CN117829684A - 一种生态环境质量的评估方法及相关设备 - Google Patents

一种生态环境质量的评估方法及相关设备 Download PDF

Info

Publication number
CN117829684A
CN117829684A CN202410239596.4A CN202410239596A CN117829684A CN 117829684 A CN117829684 A CN 117829684A CN 202410239596 A CN202410239596 A CN 202410239596A CN 117829684 A CN117829684 A CN 117829684A
Authority
CN
China
Prior art keywords
data
generate
target
target area
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.)
Granted
Application number
CN202410239596.4A
Other languages
English (en)
Other versions
CN117829684B (zh
Inventor
王芳
张珣
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.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources of CAS
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 Institute of Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN202410239596.4A priority Critical patent/CN117829684B/zh
Priority claimed from CN202410239596.4A external-priority patent/CN117829684B/zh
Publication of CN117829684A publication Critical patent/CN117829684A/zh
Application granted granted Critical
Publication of CN117829684B publication Critical patent/CN117829684B/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
    • G06Q10/06—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
    • G06Q10/06395—Quality analysis or management
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种生态环境质量的评估方法及相关设备，应用于数据处理技术领域。本申请获取训练样本集和目标区域的土地类型信息；对训练样本集进行预处理，生成带有目标特征数据的训练样本集；基于带有目标特征数据的训练样本集对预设评价指数模型进行处理，生成目标评价指标模型；基于目标评价指标模型对目标区域的土地类型信息进行处理，生成目标区域的评价权重系数和评价数据；对评价权重系数和评价数据进行预处理，生成目标区域的综合评分；基于生态质量评估模型对目标区域的综合评分进行处理，生成目标区域的生态质量系数；基于预设处理规则对生态质量系数进行处理，生成目标区域的生态质量数据。

Description

一种生态环境质量的评估方法及相关设备
技术领域
本发明涉及数据处理技术领域，特别涉及一种生态环境质量的评估方法及相关设备。
背景技术
生态文明建设是促进生态环境质量改善的重要项目，目前生态环境的质量变化中，既有气象条件的影响，又有人为条件的影响。气象条件和人类活动对生态环境的影响往往纠缠在一起，难以分离。目前用于区域生态质量评价的方法有多种，如主成分分析法、聚类分析法、距离判别法、模糊数学评价法、灰色系统评价法、物元分析法、层次分析法等。相比较而言，由于层次分析法具有高度的逻辑性、系统性、灵活性与实用性的特点，且较为成熟，从而成为区域生态质量评价的主流方法之一。
层次分析法的基本思路是将所研究的问题视做一个大系统，通过对系统的多个因素的分析，划分出各因素之间相互联系的有序层次，然后对每一个层次的各个因素进行客观地判断后，建立相应的评价指标体系，给出每一层次全部因素的相对重要性的权重值，并加以排序，最后则根据排序结果进行规划决策和选择解决问题的措施。其中，评价指标体系的构建是一个关键问题。
在区域生态质量评价工作中，传统的层次分析法选取评价指标体系纷繁复杂，有些指标收集困难，或因难以获取，直接制约了区域生态质量状况的动态评价。生态脆弱区普遍存在着土壤贫瘠、水土流失或沙化严重、灾害频发、植被稀疏或植被功能低下等问题，生态环境状况总体上不容乐观。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本申请的目的在于提供一种生态环境质量的评估方法及相关设备，至少在一定程度上克服现有技术存在的问题，通过训练样本集生成目标评价指标模型，确认目标评价指标模型的评价权重因子和评价权重系数，将待评估区域的信息输入到目标评价指标模型中，从而获得对应的评价权重系数和评价数据，生成目标区域的综合分数，并基于综合分数获取影响目标区域的影响因子，并基于该影响因子生成目标区域的生态质量数据，从而更加准确的对目标区域的生态环境质量进行评估。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
根据本申请的一个方面，提供一种生态环境质量的评估方法，包括：获取训练样本集和目标区域的土地类型信息，其中，所述训练样本集包括若干已评估区域的土地类型信息，所述目标区域为待评估区域；对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集；基于所述带有目标特征数据的训练样本集对预设评价指数模型进行处理，生成目标评价指标模型；基于目标评价指标模型对所述目标区域的土地类型信息进行处理，生成目标区域的评价权重系数和评价数据；对所述评价权重系数和所述评价数据进行预处理，生成目标区域的综合评分；基于生态质量评估模型对所述目标区域的综合评分进行处理，生成目标区域的生态质量系数；基于预设处理规则对所述生态质量系数进行处理，生成目标区域的生态质量数据。
在本申请的一个实施例中，所述对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集，包括：对所述训练样本集进行特征提取，确定原始特征库；根据所述原始特征库划分各个特征数据集，生成训练数据集和测试数据集；利用分类器对原始特征库划分各个测试数据集进行预测，确定预测结果；使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果；根据预测结果以及测试集类预测结果，生成目标特征数据。
