一种生态修复关键对象判定方法与流程

本发明涉及一种生态修复关键对象判定方法，属于环境保护与资源综合利用技术领域。

背景技术：

生态系统是人类社会生存与发展的物质基础。生态系统中发生的物质循环、营养传输、初级生产等过程为生命活动提供了支撑；生态系统为人类及其它生物提供资源与能量，调节气候、水文等环境条件，并提供娱乐、教育等文化服务。改革开放以来，我国在经济快速发展同时也付出了资源过度消耗与生态环境破坏的代价，粗放型的经济增长方式与生态系统健康的冲突日益尖锐，为我国经济社会可持续发展带来严峻挑战，生态修复的需求日益迫切。

生态系统的组成十分复杂，生态修复中一般会选择在生态系统中发挥关键作用且受到人类活动影响的要素作为生态修复关键对象进行治理修复。生态修复关键对象的诊断需要基于生态健康评价结果。生态健康评价涉及多个评价指标，通过综合评价方法整合评价指标，获得生态系统总体健康状态。然后根据生态健康状态判断是否需要进行生态修复并诊断生态修复关键对象。基于传统的生态健康评价方法给出的结果，一般通过两种方法诊断生态修复关键对象。一种方法是将状态较差的指标作为生态修复关键对象。这种方法忽略了修复对象的生态作用，因此所选定的生态修复关键对象可能在生态系统中不发挥关键作用，其修复效果不能给整体生态健康带来明显改善。另一种方法是将最重要的指标作为生态修复关键对象。由于传统的生态健康评价方法一般是不考虑评价指标间的相互作用的线性方法，指标变化对评价结果的影响由权重决定，与指标状态无关，导致选中的生态修复关键对象可能本身处于较好状态，不需要进行生态修复。基于传统的生态健康评价方法进行生态修复关键对象诊断时，难以兼顾指标状态与指标生态作用。

模糊逻辑是模糊理论的重要组成部分。和传统的二值逻辑不同，模糊逻辑是一种连续逻辑，隶属度可以为[0，1]之间的任何数，1代表完全隶属，0代表完全不隶属。模糊逻辑允许一个命题亦此亦彼，存在部分肯定和部分否定，因此在处理不确定性和主观性信息方面具有优越性。模糊逻辑在已在图像识别、语言处理、自动控制、故障诊断、信息检索、运输管理等方面获得了广泛应用，但是极少应用于生态健康评价，在生态修复关键对象诊断方面尚无应用先例。

技术实现要素：

本发明的目的是为克服已有技术的不足之处，提出一种生态修复关键对象判定方法。本发明基于模糊逻辑理论建立生态健康评价模型，识别对生态健康状态的改善效果最明显的生态要素，将这些生态要素作为生态修复关键对象，最大化生态修复效果，实用性强，易于推广。

本发明提出的一种生态修复关键对象判定方法，包括以下步骤：

(1)建立生态健康评价指标体系；

所述生态健康评价指标体系包含用于评估生态系统生态健康状态的评价指标；

(2)建立模糊逻辑评价模型；具体步骤如下：

(2-1)根据步骤(1)建立的生态健康评价指标体系确定所需建立的模糊逻辑评价子模型的数量，确定每个模糊逻辑评价子模型的输入变量与输出变量；

(2-2)选择输入变量的隶属度函数；

对每个模糊逻辑评价子模型的输入变量划分不同的输入变量状态类别，选择每个输入变量的隶属度函数，确定输入变量分值与输入变量状态类别间的隶属关系，将输入变量分值转变成对不同输入变量状态类别的隶属度，实现变量模糊化；

(2-3)建立评价规则；

评价规则设置不同输入变量间所有状态组合下对应的输出变量的分值；根据输入变量对各个输入变量状态类别的隶属度，通过评价规则得到输出变量对各个输出变量状态类别的隶属度；

(2-4)步骤(2-3)中设置的所有输出变量的分值组成输出变量状态类别，选择每个输出变量的隶属度函数；

(2-5)选择去模糊化方法，生成决策面；

通过步骤(2-3)得到输出变量对各个输出状态类别的隶属度，通过去模糊化方法将输出变量的隶属度转化成输出变量的分值，生成决策面，决策面代表了所有输入变量的取值与输出变量的取值间的对应关系；

