CN117093890A - 一种能源资源开发区域生态环境综合评价方法 - Google Patents
一种能源资源开发区域生态环境综合评价方法 Download PDFInfo
- Publication number
- CN117093890A CN117093890A CN202310835548.7A CN202310835548A CN117093890A CN 117093890 A CN117093890 A CN 117093890A CN 202310835548 A CN202310835548 A CN 202310835548A CN 117093890 A CN117093890 A CN 117093890A
- Authority
- CN
- China
- Prior art keywords
- ecological environment
- energy resource
- resource development
- data
- evaluation
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 118
- 238000011161 development Methods 0.000 title claims abstract description 92
- 239000002245 particle Substances 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000009826 distribution Methods 0.000 claims abstract description 20
- 230000004044 response Effects 0.000 claims abstract description 20
- 230000002776 aggregation Effects 0.000 claims abstract description 19
- 238000004220 aggregation Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000010276 construction Methods 0.000 claims abstract description 12
- 238000013210 evaluation model Methods 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 238000010219 correlation analysis Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 39
- 238000004458 analytical method Methods 0.000 claims description 27
- 230000000694 effects Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000001364 causal effect Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种能源资源开发区域生态环境综合评价方法,适用于生态环境领域。其方法包括:针对区域能源资源开发特色,从能源资源开发、压力、状态和响应4个方面提取生态环境评价指标,构建DPSR模型,以此建立能源资源开发区域生态环境评价指标体系;采集数据并处理,建立区域特色指标体系数据集;设计粒子群算法优化投影寻踪区域生态环境评价模型,定量分析区域生态环境质量;采用空间自相关分析区域生态环境质量的空间聚集和离散特征;基于地理探测器探析各评价指标对生态环境质量空间分布特征的影响作用机制,综上实现目标区域生态环境综合评价。能够科学准确评价并分析能源资源开发区域的生态环境状况,为生态文明建设提供有效技术支持。
Description
技术领域
本发明涉及一种能源资源开发区域生态环境综合评价方法,适用于生态环境领域。
背景技术
随着工业化和城镇化的快速推进,资源环境整体形势日趋严峻,但是,能源资源开发区域多分布于荒漠、戈壁和草地为主的生态环境脆弱区,区域生态自我修复能力差,生态功能与能源资源开发建设产生冲突,中长期累积效应极有可能危及区域生态安全,影响区域生态环境质量。因此,亟待开展能源资源开发背景下的生态环境综合评价,探究引起生态环境质量深刻变化的社会经济、能源资源开发等因素。
然而,目前能源资源开发区域进行生态环境评价的研究较少,尚未形成规范化、标准化的生态环境评价技术体系。包括缺乏系统的能源资源开发区域生态环境评价指标体系,以及还未针对能源资源开发区域构建客观、科学、合理的生态环境综合评价及分析模型。针对上述问题,本发明立足于能源资源开发背景,构建了区域生态环境影响综合评价模型,可以科学评估区域生态环境质量并揭示其时序变化规律及空间分异特征,为建立区域资源环境承载力预警机制,提高区域生态环境治理水平提供科学依据。
现有技术包括:
专利号为CN202110842725.5公开了一种矿山地质环境综合评价方法,其方法如下:步骤一,利用数据采集模块采集反应矿山环境信息的质、量特征;步骤二,利用数据处理模块对采集的数据进行数字化处理;步骤三,通过数据的清洗、补充、基于主成分分析算法,实现数据的降维,提取评价因子;步骤四,基于层次分析法与数据分析模块输出的因子数据建模,建立影响因子与生态环境质量评价值之间的关系;步骤五,运用确定的权重值,计算不同等级矿山环境质量综合评价值。该方法仅仅考虑了矿山的生态环境评价,而未考虑新能源开发等其它能源资源开发区域的生态环境状况,而且其所用层次分析法和主成分分析法等在评价时容易受到主观条件的干扰,且有时对生态环境不够敏感,无法得出客观准确的生态环境评估结果。
专利号为CN202111263504.9公开了一种矿区生态环境遥感综合评价指数实现方法,其方法如下:A、采集研究区的时序数据,构建地表覆盖类型分类器;B、分别对四大类研究区按选取表征指标进行遥感反演;C、通过最大值最小值归一化模型进行参数标准化处理;D、根据步骤C的标准化数据进行主成分提取,逐像元遍历获取第一主成分作为评价指数CMEI结果。该方法基于遥感数据进行矿区生态环境评价,虽可以通过卫星观测数据进行客观的长时序分析,但其无法兼顾地表社会经济背景等影响,而且碍于遥感数据的分辨率和精度,其可选研究尺度也受到影响。而且其未考虑新能源开发等其它能源资源开发区域的生态环境状况。
发明内容
技术问题:针对现有技术的不足之处,提供一种能源资源开发区域生态环境综合评价方法,该方法综合考虑了能源资源开发背景下自然环境和社会经济因素对区域生态环境质量的影响,对现有的PSR模型进行了改进,将能源资源开发作为PSR模型影响因子引入,提出顾及能源资源开发的DPSR模型。基于所构建的DPSR模型建立能够精确表征区域能源资源开发生态环境状况的综合评价指标体系,并以此为基础,设计了粒子群算法优化投影寻踪区域生态环境评价模型,科学评估区域生态环境质量并揭示其时序变化规律及空间分异特征,有助于协调经济发展和生态环境之间的关系,为提高区域生态环境治理水平提供科学依据。
为了实现上述技术目的,本发明公开一种能源资源开发区域生态环境综合评价方法,其特征在于:将化石能源和新能源开发区域及其临近地区作为能源资源开发区域,通过考虑能源资源开发区域特有的生态环境因素,进行该区域生态环境综合评价,其包括如下步骤:
步骤1、综合能源资源开发区域生态环境现状,从能源资源开发D、压力P、状态S和响应R四个方面提取生态环境评价指标,并构建DPSR模型,以此建立能源资源开发区域生态环境评价指标体系;
步骤2、采集评价指标体系数据,经过数据清洗、格式转化、边界裁剪处理后建立各评价指标的栅格图层数据集;
步骤3、设计粒子群算法对投影寻踪模型进行优化,构建区域生态环境评价模型,以所得各评价指标栅格图层数据集中的栅格单元属性值作为输入,定量分析生态环境质量,同时,利用最佳自然断裂法将生态环境质量进行定性分级,从而获得生态环境质量分级评价结果;
步骤4、采用空间自相关技术对上述所得定性生态环境质量进行分析,基于Moran's I指数探析区域生态环境质量的空间聚集特征及分散程度;
步骤5、基于地理探测器分析各评价指标对区域生态环境质量空间分布特征的影响作用机制,并针对各评价指标进行两两因子交互探测,得出各评价指标与生态环境质量空间分布特征的相关性;
步骤6、综合空间分布特征分析结果和各评价指标与生态环境质量之间的相关性分析结果,完成对目标区域生态环境的综合评价。
进一步,针对现有PSR模型的改进设计DPSR模型,包括能源资源开发D、压力P、状态S和响应R四个部分,各个部分通过因果关系进行连接:能源资源开发D驱动压力P,压力P影响状态S,状态S促使响应R,响应R反馈于能源资源开发D、压力P和状态S;四部分指标能够完整地体现能源资源开发区域生态环境的综合状况,揭示能源资源开发给区域生态环境造成的压力,从而引起区域生态环境、自然资源的状态改变,最终促使针对生态环境状态、生态环境压力和能源资源开发现状的一系列相应响应措施产生;DPSR模型涵盖人类活动、社会经济、自然资源、环境等要素,能够反映它们之间的相互影响关系,以表明能源资源开发驱动下,人类活动和社会经济给区域自然资源和生态环境带来的威胁,也可通过响应指标来表明人类活动及其环境改善的投入对现实的反馈。
进一步,采集到的指标体系数据首先需要通过GIS方法进行栅格化处理,之后统一栅格单元大小,将每个指标对应于一个栅格图层,每个栅格图层中的栅格单元具有的属性值对应于指标数据;数据清洗包括去除重复数据、填补缺失数据、处理异常数据,其中填补数据集中的缺失数据时根据数据特征使用插值、平均值方法处理,处理数据集中的异常数据时根据数据特征进行剔除或替换为插值、平均值数据;边界裁剪时,基于行政边界数据裁剪出能源资源开发区域的栅格单元范围。
进一步,投影寻踪模型通过将高维数据投影在一维空间上得到多维数据的最佳指标特征向量和综合评价值,构建投影寻踪模型具体步骤如下:
4.1数据标准化:
对于与生态环境呈正相关的指标为:
Xi=[xi-min(xi)]/[max(xi)-min(xi)] 公式(1)
对于与生态环境具有负相关性的指标为:
Yi=[max(yi)-yi]/[max(yi)-min(yi)] 公式(2)
