CN116307354A - 一种绿地景观格局指数测度方法、装置、设备及存储介质 - Google Patents
一种绿地景观格局指数测度方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116307354A CN116307354A CN202211639164.XA CN202211639164A CN116307354A CN 116307354 A CN116307354 A CN 116307354A CN 202211639164 A CN202211639164 A CN 202211639164A CN 116307354 A CN116307354 A CN 116307354A
- Authority
- CN
- China
- Prior art keywords
- green land
- data
- landscape pattern
- index
- threshold
- 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
- 238000000691 measurement method Methods 0.000 title claims abstract description 21
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 239000000809 air pollutant Substances 0.000 claims abstract description 67
- 231100001243 air pollutant Toxicity 0.000 claims abstract description 66
- 230000001419 dependent effect Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 11
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 10
- 239000013618 particulate matter Substances 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 6
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 claims description 5
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 claims description 5
- 238000012876 topography Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 5
- 231100000656 threshold model Toxicity 0.000 description 29
- 238000000034 method Methods 0.000 description 11
- 230000006872 improvement Effects 0.000 description 7
- 238000003915 air pollution Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000000356 contaminant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101100384355 Mus musculus Ctnnbip1 gene Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 239000007787 solid 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种绿地景观格局指数测度方法、装置、设备及存储介质,包括:获取预设持续时间段内的面板数据;其中,所述面板数据包括空气污染物数据、绿地景观格局指数和自然环境数据;构建门槛模型,以所述绿地景观格局指数作为自变量,以单一的所述空气污染物数据作为因变量,以所述自然环境数据作为控制变量;将所述面板数据输入所述门槛模型进行训练,得到所述绿地景观格局指数与所述空气污染物的定量关系。本发明实施例能够通过在控制自然环境因素的基础上,根据获取的面板数据对绿地景观格局指数对空气污染物的非线性影响进行定量分析,其分析结果可直接用于科学指导城市绿地景观格局的优化建设。
Description
技术领域
本发明涉及生态环境技术领域,尤其涉及一种绿地景观格局指数测度方法、装置、设备及存储介质。
背景技术
随着我国城市污染问题日益突出,而城市品质与居民需求层次日益提升,以美化城市环境、改善城市景观为目标的城市生态网络体系建设布局,已成为当前我国城乡建设与可持续发展的重要内容。
目前我国大部分城市的绿地布局相对分散、可达性偏低,城市绿地景观格局及其与自然生态过程的相互联系未被关注并疏于维护,生态网络体系无法形成,从而导致城市绿地系统结构单一、抗干扰能力偏低,城市绿地系统的环境效益也无法有效发挥,因此有必要对绿地景观格局指数对空气污染的影响进行分析,以对城市绿地规划提供指导。
