Dynamische Bewertung des ökologischen Hangsanierungseffekts basierend auf Kosinusähnlichkeit und Markov-Kette

Oct 11, 2023

Scientific Reports Band 13, Artikelnummer: 13533 (2023) Diesen Artikel zitieren

94 Zugriffe

Details zu den Metriken

Es ist wichtig, die Auswirkungen der ökologischen Hangsanierung zu bewerten, um den Zustand der Hangsanierung rechtzeitig diagnostizieren zu können. Bei mehreren Soft-Computing-Methoden müssen Experten das Indexgewicht bestimmen, was sich auf die Rationalität der Bewertungsergebnisse auswirkt. Darüber hinaus handelt es sich bei allen um statische Bewertungsmethoden, die den Zeiteffekt der Wiederherstellung nicht widerspiegeln können. Daher wurde eine dynamische Bewertungsmethode ohne Bestimmung des Indexgewichts basierend auf Kosinusähnlichkeit und Markov-Kette vorgeschlagen. Um die Wirksamkeit der vorgeschlagenen Methode zu beweisen, wurden mehrere Fälle herangezogen. Die Ergebnisse zeigten, dass die Ergebnisse dieser Methode besser mit den tatsächlichen Situationen übereinstimmen und die Variabilität des Wiederherstellungseffekts widerspiegeln können. Abschließend wurde die Sensitivität der Indizes unter verschiedenen ökologischen Sanierungsmethoden analysiert. Die Ergebnisse zeigen, dass der Kernzusammenhang der Wiederherstellungsmethode mit dem Sensitivitätsergebnis übereinstimmte. Das vorgeschlagene Verfahren bietet eine Grundlage zur Optimierung der Sanierungsmethoden.

Die ökologische Schädigung von Böschungen beim Bau von Autobahnen, Tagebauen und Staudämmen wirkt sich stark negativ auf die Umwelt aus und führt zu Vegetationsverlust und Bodenerosion1,2. Auf dem Gebiet der Geotechnik und des ökologischen Ingenieurwesens ist es eine Herausforderung, Hänge mit Instabilitätsstatus wirksam zu schützen, um geschädigte Vegetation wiederherzustellen und Bodenerosion zu reduzieren3. Die ökologische Sanierung von Böschungen bezieht sich hauptsächlich auf die Technologie der Kombination lebender Pflanzen mit technischen Maßnahmen zur Verhinderung der Verwitterung und Ablösung von Böschungen, wie z. B. die ökologische Schutztechnologie für Vegetationsbeton4, die Böschungstechnologie mit Bandpflanzung5 und die CS-Granulationstechnologie höherer Ordnung6. Es ist von großer Bedeutung, die geeigneten ökologischen Sanierungstechnologien auszuwählen und einzusetzen, um die nachfolgenden ökologischen Hangschutzarbeiten zu leiten. Die Forschungsergebnisse zur ökologischen Hangsanierung konzentrieren sich jedoch hauptsächlich auf die Auswahl, Gestaltung, Optimierung und den Mechanismus von Hangsanierungsmaßnahmen, während der allgemeine Gesundheitszustand und die Wartung bestehender ökologischer Sanierungsprojekte selten untersucht werden. In der frühen Phase der ökologischen Wiederherstellung werden die Überlebensrate und die Bedeckungsrate der Vegetation stark durch das Klima und saisonale Niederschläge beeinflusst, was zu einer weiteren Verschlechterung der ökologischen Umgebung des Hangs führen kann. Ohne rechtzeitige und genaue Gesundheitsdiagnose und angemessene Wartung wird es zu Boden- und Wasserverlusten und Erdrutschen kommen, was zu enormen wirtschaftlichen Verlusten führt.

Derzeit haben einige Wissenschaftler den Gesundheitszustand der ökologischen Hangsanierung untersucht. Die meisten vorhandenen Bewertungsdaten sind jedoch einfach und umfangreich und basieren auf visueller Interpretation oder qualitativer Beschreibung oder einer groben Beurteilung im Sinne einer Expertenbewertung und ziehen qualitative Schlussfolgerungen wie „ausgezeichnet“, „gut“, „mittel“ oder „schlecht“. “ und „Erfolg oder Misserfolg“7. Diese Bewertungsmethode wird stark von individuellen subjektiven Gefühlen beeinflusst und es mangelt an Objektivität, genauen, wissenschaftlichen und standardisierten quantitativen Standards und Bewertungsdaten. Daher sind die von verschiedenen Gutachtern erzielten Ergebnisse für dasselbe Projekt oft sehr unterschiedlich und die Glaubwürdigkeit der Bewertungsergebnisse ist fraglich.

Im Allgemeinen wird die Wirkung der ökologischen Hangsanierung nicht nur durch quantifizierbare Indizes (z. B. Bodenchemie, Bodenphysik, Artenvielfalt, Vegetationsbedeckung, Wurzelverstärkung) beeinflusst, sondern auch durch eher qualitative Indizes (z. B. Bodentyp, Vegetationsgemeinschaft, Entwässerung). System, Landschaftskoordination, Landschaftskapazität für Besucher)8,9,10,11. Dies führt zu großen Schwierigkeiten bei der Bewertung der ökologischen Wiederherstellungswirkung von Böschungen. Derzeit werden viele Soft-Computing-Methoden, wie der analytische Hierarchieprozess (AHP)-Ansatz12, die Fuzzy-Mathematik-Programmiermethode13,14, die Gray-Clustering-Analysemethode15,16, die Extenics-Theorie17 und das nicht ermittelte Mengenpaar18, in großem Umfang auf die Bewertung der ökologischen Hangsanierung angewendet Wirkung, die quantitative und qualitative Indikatoren umfassend berücksichtigen kann. Allerdings müssen diese weichen Methoden das Gewicht der Indikatoren anhand persönlicher Expertenerfahrungen bestimmen, was ebenfalls Unsicherheiten in den Berechnungsergebnissen mit sich bringt. Darüber hinaus können diese Methoden die Unsicherheitsfaktoren im Bewertungsmodell nicht simulieren und die Unsicherheit der Ergebnisse nicht intuitiver ausdrücken. Darüber hinaus sind sich viele Forscher im Bereich der ökologischen Wiederherstellung zeitlich einig, dass Veränderungen und Verbesserungen der Vegetation im Laufe der Zeit überwacht und bewertet werden müssen, was der Bereitstellung von Echtzeitinformationen bei der Umsetzung von Vegetationswiederherstellungsprojekten förderlich ist. Die meisten vorhandenen Untersuchungen beschränken sich jedoch auf die statische Bewertung und es fehlt eine dynamische Bewertung des Veränderungsprozesses der Hangvegetation.

