CN117078077A - 一种高速公路路域的生态脆弱性评价方法 - Google Patents

一种高速公路路域的生态脆弱性评价方法 Download PDF

Info

Publication number
CN117078077A
CN117078077A CN202311025096.2A CN202311025096A CN117078077A CN 117078077 A CN117078077 A CN 117078077A CN 202311025096 A CN202311025096 A CN 202311025096A CN 117078077 A CN117078077 A CN 117078077A
Authority
CN
China
Prior art keywords
ecological
index
vulnerability
data
ecological vulnerability
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
Application number
CN202311025096.2A
Other languages
English (en)
Inventor
李春盛
颜士昊
刘延钊
杨林波
巩宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CCCC Third Highway Engineering Co Ltd
Original Assignee
CCCC Third Highway Engineering Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CCCC Third Highway Engineering Co Ltd filed Critical CCCC Third Highway Engineering Co Ltd
Priority to CN202311025096.2A priority Critical patent/CN117078077A/zh
Publication of CN117078077A publication Critical patent/CN117078077A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种高速公路路域的生态脆弱性评价方法，包括以下步骤：步骤S1、通过遥感卫星获取高速公路路域遥感数据，采用ArcGIS将遥感数据统一坐标系建立网格数据，对所述网格数据进行几何配准和重采样后转化为格网尺度的评价单元；步骤S2、利用SPSS软件对所述评价单元进行数据降维，采用主成分分析法对降维数据进行生态脆弱性评价，获得生态脆弱性权重；步骤S3、基于所述生态脆弱性权重将生态脆弱性指数作为因变量，利用因子探测模型获取各因变量对生态脆弱性指数的影响力及解释力，定量评价生态脆弱性指标，获取高速公路路域生态脆弱性中的生态恢复力因子，构建了高可信度的生态脆弱性评价指标体系，确保了评价数据的准确性以及全面性。

