CN118195350A - 一种山地生态系统暴露指数计算方法 - Google Patents
一种山地生态系统暴露指数计算方法 Download PDFInfo
- Publication number
- CN118195350A CN118195350A CN202410365558.3A CN202410365558A CN118195350A CN 118195350 A CN118195350 A CN 118195350A CN 202410365558 A CN202410365558 A CN 202410365558A CN 118195350 A CN118195350 A CN 118195350A
- Authority
- CN
- China
- Prior art keywords
- target
- preset
- data set
- hazard
- index
- 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
- 238000004364 calculation method Methods 0.000 title abstract description 9
- 230000007613 environmental effect Effects 0.000 claims abstract description 65
- 238000007405 data analysis Methods 0.000 claims abstract description 28
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 241000607479 Yersinia pestis Species 0.000 claims description 39
- 238000001556 precipitation Methods 0.000 claims description 36
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 26
- 238000005315 distribution function Methods 0.000 claims description 14
- 230000005068 transpiration Effects 0.000 claims description 12
- 230000008020 evaporation Effects 0.000 claims description 11
- 238000001704 evaporation Methods 0.000 claims description 11
- 230000035945 sensitivity Effects 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 3
- 239000000383 hazardous chemical Substances 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 2
- 238000012502 risk assessment Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 239000000428 dust Substances 0.000 description 5
- 238000011835 investigation Methods 0.000 description 5
- 239000004576 sand Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000872 buffer Substances 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 230000003090 exacerbative effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000019612 pigmentation Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000019432 tissue death Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种山地生态系统暴露指数计算方法，涉及数据处理技术领域；该方法根据预设环境危害对应的危害等级分布图，确定每一预设环境危害的相对权重；通过预设专家对每一预设环境危害的相对权重进行评估得到每一预设环境危害的目标相对权重；根据每一预设环境危害的目标相对权重得到目标区域对应的生态系统暴露指数。通过数据分析生成危害等级分布图为环境危害提供了定量化的评估，再通过预设专家对每种环境危害的相对权重进行评估，确保了数据分析结果与实际经验相结合，提高了评估的准确性和实用性，使得风险评估更加客观和精确，避免了评估结果很可能偏离实际，导致制定的保护策略不够精准和有效的问题。
