CN117974401B - 基于多源数据和模型集成的生态修复区域智能识别方法 - Google Patents
基于多源数据和模型集成的生态修复区域智能识别方法 Download PDFInfo
- Publication number
- CN117974401B CN117974401B CN202410374521.7A CN202410374521A CN117974401B CN 117974401 B CN117974401 B CN 117974401B CN 202410374521 A CN202410374521 A CN 202410374521A CN 117974401 B CN117974401 B CN 117974401B
- Authority
- CN
- China
- Prior art keywords
- ecological
- land
- data
- area
- land utilization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000010354 integration Effects 0.000 title claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 36
- 238000004088 simulation Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 21
- 230000004888 barrier function Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000001502 supplementing effect Effects 0.000 claims abstract description 3
- 239000002689 soil Substances 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 21
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 18
- 229910052799 carbon Inorganic materials 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 13
- 238000004162 soil erosion Methods 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 6
- 239000002028 Biomass Substances 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000005314 correlation function Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 claims description 2
- 238000005295 random walk Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 9
- 239000002699 waste material Substances 0.000 abstract description 3
- 230000007774 longterm Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 241000894007 species Species 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 208000001613 Gambling Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于多源数据和模型集成的生态修复区域智能识别方法，包括以下步骤：S1:遥感影像、空间数据收集，遥感数据监督分类，土地利用变化驱动因子数据预处理；S2:利用FLUS模型开展土地利用模拟与预测；S3:评估生态***功能重要性、景观连通性，识别重要的生态源地；S4:利用最小累积阻力模型和电路理论提取重要的生态廊道、夹点和障碍点；S5:结合当前和未来土地利用情况，补充生态修复潜在区域，退出生态修复风险区域。为避免资源浪费和提升生态修复效益，本发明在识别生态修复区域过程中综合考虑了未来土地利用变化情况，这确保了生态修复工程与未来土地利用规划相协调，减少了土地用途冲突，提升了生态修复长期可持续性。
Description
技术领域
本发明属于生态修复技术领域，具体涉及一种基于多源数据和模型集成的生态修复区域智能识别方法。
背景技术
在快速城市化和工业化进程中，土地利用变化剧烈，城市扩张给生态***带来了巨大的压力，如生物多样性丧失、土壤退化、景观破碎化等，极大地制约了城市的可持续发展，所以亟需建立可提供优质生态产品和生态***服务的国土空间。
国土空间生态修复对于优化国土空间格局、提高资源利用效率、改善生态环境质量、加快国土空间总体规划落地实施有着非常关键的作用。为了保证国土空间生态修复质量、加快修复进程、提升修复能力，亟需对国土空间生态修复技术展开积极探索。
关键生态修复区域识别是国土空间生态修复的基础，能为更有效地执行修复方案提供必要的数据和支持，便于针对性的修复方案和措施落实。目前有许多技术可应用于生态修复区域识别，大致可归为以下几类：
第一类是基于社区参与和专家评估，结合公众参与听取当地社区的观点和经验，了解他们对生态***状况的认知，提高生态修复决策的可行性和接受度，同时请生态学、地理学等领域的专家进行综合评估，利用专业知识辅助确定生态修复区域。
