CN114663764B - 一种耕地土壤环境质量区划方法、装置、介质及终端设备 - Google Patents
一种耕地土壤环境质量区划方法、装置、介质及终端设备 Download PDFInfo
- Publication number
- CN114663764B CN114663764B CN202210339192.3A CN202210339192A CN114663764B CN 114663764 B CN114663764 B CN 114663764B CN 202210339192 A CN202210339192 A CN 202210339192A CN 114663764 B CN114663764 B CN 114663764B
- Authority
- CN
- China
- Prior art keywords
- area
- farming
- value
- weight
- soil
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明公开了一种耕地土壤环境质量区划方法、装置、介质及终端设备,本技术方案利用遥感图像对目标区域进行划分,通过计算各个农耕区到净化区和污染区等影响区域的距离从而确定环境影响值,分别以最大影响值和最小影响值作为基础值,计算出两个数据集,对权重值的修正使得两个数据集一致时,即可使得各个农耕区的土壤质量数值的准确性,最后便以确定各个农耕区的土壤质量等级;以解决现有技术中无法对整个农耕区域大范围的土壤质量进行等级区划的技术问题,实现对整个农耕区域环境、大范围内的土壤质量等级进行评估,可以高效地确定各个农耕区域的土壤环境质量。
Description
技术领域
本发明涉及耕地土壤环境评价及污染防控技术领域,尤其涉及一种耕地土壤环境质量区划方法、装置、介质及终端设备。
背景技术
随着城市化、工业化的发展,土壤污染问题日趋严重。现有技术中将土壤质量划分为三层等级;其中,一类为保护区域自然生态、维持自然背景的土壤质量;二类为保障农业生产,维护人体健康的土壤质量;三类为保障农林生产和植物正常生长的土壤质量。对目标区域的土壤环境质量准确地区划出对应的层次等级,可为研究人类活动影响下的土壤环境过程,揭示土壤环境质空间分异规律提供基础,从而提高对区域土壤环境变化的预测能力,对于土壤环境改善具有重要意义。
然而,现有技术中为了确定目标区域的土壤质量等级,会根据相关标准要求,到实地进行样品采集、数据检测分析,得到土壤中地球化学元素含量数据,基于具体某一片土壤的地球化学元素含量,从而确定该土壤的质量等级。但在农业土地探测中,由于农耕区域跨度非常大,人们为统筹整个农耕区域的土壤环境质量,往往需要评估整个农耕区域环境、大范围内的土壤质量等级。如果采用以往的评估方式,需要落实到每片土壤进行土壤采集,再实验得到数据结果才能评估的话,这种处理策略效率很低,并且会浪费大量的人力成本,而随着实操的时间增长,很有可能在评估结果出来之前,实际土壤的质量就已经发生了变化,失去评估意义。
因此,目前市面上亟需一种耕地土壤环境质量区划策略,以解决现有技术中无法对整个农耕区域大范围的土壤质量进行等级区划的技术问题。
发明内容
本发明提供了一种耕地土壤环境质量区划方法、装置、介质及终端设备,实现对整个农耕区域环境、大范围内的土壤质量等级进行评估,可以高效地确定各个农耕区域的土壤环境质量。
为了解决上述技术问题,本发明实施例提供了一种耕地土壤环境质量区划方法,包括:
获取目标区域的遥感图像,将所述遥感图像输入区域识别模型,对所述遥感图像中的各个区域类型进行划分并标注,得到区域布局图;其中,所述区域类型包括:农耕区、净化区和污染区;
计算所述区域布局图中各个农耕区与任一净化区之间的最短距离,并确定影响该农耕区的土壤环境质量的第一权值;计算所述区域布局图中各个农耕区与任一污染区之间的最短距离,并确定影响该农耕区的土壤环境质量的第二权值;根据所述第一权值和所述第二权值,计算出各个农耕区的环境影响值;
根据所述各个农耕区的环境影响值,对所述环境影响值最大和最小的农耕区通过实地进行数据探测,确定环境影响值最大的农耕区所对应的第一土壤质量数值,以及环境影响值最小的农耕区所对应的第二土壤质量数值;
根据各个农耕区的环境影响值的比例,以所述第一土壤质量数值为基础值计算得到各个农耕区的土壤质量数值,得到第一数据集;以及,以所述第二土壤质量数值为基础值计算得到各个农耕区的土壤质量数值,得到第二数据集;
对所述第一权值和所述第二权值进行修正,直到修正后计算得到的第一数据集与第二数据集一致,并根据预设等级数值范围和修正后的各个农耕区的土壤质量数值,确定各个农耕区的土壤质量等级。
作为优选方案,所述净化区包括:自然保护区和集中式生活饮用水源区;所述污染区包括:矿资源开发区和房屋建设区。
作为优选方案,所述区域识别模型的建立过程为:
获取历史遥感图像,将所述历史遥感图像分为训练图像集和优化图像集;其中,所述历史遥感图像中含有农耕区、自然保护区、集中式生活饮用水源区、矿资源开发区或房屋建设区中的一种或多种;其中,所述训练图像集中的历史遥感图像上标注有各种区域类型,所述优化图像集中的历史遥感图像为原始遥感图像;
