CN117973700A - 一种沼泽湿地关键生境功能区识别方法 - Google Patents
一种沼泽湿地关键生境功能区识别方法 Download PDFInfo
- Publication number
- CN117973700A CN117973700A CN202410370463.0A CN202410370463A CN117973700A CN 117973700 A CN117973700 A CN 117973700A CN 202410370463 A CN202410370463 A CN 202410370463A CN 117973700 A CN117973700 A CN 117973700A
- Authority
- CN
- China
- Prior art keywords
- wetland
- habitat functional
- key
- functional area
- representing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012795 verification Methods 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000000556 factor analysis Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 12
- 230000008901 benefit Effects 0.000 claims description 11
- 239000000654 additive Substances 0.000 claims description 7
- 230000000996 additive effect Effects 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000002431 foraging effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 4
- 241000894007 species Species 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 241000271566 Aves Species 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 241000272517 Anseriformes Species 0.000 description 1
- 241000208152 Geranium Species 0.000 description 1
- 235000005491 Geranium thunbergii Nutrition 0.000 description 1
- 241001166194 Geranium wilfordii Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- 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
- 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)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于评估与识别技术领域，本发明公开了一种沼泽湿地关键生境功能区识别方法、系统及设备，包括以下步骤：获取待识别湿地分布图层数据，对所述待识别湿地分布图层数据进行预处理，并收集用于表征影响沼泽湿地关键生境功能区识别的代表因子；初始化Zonation模型，并以所述代表因子作为输入；所述Zonation模型利用边际损失最小化原则对所述代表因子中所有栅格进行迭代移除，并对移除顺序进行规档，生成用于表示景观优先顺序的嵌套序列；基于所述嵌套序列在所述Zonation模型中建立针对目标保护对象的优先级保护区网络，输出待识别湿地的湿地空间优化级地图；对输出的湿地空间优化级地图进行准确性验证，生成验证结果；根据所述验证结果确定沼泽湿地关键生境功能区。
Description
技术领域
本发明涉及评估与识别技术领域，尤其涉及一种沼泽湿地关键生境功能区识别方法、系统及设备。
背景技术
沼泽湿地，以下简称湿地，长期以来在维持生物多样性方面发挥着至关重要的作用，特别是作为湿地生态系统中旗舰物种水鸟的重要栖息地。然而，经济的快速发展和城市化对湿地生态系统构成了重大威胁，导致栖息地退化和丧失。了解湿地关键生境功能区分布对于有效的保护规划和确保水鸟的长期生存至关重要。可以有针对性为保护工作提供信息，维护湿地生态系统的完整性与生物多样性，并有助于湿地生态系统的可持续管理。