Description

一种高速公路路域的生态脆弱性评价方法
技术领域
本发明涉及高速公路路域生态评价领域，具体涉及一种高速公路路域的生态脆弱性评价方法。
背景技术
目前大多采用定量评价方法对不同的区域进行生态脆弱性实证研究，为生态脆弱性的理论研究提供了案例支撑，但是生态脆弱性评价过程中由于指标选择数量较少，不够全面，指标体系构建相对也较为简单，导致生态脆弱性评价无法实现多维判断，且现有的基于SRP模型的生态脆弱性评价指标没有考虑外界自然环境对其产生的压力，无法适用于高速公路路域范围内的生态脆弱性评价体系。
发明内容
本发明的目的在于提供一种高速公路路域的生态脆弱性评价方法，以解决现有技术中现有评价体系不全面、评价体系无法实现多维判断以及无法适用于高速公路路域范围内的生态脆弱性评价体系的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种高速公路路域的生态脆弱性评价方法，包括以下步骤：
步骤S1、通过遥感卫星获取高速公路路域遥感数据，采用ArcGIS将遥感数据统一坐标系建立网格数据，对所述网格数据进行几何配准和重采样后转化为格网尺度的评价单元；
步骤S2、利用SPSS软件对所述评价单元进行数据降维，采用主成分分析法对降维数据进行生态脆弱性评价，获得生态脆弱性权重；
步骤S3、基于所述生态脆弱性权重将生态脆弱性指数作为因变量，利用因子探测模型获取各因变量对生态脆弱性指数的影响力及解释力，定量评价生态脆弱性指标。
作为本发明的一种优选方案，所述步骤S1中，利用ArcGIS软件计算所述遥感数据统计数据类型，采用极差法对数据类型进行标准化处理获取数据正向指标和负向指标，并将标准化均值设置在0至1之间，并对标准化结果统一坐标系建立网格数据，所述极差法获取正向指标uij和负向指标u’ij公式为：
其中，Xij表示第i个指标在第j个网格的数值，Xij min和Xij max分别表示第i个指标的最小值和最大值，β表示第i个指标最小值和最大值之间的权值。
作为本发明的一种优选方案，通过所述标准化数据的正向指标uij和负向指标u’ij对网格数据进行原始数据降维，利用主成分分析法对降维数据进行适切性检测，获取累积贡献率大于百分之八十五的十个主成分，并将所述十个主成分对应的贡献率作为权重，根据贡献率权重分析生态脆弱性指数，所述贡献率及生态脆弱性指数Evl计算公式为：
Fk＝1/n(a1kX1+a2kX2+…+ankXn)
Evl＝b1F1+b2F2+…+bnFn
其中，Fk表示第k个主成分，a1k,a2k,…,ank为第k个主成分对应的各指标特征向量，X1，X2，…，Xn为各正向、负向指标，n表示指标数量，F1,F2,…,Fn表示1,2,…,n个主成分，b1,b2,…,bn表示第1,2,…,n个主成分的贡献率，Evl表示生态脆弱性指数。
作为本发明的一种优选方案，根据所述生态脆弱性指数Evl获取生态标准化数据的特征值，通过所述特征值将高速公路路域生态脆弱性划分等级，进行生态脆弱性特征描述构建生态脆弱性评价指标体系，具体为：
根据所述生态标准化数据的特征值建立判断矩阵，利用SPSSAU数据处理平台计算权重，通过一致性检验结果核实评价结果合理性，获取一致性数据处理结果的权重值；
将权重值的相关指标通过极差法进行运算，获取不同因素下的熵值和差异系数；
通过权重值与熵值通过耦合赋权方式建立高可信度的生态环境脆弱性综合权重耦合模型，公式为：
Di＝αCi+(1-α)Si
其中，Di表示第i个指标在耦合模型下计算的权重结果，Ci表示第i个在层次分析法下的权重，Si表示第i个在标熵权法下计算的权重，α表示偏好系数。
作为本发明的一种优选方案，依据所述生态脆弱性评价指标体系计算不同时间生态脆弱性指数数值分析区域生态环境的相对差异性，公式为：
其中，SEVI表示脆弱性综合指数，i,(i＝1,2,…,n)表示指标个数，wi表示指标权重，Ti表示生态脆弱性评价指标标准化值；
根据脆弱性综合指数SEVI基于地理数据处理平台中进行的自然断点法，通过空间聚类法计算不同指标下的脆弱性综合指数的数据方差，并比较方差大小值，获取不同类别的间断点，划分生态脆弱性最优等级。
