CN109239309A - 一种gis和深度学习相结合的预测土壤侵蚀模数方法 - Google Patents

一种gis和深度学习相结合的预测土壤侵蚀模数方法 Download PDF

Info

Publication number
CN109239309A
CN109239309A CN201810916824.1A CN201810916824A CN109239309A CN 109239309 A CN109239309 A CN 109239309A CN 201810916824 A CN201810916824 A CN 201810916824A CN 109239309 A CN109239309 A CN 109239309A
Authority
CN
China
Prior art keywords
depth
soil erosion
soil
erosion modulus
modulus
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810916824.1A
Other languages
English (en)
Inventor
喻其炳
何赛
白云
张万娟
李小红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Technology and Business University
Original Assignee
Chongqing Technology and Business University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing Technology and Business University filed Critical Chongqing Technology and Business University
Priority to CN201810916824.1A priority Critical patent/CN109239309A/zh
Publication of CN109239309A publication Critical patent/CN109239309A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Remote Sensing (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Food Science & Technology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本发明公开了一种GIS和深度学习相结合的预测土壤侵蚀模数方法，包括以下步骤：a、将土壤区域成像深度划分为多个深度段；b、读入一个深度段的预测土壤侵蚀模数；c、输入深度段的坐标以及偏移距参数；d、针对当前深度段中的一个深度进行计算土壤侵蚀模数；e、基于当前深度的土壤侵蚀模数进行积分，从而得到当前深度的成像结果；f、对当前深度段中的其他深度执行步骤d和e，从而获得偏移距当前深度段的成像结果；g、对其他深度段执行c和f，从而获得其他深度段的成像结果；h、对其他深度段执行步骤b至g，从而最终形成土壤区域的成像。便于管理者有针对性地进行水土流失治理，利于提高水土保持措施空间布置的合理性。