空间保护优化是一种定量技术，通过优化空间布局，识别核心分布区域，最大化生物多样性的保护价值，并维持景观连通性。传统的湿地保护规划方法往往缺乏科学性和精确性，例如：本领域中传统的方法通常为某一自然保护区多尺度水禽生评价及空间优化模拟方法，通常包括三个软件：R、GIS、Zonation；其中，传统的方法顺序为：获取鸟类生境野外调查数据，形成可分析数据，利用GIS整理有关鸟类生境空间数据；利用R软件进行鸟类生境分析和评价，利用Zonation软件进行鸟类生境空间优化分析，最后进行分析结果汇总和整理。这种方法仅能对不同区域的生态环境总体质量是否符合鸟类生存提供科学评价支持，无法有效地识别具有显著保护价值和关键生态功能区域。
因此，本领域技术人员亟需提出一种沼泽湿地关键生境功能区识别方法、系统及设备通过优化空间布局识别出具有显著保护价值和关键生态功能的区域，并为湿地保护规划提供科学依据和决策支持。
发明内容
有鉴于此，本发明提供了一种沼泽湿地关键生境功能区识别方法，本发明采用Zonation模型的算法基于边际损失最小化原则，对景观中所有栅格进行迭代移除，并对移除顺序进行归档，从而得到一个表示景观优先顺序的嵌套序列，基于此能够根据具体的保护目标，建立一套优先级保护区网络，并为应对保护和环境规划挑战提供决策支持。
为了达到上述目的，本发明采用如下技术方案：
一种沼泽湿地关键生境功能区识别方法，包括以下步骤：
获取待识别湿地分布图层数据，对所述待识别湿地分布图层数据进行预处理，并收集用于表征影响沼泽湿地关键生境功能区识别的代表因子，括湿地旗舰物种分布数据，鸟类重要生境分布区，利用因子分析确定权重；
初始化Zonation模型，并以所述代表因子作为输入；
所述Zonation模型利用边际损失最小化原则对所述代表因子中所有栅格进行迭代移除，并对移除顺序进行规档，生成用于表示景观优先顺序的嵌套序列；
基于所述嵌套序列在所述Zonation模型中建立针对目标保护对象的优先级保护区网络，输出待识别湿地的湿地空间优化级地图；
对输出的湿地空间优化级地图进行准确性验证，生成验证结果；
根据所述验证结果确定沼泽湿地关键生境功能区。
优选的，获取待识别湿地分布图层数据，对所述待识别湿地分布图层数据进行预处理，并收集用于表征影响沼泽湿地关键生境功能区识别的代表因子，括湿地旗舰物种分布数据，鸟类重要生境分布区，利用因子分析确定权重，具体包括：
基于因子分析法对所述湿地分布图层数据进行权重值分析，生成用于表征影响沼泽湿地关键生境功能区识别的所述代表因子的权重值。
优选的，所述代表因子使用的因子分析模型表达式为：
；
,/>,/>,/>；
其中，x表示观察变量的向量,u是特定因子或唯一性因子的向量，有1到p个，A是因子载荷矩阵，其中p表示观测变量的数量，m表示共有因子的数量，/>表示第i个观察变量和第j个共有因子之间的关联程度；f是共有因子的向量,有1到m个，/>表示误差项的向量，代表每个观测变量中无法由特定因子和共有因子解释的随机误差或特异性部分，有1到p个；i通常用于索引特定的观测变量,j用于索引特定的共有因子。
优选的，基于对比验证法对生成的湿地空间优化级地图中的湿地关键生境功能区的准确性进行验证，具体包括：
获取验证样点数据集；
基于邻域分析法获取所述目标保护对象到基于所述方法识别的湿地关键生境功能区以及非湿地关键生境功能区之间的平均距离；并基于理论觅食范围获取实际湿地预设范围内所述目标保护对象的比例，以评估湿地关键功能区结果的合理性；
基于邻域分析法获取湿地关键生境功能区和非湿地关键生境功能区距离水源的平均距离；
计算各功能区的NDVI值，表示准确性。
优选的，根据验证结果确定沼泽湿地关键生境功能区，具体包括：
对所述湿地关键生境功能区数据进行处理，以验证合理的湿地空间优先及图层作为分析对象；
根据当前生物多样性目标和景观优先等级对沼泽湿地关键生境功能区进行空间分级；
基于空间分级结果，确定所述沼泽湿地关键生境功能区。
一种沼泽湿地关键生境功能区识别系统，包括：
获取模块：获取待识别湿地分布图层数据，对所述待识别湿地分布图层数据进行预处理，生成用于表征影响沼泽湿地关键生境功能区识别的代表因子；
核心识别与网络建立模块：初始化Zonation模型，并以所述代表因子作为输入；所述Zonation模型利用边际损失最小化原则对所述代表因子中所有栅格进行迭代移除，并对移除顺序进行规档，生成用于表示景观优先顺序的嵌套序列；基于所述嵌套序列在所述Zonation模型中建立针对目标保护对象的优先级保护区网络，输出待识别湿地的湿地空间优化级地图；
验证模块：对输出的湿地空间优化级地图进行准确性验证，生成验证结果；
整理模块：根据所述验证结果确定沼泽湿地关键生境功能区。
