CN112527442B - 一种环境数据多维显示方法、装置、介质及终端设备 - Google Patents
一种环境数据多维显示方法、装置、介质及终端设备 Download PDFInfo
- Publication number
- CN112527442B CN112527442B CN202011545605.0A CN202011545605A CN112527442B CN 112527442 B CN112527442 B CN 112527442B CN 202011545605 A CN202011545605 A CN 202011545605A CN 112527442 B CN112527442 B CN 112527442B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- data
- determining
- target area
- image
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000008569 process Effects 0.000 claims abstract description 49
- 230000001413 cellular effect Effects 0.000 claims abstract description 29
- 230000007613 environmental effect Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 30
- 230000008859 change Effects 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 241001464837 Viridiplantae Species 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种环境数据多维显示方法,本发明技术方案通过遥感图像确定区域数据,以保证输入源数据的有效性,并根据触发指令确定用户选择的影响因子及其对应的进度条的进度值,利用进度值作为元胞自动机模型对目标区域的荒漠生态进程进行推演的同步限制数据,根据用户的实时触发指令,实时进行同步推演,实现对不确定动态过程的环境多维数据进行同步显示,提高用户体验。
Description
技术领域
本发明涉及环境数据多维显示领域,尤其涉及一种环境数据多维显示方法、装置、介质及终端设备。
背景技术
沙漠又名荒漠,是指植被稀少或缺水的干旱地区;荒漠生态即指荒漠地区的生态环境。一般,荒漠地区的年平均降水量在250毫米以下,水分的缺乏限制了绿色植物的生长以及一切直接或间接依赖绿色植物为生的动物和微生物,导致植物分布稀疏,能在荒漠地区存活下来的植物几乎全为旱生种类。
我国的荒漠主要分布于西北和内蒙古地区,为了改善荒漠生态问题,政府及民间层面曾多次组织人员前往荒漠地区进行绿化活动。然而,由于荒漠地区偏远、环境恶劣等因素,在长时间过后,绿化植被往往会被荒漠覆盖;甚至连一些原有的旱生类植物都会被荒漠侵蚀,导致荒漠生态遭受更严重的挑战。
为了配合科研人员改善荒漠生态,相关工作人员需要对荒漠生态进程进行变化推演,并将其多维数据进行立体显示,为科研人员提供参考数据。但现有技术中的数据显示系统均为数据定态显示,即,在数据确定的情况下进行一维或多维显示。然而,在对荒漠生态进程进行变化推演过程中,由于生态进程推演是不确定的动态过程,在利用现有技术中的数据显示策略进行荒漠生态变化推演数据显示时,无法对其环境数据进行显示,或出现很大的延时性,影响用户的体验效果。
因此,针对目前荒漠生态变化推演过程中无法进行同步数据显示的技术问题,目前市面上亟需一种环境数据多维显示技术,可以解决上述提出的技术问题,实现对不确定动态过程的环境多维数据进行同步显示,以提高用户体验。
发明内容
本发明提供了一种环境数据多维显示方法,以解决目前荒漠生态变化推演过程中无法进行同步数据显示的技术问题。
为了解决上述技术问题,本发明实施例提供了一种环境数据多维显示方法,包括:
获取目标区域的遥感图像,根据所述遥感图像确定所述目标区域中的植被数据;
