SC-XGBoost based soft measurement method for coal low heat value in power station
-
摘要:
随着国家大力推进能源供给侧结构性改革，新能源装机容量不断提升，电力市场竞争愈加激烈。另一方面，全球煤炭市场的复杂多变，导致以煤炭为能量来源的发电企业成本上涨。燃煤发热量是衡量煤质的重要评价标准之一，也是采购煤炭最重要的依据，对燃煤发热量进行准确预测能够有效地控制电厂运行采购成本。为了实现燃煤发热量的高效预测，采用Pearson系数对相关变量进行特征选取，采用基于密度的噪点空间聚类（Density-Based Spatial Clustering of Applications with Noise, DBSCAN）算法对某电厂自备煤厂近2年1 733条化验数据进行去噪，对去噪后数据进行谱聚类（Spectral Clustering, SC）分析。将分类后的子样本集采用极致梯度提升（Extreme Gradient Boosting, XGBoost）算法分别建立预测模型，并与最小二乘法回归（Ordinary Least Squares, OLS）、支持向量机（Support Vector Machines, SVM）模型进行性能比较。结果表明，基于XGBoost的电站燃煤发热量预测模型相较于其他算法准确性有明显提升，泛化能力更强。对经过SC算法分类后的燃煤分别建立预测模型能够进一步提高模型的精细化水平，为燃煤电站发热量预测提供一种可靠高效的方法。
-
关键词:
- 低位发热量 /
- 机器学习 /
- 谱聚类 /
- 极致梯度提升(XGBoost) /
- 软测量
Abstract:With the country vigorously promoting structural reform on the supply side of energy, the installed capacity of new energy sources has been rising and competition in the power market has become increasingly fierce. On the other hand, the complexity and volatility of the global coal market has led to a rise in the cost of power generation enterprises using coal as their energy source. Coal heat value is one of the most important evaluation criteria for coal quality and is also the most important basis for coal procurement. Accurate prediction of coal heat value can effectively control power plant operation and procurement costs. In order to achieve efficient prediction of the heat value of coal, the Pearson coefficients were used to select the characteristics of the variables of interest, the DBSCAN algorithm was used to de-noise
1733 assay data of a power plant's own coal plant in the past two years, and spectral clustering (SC) analysis was performed on the de-noised data. The classified subsample sets were then used to build prediction models using the extreme gradient boosting (XGBoost) algorithm and compared with Ordinary Least Squares (OLS) and support vector machines (SVM) models. The performance of the models was compared with that of OLS and SVM. The results show that the accuracy of the XGBoost-based coal-fired heat value prediction model for power stations is significantly better than that of the other algorithms, and the generalization ability is stronger. The prediction model can further improve the refinement level of the model and provide a reliable and efficient method for coal-fired power station heat value prediction. -
0. 引 言