(2-6)判断决策面形态是否符合要求，建立模糊逻辑评价模型；

如果步骤(2-5)生成的决策面的形态不符合设定的要求，则对步骤(2-2)的输入变量的隶属度函数进行参数调整或重新选择、步骤(2-3)的评价规则进行调整、步骤(2-4)的输出变量的隶属度函数进行参数调整或重新选择、步骤(2-5)的去模糊化方法进行重新选择，重复步骤(2-2)～(2-5)，直至决策面形态符合设定的要求，将符合要求的所有模糊逻辑评价子模型组成模糊逻辑评价模型；

(3)根据生态系统现状量化生态健康评价指标体系中的评价指标，得到每个评价指标的现状值；

(4)评估生态健康状态，判断是否需要生态修复；

将步骤(3)量化后的评价指标的现状值值输入步骤(2)建立的模糊逻辑评价模型，得到该生态系统的生态健康状态分值；将状态分值与设定的生态健康状态阈值进行比较并判定：若生态健康状态分值大于等于所设阈值时，则不进行生态修复，诊断结束；若生态健康状态分值低于所设阈值时，则进行生态修复，进入步骤(5)；

(5)诊断评价指标变化对生态健康状态影响的重要性；

分析在当前生态状态下，各个评价指标的变化对生态健康状态分值产生的影响：将各个评价指标值分别代入步骤(2)建立的模糊逻辑评价模型，当一个评价指标值发生变化时，其它评价指标维持现状值不变，得到生态健康状态分值关于每个变化评价指标值的曲线，每个选定的变化评价指标的现状值所在位置的曲线斜率越大，则说明该评价指标的改善引起的总体生态健康状态的改善越大，即短期内生态修复效果越明显；对各评价指标按照现状值所在位置的曲线斜率从大到小进行排序，排序越靠前，则该评价指标的重要性越高；

(6)确定生态修复关键对象；

对步骤(5)排序后的评价指标按照重要性进行选择，确定生态修复关键对象。

本发明的特点及有益效果在于：

本发明提出的一种生态修复关键对象判定方法，基于模糊逻辑理论，本方法综合考虑了指标的生态作用、指标状态和生态系统的整体状态，能够诊断出对生态健康状态提升效果最明显的生态健康评价指标，弥补了传统的生态健康评价方法在诊断生态修复关键对象时不能兼顾指标状态与指标生态作用的弊端，更好地保障了生态修复实施效果，具有可操作性强、容易得到实际应用和推广的优点。

附图说明

图1是本发明方法的流程框图。

图2是本发明实施例的评价规则示意图。

图3是本发明实施例的模糊逻辑评价模型生成的决策面示意图。

图4是本发明实施例的生态健康状态分值关于变化评价指标值的曲线图。

具体实施方式

本发明提出的一种生态修复关键对象判定方法，下面结合附图和具体实施例进一步详细说明如下。

本发明提出的一种生态修复关键对象判定方法，整体流程如图1所示，包括以下步骤：

(1)建立生态健康评价指标体系；

生态健康评价指标体系包含用于评估生态系统生态健康状态的评价指标，一般分成2～4个层次，层层递进，通过该体系，最终得到所需评价的生态系统的生态健康状态。本实施例所采用的为一个3层的生态健康评价指标体系。本实施例中假设某生态系统的健康状态可以用表1所示的生态健康评价指标体系衡量。该评价指标体系分成指标层、准则层和目标层3个层次，指标层包含6个评价指标(简称指标)，准则层包含3个评价准则(简称准则)，目标层为生态健康状态；其中：指标1、指标2和指标3生成准则1，指标4生成准则2，指标5和指标6生成准则3；准则1、准则2和准则3生成该生态系统的生态健康状态。该生态健康评价指标体系中，每个指标、准则与生态健康状态的打分取值范围均为0～100，0代表最差，100代表最佳。