确定影响目标区域中荒漠生态进程变化的影响因子,根据不同的影响因子生成对应的进度条;
接收用户触发指令,根据所述触发指令确定用户选择的影响因子及其对应的进度条的进度值;
将所述植被数据输入至元胞自动机模型中,并根据所述用户选择的影响因子及其对应的进度条的进度值,通过所述元胞自动机模型对所述目标区域的荒漠生态进程进行推演,输出推演结果;
将所述推演结果实时显示在预设的多维显示空间坐标上。
作为优选方案,所述多维显示空间坐标的建立过程,包括:
建立空间直角坐标系,在所述空间直角坐标系上设置网格;
根据所述植被数据确定目标区域中不同植被种类的范围大小及其相对位置关系,在所述空间直角坐标系中占领相应的网格,作为原始的多维显示空间坐标。
作为优选方案,所述将所述推演结果实时显示在预设的多维显示空间坐标上的步骤中,具体为:
根据所述推演结果,确定推演后的植被变化数据;
根据所述植被变化数据确定目标区域中不同植被种类的范围正生长或负生长,及其变化后的相对位置关系,在所述原始的多维显示空间坐标中重新确定并调整所述植被变化数据占领的相应网格。
作为优选方案,所述植被数据包括植被种类、植被所占区域和植被周边的地形地貌数据;
所述获取目标区域的遥感图像,根据所述遥感图像确定所述目标区域中的植被数据的步骤中,具体包括:
获取目标区域的遥感图像,对所述遥感图像进行预处理,得到预处理图像;
将所述预处理图像作为数据源,输入到植被识别模型中,对所述预处理图像中的植被进行识别,以及对识别得到的结果进行标注和输出植被种类;其中,所述植被识别模型是用于识别图像中的植被特征,输出植被种类的识别模型;
根据标注的范围确定植被所占区域和植被周边的地形地貌。
作为优选方案,所述植被识别模型的建立过程包括:
获取多种植被特征作为对比源,将所述对比源作为训练样本;
构建神经网络识别模型,将所述训练样本输入至所述神经网络识别模型中进行模型训练,直至训练准确率达到预设阈值或训练次数达到预设次数时,停止训练,得到植被识别模型。
作为优选方案,所述神经网络识别模型包括:用于提取图像特征的前端网络和用于进行植被特征定位及植被骨架连接的后端网络;
所述前端网络包括:由4个3x3卷积核构成的第一层卷积层、第一池化层、由2个7x7卷积核构成的第二层卷积层、第二池化层和由2个3x3卷积核构成的第三层卷积层;
所述后端网络包括:用于进行植被特征定位的第一分支和用于进行植被骨架连接的第二分支;其中,所述第一分支包括:2个7x7卷积核、2个3x3卷积核和1个1x1卷积核;所述第二分支包括:2个3x3卷积核和3个1x1卷积核。
作为优选方案,所述进度条悬浮设置在显示界面上,所述进度值为0%-100%,其中,0%为该影响因子的影响程度最低,100%为该影响因子的影响程度最高。
相应地,本发明另一实施例提供了一种环境数据多维显示装置,包括:
图像获取模块,用于获取目标区域的遥感图像,根据所述遥感图像确定所述目标区域中的植被数据;
影响因子模块,用于确定影响目标区域中荒漠生态进程变化的影响因子,根据不同的影响因子生成对应的进度条;
指令触发模块,用于接收用户触发指令,根据所述触发指令确定用户选择的影响因子及其对应的进度条的进度值;
进程推演模块,用于将所述植被数据输入至元胞自动机模型中,并根据所述用户选择的影响因子及其对应的进度条的进度值,通过所述元胞自动机模型对所述目标区域的荒漠生态进程进行推演,输出推演结果;
多维显示模块,用于将所述推演结果实时显示在预设的多维显示空间坐标上。
作为优选方案,所述多维显示模块用于显示的多维显示空间坐标的建立过程,包括:
建立空间直角坐标系,在所述空间直角坐标系上设置网格;
根据所述植被数据确定目标区域中不同植被种类的范围大小及其相对位置关系,在所述空间直角坐标系中占领相应的网格,作为原始的多维显示空间坐标。
作为优选方案,所述多维显示模块具体用于:
根据所述推演结果,确定推演后的植被变化数据;
根据所述植被变化数据确定目标区域中不同植被种类的范围正生长或负生长,及其变化后的相对位置关系,在所述原始的多维显示空间坐标中重新确定并调整所述植被变化数据占领的相应网格。
作为优选方案,所述植被数据包括植被种类、植被所占区域和植被周边的地形地貌数据;
所述图像获取模块具体包括:
预处理单元,用于获取目标区域的遥感图像,对所述遥感图像进行预处理,得到预处理图像;
第一确定单元,用于将所述预处理图像作为数据源,输入到植被识别模型中,对所述预处理图像中的植被进行识别,以及对识别得到的结果进行标注和输出植被种类;其中,所述植被识别模型是用于识别图像中的植被特征,输出植被种类的识别模型;
第二确定单元,用于根据标注的范围确定植被所占区域和植被周边的地形地貌。
作为优选方案,所述植被识别模型的建立过程包括:
获取多种植被特征作为对比源,将所述对比源作为训练样本;
构建神经网络识别模型,将所述训练样本输入至所述神经网络识别模型中进行模型训练,直至训练准确率达到预设阈值或训练次数达到预设次数时,停止训练,得到植被识别模型。
作为优选方案,所述神经网络识别模型包括:用于提取图像特征的前端网络和用于进行植被特征定位及植被骨架连接的后端网络;
所述前端网络包括:由4个3x3卷积核构成的第一层卷积层、第一池化层、由2个7x7卷积核构成的第二层卷积层、第二池化层和由2个3x3卷积核构成的第三层卷积层;
所述后端网络包括:用于进行植被特征定位的第一分支和用于进行植被骨架连接的第二分支;其中,所述第一分支包括:2个7x7卷积核、2个3x3卷积核和1个1x1卷积核;所述第二分支包括:2个3x3卷积核和3个1x1卷积核。
作为优选方案,所述进度条悬浮设置在显示界面上,所述进度值为0%-100%,其中,0%为该影响因子的影响程度最低,100%为该影响因子的影响程度最高。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述任一项所述的环境数据多维显示方法。
本发明实施例还提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如上述任一项所述的环境数据多维显示方法。
相比于现有技术,本发明实施例具有如下有益效果:
本发明技术方案通过遥感图像确定区域数据,以保证输入源数据的有效性,并根据触发指令确定用户选择的影响因子及其对应的进度条的进度值,利用进度值作为元胞自动机模型对目标区域的荒漠生态进程进行推演的同步限制数据,根据用户的实时触发指令,实时进行同步推演,实现对不确定动态过程的环境多维数据进行同步显示,提高用户体验。
附图说明
图1:为本发明实施例提供的一种环境数据多维显示方法的步骤流程图;
图2:为本发明实施例一中神经网络识别模型的结构示意图;
图3:为本发明实施例提供的一种环境数据多维显示装置的结构示意图;
图4:为本发明实施例提供的终端设备的一种实施例的结构示意图。
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作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。
实施例一
请参照图1,为本发明实施例提供的一种环境数据多维显示方法的步骤流程图,包括步骤101至步骤105,各步骤具体如下:
步骤101,获取目标区域的遥感图像,根据所述遥感图像确定所述目标区域中的植被数据。
具体地,为了解决数据源问题,本技术方案利用卫星技术获取到遥感图像,图像中包含了需要进行生态推演模拟的荒漠区域以及在该荒漠区域中的植被对象。
在实施例一的第一种可能实现方案中,所述植被数据包括植被种类、植被所占区域和植被周边的地形地貌数据;所述步骤101具体包括:步骤1011,获取目标区域的遥感图像,对所述遥感图像进行预处理,得到预处理图像。步骤1012,将所述预处理图像作为数据源,输入到植被识别模型中,对所述预处理图像中的植被进行识别,以及对识别得到的结果进行标注和输出植被种类;其中,所述植被识别模型是用于识别图像中的植被特征,输出植被种类的识别模型。步骤1013,根据标注的范围确定植被所占区域和植被周边的地形地貌。
在上述实现方案的另一种可能实现方案中,所述植被识别模型的建立过程包括:获取多种植被特征作为对比源,将所述对比源作为训练样本;构建神经网络识别模型,将所述训练样本输入至所述神经网络识别模型中进行模型训练,直至训练准确率达到预设阈值或训练次数达到预设次数时,停止训练,得到植被识别模型。
