一种多模态数据驱动的黑土区生态修复方法及系统与流程
本发明涉及生态修复,尤其涉及一种多模态数据驱动的黑土区生态修复方法及系统。
背景技术:
1、黑土区作为重要的农田资源,其土壤退化问题日益严重,特别是受到气候变化、土地开发和人类活动的双重影响。退化的黑土不仅影响农业生产力,也威胁到生态环境的稳定性,导致生物多样性下降和生态系统服务功能的丧失。可见,开展黑土区的生态修复研究尤为重要,通过科学的方法恢复土壤健康,提升土地的可持续性利用,对于改善生态环境、提高农作物产量、确保粮食安全具有至关重要的作用。
2、目前的生态修复技术多依赖于传统的地面调查和单一的数据源,这些方法往往无法全面反映黑土区复杂的生态环境特征,且数据采集过程耗时且成本高。此外,很多现有方法在处理黑土区退化问题时,未能有效整合多种类型的数据,例如遥感影像、土壤属性、气象数据等,导致评价结果的准确性和可靠性较低。现有的预测模型和修复方案往往缺乏对时空变化的充分考虑,难以实时动态地监测和评估修复效果,制约了黑土区生态修复的效率和效果。
3、因此,本发明提出一种多模态数据驱动的黑土区生态修复方法及系统,通过时空分析、数据融合和模型预测等技术手段整合分析多模态监测数据,精准评估并预测黑土区的生态退化趋势,使得黑土区生态修复具有更高的精度和实时性,从而有效提高修复工作效率。
技术实现思路
1、有鉴于此,本发明提供一种多模态数据驱动的黑土区生态修复方法及系统,解决现有技术存在的数据获取不全面、评估精度低、修复效果监测滞后的技术问题。
2、为达到上述技术目的,本发明采取了以下技术方案:
3、第一方面,本发明提供了一种多模态数据驱动的黑土区生态修复方法,包括:
4、获取研究区域的历史遥感影像数据、地质剖面数据、土壤属性数据、水文地质数据、气象数据和人类活动数据,构建多模态数据集;
5、提取所述多模态数据集中的生态类型指标、地质构造指标、土壤健康度指标和水文监测指标,并进行标准化处理,生成驱动因子分析指标集;
6、以土壤健康度和地下水质作为退化评价指标,结合熵权法计算的指标权重,构建生态地质评价矩阵,所述矩阵的行表示评价单元,列表示加权后的标准化指标值;
7、采用spearman秩相关与主成分分析双重筛选机制,提取核心驱动因子;
8、基于lstm网络构建初始的黑土区退化预测模型,利用多模态数据集对初始的黑土区退化预测模型进行训练,得到训练完备的黑土区退化预测模型;
9、实时采集当前研究区域的多模态数据并输入至训练完备的黑土区退化预测模型,确定重点修复区域,并生成待修复的驱动因子,形成黑土区生态修复方案。
10、进一步的,构建多模态数据集之前还包括:对具有空间和时间双重维度的遥感影像数据、人类活动矢量、土壤属性数据对应的土壤采样点、气象数据对应的气象站以及水文地质数据的监测井进行时空配准;
11、所述时空配准采用基于最近邻和面积加权平均的重采样操作,用公式表示为:
12、
13、式中,为重采样后、位于第i行第j列、第k个元素的最终像元值,表示落入目标像元的所有元素个数,表示重采样后目标网格中的像元,表示原始栅格在 (x,y) 位置的像元值。
14、进一步的,所述生态类型指标包括:植被覆盖度、植被覆盖度、植被健康指数和水土持水能力指标;
15、所述地质构造指标包括:断层密度、岩性指标和构造复杂度指标;
16、所述土壤健康度指标包括:土壤营养素分布特征、土壤生化指标、土壤厚度特征和土壤硬度特征;
17、所述水文地质指标包括:地下水位、地下水质、土壤湿度以及地表径流指标。
18、进一步的,所述以土壤健康度和地下水质作为退化评价指标,结合熵权法计算的指标权重,构建生态地质评价矩阵,包括:
19、所述土壤健康度和地下水质指标均包含多个评价单元,对每个评价单元进行无量纲归一化操作;
20、将标准化后的值除以该类指标的数据总和,得到每个评价单元在该指标中的相对比重;
21、根据所述相对比重,计算每个指标的信息熵,得到信息冗余度,将冗余度归一化,得到每个指标的客观权重;
22、将客观权重分别乘以对应列的标准化值,得到每个评价单元的加权得分,将所有评价单元加权得分横向排列,生成生态地质评价矩阵。
23、进一步的,所述采用spearman秩相关与主成分分析双重筛选机制,提取核心驱动因子,包括:
24、对生态地质评价矩阵中各指标与退化评价指标进行spearman秩相关分析,评估指标与退化状态的相关性;
25、剔除相关性小于预设相关系数阈值的指标,保留与退化过程密切相关的指针集合;
26、对筛选后的指针集合进行pca降维分析,捕捉指标间的主要变异信息,得到主成分载荷矩阵;
27、根据主成分载荷矩阵,选取主成分贡献度大于预设设定值的原始指针作为核心驱动因子。
