CN111260264A - 一种资源型城市生态安全预警的方法及装置 - Google Patents

一种资源型城市生态安全预警的方法及装置 Download PDF

Info

Publication number
CN111260264A
CN111260264A CN202010370172.3A CN202010370172A CN111260264A CN 111260264 A CN111260264 A CN 111260264A CN 202010370172 A CN202010370172 A CN 202010370172A CN 111260264 A CN111260264 A CN 111260264A
Authority
CN
China
Prior art keywords
coefficient
bayesian network
ecological safety
early warning
resource type
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
CN202010370172.3A
Other languages
English (en)
Other versions
CN111260264B (zh
Inventor
查文宇
张艳清
王纯斌
蓝科
王琳
殷腾蛟
赵天爵
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.)
Chengdu Sefon Software Co Ltd
Original Assignee
Chengdu Sefon Software Co Ltd
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 Chengdu Sefon Software Co Ltd filed Critical Chengdu Sefon Software Co Ltd
Priority to CN202010370172.3A priority Critical patent/CN111260264B/zh
Publication of CN111260264A publication Critical patent/CN111260264A/zh
Application granted granted Critical
Publication of CN111260264B publication Critical patent/CN111260264B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/067—Enterprise or organisation modelling
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种资源型城市生态安全预警的方法及装置，基于“状态—胁迫—免疫，state‑danger‑immunity，SDI”模型将研究地区的生态安全综合考量分解成为生态环境状态、生态安全胁迫和生态风险免疫功能3个层面。本发明的贝叶斯网络根节点为资源型城市生态安全预警C；确定贝叶斯网络的中间节点Cj，包括：环境状态C1、生态安全胁迫C2和生态风险免疫能力C3。解决了现有的资源型城市生态安全预警的方法一般基于专家评分，受主观影响较大，分析比较片面的问题。