在本实现方案中,如图2所示,为实施例一中神经网络识别模型的结构示意图。所述神经网络识别模型包括:用于提取图像特征的前端网络和用于进行植被特征定位及植被骨架连接的后端网络;所述前端网络包括:由4个3x3卷积核构成的第一层卷积层、第一池化层、由2个7x7卷积核构成的第二层卷积层、第二池化层和由2个3x3卷积核构成的第三层卷积层;所述后端网络包括:用于进行植被特征定位的第一分支和用于进行植被骨架连接的第二分支;其中,所述第一分支包括:2个7x7卷积核、2个3x3卷积核和1个1x1卷积核;所述第二分支包括:2个3x3卷积核和3个1x1卷积核。
步骤102,确定影响目标区域中荒漠生态进程变化的影响因子,根据不同的影响因子生成对应的进度条。
具体地,在实施例一的第二种可能实现方案中,所述进度条悬浮设置在显示界面上,所述进度值为0%-100%,其中,0%为该影响因子的影响程度最低,100%为该影响因子的影响程度最高。该进度条用于确定影响因子的影响大小。
步骤103,接收用户触发指令,根据所述触发指令确定用户选择的影响因子及其对应的进度条的进度值。
具体地,用户在显示系统上对不同的影响因子所对应的进度条进行滑动,以使不同的进度条到达不同的进度值,从而确定用户选择不同影响因子的影响情况。
步骤104,将所述植被数据输入至元胞自动机模型中,并根据所述用户选择的影响因子及其对应的进度条的进度值,通过所述元胞自动机模型对所述目标区域的荒漠生态进程进行推演,输出推演结果。
具体地,元胞自动机(CellularAutomata,CA)是一种时间、空间和状态都离散,空间相互作用和时间因果关系都为局部的网格动力学模型,具有模拟复杂系统时空演化过程的能力。利用元胞自动机模型可以对荒漠生态进程进行合理推演,而在本实施例中,该推演过程属于利用现有的元胞自动机模型进行推演的常规技术,此处不进行累述。
步骤105,将所述推演结果实时显示在预设的多维显示空间坐标上。
在实施例一的第三种可能实现方案中,所述多维显示空间坐标的建立过程,包括:建立空间直角坐标系,在所述空间直角坐标系上设置网格;根据所述植被数据确定目标区域中不同植被种类的范围大小及其相对位置关系,在所述空间直角坐标系中占领相应的网格,作为原始的多维显示空间坐标。
在上述实现方案的另一种可能实现方案中,所述步骤105具体为:步骤1051,根据所述推演结果,确定推演后的植被变化数据;步骤1052,根据所述植被变化数据确定目标区域中不同植被种类的范围正生长或负生长,及其变化后的相对位置关系,在所述原始的多维显示空间坐标中重新确定并调整所述植被变化数据占领的相应网格。
本发明技术方案通过遥感图像确定区域数据,以保证输入源数据的有效性,并根据触发指令确定用户选择的影响因子及其对应的进度条的进度值,利用进度值作为元胞自动机模型对目标区域的荒漠生态进程进行推演的同步限制数据,根据用户的实时触发指令,实时进行同步推演,实现对不确定动态过程的环境多维数据进行同步显示,提高用户体验。
实施例二
相应地,如图3所示,为本发明另一实施例提供的一种环境数据多维显示装置的结构示意图,包括:图像获取模块、影响因子模块、指令触发模块、进程推演模块和多维显示模块,各模块具体如下:
图像获取模块,用于获取目标区域的遥感图像,根据所述遥感图像确定所述目标区域中的植被数据。
在本实施例中,所述植被数据包括植被种类、植被所占区域和植被周边的地形地貌数据;所述图像获取模块具体包括:预处理单元,用于获取目标区域的遥感图像,对所述遥感图像进行预处理,得到预处理图像;第一确定单元,用于将所述预处理图像作为数据源,输入到植被识别模型中,对所述预处理图像中的植被进行识别,以及对识别得到的结果进行标注和输出植被种类;其中,所述植被识别模型是用于识别图像中的植被特征,输出植被种类的识别模型;第二确定单元,用于根据标注的范围确定植被所占区域和植被周边的地形地貌。
在本实施例中,所述植被识别模型的建立过程包括:获取多种植被特征作为对比源,将所述对比源作为训练样本;构建神经网络识别模型,将所述训练样本输入至所述神经网络识别模型中进行模型训练,直至训练准确率达到预设阈值或训练次数达到预设次数时,停止训练,得到植被识别模型。
