CN117494860B - 一种基于土地资源的生态系统评价方法及相关设备 - Google Patents

一种基于土地资源的生态系统评价方法及相关设备 Download PDF

Info

Publication number
CN117494860B
CN117494860B CN202310956214.5A CN202310956214A CN117494860B CN 117494860 B CN117494860 B CN 117494860B CN 202310956214 A CN202310956214 A CN 202310956214A CN 117494860 B CN117494860 B CN 117494860B
Authority
CN
China
Prior art keywords
data
land resource
evolution
land
ecological
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.)
Active
Application number
CN202310956214.5A
Other languages
English (en)
Other versions
CN117494860A (zh
Inventor
范钦栋
李春林
魏国杰
晏洪浩
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.)
Henan Construction Engineering Design Co ltd
Henan Urban And Rural Planning And Design Research Institute Co ltd
Institute of Applied Ecology of CAS
North China University of Water Resources and Electric Power
Original Assignee
Henan Construction Engineering Design Co ltd
Henan Urban And Rural Planning And Design Research Institute Co ltd
Institute of Applied Ecology of CAS
North China University of Water Resources and Electric Power
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 Henan Construction Engineering Design Co ltd, Henan Urban And Rural Planning And Design Research Institute Co ltd, Institute of Applied Ecology of CAS, North China University of Water Resources and Electric Power filed Critical Henan Construction Engineering Design Co ltd
Priority to CN202310956214.5A priority Critical patent/CN117494860B/zh
Publication of CN117494860A publication Critical patent/CN117494860A/zh
Application granted granted Critical
Publication of CN117494860B publication Critical patent/CN117494860B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Mathematical Analysis (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于土地资源的生态系统评价方法及相关设备，其中方法包括：获取指定区域在连续设定个周期的生态系统数据和土地资源数据，根据该生态系统数据和土地资源数据，得到生态系统与土地资源的影响力矩阵，并根据该影响力矩阵和生态系统的建设规划数据得到权重矩阵；然后采用预测神经网络模型，根据所述土地资源演变矩阵得到土地资源预测演变数据，并采用所述权重矩阵对所述土地资源预测演变数据进行校正；根据校正后的所述土地资源预测演变数据得到土地资源预测数据，并根据所述土地资源预测数据得到所述建设规划数据的评价结果。本发明所提供的技术方案，能够提高对生态系统的建设规划数据评价的准确性。