第二类是基于遥感技术，利用卫星或飞机传感器获取地表的多光谱影像，通过对不同波段的光谱信息进行分析，可以识别植被类型，从而确定生态修复区域。
第三类是基于地面调查和采样，通过野外调查记录植被、动物等生物多样性信息，评估生态***的健康状况，对土壤进行采样分析，了解土壤质量、污染情况，为确定生态修复区域提供实地数据支持。
第四类是基于地理信息***（GIS），利用GIS进行空间分析，结合地形、土壤、植被等数据，识别可能需要生态修复的区域。
第五类是应用景观生态模型模拟，基于GIS和生态学理论，结合大量的实地数据和遥感信息，能够模拟生态过程，识别生态***受到破坏或压力的区域，为生态修复提供依据。
生态修复区域识别技术的发展经历了从主观判断到定量识别的显著变革，这一演变不仅丰富了对生态***的理解，也对生态修复决策科学性和准确性提出了更高的要求。而景观生态模型的应用使得生态修复的决策更趋向科学和***化，也更注重生态***的整体性、连接性和过程模拟，为生态修复提供了更为全面和深入的视角。景观生态学不仅关注生态***的分析，还强调在规划和管理层面上的应用。这种方法更有助于指导生态修复规划和管理决策，提升生态修复的操作性和实际效益。
然而，尽管应用景观生态学分析方法识别关键生态修复区域具有显著优势，但其存在一些局限性。这类技术主要基于当前或过去时期的遥感生态数据进行土地利用分析，用于获取生态修复关键区域。然而，这种方法的主要问题在于它基于静态数据，无法有效应对未来土地利用的动态变化，导致当前时点识别的关键区域与实际上生态修复措施实施之间存在一定滞后性。
这种时间滞后性可能导致识别的关键生态修复区域在未来的生态***状态下已经不再适用，难以及时应对新的生态挑战。同时，未来土地利用变化可能引入新的生态风险，导致某些区域的生态质量下降，影响生态修复效益的可持续性。这可能使得生态修复工程无法达到预期的效果，甚至可能加剧生态***衰退，未来可能需要再次进行工程修复。因此，如果生态修复工程在不考虑未来土地利用变化的情况下实施，可能会导致资源浪费和生态修复效果降低。例如，如果在未来用于建设的区域开展生态修复，将加剧土地用途冲突以及生态保护和经济发展的矛盾。
通过上述分析，现有技术存在的问题为：当前的生态修复区域识别技术没有考虑未来动态土地利用变化可能造成的生态***压力，缺乏一种基于多源数据和模型集成的生态修复区域智能识别方法。
发明内容
本发明解决的技术问题：本发明提供了一种可以准确预测未来人类活动造成的土地利用变化情况、适应未来土地利用变化、提升生态修复潜力以及缓解保护与发展冲突的生态修复区域识别方法。
本发明创新性的技术方案，旨在克服现有技术中存在的局限性，适应未来土地利用变化，实现更精准、实时的关键生态修复区域识别，从而提高生态修复工程的效益和可持续性。
技术方案：为了解决上述技术问题，本发明采用的技术方案如下：
一种基于多源数据和模型集成的生态修复区域智能识别方法，包括以下步骤：
S1:遥感影像、空间数据收集，遥感数据监督分类，土地利用变化驱动因子数据预处理；
S2:利用FLUS模型开展土地利用模拟与预测；
S3:评估生态***功能重要性、景观连通性，识别重要的生态源地；
S4:利用最小累积阻力模型和电路理论提取重要的生态廊道、夹点和障碍点；
S5:结合当前和未来土地利用情况，补充生态修复潜在区域，退出生态修复风险区域。
进一步地，步骤S1中，遥感影像、空间数据收集，遥感数据监督分类，土地利用变化驱动因子数据预处理；实现步骤包括：
S1-1：遥感图像预处理：包括投影转换、大气校正、辐射定标、融合镶嵌、裁剪操作步骤；
S1-2：遥感图像监督分类，解译为耕地、林地、草地、水域、建设用地和未利用地六类；
S1-3：利用欧式距离公式计算区域栅格到土地利用变化驱动因子的距离，生成范围和投影一致的空间栅格数据。
进一步地，步骤S2中，利用FLUS模型开展土地利用模拟与预测；实现步骤包括：
S2-1：采样土地利用变化驱动因子数据和基期土地利用数据；
S2-2：用人工神经网络算法训练采样数据，输出每种用地类型的分布概率；
S2-3：将分布概率数据与初始土地利用数据在土地利用模拟模块中进行迭代；
S2-4：基于邻域效应、转换成本矩阵和惯性系数，计算各类土地利用类型的总分布概率；
S2-5：基于总分布概率，通过轮盘赌的方法，模拟区域内各种土地利用类型在像元上竞争；
S2-6：迭代完一幅影像的全部有效像元，输出模拟土地利用空间格局结果；
S2-7：对比实验地区的模拟结果与真实结果，进行精度验证；
S2-8：利用Markov模型预测未来土地需求数量，并预测未来土地利用分布结果。
进一步地，评估生态***功能重要性、景观连通性，识别重要的生态源地，主要包括以下步骤：
S3-1：结合受胁迫因子影响的辐射距离、空间权重因素，利用InVEST模型计算生境质量，并用植被覆盖度和净初级生产力修正；
S3-2：结合土地利用数据、土壤、植被生物量、死亡有机质，利用InVEST模型计算碳储量，并利用降水和气温因子修正；
S3-3：根据修订后的通用土壤流失方程计算潜在土壤侵蚀和实际土壤侵蚀之间的差异，得到土壤保持量；
S3-4：结合降水量和蒸散量，利用InVEST模型计算产水量；
S3-5：标准化并叠加4类生态***服务，计算生态功能重要性，基于自然断点法划分为5类；
S3-6：利用景观连通重要性指数评估斑块的连通性，获得重要的生态源地。
进一步地，步骤S4中，利用最小累积阻力模型和电路理论提取重要的是生态廊道、夹点和障碍点；具体实现方法如下：
S4-1：根据土地利用类型确定生态阻力系数；
S4-2：基于当前和未来土地利用数据构建现状和未来生态阻力面，并求取现状和未来生态阻力系数平均值；
