一种耦合植物功能性状的生态空间风险智能评估方法与流程

本技术涉及生态空间风险评估与智能管控，尤其涉及一种耦合植物功能性状的生态空间风险智能评估方法。

背景技术：

1、当前，随着国土空间开发强度增加与气候变化影响加剧，生态空间面临的风险日趋复杂。以某生态公园旁修建一条公路为例，施工活动与运营期的人类开发胁迫会对公园内不同区域产生差异化的生态破坏：原始森林区植被茂密、根系深厚，抗干扰能力强；湿地修复区植被正处于恢复中期，抗逆性中等；而人工草坪区植被单一、土壤裸露，抗逆性差。相同的外部胁迫（如扬尘、水土流失、人为扰动）下，三个区域的生态风险实际差异巨大，但传统的生态风险评估方法往往忽视植被自身体质的差异，难以精准量化这种内在脆弱性对风险结果的调节作用。更广泛地，生态空间面临的风险表现为生态破坏、环境污染、自然灾害与人类开发胁迫等多源风险因子的复合叠加，生态系统对风险的响应具有显著的空间异质性与非线性特征，不同区域的植被群落因其内在植物功能性状（如比叶面积、根系深度、耐胁迫指数、叶氮含量、冠层郁闭度、固土保水能力等）的差异，在相同外部胁迫下表现出截然不同的抗逆能力与恢复力。

2、现有生态风险评估方法主要分为两类：一类是基于统计指数或加权求和的综合评价方法，通过选取土地利用类型、坡度、土壤质地、植被覆盖度等指标，采用层次分析法或熵权法确定权重，线性叠加得到生态风险指数；另一类是采用机器学习或空间分析技术的评估方法，如利用遥感影像反演植被覆盖变化、采用地理信息系统进行空间叠加分析、引入贝叶斯网络或随机森林模型进行风险概率预测。部分研究也开始尝试结合多源遥感数据反演植被生理参数，用于表征生态系统状态。

3、然而，上述方法均存在明显不足。加权求和模型假设各风险因子独立贡献、线性叠加，难以表征因子之间的协同放大或拮抗抑制等非线性耦合效应，也较少考虑植物群落内在抗逆性对风险传播的调节作用。机器学习方法虽能拟合复杂关系，但往往依赖大量训练样本，且模型的可解释性不足，风险评估结果不易直接溯源至具体的生态过程或植被特征。此外，现有评估方法通常采用固定的模型架构，无法根据目标生态空间的数据完备程度与空间异质性自适应地选择最合适的计算模型，导致在不同应用场景下评估精度和适用性受限。

技术实现思路

1、（一）要解决的技术问题

2、鉴于现有技术的上述缺点、不足，本技术提供一种耦合植物功能性状的生态空间风险智能评估方法，以解决现有技术中因忽略植物群落内在抗逆性差异而导致的生态风险评估精度不足、无法量化脆弱性修正机制、缺乏非线性耦合建模以及评估结果可解释性差的技术问题。

3、（二）技术方案

4、为了达到上述目的，本技术采用的主要技术方案包括：

5、本技术实施例提供一种耦合植物功能性状的生态空间风险智能评估方法，具体步骤包括：

6、s1，根据预先确定的分区条件将目标生态空间划分为多个分区；获取各所述分区的多源异构数据，并进行归一化处理，得到各所述分区统一时空基准的多源异构数据，作为各所述分区的基础数据；

