数据挖掘算法在高寒草地退化驱动因素相关性分析中的应用

doi:10.13745/j.esf.sf.2020.10.19

地学前缘 ›› 2021, Vol. 28 ›› Issue (4): 229-237.DOI: 10.13745/j.esf.sf.2020.10.19

• 水生态、草地生态及污染土壤修复 • 上一篇下一篇

数据挖掘算法在高寒草地退化驱动因素相关性分析中的应用

马蓉蓉¹(), 杨国柱², 胡月明³, 周伟¹^,⁴^,⁵^,^*()

1.中国地质大学(北京) 土地科学技术学院, 北京 100083
2.青海大学生态环境工程学院, 青海西宁 810016
3.华南农业大学资源环境学院, 广东广州 510642
4.自然资源部土地整治重点实验室, 北京 100035
5.自然资源部矿区生态修复工程技术创新中心, 北京 100083

收稿日期:2020-09-29 修回日期:2020-12-06 出版日期:2021-07-25 发布日期:2021-07-25
通讯作者: 周伟
作者简介:马蓉蓉(1995—),女,博士研究生,公共管理专业,主要从事土地整治与生态修复研究。E-mail: 870940391@qq.com
基金资助:
国家自然科学基金项目“青藏高原露天煤矿排土场地形-土壤-植被响应机理及地貌重塑研究”(41977415)

Application of data mining algorithm in correlation analysis of the driving factors for alpine grassland degradation

MA Rongrong¹(), YANG Guozhu², HU Yueming³, ZHOU Wei¹^,⁴^,⁵^,^*()

1. School of Land Science and Technology, China University of Geosciences (Beijing), Beijing 100083, China
2. College of Eco-Environmental Engineering, Qinghai University, Xining 810016, China
3. College of Natural Resources and Environment, South China Agricultural University, Guangzhou 510642, China
4. Key Laboratory of Land Consolidation and Rehabilitation, Ministry of Natural Resources, Beijing 100035, China
5. Technology Innovation Center for Ecological Restoration Engineering in Mining Area, Ministry of Natural Resources, Beijing 100083, China

Received:2020-09-29 Revised:2020-12-06 Online:2021-07-25 Published:2021-07-25
Contact: ZHOU Wei

摘要/Abstract

摘要：

高寒草地的退化受到众多自然、人为活动的影响,退化与驱动因素之间的耦合关系复杂。本文以青海省称多县为研究区,提取2005—2014年归一化植被指数(NDVI,normalized difference vegetation index)时间序列数据集,结合温度、降水、社会经济因素,运用基于数据挖掘的提升度算法进行相关性分析,研究影响高寒草地退化指标与表示高寒草地退化指标之间两者的关系。本文采用提升度算法针对3个等级的NDVI、可食量、植株高度与相应的温度、降水、鼠害和放牧强度之间的关系进行分析,能够更精确地分析各驱动因子在不同等级取值范围下对草地不同等级退化的贡献率,发现驱动因素与草地退化之间的影响关系并不是单向的,而是到达一定的程度时会出现逆向影响关系。本研究得到如下结论:(1)草地植被覆盖度低与气温和降水存在负相关;(2)草地可食量低与气温和人口存在负相关,与牲畜存在正相关;(3)地上植株高度低与牲畜呈现正相关。

关键词: 归一化植被指数(NDVI), 数据挖掘, 提升度, 相关性分析, 高寒草地, 退化指标

Abstract:

The degradation of alpine grassland is affected by a range of natural and human activities, and the coupling relationship between degradation and its driving factors is complex. To study the relationship between the influencing factors and indicators for alpine grassland degradation, this paper refers to Duo County as the research area, extracts the NDVI time series data from 2005 to 2014, combines the temperature, precipitation and socio-economic factors, and uses the data mining-based lift caluation in the correlation analysis. The relationships between the three levels of NDVI, food availability or plant height and the corresponding temperature, precipitation, rodent or grazing intensity were examined, so as to more accurately analyze the contribution rate of each driving factor to different grades of grassland degradation. The conclusions are: (1)The low vegetation coverage in grassland is negatively correlated with temperature and precipitation. (2)The low food availability in grassland is negatively correlated with temperature and population, and positively correlated with livestock. (3)The low plant height is positively correlated with livestock.

Key words: NDVI, data mining, lift calculation, correlation analysis, alpine grassland, degradation index

中图分类号:

X171.4
X87

马蓉蓉, 杨国柱, 胡月明, 周伟. 数据挖掘算法在高寒草地退化驱动因素相关性分析中的应用[J]. 地学前缘, 2021, 28(4): 229-237.

