胡鈺琳，張紹良,2，于婭娜，侯湖平，楊永均，公云龍

(1.中國礦業(yè)大學(xué)公共管理學(xué)院，江蘇 徐州 221116；2.礦山生態(tài)修復(fù)教育部工程研究中心，江蘇 徐州 221116)

0 引 言

自20世紀(jì)80年代大規(guī)模開展礦區(qū)土地復(fù)墾研究以來，我國很多礦區(qū)已經(jīng)積累了大量的復(fù)墾數(shù)據(jù)資料，包括復(fù)墾技術(shù)、復(fù)墾經(jīng)驗(yàn)、復(fù)墾質(zhì)量、復(fù)墾評價(jià)和示范工程等信息。這些歷史文獻(xiàn)不僅可以為礦區(qū)未來土地復(fù)墾提供直接的、廉價(jià)的資料，而且可形成“歷史數(shù)據(jù)鏈”，為礦區(qū)綜合治理、系統(tǒng)修復(fù)提供決策支持。尤其是其中“反復(fù)”的研究區(qū)介紹、采樣、試驗(yàn)和分析結(jié)果等，如果系統(tǒng)歸納、提煉，也就是數(shù)據(jù)挖掘，可形成該礦區(qū)土地復(fù)墾和生態(tài)修復(fù)的“知識”。因此，引入數(shù)據(jù)挖掘技術(shù)不但可節(jié)省研究時(shí)間，而且可節(jié)約研究成本，避免“重復(fù)”研究，為大數(shù)據(jù)時(shí)代礦山土地復(fù)墾和生態(tài)重建的研究提供新的研究“范式”。本文嘗試?yán)脭?shù)據(jù)挖掘技術(shù)，結(jié)合Python語言編程，對礦區(qū)土地復(fù)墾歷史科技文獻(xiàn)開展信息集成和知識發(fā)現(xiàn)，并以徐州礦區(qū)為例開展實(shí)證研究，為礦區(qū)土地復(fù)墾與生態(tài)修復(fù)研究探索一條新的途徑。

1 礦區(qū)復(fù)墾信息數(shù)據(jù)挖掘概述

1.1 研究現(xiàn)狀

數(shù)據(jù)集成、分析、預(yù)測、建模和數(shù)據(jù)挖掘、可視化等是大數(shù)據(jù)時(shí)代的基本技術(shù)[1]，國內(nèi)外許多專家已經(jīng)研發(fā)出了許多與數(shù)據(jù)挖掘有關(guān)的軟件，取得了長足的進(jìn)步[2]，并應(yīng)用于經(jīng)濟(jì)領(lǐng)域[3]、社會(huì)領(lǐng)域[4]和文化領(lǐng)域[5]等。礦區(qū)信息數(shù)據(jù)挖掘已經(jīng)能實(shí)現(xiàn)地質(zhì)數(shù)據(jù)特征的表述、對比、聯(lián)系、聚類以及分析等功能，并且已經(jīng)有數(shù)據(jù)挖掘的軟件問世[6]。為了從海量的地質(zhì)信息中找到有效的信息，有學(xué)者開發(fā)了語義檢索模型[7]。然而，數(shù)據(jù)冗余、數(shù)據(jù)沖突及其真?zhèn)巫R別等，給礦區(qū)土地復(fù)墾與生態(tài)重建信息集成和知識發(fā)現(xiàn)提出了挑戰(zhàn)。

1.2 數(shù)據(jù)特點(diǎn)

數(shù)據(jù)挖掘就是在大量的、不完全的、有噪聲的、模糊的隨機(jī)數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的潛在有用信息和知識的過程[8]。礦區(qū)土地復(fù)墾文獻(xiàn)資料是研究人員日積月累形成的重要知識成果，但由于主題不同、內(nèi)容不同、格式不同等特點(diǎn)，使得信息分散，制約了信息集成的難度和應(yīng)用價(jià)值。

