CN114240190A - 垦殖区特征提取方法、装置、计算机设备及存储介质 - Google Patents

垦殖区特征提取方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN114240190A
CN114240190A CN202111568532.1A CN202111568532A CN114240190A CN 114240190 A CN114240190 A CN 114240190A CN 202111568532 A CN202111568532 A CN 202111568532A CN 114240190 A CN114240190 A CN 114240190A
Authority
CN
China
Prior art keywords
reclamation
area
slope
unit
reclamation area
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.)
Pending
Application number
CN202111568532.1A
Other languages
English (en)
Inventor
吴展开
江子君
胡辉
郑增荣
宋杰
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.)
Hangzhou Ruhr Technology Co Ltd
Original Assignee
Hangzhou Ruhr Technology Co Ltd
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 Hangzhou Ruhr Technology Co Ltd filed Critical Hangzhou Ruhr Technology Co Ltd
Priority to CN202111568532.1A priority Critical patent/CN114240190A/zh
Publication of CN114240190A publication Critical patent/CN114240190A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Graphics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了垦殖区特征提取方法、装置、计算机设备及存储介质。所述方法包括：获取垦殖矢量数据、DEM数据以及斜坡单元矢量数据；根据所述垦殖矢量数据对所述DEM数据以及所述斜坡单元矢量数据进行数据处理，以得到处理结果；根据所述处理结果提取垦殖类型、垦殖切破强度、垦殖密度、垦殖区与斜坡单元空间关系，以得到多个垦殖特征；利用机器学习算法挖掘多个垦殖特征之间的关联关系，以得到垦殖区特征；将所述垦殖区特征作为评价指标进行地质灾害评价。通过实施本发明实施例的方法可实现提取垦殖面积、垦殖类型、垦殖切破强度、垦殖密度等特征的关联关系，并作为地质灾害评价模型的指标，提高地质灾害评价的准确率。

Description

垦殖区特征提取方法、装置、计算机设备及存储介质
技术领域
本发明涉及地质灾害，更具体地说是指垦殖区特征提取方法、装置、计算机设备及存储介质。
背景技术
地质灾害是我国常见的自然灾害之一，具有机理形成复杂、分布范围较广和危害性较大等特点，垦殖作为人类工程活动中的重要一项，切破垦殖会在一定程度上破坏坡体结构及植被分布在一定程度上诱发和加速了地质灾害的发生，且不同的垦殖植被类型会产生不同的影响程度。因此，在地质灾害研究过程中如何多维、充分的考虑垦殖指标对其危险性进行评价具有重要意义。基于此，通过对该研究领域进行大量调查发现，垦殖因子作为地质灾害危险性评价指标仅考虑垦殖面积，只考虑面积对地质灾害的影响是不全面的，不同的垦殖面积、不同的垦殖类型、不同的垦殖切破强度、不同的垦殖密度都会产生不同的影响，现有的地质灾害评价方法由于仅考虑垦殖面积，导致评价不准确。
因此，有必要设计一种新的方法，实现提取垦殖面积、垦殖类型、垦殖切破强度、垦殖密度等特征的关联关系，并作为地质灾害评价模型的指标，提高地质灾害评价的准确率。
发明内容
本发明的目的在于克服现有技术的缺陷，提供垦殖区特征提取方法、装置、计算机设备及存储介质。
为实现上述目的，本发明采用以下技术方案：垦殖区特征提取方法，包括：
获取垦殖矢量数据、DEM数据以及斜坡单元矢量数据；
根据所述垦殖矢量数据对所述DEM数据以及所述斜坡单元矢量数据进行数据处理，以得到处理结果；
根据所述处理结果提取垦殖类型、垦殖切破强度、垦殖密度、垦殖区与斜坡单元空间关系，以得到多个垦殖特征；
利用机器学习算法挖掘多个垦殖特征之间的关联关系，以得到垦殖区特征；
将所述垦殖区特征作为评价指标进行地质灾害评价。
其进一步技术方案为：所述根据所述垦殖矢量数据对所述DEM数据以及所述斜坡单元矢量数据进行数据处理，以得到处理结果，包括：
根据所述垦殖矢量数据基于python对所述斜坡单元矢量数据进行裁剪运算，以得到垦殖区所在的斜坡单元矢量数据；
根据所述垦殖矢量数据基于python对所述DEM数据进行裁剪运算，以得到垦殖区所在的斜坡单元DEM数据；
其中，所述处理结果包括垦殖区所在的斜坡单元矢量数据以及垦殖区所在的斜坡单元DEM数据。
其进一步技术方案为：所述根据所述处理结果提取垦殖类型、垦殖切破强度、垦殖密度、垦殖区与斜坡单元空间关系，以得到多个垦殖特征，包括：
根据垦殖区原始属性表提取垦殖区的垦殖类型；
根据所述处理结果计算垦殖区所在的斜坡单元的平均坡度、垦殖区所在的斜坡单元面积以及垦殖区所在的斜坡单元上的垦殖区面积，并计算垦殖区切坡强度；
根据所述处理结果计算垦殖区所在的斜坡单元的标准单位面积以及垦殖区所在的斜坡单元上的垦殖区面积，并计算垦殖区密度；
根据所述处理结果计算垦殖区所在的斜坡单元上垦殖区的平均DEM、垦殖区所在的斜坡单元DEM数据的最大值以及最小值，并计算垦殖区位置指数；
其中，多个垦殖特征包括垦殖类型、垦殖区切坡强度、垦殖区密度以及垦殖区位置指数。
其进一步技术方案为：所述根据所述处理结果计算垦殖区所在的斜坡单元的平均坡度、垦殖区所在的斜坡单元面积以及垦殖区所在的斜坡单元上的垦殖区面积，并计算垦殖区切坡强度，包括：
根据所述处理结果计算垦殖区所在的斜坡单元的平均坡度、垦殖区所在的斜坡单元面积以及垦殖区所在的斜坡单元上的垦殖区面积；
计算初始的垦殖区切坡强度，具体地，采用
Figure BDA0003422599540000021
计算初始的垦殖区切坡强度，其中，α是垦殖区所在的斜坡单元的平均坡度，S1是垦殖区所在的斜坡单元面积，S2是垦殖区所在的斜坡单元上的垦殖区面积，K是初始的垦殖区切坡强度；
对初始的垦殖区切坡强度进行归一化处理，以得到垦殖区切坡强度。
其进一步技术方案为：所述根据所述处理结果计算垦殖区所在的斜坡单元的标准单位面积以及垦殖区所在的斜坡单元上的垦殖区面积，并计算垦殖区密度，包括：
根据所述处理结果计算垦殖区所在的斜坡单元的标准单位面积以及垦殖区所在的斜坡单元上的垦殖区面积，并采用
Figure BDA0003422599540000031
计算垦殖区密度，其中，S单位是垦殖区所在的斜坡单元的标准单位面积，S垦殖区是垦殖区所在的斜坡单元上的垦殖区面积，ω为垦殖区密度。
其进一步技术方案为：所述根据所述处理结果计算垦殖区所在的斜坡单元上垦殖区的平均DEM、垦殖区所在的斜坡单元DEM数据的最大值以及最小值，并计算垦殖区位置指数，包括：
根据所述处理结果计算垦殖区所在的斜坡单元上垦殖区的平均DEM、垦殖区所在的斜坡单元DEM数据的最大值以及最小值，采用
Figure BDA0003422599540000032
Figure BDA0003422599540000033
计算垦殖区位置指数，其中，DEMmean垦殖区是垦殖区所在的斜坡单元上垦殖区的平均DEM，DEMmax斜坡是垦殖区所在的斜坡单元DEM数据的最大值，DEMmin斜坡为垦殖区所在的斜坡单元DEM数据的最小值，β是垦殖区位置指数。
本发明还提供了垦殖区特征提取装置，包括：
数据获取单元，用于获取垦殖矢量数据、DEM数据以及斜坡单元矢量数据；
处理单元，用于根据所述垦殖矢量数据对所述DEM数据以及所述斜坡单元矢量数据进行数据处理，以得到处理结果；
特征提取单元，用于根据所述处理结果提取垦殖类型、垦殖切破强度、垦殖密度、垦殖区与斜坡单元空间关系，以得到多个垦殖特征；
关联关系确定单元，用于利用机器学习算法挖掘多个垦殖特征之间的关联关系，以得到垦殖区特征；
评价单元，用于将所述垦殖区特征作为评价指标进行地质灾害评价。
其进一步技术方案为：所述处理单元包括：
第一裁剪子单元，用于根据所述垦殖矢量数据基于python对所述斜坡单元矢量数据进行裁剪运算，以得到垦殖区所在的斜坡单元矢量数据；
第二裁剪子单元，用于根据所述垦殖矢量数据基于python对所述DEM数据进行裁剪运算，以得到垦殖区所在的斜坡单元DEM数据。
本发明还提供了一种计算机设备，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上述的方法。
本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述的方法。
本发明与现有技术相比的有益效果是：本发明通过对DEM数据以及斜坡单元矢量数据进行处理，并根据处理结果提取垦殖类型、垦殖切破强度、垦殖密度、垦殖区与斜坡单元空间关系，并采用机器学习算法挖掘多个垦殖特征之间的关系，以作为地质灾害评价模型的其中一个评价指标，实现提取垦殖面积、垦殖类型、垦殖切破强度、垦殖密度等特征的关联关系，并作为地质灾害评价模型的指标，提高地质灾害评价的准确率。
下面结合附图和具体实施例对本发明作进一步描述。
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垦殖区特征提取方法的应用场景示意图；
图2为本发明实施例提供的垦殖区特征提取方法的流程示意图；
图3为本发明实施例提供的垦殖区特征提取方法的子流程示意图；
图4为本发明实施例提供的垦殖区特征提取方法的子流程示意图；
图5为本发明实施例提供的垦殖区特征提取方法的子流程示意图；
图6为本发明实施例提供的垦殖区特征提取装置的示意性框图；
图7为本发明实施例提供的垦殖区特征提取装置的处理单元的示意性框图；
图8为本发明实施例提供的垦殖区特征提取装置的特征提取单元的示意性框图；
图9为本发明实施例提供的垦殖区特征提取装置的切破强度确定子单元的示意性框图；
图10为本发明实施例提供的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。
请参阅图1和图2，图1为本发明实施例提供的垦殖区特征提取方法的应用场景示意图。图2为本发明实施例提供的垦殖区特征提取方法的示意性流程图。该垦殖区特征提取方法应用于服务器中，该服务器与终端进行数据交互，从终端获取垦殖矢量数据、DEM数据以及斜坡单元矢量数据后，从中提取出多个垦殖特征，并采用机器学习算法挖掘这些垦殖特征之间的关联关系，以此确定垦殖区的特征，并将其作为指标之一，输入地质灾害评价模型内进行地质灾害评价。
图2是本发明实施例提供的垦殖区特征提取方法的流程示意图。如图2所示，该方法包括以下步骤S110至S150。
S110、获取垦殖矢量数据、DEM数据以及斜坡单元矢量数据。
在本实施例中，斜坡单元矢量数据是指整个研究区域的矢量数据，垦殖矢量数据是指研究区域内的垦殖区部分的矢量数据，DEM数据是指整个研究区域的DEM数据。
S120、根据所述垦殖矢量数据对所述DEM数据以及所述斜坡单元矢量数据进行数据处理，以得到处理结果。
在本实施例中，所述处理结果是指垦殖区所在的斜坡单元矢量数据以及垦殖区所在的斜坡单元DEM数据。
在一实施例中，请参阅图3，上述的步骤S120可包括步骤S121～S122。
S121、根据所述垦殖矢量数据基于python对所述斜坡单元矢量数据进行裁剪运算，以得到垦殖区所在的斜坡单元矢量数据。
在本实施例中，垦殖区所在的斜坡单元矢量数据是指包括垦殖区的斜坡单元矢量数据。
特征提取时涉及到垦殖区与斜坡单元对比计算，所以需要进行裁剪。提取方法：基于python对.shp数据进行裁剪运算，其中，.shp数据是指斜坡单元矢量数据。
S122、根据所述垦殖矢量数据基于python对所述DEM数据进行裁剪运算，以得到垦殖区所在的斜坡单元DEM数据；
目标特征提取时涉及到垦殖区与斜坡单元DEM相关计算，所以需要进行裁剪。提取方法：基于python对.tif数据进行裁剪运算，其中，.tif数据是指DEM数据。
S130、根据所述处理结果提取垦殖类型、垦殖切破强度、垦殖密度、垦殖区与斜坡单元空间关系，以得到多个垦殖特征。
在本实施例中，多个垦殖特征包括垦殖类型、垦殖区切坡强度、垦殖区密度以及垦殖区位置指数。
在一实施例中，请参阅图4，上述的步骤S130可包括步骤S131～S134。
S131、根据垦殖区原始属性表提取垦殖区的垦殖类型。
在本实施例中，垦殖类型是指果园、茶园、农耕作物种植及原始植被。
S132、根据所述处理结果计算垦殖区所在的斜坡单元的平均坡度、垦殖区所在的斜坡单元面积以及垦殖区所在的斜坡单元上的垦殖区面积，并计算垦殖区切坡强度。
在本实施例中，垦殖区切坡强度指标是指反映出垦殖区与所在斜坡单元的切坡关系。
在一实施例中，请参阅图5，上述的步骤S132可包括步骤S1321～S1323。
S1321、根据所述处理结果计算垦殖区所在的斜坡单元的平均坡度、垦殖区所在的斜坡单元面积以及垦殖区所在的斜坡单元上的垦殖区面积；
S1322、计算初始的垦殖区切坡强度。
具体地，采用
Figure BDA0003422599540000071
计算初始的垦殖区切坡强度，其中，α是垦殖区所在的斜坡单元的平均坡度，S1是垦殖区所在的斜坡单元面积，S2是垦殖区所在的斜坡单元上的垦殖区面积，K是初始的垦殖区切坡强度；
S1323、对初始的垦殖区切坡强度进行归一化处理，以得到垦殖区切坡强度。
考虑到后续特征运用以及运算处理的方便，将K进行归一化处理，使K的值介于0-1之间，得到K′，关系式如下：
Figure BDA0003422599540000072
其中K是初始的垦殖区切坡强度；mink是斜坡单元中最小切坡强度，maxk是斜坡单元中最大切坡强度，K′的值越大表示斜坡单元内的垦殖区切坡越严重，对地质灾害的诱发作用越显著；其值越小表示斜坡单元内的垦殖区切坡越轻微，对地质灾害的诱发作用越不明显。
S133、根据所述处理结果计算垦殖区所在的斜坡单元的标准单位面积以及垦殖区所在的斜坡单元上的垦殖区面积，并计算垦殖区密度。
在本实施例中，垦殖区密度指标是反映单位研究区域中垦殖区面积的占比大小的指标。
具体地，根据所述处理结果计算垦殖区所在的斜坡单元的标准单位面积以及垦殖区所在的斜坡单元上的垦殖区面积，并采用
Figure BDA0003422599540000073
计算垦殖区密度，其中，S单位是垦殖区所在的斜坡单元的标准单位面积，S垦殖区是垦殖区所在的斜坡单元上的垦殖区面积，ω为垦殖区密度。
垦殖区密度指标与垦殖区切坡强度指标的区别在于不考虑坡度大小，仅从平面的角度进行定量计算。将垦殖区密度指标作为一个垦殖特征的原因是由于在某些研究区域内，由于数据问题无法得到详细合理的斜坡单元划分结果，进而用垦殖区密度指标代替垦殖区切坡强度指标。
S134、根据所述处理结果计算垦殖区所在的斜坡单元上垦殖区的平均DEM、垦殖区所在的斜坡单元DEM数据的最大值以及最小值，并计算垦殖区位置指数。
在本实施例中，垦殖区与斜坡单元的位置关系，可反映出垦殖区是位于坡脚、坡中还是坡顶。
具体地，根据所述处理结果计算垦殖区所在的斜坡单元上垦殖区的平均DEM、垦殖区所在的斜坡单元DEM数据的最大值以及最小值，采用
Figure BDA0003422599540000074
Figure BDA0003422599540000081
计算垦殖区位置指数，其中，DEMmean垦殖区是垦殖区所在的斜坡单元上垦殖区的平均DEM，DEMmax斜坡是垦殖区所在的斜坡单元DEM数据的最大值，DEMmin斜坡为垦殖区所在的斜坡单元DEM数据的最小值，β是垦殖区位置指数。
一般而言，位于坡脚的垦殖区由于应力作用对坡体的稳定程度破坏最大，坡中次之，坡顶最弱。基于斜坡单元DEM数据和垦殖区DEM数据对垦殖区与斜坡单元的位置关系进行提取。β取值范围为0-1，取值越小表示垦殖区越靠近坡脚，取值越大表示垦殖区越靠近坡顶。
S140、利用机器学习算法挖掘多个垦殖特征之间的关联关系，以得到垦殖区特征。
在本实施例中，垦殖区特征是指带有关联关系的多个垦殖特征。
单个的特征虽然可以反映一定的垦殖区情况，但片面性较强。因此，将提取到的特征基于机器学习进行特征选择与模型训练，通过使用适当的机器学习算法挖掘特征之间的关联关系，进而达到更全面、合理的利用垦殖区特征，为地质灾害风险评价模型的结果输出提升精度和准确性。
在本实施例中，可先采用一些现有的资料进行垦殖类型、垦殖区切坡强度、垦殖区密度以及垦殖区位置指数的提取，并以此训练基于机器学习的模型，以使得该模型挖掘出来的关联关系是符合实际情况的，也使得地质灾害风险评价模型的结果更加准确的。
S150、将所述垦殖区特征作为评价指标进行地质灾害评价。
除了可以将所述垦殖区特征作为评价指标进行地质灾害评价，还可以将该垦殖区特征与垦殖面积结合作为综合评价指标。通过对历史灾害点发生时空内的垦殖区特征及垦殖区面积提取，进行模型训练，经过样本点学习最终得到滑坡所在的斜坡单元上垦殖区综合指标，然后将该指标输入至地质灾害评价模型内，进行地质灾害评价，提高地质灾害评价的准确率。
上述的垦殖区特征提取方法，通过对DEM数据以及斜坡单元矢量数据进行处理，并根据处理结果提取垦殖类型、垦殖切破强度、垦殖密度、垦殖区与斜坡单元空间关系，并采用机器学习算法挖掘多个垦殖特征之间的关系，以作为地质灾害评价模型的其中一个评价指标，实现提取垦殖面积、垦殖类型、垦殖切破强度、垦殖密度等特征的关联关系，并作为地质灾害评价模型的指标，提高地质灾害评价的准确率。
图6是本发明实施例提供的一种垦殖区特征提取装置300的示意性框图。如图6所示，对应于以上垦殖区特征提取方法，本发明还提供一种垦殖区特征提取装置300。该垦殖区特征提取装置300包括用于执行上述垦殖区特征提取方法的单元，该装置可以被配置于服务器中。具体地，请参阅图6，该垦殖区特征提取装置300包括数据获取单元301、处理单元302、特征提取单元303、关联关系确定单元304以及评价单元305。
数据获取单元301，用于获取垦殖矢量数据、DEM数据以及斜坡单元矢量数据；处理单元302，用于根据所述垦殖矢量数据对所述DEM数据以及所述斜坡单元矢量数据进行数据处理，以得到处理结果；特征提取单元303，用于根据所述处理结果提取垦殖类型、垦殖切破强度、垦殖密度、垦殖区与斜坡单元空间关系，以得到多个垦殖特征；关联关系确定单元304，用于利用机器学习算法挖掘多个垦殖特征之间的关联关系，以得到垦殖区特征。评价单元305，用于将所述垦殖区特征作为评价指标进行地质灾害评价。
在一实施例中，如图7所示，所述处理单元302包括第一裁剪子单元3021以及第二裁剪子单元3022。
第一裁剪子单元3021，用于根据所述垦殖矢量数据基于python对所述斜坡单元矢量数据进行裁剪运算，以得到垦殖区所在的斜坡单元矢量数据；第二裁剪子单元3022，用于根据所述垦殖矢量数据基于python对所述DEM数据进行裁剪运算，以得到垦殖区所在的斜坡单元DEM数据。
在一实施例中，如图8所示，所述特征提取单元303包括类型确定子单元3031、切坡强度确定子单元3032、密度确定子单元3033以及位置指数确定子单元3034。
类型确定子单元3031，用于根据垦殖区原始属性表提取垦殖区的垦殖类型；切坡强度确定子单元3032，用于根据所述处理结果计算垦殖区所在的斜坡单元的平均坡度、垦殖区所在的斜坡单元面积以及垦殖区所在的斜坡单元上的垦殖区面积，并计算垦殖区切坡强度；密度确定子单元3033，用于根据所述处理结果计算垦殖区所在的斜坡单元的标准单位面积以及垦殖区所在的斜坡单元上的垦殖区面积，并计算垦殖区密度；位置指数确定子单元3034，用于根据所述处理结果计算垦殖区所在的斜坡单元上垦殖区的平均DEM、垦殖区所在的斜坡单元DEM数据的最大值以及最小值，并计算垦殖区位置指数。
在一实施例中，如图9所示，所述切坡强度确定子单元3032包括面积计算模块30321、初始强度确定模块30322以及归一化模块30323。
面积计算模块30321，用于根据所述处理结果计算垦殖区所在的斜坡单元的平均坡度、垦殖区所在的斜坡单元面积以及垦殖区所在的斜坡单元上的垦殖区面积；初始强度确定模块30322，用于计算初始的垦殖区切坡强度，具体地，采用
Figure BDA0003422599540000101
计算初始的垦殖区切坡强度，其中，α是垦殖区所在的斜坡单元的平均坡度，S1是垦殖区所在的斜坡单元面积，S2是垦殖区所在的斜坡单元上的垦殖区面积，K是初始的垦殖区切坡强度；归一化模块30323，用于对初始的垦殖区切坡强度进行归一化处理，以得到垦殖区切坡强度。
在一实施例中，所述密度确定子单元3033，用于根据所述处理结果计算垦殖区所在的斜坡单元的标准单位面积以及垦殖区所在的斜坡单元上的垦殖区面积，并采用
Figure BDA0003422599540000102
计算垦殖区密度，其中，S单位是垦殖区所在的斜坡单元的标准单位面积，S垦殖区是垦殖区所在的斜坡单元上的垦殖区面积，ω为垦殖区密度。
在一实施例中，所述位置指数确定子单元3034，用于根据所述处理结果计算垦殖区所在的斜坡单元上垦殖区的平均DEM、垦殖区所在的斜坡单元DEM数据的最大值以及最小值，采用
Figure BDA0003422599540000103
计算垦殖区位置指数，其中，DEMmean垦殖区是垦殖区所在的斜坡单元上垦殖区的平均DEM，DEMmax斜坡是垦殖区所在的斜坡单元DEM数据的最大值，DEMmin斜坡为垦殖区所在的斜坡单元DEM数据的最小值，β是垦殖区位置指数。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述垦殖区特征提取装置300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。
上述垦殖区特征提取装置300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10所示的计算机设备上运行。
请参阅图10，图10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可以是服务器，其中，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。
参阅图10，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包括程序指令，该程序指令被执行时，可使得处理器502执行一种垦殖区特征提取方法。
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执行一种垦殖区特征提取方法。
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，图10中示出的结构，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：
获取垦殖矢量数据、DEM数据以及斜坡单元矢量数据；根据所述垦殖矢量数据对所述DEM数据以及所述斜坡单元矢量数据进行数据处理，以得到处理结果；根据所述处理结果提取垦殖类型、垦殖切破强度、垦殖密度、垦殖区与斜坡单元空间关系，以得到多个垦殖特征；利用机器学习算法挖掘多个垦殖特征之间的关联关系，以得到垦殖区特征；将所述垦殖区特征作为评价指标进行地质灾害评价。
在一实施例中，处理器502在实现所述根据所述垦殖矢量数据对所述DEM数据以及所述斜坡单元矢量数据进行数据处理，以得到处理结果步骤时，具体实现如下步骤：
根据所述垦殖矢量数据基于python对所述斜坡单元矢量数据进行裁剪运算，以得到垦殖区所在的斜坡单元矢量数据；根据所述垦殖矢量数据基于python对所述DEM数据进行裁剪运算，以得到垦殖区所在的斜坡单元DEM数据；
其中，所述处理结果包括垦殖区所在的斜坡单元矢量数据以及垦殖区所在的斜坡单元DEM数据。
在一实施例中，处理器502在实现所述根据所述处理结果提取垦殖类型、垦殖切破强度、垦殖密度、垦殖区与斜坡单元空间关系，以得到多个垦殖特征步骤时，具体实现如下步骤：
根据垦殖区原始属性表提取垦殖区的垦殖类型；根据所述处理结果计算垦殖区所在的斜坡单元的平均坡度、垦殖区所在的斜坡单元面积以及垦殖区所在的斜坡单元上的垦殖区面积，并计算垦殖区切坡强度；根据所述处理结果计算垦殖区所在的斜坡单元的标准单位面积以及垦殖区所在的斜坡单元上的垦殖区面积，并计算垦殖区密度；根据所述处理结果计算垦殖区所在的斜坡单元上垦殖区的平均DEM、垦殖区所在的斜坡单元DEM数据的最大值以及最小值，并计算垦殖区位置指数；
其中，多个垦殖特征包括垦殖类型、垦殖区切坡强度、垦殖区密度以及垦殖区位置指数。
在一实施例中，处理器502在实现所述根据所述处理结果计算垦殖区所在的斜坡单元的平均坡度、垦殖区所在的斜坡单元面积以及垦殖区所在的斜坡单元上的垦殖区面积，并计算垦殖区切坡强度步骤时，具体实现如下步骤：
根据所述处理结果计算垦殖区所在的斜坡单元的平均坡度、垦殖区所在的斜坡单元面积以及垦殖区所在的斜坡单元上的垦殖区面积；计算初始的垦殖区切坡强度，具体地，采用
Figure BDA0003422599540000122
计算初始的垦殖区切坡强度，其中，α是垦殖区所在的斜坡单元的平均坡度，S1是垦殖区所在的斜坡单元面积，S2是垦殖区所在的斜坡单元上的垦殖区面积，K是初始的垦殖区切坡强度；对初始的垦殖区切坡强度进行归一化处理，以得到垦殖区切坡强度。
在一实施例中，处理器502在实现所述根据所述处理结果计算垦殖区所在的斜坡单元的标准单位面积以及垦殖区所在的斜坡单元上的垦殖区面积，并计算垦殖区密度步骤时，具体实现如下步骤：
根据所述处理结果计算垦殖区所在的斜坡单元的标准单位面积以及垦殖区所在的斜坡单元上的垦殖区面积，并采用
Figure BDA0003422599540000121
计算垦殖区密度，其中，S单位是垦殖区所在的斜坡单元的标准单位面积，S垦殖区是垦殖区所在的斜坡单元上的垦殖区面积，ω为垦殖区密度。
在一实施例中，处理器502在实现所述根据所述处理结果计算垦殖区所在的斜坡单元上垦殖区的平均DEM、垦殖区所在的斜坡单元DEM数据的最大值以及最小值，并计算垦殖区位置指数步骤时，具体实现如下步骤：
根据所述处理结果计算垦殖区所在的斜坡单元上垦殖区的平均DEM、垦殖区所在的斜坡单元DEM数据的最大值以及最小值，采用
Figure BDA0003422599540000131
Figure BDA0003422599540000132
计算垦殖区位置指数，其中，DEMmean垦殖区是垦殖区所在的斜坡单元上垦殖区的平均DEM，DEMmax斜坡是垦殖区所在的斜坡单元DEM数据的最大值，DEMmin斜坡为垦殖区所在的斜坡单元DEM数据的最小值，β是垦殖区位置指数。
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302(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。该计算机程序包括程序指令，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。该程序指令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，其中该计算机程序被处理器执行时使处理器执行如下步骤：
获取垦殖矢量数据、DEM数据以及斜坡单元矢量数据；根据所述垦殖矢量数据对所述DEM数据以及所述斜坡单元矢量数据进行数据处理，以得到处理结果；根据所述处理结果提取垦殖类型、垦殖切破强度、垦殖密度、垦殖区与斜坡单元空间关系，以得到多个垦殖特征；利用机器学习算法挖掘多个垦殖特征之间的关联关系，以得到垦殖区特征；将所述垦殖区特征作为评价指标进行地质灾害评价。
在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述垦殖矢量数据对所述DEM数据以及所述斜坡单元矢量数据进行数据处理，以得到处理结果步骤时，具体实现如下步骤：
根据所述垦殖矢量数据基于python对所述斜坡单元矢量数据进行裁剪运算，以得到垦殖区所在的斜坡单元矢量数据；根据所述垦殖矢量数据基于python对所述DEM数据进行裁剪运算，以得到垦殖区所在的斜坡单元DEM数据；
其中，所述处理结果包括垦殖区所在的斜坡单元矢量数据以及垦殖区所在的斜坡单元DEM数据。
在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述处理结果提取垦殖类型、垦殖切破强度、垦殖密度、垦殖区与斜坡单元空间关系，以得到多个垦殖特征步骤时，具体实现如下步骤：
根据垦殖区原始属性表提取垦殖区的垦殖类型；根据所述处理结果计算垦殖区所在的斜坡单元的平均坡度、垦殖区所在的斜坡单元面积以及垦殖区所在的斜坡单元上的垦殖区面积，并计算垦殖区切坡强度；根据所述处理结果计算垦殖区所在的斜坡单元的标准单位面积以及垦殖区所在的斜坡单元上的垦殖区面积，并计算垦殖区密度；根据所述处理结果计算垦殖区所在的斜坡单元上垦殖区的平均DEM、垦殖区所在的斜坡单元DEM数据的最大值以及最小值，并计算垦殖区位置指数；
其中，多个垦殖特征包括垦殖类型、垦殖区切坡强度、垦殖区密度以及垦殖区位置指数。
在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述处理结果计算垦殖区所在的斜坡单元的平均坡度、垦殖区所在的斜坡单元面积以及垦殖区所在的斜坡单元上的垦殖区面积，并计算垦殖区切坡强度步骤时，具体实现如下步骤：
根据所述处理结果计算垦殖区所在的斜坡单元的平均坡度、垦殖区所在的斜坡单元面积以及垦殖区所在的斜坡单元上的垦殖区面积；计算初始的垦殖区切坡强度，具体地，采用
Figure BDA0003422599540000141
计算初始的垦殖区切坡强度，其中，α是垦殖区所在的斜坡单元的平均坡度，S1是垦殖区所在的斜坡单元面积，S2是垦殖区所在的斜坡单元上的垦殖区面积，K是初始的垦殖区切坡强度；对初始的垦殖区切坡强度进行归一化处理，以得到垦殖区切坡强度。
在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述处理结果计算垦殖区所在的斜坡单元的标准单位面积以及垦殖区所在的斜坡单元上的垦殖区面积，并计算垦殖区密度步骤时，具体实现如下步骤：
根据所述处理结果计算垦殖区所在的斜坡单元的标准单位面积以及垦殖区所在的斜坡单元上的垦殖区面积，并采用
Figure BDA0003422599540000142
计算垦殖区密度，其中，S单位是垦殖区所在的斜坡单元的标准单位面积，S垦殖区是垦殖区所在的斜坡单元上的垦殖区面积，ω为垦殖区密度。
在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述处理结果计算垦殖区所在的斜坡单元上垦殖区的平均DEM、垦殖区所在的斜坡单元DEM数据的最大值以及最小值，并计算垦殖区位置指数步骤时，具体实现如下步骤：
根据所述处理结果计算垦殖区所在的斜坡单元上垦殖区的平均DEM、垦殖区所在的斜坡单元DEM数据的最大值以及最小值，采用
Figure BDA0003422599540000151
Figure BDA0003422599540000152
计算垦殖区位置指数，其中，DEMmean垦殖区是垦殖区所在的斜坡单元上垦殖区的平均DEM，DEMmax斜坡是垦殖区所在的斜坡单元DEM数据的最大值，DEMmin斜坡为垦殖区所在的斜坡单元DEM数据的最小值，β是垦殖区位置指数。
所述存储介质可以是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计算机可读存储介质。
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302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。
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.垦殖区特征提取方法，其特征在于，包括：
获取垦殖矢量数据、DEM数据以及斜坡单元矢量数据；
根据所述垦殖矢量数据对所述DEM数据以及所述斜坡单元矢量数据进行数据处理，以得到处理结果；
根据所述处理结果提取垦殖类型、垦殖切破强度、垦殖密度、垦殖区与斜坡单元空间关系，以得到多个垦殖特征；
利用机器学习算法挖掘多个垦殖特征之间的关联关系，以得到垦殖区特征；
将所述垦殖区特征作为评价指标进行地质灾害评价。
2.根据权利要求1所述的垦殖区特征提取方法，其特征在于，所述根据所述垦殖矢量数据对所述DEM数据以及所述斜坡单元矢量数据进行数据处理，以得到处理结果，包括：
根据所述垦殖矢量数据基于python对所述斜坡单元矢量数据进行裁剪运算，以得到垦殖区所在的斜坡单元矢量数据；
根据所述垦殖矢量数据基于python对所述DEM数据进行裁剪运算，以得到垦殖区所在的斜坡单元DEM数据；
其中，所述处理结果包括垦殖区所在的斜坡单元矢量数据以及垦殖区所在的斜坡单元DEM数据。
3.根据权利要求1所述的垦殖区特征提取方法，其特征在于，所述根据所述处理结果提取垦殖类型、垦殖切破强度、垦殖密度、垦殖区与斜坡单元空间关系，以得到多个垦殖特征，包括：
根据垦殖区原始属性表提取垦殖区的垦殖类型；
根据所述处理结果计算垦殖区所在的斜坡单元的平均坡度、垦殖区所在的斜坡单元面积以及垦殖区所在的斜坡单元上的垦殖区面积，并计算垦殖区切坡强度；
根据所述处理结果计算垦殖区所在的斜坡单元的标准单位面积以及垦殖区所在的斜坡单元上的垦殖区面积，并计算垦殖区密度；
根据所述处理结果计算垦殖区所在的斜坡单元上垦殖区的平均DEM、垦殖区所在的斜坡单元DEM数据的最大值以及最小值，并计算垦殖区位置指数；
其中，多个垦殖特征包括垦殖类型、垦殖区切坡强度、垦殖区密度以及垦殖区位置指数。
4.根据权利要求3所述的垦殖区特征提取方法，其特征在于，所述根据所述处理结果计算垦殖区所在的斜坡单元的平均坡度、垦殖区所在的斜坡单元面积以及垦殖区所在的斜坡单元上的垦殖区面积，并计算垦殖区切坡强度，包括：
根据所述处理结果计算垦殖区所在的斜坡单元的平均坡度、垦殖区所在的斜坡单元面积以及垦殖区所在的斜坡单元上的垦殖区面积；
计算初始的垦殖区切坡强度，具体地，采用
Figure FDA0003422599530000021
计算初始的垦殖区切坡强度，其中，α是垦殖区所在的斜坡单元的平均坡度，S1是垦殖区所在的斜坡单元面积，S2是垦殖区所在的斜坡单元上的垦殖区面积，K是初始的垦殖区切坡强度；
对初始的垦殖区切坡强度进行归一化处理，以得到垦殖区切坡强度。
5.根据权利要求3所述的垦殖区特征提取方法，其特征在于，所述根据所述处理结果计算垦殖区所在的斜坡单元的标准单位面积以及垦殖区所在的斜坡单元上的垦殖区面积，并计算垦殖区密度，包括：
根据所述处理结果计算垦殖区所在的斜坡单元的标准单位面积以及垦殖区所在的斜坡单元上的垦殖区面积，并采用
Figure FDA0003422599530000022
计算垦殖区密度，其中，S单位是垦殖区所在的斜坡单元的标准单位面积，S垦殖区是垦殖区所在的斜坡单元上的垦殖区面积，ω为垦殖区密度。
6.根据权利要求3所述的垦殖区特征提取方法，其特征在于，所述根据所述处理结果计算垦殖区所在的斜坡单元上垦殖区的平均DEM、垦殖区所在的斜坡单元DEM数据的最大值以及最小值，并计算垦殖区位置指数，包括：
根据所述处理结果计算垦殖区所在的斜坡单元上垦殖区的平均DEM、垦殖区所在的斜坡单元DEM数据的最大值以及最小值，采用
Figure FDA0003422599530000023
Figure FDA0003422599530000024
计算垦殖区位置指数，其中，DEMmean垦殖区是垦殖区所在的斜坡单元上垦殖区的平均DEM，DEMmax斜坡是垦殖区所在的斜坡单元DEM数据的最大值，DEMmin斜坡为垦殖区所在的斜坡单元DEM数据的最小值，β是垦殖区位置指数。
7.垦殖区特征提取装置，其特征在于，包括：
数据获取单元，用于获取垦殖矢量数据、DEM数据以及斜坡单元矢量数据；
处理单元，用于根据所述垦殖矢量数据对所述DEM数据以及所述斜坡单元矢量数据进行数据处理，以得到处理结果；
特征提取单元，用于根据所述处理结果提取垦殖类型、垦殖切破强度、垦殖密度、垦殖区与斜坡单元空间关系，以得到多个垦殖特征；
关联关系确定单元，用于利用机器学习算法挖掘多个垦殖特征之间的关联关系，以得到垦殖区特征；
评价单元，用于将所述垦殖区特征作为评价指标进行地质灾害评价。
8.根据权利要求7所述的垦殖区特征提取装置，其特征在于，所述处理单元包括：
第一裁剪子单元，用于根据所述垦殖矢量数据基于python对所述斜坡单元矢量数据进行裁剪运算，以得到垦殖区所在的斜坡单元矢量数据；
第二裁剪子单元，用于根据所述垦殖矢量数据基于python对所述DEM数据进行裁剪运算，以得到垦殖区所在的斜坡单元DEM数据。
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至6中任一项所述的方法。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现如权利要求1至6中任一项所述的方法。
CN202111568532.1A 2021-12-21 2021-12-21 垦殖区特征提取方法、装置、计算机设备及存储介质 Pending CN114240190A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111568532.1A CN114240190A (zh) 2021-12-21 2021-12-21 垦殖区特征提取方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111568532.1A CN114240190A (zh) 2021-12-21 2021-12-21 垦殖区特征提取方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN114240190A true CN114240190A (zh) 2022-03-25

Family

ID=80760025

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111568532.1A Pending CN114240190A (zh) 2021-12-21 2021-12-21 垦殖区特征提取方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN114240190A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117172561A (zh) * 2023-11-03 2023-12-05 广东新禾道信息科技有限公司 基于智能模型算法的地质灾害风险隐患预测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117172561A (zh) * 2023-11-03 2023-12-05 广东新禾道信息科技有限公司 基于智能模型算法的地质灾害风险隐患预测方法及系统
CN117172561B (zh) * 2023-11-03 2024-01-02 广东新禾道信息科技有限公司 基于智能模型算法的地质灾害风险隐患预测方法及系统

Similar Documents

Publication Publication Date Title
Rodgers et al. HRT: home range tools for ArcGIS
Burton et al. RootScan: software for high-throughput analysis of root anatomical traits
Silveira et al. AMMI analysis to evaluate the adaptability and phenotypic stability of sugarcane genotypes
Wu et al. Image analysis-based recognition and quantification of grain number per panicle in rice
Bright et al. Predicting live and dead tree basal area of bark beetle affected forests from discrete-return lidar
CN114240190A (zh) 垦殖区特征提取方法、装置、计算机设备及存储介质
CN113327071A (zh) 基于5g的环境管理方法、装置、计算机设备及存储介质
CN110688513B (zh) 基于视频的农作物查勘方法、装置及计算机设备
Andrade et al. Statistical modeling implications for coffee progenies selection
Zhang et al. Tree stem extraction from TLS point-cloud data of natural forests based on geometric features and DBSCAN
Cosenza et al. Airborne laser scanning applied to eucalyptus stand inventory at individual tree level
US11640553B2 (en) Method for analyzing time-series data based on machine learning and information processing apparatus
Grüss et al. Supporting a stock assessment with spatio-temporal models fitted to fisheries-dependent data
CN111696122A (zh) 农作物表型参数提取方法及装置
Tang MOVER confidence intervals for a difference or ratio effect parameter under stratified sampling
CN117727027A (zh) 一种豆荚分类方法
DeWeber et al. Long-term changes in body condition and gillnet selectivity in Lake Constance pelagic spawning whitefish (Coregonus wartmanni)
CN106682624A (zh) 基于时间序列遥感信息的建成区提取方法及装置
CN110674104A (zh) 特征组合筛选方法、装置、计算机设备及存储介质
Johann et al. Data mining techniques for identification of spectrally homogeneous areas using NDVI temporal profiles of soybean crop
US20220121919A1 (en) Determining Cereal Grain Crop Yield Based On Cereal Grain Trait Value(s)
Hua et al. [Retracted] Quantitative Evaluation of Leaf Morphology with Different Rice Genotypes Based on Image Processing
JP6524842B2 (ja) 情報処理装置、情報処理方法、及びプログラム
CN112328826A (zh) 一种船只图像检索方法、装置、电子设备以及存储介质
CN111861701A (zh) 风控模型优化方法、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