具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实施例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，为本发明生态质量指数构建方法的实施例提供的流程示意图，该生态质量指数构建方法基于对数据的像元尺度和历史本底的处理实现，包括：

S1，获取目标区域预设时间序列的初始数据，初始数据包含用于构建生态质量指数的多个指标值；

需要说明的是，指标分为一级指标和二级指标，如图2所示，给出了一种示例性的生态质量评价体系示意图，一级概念指标包括调节功能、支持功能和维持功能，二级指标主要是气候、植被、土壤三个方面的数据，具体包括陆面温度LST、叶面积指数LAI、植被指数NDVI、植被覆盖度FVC、总初级生产力GPP、净初级生产力NPP、净生态系统生产力NEP、湿润度指数IM、波文比Bowen、水分利用效率WUE和水分蓄存指数WSI。

在按照一级概念指标选择相应的二级指标后，获取相应的二级指标数据作为初始数据。

需要说明的是，获取的初始数据可以为卫星拍摄的图像形式的遥感数据，也可以为栅格数据，如果是栅格数据，在后续涉及到像素的处理过程中，对于每个栅格单元，可以认为是一个像素点。

S2，对初始数据分别进行预处理和标准化处理，得到标准数据；

应理解，对于不同时间序列的数据，其数据的格式可能不同，以遥感数据为例，其空间分辨率、空间位置和投影等可能存在差异，因此，可以通过预处理使数据格式统一，从而便于后续的处理。

此外，由于不同指标之间的量纲可能不同，因此，需要对初始数据进行标准归一化处理，消除指标间量纲及无量纲差异。

例如，可以采用极大极小值法进行标准归一化处理。

S3，根据标准数据对全部指标值进行相关性分析，生成相关性矩阵，并根据预设阈值对全部指标值进行筛选；

具体地，由于每个样本由多个指标值进行评价，因此，可以分别对指标值进行两两的相关性分析，从而得到每个指标与其他指标的之间的相关性，可以去除相关性较高的指标值，从而减少处理的数据量，提高指标值的代表性。

应理解，预设阈值可以根据实际需求设置，例如，可以为0.9，也可以为0.8。

S4，根据预设的优化查找算法对筛选后的标准数据逐像元计算每个指标值的权重；

需要说明的是，可以采用PSO-PPC(基于粒子群优化算法的投影寻踪聚类方法)逐像元计算每个指标值的权重，可以利用集群智慧寻找全局最优解来优化速度，同时使投影标准差与局部密度值之积最大，达到整体分散、局部密集的目的。

下面给出示例性的计算方法：

首先，根据筛选后的标准数据创建初始粒子，并根据迭代控制参数配置迭代环境。每一指标对应一个维度，每一样本视为一个粒子，在创建初始粒子后，还需要初始化，包括：构建N个M维[0,1]的投影向量a_ij；创建初速度v_ij＝0的N个M维粒子；创建全局最优解gbest、全局最优投影向量gbesta、个体最优解pbest和个体最优向量pbesta。

判断是否达到最大迭代次数T或者满足迭代终止条件，如果达到最大迭代次数T或满足迭代终止条件，则根据M维全局最优投影向量gbesta计算各样本的评估值。

构建适应度函数，根据适应度函数计算每个初始粒子的适应度，开始循环。

可以根据以下公式计算每个初始粒子的适应度：

Q＝Dz*Sz

其中，Dz为粒子局部密度，Sz为粒子全局类间分散度。

如果未达到最大迭代次数T或不满足迭代终止条件，则对第I个M维粒子进行循环，I的取值为从1到N，N为粒子的数量。更新第I个粒子的移动方向与速度v_ij，并更新粒子位置。

例如，可以根据以下公式更新粒子的速度与位置：

其中，表示第k次迭代第i个粒子的飞行速度矢量的第m维分量，表示第k次迭代第i个粒子的位置矢量的第m维分量，表示第i个粒子经历的历史最优位置，表示粒子群经历的历史最优位置，c0为惯性权重，c₁和c₂为学习因子，random(0，1)表示从0到1之间的随机数，i＝1，2，3，...，N，N为样本数量，m＝1，2，3，...，M，M为维度数量，k＝1，2，3，...，T，T为总循环次数。

应理解，上述两个公式更新的是粒子的速度及位置，c₀用来调节对空间的搜索能力，c₁和c₂用以调节学习的最大步长，random(0，1)用以增加搜索的随机性。

然后，分别计算第I个粒子聚类局部密度值D_z和全局类间分散度S_z，根据D_z和S_z计算第I个粒子的适应度Q_a，判断Q_a是否大于个体最优解pbest，如果是，则先将第I个粒子的个体最优向量pbesta_i赋值为a_I，再判断Q_a是否大于全局最优解gbest；如果否，则直接判断Q_a是否大于全局最优解gbest。