作为本发明的一种优选方案，所述脆弱性综合指数SEVI通过公路路域生态全局空间自相关系数度量生态脆弱性指标，所述全局空间自相关系数由公路路域生态数据组成的空间权重矩阵组成。
作为本发明的一种优选方案，根据所述全局空间自相关系数获取公路路域生态恢复力因子，构建因子探测模型表征区域生态恢复能力，具体为：
将各评价指标利用ArcGIS的自然断点法对各指标矢量数据进行离散化处理，利用ArcGIS中的多值提取至点工具，将所有生态脆弱性划分等级值提取并匹配到格网上；
运用地理探测器模型，将得到的各评价指标类型作为自变量，生态脆弱性等级作为因变量进行运算，根据地理探测器所得结果得出各指标对生态脆弱性指数的影响力及解释力。
作为本发明的一种优选方案，所述地理探测器模型利用比较不同自变量类别中因变量方差和总体方差之间的关系，来计算因子的解释能力，通过单因子解释力来评估自变量因子对因变量变化的贡献程度，检验某个地理因素是否是导致空间分异的原因，公式为：
其中，q表示因子解释能力，h＝1,2,…,l表示变量因子的分区数，Nh表示分区h，N表示全部区域单元数，表示分区h的生态脆弱强度方差，σ2表示全局的生态脆弱强度方差。
作为本发明的一种优选方案，所述地理探测器模型通过分析不同因子之间的交互作用获取生态脆弱性等级因变量的解释力。
作为本发明的一种优选方案，所述因变量的解释力通过线性耦合以权值形式正向评价生态脆弱性。
本发明与现有技术相比较具有如下有益效果：
本发明基于SRP模型选取多种评价指标，扩大了数据获取的渠道，根据主成分析法结合熵权法分析对选取的指标进行权重计算，提高了权重的准确度，根据生态脆弱性指数以及脆弱性综合指数分析高速公路路域生态脆弱性空间分布，对其空间分布特征及空间相关性进行分析，利用地理探测器探测主要驱动因子，获取高速公路路域生态脆弱性中的生态恢复力因子，明确高速公路路域生态修复空间，构建了高可信度的生态脆弱性评价指标体系，确保了评价数据的准确性以及全面性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的高速公路路域的生态脆弱性评价方法流程图。
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，都属于本发明保护的范围。
如图1所示，本发明提供了一种高速公路路域的生态脆弱性评价方法，包括以下步骤：
步骤S1、通过遥感卫星获取高速公路路域遥感数据，采用ArcGIS将遥感数据统一坐标系建立网格数据，对所述网格数据进行几何配准和重采样后转化为格网尺度的评价单元；
步骤S2、利用SPSS软件对所述评价单元进行数据降维，采用主成分分析法对降维数据进行生态脆弱性评价，获得生态脆弱性权重；
步骤S3、基于所述生态脆弱性权重将生态脆弱性指数作为因变量，利用因子探测模型获取各因变量对生态脆弱性指数的影响力及解释力，定量评价生态脆弱性指标。
本实施例中，利用生态脆弱性评价SPR模型，通过生态脆弱指标体系处理数据，结合主成分分析法以及熵权法确认权重，进行生态脆弱度计算，并基于态脆弱度结果划分脆弱性等级，对高速公路路域的生态脆弱性进行全局和局部空间自相关分析，总结高速公路路域现状生态脆弱性空间分布特征，通过地理探测器模型对高速公路路域高聚类区域进行因子和交互探测分析，获得高速公路路域生态脆弱性的主要影响因素。
所述步骤S1中，利用ArcGIS软件计算所述遥感数据统计数据类型，采用极差法对数据类型进行标准化处理获取数据正向指标和负向指标，并将标准化均值设置在0至1之间，并对标准化结果统一坐标系建立网格数据，所述极差法获取正向指标uij和负向指标u’ij公式为：
其中，Xij表示第i个指标在第j个网格的数值，Xij min和Xij max分别表示第i个指标的最小值和最大值，β表示第i个指标最小值和最大值之间的权值。
本实施例中，采用1km×1km的格网作为基本评价单元，各指标数据均以体现，并且考虑到各数据属性和精度存在差异，在进行评价分析之前对所有数据进行几何配准和重采样。