景观生态风险是指景观生态环境在自然环境变化和人类区域活动的不同因素交互作用的干扰下产生的负面影响[1]，景观生态风险评估能有效支持生态网络建设和生态可持续管理[2]。矿区作为一种强烈的人类活动景观，区域自然景观逐渐向半人工景观、人工景观转变[3]，从而影响了矿区生态系统服务功能和经济价值。
矿产资源开发过程中，引起地表塌陷、滑坡、泥石流等一系列地质灾害[4]，其中在塌陷坡面植被生长发育受阻植被覆盖度下降、土壤侵蚀强度增加使得土壤肥力下降等一系列生态问题，造成草地退化和农田弃耕，进而引起景观类型变化，自然景观占比减少，人工景观占比显著增加，导致部分区域生态系统服务功能损失[5]，生态系统弹性下降，区域生态风险升高；同时矿产资源开采、运输、加工以及矿区生活等人为干扰活动易引发边缘效应造成景观斑块连通性降低、破碎度增加，部分原有的大生境逐步向小块生境转化[6]，进而阻断了不同斑块之间物质循环和能量传递，破坏了原来的自然生境[7]，使得动植物栖息地斑块逐渐割裂、景观连接度降低、生态完整性受损[8]，从而阻碍物种间基因流动和种群扩散，影响物种多样性，导致生态系统稳定性降低、恢复力受损，从而使生态风险升高；又由于我国煤炭主产区主要位于半干旱和干旱区[9]，陕北榆神府矿区作为我国重要的煤炭生产基地之一，生态环境本就十分脆弱，加之煤炭资源开采不仅导致大量土地被矿区开采占用、植被覆盖度减少、生态景观破碎度增加、连通性降低，还破坏矿区水土均衡，造成生态环境稳定性减弱，从而使区域生态风险也随之升高。已有研究表明在高强度自然资源开采过程中生态环境受到了剧烈扰动[10]，因而对矿区景观生态风险评价能从区域尺度上描述与评估自然灾害、人类活动等因素对生态系统及其组成成分造成负面影响的可能性和大小[11]，并对景观生态风险驱动力进行研究，有助于揭示区域景观生态风险时空分布格局，进而针对性地进行矿区生态恢复与重建，实现生态格局优化[12]。
目前，对于榆神府矿区生态研究主要集中于环境实际损害情况、土地利用类型或景观类型变化及基础景观格局指数的研究，而对榆神府矿区基于景观类型的长时序尺度以及空间尺度上生态环境状况评价的研究有所不足；近年来，对于矿区景观生态风险评价主要研究是运用概念模型对研究区进行静态生态风险状态的定量评估，但对景观生态风险驱动力定量研究手段欠缺[13]，且较少考虑城市化因素对区域环境的影响，同时关于相同气候环境不同地貌条件矿区开发后景观生态风险对比研究较少。因此，以榆神府矿区为研究区域，以1995—2021年Landsat遥感影像数据为基础信息源，综合运用地理信息技术、景观生态学方法和空间统计分析方法，基于景观生态风险指数对矿区近25年间的景观生态风险进行评价，对比榆神府矿区黄土丘陵和覆沙两种地貌景观生态风险的时空变化情况，从而揭示榆神府矿区两种地貌类型下的景观生态风险时空分布格局及时空异质性，探究驱动力对其影响程度，进一步提出针对性的、可行的生态修复策略，以期为半干旱生态脆弱矿区生态环境保护和土地资源的可持续利用提供理论基础。
1. 研究方法
1.1 研究区概况
榆神府矿区是陕北侏罗系煤田中最大的煤炭基地，位于鄂尔多斯盆地北部（38°03′～38°30′N，109°02′～ 110°55′E）的黄土沟壑区与毛乌素沙漠的接壤地带，属于干旱、半干旱气候区（图1）。年平均气温8.5 ℃，极端最高、最低气温分别为38.8 ℃和−27.7 ℃；年均降水量432.38 mm，且65%降水主要集中于7—9月；年蒸发量为1 495～2 504 mm；无霜期155 d。榆神府矿区按各地貌单元的形态以及土壤类型将研究区划分为黄土丘陵区和覆沙地区，其中：黄土丘陵区主要位于研究区的东北部，该区沟壑纵横，丘陵峁梁交错；覆沙地区分布于研究区中、西部广大地区，是毛乌素沙漠的组成部分，由起伏沙丘沙地、半封闭或封闭的相对低洼滩地构成，二者相互依存，断续间布。
榆神府矿区地质内部构造简单，地层平缓，为向西倾斜的单斜构造；煤炭开采方式主要采用综合机械化长臂式开采工艺。榆神府矿区在1995年之前矿山开采规模有限，且中小煤矿较多；1995—2000年矿山布局得到优化，矿山结构日趋合理，但煤炭开采活动尚未大规模实施，矿区景观破碎度小，优势景观明显，自然连通度高；2000年之后矿产资源开采强度加大，建筑用地面积显著增加，在长期的高强度井工开采扰动下，地表塌陷、煤矸石山压占等一系列问题造成土地资源浪费，采动形成的导水裂隙破坏污染地下水源，原生植被环境遭到严重破坏，植被覆盖度降低，致使土地沙化和水土流失现象加剧，景观破碎化增加；2010—2021年煤炭开采量仍在上升，但随着生态修复政策长期实施及绿色矿山建设，矿区生态环境有所改善。
1.2 数据来源及处理
依据榆神府矿区不同发展阶段，选用1995、2000、2005、2010、2015、2021年6期条带号为127/33的Landsat遥感影像数据，云量低于10%，其空间分辨率为30 m，下载自美国地质调查局。Landsat遥感影像数据通过辐射定标、大气校正和几何校正，进一步基于榆神府矿区的矢量边界进行影像裁剪得到榆神府矿区的基础遥感影像数据。
利用软件ENVI 5.3，结合Landsat影像的纹理特征以及光谱信息，确定影像中各地类的表现特征，通过监督分类和人工目视解译相结合的方法，结合野外实地勘察和参考Google Earth影像，参考相关标准，将研究区景观类型分为耕地、林地、草地、建筑用地、水域和其他土地6类，由此得到榆神府矿区1995—2021年的土地利用类型现状图（图2）。
![]()