7、s2，根据各所述分区的基础数据，采用预构建的生态风险指数模型，计算各所述分区的生态风险指数；

8、所述生态风险指数模型根据各所述分区的基础数据中的数据特征选择为改进型加权求和模型或预训练的改进型图神经网络模型；

9、所述改进型加权求和模型引入基于植物功能性状确定的脆弱性修正系数，对加权求和结果进行乘性调节；

10、所述改进型图神经网络模型在消息传递过程中，以基于植物功能性状确定的抗逆性调节因子对节点发送的消息进行乘性调节；

11、s3，将各所述分区的生态风险指数与预设的风险预警阈值进行比较，得到各所述分区的风险等级，并生成预警报告。

12、可选的，在本技术的一些实施例中，所述生态风险指数模型根据各所述分区的基础数据中的数据特征选择改进型加权求和模型或预训练的改进型图神经网络模型，具体包括：

13、将各所述分区分别划分为若干个栅格单元；

14、采用公式（1）计算各所述分区的基础数据的有效数据覆盖率c；

15、公式（1）具体包括：；

16、其中，ntotal为各所述分区内栅格单元的总数量；nvalid为各所述分区内同时具备植物功能性状数据、气象要素数据和人类活动强度数据的栅格单元数量；

17、当所述有效数据覆盖率低于预设阈值时，采用改进型加权求和模型作为所述生态风险指数模型；否则，采用预训练的改进型图神经网络模型作为所述生态风险指数模型。

18、可选的，在本技术的一些实施例中，当采用改进型加权求和模型时，生态风险指数的计算步骤包括：

19、根据各所述分区的基础数据提取各所述分区的四类生态风险因子，所述四类生态风险因子包括用于表征生态系统结构破坏程度的生态破坏因子、用于表征污染物输入对生态系统胁迫程度的环境污染因子、用于表征自然灾害对生态系统冲击程度的自然灾害因子，以及用于表征人类活动对生态系统干扰程度的人类开发胁迫因子；

20、从所述四类生态风险因子中提取对应的预设指标数据，采用层次分析法与熵权法耦合的方法，得到所述四类生态风险因子的组合权重；

21、从各所述分区的基础数据中提取各栅格单元的植物功能性状参数并进行标准化处理，得到各栅格单元中各植物功能性状参数的标准化值；根据所述标准化值通过加权求和计算各栅格单元的抗逆综合评分；

22、根据所述抗逆综合评分确定抗逆等级，并基于预设的等级映射关系确定脆弱性修正系数；

23、从各所述分区的基础数据中提取各栅格单元对应于所述四类生态风险因子的风险源强度和生态系统暴露度；

24、计算各栅格单元的生态风险指数eri=σ(wi×si×ei×vi×vbase)；

25、其中，i为第i类生态风险因子；wi为第i类生态风险因子的组合权重；si为第i类生态风险因子的风险源强度；ei为第i类生态风险因子的生态系统暴露度；vi为第i类生态风险因子的脆弱性修正系数；vbase为脆弱性基础系数，根据每个栅格单元的土地利用类型或土壤类型预先设定；

26、根据各栅格单元的生态风险指数，计算各所述分区内所有栅格单元的生态风险指数的平均值，作为各所述分区的生态风险指数。

27、可选的，在本技术的一些实施例中，所述采用层次分析法与熵权法耦合的方法，得到所述四类生态风险因子的组合权重，包括：

28、利用层次分析法得到所述四类生态风险因子的主观权重，利用熵权法得到所述四类生态风险因子的客观权重；构建以最小化主观权重与客观权重之间信息偏差为目标的目标函数，并引入归一化约束条件；

29、采用拉格朗日乘子法求解所述目标函数，得到所述四类生态风险因子的组合权重。

30、可选的，在本技术的一些实施例中，当采用预训练的改进型图神经网络模型时，生态风险指数的计算步骤包括：

31、从所述各分区的基础数据中提取多源空间数据图层，所述多源空间数据图层包括用于表征植物群落结构与功能特征的植物功能性状栅格图层、用于表征区域气候与水文条件的气象要素栅格图层、用于表征人为干扰强度的空间分布的人类活动强度栅格图层、用于定义各所述分区空间范围及生态管理单元边界的管控分区矢量图层；

32、以各栅格单元作为图的各节点，从所述植物功能性状栅格图层、气象要素栅格图层和人类活动强度栅格图层中提取各栅格单元对应的数据值，并拼接为各所述节点的特征向量；

33、基于所述管控分区矢量图层及各所述栅格单元之间的空间邻接关系构建图结构；所述图结构的边包括空间邻接边及生态交互边；

34、将各所述节点的特征向量及所述图结构输入至预训练的图神经网络模型，进行消息传递，输出各栅格单元的生态风险指数；

35、将各栅格单元的生态风险指数，按所述管控分区矢量图层中的分区边界进行空间聚合，得到该分区的生态风险指数。

36、可选的，在本技术的一些实施例中，所述进行消息传递，包括：

37、s11，从各所述节点的特征向量中提取各所述节点对应的植物功能性状数据；

38、s12，各所述节点在向邻居节点发送消息前，根据所述植物功能性状数据计算各所述节点的抗逆性调节因子；

39、s13，各所述节点进行消息传递；各所述节点向邻居节点发送的消息等于各所述节点的特征向量经线性变换后的结果乘以对应的所述抗逆性调节因子；

40、s14，各所述节点通过图注意力机制聚合邻居节点发送的消息，更新自身的特征向量；

41、重复执行步骤s11至步骤s14预设次数后，输出各栅格单元的生态风险指数。

42、可选的，在本技术的一些实施例中，所述根据所述植物功能性状数据计算各所述节点的抗逆性调节因子，包括：

43、从各所述节点的特征向量中提取植物功能性状参数；

44、对所述植物功能性状参数进行标准化处理，并通过预设的权重加权求和计算各所述节点的抗逆综合评分；

45、当所述抗逆综合评分高于第一阈值时，判定该所述节点对应的栅格单元为高抗逆性单元，将所述抗逆性调节因子取值在0.6至0.8范围内，且所述抗逆性调节因子与抗逆综合评分呈负相关关系；

46、当所述抗逆综合评分低于第二阈值时，判定该所述节点对应的栅格单元为低抗逆性或退化单元，将所述抗逆性调节因子取值在1.2至1.5范围内，且所述抗逆性调节因子与抗逆综合评分呈负相关关系；

47、当所述抗逆综合评分介于第一阈值与第二阈值之间时，将所述抗逆性调节因子取值为1.0；其中，所述第一阈值大于第二阈值。

48、可选的，在本技术的一些实施例中，所述改进型图神经网络模型的训练步骤包括：

49、s01，获取历史年份的训练数据，从所述训练数据中提取历史多源空间数据图层，所述历史多源空间数据图层包括历史植物功能性状栅格图层、历史气象要素栅格图层、历史人类活动强度栅格图层及历史管控分区矢量图层；

50、以各所述栅格单元作为节点，从所述历史多源空间数据图层中提取各栅格单元对应的数据值，拼接为各所述节点的历史特征向量；

51、s02，基于所述历史管控分区矢量图层及各栅格单元之间的空间邻接关系构建历史图结构；

52、s03，构建异构图神经网络；所述异构图神经网络包含多层感知机子网络，所述多层感知机子网络用于根据各所述节点的植物功能性状数据计算抗逆性调节因子；

53、s04，将所述历史特征向量和所述历史图结构输入至所述异构图神经网络，输出每个节点的生态风险指数预测值；

54、s05，以历史灾害事件发生后的实测生态损失数据作为监督信号，采用损失函数计算所述生态风险指数预测值与所述实测生态损失数据之间的误差，通过反向传播更新所述异构图神经网络的参数，迭代至收敛，得到训练好的改进型图神经网络模型。

55、可选的，在本技术的一些实施例中，所述构建历史图结构还包括：

56、将各栅格单元扩展为四个独立节点，所述四个独立节点分别为风险源节点、环境节点、植物功能性状节点和受体节点；

57、在同一栅格单元内，风险源节点与环境节点之间、环境节点与植物功能性状节点之间、植物功能性状节点与受体节点之间通过生态交互边连接；

58、在不同栅格单元之间，同类节点之间通过空间邻接边连接；所述空间邻接边包括基于地理距离构建的第一类空间邻接边和基于水文流向构建的第二类空间邻接边。

59、可选的，在本技术的一些实施例中，所述损失函数为节点回归损失、性状共变约束损失、水文连通约束损失和空间平滑约束损失的加权和；

60、所述节点回归损失为所有节点的生态风险指数预测值与对应实测生态损失数据之间的均方误差；

61、所述性状共变约束损失用于约束异构图神经网络中植物功能性状节点的表征，使得比叶面积与叶氮含量正相关、耐胁迫指数与根系深度正相关；

62、所述水文连通约束损失用于约束通过第二类空间邻接边连接的上下游节点的表征，使得上下游节点的表征之间的差异最小化；

63、所述空间平滑约束损失用于约束通过第一类空间邻接边连接的相邻节点的表征，使得相邻节点的表征差异随地理距离的增大而单调递增。

64、（三）有益效果

65、本技术的一种耦合植物功能性状的生态空间风险智能评估方法，根据目标生态空间的数据完备程度与空间异质性特征，自动选择加权求和模型或图神经网络模型进行计算，避免了单一模型在不同数据条件下的适用性不足问题，提升了评估方法对不同生态空间的适应能力和评估精度；

66、通过构建统一时空基准的区域生态风险数据库，并将目标生态空间划分为多个分区，能够实现多源异构数据的标准化处理与空间单元的精细化管理；

67、基于计算得到的分区生态风险指数，通过预设的四级预警阈值进行风险等级划分，并结合空间叠加分析识别生态风险显著高于邻域的热点区域，能够输出直观的风险空间分布图与分级预警报告，为生态环境管理部门提供清晰、可操作的决策依据；

68、从数据获取、分区划分、模型自适应选择、风险指数计算到预警报告生成形成完整的技术闭环，不依赖于特定的生态系统类型或区域尺度，具有良好的通用性和可扩展性，可广泛应用于不同类型生态空间的风险评估与管控。