CN110781946B - 基于自组织神经网络的小流域水土保持区划方法、系统及介质 - Google Patents
基于自组织神经网络的小流域水土保持区划方法、系统及介质 Download PDFInfo
- Publication number
- CN110781946B CN110781946B CN201911006598.4A CN201911006598A CN110781946B CN 110781946 B CN110781946 B CN 110781946B CN 201911006598 A CN201911006598 A CN 201911006598A CN 110781946 B CN110781946 B CN 110781946B
- Authority
- CN
- China
- Prior art keywords
- evaluation
- water
- soil conservation
- neural network
- small watershed
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 163
- 239000002689 soil Substances 0.000 title claims abstract description 152
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013316 zoning Methods 0.000 title claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 273
- 238000012549 training Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 238000011160 research Methods 0.000 claims abstract description 17
- 238000012952 Resampling Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims abstract description 6
- 210000002569 neuron Anatomy 0.000 claims description 65
- 238000004162 soil erosion Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 25
- 230000035945 sensitivity Effects 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 18
- 210000002364 input neuron Anatomy 0.000 claims description 16
- 210000004205 output neuron Anatomy 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 238000005192 partition Methods 0.000 claims description 10
- 230000007423 decrease Effects 0.000 claims description 9
- 230000033228 biological regulation Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 230000014759 maintenance of location Effects 0.000 claims description 5
- 238000004181 pedogenesis Methods 0.000 claims description 5
- 239000002994 raw material Substances 0.000 claims description 5
- 239000002699 waste material Substances 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 6
- 230000007613 environmental effect Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 241000282414 Homo sapiens Species 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000007261 regionalization Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于自组织神经网络的小流域水土保持区划方法、系统及介质，本发明实施步骤包括：确定小流域水土保持评价指标体系；生成评价要素图层；确定样本大小，按样本大小对评价要素图层进行重采样、叠加，将其转化为包含研究区所有样本的特征参数矩阵；将特征参数矩阵为训练样本，利用自组织神经网络进行水土保持综合评价结果的初步聚类，得到小流域水土保持评价类簇结果；将小流域水土保持评价类簇结果转化为栅格图像，对栅格图像进行滤波去除碎屑图斑、平滑区域边界，并通过制图表达获得小流域水土保持区划图。本发明可定量地实现区划评价分级标准的确定，能够为小流域合理配置水土保持措施提供科学依据，提高综合治理效益。
Description
技术领域
本发明涉及水土保持综合治理研究领域，具体涉及一种基于自组织神经网络的小流域水土保持区划方法、系统及介质。
背景技术