现有研究发现城市中的各种景观要素所构成的景观格局对城市的空气污染分布具有重要的影响,一方面景观格局可以直接作用于空气污染物并影响其浓度,另一方面景观格局变化所产生的城市局部地区大气环流或湍流,通过改变城市大气环境又会间接影响空气污染物的运输容积和传输速度,但现有关于绿地景观格局与空气污染的关系的探究方法主要是定性地对绿地规划提出改善意见或者策略,无法定量分析和评价城市绿地景观格局,指导意义较弱。
发明内容
本发明实施例的目的是提供一种绿地景观格局指数测度方法、装置、设备及存储介质,能够通过构建门槛模型,来对空气污染物数据、绿地景观格局指数和自然环境数据进行处理以得到绿地景观格局指数与空气污染物的定量关系,实现了定量分析和评价城市绿地景观格局,对于绿地规划具有较优的指导意义。
为实现上述目的,本发明实施例提供了一种绿地景观格局指数测度方法,包括:
获取预设持续时间段内的面板数据;其中,所述面板数据包括空气污染物数据、绿地景观格局指数和自然环境数据;
构建门槛模型,以所述绿地景观格局指数作为自变量,以单一的所述空气污染物数据作为因变量,以所述自然环境数据作为控制变量;
将所述面板数据输入所述门槛模型进行训练,得到所述绿地景观格局指数与所述空气污染物的定量关系。
作为上述方案的改进,所述门槛模型为:
其中,GATE表示门槛变量;γ表示待估的门槛值;I(·)为指示函数,当括号内条件满足时,I(·)=1,否则为0;CONTR表示控制变量;下标i表示第i个县区,下标t表示时间t,下标k表示第k个控制变量,n表示控制变量总种类数;η表示控制变量的干扰项;μ表示个体干扰项;ε代表随机误差项。
作为上述方案的改进,所述将所述面板数据输入所述门槛模型进行训练,得到所述绿地景观格局指数与所述空气污染物的定性关系,包括:
针对每一绿地景观格局指数,基于所述面板数据,利用所述门槛模型校验门槛是否存在,并测定门槛的个数以及门槛估计值;
构建似然比统计量验证门槛估计值的真实性;
测度所述绿地景观格局指数对空气污染物产生显著负向影响时的阈值区间。
作为上述方案的改进,所述绿地景观格局指数包括绿地规模特征、绿地形态特征和绿地分布特征;所述绿地规模特征包括斑块密度和平均斑块面积;所述绿地形态特征包括最大斑块指数和斑块形状指数;所述绿地分布特征包括香农多样性指数和聚集度指数。
作为上述方案的改进,所述空气污染物数据为细颗粒物浓度、可吸入颗粒物数据浓度、二氧化硫浓度、二氧化氮浓度、一氧化碳浓度或臭氧浓度。
作为上述方案的改进,所述自然环境数据包括植被覆盖水平、环境温度、环境湿度、降水量、风速、气压、日照时长、地形标高、地形坡度中的至少一种。
为实现上述目的,本发明实施例还提供了一种绿地景观格局指数测度装置,包括:
数据获取模块,用于获取预设持续时间段内的面板数据;其中,所述面板数据包括空气污染物数据、绿地景观格局指数和自然环境数据;
模型构建模块,用于构建门槛模型,以所述绿地景观格局指数作为自变量,以单一的所述空气污染物数据作为因变量,以所述自然环境数据作为控制变量;
关系计算模块,用于将所述面板数据输入所述门槛模型进行训练,得到所述绿地景观格局指数与所述空气污染物的定量关系。
作为上述方案的改进,所述门槛模型为:
其中,GATE表示门槛变量;γ表示待估的门槛值;I(·)为指示函数,当括号内条件满足时,I(·)=1,否则为0;CONTR表示控制变量;下标i表示第i个县区,下标t表示时间t,下标k表示第k个控制变量,n表示控制变量总种类数;η表示控制变量的干扰项;μ表示个体干扰项;ε代表随机误差项。
为实现上述目的,本发明实施例还提供了一种绿地景观格局指数测度设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一实施例所述的绿地景观格局指数测度方法。
为实现上述目的,本发明实施例还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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一实施例所述的绿地景观格局指数测度方法。
与现有技术相比,本发明实施例公开的一种绿地景观格局指数测度方法、装置、设备及存储介质,通过获取预设持续时间段内的面板数据,其中,所述面板数据包括空气污染物数据、绿地景观格局指数和自然环境数据,以及构建门槛模型,以所述绿地景观格局指数作为自变量,以单一的所述空气污染物数据作为因变量,以所述自然环境数据作为控制变量,来将所述面板数据输入所述门槛模型进行训练,以得到所述绿地景观格局指数与所述空气污染物的定量关系。由此可知,本发明实施例能够通过在控制自然环境因素的基础上,根据获取的面板数据对绿地景观格局指数对空气污染物的非线性影响进行定量分析,其分析结果可直接用于科学指导城市绿地景观格局的优化建设。
附图说明
图1是本发明一实施例提供的一种绿地景观格局指数测度方法的流程图;
图2是本发明一实施例提供的一种变量说明和描述示意图;
图3是本发明一实施例提供的一种绿地景观格局指数测度方法的技术流程示意。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,是本发明一实施例提供的一种绿地景观格局指数测度方法的流程图,所述绿地景观格局指数测度方法包括步骤S1~S3:
S1、获取预设持续时间段内的面板数据;其中,所述面板数据包括空气污染物数据、绿地景观格局指数和自然环境数据;
S2、构建门槛模型,以所述绿地景观格局指数作为自变量,以单一的所述空气污染物数据作为因变量,以所述自然环境数据作为控制变量;