其中,Xi表示正相关指标的标准化值,xi表示正相关指标的初始值,Yi表示负相关指标的标准化值,yi表示负相关指标的初始值,i表示样本数据序列;
4.2投影目标函数构造:
设样本集为{x(i,j)|i=1,2,..,n;j=1,2,..,m},其中m是指评价指标的数量,n是样本的数量,m维数据沿方向c={c(1),c(2),c(3),…,c(m)}的一维投影值Vi表示为:
其中,cj表示第j维数据的投影方向向量;
为满足局部投影点最大程度聚集和整体投影尽可能分散的两个要求,建立投影目标函数Q(c):
Q(c)=S(c)×D(c) 公式(4)
其中,S(c)是类间距离,D(c)是类内密度,E(Vi)是{Vi|i=1,2,…,n}的平均值,rij为样本间距离,rij=(Vi-Vj),R为局部密度的窗口半径,f(R-rij)为阶跃函数,其中R大于rij,f(R-rij)等于1,否则等于0。D(c)代表投影点的聚合级别;D(c)的值越大,点越聚集;
4.3投影目标函数优化:
对投影目标函数进一步优化:投影目标函数Q(c)的变化由投影方向c决定,不同的投影方向反映不同的数据结构特征,因此需要找出最佳的投影方向,最大投影目标函数及其约束条件s.t.表示为:
Max:Q(c)=S(c)×D(c) 公式(7)
当满足公式(7)和公式(8)所规定约束条件时最大投影目标函数即为最佳投影方向向量。
进一步,利用粒子群优化算法来确定最佳投影方向,具体步骤如下:
5.1初始化,设定粒子群规模、粒子维度、最大迭代次数、惯性权值、粒子位置和速度、学习因子,并随机生成粒子的位置序列和速度序列;
5.2计算粒子的适应度值,设定个体极值Pbest和全局极值gbest;
5.3判断迭代次数是否达到最大迭代次数或满足误差要求,如果是,则进行第5.4步,否则,更新粒子,然后跳到第5.2步;
5.4求得最终值,其值为全局极值。
将全局极值gbest作为最佳投影方向c*带入公式(4)中得最大投影目标函数Q*(c),即满足公式(7)和公式(8)所规定约束条件,此时的最大投影目标函数值对应的方向向量即为最佳投影方向向量。
进一步,利用最佳投影方向向量的各分量作为各评价指标的权重与相应评价指标标准化值相乘,再将乘积求和从而构建区域生态环境评价模型EEQ,其表达式如下:
其中,ui代表各评价指标的权重;wi为每个评价指标的标准化值;n为评价指标的个数;cj表示第j维数据的投影方向向量,即为最佳投影方向向量在第j维的分量,为使其为正值,做平方处理。
进一步,利用GIS技术对所得区域定性生态环境质量进行空间自相关分析:
基于生态环境质量定性分级评价结果,采用全局Moran's I指数探析生态环境质量空间的空间聚集特征和离散程度I,I介于-1和1之间:
当I>0时,说明生态环境空间表现为聚类趋势;
当I<0时,说明生态环境空间表现为离散趋势;
I=0时,说明生态环境空间具有随机性;
基于上述分析步骤的分析结果,采用局部Moran's I指数探析生态环境质量聚集和离散的空间分布特征。
进一步,基于地理探测器分析各评价指标对区域生态环境质量空间分布特征的影响作用机制的具体方法为:将各生态环境评价指标作为解释变量,区域生态环境质量的定性分级结果对应的栅格单元作为因变量导入Geodetector中,运行得到分析报告,提取其中的分异及因子探测结果与交互作用探测结果。
与现有技术相比,本发明具有以下有益效果:
本发明综合考虑了能源资源开发背景下自然环境和社会经济因素对区域生态环境质量的影响,对现有的PSR模型进行了改进,将能源资源开发作为PSR模型影响因子引入,提出顾及能源资源开发的DPSR模型。基于所构建的DPSR模型建立生态环境综合评价体系,相较于传统方法选取指标因子的单一偏性视角,综合了自然环境和社会经济等多维度评价指标因子,更能够精确直观表征能源资源开发背景下的生态环境状况;同时,现有技术多针对狭义的能源资源开发区域进行生态环境评价,如某一类矿山等,本发明将新能源开发区域也纳入评价范畴,使得评价更具有通用性和适用性。
本发明将投影寻踪模型用于能源资源开发区域的生态环境评价,有效降低了人为主观因素影响,所得评价结果具有客观性和准确性。而且,该模型泛化能力较强,能够用于不同空间尺度的能源资源开发区域的生态环境评价。同时,本发明采用粒子群算法对投影寻踪模型进行优化,优化后的模型性能优良,计算效率高,评价精度优于传统投影寻踪模型,更优于传统生态环境评价方法,其所得评价结果与实际生态环境状况更为相符。
本发明以生态环境分级评价结果为基础,基于空间自相关和地理探测器分析态环境质量的空间聚集特征及各评价指标对生态环境质量空间分布特征的影响作用规律,有助于协调能源资源开发区域的经济发展和生态环境之间的关系,为提高区域生态环境治理水平提供科学依据。
附图说明
图1是本发明的能源资源开发区域生态环境综合评价方法流程示意图。
图2是本发明中区域生态环境评价的DPSR模型概念示意图。
图3是本发明中粒子群优化投影寻踪区域生态环境评价模型构建路线示意图。
图4是本发明中的生态环境空间分布特征分析路线示意图。
图5是本发明中的生态环境驱动因素分析路线示意图。
具体实施方式
为了更清楚地说明本申请实施例的技术方案,下面结合附图和实例对本发明方法作进一步描述:
如图1所示,为本发明的一种能源资源开发区域生态环境综合评价方法,步骤为:首先,针对区域能源资源开发特色,从能源资源开发D、压力P、状态S和响应R4个方面提取生态环境评价指标,并构建DPSR模型,以此建立能源资源开发区域生态环境评价指标体系;采集数据并处理,建立区域特色生态环境指标体系数据集。其次,设计粒子群算法优化投影寻踪区域生态环境评价模型,定量分析区域生态环境质量。接着,利用空间自相关分析区域生态环境质量的空间聚集和离散特征,分析不同生态环境质量等级之间的共性和差异性。最后,基于地理探测器探析区域生态环境质量的空间异质性,分析各评价指标对生态环境质量空间分布特征的影响作用机制,综上实现目标区域的生态环境综合评价。
本发明一种能源资源开发区域生态环境综合评价方法,主要包括以下步骤:
步骤1、综合目标区域生态环境现状,顾及能源资源开发D、压力P、状态S和响应R四个方面构建区域生态环境评价的DPSR概念模型,以此建立能源资源开发区域生态环境评价指标体系,指标提取自地质、气象、社会经济、地理遥感和能源资源开发等方面。
如图2所示,本发明的区域生态环境评价的DPSR概念模型:图中分为能源资源开发、压力、状态和响应4个部分,每个部分通过因果关系箭头进行连接:能源资源开发D驱动压力P,压力P影响状态S,状态S促使响应R,响应R反馈于能源资源开发D、压力P和状态S,并通过若干指标体现;4部分指标能够完整地体现能源资源开发区域生态环境的综合状况,揭示能源资源开发给区域生态环境造成的压力,从而引起区域生态环境、自然资源的状态改变,最终促使针对生态环境状态、生态环境压力和能源资源开发现状的一系列相应响应措施产生;DPSR模型涵盖人类活动、社会经济、自然资源、环境等要素,能够反映它们之间的相互影响关系,以表明能源资源开发驱动下,人类活动和社会经济给区域自然资源和生态环境带来的威胁,也可通过响应指标来表明人类活动及其环境改善的投入对现实的反馈。
本发明实施例基于所构建的DPSR模型,共提取4个层面共27个指标作为综合评价分析的依据,优选建立如表1所示的评价指标体系。
表1能源资源开发区域生态环境综合评价指标体系
步骤2、采集步骤1所述生态环境综合评价指标体系中要求的指标数据,经过数据清洗、格式转化、边界裁剪等处理后建立指标体系数据集;其中,指标体系数据获取自国家青藏高原科学数据中心、国家冰川冻土沙漠科学数据中心、圣路易斯华盛顿大学大气成分分析网站、中国科学院资源环境科学数据中心、NASA地球科学数据网站、国家自然资源部、国家气象信息中心、统计年鉴等平台;其中,数据清洗包括去除重复数据、填补缺失数据、处理异常数据;其中,填补数据集中的缺失数据时根据数据特征使用插值、平均值方法处理;处理数据集中的异常数据时根据数据特征进行剔除或替换为插值、平均值数据;其中,格式转化时,将各指标数据导入ArcGIS软件,利用【ArcToolbox】工具箱中的栅格转换工具对数据进行栅格化处理,每个指标对应于一个栅格图层,每个栅格图层中的栅格单元具有的属性值对应于指标数据,并统一栅格单元大小为100m×100m,所有指标的计算均在对应栅格单元中进行;同时基于行政边界数据,利用【ArcToolbox】工具箱中的栅格裁剪工具分割提取出能源资源开发区域的栅格单元范围。
表1所示能源资源开发区域生态环境综合评价指标体系的数据在进行栅格化处理时,可分为定性指标数据和定量指标数据。对于定量指标数据,以实际值赋值于栅格单元;而对于定性数据,需要根据评价指标对生态环境影响程度的等级划分标准进行评判赋值处理,然后赋值于对应的栅格单元。
步骤3、设计粒子群算法对投影寻踪模型进行优化,构建区域生态环境评价模型,以所得各评价指标栅格图层数据集中的栅格单元属性值作为输入,定量分析生态环境质量,同时,利用最佳自然断裂法将生态环境质量进行定性分级。
如图3所示,本发明的粒子群优化投影寻踪区域生态环境评价模型构建过程为:投影寻踪模型通过将高维数据投影在一维空间上得到多维数据的最佳指标特征向量和综合评价值,该模型的构建需要三个步骤,即数据标准化、投影目标函数构造、投影目标函数优化;具体步骤如下:
1)数据标准化
对于与生态环境呈正相关的指标:
Xi=[xi-min(xi)]/[max(xi)-min(xi)] 公式(1)
对于具有负相关性的指标:
Xi=[max(xi)-xi]/[max(xi)-min(xi)] 公式(2)
其中,Xi表示正相关指标的标准化值,xi表示正相关指标的初始值,Yi表示负相关指标的标准化值,yi表示负相关指标的初始值,i表示样本数据序列。
2)投影目标函数构造
样本集是{x(i,j)|i=1,2,..,n;j=1,2,..,m},其中m是指评价指标的数量,n是样本的数量,m维数据沿方向c={c(1),c(2),c(3),…,c(m)}的一维投影(Vi)表示为:
其中,cj表示第j维数据的投影方向向量。
为满足局部投影点最大程度聚集和整体投影尽可能分散的两个要求,建立投影目标函数:
Q(c)=S(c)×D(c) 公式(4)
其中,S(c)是类间距离,D(c)是类内密度,E(Vi)是{Vi|i=1,2,…,n}的平均值,rij为样本间距离,rij=(Vi-Vj),R为局部密度的窗口半径,f(R-rij)为阶跃函数,其中R大于rij,f(R-rij)等于1,否则等于0。D(c)代表投影点的聚合级别;D(c)的值越大,点越聚集。
3)投影目标函数优化
