本发明属于城市生态环境管理领域，具体涉及一种城市蓝绿空间生态效益关键影响因子识别方法。
背景技术：
1、城市蓝绿空间由城市中蓝色空间与绿色空间共同构成，是城市的生态本底，也是当下城市高质量发展关注的重要内容。将城市的蓝绿系统视作空间基础设施，以此统筹生态、经济、社会等多方面的发展，已成为全球城市应对气候变化和快速城市化挑战的广泛共识。当下“生态效益”已被明确纳入社会经济发展的评价指标体系受到了全社会的广泛关注。在有限的城市空间中，如何有效利用有限的蓝绿空间以提供更优质的生态效益，已成为一个亟待解决的问题。
2、然而，现有生态效益的评价多聚焦于大尺度空间，指标、方法并不适用于城市及分区尺度，针对城市蓝绿空间的研究尚属起步阶段。以往研究中所构建的生态效益评价方法多聚焦于单一用地类型，或着眼于单一目标，缺乏综合性、统筹性，评价方法不适用于多目标的蓝绿空间生态效益评价，也无法精确识别影响生态效益的多目标因子。为此，本发明目的在于提供一种城市蓝绿空间生态效益关键影响因子识别方法，能够在综合评价城市蓝绿空间生态效益的基础上快速准确地获取城市蓝绿空间生态效益的关键影响因子。
技术实现思路
1、为解决上述问题，本发明公开了一种城市蓝绿空间生态效益关键影响因子识别方法，结合多准则决策分析方法、地理加权回归模型及机器学习技术，能够快速准确地获取城市蓝绿空间生态效益的关键影响因子，有助于蓝绿空间优化与重组的策略制定。
2、为达到上述目的，本发明的技术方案如下：
3、一种城市蓝绿空间生态效益关键影响因子识别方法，包括以下步骤：
4、s1，构建城市蓝绿空间生态效益评价指标集；
5、s2，基于s1构建的指标集，计算目标区域内各项指标数据并进行标准化处理，建立城市蓝绿空间生态效益标准化数据矩阵；
6、s3，基于s2的生态效益标准化数据矩阵，采用层次分析法确定指标主观权重，采用熵权法确定客观权重，通过组合赋权获得各项指标权重；
7、s4，构建熵权-topsis模型计算加权后的城市蓝绿空间生态效益标准化数据矩阵，从而完成城市蓝绿空间生态效益评价；
8、s5，建立城市蓝绿空间生态效益影响因子集，包括自然因子、空间格局因子两大类；
9、s6，基于s4的城市蓝绿空间生态效益评价结果与s5的影响因子集，结合机器学习中的gwr模型(geographically weighted regression，地理加权回归模型)与xgboost模型(extreme gradient boosting)识别关键影响因子。
10、进一步地，s1中，城市蓝绿空间生态效益评价指标集的目标层为：生态效益；准则层包括：雨洪韧性、降温效益、碳汇效益、生物多样性；指标层为包括：地表径流量、淹没风险、地表温度、净初级生产力、碳储量、栖息地质量。
11、进一步地，s2中，建立城市蓝绿空间生态效益标准化数据矩阵的步骤包括：
12、s21，获取目标区域内遥感影像数据、土地利用数据、归一化植被指数ndvi数据、植被类型数据、气温数据、降水数据和日辐射数据、城市土壤类型数据、城市地表覆盖数据；
13、s22，基于s21得到的土地利用数据、城市土壤类型数据、城市地表覆盖数据、降水数据，根据scs-cn模型(soil conservation service curve number，径流曲线模型)计算得到目标区域的地表径流量；
14、s23，根据s21遥感影像数据中连续晴天和雨后情景下的遥感影像，计算内涝点密度以此表征研究区内的淹没风险；
15、s24，基于s21的遥感影像数据中光谱数据，采用大气校正法反演得到目标区域地表温度；
16、s25，通过s21得到的土地利用数据、归一化植被指数ndvi数据、植被类型数据、气温数据、降水数据和日辐射数据，利用casa(carnegie-ames-stanford approach)模型，计算得到目标区净初级生产力；
17、s26，基于s21土地利用数据，采用invest模型(生态系统服务和权衡的综合评估模型，integrated valuation of ecosystem services and trade-offs)的碳储存模块，生成碳储存量的空间分布情况；
18、s27，采用invest模型中的生境质量(habitat quality)模块进行分析，评估目标区域栖息地质量。
19、进一步地，s2中，目标区域城市蓝绿空间生态效益标准化数据矩阵的具体计算步骤为：