在本申请的一个实施例中，所述对所述训练样本集进行特征提取，包括：构建地域因子分析模型；基于所述地域因子分析模型对所述训练样本集进行处理，生成若干地域的特征信息；基于主成分分析法对所述地域因子分析模型进行处理，生成各地域特征类型的主成分得分值。
在本申请的一个实施例中，所述基于生态质量评估模型对所述目标区域的综合评分进行处理，生成目标区域的生态质量系数，包括：获取目标区域对应的图像信息；对所述图像信息进行切片处理，生成多个局部图像；基于生态质量评估模型分别对多个局部图像进行处理，分别生成多个局部图像对应的分数；分别对所述多个局部图像对应的分数进行处理，获取与生成对应局部图像分数占比最大的影响因子；基于所述影响因子生成目标区域的生态质量系数。
在本申请的一个实施例中，所述基于所述带有目标特征数据的训练样本集对预设评价指数模型进行处理，生成目标评价指标模型，包括：将所述带有目标特征数据的训练样本集基于预设比例划分为用于训练所述预设评价指数模型的训练集和用于测试所述预设评价指数的测试集；从所述训练集中提取多组数据组，其中，每组数据组均包含预设数量的数据样本，其中，至少一个数据样本包括目标特征数据；基于多组所述数据组中的数据样本对所述预设评价指数模型进行训练，生成训练后的评价指数模型；基于所述测试集对所述训练后的评价指数模型进行处理，生成测试结果；若所述测试结果中包含目标特征数据的数据样本为生态质量数据大于预设阈值的地域信息，则将所述训练后的评价指数模型作为目标评价指数模型。
在本申请的一个实施例中，所述从所述训练集中提取多组数据组，包括：基于目标特征数据对所述训练集进行划分，生成若干数量的数类样本；获取所述训练集中任一数量少于预设阈值的数类样本；基于所述任一数量少于预设阈值的数类样本与同类别的其他数量少于预设阈值的数类样本之间的距离，生成相邻样本，其中，所述相邻样本包括所述任一数量少于预设阈值的数类样本的预设数量；对所述相邻样本进行采样，生成预设数量的采样样本；基于任一少数类样本与每个采样样本，生成多组数据组。
在本申请的一个实施例中，所述对所述相邻样本进行采样，生成预设数量的采样样本，包括：基于所述训练集中各数类样本的数量，确定采样比例；基于所述采样比例，确定采样比率；基于所述采样比率对所述相邻样本进行采样，生成预设数量的采样样本。
本申请的另一个方面，一种生态环境质量的评估装置，其特征在于，所述装置包括：获取模块，用于获取训练样本集和目标区域的土地类型信息，其中，所述训练样本集包括若干已评估区域的土地类型信息，所述目标区域为待评估区域；处理模块，用于对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集；基于所述带有目标特征数据的训练样本集对预设评价指数模型进行处理，生成目标评价指标模型；基于目标评价指标模型对所述目标区域的土地类型信息进行处理，生成目标区域的评价权重系数和评价数据；对所述评价权重系数和所述评价数据进行预处理，生成目标区域的综合评分；基于生态质量评估模型对所述目标区域的综合评分进行处理，生成目标区域的生态质量系数；基于预设处理规则对所述生态质量系数进行处理，生成目标区域的生态质量数据。
根据本申请的再一个方面，一种电子设备，其特征在于，包括：第一处理器；以及存储器，用于存储所述第一处理器的可执行指令；其中，所述第一处理器配置为经由执行所述可执行指令来执行实现上述的生态环境质量的评估方法。
根据本申请的又一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被第二处理器执行时实现上述的生态环境质量的评估方法。
根据本申请的又一个方面，提供一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被第三处理器执行时实现上述的生态环境质量的评估方法。
本申请所提供的一种生态环境质量的评估方法及相关设备，由服务器获取训练样本集和目标区域的土地类型信息，其中，训练样本集包括若干已评估区域的土地类型信息，目标区域为待评估区域；对训练样本集进行预处理，生成带有目标特征数据的训练样本集；基于带有目标特征数据的训练样本集对预设评价指数模型进行处理，生成目标评价指标模型；基于目标评价指标模型对目标区域的土地类型信息进行处理，生成目标区域的评价权重系数和评价数据；对评价权重系数和评价数据进行预处理，生成目标区域的综合评分；基于生态质量评估模型对目标区域的综合评分进行处理，生成目标区域的生态质量系数；基于预设处理规则对生态质量系数进行处理，生成目标区域的生态质量数据。通过训练样本集生成目标评价指标模型，确认目标评价指标模型的评价权重因子和评价权重系数，将待评估区域的信息输入到目标评价指标模型中，从而获得对应的评价权重系数和评价数据，生成目标区域的综合分数，并基于综合分数获取影响目标区域的影响因子，并基于该影响因子生成目标区域的生态质量数据，从而更加准确的对目标区域的生态环境质量进行评估。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
图1示出本申请一实施例所提供的一种生态环境质量的评估方法的流程图；
图2示出了本申请一实施例所提供的一种生态环境质量的评估装置的结构示意图；
图3示出了本申请一实施例所提供的一种电子设备的结构示意图；
图4示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
下面结合图1来描述根据本申请示例性实施方式的生态环境质量的评估方法。需要注意的是，下述应用场景仅是为了便于理解本申请的精神和原理而示出，本申请的实施方式在此方面不受任何限制。相反，本申请的实施方式可以应用于适用的任何场景。
一种实施方式中，本申请还提出一种生态环境质量的评估方法及相关设备。图1示意性地示出了根据本申请实施方式的一种生态环境质量的评估方法的流程示意图。如图1所示，该方法应用于服务器，包括：
S101，获取训练样本集和目标区域的土地类型信息。
一种实施方式中，训练样本集包括若干已评估区域的土地类型信息，目标区域为待评估区域。本方案不对如何获取已评估区域的土地类型信息进行限定，只要能实现即可，可以是通过查找文献进行倒推，也可以是直接查询相应的资料获取。土地类型信息包括但不限于风蚀荒漠化地区、水蚀荒漠化地区、冻融荒漠化地区和盐渍化地区。
S102，对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集。
一种实施方式中，目标特征数据为生态质量数据大于预设阈值的地域信息，生态质量数据大于预设阈值，则意味着，当前数据样本为生态环境质量较好的地域信息，其中，可以是植被覆盖率较高、水土保持性较高等等。地域信息还将包括但不限于生态状态指标、生态格局指标、生态结构指标以及生态功能指标；生态状态指标包括有机质含量、侵蚀沟面积比例、粘沙比、气温年较差及土壤含盐量；生态格局指标包括生态用地面积占比、景观多样性指数、水蚀荒漠化土地面积占比、风蚀荒漠化土地面积占比、冻融荒漠化土地面积占比及盐渍化土地面积占比；生态结构指标包括植被覆盖指数、重点保护生物指数、植被净初级生产力指数；生态功能指标包括生态系统调节指数、水土保持指数、防风固沙指数、冻融侵蚀指数及盐渍化指，本实施例不对此进行具体的限定说明。