近年来，国家高度重视水土保持工作，对水土保持区划设计提出了更高的要求。我国水土保持区划始于上世纪五十年代的黄河中游水土保持规划，在其后的七十年间历经技术引入与概念扩充等变革，已逐步形成较为完备的水土保持区划体系。目前大多数水土保持区划已经阐明了区域内自然环境、社会经济、土壤侵蚀类型等要素，为制定水土保持区划提供了有效的科学工具。但研究以大尺度区域为主，以行政区划为基本单元，虽便于各级政府宏观把控水土保持工作方向，却因研究区内部环境复杂，难以因地制宜确定治理模式，选择最佳措施并合理布局。20世纪80年代水利部提出以面积不大于50km2的小流域为单元进行水土保持治理，并在其后的30年间取得了巨大成效，累计治理小流域3.8万条，治理水土流失总面积92万km2。为了合理配置小流域水土保持措施，提高治理效益，将水土保持区划引入小流域势在必行。
生态系统服务功能是生态系统形成和所提供的产品、环境条件和效用。水土流失会导致生态系统环境恶化，削弱生态系统服务功能。小流域水土保持区划的目标就是治理水土流失，最终实现生态系统服务功能的恢复及价值的提升。但是当区划目标过分强调土壤保持功能时，往往会损害到其他一种或多种服务的供给，导致预期之外的生态系统服务衰退。因而全面评估小流域生态系统服务价值对其水土保持区划研究意义重大。
水土保持区划方法在不断进步。由最早的专家工作集成的定性研究，在指标选择、权值设、评价分级标准等方面存在主观性强的问题，3S技术(地理信息系统、遥感、GPS)与数理统计方法出现后逐渐向着定量研究转变。人工神经网络和模糊聚类技术的出现与逐渐成熟，为区划方法提供了新思路。其中自组织神经网络是一种非监督神经网络方法，它可以将高维数据降维映射到低维空间中，较好解决模式识别和分类问题，将人工神经网络技术引入为确定水土保持区划的评价分级标准提供了定量的方法。
发明内容
本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于自组织神经网络的小流域水土保持区划方法、系统及介质，本发明构建了以PSR模型为框架的小流域水土保持评价指标体系，其中特别引入生态系统服务功能作为评价要素。依托人工神经网络技术，模拟水土保持专家在进行综合分区时的思维过程，通过小流域水土保持评价结果的聚类并生成小流域水土保持区划结果，为小流域合理配置水土保持措施提供科学依据，提高综合治理效益。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于自组织神经网络的小流域水土保持区划方法，实施步骤包括：
1)确定小流域水土保持评价指标体系；
2)根据小流域水土保持评价指标体系收集数据生成评价要素图层；
3)确定样本大小，按样本大小对评价要素图层进行重采样、叠加，将其转化为包含研究区所有样本的特征参数矩阵；
4)将特征参数矩阵为训练样本，利用自组织神经网络进行水土保持综合评价结果的初步聚类，得到小流域水土保持评价类簇结果；
5)将小流域水土保持评价类簇结果转化为栅格图像，对栅格图像进行滤波去除碎屑图斑、平滑区域边界，并通过制图表达获得小流域水土保持区划图。
可选地，步骤1)中建立的小流域水土保持评价指标体系为以PSR模型为框架的小流域水土保持评价指标体系，所述以PSR模型为框架的小流域水土保持评价指标体系包括水土流失敏感性、土壤侵蚀态势、生态系统服务三项评价要素，每一项评价要素包括至少一项评价指标。
可选地，所述水土流失敏感性评价要素包括坡度、植被覆盖率、土地利用类型三项评价指标，所述土壤侵蚀态势评价要素包括土壤侵蚀强度一项评价指标，所述生态系统服务评价要素包括气体调节、气候调节、水源涵养、土壤形成、废物处理、生态多样性、食物生产、原材料生产、娱乐文化九项评价指标。
可选地，步骤2)根据小流域水土保持评价指标体系收集数据生成评价要素图层时，对于每项评价要素，如果该评价要素仅包括单项评价指标，则直接将该评价要素下唯一评价指标的评价指标图层作为评价要素图层；否则将该评价要素下所有评价指标的评价指标图层按照定性组合或权重合并后作为该要素的评价要素图层。
可选地，所述将该评价要素下所有评价指标的评价指标图层按照定性组合或权重合并后作为该要素的评价要素图层时，针对水土流失敏感性评价要素内所有评价指标的评价指标图层按照定性组合的方式计算，其中坡度分为多个坡度区间，土地利用类型分为非耕地、坡耕地、其他三种一级土地利用类型，且坡耕地分为水田、旱地两种二级土地利用类型，其他分为水域、建设用地、开采用地或建设施工场地、裸地四种二级土地利用类型，植被覆盖率针对非耕地分为多种区间，每一种植被覆盖率的非耕地对应多个坡度区间分别存在对应的水土流失敏感性评价指标值，每一种二级土地利用类型对应多个坡度区间分别存在对应的水土流失敏感性评价指标值，所述水土流失敏感性评价指标值包括多种连续的敏感性等级。
可选地，所述将该评价要素下所有评价指标的评价指标图层按照定性组合或权重合并后作为该要素的评价要素图层时，针对生态系统服务评价要素下所有评价指标的评价指标图层按照权重合并时，权重合并的函数表达式如式(1)所示：
式(1)中，P为评价要素的要素值，Vi为该评价要素下第i项评价指标的指标值，Wi为第i项评价指标的权重，n为该评价要素包含评价指标的数量；
且针对生态系统服务评价要素下第i项评价指标的权重的计算采用熵权法，且采用熵权法得到权重的详细计算步骤包括：
I)根据式(2)计算该评价要素下第i项评价指标的分配权重pi；
式(2)中，Yi表示为每个基本单元归一化后的值，n表示该评价要素下评价指标的数量；
II)根据式(3)计算该评价要素下第i项评价指标的信息熵Ei；
式(3)中，pi表示该评价要素下第i项评价指标的分配权重，n表示该评价要素下评价指标的数量；
III)根据式(4)计算该评价要素下第i项评价指标采用熵权法得到的权重Wi；
式(4)中，Ei表示该评价要素下第i项评价指标的信息熵，k为常数系数。
可选地，步骤4)的详细步骤包括采用Kohonen学习算法训练自组织神经网络，且采用Kohonen学习算法训练自组织神经网络的详细步骤包括：
S1)初始化自组织神经网络，设置自组织神经网络上输入层神经元数目N为小流域水土保持区划评价要素的个数、竞争层神经元数目M＝1*m，赋予N个输入神经元到输出神经元较小的连接权值，选出j个输出神经元的“邻接神经元”集合Sj，其中Sj(t)表示时刻t“邻接神经元”的集合且该值随时间增加而减小，其中m表示水土保持区划分区数目；
