自然生态空间动态监测与系统实现
发布时间：2021-06-23 13:06
自然生态空间是指具有自然属性、以提供生态产品或生态服务为主要功能的国土空间,涵盖需要保护和合理利用的森林、草原、湿地、河流、湖泊等,是人类发展的基本所在。贵阳市为典型的喀斯特地貌城市,景观较为破碎,水土流失严重。贵阳市目前处于高速发展时期,环境污染、生态破坏、资源短缺等问题突出,迫切需要对贵阳市的自然生态状况进行监测,为城镇发展提供一定的建议。本文以贵阳市为研究区,以三生空间的角度出发,通过对贵阳市2007、2012、2017年遥感图像进行解译,获得了贵阳市三生空间分类图,并对贵阳市自然生态空间变化从转移、景观格局、生态功能状况三个方面进行了分析。同时选取了与三生空间变化相关的驱动因素并使用逻辑回归进行了分析。之后结合驱动因素以及XGBoost方法构建了三生空间预测模型,并对贵阳市2022年的三生空间进行了预测、分析。最后基于上述成果,结合Web、GIS等技术,层次分析法等方法实现自然生态空间动态监测系统。本文主要结论如下:1)贵阳市土地格局以生态空间、生产空间为主,生活空间最少。在生态空间中,自然生态空间占98.8%,生态空间的变化可以反映出自然生态空间的变化。分析表明,过去十年间,...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：93 页
【学位级别】：硕士
【部分图文】：
技术路线图
图 2-1 GBDT 训练示意图由于 GBDT 采用的是回归树，只能用于回归或者二分类，但任何多分类都分解成多个二分类的组合，因此对于多分类，只需要对每个类别进行一次 GB练，每类的 GBDT 模型会输出一个值，通过比较各类的值即可得到最后的结果GBDT 基于残差学习，性能更好，精度更高，但仍存在一些问题：GBDT 是 Boosting 的，只能串行学习，速度较慢；误差函数不为指数函数和平方函数时一次迭代优化较为困难；在计算每一叶子的分裂点时，对于连续的特征，计算误差或 Gini 系数时，计算量非常大。.2.3 XGBoostXGBoost（eXtreme Gradient Boosting）是陈天奇提出的一种基于 Boosting 的学习方法[31]，是GBDT的高效实现[32]，一定程度上解决了GBDT无法并行处理处理速度慢的缺点。其改进之处为：1）XGBoost 在损失函数中加入了正则项，这个正则项可以平滑每个叶节点
越靠近左上角，拟合效果越好，AUC 的值越小，表明回选因子和目标问题不相关。AUC 大于 0.75 时表示拟合析法法（Analytic Hierarchy Process, AHP）是美国运筹学家 70 年代提出的一种实用的多方案或多目标的决策方法合的决策分析方法[36]。这一方法适用于描述指标众多且分析中，将难以定量研究的问题以量化的形式表达出评价中，如煤矿安全研究、水安全评价、生态环境质的主要分析步骤如下：层次结构模型：一般分为目标层、准则层和方案层。目准则层即与实现目标相关的各准则因素，方案层即准则解决方案，层次结构图如图 2-2 所示：目标问题目标层 O
【参考文献】：
期刊论文
[1]SNPP-VIIRS夜间灯光影像去噪方法研究[J]. 钟亮,刘小生,杨鹏. 测绘通报. 2019(03)
[2]辽宁省城市水生态文明建设评价[J]. 孙良. 水利规划与设计. 2019(03)
[3]夜间灯光遥感数据应用综述和展望[J]. 陈颖彪,郑子豪,吴志峰,千庆兰. 地理科学进展. 2019(02)
[4]基于椒盐噪声滤波算法的优化处理[J]. 董林鹭,杨平先,陈明举. 四川理工学院学报(自然科学版). 2019(01)
[5]Optimization of causative factors using logistic regression and artificial neural network models for landslide susceptibility assessment in Ujung Loe Watershed, South Sulawesi Indonesia[J]. Andang Suryana SOMA,Tetsuya KUBOTA,Hideaki MIZUNO. Journal of Mountain Science. 2019(02)
[6]县域夜光遥感指数与生态环境状况指数相关性研究——以贵州省为例[J]. 宋善海,王堃,陈艳,梁萍萍. 贵州科学. 2019(01)
[7]基于地貌分区的1990-2015年中国耕地时空特征变化分析（英文）[J]. 高晓雨,程维明,王楠,刘樯漪,马廷,陈印军,周成虎. Journal of Geographical Sciences. 2019(02)
[8]基于Logistic-CA-Markov模型的福州市土地利用演变与模拟[J]. 陈铸,傅伟聪,黄雅冰,阙晨曦,郑祈全,董建文. 安徽农业大学学报. 2018(06)
[9]医学论文中logistic回归分析的误用及案例分析[J]. 韩宏志,官鑫,李欣欣,姜瑾秋,王丽. 编辑学报. 2018(06)
[10]一种基于XGBoost的恶意HTTP请求识别方法[J]. 徐迪. 电信工程技术与标准化. 2018(12)
硕士论文
[1]“三生”空间适性宜评价及优化路径研究[D]. 杨惠.南京师范大学 2018
[2]贵阳市土地利用变化模拟预测研究[D]. 韩冰倩.贵州师范大学 2017
[3]贵阳市土地利用变化碳排放响应研究[D]. 曹甲威.贵州师范大学 2017
[4]基于遗传算法的城市模拟及景观格局评估[D]. 尚尉.重庆邮电大学 2017
[5]基于CA-Markov模型的抚仙湖流域土地利用变化情景模拟[D]. 肖蕾.昆明理工大学 2017
