CN112801370B - 水土流失量预测方法、装置、设备及存储介质 - Google Patents
水土流失量预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112801370B CN112801370B CN202110116139.2A CN202110116139A CN112801370B CN 112801370 B CN112801370 B CN 112801370B CN 202110116139 A CN202110116139 A CN 202110116139A CN 112801370 B CN112801370 B CN 112801370B
- Authority
- CN
- China
- Prior art keywords
- rainfall
- area
- period
- construction project
- outdoor environment
- 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 92
- 239000002689 soil Substances 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 claims abstract description 204
- 238000010276 construction Methods 0.000 claims abstract description 154
- 238000004519 manufacturing process Methods 0.000 claims abstract description 151
- 239000013598 vector Substances 0.000 claims abstract description 55
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 39
- 230000004044 response Effects 0.000 claims description 34
- 238000004162 soil erosion Methods 0.000 claims description 31
- 239000013049 sediment Substances 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 21
- 230000000877 morphologic effect Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 11
- 230000007797 corrosion Effects 0.000 claims description 7
- 238000005260 corrosion Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000010339 dilation Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000003628 erosive effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000006378 damage Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000255789 Bombyx mori Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000916 dilatatory effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000009418 renovation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种水土流失量预测方法、装置、设备及存储介质，涉及水土流失监测技术领域。方法包括：从生产建设项目在降雨时段的室外环境监控视频中截取多张室外环境监控图像；获取室外环境监控图像的图像向量，并且计算各室外环境监控图像的图像向量的平均图像向量；通过卷积神经网络模型预测降雨时段的预测标签；判断降雨时段的降雨标签是否与预测标签相同；若不相同，根据预设的补偿系数对应表获取降雨时段的补偿系数；若相同，确定降雨时段的补偿系数为1；根据以下公式P0＝∑kpi计算生产建设项目在预设时段内的总降雨量；根据以下公式A＝SHP0R确定生产建设项目在预设时段内的水土流失量。本发明能够提高生产建设项目的水土流程量预测的准确性。
Description
技术领域
本发明涉及水土流失监测技术领域，尤其涉及一种水土流失量预测方法、装置、设备及存储介质。
背景技术
水土流失预测的内涵实质上是对生产建设项目可能造成的水土流失形式、原因、程度、危害和水土流失量进行预估和推测，目的是为水土保持措施、布局提供依据。同时，应对可能破坏的水土保持设施和降低水土保持功能的数量、面积或工程量进行预测，为水土流失补偿费的计算提供依据。水土流失预测的外延就是对生产建设项目可能造成具有较大危害的水土流失进行定性和定量的分析，为项目主体选线、选址、总体布局和局部工程设计提供修正意见。如果由于水土流失可能造成难以挽回的重大环境危害，水土流失预测应为主体可行性研究或设计的修改与否决提供充分的理由。目前生产建设项目水土流失的定位观测和动态监测数据十分缺乏，如采用方法不妥或参数选取不当，则会造成很大的误差。
发明内容
本发明实施例提供了一种水土流失量预测方法、装置、设备及存储介质，旨在解决现有技术中生产建设项目的水土流失量预测不准确的问题。
第一方面，本发明实施例提供了一种水土流失量预测方法，其包括：从气象服务器获取预设的生产建设项目所在区域在预设时段内的气象数据，所述气象数据包括降雨时段以及各降雨时段的降雨量以及降雨标签；
从监控服务器获取所述生产建设项目所在区域在降雨时段的室外环境监控视频；
从所述生产建设项目所在区域在降雨时段的室外环境监控视频中截取多张室外环境监控图像；
获取所述室外环境监控图像的图像向量，并且计算各所述室外环境监控图像的图像向量的平均值得到平均图像向量；
将所述平均图像向量输入到预训练的卷积神经网络模型中，并由所述卷积神经网络模型输出所述降雨时段的预测标签，其中，所述卷积神经网络模型由标注了降雨标签的室外环境监控样本图像训练得到；
判断所述降雨时段的降雨标签是否与所述降雨时段的预测标签相同；
若所述降雨时段的降雨标签与所述降雨时段的预测标签不相同，根据预设的补偿系数对应表获取所述降雨时段的补偿系数，其中，所述补偿系数对应表用于记录降雨时段的降雨标签和预测标签与补偿系数的对应关系；
若所述降雨时段的降雨标签与所述降雨时段的预测标签相同，确定所述降雨时段的补偿系数为1；
根据以下公式P0＝∑kpi计算生产建设项目所在区域在预设时段内的总降雨量，其中，P0为总降雨量，k为降雨时段的补偿系数，pi为降雨时段的降雨量；
获取所述生产建设项目所在区域的水土流失面积以及所述生产建设项目所在区域的水样本的泥沙含量；
根据以下公式A＝SHP0R确定所述生产建设项目所在区域在所述预设时段内的水土流失量，其中，A为水土流失量，S为水土流失面积，H为泥沙含量，P0为总降雨量，R为校正系数。
其进一步的技术方案为，所述获取所述生产建设项目所在区域的水土流失面积，包括：
根据以下公式S＝BS0计算所述生产建设项目所在区域的水土流失面积，其中，S为水土流失面积，B为状态系数，S0为所述生产建设项目所在区域的实际裸露地表面积。
其进一步的技术方案为，所述从所述生产建设项目所在区域在降雨时段的室外环境监控视频中截取多张室外环境监控图像，包括：
从所述室外环境监控视频中截取预设比例的视频得到中间视频段，其中，所述中间视频段位于所述室外环境监控视频的中间；
每间隔预设时长从所述中间视频段中截取一张室外环境监控图像。
其进一步的技术方案为，所述获取所述室外环境监控图像的图像向量，包括：
依次对所述室外环境监控图像进行形态学膨胀处理以及形态学腐蚀处理以得到中间图像；
提取所述中间图像的像素值以得到所述室外环境监控图像的图像向量。
其进一步的技术方案为，所述从气象服务器获取预设的生产建设项目所在区域在预设时段内的气象数据，包括：
向所述气象服务器发送气象数据获取请求，所述气象数据获取请求包括所述生产建设项目所在区域的地址以及所述预设时段；
接收所述气象服务器返回的气象数据应答消息，所述气象数据应答消息包括所述生产建设项目所在区域在预设时段内的气象数据。
其进一步的技术方案为，所述从监控服务器获取所述生产建设项目所在区域在降雨时段的室外环境监控视频，包括：
向所述监控服务器发送监控视频获取请求，所述监控视频获取请求包括所述降雨时段；
接收所述监控服务器返回的监控视频应答消息，所述监控视频应答消息包括所述生产建设项目所在区域在降雨时段的室外环境监控视频。
其进一步的技术方案为，所述校正系数为所述生产建设项目所在区域的地表径流系数。
第二方面，本发明实施例还提供了一种水土流失量预测装置，其包括：
第一获取单元，用于从气象服务器获取预设的生产建设项目所在区域在预设时段内的气象数据，所述气象数据包括降雨时段以及各降雨时段的降雨量以及降雨标签；
第二获取单元，用于从监控服务器获取所述生产建设项目所在区域在降雨时段的室外环境监控视频；
截取单元，用于从所述生产建设项目所在区域在降雨时段的室外环境监控视频中截取多张室外环境监控图像；
第三获取单元，用于获取所述室外环境监控图像的图像向量，并且计算各所述室外环境监控图像的图像向量的平均值得到平均图像向量；
输入单元，用于将所述平均图像向量输入到预训练的卷积神经网络模型中，并由所述卷积神经网络模型输出所述降雨时段的预测标签，其中，所述卷积神经网络模型由标注了降雨标签的室外环境监控样本图像训练得到；
判断单元，用于判断所述降雨时段的降雨标签是否与所述降雨时段的预测标签相同；
第四获取单元，用于若所述降雨时段的降雨标签与所述降雨时段的预测标签不相同，根据预设的补偿系数对应表获取所述降雨时段的补偿系数，其中，所述补偿系数对应表用于记录降雨时段的降雨标签和预测标签与补偿系数的对应关系；
确定单元，用于若所述降雨时段的降雨标签与所述降雨时段的预测标签相同，确定所述降雨时段的补偿系数为1；
第一计算单元，用于根据以下公式P0＝∑kpi计算生产建设项目所在区域在预设时段内的总降雨量，其中，P0为总降雨量，k为降雨时段的补偿系数，pi为降雨时段的降雨量；
第五获取单元，用于获取所述生产建设项目所在区域的水土流失面积以及所述生产建设项目所在区域的水样本的泥沙含量；
第二计算单元，用于根据以下公式A＝SHP0R计算所述生产建设项目所在区域在所述预设时段内的水土流失量，其中，A为水土流失量，S为水土流失面积，H为泥沙含量，P0为总降雨量，R为校正系数。
第三方面，本发明实施例还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现上述方法。
本发明能够达到的技术效果包括：
本发明的技术方案，通过对生产建设项目所在区域进行实时监控，并通过采集到的的室外环境监控图像；基于预训练的卷积神经网络模型，得到降雨情况的预测标签，并进一步根据该预测标签对生产建设项目所在区域的实际降雨量进行校准，从而能够更加准确的获取生产建设项目所在区域的降雨量，从而提高了水土流失量预测的准确性。同时，水土流失量的预测综合考虑了水土流失面积、泥沙含量、总降雨量以及校正系数(地表径流系数)等多方面因素，使得水土流失量的预测可信度更高，适合于各种类型的生产建设项目，适应性更广。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种水土流失量预测方法的流程示意图；
图2为本发明实施例提供的一种水土流失量预测方法的子流程示意图；
图3为本发明实施例提供的一种水土流失量预测方法的子流程示意图；
图4为本发明实施例提供的一种水土流失量预测方法的子流程示意图；
图5为本发明实施例提供的一种水土流失量预测方法的子流程示意图；
图6为本发明实施例提供的一种水土流失量预测装置的示意性框图；
图7为本发明实施例提供的一种计算机设备的示意性框图。
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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
请参阅图1，图1是本发明实施例提供的水土流失量预测方法的流程示意图。本发明可应用于智慧城市建设场景中。如图所示，该方法包括以下步骤：S1-S11。
S1，从气象服务器获取预设的生产建设项目所在区域在预设时段内的气象数据，所述气象数据包括降雨时段以及各降雨时段的降雨量以及降雨标签。
具体实施中，预设时段是指用户设定的监控时段，例如，最近一个月，预设时段可由用户任意指定，对此本发明不做具体限定。生产建设项目可例如为房屋、铁路等建设项目。
气象服务器中储存有全国各地的气象数据，气象数据包括降雨时段以及各降雨时段的降雨量以及降雨标签。降雨时段是指降雨的时间段。降雨标签由用户设定，例如，在本实施例中，降雨标签包括小雨、中雨、大雨以及暴雨。
参见图2，在一实施例中，以上步骤S1具体包括如下步骤：S11-S12。
S11，向所述气象服务器发送气象数据获取请求，所述气象数据获取请求包括所述生产建设项目所在区域的地址以及所述预设时段。
具体实施中，向所述气象服务器发送气象数据获取请求，所述气象数据获取请求包括所述生产建设项目所在区域的地址以及所述预设时段。
相应地，气象服务器根据所述生产建设项目所在区域的地址检索所述生产建设项目所在区域在所述预设时段内的气象数据，并将气象数据返回。
S12，接收所述气象服务器返回的气象数据应答消息，所述气象数据应答消息包括所述生产建设项目所在区域在预设时段内的气象数据。
具体实施中，接收所述气象服务器返回的气象数据应答消息，其中，所述气象数据应答消息包括所述生产建设项目所在区域在预设时段内的气象数据。由此，可从所述气象数据应答消息中获取所述生产建设项目所在区域在预设时段内的气象数据。
S2，从监控服务器获取所述生产建设项目所在区域在降雨时段的室外环境监控视频。
具体实施中，预先在生产建设项目所在区域的现场布置监控摄像头，监控摄像头配备有光源，以提高监控摄像头的拍摄清晰度，同时降低外部自然光线变化对拍摄效果的影响。监控摄像头的拍摄视角是固定的，且尽量对准固定不变的背景。由此拍摄到的照片背景也是固定的，不同之处仅在于降雨情况。由监控摄像头拍摄到的室外环境监控视频均发送给监控服务器，以由监控服务器统一管理。
在获取到降雨时段后，从监控服务器获取所述生产建设项目所在区域在降雨时段的室外环境监控视频。
参见图3，在一实施例中，以上步骤S2具体包括如下步骤：S21-S22。
S21，向所述监控服务器发送监控视频获取请求，所述监控视频获取请求包括所述降雨时段。
具体实施中，向所述监控服务器发送监控视频获取请求，所述监控视频获取请求包括所述降雨时段。
相应地，监控服务器根据所述降雨时段提取对应的室外环境监控视频，并将所述室外环境监控视频返回。
S22，接收所述监控服务器返回的监控视频应答消息，所述监控视频应答消息包括所述生产建设项目所在区域在降雨时段的室外环境监控视频。
具体实施中，接收所述监控服务器返回的监控视频应答消息，所述监控视频应答消息包括所述生产建设项目所在区域在降雨时段的室外环境监控视频。由此，可从所述监控视频应答消息中提取所述生产建设项目所在区域在降雨时段的室外环境监控视频。
S3，从所述生产建设项目所在区域在降雨时段的室外环境监控视频中截取多张室外环境监控图像。
具体实施中，从所述生产建设项目所在区域在降雨时段的室外环境监控视频中截取多张室外环境监控图像。为了全面了解降雨情况，各室外环境监控图像可间隔一定的时间间隔，避免过于集中。
参见图4，在一实施例中，以上步骤S3具体包括如下步骤：S31-S32。
S31，从所述室外环境监控视频中截取预设比例的视频得到中间视频段，其中，所述中间视频段位于所述室外环境监控视频的中间。
具体实施中，降雨的初期以及末期不能准确反映实际降雨情况，为此，在本实施例中，从所述室外环境监控视频中截取预设比例的视频得到中间视频段，其中，所述中间视频段位于所述室外环境监控视频的中间。需要说明的是预设比例，可由本领域技术人员设定，例如，设定为60％(即室外环境监控视频首尾各去20％，只取中间的60％作为中间视频段)，对此本发明不做具体限定。
为了更好阐述，举例如下：在一实施例中，下雨时段为12:00-17:00，预设比例为60％，则中间视频段为13:00-16:00的视频。
S32，每间隔预设时长从所述中间视频段中截取一张室外环境监控图像。
具体实施中，从所述中间视频段的起点开始，每间隔预设时长从所述中间视频段中截取一张室外环境监控图像。预设时长，可由本领域技术人员设定，例如，设定为5min。
S4，获取所述室外环境监控图像的图像向量，并且计算各所述室外环境监控图像的图像向量的平均值得到平均图像向量。
具体实施中，获取所述室外环境监控图像的图像向量，并且计算各所述室外环境监控图像的图像向量的平均值得到平均图像向量。即将所述室外环境监控图像转换为向量，从而能够被卷积神经网络模型读取。
需要说明的是，室外环境监控视频是由同一台摄像机在用一个视角下拍摄得到的，即各室外环境监控图像的拍摄视角相同。因此，各室外环境监控图像的内容是大致相同的，不同点仅在于降雨情况，从而将各所述室外环境监控图像的图像向量的平均后，能够反应平均降雨情况。
参见图5，在于实施例中，以上步骤S4具体包括：S41-S42。
S41，依次对所述室外环境监控图像进行形态学膨胀处理以及形态学腐蚀处理以得到中间图像。
具体实施中，对所述室外环境监控图像进行图像形态学处理得到中间图像。图像形态学处理包括图像形态学膨胀(dilation)处理和图像形态学腐蚀(erosion)处理。
图像形态学处理都是对图像的白色部分(高亮部分)而言。图像形态学膨胀处理是指图像中的高亮部分进行膨胀，类似于领域扩张，膨胀处理后的效果图拥有比原图更大的高亮区域。
图像形态学腐蚀处理是对原图的高亮部分被腐蚀，类似于领域被蚕食，腐蚀处理后的效果图拥有比原图更小的高亮区域。
通过对室外环境监控图像先进行图像形态学膨胀处理后再进行图像形态学腐蚀处理，能够减少室外环境监控图像中的噪点。
S42，提取所述中间图像的像素值以得到所述室外环境监控图像的图像向量。
具体实施中，中间图像是由多个像素组成的，像素的颜色由红(Red)、绿(Green)、蓝(Blue)三原色的色光以不同的比例相加得到。则每个像素可表示为(a,b,c)，其中a为红的比例，b为绿的比例，c为蓝的比例。则分别提取每个像素的a、b、c值可得到三个特征矩阵。此三个特征矩阵组成的三维张量即为室外环境监控图像的图像向量。图像向量为卷积神经网络模型能够识别的数据。
S5，将所述平均图像向量输入到预训练的卷积神经网络模型中，并由所述卷积神经网络模型输出所述降雨时段的预测标签，其中，所述卷积神经网络模型由标注了降雨标签的室外环境监控样本图像训练得到。
具体实施中，预先通过大量经过标注降雨标签的室外环境监控样本图像来对卷积神经网络模型进行训练，使得卷积神经网络模型具有识别降雨标签的能力。
之后，将所述平均图像向量输入到训练后的卷积神经网络模型中，并由所述卷积神经网络模型输出所述降雨时段的预测标签。
需要说明的是，在训练卷积神经网络模型时，可将样本数据集划分为两部分，其中一部分样本数据用于训练，另一部分样本数据用于验证。在准确率高于95％说明模型的可以投入使用。
卷积神经网络模型的训练方法可采用反向传播算法(Backpropagationalgorithm，简称:BP算法)。反向传播算法是一种监督学习算法，常被用来训练神经网络。通过反向传播算法训练能够使得卷积神经网络模型的准确性更高。
在卷积神经网络模型训练完成后，将所述平均图像向量输入到预训练的卷积神经网络模型中，并由所述卷积神经网络模型输出所述降雨时段的预测标签。
S6，判断所述降雨时段的降雨标签是否与所述降雨时段的预测标签相同。
具体实施中，从气象服务器获取到的降雨标签反应的是生产建设项目所在区域内的平均情况，其无法准确反应生产建设项目所在区域实际的降雨情况，因此，本方案需要对降雨情况进行校准。
具体地，判断所述降雨时段的降雨标签是否与所述降雨时段的预测标签相同。若相同，则说明气象服务器的数据准确，若不相同，则说明气象服务器的数据不准确。
S7，若所述降雨时段的降雨标签与所述降雨时段的预测标签不相同，根据预设的补偿系数对应表获取所述降雨时段的补偿系数，其中，所述补偿系数对应表用于记录降雨时段的降雨标签和预测标签与补偿系数的对应关系。
具体实施中，若所述降雨时段的降雨标签与所述降雨时段的预测标签不相同，根据预设的补偿系数对应表获取所述降雨时段的补偿系数。
其中，所述补偿系数对应表用于记录降雨时段的降雨标签和预测标签与补偿系数的对应关系。
补偿系数对应表可由本领域技术人员根据经验确定，对此本发明不做具体限定。
例如，在一实施例中，补偿系数表对应如下表1：
表1.补偿系数表
在一实施例中降雨标签为中雨，预测标签为大雨，则从上述补偿系数表可知，补偿系数为1.25。
S8，若所述降雨时段的降雨标签与所述降雨时段的预测标签相同，确定所述降雨时段的补偿系数为1。
具体实施中，若所述降雨时段的降雨标签与所述降雨时段的预测标签相同，确定所述降雨时段的补偿系数为1，即确认气象服务器的降雨数据准确。
S9，根据以下公式P0＝∑kpi计算生产建设项目所在区域在预设时段内的总降雨量，其中，P0为总降雨量，k为降雨时段的补偿系数，pi为降雨时段的降雨量。
具体实施中，根据以下公式P0＝∑kpi计算生产建设项目所在区域在预设时段内的总降雨量.
其中，P0为总降雨量，k为降雨时段的补偿系数，pi为降雨时段的降雨量。通过以上公式P0＝∑kpi可知，每个降雨时段内的降雨量与补偿系数的乘积累加后得到总降雨量。
S10，获取所述生产建设项目所在区域的水土流失面积以及所述生产建设项目所在区域的水样本的泥沙含量。
具体实施中，获取所述生产建设项目所在区域的水土流失面积以及所述生产建设项目所在区域的水样本的泥沙含量。需要说明的是，生产建设项目所在区域的水土流失面积以及所述生产建设项目所在区域的水样本的泥沙含量通过实测得到，并由用户输入。
在一实施例中，以上步骤S10具体包括：根据以下公式S＝BS0计算所述生产建设项目所在区域的水土流失面积，其中，S为水土流失面积，B为状态系数，S0为所述生产建设项目所在区域的实际裸露地表面积。
状态系数根据按照所述生产建设项目的所属状态确定，具体地，一般的生产建设项目处于场地平整期状态系数为1；基坑开挖初期状态系数为0.8；基坑开挖基本完成后状态系数为0.2；主体施工期状态系数为1。同时，对于道路、管网、水库及整治工程等特殊的生产建设项目其状态系数均为1。
S11，根据以下公式A＝SHP0R确定所述生产建设项目所在区域在所述预设时段内的水土流失量，其中，A为水土流失量，S为水土流失面积，H为泥沙含量，P0为总降雨量，R为校正系数。
具体实施中，根据以下公式A＝SHP0R确定所述生产建设项目所在区域在所述预设时段内的水土流失量，其中，A为水土流失量，S为水土流失面积，H为泥沙含量，P0为总降雨量，R为校正系数。
需要说明的是，校正系数为所述生产建设项目所在区域的地表径流系数。地表径流系数，综合反映了流域内自然地理要素对降水-径流关系的影响。地表径流系数有本领域技术人员根据生产建设项目所在区域实际的土地情况，并查询地表径流系数经验值表后确定。
本发明的技术方案，通过对生产建设项目所在区域进行实时监控，并通过采集到的的室外环境监控图像；基于预训练的卷积神经网络模型，得到降雨情况的预测标签，并进一步根据该预测标签对生产建设项目所在区域的实际降雨量进行校准，从而能够更加准确的获取生产建设项目所在区域的降雨量，从而提高了水土流失量预测的准确性。同时，水土流失量的预测综合考虑了水土流失面积、泥沙含量、总降雨量以及校正系数(地表径流系数)等多方面因素，使得水土流失量的预测可信度更高，适合于各种类型的生产建设项目，适应性更广。
参见图6，图6是本发明实施例提供的一种水土流失量预测装置70的示意性框图。对应于以上水土流失量预测方法，本发明还提供一种水土流失量预测装置70。该水土流失量预测装置70包括用于执行上述水土流失量预测方法的单元，该水土流失量预测装置70可以被配置于台式电脑、平板电脑、手提电脑、等终端或者服务器中。具体地，该水土流失量预测装置70包括：
第一获取单元71，用于从气象服务器获取预设的生产建设项目所在区域在预设时段内的气象数据，所述气象数据包括降雨时段以及各降雨时段的降雨量以及降雨标签；
第二获取单元72，用于从监控服务器获取所述生产建设项目所在区域在降雨时段的室外环境监控视频；
截取单元73，用于从所述生产建设项目所在区域在降雨时段的室外环境监控视频中截取多张室外环境监控图像；
第三获取单元74，用于获取所述室外环境监控图像的图像向量，并且计算各所述室外环境监控图像的图像向量的平均值得到平均图像向量；
输入单元75，用于将所述平均图像向量输入到预训练的卷积神经网络模型中，并由所述卷积神经网络模型输出所述降雨时段的预测标签，其中，所述卷积神经网络模型由标注了降雨标签的室外环境监控样本图像训练得到；
判断单元76，用于判断所述降雨时段的降雨标签是否与所述降雨时段的预测标签相同；
第四获取单元77，用于若所述降雨时段的降雨标签与所述降雨时段的预测标签不相同，根据预设的补偿系数对应表获取所述降雨时段的补偿系数，其中，所述补偿系数对应表用于记录降雨时段的降雨标签和预测标签与补偿系数的对应关系；
确定单元78，用于若所述降雨时段的降雨标签与所述降雨时段的预测标签相同，确定所述降雨时段的补偿系数为1；
第一计算单元79，用于根据以下公式P0＝∑kpi计算生产建设项目所在区域在预设时段内的总降雨量，其中，P0为总降雨量，k为降雨时段的补偿系数，pi为降雨时段的降雨量；
第五获取单元710，用于获取所述生产建设项目所在区域的水土流失面积以及所述生产建设项目所在区域的水样本的泥沙含量；
第二计算单元711，用于根据以下公式A＝SHP0R计算所述生产建设项目所在区域在所述预设时段内的水土流失量，其中，A为水土流失量，S为水土流失面积，H为泥沙含量，P0为总降雨量，R为校正系数。
在一实施例中，所述获取所述生产建设项目所在区域的水土流失面积，包括：
根据以下公式S＝BS0计算所述生产建设项目所在区域的水土流失面积，其中，S为水土流失面积，B为状态系数，S0为所述生产建设项目所在区域的实际裸露地表面积。
在一实施例中，所述从所述生产建设项目所在区域在降雨时段的室外环境监控视频中截取多张室外环境监控图像，包括：
从所述室外环境监控视频中截取预设比例的视频得到中间视频段，其中，所述中间视频段位于所述室外环境监控视频的中间；
每间隔预设时长从所述中间视频段中截取一张室外环境监控图像。
在一实施例中，所述获取所述室外环境监控图像的图像向量，包括：
依次对所述室外环境监控图像进行形态学膨胀处理以及形态学腐蚀处理以得到中间图像；
提取所述中间图像的像素值以得到所述室外环境监控图像的图像向量。
在一实施例中，所述从气象服务器获取预设的生产建设项目所在区域在预设时段内的气象数据，包括：
向所述气象服务器发送气象数据获取请求，所述气象数据获取请求包括所述生产建设项目所在区域的地址以及所述预设时段；
接收所述气象服务器返回的气象数据应答消息，所述气象数据应答消息包括所述生产建设项目所在区域在预设时段内的气象数据。
在一实施例中，所述从监控服务器获取所述生产建设项目所在区域在降雨时段的室外环境监控视频，包括：
向所述监控服务器发送监控视频获取请求，所述监控视频获取请求包括所述降雨时段；
接收所述监控服务器返回的监控视频应答消息，所述监控视频应答消息包括所述生产建设项目在降雨时段的室外环境监控视频。
在一实施例中，所述校正系数为所述生产建设项目的地表径流系数。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述水土流失量预测装置70和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述水土流失量预测装置70可以实现为一种计算机程序的形式，该计算机程序可以在如图7所示的计算机设备上运行。
请参阅图7，图7是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端，也可以是服务器，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行一种水土流失量预测方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种水土流失量预测方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，上述结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：
从气象服务器获取预设的生产建设项目在预设时段内的气象数据，所述气象数据包括降雨时段以及各降雨时段的降雨量以及降雨标签；
从监控服务器获取所述生产建设项目所在区域在降雨时段的室外环境监控视频；
从所述生产建设项目所在区域在降雨时段的室外环境监控视频中截取多张室外环境监控图像；
获取所述室外环境监控图像的图像向量，并且计算各所述室外环境监控图像的图像向量的平均值得到平均图像向量；
将所述平均图像向量输入到预训练的卷积神经网络模型中，并由所述卷积神经网络模型输出所述降雨时段的预测标签，其中，所述卷积神经网络模型由标注了降雨标签的室外环境监控样本图像训练得到；
判断所述降雨时段的降雨标签是否与所述降雨时段的预测标签相同；
若所述降雨时段的降雨标签与所述降雨时段的预测标签不相同，根据预设的补偿系数对应表获取所述降雨时段的补偿系数，其中，所述补偿系数对应表用于记录降雨时段的降雨标签和预测标签与补偿系数的对应关系；
若所述降雨时段的降雨标签与所述降雨时段的预测标签相同，确定所述降雨时段的补偿系数为1；
根据以下公式P0＝∑kpi计算生产建设项目所在区域在预设时段内的总降雨量，其中，P0为总降雨量，k为降雨时段的补偿系数，pi为降雨时段的降雨量；
获取所述生产建设项目所在区域的水土流失面积以及所述生产建设项目所在区域的水样本的泥沙含量；
根据以下公式A＝SHP0R确定所述生产建设项目所在区域在所述预设时段内的水土流失量，其中，A为水土流失量，S为水土流失面积，H为泥沙含量，P0为总降雨量，R为校正系数。
在一实施例中，所述获取所述生产建设项目所在区域的水土流失面积，包括：
根据以下公式S＝BS0计算所述生产建设项目所在区域的水土流失面积，其中，S为水土流失面积，B为状态系数，S0为所述生产建设项目所在区域的实际裸露地表面积。
在一实施例中，所述从所述生产建设项目所在区域在降雨时段的室外环境监控视频中截取多张室外环境监控图像，包括：
从所述室外环境监控视频中截取预设比例的视频得到中间视频段，其中，所述中间视频段位于所述室外环境监控视频的中间；
每间隔预设时长从所述中间视频段中截取一张室外环境监控图像。
在一实施例中，所述获取所述室外环境监控图像的图像向量，包括：
依次对所述室外环境监控图像进行形态学膨胀处理以及形态学腐蚀处理以得到中间图像；
提取所述中间图像的像素值以得到所述室外环境监控图像的图像向量。
在一实施例中，所述从气象服务器获取预设的生产建设项目所在区域在预设时段内的气象数据，包括：
向所述气象服务器发送气象数据获取请求，所述气象数据获取请求包括所述生产建设项目所在区域的地址以及所述预设时段；
接收所述气象服务器返回的气象数据应答消息，所述气象数据应答消息包括所述生产建设项目所在区域在预设时段内的气象数据。
在一实施例中，所述从监控服务器获取所述生产建设项目所在区域在降雨时段的室外环境监控视频，包括：
向所述监控服务器发送监控视频获取请求，所述监控视频获取请求包括所述降雨时段；
接收所述监控服务器返回的监控视频应答消息，所述监控视频应答消息包括所述生产建设项目所在区域在降雨时段的室外环境监控视频。
在一实施例中，所述校正系数为所述生产建设项目所在区域的地表径流系数。
应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal 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。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序。该计算机程序被处理器执行时使处理器执行如下步骤：
从气象服务器获取预设的生产建设项目所在区域在预设时段内的气象数据，所述气象数据包括降雨时段以及各降雨时段的降雨量以及降雨标签；
从监控服务器获取所述生产建设项目所在区域在降雨时段的室外环境监控视频；
从所述生产建设项目所在区域在降雨时段的室外环境监控视频中截取多张室外环境监控图像；
获取所述室外环境监控图像的图像向量，并且计算各所述室外环境监控图像的图像向量的平均值得到平均图像向量；
将所述平均图像向量输入到预训练的卷积神经网络模型中，并由所述卷积神经网络模型输出所述降雨时段的预测标签，其中，所述卷积神经网络模型由标注了降雨标签的室外环境监控样本图像训练得到；
判断所述降雨时段的降雨标签是否与所述降雨时段的预测标签相同；
若所述降雨时段的降雨标签与所述降雨时段的预测标签不相同，根据预设的补偿系数对应表获取所述降雨时段的补偿系数，其中，所述补偿系数对应表用于记录降雨时段的降雨标签和预测标签与补偿系数的对应关系；
若所述降雨时段的降雨标签与所述降雨时段的预测标签相同，确定所述降雨时段的补偿系数为1；
根据以下公式P0＝∑kpi计算生产建设项目所在区域在预设时段内的总降雨量，其中，P0为总降雨量，k为降雨时段的补偿系数，pi为降雨时段的降雨量；
获取所述生产建设项目所在区域的水土流失面积以及所述生产建设项目所在区域的水样本的泥沙含量；
根据以下公式A＝SHP0R确定所述生产建设项目所在区域在所述预设时段内的水土流失量，其中，A为水土流失量，S为水土流失面积，H为泥沙含量，P0为总降雨量，R为校正系数。
在一实施例中，所述获取所述生产建设项目所在区域的水土流失面积，包括：
根据以下公式S＝BS0计算所述生产建设项目所在区域的水土流失面积，其中，S为水土流失面积，B为状态系数，S0为所述生产建设项目所在区域的实际裸露地表面积。
在一实施例中，所述从所述生产建设项目所在区域在降雨时段的室外环境监控视频中截取多张室外环境监控图像，包括：
从所述室外环境监控视频中截取预设比例的视频得到中间视频段，其中，所述中间视频段位于所述室外环境监控视频的中间；
每间隔预设时长从所述中间视频段中截取一张室外环境监控图像。
在一实施例中，所述获取所述室外环境监控图像的图像向量，包括：
依次对所述室外环境监控图像进行形态学膨胀处理以及形态学腐蚀处理以得到中间图像；
提取所述中间图像的像素值以得到所述室外环境监控图像的图像向量。
在一实施例中，所述从气象服务器获取预设的生产建设项目所在区域在预设时段内的气象数据，包括：
向所述气象服务器发送气象数据获取请求，所述气象数据获取请求包括所述生产建设项目所在区域的地址以及所述预设时段；
接收所述气象服务器返回的气象数据应答消息，所述气象数据应答消息包括所述生产建设项目所在区域在预设时段内的气象数据。
在一实施例中，所述从监控服务器获取所述生产建设项目所在区域在降雨时段的室外环境监控视频，包括：
向所述监控服务器发送监控视频获取请求，所述监控视频获取请求包括所述降雨时段；
接收所述监控服务器返回的监控视频应答消息，所述监控视频应答消息包括所述生产建设项目所在区域在降雨时段的室外环境监控视频。
在一实施例中，所述校正系数为所述生产建设项目所在区域的地表径流系数。
所述存储介质为实体的、非瞬时性的存储介质，例如可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的实体存储介质。所述计算机可读存储介质可以是非易失性，也可以是易失性。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅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。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。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，也可以是两个或两个以上单元集成在一个单元中。
该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(可以是个人计算机，终端，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。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，尚且本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种水土流失量预测方法，其特征在于，包括：
从气象服务器获取预设的生产建设项目所在区域在预设时段内的气象数据，所述气象数据包括降雨时段以及各降雨时段的降雨量以及降雨标签；
从监控服务器获取所述生产建设项目所在区域在降雨时段的室外环境监控视频；
从所述生产建设项目所在区域在降雨时段的室外环境监控视频中截取多张室外环境监控图像；
获取所述室外环境监控图像的图像向量，并且计算各所述室外环境监控图像的图像向量的平均值得到平均图像向量；
将所述平均图像向量输入到预训练的卷积神经网络模型中，并由所述卷积神经网络模型输出所述降雨时段的预测标签，其中，所述卷积神经网络模型由标注了降雨标签的室外环境监控样本图像训练得到；
判断所述降雨时段的降雨标签是否与所述降雨时段的预测标签相同；
若所述降雨时段的降雨标签与所述降雨时段的预测标签不相同，根据预设的补偿系数对应表获取所述降雨时段的补偿系数，其中，所述补偿系数对应表用于记录降雨时段的降雨标签和预测标签与补偿系数的对应关系；
若所述降雨时段的降雨标签与所述降雨时段的预测标签相同，确定所述降雨时段的补偿系数为1；
根据以下公式P0＝∑kpi计算生产建设项目所在区域在预设时段内的总降雨量，其中，P0为总降雨量，k为降雨时段的补偿系数，pi为降雨时段的降雨量；
获取所述生产建设项目所在区域的水土流失面积以及所述生产建设项目所在区域的水样本的泥沙含量；
根据以下公式A＝SHP0R确定所述生产建设项目所在区域在所述预设时段内的水土流失量，其中，A为水土流失量，S为水土流失面积，H为泥沙含量，P0为总降雨量，R为校正系数。
2.根据权利要求1所述的水土流失量预测方法，其特征在于，所述获取所述生产建设项目所在区域的水土流失面积，包括：
根据以下公式S＝BS0计算所述生产建设项目所在区域的水土流失面积，其中，S为水土流失面积，B为状态系数，S0为所述生产建设项目所在区域的实际裸露地表面积。
3.根据权利要求1所述的水土流失量预测方法，其特征在于，所述从所述生产建设项目所在区域在降雨时段的室外环境监控视频中截取多张室外环境监控图像，包括：
从所述室外环境监控视频中截取预设比例的视频得到中间视频段，其中，所述中间视频段位于所述室外环境监控视频的中间；
每间隔预设时长从所述中间视频段中截取一张室外环境监控图像。
4.根据权利要求1所述的水土流失量预测方法，其特征在于，所述获取所述室外环境监控图像的图像向量，包括：
依次对所述室外环境监控图像进行形态学膨胀处理以及形态学腐蚀处理以得到中间图像；
提取所述中间图像的像素值以得到所述室外环境监控图像的图像向量。
5.根据权利要求1所述的水土流失量预测方法，其特征在于，所述从气象服务器获取预设的生产建设项目所在区域在预设时段内的气象数据，包括：
向所述气象服务器发送气象数据获取请求，所述气象数据获取请求包括所述生产建设项目所在区域的地址以及所述预设时段；
接收所述气象服务器返回的气象数据应答消息，所述气象数据应答消息包括所述生产建设项目所在区域在预设时段内的气象数据。
6.根据权利要求1所述的水土流失量预测方法，其特征在于，所述从监控服务器获取所述生产建设项目所在区域在降雨时段的室外环境监控视频，包括：
向所述监控服务器发送监控视频获取请求，所述监控视频获取请求包括所述降雨时段；
接收所述监控服务器返回的监控视频应答消息，所述监控视频应答消息包括所述生产建设项目所在区域在降雨时段的室外环境监控视频。
7.根据权利要求1所述的水土流失量预测方法，其特征在于，所述校正系数为所述生产建设项目所在区域的地表径流系数。
8.一种水土流失量预测装置，其特征在于，包括：
第一获取单元，用于从气象服务器获取预设的生产建设项目所在区域在预设时段内的气象数据，所述气象数据包括降雨时段以及各降雨时段的降雨量以及降雨标签；
第二获取单元，用于从监控服务器获取所述生产建设项目所在区域在降雨时段的室外环境监控视频；
截取单元，用于从所述生产建设项目所在区域在降雨时段的室外环境监控视频中截取多张室外环境监控图像；
第三获取单元，用于获取所述室外环境监控图像的图像向量，并且计算各所述室外环境监控图像的图像向量的平均值得到平均图像向量；
输入单元，用于将所述平均图像向量输入到预训练的卷积神经网络模型中，并由所述卷积神经网络模型输出所述降雨时段的预测标签，其中，所述卷积神经网络模型由标注了降雨标签的室外环境监控样本图像训练得到；
判断单元，用于判断所述降雨时段的降雨标签是否与所述降雨时段的预测标签相同；
第四获取单元，用于若所述降雨时段的降雨标签与所述降雨时段的预测标签不相同，根据预设的补偿系数对应表获取所述降雨时段的补偿系数，其中，所述补偿系数对应表用于记录降雨时段的降雨标签和预测标签与补偿系数的对应关系；
确定单元，用于若所述降雨时段的降雨标签与所述降雨时段的预测标签相同，确定所述降雨时段的补偿系数为1；
第一计算单元，用于根据以下公式P0＝∑kpi计算生产建设项目所在区域在预设时段内的总降雨量，其中，P0为总降雨量，k为降雨时段的补偿系数，pi为降雨时段的降雨量；
第五获取单元，用于获取所述生产建设项目所在区域的水土流失面积以及所述生产建设项目所在区域的水样本的泥沙含量；
第二计算单元，用于根据以下公式A＝SHP0R计算所述生产建设项目所在区域在所述预设时段内的水土流失量，其中，A为水土流失量，S为水土流失面积，H为泥沙含量，P0为总降雨量，R为校正系数。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110116139.2A CN112801370B (zh) | 2021-01-28 | 2021-01-28 | 水土流失量预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110116139.2A CN112801370B (zh) | 2021-01-28 | 2021-01-28 | 水土流失量预测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112801370A CN112801370A (zh) | 2021-05-14 |
| CN112801370B true CN112801370B (zh) | 2021-09-07 |
Family
ID=75812438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110116139.2A Active CN112801370B (zh) | 2021-01-28 | 2021-01-28 | 水土流失量预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112801370B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113935096B (zh) * | 2021-10-26 | 2024-07-23 | 浙江中诚工程管理科技有限公司 | 一种基坑变形实时监测方法及系统 |
| CN115267142B (zh) * | 2022-09-27 | 2022-12-02 | 深圳市深水水务咨询有限公司 | 基于数据分析的水土流失动态监测预警系统及方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102749263A (zh) * | 2012-07-10 | 2012-10-24 | 苏芳莉 | 一种用于开发建设项目弃土流失量测定的方法及设备 |
| CN111047096A (zh) * | 2019-12-16 | 2020-04-21 | 江西遥览科技有限公司 | 一种区域水土流失日预报算法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102789674B (zh) * | 2011-05-17 | 2014-07-02 | 宝鸡市博远信航电子科技有限责任公司 | 一种地质灾害联网监测预警系统 |
| CN106289387B (zh) * | 2016-06-25 | 2019-01-25 | 西北大学 | 一种地质环境监测系统 |
| CN106501486B (zh) * | 2016-11-09 | 2019-04-12 | 贵州师范大学 | 一种可调节式喀斯特地下水土流失模拟装置 |
-
2021
- 2021-01-28 CN CN202110116139.2A patent/CN112801370B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102749263A (zh) * | 2012-07-10 | 2012-10-24 | 苏芳莉 | 一种用于开发建设项目弃土流失量测定的方法及设备 |
| CN111047096A (zh) * | 2019-12-16 | 2020-04-21 | 江西遥览科技有限公司 | 一种区域水土流失日预报算法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112801370A (zh) | 2021-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110276767B (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
| CN112801370B (zh) | 水土流失量预测方法、装置、设备及存储介质 | |
| WO2018237082A1 (en) | LOCAL METEOROLOGICAL FORECAST | |
| CN113344910B (zh) | 缺陷标注图像的生成方法、装置、计算机设备及存储介质 | |
| CN109326087B (zh) | 一种基于排水管网监测的城市内涝预警方法及装置 | |
| Yang et al. | Applying image recording and identification for measuring water stages to prevent flood hazards | |
| CN112734494A (zh) | 一种销量预测方法、装置、终端设备及可读存储介质 | |
| US20190311492A1 (en) | Image foreground detection apparatus and method and electronic device | |
| CN107452019B (zh) | 一种基于模型切换的目标检测方法、装置、系统及存储介质 | |
| CN114494826A (zh) | 一种多水尺水位识别方法、系统、电子设备以及可存储介质 | |
| CN110866911B (zh) | 表盘缺陷检测方法、装置、图像处理设备及存储介质 | |
| CN113792690A (zh) | 车道线检测方法和装置 | |
| EP3665512B1 (en) | Real-time computation of an atmospheric precipitation rate from a digital image of an environment where an atmospheric precipitation is taking place | |
| WO2020188692A1 (ja) | 水位計測装置、水位計測方法および水位計測プログラム | |
| JP4108593B2 (ja) | 浸水監視装置 | |
| Wang et al. | Automatic detection for the world's rarest primates based on a tropical rainforest environment | |
| CN110942026B (zh) | 基于深度学习的胶囊机器人排水管病害检测方法及系统 | |
| CN115236643A (zh) | 一种传感器标定方法、系统、装置、电子设备及介质 | |
| CN114119389A (zh) | 一种图像复原方法、系统和存储模块 | |
| CN113808151A (zh) | 直播图像的弱语义轮廓检测方法、装置、设备及存储介质 | |
| CN112380938A (zh) | 一种人脸识别及测温方法、装置、设备及介质 | |
| CN113808040A (zh) | 直播图像的轮廓矫正方法、装置、设备及存储介质 | |
| JP2005106744A (ja) | 画像解析装置 | |
| CN117726666B (zh) | 跨相机单目图片度量深度估计方法、装置、设备及介质 | |
| CN114202542B (zh) | 一种能见度反演方法、装置、计算机设备及存储介质 |
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 |