S2)向自组织神经网络的输入层X输入各评价指标组成的向量x＝(x1,x2,x3,…,xn) T；
S3)根据式(5)计算竞争层的权值向量和输入向量的距离dj；
式(5)中，X为输入层，Wj为输出神经元j与输入层X的连接权值，xi(t)为时刻t输入神经元i的输出，wij(t)为时刻t输入层的i神经元和竞争层j神经元之间的权值，m为输入神经元个数，即水土保持区划分区数目；当一个输入层神经元k对任意竞争层神经元j的距离dk最小即为获胜神经元，记为j*，并计算其邻接神经元集合；
S4)定义优胜邻域Sj(t)，以获胜神经元j*为中心确定t时刻的权值调整优胜邻域Sj(t)，在训练过程中优胜邻域Sj(t)随训练时间t收缩；
S5)权值学习，根据式(6)更新获胜神经元j*和位于其邻接神经元的权值Δwij；
Δwij＝ηh(j，j*)(xi-wij) (6)
式(6)中，η为0～1之间的常数，xi为输入神经元i的输出，wij为输入层的i神经元和竞争层j神经元之间的权值；h(j，j*)为领域函数，计算表达式如式(7)所示；
式(7)中，σ为邻域半径，j-j*为领域距离，其中σ2随训练次数增大而减小，h(j，j*)的范围也随之变窄；
S6)根据式(8)计算输出Ok；
Ok＝f(min||X-Wj||) (8)
式(8)中，f(x)为0～1函数或指定的非线性函数。
S7)判断是否达到预设的训练次数，若未达到训练次数则返回S2)进入下一轮学习，否则训练结束，得到完成训练的自组织神经网络。
此外，本发明还提供一种基于自组织神经网络的小流域水土保持区划系统，包括：
指标体系确定程序单元，用于确定小流域水土保持评价指标体系；
评价要素图层生成程序单元，用于根据小流域水土保持评价指标体系收集数据生成评价要素图层；
特征参数矩阵生成程序单元，用于确定样本大小，按样本大小对评价要素图层进行重采样、叠加，将其转化为包含研究区所有样本的特征参数矩阵；
自组织神经网络聚类程序单元，用于将特征参数矩阵为训练样本，利用自组织神经网络进行水土保持综合评价结果的初步聚类，得到小流域水土保持评价类簇结果；
区划图生成程序单元，用于将小流域水土保持评价类簇结果转化为栅格图像，对栅格图像进行滤波去除碎屑图斑、平滑区域边界，并通过制图表达获得小流域水土保持区划图。
此外，本发明还提供一种基于自组织神经网络的小流域水土保持区划系统，包括计算机设备，该计算机设备被编程或配置以执行所述基于自组织神经网络的小流域水土保持区划方法的步骤，或该计算机设备的存储介质上存储有被编程或配置以执行所述基于自组织神经网络的小流域水土保持区划方法的计算机程序。
此外，本发明还提供一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行所述基于自组织神经网络的小流域水土保持区划方法的计算机程序。
和现有技术相比，本发明具有下述优点：
1、本发明以小流域尺度进行水土保持区划，为小流域合理配置水土保持措施提供科学依据，从而提高综合治理效益。
2、本发明在评价指标体系中特别引入生态系统服务评价要素，全面评估小流域生态系统服务价值，解决区划因过分强调土壤保持可能造成其它生态系统服务功能衰退的隐患。
3、本发明利用自组织神经网络进行小流域水土保持评价的聚类，可以定量地实现区划评价分级标准的确定，最终得到合理客观的小流域水土保持区划，能够为小流域合理配置水土保持措施提供科学依据，提高综合治理效益。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例方法的详细步骤示意图。
图3为本发明实施例中不同聚类数的小洋小流域水土保持区划结果平均轮廓值折线图。
图4为本发明实施例中得到的小洋小流域水土保持区划图。
具体实施方式
下文以江西省宁都县小洋小流域为例，对本发明基于自组织神经网络的小流域水土保持区划方法、系统及介质进行进一步的详细说明。
如图1和图2所示，本实施例基于自组织神经网络的小流域水土保持区划方法的实施步骤包括：
1)确定小流域水土保持评价指标体系；
2)根据小流域水土保持评价指标体系收集数据生成评价要素图层；
3)确定样本大小，按样本大小对评价要素图层进行重采样、叠加，将其转化为包含研究区所有样本的特征参数矩阵；
4)将特征参数矩阵为训练样本，利用自组织神经网络进行水土保持综合评价结果的初步聚类，得到小流域水土保持评价类簇结果；
5)将小流域水土保持评价类簇结果转化为栅格图像，对栅格图像进行滤波去除碎屑图斑、平滑区域边界，并通过制图表达获得小流域水土保持区划图。
本实施例中，步骤1)中建立的小流域水土保持评价指标体系为以PSR模型为框架的小流域水土保持评价指标体系，以PSR模型为框架的小流域水土保持评价指标体系包括水土流失敏感性、土壤侵蚀态势、生态系统服务三项评价要素，每一项评价要素包括至少一项评价指标。PSR(Pressure-State-Response)模型，即压力-状态-响应模型，PSR模型是环境质量评价学科中生态系统健康评价子学科中常用的一种评价模型，最初是由加拿大统计学家David J.Rapport和Tony Friend(1979)提出，后由经济合作与发展组织(OECD)和联合国环境规划署(UNEP)于20世纪八九十年代共同发展起来的用于研究环境问题的框架体系。它提出的所评价对象的压力-状态-响应指标与参照标准相对比的模式受到了很多国内外学者的推崇，广泛地应用于区域环境可持续发展指标体系研究、水资源、土地资源指标体系研究，农业可持续发展评价指标体系研究以及环境保护投资分析等领域。PSR模型区分了3类指标，即压力指标、状态指标和响应指标。其中，压力指标表征人类的经济和社会活动对环境的作用，如资源索取、物质消费以及各种产业运作过程所产生的物质排放等对环境造成的破坏和扰动；状态指标表征特定时间阶段的环境状态和环境变化情况，包括生态系统与自然环境现状，人类的生活质量和健康状况等；响应指标指社会和个人如何行动来减轻、阻止、恢复和预防人类活动对环境的负面影响，以及对已经发生的不利于人类生存发展的生态环境变化进行补救的措施。本实施例中，由于小流域水土保持区划不考虑前人水土保持治理的过程，以当前水土流失及生态环境现状为评价标准，最终目标是水土保持和区域内生态系统服务的总体提高。因此，对PSR框架的响应指标进行相应的修正，只讨论生态系统自我修复人类活动导致的生态系统服务下降的能力。本实施例中，压力用水土流失敏感性评价要素计算，状态用土壤侵蚀评价要素计算，响应用生态系统服务评价要素计算。其中，水土流失敏感性评价要素包括坡度、植被覆盖率、土地利用类型三项评价指标，土壤侵蚀态势评价要素包括土壤侵蚀强度一项评价指标，生态系统服务评价要素包括气体调节、气候调节、水源涵养、土壤形成、废物处理、生态多样性、食物生产、原材料生产、娱乐文化九项评价指标。
