(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 202111201311.0 (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 113919226 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　郑慧玉　郭俊廷　张成业　 秦婷婷　李军　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) G06V 20/13(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/06(2012.01) G06Q 50/02(2012.01) G06T 17/05(2011.01) 审查员 卢秋茹 (54)发明名称 基于权重的采矿植被生态累积效应扰动范 围识别方法 (57)摘要 本发明公开了一种基于权重的采矿植被生 态累积效应扰动范围识别方法， 其方法如下： A、 收集研究区原始数据； B、 构建驱动因子数据集并 量化个驱动因子； C、 在三维空间上进行M1‑M2时 期内驱动因子数据集拓展并构成生态演变大数 据立方体； D、 采用滑动立方体法进行数据提取， 构建地理时空加权人工神经网络模型； E、 量化各 驱动因子的权重； F、 得到M0‑M1时期采矿驱动因 子虚拟权重； G、 获得研究区域内受采矿扰动影 响 显著的区域并确定采矿对植被扰动的影 响范围。 本发明能够最终识别出采矿对植被的扰动范围， 避免了多因素耦合造成的扰动范围识别误差， 为 挖掘矿区采矿活动对生态环境的影 响机制、 保护 矿区生态 环境等提供数据支持。 权利要求书6页 说明书15页 附图9页 CN 113919226 B 2022.04.12 CN 113919226 B 1.基于权重的采矿植被生态累积效应 扰动范围识别方法， 其特 征在于： 其方法如下： A、 收集包括Landsat系列卫星影像产品、 Sentinel ‑2A影像产品在内的研究区原始数 据， Landsat系列卫星影像产品对应为Landsat系列遥感影像， Sentinel ‑2A影像产品对应为 Sentinel‑2A遥感影像； A1、 植被参数反演： 首 先采用如下公式计算归一 化植被指数NDVI： 其中， ρNIR为近红外波段地表反射率， 在Landsat ‑5/7中为波段 4， 在Landsat ‑8中为波段5； ρRed为红波段地表反射率， 在Landsat ‑5/7中为波段3， 在 Landsat‑8中为波段4； 接着采用像元二分模型来计算 植被覆盖度， 其计算公式如下： 其中， FVC为像元的植被覆盖度， NDVI为像元的NDVI值， NDVImin为研究区内完全为裸土的像元NDVI值， NDVImax为研究区纯植被像元的NDVI值； 植被 覆盖度为反演后的植被参数； B、 构建驱动因子数据集， 驱动因子数据集包括气候气象驱动因子集、 地形地貌驱动因 子集、 人类活动驱动因子集三类， 气候气象驱动因子集包括降水驱动因子与气温驱动因子， 地形地貌驱动因子集包括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； B1、 采集研究区内气候气象数据， 气候气象数据包括降水数据与气温数据， 气候气象驱 动因子集的降水驱动因子对应气候气象数据的降水数据， 气温驱动因子对应气候气象数据 的气温数据， 将气候气象数据与步骤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， X1i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， Y1i为 植被参数的值， 为植被参数的平均值； B2、 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 剪出研究区域的DE M数据并对应DE M驱动因子； B3、 获取地理行政边界数据并辅以Landsat影 像综合提取识别行政边界与采 矿边界； B31、 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 畜为研究区域内牲畜 数量， Xarea为研究区域内村落总面积； B32、 采用欧氏距离获得研究区域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：权　利　要　求　书 1/6 页 2 CN 113919226 B 2其中， n2为像元点的个数， X2i为各像元点的位置， Y2i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 (X2,Y2)为栅格影像像元点到城镇 边界的最短距离； B33、 假设M0为没有采矿的年份， M1为开始采矿的年份， M2为结束采矿的年份， 则对M1‑M2 时期采矿驱动因子所对应的采 矿活动数据进行量 化； 采用欧氏距离获得研究区域内每个像元点到采矿边界的最短距离并结合研究区域每 年的煤炭开采量 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， n3为像元点的个数， X3i为各像元点 的位置， Y3i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(X3,Y3)为栅格影 像像元点到采 矿边界的最短距离； B4、 数据归一化处理： 将所有驱动因子的量化结果按照如下公式进行归一化处理， 其中， Xnorm为归一化后的数据， X/为各驱动因子量化后的数据， Xmin为各 驱动因子量 化后数据中的最小值， Xmax为各驱动因子量 化后数据中的最大值； C、 在三维空间上进行M1‑M2时期内驱动因子数据集的空间维度叠加及高维度拓展， M1‑M2 时期内驱动因子数据集所对 应的数据为M1‑M2时期研究区原始数据， 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； D、 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 体中的驱动因子按照研究需求划分为自变量参数集合和因变量参数集合两个集合， 自变量 参数集合包括气候气象、 地形地貌、 人类活动数据， 因变量参数集合包括植被参数； 构建地 理时空加权人工神经网络模型， 通过地理时空加权人工神经网络模型进行模型训练， 在每 个时空节点上都构筑出自变量与因变量间的非线性复杂定量关系； E、 构建高维数据下的驱动因子定权法量化各驱动因子的权重， 并首先对M1‑M2时期下每 个空间位置的驱动因子计算其在高维神经网络传播中的放大率， 然后对所有量化因子权重 进行归一 化， 并构筑生态演变驱动因子的权 重立方体； F、 按照步骤B的方法得到M0‑M1时期下的驱动因子数据集及除采矿驱动因子外的驱动因 子量化数据， M0‑M1时期为无开采活动时期， M0‑M1时期内驱动因子数据集 所对应的数据为M0‑ M1时期研究区原始数据； 按照B33方法将M1‑M2时期所对应的采矿活动数据代入M0‑M1时期中 进行M0‑M1时期的采矿驱动因子所对应采矿活动数据的假设性量化， 并得到M0‑M1时期采矿 驱动因子虚拟量化数据； 根据 M0‑M1时期采矿驱动因子虚拟量化数据、 M0‑M1时期下除采矿驱权　利　要　求　书 2/6 页 3 CN 113919226 B 3