基于多源卫星遥感的生态阈值识别方法、系统及设备与流程

本发明涉及生态阈值识别，尤其是涉及一种基于多源卫星遥感的生态阈值识别方法、系统及设备。

背景技术：

1、目前，生态修复规模阈值的识别主要依赖以下三类技术路径：基于传统统计方法的阈值识别、基于约束线方法的阈值识别、基于机器学习的阈值识别。

2、基于传统统计方法的阈值识别技术。该方法通常先采集地面采样数据，再人为预设驱动因子与响应变量之间的函数关系（如线性、简单二次非线性），最后通过分段回归、趋势检验等方法寻找响应变量发生显著转折的“断点”。其局限性在于：数据源完全依赖野外实地调查，人力成本高、空间覆盖不连续，难以支撑大范围、长时序的分析需求；人为预设函数关系存在主观偏差，无法有效挖掘生态系统中的复杂耦合、非单调及突变型响应关系；且该方法仅能处理低维自变量，无法应对高维的生态驱动因子交互场景，对噪声和异常值敏感，易导致阈值误判。

3、基于约束线方法的阈值识别技术。该方法通过提取驱动因子与响应变量在二维散点图中的上边界，并利用分位数回归或分段分位数拟合来识别系统理论潜力上限的拐点。但该方法同样依赖地面采样数据，且边界提取过程对异常值敏感，其识别出的阈值仅代表单因子的理论潜力限制，难以反映多因子交互作用下的真实生态阈值。

4、基于单一机器学习的阈值识别技术。例如，现有技术cn121615961b提出了一种生态阈值的识别方法，其通过训练单一的分类模型来预测韧性等级，并借助shap依赖图等模型解释工具来识别阈值。该方案存在明显的局限性：首先，仅使用单一机器学习模型，缺乏交叉验证机制，而不同模型对同一问题的识别结果可能存在显著差异，导致阈值的稳健性存疑；其次，数据来源不明确，未指定卫星遥感等大范围数据获取方式，未能解决数据源的空间覆盖与时效性问题；最后，该方法未对阈值识别结果进行不确定性量化，仅输出单一的确定性阈值，无法为生态管控风险评估提供置信区间等决策参考依据。

5、综上所述，现有技术普遍存在以下缺陷：数据源依赖地面采样，空间覆盖有限、时效性差；阈值识别方法单一，缺乏多方法交叉验证与稳健性保障；识别结果缺乏不确定性量化，难以支撑精准的生态风险评估。因此，亟需一种能够利用多源卫星遥感数据，融合多种方法进行交叉验证，并能量化阈值结果稳健性的生态修复规模阈值识别方法。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于多源卫星遥感的生态阈值识别方法、系统及设备，基于多源遥感数据的生态阈值稳健识别，提升大范围数据覆盖与时效性，并通过多方法交叉验证增强阈值可靠性，同时输出置信度评分以量化不确定性，支撑精准生态风险评估。

2、第一方面，本发明提供了一种基于多源卫星遥感的生态阈值识别方法，包括：

3、基于多源卫星遥感数据构建驱动因子集及其对应的响应变量集；

4、构建驱动因子集与响应变量集之间的非线性关系模型，以从驱动因子集中识别主导驱动因子，并对非线性关系模型进行可解释性分析，得到主导驱动因子对响应变量集中同一生态响应变量的初步生态阈值区间；

5、通过阈值识别模型库中的至少一个目标阈值识别模型，识别主导驱动因子对响应变量集中同一生态响应变量的备选生态阈值；

6、对同一生态响应变量的初步生态阈值区间和备选生态阈值进行交叉验证，得到生态响应变量的稳健生态阈值及其置信度评分。

7、在一种实施方式中，构建驱动因子集与响应变量集之间的非线性关系模型，包括：

8、初始化叶子节点；

9、对当前的待处理叶子节点中选取的驱动因子进行特征分箱，以将选取的驱动因子的连续特征值域划分为多个离散区间，得到选取的驱动因子对应的直方图；

10、从直方图包含的离散区间的边界中筛选最优分割点，并以最优分割点对应的驱动因子的值对当前的待处理叶子节点进行二次分裂，得到两个新的叶子节点；

11、从两个新的叶子节点中确定下一个待处理叶子节点，并对下一个待处理叶子节点中选取的驱动因子进行特征分箱，直至满足预设的分裂停止条件，得到非线性关系模型；

12、其中，非线性关系模型中的每个内部节点对应一个驱动因子的单一临界数值，每个叶子节点表征由多个单一临界数值依次限定所形成的驱动因子组合区间，以及该驱动因子组合区间内所有空间栅格单元的响应变量平均值。