坡度是地表单元陡缓的程度，通常把坡面的垂直高度和水平方向距离的比叫做坡度。本实施例中，坡度的评价指标图层获取方法为将目标区域的数字高程影像DEM，利用ArcMap10.2中的坡度计算工具，得到坡度的评价指标图层。
植被覆盖率指某一地域植物垂直投影面积与该地域面积之比，通常采用归一化植被指数(NDVI)近似估算，由于小流域中存在完全是裸土或无植被覆盖区域，所以根据下式计算植被覆盖率VFC；
上式中，VFC为植被覆盖率，NDVI为归一化植被指数，NDVImin为目标区域中归一化植被指数的最小值，NDVImax为目标区域中归一化植被指数的最大值。本实施例中，植被覆盖率的评价指标图层获取方法为将目标区域的MODIS植被指数数据，利用ArcMap 10.2中的栅格计算器工具，输入上式进行计算即可得到植被覆盖率的评价指标图层。
土地利用类型是根据土地利用的地域差异划分的，反映土地用途、性质及其分布规律的基本地域单位。本实施例中，土地利用类型采用基于Landsat TM/ETM数据，依据中国科学院土地资源分类系统，采用人机交互式目视判读的方式解译得到的土地利用数据。
土壤侵蚀强度是指地壳表层土壤在自然营力(风力、水力、重力及冻融等)和人类活动综合作用下，单位面积和单位时段内剥蚀并发生位移的土壤侵蚀量分级，用土壤侵蚀模数表示。本实施例中，土壤侵蚀强度分类标准依据《土壤侵蚀分类分级标准》，如表1所示：
表1、土壤侵蚀强度分类表。
| 类别 | 土壤侵蚀模数/[t/(km<sup>2</sup>·a)] |
| 微度 | <500 |
| 轻度 | 500～2500 |
| 中度 | 2500～5000 |
| 强烈 | 5000～8000 |
| 极强烈 | 8000～15000 |
| 剧烈 | >15000 |
生态系统服务价值是指通过价值评估对生态系统的结构、过程和功能直接或间接得到的生命支持产品和服务进行量化。在本实施例中，采用谢高地的基于单位面积价值当量因子的生态系统服务价值化方法对气体调节、气候调节、水源涵养、土壤形成、废物处理、生态多样性、食物生产、原材料生产、娱乐文化九项生态系统服务功能价值进行评估，根据现有土地利用数据及研究区特点，确定单位面积生态系统服务功能价值的基础当量表，如表2所示。
表2、单位面积生态系统服务功能价值基础当量表。
本实施例中，步骤2)根据小流域水土保持评价指标体系收集数据生成评价要素图层时，对于每项评价要素，如果该评价要素仅包括单项评价指标，则直接将该评价要素下唯一评价指标的评价指标图层作为评价要素图层；否则将该评价要素下所有评价指标的评价指标图层按照定性组合或权重合并后作为该要素的评价要素图层。
本实施例中将该评价要素下所有评价指标的评价指标图层按照定性组合或权重合并后作为该要素的评价要素图层时，针对水土流失敏感性评价要素内所有评价指标的评价指标图层按照定性组合的方式计算，其中坡度分为多个坡度区间，土地利用类型分为非耕地、坡耕地、其他三种一级土地利用类型，且坡耕地分为水田、旱地两种二级土地利用类型，其他分为水域、建设用地、开采用地或建设施工场地、裸地四种二级土地利用类型，植被覆盖率针对非耕地分为多种区间，每一种植被覆盖率的非耕地对应多个坡度区间分别存在对应的水土流失敏感性评价指标值，每一种二级土地利用类型对应多个坡度区间分别存在对应的水土流失敏感性评价指标值，水土流失敏感性评价指标值包括多种连续的敏感性等级，如表3所示：
表3、水土流失敏感性评价指标表。
本实施例中将该评价要素下所有评价指标的评价指标图层按照定性组合或权重合并后作为该要素的评价要素图层时，针对生态系统服务评价要素下所有评价指标的评价指标图层按照权重合并时，权重合并的函数表达式如式(1)所示：
式(1)中，P为评价要素的要素值，Vi为该评价要素下第i项评价指标的指标值，Wi为第i项评价指标的权重，n为该评价要素包含评价指标的数量；
且针对生态系统服务评价要素下第i项评价指标的权重的计算采用熵权法，且采用熵权法得到权重的详细计算步骤包括：
I)根据式(2)计算该评价要素下第i项评价指标的分配权重pi；
式(2)中，Yi表示为每个基本单元归一化后的值，n表示该评价要素下评价指标的数量；
II)根据式(3)计算该评价要素下第i项评价指标的信息熵Ei；
式(3)中，pi表示该评价要素下第i项评价指标的分配权重，n表示该评价要素下评价指标的数量；
III)根据式(4)计算该评价要素下第i项评价指标采用熵权法得到的权重Wi；
式(4)中，Ei表示该评价要素下第i项评价指标的信息熵，k为常数系数。本实施例中，生态系统服务价值采用熵权法得到的具体权重如下：气体调节0.09、气候调节0.06、水源涵养0.12、土壤形成0.06、废物处理0.13、生态多样性0.07、食物生产0.20、原材料生产0.13、娱乐文化0.14。
本实施例步骤3)中确定样本大小为30m*30m的栅格，小洋小流域共包含52508个样本。采用ArcMap10.2将水土流失敏感性、土壤侵蚀态势、生态服务价值项三项评价要素指标图层以30m像元大小进行重采样、叠加分析，通过栅格转点工具将每个栅格标记唯一ID，并导出特征参数矩阵。
本实施例中，步骤4)的详细步骤包括采用Kohonen学习算法训练自组织神经网络，且采用Kohonen学习算法训练自组织神经网络的详细步骤包括：