S3、将所述面板数据输入所述门槛模型进行训练,得到所述绿地景观格局指数与所述空气污染物的定量关系。
值得说明的是,面板数据指在时间序列上取多个截面,在这些截面上同时选取样本观测值所构成的样本数据。
在步骤S1中,使用多年连续面板数据,相较于现有的对空气污染物影响因素探究的方法侧重于使用横截面数据,而忽视了时间序列上存在的差异,本发明实施方式采用多年的面板数据,更能降低自变量间的共线性,提高模型预测的有效性。在步骤S2和步骤S3中,以绿地景观格局指数作为自变量,以空气污染物数据作为因变量,以自然环境数据作为控制变量,构建门槛模型进行数据处理,从而得到绿地景观格局指数与空气污染物的定量关系,进行城市绿地景观格局对空气污染的非线性影响及阈值探究,能够定量分析和评价城市绿地景观格局现状并提出针对性优化策略。
在一种实施方式中,所述门槛模型为:
其中,GATE表示门槛变量;γ表示待估的门槛值;I(·)为指示函数,当括号内条件满足时,I(·)=1,否则为0;CONTR表示控制变量;下标i表示第i个县区,下标t表示时间t,下标k表示第k个控制变量,n表示控制变量总种类数;η表示控制变量的干扰项;μ表示个体干扰项;ε代表随机误差项。
在一种实施方式中,所述将所述面板数据输入所述门槛模型进行训练,得到所述绿地景观格局指数与所述空气污染物的定性关系,包括:
针对每一绿地景观格局指数,基于所述面板数据,利用所述门槛模型校验门槛是否存在,并测定门槛的个数以及门槛估计值;
构建似然比统计量验证门槛估计值的真实性;
测度所述绿地景观格局指数对空气污染物产生显著负向影响时的阈值区间。示例性的,在本实施方式中,获取我国不同县区的面板数据,并构建门槛模型。将各绿地景观格局指数作为门槛变量,分析其对空气污染物的非线性影响,并测度其能显著降低各空气污染物的阈值区间。采用基于面板数据的门槛模型,将6项空气污染物作为因变量,分别放入6项绿地景观格局指数和9项控制变量作为自变量,生成6个面板数据门槛模型,其中,控制变量为自然环境数据,控制变量的存在能增加模型的稳定性。各模型首先要对各绿地景观格局指数门槛效应是否存在进行检验,并测定门槛的个数;其次,构建似然比统计量验证门槛估计值的真实性;最后,测度能降低空气污染物的绿地景观格局阈值区间,即绿地景观格局指数对空气污染物产生显著负向影响时的阈值区间。
构建单一门槛模型如下列公式所示:
其中,门槛变量GATE;γ为待估的门槛值;I(·)为指示函数,当括号内条件满足时,I(·)=1,否则为0,CONTRikt表示控制变量,包括降水、温度等;下标i、t和k分别表示不同县区、时间和控制变量,i=1,2,…,t=1,2,…,k=1,2,…,9;η表示控制变量的干扰项;μ表示个体干扰项;ε代表随机误差项。
最后输出计算结果,计算结果主要分为三个部分:1)能显著降低各空气污染物的绿地景观格局指数;2)能显著降低空气污染物的各绿地景观格局指数优化配置区间;3)各绿地景观格局指数对各空气污染物的非线性影响曲线及配置最优解。
在一种实施方式中,所述绿地景观格局指数包括绿地规模特征、绿地形态特征和绿地分布特征;所述绿地规模特征包括斑块密度和平均斑块面积;所述绿地形态特征包括最大斑块指数和斑块形状指数;所述绿地分布特征包括香农多样性指数和聚集度指数。
在一种实施方式中,所述空气污染物数据为细颗粒物浓度、可吸入颗粒物数据浓度、二氧化硫浓度、二氧化氮浓度、一氧化碳浓度或臭氧浓度。
在一种实施方式中,所述自然环境数据包括植被覆盖水平、环境温度、环境湿度、降水量、风速、气压、日照时长、地形标高、地形坡度中的至少一种。
示例性的,参见图2,图2是本发明实施例所提供的一种变量说明和描述示意图。首先,建立时空数据库,以2014年至2022年全国县级行政区的面板数据为分析基础,从全国范围探究生态空间的景观格局特征对空气污染物影响的全局效应,数据包括因变量、主要自变量和控制变量。
(1)因变量和主要自变量:
因变量:空气污染物取自《环境空气质量标准》(GB 3095-2012)中的6项环境空气污染物:颗粒物(粒径小于等于10μm)(PM2.5),颗粒物(粒径小于等于2.5μm)(PM10),二氧化硫(SO2),二氧化氮(NO2),一氧化碳(CO),臭氧(O3)。空气污染物数据采用中国大气成分监测网(CAWNET)的时间序列数据,该数据是由CAWNET的153个监测站点采集,并利用遥感影像转点后提取均值作为各地区的空气污染物年平均浓度。
主要自变量:从绿地规模特征、绿地形态特征、绿地分布特征3个方面选取6个景观格局指数,其中绿地规模特征用包括斑块密度(PD)和平均斑块面积(AREA);绿地形态特征包括最大斑块指数(LP I)和斑块形状指数(SHAPE);绿地分布特征包括香农多样性指数(SHD I)和聚集度指数(AI)。并运用Fragstats4.2软件进行计算,其中绿地斑块数据利用归一化植被指数(NDV I)解译,NDVI数据由遥感影像图转换而来,遥感影像数据来自于美国宇航局的中分辨率成像光谱仪MOD13Q1,其空间分辨率为250米。
(2)控制变量:为了深入分析城市绿地景观格局与空气污染物的关系,同时控制系统误差,对各县区自然环境影响因素进行有效控制。自然环境影响因素主要包括植被覆盖水平、温度、湿度、降水量、风速、气压、日照时长、地形标高、地形坡度共9项指标。
值得说明的是,本发明实施例所述的方法的具体流程还可参见图3所示的技术流程示意图。