Description

一种GIS和深度学习相结合的预测土壤侵蚀模数方法
技术领域
本发明涉及土壤监测技术领域，具体为一种GIS和深度学习相结合的预测土壤侵蚀模数方法。
背景技术
年土壤侵蚀模数常用于反映水土流失的动态变化及发展趋势,是一个动态变量指标；而多年平均侵蚀模数则是一个相对恒定的常数，常作为侵蚀区土壤侵蚀状况的背景值用于反映区域水土流失的严重程度。因此区域年土壤侵蚀模数或多年平均侵蚀模数的评估与预测是土壤侵蚀模数研究的一个重要内容。侵蚀模数是土壤侵蚀强度单位，是衡量土壤侵蚀程度的一个量化指标。也称为土壤侵蚀率、土壤流失率或土壤损失幅度。指表层土壤在自然营力(水力、风力、重力及冻融等)和人为活动等的综合作用下，单位面积和单位时间内被剥蚀并发生位移的土壤侵蚀模数。
为测定土壤侵蚀模数，现有技术可参照公告号为CN104699962A的专利，其公开了一种土壤侵蚀模数计算方法，包括以下步骤，a，计算区域侵蚀强度控制系数和局地侵蚀强度影响因子，b，对项目工程的各功能区域的划分自动进行地表扰动等级的赋值，根据赋值计算侵蚀模数基础值，c，根据区域侵蚀强度控制系数和局地侵蚀强度影响因子，利用土壤侵蚀模数估算公式计算项目工程的各功能区域的土壤侵蚀模数。
在已建立的侵蚀预报模型中，经验模型覆盖范围较广，此类模型是根据实际资料通过统计分析建立起来的，但应用区域空间尺度小，且应用到不同地区进行侵蚀产沙预报时需要大量的数据来调整模型参数，对于大范围区域的研究，需要进行改进提高，尽量地反映侵蚀产沙的基本过程。
发明内容
本发明的目的在于提供一种GIS和深度学习相结合的预测土壤侵蚀模数方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种GIS和深度学习相结合的预测土壤侵蚀模数方法，包括以下步骤：a、将土壤区域成像深度划分为多个深度段；b、读入一个深度段的预测土壤侵蚀模数；c、输入深度段的坐标以及偏移距参数；d、针对当前深度段中的一个深度进行计算土壤侵蚀模数；e、基于当前深度的土壤侵蚀模数进行积分，从而得到当前深度的成像结果；f、对当前深度段中的其他深度执行步骤d和e，从而获得偏移距当前深度段的成像结果；g、对其他深度段执行c和f，从而获得其他深度段的成像结果；h、对其他深度段执行步骤b至g，从而最终形成土壤区域的成像。
优选的，根据节点的内存将土壤区域划分为所述多个深度段。
优选的，所述步骤d包括利用当前深度的成像范围内的所有成像网格点上的侵蚀量时进行插值，从而得到当前深度的土壤侵蚀模数的图像切片。
优选的，采用双线性插值来进行土壤侵蚀模数的插值。
优选的，所述步骤d中土壤侵蚀模数的计算步骤包括：1)计算区域侵蚀强度控制系数和局地侵蚀强度影响因子；2)对项目工程的各功能区域的划分自动进行地表扰动等级的赋值，根据赋值计算侵蚀模数基础值；3)根据区域侵蚀强度控制系数和局地侵蚀强度影响因子，利用土壤侵蚀模数估算公式计算项目工程的各功能区域的土壤侵蚀模数。
与现有技术相比，本发明的有益效果是：采用强大的数据管理和空间分析功能，可根据下垫面强开将区域离散化为不同的单元，将土壤侵蚀模型相结合，可计算区域内不同单元的土壤侵蚀量，体现土壤侵蚀空间异质性，便于管理者有针对性地进行水土流失治理，利于提高水土保持措施空间布置的合理性。
附图说明
图1为本发明的流程图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种技术方案：
一种GIS和深度学习相结合的预测土壤侵蚀模数方法，包括以下步骤：a、将土壤区域成像深度划分为多个深度段；b、读入一个深度段的预测土壤侵蚀模数；c、输入深度段的坐标以及偏移距参数；d、针对当前深度段中的一个深度进行计算土壤侵蚀模数；e、基于当前深度的土壤侵蚀模数进行积分，从而得到当前深度的成像结果；f、对当前深度段中的其他深度执行步骤d和e，从而获得偏移距当前深度段的成像结果；g、对其他深度段执行c和f，从而获得其他深度段的成像结果；h、对其他深度段执行步骤b至g，从而最终形成土壤区域的成像。
步骤a中，根据节点的内存将土壤区域划分为多个深度段。
步骤d包括利用当前深度的成像范围内的所有成像网格点上的侵蚀量时进行插值，且采用双线性插值来进行土壤侵蚀模数的插值。从而得到当前深度的土壤侵蚀模数的图像切片。
步骤d中土壤侵蚀模数的计算步骤包括：1)计算区域侵蚀强度控制系数和局地侵蚀强度影响因子；2)对项目工程的各功能区域的划分自动进行地表扰动等级的赋值，根据赋值计算侵蚀模数基础值；3)根据区域侵蚀强度控制系数和局地侵蚀强度影响因子，利用土壤侵蚀模数估算公式计算项目工程的各功能区域的土壤侵蚀模数。
工作原理：采用强大的数据管理和空间分析功能，可根据下垫面强开将区域离散化为不同的单元，将土壤侵蚀模型相结合，可计算区域内不同单元的土壤侵蚀量，体现土壤侵蚀空间异质性，便于管理者有针对性地进行水土流失治理，利于提高水土保持措施空间布置的合理性。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.一种GIS和深度学习相结合的预测土壤侵蚀模数方法，其特征在于：包括以下步骤：
a、将土壤区域成像深度划分为多个深度段；
b、读入一个深度段的预测土壤侵蚀模数；
c、输入深度段的坐标以及偏移距参数；
d、针对当前深度段中的一个深度进行计算土壤侵蚀模数；
e、基于当前深度的土壤侵蚀模数进行积分，从而得到当前深度的成像结果；
f、对当前深度段中的其他深度执行步骤d和e，从而获得偏移距当前深度段的成像结果；
g、对其他深度段执行c和f，从而获得其他深度段的成像结果；
h、对其他深度段执行步骤b至g，从而最终形成土壤区域的成像。
2.根据权利要求1所述的一种GIS和深度学习相结合的预测土壤侵蚀模数方法，其特征在于：根据节点的内存将土壤区域划分为所述多个深度段。
3.根据权利要求1所述的一种GIS和深度学习相结合的预测土壤侵蚀模数方法，其特征在于：所述步骤d包括利用当前深度的成像范围内的所有成像网格点上的侵蚀量时进行插值，从而得到当前深度的土壤侵蚀模数的图像切片。
4.根据权利要求3所述的一种GIS和深度学习相结合的预测土壤侵蚀模数方法，其特征在于：采用双线性插值来进行土壤侵蚀模数的插值。
5.根据权利要求1所述的一种GIS和深度学习相结合的预测土壤侵蚀模数方法，其特征在于：所述步骤d中土壤侵蚀模数的计算步骤包括：
1)计算区域侵蚀强度控制系数和局地侵蚀强度影响因子；
2)对项目工程的各功能区域的划分自动进行地表扰动等级的赋值，根据赋值计算侵蚀模数基础值；
3)根据区域侵蚀强度控制系数和局地侵蚀强度影响因子，利用土壤侵蚀模数估算公式计算项目工程的各功能区域的土壤侵蚀模数。
CN201810916824.1A 2018-08-13 2018-08-13 一种gis和深度学习相结合的预测土壤侵蚀模数方法 Pending CN109239309A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810916824.1A CN109239309A (zh) 2018-08-13 2018-08-13 一种gis和深度学习相结合的预测土壤侵蚀模数方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810916824.1A CN109239309A (zh) 2018-08-13 2018-08-13 一种gis和深度学习相结合的预测土壤侵蚀模数方法