S1)初始化自组织神经网络，设置自组织神经网络上输入层神经元数目N为小流域水土保持区划评价要素的个数、竞争层神经元数目M＝1*m，赋予N个输入神经元到输出神经元较小的连接权值，选出j个输出神经元的“邻接神经元”集合Sj，其中Sj(t)表示时刻t“邻接神经元”的集合且该值随时间增加而减小，其中m表示水土保持区划分区数目；
S2)向自组织神经网络的输入层X输入各评价指标组成的向量x＝(x1，x2，x3，...，xn)T；
S3)根据式(5)计算竞争层的权值向量和输入向量的距离dj；
式(5)中，X为输入层，Wj为输出神经元j与输入层X的连接权值，xi(t)为时刻t输入神经元i的输出，wij(t)为时刻t输入层的i神经元和竞争层j神经元之间的权值，m为输入神经元个数，即水土保持区划分区数目；当一个输入层神经元k对任意竞争层神经元j的距离dk最小即为获胜神经元，记为j*，并计算其邻接神经元集合；
S4)定义优胜邻域Sj(t)，以获胜神经元j*为中心确定t时刻的权值调整优胜邻域Sj(t)，在训练过程中优胜邻域Sj(t)随训练时间t收缩；
S5)权值学习，根据式(6)更新获胜神经元j*和位于其邻接神经元的权值Δwij；
Δwij＝ηh(j，j*)(xi-wij) (6)
式(6)中，η为0～1之间的常数，xi为输入神经元i的输出，wij为输入层的i神经元和竞争层j神经元之间的权值；h(j，j*)为领域函数，计算表达式如式(7)所示；
式(7)中，σ为邻域半径，j-j*为领域距离，其中σ2随训练次数增大而减小，h(j，j*)的范围也随之变窄；
S6)根据式(8)计算输出Ok；
Ok＝f(min||X-Wj||) (8)
式(8)中，f(x)为0～1函数或指定的非线性函数。
S7)判断是否达到预设的训练次数，若未达到训练次数则返回S2)进入下一轮学习，否则训练结束，得到完成训练的自组织神经网络。
步骤S1)中输入层神经元数目为小流域水土保持区划评价要素的个数，即N＝3。竞争层神经元数目M＝1*m，其中m表示水土保持区划分区数目，为了确定最优分区数目，分别计算分为2区到分为7区共6种区划方案，计算每种区划方案的平均轮廓系数SC，所有平均轮廓系数SC中的最大平均轮廓系数SCm所对应的m为最优分区数目。轮廓系数S(i)的表示特征向量在簇内的相似程度，计算表达式如式(9)所示；
式(9)中，a(i)为i向量到同一簇内其他点不相似程度的平均值，b(i)为i向量到其他簇的平均不相似程度的最小值。平均轮廓系数为轮廓系数S(i)的平均值，即根据式(10)计算整个数据集中所有特征向量的平均轮廓系数SC；
式(10)中，n为数据集中特征向量的总数。
本实施例中，步骤5)中通过制图表达获得小流域水土保持区划图时，制图表达包括可视化处理，添加图例、比例尺、指北针等制图要素的表达。
本实施例中，采用MATLAB R2018b构建SOM神经网络，以三个水土保持区划的评价要素作为网络的输入，即输入层节点数N＝3。创建SOM神经网络是一个一维的处理单元阵列，神经元数由M＝1*S个神经元组成。输入输入层，即3*52508的小洋小流域特征参数矩阵x，设置了一个循环，创建竞争层为一维的1*i处理单元阵列net，其中为了选择最佳i值，设置一个循环使i＝2∶7。采用神经网络工具箱中的selforgmap函数创建SOM网络，train函数训练网络，sim函数对网络进行仿真，最后使用vec2ind函数将向量转化为指标。再设置一个循环，分别计算i＝2∶7这六种分类方法的轮廓系数，求出其平均轮廓系数b进行比较。本实施例中，平均轮廓系数结果如图3所示，其中当i＝6时，平均轮廓系数最大，所以本实施例选择i＝6为最佳分类方案。本实施例中，将小流域水土保持评价类簇结果采用ArcMap10.2转化为栅格图像，对其众数滤波、邻域分析等方法去除碎屑图斑、平滑区域边界。最后对结果进行可视化处理，添加图例、比例尺等制图要素，输出小洋小流域水土保持区划图，如图4所示。
此外，本实施例还提供一种基于自组织神经网络的小流域水土保持区划系统，包括：
指标体系确定程序单元，用于确定小流域水土保持评价指标体系；
评价要素图层生成程序单元，用于根据小流域水土保持评价指标体系收集数据生成评价要素图层；
特征参数矩阵生成程序单元，用于确定样本大小，按样本大小对评价要素图层进行重采样、叠加，将其转化为包含研究区所有样本的特征参数矩阵；
自组织神经网络聚类程序单元，用于将特征参数矩阵为训练样本，利用自组织神经网络进行水土保持综合评价结果的初步聚类，得到小流域水土保持评价类簇结果；
区划图生成程序单元，用于将小流域水土保持评价类簇结果转化为栅格图像，对栅格图像进行滤波去除碎屑图斑、平滑区域边界，并通过制图表达获得小流域水土保持区划图。
此外，本实施例还提供一种基于自组织神经网络的小流域水土保持区划系统，包括计算机设备，该计算机设备被编程或配置以执行本实施例前述基于自组织神经网络的小流域水土保持区划方法的步骤，或该计算机设备的存储介质上存储有被编程或配置以执行本实施例前述基于自组织神经网络的小流域水土保持区划方法的计算机程序。
此外，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行本实施例前述基于自组织神经网络的小流域水土保持区划方法的计算机程序。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种基于自组织神经网络的小流域水土保持区划方法，其特征在于实施步骤包括：
1)确定小流域水土保持评价指标体系；
2)根据小流域水土保持评价指标体系收集数据生成评价要素图层；
3)确定样本大小，按样本大小对评价要素图层进行重采样、叠加，将其转化为包含研究区所有样本的特征参数矩阵；
4)将特征参数矩阵为训练样本，利用自组织神经网络进行水土保持综合评价结果的初步聚类，得到小流域水土保持评价类簇结果；
5)将小流域水土保持评价类簇结果转化为栅格图像，对栅格图像进行滤波去除碎屑图斑、平滑区域边界，并通过制图表达获得小流域水土保持区划图；
步骤4)的详细步骤包括采用Kohonen学习算法训练自组织神经网络，且采用Kohonen学习算法训练自组织神经网络的详细步骤包括：
