基于ANN模型的四川省生态环境脆弱性评价研究

发布时间：2018-10-14 13:17

【摘要】：近年来由于社会发展和产业结构的优化调整,以及全球气候变化和人类对自然资源的开发利用,生态环境脆弱性程度和承载能力随之发生了变化。一方面,为满足人类对生产生活的需要,很多地区自然资源被过度开采,土地利用类型和结构发生变化,人类活动影响造成了生态环境恶化;另一方面,国家又通过大的生态环境建设工程,退耕还林还草,实施重点生态区域的生态修复,使部分地区的生态环境得以改善。再者,我国自然环境类型多样,区域差异明显,使得不同地区在环境与发展的压力下,有着不同程度的脆弱性。生态环境脆弱性是衡量区域可持续发展能力的重要指标,“脆弱性评价”的研究受到越来越多的关注,生态环境脆弱性问题已逐渐成为了焦点问题之一。四川位于我国大陆西南腹地,是诸多大江大河的发源地,是长江上游重要的生态屏障,对维持我国整体生态环境稳定性具有重要作用。本区地形复杂多样,自然资源丰富且种类较全,生态环境具有多样性。四川的生态环境状况对整个长江流域乃至全国的社会和经济可持续发展起着重要作用。本研究在参照了行业标准和已有研究成果的基础上,采用3S技术,应用遥感数据、高程数据、统计年鉴和调查数据,建立了生态环境脆弱性评价数据库。在此基础上,构建了BP神经网络和极限学习机两种人工神经网络生态环境脆弱性评价模型,并对模型进行了显著性检验。最后,选择效果较好的BP-ANN模型对研究区的生态环境脆弱性进行了客观的评价,研究成果对保护本区生态环境具有重要的理论和实践意义,为国家、省市有关部门制定生态环境保护政策和生态修复工程提供重要的决策依据。本文主要研究成果及创新点如下:(1)针对研究区地形复杂、生态环境具有多样性的特点,参照行业标准和已有研究,基于“成因-结果”理论体系建立了一套科学合理、实用性强的生态环境脆弱性评价标准体系。收集、处理各类指标数据,共计得到9个对生态环境脆弱性有较大影响的影响因子。通过对9个影响因子进行分级标准化处理后,得到研究区生态环境脆弱性评价数据库。(2)在处理Landsat系列影像时,建立了川西高原、平原地区和川东丘陵地区的解译标志样本信息库。采用面向对象的支持向量机算法提取研究区的土地利用信息,节省了信息提取的时间。本文创新性地对难以量化的影响因子(如地质灾害影响因子)进行先分级后量化的处理,提出了一套适用于大尺度生态环境脆弱性评价的方法。(3)构建了BP-ANN模型和极限学习机两种人工神经网络生态环境脆弱性评价模型,分别探讨了两种算法的最佳隐含层神经元数量。对比了两种评价模型的有效性和优缺点。发现两者的可决系数值在0.7左右,BP-ANN模型的均方误差更具稳定性,训练结果更具规律性且模型显著性效果较好而极限学习机训练结果也具有一定稳定性,缺乏规律性,但模型更加简单易用,运算速度快,在一定程度上节约了人力与时间。(4)利用人工神经网络模型开展以省为单位的生态环境脆弱性评价研究较少。本文尝试了以县作为评价单元,利用BP-ANN人工神经网络对研究区生态环境进行评价,为以省为单位的脆弱性评价研究做出了有益的探索。分析了研究区的评价结果和空间格局,结果表明:研究区生态环境东部地区最好,盆地好于山区。成都平原地区自然条件最好,生态环境相对较稳定,周边次之,三州地区经济基础薄弱,破坏严重,生态环境脆弱性严重,需引起重视。根据评价结果,为研究区的生态环境可持续发展提出了建议。
[Abstract]:......
【学位授予单位】：成都理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：X826

【参考文献】