Description

一种资源型城市生态安全预警的方法及装置
技术领域
本发明涉及神经网络领域，特别涉及一种资源型城市生态安全预警的方法及装置。
背景技术
资源型城市在促进国民经济的发展过程中做出了历史性贡献，但资源的开采与利用对环境产生了很大的负面影响，对资源型城市的生态安全构成了严重威胁，对资源型城市的长久发展构成了约束与限制，这是我国众多资源型城市面临的共同考验。生态安全问题不但会对区域内部产生剧烈的影响，而且会对周边地区的社会和谐带来负面影响，影响到国家的和谐稳定。所以，对资源型城市进行预警及响应机制的研究，对于提升资源型城市的生态安全 状况，促进资源型城市可持续发展具有重要的意义。
国内外学者运用生态足迹法、生态 L-V 模型、模糊综合评价等方法对区域生态安全做了丰富的研究。国内方面，周彬等应用变权模型对舟山群岛生态安全预警做了研究，结果表明该地区的生态安全为“中警”状态。马世五等基于压力—状态—响应（P-S-R）框架构建土地生态安全预警指标体系，并对三峡库区土地生态安全预警进行研究。徐美等基于改进的 Topsis灰色 GM(1, 1) 模型对张家界市旅游生态安全进行动态预警，得出张家界市的旅游生态安全贴近度将进一步上升。1990年，英国学者Sleeser采用 ECCO 模型对不同发展策略下，人口与资源环境承载力之间的一种弹性关系进行预测，最终确定了长远发展是最优发展方案。2001年，Tilman等对农业引起的全球环境变化进行了预警研究，指出人口数量的快速增长是生态***的潜在隐患。
人们在研究生态安全演变趋势的研究较多，但研究的模型以及方法只是对趋势演变较多，对于分析造成这样演变的原因分析较少。因此本发明针对贝叶斯网络模型的事前事后分析能力，利用渗流理论里吸收连通性结构在临界概率左右呈现出根本性不同的特性以及通径系数分析进行贝叶斯网络建立，进行生态安全演变趋势的预测，以及造成演变趋势的原因进行分析，以便于提出改进方案措施，如何加快演变趋势或抑制演变趋势。
贝叶斯网络又称信度网络，是Bayes方法的扩展，是目前不确定知识表达和推理领域最有效的理论模型之一。从1988年由Pearl提出后，已经成为近几年来研究的热点.。一个贝叶斯网络是一个有向无环图(Directed Acyclic Graph,DAG),由代表变量结点及连接这些结点有向边构成。结点代表随机变量，结点间的有向边代表了结点间的互相关系(由父结点指向其子结点)，用条件概率进行表达关系强度，没有父结点的用先验概率进行信息表达。结点变量可以是任何问题的抽象，如：测试值，观测现象，意见征询等。适用于表达和分析不确定性和概率性的事件，应用于有条件地依赖多种控制因素的决策，可以从不完全、不精确或不确定的知识或信息中做出推理。
现有的资源型城市生态安全预警的方法一般基于专家评分，受主观影响较大，分析比较片面。
发明内容
本发明的目的在于：提供了一种资源型城市生态安全预警的方法及装置，解决了现有的资源型城市生态安全预警的方法一般基于专家评分，受主观影响较大，分析比较片面的问题。
本发明采用的技术方案如下：
一种资源型城市生态安全预警的方法，包括以下步骤：
S1、确定贝叶斯网络的根节点为资源型城市生态安全预警C；确定贝叶斯网络的中间节点Cj，包括：环境状态C1、生态安全胁迫C2和生态风险免疫能力C3；中间节点Cj包括至少一个叶节点Cji；
S2、分析Cji对Cj的通径系数及决定系数；
S3、根据步骤S2得到的通径系数及决定系数建立贝叶斯网络模型；
S4、判断步骤S3建立的贝叶斯网络模型是否达到预期效果，则根据得到的贝叶斯网络模型进行安全预警，否则调整各个节点的数据渗流力度后重新分析决定系数。
“状态—胁迫—免疫，state-danger-immunity，SDI”模型将研究地区的生态安全综合考量分解成为生态环境状态、生态安全胁迫和生态风险免疫功能3个层面 。本发明的贝叶斯网络根节点为资源型城市生态安全预警C；确定贝叶斯网络的中间节点Cj，包括：环境状态C1、生态安全胁迫C2和生态风险免疫能力C3。
进一步的，步骤S2分析Cji对Cj的通径系数及决定系数前，对各个节点的数据进行预处理。
进一步的，对各个节点的数据进行预处理的方法包括：
数据的清洗、空值填充以及数据0-1标准化；
初始化参数和预处理之后的数据,先将渗透阈值
Figure 31968DEST_PATH_IMAGE001
设为0.5。
假设欲填充的数据为xi，其左右相邻的四个值分别为xi-2，xi-1，xi+1，xi+2；则空值填充利用下面的公式进行填充：
Figure 324410DEST_PATH_IMAGE002
其中
Figure 742359DEST_PATH_IMAGE003
为自然常数，为数学中一个常数，是一个无限不循环小数，且为超越数，其值约为2.71828。
进一步的，步骤S2中通径系数的分析包括以下步骤：
S201、建立正规方程组；
S202、根据正规方程组计算通径系数；
S203、根据步骤S202得到的通径系数绘制通径图，根据通径图计算间接通径系数；
S204、根据通径系数和间接通径系数判断Cji对Cj的影响力。
进一步的，步骤S3中决定系数的分析包括以下步骤：
S205、计算单个自变量Cji对Cj的决定系数
Figure 498963DEST_PATH_IMAGE004
；
S206、计算两个自变量Cji1、Cji2对Cj的决定系数
Figure 212841DEST_PATH_IMAGE005
；
S207、根据
Figure 258157DEST_PATH_IMAGE006
的值完成决定系数分析，如果
Figure 715683DEST_PATH_IMAGE007
，则表示通径分析已包括主要相关性状，分析结果能表达各性状间的关系，进入步骤S3，否则重新完善各节点的数据后转入步骤S201。
进一步的，步骤S3中建立贝叶斯网络模型的方法包括以下步骤：
S301、对决定系数进行分析，然后选出Cji对Cj综合影响力前80%的Cji加入贝叶斯网络作为叶节点；
S302、判断Cji对Cj影响力的正负，根据Cji对Cj影响力的正负确定Cji的先验概率；
S303、从未加入贝叶斯网络的指标中选出能渗流到目标层的指标加入贝叶斯网络；