MA Rongrong, YANG Guozhu, HU Yueming, ZHOU Wei. Application of data mining algorithm in correlation analysis of the driving factors for alpine grassland degradation[J]. Earth Science Frontiers, 2021, 28(4): 229-237.

图/表 9

参考文献 38

[1]	于惠. 青藏高原草地变化及其对气候的响应[D]. 兰州: 兰州大学, 2013.
[2]	龙瑞军. 青藏高原草地生态系统之服务功能[J]. 科技导报, 2007, 25(9):26-28.
[3]	李波, 邵怀勇. 气候变化与人类活动对川西高原草地变化相对作用的定量评估[J]. 草学, 2017(3):16-21.
[4]	李肖娟. 气候变化和人类活动对祁连山草地演变影响程度的研究[D]. 西安: 陕西师范大学, 2018.
[5]	李林, 李凤霞, 郭安红, 等. 近43年来“三江源”地区气候变化趋势及其突变研究[J]. 自然资源学报, 2006, 21(1):79-85.
[6]	戴升, 李林. 1961—2009年三江源地区气候变化特征分析[J]. 青海气象, 2011(1):20-26.
[7]	马更禄. 玉树州高寒草地退化现状及治理对策[J]. 草业与畜牧, 2007(6):33-35, 55.
[8]	YANG J P, DING Y J, CHEN R S. Spatial and temporal of variations of alpine vegetation cover in the source regions of the Yangtze and Yellow Rivers of the Tibetan Plateau from 1982 to 2001[J]. Environmental Geology, 2006, 50(3):313-322. DOI URL
[9]	周宏毅, 孙凡, 何海博. 玉树藏族自治州草地植被覆盖变化及其自然影响因子的相关性分析[J]. 青海大学学报(自然科学版), 2016, 34(3):48-53.
[10]	马梅, 张圣微, 魏宝成. 锡林郭勒草原近30年草地退化的变化特征及其驱动因素分析[J]. 中国草地学报, 2017, 39(4):86-93.
[11]	赵雪雁. 高寒牧区草地退化的人文因素研究: 以甘南牧区玛曲县为例[J]. 草业学报, 2007, 16(6):113-120.
[12]	王金枝, 颜亮, 吴海东, 等. 层次分析法在藏北高寒草地退化研究中的应用[J]. 应用与环境生物学报, 2019, 25(6):1-12.
[13]	王维, 史惠兰, 田海宁, 等. 基于灰色关联分析的高寒草地土壤适宜性评价: 以三江源河南县为例[J]. 科技通报, 2018, 34(11):96-104.
[14]	孙华方, 李希来, 金立群, 等. 黄河源区建植17年栽培草地退化响应因子分析[J]. 草业科学, 2019, 36(5):1240-1248.
[15]	张雷, 王琳琳, 张旭东, 等. 随机森林算法基本思想及其在生态学中的应用: 以云南松分布模拟为例[J]. 生态学报, 2014, 34(3):650-659.
[16]	周伟, 王倩, 章超斌, 等. 黑河中上游草地NDVI时空变化规律及其对气候因子的响应分析[J]. 草业学报, 2013, 22(1):138-147.
[17]	徐新良. 中国月度植被指数(NDVI)空间分布数据集[EB/OL].[2020-11-24]. http://www.resdc.cn . DOI: 10.12078/2018060602. DOI URL
[18]	王建华, 王菲, 黄国建. 数据挖掘技术研究的现状及展望[C]//章祥荪, 王建方. 中国运筹学会第六届学术交流会论文集. 香港: Global-Link出版社, 2000: 253-259.
[19]	苏新宁, 杨建林, 江念南. 数据仓库和数据挖掘[M]. 北京: 清华大学出版社, 2006.
[20]	VREEKEN J, LEEUWEN M, SIEBES A. Krimp: mining item sets that compress[J]. Data Mining and Knowledge Discovery, 2011, 23(1):169-214. DOI URL
[21]	武森, 高学东, 巴斯蒂安 M. 数据仓库与数据挖掘[M]. 北京: 冶金工业出版社, 2003.
[22]	曾异平. 数据挖掘方法研究: 关联和趋势分析[D]. 成都: 电子科技大学, 2003.
[23]	林毅. 基于粗集理论的关联规则挖掘的研究[D]. 南宁: 广西大学, 2004.
[24]	崔莹. 多源地质空间数据挖掘方法及应用[D]. 成都: 电子科技大学, 2011.
[25]	米捷, 李可. 对单数据库和多数据库中挖掘模式的评价[J]. 电脑知识与技术, 2008, 4(19):21-22, 35.
[26]	琚春华, 鲍福光, 王宗格. 关联规则的评价方法改进与度量框架研究[J]. 情报学报, 2013, 32(6):584-592.
[27]	贾桂霞. 数据挖掘中关联规则及应用的研究[D]. 兰州: 兰州理工大学, 2006.
[28]	朱文婕, 胡学钢. 关联规则评价方法综述[J]. 安徽科技学院学报, 2007, 21(5):37-40.
[29]	郑为夷. 基于项目邻接表与事务树的频繁项集挖掘算法[D]. 秦皇岛: 燕山大学, 2010.
[30]	王枭翔. 基于相关兴趣度的关联规则挖掘[D]. 兰州: 兰州交通大学, 2013.
[31]	王新源, 连杰, 杨小鹏, 等. 玛曲县植被覆被变化及其对环境要素的响应[J]. 生态学报, 2019, 39(3):923-935.
[32]	王辉, 任继周, 袁宏波. 黄河源区天然草地沙化机理分析研究[J]. 草业学报, 2006, 15(6):19-25.
[33]	赵婷. 近20年陕北黄土高原植被覆盖度与气候响应关系分析[C]//第32届中国气象学会年会论文集. 北京: 中国气象学会, 2015: 748-754.
[34]	韦振锋, 任志远, 张翀, 等. 西北地区植被覆盖变化及其与降水和气温的相关性[J]. 水土保持通报, 2014, 34(3):283-289.
[35]	BAI Y F, HAN X G, WU J G, et al. Ecosystem stability and compensatory effects in the Inner Mongolia grassland[J]. Nature, 2004, 431(7005):181-184. DOI URL
[36]	TONG C, WU J, YONG S, et al. A landscape-scale assessment of steppe degradation in the Xilin River Basin, Inner Mongolia, China[J]. Journal of Arid Environments, 2004, 59(1):133-149. DOI URL
[37]	李青丰, 胡春元, 王明玖. 锡林郭勒草原生态环境劣化原因诊断及治理对策[J]. 内蒙古大学学报(自然科学版), 2003, 34(2):166-172.
[38]	张文娟. 气候变化与放牧管理对三江源草地生物量和土壤有机碳的影响[D]. 兰州: 兰州大学, 2018.

