对于空间粒度变化不敏感的景观格局指数提出,不参与粒度变化分析。
同一时期不同景观格局指数对空间粒度变化的响应情况如图3所示,其中,ED、SHAPE_MN、FRAC_MN、CONTAG、AI和LSI六种景观格局指数的粒度响应曲线无明显拐点,呈现出随空间粒度的增大逐渐减小的变化趋势。NP和PD指数对空间粒度变化的响应基本保持一致,在30-60m粒度区间内小幅度上升,在60-120m粒度区间内呈现剧烈增加趋势,在120-150m粒度区间变化平缓,没有明显波动,在150-180m粒度区间内呈现下降趋势。AREA_MN指数在120-150m粒度区间内基本无明显波动,而在其他区间对空间粒度变化的响应与NP和PD指数的变化趋势完全相反。因此,综合分析景观格局指数的拐点和缓和区间选取120m作为南宁市最佳景观粒度。
空间幅度指研究区域内的面积。基于最佳景观粒度的土地利用数据,本实施例采用ArcGIS创建渔网工具生成4km×4km,5km×5km,6km×6km,7km×7km,8km×8km,9km×9km,10km×10km七类不同大小的正方形网格生态风险评估单元,利用Fragstats4.1软件及生态风险评估模型计算各单元格网的生态风险指数,并将其视为各格网单元中心的生态风险值。计算七类生态风险评估单元的生态风险指数,基于生态风险指数分析不同幅度的生态风险半变异函数拟合结果。
半变异函数主要用于描述和识别格局的空间结构以及空间局部最优化插值,根据不同网格生态风险评估单元的半变异函数拟合结果确定最佳幅度,计算方法如下:
式中,γ(h)为半变异函数;h为样本间的空间距离;Z(xi)和Z(xi+h)分别为变量在位置xi和xi+h上的值,i=1,2,…,N(h);N(h)是空间距离为h时样本的总个数,当h=0时,γ(h)=C0,C0称为块金值,表示生态风险受到随机因素影响产生的空间异质性;C0+C是基台值,表示生态风险自相关部分的总体空间异质性;A0称为变程,即半变异函数第一次达到稳定值所对应的采样距离,表示生态风险的自相关范围。
S3、基于所述尺度效应,确定研究区域内生态风险评价的最佳尺度;
本实施例采用GS+9.0软件计算2000年、2010年、2018年不同幅度下南宁市三期生态风险半变异函数的块金值、变程、残差、复相关系数等,分析不同幅度下生态风险的空间异质性,进而确定南宁市生态风险评价的最佳尺度。
不同幅度下生态风险半变异函数拟合模型参数如表1所示,根据结果可得,不同年份生态风险半变异函数的拟合模型参数随幅度增大的变化趋势基本一致,但同一年份半变异函数的拟合模型参数对空间幅度的响应情况不同。当幅度为4~7km,C0呈现逐渐减小的趋势;当幅度在7~10km,C0呈现先上升后下降再上升的波动变化现象,9km时C0达到最小值。C0+C在幅度4~7km时逐渐减小,当幅度为7~10km,C0+C小幅度上升,波动不明显。当幅度在4~7km时,C/(C0+C)呈现逐渐上升的变化趋势,在7~10km,C/(C0+C)呈现先下降后上升再下降的变化趋势,其中9km时C/(C0+C)达到最大值。当空间幅度为7km时,RSS最小,R2最大,因此,本实施例选取7km为南宁市最佳空间幅度。
表1
因此,本实施例确定空间粒度为120米,空间幅度为7km是南宁市生态风险评价与预测的最佳尺度。
S4、基于所述最佳尺度分析土地利用变化和生态风险时空变化特征;
采用土地利用转移矩阵和生态风险评估模型分析最佳尺度下土地利用和生态风险时空变化特征。
土地利用转移矩阵计算方法包括:
式中,Sij为研究初期第i类型转为研究末期第j类型的个数,i、j分别为研究期初、末土地利用类型;N为土地利用类型总数。
如表2所示,为南宁市各土地利用类型面积,南宁市各土地利用类型面积大小分别为林地>耕地>草地>建设用地>水域>未利用土地;各土地利用类型面积变化趋势不同,耕地和未利用土地面积呈先减小后增加的变化趋势,林地、草地和水域面积均持续减小,而建设用地面积增加明显。
表2
2000-2018年,南宁市共有630.22km2土地转移成其他土地利用类型,具体如表3所示,耕地的转出面积最大,达到318.48km2,占总转出面积的50.54%,主要转为建设用地和林地;其次,林地的转出面积较大,为155.07km2,占总转出面积的24.61%。建设用地转入面积最大,达到359.04km2,占总转入面积的56.97%,主要由耕地和林地转化而来。
表3
本实施例采用景观扰动指数(Ei)和景观脆弱指数(Fi)来构建南宁市综合生态风险指数模型;