S4-3：应用坡度和夜间灯光数据修正，构建综合阻力面；
S4-4：利用最小累积阻力模型，生成累积生态阻力面，并利用Circuitscape软件提取生态廊道；
S4-5：分别用Pinchpoint Mapper、Barrier Mapper工具识别生态夹点和障碍点。
进一步地，步骤5中，结合当前和未来土地利用情况，补充生态修复潜在区域，退出生态修复风险区域，具体包括以下内容：
S5-1：合并识别的生态夹点和障碍点，作为初步识别的生态修复区域；
S5-2：识别未来非生态用地向生态用地转换的潜在区域，纳入生态修复区域范围；
S5-3：扣除当前和未来的建设用地，最终获得关键的生态修复区域。
有益效果：与现有技术相比，本发明具有以下优点：
（1）本发明的有益效果克服现有技术中存在的局限性，适应未来土地利用变化，实现更精准、实时的关键生态修复区域识别，从而提高生态修复工程的效益和可持续性。
（2）动态数据驱动生态修复识别：本发明引入了动态数据，与传统基于静态数据的方法有所不同。通过结合地理信息***（GIS）和先进的监测技术，如卫星遥感，实时获取土地利用变化信息。这使得关键生态修复区域识别更为实时和准确，有助于及时调整生态修复策略。
（3）时序分析与预测模型：为解决时间滞后性问题，本发明引入了时序分析和预测模型，基于历史数据和趋势，预测未来土地利用变化。这种预测模型的运用能够更好地捕捉土地利用的动态变化趋势，为生态修复提供更为准确的信息。
（4）生态风险评估：本发明考虑了未来土地利用变化可能引入的生态风险，退出生态修复风险区域，这有助于防范新的生态挑战，也确保生态修复工程效益更具可持续性。
（5）智能决策支持***：为应对生态***状态的动态变化，本发明引入智能决策支持***，结合元胞自动机（CA）、人工神经网络（ANN）等算法，智能模拟土地利用变化，这使得生态修复策略能够更灵活应对不断变化的生态环境。
（6）契合未来土地规划：为减少资源浪费和提升生态修复效果，本发明在生态修复区域识别过程中综合考虑未来土地利用变化情况。这确保了生态修复工程与未来土地利用规划相协调，缓解经济发展和生态保护冲突，提高生态修复效益的长期可持续性。
附图说明
图1是基于多源数据和模型集成的生态修复区域智能识别方法的整体流程图；
图2是基于多源数据和模型集成的生态修复区域智能识别方法步骤1的具体流程图；
图3是基于多源数据和模型集成的生态修复区域智能识别方法步骤2的具体流程图；
图4是基于多源数据和模型集成的生态修复区域智能识别方法步骤3的具体流程图；
图5是基于多源数据和模型集成的生态修复区域智能识别方法步骤4的具体流程图；
图6是基于多源数据和模型集成的生态修复区域智能识别方法步骤5的具体流程图；
图7是基于多源数据和模型集成的生态修复区域智能识别方法步骤1和2中得到的不同年份土地利用格局图；
图8是基于多源数据和模型集成的生态修复区域智能识别方法步骤3中的生态功能重要性评价结果图；
图9是基于多源数据和模型集成的生态修复区域智能识别方法步骤4中的生态安全格局识别结果图；
图10是基于多源数据和模型集成的生态修复区域智能识别方法步骤4中的生态夹点和障碍点识别结果图；
图11是基于多源数据和模型集成的生态修复区域智能识别方法步骤5中的关键生态修复区域智能识别结果图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，实施例在以本发明技术方案为前提下进行实施，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
如图1所示，本实施例的基于多源数据和模型集成的生态修复区域智能识别方法，具体包括以下内容：
S1：选择江苏省长江沿线8个地级市作为试验区，获取研究区的遥感影像数据、气象数据、地形数据、土壤数据、交通数据、经济数据等，利用ENVI软件进行影像预处理、监督分类操作，解译得到初始土地利用数据；选取自然、社会、经济、交通等因素作为驱动因子，根据初始土地利用数据设置好模拟区域的范围与标准栅格影像大小，生成与标准栅格影像图幅大小一致的驱动因子栅格数据。
长江沿线8个地级市区域的遥感影像类型多，不受限制，可以采用Landsat、QuickBird等数据。在本实施例中，以Landsat 8 OLI影像为例进行详细描述，如图2所示，过程主要包括步骤1-1至步骤1-3。
步骤1-1：首先，对遥感图像进行影像数据预处理操作，包括投影转换、大气校正、辐射定标、融合镶嵌﹑裁剪，得到预处理后的影像。
步骤1-2：基于遥感影像中地物的形状﹑颜色等，采用监督分类中的最大似然分类方法和目视解译方法，将土地利用类型解译为耕地、林地、草地、水域、建设用地和未利用地6类。
步骤1-3：对初始土地利用数据设置好模拟区域的范围与标准栅格影像大小，生成与标准栅格影像图幅大小一致土地利用变化驱动因子栅格数据，空间数据精度为250m。数据包括自然环境因子和社会经济因子，自然环境因子包括高程、坡度、到河流的距离、年度平均温度、年度平均降水；社会经济因子包括人口密度、经济密度、到省中心的距离、到市中心的距离、到县中心的距离、到公路距离；用欧式距离公式计算区域栅格到土地利用变化驱动因子的距离，计算公式为：
式中，(x 0 ,y 0 )是指驱动因子的坐标；(x n ,y n )是指空间栅格的坐标；dis e是指计算得到的欧式距离。
S2：利用FLUS模型开展土地利用模拟与预测。
在驱动因子数据与初始土地利用数据上进行随机点采样，获得采样数据，并利用人工神经网络算法进行训练，计算各类用地的分布概率；设定好邻域大小、成本转移矩阵和权重因子，共同合成每个像元上各类用地的总分布概率；再使用轮盘赌机制引入土地利用类型的竞争，达到目标像元数目后，停止迭代，输出模拟的土地利用结果，利用FLUS模型进行预测；如图3所示，包括步骤2-1至步骤2-8。
