CN113158588B - 一种崩岗内部沟道识别与预测的方法及装置 - Google Patents

一种崩岗内部沟道识别与预测的方法及装置 Download PDF

Info

Publication number
CN113158588B
CN113158588B CN202110072337.3A CN202110072337A CN113158588B CN 113158588 B CN113158588 B CN 113158588B CN 202110072337 A CN202110072337 A CN 202110072337A CN 113158588 B CN113158588 B CN 113158588B
Authority
CN
China
Prior art keywords
channel
elevation
internal channel
collapsing
collapse
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
Application number
CN202110072337.3A
Other languages
English (en)
Other versions
CN113158588A (zh
Inventor
温美丽
刘诚
杨龙
张梅梅
孙中宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Institute of Geography of GDAS
Original Assignee
Guangzhou Institute of Geography of GDAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Institute of Geography of GDAS filed Critical Guangzhou Institute of Geography of GDAS
Priority to CN202110072337.3A priority Critical patent/CN113158588B/zh
Publication of CN113158588A publication Critical patent/CN113158588A/zh
Application granted granted Critical
Publication of CN113158588B publication Critical patent/CN113158588B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种崩岗内部沟道识别与预测的方法，包括：获取目标地区的影像数据和高程数据，并根据所述影像数据和高程数据建立数字高程模型；根据预设的识别算法，识别得到所述数字高程模型中的崩岗内部沟道信息；根据所述崩岗内部沟道信息，并利用预设的指标，预测了崩岗内部沟道的发育情况。本发明通过高程百分比、斜率和轮廓曲率等参数提取崩岗内部沟道信息，并确定了崩岗内部沟道识别的最佳参数，弥补现阶段对崩岗内部沟道自动识别的研究短缺，然后利用地形湿度指数和水流功率指数预测崩岗内部沟道未来发展情况。

Description

一种崩岗内部沟道识别与预测的方法及装置
技术领域
本发明涉及崩岗处理技术领域，特别是涉及一种崩岗内部沟道识别与预测的方法、装置、终端设备以及计算机可读存储介质。
背景技术
崩岗是在水力和重力综合作用下，山坡受到破环和冲刷，发生崩塌和侵蚀现象。崩岗侵蚀一旦发生，产生的大量泥沙会淹没道路、农田等，严重的影响我国的生态经济发展。我国华南地区是崩岗分布最普遍、发育旺盛和危险最严重的地区。崩岗主要由崩壁、崩积堆、沟道、冲积扇四个部分组成。而崩积堆土体结构疏松，使得地表沟壑横生。沟道是崩岗内部土壤侵蚀最严重的部位，沟道侵蚀是运送泥沙的主要途径。
目前，对于崩岗内部沟道提取，主要有以下几种方法：
1、通过三维激光扫描仪野外获取崩岗的数字地形，利用ArcGIS水文工具确定沟道水系，将野外断面测量数据设定为主支沟的固定宽度，研究崩岗内部沟道发育情况。该方法优点是野外实测崩岗地形，能获取崩岗内部沟道的形态特征，但野外扫描工作量巨大，主支沟设定固定宽度与野外真实沟道形态并不相符。
2、通过无人机采集崩岗的正射影像和DEM，利用ArcGIS空间分析进行崩岗内部沟道的提取，这种方法能较好的提取到内部沟道的信息，但提取步骤较为繁琐，并不能实现沟道的自动提取。
发明内容
本发明的目的是：提供一种崩岗内部沟道识别与预测的方法及系统，本发明通过利用崩岗内部沟道的地形特征，提出基于DEM的崩岗内部沟道自动识别和发展预测的新方法。研究确定了崩岗内部沟道识别的高程百分比、斜率和轮廓曲率等地形参数的最佳阈值，然后利用地形湿度指数和水流功率指数预测崩岗内部沟道未来发育情况，弥补现阶段对崩岗内部沟道自动识别的研究短缺。
为了实现上述目的，本发明提供了一种崩岗内部沟道识别与预测的方法，包括：
获取目标地区的影像数据和高程数据，并根据所述影像数据和高程数据建立数字高程模型；
根据预设的识别算法，识别得到所述数字高程模型中的崩岗内部沟道信息；
根据所述崩岗内部沟道信息，并利用预设的指标，预测得到崩岗内部沟道的发育情况。
进一步地，所述根据预设的识别算法，识别得到所述地形数据高程模型中的崩岗内部沟道信息，具体为：
根据所述数字高程模型，获取崩岗内网格单元的高程百分比、斜率和轮廓曲率；
利用高程百分比，定位到沟道所在的比较宽泛区域；
再根据所述斜率和轮廓曲率，对所述区域进行精确控制，得到崩岗内部沟道信息。
进一步地，根据所述崩岗内部沟道信息，并利用预设的指标，预测得到崩岗内部沟道的发育情况，具体为：
在不同规模上都计算一个高程百分比定位到相对低的区域，并将其转换为有发育风险的临时性的网格：
TEPj,j＝N(Aij,j,tj,3)
设置t＝0.4和p＝3，使Ai>0.5时，输出值迅速的趋近于0；
利用地形湿度指数和水流功率指数这两个参数来约束可能发生发育的风险区域；采用如下公式：
Figure GDA0003107496400000031
SPI＝AS*tanβ
其中，TWI为地形湿度指数，SPI为水流功率指数，As为上坡区通过单位长度等高线上地表水所流经的面积，β为该单元格网的斜率。
本发明实施例还提供一种崩岗内部沟道识别与预测装置，包括：数据获取模块、识别模块和预测模块；其中，
所述数据获取模块，用于获取目标地区的影像数据和高程数据，并根据所述影像数据和高程数据建立数字高程模型；
所述识别模块，用于根据预设的算法，识别得到所述数字高程模型中的崩岗内部沟道信息；
所述预测模块，用于根据所述崩岗内部沟道信息，并利用预设的指标，预测得到崩岗内部沟道的发育情况。
进一步地，所述识别模块，具体用于：
根据所述数字高程模型，获取崩岗内网格单元的高程百分比、斜率和轮廓曲率；
利用高程百分比，定位到沟道所在的比较宽泛区域；
再根据所述斜率和轮廓曲率，对所述区域进行精确控制，得到崩岗内部沟道信息。
进一步地，预测模块，具体用于：
在不同规模上都计算一个高程百分比定位到相对低的区域，并将其转换为有发育风险的临时性的网格：
TEPj,j＝N(Aij,j,tj,3)
设置t＝0.4和p＝3，使Ai>0.5时，输出值迅速的趋近于0；
利用地形湿度指数和水流功率指数这两个参数来约束可能发生发育的风险区域；采用如下公式：
Figure GDA0003107496400000041
SPI＝AS*tanβ
其中，TWI为地形湿度指数，SPI为水流功率指数，As为上坡区通过单位长度等高线上地表水所流经的面积，β为该单元格网的斜率。
本发明实施例还提供一种计算机终端设备，包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一项所述的崩岗内部沟道识别与预测的方法。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任一项所述的崩岗内部沟道识别与预测的方法。
本发明实施例一种崩岗内部沟道识别与预测的方法及装置与现有技术相比，其有益效果在于：
本发明通过基于崩岗地形参数、地形湿度指数和水流功率指数等参数，提出崩岗内部沟道识别和未来沟道发展预测的方法，以正射影像和等高线勾画出的崩岗内部沟道作为真实数据，对算法识别的沟道进行检验，确定了崩岗内部沟道识别的地形参数阈值，弥补现阶段对崩岗内部沟道自动识别的研究短缺，并利用地形湿度指数和水流功率指数预测崩岗内部沟道未来发展情况。本发明与传统水文分析提取的沟道相比，自动识别的沟道能够提取到更多的信息，并且可以预测未来沟道的发展。通过本发明，不仅可以为崩岗沟道侵蚀的进一步研究提供了基础，还为崩岗沟道侵蚀研究、预防和治理提供了参考依据。由于崩岗内部沟道类型复杂，未来可以改进算法使之能够对不同类型的沟道都能达到很好的识别效果。
附图说明
图1为本发明某一实施例提供的一种崩岗内部沟道识别与预测的方法的流程示意图；
图2为本发明某一实施例提供的一种崩岗内部沟道识别结果对比图；
图3为本发明某一实施例提供的一种崩岗内部沟道发展预测结果图；
图4为本发明某一实施例提供的一种崩岗内部沟道识别与预测装置的结构示意图。
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。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在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。
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。
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。
在详细介绍本发明的实施例之前，首先对一些相关的概念进行解释：
DEM：数字高程模型(Digital Elevation Model)，简称DEM，是通过有限的地形高程数据实现对地面地形的数字化模拟(即地形表面形态的数字化表达)，它是用一组有序数值阵列形式表示地面高程的一种实体地面模型，是数字地形模型(Digital TerrainModel，简称DTM) 的一个分支，其它各种地形特征值均可由此派生。
崩岗：是指山坡土体或岩体风化壳在重力与水力综合作用下分离、崩塌和堆积的侵蚀现象。“崩”是指崩塌侵蚀方式，“岗”则指所形成的地貌形态，故崩岗一词具有发生和形态方面的双重含义。按形态可分为瓢形崩岗、条形崩岗和箕形崩岗(弧形崩岗)；按发展程度可分为活动型和稳定型；按单个崩岗的规模可分为小型、中型和大型。发生的主要条件是：①有疏松深厚的风化层作为侵蚀的物质基础；②以径流和重力作用作为侵蚀的营力；③由人为破坏活动作为促发崩岗的主导因素。崩岗主要分布在广东、福建、江西、湖南等省的花岗岩和部分砂砾岩区。严重毁坏土地资源，流失泥沙淹没农田、淤塞水库、抬高河床，破坏农业生产，妨碍水利和航运建设。治理措施应以拦蓄径流、消除冲刷和稳定重心、防治崩塌为目的；同时采取植物措施保护和改良土壤，提高其抗蚀抗冲能力，通常采用上截、下堵、中绿化的综合措施加以控制。
本发明第一实施例：
如图1－图3所示，本发明实施例优选实施例的一种崩岗内部沟道识别与预测的方法，至少包括如下步骤：
S101、获取目标地区的影像数据和高程数据，并根据所述影像数据和高程数据建立数字高程模型；
需要说明的是，本发明采用RTK技术设置控制点，控制点布设分布均匀且易于识别，试验共布设若干个个控制点，无人机对研究的目标区域崩岗进行航拍。无人机的飞行高度、采集照片数量以及照片的分辨率可以根据实际情况设定。无人机航拍的影像通过Photoscan v1.4.4进行拼接、密集点云的重建等，生成点云和正射影像，其中正射影像分辨率为0.026m。先用RISCAN PRO 1.77对生成的点云去除植被的处理，以去除地表植被的影响，再用ArcGIS将去植被点云生成0.1m的DEM。图2为研究的目标区域位置及其DEM示意图。
S102、根据预设的识别算法，识别得到所述数字高程模型中的崩岗内部沟道信息；
使用斜率，反斜率，高程百分比和轮廓曲率等信息来识别沟底、凹下壁、陡上壁和沟道边缘，从而达到识别沟道的目的。具体使用的公式和方法如下：
斜率(S)与ArcGIS Desktop 10.2软件相同的斜率算法，具体算法如下：如表1所示：
表1斜率算法示意表
a b c
d e f
g h i
表1中，中心像元及其相邻的八个像元的值确定水平增量和垂直增量。这些相邻的像元使用字母a至i进行确定，其中e表示当前正在计算斜率或轮廓曲率的像元。
像元e在x方向上的变化率将通过以下算法进行计算：
Figure GDA0003107496400000071
像元e在y方向上的变化率将通过以下算法进行计算：
Figure GDA0003107496400000072
斜率(S)：
Figure GDA0003107496400000073
其中，cellsize为像元大小；57.29578是对180/pi的计算结果进行截断而得到的值。
轮廓曲率(Cp)使用Schmidt,Jochen所用的方法(Schmidt et al.,2003)进行计算。其中正Cp值表示流动加速的区域，或斜率增加的势能增加的区域，而负值表示斜率变平的势能减少的区域。具体算法为：
Figure GDA0003107496400000081
Figure GDA0003107496400000082
Figure GDA0003107496400000083
Figure GDA0003107496400000084
Figure GDA0003107496400000085
Figure GDA0003107496400000086
高程百分比(Ai)与Gallant,John C所用的方法(Gallant et al.,2003)相同。通过用半径为r的圆形移动窗口来评估该网格单元相对于周边领域的高程，
Figure GDA0003107496400000087
其中，z i是以z为中心的移动窗口的第i个网格单元的高程，n 为单元格个数。
在算法中，为了将输入值映射到[0，1]范围内，需要进行非线性变换，通过用以下公式来达到目的。
Figure GDA0003107496400000088
其中，t和p分别是阈值和形态参数，x是单元网格的未调整值。当x＝0时，函数值为1，形态参数p值越接近0，函数值变化越小。通过设定阈值来反映各个地形信息的边界值。为了更方便识别地形信息。将不同高程百分比对应不同的其他组内轮廓曲率和斜率等的地形参数进行设定，多分辨率的目的是为了识别不同分辨率DEM和解决整体与局部的关系，参数通过引用Simon J.Walker文章中的参数(Walker et al., 2020)作为初始参数具体的参数设置如表2所示：
表2不同分辨率下的初始地形参数阈值
Figure GDA0003107496400000091
算法通过保持高程百分比Ai的恒定，使S和Cp阈值在更粗糙的分析尺度上减小1/3，随着DEM分辨率的变化，使这些参数逐渐调整，从而实现在多个规模(分辨率)上的识别。
对输入的DEM，需进行平滑和重采样处理。使用Python中SciPy 自带的中值滤波进行平滑处理，并利用SciPy库中的双线性插值进行重采样。对用高程百分比和斜率，轮廓曲率等识别得沟底、凹下壁、陡上壁和沟道边缘地形特征，对每个识别的地形特征依次执行第一、二和三操作。
第一步：
通过将高程百分比Ai置于目标高程位置At(对应于要识别的位置) 上进行变换(如表2)，并截断至距At最大距离值l：
Figure GDA0003107496400000092
值
Figure GDA0003107496400000093
的网格单元＞l，将在目标高程之外，然后用非线性函数将上式的输出映射到范围[0，1]。
Figure GDA0003107496400000094
此函数生成地曲线以At中心圆点对称，用公式
Figure GDA0003107496400000101
来修改其形状，通过调整p值，同时调整V[Bi(Ai,At,l),At]代替x并且使t保持常数为0.5。然后，为该要识别的位置计算变换后的高程位置网格：
CEPj,j＝V[Bi(Aij,,At,l),At]
设置l＝0.1，当Bi值返回±10％之内，CEPj,j≥0.5。
第二步：
该公式用于转换相关地表参数(斜率或轮廓曲率)：
CSPj,j＝1-N(SPj,j,tj,4)
其中SPj,j为要转换的参数，tj来自于表2，p＝4。该值能够在不同分辨率下识别不同地形要素间提供最佳的平衡。
第三步：
将转换后的地形参数于高程百分比组合起来，生成4个组(沟道边缘、陡上壁、凹下壁和沟底)的网格：
TEC＝1-N(CSPj,j×CEPj,j,0.25,4)
TEC中的下标表示沟道边缘(ed)、陡上壁(hw)、凹下壁(lw)和沟底 (db)其中之一，为了让每一份输入中值为0.5的网格单元的乘积，成为目标成员，将t值设置为0.25，p＝4是为了在值＜0.25时快速的到0。
第四步：
将这4个组合成一个，生成TE网格：
TEj,j＝Max(TEdb,TElw,TEhw,TEed)
将不同规模下的TE识别进行合并，从最大的规模(TEjmax,jmax,)到小开始依次合并，
TECj＝ωj(1+TEjmax-j,jmax-j,)+91-ωj)TECj-1
在不同规模下，通过增加权重来组合，
ωj＝1-N(TECj-1,j-1,0.4,pj)
设置阈值t＝0.4，地形参数p在最大规模时设置为6.68，其他规模由下式得出：
Figure GDA0003107496400000111
对于x的不同输入，可以识别不同规模下的TE，具体的x取值，及可识别的规模大小的TE，如表3所示：
表3 x值对应可识别的分辨率
Figure GDA0003107496400000112
最大设置可识别9m以上分辨率的网格，根据目标地区的崩岗普查数据可知，5000㎡以内的崩岗个数占油田镇崩岗总数的85.0％，崩岗内沟道宽度不会大于9m，如果DEM分辨率过低，DEM并不能提供崩岗内部沟道的信息。
需要说明，本发明的预设的识别算法，在实验前进行过多次训练识别过程，并对识别的结果进行了论证，得出的了最佳的识别算法参数，其中，由于目前还未形成公认的崩岗内部沟道识别精度评价的方法，本发明使用对识别结果精度分析常用的基于交叉表的评价体系，如表4所示：
表4识别结果评价交叉表
Figure GDA0003107496400000113
交叉表评价中：a表示被正确识别为沟道的面积，b表示沟道被错分为非沟道的面积。c表示非沟道被错分为沟道的面积，d表示被正确识别为非沟道的面积，e表示真实数据中沟道的总面积，f表示真实数据中非沟道的总面积，n表示真实数据的总面积。Ⅰ类误差表示沟道被错分为非沟道的面积占总的沟道面积的比例，Ⅱ类误差表示非沟道被错分为沟道的面积占总非沟道面积的比例，Ⅲ类误差表示被错分的面积占真实数据总面积的比例。
Kappa系数也通常用于衡量识别精度(Potnis et al.，2010)。Kappa 取值为[0，1]，可分为五组来表示不同级别的一致性：0.0－0.20区间为极低的一致性、0.21－0.40区间为一般的一致性、0.41－0.60区间为中等的一致性、0.61－0.80区间为高度的一致性和0.81－1区间为几乎完全一致。值越大代表一致性越强。Kappa计算公式如下：
Figure GDA0003107496400000121
需要说明的是，本发明采用的沟道自动识别最佳参数的确定，采用如下方法：
以表2中的参数为初始参数，用控制其他参数阈值不变，对凹下壁和沟底高程百分比进行以2％幅度大小调整，得到沟道图，用ArcGIS 得到沟道面积和与勾画的沟道面相交的面积，利用交叉表和Kappa值评价精度。选择上一个调整后Kappa值最大的阈值，控制其他参数中的一个，依次进行，直到每个参数阈值的设定都是最优参数。
S103、根据所述崩岗内部沟道信息，并利用预设的指标，预测得到崩岗内部沟道的发育情况。
具体地，在不同规模上用都计算一个高程百分比(Ai)定位到相对低的区域，并将其转换为有发育风险的临时性的网格：
TEPj,j＝N(Aij,j,tj,3)
设置t＝0.4和p＝3，可以使Ai>0.5时，输出值迅速的趋近于0。再利用地形湿度指数(Quinn et al.，1995)(TWI)和水流功率指数(Moore et al.，2010)(SPI)这两个参数来约束可能发育的区域。
Figure GDA0003107496400000131
水流功率指数(SPI)是边坡侵蚀过程的主要决定因素之一，SPI 是基于流量与特定集水区(As)比较的假设来衡量水流的侵蚀力，其计算公式如下：
SPI＝AS*tanβ
其中，As为上坡区通过单位长度等高线上地表水所流经的面积，β为该单元格网的斜率。
Figure GDA0003107496400000132
A(m2)是由Python的Landlab景观建模软件包中的MFD推导出。再计算之前先用Landlab景观建模软件包中的凹陷填充算法进行对 DEM的填充，MFD方法能更好的表示山坡和平坦区域中的流动分散性。
为了绘制出风险区，需要在不同规模，来转换TWI和SPI
CTWIj,j＝1-N(TWIj,j,6.8,4)
CSPIj,j＝1-N(SPIj,j,18,4)
在这里，通过设置p＝4，当x值比t小且小25％或x值比t大且大25％时，函数值可以迅速趋近于0。
通过组合CTWIj,j和CSPIj,j创建联合地形索引的网格：
CTSj,j＝1-N(CTWIj,j*CSPIj,j,0.25,4)
与识别沟道第三步相同
Figure GDA0003107496400000133
在确定发育风险时，假定高程百分比与水流功率指数指数和地形湿度指数的比重相同。
在本发明的某一个实施例中，所述根据预设的识别算法，识别得到所述地形数据高程模型中的崩岗内部沟道信息，具体为：
根据所述数字高程模型，获取崩岗内网格单元的高程百分比、斜率和轮廓曲率；
利用高程百分比，定位到沟道所在的比较宽泛区域；
再根据所述斜率和轮廓曲率，对所述区域进行精确控制，得到崩岗内部沟道信息。
在本发明的某一个实施例中，根据所述崩岗内部沟道信息，并利用预设的指标，预测得到崩岗内部沟道的发育情况，具体为：
首先，在不同规模上都计算一个高程百分比定位到相对低的区域，并将其转换为有发育风险的临时性的网格：
TEPj,j＝N(Aij,j,tj,3)
设置t＝0.4和p＝3，使Ai>0.5时，输出值迅速的趋近于0；
其次，再利用地形湿度指数和水流功率指数这两个参数来约束可能发育的风险区域；采用如下公式：
Figure GDA0003107496400000141
SPI＝AS*tanβ
其中，TWI为地形湿度指数，SPI为水流功率指数，As为上坡区通过单位长度等高线上地表水所流经的面积，β为该单元格网的斜率。
为了更好的理解本发明，现将某地区识别结果进行如下分析：
某地区识别结果对比图如图2所示，a部分为正射影像沟道图、b 部分为手动勾画沟道与影像对照图、c部分为沟道识别结果与影像对比图、d部分为沟道识别与手动勾画沟道、影像对比图、e部分为ArcGIS 水文分析提取的沟图，从图2中可以看出，算法在沟道整体识别上有较好的结果，主、支沟也能够很好的反应。在斜率较大的细沟头(椭圆框内)识别效果较好，主要原因为：随着斜率的增加，细沟溯源侵蚀增强，细沟发生下切侵蚀的幅度增加更明显，用高程百分比识别更具有优势。而细沟识别结果出现部分细沟断断续续的现象，是由于崩岗内细沟深度并不是固定值，会出现局部坡面与细沟底高差较小的情况。
崩岗内部沟道形态复杂，图2上i、ii和iii(方框内)分别对应三种不同形态的沟，i是尖V型沟道，算法识别效果优秀，和勾画的沟道相符。ii是宽U型沟道，如图2中c部分，可以完全的识别出近乎于垂直的沟道坡内，而边缘和斜率较缓的墙壁识别效果相对较差。据现场观察，该处沟道较深且两侧部分墙壁斜率近乎于垂直，高程百分比阈值的设定，并不能很好的适用ii处的宽U型沟道。iii是类似于√型的沟道，沟道左侧墙壁陡，右侧斜率较为平缓，左侧识别良好，而右侧部分并没有能够完整的识别，尽管算法设定有斜率阈值，但在该崩岗斜率阈值的设定反而不利于更好的识别沟道。未来可以改进算法提高其对不同类型沟道的识别精度。
水文分析提取的沟道图2中e部分和自动识别结果图2中c部分相比，两者都可以较好看出崩岗的沟道位置，主沟道(1条)和一级支沟数量(3条)及其分布相同，在二级支沟上两者出现略微的偏差，由于崩岗内部沟道复杂，二级沟道在DEM和影像上出现间断不相连的现象，自动识别仅会识别出已经形成的沟道或部分凹坑，而水文分析提取的二级支沟能够按照流向和一级支沟相连，形成更好的沟道(主沟道，一级支沟，二级支沟)网。但水文分析提取的沟道只有线要素信息，部分较宽的沟，还会被分成两至三个沟道线，并不能反应崩岗内部沟道的真实情况。目前，对于崩岗沟道的研究大多集中在形态及其侵蚀的情况，水文分析提取的沟道信息已满足不了当前的研究所需要的信息。研究自动识别的方法可以提取到沟道面要素信息，进一步可以提取到崩岗内部沟道的体积信息，为野外研究崩岗内部沟道侵蚀情况提供了有力的支持。
具体地，对于预测某地区为了有发育风险区域的结果图如图3所示，a部分为预测未来发育结果图、b部分为与沟道识别叠加图，从图 3上看出所有沟道位置都在风险最严重的区域之内，这也体现出用SPI 和TWI来绘制可能发育的位置，是成功的。未来沟道得发育需要足够强的暴雨发生，崩岗内部的植被也会抑制沟道的发育。在实验中，地表光秃的部分，沟道发育的情况要优于有植被生长的地方，表明该方法在预测未来沟道发育风险的区域是合理的，而在刘希林文章中发现侵蚀强度的主要朝向控制了主沟道的走向，但预测限制于主沟道，并不能对崩岗内部所有沟道进行预测，且主沟道的走向预测过于宽泛，不能对具体到对主沟道的各个位置的预测，该方法对崩岗内部所有沟道未来的发展都进行了预测，对崩岗细化到内部沟道治理具有极大的帮助。
本发明实施例一种崩岗内部沟道识别与预测的方法及与现有技术相比，其有益效果在于：
本发明通过基于崩岗地形参数、地形湿度指数和水流功率指数等参数，提出崩岗内部沟道识别与预测的方法，正射影像和等高线勾画出的崩岗内部沟道面积作为真实数据，对算法识别的沟道进行检验，确定了崩岗内部沟道识别的地形参数阈值，弥补现阶段对崩岗内部沟道自动识别的研究短缺，并利用地形湿度指数和水流功率指数预测崩岗内部沟道未来发展情况。本发明与传统水文分析提取的沟道相比，自动识别的沟道能够提取到更多的信息，并且可以预测未来沟道的发展。通过本发明，不仅可以为崩岗沟道侵蚀的进一步研究提供了基础，还为崩岗沟道侵蚀研究、预防和治理提供了参考依据。由于崩岗内部沟道类型复杂，未来可以改进算法使之能够对不同类型的沟道都能达到很好的识别效果。
本发明第二实施例：
如图2所示，本发明实施例还提供一种崩岗内部沟道识别与预测装置200，包括：数据获取模块201、识别模块202、和预测模块203；其中，
所述数据获取模块201，用于获取目标地区的影像数据和高程数据，并根据所述影像数据和高程数据建立数字高程模型；；
所述识别模块202，用于根据预设的算法，识别得到所述数字高程模型中的崩岗内部沟道；
所述预测模块203，用于根据所述崩岗内部沟道信息，并利用预设的指标，预测得到崩岗内部沟道的发育情况。
在本发明的某一个实施例中，所述识别模块，具体用于：
根据所述数字高程模型，获取崩岗内网格单元的高程百分比、斜率和轮廓曲率；
利用高程百分比，定位到沟道所在的比较宽泛区域；
再根据所述斜率和轮廓曲率，对所述区域进行精确控制，得到崩岗内部沟道信息。
在本发明的某一个实施例中，所述预测模块，具体用于：
首先，在不同规模上都计算一个高程百分比定位到相对低的区域，并将其转换为有发育风险的临时性的网格：
TEPj,j＝N(Aij,j,tj,3)
设置t＝0.4和p＝3，使Ai>0.5时，输出值迅速的趋近于0；
其次，再利用地形湿度指数和水流功率指数这两个参数来约束可能发发育的风险区域；采用如下公式：
Figure GDA0003107496400000171
SPI＝As*tanβ
其中，TWI为地形湿度指数，SPI为水流功率指数，AS为上坡区通过单位长度等高线上地表水所流经的面积，β为倾斜角。
本发明第三实施例：
本发明实施例还提供一种计算机终端设备，包括：一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一项所述的一种崩岗内部沟道识别与预测的方法。
需要说明的是，所述处理器可以是中央处理单元 (CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路 (ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field－ProgrammableGateArray，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(SmartMediaCard，SMC)、安全数字(SecureDigital，SD)卡和闪存卡(FlashCard)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。
本发明第四实施例：
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任一项所述的一种崩岗内部沟道识别与预测的方法。
需要说明的是，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)，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。
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 (6)

1.一种崩岗内部沟道识别与预测的方法，其特征在于，包括：
获取目标地区的影像数据和高程数据，并根据所述影像数据和高程数据建立数字高程模型；
根据预设的识别算法，识别得到所述数字高程模型中的崩岗内部沟道信息，具体为：根据所述数字高程模型，获取崩岗内网格单元的高程百分比、斜率和轮廓曲率；利用高程百分比，定位到沟道所在的比较宽泛区域；再根据所述斜率和轮廓曲率，对所述区域进行精确控制，得到崩岗内部沟道信息；
根据所述崩岗内部沟道信息，并利用预设的指标，预测得到崩岗内部沟道的发育情况。
2.根据权利要求1所述的一种崩岗内部沟道识别与预测的方法，其特征在于，根据所述崩岗内部沟道信息，并利用预设的指标，预测得到崩岗内部沟道的发育情况，具体为：
在不同规模上都计算一个高程百分比定位到相对低的区域，并将其转换为有发育风险的临时性的网格单元：
TEPj,j＝N(Aij,j,tj,3)
设置t＝0.4和p＝3，使Ai>0.5时，输出值迅速的趋近于0；
其中，N表示非线性变化矩阵，具体计算公式如下：
Figure FDA0003338469980000021
其中，t和p分别是阈值和形态参数，x是单元网格的未调整值；
利用地形湿度指数和水流功率指数这两个参数来约束可能发育得风险区域；采用如下公式：
Figure FDA0003338469980000022
SPI＝AS*tanβ
其中，TWI为地形湿度指数，SPI为水流功率指数，AS为上坡区通过单位长度等高线上地表水所流经的面积，β为网格单元的倾斜角。
3.一种崩岗内部沟道识别与预测装置，其特征在于，包括：数据获取模块、识别模块和预测模块；其中，
所述数据获取模块，用于获取目标地区的影像数据和高程数据，并根据所述影像数据和高程数据建立数字高程模型；
所述识别模块，用于根据预设的算法，识别得到所述数字高程模型中的崩岗内部沟道信息，具体用于：根据所述数字高程模型，获取崩岗内网格单元的高程百分比、斜率和轮廓曲率；利用高程百分比，定位到沟道所在的比较宽泛区域；再根据所述斜率和轮廓曲率，对所述区域进行精确控制，得到崩岗内部沟道信息；
所述预测模块，用于根据所述崩岗内部沟道信息，并利用预设的指标，预测得到崩岗内部沟道的发育情况。
4.根据权利要求3所述的一种崩岗内部沟道识别与预测装置，其特征在于，所述预测模块，具体用于：
在不同规模上都计算一个高程百分比定位到相对低的区域，并将其转换为有发育风险的临时性的网格单元：
TEPj,j＝N(Aij,j,tj,3)
设置t＝0.4和p＝3，使Ai>0.5时，输出值迅速的趋近于0；
其中，N表示非线性变化矩阵，具体计算公式如下：
Figure FDA0003338469980000031
其中，t和p分别是阈值和形态参数，x是单元网格的未调整值；
利用地形湿度指数和水流功率指数这两个参数来约束可能发育得风险区域；采用如下公式：
Figure FDA0003338469980000032
SPI＝As*tanβ
其中，TWI为地形湿度指数，SPI为水流功率指数，AS为上坡区通过单位长度等高线上地表水所流经的面积，β为网格单元的斜率。
5.一种计算机终端设备，其特征在于，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至2任一项所述的崩岗内部沟道识别与预测的方法。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述的崩岗内部沟道识别与预测的方法。
CN202110072337.3A 2021-01-19 2021-01-19 一种崩岗内部沟道识别与预测的方法及装置 Active CN113158588B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110072337.3A CN113158588B (zh) 2021-01-19 2021-01-19 一种崩岗内部沟道识别与预测的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110072337.3A CN113158588B (zh) 2021-01-19 2021-01-19 一种崩岗内部沟道识别与预测的方法及装置

Publications (2)

Publication Number Publication Date
CN113158588A CN113158588A (zh) 2021-07-23
CN113158588B true CN113158588B (zh) 2021-12-31

Family

ID=76878803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110072337.3A Active CN113158588B (zh) 2021-01-19 2021-01-19 一种崩岗内部沟道识别与预测的方法及装置

Country Status (1)

Country Link
CN (1) CN113158588B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114972991B (zh) * 2022-05-27 2023-04-07 长江水利委员会长江科学院 一种崩岗的自动识别方法及系统
CN114913424B (zh) * 2022-05-27 2023-08-01 长江水利委员会长江科学院 一种基于改进的U-net模型的崩岗提取方法及系统
CN116229280B (zh) * 2023-01-09 2024-06-04 广东省科学院广州地理研究所 崩岗识别方法、装置、电子设备以及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749071A (zh) * 2012-04-24 2012-10-24 北京林业大学 一种基于无人机航空摄影监测土壤侵蚀的方法
CN103293285A (zh) * 2013-06-01 2013-09-11 西北农林科技大学 一种在流域或区域尺度上的土壤侵蚀测定方法
CN107680161A (zh) * 2017-09-30 2018-02-09 黄河水利委员会黄河水利科学研究院 一种基于ArcGIS的坡面侵蚀发育信息熵测算方法
CN109740285A (zh) * 2019-01-21 2019-05-10 中国水利水电科学研究院 一种基于三级汇流结构的分布式侵蚀产沙模拟方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2557526C (en) * 2004-02-26 2008-12-09 Saudi Arabian Oil Company Prediction of shallow drilling hazards using seismic refraction data
CN111460357B (zh) * 2020-03-09 2024-01-16 西北大学 一种凹形坡沟道中泥石流侵蚀深度计算方法
CN111783346B (zh) * 2020-07-13 2021-03-12 中国水利水电科学研究院 一种考虑水冰沙耦合作用的河冰运动与岸滩侵蚀计算方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749071A (zh) * 2012-04-24 2012-10-24 北京林业大学 一种基于无人机航空摄影监测土壤侵蚀的方法
CN103293285A (zh) * 2013-06-01 2013-09-11 西北农林科技大学 一种在流域或区域尺度上的土壤侵蚀测定方法
CN107680161A (zh) * 2017-09-30 2018-02-09 黄河水利委员会黄河水利科学研究院 一种基于ArcGIS的坡面侵蚀发育信息熵测算方法
CN109740285A (zh) * 2019-01-21 2019-05-10 中国水利水电科学研究院 一种基于三级汇流结构的分布式侵蚀产沙模拟方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"The spatial distribution of Benggang and the factors that influence it";Liao, Yishan等;《LAND DEGRADATION & DEVELOPMENT》;20190831;第30卷(第18期);2323-2335 *
"崩岗侵蚀沟的时空侵蚀特征及预测";"崩岗侵蚀沟的时空侵蚀特征及预测";《山地学报》;20190215;第37卷(第1期);86-97 *

Also Published As

Publication number Publication date
CN113158588A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN113158588B (zh) 一种崩岗内部沟道识别与预测的方法及装置
CN106022259B (zh) 一种基于激光点云三维特征描述模型的山区道路提取方法
Li et al. Lidar DEM error analyses and topographic depression identification in a hummocky landscape in the prairie region of Canada
Rieger A phenomenon‐based approach to upslope contributing area and depressions in DEMs
Arnold A new approach for dealing with depressions in digital elevation models when calculating flow accumulation values
Zhu et al. An effective depression filling algorithm for DEM-based 2-D surface flow modelling
Geerling et al. Mapping river floodplain ecotopes by segmentation of spectral (CASI) and structural (LiDAR) remote sensing data
Sliwinski et al. Geostatistical Resampling of LiDAR-Derived DEM in Wide Resolution Range for Modelling in SWAT: A Case Study of Zgłowiączka River (Poland).
KR101236882B1 (ko) 항공 라이다 자료를 이용한 토석류 발생지역의 지형복원 방법
Wallis et al. Hydrologic terrain processing using parallel computing
CN114372354B (zh) 一种河网水系提取方法、装置、电子设备及存储介质
Dobos et al. The derivation of the potential drainage density index (PDD)
Sharma et al. Sink removal from digital elevation model–a necessary evil for hydrological analysis
CN110178474A (zh) 山地丘陵区条田构造方法
Shamaoma et al. Extraction of flood-modelling related base-data from multi-source remote sensing imagery
Novák et al. The Potential and Implications of Automated Pre-Processing of LiDAR-Based Digital Elevation Models for Large-Scale Archaeological Landscape Analysis
Mihu-Pintilie et al. GIS methods for assessment of hydro-geomorphic risk and anthropogenic impact which affect the archaeological sites. Case study: Dealul Mare archaeological site, Moldavian Plateau (Romania)
Šamanović et al. Influence of pit removal algorithms on surface runoff simulation
FATİH et al. A new algorithm for extraction of continuous channel networks without problematic parallels from hydrologically corrected DEMs
Depeweg et al. GIS tools and the design of irrigation canals
Shaw The influence of contributing area on the hydrology of the prairie pothole region of North America
Mason et al. Remote sensing of tidal networks and their relation to vegetation
Farina et al. Preliminary GIS elaborations to apply rapid flood spreading models
Ramírez-Juidías Sedimentation Processes in the Tinto and Odiel Salt Marshes in Huelva, Spain
CN112950779B (zh) 一种度量地貌破碎程度的栅格化曲面的构建方法及系统

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