摘要：塞罕坝机械林场的生态奇迹产生了巨大的生态效益，是生态文明建设的新标杆，为全球环境治理提供了典范。本文从塞罕坝机械林场产生的生态效益出发，考虑林场现有的生态结构，确定了评价生态环境的典型生态指标；使用熵权法对TOPSIS模型进行修正，依据数据本体给指标赋予不同的权重，建立了塞罕坝的影响评价模型，定量评价了塞罕坝修复后对环境的影响。最后，通过对北京近几十年来的沙尘暴发生天数进行相关性检验，发现数据相关性较好，得出本评估模型较为准确的结论。 关键词：塞罕坝熵权法TOPSIS模型综合评价
1、模型准备
塞罕坝地区的变化给周围的生态环境积极的影响，尤其在抗风沙、保护环境、维持生态平衡与稳定等方面发挥了重要作用。为了评估塞罕坝对环境产生的影响，通过查阅参考文献，选择生态环境评价指标，评价体系的内部关系如下图所示：
图1 生态环境评价指标
通过查阅中国气象局，收集了塞罕坝地区从1962年到2021年的森林覆盖率、涵养水量、氧气的释放量、二氧化碳吸收量、覆盖面积等数据用于评价分析。
2、数据预处理
基本过程：先将原始数据矩阵统一指标类型得到正向化的矩阵，再对正向化的矩阵进行标准化处理以消除各指标量纲的影响，并到有限方案中的最优方案和最劣方案。然后分别计算各评价对象与最优方案和最劣方案间的距离，获得各评价对象与最优方案的相对接近
程度，以此作为评价优劣的依据。平均权重值，进行归一化处理，此方法对数据分布及样本含量没有严格限制，数据计算简单易行。
2.1对原始矩阵进行正向化处理
为了进行后续的分析，首先把各项数据进行正向化处理。上文中所提到的森林覆盖率、涵养水量、氧气的释放量、二氧化碳吸收量、覆盖面积、数目储积量均为极大型的指标，即数值越大对生态环境产生的积极影响越强。而降雨量过多或过少都会对生态环境产生不良影响，在410-460mm之间为最佳，为中间型指标。
为降雨量序列，最佳值为，则正向值为:
根据上述分析，将所有值进行变换，完成对原矩阵的正向化处理。
2.2标准化正向矩阵
标准化的目的是消除指标的不同维度的影响，假设有N个待评价对象，有M个评价指标，则
正向化矩阵为:
压刨
归一化矩阵Z中的每一个元素：
2.3计算和规范化矩阵
假设有n个对象需要求值，m个求值指标，分别为通过上一步获取，得到关于z的正向化矩阵。
电线固定座
计算概率P，其中的每个元素都遵循：
易于验证 对应的概率和是1，得到规范化矩阵。
3、生态评价模型建立
使用熵权法对TOPSIS模型进行修正，指标的变异程度越小，其反映的信息越少，对应的权重也就越低。对于第j个生态评价指标，其信息熵计算为：
信息有效值的定义。信息有效价值越大，对应的信息就越多。将信息归一化为有效值，即可得到各指标的熵权值:
4、基于熵权法的TOPSIS模型求解
为对赛罕坝周边生态环境的影响进行量化评分，计算各指标的权重如下:
表1 熵权法中各项所占权重
项目 | 信息熵值e | 信息效用值d | 权重 |
钢丝扣森林覆盖率 | 0.969 | 0.031 | 0.096 |
客户通讯录管理系统二氧化碳吸收量/万吨 | tokyo hot n0808 0.879 | 0.121 | 0.209 |
林木蓄积量/万立方米 | 0.879 | 0.121 | 0.211 |
氧气释放量/万吨 | 0.879 | 0.121 | 0.197 |
| | | |
直流电机编码器根据各个指标所占权重和塞罕坝某年的项目数据进行计算，得到各个年份的综合评分。以塞罕坝地区2020年的综合评分为1，分析各年份的相对评分：1962年的综合评分只有0.023，2002年相对评分已升至0.42，2018年相对评分升至0.71，2018-2020年综合得分快速增长。历经了半个世纪的植树造林，塞罕坝地区的生态修复取得了重大成果。
5、模型检验
统计北京1979-2019年的沙尘暴天数，发现已经由1979-1998的平均4.3天降至1999-2019的平均2.5天。用χ2测定沙尘暴天数和综合评分间的相关程度，其中fo表示观察值频数，fe表示期望值频数，表达式如下：
计算得出χ2 = 0.24。据此，可以说明北京近几十年来的沙尘暴发生天数与评价得分有较好的相关度，本生态评价模型可用性较强。
6、模型评价与推广
本文建立的塞罕坝生态影响评价模型应用了熵权法，数据更加合理可信。将此评价模型的评价指标和权重进行适应性修改，可推广用于其他地区的生态保护评价，从而采取针对性地生态保护措施，做到生态效益最大化。
参考文献
[1]李海燕,杜文杰,丁宗威,张子涵.综合评价模型应用研究——以塞罕坝生态环境影响评估为例[J].郑州铁路职业技术学院学报,2022,34(03):93-97.
[2]陈媛媛. 塞罕坝机械林场可持续发展现状评价研究[D].北京林业大学,2019.
1
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议