另一种实施方式中，对训练样本集进行特征提取，确定原始特征库，其中，特征提取包括原始特征、统计特征、频域特征、时域特征四种特征，所提取的常用特征具体介绍如下：原始特征：原始特征是将收集得到的数据，经过预处理之后，使用每个样本数据矩阵中的所有信息，用于模型的训练。为不丢失样本信息，直接将样本Xi的每条曲线展开，拉伸为行向量。统计特征：统计特征是考虑曲线上所有数据点的变化趋势。通过提取统计特征，可降低数据样本的维度，方便对基因数据进行分析，加快模型训练时的收敛速度。所提取的统计特征包括最大值、最小值、均值、方差、标准差。频域特征：对数据集进行小波变换，将二阶小波变换得到的系数作为新的特征，构成频域特征。时域特征：时域特征主要是从时间的角度出发，研究信号与系统的变化规律，时域特征可以反应曲线数据在时间变化之中的信息。该过程主要提取数据集的一阶前向差分构成一阶差分时域特征，并采用指数移动平均特征处理方法。
另一种实施方式中，构建地域因子分析模型；基于地域因子分析模型对训练样本集进行处理，生成若干地域的特征信息；基于主成分分析法对地域因子分析模型进行处理，生成各地域特征类型的主成分得分值。地域的特征信息包括地形地貌特征、土壤类型与土壤质地特征、土地利用与植被覆盖特征、流域的气候特征和流域结构特征。地域因子分析模型中包括各地域特征类型对应的属性因子，例如，地域特征类型为土壤含水量时，其对应的属性因子为年平均降水量、年平均蒸发量、年最大24小时降雨量；地域特征类型为地形时，其对应的属性因子为平均高程、平均坡度、最长汇流路径比；地域特征类型为土地类型时，其对应的属性因子为林地、草地、耕地、水域及水利设施、建筑用地所占比重；地域特征类型为土壤时，其对应的属性因子为砂土、壤土、壤砂土、碎砾石、粉壤土、粘土等；地域特征类型为流域结果，其对应的属性因子为流域面积、形状系数、河网密度等。对上述五种地域特征类型分别进行主成分分析，提取各类型的主成分信息。
另一种实施方式中，根据原始特征库划分各个特征数据集，生成训练数据集和测试数据集，利用现有的技术对原始特征库进行划分，生成训练数据集和测试数据集，本实施例中只要能进行划分即可，采用什么方式并不作任何限制。利用分类器对原始特征库划分各个测试数据集进行预测，确定预测结果，使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果，根据预测结果以及测试集类预测结果，生成目标特征数据。使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果，实施例中只要能得到测试集类预测结果即可，采用什么算法并不作任何限制。根据预测结果以及测试集类预测结果，生成目标特征数据。判断Evalfeature和Evaloriginal的分类结果，若Evalfeature与Evaloriginal相比得到提高，则将该特征并入Dfusion，待遍历结束后得到最终的目标特征数据Dfusion。具体地，获取训练数据集对应的数据分类结果，因为每个训练数据集的分类结果都是事先能够确定的，可以直接在外界获取得到该数据。对比预测结果与数据分类结果，确定第一对比结果；对比测试集类预测结果与数据分类结果，确定第二对比结果；判断第二对比结果与第一对比结果是否满足预设要求时，当满足预设要求时，将对应的各个特征确定为目标特征数据。
基于预设特征筛选规则对特征数据进行处理，生成目标特征数据，特征数据包括但不限于Cplant植物吸收因子(m/day)，SMDmax土壤最大缺水量(mm)，Ksoil土壤吸附常数(/day)，n和温度有关的非线性吸附常数(-)，FSD土壤溅蚀系数(s/m)，ESD土壤溅蚀能力(kg/m2/s)，Veg植被覆盖量，FTC土壤输送系数(kg/m2/km2)；nTC土壤输送非线性常数。当上述特征数据的值大于预设阈值时，则将对应的特征数据作为目标特征数据，其中，目标特征数据为生态质量数据大于预设阈值的地域信息。
另一种实施方式中，构建地域因子分析模型，基于地域因子分析模型对训练样本集进行处理，生成若干地域的特征信息，基于主成分分析法对地域因子分析模型进行处理，生成各地域特征类型的主成分得分值。地域特征包括地域地形地貌特征、土壤类型与土壤质地特征、土地利用与植被覆盖特征、地域的气候特征和地域结构特征。地域因子分析模型中包括各地域特征类型对应的属性因子，例如，地域特征类型为气候时，其对应的属性因子为年平均降水量、年平均蒸发量、年最大24小时降雨量；地域特征类型为地形时，其对应的属性因子为平均高程、平均坡度、最长汇流路径比；地域特征类型为土地利用时，其对应的属性因子为林地、草地、耕地、水域及水利设施、建筑用地所占比重；地域特征类型为土壤时，其对应的属性因子为砂土、壤土、壤砂土、碎砾石、粉壤土、粘土等；地域特征类型为地域结果，其对应的属性因子为地域面积、形状系数、河网密度等。对上述五种地域特征类型分别进行主成分分析，提取各类型的主成分信息。
S103，基于所述带有目标特征数据的训练样本集对预设评价指数模型进行处理，生成目标评价指标模型。
一种实施方式中，将带有目标特征数据的训练样本集基于预设比例划分为用于训练预设评价指数模型的训练集和用于测试预设评价指数的测试集，其中，比例可以按照需要来设定，比如1:8或者1:5等；从训练集中提取多组数据组，其中，每组数据组均包含预设数量的数据样本，其中，至少一个数据样本包括目标特征数据；基于多组数据组中的数据样本对预设评价指数模型进行训练，生成训练后的评价指数模型；基于测试集对训练后的评价指数模型进行处理，生成测试结果；若测试结果中包含目标特征数据的数据样本为生态质量数据大于预设阈值的地域信息，则将训练后的评价指数模型作为目标评价指数模型。
另一种实施方式中，构建预设评价指数模型，基于预设评价指数模型对多个已评估地域进行处理，生成每个已评估地域的目标分数，获取目标分数相同的若干历已评估地域，基于预设评价指数模型对目标分数相同的若干已评估地域进行处理，生成多个地域同时适用的模型参数；基于模型参数对预设评价指数模型进行处理，生成目标评价指数模型。服务器将获取分数相同的已评估地域，并判断影响不同已评估地域的主要影响因子是什么，然后判断不同影响因子之间的关联性，若不同已评估地域的主要影响因子均相同，则表明该主要影响因子的重要性较高，此时，可以提高该主要影响因子的权重比，并将其作为目标评价指数模型的模型参数。
另一种实施方式中，通过对已评估地域进行分析，可以明确哪些特征参数是可供模型进行计算，而通过带有目标特征数据的训练样本集，是为了对可用于计算的参数进行权重比设置，从而使得得出的结论更准确。例如，生态质量数据较好的地域，是哪些因素所导致的，不同生态质量较好的地域，是否主要影响因素都是相同的，这都是一个不断学习的过程。
另一种实施方式中，将带有目标特征数据的训练样本集基于预设比例划分为用于训练预设评价指数模型的训练集和用于测试预设评价指数模型的测试集；从训练集中提取多组数据组，其中，每组数据组均包含预设数量的数据样本，其中，至少一个数据样本包括标识信息；基于多组数据组中的数据样本对预设评价指数模型进行训练，生成训练后的评价指数模型；基于测试集对训练后的评价指数模型进行处理，生成测试结果；若测试结果中包含目标特征数据的数据样本为生态质量数据大于预设阈值的地域信息，则将训练后的评价指数模型作为目标评价指数模型。
S104，基于目标评价指标模型对所述目标区域的土地类型信息进行处理，生成目标区域的评价权重系数和评价数据。