建立初始识别模型,将所述训练图像集中的历史遥感图像输入所述初始识别模型进行训练,直到训练次数达到预设次数后,得到训练识别模型;
将所述优化图像集中的历史遥感图像输入所述训练识别模型进行识别优化,直到识别准确率达到预设准确率后,得到区域识别模型。
作为优选方案,所述环境影响值的计算公式为:Y=X1×X2;其中,Y为环境影响值,X1为第一权值,X2为第二权值;X1<1,X2>1。
作为优选方案,所述计算所述区域布局图中各个农耕区与任一净化区之间的最短距离的步骤中,具体为:确定各个农耕区和净化区的中心位置,分别计算各个农耕区的中心位置到任一净化区的中心位置之间的最短距离;
所述计算所述区域布局图中各个农耕区与任一污染区之间的最短距离的步骤中,具体为:确定各个农耕区和污染区的中心位置,分别计算各个农耕区的中心位置到任一污染区的中心位置之间的最短距离。
作为优选方案,所述中心位置的确定过程为:
对各个区域的形状进行判断,当该区域的形状为规则图形时,根据规则图形算法确定该区域的中心位置;
当该区域的形状为不规则图形时,对所述不规则图形进行二值化处理,得到所述不规则图形的外轮廓,并以所述外轮廓为该区域的图形边缘,使该区域转化为规则图形,根据规则图形算法确定该区域的中心位置。
作为优选方案,在所述得到区域布局图之后,还包括:
建立空间直角坐标系,根据所述区域布局图中各个区域的相对位置,在所述空间直角坐标系中确定区域布局图中各个区域的坐标数据;
在所述空间直角坐标系中构建网络栅格,根据各个区域的坐标数据计算出各个区域的面积大小,当任一区域的面积与其相邻区域的面积的比值均达到预设阈值时,对该区域进行过滤。
相应地,本发明另一实施例还提供了一种耕地土壤环境质量区划装置,包括:
划分标注模块,用于获取目标区域的遥感图像,将所述遥感图像输入区域识别模型,对所述遥感图像中的各个区域类型进行划分并标注,得到区域布局图;其中,所述区域类型包括:农耕区、净化区和污染区;
权值计算模块,用于计算所述区域布局图中各个农耕区与任一净化区之间的最短距离,并确定影响该农耕区的土壤环境质量的第一权值;计算所述区域布局图中各个农耕区与任一污染区之间的最短距离,并确定影响该农耕区的土壤环境质量的第二权值;根据所述第一权值和所述第二权值,计算出各个农耕区的环境影响值;
数值确定模块,用于根据所述各个农耕区的环境影响值,对所述环境影响值最大和最小的农耕区通过实地进行数据探测,确定环境影响值最大的农耕区所对应的第一土壤质量数值,以及环境影响值最小的农耕区所对应的第二土壤质量数值;
数值计算模块,用于根据各个农耕区的环境影响值的比例,以所述第一土壤质量数值为基础值计算得到各个农耕区的土壤质量数值,得到第一数据集;以及,以所述第二土壤质量数值为基础值计算得到各个农耕区的土壤质量数值,得到第二数据集;
等级确定模块,用于对所述第一权值和所述第二权值进行修正,直到修正后计算得到的第一数据集与第二数据集一致,并根据预设等级数值范围和修正后的各个农耕区的土壤质量数值,确定各个农耕区的土壤质量等级。
作为优选方案,所述净化区包括:自然保护区和集中式生活饮用水源区;所述污染区包括:矿资源开发区和房屋建设区。
作为优选方案,所述区域识别模型的建立过程为:
获取历史遥感图像,将所述历史遥感图像分为训练图像集和优化图像集;其中,所述历史遥感图像中含有农耕区、自然保护区、集中式生活饮用水源区、矿资源开发区或房屋建设区中的一种或多种;其中,所述训练图像集中的历史遥感图像上标注有各种区域类型,所述优化图像集中的历史遥感图像为原始遥感图像;
建立初始识别模型,将所述训练图像集中的历史遥感图像输入所述初始识别模型进行训练,直到训练次数达到预设次数后,得到训练识别模型;
将所述优化图像集中的历史遥感图像输入所述训练识别模型进行识别优化,直到识别准确率达到预设准确率后,得到区域识别模型。
作为优选方案,所述环境影响值的计算公式为:Y=X1×X2;其中,Y为环境影响值,X1为第一权值,X2为第二权值;X1<1,X2>1。
作为优选方案,所述权值计算模块用于计算所述区域布局图中各个农耕区与任一净化区之间的最短距离的步骤中,具体为:确定各个农耕区和净化区的中心位置,分别计算各个农耕区的中心位置到任一净化区的中心位置之间的最短距离;
所述权值计算模块用于计算所述区域布局图中各个农耕区与任一污染区之间的最短距离的步骤中,具体为:确定各个农耕区和污染区的中心位置,分别计算各个农耕区的中心位置到任一污染区的中心位置之间的最短距离。
作为优选方案,所述权值计算模块用于确定中心位置的过程为:
对各个区域的形状进行判断,当该区域的形状为规则图形时,根据规则图形算法确定该区域的中心位置;当该区域的形状为不规则图形时,对所述不规则图形进行二值化处理,得到所述不规则图形的外轮廓,并以所述外轮廓为该区域的图形边缘,使该区域转化为规则图形,根据规则图形算法确定该区域的中心位置。
作为优选方案,还包括:误差过滤模块,用于在所述得到区域布局图之后,建立空间直角坐标系,根据所述区域布局图中各个区域的相对位置,在所述空间直角坐标系中确定区域布局图中各个区域的坐标数据;在所述空间直角坐标系中构建网络栅格,根据各个区域的坐标数据计算出各个区域的面积大小,当任一区域的面积与其相邻区域的面积的比值均达到预设阈值时,对该区域进行过滤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述任一项所述的基于城市布局的土壤质量等级确定方法。