图 2 1995—2021年榆神府矿区景观类型空间分布Figure 2. Spatial distribution of landscape types in Yushenfu Mining Area from 1995 to 2021根据景观生态学研究经验，为了能综合反映样区内景观的格局信息，一般选取斑块平均面积的2～5倍作为景观样本[14]。综合考虑榆神府矿区研究区范围，斑块分布情况的基础上，运用ArcGIS中的Fishnet工具，将研究区域通过1.00 km×1.00 km的方形网格划分成7 854个样区。利用Fragstats 4.2软件计算类型尺度和景观尺度下所需景观指数，然后通过公式计算出每一个样区的景观生态风险值，将研究区景观生态风险进行空间可视化表达，进行榆神府矿区的生态风险时空分析。
选取的驱动因子为年降水量、年最高气温、年最低气温、高程（DEM）、植被覆盖度和人为干扰度。其中年降水量、气温数据来源于国家地球系统科学数据中心；植被覆盖度和DEM来源于中国科学院地理科学与资源研究所资源环境数据云平台。
1.3 景观生态风险指数构建
采用初始景观生态风险指数ILE, k和景观生态质量指数ILQ, k加权计算得到景观生态风险指数ILER, k，计算公式如下[15]：
$$ {I_{{\mathrm{LER}},k}} = {w_1}{I_{{\mathrm{LE}},k}} + {w_2}{I_{{\mathrm{LQ}},k}} $$ 式中：ILER, k为第k个风险单元中的生态风险指数；ILE,k为第k个风险单元的初始生态风险指数结果；ILQ,k为第k个风险单元的景观生态质量指数；而w1和w2分别为ILE,k和ILQ,k的权重（0.7和0.3）。在最终ILER,k计算之前，ILE,k和ILQ,k需要归一化。由于景观生态质量越高，区域生态越好（即ILER,k越低）；在对景观生态质量指标进行规范化时[16]，应取其相反数。
1.3.1 初始生态风险指数ILE, k构建
为适用于半干旱矿区初始生态风险计算，根据前人经验[17]，初始景观生态风险指数将由三部分叠加组成：首先构建景观干扰度指数，评价研究区6种类型景观受到外界环境干扰的程度，确定干扰源对区域景观格局的作用效果；其次构建景观脆弱度指数，评估研究区6种类型景观抵抗外界环境干扰的能力；最后引入研究区6种类型景观面积占比，反映研究区域的景观结构：
1）景观干扰度指数Ei。
景观干扰度指数可定量的表达研究区各类型景观所受外界环境的干扰程度。根据已有研究经验，将通过景观破碎度指数（Ci）、景观分离度指数（Si）、景观优势度指数（DOi）3个指数叠加构建景观干扰度指数，分析不同类型景观所受到外界环境的干扰程度。指数计算公式及表征意义详见文献[18-20]。
2）景观脆弱度指数Fi。
景观脆弱度反映景观内部结构的易损性，与生态风险呈正相关。根据前人研究成果，结合榆神府矿区实际情况以及6种类型景观易损性的特点，将6类景观按脆弱程度进行赋值[21]：水域5、耕地4、草地3、林地 2、建筑用地与其他土地1，并且对赋值进行反正切函数归一化处理，得到6种类型景观的景观脆弱度指数值分别为0.874 3、0.844 0、0.795 2、0.704 8、0.50、0.50。
3）初始景观生态风险指数ILE, k。
根据已构建的Ei与Fi，引入6类景观的面积比重，叠加构建景观生态风险指数，用于评价一个样区的景观生态风险高低。景观生态风险指数ILE, k的计算过程如下式所示。
$$ {I_{{\mathrm{LE}},k}} = \sum\limits_{i = 1}^n {\frac{{{A_{ki}}}}{{{A_k}}}\left( {{E_i}{F_i}} \right)} $$ 式中：ILE,k为第k个样区的景观生态风险指数值；Aki为第k个样区内景观类型i面积；Ak 为第k个样区的面积。
1.3.2 景观生态质量指数ILQ, k构建
研究采用年平均气温（TLS）、年降水量（PL）、植被覆盖度（INDV）和人为干扰度（DH）来计算景观生态质量指数，通过层次分析法（AHP）[22]对这4个指标设定权重，计算景观生态质量指标[23]。公式如下：
$$ {I_{{\mathrm{LQ}},k}} = {w_3}T_{{\mathrm{LS}},k} + {w_4}P_{{\mathrm{L}},k} + {w_5}I_{{\mathrm{NDV}},k} + {w_6}D_{{\mathrm{H}},k} $$ $$ D_{\mathrm{H}} = \dfrac{{\displaystyle\sum\limits_{i = 1}^n {{E_i}{A_i}} }}{A} $$ 利用层次分析法得w3、w4、w5和w6分别为0.1、0.1、0.3、0.5。
1.4 空间统计与驱动因子分析
1.4.1 空间统计分析
空间统计学是以具备地理空间信息特性的事物或现象为研究对象，以区域化变量为基础，研究事物与变量之间的相互关系，主要内容是研究变量的空间自相关性、空间依赖性和空间异质性[24]。
1）全局空间自相关
全局空间自相关用于反映研究区单元某一指标的整体分布情况，判断该指标在空间分布上是否表现出聚集性，常用指数为Moran’s I指数。Moran’s I指数的取值范围为−1～1，当Moran’s I指数大于0，表明空间自相关为正相关，景观生态风险值呈现集聚分布特征；当指数小于0，表明空间自相关为负相关，景观生态风险值呈离散分布特征；当指数为0，表明不存在空间自相关，景观生态风险值呈随机分布[25]。
2）局部空间自相关
局部空间自相关分析能体现其空间聚集分布格局和集聚的显著度，评估小范围内的异常情况。其实质是将Moran’s I指数分解赋值到每一个研究样区，绘制出LISA聚类图，反映相邻区域间的显著性和差异程度[26]，从而呈现出局部空间风险区单元聚集情况，并进一步分析局部空间分布异常区域。
3）局部空间关联指数
局部空间关联指数（Getis-Ord Gi*指数）用来分析研究区域高值和低值要素的局部空间聚类模式和位置，即生态风险高值区域聚集的热点和生态风险低值区域聚集的冷点[27]，研究空间要素的空间关联情况和分布特征。