一种实施方式中，评价权重系数包括生态状态指标、生态格局指标、生态结构指标以及生态功能指标。其中，生态状态指标包括有机质含量、侵蚀沟面积比例、粘沙比、气温年较差及土壤含盐量；生态格局指标包括生态用地面积占比、景观多样性指数、水蚀荒漠化土地面积占比、风蚀荒漠化土地面积占比、冻融荒漠化土地面积占比及盐渍化土地面积占比；生态结构指标包括植被覆盖指数、重点保护生物指数、植被净初级生产力指数；生态功能指标包括生态系统调节指数、水土保持指数、防风固沙指数、冻融侵蚀指数及盐渍化指数。
另一种实施方式中，基于单位质量土壤中含有的各种动植物残体与微生物及其分解合成的有机物质的质量，得到有机质含量；基于单位质量土壤中粘土和沙土的比例，得到粘沙比；基于数字高程模型数据获取评价单元内侵蚀沟的面积所占的比例，得到侵蚀沟面积比例；基于一年中最热月月平均气温与最冷月月平均气温之差，得到气温年较差。
另一种实施方式中，生态状态指标的指标权重系数具体为：有机质含量权重为0.3，粘沙比权重为0.7，侵蚀沟面积比例权重为0，气温年较差权重为0，土壤含盐量权重为0；生态格局指标的指标权重系数具体为：生态用地面积占比权重为0.3，景观多样性指数权重为0.3，风蚀荒漠化土地面积占比为0.4，水蚀荒漠化土地面积占比为0，冻融荒漠化土地面积占比为0，盐渍化土地面积占比为0；生态结构指标的指标权重系数具体为：植被覆盖指数权重为0.3，重点保护生物指数权重为0.4，植被净初级生产力指数为0.3；生态功能指标的指标权重系数具体为：生态系统调节指数权重为0.4，防风固沙指数为0.6，水土保持指数权重为0，冻融侵蚀指数权重为0，盐渍化指数权重为0。
另一种实施方式中，生态状态指标的指标权重系数具体为：有机质含量权重为0.5，侵蚀沟面积比例权重为0.5，粘沙比权重为0，气温年较差权重为0，土壤含盐量权重为0；生态格局指标的指标权重系数具体为：生态用地面积占比权重为0.3，景观多样性指数权重为0.3，水蚀荒漠化土地面积占比为0.4，风蚀荒漠化土地面积占比为0，冻融荒漠化土地面积占比为0，盐渍化土地面积占比为0；生态结构指标的指标权重系数具体为：植被覆盖指数权重为0.3，重点保护生物指数权重为0.4，植被净初级生产力指数为0.3；生态功能指标的指标权重系数具体为：生态系统调节指数权重为0.4，水土保持指数权重为0.6，防风固沙指数为0，冻融侵蚀指数权重为0，盐渍化指数权重为0。
S105，对所述评价权重系数和所述评价数据进行预处理，生成目标区域的综合评分。
一种实施方式中，获取多级评价权重系数，确认最底层一级的评价权重的评分标准和第一权重信息，以及最上层一级的评价权重的评分标准和第二权重信息。根据最底层一级的评价权重的第一权重信息和最上层一级的评价权重的第二权重信息获取综合评价权重系数，基于评价数据和综合评价权重系数，生成目标区域的综合评分。
S106，基于生态质量评估模型对所述目标区域的综合评分进行处理，生成目标区域的生态质量系数。
一种实施方式中，获取目标区域对应的图像信息，对图像信息进行切片处理，生成多个局部图像，基于生态质量评估模型分别对多个局部图像进行处理，分别生成多个局部图像对应的分数，将多个局部图像对应的分数进行相加，从而获得目标区域的最终得分。此外，还将分别对多个局部图像对应的分数进行处理，获取与生成对应局部图像分数占比最大的影响因子，基于影响因子生成目标区域的生态质量系数。服务器将获取分数相同的地域信息，并判断影响不同地域信息的主要影响因子是什么，然后判断不同影响因子之间的关联性，若不同地域信息的主要影响因子均相同，则表明该主要影响因子的重要性较高。
S107，基于预设处理规则对所述生态质量系数进行处理，生成目标区域的生态质量数据。
一种实施方式中，当生态质量系数≥80时，此时生态质量的级别为优；生态系统稳定，有一定生产力，生态胁迫低。当80＞生态质量系数≥60时，此时生态质量的级别为良；生态系统较为稳定，生产力相对较高，生态威胁程度相对较低。当60＞生态质量系数≥40时，此时生态质量的级别为中；生态系统稳定处于中等，生产力处于一般水平，生态胁迫处于中等水平。当40＞生态质量系数≥20时，此时生态质量的级别为低；生态系统稳定性较差，生态系统生产力较低，存在明显生态胁迫因素，荒漠化存在恶化趋势。当生态质量系数＜20时，此时生态质量的级别为差；生态系统退化严重，荒漠化程度严重。
本申请中由服务器获取训练样本集和目标区域的土地类型信息，其中，训练样本集包括若干已评估区域的土地类型信息，目标区域为待评估区域；对训练样本集进行预处理，生成带有目标特征数据的训练样本集；基于带有目标特征数据的训练样本集对预设评价指数模型进行处理，生成目标评价指标模型；基于目标评价指标模型对目标区域的土地类型信息进行处理，生成目标区域的评价权重系数和评价数据；对评价权重系数和评价数据进行预处理，生成目标区域的综合评分；基于生态质量评估模型对目标区域的综合评分进行处理，生成目标区域的生态质量系数；基于预设处理规则对生态质量系数进行处理，生成目标区域的生态质量数据。通过训练样本集生成目标评价指标模型，确认目标评价指标模型的评价权重因子和评价权重系数，将待评估区域的信息输入到目标评价指标模型中，从而获得对应的评价权重系数和评价数据，生成目标区域的综合分数，并基于综合分数获取影响目标区域的影响因子，并基于该影响因子生成目标区域的生态质量数据，从而更加准确的对目标区域的生态环境质量进行评估。
可选地，在基于本申请上述方法的另一个实施例中，所述从所述训练集中提取多组数据组，包括：
基于目标特征数据对所述训练集进行划分，生成若干数量的数类样本；
获取所述训练集中任一数量少于预设阈值的数类样本；
基于所述任一数量少于预设阈值的数类样本与同类别的其他数量少于预设阈值的数类样本之间的距离，生成相邻样本，其中，所述相邻样本包括所述任一数量少于预设阈值的数类样本的预设数量；
对所述相邻样本进行采样，生成预设数量的采样样本；
基于任一少数类样本与每个采样样本，生成多组数据组。
一种实施方式中，任一数量少于预设阈值的数类样本与同类别的其他每个任一数量少于预设阈值的数类样本之间的距离可以是欧氏距离，也可以是其他余弦距离，此处不作具体限定。可以将其他所有任一数量少于预设阈值的数类样本按与其他任一数量少于预设阈值的数类样本的距离由近到远的顺序进行排列，然后选取排列结果中位于排列结果前几位的数据作为相邻样本。过采样的目的是使少数类样本的个数增加，以实现初始样本集中少数类样本与多数类样本的个数平衡。此处，过采样可以通过采样算法实现，此处不做具体限定。在过采样之后，可以根据过采样所得结果，结合训练集确定出多组数据组。此时，数据组中各属性类别标签对应的描述数据样本的个数相当，不存在数量少于预设阈值的数类样本或数量较多的数类样本。本实施例通过先对训练集先进行初步划分，在对数量少于预设阈值的数类样本与其他数量较多的数类样本进行合并。
可选地，在基于本申请上述方法的另一个实施例中，所述对所述相邻样本进行采样，生成预设数量的采样样本，包括：
基于所述训练集中各数类样本的数量，确定采样比例；
基于所述采样比例，确定采样比率；
基于所述采样比率对所述相邻样本进行采样，生成预设数量的采样样本。