优选的，所述Zonation模型利用边际损失最小化原则对所述代表因子中所有栅格进行迭代移除；其中，在所述Zonation模型的参数设置中选择加性效益函数作为栅格移除规则，具有最小值的单元格i将被移除，原理表达式如下：
其中是剩余站点集中特征j的代表性；(/>)表示剩余单元格减去单元格i的集合；这里/>是特征j的权重；/>是规划单元格i的成本或面积；/>表示移除物种i对总体效益函数的影响，即物种i的边际损失/>Vj表示在某个具体栅格单元 j 上的某种价值；/>代表栅格单元 j 的变量值的变化量。
一种电子设备，包括：处理器；以及存储器，以及所述存储器存储有可执行代码，当代码被处理器执行时，使处理器执行任意一项所述的方法。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种沼泽湿地关键生境功能区识别方法，首次在本领域提出将Zonation模型与表征湿地生境关键区的图层数据相结合，综合多源数据，通过优化空间布局，实现了对湿地关键生境功能区的准确识别。综合考虑了关键生态功能、物种多样性和生境连通性等因素，实现了最佳的空间布局。提供了一种综合性、科学性和高校性的湿地保护规划方法，为湿地保护决策提供了重要的决策支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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本发明的实施例，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获得其他的附图。
图1为本发明的整体方法流程示意图；
图2为本发明的因子分析计算权重流程图；
图3为本发明的Zonation模型输入图层的界面；
图4为本发明的基于Zonation模型的东北地区沼泽湿地关键生境功能区等级图；
图5为本发明的东北地区沼泽湿地关键生境功能区分布图。
具体实施方式
下面将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。
实施例1
如图1所示本实施例公开了一种沼泽湿地关键生境功能区识别方法，包括以下步骤：
获取待识别湿地分布图层数据，对待识别湿地分布图层数据进行预处理，生成用于表征影响沼泽湿地关键生境功能区识别的代表因子；
初始化Zonation模型，并以代表因子作为输入；
Zonation模型利用边际损失最小化原则对代表因子中所有栅格进行迭代移除，并对移除顺序进行规档，生成用于表示景观优先顺序的嵌套序列；
基于嵌套序列在Zonation模型中建立针对目标保护对象的优先级保护区网络，输出待识别湿地的湿地空间优化级地图；
对输出的湿地空间优化级地图进行准确性验证，生成验证结果；
根据验证结果确定沼泽湿地关键生境功能区。
具体地：
在本实施例中获取待识别湿地分布图层数据，对待识别湿地分布图层数据进行预处理，生成用于表征影响沼泽湿地关键生境功能区识别的代表因子，具体包括：
基于因子分析法对湿地分布图层数据进行共性因子提取，生成用于表征影响沼泽湿地关键生境功能区识别的代表因子。具体流程如图2所示，对标准化的原始数据进行Bartlett和KMO检验，以验证原始数据是否适用于因子分析，其中，判断原始数据是否符合因子分析的标准：KMO值在0.5~0.9 合适，其余范围不合适；Bartlett＜0.05，本实施例选取因子均符合以上两点，可以进行因素分析，并得到最终权重。其中，在本实施例中原始数据指收集的用于获取待识别湿地分布图层数据的滨海木本、滨海草本、内陆木本和内陆草本沼泽湿地分布数据，湿地旗舰物种分布数据，例如：丹顶鹤、东方白鹳、白枕鹤、黑颈鹤等，重点鸟类分布区数据，国际重要湿地分布数据、人类活动数据和国家级湿地自然保护区数据。
更进一步，代表因子使用的因子分析模型表达式为：
；
,/>,/>,/>；
其中，x表示观察变量的向量,u是特定因子或唯一性因子的向量，有1到p个，A是因子载荷矩阵，其中p表示观测变量的数量，m表示共有因子的数量，/>表示第i个观察变量和第j个共有因子之间的关联程度。f是共有因子的向量,有1到m个，/>表示误差项的向量，代表每个观测变量中无法由特定因子和共有因子解释的随机误差或特异性部分，有1到p个。i通常用于索引特定的观测变量,j用于索引特定的共有因子。
其中，在本实施例中使用的因子分析是一种从变量群中提取共性因子的统计技术。本实施例中采用因子分析法，将单一的影响变量整合为综合性的指标，进而发现影响沼泽湿地关键功能区识别的代表性因子。
另外，在本实施例中基于对比验证法对生成的湿地空间优化级地图中的湿地关键生境功能区的准确性进行验证，具体包括：
获取验证样点数据集；
