基于机器学习的区域海洋生态质量评估方法与流程

本发明涉及海洋生态保护、治理与修复领域，更具体地说，本发明涉及基于机器学习的区域海洋生态质量评估方法。

背景技术：

1、海洋在环境中扮演着不可替代的角色，对地球生态系统和气候稳定起着至关重要的作用。首先，海洋是全球水循环的重要组成部分，调节着大气中的湿度和温度，影响着全球的气候模式。其次，海洋为数不胜数的生物提供了栖息地和食物源，维持着地球上丰富的生物多样性。许多重要的食物链和生态系统都依赖于海洋的平衡和稳定。此外，海洋吸收大量的二氧化碳，有助于缓解气候变化的影响，充当着地球的碳汇。因此，保护海洋生态系统对于维持全球环境的平衡至关重要，在保护海洋的前提下，是要了解海洋的生态环境情况，对海洋生态系统进行相关方向上的评估，根据评估结果制定保护方案。

2、在现有的目标海域生态评估方法中，存在一些不足之处：

3、首先，传统的评估方法往往倾向于将整个目标海域视为一个统一的生态单元，或者人为分割成了不同单元，忽略了不同区域之间的空间异质性。这导致了评估结果的精度受到限制，难以捕捉到生态系统内部不同区域的特异性和动态变化。

4、此外，传统方法在评估相似性时常常依赖于主观的经验判断或少量的样本数据，缺乏客观且全面的量化手段。这可能导致对生态相似性的理解存在主观性和片面性，影响评估的科学性和准确性。

5、最后，传统方法在面对生态系统的空间动态变化时，未能有效地捕捉到相邻区域的相互影响和生态系统的演变趋势。缺乏对空间关联性的全面考量可能导致对生态系统整体状况的不完整理解。

6、为了解决上述问题，现提供一种技术方案。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明通过将目标海域划分为多个单位海域并进行余弦相似度计算，客观评估了海域的生态相似性。这有助于确定潜在的生态相似区域，并捕捉相邻区域的相互影响。融合接壤单位海域形成更大的生态区，更符合实际生态系统的边界和动态变化，为生态质量评估提供全面和精准的空间信息。通过获取生态区平面图，计算边界变化程度，生成生态区更新频率信号，实现实时监测和智能管理。最后，从每个生态区提取特征数据，通过pca降维和线性回归模型，生成全面的评估指标，更准确地捕捉生态系统的关键特征，为科学决策提供有效支持。整个过程提高了计算效率，保持了对生态区特征的敏感性，为生态质量评估提供了更具代表性和可解释性的指标，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、步骤s100，将目标区域按照生态环境分区管控类型划分为多个单位海域，获取每个单位海域的基础背景参数，得到对应数据集；

4、步骤s200，利用数据集分析单位海域的相似性，将相似的单位海域进行动态融合得到若干个生态区，即评价单元区；

5、步骤s300，在单位时间内获取所有生态区平面图，计算面域范围特征指标综合改变程度值，获得生态区更新频率信号提示；

6、步骤s400，对每个生态区提取相关的特征数据，进行标准化和降维处理，通过线性回归模型为每个特征分配权重，得到最终的评估指标。

7、在一个优选的实施方式中，步骤s100具体包括以下内容：

8、利用地理信息工具，将目标区域按照生态环境分区管控类型划分为多个单位海域，根据海洋生态系统的特点，确定需要收集的基础参数，根据基础参数的性质和空间分布，使用对应的数据收集方法，对于不同来源的数据，进行标准化，以确保数据的一致性和可比性；将收集到的不同参数数据整合到一个综合的数据集中，以便后续进行分析，将整合后的数据存储在数据库汇总。

9、在一个优选的实施方式中，步骤s200具体包括以下内容：

10、对目标区域的单位海域进行两两排列组合，并去重得到每一对单位海域的组合，从数据库中检索每个组合对应的基础参数数据集，对每一对单位海域的数据集对应用余弦相似度计算，得到相似性值，将相似性值构建成相似性矩阵，筛选出相似性值大于等于相似阈值的单位海域对；在相似性大于等于相似阈值的单位海域对中，进一步筛选出在地理上相邻的单位海域对，将接壤的单位海域对进行动态融合，形成生态区。

