(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111201312.5 (22)申请日 2021.10.15 (65)同一申请的已公布的文献号 申请公布号 CN 113919227 A (43)申请公布日 2022.01.11 (73)专利权人 中国矿业大 学 （北京） 地址 100083 北京市海淀区学院路丁1 1号 专利权人 国家能源投资集团有限责任公司 　 北京低碳清洁能源研究院 　 神华北电胜利能源 有限公司 (72)发明人 李全生　桑潇　郭俊廷　张成业　 李军　宋子恒　佘长超　 (74)专利代理 机构 成都华辰智合知识产权代理 有限公司 513 02 代理人 秦华云 (51)Int.Cl. G06F 30/27(2020.01) G06F 17/13(2006.01) G06Q 10/06(2012.01)G06Q 50/02(2012.01) G06Q 50/26(2012.01) (56)对比文件 CN 113128134 A,2021.07.16 CN 113240296 A,2021.08.10 李军等.时空大 数据支持的土地储备智能决 策体系与应用研究. 《中国土地科 学》 .2019, Li Jun etal.A Review of Remote Sensing for Enviro nmental Mo nitoring in China. 《REMOTE SENSI NG 》 .2020, 邵亚琴.基 于多源动态监测数据的草原区煤 电基地生态扰动与修复评价研究. 《中国优秀博 硕士学位 论文全文数据库(博士)工程科技 Ⅰ辑》 .2021, 李军等.资源型城市长时间序列土 壤含水量 化分析——以锡林浩特市为例. 《测绘通报》 .2021, 张成业等.矿区生态 环境定量遥感监测研究 进展与展望. 《金属矿山》 .2021, 审查员 王超 (54)发明名称 一种矿区生态时间累积效应点与空间累积 范围识别方法 (57)摘要 本发明公开了一种矿区生态时间累积效应 点与空间累积范围识别方法， A、 构建矿区生态质 量指数， B、 构建矿区生态扰动时空累积效应指 数， C、 构建驱动因子数据集与地理时空加权 人工 神经网络模型， 进而构建矿区MESCEI时间序列数 据集与MESCEI指数空间序列数据集， 通过数据 拟 合坐标系模型在直角坐标系中拟合时间累积曲 线并识别曲线拐点， 通过数据拟合坐标系模型在 直角坐标系中拟合空间影响曲线并识别空间影 响范围。 本发 明建立遥感反演 模型并反演得到矿 区生态质量指数， 构建地理时空加权人工神经网 络模型， 然后由此构建出MESCEI时间序列数据集与MESCEI指数空间序列数据集， 实现了矿区生态 的时间累积效应点与空间累积范围的识别， 为矿 区生态管理提供 数据支持。 权利要求书5页 说明书14页 附图5页 CN 113919227 B 2022.04.15 CN 113919227 B 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， Xnorm为归一化后的数据， X为原始生态反演数据， Xmin为原始生态 反演数据中的最小值， Xmax为原始生态反演数据中的最大值； A3、 构建M EQI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， Xi 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、 D EM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、 D EM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、 D EM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， Xi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， Yi为植 被参数的值， 为植被参数的平均值；权　利　要　求　书 1/5 页 2 CN 113919227 B 2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DE M数据并对应DE M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 Xgraze： 其 中， Xgraze为放牧强度， X牲 畜为研究区内牲畜 数量， Xarea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， Yi/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， Xurban为城镇活动的量化结果， Xpop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， Yi//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， Xmine为采矿活动的量化结果， Xmining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MES CEI指数： MES CEI＝MEQIreal‑MEQIpre； 其中MEQIreal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， MEQIpre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时间序权　利　要　求　书 2/5 页 3 CN 113919227 B 3