Description

一种基于土地资源的生态系统评价方法及相关设备
技术领域
本发明涉及生态系统评价技术领域，特别是涉及一种基于土地资源的生态系统评价方法及相关设备。
背景技术
生态系统是指在自然界的一定的空间内生物与环境构成的统一整体，在这个统一整体中，生物与环境之间相互影响、相互制约，并在一定时期内处于相对稳定的动态平衡状态。
随着人类活动范围的增加和变化，对生态系统的类型和范围也在发生变化，目前人们改变生态环境的方法是通过改变生物改变环境。在改变生态环境时，需要根据目的制定改造计划，但是如果改造计划不合理，不仅不能达到预期效果，而且会对原有的土地资源不可逆的损害。现有技术中在评价生态系统时，都是根据生态系统的结构和分布对生态系统进行评价，无法准确地根据对土地资源造成的影响评价生态系统的优劣。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于土地资源的生态系统评价方法及相关设备，能够根据生态系统对土地资源造成的影响对生态系统进行评价，达到提高对生态系统评价的准确性的目的。
具体地，本发明提供了一种基于土地资源的生态系统评价方法，包括：
获取指定区域在连续设定个周期的生态系统数据和土地资源数据；
根据各所述生态系统数据得到生态二维矩阵，根据各所述土地资源数据得到土地资源二维矩阵；
根据所述生态二维矩阵得到生态演变矩阵，根据所述土地资源二维矩阵得到土地资源演变矩阵，并根据所述生态演变矩阵和所述土地资源演变矩阵进行影响力提取，以得到影响力矩阵；
获取生态系统的建设规划数据，根据所述建设规划数据得到生态规划演变数据，并根据所述影响力矩阵和所述生态规划演变数据得到权重矩阵；
采用预测神经网络模型，根据所述土地资源演变矩阵得到土地资源预测演变数据，并采用所述权重矩阵对所述土地资源预测演变数据进行校正；
根据校正后的所述土地资源预测演变数据得到土地资源预测数据，并根据所述土地资源预测数据得到所述建设规划数据的评价结果。
根据本发明的一个实施例，所述采用预测神经网络模型，根据所述土地资源演变矩阵得到土地资源预测演变数据，包括：
获取土地资源初始演变数据；
采用所述预测神经网络获取所述土地资源初始演变数据的评分，并判断所述评分是否大于预设值；
若是，则将所述土地资源初始演变数据作为所述土地资源预测演变数据；
若否，则对所述土地资源初始演变数据进行更新。
根据本发明的一个实施例，所述的获取土地资源初始演变数据，包括：根据所述土地资源演变矩阵得到所述土地资源初始演变数据。
根据本发明的一个实施例，所述预测神经网络模型为基于Conv-LSTM的神经网络模型，其包括一个卷积层和多个Conv-LSTM层。
根据本发明的一个实施例，所述根据所述生态演变矩阵和所述土地资源演变矩阵进行影响力提取，以得到影响力矩阵，包括：
根据所述生态演变矩阵中的生态演变数据，以及所述土地资源演变矩阵中的土地资源演变数据进行关系拟合，以得到各所述生态演变数据对各所述土地资源演变数据的影响力。
根据本发明的一个实施例，所述根据所述土地资源预测数据得到所述建设规划数据的评价结果，包括：
获取生态系统评价模型；
将所述土地资源预测数据输入所述生态系统评价模型，以得到所述预期生态系统数据的评分。
根据本发明的一个实施例，所述根据所述土地资源预测数据得到所述建设规划数据的评价结果，包括：
获取生态系统评价模型；
将所述土地资源预测数据输入所述生态系统评价模型，以得到所述预期生态系统数据的预测评分；
将所述指定区域的土地资源当前数据输入所述生态系统评价模型，以得到所述土地资源当前数据的当前评分；
根据所述预测评分和所述当前评分之间的差值，得到所述评价结果。
根据本发明的一个实施例，所述获取生态系统评价模型，包括：根据各类土地资源的生态价值和占比，建立所述生态系统评价模型。
另一方面，本发明还提供了一种机器可读存储介质，其上存储有机器可执行程序，所述机器可执行程序被处理器执行时，实现根据上述任一项实施例所述的基于土地资源的生态系统评价方法。
又一方面，本发明还提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的机器可执行程序，并且所述处理器执行所述机器可执行程序时，实现根据上述任一项实施例所述的基于土地资源的生态系统评价方法。
本发明所提供的技术方案，根据指定区域在连续设定个周期的生态系统数据和土地资源数据得到生态系统与土地资源的影响力矩阵，结合该影响力矩阵和生态系统的建设规划数据得到权重矩阵；然后在采用预设神经网络模型得到土地资源预测演变数据后，根据上述权重矩阵对该土地资源预测演变数据进行校正，并根据校正结果得到土地资源预测数据；最后根据土地资源预测数据得到生态系统的建设规划数据的评价结果。由于本发明的技术方案能够根据指定区域在连续设定个周期的生态系统数据和土地资源数据，准确地获取到能够体现生态系统与土地资源之间对应关系的权重矩阵，并采用该权重矩阵对土地资源预测演变数据进行校正，因此可以提高所得到的土地资源预测数据的准确性，进而能够提高对生态系统的建设规划数据评价的准确性。
根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