11、在一个优选的实施方式中，步骤s300具体包括以下内容：

12、在单位时间内以额定时间间隔获取生态区的平面图，得到所有生态区的平面图；对于两个相邻时间点的同一生态区边界，计算得到交集面积和并集面积；再计算相邻时间点下同一生态区边界的比值：对于每个生态区，累加其单位时间内的比值，得到累加值；计算所有生态区的累加值的平均值，得到面域改变程度值。

13、在一个优选的实施方式中，将面域改变程度值和面域动态阈值进行比较，若面域改变程度值大于等于面域动态阈值，生成生态区更新频率信号，提示需要升高更新频率；若面域改变程度值小于面域动态阈值，不生成任何信号。

14、在一个优选的实施方式中，步骤s400具体包括以下内容：

15、从每个生态区中提取相关的特征数据，形成一个特征矩阵，其中每一行表示一个生态区，每一列表示一个特征；对特征数据进行标准化，确保每个特征的尺度相似；使用pca对标准化后的特征数据进行降维，得到主成分对于每个主成分，计算其方差贡献率：方差贡献率表示每个主成分对总方差的贡献程度，计算公式为：方差贡献率＝(主成分的方差总方差/总方差)×100％。

16、在一个优选的实施方式中，使用线性回归模型，将每个主成分的方差贡献率作为目标变量进行训练，从线性回归模型中提取主成分的权重，将权重和门槛阈值进行比较，将权重值大于或等于门槛阈值的主成分的权重与其对应的方差贡献率相乘，并将结果累加，得到最终的评估指标。

17、本发明基于机器学习的区域海洋生态质量评估方法的技术效果和优点：

18、1.本发明通过对两两单位海域进行排列组合并计算余弦相似度，客观量化单位海域之间的相似性，基于数据进行生态系统的相似性评估。筛选出相似性大于等于相似阈值的单位海域对有助于确定潜在的生态相似区域，为后续的生态质量评估提供了有针对性的数据基础，并且进一步筛选出接壤的单位海域对，则有助于捕捉生态系统中相邻区域的相互影响，保留了地理空间上的生态关联性。最终通过融合接壤单位海域，形成若干个更大的生态区，更符合实际生态系统的边界和动态变化，为生态质量评估提供更全面和精准的空间信息，为科学决策提供更有效的支持；

19、2.本发明通过获取生态区的平面图，计算相邻时间点同一生态区边界的交集面积和并集面积，进而得到边界变化的相对比值，将这些比值累加并计算平均值，得到面域改变程度值，在大于等于面域动态阈值情况下生成生态区更新频率信号，进而便于实时监测生态系统的变化，优化资源分配，提供预警机制，使生态系统管理更加智能和灵活，有效平衡资源利用和生态保护的需求。

20、3.本发明首先，通过形成特征矩阵并进行标准化，确保了每个特征在计算中的权重是相似的，避免了不同尺度特征对结果的影响；接着，pca的应用能够将原始特征投影到主成分上，减少了数据的维度，同时保留了大部分原始信息，计算每个主成分的方差贡献率进一步揭示了每个主成分对整体方差的解释程度，有助于确定哪些主成分包含更多关键信息，通过使用线性回归模型，将每个主成分的方差贡献率作为目标变量进行训练，得到了主成分的权重，这些权重反映了每个主成分对评估指标的相对重要性。最后，通过将每个主成分的权重与其对应的方差贡献率相乘并累加，得到了综合的评估指标，更全面地反映了生态区的整体质量和特征，整个过程有效地简化了原始数据集，提高了计算效率，同时保持了对生态区特征的敏感性，进而能够更准确地捕捉生态系统的关键特征，为生态质量的评估提供更具代表性和可解释性的指标。