CN112668448B - 一种生态进程变化分析方法、装置、介质及终端设备 - Google Patents
一种生态进程变化分析方法、装置、介质及终端设备 Download PDFInfo
- Publication number
- CN112668448B CN112668448B CN202011549064.9A CN202011549064A CN112668448B CN 112668448 B CN112668448 B CN 112668448B CN 202011549064 A CN202011549064 A CN 202011549064A CN 112668448 B CN112668448 B CN 112668448B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- data
- target area
- cells
- desert
- 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
Images
Abstract
本发明公开了一种生态进程变化分析方法,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,结合环境因素确定影响因子,解决现有技术中的输入数据没有考虑到荒漠地区周边环境影响因素的技术问题,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。
Description
技术领域
本发明涉及荒漠生态进程推演技术领域,尤其涉及一种生态进程变化分析方法、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,政府层面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。因此,如何提前预测荒漠生态进程,使得科研人员可以在荒漠生态还未发展到不可收拾的地步之前,提前对荒漠生态进行干预优化,以改善荒漠生态系统,成为了科研人员目前亟需解决的问题。
目前现有技术中存在多种环境进程推演策略,例如,通过无人机采集目标地区的环境数据,然后输入空间模型内进行环境重组,利用算法对重组的模拟环境进行推演。上述现有技术存在多种缺陷问题,第一,由于荒漠地区偏远、范围广,通过无人机采集环境数据的采集方式并不适用于荒漠地区,导致数据采集不充分,模型输入源数据不足;第二,输入数据没有考虑到荒漠地区周边环境的影响因素,导致模型演化结果不准确;第三,一般的空间模型由于算法简单,只适用了一般的城市进程推演,并不适用于荒漠地区的复杂环境生态推演,使得模型输出的结果与实际结果不吻合,误差较大,没有参考价值。
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。与常见的采用空间模型进行的环境进程推演模拟相比,基于CA构建荒漠生态数值演进模型,其具有并行度高、几何边界容易处理,求解简单等特点;但是现有研究主要集中在元胞状态转换规则获取方面,缺乏对生态元胞的尺度效应分析,元胞尺度划分有较大的随意性,从而导致在实际应用中,最终的数值分析结果往往与实际的结果误差较大,应用上存在较大的局限性。
同时,生态时空过程模拟一般受多因素共同制约,CA在模拟自然因素对地理过程的影响方面具有突出的优势,而模拟分析过程中与人交互模型及交互理论方面研究较少,时空过程模拟与GIS空间分析结合不够紧密,难以获得经济、植被、工程和土地等因素在荒漠生态动态演进下的不同脆弱性和相互制约关系。
因此,本发明需要进行荒漠生态演进数值模型的尺度效应分析,寻求适合生态模拟CA模型的最佳元胞尺度及邻域范围设置参数,并充分利用GIS的空间分析功能和元胞自动机模拟的时空建模能力,从时间、空间和尺度等角度对元胞自动机进行综合探索与处理,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。
发明内容
本发明提供了一种生态进程变化分析方法,以解决现有技术中无法提前预测荒漠生态进程的技术问题。
为了解决上述技术问题,本发明实施例提供了一种生态进程变化分析方法,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种类、植被所占区域和植被周边的地形地貌数据;
获取目标区域的环境数据,根据所述环境数据确定多个影响目标区域中荒漠生态进程变化的要素,作为影响因子;
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;
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;
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。
作为优选方案,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种类、植被所占区域和植被周边的地形地貌数据的步骤中,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,所述环境数据包括温度变化数据、光照强度数据、湿度数据、土壤数据、空气数据和水分数据;其中,温度变化、光照强度、湿度、土壤、空气和水分均为影响因子。
作为优选方案,所述分析算法为层次分析法。
作为优选方案,在所述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,输出推演结果的步骤中,还包括:
设置终止条件,当所述目标区域的荒漠生态进程推演结果达到所述终止条件时,输出推演结果;其中,所述终止条件包括推演时长、元胞正增长范围和元胞负增长范围。
相应地,本发明另一实施例还提供了一种生态进程变化分析装置,包括:
数据获取模块,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种类、植被所占区域和植被周边的地形地貌数据;
影响因子模块,用于获取目标区域的环境数据,根据所述环境数据确定多个影响目标区域中荒漠生态进程变化的要素,作为影响因子;
空间栅格模块,用于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;
元胞确定模块,用于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;
结果推演模块,用于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。
作为优选方案,所述数据获取模块包括:
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,所述第一确定单元中的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,所述环境数据包括温度变化数据、光照强度数据、湿度数据、土壤数据、空气数据和水分数据;其中,温度变化、光照强度、湿度、土壤、空气和水分均为影响因子。
作为优选方案,所述分析算法为层次分析法。
作为优选方案,所述结果推演模块还用于:在所述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,输出推演结果的步骤中,设置终止条件,当所述目标区域的荒漠生态进程推演结果达到所述终止条件时,输出推演结果;其中,所述终止条件包括推演时长、元胞正增长范围和元胞负增长范围。
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生态进程变化分析方法。
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生态进程变化分析方法。
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,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,结合环境因素确定影响因子,解决现有技术中的输入数据没有考虑到荒漠地区周边环境影响因素的技术问题,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。
附图说明
图1:为本发明实施例提供的一种生态进程变化分析方法的步骤流程图;
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生态进程变化分析装置的结构示意图;
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生态进程变化分析方法的步骤流程图,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种类、植被所占区域和植被周边的地形地貌数据。