Cosine Similarity (CS) ist ein relativ einfacher Clustering-Algorithmus, der hauptsächlich für den Textraumindex, die Berechnung der semantischen Ähnlichkeit, die Fehlererkennung usw. verwendet wird. CS wird zunehmend auch im Bereich der Entscheidungsfindung mit mehreren Attributen eingesetzt. Long et al.19 haben ein auf CS basierendes Werkzeugauswahlmodell entwickelt. Liao und Xu20 haben einen CS-basierten Ansatz für das Multikriterium-Entscheidungsproblem zögernder Fuzzy-Sprachen vorgeschlagen und das vorgeschlagene Modell auf die Auswahl von ERP-Systemen angewendet. CS wird normalerweise als das innere Produkt zweier Nicht-Null-Vektoren dividiert durch das Produkt ihrer Längen definiert21. Wenn der Kosinusabstand zwischen zwei Vektoren kleiner ist, ist die Ähnlichkeit zwischen zwei Vektoren größer. Darüber hinaus ist es bei dieser Methode bei der Entscheidungsfindung mit mehreren Attributen nicht erforderlich, die Gewichtung von Indikatoren zu bestimmen, wodurch der Einfluss der subjektiven Beurteilung durch Experten minimiert wird. Derzeit gibt es nur wenige Untersuchungen zur Bewertung der ökologischen Hangsanierung durch CS. Die Bewertung der Auswirkungen der ökologischen Hangsanierung besteht im Wesentlichen darin, den Grad der Annäherung zwischen dem tatsächlichen Zustand und dem idealen Zustand der ökologischen Hangsanierung zu beurteilen. Je höher der Nähegrad, je näher die ökologischen Sanierungsindizes des Hangs am Idealzustand liegen, desto besser ist der Effekt. Daher ist es in diesem Artikel möglich, den ökologischen Wiederherstellungseffekt von Böschungen durch CS zu bewerten. Allerdings kann CS nur zur statischen Auswertung verwendet werden. Die Markov-Kette (MC) bietet eine praktikable Möglichkeit zur dynamischen Auswertung. MC ist ein mathematisches Modell, das dynamische Zufallsphänomene beschreibt, und auch eine Analyse, die den gegenwärtigen Zustand und Trend einer Variablen nutzt, um den zukünftigen Zustand und Trend der Variablen vorherzusagen, was ein breites Anwendungsspektrum in den Bereichen Wirtschaft und Soziologie bietet und Biowissenschaften. Lu und Chen22 schlugen eine Methode zur Vorhersage der dynamischen Veränderung des städtischen ökologischen Fußabdrucks mithilfe von MC vor. Ma und Wang23 simulierten die zukünftige ökologische Raumverteilung von Wuhan basierend auf MC. Daher schlagen wir in dieser Forschungsarbeit eine Methode zur dynamischen Bewertung der Auswirkungen der ökologischen Wiederherstellung von Böschungen vor, ohne Gewichtungen von Indizes basierend auf CS und MC zu bestimmen.

Die Ziele der Studie sind (1) die Erstellung eines dynamischen Bewertungsmodells für den ökologischen Sanierungseffekt von Hängen auf der Grundlage von CS und MC; (2) die Machbarkeit des vorgeschlagenen Modells zu demonstrieren und die Auswirkungen der ökologischen Hangsanierung anhand einiger tatsächlicher Projekte abzuschätzen; (3) Diskussion der Sensitivität von Bewertungsindizes bei verschiedenen Methoden zur ökologischen Hangsanierung und Vergleich mit der tatsächlichen Situation.

CS ist der Kosinus des Winkels zwischen zwei Vektoren im Vektorraum als Maß für die Differenz zwischen zwei Subjekten. Es kann in der Entscheidungsanalyse mit mehreren Attributen verwendet werden, um die Reihenfolge der Vor- und Nachteile jedes Schemas zu beurteilen, indem der Kosinus des Winkels zwischen jedem Schema und dem idealen Schema verglichen wird. Dabei wird von einem auszuwertenden Schema (Ô) ausgegangen. Wenn das ideale Schema gegeben ist, kann der Abstand zwischen dem auszuwertenden Schema und dem idealen Schema durch den Kosinus des Winkels bestimmt werden.

Wenn ein Bewertungsnotenstandard angegeben wird, können die Indexdaten des Objekts basierend auf der Monte-Carlo-Simulation (MCS) zufällig aus demselben Notenintervall generiert werden. MCS ist eine fortschrittliche Simulationstechnologie, die zur numerischen Schätzung unter Anleitung der Wahrscheinlichkeitstheorie und der mathematischen Statistik verwendet wird. Mit dieser Methode können komplexe Probleme mit mehreren Faktoren und Unsicherheiten wissenschaftlich und vernünftig gelöst werden. Auf diese Weise können mehrere Objekte mit bekannten Auswertungsergebnissen von MCS generiert werden. Anschließend können anhand der Objekte mit bekannten Bewertungsergebnissen die Bewertungsergebnisse der untersuchten Schemata einfach anhand der Kosinus-Ähnlichkeitsmaße berechnet werden. Hierin gibt es einen Bewertungsnotenstandard mit fünf Bewertungsnoten und j-Indizes, wie in Tabelle 1 gezeigt.