生态风险评估模型包括:
Ri=Ei×Fi
式中,ERIk表示第k个风险小区的生态风险指数;Ski表示第k个风险小区第i类景观类型的面积,Sk表示第k个风险小区的总面积,Ri表示第i类景观类型的损失度指数,Ei表示第i类景观类型的景观扰动度指数,Fi表示第i类景观类型的景观脆弱度指数。
根据生态风险计算结果,2000-2018年南宁市生态风险值在9.19~13.09之间。
本实施例中,南宁市生态风险时空变化特征分析方法包括:采用ArcGIS自然断点法将南宁市生态风险分为低风险、较低风险、中风险、较高风险和高风险5个等级,赋值区间为:低风险(<10.23)、较低风险(10.23~10.75)、中风险(10.75~11.27)、较高风险(11.27~11.88)、高风险(>11.88)。同时,将生态风险等级降低的区域设为改善区,生态风险等级不变的区域为稳定区,生态风险等级上升的区域为恶化区。
2000-2018年南宁市总体风险等级不高但空间分布差异显著,生态风险各等级空间分布以高风险地区为中心,按照生态风险等级高低,依次向低风险区扩张,高风险和较高风险地区面积呈明显减少趋势。
不同的土地利用类型在各等级生态风险中的面积分布不同。耕地主要分布在较高风险和高风险区,相对于2010年,2018年分布在较高风险和高风险区上的耕地面积分别减少了65.84km2、478.25km2,而其他生态风险等级上的耕地面积均呈增大趋势。林地和草地总体生态风险较低,分布在高风险地区的林地和草地面积比例较小。2000年水域主要分布在高风险区,占水域总面积的39%,而2018年水域主要分布在较高风险区,占水域总面积的32%。2000年、2010年建设用地主要分布在较高风险区,面积分别为312.24km2、406.8432km2,而2018年建设用地主要分布在中风险区。未利用土地主要分布在中风险和高风险区,相对于2010年,2018年分布在高风险区上的未利用土地面积增加了0.66km2。总体来看,水域高风险区域面积增大,而其他土地利用类型在高风险区的面积均不断减少。
S5、基于所述最佳尺度模拟预测未来生态风险变化并提出保护建议。
首先,从社会经济和自然因素两方面选取10个土地利用驱动因素。
土地利用变化是自然因素和社会经济因素共同作用的结果,本实施例基于南宁市生态环境现状及数据获取情况,在自然和社会经济两方面选取10个因素,分别为:温度、降水、高程、坡度、FVC、叶面积指数、GDP、人口密度、距高速公路距离、距铁路距离。
其中,温度、降水、高程、坡度数据来自欧洲中期天气预报中心(ECMWF)第三代再分析资料ERA-Interim,空间分辨率为0.5°。FVC数据来源于北京师范大学,空间分辨率为500米。叶面积指数、GDP、人口密度数据来源于中国科学院资源环境科学与数据中心,其中,叶面积指数数据空间分辨率为8km,GDP、人口密度数据空间分辨率均为1km。道路数据来源于中国地理信息资源目录服务系统,本实施例选取铁路和高速公路数据。以上数据通过ArcGIS进行重投影、重采样等处理,保证数据分辨率和投影信息一致。
其次,设置邻域参数。邻域权重参数是反映不同土地利用类型扩展强度的重要指标,参数范围为0~1,越接近1表示该土地利用类型扩张强度越大,本实施例将耕地、林地、草地、水域、建设用地、未利用土地邻域参数赋值为0.7、0.4、0.3、0.2、0.2、0.9、0.2。
最后,在不同情景下区域土地利用变化是不同的,基于PLUS模型模拟2036年南宁市在自然发展和生态保护两种情景下的生态风险。
模拟不同情景下未来南宁市土地利用,为决策者规划国土空间提供不同的参考视角,本实施例分别设置自然发展情景和生态保护两种情景模拟预测2036年南宁市土地利用。其中,自然发展情景指基于2000—2018年南宁市土地利用转移矩阵及转移概率设置转移成本矩阵;生态保护情景指限制优质土地利用的转移。各情景对应的转移成本矩阵如表4所示,其中,0表示不允许转换,1表示允许转换。
表4
为了确保模拟结果的准确性,本实施例采用Kappa系数和总体精度检验模拟结果。以2000年土地利用数据为基础,模拟得到2018年土地利用数据,将2018年土地利用模拟数据与实际数据对比发现,Kappa系数为0.82,整体精度为85.41%,表明模型具有较高可信度。