初步构造的投影目标函数可以进一步优化。投影目标函数Q(c)的变化由投影方向c决定。不同的投影方向可以反映不同的数据结构特征,因此需要找出最优的投影方向。最大投影目标函数及其约束条件表示为:
Max:Q(c)=S(c)×D(c) 公式(7)
当满足公式(7)和公式(8)所规定约束条件时最大投影目标函数即为最佳投影方向向量。
考虑到最佳投影方向的计算是一个复杂的非线性优化问题,采用粒子群优化算法来确定最佳投影方向,具体步骤如下:
1)初始化,设定粒子群规模n、粒子中维度D、最大迭代次数maxgen、惯性权值ω、粒子位置和速度、学习因子,并随机生成粒子的位置序列Present和速度序列V;包括:
a.确定粒子群规模n:
粒子群规模指设立粒子种群中所有个体的数量,其值大小影响算法运算复杂度,选择种群规模需要在精度、稳定性和运行时间之间进行权衡,这里根据已有研究经验并结合变量数据特点,设定种群规模为n=50,以兼顾了模型运行时间和精度要求;
b.确定粒子维度D:
粒子维度由投影目标函数中的自变量个数确定,对应于评价指标的数量。
c.初始化粒子位置和速度:
粒子的初始速度由最大速度Vmax决定,即当前位置到最佳位置之间所取速度值的最大限度,初始速度取值在[-Vmax,Vmax]范围内,最大速度Vmax的取值在粒子对应维度变化区间10%-20%范围内,粒子初始化位置设置在在自变量定义域内;
d.规定惯性权重:
基于算法开始阶段保证最优全局搜索性能,算法后期保证最优局部搜索性能的原则,采用线性递减方案LDIW来确定惯性权重ω的取值:
其中ωs为初始惯性权重;ωe为最终惯性权重;t表示当前进化代数;tmax为最大进化代数;
e.规定学习因子:
学习因子为粒子移动时的加速因子,学习因子取值设定为2;
f.规定最大迭代次数:
最大进化代数取值范围设为[50,100],其值越大,收敛速度越慢,这需要在优化过程中根据实际情况进行调整,这里设置最大迭代次数maxgen=50。
2)计算粒子的适应度值,设定Pbest和gbest;包括:
a.确定适应度函数:
适应度函数用于计算粒子适应度值,具体如下:
其中,F为当前粒子适应度值;α为随机系数,用于调节适应度值处于合理范围内;yi为实际输出数据;为期望输出数据;n为训练样本个数。
b.第i个粒子在整个D维解空间中搜索到的最优位置称为个体极值,记为:
Pbest=(pi1,pi2,…,piD),i=1,2,…,N 公式(11)
c.整个粒子群搜索到的整个D维解空间中的最优位置称为全局极值,记为:
gbest=g(pg1,pg2,…,pgD) 公式(12)
3)判断迭代次数是否达到maxgen次或满足误差要求,如果是,则进行第4)步,否则,根据式(13)、(14)更新粒子,然后跳到第2)步;包括:
只要粒子找到个体极值和全局极值,便可以通过式(13)、(14)来更新自己的状态,也就是改变自己当前速度与位置:
vid(t+1)=ω*vid(t)+c1r1(pid-xid(t))+c2r2(pgd-xid(t)) 公式(13)
xid(t+1)=xid(t)+vid(t+1) 公式(14)
其中,ω为惯性权重;c1,c2是学习因子,取值区间在(0,2)之间;vim是粒子的速度;t表示第t代;r1,r2是在(0,1)之间的任意数。
4)求得最终值,其值为gbest。
将全局极值gbest作为最佳投影方向c*带入公式(4)中可得最大投影目标函数Q*(c),即满足公式(7)和公式(8)所规定约束条件,此时的最大投影目标函数值对应的方向向量即为最佳投影方向向量。
区域生态环境模型EEQ的构建采用所述最佳投影方向向量作为各评价指标的权重与相应评价指标标准化值相乘,并将乘积加和得到,其可由如下公式表示:
其中,ui代表各评价指标的权重;wi为每个评价指标的标准化值;n为评价指标的个数;cj表示第j维数据的投影方向向量,即为最佳投影方向向量在第j维的分量,为使其为正值,做平方处理。
最后,利用最佳自然断裂法将生态环境质量进行定性分级,共划分为优、良、中、低、差五个等级。
以上粒子群优化投影寻踪的区域生态环境评价模型的构建在Python环境中进行。
步骤4、利用ArcGIS软件对上述所得定性生态环境质量进行空间自相关分析,基于Moran's I指数探析区域生态生态环境质量的空间聚集特征及分散程度。
如图4所示,本发明的生态环境空间分布特征分析路线为:利用ArcGIS软件对所得区域定性生态环境质量进行空间自相关分析,具体步骤包括:
1)全局Moran's I指数分析
运行【ArcToolbox】工具箱中的【Spatial Autocorrelation(Morans I)】工具,输入区域生态环境质量定性评价结果对应的栅格单元,进行参数设置后探析生态环境质量空间的聚集和离散程度,所用计算公式如下:
其中,I为全局自相关指标,n为元素总量,xi和xj分别为空间单元i和j的生态环境质量水平,为生态环境质量平均值,wij为空间权重系数矩阵;I介于-1和1之间,当I>0时,说明生态环境空间表现为聚类趋势;当I<0时,说明生态环境空间表现为离散趋势;I=0时,说明生态环境空间具有随机性。
2)局部Moran's I指数分析