Fünf Bewertungsobjekte (O1, O2, O3, O4 und O5) können basierend auf einer stochastischen Simulation dynamisch generiert werden und folgen der gleichmäßigen Verteilung (die Anzahl der zufällig generierten Bewertungsobjekte entspricht der Anzahl der Bewertungsgrade)24. Es fällt auf, dass jeder Indexwert der fünf Bewertungsobjekte (O1, O2, O3, O4 und O5) jeweils aus demselben Notenintervall stammt. Beispielsweise stammt jeder Indexwert von O1 zufällig aus dem Intervall der ersten Klasse und gehorcht der Gleichverteilung (χj0, χj1], jeder Indexwert von O2 stammt zufällig aus dem Intervall der zweiten Klasse und gehorcht der Gleichverteilung (χj1, χj2). usw., wie in Tabelle 2 gezeigt. Daher sind die Bewertungsergebnisse von O1, O2, O3, O4 und O5 bestimmbar, was sehr gut (I), gut (II), normal (III) und schlecht entspricht (IV) bzw. sehr schlecht (V).

Der Kosinusabstand kann angewendet werden, um die Ähnlichkeit des untersuchten Objekts (Ô) in Bezug auf die fünf Bewertungsobjekte (O1, O2, O3, O4 und O5) zu berechnen. Die Quadrat-Cosinus-Ähnlichkeitsmessung kann als effektive Distanzmessung beim maschinellen Lernen für hochdimensionale Anwendungen basierend auf der Hellinger-Distanz25 angesehen werden. Somit kann sim(Oi, Ô), i = 1, 2, 3, 4, 5, beschrieben werden als:

wobei sim(Oi, Ô) die Kosinusähnlichkeit zwischen zwei Objekten Oi und Ô ist. Ôj ist das j-te Element des untersuchten Objekts (Ô).

Gemäß dem kritischen Ähnlichkeitswert sim(Oi, Ô)* gilt: Wenn sim(Oi, Ô) ≥ sim(Oi, Ô)*, dann sind Oi und Ô das gleiche Bewertungsergebnis. Gemäß der Formel der Quadrat-Cosinus-Ähnlichkeitsmessung kann leicht ein Satz erhalten werden.

Es gibt drei Klassifizierungen von Bewertungsobjekten: Oi, Oj und Ok. Wenn die Klassifizierungsergebnisse von Oi und Oj gleich sind, die Klassifizierungsergebnisse von Oi und Ok jedoch unterschiedlich sind, dann ist min{sim(Oi, Oj)} > max{sim(Oi, Ok)}.

Nehmen Sie an, dass min{sim(Oi, Oj)} ≤ max{sim(Oi, Ok)}.

dann ist sim(Hi, Oj) ≥ sim(Hi, Oj)*, sim(Hi, Oj)* ≤ min{sim(Hi, Oj)} ≤ max{sim(Hi, Ok)}.

Somit handelt es sich bei Oi und Ok um dieselbe Klassifizierung, was der Aussage widerspricht. Daher ist die oben genannte These wahr.

Gemäß dem Satz kann das Bewertungsergebnis von Ô durch die Berechnung von max{sim(Oi, Ô)}, i = 1, 2, 3, 4, 5, wie folgt erhalten werden:

Die Unsicherheit von fünf Bewertungsobjekten beeinflusst die Ähnlichkeitsergebnisse, da die Indexwerte von fünf Bewertungsobjekten mithilfe einer stochastischen Simulationsstrategie generiert werden.

Angenommen, Numgrade(k) (k = I, II, III, IV, V) ist das zufällige Versuchsergebnis von Ô. Für eine Folge von N Tests notiert Numgrade(k) die Vorkommenszahlen der Klasse (k) (k = I, II, III, IV, V). Dann kann die Wahrscheinlichkeit der Note (k) von Ô in den Tests wie folgt berechnet werden:

Somit ist die Note, die der maximalen Wahrscheinlichkeit entspricht, das Bewertungsergebnis von Ô.

Der Markov-Prozess ist ein spezieller Zufallsbewegungsprozess. Ein Prozess der Änderung von X eines sich bewegenden Systems wird als Markov-Prozess bezeichnet, wenn der Zustand von Xr+1 nur mit dem Zustand von Xr und nicht mit dem vorherigen Zustand von

wobei P die Übergangswahrscheinlichkeitsmatrix des Prozesses ist.

Der Markov-Prozess hat keine Nachwirkungen und Stabilität, und sein Schlüssel liegt in der Bestimmung der Übergangswahrscheinlichkeitsmatrix P. Puv ist die Übergangswahrscheinlichkeit vom Typ u zum Typ v. Puv sollte zwei Grundbedingungen erfüllen: ① Puv ∈ [0,1]; ② ∑Puv = 1.

Da der Zustand des Bewertungsergebnisses in Teil 2.1 in fünf Ebenen unterteilt wird, besteht der Zustandsraum im MC-Modell aus fünf Zuständen. Die Übergangswahrscheinlichkeitsmatrix P kann wie folgt ausgedrückt werden:

Das Bewertungsergebnis von Ô (P(I), P(II), P(III), P(IV), P(V)) kann als Anfangszustand im MC-Modell verwendet werden. Derzeit bestimmen viele Forscher die Transformationswahrscheinlichkeitsmatrix P des MC-Modells basierend auf mehrjährigen Zustandstransformationsdaten. Aufgrund des Fehlens mehrjähriger historischer Daten zur ökologischen Hangsanierung wird in diesem Artikel ein Einschränkungsmodell zur Lösung der Transformationswahrscheinlichkeitsmatrix P des MC-Modells erstellt.

