一种植物功能性状时序变化驱动的生态风险早期预警方法与流程

摘要: 本技术涉及生态风险预警,尤其涉及一种植物功能性状时序变化驱动的生态风险早期预警方法。背景技术:1、生态风险早期预警是生态环境管理的核心需求,生态风险通常表现为生...
一种植物功能性状时序变化驱动的生态风险早期预警方法与流程

本技术涉及生态风险预警,尤其涉及一种植物功能性状时序变化驱动的生态风险早期预警方法。

背景技术:

1、生态风险早期预警是生态环境管理的核心需求,生态风险通常表现为生态系统结构退化、功能下降、生物多样性丧失及生态服务功能衰退等渐进过程。植被作为生态系统的核心组成部分,其功能性状是植物适应环境变化的重要表征,能够反映环境胁迫对植物的影响。如何在生态系统结构发生不可逆退化之前,基于植物自身的动态响应信号实现生态风险的早期识别与预警,是生态学与环境管理领域面临的重大技术难题。

2、目前,针对生态风险的预警与评估主要采用以下几类技术手段。例如基于遥感指数的生态监测方法,利用卫星遥感获取ndvi、evi、lai等植被指数进行大范围生态状态评估;基于植物功能性状的单时点或有限时间点测定方法,通过对比不同区域或不同时期的性状均值差异来评估生态胁迫程度;以及基于深度学习模型的时间序列预测方法,利用长短期记忆网络(lstm)、transformer等模型对植被指数或环境因子时间序列进行建模,通过预测残差检测异常。这些技术在一定程度上能够获取生态状态数据或预测植被变化趋势,构成了现有生态风险预警与评估的主要技术框架。

3、然而,上述现有技术均存在明显不足。基于遥感指数的方法受云雨天气、季节物候、土壤背景等因素干扰严重,往往在植被已经出现明显退化后才能识别异常,预警滞后性显著;基于植物功能性状的单时点测定方法缺乏连续时序监测能力,无法反映植物对环境胁迫的动态响应过程,且不同物种、不同物候期的性状固有差异远大于胁迫引起的变异,固定阈值或横截面比较极易将正常的季节性波动误判为生态异常,虚警率较高;基于深度学习的时间序列预测方法通常直接以原始观测值或简单归一化后的数值作为模型输入,未针对植物正常物候波动进行物理层面的预处理,导致模型将展叶期、落叶期等正常周期性变化学习为规律,掩盖了真正的胁迫信号,且真实生态退化样本难以大量采集,模型在变环境条件下的检测性能显著下降。因此,亟需一种从时序监测、动态响应识别到趋势推演、风险预警的一体化解决方案。

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,本技术提供一种植物功能性状时序变化驱动的生态风险早期预警方法,以解决现有技术中存在的以下问题:

3、(1)基于遥感指数的生态监测方法受云雨天气、季节物候、土壤背景等因素干扰严重,只能在植被已经出现明显枯黄或退化后才能识别异常,难以捕捉生态系统退化的早期微兆,导致预警窗口期容易被错过;

4、(2)基于植物功能性状的单时点测定方法缺乏连续时序监测能力,不同物种、不同物候期的性状固有差异远大于胁迫引起的变异,固定阈值或横截面比较极易将正常的季节性波动(如展叶期、落叶期)误判为生态异常,虚警率较高;同时单一时间点的性状测定也无法反映植物对环境胁迫的动态响应过程和长期演变趋势;

5、(3)现有深度学习方法(lstm、transformer等)直接以原始观测值或简单归一化后的数值作为模型输入,未针对植物正常物候波动进行物理层面的预处理,导致模型将正常的物候周期性变化学习为规律,反而掩盖了真实的胁迫信号;

6、(4)现有预警方法缺乏与生态系统状态转变物理理论的融合,主要依赖统计阈值或数据驱动模型,无法从系统动力学角度解释通过植物响应反映生态退化的过程,难以区分系统的正常波动与趋近临界点的前兆信号,导致预警结果缺乏物理可解释性。

7、(二)技术方案

8、为了达到上述目的,本技术采用的主要技术方案包括:

9、本技术实施例提供一种植物功能性状时序变化驱动的生态风险早期预警方法,具体步骤包括:

10、s1,获取目标区域中一种优势植物在一个完整物候周期内多个预设观测时间点的多个功能性状的观测序列,得到原始数据矩阵;对所述原始数据矩阵进行标准化处理,得到标准化性状时序数据;

11、s2,将所述标准化性状时序数据输入预训练的transformer时序模型中,得到未来预设时间窗口内的恢复力系数预测序列;

12、所述transformer时序模型包括patch嵌入层,所述patch嵌入层用于将所述标准化性状时序数据按预设窗口长度切分为多个patch序列,并对各patch进行线性投影映射为固定维度的token向量;所述预设窗口长度根据所述优势植物的物候相位周期确定;

13、s3,计算所述恢复力系数预测序列的衰减斜率;当所述衰减斜率为负且绝对值超过预设阈值时,判定所述目标区域存在生态退化前兆风险,输出预警信号。

14、可选的,在本技术的一些实施例中,对所述原始数据矩阵进行标准化处理之前,还包括数据清洗步骤,具体包括:

15、分别统计所述优势植物在每个物候相位下各功能性状的历史变化率分布,以所述历史变化率分布的预设分位数作为该物候相位下的变化率安全阈值;所述物候相位包括休眠期、萌动期、展叶期、旺盛生长期和衰老期;

16、计算所述原始数据矩阵中相邻观测时间点的性状变化率,当所述性状变化率超过所述变化率安全阈值时,判断该变化是否为持续同向变化;

17、若所述变化为单点孤立突变,则判定为环境噪声干扰,采用相邻观测时间点的功能性状观测值进行线性插值,替换该观测时间点的所述功能性状观测值;若所述变化在连续多个时间点持续同向,则判定为真实胁迫信号,保留该连续多个观测时间点的所述功能性状观测值。

18、可选的,在本技术的一些实施例中,对所述原始数据矩阵进行标准化处理,得到标准化性状时序数据,包括:

19、将各所述观测时间点映射至所述优势植物对应的各物候相位;

20、分别在每一所述物候相位下,统计该物候相位内各功能性状的历史均值和标准差,获得各物候相位各自对应的历史均值和标准差;

21、采用公式(1)计算各功能性状在各所述观测时间点的物候标准化偏离指数,公式(1)为:

22、;

23、其中,xi(t)为第i种功能性状在t时刻的原始观测值,μpheno和σpheno分别为该功能性状在所述观测时间点t所属的物候相位下对应的历史均值和标准差;

24、将各所述观测时间点计算得到的各功能性状的物候标准化偏离指数,按时间顺序构成所述标准化性状时序数据。

25、可选的,在本技术的一些实施例中,所述transformer时序模型的训练步骤包括:

26、s01,获取目标区域内所述优势植物在历史时段内的标准化性状序列以及同步采集的环境胁迫因子时序数据;以预设历史窗口长度的标准化性状序列与同步的环境胁迫因子序列拼接作为模型输入样本,以对应未来窗口的真实恢复力系数序列作为预测标签,构建训练样本集;

27、s02,根据所述训练样本集,采用线性叠加胁迫响应波形的方式,在所述训练样本集的标准化性状序列上叠加模拟的胁迫信号,生成合成异常样本,以扩充训练样本集,得到扩充后的训练样本集;

28、s03,构建初始transformer时序模型;

29、s04,构建组合损失函数,所述组合损失函数包括预测误差损失项、时序平滑约束损失项和临界慢化物理约束项;

30、s05,将所述扩充后的训练样本集输入初始transformer时序模型进行迭代训练,以最小化所述组合损失函数为目标,更新模型参数,直至所述组合损失函数收敛,得到训练好的transformer时序模型。

31、可选的,在本技术的一些实施例中,步骤s01中,所述以预设历史窗口长度的标准化性状序列与同步的环境胁迫因子序列拼接作为模型输入样本,具体包括:

32、获取各所述环境胁迫因子对所述优势植物的功能性状产生响应的滞后时间步长;所述滞后时间步长根据所述优势植物的历史观测数据中所述环境胁迫因子序列与所述标准化性状序列之间的互相关函数峰值位置确定;

33、将各所述环境胁迫因子序列沿时间轴向后平移各自对应的滞后时间步长,使平移后的环境胁迫因子序列与受该环境胁迫因子作用的功能性状序列在时间上对齐,得到对齐后的环境胁迫因子序列;