一种实施方式中，先获取训练集中包括哪些数据组，确认各个数据组中的数类样本分别有多少，并根据各个数据组的数类样本的个数确定采样比例，然后利用采样比例，确定采样比率。采样比例可以根据需要进行设定，例如可以均为50％，也可以是其他比例，此处不作具体限定。最后，利用采样比率对预设数量的相邻样本进行采样，得到指定数量的采样样本，可以将其他所有数量少于预设阈值的数类样本按与任一数量少于预设阈值的数类样本的距离由近到远的顺序进行排列，然后选取排列结果中排名前预设数量的样本作为近邻样本，预设数量可以根据实际情况进行设定，此处不作具体限定。基于任一数量少于预设阈值的数类样本与每个采样样本，生成新的样本，并将其作为新的数据组，如此可以进一步提升数量少于预设阈值的数据组与其他数量较多的数据组的平衡效果更佳。
通过应用以上技术方案，服务器获取训练样本集和目标区域的土地类型信息，其中，训练样本集包括若干已评估区域的土地类型信息，目标区域为待评估区域；对训练样本集进行特征提取，确定原始特征库；构建地域因子分析模型；基于地域因子分析模型对训练样本集进行处理，生成若干地域的特征信息；基于主成分分析法对地域因子分析模型进行处理，生成各地域特征类型的主成分得分值；根据原始特征库划分各个特征数据集，生成训练数据集和测试数据集；利用分类器对原始特征库划分各个测试数据集进行预测，确定预测结果；使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果；根据预测结果以及测试集类预测结果，生成目标特征数据；将带有目标特征数据的训练样本集基于预设比例划分为用于训练预设评价指数模型的训练集和用于测试预设评价指数的测试集。
基于目标特征数据对训练集进行划分，生成若干数量的数类样本；获取训练集中任一数量少于预设阈值的数类样本；基于任一数量少于预设阈值的数类样本与同类别的其他数量少于预设阈值的数类样本之间的距离，生成相邻样本，其中，相邻样本包括任一数量少于预设阈值的数类样本的预设数量；基于训练集中各数类样本的数量，确定采样比例；基于采样比例，确定采样比率；基于采样比率对相邻样本进行采样，生成预设数量的采样样本；基于任一少数类样本与每个采样样本，生成多组数据组，其中，每组数据组均包含预设数量的数据样本，其中，至少一个数据样本包括目标特征数据；基于多组数据组中的数据样本对预设评价指数模型进行训练，生成训练后的评价指数模型；基于测试集对训练后的评价指数模型进行处理，生成测试结果；若测试结果中包含目标特征数据的数据样本为生态质量数据大于预设阈值的地域信息，则将训练后的评价指数模型作为目标评价指数模型；基于目标评价指标模型对目标区域的土地类型信息进行处理，生成目标区域的评价权重系数和评价数据；对评价权重系数和评价数据进行预处理，生成目标区域的综合评分。
获取目标区域对应的图像信息；对图像信息进行切片处理，生成多个局部图像；基于生态质量评估模型分别对多个局部图像进行处理，分别生成多个局部图像对应的分数；分别对多个局部图像对应的分数进行处理，获取与生成对应局部图像分数占比最大的影响因子；基于影响因子生成目标区域的生态质量系数；基于预设处理规则对生态质量系数进行处理，生成目标区域的生态质量数据。通过训练样本集生成目标评价指标模型，确认目标评价指标模型的评价权重因子和评价权重系数，将待评估区域的信息输入到目标评价指标模型中，从而获得对应的评价权重系数和评价数据，生成目标区域的综合分数，并基于综合分数获取影响目标区域的影响因子，并基于该影响因子生成目标区域的生态质量数据，从而更加准确的对目标区域的生态环境质量进行评估。
一种实施方式中，如图2所示，本申请还提供一种生态环境质量的评估装置，包括：
获取模块201，用于获取训练样本集和目标区域的土地类型信息，其中，所述训练样本集包括若干已评估区域的土地类型信息，所述目标区域为待评估区域；
处理模块202，用于对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集；基于所述带有目标特征数据的训练样本集对预设评价指数模型进行处理，生成目标评价指标模型；基于目标评价指标模型对所述目标区域的土地类型信息进行处理，生成目标区域的评价权重系数和评价数据；对所述评价权重系数和所述评价数据进行预处理，生成目标区域的综合评分；基于生态质量评估模型对所述目标区域的综合评分进行处理，生成目标区域的生态质量系数；基于预设处理规则对所述生态质量系数进行处理，生成目标区域的生态质量数据。
本申请中由服务器获取训练样本集和目标区域的土地类型信息，其中，训练样本集包括若干已评估区域的土地类型信息，目标区域为待评估区域；对训练样本集进行预处理，生成带有目标特征数据的训练样本集；基于带有目标特征数据的训练样本集对预设评价指数模型进行处理，生成目标评价指标模型；基于目标评价指标模型对目标区域的土地类型信息进行处理，生成目标区域的评价权重系数和评价数据；对评价权重系数和评价数据进行预处理，生成目标区域的综合评分；基于生态质量评估模型对目标区域的综合评分进行处理，生成目标区域的生态质量系数；基于预设处理规则对生态质量系数进行处理，生成目标区域的生态质量数据。通过训练样本集生成目标评价指标模型，确认目标评价指标模型的评价权重因子和评价权重系数，将待评估区域的信息输入到目标评价指标模型中，从而获得对应的评价权重系数和评价数据，生成目标区域的综合分数，并基于综合分数获取影响目标区域的影响因子，并基于该影响因子生成目标区域的生态质量数据，从而更加准确的对目标区域的生态环境质量进行评估。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集，包括：
对所述训练样本集进行特征提取，确定原始特征库；
根据所述原始特征库划分各个特征数据集，生成训练数据集和测试数据集；
利用分类器对原始特征库划分各个测试数据集进行预测，确定预测结果；
使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果；
根据预测结果以及测试集类预测结果，生成目标特征数据。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述对所述训练样本集进行特征提取，包括：
构建地域因子分析模型；
基于所述地域因子分析模型对所述训练样本集进行处理，生成若干地域的特征信息；
基于主成分分析法对所述地域因子分析模型进行处理，生成各地域特征类型的主成分得分值。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于生态质量评估模型对所述目标区域的综合评分进行处理，生成目标区域的生态质量系数，包括：
获取目标区域对应的图像信息；
对所述图像信息进行切片处理，生成多个局部图像；
基于生态质量评估模型分别对多个局部图像进行处理，分别生成多个局部图像对应的分数；
分别对所述多个局部图像对应的分数进行处理，获取与生成对应局部图像分数占比最大的影响因子；
基于所述影响因子生成目标区域的生态质量系数。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于所述带有目标特征数据的训练样本集对预设评价指数模型进行处理，生成目标评价指标模型，包括：
将所述带有目标特征数据的训练样本集基于预设比例划分为用于训练所述预设评价指数模型的训练集和用于测试所述预设评价指数的测试集；
从所述训练集中提取多组数据组，其中，每组数据组均包含预设数量的数据样本，其中，至少一个数据样本包括目标特征数据；
基于多组所述数据组中的数据样本对所述预设评价指数模型进行训练，生成训练后的评价指数模型；
基于所述测试集对所述训练后的评价指数模型进行处理，生成测试结果；