28、进一步的,所述基于lstm网络构建初始的黑土区退化预测模型,包括依次连接的输入层、双层convlstm 模块、cbam模块和输出模块;
29、所述输入层用于接收时间-空间-通道三维张量;
30、所述双层convlstm 模块用于提取数据的时空特征;
31、所述嵌入于 convlstm 与输出层之间的 cbam 模块,包括通道注意力子模块和空间注意力子模块;在输出层前嵌入cbam模块,以增强对关键驱动因子的时序聚焦能力;
32、其中,通道注意力子模块用于对每个时间步的特征通道生成第一权重;空间注意力子模块用于对每个特征图的空间位置生成第二权重;
33、所述输出层用于输出黑土退化概率图。
34、进一步的,所述对每个时间步的特征通道生成第一权重,包括:
35、利用通道注意力子模块对当前时间步的特征图沿空间维度分别进行全局平均和全局最大操作,得到第一和第二压缩特征向量;
36、将第一、第二特征压缩向量同时送进通道注意力子模块的全连接网络,先降维再升维,分别得到新的特征向量;
37、对新的特征向量进行逐个元素相加,经 sigmoid 激活后生成通道注意力权重张量;
38、将通道注意力权重张量与原始特征图执行通道维广播乘法,得到第一权重。
39、第二方面,本发明还提供一种多模态数据驱动的黑土区生态修复系统,包括:
40、多模数据获取模块,用于获取研究区域的历史遥感影像数据、地质剖面数据、土壤健康度数据、水文地质数据、气象数据和人类活动数据,构建多模态分析数据集;
41、特征提取模块,用于提取所述多模态分析数据集中的生态类型指标、地质构造指标、土壤健康度指标和水文监测指标,并进行标准化处理,生成驱动因子分析指标集;
42、评价矩阵构建模块,用于以土壤健康度和地下水质作为退化评价指标,结合熵权法计算的指标权重,构建生态地质评价矩阵,所述矩阵的行表示评价单元,列表示加权后的标准化指标值;
43、驱动因子分析模块,用于计算生态地质退化指标与各驱动因子分析指标之间的相关性系数,初步筛选出与退化现象具有显著相关性的因子,对驱动因子分析指标进行主成分分析,提取主驱动因子;
44、模型构建模块,用于基于lstm网络构建初始的黑土区退化预测模型,利用多模分析数据对初始的黑土区退化预测模型进行训练,得到训练完备的黑土区退化预测模型;
45、预测模块,用于将当前研究区域的多模分析数据输入至训练完备的黑土区退化预测模型,确定重点修复区域,并生成待修复的驱动因子,形成黑土区生态修复方案。
46、第三方面,本发明提供一种电子设备,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现上述方案所述的多模态数据驱动的黑土区生态修复方法。
47、第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现上述方案所述的多模态数据驱动的黑土区生态修复方法。
48、相比于现有技术,本发明具有以下优势:
49、(1)通过获取历史遥感影像、地质剖面、土壤属性、水文地质、气象数据以及人类活动数据,构建了多模态数据集,可以更全面地理解黑土区的生态状况,为精准分析黑土区生态奠定了数据基础;通过提取多模态数据中的生态类型、地质构造、土壤健康度和水文监测等指标,并进行标准化处理,消除了不同数据源和不同量纲的差异,使得各项指标可以在同一评价框架下进行比较。
50、(2)通过结合熵权法计算各指标的权重,构建生态地质评价矩阵。这个矩阵能够直观地反映出各个评价单元在不同标准化指标上的表现,进而评估其退化状况,使得评价结果更为直观,便于决策者快速识别最需要修复的区域。
51、(3)使用spearman秩相关与主成分分析相结合的双重筛选机制,提取出影响生态退化的核心驱动因子,能够从众多指标中识别出最为关键的因素,从而聚焦于真正对生态修复有显著影响的因素。
52、(4)基于长短期记忆网络(lstm)构建黑土区退化预测模型,模型中引入了cbam模块,能有效捕捉退化过程中的时空动态变化规律,实时采集当前研究区域的多模态数据,输入训练完备的退化预测模型,确定重点修复区域及待修复的核心驱动因子,生成针对性的黑土区生态修复方案。
53、本发明通过地质机理耦合、智能算法升级(cbam增强lstm)和工程精准适配,实现黑土退化"诊断-预测-修复"闭环,为黑土地保护工程提供可量化、可推广的技术范式。通过多模态数据的全面收集和标准化处理,能够全面、准确地评估黑土区的生态状况。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com