13、在一种实施方式中，从驱动因子集中识别主导驱动因子，包括：

14、基于各驱动因子在非线性关系模型中的特征重要性，从驱动因子集中筛选出满足预设重要性条件的驱动因子，作为主导驱动因子。

15、在一种实施方式中，对非线性关系模型进行可解释性分析，得到主导驱动因子对响应变量集中同一生态响应变量的初步生态阈值区间，包括：

16、针对响应变量集中的每个生态响应变量执行如下操作：

17、采用沙普值法对非线性关系模型进行可解释性分析，将非线性关系模型针对该生态响应变量输出的预测结果，分解为每个主导驱动因子对预测结果的贡献值；

18、以主导驱动因子的取值为横坐标、主导驱动因子对预测结果的贡献值为纵坐标，绘制沙普依赖图；

19、在沙普依赖图中，将贡献值由正值区域突变为负值区域、或由负值区域突变为正值区域时主导驱动因子的取值，作为主导驱动因子对该生态响应变量的初步阈值；

20、综合每个主导驱动因子对该生态响应变量的初步阈值，构成该生态响应变量对应的初步生态阈值区间。

21、在一种实施方式中，对同一生态响应变量的初步生态阈值区间和备选生态阈值进行交叉验证，得到生态响应变量的稳健生态阈值及其置信度评分，包括：

22、针对响应变量集中的每个生态响应变量，执行以下操作：

23、将该生态响应变量对应的初步生态阈值区间的端点数值和备选生态阈值，共同作为待验证的阈值集合；

24、对阈值集合中的阈值，对其所依据的原始样本数据执行重采样操作，以确定该阈值对应的置信区间；

25、若置信区间之间的重叠度不满足预设重叠条件，则构造该生态响应变量对应的不确定性区间，以确定该生态响应变量的稳健生态阈值及其置信度评分。

26、在一种实施方式中，构造该生态响应变量对应的不确定性区间，包括：

27、将阈值集合中最大的阈值作为不确定性区间的上限值，以及将阈值集合中最小的阈值作为不确定性区间的下限值。

28、在一种实施方式中，确定该生态响应变量的稳健生态阈值及其置信度评分，包括：

29、根据阈值集合中的阈值落入初步生态阈值区间的数量确定置信度评分；

30、若置信度评分大于预设阈值，则将落入初步生态阈值区间的阈值作为该生态响应变量的稳健生态阈值，并输出稳健生态阈值和置信度评分；

31、若置信度评分小于或等于阈值，则输出不确定性区间和置信度评分。

32、第二方面，本发明还提供一种基于多源卫星遥感的生态阈值识别系统，包括：

33、构建模块，用于基于多源卫星遥感数据构建驱动因子集及其对应的响应变量集；

34、初步阈值识别模块，用于构建驱动因子集与响应变量集之间的非线性关系模型，以从驱动因子集中识别主导驱动因子，并对非线性关系模型进行可解释性分析，得到主导驱动因子对响应变量集中同一生态响应变量的初步生态阈值区间；

35、备选阈值识别模块，用于通过阈值识别模型库中的至少一个目标阈值识别模型，识别主导驱动因子对响应变量集中同一生态响应变量的备选生态阈值；

36、交叉验证模块，用于对同一生态响应变量的初步生态阈值区间和备选生态阈值进行交叉验证，得到生态响应变量的稳健生态阈值及其置信度评分。

37、第三方面，本发明还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现第一方面提供的任一项的方法。

38、第四方面，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现第一方面提供的任一项的方法。

39、本发明提供的一种基于多源卫星遥感的生态阈值识别方法、系统及设备，首先基于多源卫星遥感数据构建驱动因子集及其对应的响应变量集；构建驱动因子集与响应变量集之间的非线性关系模型，以从驱动因子集中识别主导驱动因子，并对非线性关系模型进行可解释性分析，得到主导驱动因子对响应变量集中同一生态响应变量的初步生态阈值区间；通过阈值识别模型库中的至少一个目标阈值识别模型，识别主导驱动因子对响应变量集中同一生态响应变量的备选生态阈值；对同一生态响应变量的初步生态阈值区间和备选生态阈值进行交叉验证，得到生态响应变量的稳健生态阈值及其置信度评分。本方法基于多源卫星遥感数据构建驱动因子集与响应变量集，实现了大范围、长时序的生态数据覆盖，克服了传统地面采样空间局限与时效性不足的缺陷；通过构建非线性关系模型进行可解释性分析，识别主导驱动因子并获取初步生态阈值区间，同时借助阈值识别模型库获取备选生态阈值，经由多方法交叉验证，增强阈值识别的可靠性，最终输出稳健生态阈值及置信度评分，以量化不确定性，支撑精准生态风险评估。

40、本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

41、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。