与现有技术相比,本发明实施例公开的一种绿地景观格局指数测度方法,通过获取预设持续时间段内的面板数据,其中,所述面板数据包括空气污染物数据、绿地景观格局指数和自然环境数据,以及构建门槛模型,以所述绿地景观格局指数作为自变量,以单一的所述空气污染物数据作为因变量,以所述自然环境数据作为控制变量,来将所述面板数据输入所述门槛模型进行训练,以得到所述绿地景观格局指数与所述空气污染物的定量关系。由此可知,本发明实施例能够通过在控制自然环境因素的基础上,根据获取的面板数据对绿地景观格局指数对空气污染物的非线性影响进行定量分析,其分析结果可直接用于科学指导城市绿地景观格局的优化建设。
本发明实施例还提供一种绿地景观格局指数测度装置,包括:
数据获取模块,用于获取预设持续时间段内的面板数据;其中,所述面板数据包括空气污染物数据、绿地景观格局指数和自然环境数据;
模型构建模块,用于构建门槛模型,以所述绿地景观格局指数作为自变量,以单一的所述空气污染物数据作为因变量,以所述自然环境数据作为控制变量;
关系计算模块,用于将所述面板数据输入所述门槛模型进行训练,得到所述绿地景观格局指数与所述空气污染物的定量关系。
在一种实施方式中,所述门槛模型为:
其中,GATE表示门槛变量;γ表示待估的门槛值;I(·)为指示函数,当括号内条件满足时,I(·)=1,否则为0;CONTR表示控制变量;下标i表示第i个县区,下标t表示时间t,下标k表示第k个控制变量,n表示控制变量总种类数;η表示;μ表示;ε代表随机误差项。
在一种实施方式中,所述关系计算模块,具体用于:
针对每一绿地景观格局指数,基于所述面板数据,利用所述门槛模型校验门槛是否存在,并测定门槛的个数以及门槛估计值;
构建似然比统计量验证门槛估计值的真实性;
测度所述绿地景观格局指数对空气污染物产生显著负向影响时的阈值区间。
在一种实施方式中,所述绿地景观格局指数包括绿地规模特征、绿地形态特征和绿地分布特征;所述绿地规模特征包括斑块密度和平均斑块面积;所述绿地形态特征包括最大斑块指数和斑块形状指数;所述绿地分布特征包括香农多样性指数和聚集度指数。
在一种实施方式中,所述空气污染物数据为细颗粒物浓度、可吸入颗粒物数据浓度、二氧化硫浓度、二氧化氮浓度、一氧化碳浓度或臭氧浓度。
在一种实施方式中,所述自然环境数据包括植被覆盖水平、环境温度、环境湿度、降水量、风速、气压、日照时长、地形标高、地形坡度中的至少一种。
值得说明的是,本发明实施例所述的装置的具体工作过程与上述任一实施例所述的方法的具体工作过程相同,在此不再赘述。
与现有技术相比,本发明实施例公开的绿地景观格局指数测度装置,通过获取预设持续时间段内的面板数据,其中,所述面板数据包括空气污染物数据、绿地景观格局指数和自然环境数据,以及构建门槛模型,以所述绿地景观格局指数作为自变量,以单一的所述空气污染物数据作为因变量,以所述自然环境数据作为控制变量,来将所述面板数据输入所述门槛模型进行训练,以得到所述绿地景观格局指数与所述空气污染物的定量关系。由此可知,本发明实施例能够通过在控制自然环境因素的基础上,根据获取的面板数据对绿地景观格局指数对空气污染物的非线性影响进行定量分析,其分析结果可直接用于科学指导城市绿地景观格局的优化建设。
本发明实施例还提供一种绿地景观格局指数测度设备。所述绿地景观格局指数测度设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,例如绿地景观格局指数测度程序。所述处理器执行所述计算机程序时实现上述绿地景观格局指数测度方法实施例中的步骤,例如图1中所示的步骤S1~S3。
所述绿地景观格局指数测度设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述绿地景观格局指数测度设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述示意图仅仅是绿地景观格局指数测度设备的示例,并不构成对绿地景观格局指数测度设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述绿地景观格局指数测度设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(Centra l Process i ng Unit,CPU),还可以是其他通用处理器、数字信号处理器(Di gita l Signa l Processor,DSP)、专用集成电路(App l icat ion Specific I ntegrated Ci rcuit,ASI C)、现成可编程门阵列(Fie ld-Programmab l e Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述绿地景观格局指数测度设备的控制中心,利用各种接口和线路连接整个绿地景观格局指数测度设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述绿地景观格局指数测度设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据控制器的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Med i a Card,SMC),安全数字(Secure Digita l,SD)卡,闪存卡(F l ash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述绿地景观格局指数测度设备集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-On lyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种绿地景观格局指数测度方法,其特征在于,包括:
获取预设持续时间段内的面板数据;其中,所述面板数据包括空气污染物数据、绿地景观格局指数和自然环境数据;
构建门槛模型,以所述绿地景观格局指数作为自变量,以单一的所述空气污染物数据作为因变量,以所述自然环境数据作为控制变量;
将所述面板数据输入所述门槛模型进行训练,得到所述绿地景观格局指数与所述空气污染物的定量关系。
3.如权利要求2所述的绿地景观格局指数测度方法,其特征在于,所述将所述面板数据输入所述门槛模型进行训练,得到所述绿地景观格局指数与所述空气污染物的定性关系,包括:
针对每一绿地景观格局指数,基于所述面板数据,利用所述门槛模型校验门槛是否存在,并测定门槛的个数以及门槛估计值;
构建似然比统计量验证门槛估计值的真实性;
测度所述绿地景观格局指数对空气污染物产生显著负向影响时的阈值区间。
4.如权利要求1或2或3所述的绿地景观格局指数测度方法,其特征在于,所述绿地景观格局指数包括绿地规模特征、绿地形态特征和绿地分布特征;所述绿地规模特征包括斑块密度和平均斑块面积;所述绿地形态特征包括最大斑块指数和斑块形状指数;所述绿地分布特征包括香农多样性指数和聚集度指数。
5.如权利要求4所述的绿地景观格局指数测度方法,其特征在于,所述空气污染物数据为细颗粒物浓度、可吸入颗粒物数据浓度、二氧化硫浓度、二氧化氮浓度、一氧化碳浓度或臭氧浓度。
6.如权利要求5所述的绿地景观格局指数测度方法,其特征在于,所述自然环境数据包括植被覆盖水平、环境温度、环境湿度、降水量、风速、气压、日照时长、地形标高、地形坡度中的至少一种。
7.一种绿地景观格局指数测度装置,其特征在于,包括:
数据获取模块,用于获取预设持续时间段内的面板数据;其中,所述面板数据包括空气污染物数据、绿地景观格局指数和自然环境数据;
模型构建模块,用于构建门槛模型,以所述绿地景观格局指数作为自变量,以单一的所述空气污染物数据作为因变量,以所述自然环境数据作为控制变量;
关系计算模块,用于将所述面板数据输入所述门槛模型进行训练,得到所述绿地景观格局指数与所述空气污染物的定量关系。
9.一种绿地景观格局指数测度设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的绿地景观格局指数测度方法。
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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的绿地景观格局指数测度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211639164.XA CN116307354A (zh) | 2022-12-20 | 2022-12-20 | 一种绿地景观格局指数测度方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211639164.XA CN116307354A (zh) | 2022-12-20 | 2022-12-20 | 一种绿地景观格局指数测度方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307354A true CN116307354A (zh) | 2023-06-23 |
Family
ID=86776812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211639164.XA Pending CN116307354A (zh) | 2022-12-20 | 2022-12-20 | 一种绿地景观格局指数测度方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307354A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109559055A (zh) * | 2018-12-05 | 2019-04-02 | 中国农业大学 | 城市绿地规划的景观生态效能评价方法 |
CN110188927A (zh) * | 2019-05-10 | 2019-08-30 | 广州大学 | 一种城市热岛主控因素的分析方法、装置及存储介质 |
CN110688621A (zh) * | 2019-09-16 | 2020-01-14 | 广州大学 | 一种影响城市热环境的关键绿地格局指数筛选方法及系统 |
-
2022
- 2022-12-20 CN CN202211639164.XA patent/CN116307354A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109559055A (zh) * | 2018-12-05 | 2019-04-02 | 中国农业大学 | 城市绿地规划的景观生态效能评价方法 |
CN110188927A (zh) * | 2019-05-10 | 2019-08-30 | 广州大学 | 一种城市热岛主控因素的分析方法、装置及存储介质 |