如果Q_a大于全局最优解gbest，则将粒子群的全局最优投影向量gbesta赋值为a_I，再判断是否迭代完所有的粒子；如果Q_a不大于全局最优解gbest，则直接判断是否迭代完所有的粒子。

如果迭代完所有的粒子，则判断是否达到最大迭代次数T或者满足迭代终止条件；如果未迭代完所有的粒子，则继续对粒子的移动方向、速度与位置进行更新，继续迭代循环。

其中，a_I为第I个粒子当前的投影向量。

迭代循环停止后，输出每个指标的权重值和全局最优解。

S5，根据权重对每个指标值进行加权，构建目标区域的生态质量指数。

如表1所示，给出了一种示例性的生态质量指数得分与等级之间的对应关系，可以用于评估目标区域的生态质量，值越大表示该点生态质量越高，可以根据级别分值查询表来评定生态质量。

表1

本实施例提供的生态质量指数构建方法适用于生态质量指数的构建，通过对逐个像元构建一套基于其历史数据的指标权重，考虑了生态系统、单元间的差异性，可以为不同情况的生态单元生成不同的权重值，从而避免了得分固定化、年际变化不敏感的问题，计算精度完全取决于数据的分辨率，可灵活应用于大面积、高精度、长时序的分析与研究中，对研究区域范围和精度没有限制。因该指标体系主要基于各像元的历史数据，所以将随着时序的增加而更加准确的捕捉和展现生态质量的变化特征。以全局尺度为背景，从生态环境自身的角度定义生态质量，考虑了生态系统潜在价值，能够更准确地反映研究区域生态质量的状态好坏。此外，本方法主要基于历史数据进行计算，成本较低，时耗较短，节约了大量的人力物力，为生态系统质量的长期实时监测提供了可能。

可选地，在一些可能的实施方式中，对初始数据进行预处理，具体包括：

对初始数据进行裁剪、重采样和再投影，使全部初始数据的空间分辨率、空间位置、空间坐标参考和投影统一。

例如，以卫星拍摄的遥感数据为例，如规定数据的规格为1km分辨率，1年时间精度，研究区域矩阵行列号为4088×4998，坐标系和投影采用WGS1984和Albers等面积圆锥投影；对空间精度为1km时间精度为1年的植被指数数据根据研究区域使用ArcGIS Extractedby Mask工具进行裁剪；若数据空间精度不统一，需要对数据进行重采样，可将空间精度为30m的植被指数数据通过ArcGIS Resample工具重采样成1km精度的数据；如果原始数据的坐标或投影不一致，则可使用ArcGIS中的Project Raster进行统一；以上操作皆可在ArcGIS的model Builder或python中批量进行。

可选地，在一些可能的实施方式中，对初始数据进行标准化处理，具体包括：

判断初始数据中每个指标值的正负向；

对于正向数据，使用如下公式进行标准归一化处理：

对于负向数据，使用如下公式进行标准归一化处理：

其中，F_i是第i个像素点归一化后的数值，I_i是第i个像素点的值，I_min为第i个像素点时序上的最小值，I_max为第i个像素点时序上的最大值，i的取值范围为数据矩阵行列数之积。

例如，以某年全国陆地生态系统的LST、LAI、NDVI、FVC、GPP、NPP、NEP、IM、Bowen、WUE、WSI共11项参数的年度某省栅格数据为例，其中，Bowen为负向数据，其余均为正向数据。

通过对数据中的正向数据和负向数据进行判断和区分，能够更好地挖掘数据间的关联性。

可选地，在一些可能的实施方式中，根据预设阈值对全部指标值进行筛选，具体包括：

分别计算每两个指标值之间的相关性，挑选出相关性大于预设阈值的指标值对，每个指标值对中的指标值分别记为第一指标值和第二指标值；

计算第一指标值与除第二指标值之外的其他指标值的相关性的平均值，得到第一相关性值；

计算第二指标值与除第一指标值之外的其他指标值的相关性的平均值，得到第二相关性值；

判断第一相关性值与第二相关性值的大小，将较大一方对应的指标值剔除。

假设共有4个指标，分别是指标A、指标B、指标C和指标D，假设经过相关性分析后，指标AB的相关性为0.95，指标AC的相关性为0.6，指标AD的相关性为0.5，指标BC的相关性为0.7，指标BD的相关性为0.7，指标CD的相关性为0.3，相关性越高，说明两个指标越相似，因此可以从相关性较高的指标中删除一个，保留一个，这样既可以减少数据处理量，也可以保留数据的特征，现有做法通常是随机删除一个。而本方案中，假设预设阈值为0.9，那么只有指标AB的相关性为0.95，超过了预设阈值，因此可以分别判断指标A与其他指标CD的相关性的平均值，再判断指标B与其他指标CD的相关性的平均值，从而确定删除哪一个指标。经过计算，指标A与其他指标CD的相关性的平均值为0.55，断指标B与其他指标CD的相关性的平均值为0.7，说明指标B与其他指标更加相关，因此，可以删除指标B，保留指标A，从而在高效降维的同时最大程度保留源数据特征。