S304、将决定系数转化为条件概率得到贝叶斯网络模型。
进一步的，步骤S4中判断步骤S3建立的贝叶斯网络模型是否达到预期效果的方法包括以下步骤：
S401、使用步骤S3建立的贝叶斯网络模型得到目标层的各个指标的后验概率，利用贝叶斯网络模型依次得到准则层的条件概率，目标层资源型城市生态安全预警的条件概率；
S402、根据各个指标的后验概率和目标层资源型城市生态安全预警的条件概率判断是否达到预期的效果。
一种资源型城市生态安全预警的装置，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令，实现上述的一种资源型城市生态安全预警的方法。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1.本发明一种资源型城市生态安全预警的方法及装置，不基于专家打分，减少人为主观因素的影响，提高模型的稳定性；
2.本发明一种资源型城市生态安全预警的方法及装置，经过通径系数分析之后，可以检查是否漏掉重要数据，可以再去寻找重要数据，以便于分析时的信息收集足够完整；
3.本发明一种资源型城市生态安全预警的方法及装置，可以将不重要的数据去除，减少数据量，简化贝叶斯网络结构；
4.本发明一种资源型城市生态安全预警的方法及装置，建立贝叶斯网络后，不仅可以用于打分和风险评估，还可以根据目标层去估计各准则层的影响；
5.本发明一种资源型城市生态安全预警的方法及装置，可以从准则出发，去基于后验概率去估计目标层的作用，提出一些方案措施；
6.本发明一种资源型城市生态安全预警的方法及装置，使用图形的方法描述数据间的相互关系，语义清晰，易于理解，也易于分析；
7.本发明一种资源型城市生态安全预警的方法及装置，概率分布表来表示依赖关系的强弱，将先验信息与样本知识有机结合起来，促进了先验知识和数据的集成，这在样本数据稀疏或数据较难获得的时候特别有效；
8.本发明一种资源型城市生态安全预警的方法及装置，该设计方法反映的是整个数据库中数据间的概率关系模型，缺少某一数据变量仍然可以建立精确的模型
9.本发明一种资源型城市生态安全预警的方法及装置，基于渗流理论建立的贝叶斯网络，当有一些没有加入贝叶斯网络的信息元素但概率大于临界值时，会加入贝叶斯网络，这样可以增强贝叶斯网络模型的准确性，以防忽略此时起重要作用的信息元素，当它们的概率小于临界值，不纳入贝叶斯模型，也可简化贝叶斯模型，以便于简单分析。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图，其中：
图1是本发明的流程示意图；
图2是本发明的通径图简图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合图1、图2对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，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它实施例，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。
实施例1
一种资源型城市生态安全预警的方法，包括以下步骤：
S1、确定贝叶斯网络的根节点为资源型城市生态安全预警C；确定贝叶斯网络的中间节点Cj，包括：环境状态C1、生态安全胁迫C2和生态风险免疫能力C3；中间节点Cj包括至少一个叶节点Cji；
S2、分析Cji对Cj的通径系数及决定系数；
S3、根据步骤S2得到的通径系数及决定系数建立贝叶斯网络模型；
S4、判断步骤S3建立的贝叶斯网络模型是否达到预期效果，则根据得到的贝叶斯网络模型进行安全预警，否则调整各个节点的数据渗流力度后重新分析决定系数。
“状态—胁迫—免疫，state-danger-immunity，SDI”模型将研究地区的生态安全综合考量分解成为生态环境状态、生态安全胁迫和生态风险免疫功能3个层面 。本发明的贝叶斯网络根节点为资源型城市生态安全预警C；确定贝叶斯网络的中间节点Cj，包括：环境状态C1、生态安全胁迫C2和生态风险免疫能力C3。
实施例2
本实施例在实施例1的基础上进一步的，步骤S2分析Cji对Cj的通径系数及决定系数前，对各个节点的数据进行预处理。
进一步的，对各个节点的数据进行预处理的方法包括：
数据的清洗、空值填充以及数据0-1标准化；
初始化参数和预处理之后的数据,先将渗透阈值
Figure 828258DEST_PATH_IMAGE001
设为0.5。
假设欲填充的数据为xi，其左右相邻的四个值分别为xi-2，xi-1，xi+1，xi+2；则空值填充利用下面的公式进行填充：
Figure 916300DEST_PATH_IMAGE008
其中
Figure 245650DEST_PATH_IMAGE003
为自然常数，为数学中一个常数，是一个无限不循环小数，且为超越数，其值约为2.71828。
实施例3
本实施例在实施例1的基础上进一步的，步骤S2中通径系数的分析包括以下步骤：
S201、建立正规方程组；
S202、根据正规方程组计算通径系数；
S203、根据步骤S202得到的通径系数绘制通径图，根据通径图计算间接通径系数；
S204、根据通径系数和间接通径系数判断Cji对Cj的影响力。
进一步的，步骤S3中决定系数的分析包括以下步骤：
S205、计算单个自变量Cji对Cj的决定系数
Figure 506867DEST_PATH_IMAGE004
；
S206、计算两个自变量Cji1、Cji2对Cj的决定系数
Figure 972483DEST_PATH_IMAGE005
；
S207、根据
Figure 231426DEST_PATH_IMAGE006
的值完成决定系数分析，如果
Figure 552467DEST_PATH_IMAGE007
，则表示通径分析已包括主要相关性状，分析结果能表达各性状间的关系，进入步骤S3，否则重新完善各节点的数据后转入步骤S201。
进一步的，步骤S3中建立贝叶斯网络模型的方法包括以下步骤：