Description
技术领域
本发明属于技术数据处理领域，具体涉及一种山地生态系统暴露指数计算方法。
背景技术
森林作为地球上重要的生态资源，它们不仅是生物多样性的宝库，还在全球碳管理中发挥着关键作用；森林对于支持人类生计也至关重要；在全球各地的森林生态系统中，山地森林因其独特的地理位置和生态特性，面临着尤为严峻的挑战；然而，气候变化、人类开发、土地利用变化等多重压力正在对山地森林的结构和生产力产生负面影响，这些危害不仅导致山地森林结构的破坏和功能下降，还可能导致大量隔离碳的释放，进而加剧气候变化和生物多样性的丧失。
为了有效应对这些挑战，对森林的脆弱性进行综合评估显得尤为关键；脆弱性评估涉及对森林暴露于环境压力的程度、敏感性以及适应能力的全面考量；这种评估有助于我们更深入地理解森林生态系统的运作机制，从而制定出更有效的管理策略和规划举措，以减轻各种压力源的不利影响，并增强森林的恢复力。
然而，当前的脆弱性评估研究往往存在一个明显的缺陷，那就是忽视了社会因素在森林生态系统中的重要作用；事实上，社区的经济状况、社会结构、基础设施水平等因素，都会对森林的脆弱性产生深远影响；如果我们在评估中忽略了这些社会因素，评估结果很可能偏离实际，导致制定的保护策略不够精准和有效。
发明内容
本发明的目的就在于解决在评估中忽略了这些社会因素，评估结果很可能偏离实际，导致制定的保护策略不够精准和有效的问题，而提出一种山地生态系统暴露指数计算方法。
在本发明实施提出一种山地生态系统暴露指数计算方法，其特征在于，所述方法包括:
获取目标区域在历史灾害中对应的环境数据集得到目标数据集；所述环境数据由气象站和水文站统计的数据组成；
对所述目标数据集进行数据分析，得到所述目标区域内预设环境危害对应的危害等级分布图；所述预设环境危害包括气象干旱、水文干旱、害虫、沙尘暴、高速风、最高温度、实际蒸散发、滑坡、洪水、野火和社会脆弱性；
根据预设环境危害对应的危害等级分布图，确定每一预设环境危害的相对权重；
根据每一预设环境危害的相对权重得到所述目标区域对应的生态系统暴露指数。
可选的，对所述目标数据集进行数据分析，得到所述目标区域内预设环境危害对应的危害等级分布图包括气象干旱分布图：
获取所述目标数据集中目标降水数据集；所述目标降水数据集包括多个气象站按时间序列统计的降水数据；
针对每一气象站统计的目标降水数据进行伽马分布函数拟合得到伽马分布函数，根据伽马分布函数得到每一气象站对应的标准化降水指数；所述伽马分布函数为其中，α为形状参数，β为尺度参数，x为降水数据，Γ(α)为伽马函数，G为标准化降水指数；
根据每一气象站对应的标准化降水指数，通过公式得到每一气象站检测区域的干旱幅度，其中SPIj为在j时刻气象站对应的标准化降水指数；
将每一气象站的干旱幅度带入ArcGIS软件中的逆距离加权工具中得到气象干旱分布图；所述气象干旱分布图内气象干旱等级分为非常低、低、中等、高和非常高。
可选的，对所述目标数据集进行数据分析，得到所述目标区域内预设环境危害对应的危害等级分布图包括害虫分布图：
对所述目标区域进行区域划分得到区域集，针对所述区域集内任意区域，对该区域进行特征数据采集得到目标特征向量；
将该目标特征向量带入预设害虫等级模型得到该区域的害虫等级，获取所有区域的害虫等级得到害虫分布图；所述害虫分布图内害虫等级分为非常低、低、中等、高和非常高。
可选的，对所述目标数据集进行数据分析，得到所述目标区域内预设环境危害对应的危害等级分布图还包括水文干旱分布图：
获取所述目标数据集中目标水流量数据集；所述水流量数据集包括多个水文站在时间序列上记录的水流量数据；
通过公式得到每个水文站在时间序列上的水流量指数；其中ν为年，τ为月，/>为τ月份的水流量数据平均值，Fν，τ为ν年的τ月份水流量值，στ为τ月份的水流量数据标准差，/>为常数值12，SSFIτ为在τ月份的水流量指数；
通过公式得到每个水文站的水文干旱值；其中SSFIj表示j期间内的水流量指数，H为每个水文站的水文干旱值；
根据每个水文站的水文干旱值，生成了水文干旱分布图；所述水文干旱分布图内水文干旱等级分为非常低、低、中等、高和非常高。
可选的，对所述目标数据集进行数据分析，得到所述目标区域内预设环境危害对应的危害等级分布图还包括社会脆弱性分布图：
获取与所述目标区域相邻县的预设数目经济、社会和环境指标计算社会脆弱性指数得到指标评分；
通过第一预设数目专家对每一指标评分进行评估，得到每一指标的相对权重；
通过公式计算每个预设暴露维度、预设灵敏度和预设自适应能力的加权值，其中DIi为i县内维度的加权值，k为相关维度内的指标数，WI＝指标评分×相对权重，Average weight为WI的平均值；
通过公式计算各县的社会脆弱性指数；其中，SoVI是在0到1之间变化的社会脆弱性指数，/>为i县对应的暴露维度的加权值，/>为i县对应的灵敏度的加权值，/>为i县对应的自适应能力的加权值；