20、s221，根据城市和住宅用地的cn值(curve numbers，径流曲线数值)计算最大可能储水量，结合土地利用数据对目标区域内不同城市用地类型的土壤进行赋值；
21、其中，土壤覆盖复合数计算公式如下：
22、
23、式中，s为最大可能储水量，表示土壤最大潜在蓄水能力；
24、s222，结合s21降水数据，根据scs-cn产流模型计算公式，计算目标区域地表径流量；其中，scs-cn产流模型计算公式如下：
25、
26、式中，q代表的是地表径流量，单位是毫米；p则代表降雨量，单位同样是毫米；λ表示初损率，这是一个无量纲的数值，通常采用λ＝0.2来进行计算；
27、其次，s23中，目标区域的淹没风险计算步骤为：
28、s231，根据s21遥感影像数据，分别选取连续晴天和雨后情景下的遥感影像，进行土地利用分类；
29、s232，选取s231中连续晴天和雨后情景下土地利用分类结果的水体分类数据，去除目标区域内常水区域，得到季节性水体，相减后得到内涝区域；
30、s233，采用gis软件中的“点密度分析”工具将内涝区域转化成点后，计算点密度，得到内涝点密度，作为内涝区域的淹没风险；
31、再次，s24中，获得地表温度的步骤为：
32、s241，通过s21遥感影像数据中包含地表温度信息的光谱数据，采用envi软件的“flaash atmospheric correction”工具基于光谱波段对遥感影像数据进行大气校正处理；
33、s242，应用温度反演算法将校正后的遥感数据转换为地表温度，利用普朗克公式计算地表真实温度；
34、其中，卫星传感器接收到的热红外辐射亮度值的表达式可写为：
35、lλ＝[ε·b(t)+(1-ε)l↓]·τ+l↑
36、其中，大气向上辐射亮度l↑，ε为地表辐射率，t为地表真实温度，b(t)为普朗克定律推导得到的黑体在t的热辐射亮度，τ为大气在热红外波段的透过率，则温度为t的黑体在热红外波段的辐射亮度b(t)为：
37、
38、所述普朗克计算公式如下：
39、
40、式中，k1、k2为landsat8传感器特定的定标常数。
41、然后，s25中，计算净初级生产力的步骤为：
42、s251，在gis软件中，对目标年份逐月的降水量、气温以及太阳辐射数据进行克里金插值处理，并对其进行波段合成，得到年均栅格图；然后，按目标区域范围裁剪获得降水量、气温和太阳辐射数据的栅格图；
43、s252，利用casa模型，输入降水量、气温以及太阳辐射数据、归一化植被指数ndvi图、植被数据，设置静态文件中的参数，包括归一化植被指数ndvi数据的最大值和最小值，最大光能利用率、植被指数sr，得到目标区域内净初级生产力的分布情况；
44、其次，s26中，获取碳储存量的空间分布情况的步骤为：
45、s261，基于s21土地利用数据，采用invest模型的碳储存模块，基于目标区域中不同地类和相应的碳库数据，计算每种地类的总碳储量；
46、s262，将计算得到的碳储量数据按地类进行分类汇总，生成碳储量的空间分布图；
47、其中，通过invest模型计算碳储的公式分为：
48、ct＝ca+cb+cs+cd
49、式中:ct为场地总碳储量(t/hm2)；ca为地上部分碳储量(t/hm2)；cb为地下部分碳储量(t/hm2)；cs为土壤碳储量(t/hm2)；cd为死亡有机碳储量(t/hm2)；
50、最后，s27中，评估目标区域栖息地质量的步骤为：
51、s271，采用invest模型中的生境质量模块进行分析，并依据所得生境质量的优劣来评估生物多样性；
52、其中，计算生境质量得分公式为：
53、qxj＝hj(1-dxj)
54、式中qxj为土地利用类型j中栅格x的生境质量得分，hj为土地利用类型j的生境适宜性得分，dxj为栅格x的受威胁水平；
55、s272，模型假设生境质量好的地区，其生物多样性也高；威胁源数据是对土地利用类型中的生态用地产生威胁的因素，采用gis软件将威胁区域赋值为1，无威胁区域赋值为0；其中，栅格受威胁水平计算公式为：
56、
57、式中，ty为栅格y的威胁强度，ωr为威胁源r的相对权重，βx为栅格x的受保护等级，sjr为土地利用类型j对威胁源r的敏感程度，irxy为威胁源r中的栅格y对栅格x的影响水平；
58、其中，威胁源r中的栅格y对栅格x的影响水平的计算公式为：