S301、对决定系数进行分析，然后选出Cji对Cj综合影响力前80%的Cji加入贝叶斯网络作为叶节点；
S302、判断Cji对Cj影响力的正负，根据Cji对Cj影响力的正负确定Cji的先验概率；
S303、从未加入贝叶斯网络的指标中选出能渗流到目标层的指标加入贝叶斯网络；
S304、将决定系数转化为条件概率得到贝叶斯网络模型。
进一步的，步骤S4中判断步骤S3建立的贝叶斯网络模型是否达到预期效果的方法包括以下步骤：
S401、使用步骤S3建立的贝叶斯网络模型得到目标层的各个指标的后验概率，利用贝叶斯网络模型依次得到准则层的条件概率，目标层资源型城市生态安全预警的条件概率；
S402、根据各个指标的后验概率和目标层资源型城市生态安全预警的条件概率判断是否达到预期的效果。
实施例5
一种资源型城市生态安全预警的装置，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令，实现上述的一种资源型城市生态安全预警的方法。
实施例6
本实施例为采用本方案的一个实例：
采用SDI模型将研究地区的生态安全综合考量分解成为生态环境状态、生态安全胁迫和生态风险免疫功能3个层面 。本发明的贝叶斯网络根节点为资源型城市生态安全预警C；中间节点Cj包括：环境状态C1、生态安全胁迫C2和生态风险免疫能力C3；中间节点Cj包括至少一个叶节点Cji；
影响中间节点C1（环境状态）的叶节点有C1i(1≤i≤n1)其中n1为影响环境状态的因素个数。例如C11表示第一个影响因素人均水资源量、C12表示第二个影响因素人均耕地面积、…、C1n1表示第n1个影响因素。
中间节点C2（生态安全胁迫）的叶节点有C2i(1≤i≤n2)其中n2为影响生态安全胁迫的因素个数。例如C21表示第一个影响因素工业烟尘排放量、C22表示第二个影响因素工业废水排放量、…、C2n2表示第n2个影响因素。
中间节点C3（生态风险免疫能力）的叶节点有C3i(1≤i≤n3)其中n3为影响生态风险免疫能力的因素个数。C31表示第一个影响因素工业固体废物综合利用率、C32表示第二个影响因素城市生活污水集中处理率、…、C3n3表示第n3个影响因素。该方法的具体步骤如下：
S01、数据的准备：
S01.1、数据的预处理，空值填充以及数据0-1标准化，假设欲填充的数据Xi，其左右相邻的四个值分别为Xi-2，Xi-1，Xi+1，Xi+2；则空值填充利用下面的公式进行填充：
Figure 351796DEST_PATH_IMAGE009
其中e为自然常数，为数学中一个常数，是一个无限不循环小数，且为超越数，其值约为2.71828。
S01.2、初始化参数和预处理之后的数据，先将渗透阈值
Figure 875181DEST_PATH_IMAGE001
设为0.5。
S02、通径系数分析：
以
Figure 367342DEST_PATH_IMAGE010
对C1的通径系数分析为例，
Figure 405706DEST_PATH_IMAGE011
对C2，
Figure 946408DEST_PATH_IMAGE012
对C3，
Figure 153661DEST_PATH_IMAGE013
对Cj的通径系数分析类似。具体步骤如下：
S02.1、建立正规方程组：
假设处理后第一个中间节点环境状态C1所对应的叶节点C11，C12，……，C1n1所标准化后的数据为
Figure 551144DEST_PATH_IMAGE014
，相对应C1的数据为y1，则正规方程为：
Figure 280066DEST_PATH_IMAGE015
；
Figure 421197DEST_PATH_IMAGE016
通向环境状态C1的直接通径系数，
Figure 981492DEST_PATH_IMAGE017
、
Figure 487559DEST_PATH_IMAGE018
的计算如下：
S02.1.1、计算单相关系数：
Figure 264629DEST_PATH_IMAGE019
或
Figure 209451DEST_PATH_IMAGE020
；
式中：
Figure 561935DEST_PATH_IMAGE021
为
Figure 566800DEST_PATH_IMAGE022
与
Figure 67052DEST_PATH_IMAGE023
的乘积和，
Figure 51450DEST_PATH_IMAGE024
为
Figure 524020DEST_PATH_IMAGE022
与
Figure 434207DEST_PATH_IMAGE025
的乘积和，
Figure 421755DEST_PATH_IMAGE026
为
Figure 646063DEST_PATH_IMAGE022
的平方和，
Figure 35456DEST_PATH_IMAGE027
为
Figure 898237DEST_PATH_IMAGE023
的平方和，
Figure 373081DEST_PATH_IMAGE028
为
Figure 197817DEST_PATH_IMAGE025
的平方和。
S02.1.2 建立正规方程组：
将计算出来得到的
Figure 379400DEST_PATH_IMAGE029
和
Figure 896969DEST_PATH_IMAGE030
带入正规方程组：
Figure 360573DEST_PATH_IMAGE015
；
S02.2、计算通径系数：解上述方程组得：
Figure 989001DEST_PATH_IMAGE031
为人均水资源量C11通向环境状态C1的直接通径系数；
同理其他的
Figure 25090DEST_PATH_IMAGE016
为通向环境状态C1的直接通径系数；
S02.3、绘制通径图：
由于元素过多仅画一个简图，如图2；
S02.3、计算间接通径系数：
S02.3.1、人均水资源量C11通向环境状态C1的各间接通径系数的计算；
S02.3.1.1、人均水资源量C11通过人均耕地面积C12对环境状态C1的间接通径系数为：
Figure 713560DEST_PATH_IMAGE032
；
S02.3.1.2、同理人均水资源量C11通过