根据所有县的社会脆弱性指数得到社会脆弱性分布图；所述社会脆弱性分布图内社会脆弱性等级分为非常低、低、中等、高和非常高。
可选的，对所述目标数据集进行数据分析，得到所述目标区域内预设环境危害对应的危害等级分布图还包括实际蒸散分布图：
获取所述目标数据集中目标气象数据集；所述气象数据集包括多个气象站在时间序列上记录的气象数据集；所述气象数据包括年降水量和潜在蒸散量；
针对每一气象站对应的气象数据，通过公式得到该气象站测量区域对应的实际蒸发蒸腾量；
其中，P为年降水量，PET为年潜在蒸散量，α为常数值0.9，β为常数值2；
根据每一气象站对应的实际蒸发蒸腾量，生成实际蒸散分布图；所述实际蒸散分布图内实际蒸发蒸腾量等级分为非常低、低、中等、高和非常高。
可选的，对所述目标数据集进行数据分析，得到所述目标区域内预设环境危害对应的危害等级分布图还包括高速风分布图：
获取所述目标数据集中目标高速风数据集；所述高速风数据集包括多个气象站在时间序列上记录的气象数据集；
通过公式得到特定风速的发生概率；
其中，v为风速，f(v)为特定风速发生的概率，k为形状因子，c为威布尔尺度因子；
计算每个气象站在预设年间所有风速大于等于预设风速的平均值得到目标风速，将所述目标风速乘以该站计算出的发生概率得到当前气象站对应的高速大风风险，根据所有气象站对应的高速大风风险，生成高速风分布图；所述高速风分布图内高速风等级分为非常低、低、中等、高和非常高。
可选的，根据每一预设环境危害的相对权重得到所述目标区域对应的生态系统暴露指数包括：
通过ArcGIS软件对所有危害等级分布图进行标准化加权图的线性组合，得到所述目标区域的暴露指数。
本发明的有益效果：
本发明提出了一种山地生态系统暴露指数计算方法，通过获取目标区域在历史灾害中对应的环境数据集得到目标数据集；环境数据由气象站和水文站统计的数据组成；对目标数据集进行数据分析，得到目标区域内预设环境危害对应的危害等级分布图；根据预设环境危害对应的危害等级分布图，确定每一预设环境危害的相对权重；通过预设专家对每一预设环境危害的相对权重进行评估得到每一预设环境危害的目标相对权重；根据每一预设环境危害的目标相对权重得到目标区域对应的生态系统暴露指数。通过数据分析生成危害等级分布图为环境危害提供了定量化的评估，再通过预设专家对每种环境危害的相对权重进行评估，确保了数据分析结果与实际经验相结合，提高了评估的准确性和实用性，使得风险评估更加客观和精确，避免了评估结果很可能偏离实际，导致制定的保护策略不够精准和有效的问题。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明实施例提供了一种山地生态系统暴露指数计算方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其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。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明实施例提供了一种山地生态系统暴露指数计算方法。参见图1，图1为本发明实施例提供的一种山地生态系统暴露指数计算方法的流程图。该方法包括以下步骤:
S101，获取目标区域在历史灾害中对应的环境数据集得到目标数据集。
S102，对目标数据集进行数据分析，得到目标区域内预设环境危害对应的危害等级分布图。
S103，根据预设环境危害对应的危害等级分布图，确定每一预设环境危害的相对权重。
S104，通过预设专家对每一预设环境危害的相对权重进行评估得到每一预设环境危害的目标相对权重。
S105，根据每一预设环境危害的目标相对权重得到目标区域对应的生态系统暴露指数。
其中，环境数据由气象站和水文站统计的数据组成。
基于本发明实施例提供的一种山地生态系统暴露指数计算方法，通过数据分析生成危害等级分布图为环境危害提供了定量化的评估，再通过预设专家对每种环境危害的相对权重进行评估，确保了数据分析结果与实际经验相结合，提高了评估的准确性和实用性，使得风险评估更加客观和精确，避免了评估结果很可能偏离实际，导致制定的保护策略不够精准和有效的问题。
一种实现方式中，预设环境危害包括气象干旱、水文干旱、害虫、沙尘暴、高速风、最高温度、实际蒸散发、滑坡、洪水、野火和社会脆弱性；
一种实现方式中，环境数据包括地理空间、水文、气候、社会经济数据集、卫星图像和实地调查采集的数据。
一种实现方式中，预设专家为在社会脆弱性评估领域具有高科学能力的专家。
一种实现方式中，在计算山地森林景观的EI后，进行空间分类，将EI值分为极低、低、中、中、高、高五类，这种分类方案允许对森林区域内不同区域所经历的不同程度的暴露进行细致的描述，有助于识别高风险区域，并为有针对性的管理干预措施提供信息。最后，利用Pearson相关系数(r)来评估该指数与代表多重危害的每个环境变量之间的关系。