表1本发明实施例的生态健康评价指标体系表

(2)建立模糊逻辑评价模型；本实施例通过matlab的模糊推理系统工具箱建立模糊逻辑评价模型；具体步骤如下：

(2-1)根据步骤(1)建立的生态健康评价指标体系确定模糊逻辑评价子模型的数量，并确定每个模糊逻辑评价子模型的输入变量与输出变量；

步骤(1)建立的生态健康评价指标体系中每一个生成过程均对应一个模糊逻辑评价子模型，本实施例中，共包含4个模糊逻辑评价子模型，其中：指标1、指标2和指标3生成准则1，则模糊逻辑评价子模型1的输入变量为指标1、指标2和指标3，输出变量为准则1；指标4生成准则2，则模糊逻辑评价子模型2的输入变量为指标4，输出变量为准则2；指标5和指标6生成准则3，则模糊逻辑评价子模型3的输入变量为指标5和指标6，输出变量为准则3；准则1、准则2和准则3生成该生态系统的生态健康状态，则模糊逻辑评价子模型4的输入变量为准则1、准则2和准则3，输出变量为生态健康状态。

(2-2)选择输入变量的隶属度函数；

模糊逻辑评价模型需要为每个子模型的输入变量划分不同的输入变量状态类别，然后选择每个输入变量适宜的隶属度函数，确定输入变量分值与输入变量状态类别间的隶属关系，将精确的输入变量分值转变成对不同输入变量状态类别的隶属度，实现变量模糊化。常用的隶属度函数包括高斯曲线隶属度函数、钟形隶属度函数、梯形隶属度函数、三角形隶属度函数等。在本实施例中，对于所有模糊逻辑评价子模型，每个输入变量状态类别均设置为0和100两种状态，分别代表了最差和最佳两种状态；每个输入变量均选择高斯隶属度函数进行变量模糊化。

(2-3)建立评价规则；

评价规则描述了输入变量状态与输出变量状态的对应关系。评价规则需要设置不同输入变量间所有状态组合下对应的输出变量的分值，所有给出的输出变量的分值共同组成输出变量状态。本实施例中不同模糊逻辑评价子模型的评价规则分别如表2、表3、表4所示。在制定评价规则时，本实施例假设状态最差(分值为0)的输入变量会显著影响输出变量分值。评价规则的设置需要基于生态要素的功能、不同生态要素间的相互作用机制及所评价的生态系系统的观测数据。

本实施例中评价规则含义举例说明如下：表2中评价规则1的含义为当指标1/准则1对100的隶属度为1、指标2/准则2对100的隶属度为1、指标3/准则3对100的隶属度为1时，准则1/生态健康状态对100的隶属度为1；表3中评价规则1的含义为当指标4对100的隶属度为1时，准则2对100的隶属度为1；表4中评价规则1的含义为当指标5对100的隶属度为1、指标6对100的隶属度为1时，准则3对100的隶属度为1。

表2模糊逻辑评价子模型1/模糊逻辑评价子模型4评价规则表

表3模糊逻辑评价子模型2评价规则表

表4模糊逻辑评价子模型3评价规则表

根据输入变量对各个输入变量状态类别的隶属度，通过评价规则可得到输出变量对各个输出状态类别的隶属度。本实施例中，选择最小隶属度的原则判定输出变量的隶属度，即对于每一条评价规则，所有输入变量对该规则设置的输入变量状态类别的隶属度的最小值为输出变量对该规则设置的输出变量状态类别的隶属度。图2是表4中评价规则1的示意图。假设由指标5的取值和隶属度曲线得到指标5对100的隶属度为0.5，由指标,6的取值和隶属度曲线得到指标6对100的隶属度为0.3，那么根据最小隶属度的原则，准则3对100的隶属度为0.3。

(2-4)选择输出变量的隶属度函数

输出变量状态类别由步骤(2-3)中建立的评价规则决定。本实施例中，如表2所示，对于模糊逻辑评价子模型1和模糊逻辑评价子模型4，输出变量状态类别分别为0、20、50和100；如表3所示，对于模糊逻辑评价子模型2，输出变量状态类别分别为0和100；如表4所示，对于模糊逻辑评价子模型3，输出变量状态类别分别为0、30和100。

每一条评价规则均可给出输出变量对某一个输出变量状态类别的隶属度，图2中准则3对100的隶属度为0.3，但是由于尚未设置输出变量的隶属度函数，准则3对100的隶属度曲线形态未知，因此无法得出图2中阴影面积。步骤(2-5)需要根据阴影面积生成精确的输出变量数值，因此需要为每个输出变量选择隶属度函数。本实施例中所有输出变量均选择三角形隶属度函数。