步骤2-1：在驱动因子数据与初始土地利用分类数据上进行随机采样，用采样点提取图2中的土地利用变化数据和图3中的驱动因子数据。
步骤2-2：把全体驱动因子数据输入训练好的神经网络，用参数自适应神经网络算法训练采样数据，设定好隐藏神经元数目与采样点数﹐然后对神经网络进行训练，输出每种土地利用类型分布概率。
某一种用地类型分布概率的计算公式为：
式中，是指在时间t下，栅格单元i用地类型j（对应输出层的神经元j）出现的分布概率；w h,j 是指神经元h所在的隐藏层和神经元j所在的输出层之间的权重；sigmoid是指隐藏层和输出层的关联函数；net h (i,t)是指栅格单元i隐藏层的神经元h在时间t上所接到的信号。
步骤2-3：将分布概率数据与初始土地利用数据在土地利用模拟模块中进行迭代，邻域范围选择3×3摩尔邻域。转换限制矩阵限制为城市不能转换为其他用地。根据每种土地利用类型的需求面积设定目标像元个数，即未来各类用地需要达到的像元数。本实例模拟的时间为：从2010年模拟到2020年，因而目标像元个数与2020年的各类土地利用影像一致，迭代次数设为100次。
土地利用类型的邻域作用计算公式为：
式中，是指在时间t下，栅格单元i转化成用地类型j的邻域作用；是指在N×N摩尔窗口下t-1时刻下的用地类型j的栅格总量；N是指摩尔邻域值，本实施例中的N为3；w j 是指不同用地类型j之间邻域作用的变量权重。
某种用地类型转换为特定用途的土地惯性系数计算公式为：
式中，是指用地类型j在t时刻的惯性系数；/>是指用地类型j在t-1时刻的惯性系数；/>是指在第t-1次迭代时，用地类型j的需求量与实际栅格数量的差值；是指在第t-2次迭代时，用地类型j的需求量与实际栅格数量的差值。
步骤2-4：基于邻域效应、转换成本矩阵和惯性系数，计算各类用地的总分布概率。
迭代扫描初始土地利用数据的像元，计算该像元在邻域内包含的土地利用类型和在邻域内所占的比例，与步骤2-2和2-3输出的分布概率数据、转换限制矩阵共同合成该像元上各类用地总分布概率。
各类用地总分布概率计算公式为：
式中，是指在时间t下，栅格单元i转化成用地类型j的综合概率；/>是指在时间t下，栅格单元i用地类型j出现的分布概率；/>是指在时间t下，栅格单元i转化成用地类型j的邻域作用；/>是指在时间t下，转化成用地类型j的惯性系数；SC c→j 是指用地类型c转换为j的成本。
步骤2-5：合成像元上的各类土地利用类型的总分布概率后，利用总分布概率构成轮盘，通过轮盘赌的方法，使区域内各种土地利用类型在像元上竞争。竞争获胜的土地利用类型占据该像元。
步骤2-6：迭代完一幅影像的全部有效像元，所述有效像元即土地利用数据中像元值不为空值的像元，返回步骤2-4刷新初始影像进入下一次迭代，计算到目标像元数目的差值。到达迭代次数或者达到目标像元数目，停止迭代输出结果。
步骤2-7：对比2020江苏省长江沿线地区模拟结果与真实结果，利用Kappa系数及FoM系数进行精度验证。Kappa系数计算公式为：
式中，Kappa是指模拟系数值，取值范围为0~1；P o是指正确模拟的比例；P e是指模型随机状态下预测的正确比例；P p是指理想状态下预测的正确比例（通常P p=1）。当Kappa系数大于0.8 时，表示模型模拟效果极好，且模拟精度较高。
FoM系数计算公式为：
式中，A是指实际变化但模拟结果未发生变化的误差区域；B是指实际变化同时模拟结果也发生变化的正确区域；C是指实际变化同时模拟结果也变化，但是变化方向不一致误差区域；D是指实际未变化但模拟结果变化的误差区域。
步骤2-8：以2020年数据为初始土地利用数据，设定2060年各类用地需求数量，转到步骤2-3到步骤2-8，预测2060年的土地利用格局变化。
S3：根据修订后的通用土壤流失方程计算潜在土壤侵蚀和实际土壤侵蚀之间的差异，得到土壤保持量。
从当地的实际情况入手，选择能够表征生态功能重要性的生境质量、碳储量、土壤保持、水源涵养等典型生态***服务指标，建立生态源地识别评价指标体系，利用InVEST软件、RUSLE模型计算；再结合斑块连通重要性指数选取生态源地，利用Conefor计算；如图4所示，包括步骤3-1至步骤3-6；
步骤3-1：结合受胁迫因子影响的辐射距离、空间权重因素，利用InVEST模型计算生境质量，并用植被覆盖度和净初级生产力修正。
生境质量可以在一定程度上表征区域的恢复能力。依据胁迫因子对不同土地利用类型的敏感性、对外界胁迫强度，考虑到受胁迫因子影响的辐射距离、空间权重等因素，计算出生境质量指数，其计算公式为：
式中，Q ij 是指栅格单元i用地类型j的生境质量指数；H j 是指用地类型j的生境适宜性；D ij 是指栅格单元i用地类型j的生境退化度；k是指半饱和常数，通常为D ij 最大值的一半；Z是指归一化常量，模型设置默认数值为2.5。
为区分同一用地类型的差异，利用植被覆盖度和净初级生产力来修正生境质量评估，修正计算公式为：
式中，是指修正后栅格单元i的生境质量指数；Q ij 是指修正前栅格单元i用地类型j的生境质量指数；f normal是指标准化函数，将值标准化至0-1范围；NPP i 是指栅格单元i的净初级生产力；NPP j-mean是指用地类型j的净初级生产力均值；FVC i 是指栅格单元i的植被覆盖度；FVC j-mean是指用地类型j的植被覆盖度均值。
步骤3-2：结合土地利用数据、土壤、植被生物量、死亡有机质，利用InVEST模型计算碳储量，并利用降水和气温因子修正。
碳存储生态***服务是指自然生态***通过吸收二氧化碳（CO2）等温室气体，将其转化为有机碳，并在生物体或土壤中储存这些碳的过程，碳储量的计算公式为：
式中，C ij 是指栅格单元i用地类型j的碳储量；D j-above 是指用地类型j的地上生物量碳存储密度；D j-below 是指用地类型j的地下生物量碳存储密度；D j-soil 是指用地类型j的土壤碳存储密度；D j-dead 是指用地类型j的死亡有机质碳存储密度；S ij 是指栅格单元i用地类型j的面积。