本实施例中，具体为：采用ArcGIS软件将所有遥感数据统一为WGS1984坐标系，建立1km×1km的格网，共生成60378个网格数据，通过空间连接和多值提取至点等功能，将各评价指标统一采样至格网单元。
本实施例中，对格网尺度的评价单元表示的各指标进行标准化处理，以使不同量纲的评价指标调整为具有可比性的同一个标准，定量指标采用极差法，计算脆弱性正向相关指标和负向相关指标，得到各指标标准化结果。
通过所述标准化数据的正向指标uij和负向指标u’ij对网格数据进行原始数据降维，利用主成分分析法对降维数据进行适切性检测，获取累积贡献率大于百分之八十五的十个主成分，并将所述十个主成分对应的贡献率作为权重，根据贡献率权重分析生态脆弱性指数，所述贡献率及生态脆弱性指数Evl计算公式为：
Fk＝1/n(a1kX1+a2kX2+…+ankXn)
Evl＝b1F1+b2F2+…+bnFn
其中，Fk表示第k个主成分，a1k,a2k,…,ank为第k个主成分对应的各指标特征向量，X1，X2，…，Xn为各正向、负向指标，n表示指标数量，F1,F2,…,Fn表示1,2,…,n个主成分，b1,b2,…,bn表示第1,2,…,n个主成分的贡献率，Evl表示生态脆弱性指数。
本实施例中，以生态脆弱性指数Evl平均值最高的高速公路路域作为分析区域，依据高速公路地域类型获取遥感数据，并对遥感数据进行标准化。
本实施例中，利于SPSS软件对60378个网格点数据进行原始数据降维，经过KMO取样适切性检测，其值大于0.5，同时Bartlett球形检验的显著性小于0.05，并且获得累积贡献率≥85％的10个主成分，以主成分对应的贡献率为权重，计算高速公路路域的生态脆弱性指数Evl，Evl值越大，高速公路路域生态越脆弱。
根据所述生态脆弱性指数Evl获取生态标准化数据的特征值，通过所述特征值将高速公路路域生态脆弱性划分等级，进行生态脆弱性特征描述构建生态脆弱性评价指标体系，具体为：
根据所述生态标准化数据的特征值建立判断矩阵，利用SPSSAU数据处理平台计算权重，通过一致性检验结果核实评价结果合理性，获取一致性数据处理结果的权重值；
将权重值的相关指标通过极差法进行运算，获取不同因素下的熵值和差异系数；
本实施例中，权重的确定是基于指标比较、熵值和差异系数，计算出最终的各指标因子对应的权重。
通过权重值与熵值通过耦合赋权方式建立高可信度的生态环境脆弱性综合权重耦合模型，公式为：
Di＝αCi+(1-α)Si
其中，Di表示第i个指标在耦合模型下计算的权重结果，Ci表示第i个在层次分析法下的权重，Si表示第i个在标熵权法下计算的权重，α表示偏好系数。
本实施例中，将高速公路路域的生态环境利用熵权法与层次分析法权重进行计算，结合有关偏好系数的大量研究和区域人文地理特征，将偏好系数设为0.5。
本实施例中，利于层次分析法将所述生态标准化数据的特征值建立判断矩阵，先对生态标准化数据内的评价问题进行分析，构建严谨的评价体系，划分有序的分析层次，并结合专家意见构建判断矩阵评判不同评价因子之间的关联程度并进行比较，过构造相互比较的矩阵计算各指标相比于准则层的影响程度。
本实施例中，利于熵权法将权重值的相关指标通过极差法进行运算，通过熵值判断指标的离散程度，差异性系数和权重，指标离散水平越大，对评价工作的影响也就越大，因指标单位不同，需进行标准化处理，采用极差法对相关指标进行运算。
本实施例中，为确定高速公路路域因子相关权重，构建合理的评价体系，将层次分析与熵权法结合，通过耦合赋权方式，结合主观与客观因素，建立高可信度的生态脆弱性评价指标体系。
依据所述生态脆弱性评价指标体系计算不同时间生态脆弱性指数数值分析区域生态环境的相对差异性，公式为：
其中，SEVI表示脆弱性综合指数，i,(i＝1,2,…,n)表示指标个数，wi表示指标权重，Ti表示生态脆弱性评价指标标准化值；
本实施例中，为使不同年份下生态脆弱性评价因子和对应的生态脆弱程度具有可比性，运用生态因子评价权重和对应的标准化值计算每一年度的生态脆弱性指数，基于不同年份生态脆弱性指数数值分析区域生态环境的相对差异性。