图1是根据本发明一个实施例的基于土地资源的生态系统评价方法的示意性流程图；
图2是根据本发明一个实施例的根据土地资源演变矩阵得到土地资源预测演变数据的示意性流程图；
图3是根据本发明一个实施例的一种机器可读存储介质的示意图；
图4是根据本发明一个实施例的一种计算机设备的示意图。
具体实施方式
下面参照图1至图4来描述本发明实施例的基于土地资源的生态系统评价方法及相关设备。在本实施例的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征，也即包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个、三个等，除非另有明确具体的限定。当某个特征“包括或者包含”某个或某些其涵盖的特征时，除非另外特别地描述，这指示不排除其它特征和可以进一步包括其它特征。
在本实施例的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
图1是所示出的是本发明的一个实施例的基于土地资源的生态系统评价方法的示意性流程图，该方法包括如下步骤：
步骤S1：获取指定区域在连续设定个周期的生态系统数据和土地资源数据；
步骤S2：根据上述生态系统数据得到生态二维矩阵，根据上述土地资源数据得到土地资源二维矩阵；
步骤S3：根据上述生态二维矩阵得到生态演变矩阵，根据土地资源二维矩阵得到土地资源演变矩阵；
步骤S4：根据上述生态演变矩阵和上述土地资源演变矩阵进行影响力提取，以得到生态系统与土地资源的影响力矩阵；
步骤S5：获取生态系统的建设规划数据，根据该建设规划数据得到生态规划演变数据，并根据该生态规划演变数据和上述影响力矩阵得到权重矩阵；
步骤S6：采用预测神经网络模型，根据上述土地资源演变矩阵得到土地资源预测演变数据；
步骤S7：采用上述权重矩阵对上述土地资源预测演变数据进行校正，并根据校正后的土地资源预测演变数据得到土地资源预测数据；
步骤S8：根据上述土地资源预测数据，得到上述生态系统的建设规划数据的评价结果。
在上述步骤S1中，周期的时间长度根据生态系统的建设规划时长确定，例如，生态系统的建设规划时长为一年，则周期的时间长度也为一年。所得到的生态系统数据包括在各周期内生态系统中各类生态类型的面积，土地资源数据包括在各周期内各类土地资源的面积。
在本实施例中，生态类型可以包括森林、草地、山地、河流、湖泊、湿地、沙漠，土地资源类型可以根据地质进行确定，例如可以分为松软土、普通土、坚土、砂砾坚土、软石、次坚石、坚石和特坚石。
在上述步骤S2中，设周期的数量为N，生态系统中生态类型的数量为M1，土地资源数据中土地资源的种类数量为M2，所得到的生态二维矩阵A为：
其中Ai,j为第i个周期内第j个生态类型的占地面积。所得到的土地资源二维矩阵B为：
其中Bi,j为第i个周期内第j个土地资源类型的占地面积。
在上述步骤S3中，可以将相邻两个周期相同生态类型的占地面积作差，以得到如下生态演变矩阵A'：
其中
A'i,j＝Ai+1,j-Ai,j
将相邻两个周期相同土地资源类型的占地面作差，以得到如下土地资源演变矩阵B'：
其中
B'i,j＝Bi+1,j-Bi,j
在上述步骤S4中，所提取的影响力是指各生态类型对各土地资源类型的影响程度，设所得到的影响力矩阵C为：
其中Cj,i为第j个生态类型对第i种土地资源类型的影响力关系模型。
在上述步骤S5中，在得到生态系统的建设规划数据后，将该建设规划数据中各生态类型的占比面积，与当前生态系统数据中相应生态类型的占地面积作差，即可得到上述预期生态演变数据，并根据该预期生态演变数据与上述影响力矩阵中的数据，得到预设演变数据中各生态类型对各类土地资源的影响，即得到权重矩阵D：
其中Di,j为第i种生态类型对第j种土地资源类型的权重。设在预期生态演变数据中第i种生态类型的占地面积为Ti，在当前土地资源数据中第j种土地资源的占地面积为Uj，则
其中a为生态类型系数，b为土地资源系数。
在上述步骤S6中，上述预测神经网络模型可以为经过训练的神经网络模型，在训练的过程中，可以将连续多个周期的土地资源演变数据作为输入数据，以下一周期的土地资源演变数据作为输出数据。在得到预测神经网络模型后，将土地资源演变矩阵输入到该预测神经网络模型中，即可得到土地资源预测演变数据。在本实施例中，设土地资源预测演变数据的第m种土地资源的预测演变占地面积为ΔSm。
在上述步骤S7中，设第m种土地资源的预测演变占地面积ΔSm经过校正后为ΔS'm，则
设指定区域当前的土地资源数据中第m种土地资源的占地面积为Sm，则在得到的土地资源预测数据中，第m种土地资源的预测占地面积为
S'm＝Sm+ΔS'm
在上述步骤S8中，可以根据土地资源类型建立评价规则，并根据该评价规则对土地资源预测数据进行评价，以得到上述生态系统的建设规划数据的评价结果。