Es gibt zwei Annahmen:

Die Wahrscheinlichkeiten von Übergängen zwischen Staaten sind nicht gleich;

Der Zustand X1(0, 0, 0, 0, 1) oder X1(1, 0, 0, 0, 0) ändert sich nach mehreren Schritten nicht. Das heißt, wenn die Bewertungsergebniswahrscheinlichkeit von V oder I 100 % beträgt, ändert sich ihr Zustand mit der Zeit nicht.

Basierend auf diesen beiden Annahmen legen wir die Zielfunktion und die Einschränkungsfunktion fest.

Dabei ist Sk(r) der tatsächliche Wert im Zustand k nach der R-Schritt-Übertragung und Ŝk(r) der geschätzte Wert im Zustand k nach der R-Schritt-Übertragung.

Durch Lösen des obigen Modells kann die Transformationswahrscheinlichkeitsmatrix P des MC-Modells erhalten werden. Darauf aufbauend ist es möglich, ein dynamisches Bewertungsmodell für MC zu erstellen.

Der dynamische Bewertungsprozess des ökologischen Hangsanierungseffekts besteht aus zwei Teilen: Der erste Teil ist die anfängliche Bewertung mithilfe von CS und der zweite Teil ist die dynamische Bewertung mithilfe von MC. Um die dynamischen Bewertungsergebnisse zu erhalten, wird zunächst die erste Bewertung der ökologischen Hangsanierung auf der Grundlage von CS durchgeführt. Dann wurde die Übergangswahrscheinlichkeitsmatrix basierend auf den Gleichungen bestimmt. (7) und (8). Schließlich wurden die dynamischen Bewertungsergebnisse gemäß den ersten Bewertungsergebnissen der ökologischen Hangsanierung und der Übergangswahrscheinlichkeitsmatrix P durch Gleichung gelöst. (4) und es wurde vorhergesagt, dass die Änderung des ökologischen Wiederherstellungseffekts der Böschung eine dynamische Bewertung ermöglicht. Basierend auf dem obigen Berechnungsprozess haben wir CS und MC integriert, um ein Methodensystem zur dynamischen Bewertung der ökologischen Hangsanierung zu erstellen. Der kritischste Teil des ersten Teils besteht darin, nach dem Zufallsprinzip bekannte Bewertungsergebnisse des Schemas zu generieren. Crystal Ball ist eine benutzerfreundliche Simulationssoftware, die eine Monte-Carlo-Simulation (MCS) für stochastische Simulationen ausführen kann und mit dem Tabellenkalkulationsprogramm Microsoft Excel® verknüpft ist26. Daher kann die vorgeschlagene Bewertungsmethode für die Auswirkungen der ökologischen Hangsanierung problemlos von Crystal Ball in einem Excel®-Arbeitsblatt durchgeführt werden. Der detaillierte Berechnungsprozess ist in Abb. 1 dargestellt.

Grundlegendes Flussdiagramm der vorgeschlagenen Methode.

Im Bezirk Caidian der Stadt Wuhan in China gibt es viele Bergbauhänge, und die beschädigten freigelegten Felshänge haben erhebliche negative Auswirkungen auf die lokale Naturlandschaft und das Ökosystem. Von 2006 bis 2013 erzwang die Regierung die Schließung aller Steinbrüche in der Umgebung und führte eine groß angelegte ökologische Sanierung beschädigter Berge mit einer Gesamtfläche von 360.000 m2 und einer Gesamtinvestition von fast 9,8 Millionen US-Dollar durch.

Wir haben das vorgeschlagene Bewertungsmodell auf sieben abgeschlossene ökologische Hangsanierungsprojekte mit unterschiedlichen Sanierungsmethoden angewendet. Abbildung 2 zeigt die geografische Lage der Untersuchungsregion. Die Einzelheiten des ökologischen Hangsanierungsprojekts sind in Tabelle 3 aufgeführt.

Der geografische Standort der Untersuchungsregion (Google Earth, 2020).

Die Auswahl des Bewertungsindex für die ökologische Hangsanierung sollte die Wirkung der Hangsanierung systematisch widerspiegeln. Dabei sollten nicht nur die physikalischen, mechanischen und chemischen Eigenschaften des Substrats berücksichtigt werden, sondern auch der Beitrag von Vegetationsgruppen zur Hangwasserrückhaltung, zur Bodenverfestigungsfähigkeit und zur Landschaftsschönheit. Auf der Grundlage der vorhandenen Forschungsliteratur27,28 wurde in dieser Studie in Kombination mit der tatsächlichen Situation und Expertenrat ein umfassendes Bewertungsindexsystem aus den vier Aspekten Substratverbesserungseffekt, ökologischer Effekt, Boden- und Wasserschutzeffekt sowie Landschaftseffekt erstellt. Mit Hilfe der Hauptkomponentenanalyse wurde die Bedeutung jedes Indexes verglichen und schließlich das Indexsystem mit dem größten Einfluss auf die ökologische Sanierungswirkung von Böschungen ermittelt. Zu den Auswirkungen des Boden- und Wasserschutzes gehören die Scherfestigkeit des Wurzel-Boden-Verbundwerkstoffs (X1), die Durchlässigkeit (X2), die Intensität der Bodenerosion (X3) und die Wurzelgewichtsdichte (X4). Der ökologische Effekt umfasst die Vegetationsbedeckung (X5), die Dürreresistenz der Vegetation (X6), den Shannon-Wiener-Diversitätsindex (X7) und den Pielou-Gleichmäßigkeitsindex (X8). Der Substratverbesserungseffekt umfasst organische Substanz (X9), verfügbares N (X10), verfügbares P (X11), verfügbares K (X12) und Bodenschüttdichte (X13). Der Landschaftseffekt umfasst die Landschaftskoordination (X14) und die Landschaftskapazität für Besucher (X15).