Figure 162996DEST_PATH_IMAGE033
对产量C1的间接通径系数：
Figure 267218DEST_PATH_IMAGE034
；
S02.3.2、同理可计算Cij各间接通径系数的计算
S02.4、通径系数影响力大小的判断：
将直接通径系数和间接通径系数制成通径系数分析表列。
与C1的单相关系数可分解为该自变量对C1的直接通径系数和间接通径系数，即：
Figure 984245DEST_PATH_IMAGE035
；
S02.4.1、C1i对C1影响力的判断：
根据
Figure 640355DEST_PATH_IMAGE036
的大小进行影响力的判断。由于C1i间存在相关，r1影响力大小的顺序并不能真实反映该自变量的影响力。
S02.4.2、从直接通径系数进行判断：
根据
Figure 249190DEST_PATH_IMAGE037
的大小进行判断，单相关系数与直接通径系数顺序可能不同。因此单相关系数和直接通径系数中C1i对C1影响力大小的顺序不能完全反映该自变量的影响力。
S02.4.3、综合判断：
我们可以将
Figure 485000DEST_PATH_IMAGE036
与
Figure 59463DEST_PATH_IMAGE037
进行综合判断，C1i对C1综合影响力为：
Figure 89736DEST_PATH_IMAGE038
；
S02.5、决定系数分析：
S02.5.1 计算决定系数：
S02.5.1.1、计算单个自变量C1i对C1的决定系数
单个自变量C1i对C1的决定系数以
Figure 185868DEST_PATH_IMAGE039
表示，计算式及计算方法为：
Figure 694209DEST_PATH_IMAGE040
；
S02.5.1.2、计算两自变量C1j、C1i对C1的决定系数：
两自变量对C1的决定系数以
Figure 887293DEST_PATH_IMAGE041
表示，计算式及计算方法为：
Figure 26151DEST_PATH_IMAGE042
；
S02.5.2、决定系数分析：
S02.5.2.1、对通径分析结果的评价：
如果
Figure 176290DEST_PATH_IMAGE043
，表示通径分析已包括主要相关性状，分析结果能表达各性状间的关系。如果
Figure 488323DEST_PATH_IMAGE044
与1相差较大，表明通径分析遗失了主要相关性状。因此需要重新寻找相关性状，即指标层元素，完善数据，完善数据之后，回到S1。
S03、其余Cji对Cj综合影响力
Figure 473596DEST_PATH_IMAGE045
（j=1,2,3…）可以类似计算，以及Cj对C综合影响力
Figure 845672DEST_PATH_IMAGE046
（j=1,2,3…）也可以类似计算。
S04、建立贝叶斯网络模型：
S04.1、对决定系数进行分析，然后选出Cji对Cj综合影响力前80%的Cji，并将他们加入贝叶斯网络作为叶节点；
S04.2、根据实际情况，Cji对Cj综合影响力可能有正有负；
假设Cji以前出现的数据的最大值为
Figure 978713DEST_PATH_IMAGE047
，最小值为
Figure 32120DEST_PATH_IMAGE048
，Cji的当前数据为
Figure 435681DEST_PATH_IMAGE049
；
Figure 916341DEST_PATH_IMAGE050
；
Figure 271099DEST_PATH_IMAGE051
；
如果Cji影响为正则其先验概率
Figure 190514DEST_PATH_IMAGE052
为：
Figure 947117DEST_PATH_IMAGE053
；
如果Cji影响为负则其先验概率
Figure 864257DEST_PATH_IMAGE052
为：
Figure 267164DEST_PATH_IMAGE054
；
S04.3、从剩余未加入贝叶斯网络的指标中选出能渗流到目标层的指标：
如果
Figure 724690DEST_PATH_IMAGE055
，则指标Cji能渗流到准则层Cj，然后计算能渗流到准则层中的所有指标Cji的
Figure 335800DEST_PATH_IMAGE056
的大小，取前
Figure 423841DEST_PATH_IMAGE057
（取整）能渗流到目标层资源型城市生态安全预警。然后将它们加入贝叶斯网络。
S04.4、将决定系数转化为条件概率：
Figure 254656DEST_PATH_IMAGE058
；
Figure 250294DEST_PATH_IMAGE059
；
得到贝叶斯网络模型。
S05、贝叶斯网络模型的使用：
S05.1、事后决策分析：
S05.1.1、将目标层的数据输入，并将其转换为相应的概率：
Figure 919173DEST_PATH_IMAGE060
；
其中x为当前数据，xmax，xmin为当前数据最大，最小值；
S05.1.2 然后通过贝叶斯网络得到准则相应的概率，从而得到目标层的各个指标的后验概率，可以对各个指标的后验概率进行分析，基于后验概率提出方案措施。
S05.2 用于预测：
S05.1.1 判断能渗流到目标层的指标是否全在贝叶斯网络中，如果不在将其加入贝叶斯网络中。
S05.1.2 利用贝叶斯网络模型依次得到准则层的条件概率，目标层资源型城市生态安全预警的条件概率。
S06 判断是否达到预期的效果，如果没达到，则增大渗流力度，即减小渗流阈值的大小；如果达到了预期效果，则算法结束。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。需要说明的是，在本文中，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，或者是还包括为这种过程、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。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (8)

