本發(fā)明屬于生態(tài)廊道,具體涉及一種基于mvmd-lstm的生態(tài)廊道重心遷移預測方法。
背景技術(shù):
1、隨著城市化進程的加快和人類活動的日益頻繁,自然生態(tài)系統(tǒng)面臨著前所未有的壓力。生態(tài)廊道作為連接分散自然景觀斑塊的關(guān)鍵途徑,能夠促進生物多樣性保護、生態(tài)系統(tǒng)服務(wù)功能提升以及人類生活環(huán)境的改善,且生態(tài)廊道能夠連接不同的生態(tài)系統(tǒng),在生物多樣性保護和生態(tài)平衡維持中扮演著至關(guān)重要的角色。隨著人類活動的增加和氣候變化的影響,生態(tài)廊道的形態(tài)和功能正在經(jīng)歷快速的變化,其中包括生態(tài)廊道重心的遷移。生態(tài)廊道重心遷移的預測對于制定有效的生態(tài)保護策略和土地管理規(guī)劃至關(guān)重要。
技術(shù)實現(xiàn)思路
1、為滿足生態(tài)保護與土地規(guī)劃的前瞻性需求,本發(fā)明提供的一種基于mvmd-lstm的生態(tài)廊道重心遷移預測方法,通過結(jié)合變分模態(tài)和lstm,能夠有效處理和整合多模態(tài)數(shù)據(jù),解決了在進行生態(tài)廊道重心遷移預測時難以整合和精準分析多模態(tài)生態(tài)數(shù)據(jù)的問題,同時為未來合理土地規(guī)劃提供參考。
2、為了達到上述發(fā)明目的,本發(fā)明采用的技術(shù)方案為:基于mvmd-lstm的生態(tài)廊道重心遷移預測方法,包括以下步驟:
3、s1:收集生態(tài)廊道的各項歷史生態(tài)數(shù)據(jù),并利用生態(tài)系統(tǒng)服務(wù)評估模型估算不同時間段的生態(tài)服務(wù)功能;
4、s2:根據(jù)不同時間段的生態(tài)服務(wù)功能,利用聚類算法和決策算法進行處理,得到不同時間段的綜合阻力面;
5、s3:對不同時間段的綜合阻力面進行分析,并通過計算得到不同時間段的生態(tài)廊道空間重心遷移過程;
6、s4:對不同時間段的生態(tài)廊道空間重心遷移過程和生態(tài)廊道的各項歷史生態(tài)數(shù)據(jù)進行預處理,得到生態(tài)廊道的特征數(shù)據(jù);
7、s5:根據(jù)生態(tài)廊道的特征數(shù)據(jù)以及不同時間段的生態(tài)廊道空間重心遷移過程,利用mvmd多元變分模態(tài)分解和lstm長短期記憶網(wǎng)絡(luò)模型進行處理,得到未來的生態(tài)廊道重心遷移預測結(jié)果。
8、本發(fā)明的有益效果為:本發(fā)明利用mvmd多元變分模態(tài)分解處理高維數(shù)據(jù),能夠降低復雜度,便于捕捉生態(tài)廊道重心遷移的動態(tài)特性,利用lstm長短期記憶網(wǎng)絡(luò)模型深入分析時間序列,并通過正則化技術(shù)和交叉驗證防止過度擬合,增強了lstm長短期記憶網(wǎng)絡(luò)模型的泛化能力,能夠精準地預測生態(tài)廊道重心遷移過程。
9、進一步地:所述s2的具體步驟如下:
10、s201:根據(jù)不同時間段的生態(tài)服務(wù)功能,利用k-means聚類算法進行分類,得到不同時間段的若干個分類區(qū)域;
11、s202:從若干個分類區(qū)域中選擇高值聚類區(qū)域作為生態(tài)源地,并選取自然與社會經(jīng)濟影響因子作為阻力因子;
12、s203:以生態(tài)源地為中心,利用專家打分法計算阻力因子的阻力值,并利用ahp層次分析法計算阻力因子的權(quán)重;
13、s204:根據(jù)阻力因子的阻力值和阻力因子的權(quán)重,構(gòu)建得到綜合阻力面;
14、s205:判斷不同時間段的若干個分類區(qū)域是否均構(gòu)建得到綜合阻力面,若是,得到不同時間段的綜合阻力面,否則,返回s202。
15、上述進一步方案的有益效果為:通過專家打分法和ahp層次分析法處理不同時間段的生態(tài)服務(wù)功能,能夠綜合評估阻力因子的阻力值和權(quán)重,全面、準確地反映阻力因子在評價體系中的重要程度。
16、進一步地:所述s3的具體步驟如下:
17、s301:根據(jù)不同時間段的綜合阻力面,分析并計算每個時間段的最小成本路徑,得到潛在生態(tài)廊道;
18、s302:利用重力模型量化不同時間段生態(tài)源地之間的相互作用力,并將相互作用力值大于設(shè)定閾值的生態(tài)源地之間的潛在生態(tài)廊道定義為重要廊道,沒有被定義為重要廊道的潛在生態(tài)廊道定義為一般廊道;
19、s303:根據(jù)不同時間段的重要廊道和一般廊道,計算得到不同時間段的生態(tài)廊道的空間重心遷移過程;
20、上述進一步方案的有益效果為:通過arcgis地理空間平臺計算得到生態(tài)廊道空間重心遷移過程,能夠確保計算結(jié)果準確性和科學性。