Basierend auf den relevanten Forschungsergebnissen, Expertenratschlägen und den Ergebnissen der Vor-Ort-Untersuchung und Probenahmeüberwachung jeder Probefläche zur ökologischen Sanierung von Hängen wird der Index entsprechend in fünf Klassen unterteilt, nämlich sehr gut, gut, normal, schlecht und sehr schlecht bis I, II, III, IV und V. Der Bewertungsstandard für die ökologische Hangsanierung wird ebenfalls festgelegt, wie in Tabelle 4 dargestellt. Die Originaldaten der sieben Fälle sind in Tabelle 5 aufgeführt. Anschließend werden diese Originaldaten verwendet, um den Recheneffekt des dynamischen Bewertungsmodells in der Realität zu beweisen komplizierte technische Anwendungen.

Gemäß dem Bewertungsgradstandard der ökologischen Hangsanierung (Tabelle 4) und den Originaldaten der sieben Fälle (Tabelle 5) (Yang et al. 2019) wird eine Excel-Tabelle zur Durchführung dieser Methode erstellt, wie in gezeigt Abb. 3. Geben Sie die Gleichung ein. (1) in die Tabellenspalten mit der Bezeichnung „Ähnlichkeitsmessung“ eintragen. Geben Sie die Gleichung ein. (2) in die Tabellenzeile mit der Bezeichnung Klassifizierung Ô. Anschließend wird die Tabelle in die Crystal Ball-Software geladen. Die zufällig generierten Bewertungsobjekte (O1, O2, O3, O4 und O5) unterliegen einer gleichmäßigen Verteilung gemäß Tabelle 2. Da die Indizes X6, X14 und X15 qualitativ sind, sind die entsprechenden Werte der Bewertungsobjekte konstant, wie in zu sehen ist Abb. 3. Wählen Sie die Zelle O7 als Prädiktorvariable aus. Da die berechneten Ergebnisse tendenziell stabil sind, wenn die Anzahl der Probetests 1000 übersteigt, wird sie auf 1000 gesetzt. Schließlich wird das MCS ausgeführt, um die Wahrscheinlichkeit der Note (k) von Ô zu berechnen.

Die neue Methode zur Berechnung der technischen Steigung 1, implementiert in einer Excel-Tabelle.

Basierend auf den oben genannten Betriebsabläufen werden die Bewertungsergebnisse der Wirkung der ökologischen Hangsanierung durch das vorgeschlagene Verfahren erhalten. Die Bewertungsergebnisse der Steigungen sind in Tabelle 6 dargestellt. Wie in Tabelle 6 zu sehen ist, stimmen die Ergebnisse der beiden Methoden jedoch nahezu überein und stimmen auch nahezu mit den tatsächlichen Situationen überein. Die mit dieser vorgeschlagenen Methode berechneten Ergebnisse entsprechen jedoch eher der tatsächlichen Situation. Die vorgeschlagene Methode kann die Bewertungsergebnisse in probabilistischer Form erhalten, die die Variabilität des Rekonstruktionseffekts quantifizieren und widerspiegeln kann. Darüber hinaus kann diese Methode den zukünftigen Effekt der ökologischen Hangsanierung vorhersagen und eine dynamische Bewertung durchführen.

Beispielsweise lag die Vegetationsbedeckung des Hangs 1 nach 50 Tagen bei über 50 %, stieg aber nach einem Jahr auf über 90 % an. Das mit der Fuzzy-AHP-Methode erhaltene Bewertungsergebnis ist Klasse IV und kann die Variabilität des Rekonstruktionseffekts nicht widerspiegeln. Anhand der mit diesem vorgeschlagenen Modell erzielten Ergebnisse kann eindeutig festgestellt werden, dass das anfängliche Bewertungsergebnis mit einer Wahrscheinlichkeit von 53,12 % die Note III ist und sich das zukünftige Bewertungsergebnis mit einer Wahrscheinlichkeit von 62,5 % in die Note I ändert, was dies widerspiegeln kann Variabilität des Wiederherstellungseffekts. Wir können auch feststellen, dass die Berechnungsergebnisse der Steigungen 2 und 6 gut mit der tatsächlichen Situation übereinstimmen, die herkömmliche Methode jedoch nicht die Variabilität der Ergebnisse ermitteln kann. Die mit der Fuzzy-AHP-Methode erzielten Bewertungsergebnisse der Böschungen 4 und 7 sind Klasse I. Im Vergleich zur tatsächlichen Situation erreichte die Vegetationsbedeckungsrate der Böschung 4 jedoch erst zwei Jahre später mehr als 95 %. Die Vegetation von Hang 7 bedeckte den felsigen Hang nach 50 Tagen vollständig und nach 2 Jahren bildete er im Wesentlichen eine natürliche Landschaft im Einklang mit der umgebenden Umgebung. Die mit diesem Modell erzielten Ergebnisse kommen der Realität näher. Das erste Bewertungsergebnis der Steigung 4 ist Grad II mit einer Wahrscheinlichkeit von 100 %. Im Laufe der Zeit ändert sich das Bewertungsergebnis mit einer Wahrscheinlichkeit von 79 % in die Note I. Das erste Bewertungsergebnis der Steigung 7 war Grad II mit einer Wahrscheinlichkeit von 94,52 %. Im Laufe der Zeit ändert sich das Ergebnis der Bewertungsnote mit einer Wahrscheinlichkeit von 77,08 % in die Note I.