1.4.2 地理探测器
多种因子共同作用影响生态景观变化，从而产生景观生态风险，驱动力分析可以确定生态环境变化的过程，揭示区域生态变化的机制。地理探测器是一组统计方法，可以识别空间异质性，并揭示任何潜在的驱动力。采用地理探测器中的因子探测来分析不同因子对榆神府矿区景观生态风险的解释力，因子探测器是探究因变量（Y）的空间分异性以及驱动因子（X）多大程度上解释了因变量的空间分异，用q值度量，公式如下：
$$ q = 1 - \dfrac{{\displaystyle\sum\limits_{h = 1}^L {{N_h}\sigma _h^2} }}{{N{\sigma ^2}}} = 1 - \dfrac{W_{{\mathrm{SS}}}}{T_{{\mathrm{SS}}}} $$ 式中：h为自变量的分区序号；L为分区总数；Nh和N分别为每个分区和区域内总共的栅格数目；σh2和σ2为每个分区方差和区域内景观生态风险的方差。WSS和TSS分别是层内方差之和及全区总方差。
2. 结果与分析
2.1 景观生态风险指数时空变化特征
榆神府矿区1995—2021年景观生态风险值的范围介于0.057～0.489，利用ArcGIS软件中的自然断点法将研究区域划分为5个风险等级：ILER,k≤0.143为低生态风险区，0.143< ILER,k≤0.193为中低生态风险区，0.193<ILER,k≤0.245为中生态风险区，0.245<ILER,k≤0.301为中高生态风险区，ILER,k>0.301为高生态风险区。研究区黄土丘陵区主要以中低、中和中高生态风险等级为主，而覆沙区主要以低、中低和中生态风险等级为主（图3）。
![]()
图 3 1995—2021年景观生态风险转换桑基注：LER—低生态风险区；MLER—中低生态风险；MER—中生态风险；MHER—中高生态风险；HER—高生态风险Figure 3. Sankey depicting landscape ecological risk transformation from 1995 to 20211990—2021年，黄土区中高与高生态风险区呈现先减少后增加的趋势，2005年黄土区高生态风险达到最小值，占研究区面积的6%，而覆沙区整体风险等级变化幅度较小，且生态风险明显低于黄土丘陵区，高生态风险区在2015年占比最大，为8%，生态风险较低的区域主要集中在中部的覆沙区，生态风险较高的区域主要分布在东北部和东南部的黄土丘陵区，具有较强的时空异质性（图4）。分时段分析，1995—2000年黄土丘陵区生态风险向中低生态风险转变，黄土丘陵区中低生态风险区占比为25%，较1995年增幅为39%，中生态风险区占比为27%，覆沙区中高和高生态风险小幅度增加，较1995年增幅为34%，但整体仍以低、中低和中生态风险等级为主，东北部的高风险范围有所增加，整体的分布格局无明显变化；2000—2010年景观生态风险逐渐由高、低生态风险等级向中生态风险等级转化，2010年黄土丘陵区中高、中和中低生态风险区占比为70%，覆沙区中高和高生态风险先增加后减少，并且中低生态风险在2010占比最大为31%，研究区整体高风险区域向中部扩散，但2010年高风险区域分布范围明显小于2000年；2010—2021年黄土丘陵区逐渐稳定为以中低、中和中高生态风险等级为主，2021年3个风险等级占比为74%，风沙区也形成了以低、中低和中生态风险等级为主的分布情况，3个风险等级占比为77%，榆神府矿区空间上逐渐呈现出南北生态风险高，中部生态风险低的分布格局。
![]()
图 4 1995—2021年景观生态风险空间分布Figure 4. Spatial distribution of landscape ecological risk from 1995 to 20212.2 景观生态风险时空异质性
2.2.1 景观生态风险空间聚集特征分析
利用ArcGIS 10.2 软件下的聚类和异常值分析工具，计算得1995—2021年的Moran’s I指数分别为0.724 6、0.642 3、0.666 2、0.665 7、0.667 5、0.703 3。研究区的P值均为0，并且Z得分均远大于1.96，说明榆神府矿区景观生态风险的空间分布为正相关性，呈集聚分布特征。
基于LISA指数，榆神府矿区景观生态风险的局部集聚特征如图5所示。1995—2021年LISA的高值聚集区主要分布在研究区的东北部和东南部的黄土丘陵区，尤其是1995年高值聚集区在东北部大范围分布，之后高值聚集区逐渐减少并呈现小范围分布。LISA的低值聚集区主要分布在中部的覆沙区，该区域生态风险值较低，低值聚集区总体变化不大，在2015—2021年范围有扩大趋势。整体而言，研究区1995—2021年高值聚集区变化较为明显，东北部高值聚集区明显减少，低值聚集区变化不显著。
![]()
图 5 1995—2021年景观生态风险局部自相关性Figure 5. Local autocorrelation of landscape ecological risk from 1995 to 20212.2.2 景观生态风险局部冷热点分析
榆神府矿区的景观生态风险冷热点分布差异明显，如图6所示，冷点和次冷点主要集中在中部的覆沙区，热点主要分布在研究区东北部和东南部的黄土丘陵区。1995—2021年研究区整体上主要分布的为冷点与次冷点，但冷热点仍在不断转化，1995年东北部的黄土丘陵区有大面积的热点区域，分布密集，随着人为活动的影响，热点区域逐渐分散，东北部热点区域明显减少，冷点区域变化不显著；2000—2010 年，风险冷热点区域面积相对平稳；2015 年时，热点区域面积达到最小值，为510 km2，且相比 2010 年，显著减少30%，2021年冷热点分布格局逐渐稳定，且冷点区域面积达到最大值，为1 337 km2，次热点和热点区域面积较2015年无显著变化。
![]()
图 6 1995—2021年景观生态风险局部冷热点Figure 6. Local hotspots and coldspots of landscape ecological risk from 1995 to 20212.3 景观生态风险驱动因子分析
因子能探测影响因子在多大程度上解释景观生态风险空间分异性。城市化的显著标志是建筑用地的不断增加，单位面积内建筑用地所占比例可以体现城市化发育水平[28]。为方便计算，X1、X2、X3、X4、X5、X6和X7分别代表降水、植被覆盖度、最低气温、最高气温、高程、人为干扰度和城市化发育水平。由图7可知，黄土区与覆沙区决定力q值最大的因子均为人为干扰度，黄土丘陵区与覆沙区人为干扰度q值大小分别在0.49～0.72和0.38～0.55之间，且最大值都在2000—2010年间；1995—2021年黄土丘陵区第二主导因素为植被覆盖度，决定力q值仅低于人为干扰度，在0.27～0.46之间，气温为第三主导因素，最高气温与最低气温q值大小接近，在0.1～0.25之间；但覆沙区在1995—2021年间，植被覆盖度、最低气温和最高气温3个因子的决定力q值大小接近，在0.15左右，在1995年，植被覆盖度为第二主导因素，在2010—2021年，气温为第二主导因素；在两种地貌类型中，降水的q值大小仅高于高程，在0.10左右，高程均是解释力最弱的一个因素，q值均小于0.10，表明高程对榆神府矿区景观生态风险的影响作用很小；两种地貌类型的城市化发育水平q值在1995—2021年间均呈增长趋势，且在2010—2021年增长显著，可能是由于榆神府矿区建筑用地面积在这一时期明显增加所导致。
![]()
图 7 1995—2021年榆神府矿区景观生态风险因子解释力Figure 7. Explanatory power of landscape ecological risk factors in Yushenfu Mining Area from 1995 to 20213. 讨 论
1995—2021年榆神府矿区景观格局剧烈改变，煤炭开采、人口增长等人为影响使区域自然景观逐渐向半人工景观、人工景观转变，矿区总体景观生态风险较高。榆神府矿区所在区域尚未大规模开展煤炭开采活动的1995—2000年，人为活动对区内景观斑块影响较小，这一时期景观破碎度较小、优势景观明显、自然连通度较高，但相较于覆沙区，黄土丘陵区这一时期景观类型变化较大，主要干扰因子是人口增长使得耕地扩张[29]，草地林地被侵占，水土流失严重，生态环境质量降低，因此该时期高生态风险区域集中分布在人口较多的矿区东北部和东南部黄土丘陵地貌类型区[30]，该时期覆沙区人为活动干扰弱，因此整体处于较低生态风险；2000—2010年随着我国能源战略“西移”推进，榆神府矿区黄土地貌最先开发，黄土丘陵区地表出现塌陷、裂缝等损害，使得地表水沿裂缝渗漏至地表深层[31]，对地表植被土壤生态系统产生损害[32]，加之开采造成的地下水系破坏使得地下水位下降，湿地面积萎缩，黄土区景观复杂度增加，低生态风险区向更高等级生态风险转变，高生态风险区域在空间分布上有明显扩散，该时段覆沙区尚未开展大规模煤炭开采[33]，因此相较于黄土区受到人为干扰较少，且覆沙区对外界干扰的敏感性低[34]，区域内整体处于较低生态风险；至2010—2021年因黄土高原退耕还林还草政策的长期实施黄土丘陵区林地面积占比显著增加，景观连通性不断提升，同时矿区塌陷损害地生态修复力度增加，矿区损毁和占用土地斑块间的景观连通性和景观聚合度稳步增加，这一时期矿区覆沙区由于曹家滩、小保当等一系列覆沙区煤矿建设，生态景观受到人为活动干扰，但同一时间矿区开始实施改造沙漠滩地和治沙造田等生态修复措施，所以覆沙区高生态风险面积在2015年小幅升高后又开始降低，景观生态格局总体向着均匀化的方向发展，全域生态风险整体上向中、中低生态风险转变，生态风险等级降低并逐渐趋于稳定，生态风险格局开始优化。
由空间聚集特征和冷热点分析得出榆神府矿区景观生态风险空间异质性明显，具有明显的空间聚集特征。生态风险热点主要分布在东北部和东南部的黄土丘陵区，1995—2000年，东北部和东南部的黄土丘陵区是榆神府矿区人口主要居住地，人类生产活动频繁，人为干扰度大，是空间上生态风险热点聚集的主要原因，2000—2010年间该区域榆家梁、柠条塔和麻黄梁等矿区逐渐建设完成并投产，煤炭开采大规模进行，区域内矿产资源开发引起的采煤塌陷和裂隙发育改变了区域的地形和地貌，破坏了地表植被−土壤生态系统和区域的水文地质条件，地质环境问题较为突出，热点区域在煤炭开采地区集中分布，2010—2021年，煤炭开采持续进行，但随着绿色矿山建设以及一系列生态修复政策实施，生态环境质量开始好转，从而热点区域有所减少；除人为活动外，黄土丘陵区属于半干旱气候，降水较少且主要以暴雨为主，丘陵区复杂的地形使得土壤侵蚀严重，不利的自然因素也会导致生态风险的增强。榆神府矿区生态风险冷点主要位于中部的覆沙区，区内地形相对平坦，但有效土地瘠薄，致使植被群落发育受限，原生低植被覆盖度的草地和沙地构成主要景观类型，1995—2000年间覆沙区人为干扰强度低，植被覆盖度和土地利用类型变化稳定，2000—2021年间区域内煤矿建设并投产，但由于地貌特点煤炭开采造成地表损害后裂隙弥合较快，对外界干扰的敏感性低，加之毛乌素沙地人工植被建设和矿区生态修复措施实施，使得覆沙区景观生态格局趋于稳定并进一步优化，景观聚集度较高，景观破碎度较低，所以覆沙区生态风险冷热点无显著变化。
