本發(fā)明屬于生態(tài)廊道，具體涉及一種基于mvmd-lstm的生態(tài)廊道重心遷移預測方法。

背景技術：

1、隨著城市化進程的加快和人類活動的日益頻繁，自然生態(tài)系統(tǒng)面臨著前所未有的壓力。生態(tài)廊道作為連接分散自然景觀斑塊的關鍵途徑，能夠促進生物多樣性保護、生態(tài)系統(tǒng)服務功能提升以及人類生活環(huán)境的改善，且生態(tài)廊道能夠連接不同的生態(tài)系統(tǒng)，在生物多樣性保護和生態(tài)平衡維持中扮演著至關重要的角色。隨著人類活動的增加和氣候變化的影響，生態(tài)廊道的形態(tài)和功能正在經歷快速的變化，其中包括生態(tài)廊道重心的遷移。生態(tài)廊道重心遷移的預測對于制定有效的生態(tài)保護策略和土地管理規(guī)劃至關重要。

技術實現思路

1、為滿足生態(tài)保護與土地規(guī)劃的前瞻性需求，本發(fā)明提供的一種基于mvmd-lstm的生態(tài)廊道重心遷移預測方法，通過結合變分模態(tài)和lstm，能夠有效處理和整合多模態(tài)數據，解決了在進行生態(tài)廊道重心遷移預測時難以整合和精準分析多模態(tài)生態(tài)數據的問題，同時為未來合理土地規(guī)劃提供參考。

2、為了達到上述發(fā)明目的，本發(fā)明采用的技術方案為：基于mvmd-lstm的生態(tài)廊道重心遷移預測方法，包括以下步驟：

3、s1：收集生態(tài)廊道的各項歷史生態(tài)數據，并利用生態(tài)系統(tǒng)服務評估模型估算不同時間段的生態(tài)服務功能；

4、s2：根據不同時間段的生態(tài)服務功能，利用聚類算法和決策算法進行處理，得到不同時間段的綜合阻力面；

5、s3：對不同時間段的綜合阻力面進行分析，并通過計算得到不同時間段的生態(tài)廊道空間重心遷移過程；

6、s4：對不同時間段的生態(tài)廊道空間重心遷移過程和生態(tài)廊道的各項歷史生態(tài)數據進行預處理，得到生態(tài)廊道的特征數據；

7、s5：根據生態(tài)廊道的特征數據以及不同時間段的生態(tài)廊道空間重心遷移過程，利用mvmd多元變分模態(tài)分解和lstm長短期記憶網絡模型進行處理，得到未來的生態(tài)廊道重心遷移預測結果。

8、本發(fā)明的有益效果為：本發(fā)明利用mvmd多元變分模態(tài)分解處理高維數據，能夠降低復雜度，便于捕捉生態(tài)廊道重心遷移的動態(tài)特性，利用lstm長短期記憶網絡模型深入分析時間序列，并通過正則化技術和交叉驗證防止過度擬合，增強了lstm長短期記憶網絡模型的泛化能力，能夠精準地預測生態(tài)廊道重心遷移過程。

9、進一步地：所述s2的具體步驟如下：

10、s201：根據不同時間段的生態(tài)服務功能，利用k-means聚類算法進行分類，得到不同時間段的若干個分類區(qū)域；

11、s202：從若干個分類區(qū)域中選擇高值聚類區(qū)域作為生態(tài)源地，并選取自然與社會經濟影響因子作為阻力因子；

12、s203：以生態(tài)源地為中心，利用專家打分法計算阻力因子的阻力值，并利用ahp層次分析法計算阻力因子的權重；

13、s204：根據阻力因子的阻力值和阻力因子的權重，構建得到綜合阻力面；

14、s205：判斷不同時間段的若干個分類區(qū)域是否均構建得到綜合阻力面，若是，得到不同時間段的綜合阻力面，否則，返回s202。

15、上述進一步方案的有益效果為：通過專家打分法和ahp層次分析法處理不同時間段的生態(tài)服務功能，能夠綜合評估阻力因子的阻力值和權重，全面、準確地反映阻力因子在評價體系中的重要程度。

16、進一步地：所述s3的具體步驟如下：

17、s301：根據不同時間段的綜合阻力面，分析并計算每個時間段的最小成本路徑，得到潛在生態(tài)廊道；

18、s302：利用重力模型量化不同時間段生態(tài)源地之間的相互作用力，并將相互作用力值大于設定閾值的生態(tài)源地之間的潛在生態(tài)廊道定義為重要廊道，沒有被定義為重要廊道的潛在生態(tài)廊道定義為一般廊道；