例如，以某年全国陆地生态系统的LST、LAI、NDVI、FVC、GPP、NPP、NEP、IM、Bowen、WUE、WSI共11项参数的年度某省栅格数据为例，以相关性等于0.9为阈值判定强相关性去除相应指标，留下相关性相对较弱的8项数据，分别为LAI、NDVI、NPP、GPP、LST、Bowen、WUE、WSI。

示例性地，最终计算得到的权重结果如表2所示。

表2

可选地，在一些可能的实施方式中，根据以下公式计算生态质量指数：

其中，i＝1,2,3,…,n，j＝1,2,3,…,m，n为样本数量，m为空间维度，x_ij为像素值，a_j为权重值，G_j为生态质量指数。

可以理解，在一些实施例中，可以包含如上述各实施方式中的部分或全部。

如图3所示，为本发明生态质量指数构建系统的实施例提供的结构框架图，该生态质量指数构建系统基于对数据的像元尺度和历史本底的处理实现，包括：

数据获取单元10，用于获取目标区域预设时间序列的初始数据，初始数据包含用于构建生态质量指数的多个指标值；

标准化处理单元20，用于对初始数据分别进行预处理和标准化处理，得到标准数据；

相关性分析单元30，用于根据标准数据对全部指标值进行相关性分析，生成相关性矩阵，并根据预设阈值对全部指标值进行筛选；

权重计算单元40，用于根据预设的优化查找算法对筛选后的标准数据逐像元计算每个指标值的权重；

指数计算单元50，用于根据权重对每个指标值进行加权，构建目标区域的生态质量指数。

本实施例提供的生态质量指数构建系统适用于生态质量指数的构建，通过对逐个像元构建一套基于其历史数据的指标权重，考虑了生态系统、单元间的差异性，可以为不同情况的生态单元生成不同的权重值，从而避免了得分固定化、年际变化不敏感的问题，计算精度完全取决于数据的分辨率，可灵活应用于大面积、高精度、长时序的分析与研究中，对研究区域和范围没有限制。因该指标体系主要基于各像元的历史数据，所以将随着时序的增加而更加准确的捕捉和展现生态质量的变化特征。以全局尺度为背景，从生态环境自身的角度定义生态质量，考虑了生态系统潜在价值，能够更准确地反映研究区域生态质量的状态好坏。此外，本方法主要基于历史数据进行计算，成本较低，时耗较短，节约了大量的人力物力，为生态系统质量的长期实时监测提供了可能。

可选地，在一些可能的实施方式中，标准化处理单元20具体用于对初始数据进行裁剪、重采样和再投影，使全部初始数据的空间分辨率、空间位置、空间坐标参考和投影统一。

可选地，在一些可能的实施方式中，标准化处理单元20用于判断初始数据中每个指标值的正负向；

对于正向数据，使用如下公式进行标准归一化处理：

对于负向数据，使用如下公式进行标准归一化处理：

其中，F_i是第i个像素点归一化后的数值，I_i是第i个像素点的值，I_min为第i个像素点时序上的最小值，I_max为第i个像素点时序上的最大值，i的取值范围为数据矩阵行列数之积。

可选地，在一些可能的实施方式中，相关性分析单元30具体用于分别计算每两个指标值之间的相关性，挑选出相关性大于预设阈值的指标值对，每个指标值对中的指标值分别记为第一指标值和第二指标值；计算第一指标值与除第二指标值之外的其他指标值的相关性的平均值，得到第一相关性值；计算第二指标值与除第一指标值之外的其他指标值的相关性的平均值，得到第二相关性值；判断第一相关性值与第二相关性值的大小，将较大一方对应的指标值剔除。

可选地，在一些可能的实施方式中，指数计算单元50具体用于根据以下公式计算生态质量指数：

其中，i＝1,2,3,…,n，j＝1,2,3,…,m，n为样本数量，m为空间维度，x_ij为像素值，a_j为权重值，G_j为生态质量指数。

可以理解，在一些实施例中，可以包含如上述各实施方式中的部分或全部。

需要说明的是，上述各实施方式是与在先方法实施例对应的产品实施例，对于产品实施方式的说明可以参考上述各方法实施方式中的对应说明，在此不再赘述。

读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，步骤的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个步骤可以结合或者可以集成到另一个步骤，或一些特征可以忽略，或不执行。

上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。