依据南宁市生态环境现状,结合生态风险评价及预测结果,针对高风险和较高风险区,提高当地政府和人民生态风险防范意识,严格限制城镇建设用地的无序扩展,科学系统整治黑臭水体,建立耕地保护制度,大力推进土地整治和高标准基本农田建设;针对中风险区,协调土地利用分布格局,提高林草覆盖率,推动建设用地优化整和,减少景观破碎度,加强生态系统结构和功能的稳定性;针对较低风险和低风险区,合理开发布局建设用地,加强基础设施建设,保持现有的生态优势。总体来说,南宁市生态风险规避和生态环境治理需要分区管控,严格控制城镇开发边界、永久基本保护红线和生态保护红线,合理规划城镇空间、农业空间和生态空间。
实施例二
如图4所示,本申请还提供一种基于尺度优化的生态风险评价系统,包括:采集模块、尺度效应获取模块、最佳尺度获取模块、特征获取模块和分析模块;
采集模块用于采集研究区域内历史土地利用数据;
本实施例选取2000年、2010年、2018年南宁市土地利用数据作为历史土地利用数据;数据来源于中国科学院资源环境科学与数据中心,空间分辨率为30米。采用ArcGIS对其进行重分类等处理,将土地利用类型划分为耕地、林地、草地、水域、建设用地和未利用地六大类。
尺度效应获取模块用于基于历史土地利用数据,获取生态风险的尺度效应;
尺度效应获取模块具体工作方法包括:
本实施例基于2000年、2010年、2018年南宁市三期土地利用数据,从空间粒度和空间幅度获取生态风险的尺度效应。
空间粒度指景观中最小可辨识单元所代表的特征长度、面积或体积。本实施例将粒度范围设置为30~180米,以30米为间隔将30米土地利用数据重采样生成60米、90米、120米、150米、180米的粒度土地利用数据,通过粒度土地利用数据绘制30米、60米、90米、120米、150米、180米6种不同粒度等级下的景观格局指数的响应曲线,并根据相应曲线的拐点确定南宁市最佳景观粒度。
为全面反映南宁市景观格局特征,本实施例从面积、形状、分布聚散性、多样性4个方面选取17个景观格局指数。其中,面积指标包括:总面积(TA)、最大斑块指数(LPI)、边界密度(ED)、平均斑块面积(AREA_MN);形状指标包括:加权平均形状指数(SHAPE_MN)、面积加权分维数(FRAC_MN);聚散性指标包括:斑块数量(NP)、斑块密度(PD)、景观分隔度(DIVISION)、分离度(SPLIT)、蔓延度(CONTAG)、散布与并列指数(IJI)、集聚度指数(AI)、景观形状指数(LSI、COHESION);多样性指标包括:香农多样性指数(SHDI)、香农均匀度指数(SHEI)。
采用变异系数来衡量各景观格局指数对粒度变化的敏感性,根据敏感性程度选择适宜的景观格局指数用于分析最佳粒度,计算公式如下:
根据变异系数的大小,将变异系数分为不敏感、低敏感、中敏感、高敏感和极高敏感5个等级,赋值区间为:不敏感(<1%)、低敏感(1~4%)、中敏感(4~7%)、高敏感(7~10%)、极高敏感(>10%)。
空间幅度指研究区域内的面积。基于最佳景观粒度的土地利用数据,本实施例采用ArcGIS创建渔网工具生成4km×4km,5km×5km,6km×6km,7km×7km,8km×8km,9km×9km,10km×10km七类不同大小的正方形网格生态风险评估单元,利用Fragstats4.1软件及生态风险评估模型计算各单元格网的生态风险指数,并将其视为各格网单元中心的生态风险值。计算七类生态风险评估单元的生态风险指数,基于生态风险指数分析不同幅度的生态风险半变异函数拟合结果。
半变异函数主要用于描述和识别格局的空间结构以及空间局部最优化插值,根据不同网格生态风险评估单元的半变异函数拟合结果确定最佳幅度,计算方法如下:
式中,γ(h)为半变异函数;h为样本间的空间距离;Z(xi)和Z(xi+h)分别为变量在位置xi和xi+h上的值,i=1,2,…,N(h);N(h)是空间距离为h时样本的总个数,当h=0时,γ(h)=C0,C0称为块金值,表示生态风险受到随机因素影响产生的空间异质性;C0+C是基台值,表示生态风险自相关部分的总体空间异质性;A0称为变程,即半变异函数第一次达到稳定值所对应的采样距离,表示生态风险的自相关范围。
最佳尺度获取模块用于基于尺度效应,确定研究区域内生态风险评价的最佳尺度;
具体工作过程包括:
本实施例采用GS+9.0软件计算2000年、2010年、2018年不同幅度下南宁市三期生态风险半变异函数的块金值、变程、残差、复相关系数等,分析不同幅度下生态风险的空间异质性,进而确定南宁市生态风险评价的最佳尺度。
特征获取模块用于基于最佳尺度分析土地利用和生态风险时空变化特征;
采用土地利用转移矩阵和生态风险评估模型分析最佳尺度下土地利用和生态风险时空变化特征。