59、
60、式中，dxy为栅格x与栅格y的欧氏距离，drmax为威胁源r的最大影响距离。
61、进一步地，s3中，获得各项指标权重的步骤为：
62、s31，建立若干个取样点，随机抽取s2中城市蓝绿空间生态效益标准化数据矩阵的计算结果，得到数据集。
63、s32，运用熵权法对各指标的熵值进行计算，进而得出了各指标的客观权重。
64、其中，运用熵权法对各指标的熵值进行计算的具体步骤为：首先，进行数据标准化，在给定n个评价指标和m个评价对象的情况下，建立原始信息矩阵x＝(xij)m×n,采用归一化进行数据标准化处理，其表达式为：
65、
66、式中，yij分别为第i个评价指标第j个坐标的标准化指标；xij为第i个评价指标第j个坐标的原数据。
67、其次，确定特征权重是评价过程中的关键环节。为了计算第i个评价对象的第j个指标的比重，首先需要定义该指标的权重pij，通过s321中得出的yij进行计算。
68、
69、然后，利用各指标权重pij，计算信息熵,计算各评价指标的信息熵ej。
70、
71、式中，m评价对象的个数，ej为各评价指标的信息熵。
72、最后，通过信息熵ej，利用熵权法确定指标权重，计算评价指标的客观权重βj＝β1，β2,…,βn，其中βj为第j个指标对应的权重。
73、
74、式中，n为评价指标的个数，βj为熵权法的熵权值。
75、s33，在ahp层次分析中，将雨洪韧性、降温效益、碳汇效益、生物多样性四个生态目标设为等权。通过综合考虑ahp层次分析法和熵权法的计算结果，得出各指标的最终权重。其中，得出各指标的最终权重公式为：
76、
77、式中，αj为第j个指标对应的ahp层次分析法的权重，βj为第j个指标对应的熵权法的权重。
78、进一步地，s4中，构建熵权-topsis模型计算加权后的城市蓝绿空间生态效益标准化数据矩阵的具体步骤为：
79、s41，在matlab软件中编写程序，随机选取若干个取样点，结合s3的指标权重结果与s2的城市蓝绿空间生态效益标准化数据矩阵的计算结果，计算每一点生态效益。根据topsis评价方法，得到正负理想解，及取样点所对应的生态效益的评价结果。
80、其中，topsis(technique for order preference by similarity to an idealsolution)评价方法的计算步骤为：
81、首先，为了综合评估各个评价对象，根据s3确定的因子权重来构造加权规范化决策矩阵，矩阵公式为：
82、v＝xij·ω＝[vij]m·n
83、式中，v为加权矩阵，xij为第i个评价指标。
84、其次，利用计算出的加权矩阵v，确定正负理想解：
85、
86、然后，根据正负理想解v+、v-，采用欧式距离计算正、负理想解的距离：
87、
88、式中，正理想解距离，是负理想解距离。
89、最后，计算出的正、负理想解距离，计算贴近度：
90、
91、根据式计算与理想解的贴近度tj，tj的取值范围为0～1。本发明中tj越接近1表明生态效益越好。
92、s42，选取评价结果为正理想解的指标权重进行最终计算，得到最终权重结果；进而结合s2中城市蓝绿空间生态效益标准化数据矩阵对城市蓝绿空间生态效益进行计算，得到生态效益评价结果。
93、进一步地，s5中城市蓝绿空间生态效益影响因子包括“空间格局因子”和“自然因子”两类。空间格局因子分为由斑块层因子和类型层因子构成。其中，斑块层因子包括面积、周长、分形维数、近圆指数、邻近指数、斑块距离；类型层因子包括面积占比、最大斑块指数、边缘密度、景观形状指数、相似邻接比、聚集度、分离额度、内聚力指数、破碎度。自然因子由高程、坡度和坡向构成。
94、进一步地，s6中，结合机器学习中的gwr模型与xgboost模型识别关键影响因子的具体步骤为
95、s61，分别基于s5中城市蓝绿空间自然因子和格局因子及s4中计算得到的相应生态效益评价结果构建数据集。在gis软件中，采用随机取样工具，创建随机取样点，将各影响因子与生态效益评价结果提取至取样点，剔除不属于城市蓝绿空间的点，形成数据集1。
96、s62，采用全局莫兰指数工具，计算其空间自相关性。
97、其中，莫兰指数的计算公式如下：
98、
99、式中，n为空间单元总个数，yi和yj分别表示第i个空间单元和第j个空间单元的属性值，为所有空间单元属性的均值，wij为空间权重值。