本发明实施例还提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如上述任一项所述的基于城市布局的土壤质量等级确定方法。
相比于现有技术,本发明实施例具有如下有益效果:
本技术方案利用遥感图像对目标区域进行划分,通过计算各个农耕区到净化区和污染区等影响区域的距离从而确定环境影响值,分别以最大影响值和最小影响值作为基础值,计算出两个数据集,对权重值的修正使得两个数据集一致时,即可使得各个农耕区的土壤质量数值的准确性,最后便以确定各个农耕区的土壤质量等级;以解决现有技术中无法对整个农耕区域大范围的土壤质量进行等级区划的技术问题,实现对整个农耕区域环境、大范围内的土壤质量等级进行评估,可以高效地确定各个农耕区域的土壤环境质量。
附图说明
图1:为本发明实施例提供的一种耕地土壤环境质量区划方法的步骤流程图;
图2:为本发明实施例提供的一种耕地土壤环境质量区划装置的结构示意图;
图3:为本发明实施例提供的终端设备的一种实施例的结构示意图。
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。
实施例一
请参照图1,为本发明实施例提供的一种耕地土壤环境质量区划方法的步骤流程图,包括步骤S1至步骤S5,各步骤具体如下:
步骤S1,获取目标区域的遥感图像,将所述遥感图像输入区域识别模型,对所述遥感图像中的各个区域类型进行划分并标注,得到区域布局图;其中,所述区域类型包括:农耕区、净化区和污染区。在本实施例中,所述净化区包括:自然保护区和集中式生活饮用水源区;所述污染区包括:矿资源开发区和房屋建设区。
在本实施例中,所述区域识别模型的建立过程包括步骤A1至步骤A3,各步骤具体如下:步骤A1,获取历史遥感图像,将所述历史遥感图像分为训练图像集和优化图像集;其中,所述历史遥感图像中含有农耕区、自然保护区、集中式生活饮用水源区、矿资源开发区或房屋建设区中的一种或多种;其中,所述训练图像集中的历史遥感图像上标注有各种区域类型,所述优化图像集中的历史遥感图像为原始遥感图像;步骤A2,建立初始识别模型,将所述训练图像集中的历史遥感图像输入所述初始识别模型进行训练,直到训练次数达到预设次数后,得到训练识别模型;步骤A3,将所述优化图像集中的历史遥感图像输入所述训练识别模型进行识别优化,直到识别准确率达到预设准确率后,得到区域识别模型。
具体地,为了获取目标区域的布局情况,我们通过采集该区域的遥感图像进行识别。我们事先通过历史遥感图像构建好区域识别模型,该区域识别模型用于对输入图像进行识别,对输入图像中的各个区域类型进行划分并标注。在实际应用中,为了更好地区分不同类型的土壤区域,本技术方案实施例将所有区域分类为三个类:农耕区、净化区和污染区;其中,净化区包括:自然保护区和集中式生活饮用水源区,是指环境很干净,对农耕区不会造成污染的地方;所述污染区包括:矿资源开发区和房屋建设区,是指该区域会产生一定的污染,对农耕区造成恶劣的环境情况。可以理解的是,区域识别模型的建立可采用仿真模型,在本实施例中配合历史遥感图像,可以精准地识别图像中的区域类型。
步骤S2,计算所述区域布局图中各个农耕区与任一净化区之间的最短距离,并确定影响该农耕区的土壤环境质量的第一权值;计算所述区域布局图中各个农耕区与任一污染区之间的最短距离,并确定影响该农耕区的土壤环境质量的第二权值;根据所述第一权值和所述第二权值,计算出各个农耕区的环境影响值。
在本实施例中,所述环境影响值的计算公式为:Y=X1×X2;其中,Y为环境影响值,X1为第一权值,X2为第二权值;X1<1,X2>1。在本实施例中,所述第一权值的计算公式为:其中,h1为农耕区与任一净化区之间的最短距离,a1为常值;所述第二权值的计算公式为:其中,h2为农耕区与任一污染区之间的最短距离,a2为常值。
具体地,第一权值和第二权值分别由a1常值和a2常值确定的。从上述公式可以看出,农耕区与净化区的最短距离越小,其第一权值越小(因为越近越安全),并且无论怎么运算,都需要保证第一权值的数值小于1;而农耕区与污染区的最短距离越小,其第二权值越大(因为越近越危险),并且无论怎么运算,都需要保证第二权值的数值大于1。在计算出第一权值和第二权值之后,它们的乘积就成为了该农耕区的环境影响值。
在另一实施例中,对上述任一实施例进行改进,所述计算所述区域布局图中各个农耕区与任一净化区之间的最短距离的步骤中,具体为:确定各个农耕区和净化区的中心位置,分别计算各个农耕区的中心位置到任一净化区的中心位置之间的最短距离;所述计算所述区域布局图中各个农耕区与任一污染区之间的最短距离的步骤中,具体为:确定各个农耕区和污染区的中心位置,分别计算各个农耕区的中心位置到任一污染区的中心位置之间的最短距离。
在本实施例中,所述中心位置的确定过程为:对各个区域的形状进行判断,当该区域的形状为规则图形时,根据规则图形算法确定该区域的中心位置;当该区域的形状为不规则图形时,对所述不规则图形进行二值化处理,得到所述不规则图形的外轮廓,并以所述外轮廓为该区域的图形边缘,使该区域转化为规则图形,根据规则图形算法确定该区域的中心位置。