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,步骤101具体包括步骤1011至步骤1013,各步骤具体如下:步骤101,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102,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103,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,获取目标区域的环境数据,根据所述环境数据确定多个影响目标区域中荒漠生态进程变化的要素,作为影响因子。
具体地,根据荒漠地区影响植被生长的因素,可以确定相关影响因子。在实施例一的第二种可能实现方案中,所述环境数据包括温度变化数据、光照强度数据、湿度数据、土壤数据、空气数据和水分数据;其中,温度变化、光照强度、湿度、土壤、空气和水分均为影响因子。
步骤103,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104,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105,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。
在实施例一的第三种可能实现方案中,在步骤105中,还包括:设置终止条件,当所述目标区域的荒漠生态进程推演结果达到所述终止条件时,输出推演结果;其中,所述终止条件包括推演时长、元胞正增长范围和元胞负增长范围。通过设置终止条件,可以更加灵活地根据不同的需求设置不同的条件,实现自动模拟停止,进一步提高本发明技术方案的实用性。
本发明技术方案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,结合环境因素确定影响因子,解决现有技术中的输入数据没有考虑到荒漠地区周边环境影响因素的技术问题,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。
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生态进程变化分析装置的结构示意图,包括:数据获取模块、影响因子模块、空间栅格模块、元胞确定模块和结果推演模块。其中,各模块具体如下:
数据获取模块,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种类、植被所占区域和植被周边的地形地貌数据。
影响因子模块,用于获取目标区域的环境数据,根据所述环境数据确定多个影响目标区域中荒漠生态进程变化的要素,作为影响因子。
空间栅格模块,用于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。
元胞确定模块,用于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。
结果推演模块,用于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。
在本实施例中,所述数据获取模块包括:
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,所述第一确定单元中的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。
在本实施例中,所述环境数据包括温度变化数据、光照强度数据、湿度数据、土壤数据、空气数据和水分数据;其中,温度变化、光照强度、湿度、土壤、空气和水分均为影响因子。
在本实施例中,所述分析算法为层次分析法。
在本实施例中,所述结果推演模块还用于:在所述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,输出推演结果的步骤中,设置终止条件,当所述目标区域的荒漠生态进程推演结果达到所述终止条件时,输出推演结果;其中,所述终止条件包括推演时长、元胞正增长范围和元胞负增长范围。
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生态进程变化分析方法。
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生态进程变化分析方法。
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,为了进一步对步骤105得到的推演结果进行多维显示,实施例五与实施例一的区别在于,在步骤105输出推演结果之后,实施例五还包括:将所述推演结果实时显示在预设的多维显示空间坐标上。具体地:
步骤1051,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。
步骤1052,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。
实施例五可以实现对荒漠生态进程推演进行实时显示功能,进一步提高本发明技术方案的实用性。
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 (7)
1.一种生态进程变化分析方法,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种类、植被所占区域和植被周边的地形地貌数据;
获取目标区域的环境数据,根据所述环境数据确定多个影响目标区域中荒漠生态进程变化的要素,作为影响因子;
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;
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;
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;
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种类、植被所占区域和植被周边的地形地貌数据的步骤中,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;
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;
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。
2.如权利要求1所述的生态进程变化分析方法,其特征在于,所述环境数据包括温度变化数据、光照强度数据、湿度数据、土壤数据、空气数据和水分数据;其中,温度变化、光照强度、湿度、土壤、空气和水分均为影响因子。
3.如权利要求1或2所述的生态进程变化分析方法,其特征在于,所述分析算法为层次分析法。
4.如权利要求1所述的生态进程变化分析方法,其特征在于,在所述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,输出推演结果的步骤中,还包括:
设置终止条件,当所述目标区域的荒漠生态进程推演结果达到所述终止条件时,输出推演结果;其中,所述终止条件包括推演时长、元胞正增长范围和元胞负增长范围。
5.一种生态进程变化分析装置,其特征在于,包括:
数据获取模块,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种类、植被所占区域和植被周边的地形地貌数据;
影响因子模块,用于获取目标区域的环境数据,根据所述环境数据确定多个影响目标区域中荒漠生态进程变化的要素,作为影响因子;
空间栅格模块,用于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;
元胞确定模块,用于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;
结果推演模块,用于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;
所述数据获取模块包括:
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;
所述第一确定单元中的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;
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。
6.一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1-4中任一项所述的生态进程变化分析方法。