根据脆弱性综合指数SEVI基于地理数据处理平台中进行的自然断点法，通过空间聚类法计算不同指标下的脆弱性综合指数的数据方差，并比较方差大小值，获取不同类别的间断点，划分生态脆弱性最优等级。
本实施例中，所述生态脆弱性最优等级，结合国内外生态脆弱性评价标准，将其分为微度脆弱、轻度脆弱、中度脆弱、重度脆弱和极度脆弱五个等级。
所述脆弱性综合指数SEVI通过公路路域生态全局空间自相关系数度量生态脆弱性指标，所述全局空间自相关系数由公路路域生态数据组成的空间权重矩阵组成。
本实施例中，所述公路路域生态全局空间自相关系数可以表征空间单位之间的属性值之间的相似度，局部空间自相关可描述每个空间单位与其邻近空间单位的属性值之间的相关度，在得到的分析结果中，正相关表明研究区内边界相邻空间的属性有相同的演化趋势，它们之间存在一定的空间集聚性。反之，则表明研究区内边界相邻空间单元的属性不同，不存在空间集聚性。
本实施例中，采用局部Moran I结合ArcGis软件的空间自相关和聚类和异常值分析工具，对高速公路路域进行自相关分析，生成聚集图，全局Moran I值为0.813，且得分大于2.79，表明生态脆弱性在空间分布上并不是完全随机的，而是呈现正相关，并且部分空间位置上相邻的区域单元相关关系较强，具有聚集效应。
本实施例中，通过局部Moran I分析的结果表明除不显著区域外，生态脆弱性的低-低聚类数量最多，其次为高-高聚类，而高-低聚类和低-高聚类极少。
根据所述全局空间自相关系数获取公路路域生态恢复力因子，构建因子探测模型表征区域生态恢复能力，具体为：
将各评价指标利用ArcGIS的自然断点法对各指标矢量数据进行离散化处理，利用ArcGIS中的多值提取至点工具，将所有生态脆弱性划分等级值提取并匹配到格网上；
本实施例中，将评价指标为栅格格式的数据用重分类工具，对原有的连续数据栅格进行转换，由数值量转变为类型量，便于处理数据。
运用地理探测器模型，将得到的各评价指标类型作为自变量，生态脆弱性等级作为因变量进行运算，根据地理探测器所得结果得出各指标对生态脆弱性指数的影响力及解释力。
本实施例中，采用地理探测器模型探测多种因素极其协同作用下对地理现象影响的差异性，保证了其对多自变量共线性免疫，一方面可以探测两因子交互作用于因变量，只要有关系，就能检验出来，另一方面可以探测数值型和定性数据，并且其操作简单，仅使用Excel便可以完成其操作。
所述地理探测器模型利用比较不同自变量类别中因变量方差和总体方差之间的关系，来计算因子的解释能力，通过单因子解释力来评估自变量因子对因变量变化的贡献程度，检验某个地理因素是否是导致空间分异的原因，公式为：
其中，q表示因子解释能力，h＝1,2,…,l表示变量因子的分区数，Nh表示分区h，N表示全部区域单元数，表示分区h的生态脆弱强度方差，σ2表示全局的生态脆弱强度方差。
本实施例中，根据因子解释能力q反映每个自变量对因变量的空间分布差异的影响程度，以评价各指标对生态脆弱性指数的影响力及解释力。
所述地理探测器模型通过分析不同因子之间的交互作用获取生态脆弱性等级因变量的解释力。
所述因变量的解释力通过线性耦合以权值形式正向评价生态脆弱性。
本实施例中，通过线性耦合的方式分析不同风险因子之间的交互作用，评估不同因子共同作用时，因变量的解释力是增加还是减弱，或者这些因子对是相互独立的结果，因子之间可能呈现出多种关系，能够全面分析影响因子对评价指标的影响力与解释力。
本发明基于SRP模型选取多种评价指标，扩大了数据获取的渠道，根据主成分析法结合熵权法分析对选取的指标进行权重计算，提高了权重的准确度，根据生态脆弱性指数以及脆弱性综合指数分析高速公路路域生态脆弱性空间分布，对其空间分布特征及空间相关性进行分析，利用地理探测器探测主要驱动因子，获取高速公路路域生态脆弱性中的生态恢复力因子，明确高速公路路域生态修复空间，构建了高可信度的生态脆弱性评价指标体系，确保了评价数据的准确性以及全面性。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (10)