100、s63，在python软件中编写vif计算程序对s61中数据集1的各影响因子的多重共线性进行计算。
101、其中，计算vif的公式为：
102、
103、式中，r2为该模型的决定系数。
104、s64，以vif＜5的变量构建数据集2作为自变量，因变量为其生态效益评价结果构建数据集2，引入gwr模型进行回归分析，采用高斯函数作为模型的权重函数，以aic法来选择一个能够有效平衡偏差和方差、避免过拟合的带宽。
105、其中，gwr模型计算公式为：
106、
107、式中，y为i城市生态效益的解释值，(ui,vi)为城市i的地理坐标；xik为城市i的自变量解释值，为影响因子；βk(ui,vi)单元i区域质心(ui,vi)处的回归参数；εi为随机误差项。
108、其中，使用aic(akaike information criterion)法进行带宽确定的计算公式为：
109、aic＝nloge(rss)+2p
110、其中，n表示样本点个数，rss表示残差平方和，p为未知参数个数。在基础上，与gwr模型进行融合的aic计算方式如下：
111、
112、其中，为gwr模型最大似然方差估计：
113、
114、s65，基于s63，将5≤vif＜10的因子作为自变量。因变量为s4的生态效益评价结果与s64中gwr模型的残差的结合，构建新的数据集3，导入xgboost模型进行训练。采用贝叶斯优化方法调整xgboost模型超参数。
115、s66，进行模型精度验证，选择平均绝对误差、均方根误差和决定系数做为预测效果的评价指标，采用十折交叉验证技术来评估模型的泛化性能。
116、s67，通过python软件中的shap模型计算每个特征的正负影响程度。
117、s68，在gwr模型的拟合结果中，选择r2值高的回归结果，作为关键影响因子。
118、s69，为进一步避免模型的过拟合现象发生，将s67中重要特征排序后的影响程度高的城市蓝绿空间格局因子与对应的生态效益构建成新的数据集，进行模型训练后解译，得到影响因子的重要程度排序。
119、本发明的有益效果为：
120、本发明提供的一种城市蓝绿空间生态效益关键影响因子识别方法，适用于城市尺度的生态效益评估与影响因子识别。通过ahp法、熵权法、topsis法综合评价得到各生态效益指标权重，较传统确定权重的方法相比更客观，并且避免人主观因素的干扰。引入机器学习这种先进方法，精确、快速地识别影响城市蓝绿空间生态效益的关键因素，有助于蓝绿空间优化与重组的策略制定。
1.一种城市蓝绿空间生态效益关键影响因子识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种城市蓝绿空间生态效益关键影响因子识别方法，其特征在于，s1中，城市蓝绿空间生态效益评价指标集的目标层为生态效益；准则层包括雨洪韧性、降温效益、碳汇效益、生物多样性；指标层包括地表径流量、淹没风险、地表温度、净初级生产力、碳储存量、栖息地质量。
3.根据权利要求1所述的一种城市蓝绿空间生态效益关键影响因子识别方法，其特征在于，s2中建立城市蓝绿空间生态效益标准化数据矩阵的步骤包括：
4.根据权利要求3所述的一种城市蓝绿空间生态效益关键影响因子识别方法，其特征在于，s22中，目标区域地表径流量的计算步骤为：
5.根据权利要求1所述的一种城市蓝绿空间生态效益关键影响因子识别方法，其特征在于，s3中，获得各项指标权重的步骤为：
6.根据权利要求1所述的一种城市蓝绿空间生态效益关键影响因子识别方法，其特征在于，s4中，构建熵权-topsis模型计算加权后的城市蓝绿空间生态效益标准化数据矩阵的具体步骤为：
7.根据权利要求1所述的一种城市蓝绿空间生态效益关键影响因子识别方法，其特征在于，s5中城市蓝绿空间生态效益影响因子包括“空间格局因子”和“自然因子”两类；空间格局因子分为由斑块层因子和类型层因子构成；其中，斑块层因子包括面积、周长、分形维数、近圆指数、邻近指数、斑块距离；类型层因子包括面积占比、最大斑块指数、边缘密度、景观形状指数、相似邻接比、聚集度、分离额度、内聚力指数、破碎度；自然因子由高程、坡度和坡向构成。
8.根据权利要求1所述的一种城市蓝绿空间生态效益关键影响因子识别方法，其特征在于，s6中结合机器学习中的gwr模型与xgboost模型识别关键影响因子的具体步骤为：