在本实施例中,所述神经网络识别模型包括:用于提取图像特征的前端网络和用于进行植被特征定位及植被骨架连接的后端网络;所述前端网络包括:由4个3x3卷积核构成的第一层卷积层、第一池化层、由2个7x7卷积核构成的第二层卷积层、第二池化层和由2个3x3卷积核构成的第三层卷积层;所述后端网络包括:用于进行植被特征定位的第一分支和用于进行植被骨架连接的第二分支;其中,所述第一分支包括:2个7x7卷积核、2个3x3卷积核和1个1x1卷积核;所述第二分支包括:2个3x3卷积核和3个1x1卷积核。
影响因子模块,用于确定影响目标区域中荒漠生态进程变化的影响因子,根据不同的影响因子生成对应的进度条。
在本实施例中,所述进度条悬浮设置在显示界面上,所述进度值为0%-100%,其中,0%为该影响因子的影响程度最低,100%为该影响因子的影响程度最高。
指令触发模块,用于接收用户触发指令,根据所述触发指令确定用户选择的影响因子及其对应的进度条的进度值。
进程推演模块,用于将所述植被数据输入至元胞自动机模型中,并根据所述用户选择的影响因子及其对应的进度条的进度值,通过所述元胞自动机模型对所述目标区域的荒漠生态进程进行推演,输出推演结果。
多维显示模块,用于将所述推演结果实时显示在预设的多维显示空间坐标上。
在本实施例中,所述多维显示模块用于显示的多维显示空间坐标的建立过程,包括:建立空间直角坐标系,在所述空间直角坐标系上设置网格;根据所述植被数据确定目标区域中不同植被种类的范围大小及其相对位置关系,在所述空间直角坐标系中占领相应的网格,作为原始的多维显示空间坐标。
在本实施例中,所述多维显示模块具体用于:根据所述推演结果,确定推演后的植被变化数据;根据所述植被变化数据确定目标区域中不同植被种类的范围正生长或负生长,及其变化后的相对位置关系,在所述原始的多维显示空间坐标中重新确定并调整所述植被变化数据占领的相应网格。
实施例三
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的环境数据多维显示方法。
实施例四
请参照图4,是本发明实施例提供的终端设备的一种实施例的结构示意图,所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现上述任一实施例所述的环境数据多维显示方法。
优选地,所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序),所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,通用处理器可以是微处理器,或者所述处理器也可以是任何常规的处理器,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区,其中,程序存储区可存储操作系统、至少一个功能所需的应用程序等,数据存储区可存储相关数据等。此外,所述存储器可以是高速随机存取存储器,还可以是非易失性存储器,例如插接式硬盘,智能存储卡(SmartMedia Card,SMC)、安全数字(Secure Digital,SD)卡和闪存卡(Flash Card)等,或所述存储器也可以是其他易失性固态存储器件。
需要说明的是,上述终端设备可包括,但不仅限于,处理器、存储器,本领域技术人员可以理解,上述终端设备仅仅是示例,并不构成对终端设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件。
实施例五
对实施例一进行改进,为了进一步提高元胞自动机模型的推演能力,实施例五与实施例一的区别在于,步骤104中通过所述元胞自动机模型对所述目标区域的荒漠生态进程进行推演的步骤,具体包括:
步骤1041,根据所述植被周边的地形地貌数据建立空间栅格,按照所述植被所占区域与空间栅格中的地形地貌区域的比例,在所述空间栅格中配置相应数量和位置的单元格作为基础元胞。
具体地,需要建立空间栅格作为荒漠地区生态进程推演的模拟空间,为了使结果更准确,需要按照遥感图像中拍摄到的植被所占区域比例进行配置,在空间栅格中对应配置相应的数量及单元格。
步骤1042,根据所述植被种类以及所述空间栅格中每个单元格的植被数量,在所述基础元胞中确定种子元胞和普通元胞。
具体地,荒漠地区的生态进程推演与一般的城市化进行推演不同,由于荒漠地区的恶劣环境,原来在荒漠地区中生长的植被很有可能会被荒漠侵蚀,成为负增长。所以在该步骤中,需要先确定种子元胞和普通元胞的种类,区别于一般的城市化进程推演中先计算概率后确定元胞种类的技术手段。