一种实现方式中，采用空间自相关(全球Moran’sI)和聚类和离群分析(Anselin局部Moran’sI)研究了整个森林的EI空间格局。用全球Moran’sI系数评估了整个森林中细胞EI值的空间自相关性。使用当地的Moran’sI确定了EI值的空间簇。在该方法中，基于高-高(HH)、低-低(LL)、高-L(HL)和低-高(LH)的聚类/离群值模式，在网格单元水平上绘制了4个脆弱性类型层次。热点(HH)和冷点(LL)表示相似值和正空间自相关的聚类，而LH和HL表示不同值和负空间自相关的聚类。
一种实现方式中，危害等级分布图还包括粉尘分布图，尘埃和沙尘暴有可能通过改变短波辐射的接收和长波辐射的发射来影响地球表面温度，引发害虫和疾病的出现，降低叶绿素水平，诱导叶片脱落和植物组织死亡，减少光合作用活动和生产力，并改变叶片色素沉着，因此，对沙尘暴和沙尘暴的时空监测为预测它们的变化趋势，在本方案通过MCD19A2产品版本6的中分辨率成像光谱仪(MODIS)卫星传感器，采用气溶胶光学深度(AOD)产品在规范化模式；在谷歌地球引擎(GEE)网络平台，AOD是一个在零到1之间归一化的无量纲指数，其中值从0.1到0.5表示透明空气，而较高的值表示空气中充满灰尘。此外，AOD还描述了大气中气溶胶的分布和大气柱中悬浮粒子的质量大小，主要受近地表排放源的影响。这个产品的值代表了大气中的悬浮粒子，而不管它们的来源和运动路径如何。从谷歌地球引擎中获得了10年期间的每日AOD图像，随后每月和每年取平均值。MODIS AOD图像在监测和估计粉尘值方面的准确性和精度已经被研究区域内先前的研究和空气质量控制站所验证。森林AOD值变化分类图分为极低、低、中、高、极高五类。
一种实现方式中，危害等级分布图还包括最高温度分布图，最高气温对森林中植物物种的生长和生存有重大影响，导致它们的竞争能力下降，甚至从特定的生态位中消除它们。在本方案中，提取研究期间各夏季的最高温度，在建立最高温度值与时间的回归关系后，计算各站该变量的年变化率。将每个站的年变化率和平均最高温度相乘，计算出每个站的最高温度风险值。生成了最高温度风险的栅格图，并将其分为五类：非常低、低、中、高和非常高。
一种实现方式中，危害等级分布图还包括洪水、山体滑坡和野火分布图，洪水、滑坡和野火风险图是洪水灾害的空间预测、滑坡敏感性图和目标区域的野火发生情况确定。洪水、滑坡和野火风险图分为非常低五类：非常低、中、高和非常高。
在一个实施例中，对目标数据集进行数据分析，得到目标区域内预设环境危害对应的危害等级分布图包括气象干旱分布图：
获取目标数据集中目标降水数据集；目标降水数据集包括多个气象站按时间序列统计的降水数据；
针对每一气象站统计的目标降水数据进行伽马分布函数拟合得到伽马分布函数，根据伽马分布函数得到每一气象站对应的标准化降水指数；伽马分布函数为其中，α为形状参数，β为尺度参数，x为降水数据，Γ(α)为伽马函数，G为标准化降水指数；
根据每一气象站对应的标准化降水指数，通过公式得到每一气象站检测区域的干旱幅度，其中SPIj为在j时刻气象站对应的标准化降水指数；
将每一气象站的干旱幅度带入ArcGIS软件中的逆距离加权工具中得到气象干旱分布图；气象干旱分布图内气象干旱等级分为非常低、低、中等、高和非常高。
一种实现方式中，为了分析气象干旱的发生情况，采用标准化降水指数(SPI)在不同时空尺度上的有效性，可以评估干旱发生对森林生态系统的影响，因此为了计算SPI，将每个气象站的长期降水数据统计数据都拟合为一个伽马分布函数，然后利用得到的函数可以确定该站在特定月和期望时间尺度上的累积降水概率，正SPI值表示降水超过平均量，而负值表示降水低于平均量。
在一个实施例中，对目标数据集进行数据分析，得到目标区域内预设环境危害对应的危害等级分布图包括害虫分布图：
对目标区域进行区域划分得到区域集，针对区域集内任意区域，对该区域进行特征数据采集得到目标特征向量；
将该目标特征向量带入预设害虫等级模型得到该区域的害虫等级，获取所有区域的害虫等级得到害虫分布图；害虫分布图内害虫等级分为非常低、低、中等、高和非常高。
一种实现方式中，在建立预设害虫等级模型时可以以被调查森林内的害虫风险为参数，从而得到历史数据中250个害虫存在实例的数据，其中可能影响所研究森林地区害虫分布的综合因素包括气候、地貌、水文、地形、植被覆盖和人类相关的元素，从先前研究环境因素对害虫传播的森林，辅以广泛的实地考察和环境特征文件的位置，以及可用的报告和文件。因此，确定了12个预测变量：海拔、坡度、方向、温度、实际蒸散量、风速、干旱强度、距离河流距离、距离定居点距离、距离道路距离、距离森林边缘距离和森林密度；首先为了生成坡度、方向和高度图，现获取目标区域的1：25000的地形图；再利用从气象组织获得的历年气候数据集，开发了描述研究区域的年平均温度、蒸散量、风速和干旱严重程度的栅格图，还获得了按1：10万比例尺绘制的定居点、道路和河流的分布地图，并使用指定的缓冲区划定了这些地图，土地利用/土地覆盖地图来源于当年的土地卫星图像，该地图包括森林覆盖，并使用该地图创建了表示距离森林边界的距离的缓冲区。所有的变量地图被分为6类，转换为30米分辨率的光栅格式，并合并到ArcGIS软件中进行进一步分析，其中害虫风险建模的解释变量的分类参见表1，