运行【ArcToolbox】工具箱中的【Cluster and OutlierAnalysis(Anselin LocalMorans I)】工具输入上述分析步骤的分析结果,进行参数设置后探析生态环境质量聚集和离散的空间分布特征,所用计算公式如下:
其中,Ip为局部自相关指标,n为元素总量,xi和xj分别为空间单元i和j的生态环境质量水平,为生态环境质量平均值,wij为空间权重系数矩阵。
所得分析结果中,Not Significant表示没有显著性;High-High Cluster表示生态环境高高聚集;High-Low Outlier表示生态环境高低聚集;Low-High Outlier表示生态环境低高聚集;Low-Low Cluster表示生态环境低低聚集。最后对所得评价结果进行可视化分析。
步骤5、基于地理探测器分析各评价指标对区域生态环境质量空间分布特征的驱动机制,并进行因子交互探测,分析各评价指标对生态环境交互作用的结果,以此得出各评价指标与生态环境空间分布的相关性。
如图5所示,生态环境驱动因素分析步骤为:利用地理探测器分析各评价指标对能源资源开发区域生态环境质量空间分布特征的影响作用规律,具体方法为:将各生态环境评价指标作为解释变量,区域生态环境质量的定性分级结果对应的栅格单元作为因变量导入Geodetector中,运行得到分析报告,提取其中的分异及因子探测结果与交互作用探测结果。
步骤6、综合空间分布特征分析结果和各评价指标与生态环境质量之间的相关性分析结果,完成对目标区域生态环境的综合评价。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种能源资源开发区域生态环境综合评价方法,其特征在于:将化石能源和新能源开发区域及其临近地区作为能源资源开发区域,通过考虑能源资源开发区域特有的生态环境因素,进行该区域生态环境综合评价,其包括如下步骤:
步骤1、综合能源资源开发区域生态环境现状,从能源资源开发D、压力P、状态S和响应R四个方面提取生态环境评价指标,并构建DPSR模型,以此建立能源资源开发区域生态环境评价指标体系;
步骤2、采集评价指标体系数据,经过数据清洗、格式转化、边界裁剪处理后建立各评价指标的栅格图层数据集;
步骤3、设计粒子群算法对投影寻踪模型进行优化,构建区域生态环境评价模型,以所得各评价指标栅格图层数据集中的栅格单元属性值作为输入,定量分析生态环境质量,同时,利用最佳自然断裂法将生态环境质量进行定性分级,从而获得生态环境质量分级评价结果;
步骤4、采用空间自相关技术对上述所得定性生态环境质量进行分析,基于Moran's I指数探析区域生态环境质量的空间聚集特征及分散程度;
步骤5、基于地理探测器分析各评价指标对区域生态环境质量空间分布特征的影响作用机制,并针对各评价指标进行两两因子交互探测,得出各评价指标与生态环境质量空间分布特征的相关性;
步骤6、综合空间分布特征分析结果和各评价指标与生态环境质量之间的相关性分析结果,完成对目标区域生态环境的综合评价。
2.根据权利要求1所述的一种能源资源开发区域生态环境综合评价方法,其特征在于:针对现有PSR模型的改进设计DPSR模型,包括能源资源开发D、压力P、状态S和响应R四个部分,各个部分通过因果关系进行连接:能源资源开发D驱动压力P,压力P影响状态S,状态S促使响应R,响应R反馈于能源资源开发D、压力P和状态S;四部分指标能够完整地体现能源资源开发区域生态环境的综合状况,揭示能源资源开发给区域生态环境造成的压力,从而引起区域生态环境、自然资源的状态改变,最终促使针对生态环境状态、生态环境压力和能源资源开发现状的一系列相应响应措施产生;DPSR模型涵盖人类活动、社会经济、自然资源、环境等要素,能够反映它们之间的相互影响关系,以表明能源资源开发驱动下,人类活动和社会经济给区域自然资源和生态环境带来的威胁,也可通过响应指标来表明人类活动及其环境改善的投入对现实的反馈。
3.根据权利要求1所述的一种能源资源开发区域生态环境综合评价方法,其特征在于:采集到的指标体系数据首先需要通过GIS方法进行栅格化处理,之后统一栅格单元大小,将每个指标对应于一个栅格图层,每个栅格图层中的栅格单元具有的属性值对应于指标数据;数据清洗包括去除重复数据、填补缺失数据、处理异常数据,其中填补数据集中的缺失数据时根据数据特征使用插值、平均值方法处理,处理数据集中的异常数据时根据数据特征进行剔除或替换为插值、平均值数据;边界裁剪时,基于行政边界数据裁剪出能源资源开发区域的栅格单元范围。
4.根据权利要求1所述的一种能源资源开发区域生态环境综合评价方法,其特征在于,投影寻踪模型通过将高维数据投影在一维空间上得到多维数据的最佳指标特征向量和综合评价值,构建投影寻踪模型具体步骤如下:
4.1数据标准化:
对于与生态环境呈正相关的指标为:
Xi=[xi-min(xi)]/[max(xi)-min(xi)] 公式(1)
对于与生态环境具有负相关性的指标为:
Yi=[max(yi)-yi]/[max(yi)-min(yi)] 公式(2)
其中,Xi表示正相关指标的标准化值,xi表示正相关指标的初始值,Yi表示负相关指标的标准化值,yi表示负相关指标的初始值,i表示样本数据序列;
4.2投影目标函数构造:
设样本集为{x(i,j)|i=1,2,..,n;j=1,2,..,m},其中m是指评价指标的数量,n是样本的数量,m维数据沿方向c={c(1),c(2),c(3),…,c(m)}的一维投影值Vi表示为:
其中,cj表示第j维数据的投影方向向量;
为满足局部投影点最大程度聚集和整体投影尽可能分散的两个要求,建立投影目标函数Q(c):
Q(c)=S(c)×D(c) 公式(4)
其中,S(c)是类间距离,D(c)是类内密度,E(Vi)是{Vi|i=1,2,…,n}的平均值,rij为样本间距离,rij=(Vi-Vj),R为局部密度的窗口半径,f(R-rij)为阶跃函数,其中R大于rij,f(R-rij)等于1,否则等于0。D(c)代表投影点的聚合级别;D(c)的值越大,点越聚集;
4.3投影目标函数优化:
对投影目标函数进一步优化:投影目标函数Q(c)的变化由投影方向c决定,不同的投影方向反映不同的数据结构特征,因此需要找出最佳的投影方向,最大投影目标函数及其约束条件s.t.表示为:
Max:Q(c)=S(c)×D(c) 公式(7)
当满足公式(7)和公式(8)所规定约束条件时最大投影目标函数即为最佳投影方向向量。
5.根据权利要求4所述的一种能源资源开发区域生态环境综合评价方法,其特征在于,利用粒子群优化算法来确定最佳投影方向,具体步骤如下:
5.1初始化,设定粒子群规模、粒子维度、最大迭代次数、惯性权值、粒子位置和速度、学习因子,并随机生成粒子的位置序列和速度序列;
5.2计算粒子的适应度值,设定个体极值Pbest和全局极值gbest;
5.3判断迭代次数是否达到最大迭代次数或满足误差要求,如果是,则进行第5.4步,否则,更新粒子,然后跳到第5.2步;
5.4求得最终值,其值为全局极值。
将全局极值gbest作为最佳投影方向c*带入公式(4)中得最大投影目标函数Q*(c),即满足公式(7)和公式(8)所规定约束条件,此时的最大投影目标函数值对应的方向向量即为最佳投影方向向量。
6.根据权利要求5所述的一种能源资源开发区域生态环境综合评价方法,其特征在于,利用最佳投影方向向量的各分量作为各评价指标的权重与相应评价指标标准化值相乘,再将乘积求和从而构建区域生态环境评价模型EEQ,其表达式如下:
其中,ui代表各评价指标的权重;wi为每个评价指标的标准化值;n为评价指标的个数;cj表示第j维数据的投影方向向量,即为最佳投影方向向量在第j维的分量,为使其为正值,做平方处理。
7.根据权利要求1所述的一种能源资源开发区域生态环境综合评价方法,其特征在于,利用GIS技术对所得区域定性生态环境质量进行空间自相关分析:
基于生态环境质量定性分级评价结果,采用全局Moran's I指数探析生态环境质量空间的空间聚集特征和离散程度I,I介于-1和1之间:
当I>0时,说明生态环境空间表现为聚类趋势;
当I<0时,说明生态环境空间表现为离散趋势;
I=0时,说明生态环境空间具有随机性;
基于上述分析步骤的分析结果,采用局部Moran's I指数探析生态环境质量聚集和离散的空间分布特征。
8.根据权利要求1所述的一种能源资源开发区域生态环境综合评价方法,其特征在于,基于地理探测器分析各评价指标对区域生态环境质量空间分布特征的影响作用机制的具体方法为:将各生态环境评价指标作为解释变量,区域生态环境质量的定性分级结果对应的栅格单元作为因变量导入Geodetector中,运行得到分析报告,提取其中的分异及因子探测结果与交互作用探测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310835548.7A CN117093890A (zh) | 2023-07-10 | 2023-07-10 | 一种能源资源开发区域生态环境综合评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310835548.7A CN117093890A (zh) | 2023-07-10 | 2023-07-10 | 一种能源资源开发区域生态环境综合评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117093890A true CN117093890A (zh) | 2023-11-21 |
Family
ID=88782525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310835548.7A Pending CN117093890A (zh) | 2023-07-10 | 2023-07-10 | 一种能源资源开发区域生态环境综合评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117093890A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117710176A (zh) * | 2024-02-05 | 2024-03-15 | 中国水产科学研究院南海水产研究所 | 一种生态海堤牡蛎礁的生态营造与修复方法及系统 |
-
2023
- 2023-07-10 CN CN202310835548.7A patent/CN117093890A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117710176A (zh) * | 2024-02-05 | 2024-03-15 | 中国水产科学研究院南海水产研究所 | 一种生态海堤牡蛎礁的生态营造与修复方法及系统 |