碳储量与降水呈正相关关系，而与气温呈负相关关系。因此，利用降水和气温因子修正碳储量，计算公式为：
式中，是指修正后栅格单元i的碳储量；C ij 是指栅格单元i用地类型j的碳储量；f normal是指标准化函数，将值标准化至0-1范围；MAP i 是指栅格单元i的年降雨量；MAP j-mean是指用地类型j的年降雨量均值；MAT i 是指栅格单元i的年气温；MAT j-mean是指用地类型j的年气温均值。
步骤3-3：根据修订后的通用土壤流失方程计算潜在土壤侵蚀和实际土壤侵蚀之间的差异，得到土壤保持量。
土壤保持服务是指生态***防止土壤流失以及对泥沙的储积保持能力，其计算公式为：
式中，A是指土壤保持量；E 是指降雨侵蚀因子；K 是指土壤可蚀性因子；LS 是指坡长坡度因子；C是指植被覆盖和管理因子；P是指土壤保持措施因子。
步骤3-4：产水量是指在一定的时期范围内，生态***在自然条件下对水分的保持能力，其计算公式为：
式中，Y ij 是指栅格单元i用地类型j的年产水量；AET ij 是指栅格单元i用地类型j的年实际蒸散量；P i 是指栅格单元i的年降水量。
步骤3-5：标准化并叠加4类生态***服务，计算生态功能重要性，基于自然断点法划分为5类（或者5个等级）。
生态功能重要性计算公式为：
式中，EFI是指生态功能重要性；f normal是指标准化函数，将值标准化至0-1范围；Q、C、A、Y分别是指生境质量、碳储量、土壤保持服务、产水量。
基于自然断点分类法，将生态功能重要性分为不重要(1)、一般重要(2)、较重要(3)、非常重要(4)、最重要(5)五个等级，初步选最重要等级的斑块作为核心斑块。
步骤3-6：利用景观连通重要性指数评估重要生态斑块连通性，获得重要的生态源地。
将可能连通性指数(PC)、重要性指数(dPC)的细化分指标作为斑块景观连通性判定依据，评价研究区核心斑块的连通性状况，计算公式为：
；/>
式中，PC是指可能连通性指数；n是指核心斑块总数；P ab 是指核心斑块a和b之间物种扩散的最大可能性；S a 和S b 分别是指核心斑块a和b的面积；A L 是指核心斑块的总面积；dPC是指核心斑块重要性指数；PC remove是指去除某斑块后的可能连通性指数。
基于自然断点分类法，将dPC分为低、中、高三个等级。选取dPC高、中等级的核心斑块作为生态源地。
S4：提取生态廊道﹑生态夹点和障碍点，基于当前时期、未来土地利用数据、坡度和夜间灯光数据，利用最小累积阻力模型构建一个适应未来土地利用变化的累积阻力面。基于电路理论，利用Circuitscape软件提取生态廊道，基于Barrier Mapper和 PinchpointMapper工具识别出对研究区生态修复具有重要作用的障碍点和生态夹点，作为初步识别的生态修复区域；如图5所示，包括步骤4-1至步骤4-4；
步骤4-1：物种在水平空间上运动、生态流在斑块之间的流动与传递，很大程度上受到用地类型和人为活动干扰影响，生态阻力系数主要根据专家知识或经验数据进行赋值。参考彭建、吴健生等的研究，按照用地类型赋予相应的阻力值，林地、水域、草地、农田和建设用地/未利用地的阻力系数分别赋值为1、3、50、100、300。
步骤4-2：为了更好降低土地利用变化引起的风险并适应新的生态挑战，基于当前和未来土地利用数据构建现状和未来生态阻力面，并求取现状和未来生态阻力系数平均值作为基本阻力系数，计算公式如下：
式中，R i 是指栅格单元i的基本阻力系数；RC i 是指栅格单元i的现状生态阻力系数；RF i 是指栅格单元i的未来生态阻力系数。
步骤4-3：为进一步区分同一土地利用类型内的差异，坡度、夜间灯光指数被用于阻力系数修正，计算公式为：
式中，是指栅格单元i对物种运动的修正阻力系数；R i 是指栅格单元i的基本阻力系数；f normal是指标准化函数，将值标准化至0-1范围；N i 是指栅格单元i的夜间灯光指数；N j-mean是指用地类型j的夜间灯光指数均值；S i 是指栅格单元i的坡度；S j-mean是指用地类型j的坡度均值。
步骤4-4：生态廊道是沟通生态源地的桥梁或通道，现被拓展到生态安全保护结构范畴和支撑生态***运作的重要部分，是生态修复中最有可能改善连通性的结构要素或区域，进而减少生态过程被截留和分割的概率。生态廊道会与周边发生差异性联系，如动植物利用廊道迁移、连接生态源地等。电路理论是将斑块抽象为一系列节点和电阻，利用最小累积阻力模型构建生态阻力面，并基于电荷随机游走特性识别生态廊道，计算公式为：
式中，MCR是指源-目标物种扩散的最小累积阻力值；f是指最小累积阻力值与生态过程的正相关函数；D iu 是指生态源地u到栅格单元i的空间距离；是指栅格单元i对生态过程或者物种运动的修正阻力系数。
步骤4-5：利用Circuitscape软件识别夹点和障碍点﹐具体方法如下：将研究区视为一个导电表面，导电表面上的每个网格都赋予一个反映能量消耗或移动难度的有限值，由多个网格组成的生态源地表示为一个零电阻节点。将一个斑块接地，其他斑块分别输入lA的电流，通过Pinchpoint Mapper迭代运算出整个区域最小路径累积电流值，并把累积电流高值识别为夹点；在构建最小成本距离LCD0的基础上，假定搜索移动窗口(直径为D)像元值降低1个单位，障碍点移除后最小成本距离的值随之下降为LCD1，则整个景观网络的潜在降低值△LCD= LCD0 -LCD1，则改善系数IS=△LCD/D，利用Barrier Mapper工具，计算清除障碍点后累积电流恢复值，并将高值作为生态障碍点。