具体地,在本方案进行中心位置确定的过程中,任一可确定不规则图形中心位置的策略都可以成为本方案的具体实施步骤的一种。而在本技术方案的实际应用中,本技术方案选择将不规则图形进行二值化处理,处理后的不规则图形进而进行了边缘模糊,形成了外轮廓。接着将外轮廓作为该区域的图像边缘,使得原来的不规则图像转换成规则图像,然后利用不同规则图像所对应计算的中心位置算法进行计算即可。
步骤S3,根据所述各个农耕区的环境影响值,对所述环境影响值最大和最小的农耕区通过实地进行数据探测,确定环境影响值最大的农耕区所对应的第一土壤质量数值,以及环境影响值最小的农耕区所对应的第二土壤质量数值。
具体地,在步骤S2中计算出各个农耕区的环境影响值后,就能确定最大环境影响值和最小环境影响值所对应的农耕区,接着通过实地探测的方式进行数据探测,从而确定这两个农耕区的实际土壤质量数值。在本步骤中,探测该两个农耕区的实际土壤质量数值的意义在于:在权重值准确的情况下,无论是以最大环境影响值为基础,根据各个农耕区的比例所计算得到的各个农耕区的土壤质量数值,理应与最小环境影响值为基础而计算得到的各个农耕区的土壤质量数值保持一致。所以本步骤要先确定最大和最小环境影响值所对应的农耕区实际的土壤质量数值,然后在下一个步骤中就可以通过各个农耕区的比例值计算各个土壤质量数值,对第一权重值和第二权重值进行修正并使两个数据集达到一致,即可保证各个农耕区的土壤质量数值的准确性。
步骤S4,根据各个农耕区的环境影响值的比例,以所述第一土壤质量数值为基础值计算得到各个农耕区的土壤质量数值,得到第一数据集;以及,以所述第二土壤质量数值为基础值计算得到各个农耕区的土壤质量数值,得到第二数据集。
具体地,如上述内容所述,在本步骤S4中,根据各个农耕区的环境影响值的比例,计算出分别以最大环境影响值和最小环境影响值为基础,各个农耕区的土壤质量数值,形成了第一数据集和第二数据集。
步骤S5,对所述第一权值和所述第二权值进行修正,直到修正后计算得到的第一数据集与第二数据集一致,并根据预设等级数值范围和修正后的各个农耕区的土壤质量数值,确定各个农耕区的土壤质量等级。
具体地,在实际应用中,往往需要调整多次权值。需要理解的是,权值的调整可以是增加或减少,只要使得权值调整后计算得到的第一数据集和第二数据集一致即可,此时即可证明当前的各个农耕区的土壤质量数值是准确的,从而通过准确的土壤质量数据确定各个农耕区的土壤质量等级。
本技术方案仅仅通过实地采集两个农耕区的土壤质量数值即可推算出整个地区中各个农耕区的土壤质量等级,方便快捷。本方案利用遥感图像对目标区域进行划分,通过计算各个农耕区到净化区和污染区等影响区域的距离从而确定环境影响值,分别以最大影响值和最小影响值作为基础值,计算出两个数据集,对权重值的修正使得两个数据集一致时,即可使得各个农耕区的土壤质量数值的准确性,最后便以确定各个农耕区的土壤质量等级;以解决现有技术中无法对整个农耕区域大范围的土壤质量进行等级区划的技术问题,实现对整个农耕区域环境、大范围内的土壤质量等级进行评估,可以高效地确定各个农耕区域的土壤环境质量。
在另一实施例中,对上述任一实施例进行改进,还包括:步骤S11,在所述得到区域布局图之后,建立空间直角坐标系,根据所述区域布局图中各个区域的相对位置,在所述空间直角坐标系中确定区域布局图中各个区域的坐标数据;在所述空间直角坐标系中构建网络栅格,根据各个区域的坐标数据计算出各个区域的面积大小,当任一区域的面积与其相邻区域的面积的比值均达到预设阈值时,对该区域进行过滤。
具体地,在得到区域布局图后,由于目标区域中本身有可能存在一些不确定的区域,或实际面积非常小的建筑物等等,由于在计算最短距离的过程中,这些特殊区域有可能会其计算结果造成影响。例如,该特殊区域在最短距离的线路上,这样会造成计算得到的最短距离小于实际最短距离,而在后续过程中可能对评估结果的误差影响较大。所以在得到区域布局图之后,需要对面积相对较小的区域土壤进行过滤,以免增大误差。
实施例二
请参照图二,相应地,为本发明另一实施例提供的一种耕地土壤环境质量区划装置的结构示意图,包括划分标注模块、权值计算模块、数值确定模块、数值计算模块和等级确定模块,各模块具体如下:
划分标注模块,用于获取目标区域的遥感图像,将所述遥感图像输入区域识别模型,对所述遥感图像中的各个区域类型进行划分并标注,得到区域布局图;其中,所述区域类型包括:农耕区、净化区和污染区。
在本实施例中,所述净化区包括:自然保护区和集中式生活饮用水源区;所述污染区包括:矿资源开发区和房屋建设区。
在本实施例中,所述区域识别模型的建立过程为:获取历史遥感图像,将所述历史遥感图像分为训练图像集和优化图像集;其中,所述历史遥感图像中含有农耕区、自然保护区、集中式生活饮用水源区、矿资源开发区或房屋建设区中的一种或多种;其中,所述训练图像集中的历史遥感图像上标注有各种区域类型,所述优化图像集中的历史遥感图像为原始遥感图像;建立初始识别模型,将所述训练图像集中的历史遥感图像输入所述初始识别模型进行训练,直到训练次数达到预设次数后,得到训练识别模型;将所述优化图像集中的历史遥感图像输入所述训练识别模型进行识别优化,直到识别准确率达到预设准确率后,得到区域识别模型。