步骤1043,将所述影响因子输入元胞自动机中,通过分析算法计算所述种子元胞的正增长概率和所述普通元胞的负增长概率,以使所述元胞自动机根据所述种子元胞的正增长概率和所述普通元胞的负增长概率,在所述空间栅格中对所述目标区域的荒漠生态进程进行推演,输出推演结果。
具体地,在确定了种子元胞和普通元胞的种类之后,需要利用分析算法计算种子元胞的正增长概率和普通元胞的负增长概率,这里运用到的分析算法为层次分析法,而层次分析法不在本技术方案的发明改进点当中,该层次分析法的运用是属于现有技术的运用策略,所以在此处不进行披露。而得到种子元胞的正增长概率和普通元胞的负增长概率之后,可以利用元胞自动机模型在空间栅格中对目标区域的荒漠生态进程进行推演,得到输出推演结果。
本实施例五通过遥感图像确定区域数据,解决现有技术数据采集不充分,模型输入源数据不足的技术问题,利用元胞自动机进行推演的过程中,先确定种子元胞和普通元胞再确定正负增长概率,在空间栅格中对目标区域的荒漠生态进程进行推演,得到推演结果,实现利用元胞自动机对荒漠生态进程推演模拟结果进行空间分析和评价。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种环境数据多维显示方法,其特征在于,包括:
获取目标区域的遥感图像,根据所述遥感图像确定所述目标区域中的植被数据;
确定影响目标区域中荒漠生态进程变化的影响因子,根据不同的影响因子生成对应的进度条;
接收用户触发指令,根据所述触发指令确定用户选择的影响因子及其对应的进度条的进度值;
将所述植被数据输入至元胞自动机模型中,并根据所述用户选择的影响因子及其对应的进度条的进度值,通过所述元胞自动机模型对所述目标区域的荒漠生态进程进行推演,输出推演结果;
将所述推演结果实时显示在预设的多维显示空间坐标上;
所述植被数据包括植被种类、植被所占区域和植被周边的地形地貌数据;
所述获取目标区域的遥感图像,根据所述遥感图像确定所述目标区域中的植被数据的步骤中,具体包括:
获取目标区域的遥感图像,对所述遥感图像进行预处理,得到预处理图像;
将所述预处理图像作为数据源,输入到植被识别模型中,对所述预处理图像中的植被进行识别,以及对识别得到的结果进行标注和输出植被种类;其中,所述植被识别模型是用于识别图像中的植被特征,输出植被种类的识别模型;
根据标注的范围确定植被所占区域和植被周边的地形地貌。
2.如权利要求1所述的环境数据多维显示方法,其特征在于,所述多维显示空间坐标的建立过程,包括:
建立空间直角坐标系,在所述空间直角坐标系上设置网格;
根据所述植被数据确定目标区域中不同植被种类的范围大小及其相对位置关系,在所述空间直角坐标系中占领相应的网格,作为原始的多维显示空间坐标。
3.如权利要求2所述的环境数据多维显示方法,其特征在于,所述将所述推演结果实时显示在预设的多维显示空间坐标上的步骤中,具体为:
根据所述推演结果,确定推演后的植被变化数据;
根据所述植被变化数据确定目标区域中不同植被种类的范围正生长或负生长,及其变化后的相对位置关系,在所述原始的多维显示空间坐标中重新确定并调整所述植被变化数据占领的相应网格。
4.如权利要求1所述的环境数据多维显示方法,其特征在于,所述植被识别模型的建立过程包括:
获取多种植被特征作为对比源,将所述对比源作为训练样本;
构建神经网络识别模型,将所述训练样本输入至所述神经网络识别模型中进行模型训练,直至训练准确率达到预设阈值或训练次数达到预设次数时,停止训练,得到植被识别模型。
5.如权利要求4所述的环境数据多维显示方法,其特征在于,所述神经网络识别模型包括:用于提取图像特征的前端网络和用于进行植被特征定位及植被骨架连接的后端网络;
所述前端网络包括:由4个3x3卷积核构成的第一层卷积层、第一池化层、由2个7x7卷积核构成的第二层卷积层、第二池化层和由2个3x3卷积核构成的第三层卷积层;
所述后端网络包括:用于进行植被特征定位的第一分支和用于进行植被骨架连接的第二分支;其中,所述第一分支包括:2个7x7卷积核、2个3x3卷积核和1个1x1卷积核;所述第二分支包括:2个3x3卷积核和3个1x1卷积核。
