[发明专利]一种矿区生态时间累积效应点与空间累积范围识别方法

权利要求书

1.一种矿区生态时间累积效应点与空间累积范围识别方法，其特征在于：其方法如下：

A、构建矿区生态质量指数，方法如下：

A1、建立遥感反演模型，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，收集目标矿区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参数进行一体化同步反演并得到参数反演数据，生态参数包括植被、土壤、大气、水，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，土壤包括土壤含水量，大气包括PM2.5，水包括叶绿素浓度、悬浮物浓度；

A2、将所有生态参数所对应的参数反演数据逐一进行归一化处理，归一化公式如下：其中，X_norm为归一化后的数据，X为原始生态反演数据，X_min为原始生态反演数据中的最小值，X_max为原始生态反演数据中的最大值；

A3、构建MEQI指数，将各个生态参数归一化后的数据相加得到MEQI指数，公式如下：

其中，i指代生态参数类型，生态参数类型为植被或土壤或大气或水，X_i为各生态参数为归一化后的数据；

B、构建矿区生态扰动时空累积效应指数，方法如下：

B1、选取与目标矿区相似区域作为研究对照区，研究对照区无采矿活动且远离采矿活动区域，收集研究对照区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；分别采集目标矿区、研究对照区的自然条件数据与人类活动数据，自然条件数据包括降水数据、气温数据、DEM数据，人类活动数据包括放牧活动数据、城镇活动数据以及采矿活动数据；构建驱动因子数据集，驱动因子数据集包括自然条件驱动因子集、人类活动驱动因子集两类，自然条件驱动因子集包括降水驱动因子、气温驱动因子、DEM驱动因子，人类活动驱动因子集包括放牧驱动因子、城镇驱动因子以及采矿驱动因子；

B2、对目标矿区、研究对照区分别依次进行降水驱动因子、气温驱动因子、DEM驱动因子、放牧驱动因子、城镇驱动因子、采矿驱动因子量化处理；

步骤B2包括如下方法：

B21、采集研究区内自然条件数据，研究区为目标矿区或研究对照区，自然条件数据包括降水数据、气温数据、DEM数据，自然条件驱动因子集的降水驱动因子对应降水数据，气温驱动因子对应气温数据，将降水数据、气温数据与步骤A1中的植被参数按照如下公式进行皮尔逊相关性分析并得到降水驱动因子与气温驱动因子分别量化对应的皮尔逊相关系数：

其中，r为皮尔逊相关系数，n₁为每个变量中需要进行分析的数据量，X_i为降水数据或气温数据的值，为降水数据或气温数据的平均值，Y_i为植被参数的值，为植被参数的平均值；

采集研究区内地形地貌数据，地形地貌数据包括数字高程模型数据，从数字高程模型数据中裁剪出研究区的DEM数据并对应DEM驱动因子；

B22、获取边界数据：以Landsat影像综合提取识别城镇边界与采矿边界；

B221、按照如下公式得到放牧驱动因子量化所对应的放牧强度X_graze：其中，X_graze为放牧强度，X_牲畜为研究区内牲畜数量，X_area为研究区内村落总面积；

B222、采用欧氏距离获得研究区内每个像元点到城镇边界的最短距离并结合研究区域的人口量化出城镇驱动因子，其中欧式距离的计算公式如下：其中，n₂为像元点的个数，为各像元点的位置，Y_i^/为城镇的像元点位置；对城镇驱动因子的量化公式如下：其中，X_urban为城镇活动的量化结果，X_pop为城镇的人口数，dist(X,Y)为栅格影像像元点到城镇边界的最短距离；

B223、采用欧氏距离获得研究区内每个像元点到采矿边界的最短距离并结合研究区域的煤炭开采量量化出采矿活动的影响，其中欧式距离的计算公式如下：其中，n₂为像元点的个数，为各像元点的位置，Y_i^//为采矿边界的像元点位置；对采矿活动的量化公式如下：

其中，X_mine为采矿活动的量化结果，X_mining为每年的煤炭开采量，dist(X^/,Y^/)为栅格影像像元点到采矿边界的最短距离；

B3、以研究对照区的MEQI指数、自然条件数据、人类活动数据构建地理时空加权人工神经网络模型，地理时空加权人工神经网络模型构筑自变量与因变量之间的关系网络，该关系网络包括输入层、隐藏层、输出层三层结构；在三维空间上进行研究对照区自然条件数据、人类活动数据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；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自然条件数据、人类活动数据、MEQI指数按照研究需求划分为自变量参数和因变量参数，自变量参数包括自然条件数据、人类活动数据，因变量参数包括MEQI指数，通过地理时空加权人工神经网络模型进行模型训练并构筑出自变量与因变量间的非线性复杂定量关系；

B4、通过训练后的地理时空加权人工神经网络模型根据目标矿区的自然条件数据、人类活动数据得到目标矿区的MEQI预测值，MEQI预测值即为目标矿区无采矿条件下的MEQI预测值；

B5、通过如下公式得到矿区MESCEI指数：MESCEI＝MEQI_real-MEQI_pre；其中MEQI_real为步骤A3基于遥感反演值归一化后所得到目标矿区的MEQI指数，MEQI_pre为目标矿区无采矿条件下的MEQI预测值；

C、根据步骤B5中建立的MESCEI指数、目标矿区历史的原始数据构建矿区MESCEI时间序列数据集，通过数据拟合坐标系模型在直角坐标系中拟合得到时间累积曲线并识别出曲线拐点，曲线拐点即为时间效应点，直角坐标系的横坐标为开采年际、纵坐标为MESCEI指数。