综上所述，本实施例中根据指定区域在连续设定个周期的生态系统数据和土地资源数据得到生态系统与土地资源的影响力矩阵，结合该影响力矩阵和生态系统的建设规划数据得到权重矩阵；然后在采用预设神经网络模型得到土地资源预测演变数据后，根据上述权重矩阵对该土地资源预测演变数据进行校正，并根据校正结果得到土地资源预测数据；最后根据土地资源预测数据得到生态系统的建设规划数据的评价结果。由于本实施例的技术方案能够根据指定区域在连续设定个周期的生态系统数据和土地资源数据，准确地获取到能够体现生态系统与土地资源之间对应关系的权重矩阵，并采用该权重矩阵对土地资源预测演变数据进行校正，因此可以提高所得到的土地资源预测数据的准确性，进而能够提高对生态系统的建设规划数据评价的准确性。
在本发明的一个实施例中，上述预测神经网络模型可以为用于对土地资源演变数据进行评分的神经网络模型，上述步骤S6的采用预测神经网络模型，根据土地资源演变矩阵得到土地资源预测演变数据的流程如图2所示，包括如下步骤：
步骤S21：获取土地资源初始演变数据；
步骤S22：根据上述土地资源初始演变数据和多个周期的土地资源演变数据得到土地资源预测演变矩阵；
步骤S23：将上述土地资源预测演变矩阵输入到预测神经网络模型，以得到土地资源初始演变数据的预测评分；
步骤S24：判断上述预测评分是否大于预设值；
若是，则将上述土地资源初始演变数据作为上述土地资源预测演变数据；
若否，则对上述土地资源初始演变数据进行更新，并返回上述步骤S22。
通过本实施例的设置方式，可以准确地获取土地资源预测演变数据，进而提高所得到的土地资源预测数据的准确性，达到提高对生态系统的建设规划数据评价的准确性。
在本发明的一个实施例中，在上述步骤S21中，可以根据上述土地资源演变矩阵，得到上述土地资源初始演变数据。
在本实施例中，可以将最后一个周期的土地资源演变数据作为上述土地资源初始预测数据，也可以根据最后连续多个周期土地资源演变数据，得到上述土地资源初始演变数据，例如，设多个周期的数量为v，土地资源初始演变数据中第j种土地类型的演变量为B'N,j，则：
上述步骤S22得到的土地资源预测演变矩阵B”为：
通过本实施例的设置方式，可以土地资源初始演变数据的准确性，以减少获取土地资源预测演变数据时的循环次数，提高获取土地资源预测演变数据的准确性。
在本发明的一个实施例中，预测神经网络模型为基于Conv-LSTM的神经网络模型，其包括一个卷积层和多个Conv-LSTM层。
在本实施例中预测神经网络模型中的卷积层和Conv-LSTM层如表1所示。
表1
各层之间插入BatchNormalization(批标准化)层，填充类型是指padding(填充)操作的类型，即为补0策略，填充类型有valid或same两种类型，其中valid代表只进行有效的卷积而对边界数据不处理，same代表保留边界处的卷积结果，使输出数据尺寸与输入数据尺寸相同。当卷积核为3×3且填充类型为valid时，通常会造成输出数据尺寸减小，行列数均减2。可以根据K的大小来调整网络层数，使得矩阵数据序列通过I+2层Conv-LSTM运算单元后输出尺寸为1×1的二维矩阵序列。然后将得到的矩阵序列输入一个卷积核为1×1的Conv-LSTM层，并设置仅得到一个输出。将此数据输入一个1×1的卷积层后经Sigmoid激活函数处理得到一个[0,1]之间的值。
其中x为第I+3层的输出，f(x)为第I+4层的输出，也是预测神经网络的输出，即土地资源预测演变矩阵的预测评分。
通过本实施例的设置方式，可以提高预测神经网络模型的准确性，进而得到土地资源预测演变矩阵的准确评价结果。
在本发明的一个实施例中，上述步骤S4中根据上述生态演变矩阵和土地资源演变矩阵进行影响力提取，以得到生态系统与土地资源的影响力矩阵的方法包括：根据生态演变矩阵中的生态演变数据，以及土地资源演变矩阵中的土地资源演变数据进行关系拟合，以得到各生态演变数据对各土地资源演变数据的影响力。
以第i种土地资源为例，设第j种生态类型对该土地资源的影响力关系模型为gi(zj)，即Cj,i＝gi(zj)，则各种生态类型对该土地资源的总影响力模型为：
其中dh为第h次的系数，H为影响力关系模型gi(zj)中的最高次数，且为正整数。将生态演变矩阵和土地资源演变矩阵中的数据带入上述总影响力模型中，以得到各影响力模型中的系数。例如，将取土地资源演变矩阵B'中第p行第q列作为各种生态类型对该土地资源的总影响力模型的输出，即：
其中
zj＝A'p,j
通过本实施例的设置方式，可以通过关系拟合的方式，准确地获取各生态演变数据对各土地资源演变数据的影响力，以提高获取土地资源预测数据的准确性，进而提高对生态系统的建设规划数据评价的准确性。
在本发明的一个实施例中，步骤S8中根据上述土地资源预测数据，得到上述生态系统的建设规划数据的评价结果的方法包括：
首先，获取生态系统评价模型；
然后，将上述土地资源预测数据输入上述生态系统评价模型，以得到土地资源预测数据的评分；
最后，根据上述土地资源预测数据的评分，得到生态系统的建设规划数据的评价结果。例如，可以判断土地资源预测数据的评分是否大于预期评分，如果大于，则认为上述生态系统的建设规划数据合格；如果不大于，则认为上述生态系统的建设规划数据不合格。
通过本实施例的设置方式，可以根据生态系统评价模型得到生态系统的建设规划数据的评分，并根据该评分判断生态系统的建设规划数据是否合格，以得到生态系统的建设规划数据的准确评价结果。