Publications (1)

Publication Number Publication Date
CN109239309A true CN109239309A (zh) 2019-01-18

Family

ID=65070832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810916824.1A Pending CN109239309A (zh) 2018-08-13 2018-08-13 一种gis和深度学习相结合的预测土壤侵蚀模数方法

Country Status (1)

Country Link
CN (1) CN109239309A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200419045A (en) * 2003-03-25 2004-10-01 Chao-Yuan Lin Sediment yield estimation expert system (SedExpert)
CN101216481A (zh) * 2008-01-04 2008-07-09 广东省生态环境与土壤研究所 一种反映区域土壤自然侵蚀程度的方法
CN102692644A (zh) * 2012-05-30 2012-09-26 中国石油集团川庆钻探工程有限公司地球物理勘探公司 生成深度域成像道集的方法
CN102749071A (zh) * 2012-04-24 2012-10-24 北京林业大学 一种基于无人机航空摄影监测土壤侵蚀的方法
CN104699962A (zh) * 2015-02-14 2015-06-10 广东省生态环境与土壤研究所 一种土壤侵蚀模数计算方法
CN105467100A (zh) * 2015-12-29 2016-04-06 张豫 基于遥感与gis的县域土壤侵蚀时空动态监测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200419045A (en) * 2003-03-25 2004-10-01 Chao-Yuan Lin Sediment yield estimation expert system (SedExpert)
CN101216481A (zh) * 2008-01-04 2008-07-09 广东省生态环境与土壤研究所 一种反映区域土壤自然侵蚀程度的方法
CN102749071A (zh) * 2012-04-24 2012-10-24 北京林业大学 一种基于无人机航空摄影监测土壤侵蚀的方法
CN102692644A (zh) * 2012-05-30 2012-09-26 中国石油集团川庆钻探工程有限公司地球物理勘探公司 生成深度域成像道集的方法
CN104699962A (zh) * 2015-02-14 2015-06-10 广东省生态环境与土壤研究所 一种土壤侵蚀模数计算方法
CN105467100A (zh) * 2015-12-29 2016-04-06 张豫 基于遥感与gis的县域土壤侵蚀时空动态监测方法

Similar Documents

Publication Publication Date Title
Griffin et al. Estimating soil loss on topographically non-uniform field and farm units
Van Oost et al. Evaluating the effects of changes in landscape structure on soil erosion by water and tillage
Grabs et al. Modeling spatial patterns of saturated areas: A comparison of the topographic wetness index and a dynamic distributed model
CN106202790B (zh) 一种分布式河北模型构建方法及其应用
Globevnik et al. Applicability of the Gavrilovic method in erosion calculation using spatial data manipulation techniques
CN114580316B (zh) 一种基于二维-零维耦合模型的小水库洪水位预报方法
Hosseini et al. Effects of land use changes on water balance in Taleghan Catchment, Iran
Carpenter et al. Effects of varied lithology on soft-cliff recession rates
Perrone et al. Sediment yield prediction using AGNPS
CN110059870A (zh) 基于bim和gis的航道整治建筑物维护分析方法
CN108897940A (zh) 基于矩形网格的分布式水文模型和二维水动力模型的单向耦合方法
CN112231913B (zh) 一种城市内涝黑点的内涝模拟方法及装置
Wang et al. Up-scaling methods based on variability-weighting and simulation for inferring spatial information across scales
CN109239309A (zh) 一种gis和深度学习相结合的预测土壤侵蚀模数方法
CN105303264A (zh) 人类活动影响条件下洪水预报方法
Kijne Salinisation in irrigated agriculture in Pakistan: mistaken predictions
Galema Vegetation resistance Evaluation of vegetation resistance descriptors for flood Management
Aziz et al. Design flood estimation for ungauged catchments: Application of artificial neural networks for eastern Australia
Canfield et al. The impact of parameter lumping and geometric simplification in modelling runoff and erosion in the shrublands of southeast Arizona
Phillips Predicting minimum achievable soil loss in developing countries
Rangari et al. ANN based scaling of rainfall data for urban flood simulations
Thankachan et al. Groundwater Quality Assessment For Irrigation Purposes Based On Irrigation Water Quality Index In Kodagu District, Karnataka State, India
CN108021752A (zh) 一种应用于黑土区小流域侵蚀模数的计算方法及土壤侵蚀图生成装置
Jetten et al. Spatial modelling of ephemeral gully incision: a combined empirical and physical approach.
Haregeweyn et al. Reservoir sedimentation and its mitigation strategies: a case study of the Ethiopian highlands

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190118

RJ01 Rejection of invention patent application after publication