因素	符号	较低	中等	较高
气温/℃	Q	-0.27~5.32	5.35~7.81	7.85~11.41
降水/mm	J	4 940~7 425	7 530~11 597	11 600~19 706
人口数量	R	4 790~8 015	8 102~10 078	11 001~11 799
鼠类数量	SL	110~255	260~270	280~290
草食牲畜数量/万头	SC	29 079~53 661	54 013~69 095	71 256~73 149
可食量/(kg·m^-2)	K	1 040~1 893.3	1 915~2 420.38	2 427.5~5 007.5
植株平均高度/cm	GD	2.6~3.86	3.9~5.8	5.9~11
NDVI	N	0.156~0.532	0.536~0.664	0.668~0.8

因素	符号	较低	中等	较高
气温/℃	Q	-0.27~5.32	5.35~7.81	7.85~11.41
降水/mm	J	4 940~7 425	7 530~11 597	11 600~19 706
人口数量	R	4 790~8 015	8 102~10 078	11 001~11 799
鼠类数量	SL	110~255	260~270	280~290
草食牲畜数量/万头	SC	29 079~53 661	54 013~69 095	71 256~73 149
可食量/(kg·m^-2)	K	1 040~1 893.3	1 915~2 420.38	2 427.5~5 007.5
植株平均高度/cm	GD	2.6~3.86	3.9~5.8	5.9~11
NDVI	N	0.156~0.532	0.536~0.664	0.668~0.8