Daraus lässt sich schließen, dass die Robustheit der vorgeschlagenen Methode die Robustheit traditioneller Methoden, wie etwa der Entropiegewichtsmethode, übertrifft und ihre Anwendung auch bequemer ist als die traditioneller Methoden, was sie zu einer geeigneten Methode zur Bewertung des Effekts macht der ökologischen Hangsanierung. Ebenso kann die vorgeschlagene Methode die Bewertungsergebnisse in probabilistischer Form erhalten, die die Variabilität des Rekonstruktionseffekts quantifizieren und widerspiegeln kann. Aufgrund der Notwendigkeit, die Gewichte der Indizes zu bestimmen, ist die Recheneffizienz der Entropiegewichtungsmethode jedoch schlecht. Um das Problem zahlreicher Indizes und enormer Datenmengen zu lösen, ist die Fuzzy-AHP-Methode nicht sehr zufriedenstellend und daher sehr spezialisiert und zeitaufwändig.

Aufgrund der räumlichen Wirkung des Standorts und des Einflusses der experimentellen Instrumente sind einige Indizes am selben Standort unterschiedlich, können jedoch einer bestimmten Verteilung folgen. Daher ist es notwendig, die Unsicherheit des Index zu berücksichtigen und die Indexsensitivität zu analysieren, um die Leistung der vorgeschlagenen Methode zu veranschaulichen. Im mathematischen Sinne kann die Indexsensitivität als der Grad der Änderung der Funktion F(x) verstanden werden, die durch eine kleine Änderung der Variablen x verursacht wird. Da die globale Sensitivitätsanalyse mehrere Aufrufe des Simulationsmodells erfordert, was viel Zeit in Anspruch nimmt, verwendet dieser Artikel die Methode der lokalen Sensitivitätsanalyse, um die Sensitivität des Index S zu analysieren.

Die Indizes des untersuchten Objekts (Ô) sind unabhängig voneinander und werden bei Normalverteilung als unsicher angenommen. Basierend auf den Daten dieser 7 ökologischen Wiederherstellungsmethoden für Böschungen wird davon ausgegangen, dass alle Indexdaten einer Normalverteilung folgen, der Mittelwert den Originaldaten jedes Index entspricht und die Standardabweichung 2 beträgt. Anschließend wurde die Sensitivitätsdifferenz jedes Index berechnet unter Verwendung dieses vorgeschlagenen Modells und der Fuzzy-AHP-Methode.

Aus Abb. 4 ist ersichtlich, dass bei Verwendung von Fuzzy AHP zur Berechnung der Indexsensitivität die Empfindlichkeit der Indizes für zwei verschiedene Indexgewichte offensichtliche Unterschiede aufweist, was auch sagen kann, dass die Berechnungsergebnisse stark von individuellen subjektiven Gefühlen beeinflusst werden. Die vorgeschlagene Methode berücksichtigt jedoch nicht den Einfluss des Indexgewichts, was zu relativ stabilen Ergebnissen führt, sodass die Berechnungsleistung im Vergleich zu Fuzzy AHP größere Vorteile bietet.

Indiziert die Empfindlichkeit von Solpe1 mithilfe der Fuzzy-AHP-Methode.

Aus Abb. 5 ist ersichtlich, dass für die erste Methode (Bodensprüh-Aussaattechnologie) die Indizes mit der höchsten Empfindlichkeit X14, X15 und X3 sind, was auch in der Praxis nachgewiesen werden kann, dass die Grasbewässerung wissenschaftlich und sinnvoll ist Die Dauerhaftigkeit und Erosionsbeständigkeit des Untergrundes haben für die Sanierungswirkung den größten Einfluss. Bei der zweiten Methode sind die Indizes mit höherer Empfindlichkeit X14, X3 und X15, was im Wesentlichen mit den Empfindlichkeitsergebnissen der ersten Methode übereinstimmt. Ob der Stacheldraht robust und langlebig ist, wirkt sich in der Praxis auch direkt auf die Stabilität des ökologischen Substrats am Hang aus. Die Indizes mit hoher Empfindlichkeit der dritten Methode sind X6, X15 und X11, die sich deutlich von den Ergebnissen der ersten und zweiten Methode unterscheiden. Die Trockenresistenz der Vegetation und das verfügbare P haben einen großen Einfluss auf den ökologischen Sanierungseffekt. In der Ingenieurspraxis besteht die wichtigste Methode darin, Pflanzenfasern zu verwenden, um die Boden- und Wasserspeicherkapazität des Substrats zu verbessern, und erfordert die Verwendung von oberflächlichem Gastboden, der reich an organischer Substanz und Tonpartikeln ist. Der Indexempfindlichkeitsgrad der vierten bis siebten Methode weist einen kleinen Unterschied auf, und der Index mit dem größten Empfindlichkeitsgrad ist X3, was im Wesentlichen mit den Ergebnissen in der Ingenieurpraxis übereinstimmt.

Sensitivität der Indizes unter verschiedenen ökologischen Sanierungsmethoden.