1.一种高速公路路域的生态脆弱性评价方法，其特征在于，包括以下步骤：
步骤S1、通过遥感卫星获取高速公路路域遥感数据，采用ArcGIS将遥感数据统一坐标系建立网格数据，对所述网格数据进行几何配准和重采样后转化为格网尺度的评价单元；
步骤S2、利用SPSS软件对所述评价单元进行数据降维，采用主成分分析法对降维数据进行生态脆弱性评价，获得生态脆弱性权重；
步骤S3、基于所述生态脆弱性权重将生态脆弱性指数作为因变量，利用因子探测模型获取各因变量对生态脆弱性指数的影响力及解释力，定量评价生态脆弱性指标。
2.根据权利要求1所述的一种高速公路路域的生态脆弱性评价方法，其特征在于：所述步骤S1中，利用ArcGIS软件计算所述遥感数据统计数据类型，采用极差法对数据类型进行标准化处理获取数据正向指标和负向指标，并将标准化均值设置在0至1之间，并对标准化结果统一坐标系建立网格数据，所述极差法获取正向指标uij和负向指标u’ ij公式为：
其中，Xij表示第i个指标在第j个网格的数值，Xij min和Xij max分别表示第i个指标的最小值和最大值，β表示第i个指标最小值和最大值之间的权值。
3.根据权利要求2所述的一种高速公路路域的生态脆弱性评价方法，其特征在于，通过所述标准化数据的正向指标uij和负向指标u’ ij对网格数据进行原始数据降维，利用主成分分析法对降维数据进行适切性检测，获取累积贡献率大于百分之八十五的十个主成分，并将所述十个主成分对应的贡献率作为权重，根据贡献率权重分析生态脆弱性指数，所述贡献率及生态脆弱性指数Evl计算公式为：
Fk＝1/n(a1kX1+a2kX2+…+ankXn)
Evl＝b1F1+b2F2+…+bnFn
其中，Fk表示第k个主成分，a1k,a2k,…,ank为第k个主成分对应的各指标特征向量，X1，X2，…，Xn为各正向、负向指标，n表示指标数量，F1,F2,…,Fn表示1,2,…,n个主成分，b1,b2,…,bn表示第1,2,…,n个主成分的贡献率，Evl表示生态脆弱性指数。
4.根据权利要求3所述的一种高速公路路域的生态脆弱性评价方法，其特征在于，根据所述生态脆弱性指数Evl获取生态标准化数据的特征值，通过所述特征值将高速公路路域生态脆弱性划分等级，进行生态脆弱性特征描述构建生态脆弱性评价指标体系，具体为：
根据所述生态标准化数据的特征值建立判断矩阵，利用SPSSAU数据处理平台计算权重，通过一致性检验结果核实评价结果合理性，获取一致性数据处理结果的权重值；
将权重值的相关指标通过极差法进行运算，获取不同因素下的熵值和差异系数；
通过权重值与熵值通过耦合赋权方式建立高可信度的生态环境脆弱性综合权重耦合模型，公式为：
Di＝αCi+(1-α)Si
其中，Di表示第i个指标在耦合模型下计算的权重结果，Ci表示第i个在层次分析法下的权重，Si表示第i个在标熵权法下计算的权重，α表示偏好系数。
5.根据权利要求4所述的一种高速公路路域的生态脆弱性评价方法，其特征在于，依据所述生态脆弱性评价指标体系计算不同时间生态脆弱性指数数值分析区域生态环境的相对差异性，公式为：
其中，SEVI表示脆弱性综合指数，i,(i＝1,2,…,n)表示指标个数，wi表示指标权重，Ti表示生态脆弱性评价指标标准化值；
根据脆弱性综合指数SEVI基于地理数据处理平台中进行的自然断点法，通过空间聚类法计算不同指标下的脆弱性综合指数的数据方差，并比较方差大小值，获取不同类别的间断点，划分生态脆弱性最优等级。
6.根据权利要求5所述的一种高速公路路域的生态脆弱性评价方法，其特征在于，所述脆弱性综合指数SEVI通过公路路域生态全局空间自相关系数度量生态脆弱性指标，所述全局空间自相关系数由公路路域生态数据组成的空间权重矩阵组成。
7.根据权利要求6所述的一种高速公路路域的生态脆弱性评价方法，其特征在于，根据所述全局空间自相关系数获取公路路域生态恢复力因子，构建因子探测模型表征区域生态恢复能力，具体为：
将各评价指标利用ArcGIS的自然断点法对各指标矢量数据进行离散化处理，利用ArcGIS中的多值提取至点工具，将所有生态脆弱性划分等级值提取并匹配到格网上；
运用地理探测器模型，将得到的各评价指标类型作为自变量，生态脆弱性等级作为因变量进行运算，根据地理探测器所得结果得出各指标对生态脆弱性指数的影响力及解释力。
8.根据权利要求7所述的一种高速公路路域的生态脆弱性评价方法，其特征在于，所述地理探测器模型利用比较不同自变量类别中因变量方差和总体方差之间的关系，来计算因子的解释能力，通过单因子解释力来评估自变量因子对因变量变化的贡献程度，检验某个地理因素是否是导致空间分异的原因，公式为：
其中，q表示因子解释能力，h＝1,2,…,l表示变量因子的分区数，Nh表示分区h，N表示全部区域单元数，表示分区h的生态脆弱强度方差，σ2表示全局的生态脆弱强度方差。
9.根据权利要求7所述的一种高速公路路域的生态脆弱性评价方法，其特征在于，所述地理探测器模型通过分析不同因子之间的交互作用获取生态脆弱性等级因变量的解释力。
10.一种根据权利要求9所述的高速公路路域的生态脆弱性评价方法，其特征在于，所述因变量的解释力通过线性耦合以权值形式正向评价生态脆弱性。
CN202311025096.2A 2023-08-15 2023-08-15 一种高速公路路域的生态脆弱性评价方法 Pending CN117078077A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311025096.2A CN117078077A (zh) 2023-08-15 2023-08-15 一种高速公路路域的生态脆弱性评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311025096.2A CN117078077A (zh) 2023-08-15 2023-08-15 一种高速公路路域的生态脆弱性评价方法