榆神府矿区的景观生态风险值和冷热点分布具有明显的空间异质性，高生态风险区域和热点主要分布在东北部和东南部的黄土丘陵区，低生态风险区域和冷点集中分布在中部的覆沙区，因此在生态风险防范的过程中，需要从自然条件出发，结合区域煤矿开采情况，因地制宜对矿区环境进行多重点、多层次治理，在榆神府地形复杂的黄土地貌，该区域煤炭开发时间长，主要以井工开采方式为主，因此造成地表塌陷、变形、滑坡等地质环境问题，且在不同微地貌单元造成的地质环境损害类型和强度也有差异，因此可以根据峁顶、沟坡等不同微地形特征针对性的制定土地复垦、植被重建等生态修复措施，优化景观组分、斑块的数量和空间分布格局，落实保水采煤方针[35]，保护生态水位，做好智慧煤矿、绿色矿山建设；而在地形条件简单的覆沙区，区域内煤矿投产时间相对较晚，且因地貌原因开采所导致的地质损害后裂隙缝合较快，因此在覆沙区可实施引导型生态自修复等，进一步扩大植被覆盖面积，丰富植物群落，使各组分之间连通性高，规则均匀分布，提高景观总体生产力和稳定性，降低生态风险。
4. 结 论
1）1995—2021年榆神府矿区景观生态风险以中低、中、中高风险等级为主，在时间上景观生态风险的变化趋势为先升高在降低最终逐渐稳定，在空间分布上景观生态风险呈现南北黄土丘陵区高，中部覆沙区低的分布格局。
2）1995—2021年，榆神府矿区景观生态风险的空间分布呈现集聚分布特征，空间自相关性为正，且在局部范围内，景观生态风险区呈聚集分布，热点区域与冷点区域分布明显。
3）对榆神府矿区景观生态风险影响程度最大的因子是人为干扰度，其次在黄土丘陵区植被覆盖度是第二大影响因子，而覆沙区植被覆盖度与气温对景观生态风险影响程度相近，两种地貌类型均受高程影响最小。
-
![]()
图 4 不同聚簇数下轮廓系数与CH指数
Figure 4. Silhouette coefficients and CH index for different number of clusters
![]()
图 6 不同算法预测值与真实值对比
Figure 6. Comparison between predicted and true values of different algorithms
表 1 数据集分布情况
Table 1 Distribution of the dataset
参数 最小值 最大值 平均值 收到基低位发热量Qnet,ar/（MJ·kg-1） 17.27 25.48 21.24 收到基水分Mar/% 4.4 15.61 9.39 收到基灰分Aar/% 7.21 35.47 24.57 收到基挥发分Var/% 8.12 31.51 16.99 收到基固定碳FCar/% 36.15 59.96 49.10 
下载: 导出CSV
表 2 各类样本参数范围
Table 2 Range of parameters for each type of sample
样本类别 收到基水分Mar/% 收到基灰分Aar/% 收到基固定碳FCar/% 样本个数 A 11.09～15.61 7.21～15.86 43.18～49.89 261 B 5.45～15.42 19.96～30.61 36.15～42.14 392 C 4.42～14.62 19.03～35.47 46.25～59.96 1057
下载: 导出CSV
表 3 Optuna框架下最优化超参数
Table 3 Optimal hyperparameters in the Optuna framework
参数 全部
样本子样本
A子样本
B子样本
Cn_estimator 841 871 698 837 learning_rate 0.0349 0.0883 0.0767 0.0667 max_depth 6 5 5 4 min_child_weight 4 2 2 3 gamma 0.103 0.0313 0.0489 0.0449
下载: 导出CSV
表 4 XGBoost算法下全部样本模型与子样本模型训练效果评价
Table 4 Evaluation of the training effect of the full sample and subsamples models under XGBoost algorithm
训练对象 δMSE δMAPE/% R2 全部样本 0.077 4 1.04 0.974 子样本A 0.042 2 0.68 0.982 子样本B 0.041 5 0.65 0.976 子样本C 0.044 9 0.73 0.983
下载: 导出CSV
表 5 全部样本模型与子样本模型训练效果评价结果
Table 5 Evaluation result of the training effect of the full sample and subsamples models
训练对象 算法 δMSE δMAPE/% R2 全部样本 SVM 0.163 1 1.52 0.963 OLS 0.244 4 2.17 0.958 子样本A SVM 0.086 1 1.06 0.971 OLS 0.132 4 1.29 0.967 子样本B SVM 0.085 9 0.92 0.969 OLS 0.124 3 1.34 0.962 子样本C SVM 0.088 3 1.13 0.973 OLS 0.143 2 1.39 0.969
下载: 导出CSV
-
[1] 侯方圆. 碳中和背景下的火电企业精益成本管理研究[D]. 广州中山大学,2021. HOU Fangyuan. Research on lean cost management of thermal power enterprises under the background of carbon neutrality[D]. Guangzhou:Sun Yat-Sen University,2021.