若所述测试结果中包含目标特征数据的数据样本为生态质量数据大于预设阈值的地域信息，则将所述训练后的评价指数模型作为目标评价指数模型。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述从所述训练集中提取多组数据组，包括：
基于目标特征数据对所述训练集进行划分，生成若干数量的数类样本；
获取所述训练集中任一数量少于预设阈值的数类样本；
基于所述任一数量少于预设阈值的数类样本与同类别的其他数量少于预设阈值的数类样本之间的距离，生成相邻样本，其中，所述相邻样本包括所述任一数量少于预设阈值的数类样本的预设数量；
对所述相邻样本进行采样，生成预设数量的采样样本；
基于任一少数类样本与每个采样样本，生成多组数据组。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述对所述相邻样本进行采样，生成预设数量的采样样本，包括：
基于所述训练集中各数类样本的数量，确定采样比例；
基于所述采样比例，确定采样比率；
基于所述采样比率对所述相邻样本进行采样，生成预设数量的采样样本。
通过应用以上技术方案，服务器获取训练样本集和目标区域的土地类型信息，其中，训练样本集包括若干已评估区域的土地类型信息，目标区域为待评估区域；对训练样本集进行特征提取，确定原始特征库；构建地域因子分析模型；基于地域因子分析模型对训练样本集进行处理，生成若干地域的特征信息；基于主成分分析法对地域因子分析模型进行处理，生成各地域特征类型的主成分得分值；根据原始特征库划分各个特征数据集，生成训练数据集和测试数据集；利用分类器对原始特征库划分各个测试数据集进行预测，确定预测结果；使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果；根据预测结果以及测试集类预测结果，生成目标特征数据；将带有目标特征数据的训练样本集基于预设比例划分为用于训练预设评价指数模型的训练集和用于测试预设评价指数的测试集。
基于目标特征数据对训练集进行划分，生成若干数量的数类样本；获取训练集中任一数量少于预设阈值的数类样本；基于任一数量少于预设阈值的数类样本与同类别的其他数量少于预设阈值的数类样本之间的距离，生成相邻样本，其中，相邻样本包括任一数量少于预设阈值的数类样本的预设数量；基于训练集中各数类样本的数量，确定采样比例；基于采样比例，确定采样比率；基于采样比率对相邻样本进行采样，生成预设数量的采样样本；基于任一少数类样本与每个采样样本，生成多组数据组，其中，每组数据组均包含预设数量的数据样本，其中，至少一个数据样本包括目标特征数据；基于多组数据组中的数据样本对预设评价指数模型进行训练，生成训练后的评价指数模型；基于测试集对训练后的评价指数模型进行处理，生成测试结果；若测试结果中包含目标特征数据的数据样本为生态质量数据大于预设阈值的地域信息，则将训练后的评价指数模型作为目标评价指数模型；基于目标评价指标模型对目标区域的土地类型信息进行处理，生成目标区域的评价权重系数和评价数据；对评价权重系数和评价数据进行预处理，生成目标区域的综合评分。
获取目标区域对应的图像信息；对图像信息进行切片处理，生成多个局部图像；基于生态质量评估模型分别对多个局部图像进行处理，分别生成多个局部图像对应的分数；分别对多个局部图像对应的分数进行处理，获取与生成对应局部图像分数占比最大的影响因子；基于影响因子生成目标区域的生态质量系数；基于预设处理规则对生态质量系数进行处理，生成目标区域的生态质量数据。通过训练样本集生成目标评价指标模型，确认目标评价指标模型的评价权重因子和评价权重系数，将待评估区域的信息输入到目标评价指标模型中，从而获得对应的评价权重系数和评价数据，生成目标区域的综合分数，并基于综合分数获取影响目标区域的影响因子，并基于该影响因子生成目标区域的生态质量数据，从而更加准确的对目标区域的生态环境质量进行评估。
本申请实施例提供了一种电子设备，如图3所示，电子设备3包括第一处理器300，存储器301，总线302和通信接口303，所述第一处理器300、通信接口303和存储器301通过总线302连接；所述存储器301中存储有可在所述第一处理器300上运行的计算机程序，所述第一处理器300运行所述计算机程序时执行本申请前述任一实施方式所提供的所述生态环境质量的评估方法。
其中，存储器301可能包含高速随机存取存储器（RAM：Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口303（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线302可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器301用于存储程序，所述第一处理器300在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述生态环境质量的评估方法可以应用于第一处理器300中，或者由第一处理器300实现。
第一处理器300可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过第一处理器300中的硬件的集成逻辑电路或者软件形式的指令完成。上述的第一处理器300可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器301，第一处理器300读取存储器301中的信息，结合其硬件完成上述方法的步骤。
本申请的上述实施例提供的电子设备与本申请实施例提供的生态环境质量的评估方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施例提供了一种计算机可读存储介质，如图4所示，所述计算机可读存储介质存储401有计算机程序，所述计算机程序被第二处理器402读取并运行时，实现如前述的生态环境质量的评估方法。
本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是空调器，制冷装置，个人计算机，服务器，或者网络设备等)或processor(处理器)执行本申请实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的生态环境质量的评估方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施例提供了一种计算机程序产品，包括计算机程序，所述计算机程序被第三处理器执行实现如前述所述的方法。
本申请的上述实施例提供的计算机程序产品与本申请实施例提供的生态环境质量的评估方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是，在本申请中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者还是包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于评估生态环境质量的评估方法、电子装置、电子设备、以及可读存储介质实施例而言，由于其基本相似于上述所述的生态环境质量的评估方法实施例，所以描述的比较简单，相关之处参见上述所述的生态环境质量的评估方法实施例的部分说明即可。