表1
关于害虫风险的概率建模包括评估整个森林中害虫存在的可能性，用从0到1的数值(概率值)表示，更接近1的值表示害虫存在的可能性更高。对害虫存在的概率进行建模，需要使用数据驱动的方法建立已记录的害虫发生和环境因素之间的关系。在评估了环境风险建模中使用的各种方法后，可以选择了支持向量机和多层人工神经网络。选择这些方法是因为它们能够有效地阐明预测因素之间的关系，并被认为最适合未来的应用。值得注意的是，采用多层感知器神经网络和反向传播训练算法来预测森林害虫感染风险。训练过程迭代1000次，测试误差最小、效率最高的网络被认为是建模的最优网络结构。在总共250个记录点中，175个代表害虫存在的点(70％)被分配用于训练目的，而75个代表害虫存在的点(30％)被指定用于测试模型和评估其性能。除了这些数据集，从研究的森林中随机选择250个非害虫地点，形成最终的训练和验证数据集。这个过程导致训练数据集有350条记录，验证数据集有150条记录。采用受试者工作特征(ROC)曲线对模型的拟合优度(训练性能)和预测能力(验证性能)进行评估。ROC曲线的x轴表示假阳性率(特异性)，而y轴表示假阴性率(敏感性)。曲线下面积(AUC)值为1表示100％的敏感性，100％的特异性，代表最佳结果。具体来说，AUC值在0.8到1范围内表明性能非常好，0.7到0.8之间表明性能良好，0.6到0.7表示性能中等，0.5到0.6之间表明模型性能较差。最终，利用ArcGIS软件中的自然中断(Jenks)命令。
在一个实施例中，对目标数据集进行数据分析，得到目标区域内预设环境危害对应的危害等级分布图还包括水文干旱分布图：
获取目标数据集中目标水流量数据集；水流量数据集包括多个水文站在时间序列上记录的水流量数据；
通过公式得到每个水文站在时间序列上的水流量指数；其中ν为年，τ为月，/>为τ月份的水流量数据平均值，Fν，τ为ν年的τ月份水流量值，στ为τ月份的水流量数据标准差，/>为常数值12，SSFIτ为在τ月份的水流量指数；
通过公式得到每个水文站的水文干旱值；其中SSFIj表示j期间内的水流量指数，H为每个水文站的水文干旱值；
根据每个水文站的水文干旱值，生成了水文干旱分布图；水文干旱分布图内水文干旱等级分为非常低、低、中等、高和非常高。
一种实现方式中，干旱的发生和蒸散量的增加可能会导致水文状况的不良变化，从而导致地表径流的减少，以及森林的结构完整性和生产力的降低，因此采用了广泛应用于水文干旱发生时空分析的标准化流量指数(SSFI)。
一种实现方式中，SSFI值的分类和水文干旱发生阈值的确定也进行了类似的方法，当SSFI值为0时，定义了指示水文干旱发生的边界。
在一个实施例中，对目标数据集进行数据分析，得到目标区域内预设环境危害对应的危害等级分布图还包括社会脆弱性分布图：
获取与目标区域相邻县的预设数目经济、社会和环境指标计算社会脆弱性指数得到指标评分；
通过第一预设数目专家对每一指标评分进行评估，得到每一指标的相对权重；
通过公式计算每个预设暴露维度、预设灵敏度和预设自适应能力的加权值，其中DIi为i县内维度的加权值，k为相关维度内的指标数，WI＝指标评分×相对权重，Average weight为WI的平均值；
通过公式计算各县的社会脆弱性指数；其中，SoVI是在0到1之间变化的社会脆弱性指数，/>为i县对应的暴露维度的加权值，/>为i县对应的灵敏度的加权值，/>为i县对应的自适应能力的加权值；
根据所有县的社会脆弱性指数得到社会脆弱性分布图；社会脆弱性分布图内社会脆弱性等级分为非常低、低、中等、高和非常高。
一种实现方式中，目标区域相邻县为，可以与森林之间存在共同进化和相互反馈的县，当地社区内的社会脆弱性水平显著影响了森林开发的强度，从而增加了森林本身的脆弱性。
一种实现方式中，预设数目经济、社会和环境指标和预设暴露维度、预设灵敏度和预设自适应能力参考表2。
表2
一种实现方式中，实施模糊分析层次分析过程(FAHP)，分析30名在社会脆弱性评估领域具有高科学能力的专家的意见，计算各指标的相对权重。当CR<为0.1时，专家的判断被认为是可靠的。在本方法中，从30份CR<为0.1的完整问卷中选择28份来确定权重。
在一个实施例中，对目标数据集进行数据分析，得到目标区域内预设环境危害对应的危害等级分布图还包括实际蒸散分布图：
获取目标数据集中目标气象数据集；气象数据集包括多个气象站在时间序列上记录的气象数据集；气象数据包括年降水量和潜在蒸散量；
针对每一气象站对应的气象数据，通过公式得到该气象站测量区域对应的实际蒸发蒸腾量；
其中，P为年降水量，PET为年潜在蒸散量，α为常数值0.9，β为常数值2；
根据每一气象站对应的实际蒸发蒸腾量，生成实际蒸散分布图；实际蒸散分布图内实际蒸发蒸腾量等级分为非常低、低、中等、高和非常高。