土地利用转移矩阵计算方法包括:
式中,Sij为研究初期第i类型转为研究末期第j类型的个数,i、j分别为研究期初、末土地利用类型;N为土地利用类型总数。
采用景观扰动指数(Ei)和景观脆弱指数(Fi)来构建南宁市综合生态风险指数模型;
生态风险评估模型包括:
Ri=Ei×Fi
式中,ERIk表示第k个风险小区的生态风险指数;Ski表示第k个风险小区第i类景观类型的面积,Sk表示第k个风险小区的总面积,Ri表示第i类景观类型的损失度指数,Ei表示第i类景观类型的景观扰动度指数,Fi表示第i类景观类型的景观脆弱度指数。
分析模块用于基于最佳尺度模拟预测未来生态风险变化并提出保护建议。
分析模块工作过程包括:
首先,从社会经济和自然因素两方面选取10个土地利用驱动因素。
土地利用变化是自然因素和社会经济因素共同作用的结果,本实施例基于南宁市生态环境现状及数据获取情况,在自然和社会经济两方面选取10个因素,分别为:温度、降水、高程、坡度、FVC、叶面积指数、GDP、人口密度、距高速公路距离、距铁路距离。
其中,温度、降水、高程、坡度数据来自欧洲中期天气预报中心(ECMWF)第三代再分析资料ERA-Interim,空间分辨率为0.5°。FVC数据来源于北京师范大学,空间分辨率为500米。叶面积指数、GDP、人口密度数据来源于中国科学院资源环境科学与数据中心,其中,叶面积指数数据空间分辨率为8km,GDP、人口密度数据空间分辨率均为1km。道路数据来源于中国地理信息资源目录服务系统,本实施例选取铁路和高速公路数据。以上数据通过ArcGIS进行重投影、重采样等处理,保证数据分辨率和投影信息一致。
其次,设置邻域参数。邻域权重参数是反映不同土地利用类型扩展强度的重要指标,参数范围为0~1,越接近1表示该土地利用类型扩张强度越大,本实施例将耕地、林地、草地、水域、建设用地、未利用土地邻域参数赋值为0.7、0.4、0.3、0.2、0.2、0.9、0.2。
最后,在不同情景下区域土地利用变化是不同的,基于PLUS模型模拟2036年南宁市在自然发展和生态保护两种情景下的生态风险并基于模拟结果提出保护建议。
以上所述的实施例仅是对本申请优选方式进行的描述,并非对本申请的范围进行限定,在不脱离本申请设计精神的前提下,本领域普通技术人员对本申请的技术方案做出的各种变形和改进,均应落入本申请权利要求书确定的保护范围内。
Claims (10)
1.一种基于尺度优化的生态风险评价方法,其特征在于,包括以下步骤:
S1、采集研究区域内历史土地利用数据;
S2、基于所述历史土地利用数据,获取生态风险的尺度效应;
S3、基于所述尺度效应,确定研究区域内生态风险评价的最佳尺度;
S4、基于所述最佳尺度分析土地利用变化和生态风险时空变化特征;
S5、基于所述最佳尺度模拟预测未来生态风险变化并提出保护建议。
2.根据权利要求1所述基于尺度优化的生态风险评价方法,其特征在于,采用空间粒度和空间幅度来获取所述生态风险的尺度效应。
3.根据权利要求2所述基于尺度优化的生态风险评价方法,其特征在于,所述空间粒度的分析方法包括:
以预设距离为间隔,将所述历史土地利用数据重采样生成z种粒度等级土地利用数据;
基于所述粒度土地利用数据绘制所述z种粒度等级下的景观格局指数的响应曲线;
基于所述响应曲线,确定最佳景观粒度。
4.根据权利要求3所述基于尺度优化的生态风险评价方法,其特征在于,所述空间幅度的分析方法包括:
基于所述最佳景观粒度的土地利用资源,创建m类不同大小的正方形网格生态风险评估单元;
计算所述m类生态风险评估单元的生态风险指数,基于所述生态风险指数分析不同幅度的生态风险半变异函数拟合结果。
5.根据权利要求1所述基于尺度优化的生态风险评价方法,其特征在于,采用土地利用转移矩阵和生态风险评估模型分析最佳尺度下土地利用和生态风险时空变化特征。
8.一种基于尺度优化的生态风险评价系统,其特征在于,包括:采集模块、尺度效应获取模块、最佳尺度获取模块、特征获取模块和分析模块;
所述采集模块用于采集研究区域内历史土地利用数据;
尺度效应获取模块用于基于所述历史土地利用数据,获取生态风险的尺度效应;
所述最佳尺度获取模块用于基于所述尺度效应,确定研究区域内生态风险评价的最佳尺度;
特征获取模块用于基于所述最佳尺度分析土地利用和生态风险时空变化特征;
所述分析模块用于基于所述最佳尺度模拟预测未来生态风险变化并提出保护建议。
9.根据权利要求8所述基于尺度优化的生态风险评价系统,其特征在于,所述尺度效应获取模块获取所述尺度效应的方法包括:
采用空间粒度和空间幅度来获取所述生态风险的尺度效应;
所述空间粒度的分析方法包括:
以预设距离为间隔,将所述历史土地利用数据重采样生成z种粒度等级土地利用数据;
基于所述粒度土地利用数据绘制所述z种粒度等级下的景观格局指数的响应曲线;
基于所述响应曲线,确定最佳景观粒度;
所述空间幅度的分析方法包括:
基于所述最佳景观粒度的土地利用资源,创建m类不同大小的正方形网格生态风险评估单元;
计算所述m类生态风险评估单元的生态风险指数,基于所述生态风险指数分析不同幅度的生态风险半变异函数拟合结果。
10.根据权利要求8所述基于尺度优化的生态风险评价系统,其特征在于,所述特征获取模块分析土地利用和生态风险时空变化特征的方法包括:
采用土地利用转移矩阵和生态风险评估模型分析最佳尺度下土地利用和生态风险时空变化特征;
所述土地利用转移矩阵计算方法包括:
式中,Sij为研究初期第i类型转为研究末期第j类型的个数,i、j分别为研究期初、末土地利用类型;N为土地利用类型总数;
所述生态风险评估模型包括:
Ri=Ei×Fi
式中,ERIk表示第k个风险小区的生态风险指数;Ski表示第k个风险小区第i类景观类型的面积,Sk表示第k个风险小区的总面积,Ri表示第i类景观类型的损失度指数,Ei表示第i类景观类型的景观扰动度指数,Fi表示第i类景观类型的景观脆弱度指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211213278.8A CN115936422A (zh) | 2022-09-29 | 2022-09-29 | 一种基于尺度优化的生态风险评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211213278.8A CN115936422A (zh) | 2022-09-29 | 2022-09-29 | 一种基于尺度优化的生态风险评价方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115936422A true CN115936422A (zh) | 2023-04-07 |
Family
ID=86556533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211213278.8A Pending CN115936422A (zh) | 2022-09-29 | 2022-09-29 | 一种基于尺度优化的生态风险评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115936422A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116797027A (zh) * | 2023-07-07 | 2023-09-22 | 南京农业大学 | 一种基于人工智能的景观生态保护的风险预警系统及方法 |
CN117252436A (zh) * | 2023-11-20 | 2023-12-19 | 中国科学院地理科学与资源研究所 | 一种土地利用变化生态风险分区的方法和系统 |
CN116797027B (zh) * | 2023-07-07 | 2024-05-24 | 南京农业大学 | 一种基于人工智能的景观生态保护的风险预警系统及方法 |
-
2022
- 2022-09-29 CN CN202211213278.8A patent/CN115936422A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116797027A (zh) * | 2023-07-07 | 2023-09-22 | 南京农业大学 | 一种基于人工智能的景观生态保护的风险预警系统及方法 |
CN116797027B (zh) * | 2023-07-07 | 2024-05-24 | 南京农业大学 | 一种基于人工智能的景观生态保护的风险预警系统及方法 |
CN117252436A (zh) * | 2023-11-20 | 2023-12-19 | 中国科学院地理科学与资源研究所 | 一种土地利用变化生态风险分区的方法和系统 |
