生态环境影响评价技术体系创新与工程实践验证‌‌——基于HJ 19-2022导则的西南水电开发生态效应研究-CSDN博客

本文链接：https://blog.csdn.net/KY_chenzhao/article/details/147255193

集成遥感解译、InVEST模型与深度学习技术，构建"多源数据融合-生态过程模拟-动态风险评估"三位一体的评价体系。以澜沧江某梯级水电站为例，开发基于PyTorch的植被覆盖度时空预测模型，提出改进型景观破碎度指数（ILFI）与生物多样性威胁度（BTI）耦合评估算法，实现施工期与运营期的生态效应量化追踪。案例验证显示，模型预测精度达91.7%，评价周期缩短40%。

技术方法体系

1 多源数据融合框架

构建"天-空-地"立体监测网络：

‌卫星数据‌：Landsat 8 OLI（30m）+ Sentinel-1 SAR（10m）融合，通过NDVI修正公式消除地形阴影：
NDVI_{adj} = \frac{(1+\cos\theta)}{2} \cdot NDVI + \frac{(1-\cos\theta)}{2} \cdot SWIRNDVIadj=2(1+cosθ)⋅NDVI+2(1−cosθ)⋅SWIR
式中θ为太阳天顶角，SWIR为短波红外波段反射率
‌无人机数据‌：大疆M300 RTK获取0.1m分辨率正射影像，通过OpenDroneMap生成三维点云
‌地面验证‌：设置45个典型样方，采用LiCOR LI-6800光合仪实测植被生理参数

2 生态系统服务评估模型

改进InVEST产水模块算法：

WY = \min(PET, P) \cdot \exp(-\frac{P}{PET}) \cdot K_{slope} \cdot K_{soil}WY=min(PET,P)⋅exp(−PETP)⋅Kslope⋅Ksoil

‌Python实现代码片段‌：

python

import numpy as np def water_yield(precip, pet, slope, soil_group): # 坡度修正系数 K_slope = 1 - 0.02 * np.arctan(slope) # 土壤类型渗透系数（按FAO标准分类） soil_coef = {'clay':0.35, 'silt':0.52, 'sand':0.68} WY = np.minimum(pet, precip) * np.exp(-precip/pet) * K_slope * soil_coef[soil_group] return WY

案例研究——澜沧江某水电站

1 数据预处理流程

‌遥感影像处理‌：
bash

# GDAL执行影像融合 gdal_merge.py -o fused.tif -of GTiff -n 0 -a_nodata 0 Landsat.tif Sentinel.tif
‌土地利用分类‌：
- 构建DeeplabV3+模型，ResNet-101主干网络
- 类别包括：原始林（OA=93.2%）、灌草地（OA=89.7%）、裸岩（OA=95.1%）

2 关键模型构建生态环境影响评价技术体系创新与工程实践验证‌‌——基于HJ 19-2022导则的西南水电开发生态效应研究https://mp.weixin.qq.com/s/90ZNnT5RY2ypoYosi7vgyw

‌植被覆盖度预测模型（LSTM-CNN混合架构）‌：

\hat{V}_t = \sigma(W_h \cdot [CNN(X_t) \| LSTM(V_{t-3:t})] + b_h)V^t=σ(Wh⋅[CNN(Xt)∥LSTM(Vt−3:t)]+bh)

‌PyTorch核心代码‌：

python

class EcoHybrid(nn.Module): def __init__(self): super().__init__() self.cnn = ResNet18(pretrained=True) self.lstm = nn.LSTM(input_size=64, hidden_size=128) self.fc = nn.Linear(256, 1) def forward(self, img_seq, ndvi_seq): cnn_feats = [self.cnn(x) for x in img_seq] lstm_out, _ = self.lstm(ndvi_seq) combined = torch.cat([cnn_feats[-1], lstm_out[-1]], dim=1) return self.fc(combined)