Unterschiedliche Bewertungsstandards für die Auswirkungen der ökologischen Hangsanierung können zu Änderungen in den Bewertungsergebnissen führen, die mit dieser vorgeschlagenen Methode erzielt werden. Da die Ähnlichkeitsergebnisse sim(Oi, Ô)(i = 1, 2, 3, 4, 5) in direktem Zusammenhang mit den Objekten (O1, O2, O3, O4 und O5) stehen, die zufällig aus dem Bewertungsstufenstandard des generiert werden Ökologische Hangsanierung. Daher kann man davon ausgehen, dass es unmöglich ist, den subjektiven Einfluss während der Bewertung vollständig zu vermeiden. Um die Berechnungseffizienz zu verbessern und den Einfluss der Subjektivität zu verringern, liegt der Schwerpunkt unserer nächsten Studie auf der Klassifizierung der Auswirkungen der ökologischen Hangsanierung ohne den Bewertungsnotenstandard. Kurz gesagt: Durch die umfassende Nutzung von CS und MC zur quantitativen Schätzung der dynamischen Wirkung der ökologischen Hangsanierung kann eine genaue wissenschaftliche Grundlage für die Entwicklung der ökologischen Hangsanierungsmaßnahmen bereitgestellt werden.

Hierin wurde eine auf CS und MC basierende Bewertungsmethode vorgeschlagen, um die Auswirkungen der ökologischen Hangsanierung dynamisch zu bewerten. Die vorgeschlagene Methode hat den Vorteil, dass der Einfluss der Subjektivität auf die Indexgewichte vermieden wird und die dynamischen Bewertungsergebnisse in probabilistischer Form erhalten werden. Mittlerweile kann die vorgeschlagene Bewertungsmethode die Unsicherheit der Indizes der ökologischen Sanierung von Hängen berücksichtigen. Am Beispiel einiger typischer technischer Steigungen wird die Wirksamkeit der vorgeschlagenen Methode anhand der dynamischen Bewertungsergebnisse und des Empfindlichkeitsgrads der Indizes überprüft. Die mit der vorgeschlagenen Methode erzielten Ergebnisse stimmen besser mit der tatsächlichen Situation überein als die herkömmlichen Methoden. Aufgrund des Fehlens einer großen Anzahl von Daten zur ökologischen Hangsanierung ist die Methode zur Bestimmung der Transformationswahrscheinlichkeitsmatrix in dieser Studie noch unzureichend. Nachfolgende Forschungen werden die Bestimmungsmethode der Übertragungswahrscheinlichkeitsmatrix durch die Kombination einer großen Anzahl von Daten zur Steigungswiederherstellung verbessern.

Alle während dieser Studie generierten oder analysierten Daten wurden in diesen Artikel aufgenommen.

Zhang, H. & Chu, LM Struktur der Pflanzengemeinschaft, Bodeneigenschaften und mikrobielle Eigenschaften in revitalisierten Steinbrüchen. Ökologisch. Ing. 37, 1104–1111. https://doi.org/10.1016/j.ecoleng.2010.05.010 (2011).

Artikel Google Scholar

Li, SC & Sun, HL Entwicklung von Trends und Stand der Technik zur Stabilisierung von Felshängen mit Vegetationsbedeckung in China. Ressource. Wissenschaft. 26, 61–66 (2004).

ADS CAS Google Scholar

Clemente, AS, Werner, C., Maguas, C., Martins-Loução, MA & Correia, O. Wiederherstellung eines Kalksteinbruchs: Auswirkung von Bodenveränderungen auf die Etablierung einheimischer Hartlaubsträucher im Mittelmeerraum. Restaurieren. Ökologisch. 12, 20–28. https://doi.org/10.1111/j.1061-2971.2004.00256.x (2004).

Artikel Google Scholar

Liu, D. et al. Einfluss der Art und des Anteils organischer Materialien auf die physikalischen und mechanischen Eigenschaften von Vegetationsbeton. Adv. Mater. Wissenschaft. Ing. 2018, 1–8. https://doi.org/10.1155/2018/3608750 (2018).

Artikel Google Scholar

Zhang, JY, Zhou, DP & Li, SC Studie zur Begrünungsmethode für Felsböschungen bei Autobahnprojekten. Kinn. J. Rock Mech. Ing. 21, 1400–1403 (2002).

Google Scholar

Ao, XY Die CS-Granulationstechnologie höherer Ordnung, angewendet auf den Hang der Fengdu Country Industry Avenue. M.Sc. Diplomarbeit (Chongqing Jiaotong University, Chongqing, 2013) (auf Chinesisch).

Xu, H. et al. Bewertung des Effekts der Hangwiederbegrünung: Forschungsfortschritt und -aussichten. Kinn. J. Ecol. 41(3), 589–596 (2022).

Google Scholar

Xu, XG, Bai, SQ, Yang, DS & Hu, TX Diskussion über ein Gebäudebewertungssystem für die Qualität der Hangvegetation. J. Bodenwasserschutz. 18(2), 189–191 (2004).

Google Scholar

Li, SC, Sun, HL, Yang, ZR, He, L. & Cui, BS Interaktionsmechanische Eigenschaften des Gestein-Substrat-Wurzel-Systems. Kinn. J. Rock Mech. Ing. 24(12), 2074–2081 (2005).

Google Scholar

Hu, X. et al. Gradbewertung der Qualität der Hangsicherungstechnik anhand der Vegetation. Stier. Bodenwasserschutz 33(3), 180–185 (2013).

Google Scholar

Zhang, Q., Zhang, T. & Liu, X. Indexsystem zur Bewertung der ökologischen Wiederherstellung von Steinbrüchen. Nachhaltigkeit 10(3), 619. https://doi.org/10.3390/su10030619 (2018).

Artikel Google Scholar

Kil, SH, Lee, DK, Kim, JH, Li, MH & Newman, G. Nutzung des analytischen Hierarchieprozesses zur Festlegung gewichteter Werte zur Bewertung der Stabilität der Hangbegrünung auf der Grundlage von Hydroseeding-Anwendungen in Südkorea. Nachhaltigkeit 8(1), 1–17. https://doi.org/10.3390/su8010058 (2016).

Artikel Google Scholar

Long, F., Li, SC, Sun, HL, Yang, LX & Mao, J. Bewertungsindikatorsystem für die Wirkung von Ökotechnik für den Schutz von Felshängen und seine Anwendung. Kinn. J. Rock Mech. Ing. 28, 3095–3101 (2009).

Google Scholar

Yang, QY et al. Bewertung des Bodenerosionsrisikos in Karstgebieten mithilfe von Fuzzy-Modellierung und der Methode des analytischen Hierarchieprozesses. Umgebung. Erdwissenschaft. 71, 287–292 (2014).

Artikel ADS Google Scholar

Chen, YM, Xu, SD & Jin, Y. Bewertung der ökologischen Wiederherstellungsfähigkeit von Deckwerken in landeinwärts begrenzten Kanälen. KSCE J. Civ. Ing. 20(6), 2548–2558 (2016).

Artikel Google Scholar

Zhang, J. Nanjing Für. Univ. (Nat. Sci. Ed.) 42, 131–137 (2018).

Google Scholar

Zhang, YW, Li, SC & Meng, FQ Anwendung der Extenics-Theorie zur Bewertung des Wirkungsgrades beschädigter Berge auf der Grundlage eines analytischen Hierarchieprozesses. Umgebung. Erdwissenschaft. 71(10), 4463–4471 (2014).

Artikel ADS Google Scholar

Wan, BT, Bao, XY & Li, AC Qualitätsbewertungssystem und Anwendung eines ökologischen Hangschutzprojekts basierend auf der Kopplung unbestimmter Paare. Stier. Bodenwasserschutz 39(2), 108–114 (2019).

Google Scholar

Long, YC, Zhao, W. & Chen, L. Eine Methode zur Werkzeugauswahl mit mehreren Zielen unter Verwendung von FAHP und Kosinusähnlichkeit. Procedia CIRP 104, 1843–1848. https://doi.org/10.1016/j.procir.2021.11.311 (2021).

Artikel Google Scholar

Liao, H. & Expertensystem. Appl. 42(12), 5328–5336. https://doi.org/10.1016/j.eswa.2015.02.017 (2015).

Artikel Google Scholar

Ye, J. Kosinus-Ähnlichkeitsmaße für intuitionistische Fuzzy-Sets und ihre Anwendungen. Mathematik. Berechnen. Modell. 53, 91–97. https://doi.org/10.1016/j.mcm.2010.07.022 (2011).

Artikel MathSciNet MATH Google Scholar

Lu, Y. & Chen, B. Vorhersage des städtischen ökologischen Fußabdrucks basierend auf der Markov-Kette. J. Sauber. Prod. 163, 146–153. https://doi.org/10.1016/j.jclepro.2016.03.034 (2017).

Artikel Google Scholar

Ma, B. & Wang, X. Wie sieht die Zukunft des ökologischen Raums in der Metropolregion Wuhan aus? Eine Multi-Szenario-Simulation basierend auf Markov-FLUS. Ökologisch. Ind. 141, 1–12. https://doi.org/10.1016/j.ecolind.2022.109124 (2022).

Artikel Google Scholar

Wu, LZ, Li, SH & Zhang, M. Eine neue Methode zur Klassifizierung der Gesteinsqualität basierend auf MCS und TOPSIS. Umgebung. Erdwissenschaft. 78(6), 199–209 (2019).

Artikel ADS Google Scholar

Sohangir, S. & Wang, DD Verbesserte Messung der Quadrat-Cosinus-Ähnlichkeit. J. Big Data 4(1), 1–13 (2017).

Artikel Google Scholar

Gonzalez, AG, Herrador, M. & Asuero, AAG Unsicherheitsbewertung aus Monte-Carlo-Simulationen unter Verwendung der Crystal-Ball-Software. Accred. Qual. Assur. 10(6), 324–324 (2005).

Artikel Google Scholar

Yang, YS et al. Bewertung der Auswirkungen der ökologischen Sanierung von Steinbruchhängen im Bezirk Caidian, Stadt Wuhan. Nachhaltigkeit 11(23), 1–16. https://doi.org/10.3390/su11236624 (2019).

Artikel Google Scholar

Carabassa, V., Ortiz, O. & Alcañiz, M. JRESTOQUARRY: Indikatoren zur Selbstbewertung der ökologischen Sanierung in Tagebauen. Ökologisch. Indik. 102, 437–445. https://doi.org/10.1016/j.ecolind.2019.03.001 (2019).

Artikel Google Scholar

Referenzen herunterladen

Die Forschung wurde vom Open Research Fund des State Key Laboratory of Simulation and Regulation of Water Cycle in River Basin (China Institute of Water Resources and Hydropower Research), Fördernummer: IWHR-SKL-201817, und von Tianjin Art and Science finanziert Planungsprojekt, Fördernr.: D22004.

School of Management, Technische Universität Tianjin, Tianjin, Volksrepublik China

Wenqiang Chen & Kaihe Shi

Schule für Optometrie, Tianjin Vocational Institute, Tianjin, Volksrepublik China

Yongai Sun

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

WC entwarf diese Studie, schlug die Methode vor, analysierte die Ergebnisse und schrieb dieses Manuskript; YS und KS haben dieses Manuskript überarbeitet. Alle Autoren haben das endgültige Manuskript gelesen und genehmigt.

Korrespondenz mit Wenqiang Chen.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Chen, W., Sun, Y. & Shi, K. Dynamische Bewertung des ökologischen Hangsanierungseffekts basierend auf Kosinusähnlichkeit und Markov-Kette. Sci Rep 13, 13533 (2023). https://doi.org/10.1038/s41598-023-40770-w

Zitat herunterladen

Eingegangen: 13. Dezember 2022

Angenommen: 16. August 2023

Veröffentlicht: 19. August 2023

DOI: https://doi.org/10.1038/s41598-023-40770-w

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.