权值计算模块,用于计算所述区域布局图中各个农耕区与任一净化区之间的最短距离,并确定影响该农耕区的土壤环境质量的第一权值;计算所述区域布局图中各个农耕区与任一污染区之间的最短距离,并确定影响该农耕区的土壤环境质量的第二权值;根据所述第一权值和所述第二权值,计算出各个农耕区的环境影响值。
在本实施例中,所述环境影响值的计算公式为:Y=X1×X2;其中,Y为环境影响值,X1为第一权值,X2为第二权值;X1<1,X2>1。
在另一实施例中,对上述任一实施例进行改进,所述权值计算模块用于计算所述区域布局图中各个农耕区与任一净化区之间的最短距离的步骤中,具体为:确定各个农耕区和净化区的中心位置,分别计算各个农耕区的中心位置到任一净化区的中心位置之间的最短距离;所述权值计算模块用于计算所述区域布局图中各个农耕区与任一污染区之间的最短距离的步骤中,具体为:确定各个农耕区和污染区的中心位置,分别计算各个农耕区的中心位置到任一污染区的中心位置之间的最短距离。
在本实施例中,所述权值计算模块用于确定中心位置的过程为:对各个区域的形状进行判断,当该区域的形状为规则图形时,根据规则图形算法确定该区域的中心位置;当该区域的形状为不规则图形时,对所述不规则图形进行二值化处理,得到所述不规则图形的外轮廓,并以所述外轮廓为该区域的图形边缘,使该区域转化为规则图形,根据规则图形算法确定该区域的中心位置。
具体地,在本方案进行中心位置确定的过程中,任一可确定不规则图形中心位置的策略都可以成为本方案的具体实施步骤的一种。而在本技术方案的实际应用中,本技术方案选择将不规则图形进行二值化处理,处理后的不规则图形进而进行了边缘模糊,形成了外轮廓。接着将外轮廓作为该区域的图像边缘,使得原来的不规则图像转换成规则图像,然后利用不同规则图像所对应计算的中心位置算法进行计算即可。
数值确定模块,用于根据所述各个农耕区的环境影响值,对所述环境影响值最大和最小的农耕区通过实地进行数据探测,确定环境影响值最大的农耕区所对应的第一土壤质量数值,以及环境影响值最小的农耕区所对应的第二土壤质量数值。
数值计算模块,用于根据各个农耕区的环境影响值的比例,以所述第一土壤质量数值为基础值计算得到各个农耕区的土壤质量数值,得到第一数据集;以及,以所述第二土壤质量数值为基础值计算得到各个农耕区的土壤质量数值,得到第二数据集。
等级确定模块,用于对所述第一权值和所述第二权值进行修正,直到修正后计算得到的第一数据集与第二数据集一致,并根据预设等级数值范围和修正后的各个农耕区的土壤质量数值,确定各个农耕区的土壤质量等级。
本技术方案利用遥感图像对目标区域进行划分,通过计算各个农耕区到净化区和污染区等影响区域的距离从而确定环境影响值,分别以最大影响值和最小影响值作为基础值,计算出两个数据集,对权重值的修正使得两个数据集一致时,即可使得各个农耕区的土壤质量数值的准确性,最后便以确定各个农耕区的土壤质量等级;以解决现有技术中无法对整个农耕区域大范围的土壤质量进行等级区划的技术问题,实现对整个农耕区域环境、大范围内的土壤质量等级进行评估,可以高效地确定各个农耕区域的土壤环境质量。
在另一实施例中,对上述任一实施例进行改进,本技术方案的一种耕地土壤环境质量区划装置还包括:误差过滤模块,用于在所述得到区域布局图之后,建立空间直角坐标系,根据所述区域布局图中各个区域的相对位置,在所述空间直角坐标系中确定区域布局图中各个区域的坐标数据;在所述空间直角坐标系中构建网络栅格,根据各个区域的坐标数据计算出各个区域的面积大小,当任一区域的面积与其相邻区域的面积的比值均达到预设阈值时,对该区域进行过滤。
本实施例进一步优化,在得到区域布局图后,由于目标区域中本身有可能存在一些不确定的区域,或实际面积非常小的建筑物等等,由于在计算最短距离的过程中,这些特殊区域有可能会其计算结果造成影响。例如,该特殊区域在最短距离的线路上,这样会造成计算得到的最短距离小于实际最短距离,而在后续过程中可能对评估结果的误差影响较大。所以在得到区域布局图之后,需要对面积相对较小的区域土壤进行过滤,以免增大误差。
实施例三
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的耕地土壤环境质量区划方法。
实施例四
请参照图3,是本发明实施例提供的终端设备的一种实施例的结构示意图,所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现上述任一实施例所述的耕地土壤环境质量区划方法。
优选地,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、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。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal 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,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(SmartMedia Card,SMC)、安全数字(Secure Digital,SD)卡和闪存卡(Flash Card)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。