虽然本申请披露如上，但本申请并非限定于此。任何本领域技术人员，在不脱离本申请的精神和范围内，均可作各种更动与修改，因此本申请的保护范围应当以权利要求所限定的范围为准。

Claims (10)

1.一种生态环境质量的评估方法，其特征在于，包括：
获取训练样本集和目标区域的土地类型信息，其中，所述训练样本集包括若干已评估区域的土地类型信息，所述目标区域为待评估区域；
对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集；
基于所述带有目标特征数据的训练样本集对预设评价指数模型进行处理，生成目标评价指标模型；
基于目标评价指标模型对所述目标区域的土地类型信息进行处理，生成目标区域的评价权重系数和评价数据；
对所述评价权重系数和所述评价数据进行预处理，生成目标区域的综合评分；
基于生态质量评估模型对所述目标区域的综合评分进行处理，生成目标区域的生态质量系数；
基于预设处理规则对所述生态质量系数进行处理，生成目标区域的生态质量数据。
2.如权利要求1所述的方法，其特征在于，所述对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集，包括：
对所述训练样本集进行特征提取，确定原始特征库；
根据所述原始特征库划分各个特征数据集，生成训练数据集和测试数据集；
利用分类器对原始特征库划分各个测试数据集进行预测，确定预测结果；
使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果；
根据预测结果以及测试集类预测结果，生成目标特征数据。
3.如权利要求2所述的方法，所述对所述训练样本集进行特征提取，包括：
构建地域因子分析模型；
基于所述地域因子分析模型对所述训练样本集进行处理，生成若干地域的特征信息；
基于主成分分析法对所述地域因子分析模型进行处理，生成各地域特征类型的主成分得分值。
4.如权利要求1所述的方法，其特征在于，所述基于生态质量评估模型对所述目标区域的综合评分进行处理，生成目标区域的生态质量系数，包括：
获取目标区域对应的图像信息；
对所述图像信息进行切片处理，生成多个局部图像；
基于生态质量评估模型分别对多个局部图像进行处理，分别生成多个局部图像对应的分数；
分别对所述多个局部图像对应的分数进行处理，获取与生成对应局部图像分数占比最大的影响因子；
基于所述影响因子生成目标区域的生态质量系数。
5.如权利要求1所述的方法，其特征在于，所述基于所述带有目标特征数据的训练样本集对预设评价指数模型进行处理，生成目标评价指标模型，包括：
将所述带有目标特征数据的训练样本集基于预设比例划分为用于训练所述预设评价指数模型的训练集和用于测试所述预设评价指数的测试集；
从所述训练集中提取多组数据组，其中，每组数据组均包含预设数量的数据样本，其中，至少一个数据样本包括目标特征数据；
基于多组所述数据组中的数据样本对所述预设评价指数模型进行训练，生成训练后的评价指数模型；
基于所述测试集对所述训练后的评价指数模型进行处理，生成测试结果；
若所述测试结果中包含目标特征数据的数据样本为生态质量数据大于预设阈值的地域信息，则将所述训练后的评价指数模型作为目标评价指数模型。
6.如权利要求5所述的方法，其特征在于，所述从所述训练集中提取多组数据组，包括：
基于目标特征数据对所述训练集进行划分，生成若干数量的数类样本；
获取所述训练集中任一数量少于预设阈值的数类样本；
基于所述任一数量少于预设阈值的数类样本与同类别的其他数量少于预设阈值的数类样本之间的距离，生成相邻样本，其中，所述相邻样本包括所述任一数量少于预设阈值的数类样本的预设数量；
对所述相邻样本进行采样，生成预设数量的采样样本；
基于任一少数类样本与每个采样样本，生成多组数据组。
7.如权利要求6所述的方法，所述对所述相邻样本进行采样，生成预设数量的采样样本，包括：
基于所述训练集中各数类样本的数量，确定采样比例；
基于所述采样比例，确定采样比率；
基于所述采样比率对所述相邻样本进行采样，生成预设数量的采样样本。
8.一种生态环境质量的评估装置，其特征在于，所述装置包括：
获取模块，用于获取训练样本集和目标区域的土地类型信息，其中，所述训练样本集包括若干已评估区域的土地类型信息，所述目标区域为待评估区域；
处理模块，用于对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集；基于所述带有目标特征数据的训练样本集对预设评价指数模型进行处理，生成目标评价指标模型；基于目标评价指标模型对所述目标区域的土地类型信息进行处理，生成目标区域的评价权重系数和评价数据；对所述评价权重系数和所述评价数据进行预处理，生成目标区域的综合评分；基于生态质量评估模型对所述目标区域的综合评分进行处理，生成目标区域的生态质量系数；基于预设处理规则对所述生态质量系数进行处理，生成目标区域的生态质量数据。
9.一种电子设备，其特征在于，包括：
第一处理器；以及存储器，用于存储所述第一处理器的可执行指令；
其中，所述第一处理器配置为经由执行所述可执行指令来执行权利要求 1～7中任意一项所述的生态环境质量的评估方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被第二处理器执行时实现权利要求1～7中任意一项所述的生态环境质量的评估方法。
CN202410239596.4A 2024-03-04 一种生态环境质量的评估方法及相关设备 Active CN117829684B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410239596.4A CN117829684B (zh) 2024-03-04 一种生态环境质量的评估方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410239596.4A CN117829684B (zh) 2024-03-04 一种生态环境质量的评估方法及相关设备

Publications (2)

Publication Number Publication Date
CN117829684A true CN117829684A (zh) 2024-04-05
CN117829684B CN117829684B (zh) 2024-10-29

Family

ID=

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100087859A (ko) * 2009-01-29 2010-08-06 연세대학교 산학협력단 통계적 신뢰성 평가에 기반한 토양환경 생태등급 수치지도 산정 방법 및 이를 위한 시스템
CN109583695A (zh) * 2018-10-29 2019-04-05 中国农业科学院农业资源与农业区划研究所 一种湿地生态退化的评价方法及评价系统
CN109740956A (zh) * 2019-01-11 2019-05-10 陕西师范大学 一种土地生态质量自动化评价方法
CN113610402A (zh) * 2021-08-10 2021-11-05 平安国际智慧城市科技股份有限公司 基于影像分析的土地生态承载力评估方法及相关设备