Publications (1)

Publication Number Publication Date
CN117078077A true CN117078077A (zh) 2023-11-17

Family

ID=88716388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311025096.2A Pending CN117078077A (zh) 2023-08-15 2023-08-15 一种高速公路路域的生态脆弱性评价方法

Country Status (1)

Country Link
CN (1) CN117078077A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117522652A (zh) * 2023-12-11 2024-02-06 云南大学 人居环境脆弱性评价方法、系统、智能终端及存储介质
CN117634729A (zh) * 2023-11-24 2024-03-01 湖北省地理国情监测中心 一种自然资源监测中重点水源区的生态脆弱性评价方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117634729A (zh) * 2023-11-24 2024-03-01 湖北省地理国情监测中心 一种自然资源监测中重点水源区的生态脆弱性评价方法
CN117522652A (zh) * 2023-12-11 2024-02-06 云南大学 人居环境脆弱性评价方法、系统、智能终端及存储介质
CN117522652B (zh) * 2023-12-11 2024-05-31 云南大学 人居环境脆弱性评价方法、系统、智能终端及存储介质

Similar Documents

Publication Publication Date Title
CN110097297B (zh) 一种多维度窃电态势智能感知方法、系统、设备及介质
Allen et al. Quantifying uncertainty in high-resolution coupled hydrodynamic-ecosystem models
CN117078077A (zh) 一种高速公路路域的生态脆弱性评价方法
CN110634080A (zh) 异常用电检测方法、装置、设备及计算机可读存储介质
CN111651545A (zh) 一种基于多源数据融合的城市边缘区提取方法
CN104807589B (zh) 一种集输－立管系统内气液两相流流型的在线识别方法
CN110234811B (zh) 道路坍塌风险度评价装置、评价方法及评价用计算机程序
CN116777223B (zh) 一种城市地下管网安全综合风险评估方法及系统
CN111523088A (zh) 一种基于dpsir模型的生态环境评价方法
CN111797188B (zh) 一种基于开源地理空间矢量数据的城市功能区定量识别方法
Mishra et al. Rainfall-runoff modeling using clustering and regression analysis for the river brahmaputra basin
CN111612241A (zh) 智能船舶路径规划功能实现性的综合评价方法
CN114266289A (zh) 一种复杂装备健康状态评估方法
Renigier-Biłozor et al. Modern challenges of property market analysis-homogeneous areas determination
CN101976222B (zh) 一种基于框架的实时嵌入式软件可测试性测量方法
Lewis et al. A novel neural network technique for the valuation of residential property
Berke Estimation and prediction in the spatial linear model
CN112950048A (zh) 基于模糊综合评价的国家高等教育体系健康评价
CN117745096A (zh) 一种控制网布测方案评价方法及系统
CN102156298A (zh) 一种基于非统计假设检验的地震动强度快速评定方法
CN114880954A (zh) 一种基于机器学习的滑坡敏感性的评估方法
CN115203643A (zh) 融合水文与生态要素的水源涵养功能定量诊断方法及系统
CN114626692A (zh) 镇村规模结构优化方法、系统、计算机设备和存储介质
CN112365563A (zh) 降雨频率图集数字化和暴雨高风险区划可视化分析系统
Li et al. Identifying urban form typologies in seoul with mixture model based clustering

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