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 (8)
1.一种耕地土壤环境质量区划方法,其特征在于,包括:
获取目标区域的遥感图像,将所述遥感图像输入区域识别模型,对所述遥感图像中的各个区域类型进行划分并标注,得到区域布局图;其中,所述区域类型包括:农耕区、净化区和污染区;
计算所述区域布局图中各个农耕区与任一净化区之间的最短距离,并确定影响该农耕区的土壤环境质量的第一权值;计算所述区域布局图中各个农耕区与任一污染区之间的最短距离,并确定影响该农耕区的土壤环境质量的第二权值;根据所述第一权值和所述第二权值,计算出各个农耕区的环境影响值;
根据所述各个农耕区的环境影响值,对所述环境影响值最大和最小的农耕区通过实地进行数据探测,确定环境影响值最大的农耕区所对应的第一土壤质量数值,以及环境影响值最小的农耕区所对应的第二土壤质量数值;
根据各个农耕区的环境影响值的比例,以所述第一土壤质量数值为基础值计算得到各个农耕区的土壤质量数值,得到第一数据集;以及,以所述第二土壤质量数值为基础值计算得到各个农耕区的土壤质量数值,得到第二数据集;
对所述第一权值和所述第二权值进行修正,直到修正后计算得到的第一数据集与第二数据集一致,并根据预设等级数值范围和修正后的各个农耕区的土壤质量数值,确定各个农耕区的土壤质量等级;
所述环境影响值的计算公式为:Y=X1×X2;其中,Y为环境影响值,X1为第一权值,X2为第二权值;X1<1,X2>1;
2.如权利要求1所述的耕地土壤环境质量区划方法,其特征在于,所述净化区包括:自然保护区和集中式生活饮用水源区;所述污染区包括:矿资源开发区和房屋建设区。
3.如权利要求2所述的耕地土壤环境质量区划方法,其特征在于,所述区域识别模型的建立过程为:
获取历史遥感图像,将所述历史遥感图像分为训练图像集和优化图像集;其中,所述历史遥感图像中含有农耕区、自然保护区、集中式生活饮用水源区、矿资源开发区或房屋建设区中的一种或多种;其中,所述训练图像集中的历史遥感图像上标注有各种区域类型,所述优化图像集中的历史遥感图像为原始遥感图像;
建立初始识别模型,将所述训练图像集中的历史遥感图像输入所述初始识别模型进行训练,直到训练次数达到预设次数后,得到训练识别模型;
将所述优化图像集中的历史遥感图像输入所述训练识别模型进行识别优化,直到识别准确率达到预设准确率后,得到区域识别模型。
4.如权利要求1所述的耕地土壤环境质量区划方法,其特征在于,所述计算所述区域布局图中各个农耕区与任一净化区之间的最短距离的步骤中,具体为:确定各个农耕区和净化区的中心位置,分别计算各个农耕区的中心位置到任一净化区的中心位置之间的最短距离;
所述计算所述区域布局图中各个农耕区与任一污染区之间的最短距离的步骤中,具体为:确定各个农耕区和污染区的中心位置,分别计算各个农耕区的中心位置到任一污染区的中心位置之间的最短距离。
5.如权利要求4所述的耕地土壤环境质量区划方法,其特征在于,所述中心位置的确定过程为:
对各个区域的形状进行判断,当该区域的形状为规则图形时,根据规则图形算法确定该区域的中心位置;
当该区域的形状为不规则图形时,对所述不规则图形进行二值化处理,得到所述不规则图形的外轮廓,并以所述外轮廓为该区域的图形边缘,使该区域转化为规则图形,根据规则图形算法确定该区域的中心位置。
6.一种耕地土壤环境质量区划装置,其特征在于,包括:
划分标注模块,用于获取目标区域的遥感图像,将所述遥感图像输入区域识别模型,对所述遥感图像中的各个区域类型进行划分并标注,得到区域布局图;其中,所述区域类型包括:农耕区、净化区和污染区;
权值计算模块,用于计算所述区域布局图中各个农耕区与任一净化区之间的最短距离,并确定影响该农耕区的土壤环境质量的第一权值;计算所述区域布局图中各个农耕区与任一污染区之间的最短距离,并确定影响该农耕区的土壤环境质量的第二权值;根据所述第一权值和所述第二权值,计算出各个农耕区的环境影响值;
数值确定模块,用于根据所述各个农耕区的环境影响值,对所述环境影响值最大和最小的农耕区通过实地进行数据探测,确定环境影响值最大的农耕区所对应的第一土壤质量数值,以及环境影响值最小的农耕区所对应的第二土壤质量数值;
数值计算模块,用于根据各个农耕区的环境影响值的比例,以所述第一土壤质量数值为基础值计算得到各个农耕区的土壤质量数值,得到第一数据集;以及,以所述第二土壤质量数值为基础值计算得到各个农耕区的土壤质量数值,得到第二数据集;
等级确定模块,用于对所述第一权值和所述第二权值进行修正,直到修正后计算得到的第一数据集与第二数据集一致,并根据预设等级数值范围和修正后的各个农耕区的土壤质量数值,确定各个农耕区的土壤质量等级;
所述环境影响值的计算公式为:Y=X1×X2;其中,Y为环境影响值,X1为第一权值,X2为第二权值;X1<1,X2>1;
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1-5中任一项所述的耕地土壤环境质量区划方法。