6.如权利要求1至5任一项所述的环境数据多维显示方法,其特征在于,所述进度条悬浮设置在显示界面上,所述进度值为0%-100%,其中,0%为该影响因子的影响程度最低,100%为该影响因子的影响程度最高。
7.一种环境数据多维显示装置,其特征在于,包括:
图像获取模块,用于获取目标区域的遥感图像,根据所述遥感图像确定所述目标区域中的植被数据;
影响因子模块,用于确定影响目标区域中荒漠生态进程变化的影响因子,根据不同的影响因子生成对应的进度条;
指令触发模块,用于接收用户触发指令,根据所述触发指令确定用户选择的影响因子及其对应的进度条的进度值;
进程推演模块,用于将所述植被数据输入至元胞自动机模型中,并根据所述用户选择的影响因子及其对应的进度条的进度值,通过所述元胞自动机模型对所述目标区域的荒漠生态进程进行推演,输出推演结果;
多维显示模块,用于将所述推演结果实时显示在预设的多维显示空间坐标上;
所述植被数据包括植被种类、植被所占区域和植被周边的地形地貌数据;
所述图像获取模块具体包括:
预处理单元,用于获取目标区域的遥感图像,对所述遥感图像进行预处理,得到预处理图像;
第一确定单元,用于将所述预处理图像作为数据源,输入到植被识别模型中,对所述预处理图像中的植被进行识别,以及对识别得到的结果进行标注和输出植被种类;其中,所述植被识别模型是用于识别图像中的植被特征,输出植被种类的识别模型;
第二确定单元,用于根据标注的范围确定植被所占区域和植被周边的地形地貌。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1-6中任一项所述的环境数据多维显示方法。
9.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如权利要求1-6中任一项所述的环境数据多维显示方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011545605.0A CN112527442B (zh) | 2020-12-24 | 2020-12-24 | 一种环境数据多维显示方法、装置、介质及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011545605.0A CN112527442B (zh) | 2020-12-24 | 2020-12-24 | 一种环境数据多维显示方法、装置、介质及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112527442A CN112527442A (zh) | 2021-03-19 |
CN112527442B true CN112527442B (zh) | 2021-08-10 |
Family
ID=74976074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011545605.0A Expired - Fee Related CN112527442B (zh) | 2020-12-24 | 2020-12-24 | 一种环境数据多维显示方法、装置、介质及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112527442B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114676568B (zh) * | 2022-01-17 | 2022-09-23 | 中国地质大学(北京) | 一种基于元胞自动机的区域地质构造演化方法及装置 |
CN114897860B (zh) * | 2022-05-26 | 2024-07-12 | 中国科学院地理科学与资源研究所 | 一种一氧化碳污染受土地利用影响下的推演方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622656A (zh) * | 2012-03-29 | 2012-08-01 | 兰州大学 | 一种沙漠边缘扩展速度的预测方法 |
CN102915616B (zh) * | 2012-05-11 | 2015-07-01 | 新疆大学 | 一种区域栅格累加土地沙漠化预警方法 |