一种实现方式中，蒸散量通过其对流域地区地表水可利用量的影响，在塑造森林结构和生产力潜力方面发挥着重要作用，使用CropWat软件测定了气象站的年PET值，将流域水平上的潜在蒸散量值转化为实际蒸散量，再通过将每个站站的年降水量(P)和潜在蒸散量(PET)值输入等式得到实际蒸散量(AET)值，计算每个气象站的年AET值，生成描述年AET的栅格图，并将其分为极低、低、中、中、高、极高五类。
在一个实施例中，对目标数据集进行数据分析，得到目标区域内预设环境危害对应的危害等级分布图还包括高速风分布图：
获取目标数据集中目标高速风数据集；高速风数据集包括多个气象站在时间序列上记录的气象数据集；
通过公式得到特定风速的发生概率；
其中，v为风速，f(v)为特定风速发生的概率，k为形状因子，c为威布尔尺度因子；
计算每个气象站在预设年间所有风速大于等于预设风速的平均值得到目标风速，将目标风速乘以该站计算出的发生概率得到当前气象站对应的高速大风风险，根据所有气象站对应的高速大风风险，生成高速风分布图；高速风分布图内高速风等级分为非常低、低、中等、高和非常高。
一种实现方式中，为了绘制所研究森林地区的大风风险，考虑了大于或等于10.8m/s，通过威布尔分布函数预测不同地区不同风速的概率。
在一个实施例中，根据每一预设环境危害的相对权重得到目标区域对应的生态系统暴露指数包括：
通过ArcGIS软件对所有危害等级分布图进行标准化加权图的线性组合，得到目标区域的暴露指数。
一种实现方式中，通过使用FAHP方法分析30名专家的意见，计算了每个变量(危害)的相对权重。确保CR<为0.1，在30份已完成的问卷中选择了25份来计算变量(危害)的相对权重，最后，通过ArcGIS软件中暴露变量(危害)的标准化加权图的线性组合，计算出EI图，根据等式描述了整个研究森林中对多种环境危害的加权暴露
EI＝a+b+c+d+e+f+g+h+i+j+k
其中EI是暴露指数，每个字母表示相对暴露值a是气象干旱，b是水文干旱，c是实际蒸散量，d是最高温度，e是灰尘，f是高速风，g是洪水，h是滑坡，i是野火，j是害虫，k是社会脆弱性。
以上对本发明的一个实施例进行了详细说明，但内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。
Claims (8)
1.一种山地生态系统暴露指数计算方法，其特征在于，所述方法包括:
获取目标区域在历史灾害中对应的环境数据集得到目标数据集；所述环境数据由气象站和水文站统计的数据组成；
对所述目标数据集进行数据分析，得到所述目标区域内预设环境危害对应的危害等级分布图；
根据预设环境危害对应的危害等级分布图，确定每一预设环境危害的相对权重；
通过预设专家对每一预设环境危害的相对权重进行评估得到每一预设环境危害的目标相对权重；
根据每一预设环境危害的目标相对权重得到所述目标区域对应的生态系统暴露指数。
2.根据权利要求1所述的一种山地生态系统暴露指数计算方法，其特征在于，对所述目标数据集进行数据分析，得到所述目标区域内预设环境危害对应的危害等级分布图包括气象干旱分布图：
获取所述目标数据集中目标降水数据集；所述目标降水数据集包括多个气象站按时间序列统计的降水数据；
针对每一气象站统计的目标降水数据进行伽马分布函数拟合得到伽马分布函数，根据伽马分布函数得到每一气象站对应的标准化降水指数；所述伽马分布函数为其中，α为形状参数，β为尺度参数，x为降水数据，Γ(α)为伽马函数，G为标准化降水指数；
根据每一气象站对应的标准化降水指数，通过公式得到每一气象站检测区域的干旱幅度，其中SPIj为在j时刻气象站对应的标准化降水指数；
将每一气象站的干旱幅度带入ArcGIS软件中的逆距离加权工具中得到气象干旱分布图；所述气象干旱分布图内气象干旱等级分为非常低、低、中等、高和非常高。
3.根据权利要求1所述的一种山地生态系统暴露指数计算方法，其特征在于，对所述目标数据集进行数据分析，得到所述目标区域内预设环境危害对应的危害等级分布图包括害虫分布图：
对所述目标区域进行区域划分得到区域集，针对所述区域集内任意区域，对该区域进行特征数据采集得到目标特征向量；
将该目标特征向量带入预设害虫等级模型得到该区域的害虫等级，获取所有区域的害虫等级得到害虫分布图；所述害虫分布图内害虫等级分为非常低、低、中等、高和非常高。
4.根据权利要求1所述的一种山地生态系统暴露指数计算方法，其特征在于，对所述目标数据集进行数据分析，得到所述目标区域内预设环境危害对应的危害等级分布图还包括水文干旱分布图：
获取所述目标数据集中目标水流量数据集；所述水流量数据集包括多个水文站在时间序列上记录的水流量数据；
通过公式得到每个水文站在时间序列上的水流量指数；其中ν为年，τ为月，/>为τ月份的水流量数据平均值，Fν，τ为ν年的τ月份水流量值，στ为τ月份的水流量数据标准差，/>为常数值12，SSFIτ为在τ月份的水流量指数；
通过公式得到每个水文站的水文干旱值；其中SSFIj表示j期间内的水流量指数，H为每个水文站的水文干旱值；
根据每个水文站的水文干旱值，生成了水文干旱分布图；所述水文干旱分布图内水文干旱等级分为非常低、低、中等、高和非常高。