CN117710176B (zh) * | 2024-02-05 | 2024-05-03 | 中国水产科学研究院南海水产研究所 | 一种生态海堤牡蛎礁的生态营造与修复方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110442666B (zh) | 一种基于神经网络模型的矿产资源预测方法及系统 | |
US8429153B2 (en) | Method and apparatus for classifying known specimens and media using spectral properties and identifying unknown specimens and media | |
Vissio et al. | Evaluating the performance of climate models based on Wasserstein distance | |
CN117011583B (zh) | 一种基于特征数据聚类分析的状态评估方法及系统 | |
CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
CN117093890A (zh) | 一种能源资源开发区域生态环境综合评价方法 | |
CN111582387A (zh) | 一种岩石光谱特征融合分类方法及系统 | |
CN107909062A (zh) | 一种基于信息熵的遥感影像特征离散化方法及系统 | |
CN117593653B (zh) | 基于遥感监测的地质灾害预警方法 | |
CN117725448A (zh) | 气象导航信号特征的聚类分析方法 | |
Zeybek | Inlier point preservation in outlier points removed from the ALS point cloud | |
CN110260914A (zh) | 一种基于测点时空特征的工程安全监测系统区域划分方法 | |
Liu et al. | Research on 3D Geological Modeling Method Based on Deep Neural Networks for Drilling Data | |
Stankova et al. | OLAP technology and machine learning as the tools for validation of the numerical models of convective clouds | |
CN112151185A (zh) | 一种儿童呼吸疾病与环境数据关联分析方法及系统 | |
Chen et al. | Model evaluation and intercomparison of marine warm low cloud fractions with neural network ensembles | |
Attanasi et al. | Random forest | |
Bilal et al. | Reduced major axis regression | |
Cevik et al. | Machine learning in the mineral resource sector: An overview | |
Lou et al. | A Hybrid K-means Method based on Modified Rat Swarm Optimization Algorithm for Data Clustering | |
Gann | Quantitative spatial upscaling of categorical data in the context of landscape ecology: A new scaling algorithm | |
Silva et al. | Using an Interpretable Machine Learning Approach to Characterize Earth System Model Errors: Application of SHAP Analysis to Modeling Lightning Flash Occurrence | |
Filzmoser | Robust statistics | |
Hillier | Radial Basis Functions | |
Wu et al. | Unsupervised learning and similarity comparison of water mass characteristics with Gaussian mixture model for visualizing ocean data |
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 |