S1)初始化自组织神经网络，设置自组织神经网络上输入层神经元数目N为小流域水土保持区划评价要素的个数、竞争层神经元数目M＝1*m，赋予N个输入神经元到输出神经元较小的连接权值，选出j个输出神经元的“邻接神经元”集合Sj，其中Sj(t)表示时刻t“邻接神经元”的集合且该值随时间增加而减小，其中m表示水土保持区划分区数目；
S2)向自组织神经网络的输入层X输入各评价指标组成的向量x＝(x1,x2,x3,…,xn)T；
S3)根据式(5)计算竞争层的权值向量和输入向量的距离dj；
式(5)中，X为输入层，Wj为输出神经元j与输入层X的连接权值，xi(t)为时刻t输入神经元i的输出，wij(t)为时刻t输入层的i神经元和竞争层j神经元之间的权值，m为输入神经元个数，即水土保持区划分区数目；当一个输入层神经元k对任意竞争层神经元j的距离dk最小即为获胜神经元，记为j*，并计算其邻接神经元集合；
S4)定义优胜邻域Sj(t)，以获胜神经元j*为中心确定t时刻的权值调整优胜邻域Sj(t)，在训练过程中优胜邻域Sj(t)随训练时间t收缩；
S5)权值学习，根据式(6)更新获胜神经元j*和位于其邻接神经元的权值Δwij；
Δwij＝ηh(j,j*)(xi-wij) (6)
式(6)中，η为0～1之间的常数，xi为输入神经元i的输出，wij为输入层的i神经元和竞争层j神经元之间的权值；h(j,j*)为领域函数，计算表达式如式(7)所示；
式(7)中，σ为邻域半径，j-j*为领域距离，其中σ2随训练次数增大而减小，h(j,j*)的范围也随之变窄；
S6)根据式(8)计算输出Ok；
Ok＝f(min||X-Wj||) (8)
式(8)中，f(x)为0～1函数或指定的非线性函数；
S7)判断是否达到预设的训练次数，若未达到训练次数则返回S2)进入下一轮学习，否则训练结束，得到完成训练的自组织神经网络。
2.根据权利要求1所述的基于自组织神经网络的小流域水土保持区划方法，其特征在于，步骤1)中建立的小流域水土保持评价指标体系为以PSR模型为框架的小流域水土保持评价指标体系，所述以PSR模型为框架的小流域水土保持评价指标体系包括水土流失敏感性、土壤侵蚀态势、生态系统服务三项评价要素，每一项评价要素包括至少一项评价指标。
3.根据权利要求2所述的基于自组织神经网络的小流域水土保持区划方法，其特征在于，所述水土流失敏感性评价要素包括坡度、植被覆盖率、土地利用类型三项评价指标，所述土壤侵蚀态势评价要素包括土壤侵蚀强度一项评价指标，所述生态系统服务评价要素包括气体调节、气候调节、水源涵养、土壤形成、废物处理、生态多样性、食物生产、原材料生产、娱乐文化九项评价指标。
4.根据权利要求3所述的基于自组织神经网络的小流域水土保持区划方法，其特征在于，步骤2)根据小流域水土保持评价指标体系收集数据生成评价要素图层时，对于每项评价要素，如果该评价要素仅包括单项评价指标，则直接将该评价要素下唯一评价指标的评价指标图层作为评价要素图层；否则将该评价要素下所有评价指标的评价指标图层按照定性组合或权重合并后作为该要素的评价要素图层。
5.根据权利要求4所述的基于自组织神经网络的小流域水土保持区划方法，其特征在于，所述将该评价要素下所有评价指标的评价指标图层按照定性组合或权重合并后作为该要素的评价要素图层时，针对水土流失敏感性评价要素内所有评价指标的评价指标图层按照定性组合的方式计算，其中坡度分为多个坡度区间，土地利用类型分为非耕地、坡耕地、其他三种一级土地利用类型，且坡耕地分为水田、旱地两种二级土地利用类型，其他分为水域、建设用地、开采用地或建设施工场地、裸地四种二级土地利用类型，植被覆盖率针对非耕地分为多种区间，每一种植被覆盖率的非耕地对应多个坡度区间分别存在对应的水土流失敏感性评价指标值，每一种二级土地利用类型对应多个坡度区间分别存在对应的水土流失敏感性评价指标值，所述水土流失敏感性评价指标值包括多种连续的敏感性等级。
6.根据权利要求4所述的基于自组织神经网络的小流域水土保持区划方法，其特征在于，所述将该评价要素下所有评价指标的评价指标图层按照定性组合或权重合并后作为该要素的评价要素图层时，针对生态系统服务评价要素下所有评价指标的评价指标图层按照权重合并时，权重合并的函数表达式如式(1)所示：
式(1)中，P为评价要素的要素值，Vi为该评价要素下第i项评价指标的指标值，Wi为第i项评价指标的权重，n为该评价要素包含评价指标的数量；
且针对生态系统服务评价要素下第i项评价指标的权重的计算采用熵权法，且采用熵权法得到权重的详细计算步骤包括：
I)根据式(2)计算该评价要素下第i项评价指标的分配权重pi；
式(2)中，Yi表示为每个基本单元归一化后的值，n表示该评价要素下评价指标的数量；
II)根据式(3)计算该评价要素下第i项评价指标的信息熵Ei；
式(3)中，pi表示该评价要素下第i项评价指标的分配权重，n表示该评价要素下评价指标的数量；
III)根据式(4)计算该评价要素下第i项评价指标采用熵权法得到的权重Wi；
式(4)中，Ei表示该评价要素下第i项评价指标的信息熵，k为常数系数。
7.一种基于自组织神经网络的小流域水土保持区划系统，其特征在于包括：
指标体系确定程序单元，用于确定小流域水土保持评价指标体系；
评价要素图层生成程序单元，用于根据小流域水土保持评价指标体系收集数据生成评价要素图层；
特征参数矩阵生成程序单元，用于确定样本大小，按样本大小对评价要素图层进行重采样、叠加，将其转化为包含研究区所有样本的特征参数矩阵；
自组织神经网络聚类程序单元，用于将特征参数矩阵为训练样本，利用自组织神经网络进行水土保持综合评价结果的初步聚类，得到小流域水土保持评价类簇结果；
区划图生成程序单元，用于将小流域水土保持评价类簇结果转化为栅格图像，对栅格图像进行滤波去除碎屑图斑、平滑区域边界，并通过制图表达获得小流域水土保持区划图；
所述自组织神经网络聚类程序单元采用Kohonen学习算法训练自组织神经网络，且采用Kohonen学习算法训练自组织神经网络的详细步骤包括：