5.根据权利要求1所述的一种山地生态系统暴露指数计算方法，其特征在于，对所述目标数据集进行数据分析，得到所述目标区域内预设环境危害对应的危害等级分布图还包括社会脆弱性分布图：
获取与所述目标区域相邻县的预设数目经济、社会和环境指标计算社会脆弱性指数得到指标评分；
通过第一预设数目专家对每一指标评分进行评估，得到每一指标的相对权重；
通过公式计算每个预设暴露维度、预设灵敏度和预设自适应能力的加权值，其中DIi为i县内维度的加权值，k为相关维度内的指标数，WI＝指标评分×相对权重，Average weight为WI的平均值；
通过公式计算各县的社会脆弱性指数；其中，SoVI是在0到1之间变化的社会脆弱性指数，/>为i县对应的暴露维度的加权值，/>为i县对应的灵敏度的加权值，/>为i县对应的自适应能力的加权值；
根据所有县的社会脆弱性指数得到社会脆弱性分布图；所述社会脆弱性分布图内社会脆弱性等级分为非常低、低、中等、高和非常高。
6.根据权利要求1所述的一种山地生态系统暴露指数计算方法，其特征在于，对所述目标数据集进行数据分析，得到所述目标区域内预设环境危害对应的危害等级分布图还包括实际蒸散分布图：
获取所述目标数据集中目标气象数据集；所述气象数据集包括多个气象站在时间序列上记录的气象数据集；所述气象数据包括年降水量和潜在蒸散量；
针对每一气象站对应的气象数据，通过公式得到该气象站测量区域对应的实际蒸发蒸腾量；
其中，P为年降水量，PET为年潜在蒸散量，α为常数值0.9，β为常数值2；
根据每一气象站对应的实际蒸发蒸腾量，生成实际蒸散分布图；所述实际蒸散分布图内实际蒸发蒸腾量等级分为非常低、低、中等、高和非常高。
7.根据权利要求1所述的一种山地生态系统暴露指数计算方法，其特征在于，对所述目标数据集进行数据分析，得到所述目标区域内预设环境危害对应的危害等级分布图还包括高速风分布图：
获取所述目标数据集中目标高速风数据集；所述高速风数据集包括多个气象站在时间序列上记录的气象数据集；
通过公式得到特定风速的发生概率；
其中，v为风速，f(v)为特定风速发生的概率，k为形状因子，c为威布尔尺度因子；
计算每个气象站在预设年间所有风速大于等于预设风速的平均值得到目标风速，将所述目标风速乘以该站计算出的发生概率得到当前气象站对应的高速大风风险，根据所有气象站对应的高速大风风险，生成高速风分布图；所述高速风分布图内高速风等级分为非常低、低、中等、高和非常高。
8.根据权利要求1所述的一种山地生态系统暴露指数计算方法，其特征在于，根据每一预设环境危害的相对权重得到所述目标区域对应的生态系统暴露指数包括：
通过ArcGIS软件对所有危害等级分布图进行标准化加权图的线性组合，得到所述目标区域的暴露指数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410365558.3A CN118195350A (zh) | 2024-03-28 | 2024-03-28 | 一种山地生态系统暴露指数计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410365558.3A CN118195350A (zh) | 2024-03-28 | 2024-03-28 | 一种山地生态系统暴露指数计算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118195350A true CN118195350A (zh) | 2024-06-14 |
Family
ID=91401337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410365558.3A Pending CN118195350A (zh) | 2024-03-28 | 2024-03-28 | 一种山地生态系统暴露指数计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118195350A (zh) |
-
2024
- 2024-03-28 CN CN202410365558.3A patent/CN118195350A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pourghasemi et al. | Assessing and mapping multi-hazard risk susceptibility using a machine learning technique | |
| Feloni et al. | Flood vulnerability assessment using a GIS‐based multi‐criteria approach—The case of Attica region | |