S5：合并上述步骤已识别的生态障碍点和夹点，共同作为初步识别的生态修复区域。再结合当前的土地利用情况和未来的土地利用变化预测结果，调整优化初步识别的生态修复区域。通过叠加当前和未来土地利用类型分布结果，将发生某一用地向生态用地转换的潜在区域纳入生态修复区域；而退出与当前和未来的建设用地分布冲突的区域，最终获取生态修复关键区域识别的结果。具体步骤为：如图6所示，包括步骤5-1至步骤5-3；
步骤5-1：合并已识别的生态障碍点和夹点，共同作为初步识别的生态修复区域。利用ArcGIS的栅格计算器Con函数，取两个空间数据的并集实现。
步骤5-2：通过叠加当前和未来土地利用结果，将发生某一用地向生态用地转换的潜在区域纳入生态修复区域。利用ArcGIS的栅格计算器Con函数，设置耕地、建设用地和未利用地三种类型为非生态用地类型，编码为0，林地、草地和水域编码为1，利用ArcGIS的栅格计算器Con函数，识别2020年和2060年两个数据由0-1转换的区域，实现生态修复潜在区域识别；
步骤5-3：将初步识别的生态修复区域与潜在的生态修复区域合并，再扣除2020年和2060年的建设用地，最终获取生态修复关键区域识别的结果，利用ArcGIS的栅格计算器实现。
识别结果显示生态修复区面积为274.92 km2，占总面积的0.57%，集中分布在西南丘陵山区源地间和零散分布在湖周边和长江沿岸区域。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种基于多源数据和模型集成的生态修复区域智能识别方法，其特征在于：包括以下步骤：
S1:遥感影像、空间数据收集，遥感数据监督分类，土地利用变化驱动因子预处理；
S2:利用FLUS模型开展土地利用模拟与预测；
S3:评估生态***功能重要性、景观连通性，识别重要的生态源地；
S4:利用最小累积阻力模型和电路理论提取重要的生态廊道、夹点和障碍点；
具体实现方式如下：提取生态廊道﹑生态夹点和障碍点，基于当前时期、未来土地利用数据、坡度和夜间灯光数据，利用最小累积阻力模型构建一个适应未来土地利用变化的累积阻力面；基于电路理论，利用Circuitscape软件提取生态廊道，基于Barrier Mapper和Pinchpoint Mapper工具识别出对研究区生态修复具有重要作用的障碍点和生态夹点，作为初步识别的生态修复区域；包括步骤4-1至步骤4-5；
步骤4-1：物种在水平空间上运动、生态流在斑块之间的流动与传递，很大程度上受到用地类型和人为活动干扰影响，生态阻力系数根据专家知识或经验数据进行赋值；按照用地类型赋予相应的阻力值，林地、水域、草地、农田和建设用地/未利用地的阻力系数分别赋值为1、3、50、100、300；
步骤4-2：基于当前和未来土地利用数据构建现状和未来生态阻力面，并求取现状和未来生态阻力系数平均值作为基本阻力系数，计算公式如下：
；
式中，R i 是指栅格单元i的基本阻力系数；RC i 是指栅格单元i的现状生态阻力系数；RF i 是指栅格单元i的未来生态阻力系数；
步骤4-3：为进一步区分同一土地利用类型内的差异，坡度、夜间灯光指数被用于阻力系数修正，计算公式为：
；
式中，是指栅格单元i对物种运动的修正阻力系数；R i 是指栅格单元i的基本阻力系数；f normal是指标准化函数，将值标准化至0-1范围；N i 是指栅格单元i的夜间灯光指数；N j-mean是指用地类型j的夜间灯光指数均值；S i 是指栅格单元i的坡度；S j-mean是指用地类型j的坡度均值；
步骤4-4：电路理论是将斑块抽象为一系列节点和电阻，利用最小累积阻力模型构建生态阻力面，并基于电荷随机游走特性识别生态廊道，计算公式为：
；
式中，MCR是指源-目标物种扩散的最小累积阻力值；f是指最小累积阻力值与生态过程的正相关函数；D iu 是指生态源地u到栅格单元i的空间距离；R’ i是指栅格单元i对生态过程或者物种运动的修正阻力系数；
步骤4-5：利用Circuitscape软件识别夹点和障碍点﹐具体方法如下：将研究区视为一个导电表面，导电表面上的每个网格都赋予一个反映能量消耗或移动难度的有限值，由多个网格组成的生态源地表示为一个零电阻节点；将一个斑块接地，其他斑块分别输入lA的电流，通过Pinchpoint Mapper迭代运算出整个区域最小路径累积电流值，并把累积电流高值识别为夹点；在构建最小成本距离LCD0的基础上，假定搜索移动窗口像元值降低1个单位，障碍点移除后最小成本距离的值随之下降为LCD1，则整个景观网络的潜在降低值△LCD= LCD0 -LCD1，则改善系数IS=△LCD/D，利用Barrier Mapper工具，计算清除障碍点后累积电流恢复值，并将高值作为生态障碍点；
S5:结合当前和未来土地利用情况，补充生态修复潜在区域，退出生态修复风险区域，具体包括以下内容：
S5-1：合并已识别的生态夹点和障碍点，作为初步识别的生态修复区域；
S5-2：识别未来非生态用地向生态用地转换的潜在区域，纳入生态修复区域范围；
S5-3：扣除当前和未来的建设用地，最终获得关键的生态修复区域。
2.根据权利要求1所述的基于多源数据和模型集成的生态修复区域智能识别方法，其特征在于：步骤S1中，遥感影像、空间数据收集，遥感数据监督分类，土地利用变化驱动因子预处理；实现步骤包括：
S1-1：遥感图像预处理：包括投影转换、大气校正、辐射定标、融合镶嵌、裁剪操作步骤；
S1-2：遥感图像监督分类，解译为耕地、林地、草地、水域、建设用地和未利用地；
S1-3：利用欧式距离公式计算区域栅格到土地利用变化驱动因子的距离，生成范围和投影一致的空间栅格数据。
3.根据权利要求1所述的基于多源数据和模型集成的生态修复区域智能识别方法，其特征在于：步骤S2中，利用FLUS模型开展土地利用模拟与预测；实现步骤包括：
S2-1：采样土地利用变化驱动因子数据和基期土地利用数据；