[2] 何 则,周彦楠,刘 毅. 2050年中国能源消费结构的系统动力学模拟:基于重点行业的转型情景[J]. 自然资源学报,2020,35(11):2696−2707. doi: 10.31497/zrzyxb.20201111 HE Ze,ZHOU Hongnan,LIU Yi. System dynamics simulation on China's energy consumption in 2050:Based on the policy scenarios of key industries[J]. Journal of Natural Resources,2020,35(11):2696−2707. doi: 10.31497/zrzyxb.20201111
[3] 刘习文,彭卓寅,胡新强,等. 燃煤火电厂年度燃料成本最小化决策模型及应用[J]. 中国电力,2022,55(6):202−207. LIU Xiwen,PENG Zhuoyin,HU Xinqiang,et al. Annual fuel cost minimization decision model for thermal power plant and its applications[J]. Electric Power,2022,55(6):202−207.
[4] 成艳亭,宋立信,池 锋,等. 入炉煤质在线软测量技术研究与应用进展[J]. 洁净煤技术,2021,27(5):38−51. CHENG Yanting,SONG Lixin,CHI Feng,et al. Development and application of soft-measurement technology for online monitoring of coal quality in power generation[J]. Clean Coal Technology,2021,27(5):38−51.
[5] 韩立芳,赵中义. 基于极限学习机的燃煤热值预测研究[J]. 热力发电,2020,49(4):144−149. HAN Lifang,ZHAO Zhongyi. Study on calorific value prediction of coal combustion based on extreme learning machine[J]. Thermal Power Generation,2020,49(4):144−149.
[6] 李越胜,卢伟业,赵静波,等. 基于BP神经网络和激光诱导击穿光谱的燃煤热值快速测量方法研究[J]. 光谱学与光谱分析,2017,37(8):2575−2579. LI Yuesheng,LU Weiye,ZHAO Jingbo,et al. Detection of caloric value of coal using laser-induced breakdown spectroscopy combined with BP neural networks[J]. Spectroscopy and Spectral Analysis,2017,37(8):2575−2579.
[7] 杨明花,张克涵. 基于高光谱图像和卷积神经网络的燃煤热值估计算法[J]. 中国电力,2019,52(9):148−153. YANG Minghua,ZHANG Kehan. Coal calorific value estimation algorithm based on hyperspectral image and convolutional neural network[J]. Electric Power,2019,52(9):148−153.
[8] FU C,ANANTHARAMAN R,JORDAL K,et al. Thermal efficiency of coal-fired power plants:From theoretical to practical assessments[J]. Energy Conversion and Management,2015,105:530−544. doi: 10.1016/j.enconman.2015.08.019
[9] GB/T 213—2008,煤的发热量测定方法[S]. 北京:质检出版社,2008. [10] 李光斌. 基于历史数据分析的神东煤发热量数据检验研究[J]. 煤炭科学技术,2022,50(S1):333−338. LI Guangbin. Research on calorific value data inspection of Shendong coal based on historical data analysis[J]. Coal Science and Technology,2022,50(S1):333−338.
[11] 宋宜猛. 基于工业分析预测煤质发热量研究[J]. 西安科技大学学报,2022,42(1):70−75. SONG Yimeng. Research on prediction of coal calorific value based on proximate analysis[J]. Journal of Xi'an University of Science and Technology,2022,42(1):70−75.
[12] FARMER W J,RIX A J. Evaluating power system network inertia using spectral clustering to define local area stability[J]. International Journal of Electrical Power & Energy Systems,2022,134:107404.
[13] WANG Y,GAO S,CHU H,et al. Planning of electric taxi charging stations based on travel data characteristics[J]. Electronics,2021,10(16):1947. doi: 10.3390/electronics10161947
[14] LIU Hongli,CHEN Junchao,LI Ji,et al. Transformer fault warning based on spectral clustering and decision tree[J]. Electronics,2023,12(2):265. doi: 10.3390/electronics12020265
[15] 梅 睿,吕志勇,顾 文,等. 基于主成分分析和谱聚类的短期风功率预测[J]. 现代电力,2023,40(1):35−41. MEI Rui,LYU Zhiyong,GU Wen,et al. Short-term wind power prediction based on principal component analysis and spectral clustering[J]. Modern Electric Power,2023,40(1):35−41.
[16] CHEN T,GUESTRIN C. Xgboost:a scalable tree boosting system[C]//Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining. New York,2016:785−794.
[17] ZHENG H,YUAN J,CHEN L. Short-term load forecasting using EMD-LSTM neural networks with a Xgboost algorithm for feature importance evaluation[J]. Energies,2017,10(8):1168. doi: 10.3390/en10081168
[18] 陈振宇,刘金波,李 晨,等. 基于LSTM与XGBoost组合模型的超短期电力负荷预测[J]. 电网技术,2020,44(2):614−620. CHEN Zhenyu,LIU Jinbo,LI Chen,et al. Ultra short-term power load forecasting based on combined LSTM-XGBoost model[J]. Power System Technology,2020,44(2):614−620.
[19] 孔德婷,刘聪云,马琳鸽,等. 煤的工业分析仪器法测量不确定度评定[J]. 计量与测试技术,2022,49(1):108−111,114. KONG Deting,LIU Congyun,MA Linge,et al. Evaluation of uncertainty on proximate analysis of coal of instrumental method[J]. Metrology & Measurement Technique,2022,49(1):108−111,114.
[20] 丁皓轩,吴震坤,唐 文,等. 煤炭工业分析转化元素分析计算式改进与回归模型[J]. 洁净煤技术,2021,27(S2):170−174. DING Haoxuan,WU Zhenkun,TANG Wen,et al. Calculation formula improvement and regression model for calculate ultimate analysis from proximate analysis of coal[J]. Clean Coal Technology,2021,27(S2):170−174.
[21] 王惠新,陈致远,王永红,等. 贵州煤发热量与工业分析指标预测模型[J]. 洁净煤技术,2020,26(S1):112−115. WANG Huixin,CHEN Zhiyuan,WANG Yonghong,et al. Prediction model of Guizhou coal calorific value and industrial analysis[J]. Clean Coal Technology,2020,26(S1):112−115.
[22] 刘福国,刘 科. 求解高斯过程方程组预测煤元素含量研究[J]. 热力发电,2021,50(7):70−77. LIU Fuguo,LIU Ke. Prediction of elemental composition of coal by solving Gaussian process equations[J]. Thermal Power Generation,2021,50(7):70−77.
[23] 刘 超,张爱琳,李树刚,等. 基于Pearson特征选择的LSTM工作面瓦斯浓度预测模型及应用[J/OL]. 煤炭科学技术:1-9. doi: 10.13199/j.cnki.cst.2022−1618. LIU Chao,ZHANG Ailin,LI Shugang,et al. LSTM-Pearson gas concentration prediction model feature selection and its application[J/OL]. Coal Science and Technology:1-9. doi: 10.13199/j.cnki.cst.2022−1618.
[24] 赵先枝,陈军林. 基于分位数回归的煤炭发热量预测[J]. 工矿自动化,2022,48(7):130−134. ZHAO Xianzhi,CHEN Junlin. Prediction method of coal calorific value based on quantile regression[J]. Journal of Mine Automation,2022,48(7):130−134.
[25] 李大虎,李秋科,王文才,等. 基于MIV特征选择与PSO-BP神经网络的煤炭发热量预测[J]. 煤炭工程,2020,52(11):154−160. LI Dahu,LI Qiuke,WANG Wencai,et al. Prediction of coal calorific value based on MIV characteristic variable selection and PSO-BP neural network[J]. Coal Engineering,2020,52(11):154−160.
[26] 安吉振,陈 衡,乔世超,等. 基于K-means聚类算法的电站煤场来煤堆放优化研究[J]. 热力发电,2023,52(4):135−143. AN Jizhen,CHEN Heng,QIAO Shichao,et al. Research on optimization of incoming coal stacking in power station coal yard based on K-means clustering algorithm[J]. Thermal Power Generation,2023,52(4):135−143.
[27] HU D,ZHOU K,LI F,et al. Electric vehicle user classification and value discovery based on charging big data[J]. Energy,2022,249:123698. doi: 10.1016/j.energy.2022.123698
[28] 万 佳,胡大裟,蒋玉明. 多密度自适应确定DBSCAN算法参数的算法研究[J]. 计算机工程与应用,2022,58(2):78−85. WAN Jia,HU Dasha,JIANG Yuming. Research on method of multi-density self-adaptive determination of DBSCAN algorithm parameters[J]. Computer Engineering and Applications,2022,58(2):78−85.
[29] 黄 宇,高 珊,李其贤,等. SCR脱硝系统的分数阶PIλDμ参数优化控制[J]. 动力工程学报,2022,42(2):122−128. HUANG Yu,GAO Shan,LI Qixian,et al. Optimal control of fractional PIλDμ parameters of SCR denitration system[J]. Journal of Chinese Society of Power Engineering,2022,42(2):122−128.
-
期刊类型引用(1)
1. 闫江伟，荣田可，冯想，孙瑞，李俊橦. 受载煤体吸附瓦斯动力学特性与模型优选. 煤矿安全. 2024(12): 106-114 . 
百度学术
其他类型引用(1)
计量
- 文章访问数: 34
- HTML全文浏览量: 8
- PDF下载量: 11
- 被引次数: 2