(2-5)选择去模糊化方法，生成决策面；

通过步骤(2-3)可得到输出变量对各个输出状态类别的隶属度，需要通过去模糊化方法将输出变量的隶属度转化成输出变量的精确分值，生成决策面。决策面代表了所有输入变量的取值与输出变量的取值间精确的对应关系。常用的去模糊化方法包括重心法、最大隶属度函数法和加权平均法。本实施例将重心法作为去模糊化方法。每一条评价规则可以得到一个关于不同输出变量的阴影面积，重心法是取相同输出变量的所有阴影面积的重心为该输出变量的精确值。

(2-6)判断决策面形态是否符合要求，建立模糊逻辑评价模型；

如果步骤(2-5)生成的决策面的形态不符合预期，则需要对步骤(2-2)的输入变量的隶属度函数进行调参或重新选择、步骤(2-3)的评价规则进行调整、步骤(2-4)的输出变量的隶属度函数进行调参或重新选择、步骤(2-5)的去模糊化方法进行重新选择，重复步骤(2-2)～(2-5)，直至决策面形态符合要求。对决策面形态的预期主要取决于生态要素的功能及所评价的生态系系统的观测数据。将符合要求的所有模糊逻辑评价子模型组成模糊逻辑评价模型；

本实施例要求生成的决策面曲面光滑且呈s型，本实施例的模糊逻辑评价模型生成的决策面示意图如图3所示。模糊逻辑评价子模型2仅有1个输入变量，生成的决策面为曲线，如图3c所示；模糊逻辑子模型3有两个输入变量，生成的决策面如图3d所示。决策面仅能显示两个输出变量，当输入变量数目超过两个时，其余变量将被设置为固定值，例如图3a、图3b为模糊逻辑子模型1的部分决策面，决策面代表了指标1、指标2和准则1的对应关系，指标3被设置成固定值。图3a、图3b中指标3的取值分别为50和80。

(3)量化生态健康评价指标体系中的评价指标，得到每个评价指标的现状值；

根据生态系统现状量化评价指标。量化标准主要依据指标可能出现的最佳状态(100)和最差状态(0)制定。本实施例中假设各评价指标现状值取值如表5所示。

表5本发明实施例的生态健康评价指标现状值取值表

(4)评估生态健康状态，判断是否需要生态修复；

将量化后的评价指标的现状值输入步骤(2)建立的模糊逻辑评价模型，得到该生态系统的生态健康评价结果，即生态健康状态分值。本实施例中输入表5所示的各评价指标的取值后，生态系统的评价结果为生态健康状态分值55。将状态分值与设定的生态健康状态阈值进行比较并判定：若生态健康状态分值大于等于所设阈值时，则不需要进行生态修复，诊断结束；若生态健康状态分值低于所设阈值时，则需要进行生态修复，进入步骤(5)。生态健康状态阈值主要取决于维持生态系统可持续性的生态功能需求及社会经济发展对生态系统的服务需求。本实施例中生态健康状态阈值设为80，生态健康状态分值55低于阈值，需要进行生态修复。

(5)诊断评价指标变化对生态健康状态影响的重要性；

分析在当前生态状态下，各个指标的变化对最终评价结果产生的影响。图4为本实施例中各个评价指标变化对生态健康状态的影响曲线图，将各个评价指标值代入建立的模糊逻辑评价模型，当一个评价指标值发生变化时，其它评价指标维持现状值，得到生态健康状态分值关于每个变化评价指标值的曲线图。图4中三角形为每个选定的变化指标的现状值，三角形所在位置的曲线斜率越大，则说明该评价指标的改善引起的总体生态健康状态的改善越大，即短期内生态修复效果越明显。本实施例中，各评价指标在现状值时的曲线斜率从大到小排序为：指标4＞指标1＞指标2＞指标3＞指标5＞指标6，排名越靠前，则该评价指标对生态健康状态影响的重要性越高；

(6)确定生态修复关键对象；

为了尽快达到较好的生态修复效果，应该基于步骤(5)得到的排序后的评价指标确定生态修复关键对象。修复关键对象的数量选择由经济条件、人力条件等因素决定。本实施例中选择2个评价指标进行修复，则根据步骤(5)的结果，本实施例中应对指标4和指标1进行修复。评价指标变化对生态健康状态影响的重要性并非一成不变，当生态健康状态有明显改善后，需要重新返回步骤(1)，诊断新的生态修复关键对象。