指标	相关参数	各相关参数值
指标	相关参数	NDVI	人口数量	鼠类数量	牲畜数量	气温归一化	降水归一化	可食量	植株高度
NDVI	Pearson相关性	1	0.033	-0.085	-0.168^**	0.791^**	0.473^**	-0.029	0.042
	显著性 (双尾)		0.546	0.122	0.002	0	0	0.605	0.446
	N	330	330	330	330	330	330	330	330
人口	Pearson相关性	0.033	1	0.725^**	0.265^**	0.076	0.042	0.180^**	-0.467^**
数量	显著性 (双尾)	0.546		0	0	0.168	0.444	0.001	0
	N	330	330	330	330	330	330	330	330
鼠类	Pearson相关性	-0.085	0.725^**	1	0.827^**	-0.166^**	-0.035	0.065	-0.555^**
数量	显著性 (双尾)	0.122	0		0	0.003	0.526	0.238	0
	N	330	330	330	330	330	330	330	330
牲畜	Pearson相关性	-0.168^**	0.265^**	0.827^**	1	-0.310^**	-0.075	-0.032	-0.542^**
数量	显著性 (双尾)	0.002	0	0		0	0.174	0.564	0
	N	330	330	330	330	330	330	330	330
气温归一化	Pearson相关性	0.791^**	0.076	-0.166^**	-0.310^**	1	0.601^**	-0.058	0.097
	显著性 (双尾)	0	0.168	0.003	0		0	0.297	0.079
	N	330	330	330	330	330	330	330	330
降水归一化	Pearson相关性	0.473^**	0.042	-0.035	-0.075	0.601^**	1	0.065	-0.001
	显著性 (双尾)	0	0.444	0.526	0.174	0		0.236	0.983
	N	330	330	330	330	330	330	330	330
可食量	Pearson相关性	-0.029	0.180^**	0.065	-0.032	-0.058	0.065	1	0.04
	显著性 (双尾)	0.605	0.001	0.238	0.564	0.297	0.236		0.475
	N	330	330	330	330	330	330	330	330
植株高度	Pearson相关性	0.042	-0.467^**	-0.555^**	-0.542^**	0.097	-0.001	0.04	1
	显著性 (双尾)	0.446	0	0	0	0.079	0.983	0.475
	N	330	330	330	330	330	330	330	330

指标	相关参数	各相关参数值
指标	相关参数	NDVI	人口数量	鼠类数量	牲畜数量	气温归一化	降水归一化	可食量	植株高度
NDVI	Pearson相关性	1	0.033	-0.085	-0.168^**	0.791^**	0.473^**	-0.029	0.042
	显著性 (双尾)		0.546	0.122	0.002	0	0	0.605	0.446
	N	330	330	330	330	330	330	330	330
人口	Pearson相关性	0.033	1	0.725^**	0.265^**	0.076	0.042	0.180^**	-0.467^**
数量	显著性 (双尾)	0.546		0	0	0.168	0.444	0.001	0
	N	330	330	330	330	330	330	330	330
鼠类	Pearson相关性	-0.085	0.725^**	1	0.827^**	-0.166^**	-0.035	0.065	-0.555^**
数量	显著性 (双尾)	0.122	0		0	0.003	0.526	0.238	0
	N	330	330	330	330	330	330	330	330
牲畜	Pearson相关性	-0.168^**	0.265^**	0.827^**	1	-0.310^**	-0.075	-0.032	-0.542^**
数量	显著性 (双尾)	0.002	0	0		0	0.174	0.564	0
	N	330	330	330	330	330	330	330	330
气温归一化	Pearson相关性	0.791^**	0.076	-0.166^**	-0.310^**	1	0.601^**	-0.058	0.097
	显著性 (双尾)	0	0.168	0.003	0		0	0.297	0.079
	N	330	330	330	330	330	330	330	330
降水归一化	Pearson相关性	0.473^**	0.042	-0.035	-0.075	0.601^**	1	0.065	-0.001
	显著性 (双尾)	0	0.444	0.526	0.174	0		0.236	0.983
	N	330	330	330	330	330	330	330	330
可食量	Pearson相关性	-0.029	0.180^**	0.065	-0.032	-0.058	0.065	1	0.04
	显著性 (双尾)	0.605	0.001	0.238	0.564	0.297	0.236		0.475
	N	330	330	330	330	330	330	330	330
植株高度	Pearson相关性	0.042	-0.467^**	-0.555^**	-0.542^**	0.097	-0.001	0.04	1
	显著性 (双尾)	0.446	0	0	0	0.079	0.983	0.475
	N	330	330	330	330	330	330	330	330