8.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如权利要求1-5中任一项所述的耕地土壤环境质量区划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210339192.3A CN114663764B (zh) | 2022-04-01 | 2022-04-01 | 一种耕地土壤环境质量区划方法、装置、介质及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210339192.3A CN114663764B (zh) | 2022-04-01 | 2022-04-01 | 一种耕地土壤环境质量区划方法、装置、介质及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114663764A CN114663764A (zh) | 2022-06-24 |
CN114663764B true CN114663764B (zh) | 2023-04-07 |
Family
ID=82034000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210339192.3A Active CN114663764B (zh) | 2022-04-01 | 2022-04-01 | 一种耕地土壤环境质量区划方法、装置、介质及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114663764B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998746A (zh) * | 2022-07-19 | 2022-09-02 | 江西省生态环境科学研究与规划院 | 一种耕地土壤环境质量分区方法及系统 |
CN115619286B (zh) * | 2022-11-11 | 2023-10-03 | 中国农业科学院农业资源与农业区划研究所 | 一种评估育种田间小区样地质量的方法和系统 |
CN115880097B (zh) * | 2022-11-25 | 2023-08-22 | 河南省济源水文水资源勘测局 | 一种水资源污染的智能治理方法及系统 |
CN116500240B (zh) * | 2023-06-21 | 2023-12-29 | 江西索立德环保服务有限公司 | 一种土壤环境质量监测方法、系统及可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062446A (zh) * | 2019-12-25 | 2020-04-24 | 南京大学 | 基于多源国土资源数据的土地类型分类方法 |
CN113837892A (zh) * | 2021-08-25 | 2021-12-24 | 湖北省水利水电规划勘测设计院 | 基于3s技术的坡耕地划分方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820887B (zh) * | 2015-04-23 | 2019-01-11 | 中国环境监测总站 | 一种土壤环境质量监测方法 |
US10398096B2 (en) * | 2016-11-16 | 2019-09-03 | The Climate Corporation | Identifying management zones in agricultural fields and generating planting plans for the zones |
CN110097529B (zh) * | 2019-04-18 | 2021-03-26 | 华南农业大学 | 一种基于语义规则的农田定级单元划分方法及系统 |
CN111815184B (zh) * | 2020-07-13 | 2021-04-16 | 农业农村部农业生态与资源保护总站 | 一种耕地土壤环境质量类别划分方法 |
AU2020103423A4 (en) * | 2020-11-13 | 2021-01-28 | Nanjing Forestry University | Identification Method of Land Suitable for Afforestation in Karst Area Based on Neural Network System |
CN113393105A (zh) * | 2021-06-04 | 2021-09-14 | 南京海容互连电子科技有限公司 | 一种耕地质量检测方法、装置、设备及存储介质 |
CN113688909B (zh) * | 2021-08-25 | 2024-01-30 | 北京市水科学技术研究院 | 一种生态区土地分类方法、装置及电子设备 |
-
2022
- 2022-04-01 CN CN202210339192.3A patent/CN114663764B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062446A (zh) * | 2019-12-25 | 2020-04-24 | 南京大学 | 基于多源国土资源数据的土地类型分类方法 |