在本实施例中收集重点水鸟分布点数据，具体地：通过中国观鸟记录中心、野外调查和文献资料收集丹顶鹤、东方白鹳、白枕鹤、黑颈鹤等重点水鸟的分布点数据，构建验证样点数据集。
基于邻域分析法获取目标保护对象到基于方法识别的湿地关键生境功能区以及非湿地关键生境功能区之间的平均距离；并基于理论觅食范围获取实际湿地预设范围内目标保护对象的比例，以评估湿地关键功能区结果的合理性；其中，在本实施例中由于现有文献资料表明大型水鸟的觅食范围在3-5公里之内，在本实施例中采用5公里范围内重点鸟类分布点的比例来表示结果的合理性。
同理，基于邻域分析法获取湿地关键生境功能区和非湿地关键生境功能区距离水源的平均距离；
计算各功能区的NDVI值，表示准确性；其中，在本实施例中各NDVI值代表食源，且关键生境功能区的NDVI值越大说明结果越准确。需要说明的是，NDVI归一化植被指数，是反映农作物长势和营养信息的重要参数之一；即(NIR-R)/(NIR+R)；NIR为近红外波段的反射值R为红光波段的反射值。
更进一步，根据验证结果确定沼泽湿地关键生境功能区，具体包括：
对湿地关键生境功能区数据进行处理，以验证合理的湿地空间优先及图层作为分析对象；
在本实施例中根据2030年全球生物多样性目标，设置景观优先等级前30%的区域为沼泽湿地关键生境功能区，并进行空间格局分析，实现空间分级；
基于空间分级结果，确定沼泽湿地关键生境功能区。另外，在本实施例中叠加湿地保护区，确定保护空缺并提出相应的保护规划，以实现湿地的可持续保护和管理。如图5所示为识别的东北地区沼泽湿地关键生境功能区分布图。
实施例2
本实施例公开了一种沼泽湿地关键生境功能区识别系统，包括：
获取模块：获取待识别湿地分布图层数据，对待识别湿地分布图层数据进行预处理，生成用于表征影响沼泽湿地关键生境功能区识别的代表因子；
核心识别与网络建立模块：初始化Zonation模型，并以代表因子作为输入；Zonation模型利用边际损失最小化原则对代表因子中所有栅格进行迭代移除，并对移除顺序进行规档，生成用于表示景观优先顺序的嵌套序列；基于嵌套序列在Zonation模型中建立针对目标保护对象的优先级保护区网络，输出待识别湿地的湿地空间优化级地图；
验证模块：对输出的湿地空间优化级地图进行准确性验证，生成验证结果；
整理模块：根据验证结果确定沼泽湿地关键生境功能区。
具体地：
在本实施例中Zonation模型利用边际损失最小化原则对代表因子中所有栅格进行迭代移除；其中，在Zonation模型的参数设置中选择加性效益函数作为栅格移除规则。
更进一步，在本实施例中公开了运行Zonation模型流程如下：
Zonation模型参数设置中，选择加性效益函数ABF作为栅格移除规则，因为从技术效果上加性效益函数ABF可最小化总体灭绝风险，并将更高的优先级放在物种丰富的栅格上。与常用的核心区域Zonation相比，加性效益函数考虑了给定单元格中所有加权特征比例，而不仅仅是具有最高值的一个特征。特色在于加性效益函数是一种用于衡量不同因素叠加效益的函数，用于评估多因素决策问题中不同因素对整体结果的贡献。程序首先计算每个特征在移除单元格i后的代表性损失。单元格i的值简单地是在失去单元格i后，根据特定特征值下降之和，原理如下：
其中是剩余站点集中特征j的代表性；(/>)表示剩余单元格减去单元格i的集合；这里/>是特征j的权重；/>是规划单元格i的成本或面积；/>表示移除物种i对总体效益函数的影响，即物种i的边际损失/>Vj表示在某个具体栅格单元 j 上的某种价值；/>代表栅格单元 j 的变量值的变化量。
（1）如图3，添加栅格数据，设置各栅格数据的权重，计算方式如步骤2，并保证各栅格数据投影、分辨率、边界和行列数大小相同。数据会生成特征列表文件为features_list；
（2）选择移除规则、Warpfactor大小，勾选Edgeremoval，添加Conditionlayer和Hierarchicalremovalmask数据。数据会生成设置文件setting.dat。保存project为bat文件(.bat)。
（3）打开.bat文件，并选择Queue来初始化Zonation运行。
（4）通过双击ProcessView中的RunQueue来监视运行。运行完成后，在右侧map可以直接输出可视化的显示单元格排序过程的结果图。如图4为东北地区沼泽湿地关键生境功能区等级图运行结果图，数值0-1表示关键区等级，越近于1越关键。
实施例3
一种电子设备，包括：处理器；以及存储器，以及存储器存储有可执行代码，当代码被处理器执行时，使处理器执行实施例1的方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种沼泽湿地关键生境功能区识别方法，其特征在于，包括以下步骤：