由表1可知，區(qū)別于傳統(tǒng)數(shù)據(jù)環(huán)境，礦區(qū)土地復(fù)墾文獻(xiàn)資料的數(shù)據(jù)特點(diǎn)在數(shù)據(jù)類型、數(shù)據(jù)篩選、數(shù)據(jù)挖掘等方面都有極大的不同。由此可見，必須開發(fā)有針對性的數(shù)據(jù)挖掘方法，才能對礦區(qū)土地復(fù)墾文獻(xiàn)進(jìn)行精準(zhǔn)挖掘，才能在大量的歷史文獻(xiàn)資料中準(zhǔn)確快速地識別出礦區(qū)基本信息、開采及其影響信息、復(fù)墾信息等。

2 礦區(qū)復(fù)墾信息數(shù)據(jù)挖掘方法

2.1 數(shù)據(jù)挖掘步驟

1) 首先根據(jù)《現(xiàn)代漢語分類詞典》中的分類規(guī)則對礦區(qū)土地復(fù)墾文獻(xiàn)關(guān)鍵詞進(jìn)行編碼化處理。

2) 利用標(biāo)簽LDA模型改進(jìn)TF*IDF方法[9]，構(gòu)建關(guān)鍵詞-文獻(xiàn)矩陣。

3) 以CD_Sim方法訪問矩陣計(jì)算關(guān)鍵詞相似度，建立空間向量模型、應(yīng)用AP聚類方法確定該礦區(qū)土地復(fù)墾文獻(xiàn)的主題要素。

4) 運(yùn)用Python可視化編程語言遍歷文獻(xiàn)，根據(jù)聚類結(jié)果和其他需要提取的重要信息，進(jìn)行數(shù)據(jù)挖掘與集成分析[10-11]。

5) 以文本數(shù)據(jù)庫作為核心結(jié)合空間與屬性數(shù)據(jù)庫，采用C#可視化編程語言，結(jié)合ArcEngine在VS.NET環(huán)境中實(shí)現(xiàn)GIS的二次開發(fā)，建立能夠呈現(xiàn)該礦區(qū)土地復(fù)墾歷史數(shù)據(jù)的信息管理系統(tǒng)。

2.2 關(guān)鍵技術(shù)

2.2.1 TF*IDF算法

首先將文獻(xiàn)關(guān)鍵詞按《現(xiàn)代漢語分類詞典》中5個(gè)級別層次進(jìn)行體系分類。由表2可知，以“采礦”和“采煤”的編碼“陸三Hb01”為例，兩個(gè)詞語編碼位均相同，可認(rèn)為兩詞語完全相似，相似度為1；若兩個(gè)詞語的編碼位有一位不同，則兩詞語相似度為0。

表1 數(shù)據(jù)特點(diǎn)Table 1 Characteristics of data

表2 編碼規(guī)則示例Table 2 Code rule example

其次，利用TF*IDF算法計(jì)算詞語重要性，計(jì)算見式(1)。

(1)

式中：pij為關(guān)鍵詞在待分析文檔中出現(xiàn)的數(shù)量；TFij為pij與待分析文檔中總詞語數(shù)量pj的比值；IDFi為逆文檔頻率；N為樣本數(shù)量；ni為文檔中包含詞語ti的數(shù)量。

根據(jù)詞語重要性wij構(gòu)建關(guān)鍵詞-文獻(xiàn)權(quán)重矩陣，在待分析文檔中關(guān)鍵詞出現(xiàn)的頻率利用樣本D將頻數(shù)向量表示出來，則樣本D表示為式(2)。

(2)

2.2.2 CD_Sim方法

采用CD_Sim方法計(jì)算關(guān)鍵詞相似度，其思想為訪問關(guān)鍵詞-文獻(xiàn)矩陣，找到待度量關(guān)鍵詞返回其編碼，根據(jù)公式對編碼相似度進(jìn)行計(jì)算，返回關(guān)鍵詞相似度。

定義：假設(shè)有關(guān)鍵詞A的編碼為“a1a2a3a4a5”，關(guān)鍵詞B的編碼為“b1b2b3b4b5”，語義重合度為k1。見式(3)。

(3)

選取相同的語義長度(即編碼后的位數(shù)相同)，從而方便計(jì)算語義重合度。以關(guān)鍵詞“生態(tài)”“環(huán)境”“景觀”為例，對其進(jìn)行編碼后計(jì)算每兩個(gè)詞語之間k1的值，見表3。