21、進一步地:所述利用重力模型量化生態(tài)源地之間的相互作用力,其計算表達式如下:
22、
23、其中,gab為生態(tài)源地a和生態(tài)源地b之間的相互作用力,na為生態(tài)源地a的權(quán)重值,nb為生態(tài)源地b的權(quán)重值,dab為生態(tài)源地a和生態(tài)源地b之間的阻力值,pa為生態(tài)源地a的阻力值,pb為生態(tài)源地b的阻力值,sa為生態(tài)源地a的面積,sb為生態(tài)源地b的面積,lab為生態(tài)源地a和生態(tài)源地b之間的成本路徑值,lmax為所有廊道累計阻力最大值。
24、上述進一步方案的有益效果為:通過上式計算生態(tài)源地之間的相互作用力,能夠科學地判斷生態(tài)源地之間的重要廊道,提高可靠性。
25、進一步地:所述利用arcgis地理空間平臺進行計算,得到不同時間段的生態(tài)廊道空間重心遷移過程,其計算表達式如下:
26、
27、其中,x為生態(tài)廊道空間重心的經(jīng)度,y為生態(tài)廊道空間重心的緯度,wi為第i個區(qū)域的權(quán)重,xi為第i個區(qū)域的經(jīng)度,yi為第i個區(qū)域的緯度。
28、上述進一步方案的有益效果為:通過生態(tài)廊道空間重心遷移過程的計算表達式,能夠基于生態(tài)廊道的歷史生態(tài)數(shù)據(jù),準確計算生態(tài)廊道空間重心遷移過程,為后續(xù)mvmd-lstm混合變分模態(tài)長短期神經(jīng)網(wǎng)絡(luò)模型的訓練提供數(shù)據(jù)。
29、進一步地:所述s5的具體步驟如下:
30、s501:根據(jù)生態(tài)廊道的特征數(shù)據(jù),利用主成分分析法進行降維,得到生態(tài)廊道的特征因子;
31、s502:根據(jù)生態(tài)廊道的特征因子,利用mvmd多元變分模態(tài)進行分解,得到若干個生態(tài)廊道的模態(tài)分量;
32、s503:將若干個生態(tài)廊道的模態(tài)分量進行相加重構(gòu),得到融合后的模態(tài)分量;
33、s504:根據(jù)融合后的模態(tài)分量,結(jié)合正則化技術(shù)和交叉驗證進行l(wèi)stm長短期記憶網(wǎng)絡(luò)模型訓練,得到mvmd-lstm混合變分模態(tài)長短期神經(jīng)網(wǎng)絡(luò)模型;
34、s505:根據(jù)生態(tài)廊道的各項歷史生態(tài)數(shù)據(jù)和不同時間段的生態(tài)廊道空間重心遷移過程,利用mvmd-lstm混合變分模態(tài)長短期神經(jīng)網(wǎng)絡(luò)模型進行預測,得到未來的生態(tài)廊道重心遷移預測結(jié)果。
35、上述進一步方案的有益效果為:根據(jù)生態(tài)廊道的特征數(shù)據(jù),基于mvmd多元變分模態(tài)分解和lstm長短期記憶網(wǎng)絡(luò)模型,構(gòu)建了mvmd-lstm混合變分模態(tài)長短期神經(jīng)網(wǎng)絡(luò)模型,能夠有效地處理復雜的多模態(tài)生態(tài)廊道數(shù)據(jù),并準確地預測未來的生態(tài)廊道重心遷移過程。
36、進一步地:所述s504的具體步驟如下:
37、a1:根據(jù)融合后的模態(tài)分量,利用交叉驗證劃分為訓練集、驗證集和測試集;
38、a2:根據(jù)正則化技術(shù),在lstm長短期記憶網(wǎng)絡(luò)模型的lstm層之后添加dropout層,并在lstm長短期記憶網(wǎng)絡(luò)模型的損失函數(shù)中添加正則化項,得到改進的lstm長短期記憶網(wǎng)絡(luò)模型;
39、a3:利用訓練集、驗證集和測試集,對使用正則化技術(shù)改進的lstm長短期記憶網(wǎng)絡(luò)模型進行訓練,并監(jiān)控驗證集的損失;
40、a4:判斷驗證集的損失是否停止改善,若是,使用回調(diào)函數(shù)callbacks提前結(jié)束訓練,得到訓練好的lstm長短期記憶網(wǎng)絡(luò)模型,并與mvmd多元變分模態(tài)分解結(jié)合,得到mvmd-lstm混合變分模態(tài)長短期神經(jīng)網(wǎng)絡(luò)模型。
41、上述進一步方案的有益效果為:通過正則化技術(shù)對lstm長短期記憶網(wǎng)絡(luò)模型進行改進并訓練,將訓練好的lstm長短期記憶網(wǎng)絡(luò)模型與mvmd多元變分模態(tài)分解結(jié)合,由mvmd多元變分模態(tài)分解整合處理多模態(tài)生態(tài)數(shù)據(jù),使得訓練好的lstm長短期記憶網(wǎng)絡(luò)模型能夠全面地分析數(shù)據(jù),并精準預測生態(tài)廊道的重心遷移。