CN108053072A (zh) * | 2017-12-22 | 2018-05-18 | 中国科学院地理科学与资源研究所 | 沙漠化动态模拟模型的构建及应用 |
CN108764263A (zh) * | 2018-02-12 | 2018-11-06 | 北京佳格天地科技有限公司 | 遥感影像的地物标注装置及方法 |
CN111310322B (zh) * | 2020-02-10 | 2021-03-16 | 河海大学 | 基于元胞自动机的干旱区自然绿洲空间动态模拟方法 |
CN111860205B (zh) * | 2020-06-29 | 2024-03-19 | 成都数之联科技股份有限公司 | 基于多源遥感影像和网格的森林火情评价方法及存储介质 |
-
2020
- 2020-12-24 CN CN202011545605.0A patent/CN112527442B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN112527442A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108154105B (zh) | 水下生物检测与识别方法、装置、服务器及终端设备 | |
CN109583301B (zh) | 一种农作物生长过程最优外部种植条件预测方法及装置 | |
CN112527442B (zh) | 一种环境数据多维显示方法、装置、介质及终端设备 | |
CN109886155B (zh) | 基于深度学习的单株水稻检测定位方法、系统、设备及介质 | |
CN102279386B (zh) | 基于fpga的sar成像信号处理数据转置方法 | |
CN112085056B (zh) | 目标检测模型生成方法、装置、设备及存储介质 | |
CN112668448B (zh) | 一种生态进程变化分析方法、装置、介质及终端设备 | |
CN107016403A (zh) | 一种基于夜间灯光数据提取城市建成区阈值的方法 | |
CN108596032B (zh) | 一种视频中打架行为检测方法、装置、设备及介质 | |
CN114612896B (zh) | 基于遥感图像的水稻产量预测方法、装置以及设备 | |
CN113326925A (zh) | 基于密度图回归的卷积神经网络的花量统计方法、系统、设备及介质 | |
CN112801109A (zh) | 一种基于多尺度特征融合的遥感图像分割方法及系统 | |
CN116681959A (zh) | 基于机器学习的锋线识别方法、装置、存储介质及终端 | |
CN116137061A (zh) | 数量统计模型的训练方法、装置、电子设备及存储介质 | |
CN115601547A (zh) | 样本图像获取、货物管理方法、装置、设备及存储介质 | |
CN115734072A (zh) | 一种工业自动化设备的物联网集中监控方法及装置 | |
CN115116052A (zh) | 一种果园荔枝识别方法、装置、设备及存储介质 | |
CN115983478A (zh) | 分布式光伏发电功率预测分析方法、系统、终端及介质 | |
CN113298755B (zh) | 基于时序影像的生态环境变化斑块快速检测方法和装置 | |
CN111476308B (zh) | 基于先验几何约束的遥感影像分类方法、装置和电子设备 | |
CN111861836B (zh) | 山地土地立体规划方法、装置、存储介质和计算机设备 | |
CN115063478A (zh) | 基于rgb-d相机和视觉定位的水果定位方法、系统、设备及介质 | |
CN113240340A (zh) | 基于模糊分类的大豆种植区分析方法、装置、设备和介质 | |
CN114778795B (zh) | 一种基于城市布局的土壤质量等级确定方法及装置 | |
CN117150785B (zh) | 一种大豆生长全生育期仿真方法及系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210810 Termination date: 20211224 |