表3 k1計(jì)算結(jié)果Table 3 Calculated results of k1

分析表3可知，通過語義重合度利用CD_Sim方法對詞語之間的相似程度進(jìn)行一個(gè)標(biāo)準(zhǔn)化的衡量計(jì)算，見式(4)。

(4)

設(shè)文獻(xiàn)i中有M個(gè)關(guān)鍵詞{x1,x2,…,xm}(m=1,2,…,M)，文獻(xiàn)j中有N個(gè)關(guān)鍵詞{y1,y2,…,yn}(n=1,2,…,N)，smn為第i個(gè)文獻(xiàn)中的關(guān)鍵詞m與第j個(gè)文獻(xiàn)中的關(guān)鍵詞n的相似度。計(jì)算文獻(xiàn)i與文獻(xiàn)j中所有關(guān)鍵詞的相似度矩陣，見式(5)。

2.2.3 AP聚類方法

采用聚類分析不僅可以確定文獻(xiàn)主題要素，同時(shí)檢驗(yàn)文本相似度量效果。相比較其他聚類方法，AP聚類可以按照自身特性，選取合理聚類數(shù)目進(jìn)行聚類。根據(jù)關(guān)鍵詞相似度計(jì)算結(jié)果，通過AP聚類算法對待聚類文獻(xiàn)進(jìn)行自動(dòng)聚類，由于不同文獻(xiàn)主題包含子主題，根據(jù)聚類數(shù)目和實(shí)際文獻(xiàn)數(shù)目決定是否繼續(xù)執(zhí)行聚類操作，直至聚類數(shù)目基本不再變化或者接近于1。

2.2.4 基于Python語言的信息提取

Python語言可以對ArcGIS進(jìn)行腳本的編寫，可快速實(shí)現(xiàn)GIS基本功能的編碼化[10-11]，嵌入Python語言將提高土地復(fù)墾歷史文獻(xiàn)數(shù)據(jù)挖掘的工作效率。選取Python語言中的PDFMiner模塊[12-13]進(jìn)行解析處理，通過Python語言進(jìn)行編程，即可在Excel中提取到對應(yīng)的信息。

2.2.5 ArcGIS二次開發(fā)

該系統(tǒng)包括應(yīng)用層、中間層以及數(shù)據(jù)層等三層結(jié)構(gòu)。使用COM連接三層結(jié)構(gòu)，這樣具有面向?qū)ο?、可重用性、語言獨(dú)立、過程透明和版本升級穩(wěn)健等優(yōu)點(diǎn)[14]。中間層包括系統(tǒng)的主要功能模塊，數(shù)據(jù)層中包括地理空間數(shù)據(jù)、屬性數(shù)據(jù)以及文本數(shù)據(jù)。該系統(tǒng)減少了系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)之間的相互作用，降低了各層之間依賴程度的同時(shí)，也提高了本文系統(tǒng)的可擴(kuò)展性，使得功能更加連貫，數(shù)據(jù)可以實(shí)時(shí)更新。

3 應(yīng)用研究：以徐州礦區(qū)為例

3.1 數(shù)據(jù)挖掘過程

以中國知網(wǎng)(CNKI)文獻(xiàn)庫為基礎(chǔ)，以“土地復(fù)墾”“生態(tài)修復(fù)”“徐州礦區(qū)”“塌陷地”“植被恢復(fù)”“土壤改良”等作為文獻(xiàn)索引主題詞，將時(shí)間區(qū)間設(shè)置為1980—2019年，檢索到研究文獻(xiàn)518篇。下載文獻(xiàn)并利用Python爬取其關(guān)鍵內(nèi)容，如“題目”“發(fā)表時(shí)間”“關(guān)鍵詞”“摘要”等，形成獨(dú)立文檔，以便計(jì)算機(jī)自動(dòng)讀取。

利用TF*IDF算法計(jì)算詞語重要性，構(gòu)建徐州礦區(qū)土地復(fù)墾與生態(tài)修復(fù)歷史文獻(xiàn)的樣本矩陣，文獻(xiàn)主題從初值開始不斷分詞，不斷聚類，不斷更新，不斷替換。