获取待识别湿地分布图层数据，对所述待识别湿地分布图层数据进行预处理，并收集用于表征影响沼泽湿地关键生境功能区识别的代表因子，包括湿地旗舰物种分布数据，鸟类重要生境分布区，利用因子分析确定权重；
初始化Zonation模型，并以所述代表因子作为输入；
所述Zonation模型利用边际损失最小化原则对所述代表因子中所有栅格进行迭代移除，并对移除顺序进行规档，生成用于表示景观优先顺序的嵌套序列；
基于所述嵌套序列在所述Zonation模型中建立针对目标保护对象的优先级保护区网络，输出待识别湿地的湿地空间优化级地图；
对输出的湿地空间优化级地图进行准确性验证，生成验证结果；
根据所述验证结果确定沼泽湿地关键生境功能区。
2.根据权利要求1所述的一种沼泽湿地关键生境功能区识别方法，其特征在于，获取待识别湿地分布图层数据，对所述待识别湿地分布图层数据进行预处理，收集用于表征影响沼泽湿地关键生境功能区识别的代表因子并计算权重，具体包括：
基于因子分析法对所述湿地分布图层数据进行权重值分析，生成用于表征影响沼泽湿地关键生境功能区识别的所述代表因子的权重值。
3.根据权利要求2所述的一种沼泽湿地关键生境功能区识别方法，其特征在于，所述代表因子使用的因子分析模型表达式为：
；
, />, />, />；
其中，x表示观察变量的向量,u是特定因子或唯一性因子的向量，有1到p个，A是因子载荷矩阵，其中，p表示观测变量的数量，m表示共有因子的数量，/>表示第i个观察变量和第j个共有因子之间的关联程度；f是共有因子的向量,有1到m个，/>表示误差项的向量，代表每个观测变量中无法由特定因子和共有因子解释的随机误差或特异性部分，有1到p个；i通常用于索引特定的观测变量,j用于索引特定的共有因子。
4.根据权利要求1所述的一种沼泽湿地关键生境功能区识别方法，其特征在于，基于对比验证法对生成的湿地空间优化级地图中的湿地关键生境功能区的准确性进行验证，具体包括：
获取验证样点数据集；
基于邻域分析法获取所述目标保护对象到基于所述方法识别的湿地关键生境功能区以及非湿地关键生境功能区之间的平均距离；并基于理论觅食范围获取实际湿地预设范围内所述目标保护对象的比例，以评估湿地关键功能区结果的合理性；
基于邻域分析法获取湿地关键生境功能区和非湿地关键生境功能区距离水源的平均距离；
计算各功能区的NDVI值，表示准确性。
5.根据权利要求1所述的一种沼泽湿地关键生境功能区识别方法，其特征在于，根据验证结果确定沼泽湿地关键生境功能区，具体包括：
对所述湿地关键生境功能区数据进行处理，以验证合理的湿地空间优先级图层作为分析对象；
根据当前生物多样性目标和景观优先等级对沼泽湿地关键生境功能区进行空间分级；
基于空间分级结果，确定所述沼泽湿地关键生境功能区。
6.一种沼泽湿地关键生境功能区识别系统，其特征在于，包括：
获取模块：获取待识别湿地分布图层数据，对所述待识别湿地分布图层数据进行预处理，收集用于表征影响沼泽湿地关键生境功能区识别的代表因子；
核心识别与网络建立模块：初始化Zonation模型，并以所述代表因子作为输入；所述Zonation模型利用边际损失最小化原则对所述代表因子中所有栅格进行迭代移除，并对移除顺序进行规档，生成用于表示景观优先顺序的嵌套序列；基于所述嵌套序列在所述Zonation模型中建立针对目标保护对象的优先级保护区网络，输出待识别湿地的湿地空间优化级地图；
验证模块：对输出的湿地空间优化级地图进行准确性验证，生成验证结果；
整理模块：根据所述验证结果确定沼泽湿地关键生境功能区。
7.根据权利要求6所述的一种沼泽湿地关键生境功能区识别系统，其特征在于，所述Zonation模型利用边际损失最小化原则对所述代表因子中所有栅格进行迭代移除；其中，在所述Zonation模型的参数设置中选择加性效益函数作为栅格移除规则，具有最小值的单元格i将被移除，原理表达式如下：
；
其中是剩余站点集中特征j的代表性；(/>)表示剩余单元格减去单元格i的集合；这里/>是特征j的权重；/>是规划单元格i的成本或面积；/>表示移除物种i对总体效益函数的影响，即物种i的边际损失，Vj表示在某个具体栅格单元j上的某种价值；/>代表栅格单元j的变量值的变化量。
8.一种电子设备，其特征在于，包括：处理器；以及存储器，以及所述存储器存储有可执行代码，当代码被处理器执行时，使处理器执行如权利要求1至5中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410370463.0A CN117973700B (zh) | 2024-03-29 | 2024-03-29 | 一种沼泽湿地关键生境功能区识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410370463.0A CN117973700B (zh) | 2024-03-29 | 2024-03-29 | 一种沼泽湿地关键生境功能区识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117973700A true CN117973700A (zh) | 2024-05-03 |