NDVI	指标	提升度	NDVI	指标	提升度	NDVI	指标	提升度
N1	J1	1.636 4	N2	J1	0.845 5	N3	J1	0.518 2
N1	J2	0.845 5	N2	J2	0.954 5	N3	J2	1.200 0
N1	J3	0.518 2	N2	J3	1.200 0	N3	J3	1.281 8
N1	Q1	2.263 6	N2	Q1	0.545 5	N3	Q1	0.190 9
N1	Q2	0.600 0	N2	Q2	1.800 0	N3	Q2	0.600 0
N1	Q3	0.136 4	N2	Q3	0.654 5	N3	Q3	2.209 1
N1	R1	1.090 9	N2	R1	1.063 6	N3	R1	0.845 5
N1	R2	1.090 9	N2	R2	1.090 9	N3	R2	0.818 2
N1	R3	0.818 2	N2	R3	0.845 5	N3	R3	1.336 4
N1	SC1	0.818 2	N2	SC1	0.900 0	N3	SC1	1.281 8
N1	SC2	0.927 3	N2	SC2	0.763 6	N3	SC2	1.309 1
N1	SC3	1.266 1	N2	SC3	1.321 1	N3	SC3	0.412 8
N1	SL1	0.954 5	N2	SL1	0.763 6	N3	SL1	1.281 8
N1	SL2	0.900 0	N2	SL2	0.981 8	N3	SL2	1.118 2
N1	SL3	1.145 5	N2	SL3	1.254 5	N3	SL3	0.600 0

数据挖掘算法在高寒草地退化驱动因素相关性分析中的应用

Application of data mining algorithm in correlation analysis of the driving factors for alpine grassland degradation

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 38

相关文章 6

编辑推荐

Metrics

本文评价

植株高度	指标	提升度	植株高度	指标	提升度	植株高度	指标	提升度
GD1	J1	0.927 3	GD2	J1	1.009 1	GD3	J1	1.063 6
GD1	J2	1.363 6	GD2	J2	0.736 4	GD3	J2	0.900 0
GD1	J3	0.709 1	GD2	J3	1.254 5	GD3	J3	1.036 4
GD1	Q1	1.172 7	GD2	Q1	1.009 1	GD3	Q1	0.818 2
GD1	Q2	0.954 5	GD2	Q2	0.954 5	GD3	Q2	1.090 9
GD1	Q3	0.872 7	GD2	Q3	1.036 4	GD3	Q3	1.090 9
GD1	R1	0.190 9	GD2	R1	0.900 0	GD3	R1	1.909 1
GD1	R2	1.800 0	GD2	R2	0.490 9	GD3	R2	0.709 1
GD1	R3	1.009 1	GD2	R3	1.609 1	GD3	R3	0.381 8
GD1	SC1	0.136 4	GD2	SC1	1.227 3	GD3	SC1	1.636 4
GD1	SC2	1.309 1	GD2	SC2	0.736 4	GD3	SC2	0.954 5
GD1	SC3	1.541 3	GD2	SC3	1.045 9	GD3	SC3	0.412 8
GD1	SL1	0.409 1	GD2	SL1	0.818 2	GD3	SL1	1.772 7
GD1	SL2	1.636 4	GD2	SL2	1.172 7	GD3	SL2	0.190 9
GD1	SL3	0.954 5	GD2	SL3	1.009 1	GD3	SL3	1.036 4

[1]	冯军, 张琪, 罗建民. 深度挖掘数据潜在价值提高找矿靶区定量优选精度[J]. 地学前缘, 2022, 29(4): 403-411.
[2]	王功文, 张寿庭, 燕长海, 庞振山, 王宏伟, 冯占奎, 董宏, 程红涛, 何亚清, 李瑞喜, 张智强, 黄蕾蕾, 郭娜娜. 栾川矿集区地学大数据挖掘和三维/四维建模的资源-环境联合预测与定量评价[J]. 地学前缘, 2021, 28(3): 139-155.
[3]	罗建民，张旗. 大数据开创地学研究新途径：查明相关关系，增强研究可行性[J]. 地学前缘, 2019, 26(4): 6-12.
[4]	刘心怡，周永章. 关联规则算法在粤西庞西垌地区元素异常组合研究中的应用 [J]. 地学前缘, 2019, 26(4): 125-130.
[5]	王堃屹，周永章，王俊，张奥多，余晓彤，焦守涛，刘心怡. 推荐系统算法在钦杭成矿带南段文地幅矿床预测中的应用[J]. 地学前缘, 2019, 26(4): 131-137.
[6]	罗建民，王晓伟，张琪，宋秉田，杨忠明，赵彦庆. 地质大数据方法在区域找矿靶区定量优选中的应用[J]. 地学前缘, 2019, 26(4): 76-83.