CN114283344A - 一种森林生态水文过程自动实时监测方法及系统 - Google Patents
一种森林生态水文过程自动实时监测方法及系统 Download PDFInfo
- Publication number
- CN114283344A CN114283344A CN202111628372.5A CN202111628372A CN114283344A CN 114283344 A CN114283344 A CN 114283344A CN 202111628372 A CN202111628372 A CN 202111628372A CN 114283344 A CN114283344 A CN 114283344A
- Authority
- CN
- China
- Prior art keywords
- data
- ecological
- hydrological
- forest
- trend
- 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
Links
Images
Abstract
本发明公开了一种森林生态水文过程自动实时监测方法及系统,应用于监测技术领域;通过历史数据构建生态水文预测模型,将当前数据输入生态水文预测模型中,得到预测值,通过预测值监测当前实时监测数据,其中生态水文预测模型分别预测水文数据和生态数据;利用预测值填补不连续数据;另外,预测生态数据时通过计算影响因子的权重系数确定不同影响因子的重要度,以提高预测准确度,同时预测水文数据时,经过模态分解分别预测本征项和趋势项,在进行累加避免水文数据中本征项与趋势项的影响以提高准确度。
Description
技术领域
本发明涉及监测技术领域,更具体的说是涉及一种森林生态水文过程自动实时监测方法及系统。
背景技术
森林生态水文过程监控包括对于森林生态过程监控和森林水文过程监控,获取监测数据的手段,无非就是从森林植被冠层与地被物层水文机制、林地土壤水分运动数学模拟、土壤水分动态变化规律、林地坡面地表径流运动的数学模拟、森林植被对不同尺度径流影响分析等方面系统研究分析了森林水文所涉及各个作用层面的作用过程与影响机制,在实验研究的基础上,通过数值模拟计算,揭示森林植被对地表径流、土壤水分运动的作用机理;通过水量平衡分析,揭示森林植被和态系统水分平衡各分量所占的比例和相对重要性,以期为森林植被的经营和宣和综合效益评价提供依据。
为了更好的了解森林变化,一般需要对森林进行长期的生态降水量进行检查,用来对森林动植物生长环境进行辅助观察,而目前对生态环境降水量的测量时多是通过雨量筒雨量进行监测,但由于自然保护区山高林密,数据监测难度大,供电不稳定等原因导致监测过程不完整,数据不连续,数据质量差。
因此,如何提供一种准确、连续的森林生态水文过程自动实时监测方法及系统是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种森林生态水文过程自动实时监测方法及系统,能够通过预测弥补自然保护区监控不准确,不连续的问题。
为了实现上述目的,本发明提供如下技术方案:
一种森林生态水文过程自动实时监测方法,具体步骤包括:
获取历史森林生态水文数据;
根据所述历史森林生态水文数据构建并训练生态水文预测模型;
利用当前森林生态水文数据导入所述生态水文预测模型,获得预测值;
根据所述预测值监测当前森林生态水文数据。
通过上述技术方案,本发明的技术效果在于,通过历史数据构建生态水文预测模型,将当前数据输入生态水文预测模型中,得到预测值,通过预测值监测当前数据,及时预警管理人员查看供电、仪器设备工作情况等,以解决自然保护区监控不准确,不连续的问题。
可选的,在上述的一种森林生态水文过程自动实时监测方法中,所述森林生态水文数据包括:森林斑块数据、林线变化数据、植被数据、径流量、降雨量、土壤数据。
可选的,在上述的一种森林生态水文过程自动实时监测方法中,所述生态水文预测模型的构建步骤包括:
所述历史森林生态水文数据根据获取内容进行分类;
根据分类结果分别构建生态子模型和水文子模型;
通过所述生态子模型和所述水文子模型分别得到生态预测值和水文预测值。
可选的,在上述的一种森林生态水文过程自动实时监测方法中,所述生态子模型构建步骤:
获取森林遥感图像和航拍图像,进行预处理;
提取森林斑块动态变化和林线变化的时序数据;
根据所述时序数据得到变化趋势数据;
利用所述变化趋势数据进行预测。
可选的,在上述的一种森林生态水文过程自动实时监测方法中,还包括:
确定所述变化趋势数据影响因子;
根据历史数据输入神经网络模型确定各个影响因子权重系数;
利用权重系数最终得到变化趋势数据。
可选的,在上述的一种森林生态水文过程自动实时监测方法中,所述水文子模型构建步骤:
历史水文时序数据,并对所述历史水文时序数据进行模态分解为本征项和趋势项;
分别利用所述本征项和所述趋势项训练神经网络模型,得到第一预测模型和第二预测模型;
获取当前水文时序数据,分别输入所述第一预测模型和所述第二预测模型,得到本征项预测值和趋势项预测值;
经过累加即为水文数据预测值。
一种森林生态水文过程自动实时监测系统,包括:
获取模块,获取历史森林生态水文数据;
构建及训练模块,根据所述历史森林生态水文数据构建并训练生态水文预测模型;
预测模块,利用当前森林生态水文数据导入所述生态水文预测模型,获得预测值;
监测模块,根据所述预测值监测当前森林生态水文数据。
可选的,在上述的一种森林生态水文过程自动实时监测系统中,还包括:实时数据获取模块,通过传感器获取当前实时监测的森林生态水文数据。
可选的,在上述的一种森林生态水文过程自动实时监测系统中,构建及训练模块包括:
生态子模型单元,获取森林遥感图像和航拍图像,并提取时序数据,根据所述时序数据得到变化趋势数据;
水文子模型单元,获取历史水文时序数据分解为本征项和趋势项,分别对本征项和趋势项输入模型得到本征项预测值和趋势项预测值。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种森林生态水文过程自动实时监测方法及系统,能够通过预测弥补自然保护区监控不准确,不连续的问题;通过历史数据构建生态水文预测模型,将当前数据输入生态水文预测模型中,得到预测值,通过预测值监测当前数据,其中生态水文预测模型分别预测水文数据和生态数据;利用预测值填补不连续数据;另外,预测生态数据时通过计算影响因子的权重系数确定不同影响因子的重要度,以提高预测准确度,同时预测水文数据时,经过模态分解分别预测本征项和趋势项,在进行累加避免水文数据中本征项与趋势项的影响以提高准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程图。
图2为本发明的结构框图。
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。
本发明实施例公开了一种森林生态水文过程自动实时监测方法及系统,能够通过预测弥补自然保护区监控不准确,不连续的问题;通过历史数据构建生态水文预测模型,将当前数据输入生态水文预测模型中,得到预测值,通过预测值监测当前数据,其中生态水文预测模型分别预测水文数据和生态数据;利用预测值填补不连续数据;另外,预测生态数据时通过计算影响因子的权重系数确定不同影响因子的重要度,以提高预测准确度,同时预测水文数据时,经过模态分解分别预测本征项和趋势项,在进行累加避免水文数据中本征项与趋势项的影响以提高准确度。
本发明的实施例公开了一种森林生态水文过程自动实时监测方法,如图1所示,具体步骤包括:
获取历史森林生态水文数据;
根据历史森林生态水文数据构建并训练生态水文预测模型;
利用当前森林生态水文数据导入生态水文预测模型,获得预测值;
根据预测值监测当前森林生态水文数据。
通过历史数据构建生态水文预测模型,将当前数据输入生态水文预测模型中,得到预测值,通过预测值监测当前数据,以解决自然保护区监控不准确,不连续的问题。
为了进一步优化上述技术方案,还包括获取实时监测的森林生态水文数据,通过传感器进行获得,并通过无线传输方式传输给工作中心,实时监测的数值和预测的数值差距大于固定倍数或达到预设阈值,则可以提醒管理人员查看仪器设备,是否出现断电、人为干扰或者仪器设备故障等,从而达到连续监测的目的。
为了进一步优化上述技术方案,森林生态水文数据包括:森林斑块数据、林线变化数据、植被数据、径流量、降雨量、土壤数据。
具体地,关于森林斑块数据通过遥感图像获得;
林线变化数据通过无人机拍照获得;
植被数据包括:树木年龄、树木种类、树木分布数据,以上数据通过人工调查获得。
径流量、降雨量、土壤数据可以通过传感器采集或采集设备获得。
为了进一步优化上述技术方案,生态水文预测模型的构建步骤包括:
历史森林生态水文数据根据获取内容进行分类;
根据分类结果分别构建生态子模型和水文子模型;
通过生态子模型和水文子模型分别得到生态预测值和水文预测值。
具体地,森林水文数据根据数据种类进行分类,分为生态数据和水文数据;
分别利用生态数据和水文数据构建生态子模型和水文子模型。
为了进一步优化上述技术方案,生态子模型构建步骤:
获取森林遥感图像和航拍图像,进行预处理;
提取森林斑块动态变化和林线变化的时序数据;
根据时序数据得到变化趋势数据;
利用变化趋势数据进行预测。
具体地,对森林遥感图像和航拍图像进行预处理;
预处理包括:
1、图像恢复:即校正在成像、记录、传输或回放过程中引入的数据错误、噪声与畸变。包括辐射校正、几何校正等;
2、数据压缩:以改进传输、存储和处理数据效率;
3、影像增强:突出数据的某些特征,以提高影像目视质量。包括彩色增强、反差增强、边缘增强、密度分割、比值运算、去模糊等;
4、信息提取:从经过增强处理的影像中提取有用的遥感信息。包括采用各种统计分析、集群分析、频谱分析等自动识别与分类。通常利用专用数字图像处理系统来实现,且依据目的不同采用不同算法和技术。
提取森林斑块动态变化和林线变化的时序数据;
具体地,获取不同时间点的森林斑块动态变化和林线变化的时序数据。
进一步,根据时序数据得到变化趋势数据;
具体地,将相邻时刻的时序数据作差,去除起点0时刻以及数据间断起始点的变化趋势数据;
进一步,通过调整不同时间尺度获得不同时间尺度下的变化趋势数据;通过预测不同时间尺度选择不同的变化趋势数据,以保证预测的准确性。
为了进一步优化上述技术方案,还包括:
确定变化趋势数据影响因子;
根据历史数据输入神经网络模型确定各个影响因子权重系数;
利用权重系数最终得到变化趋势数据。
影响变化趋势数据的影响因子包括但不限于:温度、湿度、人工破坏、自然灾害等;计算影响因子对于变化趋势的影响相关性,以及各个影响因子之间的相关性;
根据各个影响因子权重系数,最终得到变化趋势数据。
为了进一步优化上述技术方案,水文子模型构建步骤:
历史水文时序数据,并对历史水文时序数据进行模态分解为本征项和趋势项;
分别利用本征项和趋势项训练神经网络模型,得到第一预测模型和第二预测模型;
获取当前水文时序数据,分别输入第一预测模型和第二预测模型,得到本征项预测值和趋势项预测值;
经过累加即为水文数据预测值。
具体地,将水文时序数据进行模态分解为本征项和趋势项;其中本征项表征不同时间尺度的演变过程;趋势项具有较大时间尺度的变化过程,其反映了时序数据与影响其长期演化的主要因子(即影响因素)之间的响应关系,即影响因素的影响关系。
进一步,将水文时序数据进行分解,分别对演变过程和演变过程对应的映射关系进行预测,然后累加得到最终预测值。
本发明另一实施例公开了一种森林生态水文过程自动实时监测系统,如图2所示,包括:
获取模块,获取历史森林生态水文数据;
构建及训练模块,根据历史森林生态水文数据构建并训练生态水文预测模型;
预测模块,利用当前森林生态水文数据导入生态水文预测模型,获得预测值;
监测模块,根据所述预测值监测当前森林生态水文数据。
为了进一步优化上述技术方案,还包括:实时数据获取模块,通过传感器获取当前实时监测的森林生态水文数据。
为了进一步优化上述技术方案,构建及训练模块包括:
生态子模型单元,获取森林遥感图像和航拍图像,并提取时序数据,根据时序数据得到变化趋势数据;
水文子模型单元,获取历史水文时序数据分解为本征项和趋势项,分别对本征项和趋势项输入模型得到本征项预测值和趋势项预测值。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种森林生态水文过程自动实时监测方法,其特征在于,具体步骤包括:获取历史森林生态水文数据;
根据所述历史森林生态水文数据构建并训练生态水文预测模型;
利用当前森林生态水文数据导入所述生态水文预测模型,获得预测值;根据所述预测值监测当前森林生态水文数据。
2.根据权利要求1所述的一种森林生态水文过程自动实时监测方法,其特征在于,所述森林生态水文数据包括:森林斑块数据、林线变化数据、植被数据、径流量、降雨量、土壤数据。
3.根据权利要求1所述的一种森林生态水文过程自动实时监测方法,其特征在于,所述生态水文预测模型的构建步骤包括:
所述历史森林生态水文数据根据获取内容进行分类;
根据分类结果分别构建生态子模型和水文子模型;
通过所述生态子模型和所述水文子模型分别得到生态预测值和水文预测值。
4.根据权利要求3所述的一种森林生态水文过程自动实时监测方法,其特征在于,所述生态子模型构建步骤:
获取森林遥感图像和航拍图像,进行预处理;
提取森林斑块动态变化和林线变化的时序数据;
根据所述时序数据得到变化趋势数据;
利用所述变化趋势数据进行预测。
5.根据权利要求4所述的一种森林生态水文过程自动实时监测方法,其特征在于,还包括:确定所述变化趋势数据影响因子;
根据历史数据输入神经网络模型确定各个影响因子权重系数;
利用权重系数最终得到变化趋势数据。
6.根据权利要求3所述的一种森林生态水文过程自动实时监测方法,其特征在于,所述水文子模型构建步骤:
历史水文时序数据,并对所述历史水文时序数据进行模态分解为本征项和趋势项;
分别利用所述本征项和所述趋势项训练神经网络模型,得到第一预测模型和第二预测模型;
获取当前水文时序数据,分别输入所述第一预测模型和所述第二预测模型,得到本征项预测值和趋势项预测值;
经过累加即为水文数据预测值。
7.一种森林生态水文过程自动实时监测系统,其特征在于,包括:
获取模块,获取历史森林生态水文数据;
构建及训练模块,根据所述历史森林生态水文数据构建并训练生态水文预测模型;
预测模块,利用当前森林生态水文数据导入所述生态水文预测模型,获得预测值;
监测模块,根据所述预测值监测当前森林生态水文数据。
8.根据权利要求7所述的一种森林生态水文过程自动实时监测系统,其特征在于,还包括:实时数据获取模块,通过传感器获取当前实时监测的森林生态水文数据。
9.根据权利要求7所述的一种森林生态水文过程自动实时监测系统,其特征在于,构建及训练模块包括:
生态子模型单元,获取森林遥感图像和航拍图像,并提取时序数据,根据所述时序数据得到变化趋势数据;
水文子模型单元,获取历史水文时序数据分解为本征项和趋势项,分别对本征项和趋势项输入模型得到本征项预测值和趋势项预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111628372.5A CN114283344A (zh) | 2021-12-28 | 2021-12-28 | 一种森林生态水文过程自动实时监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111628372.5A CN114283344A (zh) | 2021-12-28 | 2021-12-28 | 一种森林生态水文过程自动实时监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114283344A true CN114283344A (zh) | 2022-04-05 |
Family
ID=80877125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111628372.5A Pending CN114283344A (zh) | 2021-12-28 | 2021-12-28 | 一种森林生态水文过程自动实时监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114283344A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958814A (zh) * | 2023-07-24 | 2023-10-27 | 河北工程大学 | 一种湿地典型植物生长情况实时监测方法及系统 |
-
2021
- 2021-12-28 CN CN202111628372.5A patent/CN114283344A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958814A (zh) * | 2023-07-24 | 2023-10-27 | 河北工程大学 | 一种湿地典型植物生长情况实时监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111045117B (zh) | 一种气候监测预测平台 | |
Atzberger et al. | A time series for monitoring vegetation activity and phenology at 10-daily time steps covering large parts of South America | |
CN112308292B (zh) | 一种火灾风险等级分布图的绘制方法 | |
CN113040034B (zh) | 一种节水灌溉控制系统及控制方法 | |
Mohammadi et al. | Possibility investigation of tree diversity mapping using Landsat ETM+ data in the Hyrcanian forests of Iran | |
CN112735094A (zh) | 基于机器学习的地质灾害预测方法、装置和电子设备 | |
CN116362570B (zh) | 一种基于大数据平台的多维度污染分析方法及系统 | |
CN111126662A (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
CN111738175A (zh) | 一种基于遥感影像和卷积神经网络的农业干旱监测系统 | |
CN114219847B (zh) | 基于物候特征的作物种植面积确定方法、系统及存储介质 | |
CN112858632A (zh) | 一种综合考虑温度和水分胁迫的草地旱情监测方法 | |
CN113901384A (zh) | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 | |
CN112016744B (zh) | 一种基于土壤水分的森林火灾预测方法、装置及存储介质 | |
CN114283344A (zh) | 一种森林生态水文过程自动实时监测方法及系统 | |
CN117371337A (zh) | 一种基于数字孪生的水利模型构建方法及系统 | |
CN117037076A (zh) | 一种基于遥感技术的土壤墒情智能监测方法 | |
CN110441830B (zh) | 基于自动气象站的小区域天气预测方法及存储介质 | |
CN116702588A (zh) | 一种基于多源数据的风电场关键气象因子预报方法及系统 | |
CN114691661B (zh) | 一种基于同化的云导风、温湿廓线预处理分析方法及系统 | |
Hakim et al. | Automatic rain detection system based on digital images of CCTV cameras using convolutional neural network method | |
Murray et al. | Using fractal analysis of crown images to measure the structural condition of trees | |
Packalén et al. | Comparison of individual tree detection and canopy height distribution approaches: a case study in Finland. | |
CN113343783A (zh) | 一种农作物智能识别与长势预测方法及系统 | |
CN113298756A (zh) | 水量检测方法、装置、云服务器及存储介质 | |
CN116226606B (zh) | 无人值守自动气象站雨量数据质控方法及系统 |
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 |