S1)初始化自组织神经网络，设置自组织神经网络上输入层神经元数目N为小流域水土保持区划评价要素的个数、竞争层神经元数目M＝1*m，赋予N个输入神经元到输出神经元较小的连接权值，选出j个输出神经元的“邻接神经元”集合Sj，其中Sj(t)表示时刻t“邻接神经元”的集合且该值随时间增加而减小，其中m表示水土保持区划分区数目；
S2)向自组织神经网络的输入层X输入各评价指标组成的向量x＝(x1,x2,x3,…,xn)T；
S3)根据式(5)计算竞争层的权值向量和输入向量的距离dj；
式(5)中，X为输入层，Wj为输出神经元j与输入层X的连接权值，xi(t)为时刻t输入神经元i的输出，wij(t)为时刻t输入层的i神经元和竞争层j神经元之间的权值，m为输入神经元个数，即水土保持区划分区数目；当一个输入层神经元k对任意竞争层神经元j的距离dk最小即为获胜神经元，记为j*，并计算其邻接神经元集合；
S4)定义优胜邻域Sj(t)，以获胜神经元j*为中心确定t时刻的权值调整优胜邻域Sj(t)，在训练过程中优胜邻域Sj(t)随训练时间t收缩；
S5)权值学习，根据式(6)更新获胜神经元j*和位于其邻接神经元的权值Δwij；
Δwij＝ηh(j,j*)(xi-wij) (6)
式(6)中，η为0～1之间的常数，xi为输入神经元i的输出，wij为输入层的i神经元和竞争层j神经元之间的权值；h(j,j*)为领域函数，计算表达式如式(7)所示；
式(7)中，σ为邻域半径，j-j*为领域距离，其中σ2随训练次数增大而减小，h(j,j*)的范围也随之变窄；
S6)根据式(8)计算输出Ok；
Ok＝f(min||X-Wj||) (8)
式(8)中，f(x)为0～1函数或指定的非线性函数；
S7)判断是否达到预设的训练次数，若未达到训练次数则返回S2)进入下一轮学习，否则训练结束，得到完成训练的自组织神经网络。
8.一种基于自组织神经网络的小流域水土保持区划系统，包括计算机设备，其特征在于，该计算机设备被编程或配置以执行权利要求1～6中任意一项所述基于自组织神经网络的小流域水土保持区划方法的步骤，或该计算机设备的存储介质上存储有被编程或配置以执行权利要求1～6中任意一项所述基于自组织神经网络的小流域水土保持区划方法的计算机程序。
9.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有被编程或配置以执行权利要求1～6中任意一项所述基于自组织神经网络的小流域水土保持区划方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911006598.4A CN110781946B (zh) | 2019-10-22 | 2019-10-22 | 基于自组织神经网络的小流域水土保持区划方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911006598.4A CN110781946B (zh) | 2019-10-22 | 2019-10-22 | 基于自组织神经网络的小流域水土保持区划方法、系统及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110781946A CN110781946A (zh) | 2020-02-11 |
| CN110781946B true CN110781946B (zh) | 2022-08-02 |
Family
ID=69386240
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911006598.4A Active CN110781946B (zh) | 2019-10-22 | 2019-10-22 | 基于自组织神经网络的小流域水土保持区划方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110781946B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112380771B (zh) * | 2020-11-17 | 2023-04-07 | 甘肃省祁连山水源涵养林研究院 | 一种土壤侵蚀评估方法、装置及服务器 |
| CN115809812A (zh) * | 2022-12-29 | 2023-03-17 | 中国长江三峡集团有限公司 | 一种流域水土保持措施空间适宜性评价方法及装置 |
| CN117409333B (zh) * | 2023-12-15 | 2024-02-13 | 四川省生态环境科学研究院 | 基于遥感影像的生态脆弱区识别及生态修复方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104008402A (zh) * | 2014-05-12 | 2014-08-27 | 南京信息工程大学 | 一种基于改进som算法的地基云图识别方法 |
| CN109872062A (zh) * | 2019-02-02 | 2019-06-11 | 湖南大学 | 基于三维指标框架的县域尺度水土保持防控区划方法及系统 |
| CN110053052A (zh) * | 2019-05-28 | 2019-07-26 | 北京理工大学 | 多层som异构焊接机器人的任务分配与路径规划方法 |
| CN110298321A (zh) * | 2019-07-02 | 2019-10-01 | 中国科学院遥感与数字地球研究所 | 基于深度学习图像分类的道路阻断信息提取 |
-
2019
- 2019-10-22 CN CN201911006598.4A patent/CN110781946B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104008402A (zh) * | 2014-05-12 | 2014-08-27 | 南京信息工程大学 | 一种基于改进som算法的地基云图识别方法 |
| CN109872062A (zh) * | 2019-02-02 | 2019-06-11 | 湖南大学 | 基于三维指标框架的县域尺度水土保持防控区划方法及系统 |