19、s303：根據不同時間段的重要廊道和一般廊道，計算得到不同時間段的生態(tài)廊道的空間重心遷移過程；

20、上述進一步方案的有益效果為：通過arcgis地理空間平臺計算得到生態(tài)廊道空間重心遷移過程，能夠確保計算結果準確性和科學性。

21、進一步地：所述利用重力模型量化生態(tài)源地之間的相互作用力，其計算表達式如下：

22、

23、其中，gab為生態(tài)源地a和生態(tài)源地b之間的相互作用力，na為生態(tài)源地a的權重值，nb為生態(tài)源地b的權重值，dab為生態(tài)源地a和生態(tài)源地b之間的阻力值，pa為生態(tài)源地a的阻力值，pb為生態(tài)源地b的阻力值，sa為生態(tài)源地a的面積，sb為生態(tài)源地b的面積，lab為生態(tài)源地a和生態(tài)源地b之間的成本路徑值，lmax為所有廊道累計阻力最大值。

24、上述進一步方案的有益效果為：通過上式計算生態(tài)源地之間的相互作用力，能夠科學地判斷生態(tài)源地之間的重要廊道，提高可靠性。

25、進一步地：所述利用arcgis地理空間平臺進行計算，得到不同時間段的生態(tài)廊道空間重心遷移過程，其計算表達式如下：

26、

27、其中，x為生態(tài)廊道空間重心的經度，y為生態(tài)廊道空間重心的緯度，wi為第i個區(qū)域的權重，xi為第i個區(qū)域的經度，yi為第i個區(qū)域的緯度。

28、上述進一步方案的有益效果為：通過生態(tài)廊道空間重心遷移過程的計算表達式，能夠基于生態(tài)廊道的歷史生態(tài)數據，準確計算生態(tài)廊道空間重心遷移過程，為后續(xù)mvmd-lstm混合變分模態(tài)長短期神經網絡模型的訓練提供數據。

29、進一步地：所述s5的具體步驟如下：

30、s501：根據生態(tài)廊道的特征數據，利用主成分分析法進行降維，得到生態(tài)廊道的特征因子；

31、s502：根據生態(tài)廊道的特征因子，利用mvmd多元變分模態(tài)進行分解，得到若干個生態(tài)廊道的模態(tài)分量；

32、s503：將若干個生態(tài)廊道的模態(tài)分量進行相加重構，得到融合后的模態(tài)分量；

33、s504：根據融合后的模態(tài)分量，結合正則化技術和交叉驗證進行l(wèi)stm長短期記憶網絡模型訓練，得到mvmd-lstm混合變分模態(tài)長短期神經網絡模型；

34、s505：根據生態(tài)廊道的各項歷史生態(tài)數據和不同時間段的生態(tài)廊道空間重心遷移過程，利用mvmd-lstm混合變分模態(tài)長短期神經網絡模型進行預測，得到未來的生態(tài)廊道重心遷移預測結果。

35、上述進一步方案的有益效果為：根據生態(tài)廊道的特征數據，基于mvmd多元變分模態(tài)分解和lstm長短期記憶網絡模型，構建了mvmd-lstm混合變分模態(tài)長短期神經網絡模型，能夠有效地處理復雜的多模態(tài)生態(tài)廊道數據，并準確地預測未來的生態(tài)廊道重心遷移過程。

36、進一步地：所述s504的具體步驟如下：

37、a1：根據融合后的模態(tài)分量，利用交叉驗證劃分為訓練集、驗證集和測試集；

38、a2：根據正則化技術，在lstm長短期記憶網絡模型的lstm層之后添加dropout層，并在lstm長短期記憶網絡模型的損失函數中添加正則化項，得到改進的lstm長短期記憶網絡模型；

39、a3：利用訓練集、驗證集和測試集，對使用正則化技術改進的lstm長短期記憶網絡模型進行訓練，并監(jiān)控驗證集的損失；

40、a4：判斷驗證集的損失是否停止改善，若是，使用回調函數callbacks提前結束訓練，得到訓練好的lstm長短期記憶網絡模型，并與mvmd多元變分模態(tài)分解結合，得到mvmd-lstm混合變分模態(tài)長短期神經網絡模型。

41、上述進一步方案的有益效果為：通過正則化技術對lstm長短期記憶網絡模型進行改進并訓練，將訓練好的lstm長短期記憶網絡模型與mvmd多元變分模態(tài)分解結合，由mvmd多元變分模態(tài)分解整合處理多模態(tài)生態(tài)數據，使得訓練好的lstm長短期記憶網絡模型能夠全面地分析數據，并精準預測生態(tài)廊道的重心遷移。