| CN117973700B CN117973700B (zh) | 2024-07-19 |
Family
ID=90861593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410370463.0A Active CN117973700B (zh) | 2024-03-29 | 2024-03-29 | 一种沼泽湿地关键生境功能区识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117973700B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101814062A (zh) * | 2010-04-14 | 2010-08-25 | 北京师范大学 | 区域生态系统服务功能动态区划方法(sizes) |
| CN102663526A (zh) * | 2012-04-28 | 2012-09-12 | 清华大学 | 一种城乡生态规划的生态等级空间分区规划控制方法 |
| CN107194160A (zh) * | 2017-05-05 | 2017-09-22 | 合肥工业大学 | 一种流域沼泽湿地空间恢复分析方法 |
| CN114707079A (zh) * | 2022-03-07 | 2022-07-05 | 中国科学院地理科学与资源研究所 | 一种登革热蚊媒适生区及主要影响因素的识别方法和系统 |
| CN115526535A (zh) * | 2022-10-21 | 2022-12-27 | 国网上海市电力公司 | 基于因子分析法的区域能源网关键因素提取方法 |
| US20230157214A1 (en) * | 2021-11-19 | 2023-05-25 | Changjiang Water Resources Protection Institute | Ecological restoration method for lake wetland against effects of water level rise in dry season |
| CN116611707A (zh) * | 2023-05-22 | 2023-08-18 | 海南空天信息研究院 | 基于多源数据融合的保护区自然边界划分和功能分区方法 |
| CN117541085A (zh) * | 2024-01-10 | 2024-02-09 | 中国科学院地理科学与资源研究所 | 一种跨境保护优先区域识别方法 |
-
2024
- 2024-03-29 CN CN202410370463.0A patent/CN117973700B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101814062A (zh) * | 2010-04-14 | 2010-08-25 | 北京师范大学 | 区域生态系统服务功能动态区划方法(sizes) |
| CN102663526A (zh) * | 2012-04-28 | 2012-09-12 | 清华大学 | 一种城乡生态规划的生态等级空间分区规划控制方法 |
| CN107194160A (zh) * | 2017-05-05 | 2017-09-22 | 合肥工业大学 | 一种流域沼泽湿地空间恢复分析方法 |
| US20230157214A1 (en) * | 2021-11-19 | 2023-05-25 | Changjiang Water Resources Protection Institute | Ecological restoration method for lake wetland against effects of water level rise in dry season |
| CN114707079A (zh) * | 2022-03-07 | 2022-07-05 | 中国科学院地理科学与资源研究所 | 一种登革热蚊媒适生区及主要影响因素的识别方法和系统 |
| CN115526535A (zh) * | 2022-10-21 | 2022-12-27 | 国网上海市电力公司 | 基于因子分析法的区域能源网关键因素提取方法 |
| CN116611707A (zh) * | 2023-05-22 | 2023-08-18 | 海南空天信息研究院 | 基于多源数据融合的保护区自然边界划分和功能分区方法 |