CN113837892A (zh) * | 2021-08-25 | 2021-12-24 | 湖北省水利水电规划勘测设计院 | 基于3s技术的坡耕地划分方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114663764A (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114663764B (zh) | 一种耕地土壤环境质量区划方法、装置、介质及终端设备 | |
US10830750B2 (en) | Functional soil maps | |
CN102999927B (zh) | 一种土壤污染物含量空间分布的精细分区方法 | |
CN109115992A (zh) | 一种农田土壤健康评价系统 | |
Giuliani et al. | Using crowdsourced web content for informing water systems operations in snow-dominated catchments | |
Ayed et al. | Hydrochemical characterization of groundwater using multivariate statistical analysis: the Maritime Djeffara shallow aquifer (Southeastern Tunisia) | |
CN113706127B (zh) | 一种水域分析报告的生成方法及电子设备 | |
Tormos et al. | Improving the quantification of land cover pressure on stream ecological status at the riparian scale using High Spatial Resolution Imagery | |
Sarkar | Accuracy assessment and analysis of land use land cover change using geoinformatics technique in Raniganj Coalfield Area, India | |
CN112241844B (zh) | 饮用水水源地环境风险源本底清单确定及更新方法和装置 | |
CN115062823A (zh) | 一种基于土地利用的二氧化碳排放预测方法及装置 | |
CN116703004B (zh) | 一种基于预训练模型的水系流域智慧巡护方法和装置 | |
Mousavi et al. | Digital mapping of selected soil properties using machine learning and geostatistical techniques in Mashhad plain, northeastern Iran | |
Zhao et al. | Improving the accuracy of nonpoint-source pollution estimates in inland waters with coupled satellite-UAV data | |
CN112527442B (zh) | 一种环境数据多维显示方法、装置、介质及终端设备 | |
CN112668448B (zh) | 一种生态进程变化分析方法、装置、介质及终端设备 | |
Das et al. | Sensitivity analysis of SWAT model in the Yarra River catchment | |
CN116913047A (zh) | 一种流域农业面源污染物溯源方法和预警系统 | |
Villa et al. | Screening risk areas for sediment and phosphorus losses to improve placement of mitigation measures | |
CN114842326B (zh) | 一种免定标檀香树植株缺苗定位方法 | |
CN114202551B (zh) | 一种喀斯特石漠化的分级制图方法及装置 | |
Halabisky et al. | The Wetland Intrinsic Potential tool: Mapping wetland intrinsic potential through machine learning of multi-scale remote sensing proxies of wetland indicators | |
CN112215857B (zh) | 一种基于浒苔生长周期的浒苔识别方法 | |
CN114778795B (zh) | 一种基于城市布局的土壤质量等级确定方法及装置 | |
Saadi et al. | Analysis and estimation of deforestation using satellite imagery and GIS |
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 |