[6]基于GANN和CA的城市增长边界预测[D]. 付玲.中国地质大学(北京) 2016
[7]基于GIS和CLUE-S模型的山区土地利用情景模拟研究[D]. 曹瑞娜.山东农业大学 2014
[8]基于GIS和RS的成都市LUCC与城市扩展动态特征研究[D]. 樊淑云.四川师范大学 2014
[9]基于GIS的鄂尔多斯市生态环境监测与评价[D]. 崔桂凤.内蒙古师范大学 2010
[10]城市绿地信息提取及空间数据质量评价分析[D]. 孙雅荣.上海师范大学 2007
本文编号：3244993
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：93 页
【学位级别】：硕士
【部分图文】：
技术路线图
图 2-1 GBDT 训练示意图由于 GBDT 采用的是回归树，只能用于回归或者二分类，但任何多分类都分解成多个二分类的组合，因此对于多分类，只需要对每个类别进行一次 GB练，每类的 GBDT 模型会输出一个值，通过比较各类的值即可得到最后的结果GBDT 基于残差学习，性能更好，精度更高，但仍存在一些问题：GBDT 是 Boosting 的，只能串行学习，速度较慢；误差函数不为指数函数和平方函数时一次迭代优化较为困难；在计算每一叶子的分裂点时，对于连续的特征，计算误差或 Gini 系数时，计算量非常大。.2.3 XGBoostXGBoost（eXtreme Gradient Boosting）是陈天奇提出的一种基于 Boosting 的学习方法[31]，是GBDT的高效实现[32]，一定程度上解决了GBDT无法并行处理处理速度慢的缺点。其改进之处为：1）XGBoost 在损失函数中加入了正则项，这个正则项可以平滑每个叶节点
越靠近左上角，拟合效果越好，AUC 的值越小，表明回选因子和目标问题不相关。AUC 大于 0.75 时表示拟合析法法（Analytic Hierarchy Process, AHP）是美国运筹学家 70 年代提出的一种实用的多方案或多目标的决策方法合的决策分析方法[36]。这一方法适用于描述指标众多且分析中，将难以定量研究的问题以量化的形式表达出评价中，如煤矿安全研究、水安全评价、生态环境质的主要分析步骤如下：层次结构模型：一般分为目标层、准则层和方案层。目准则层即与实现目标相关的各准则因素，方案层即准则解决方案，层次结构图如图 2-2 所示：目标问题目标层 O
【参考文献】：
期刊论文
[1]SNPP-VIIRS夜间灯光影像去噪方法研究[J]. 钟亮,刘小生,杨鹏. 测绘通报. 2019(03)
[2]辽宁省城市水生态文明建设评价[J]. 孙良. 水利规划与设计. 2019(03)
[3]夜间灯光遥感数据应用综述和展望[J]. 陈颖彪,郑子豪,吴志峰,千庆兰. 地理科学进展. 2019(02)
[4]基于椒盐噪声滤波算法的优化处理[J]. 董林鹭,杨平先,陈明举. 四川理工学院学报(自然科学版). 2019(01)
[5]Optimization of causative factors using logistic regression and artificial neural network models for landslide susceptibility assessment in Ujung Loe Watershed, South Sulawesi Indonesia[J]. Andang Suryana SOMA,Tetsuya KUBOTA,Hideaki MIZUNO. Journal of Mountain Science. 2019(02)
[6]县域夜光遥感指数与生态环境状况指数相关性研究——以贵州省为例[J]. 宋善海,王堃,陈艳,梁萍萍. 贵州科学. 2019(01)
[7]基于地貌分区的1990-2015年中国耕地时空特征变化分析（英文）[J]. 高晓雨,程维明,王楠,刘樯漪,马廷,陈印军,周成虎. Journal of Geographical Sciences. 2019(02)
[8]基于Logistic-CA-Markov模型的福州市土地利用演变与模拟[J]. 陈铸,傅伟聪,黄雅冰,阙晨曦,郑祈全,董建文. 安徽农业大学学报. 2018(06)
[9]医学论文中logistic回归分析的误用及案例分析[J]. 韩宏志,官鑫,李欣欣,姜瑾秋,王丽. 编辑学报. 2018(06)
[10]一种基于XGBoost的恶意HTTP请求识别方法[J]. 徐迪. 电信工程技术与标准化. 2018(12)
硕士论文
[1]“三生”空间适性宜评价及优化路径研究[D]. 杨惠.南京师范大学 2018
[2]贵阳市土地利用变化模拟预测研究[D]. 韩冰倩.贵州师范大学 2017
[3]贵阳市土地利用变化碳排放响应研究[D]. 曹甲威.贵州师范大学 2017
[4]基于遗传算法的城市模拟及景观格局评估[D]. 尚尉.重庆邮电大学 2017
[5]基于CA-Markov模型的抚仙湖流域土地利用变化情景模拟[D]. 肖蕾.昆明理工大学 2017
[6]基于GANN和CA的城市增长边界预测[D]. 付玲.中国地质大学(北京) 2016
[7]基于GIS和CLUE-S模型的山区土地利用情景模拟研究[D]. 曹瑞娜.山东农业大学 2014
[8]基于GIS和RS的成都市LUCC与城市扩展动态特征研究[D]. 樊淑云.四川师范大学 2014
[9]基于GIS的鄂尔多斯市生态环境监测与评价[D]. 崔桂凤.内蒙古师范大学 2010
[10]城市绿地信息提取及空间数据质量评价分析[D]. 孙雅荣.上海师范大学 2007
本文编号：3244993
本文链接：https://www.wllwen.com/kejilunwen/huanjinggongchenglunwen/3244993.html