| CN117541085A (zh) * | 2024-01-10 | 2024-02-09 | 中国科学院地理科学与资源研究所 | 一种跨境保护优先区域识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刁奕欣: ""三江并流"区物种保护优先区识别", 《中国优秀硕士学位论文全文数据库基础科学辑》, 15 March 2020 (2020-03-15), pages 2 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117973700B (zh) | 2024-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Automatic organ-level point cloud segmentation of maize shoots by integrating high-throughput data acquisition and deep learning | |
| CN108805064A (zh) | 一种基于深度学习的鱼类定位检测和识别方法及系统 | |
| CN108446741B (zh) | 机器学习超参数重要性评估方法、系统及存储介质 | |
| CN112597870B (zh) | 一种土地覆盖分类模型的构建方法 | |
| CN117315380B (zh) | 一种基于深度学习的肺炎ct图像分类方法及系统 | |
| CN116612386A (zh) | 基于分级检测双任务模型的辣椒病虫害识别方法及系统 | |
| CN116416884A (zh) | 一种显示器模组的测试装置及其测试方法 | |
| Liu et al. | Automated classification of stems and leaves of potted plants based on point cloud data | |
| CN113408895A (zh) | 基于像元尺度的生态质量指数构建方法及系统 | |
| CN116993548A (zh) | 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及系统 | |
| Mirande et al. | A graph-based approach for simultaneous semantic and instance segmentation of plant 3D point clouds | |
| CN110264392A (zh) | 一种基于多gpu的强连通图检测方法 | |
| CN117973700B (zh) | 一种沼泽湿地关键生境功能区识别方法 | |
| CN110222742B (zh) | 基于分层多回波的点云分割方法、装置、存储介质及设备 | |
| CN117371511A (zh) | 图像分类模型的训练方法、装置、设备及存储介质 | |
| CN109934352B (zh) | 智能模型的自动进化方法 | |
| CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
| CN116416523A (zh) | 一种基于机器学习的水稻生长阶段的识别系统和方法 | |
| CN115345488A (zh) | 一种湿地生态系统服务评估方法、装置、服务器及介质 | |
| Liu et al. | Extraction of Wheat Spike Phenotypes From Field-Collected Lidar Data and Exploration of Their Relationships With Wheat Yield | |
| Saeed et al. | 3D Annotation and deep learning for cotton plant part segmentation and architectural trait extraction | |
| CN117710970B (zh) | 基于半监督算法的胚胎细胞多核目标检测方法 | |
| CN118471327B (zh) | 基于基因型与环境互作异构图的基因组预测方法及装置 | |
| CN118675203B (zh) | 一种穿山甲甲片个体智能识别方法及系统 | |
| CN113723448B (zh) | 图像中对象分类和计数方法、装置、电子设备及介质 |
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 |