S2-2：用人工神经网络算法训练采样数据，输出每种土地利用类型在区域内的分布概率；
S2-3：将分布概率数据与初始土地利用数据在土地利用模拟模块中进行迭代；
S2-4：基于邻域效应、转换成本矩阵和惯性系数，计算各类用地的总分布概率；
S2-5：基于总分布概率，通过轮盘赌的方法，模拟区域内各种土地利用类型在像元上竞争；
S2-6：迭代完一幅影像的全部有效像元，输出模拟土地利用分布结果；
S2-7：对比过去年份实验地区模拟结果与真实结果，进行精度验证；
S2-8：利用Markov模型预测未来土地需求数量，并预测未来土地利用空间分布情况。
4.根据权利要求1所述的基于多源数据和模型集成的生态修复区域智能识别方法，其特征在于：步骤S3中，评估生态***功能重要性、景观连通性，识别重要的生态源地，主要包括以下步骤：
S3-1：结合受胁迫因子影响的辐射距离、空间权重因素，利用InVEST模型计算生境质量，并用植被覆盖度和净初级生产力修正；
S3-2：结合土地利用数据、土壤、植被生物量、死亡有机质，利用InVEST模型计算碳储量，并利用降水和气温因子修正；
S3-3：根据修订后的通用土壤流失方程计算潜在土壤侵蚀和实际土壤侵蚀之间的差异，得到土壤保持量；
S3-4：结合降水量和蒸散量，利用InVEST模型计算产水量；
S3-5：标准化并叠加4类生态***服务，计算生态功能重要性，基于自然断点法划分为5类；
S3-6：利用景观连通重要性指数评估重要生态斑块连通性，获得重要的生态源地。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410374521.7A CN117974401B (zh) | 2024-03-29 | 2024-03-29 | 基于多源数据和模型集成的生态修复区域智能识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410374521.7A CN117974401B (zh) | 2024-03-29 | 2024-03-29 | 基于多源数据和模型集成的生态修复区域智能识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117974401A CN117974401A (zh) | 2024-05-03 |
| CN117974401B true CN117974401B (zh) | 2024-06-21 |
Family
ID=90859874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410374521.7A Active CN117974401B (zh) | 2024-03-29 | 2024-03-29 | 基于多源数据和模型集成的生态修复区域智能识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117974401B (zh) |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220335441A1 (en) * | 2021-04-16 | 2022-10-20 | Joe Angelo Wahba | Curbon's Climate Offset System |
| CN113326593B (zh) * | 2021-05-19 | 2023-03-17 | 深圳市规划和自然资源数据管理中心 | 一种顾及规划布局与要素配置合理性的生态空间网络优化方法 |
| CN113327042B (zh) * | 2021-06-07 | 2023-09-29 | 中国矿业大学 | 一种区域生态***修复需求的快速划分方法 |
| CN114386816B (zh) * | 2021-12-31 | 2023-04-18 | 四川农业大学 | 一种国土空间生态修复关键区识别*** |
| CN114943404A (zh) * | 2022-03-30 | 2022-08-26 | 北京师范大学 | 一种基于生态***服务权衡的湿地缺水生态风险评估方法 |
| CN115983522B (zh) * | 2022-11-10 | 2023-10-13 | 东南大学 | 一种乡村生境质量评估及预测方法 |
| CN116151413B (zh) * | 2022-11-10 | 2024-04-26 | 东南大学 | 一种乡村生态***碳储量预测方法 |
| CN116579518A (zh) * | 2023-04-23 | 2023-08-11 | 中国地质大学（北京） | 一种水域生态空间保护修复靶向区域的识别方法 |
| CN116523336A (zh) * | 2023-04-28 | 2023-08-01 | 中国科学院城市环境研究所 | 一种生态修复空间识别方法 |
-
2024
- 2024-03-29 CN CN202410374521.7A patent/CN117974401B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| 基于生态网络构建的县域国土空间生态保护与修复策略研究——以江西省泰和县为例;古雄;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20221115(第11期);第B027-106页 * |