以隨機(jī)選取的四篇文獻(xiàn)為例。對分詞結(jié)果進(jìn)行編碼化處理，處理結(jié)果見表4。據(jù)此計(jì)算相似度，計(jì)算結(jié)果見表5。根據(jù)關(guān)鍵詞相似度計(jì)算結(jié)果，通過AP聚類方法對關(guān)鍵詞進(jìn)行聚類，并將原始關(guān)鍵詞替換為該關(guān)鍵詞聚類中心，該替換過程如圖1所示。

表4 分詞與編碼化處理結(jié)果Table 4 Treatment results of word segmentation and encoding

表5 關(guān)鍵詞相似度計(jì)算結(jié)果Table 5 Calculation results of keywords similarity

確定文獻(xiàn)的主題要素后，遍歷文獻(xiàn)找到特定主題要素關(guān)鍵詞，將其對應(yīng)的有用信息提取出來，利用ArcGIS二次開發(fā)技術(shù)將數(shù)據(jù)挖掘結(jié)果進(jìn)行綜合、集成，建立徐州礦區(qū)土地復(fù)墾與生態(tài)修復(fù)信息管理系統(tǒng)并開展時(shí)空數(shù)據(jù)分析。

圖1 關(guān)鍵詞替換實(shí)例Fig.1 Keywords replacement example

3.2 數(shù)據(jù)挖掘結(jié)果

3.2.1 研究區(qū)域及時(shí)間的挖掘結(jié)果

結(jié)果表明：1995年以后徐州礦區(qū)土地復(fù)墾的研究逐漸增多，2014年達(dá)到高峰，數(shù)量最多(圖2)。主要研究區(qū)域是龐莊礦區(qū)、新河-臥牛礦區(qū)、義安礦區(qū)、垞城礦區(qū)、張集礦區(qū)、賈汪礦區(qū)、大黃山礦區(qū)和董莊礦區(qū)等(圖3)。

圖2 歷年研究文獻(xiàn)統(tǒng)計(jì)Fig.2 Statistics of historical literature

3.2.2 煤炭開采影響的挖掘結(jié)果

根據(jù)文獻(xiàn)主題要素挖掘徐州礦區(qū)復(fù)墾文獻(xiàn)，可以從挖掘結(jié)果中發(fā)現(xiàn)如下情況。

1) 土壤改良情況。徐州礦區(qū)煤炭開采對土壤的理化性質(zhì)、碳效應(yīng)均產(chǎn)生了影響，存在重金屬污染現(xiàn)象。以土壤理化性質(zhì)的挖掘結(jié)果為例，可見粉煤灰充填方法更適合徐州礦區(qū)(圖4)。

圖3 重點(diǎn)區(qū)域分布圖Fig.3 Key area distribution map

圖4 礦區(qū)土壤理化特性挖掘情況Fig.4 Soil physical and chemical properties of mining area

2) 水文治理情況。徐州礦區(qū)曾發(fā)生水害、水資源短缺、水污染、地表水系紊亂等問題。以水污染狀況挖掘結(jié)果為例，徐州龐莊礦區(qū)的權(quán)臺礦井水中多環(huán)芳烴含量較高，因此對其生態(tài)修復(fù)的治理將更為嚴(yán)峻(表6)。

3) 植被修復(fù)情況。徐州礦區(qū)植被凈初級生產(chǎn)力隨煤礦的開采強(qiáng)度增大而下降，但閉礦后逐漸恢復(fù)。

4) 景觀格局演變情況。景觀格局在采礦前后發(fā)生顯著變化；最主要特征是塌陷積水面積顯著增加。

5) 塌陷地情況。挖掘得到徐州市域范圍內(nèi)礦區(qū)的歷史概況以及塌陷狀況。以賈汪礦區(qū)挖掘結(jié)果為例，其基本信息如圖5所示。

3.2.3 復(fù)墾技術(shù)與示范工程的挖掘結(jié)果

結(jié)果表明：徐州礦區(qū)曾成功開發(fā)出了泥漿泵復(fù)墾、基塘復(fù)墾、煤矸石充填復(fù)墾、高效農(nóng)業(yè)復(fù)墾、建設(shè)用地復(fù)墾、生態(tài)濕地修復(fù)、景觀修復(fù)、采礦跡地修復(fù)、關(guān)閉礦山地下水污染防控等技術(shù)體系，并得到大面積的推廣。