在本发明的一个实施例中，步骤S8中根据上述土地资源预测数据，得到上述生态系统的建设规划数据的评价结果的方法包括：
首先，获取生态系统评价模型；
然后，将上述土地资源预测数据输入上述生态系统评价模型，以得到土地资源预测数据的预测评分；
接着，将指定区域的土地资源当前数据输入上述生态系统评价模型，以得到土地资源当前数据的当前评分；
最后，计算上述预测评分和当前评分之间的差值，并根据该差值得到上述生态系统的建设规划数据的评价结果，例如，该差值越大，则上述生态系统的建设规划数据越优秀。
通过本实施例的设置方式，可以根据生态系统的建设规划数据与土地资源当前数据的比对，得到生态系统的建设规划数据的评价结果，以提高对生态系统的建设规划数据评价的准确性。
在本发明的一个实施例中，获取生态系统评价模型的方法包括：根据各类土地资源的生态价值，以及各类土地资源的占比，建立生态系统评价模型。
在本实施例中，可以根据各类土地资源的生态价值得到各类土地资源的评价权重，并根据各类土地资源的占比对相应的评价权重进行修正，以得到生态系统评价模型。
例如，设土地资源数据中第i种土地类型的权重为Vi，土地资源的占比为Yi，则所建立的生态系统评价模型为：
其中α为二次系数，β为一次系数，γ为常数，R为土地资源数据的评分。
通过本实施例的设置方式，可以根据各类土地资源的生态价值和占比建立生态系统评价模型，以提高对生态系统的建设规划数据评价的准确性。
本实施例还提供了一种机器可读存储介质和计算机设备。图3是根据本发明一个实施例的机器可读存储介质830的示意图；图4是根据本发明一个实施例的计算机设备900的示意图。机器可读存储介质830其上存储有机器可执行程序840，机器可执行程序840被处理器执行时实现上述任一实施例的基于土地资源的生态系统评价方法。
计算机设备900可以包括存储器920、处理器910及存储在存储器920上并在处理器910上运行的机器可执行程序840，并且处理器910执行机器可执行程序840时实现上述任一实施例的基于土地资源的生态系统评价方法。
需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何机器可读存储介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。
就本实施例的描述而言，机器可读存储介质830可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，机器可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。
计算机设备900可以是例如服务器、台式计算机、笔记本式计算机、平板计算机或智能手机。在一些示例中，计算机设备900可以是云计算节点。计算机设备900可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括执行特定的任务或者实现特定的抽象数据类型的例程、程序、目标程序、组件、逻辑、数据结构等。计算机设备900可以在通过通信网络链接的远程处理设备执行任务的分布式云计算环境中实施。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
计算机设备900可以包括适于执行存储的指令的处理器910、在操作期间为所述指令的操作提供临时存储空间的存储器920。处理器910可以是单核处理器、多核处理器、计算集群或任何数量的其他配置。存储器920可以包括随机存取存储器(RAM)、只读存储器、闪存或任何其他合适的存储系统。
处理器910可以通过系统互连(例如PCI、PCI-Express等)连接到适于将计算机设备900连接到一个或多个I/O设备(输入/输出设备)的I/O接口(输入/输出接口)。I/O设备可以包括例如键盘和指示设备，其中指示设备可以包括触摸板或触摸屏等等。I/O设备可以是计算机设备900的内置组件，或者可以是外部连接到计算设备的设备。
处理器910也可以通过系统互连链接到适于将计算机设备900连接到显示设备的显示接口。显示设备可以包括作为计算机设备900的内置组件的显示屏。显示设备还可以包括外部连接到计算机设备900的计算机监视器、电视机或投影仪等。此外，网络接口控制器(network interface controller，NIC)可以适于通过系统互连将计算机设备900连接到网络。在一些实施例中，NIC可以使用任何合适的接口或协议(诸如因特网小型计算机系统接口等)来传输数据。网络可以是蜂窝网络、无线电网络、广域网(WAN))、局域网(LAN)或因特网等等。远程设备可以通过网络连接到计算设备。
本实施例提供的流程图并不旨在指示方法的操作将以任何特定的顺序执行，或者方法的所有操作都包括在所有的每种情况下。此外方法可以包括附加操作。在本实施例方法提供的技术思路的范围内，可以对上述方法进行附加的变化。
至此，本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的多个示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。