| CN110053052A (zh) * | 2019-05-28 | 2019-07-26 | 北京理工大学 | 多层som异构焊接机器人的任务分配与路径规划方法 |
| CN110298321A (zh) * | 2019-07-02 | 2019-10-01 | 中国科学院遥感与数字地球研究所 | 基于深度学习图像分类的道路阻断信息提取 |
Non-Patent Citations (1)
| Title |
|---|
| 基于GIS与含油气系统的油气资源评价方法研究;刘世翔;《中国优秀博硕士学位论文全文数据库(博士)基础科学辑》;20081115;第58-70页、第149-150页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110781946A (zh) | 2020-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110781946B (zh) | 基于自组织神经网络的小流域水土保持区划方法、系统及介质 | |
| Boulila et al. | A data mining based approach to predict spatiotemporal changes in satellite images | |
| CN111598045B (zh) | 一种基于对象图谱和混合光谱的遥感耕地变化检测方法 | |
| CN114971301B (zh) | 一种基于自动调参优化模型的生态干扰风险识别评估方法 | |
| CN103514457A (zh) | 生态约束条件下土地利用结构优化的多目标改进差分进化模型 | |
| CN102222313A (zh) | 基于核主成分分析的城市演化模拟元胞模型处理方法 | |
| Anochi et al. | Optimization of feedforward neural network by Multiple Particle Collision Algorithm | |
| CN113344130B (zh) | 差异化巡河策略的生成方法及装置 | |
| CN112182951A (zh) | 一种考虑多重不确定性的土地利用规划方法 | |
| CN114580762A (zh) | 一种基于XGBoost的水文预报误差校正方法 | |
| Kropp et al. | Semiquantitative assessment of regional climate vulnerability: the North-Rhine Westphalia study | |
| CN116797027A (zh) | 一种基于人工智能的景观生态保护的风险预警系统及方法 | |
| Yu et al. | The study of artificial intelligence for predicting land use changes in an arid ecosystem | |
| Priatna et al. | Precipitation prediction using recurrent neural networks and long short-term memory | |
| Zheng et al. | A factor analysis and self-organizing map based evaluation approach for the renewable energy heating potentials at county level: A case study in China | |
| CN117808214A (zh) | 水利工程数据分析系统 | |
| Nelson et al. | Spatial statistical techniques for aggregating point objects extracted from high spatial resolution remotely sensed imagery | |
| CN108154221B (zh) | 一种面向“三线”协同优化的粒子群改进算法 | |
| CN115271221A (zh) | 一种城市扩展预测方法、装置、介质及设备 | |
| Provenzano et al. | Clustering of tourism patterns with self-organizing maps: The case of sicily | |
| Tanoori et al. | Predicting Urban Land Use and Mitigating Land Surface Temperature: Exploring the Role of Urban Configuration with Convolutional Neural Networks | |
| Harrou et al. | Enhancing photovoltaic system performance using advanced gradient boosting methods | |
| Kelly et al. | Modeling Risk for SOD Nationwide: What Are the Effects of Model Choice on Risk Prediction? ¹ | |
| CN115422848B (zh) | 一种城市水系统模拟方法、装置、电子设备及存储介质 | |
| Fathizad et al. | Modeling land use change process by integrating the MLP neural network model in the central desert regions of Iran |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |