CN112733587A - 一种沙漠化进程演变监测方法 - Google Patents
一种沙漠化进程演变监测方法 Download PDFInfo
- Publication number
- CN112733587A CN112733587A CN202010796503.XA CN202010796503A CN112733587A CN 112733587 A CN112733587 A CN 112733587A CN 202010796503 A CN202010796503 A CN 202010796503A CN 112733587 A CN112733587 A CN 112733587A
- Authority
- CN
- China
- Prior art keywords
- information
- soil moisture
- moisture content
- monitoring
- grid block
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000008569 process Effects 0.000 title claims abstract description 21
- 239000002689 soil Substances 0.000 claims abstract description 72
- 241000196324 Embryophyta Species 0.000 claims abstract description 35
- 230000005540 biological transmission Effects 0.000 claims abstract description 16
- 238000005286 illumination Methods 0.000 claims abstract description 10
- 238000003860 storage Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 11
- 210000005036 nerve Anatomy 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000025865 Ulcer Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 208000017520 skin disease Diseases 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Astronomy & Astrophysics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Remote Sensing (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种沙漠化进程演变监测方法，包括以下步骤：采用WebGis地图定位目标地域并取得目标地域的平面图像、将所述平面图像依照栅格网状的分割线进行分割得到若干网格块状区域，在每个网格块状区域n所对应目标地域的位置处预埋远传监测模块获取该位置处的多种当地信息、所述的远传监测模块都与数据中心通信互联，每个远传监测模块会时时将当地信息回传至数据中心，结合了荒漠化区域内监测点的土壤墒情、空气温、湿度、风速、风向、光照气象信息、重点植物的植物茎流等数据，并通过结合WEBGIS方式进行显示，通过BP神经网络的算法对荒漠化区域土壤墒情进行预测。对本区域荒漠化的演化态势进行分析并对态势进行预警。
Description
技术领域
本发明属于环境监测领域，尤其涉及适用于一种沙漠化进程演变监测方法。
背景技术
沙漠被视为地球的皮肤病、溃疡病。是指在干旱、半干旱地区和部分半湿润地区，由于受自然因素或人类活动的影响，破坏了自然生态系统的脆弱平衡，使原非沙漠的地区出现了以风沙活动为主要标志和类似沙漠景观的环境变化过程，荒漠化作用加剧破坏了土壤的理化性质，降低乃至丧志了土地生产能力，并使自然环境趋于恶化，给国家经济造成巨大损失，也给广大牧区的人民生活水平和生存环境产生了巨大的影响。我国的沙漠及沙漠化土地面积约为160.7万平方千米，占国土面积的16.7％，因此需要针对国土沙漠化的问题制定一套行之有效的方法，现有的方法中一般采用遥感影像对固定区域进行监测，但是遥感影像的监测基础是基于获取的图像，而图像经常被云层遮挡或者当地偶发的灾难性气候具有很多的不确定性，影响观测精度，因此需要提供一套新系统来解决该问题。
现有技术中采用卫星遥感数据精度有限，高分辨率卫星，费用高，数据贵。而且采集的地面数据容易将裸土地与荒漠化土地相混淆。
遥感数据无法提供地面的土壤墒情、林木茎流等数据，无法提供具体点位的历史数据反演，并通过综合各个栅格数据进行历年数据趋势的预测。无法实现具体位置的荒漠化程度分析，为荒漠化趋势和趋向提供数据支持依据。
发明内容
本发明的目的在于避免上述背景技术中的不足之处而提供了一种沙漠化进程演变监测方法。
为了实现上述目的，本发明通过以下技术方案实现：
一种沙漠化进程演变监测方法，其包括以下步骤：
采用WebGis地图定位目标地域并取得目标地域的平面图像；
将所述平面图像依照栅格网状的分割线进行分割得到若干网格块状区域，将其中位于一角的网格块状区域作为起始点n1开始连续编号直至抵达末尾的网格块状区域nn编号结束；
在每个网格块状区域n所对应目标地域的位置处预埋远传监测模块获取该位置处的土壤墒情信息h1、气象信息w1和植物茎流信息v1；
预埋远传监测模块包括空气温度模块、湿度模块、风速模块、风向模块、雨量模块、光照强度模块、土地墒情模块、无线模块和太阳能存放电模块；
所述土壤墒情信息h 1包括记录土壤20cm、40cm和60cm深度的含水状况和温度情况；
气象信息w1包括地表温度、湿度、光照强度、风速、风向和降水量的数据信息；
植物茎流信息v1包括植物的植物茎流生长长度的数据信息；
所述的远传监测模块都与数据中心通信互联，每个远传监测模块会时时将土壤墒情信息h 1、气象信息w1和植物茎流信息v1回传至数据中心，数据中心将每个网格块状区域n对应的土壤墒情信息h1、气象信息w1和植物茎流信息v1通过BP算法对进行土壤墒情预设时间后的数值进行预测；
所述步骤2)中分割完毕的若干网格块状区域以影像形式全部显示在监控荧幕中，所述的步骤4)土壤墒情预设时间后的数值超过预设的沙漠化阈值，则对应网格块状区域在监控荧幕高亮预警。
进一步的，所述步骤4)中数据中心接收到每个网格块状区域n对应的土壤墒情信息h 1、气象信息w1和植物茎流信息v1后，将信息中突变的误差数据进行抛弃处理，将有效的数据储存至数据库进行存储，然后采用BP算法对进行土壤墒情预设时间后的数值进行预测。
进一步的，所述的BP算法依据该时刻的风速、降水量、空气温、湿度、光照、土壤墒情、植物茎流状况数据为输入变量。以预测的土壤墒情为输出量，以输出量与输入量和若干的隐含层来设计BP网络，每层同时含有若干神经单元，同一层的神经元之间断开交叉通信连接，设计输入层、隐含层、输出层的神经元个数为r、q、m，该预测系统的BP神经网络表示为BP(r、q、m)。使用sigmoid 函数，用于隐层神经元输出的阈值函数，取值范围为(0，1)。
Sigmoid函数为
对其中的x求导，得到函数表示为：
Sigmoid函数的级数表示：
s：＝1/2+(1/4)*t-(1/48)＊t3+(1/480)＊t5-(17/80640)＊t7 -(17/80640)＊t7+(31/1451520)＊t9-(691/319334400)＊t11+O(t12)。
进一步的，所述步骤5)中数据中心会将每个网格块状区域n对应的土壤墒情信息h1、气象信息w1和植物茎流信息v1分入相同的信息组进行存储，并将该网格块状区域n后续回传的信息全部分入对应信息组，数据中心对每个信息组进行BP算法计算。
进一步的，通过调用数据库存储的各个信息组所包含的地理位置坐标在对应位置的网格块状区域以图像显示实时变化信息；
实时变化信息包括柱形图、曲线图、饼形图和/或实时数据。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明平台的组成模块及流程示意图。
图2为BP算法的构成图。
图3为本发明整体流程图。
图4为栅格网状的组成示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“预设载入规则”、“预设编号规则”等是用于区别类似的对象，本编号规则为本发明所详细公开的顺序规则。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
根据本发明实施例，提供了一种沙漠化进程演变监测方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
提供了一种沙漠化进程演变监测方法，其包括以下步骤：
1)根据电子地图定位目标地域并取得目标地域的平面图像；
具体的：对预设目标位置处由电子地图版进行电子图像的拾取，对于该区域目标处的电子图像预设剔除地理区域标记，可选择的剔除区域包括：1. 坚硬岩石区域2.水域3.多树/森林区域。
比如将坚硬岩石区域进行剔除，剔除结束后对于剔除位置则排除在电子图板的可栅格化区域外，对于电子图板的剔除掉预设的地理区域标记后作为基础电子图板进行存储。
2)将所述平面图像依照栅格网状的分割线进行分割得到若干网格块状区域，将其中位于一角的网格块状区域作为起始点n1开始连续编号直至抵达末尾的网格块状区域nn编号结束；
具体的，电子地图定位目标地域并取得目标地域的平面图像后确定基础电子图板，进行网格化划分，划分方式为：①确定监测模块的监测半径。②复制所述的基础电子图板并在该图板上进行栅格化划分，划分栅格形状：六边形、三角形、圆形。
本方案中以六边形举例采用六边形栅格进行划分布满地图，并将所述的采集得到的监测模块的监测半径所得到的圆形置入分别单独的置入到每个六边形栅格中，所述的圆形与对应的六边形栅格的每个边相切，对栅格化结束的基础电子图板坐标系化，并记录每个六边形栅格的边缘坐标,和每个监测模块的监测半径所得到的圆形的监测坐标；②将所述的边缘坐标与监测坐标的差值部分进行标记绘制得到监测模块的监测半径所得到的圆形之外的盲区区域的标记区域，每个标记区域的中心都与位于汇聚于同一顶点的三个六边形栅格的相交顶点重合；③将所述的圆形与对应的六边形栅格的每个边相切的相切点进行连接，即得到与所述的标记区域所对应的且包含所述的标记区域的边缘线位于所述的监测模块的监测半径所得到的圆形内的三角形的估计区域或者将所述的圆形与对应的六边形栅格的每个边相切的相切点的三个点为正六边形的三个顶点来建立一对应的六边形估计栅格，且六边形估计栅格的每个边都落入在对应的三个六边形栅格内，六边形估计栅格为估计区域，栅格建立结束④将其中位于一角的网格块状区域作为起始点n1开始连续编号直至抵达末尾的网格块状区域nn编号结束；
对于满地图进行无缝隙的全部覆盖，防止因为覆盖区域问题而导致的预测失败，对于区域覆盖后，其盲区的预测方法与本栅格的分割方法相互依托，本分割方法更为科学，合理，对于区域性盲区预测具有很大的益处。
在每个网格块状区域n所对应目标地域的位置处预埋远传监测模块获取该位置处的土壤墒情信息h1、气象信息w1和植物茎流信息v1、
预埋远传监测模块包括空气温度模块、湿度模块、风速模块、风向模块、雨量模块、光照强度模块、土地墒情模块、无线模块和太阳能存放电模块；
所述土壤墒情信息h1包括记录土壤20cm、40cm和60cm深度的含水状况和温度情况；
气象信息w1包括地表温度、湿度、光照强度、风速、风向和降水量的数据信息；
植物茎流信息v1包括植物的植物茎流生长长度的数据信息；
具体的，本方法应用于荒漠化模块进行预测，荒漠化模块包括荒漠化数据管理模块包括webgis地图和荒漠化报表单元，所述的栅格化划工作即由所述的荒漠化综合数据管理模块执行，还包括数据采集管理模块，所述的数据采集管理模块包括所述的所分配的各个栅格及其对应的土壤墒情传感器即远传监测模块，还包括区域环境分析模块用于协同分析所述的土壤墒情、载入历年的气象报告进行的气象分析、植物径流分析、载入理念的沙尘报告的沙尘天气分析、栅格化历史数据分析、协同历史数据分析，还包括荒漠化预警模块，其包括土壤墒情预警、气象预警、植物径流预警和人口粪污和经济情况预警等预警工作。
其中所述的土壤墒情信息h1、气象信息w1和植物茎流信息v1、即对应所述的土壤墒情分析、气象分析、植物径流分析所需采集的信息，分析过程为首先建立历年的采集样本，对每个采集样本建立其线性回归的样本曲线，并对该样本曲线进行预测函数的取值，其取值范围采集自样本曲线经过BP算法对进行该样本进行进行预测数据的估计值范围，其中
①对于监测半径内的监测的信息，根据所述的荒漠化预警模块所采集信息进行测算，并绘制其样本曲线，根据样本走向，对后续荒漠化进行进行预测，其荒漠化的关键权值在于，所述的土壤墒情信息h1；其气象信息w1和植物茎流信息v1每个的预测走向分别所分配的预估数值合计得分所得到的荒漠化可能概率，其中以植物茎流信息v1作为主要权重，在土壤墒情信息h1的基础上主要权重作为参考改变土壤墒情信息h1的预测走向，多段v1的期望值作为土壤墒情信息h1的预测过程中回归参数，单位时间内如三个月，其土壤墒情信息持续低于预设数值，为荒漠化指数很高。
土壤墒情即为土壤水分子数值观测。
②对于监测半径内的监测的信息，
其中所述的标记区域的数据估计区域，依据网格块状区域n1与相邻的网格块状区域n2和n3所记录的土壤墒情信息h1之间的两两取平均值，每个平均值所对应的坐标点即为所述的估算区域的顶点，依据所述的顶点的预测估计区域的土壤墒情信息h1平均值，依照所述坐标点所处的经度纬度于本区域相同经度纬度区域内筛选相关坐标点，并将土壤墒情信息h1差值小于预留数值的相关坐标点保留，将所有相关坐标点统计即为P1-Pn，将所述的平均值，以所述的平均值于矩阵中三角分布和P1-Pn，构建矩阵构建蒙特卡洛近似值估算方程，并为每个估算区域的坐标点分配估算值。
三角分布有利于估算数值及时被所述的平均值所平衡。
3)所述的远传监测模块都与数据中心通信互联，每个远传监测模块会时时将土壤墒情信息h1、气象信息w1和植物茎流信息v1回传至数据中心，数据中心将每个网格块状区域n对应的土壤墒情信息h1、气象信息w1和植物茎流信息v1通过BP算法对进行土壤墒情预设时间后的数值进行预测；
4)所述步骤3)中分割完毕的若干网格块状区域以影像形式全部显示在监控荧幕中，所述的步骤4)土壤墒情预设时间后的数值超过预设的沙漠化阈值，则对应网格块状区域在监控荧幕高亮预警。
所述步骤4)中数据中心接收到每个网格块状区域n对应的土壤墒情信息h1、气象信息w1和植物茎流信息v1后，将信息中突变的误差数据进行抛弃处理，数据中心会将每个网格块状区域n对应的土壤墒情信息h1、气象信息 w1和植物茎流信息v1分入相同的信息组进行存储，并将该网格块状区域n后续回传的信息全部分入对应信息组，数据中心对每个信息组进行BP算法计算。
所述的突变的误差数据为，根据当月的植物茎流信息v1、气象信息w1与土壤墒情信息h1变化比率，从而求得其平均变化量，在所采集数值突变为变化量的两倍或三倍时将误差数据抛弃，其优先采集以下：
气象信息w1此时是否属于降雨时刻，降雨时刻以连续5Min至10Min降水量待续高位定义为降雨时刻，若部署于降雨时刻则采集对应的植物茎流信息v1、计算的土壤墒情信息h1并纳入干燥计量库，将参考计量库内本气象信息w1所对应的植物茎流信息v1计算土壤墒情信息h1
依据气象信息w1分为多个计量库，降雨湿润计量库(微雨)、降雨存水计量库(大雨)、非降雨干燥计量库(干燥)等多个计量数据存储库，判断气象信息w1后则将对应茎流信息v1、计算的土壤墒情信息h1纳入计量库，并为每个计量库计算对应的对应茎流信息v1、计算的土壤墒情信息h1的平均变化量，若采集到数值预先属于对应计量库的准入数值，之后逐一与平均变化量进行比较，比较结束后，将有效的数据储存至数据库进行存储，然后采用BP算法对进行土壤墒情预设时间后的数值进行预测。
结合了荒漠化区域内监测点的土壤墒情、空气温、湿度、风速、风向、光照气象信息、重点植物的植物茎流等数据，综合各个数据的权重进行分析，并通过结合WEBGIS方式进行显示。通过BP神经网络的算法对荒漠化区域土壤墒情进行预测。对本区域荒漠化的演化态势进行分析并对态势进行预警。
发明结合了可能荒漠化的栅格区域内监测点的土壤墒情、空气温、湿度、风速、风向、光照、雨量、重点植物的植物茎流等数据，对荒漠化的态势进行分析并对态势进行划分等级并预警，以提高对荒漠化的重点数据监测强度。结合个GIS的强大功能，对重点监测区域进行划分栅格形式的点源监测。实现了监测效果的实时图形化显示。还通过区域环境分析模块对各个区域和整体的历史的数据进行分析、评价，并对可能出现的趋势进行分析。基于分析模块的分析结果，对不同区块的荒漠化进程演化历史进行研究，还可对当前情况造成的影响进行全面完整的评价。实现帮助决策者及时对重点关注区域的监测识别，协助决策者对可能出现的荒漠化趋势较高区域的形势作出准确判断，及时处理，加强管理。
所述的BP算法依据该时间段的风速、降水量、空气温、湿度、光照、土壤墒情、植物茎流状况数据为输入变量。以预测的土壤墒情为输出量，以输出量与输入量和若干的隐含层来设计BP网络，每层同时含有若干神经单元，同一层的神经元之间断开交叉通信连接，设计输入层、隐含层、输出层的神经元个数为r、q、m，该预测系统的BP神经网络表示为BP(r、q、m)。使用sigmoid函数，用于隐层神经元输出的阈值函数，取值范围为(0，1)。
Sigmoid函数为
对其中的x求导，得到函数表示为：
Sigmoid函数的级数表示：
s：＝1/2+(1/4)＊t-(1/48)＊t3+(1/480)＊t5-(17/80640)＊t7 -(17/80640)＊t7+(31/1451520)＊t9-(691/319334400)＊t11+O(t12)。
本训练中，优先设置隐含层单元数。根据要求的预测精度需求，和实际训练的神经网络情况，确定隐含层的单元数量为20，所以网络结构为BP(12、 20、1)；第三步，利用已采集的四年的12项数据作为输入项，进行网络训练。使信息由输入层经过隐含层传递到输出层，训练过程中，下一层神经元的状态只受上一层的影响。如果输出层没有得到预期的输出，则将输出的误差值进行反向传递，通过神经网络进行反向的阈值修正，直到输出的土壤墒情预测结果满足期望值。
依据所述的预测结果，通过土壤墒情预警模块进行对比应急规程，依据预警等级，进行对应的等级预警通知。
通过调用数据库存储的各个信息组所包含的地理位置坐标在对应位置的网格块状区域以图像显示实时变化信息；
实时变化信息包括柱形图、曲线图、饼形图和/或实时数据。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括： U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，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的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种沙漠化进程演变监测方法，其特征在于，包括以下步骤：
1)采用WebGis地图定位目标地域并取得目标地域的平面图像；
2)将所述平面图像依照栅格网状的分割线进行分割得到若干网格块状区域，将其中位于一角的网格块状区域作为起始点n1开始连续编号直至抵达末尾的网格块状区域nn编号结束；
3)在每个网格块状区域n所对应目标地域的位置处预埋远传监测模块获取该位置处的土壤墒情信息；
预埋远传监测模块包括土壤墒情模块；
所述土壤墒情信息h1包括记录土壤20cm、40cm和60cm深度的含水状况和温度情况；
4)所述的远传监测模块都与数据中心通信互联，每个远传监测模块会时时将土壤墒情信息h1、回传至数据中心，数据中心将每个网格块状区域n对应的土壤墒情信息h1、通过BP算法对进行土壤墒情预设时间后的数值进行预测；
5)所述步骤2)中分割完毕的若干网格块状区域以影像形式全部显示在监控荧幕中，所述的步骤4)土壤墒情预设时间后的数值超过预设的沙漠化阈值，则对应网格块状区域在监控荧幕高亮预警。
2.根据权利要求1所述的一种沙漠化进程演变监测方法，其特征在于，
所述步骤4)中数据中心接收到每个网格块状区域n对应的土壤墒情信息h1、气象信息w1和植物茎流信息v1后，将信息中突变的误差数据进行抛弃处理，将有效的数据储存至数据库进行存储，然后采用BP算法对进行土壤墒情预设时间后的数值进行预测。
3.根据权利要求2所述的一种沙漠化进程演变监测方法，其特征在于，
所述的BP算法依据该时间段的风速、降水量、空气温、湿度、光照、土壤墒情、植物茎流状况数据为输入变量。以预测的土壤墒情为输出量，以输出量与输入量和若干的隐含层来设计BP网络，进行BP模型训练。
4.根据权利要求1所述的一种沙漠化进程演变监测方法，其特征在于，
所述步骤5)中数据中心会将每个网格块状区域n对应的土壤墒情信息h1、气象信息w1和植物茎流信息v1分入相同的信息组进行存储，并将该网格块状区域n后续回传的信息全部分入对应信息组，数据中心对每个信息组进行BP算法计算。
5.根据权利要求4所述的一种沙漠化进程演变监测方法，其特征在于，
通过调用数据库存储的各个信息组所包含的地理位置坐标在对应位置的网格块状区域以图像显示实时变化信息；
实时变化信息包括柱形图、曲线图、饼形图和/或实时数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010796503.XA CN112733587B (zh) | 2020-08-10 | 2020-08-10 | 一种沙漠化进程演变监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010796503.XA CN112733587B (zh) | 2020-08-10 | 2020-08-10 | 一种沙漠化进程演变监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112733587A true CN112733587A (zh) | 2021-04-30 |
| CN112733587B CN112733587B (zh) | 2024-09-10 |
Family
ID=75597194
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010796503.XA Active CN112733587B (zh) | 2020-08-10 | 2020-08-10 | 一种沙漠化进程演变监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112733587B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113946796A (zh) * | 2021-09-30 | 2022-01-18 | 西安理工大学 | 一种基于条件概率高时空分辨率的干旱传播时间计算方法 |
| CN113989086A (zh) * | 2021-10-25 | 2022-01-28 | 东北林业大学 | 一种基于植物绿化的荒漠生态修复方法及管理分析系统 |
| WO2023273335A1 (zh) * | 2021-06-30 | 2023-01-05 | 浙江三一装备有限公司 | 一种风象信息预测方法、装置、终端设备及起重设备 |
| CN117037076A (zh) * | 2023-10-09 | 2023-11-10 | 中国农业科学院农田灌溉研究所 | 一种基于遥感技术的土壤墒情智能监测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102915616A (zh) * | 2012-05-11 | 2013-02-06 | 新疆大学 | 一种区域栅格累加土地沙漠化预警方法 |
| WO2013173956A1 (zh) * | 2012-05-24 | 2013-11-28 | 兰州大学 | 一种风沙流或沙尘暴环境下大气边界层湍流监测系统 |
| CN104850919A (zh) * | 2015-06-15 | 2015-08-19 | 国家电网公司 | 一种输电线路山火数值预测方法 |
| US10509987B1 (en) * | 2019-01-22 | 2019-12-17 | StradVision, Inc. | Learning method and learning device for object detector based on reconfigurable network for optimizing customers' requirements such as key performance index using target object estimating network and target object merging network, and testing method and testing device using the same |
| CN110906986A (zh) * | 2019-12-11 | 2020-03-24 | 内蒙古工业大学 | 基于物联网的草原生态监测系统和方法 |
| CN111028255A (zh) * | 2018-10-10 | 2020-04-17 | 千寻位置网络有限公司 | 基于先验信息与深度学习的农田区域预筛选方法及装置 |
-
2020
- 2020-08-10 CN CN202010796503.XA patent/CN112733587B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102915616A (zh) * | 2012-05-11 | 2013-02-06 | 新疆大学 | 一种区域栅格累加土地沙漠化预警方法 |
| WO2013173956A1 (zh) * | 2012-05-24 | 2013-11-28 | 兰州大学 | 一种风沙流或沙尘暴环境下大气边界层湍流监测系统 |
| CN104850919A (zh) * | 2015-06-15 | 2015-08-19 | 国家电网公司 | 一种输电线路山火数值预测方法 |
| CN111028255A (zh) * | 2018-10-10 | 2020-04-17 | 千寻位置网络有限公司 | 基于先验信息与深度学习的农田区域预筛选方法及装置 |
| US10509987B1 (en) * | 2019-01-22 | 2019-12-17 | StradVision, Inc. | Learning method and learning device for object detector based on reconfigurable network for optimizing customers' requirements such as key performance index using target object estimating network and target object merging network, and testing method and testing device using the same |
| CN110906986A (zh) * | 2019-12-11 | 2020-03-24 | 内蒙古工业大学 | 基于物联网的草原生态监测系统和方法 |
Non-Patent Citations (4)
| Title |
|---|
| ABDOLVAHED GHADERI等: "An artificial neural network based model to predict spatial soil type distribution using piezocone penetration test data", BULLETIN OF ENGINEERING GEOLOGY AND THE ENVIRONMENT, vol. 78, 15 October 2018 (2018-10-15), XP036866023, DOI: 10.1007/s10064-018-1400-9 * |
| 乔平林, 张继贤, 林宗坚: "基于神经网络的土地荒漠化信息提取方法研究", 测绘学报, no. 01, 25 February 2004 (2004-02-25) * |
| 吴见: "沙漠化现状定量评价遥感信息模型研究", 中国博士学位论文全文数据库 农业科技辑, no. 09, 15 September 2012 (2012-09-15) * |
| 宋豫秦;陈妍;: "荒漠化预警方法研究进展", 中国沙漠, no. 02, 15 March 2017 (2017-03-15) * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023273335A1 (zh) * | 2021-06-30 | 2023-01-05 | 浙江三一装备有限公司 | 一种风象信息预测方法、装置、终端设备及起重设备 |
| CN113946796A (zh) * | 2021-09-30 | 2022-01-18 | 西安理工大学 | 一种基于条件概率高时空分辨率的干旱传播时间计算方法 |
| CN113989086A (zh) * | 2021-10-25 | 2022-01-28 | 东北林业大学 | 一种基于植物绿化的荒漠生态修复方法及管理分析系统 |
| CN117037076A (zh) * | 2023-10-09 | 2023-11-10 | 中国农业科学院农田灌溉研究所 | 一种基于遥感技术的土壤墒情智能监测方法 |
| CN117037076B (zh) * | 2023-10-09 | 2023-12-19 | 中国农业科学院农田灌溉研究所 | 一种基于遥感技术的土壤墒情智能监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112733587B (zh) | 2024-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liang et al. | The relationship between urban form and heat island intensity along the urban development gradients | |
| Zhao et al. | Profile and concentric zonal analysis of relationships between land use/land cover and land surface temperature: Case study of Shenyang, China | |
| Yang et al. | Understanding land surface temperature impact factors based on local climate zones | |
| Das et al. | Land use-land cover (LULC) transformation and its relation with land surface temperature changes: A case study of Barrackpore Subdivision, West Bengal, India | |
| Ferreira et al. | Exploring the relationship between urban form, land surface temperature and vegetation indices in a subtropical megacity | |
| Naim et al. | Assessment of urban thermal field variance index and defining the relationship between land cover and surface temperature in Chattogram city: A remote sensing and statistical approach | |
| CN112733587B (zh) | 一种沙漠化进程演变监测方法 | |
| Tran et al. | Characterizing the relationship between land use land cover change and land surface temperature | |
| Voltersen et al. | Object-based land cover mapping and comprehensive feature calculation for an automated derivation of urban structure types at block level | |
| Haas et al. | Satellite monitoring of urbanization and environmental impacts—A comparison of Stockholm and Shanghai | |
| Wang et al. | Dynamics and changes in spatial patterns of land use in Yellow River Basin, China | |
| Emadodin et al. | Effects of urban sprawl on local climate: A case study, north central Iran | |
| Szilassi et al. | The link between landscape pattern and vegetation naturalness on a regional scale | |
| Han et al. | Using Local Climate Zones to investigate Spatio-temporal evolution of thermal environment at the urban regional level: A case study in Xi'an, China | |
| Das et al. | Analysing the dynamic relationship of land surface temperature and landuse pattern: A city level analysis of two climatic regions in India | |
| Imbrenda et al. | Indicators for the estimation of vulnerability to land degradation derived from soil compaction and vegetation cover | |
| Zhang et al. | Complex network and redundancy analysis of spatial–temporal dynamic changes and driving forces behind changes in oases within the Tarim Basin in northwestern China | |
| Taripanah et al. | Quantitative analysis of spatial distribution of land surface temperature (LST) in relation Ecohydrological, terrain and socio-economic factors based on Landsat data in mountainous area | |
| Asgarian et al. | Evaluating the spatial effectiveness of alternative urban growth scenarios in protecting cropland resources: A case of mixed agricultural-urbanized landscape in central Iran | |
| CN116757357B (zh) | 一种耦合多源遥感信息的土地生态状况评估方法 | |
| CN111489092B (zh) | 一种植物栽培种植环境适生区的评估方法及系统 | |
| Liu et al. | Spatio-temporal variability in rangeland conditions associated with climate change in the Altun Mountain National Nature Reserve on the Qinghai-Tibet Plateau over the past 15 years | |
| Dianati Tilaki et al. | Rangelands production modeling using an artificial neural network (ANN) and geographic information system (GIS) in Baladeh rangelands, North Iran | |
| Kiavarz et al. | Predicting spatial and temporal changes in surface urban heat islands using multi-temporal satellite imagery: A case study of Tehran metropolis | |
| Guo et al. | Evaluation of spatially heterogeneous driving forces of the urban heat environment based on a regression tree model |
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 |