[发明专利]一种矿区生态环境演变驱动因子权重量化分析方法

权利要求书

1.一种矿区生态环境演变驱动因子权重量化分析方法，其特征在于：其方法如下：

A、面向矿区场景的生态环境参数一体化同步反演：建立长时序、高分辨率、高频次定量遥感反演模型，反演模型包括PROSAIL植被辐射传输模型、随机森林算法模型、像元二分模型、kriging模型和归一化植被指数模型；收集包括多光谱遥感影像、土壤参数产品影像、地面实测数据在内的原始数据，通过反演模型对原始数据的生态环境参数进行一体化同步反演并得到参数反演数据，生态环境参数包括植被、土壤、大气、水体，植被包括植被覆盖度、叶面积指数、叶片叶绿素含量、叶片等效水厚度、叶片类胡萝卜素含量、叶片花青素含量、叶片干物质含量、冠层叶绿素含量，土壤包括表层含水量，大气包括PM2.5，水体包括叶绿素浓度、悬浮物浓度；

B、构建生态演变大数据立方体：根据包括植被、土壤、大气、水体的参数反演数据进行统计、分析并得到长时序、高分辨率、高频次的生态因子及驱动因子集合，生态因子及驱动因子集合包括矿区生态因子集合与驱动因子数据集合，矿区生态因子集合中的矿区生态因子包括植被、土壤、大气、水体，驱动因子数据集合的驱动因子包括气候气象、地理地貌、人类活动，在三维空间上进行矿区生态因子、驱动因子的空间维度叠加及高维度拓展，高维度拓展包括时间维度拓展，并将以栅格影像格式展现的低维数据转换为高维数据立方体，最终构成生态演变大数据立方体；

C、矿区生态演变的地理时空加权人工神经网络建模：采用滑动立方体法对生态演变大数据立方体进行数据提取，将生态演变大数据立方体中的矿区生态因子与驱动因子按照研究需求划分为自变量参数集合和因变量参数集合两个集合；通过地理时空加权人工神经网络模型进行模型训练，在每个时空节点上都构筑出自变量与因变量间的非线性复杂定量关系；

D、基于高维数据下构筑生态演变驱动因子的权重立方体：构建高维数据下的驱动因子定权法量化各影响因子的权重，并首先对每个年份、每个空间位置的驱动因子计算其在高维神经网络传播中的放大率，然后对所有量化因子权重进行归一化，并构筑生态演变驱动因子的权重立方体。

2.按照权利要求1所述的一种矿区生态环境演变驱动因子权重量化分析方法，其特征在于：步骤A包括如下方法：

A1、植被参数反演：归一化植被指数计算公式如下：

，其中，为近红外波段地表反射率，为红波段地表反射率；

植被覆盖度采用像元二分模型计算，其计算公式如下：

，其中，为像元的值，为研究区内完全为裸土的像元值，为研究区纯植被像元的值；

面向矿区小尺度的Landsat和Sentinel多源数据，包含叶面积指数、叶片叶绿素含量、叶片等效水厚度、叶片类胡萝卜素含量、叶片花青素含量、叶片干物质含量、冠层叶绿素含量的植被参数采用PROSAIL植被辐射传输模型耦合多光谱遥感卫星传感器光谱响应函数，结合地面实测光谱和参数数据，基于随机森林算法建立植被参数反演模型，其中冠层叶绿素含量可由叶片叶绿素含量及叶面积指数相乘计算获得；

A2、土壤参数反演：通过土壤含水量影像产品在多光谱遥感卫星数据的辅助下进行降尺度研究，获取矿区长时间序列的中小空间尺度土壤含水量产品；面向矿区场景，通过Sentinel水云模型对矿区土壤含水量反演进行优化；通过降尺度和Sentinel水云模型优化组合实现表层含水量的长时序、高分辨率反演；

A3、大气参数反演：获取地表PM2.5数据，通过kriging模型对其进行克里金插值得到连续的栅格影像数据；

A4、水体参数反演：对水体中的叶绿素浓度和悬浮物浓度进行反演，其公式如下：

水体叶绿素浓度，其中，为红波段地表反射率，为近红外波段地表反射率；a、b、c分别为模型的系数；

水体悬浮物浓度，其中，为红波段地表反射率；B2为绿波段地表反射率；a、b分别为模型的系数。