CN117252436B (zh) * | 2023-11-20 | 2024-01-30 | 中国科学院地理科学与资源研究所 | 一种土地利用变化生态风险分区的方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Effects of urban form on haze pollution in China: Spatial regression analysis based on PM2. 5 remote sensing data | |
Liu et al. | A future land use simulation model (FLUS) for simulating multiple land use scenarios by coupling human and natural effects | |
Ma | Spatial equity analysis of urban green space based on spatial design network analysis (sDNA): A case study of central Jinan, China | |
CN104217250B (zh) | 一种基于历史数据的城市轨道交通新线开通客流预测方法 | |
CN101794507A (zh) | 基于浮动车数据的宏观路网交通状态评价方法 | |
CN111598314B (zh) | 一种基于绩效单元的公园绿地规划布局方法 | |
CN104537597A (zh) | 一种城市空间格局合理性诊断的技术方法 | |
CN107832910B (zh) | 一种评价道路交通特征对一氧化碳排放浓度影响的方法 | |
CN110766191A (zh) | 一种基于时空克里金插值的新增pm2.5固定监测站点选址方法 | |
CN115936422A (zh) | 一种基于尺度优化的生态风险评价方法及系统 | |
CN115271373A (zh) | 城市群弹性开发边界划定方法及系统 | |
CN103971312A (zh) | 一种村镇网络节点辐射域导向的农村居民点整治分区方法 | |
CN110716998B (zh) | 一种精细尺度人口数据空间化方法 | |
CN110543660B (zh) | 一种低冲击开发模拟方法、系统及相关装置 | |
CN113743659B (zh) | 一种基于成分法和马尔可夫元胞自动机的城市布局预测方法及应用 | |
Zhang et al. | Spatial and temporal variation and prediction of ecological carrying capacity based on machine learning and PLUS model | |
CN114417724A (zh) | 一种山地城市土地利用演变的模拟方法 | |
CN113642699A (zh) | 一种江河洪水智能预报系统 | |
Geng et al. | Multi-scale geographically weighted regression modeling of urban and rural construction land fragmentation–a case study of the Yangtze River Delta Region | |
CN115439012B (zh) | 基于gis的干旱绿洲县级区域城镇建设适宜性细化评价方法 | |
CN106844626A (zh) | 利用微博关键词和位置信息模拟空气质量的方法及系统 | |
CN111125862A (zh) | 一种基于遗传算法和比功率的跟驰模型排放测算方法 | |
Liu et al. | An integrated method used to value recreation land–a case study of Sweden | |
CN111581318B (zh) | 一种共享单车骑行目的推断方法、装置及存储介质 | |
Lück et al. | Combining machine learning and multi criteria decision analysis modeling regulatory, economic and social influences on wind turbine allocation |
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 |