CN110688621A (zh) * | 2019-09-16 | 2020-01-14 | 广州大学 | 一种影响城市热环境的关键绿地格局指数筛选方法及系统 |
Non-Patent Citations (1)
Title |
---|
谢波等: "面向呼吸健康的国土空间规划生态空间布局优化", 《城市规划学刊》, no. 5, pages 67 - 73 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lopez et al. | Early emergence of anthropogenically forced heat waves in the western United States and Great Lakes | |
Gao et al. | Ozone variability induced by synoptic weather patterns in warm seasons of 2014–2018 over the Yangtze River Delta region, China | |
Gerken et al. | Robust observations of land-to-atmosphere feedbacks using the information flows of FLUXNET | |
CN101696968A (zh) | 监测土壤重金属含量的新方法 | |
Sun et al. | Prediction of soil organic carbon in a coal mining area by Vis-NIR spectroscopy | |
Lewison et al. | Validation of a rigorous track classification technique: identifying individual mountain lions | |
CN115346431B (zh) | 碳排放地图的生成方法、装置、设备及存储介质 | |
CN114821296A (zh) | 地下病害探地雷达图像识别方法、系统、存储介质及终端 | |
Mohammadi et al. | A conceptual metaheuristic-based framework for improving runoff time series simulation in glacierized catchments | |
Liu et al. | Application of RR-XGBoost combined model in data calibration of micro air quality detector | |
CN116337146A (zh) | 基于改进遥感生态指数的生态质量评价与分区方法及装置 | |
Wu et al. | Mapping the salt content in soil profiles using Vis‐NIR hyperspectral imaging | |
CN112364940A (zh) | 基于多源数据的大气污染物源解析方法、存储介质及设备 | |
CN109472002A (zh) | 污染物浓度分布图的生成方法及装置 | |
CN114186491A (zh) | 基于改进lur模型的细颗粒物浓度时空特征分布方法 | |
Tian et al. | A revised mineral dust emission scheme in GEOS-Chem: improvements in dust simulations over China | |
CN115758270A (zh) | 基于随机森林与环境变量的土壤矿物结合态有机碳预测方法及装置 | |
CN108663334A (zh) | 基于多分类器融合寻找土壤养分光谱特征波长的方法 | |
CN116307354A (zh) | 一种绿地景观格局指数测度方法、装置、设备及存储介质 | |
Lange et al. | Machine-learning models to replicate large-eddy simulations of air pollutant concentrations along boulevard-type streets | |
Stagakis et al. | A high-resolution monitoring approach of urban CO2 fluxes. Part 2–surface flux optimisation using eddy covariance observations | |
CN116679356A (zh) | 高时空分辨率下的pm2.5和臭氧混合污染的预测方法 | |
CN115908540A (zh) | 一种基于树木生长轮廓的森林碳汇量检测方法 | |
CN112215470B (zh) | 一种基于间隙度指数分析的流域水文生态系统服务管理方法 | |
Su et al. | New Particle Formation Events Detection with Deep Learning |
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 |