34、将对齐后的环境胁迫因子序列与所述标准化性状序列进行拼接,作为所述模型输入样本。

35、可选的,在本技术的一些实施例中,所述初始transformer时序模型包括:

36、依次连接的输入端可逆实例归一化层、patch嵌入层、位置编码模块、transformer编码器-解码器模块,及输出端可逆实例归一化层;

37、其中,所述输入端可逆实例归一化层用于对所述模型输入样本进行归一化并保存其均值和方差,所述输出端可逆实例归一化层用于利用所保存的均值和方差对模型输出进行反归一化;

38、所述patch嵌入层用于接收经所述输入端可逆实例归一化层处理后的数据并映射为token向量序列;

39、所述位置编码模块用于为所述token向量序列注入时序位置信息后输入所述transformer编码器-解码器模块;

40、所述transformer编码器-解码器模块包含编码器部分和解码器部分,所述编码器部分采用通道独立编码策略,用于对经所述位置编码模块处理后的token向量序列进行特征编码。

41、可选的,在本技术的一些实施例中,所述编码器部分采用通道独立编码策略,包括:

42、将每一功能性状作为一个独立通道,分别经所述patch嵌入层切分并映射为token向量序列,再分别输入所述transformer编码器进行独立特征编码,各通道独立输出对应的恢复力系数预测值;

43、将各通道输出的恢复力系数预测值进行加权融合,得到综合恢复力系数预测序列,以避免不同功能性状之间的量纲差异对模型特征提取的干扰。

44、可选的,在本技术的一些实施例中,所述组合损失函数包括预测误差损失项、时序平滑约束损失项和临界慢化物理约束项;

45、所述预测误差损失项采用均方误差损失函数或平均绝对误差损失函数,计算所述transformer时序模型输出的恢复力系数预测序列与真实恢复力系数标签序列之间的误差;

46、所述时序平滑约束损失项用于约束相邻时间步的预测输出之间的变化幅度;

47、所述临界慢化物理约束项基于临界慢化理论构建,用于在训练过程中惩罚恢复力系数递增的不合理趋势。

48、可选的,在本技术的一些实施例中,所述临界慢化物理约束项在所述组合损失函数中的权重系数根据物候敏感等级确定:

49、根据所述优势植物的物候相位,确定训练样本中各时间步对应的物候敏感等级;所述物候敏感等级至少包括高敏感期和低敏感期;

50、所述临界慢化物理约束项的计算方式为:

51、;

52、其中,ρ(t)为模型在时间步t输出的恢复力系数,λ为约束权重系数,t为时间步总数,γ(t)为时间步t对应的物候敏感期动态权重系数;

53、所述高敏感期对应的γ(t)取值大于所述低敏感期对应的γ(t)取值,以在模型训练中加大对高敏感期恢复力系数递增趋势的惩罚力度。

54、可选的,在本技术的一些实施例中,步骤s3包括:

55、对所述恢复力系数预测序列中的末端连续多个时间点的预测值进行线性拟合,计算拟合直线的斜率,作为所述衰减斜率;

56、当所述衰减斜率持续为负且绝对值大于预设的物种特异性阈值时,判定该目标区域处于韧性枯竭前兆状态,并根据所述衰减斜率的绝对值大小映射至对应的预设风险等级,输出相应等级的生态风险预警信号;

57、所述物种特异性阈值根据该优势植物在历史正常状态下的恢复力系数预测序列的衰减斜率的分布标准差确定。

58、(三)有益效果

59、本技术的一种植物功能性状时序变化驱动的生态风险早期预警方法,通过对优势植物在一个完整物候周期内多个功能性状的连续观测和标准化处理,实现了正常季节性波动与真实胁迫信号的准确分离,能够在植被尚未出现宏观退化时提前捕捉生态风险前兆信号,显著提高预警灵敏度和提前量;

60、通过在transformer模型中设置patch嵌入层,并使切分窗口长度与物候相位周期匹配,避免物候期内的时序特征被割裂,提高了模型对性状时序演化规律的提取能力和恢复力系数预测的准确性;

61、通过计算恢复力系数预测序列的衰减斜率并判定其趋势,以恢复力持续下降作为生态退化前兆信号,实现了从提前预警,预警结果具有的物理可解释性和生态学理论支撑。