1.一种资源型城市生态安全预警的方法，其特征在于：包括以下步骤：
S1、确定贝叶斯网络的根节点为资源型城市生态安全预警C；确定贝叶斯网络的中间节点Cj，包括：环境状态C1、生态安全胁迫C2和生态风险免疫能力C3；中间节点Cj包括至少一个叶节点Cji；
S2、分析Cji对Cj的通径系数及决定系数；
S3、根据步骤S2得到的通径系数及决定系数建立贝叶斯网络模型；
S4、判断步骤S3建立的贝叶斯网络模型是否达到预期效果，则根据得到的贝叶斯网络模型进行安全预警，否则调整各个节点的数据渗流力度后重新分析决定系数。
2.根据权利要求1所述的一种资源型城市生态安全预警的方法，其特征在于：步骤S2分析Cji对Cj的通径系数及决定系数前，对各个节点的数据进行预处理。
3.根据权利要求2所述的一种资源型城市生态安全预警的方法，其特征在于：对各个节点的数据进行预处理的方法包括：
数据的清洗、空值填充以及数据0-1标准化；
初始化参数和预处理之后的数据,先将渗透阈值
Figure 717194DEST_PATH_IMAGE001
设为0.5。
4.根据权利要求1所述的一种资源型城市生态安全预警的方法，其特征在于：步骤S2中通径系数的分析包括以下步骤：
S201、建立正规方程组；
S202、根据正规方程组计算通径系数；
S203、根据步骤S202得到的通径系数绘制通径图，根据通径图计算间接通径系数；
S204、根据通径系数和间接通径系数判断Cji对Cj的影响力。
5.根据权利要求4所述的一种资源型城市生态安全预警的方法，其特征在于：步骤S3中决定系数的分析包括以下步骤：
S205、计算单个自变量Cji对Cj的决定系数
Figure 268261DEST_PATH_IMAGE002
；
S206、计算两个自变量Cji1、Cji2对Cj的决定系数
Figure 834634DEST_PATH_IMAGE003
；
S207、根据
Figure 420336DEST_PATH_IMAGE004
的值完成决定系数分析，如果
Figure 646918DEST_PATH_IMAGE005
，则表示通径分析已包括主要相关性状，分析结果能表达各性状间的关系，进入步骤S3，否则重新完善各节点的数据后转入步骤S201。
6.根据权利要求5所述的一种资源型城市生态安全预警的方法，其特征在于：步骤S3中建立贝叶斯网络模型的方法包括以下步骤：
S301、对决定系数进行分析，然后选出Cji对Cj综合影响力前80%的Cji加入贝叶斯网络作为叶节点；
S302、判断Cji对Cj影响力的正负，根据Cji对Cj影响力的正负确定Cji的先验概率；
S303、从未加入贝叶斯网络的指标中选出能渗流到目标层的指标加入贝叶斯网络；
S304、将决定系数转化为条件概率得到贝叶斯网络模型。
7.根据权利要求1所述的一种资源型城市生态安全预警的方法，其特征在于：步骤S4中判断步骤S3建立的贝叶斯网络模型是否达到预期效果的方法包括以下步骤：
S401、使用步骤S3建立的贝叶斯网络模型得到目标层的各个指标的后验概率，利用贝叶斯网络模型依次得到准则层的条件概率，目标层资源型城市生态安全预警的条件概率；
S402、根据各个指标的后验概率和目标层资源型城市生态安全预警的条件概率判断是否达到预期的效果。
8.一种资源型城市生态安全预警的装置，其特征在于：包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令，实现如权利要求1所述的一种资源型城市生态安全预警的方法。
CN202010370172.3A 2020-05-06 2020-05-06 一种资源型城市生态安全预警的方法及装置 Active CN111260264B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010370172.3A CN111260264B (zh) 2020-05-06 2020-05-06 一种资源型城市生态安全预警的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010370172.3A CN111260264B (zh) 2020-05-06 2020-05-06 一种资源型城市生态安全预警的方法及装置