CN116862315A (zh) * 2023-07-31 2023-10-10 广州市城市规划勘测设计研究院 一种低效工业用地绩效评分方法、装置、设备及存储介质
CN117150249A (zh) * 2023-07-31 2023-12-01 广州雅纯化妆品制造有限公司 一种化妆品的功效评估方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100087859A (ko) * 2009-01-29 2010-08-06 연세대학교 산학협력단 통계적 신뢰성 평가에 기반한 토양환경 생태등급 수치지도 산정 방법 및 이를 위한 시스템
CN109583695A (zh) * 2018-10-29 2019-04-05 中国农业科学院农业资源与农业区划研究所 一种湿地生态退化的评价方法及评价系统
CN109740956A (zh) * 2019-01-11 2019-05-10 陕西师范大学 一种土地生态质量自动化评价方法
CN113610402A (zh) * 2021-08-10 2021-11-05 平安国际智慧城市科技股份有限公司 基于影像分析的土地生态承载力评估方法及相关设备
CN116862315A (zh) * 2023-07-31 2023-10-10 广州市城市规划勘测设计研究院 一种低效工业用地绩效评分方法、装置、设备及存储介质
CN117150249A (zh) * 2023-07-31 2023-12-01 广州雅纯化妆品制造有限公司 一种化妆品的功效评估方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Trigo Climatology and interannual variability of storm-tracks in the Euro-Atlantic sector: a comparison between ERA-40 and NCEP/NCAR reanalyses
Rahman et al. Remote sensing, spatial multi criteria evaluation (SMCE) and analytical hierarchy process (AHP) in optimal cropping pattern planning for a flood prone area
CN112907113B (zh) 一种考虑空间相关性的植被变化成因识别方法
CN117827465B (zh) 一种生态环境预警的方法及相关设备
Ayoade Suitability assessment and mapping of Oyo State, Nigeria, for rice cultivation using GIS
De Luca et al. Extreme rainfall in the Mediterranean
CN116129262A (zh) 一种面向宜机化改造的耕地适宜性评价方法及系统
CN117852775B (zh) 一种喀斯特碳汇潜力的评估方法及相关设备
Myint et al. Examining lacunarity approaches in comparison with fractal and spatial autocorrelation techniques for urban mapping
Bindajam et al. Characterizing the urban decadal expansion and its morphology using integrated spatial approaches in semi-arid mountainous environment, Saudi Arabia
Jayaminda et al. Rating Performances of Global Climate Models in Capturing Monsoon Rainfall Patterns in Sri Lanka
CN117829684B (zh) 一种生态环境质量的评估方法及相关设备
Kuchali et al. Brown Bear (Ursus arctos) habitat suitability modelling in the Alborz Mountains
Negaresh et al. Desertification assessment using the analytic hierarchy process and GIS in southeast Iran
Suchrow et al. Patterns of plant species richness along environmental gradients in German North Sea salt marshes
Noor et al. Prediction map of rainfall classification using random forest and inverse distance weighted (IDW)
CN117829684A (zh) 一种生态环境质量的评估方法及相关设备
Zhang et al. The change of land use/cover and characteristics of landscape pattern in arid areas oasis: an application in Jinghe, Xinjiang
Emeribe et al. Suitability of large scale Jatropha curcus cultivation in Edo State: a preliminary assessment using the Analytical Hierarchy Process (AHP) method
CN117828312B (zh) 一种流域水文环境的管理方法及相关设备
Sanz et al. Basin influence on natural variability of rivers in semi‐arid environments
Raes A quantitative analysis of botanical richness, endemicity and floristic regions based on herbarium records
Sinčić et al. Influence of the landslide inventory sampling on the accuracy of the susceptibility modelling using Random Forests: A case study from the NW Croatia
CN110555554A (zh) 一种基于客观定量化的智能气候预测技术
Lamb et al. The distribution and abundance of the endemic vascular plant taxa of the Athabasca Sand Dunes of northern Saskatchewan

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