7.一种终端设备,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1-4中任一项所述的生态进程变化分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011549064.9A CN112668448B (zh) | 2020-12-24 | 2020-12-24 | 一种生态进程变化分析方法、装置、介质及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011549064.9A CN112668448B (zh) | 2020-12-24 | 2020-12-24 | 一种生态进程变化分析方法、装置、介质及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112668448A CN112668448A (zh) | 2021-04-16 |
CN112668448B true CN112668448B (zh) | 2021-08-10 |
Family
ID=75408315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011549064.9A Expired - Fee Related CN112668448B (zh) | 2020-12-24 | 2020-12-24 | 一种生态进程变化分析方法、装置、介质及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668448B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781823B (zh) * | 2022-04-01 | 2022-11-08 | 中国科学院地理科学与资源研究所 | 一种基于人类活动反馈的城市生态红线预警方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544390A (zh) * | 2013-10-18 | 2014-01-29 | 西南交通大学 | 基于元胞自动机的溃决洪水快速演进模拟分析方法 |
CN109359166A (zh) * | 2018-10-10 | 2019-02-19 | 广东国地规划科技股份有限公司 | 一种空间增长动态模拟与驱动力因子贡献度同步计算方法 |
CN110991262A (zh) * | 2019-11-12 | 2020-04-10 | 同济大学 | 生态服务价值预测的多带宽地理加权回归元胞自动机方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106650015A (zh) * | 2016-11-24 | 2017-05-10 | 中国科学院东北地理与农业生态研究所 | 一种城市森林叶面积指数景观尺度推演方法 |
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 |
CN108090624B (zh) * | 2017-12-30 | 2021-02-26 | 武汉大学 | 一种改进元胞自动机的城市生态安全模拟与预测的方法 |
US20200007919A1 (en) * | 2018-04-02 | 2020-01-02 | The Nielsen Company (Us), Llc | Processor systems to estimate audience sizes and impression counts for different frequency intervals |
CN109190161B (zh) * | 2018-07-27 | 2023-04-07 | 广州蓝图地理信息技术有限公司 | 基于斑块元胞自动机和港口城市规划的港城发展模拟方法 |
CN109815916A (zh) * | 2019-01-28 | 2019-05-28 | 成都蝉远科技有限公司 | 一种基于卷积神经网络算法的植被种植区域识别方法及系统 |
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 |
-
2020
- 2020-12-24 CN CN202011549064.9A patent/CN112668448B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544390A (zh) * | 2013-10-18 | 2014-01-29 | 西南交通大学 | 基于元胞自动机的溃决洪水快速演进模拟分析方法 |
CN109359166A (zh) * | 2018-10-10 | 2019-02-19 | 广东国地规划科技股份有限公司 | 一种空间增长动态模拟与驱动力因子贡献度同步计算方法 |
CN110991262A (zh) * | 2019-11-12 | 2020-04-10 | 同济大学 | 生态服务价值预测的多带宽地理加权回归元胞自动机方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112668448A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Wheat ear counting using K-means clustering segmentation and convolutional neural network | |
CN107292886B (zh) | 基于网格划分及神经网络的目标物入侵检测方法及装置 | |
CN111028255A (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
CN109636032B (zh) | 基于多模式集成的降水预报方法、系统、终端及存储介质 | |
CN111126662B (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
CN115511194A (zh) | 一种农业数据处理方法、系统、装置及介质 | |
CN112668448B (zh) | 一种生态进程变化分析方法、装置、介质及终端设备 | |
CN114241425B (zh) | 垃圾检测模型的训练方法、装置、存储介质及设备 | |
CN115457408A (zh) | 一种土地监测方法、装置、电子设备及介质 | |
CN116432859A (zh) | 一种作物产量统计数据降尺度方法 | |
CN112527442B (zh) | 一种环境数据多维显示方法、装置、介质及终端设备 | |
CN112016744B (zh) | 一种基于土壤水分的森林火灾预测方法、装置及存储介质 | |
CN115983478A (zh) | 分布式光伏发电功率预测分析方法、系统、终端及介质 | |
CN113705001B (zh) | 输电线路故障检测方法、系统及嵌入式设备 | |
CN115116052A (zh) | 一种果园荔枝识别方法、装置、设备及存储介质 | |
CN113240340B (zh) | 基于模糊分类的大豆种植区分析方法、装置、设备和介质 | |
CN114580975A (zh) | 街区活力获得方法及系统及装置及介质 | |
CN111861836B (zh) | 山地土地立体规划方法、装置、存储介质和计算机设备 | |
CN114778795B (zh) | 一种基于城市布局的土壤质量等级确定方法及装置 | |
CN108563674B (zh) | 基于rs和gis的海域地理要素测量方法、系统及装置 | |
CN113592664B (zh) | 农作物生产空间预测模拟方法、设备、模型及存储介质 | |
CN116150570B (zh) | 一种高精度网格降雨的存储和叠加分析计算方法及装置 | |
CN117114194B (zh) | 碳汇量确定、碳汇效益优化的方法、装置及相关设备 | |
CN113762153B (zh) | 一种基于遥感数据的新型尾矿库检测方法及系统 | |
CN116486254A (zh) | 一种基于增强局部上下文监督信息的目标计数模型训练方法 |
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 |
Granted publication date: 20210810 Termination date: 20211224 |
|
CF01 | Termination of patent right due to non-payment of annual fee |