以賈汪礦區(qū)的生態(tài)修復(fù)示范工程為例。賈汪礦區(qū)的采煤塌陷地復(fù)墾示范工程分布在青山泉鎮(zhèn)、賈汪鎮(zhèn)、紫莊鎮(zhèn)和大吳鎮(zhèn)，其中潘安湖生態(tài)濕地是近年研究的焦點(diǎn)，采用了“基本農(nóng)田整理、采煤塌陷地復(fù)墾、生態(tài)環(huán)境修復(fù)、濕地景觀開發(fā)”四位一體的模式。

4 討 論

運(yùn)用查準(zhǔn)率(precision)、召回率(recall)、正確率T和F值來評判數(shù)據(jù)挖掘的精度，見式(6)～式(9)。

(6)

(7)

(8)

(9)

式中：TP為挖掘文獻(xiàn)數(shù)量；TN為真無效數(shù)量；FN為假無效數(shù)量；FP為人工處理的文獻(xiàn)數(shù)量與挖掘模型得到結(jié)果的文獻(xiàn)數(shù)量的差值；P為對數(shù)據(jù)挖掘的準(zhǔn)確性；R為衡量數(shù)據(jù)挖掘的相關(guān)性；T為數(shù)據(jù)挖掘結(jié)果的正確率；F值為數(shù)據(jù)挖掘算法的總體性能。

通過整理TP、FP、FN、TN的值，對數(shù)據(jù)挖掘的結(jié)果進(jìn)行對比分析[15]。以不同礦區(qū)評價(jià)結(jié)果為例，見表7。

圖5 賈汪礦區(qū)概況Fig.5 Overview of Jiawang mining area

表6 龐莊礦水樣中多環(huán)芳烴含量Table 6 Pahs in water samples from Pangzhuang mine

表7 不同礦區(qū)挖掘結(jié)果性能指標(biāo)對比Table 7 Comparison of performance indexesof different mining results

從表7可以看出，利用數(shù)據(jù)挖掘得到的結(jié)果比較準(zhǔn)確，證明該方法高效可行。通過少量的人工參與，確定了礦區(qū)土地復(fù)墾歷史文獻(xiàn)研究的主題要素，避免了“重復(fù)”研究，可以彌補(bǔ)人工統(tǒng)計(jì)時(shí)的無目的性、費(fèi)時(shí)費(fèi)力等不足，實(shí)現(xiàn)礦區(qū)土地復(fù)墾的信息集成與知識發(fā)現(xiàn)。

5 結(jié) 語

隨著我國對礦區(qū)生態(tài)環(huán)境修復(fù)的重視，礦區(qū)復(fù)墾文獻(xiàn)也不斷增多，采用數(shù)據(jù)挖掘技術(shù)，可彌補(bǔ)人工統(tǒng)計(jì)的不足。另外，礦區(qū)歷史面貌很難通過現(xiàn)場調(diào)查復(fù)原，而歷史文獻(xiàn)較完整記錄了其原貌，所以數(shù)據(jù)挖掘技術(shù)可發(fā)揮恢復(fù)歷史“數(shù)據(jù)鏈”的特殊作用。本文通過對土地復(fù)墾歷史文獻(xiàn)關(guān)鍵詞分詞編碼化，構(gòu)建TF*IDF算法和空間向量模型、聚類分析，采用Python語言進(jìn)行數(shù)據(jù)挖掘，最后在ArcGIS基礎(chǔ)上二次開發(fā)，顯示數(shù)據(jù)挖掘結(jié)果。以徐州礦區(qū)為例，開展實(shí)證研究，得到了徐州礦區(qū)的塌陷情況、復(fù)墾技術(shù)以及示范工程等重要?dú)v史信息，克服了土地復(fù)墾歷史文獻(xiàn)的數(shù)據(jù)冗余、數(shù)據(jù)沖突以及真?zhèn)巫R別等難點(diǎn)。據(jù)此表明數(shù)據(jù)挖掘技術(shù)可實(shí)現(xiàn)礦區(qū)土地復(fù)墾與生態(tài)重建信息的集成與知識發(fā)現(xiàn)，為礦區(qū)系統(tǒng)修復(fù)、綜合治理提供基礎(chǔ)數(shù)據(jù)支撐。