Claims (9)

1.一种基于土地资源的生态系统评价方法，其特征在于，包括：
获取指定区域在连续设定个周期的生态系统数据和土地资源数据；
根据各所述生态系统数据得到生态二维矩阵，根据各所述土地资源数据得到土地资源二维矩阵；
根据所述生态二维矩阵得到生态演变矩阵，根据所述土地资源二维矩阵得到土地资源演变矩阵，并根据所述生态演变矩阵和所述土地资源演变矩阵进行影响力提取，以得到影响力矩阵；包括：
根据所述生态演变矩阵中的生态演变数据，以及所述土地资源演变矩阵中的土地资源演变数据进行关系拟合，以得到各所述生态演变数据对各所述土地资源演变数据的影响力；
获取生态系统的建设规划数据，根据所述建设规划数据得到生态规划演变数据，并根据所述影响力矩阵和所述生态规划演变数据得到权重矩阵；
采用预测神经网络模型，根据所述土地资源演变矩阵得到土地资源预测演变数据，并采用所述权重矩阵对所述土地资源预测演变数据进行校正；
根据校正后的所述土地资源预测演变数据得到土地资源预测数据，并根据所述土地资源预测数据得到所述建设规划数据的评价结果。
2.根据权利要求1所述的生态系统评价方法，其特征在于，所述采用预测神经网络模型，根据所述土地资源演变矩阵得到土地资源预测演变数据，包括：
获取土地资源初始演变数据；
采用所述预测神经网络获取所述土地资源初始演变数据的评分，并判断所述评分是否大于预设值；
若是，则将所述土地资源初始演变数据作为所述土地资源预测演变数据；
若否，则对所述土地资源初始演变数据进行更新。
3.根据权利要求2所述的生态系统评价方法，其特征在于，所述的获取土地资源初始演变数据，包括：根据所述土地资源演变矩阵得到所述土地资源初始演变数据。
4.根据权利要求1所述的生态系统评价方法，其特征在于，所述预测神经网络模型为基于Conv-LSTM的神经网络模型，其包括一个卷积层和多个Conv-LSTM层。
5.根据权利要求1所述的生态系统评价方法，其特征在于，所述根据所述土地资源预测数据得到所述建设规划数据的评价结果，包括：
获取生态系统评价模型；
将所述土地资源预测数据输入所述生态系统评价模型，以得到所述土地资源预测数据的评分。
6.根据权利要求1所述的生态系统评价方法，其特征在于，所述根据所述土地资源预测数据得到所述建设规划数据的评价结果，包括：
获取生态系统评价模型；
将所述土地资源预测数据输入所述生态系统评价模型，以得到预期生态系统数据的预测评分；
将所述指定区域的土地资源当前数据输入所述生态系统评价模型，以得到所述土地资源当前数据的当前评分；
根据所述预测评分和所述当前评分之间的差值，得到所述评价结果。
7.根据权利要求5或6所述的生态系统评价方法，其特征在于，所述获取生态系统评价模型，包括：根据各类土地资源的生态价值和占比，建立所述生态系统评价模型。
8.一种机器可读存储介质，其上存储有机器可执行程序，所述机器可执行程序被处理器执行时，实现根据权利要求1至7任一项所述的基于土地资源的生态系统评价方法。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的机器可执行程序，并且所述处理器执行所述机器可执行程序时，实现根据权利要求1至7任一项所述的基于土地资源的生态系统评价方法。
CN202310956214.5A 2023-07-31 2023-07-31 一种基于土地资源的生态系统评价方法及相关设备 Active CN117494860B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310956214.5A CN117494860B (zh) 2023-07-31 2023-07-31 一种基于土地资源的生态系统评价方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310956214.5A CN117494860B (zh) 2023-07-31 2023-07-31 一种基于土地资源的生态系统评价方法及相关设备

