[发明专利]一种生态环境质量综合评价方法

说明书

技术领域

本发明涉及生态环境领域，尤其涉及基于一种生态环境质量综合评价方法。

背景技术

生态环境质量综合评价是适用于对比分析地理空间上生态环境综合状况的技术方法，由于选取的众多评价因子与生态环境质量之间表现为复杂的非线性映射，同时因为生态环境本身所固有的复杂不确定性，迄今为止，仍没有形成一种统一的方法。人工神经网络具备模仿人脑知识拟合所有非线性函数映射的性能。被众多学科研究者普遍应用推崇的BP神经网络，由于其依据样本训练学习速度快，拟合非线性曲线能力强，网络结构较其他神经网络更为简单，通过众多学者的探索尝试将其应用到生态环境评价中，对生态环境评价因子与生态环境质量之间的非线性映射关系进行了良好描述。但由于生态环境状态是一个复杂模糊的客观属性，而BP神经网络不具备识别模糊性不确定性能力，故而评判精度不高。模糊理论中的隶属函数概念可对生态环境状态所处不同等级程度进行相对隶属度的计算，较好的解释了被评价对象自身的模糊性，对描述地表环境状况各属性的相对状态进行了直观表述。将模糊理论中的模糊推理和神经网络学习算法尝试相互组合，构建增强学习算法，以对生态环境状态进行明确客观的描述。

20世纪末世界经合组织(Organization for Economic Co-operation and Development，OECD)开展生态环境评价研究项目，首创了“压力(Pressure)－状态(State)－响应(Response)”理论体系，奠定了当代生态环境管理与评价研究的技术和方法基础，该模型框架论述了当前世界环境态势所存在问题，问题发生的原因所在、以及解决问题的途径方法这三个可持续发展理论，其理论框架为众多学者所推崇。“压力(Pressure)”指标主要是指社会生产活动对自然地表或生态系统的干扰程度，即反映不良干扰对生态系统造成的负荷；“状态(State)”指标指生态系统当前背景状态的优良程度，即生态环境固有概况；“响应(Response)”指标指人类社会为实现人与自然环境协调可持续发展而采取的相关生态环境保护举措，其目的在于消除、减轻、预防人类生产活动对生态环境的不良干扰影响，是生态系统管理措施中的可量化部分。

增强学习从动物学习、随机逼近和优化控制等理论发展而来，是一种无导师在线学习技术，从环境状态到动作映射学习，使得Agent根据最大奖励值采取最优的策略；Agent感知环境中的状态信息，搜索策略(哪种策略可以产生最有效的学习)选择最优的动作，从而引起状态的改变并得到一个延迟回报值，更新评估函数，完成一次学习过程后，进入下一轮的学习训练，重复循环迭代，直到满足整个学习的条件，终止学习。通俗地讲，就是学习机器不断地跟环境做自主的互动，在互动的过程中用长远的收益来指导当下该做什么决策，通过不断的跟环境互动去调整决策的最优性。增强学习在很多领域已经获得成功应用，比如自动直升机，机器人控制，手机网络路由，市场决策，工业控制，高效网页索引等。

发明内容

针对现有技术中的问题，本发明提出一种生态环境质量综合评价方法，包括：

S1，基于PSR模型理论构建生态环境质量评价指标体系；

S2，提取基于多源数据基础的生态环境指标；

S3，基于增强学习算法对生态环境质量进行综合评价。

本发明的方法的有益效果包括：

本发明的方法对多源数据进行信息提取归纳，其数据内容包括较高精度的地表覆盖数据(分类更为全面，信息更加丰富)、DEM数据，详细的环境监测站点数据(全年、每小时空气指标数据)，以及区域统计年鉴数据等，其中地表覆盖数据内容反映了区域内地表自然地表状况和人文要素分布的空间状况、DEM数据反映了区域内地表形态变化的空间分布、环境监测站点数据对区域内的空气质量变化进行详细记录、区域统计年鉴数据反映了区域内的人口、经济发展、设施建设等相关信息。

本发明的方法以PSR模型理论为指导，以多源数据为基础，构建了区域生态环境质量评价指标体系，评价体系涉及城市建设、人口、耕地、地形、植被、水环境、空气质量、景观破碎度、生物栖息地环境、保护区建设以及社会科技教育环保发展程度等，并从生态压力、生态状态、生态响应三个不同维度对该研究区自然生态环境质量进行空间和时间尺度上的分析和评价，分析结果系统、全面、可靠、有侧重。