Publications (2)

Publication Number Publication Date
CN111260264A true CN111260264A (zh) 2020-06-09
CN111260264B CN111260264B (zh) 2020-10-30

Family

ID=70955203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010370172.3A Active CN111260264B (zh) 2020-05-06 2020-05-06 一种资源型城市生态安全预警的方法及装置

Country Status (1)

Country Link
CN (1) CN111260264B (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101145397B1 (ko) * 2011-06-09 2012-05-15 목포대학교산학협력단 나이브 베이스 분류자와 퍼지 추론을 이용한 적조 발생 예측 방법
CN104361418A (zh) * 2014-12-05 2015-02-18 北京师范大学 一种流域水生态安全监控预警平台及其预警方法
CN105184427A (zh) * 2015-10-23 2015-12-23 石河子大学 一种对农田生态环境进行预警的方法及装置
CN105224772A (zh) * 2015-11-04 2016-01-06 松辽流域水资源保护局松辽流域水环境监测中心 一种基于***动力学决策模型的嫩江流域典型区域水生态风险评估方法
CN105243503A (zh) * 2015-10-19 2016-01-13 上海海洋大学 基于空间变量和logistic回归的海岸带生态安全评估方法
CN105303007A (zh) * 2015-12-04 2016-02-03 松辽流域水资源保护局松辽流域水环境监测中心 一种采用融合技术建立尼尔基水库水生态风险预警模型的方法
CN105956390A (zh) * 2016-04-27 2016-09-21 重庆交通大学 一种生态安全预警评价可视化***及方法
CN106650182A (zh) * 2015-10-27 2017-05-10 武汉大学 基于指标筛选的流域生态安全评价方法
CN106845511A (zh) * 2016-11-16 2017-06-13 吉林大学 一种基于组稀疏贝叶斯学习的网络时空监控方法
CN107194610A (zh) * 2017-06-16 2017-09-22 北京师范大学 基于结构‑过程‑功能模型的城市生态安全评价方法
CN107271405A (zh) * 2017-06-30 2017-10-20 中国水利水电科学研究院 一种多模型协同的水质参数浓度反演方法和装置
CN107480889A (zh) * 2017-07-10 2017-12-15 辽宁省环境科学研究院 一种湿地生态安全预警等级评定方法
CN107885909A (zh) * 2017-10-18 2018-04-06 中国水利水电科学研究院 一种水质遥感多模型协同反演的权重集结优化方法及装置
CN107909247A (zh) * 2017-10-26 2018-04-13 东南大学 一种基于空间层次贝叶斯模型的城市宏观道路交通安全影响因素分析方法
CN108364432A (zh) * 2018-02-22 2018-08-03 海南师范大学 一种海岸带预警***
CN108470221A (zh) * 2018-02-07 2018-08-31 中国水利水电科学研究院 流域径流的预测方法及装置
CN108876167A (zh) * 2018-06-27 2018-11-23 南京林业大学 一种基于dpsir模型的滨海湿地生态安全评价方法
CN109858692A (zh) * 2019-01-25 2019-06-07 广西财经学院 一种土地生态安全预警等级评定方法
CN110175371A (zh) * 2019-05-08 2019-08-27 汪少华 一种绿化剩余物理论量统计测算方法
US20190286679A1 (en) * 2016-08-19 2019-09-19 Flipboard, Inc. Domain ranking for digital magazines
CN110610293A (zh) * 2019-08-13 2019-12-24 中国人民解放军国防科技大学 基于改进型贝叶斯网络的海洋环境风险评估方法