Publications (2)

Publication Number Publication Date
CN117494860A CN117494860A (zh) 2024-02-02
CN117494860B true CN117494860B (zh) 2024-07-26

Family

ID=89671438

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310956214.5A Active CN117494860B (zh) 2023-07-31 2023-07-31 一种基于土地资源的生态系统评价方法及相关设备

Country Status (1)

Country Link
CN (1) CN117494860B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108346108A (zh) * 2018-01-08 2018-07-31 中国矿业大学(北京) 生态交错带的生态系统服务演变分析方法及装置
CN115545482A (zh) * 2022-10-10 2022-12-30 张梦 国土空间规划风险评估方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105912871A (zh) * 2016-04-25 2016-08-31 中国科学院沈阳应用生态研究所 一种北方河岸带植物筛选的综合评价方法
US20200074267A1 (en) * 2018-08-31 2020-03-05 International Business Machines Corporation Data prediction
CN114841560A (zh) * 2022-04-29 2022-08-02 甘肃农业大学 一种基于城市土地利用的生态服务功效评价方法
CN116151413B (zh) * 2022-11-10 2024-04-26 东南大学 一种乡村生态系统碳储量预测方法
CN116070956B (zh) * 2023-02-14 2024-06-21 四川省国土科学技术研究院(四川省卫星应用技术中心) 一种国土空间规划效益评价方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108346108A (zh) * 2018-01-08 2018-07-31 中国矿业大学(北京) 生态交错带的生态系统服务演变分析方法及装置
CN115545482A (zh) * 2022-10-10 2022-12-30 张梦 国土空间规划风险评估方法

Also Published As

Publication number Publication date
CN117494860A (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
Pedercini et al. Harvesting synergy from sustainable development goal interactions
CN109343845A (zh) 一种代码文件生成方法和装置
CN106650928A (zh) 一种神经网络的优化方法及装置
CN106295682A (zh) 一种判断图片质量因子的方法、装置和计算设备
CN111598213B (zh) 网络训练方法、数据识别方法、装置、设备和介质
CN112990478B (zh) 联邦学习数据处理系统
Lang et al. The supermatrix technique: A simple framework for hypothesis testing with missing data
CN111159419A (zh) 基于图卷积的知识追踪数据处理方法、系统和存储介质
CN108805611A (zh) 广告筛选方法及装置
CN110363580A (zh) 信息推荐方法、装置、计算机设备及存储介质
CN114902235A (zh) 用于基于用户选择的因素来训练机器学习模型的系统和方法
US20240153271A1 (en) Method and apparatus for selecting cover of video, computer device, and storage medium
JP2019128904A (ja) 予測システム、シミュレーションシステム、方法およびプログラム
CN110929867A (zh) 神经网络结构的评估、确定方法、装置和存储介质
WO2014070878A4 (en) Systems and methods of establishing and measuring trust relationships in a community of online users
Lin et al. Cuckoo search and teaching–learning-based optimization algorithms for optimum synthesis of path-generating four-bar mechanisms
CN117494860B (zh) 一种基于土地资源的生态系统评价方法及相关设备
JP2020155010A (ja) ニューラルネットワークのモデル縮約装置
CN114492742A (zh) 神经网络结构搜索、模型发布方法、电子设备和存储介质
CN106779062A (zh) 一种基于残差网络的多层感知机人工神经网络
CN110866866B (zh) 图像仿色处理方法、装置、电子设备及存储介质
CN112836804A (zh) 图像处理方法、装置、电子设备及存储介质
CN116956049A (zh) 工业产能预测模型的训练方法、装置、设备及存储介质
CN104850306B (zh) 一种智能终端完全图标排列方法及装置
US20160217540A1 (en) Determining a school rank utilizing perturbed data sets

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
GR01 Patent grant
GR01 Patent grant