| 最小累积阻力模型在城市土地生态适宜性评价中的应用——以厦门为例;刘孝富 等;《生态学报》;20100131;第30卷(第2期);第421-428页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117974401A (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dinda et al. | An integrated simulation approach to the assessment of urban growth pattern and loss in urban green space in Kolkata, India: A GIS-based analysis | |
| CN111859800B (zh) | 用于pm2.5浓度分布的时空估算和预测方法 | |
| CN106780089B (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
| Zheng et al. | Application of wavelet-packet transform driven deep learning method in PM2. 5 concentration prediction: A case study of Qingdao, China | |
| Abbasi et al. | Land suitability assessment for Paulownia cultivation using combined GIS and Z-number DEA: A case study | |
| Li et al. | A spatiotemporal directed graph convolution network for ultra-short-term wind power prediction | |
| CN106909899A (zh) | 一种湿地景观演变过程的分析方法及分析*** | |
| CN113902580A (zh) | 一种基于随机森林模型的历史耕地分布重建方法 | |
| Zhang et al. | Analysis of spatial variability in factors contributing to vegetation restoration in Yan'an, China | |
| CN113222316A (zh) | 一种基于flus模型和生物多样性模型的变化情景模拟方法 | |
| CN114494865A (zh) | 一种山地生态***未来情景的cset方法 | |
| Geng et al. | A hybrid spatiotemporal convolution-based cellular automata model (ST-CA) for land-use/cover change simulation | |
| CN115983522B (zh) | 一种乡村生境质量评估及预测方法 | |
| Yu et al. | Deep learning-based downscaling of tropospheric nitrogen dioxide using ground-level and satellite observations | |
| CN117556197A (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
| CN117808214A (zh) | 水利工程数据分析*** | |
| Putra et al. | Forecasting air quality using massive-scale wsn based on convolutional LSTM network | |
| Yue et al. | Simulation and prediction of land use change in Dongguan of China based on ANN cellular automata-Markov chain model | |
| Qi et al. | Land intensification use scenarios based on urban land suitability assessment of the national park | |
| Chao et al. | A spatio-temporal neural network learning system for city-scale carbon storage capacity estimating | |
| CN117974401B (zh) | 基于多源数据和模型集成的生态修复区域智能识别方法 | |
| CN117151499A (zh) | 一种国土空间规划的监测评估方法及*** | |
| Liu et al. | Multi-scenario simulation of carbon budget balance in arid and semi-arid regions | |
| Song et al. | Modeling land use change prediction using multi-model fusion techniques: A case study in the Pearl River Delta, China | |
| Shen | Multi-layer perceptron-markov chain based geospatial analysis of land use and land cover change: A case study of Stoney Creek Watershed, BC, Canada |
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 |