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101145397B1 (ko) * 2011-06-09 2012-05-15 목포대학교산학협력단 나이브 베이스 분류자와 퍼지 추론을 이용한 적조 발생 예측 방법
CN104361418A (zh) * 2014-12-05 2015-02-18 北京师范大学 一种流域水生态安全监控预警平台及其预警方法
CN105243503A (zh) * 2015-10-19 2016-01-13 上海海洋大学 基于空间变量和logistic回归的海岸带生态安全评估方法
CN105184427A (zh) * 2015-10-23 2015-12-23 石河子大学 一种对农田生态环境进行预警的方法及装置
CN106650182A (zh) * 2015-10-27 2017-05-10 武汉大学 基于指标筛选的流域生态安全评价方法
CN105224772A (zh) * 2015-11-04 2016-01-06 松辽流域水资源保护局松辽流域水环境监测中心 一种基于***动力学决策模型的嫩江流域典型区域水生态风险评估方法
CN105303007A (zh) * 2015-12-04 2016-02-03 松辽流域水资源保护局松辽流域水环境监测中心 一种采用融合技术建立尼尔基水库水生态风险预警模型的方法
CN105956390A (zh) * 2016-04-27 2016-09-21 重庆交通大学 一种生态安全预警评价可视化***及方法
US20190286679A1 (en) * 2016-08-19 2019-09-19 Flipboard, Inc. Domain ranking for digital magazines
CN106845511A (zh) * 2016-11-16 2017-06-13 吉林大学 一种基于组稀疏贝叶斯学习的网络时空监控方法
CN107194610A (zh) * 2017-06-16 2017-09-22 北京师范大学 基于结构‑过程‑功能模型的城市生态安全评价方法
CN107271405A (zh) * 2017-06-30 2017-10-20 中国水利水电科学研究院 一种多模型协同的水质参数浓度反演方法和装置
CN107480889A (zh) * 2017-07-10 2017-12-15 辽宁省环境科学研究院 一种湿地生态安全预警等级评定方法
CN107885909A (zh) * 2017-10-18 2018-04-06 中国水利水电科学研究院 一种水质遥感多模型协同反演的权重集结优化方法及装置
CN107909247A (zh) * 2017-10-26 2018-04-13 东南大学 一种基于空间层次贝叶斯模型的城市宏观道路交通安全影响因素分析方法
CN108470221A (zh) * 2018-02-07 2018-08-31 中国水利水电科学研究院 流域径流的预测方法及装置
CN108364432A (zh) * 2018-02-22 2018-08-03 海南师范大学 一种海岸带预警***
CN108876167A (zh) * 2018-06-27 2018-11-23 南京林业大学 一种基于dpsir模型的滨海湿地生态安全评价方法
CN109858692A (zh) * 2019-01-25 2019-06-07 广西财经学院 一种土地生态安全预警等级评定方法
CN110175371A (zh) * 2019-05-08 2019-08-27 汪少华 一种绿化剩余物理论量统计测算方法
CN110610293A (zh) * 2019-08-13 2019-12-24 中国人民解放军国防科技大学 基于改进型贝叶斯网络的海洋环境风险评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
KAIXUN HUA 等: "Long-lead Term Precipitation Forecasting by Hierarchical Clustering-based Bayesian Structural Vector Autoregression", 《2016 IEEE 13TH INTERNATIONAL CONFERENCE ON NETWORKING, SENSING, AND CONTROL》 *
卞西陈: ""应用贝叶斯网络对冀北山区森林健康预警"", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *
高升 等: ""海岛城市化过程中的生态安全动态评价与驱动力分析———以平潭岛为例"", 《生态学报》 *

Also Published As

Publication number Publication date
CN111260264B (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
Liang et al. A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers
CN101354757B (zh) 一种精细尺度下的动态风险及易损性预测方法
Liao et al. A neighbor decay cellular automata approach for simulating urban expansion based on particle swarm intelligence
Yue-Ju et al. Soil quality assessment using weighted fuzzy association rules
CN112199608B (zh) 基于网络信息传播图建模的社交媒体谣言检测方法
CN114445634A (zh) 一种基于深度学习模型的海浪波高预测方法及***
CN107133686A (zh) 基于时空数据模型的城市级pm2.5浓度预测方法
Lin et al. Air quality forecasting based on cloud model granulation
Touqeer et al. Multi-attribute decision making using grey relational projection method based on interval type-2 trapezoidal fuzzy numbers
CN115221793A (zh) 一种隧道围岩变形预测方法及装置
Li et al. Expert knowledge-driven Bayesian network modeling for marine disaster assessment under the small sample condition
CN111260264B (zh) 一种资源型城市生态安全预警的方法及装置
Yang et al. Dynamic three-way multi-criteria decision making with basic uncertain linguistic information: A case study in product ranking
CN117236687A (zh) 基于贝叶斯网络和风险矩阵的港口水污染风险评估方法
CN110109904B (zh) 一种面向环保大数据的水质软测量方法
Hart et al. Accuracy and power analysis of social networks built from count data
CN114912354B (zh) 一种预测蚊媒传染病风险的方法、装置及介质
CN112000706B (zh) 一种基于rvm-l模型的互联网舆情预警机制分析方法
Peng et al. Research and application of a novel selective stacking ensemble model based on error compensation and parameter optimization for AQI prediction
Luo et al. Analysis and research on sustainable development factors of the sports industry based on chaos theory
Jain et al. Water scarcity prediction for global region using machine learning
Vagin et al. Modelling human reasoning in intelligent decision support systems
Li Research on Monthly Runoff Prediction based on VMD-BP model
Wang et al. Application of a Kind of Grey Recursive Network in Passenger Volume Forecasting
Yarushev et al. Development Of A Fire Detection System On Satellite Images

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