| Mojaddadi et al. | Ensemble machine-learning-based geospatial approach for flood risk assessment using multi-sensor remote-sensing data and GIS | |
| Pourghasemi et al. | Landslide susceptibility mapping by binary logistic regression, analytical hierarchy process, and statistical index models and assessment of their performances | |
| CN112308292B (zh) | 一种火灾风险等级分布图的绘制方法 | |
| CN113902580B (zh) | 一种基于随机森林模型的历史耕地分布重建方法 | |
| Pozdnoukhov et al. | Spatio-temporal avalanche forecasting with Support Vector Machines | |
| Moliere et al. | Classifying the flow regime of data-limited streams in the wet-dry tropical region of Australia | |
| CN112907113B (zh) | 一种考虑空间相关性的植被变化成因识别方法 | |
| Liew et al. | Development of Intensity-Duration-Frequency curves at ungauged sites: risk management under changing climate | |
| CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
| CN116777079A (zh) | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 | |
| Abdolmanafi et al. | Evaluation of global ensemble prediction models for forecasting medium to heavy precipitations | |
| CN116882625A (zh) | 一种岩溶山地乡村聚落用地空间脆弱性识别方法 | |
| El Rafei et al. | Analysis of extreme wind gusts using a high-resolution Australian regional reanalysis | |
| Hooker et al. | Spatial scale evaluation of forecast flood inundation maps | |
| CN117332909B (zh) | 基于智能体的多尺度城市内涝道路交通暴露性预测方法 | |
| Xu et al. | Comparing satellite image and GIS data classified local climate zones to assess urban heat island: A case study of Guangzhou | |
| CN116110210B (zh) | 复杂环境下数据驱动的滑坡灾害辅助决策方法 | |
| Zhong et al. | Monitoring drought in ungauged areas using satellite altimetry: The Standardized River Stage Index | |
| CN116258279A (zh) | 基于综合赋权的滑坡易发性评价方法和装置 | |
| Bannayan et al. | Predicting realizations of daily weather data for climate forecasts using the non‐parametric nearest‐neighbour re‐sampling technique | |
| CN118195350A (zh) | 一种山地生态系统暴露指数计算方法 | |
| Moreto et al. | Sugarcane decision-making support using Eta Model precipitation forecasts | |
| Atchyuth et al. | Near real-time flood inundation and hazard mapping of Baitarani River Basin using Google Earth Engine and SAR imagery |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |