CN115290578B - 一种泥石流沟细粒堆积物粘聚力高光谱探测方法和系统 - Google Patents
一种泥石流沟细粒堆积物粘聚力高光谱探测方法和系统 Download PDFInfo
- Publication number
- CN115290578B CN115290578B CN202210976524.9A CN202210976524A CN115290578B CN 115290578 B CN115290578 B CN 115290578B CN 202210976524 A CN202210976524 A CN 202210976524A CN 115290578 B CN115290578 B CN 115290578B
- Authority
- CN
- China
- Prior art keywords
- cohesive force
- spectral reflectance
- debris flow
- data
- sample
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提出一种泥石流沟细粒堆积物粘聚力高光谱探测方法和系统。其中,方法包括:在采样点对土壤进行采样,对样品进行土壤参数测量实验,获得样品的粘聚力的数据;对样品进行高光谱测量实验,获取样品的光谱反射率数据;对粘聚力的数据和光谱反射率数据进行标准化处理,得到标准化的粘聚力的数据和光谱反射率数据;以标准化的粘聚力为因变量,以敏感波段区间范围内的标准化的光谱反射率为自变量,利用最小二乘多因子回归分析方法建立粘聚力预测模型。本发明提出的方案,为探测泥石流沟细粒沉积物的粘聚力提供了高光谱遥感方法,而且还为大面积揭示泥石流沉积物的稳定性提供了科学依据。
Description
技术领域
本发明属于泥石流预警领域,尤其涉及一种泥石流沟细粒堆积物粘聚力高光谱探测方法和系统。
背景技术
泥石流是因暴雨、融雪(冰)或其他自然灾害引发的携带有大量泥沙、石块的特殊洪流,具有物质容量大、破坏力强等特点,对当地人民群众的生命财产安全构成严重威胁。因此,泥石流快速准确预警对保障山区人民的生命和财产安全具有重要作用。
泥石流细粒堆积物,是指泥石流堆积物中粒度小于2mm的第四纪沉积物,主要由泥沙组成,具有结构松散、孔隙度大的特点,是遇水先启动的主要物质。因此,它与诱发泥石流的临界水量关系密切,在泥石流预警中起关键作用。泥石流预警需要快速准确地探测这些细粒堆积物的稳定性。该稳定性主要受内外两种因子的作用:内控因子,主要包括渗透系数、粘聚力和有效内摩擦角;外控因子,主要包括水源条件—降雨量、降雨强度、径流量等,地形地貌条件—坡度、汇流面积等,地表覆盖程度和构造等。
粘聚力,又称内聚力,是在同种物质内部相邻各部分之间的相互吸引力。在有效应力情况下,将总抗剪强度扣除摩擦强度,即得到粘聚力。它的大小主要反映了土壤抵抗外应力的应变能力,与有效内摩擦角、渗透系数、密度和含水率等因子关系密切。
然而,目前尚没有建立泥石流细粒堆积物粘聚力的快速探测方法。遥感在物质参数获取方面,具有宏观、客观、现势性强的特点。
发明内容
为解决上述技术问题,本发明提出一种泥石流沟细粒堆积物粘聚力高光谱探测方法的技术方案,以解决上述技术问题。
本发明第一方面公开了一种泥石流沟细粒堆积物粘聚力高光谱探测方法;所述方法包括:
步骤S1、确定泥石流细粒沉积物粘聚力的研究区域;
步骤S2、获取所述研究区域的背景资料,根据所述背景资料确定泥石流细粒沉积物的土壤的采样点的位置;
步骤S3、在所述采样点对土壤进行采样,对样品进行土壤参数测量实验,获得样品的粘聚力的数据;
步骤S4、对所述样品进行高光谱测量实验,获取所述样品的光谱反射率数据;
步骤S5、对所述粘聚力的数据和光谱反射率数据进行标准化处理,得到标准化的粘聚力的数据和光谱反射率数据;
步骤S6、以标准化的粘聚力为因变量,以敏感波段区间范围内的标准化的光谱反射率为自变量,利用最小二乘多因子回归分析方法建立粘聚力预测模型。
根据本发明第一方面的方法,在所述步骤S1中,所述研究区域面积为 130-150km2。
根据本发明第一方面的方法,在所述步骤S2中,所述根据所述背景资料确定泥石流细粒沉积物的土壤的采样点的位置的方法包括:获取高分辨率遥感数据,并利用所述高分辨率遥感数据提取沟谷堆积体的发育情况,确定泥石流细粒沉积物的土壤的采样点的位置。
根据本发明第一方面的方法,在所述步骤S3中,所述在所述采样点对土壤进行采样的方法包括:
在每处采样点采样20个样品,每个样品的体积为600ml,重1kg。
根据本发明第一方面的方法,在所述步骤S6中,所述敏感波段区间范围包括:
710nm-750nm、1578nm-1618nm、804nm-1844nm和2286nm-2363nm。
根据本发明第一方面的方法,在所述步骤S6中,所述以标准化的粘聚力为因变量,以敏感波段区间范围内的标准化的光谱反射率为自变量,利用最小二乘多因子回归分析方法建立粘聚力预测模型的方法包括:
在所述敏感波段区间范围内,利用最小二乘多因子回归分析方法,并结合F检验、T检验和P值优选波长,并建立粘聚力预测模型;所述优选波长包括:750nm、1578nm、1835nm、2301nm、2305nm和2309nm;
所述粘聚力预测模型为:
y=a0+a1x1+a2x2+a3x3+a4x4+a5x5+a6x6
其中,y为标准化的粘聚力,x1为750nm的标准化的光谱反射率,x2为1578nm的标准化的光谱反射率,x3为1835nm的标准化的光谱反射率, x4为2301nm的标准化的光谱反射率,x5为2305nm的标准化的光谱反射率, x6为2309nm的标准化的光谱反射率,a0、a1、a2、a3、a4、a5和a6为粘聚力预测模型的参数。
根据本发明第一方面的方法,在所述步骤S6中,利用最小二乘多因子回归分析得到所述粘聚力预测模型具体为:
y=22.7+10.36x1-37.32x2+42.57x3-30.34x4+56.15x5-40.42x6。
本发明第二方面公开了一种泥石流沟细粒堆积物粘聚力高光谱探测系统;所述系统包括:
第一处理模块,被配置为,确定泥石流细粒沉积物粘聚力的研究区域;
第二处理模块,被配置为,获取所述研究区域的背景资料,根据背景资料确定泥石流细粒沉积物的土壤的采样点的位置;
第三处理模块,被配置为,在所述采样点对土壤进行采样,对样品进行土壤参数测量实验,获得样品的粘聚力的数据;
第四处理模块,被配置为,对所述样品进行高光谱测量实验,获取所述样品的光谱反射率数据;
第五处理模块,被配置为,对所述粘聚力的数据和光谱反射率数据进行标准化处理,得到标准化的粘聚力的数据和光谱反射率数据;
第六处理模块,被配置为,以标准化的粘聚力为因变量,以敏感波段区间范围内的标准化的光谱反射率为自变量,利用最小二乘多因子回归分析方法建立粘聚力预测模型。
根据本发明第二方面的系统,第一处理模块,被配置为,所述研究区域面积为130-150km2。
根据本发明第二方面的系统,第二处理模块,被配置为,所述根据所述背景资料确定泥石流细粒沉积物的土壤的采样点的位置包括:获取高分辨率遥感数据,并利用所述高分辨率遥感数据提取沟谷堆积体的发育情况,确定泥石流细粒沉积物的土壤的采样点的位置。
根据本发明第二方面的系统,第三处理模块,被配置为,所述在所述采样点对土壤进行采样包括:
在每处采样点采样20个样品,每个样品的体积为600ml,重1kg。
根据本发明第二方面的系统,第六处理模块,被配置为,所述敏感波段区间范围包括:
710nm-750nm、1578nm-1618nm、804nm-1844nm和2286nm-2363nm。
根据本发明第二方面的系统,第六处理模块,被配置为,所述以标准化的粘聚力为因变量,以敏感波段区间范围内的标准化的光谱反射率为自变量,利用最小二乘多因子回归分析方法建立粘聚力预测模型包括:
在所述敏感波段区间范围内,利用最小二乘多因子回归分析方法,并结合F检验、T检验和P值优选波长,并建立粘聚力预测模型;所述优选波长包括:750nm、1578nm、1835nm、2301nm、2305nm和2309nm;
所述粘聚力预测模型为:
y=a0+a1x1+a2x2+a3x3+a4x4+a5x5+a6x6
其中,y为标准化的粘聚力,x1为750nm的标准化的光谱反射率,x2为1578nm的标准化的光谱反射率,x3为1835nm的标准化的光谱反射率, x4为2301nm的标准化的光谱反射率,x5为2305nm的标准化的光谱反射率, x6为2309nm的标准化的光谱反射率,a0、a1、a2、a3、a4、a5和a6为粘聚力预测模型的参数。
根据本发明第二方面的系统,第六处理模块,被配置为,利用最小二乘多因子回归分析得到所述粘聚力预测模型具体为:
y=22.7+10.36x1-37.32x2+42.57x3-30.34x4+56.15x5-40.42x6。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时,实现本公开第一方面中任一项的一种泥石流沟细粒堆积物粘聚力高光谱探测方法中的步骤。
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,实现本公开第一方面中任一项的一种泥石流沟细粒堆积物粘聚力高光谱探测方法中的步骤。
本发明提出的方案,为探测泥石流沟细粒沉积物的粘聚力提供了高光谱遥感方法,而且还为大面积揭示泥石流沉积物的稳定性提供了科学依据。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为根据本发明实施例的一种泥石流沟细粒堆积物粘聚力高光谱探测方法的流程图;
图2为根据本发明实施例的图研究区域位置图;
图3为根据本发明实施例的采样点的空间分布图;
图4根据本发明实施例的粘聚力预测模型预测结果图;
图5为根据本发明实施例的一种泥石流沟细粒堆积物粘聚力高光谱探测系统的结构图;
图6为根据本发明实施例的一种电子设备的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例只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。
本发明第一方面公开了一种泥石流沟细粒堆积物粘聚力高光谱探测方法。图1为根据本发明实施例的一种泥石流沟细粒堆积物粘聚力高光谱探测方法的流程图,如图1所示,所述方法包括:
步骤S1、确定泥石流细粒沉积物粘聚力的研究区域;
步骤S2、获取所述研究区域的背景资料,根据背景资料确定泥石流细粒沉积物的土壤的采样点的位置;
步骤S3、在所述采样点对土壤进行采样,对样品进行土壤参数测量实验,获得样品的粘聚力的数据;
步骤S4、对所述样品进行高光谱测量实验,获取所述样品的光谱反射率数据;
步骤S5、对所述粘聚力的数据和光谱反射率数据进行标准化处理,得到标准化的粘聚力的数据和光谱反射率数据;
步骤S6、以标准化的粘聚力为因变量,以敏感波段区间范围内的标准化的光谱反射率为自变量,利用最小二乘多因子回归分析方法建立粘聚力预测模型。
在步骤S1,确定泥石流细粒沉积物粘聚力的研究区域。
在一些实施例中,在所述步骤S1中,如图2所示,所述研究区域位于北川县,经纬度范围104°23′-104°31.7′E,31°48.5′-31°53.5′N,面积 130-150km2,具体的该面积约为140km2。
具体地,所述研究区域位于北川县,经纬度范围104°23′-104°31.7′E, 31°48.5′-31°53.5′N,面积约140km2;研究区域不仅是2008年汶川特大地震的重灾区,而且从2008年至今的10余年时间里,已经发生多次非常严重的泥石流灾害,造成大量房屋被毁、农田被淹,近万人被迫离开家园。
在步骤S2,获取所述研究区域的背景资料,根据背景资料确定泥石流细粒沉积物的土壤的采样点的位置。
在一些实施例中,在所述步骤S2中,所述根据背景资料确定泥石流细粒沉积物的土壤的采样点的位置的方法包括:获取高分辨率遥感数据,并利用所述高分辨率遥感数据提取沟谷堆积体的发育情况,确定泥石流细粒沉积物的土壤的采样点的位置。
具体地,获取研究区的背景资料,如地质、气象、土地利用以及高分辨率遥感数据;获取亚米级GF-2号卫星遥感影像数据,并利用其提取沟谷堆积体的发育情况,确定采样点的位置,如图3所示。
在步骤S3,在所述采样点对土壤进行采样,对样品进行土壤参数测量实验,获得样品的粘聚力的数据。
在一些实施例中,在所述步骤S3中,所述在所述采样点对土壤进行采样的方法包括:
在每处采样点采样20个样品,每个样品的体积为600ml,重1kg。
具体地,利用环刀在每个采样点采样,在每处采样点采样20个样品,每个样品的体积为600ml,重1kg;采样点的空间分布如图3所示:共计11 处采样点。
根据《土工实验规程》(SL237-1999)开展土壤参数测量实验,具体为抗剪强度测量实验,采用ZJ型应变控制式直剪仪(Model ZJ Strain Controlled Direct ShearApparatus),测量粘聚力,研究区土壤粘聚力的最小值为13.95kPa,最大值为33.95kPa,集中分布在20.35kPa-26.75kPa之间。
在步骤S4,对所述样品进行高光谱测量实验,获取所述样品的光谱反射率数据。
具体地,采用美国ASD便捷式光谱仪测量样品的光谱反射率数据。首先,在实验室内进行,并使用1000瓦的卤素灯作为唯一光源;然后,经过消除暗电流和白板标准化后进行光谱测量;最后,将5次测量结果的平均值作为土样光谱反射率数据进行保存和分析。
在步骤S5,对所述粘聚力的数据和光谱反射率数据进行标准化处理,得到标准化的粘聚力的数据和光谱反射率数据。
具体地,数据异常值剔除:由于测定后的粘聚力中存在个别异常值,其数值明显偏离正常值。需要根据3倍标准差原则剔除异常值。剔除异常样本后,用于建模的样本数为121个。
光谱去噪:受仪器自身的影响,测量的光谱存在白噪声,尤其在蓝波段和短波红外波段较为明显,会严重影响建模的精度。根据噪声与信号在频率上的差别,利用傅里叶变换去除光谱噪声。
数据标准化:不同数据常用不同的单位来进行表达,因此,就会出现由于单位不同导致的数值变化范围较大的问题。当各参数数值间的数量级相差很大时,直接用原始数据进行分析,就会突出数值较高的参数在综合分析中的作用,而削弱数值相对较低参数的作用。因此,为了保证结果的可靠性,需要对原始数据进行标准化处理,以保证处理后的数据,具有平均值为0,标准差为1的特征。根据下列公式进行标准化:
在步骤S6,以标准化的粘聚力为因变量,以敏感波段区间范围内的标准化的光谱反射率为自变量,利用最小二乘多因子回归分析方法建立粘聚力预测模型。
在一些实施例中,在所述步骤S6中,所述敏感波段区间范围包括:
710-750nm、1578-1618nm、804-1844nm和2286-2363nm。
所述以标准化的粘聚力为因变量,以敏感波段区间范围内的标准化的光谱反射率为自变量,利用最小二乘多因子回归分析方法建立粘聚力预测模型的方法包括:
在所述敏感波段区间范围内,利用最小二乘多因子回归分析方法,并结合F检验、T检验和P值优选波长,并建立粘聚力预测模型;所述优选波长包括:750nm、1578nm、1835nm、2301nm、2305nm和2309nm;
所述粘聚力预测模型为:
y=a0+a1x1+a2x2+a3x3+a4x4+a5x5+a6x6
其中,y为标准化的粘聚力,x1为750nm的标准化的光谱反射率,x2为1578nm的标准化的光谱反射率,x3为1835nm的标准化的光谱反射率, x4为2301nm的标准化的光谱反射率,x5为2305nm的标准化的光谱反射率, x6为2309nm的标准化的光谱反射率,a0、a1、a2、a3、a4、a5和a6为粘聚力预测模型的参数。
利用最小二乘多因子回归分析得到所述粘聚力预测模型具体为:
y=22.7+10.36x1-37.32x2+42.57x3-30.34x4+56.15x5-40.42x6。
具体地,利用相关系数法,揭示与粘聚力关系最为密切的波段,敏感波段区间范围包括:710-750nm、1578-1618nm、804-1844nm和2286-2363nm。
在所述敏感波段区间范围内,利用最小二乘多因子回归分析方法,并结合F检验、T检验和P值优选波长,并建立粘聚力预测模型;所述优选波长包括:750nm、1578nm、1835nm、2301nm、2305nm和2309nm;
所述粘聚力预测模型为:
y=a0+a1x1+a2x2+a3x3+a4x4+a5x5+a6x6
其中,y为标准化的粘聚力,x1为750nm的标准化的光谱反射率,x2为1578nm的标准化的光谱反射率,x3为1835nm的标准化的光谱反射率, x4为2301nm的标准化的光谱反射率,x5为2305nm的标准化的光谱反射率, x6为2309nm的标准化的光谱反射率,a0、a1、a2、a3、a4、a5和a6为粘聚力预测模型的参数。
利用最小二乘多因子回归分析得到所述粘聚力预测模型具体为:
y=22.7+10.36x1-37.32x2+42.57x3-30.34x4+56.15x5-40.42x6。
从图4可以看出,方法的决定系数(R2)为0.3142,对应的相关系数为0.56;对各回归系数进行T检验的结果如表1所示,各回归系数的P值均小于0.001,表明粘聚力与6个优选波段反射率间具有极其显著的相关性,所建立的方法具有较好的预测能力。
表1方法的回归系数T检验表
综上,本发明提出的方案能够为探测泥石流沟细粒沉积物的粘聚力提供了高光谱遥感方法,而且还为大面积揭示泥石流沉积物的稳定性提供了科学依据。
本发明第二方面公开了一种泥石流沟细粒堆积物粘聚力高光谱探测系统。图5为根据本发明实施例的一种泥石流沟细粒堆积物粘聚力高光谱探测系统的结构图;如图5所示,所述系统100包括:
第一处理模块101,被配置为,确定泥石流细粒沉积物粘聚力的研究区域;
第二处理模块102,被配置为,获取所述研究区域的背景资料,根据背景资料确定泥石流细粒沉积物的土壤的采样点的位置;
第三处理模块103,被配置为,在所述采样点对土壤进行采样,对样品进行土壤参数测量实验,获得样品的粘聚力的数据;
第四处理模块104,被配置为,对所述样品进行高光谱测量实验,获取所述样品的光谱反射率数据;
第五处理模块105,被配置为,对所述粘聚力的数据和光谱反射率数据进行标准化处理,得到标准化的粘聚力的数据和光谱反射率数据;
第六处理模块106,被配置为,以标准化的粘聚力为因变量,以敏感波段区间范围内的标准化的光谱反射率为自变量,利用最小二乘多因子回归分析方法建立粘聚力预测模型。
根据本发明第二方面的系统,第一处理模块101,被配置为,所述研究区域面积为130-150km2。
根据本发明第二方面的系统,第二处理模块102,被配置为,所述根据所述背景资料确定泥石流细粒沉积物的土壤的采样点的位置包括:获取高分辨率遥感数据,并利用所述高分辨率遥感数据提取沟谷堆积体的发育情况,确定泥石流细粒沉积物的土壤的采样点的位置。
根据本发明第二方面的系统,第三处理模块103,被配置为,所述在所述采样点对土壤进行采样包括:
在每处采样点采样20个样品,每个样品的体积为600ml,重1kg。
根据本发明第二方面的系统,第六处理模块106,被配置为,所述敏感波段区间范围包括:
710nm-750nm、1578nm-1618nm、804nm-1844nm和2286nm-2363nm。
根据本发明第二方面的系统,第六处理模块106,被配置为,所述以标准化的粘聚力为因变量,以敏感波段区间范围内的标准化的光谱反射率为自变量,利用最小二乘多因子回归分析方法建立粘聚力预测模型包括:
在所述敏感波段区间范围内,利用最小二乘多因子回归分析方法,并结合F检验、T检验和P值优选波长,并建立粘聚力预测模型;所述优选波长包括:750nm、1578nm、1835nm、2301nm、2305nm和2309nm;
所述粘聚力预测模型为:
y=a0+a1x1+a2x2+a3x3+a4x4+a5x5+a6x6
其中,y为标准化的粘聚力,x1为750nm的标准化的光谱反射率,x2为1578nm的标准化的光谱反射率,x3为1835nm的标准化的光谱反射率, x4为2301nm的标准化的光谱反射率,x5为2305nm的标准化的光谱反射率, x6为2309nm的标准化的光谱反射率,a0、a1、a2、a3、a4、a5和a6为粘聚力预测模型的参数。
根据本发明第二方面的系统,第六处理模块106,被配置为,利用最小二乘多因子回归分析得到所述粘聚力预测模型具体为:
y=22.7+10.36x1-37.32x2+42.57x3-30.34x4+56.15x5-40.42x6。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时,实现本发明公开第一方面中任一项的一种泥石流沟细粒堆积物粘聚力高光谱探测方法中的步骤。
图6为根据本发明实施例的一种电子设备的结构图,如图6所示,电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、近场通信(NFC)或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本公开的技术方案相关的部分的结构图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子设备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。
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,实现本发明公开第一方面中任一项的一种泥石流沟细粒堆积物粘聚力高光谱探测方法中的步骤中的步骤。
请注意,以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种泥石流沟细粒堆积物粘聚力高光谱探测方法,其特征在于,所述方法包括:
步骤S1、确定泥石流沟细粒堆积物粘聚力的研究区域;
步骤S2、获取所述研究区域的背景资料,根据所述背景资料确定泥石流沟细粒堆积物的土壤的采样点的位置;
步骤S3、在所述采样点对土壤进行采样,对样品进行土壤参数测量实验,获得样品的粘聚力的数据;
步骤S4、对所述样品进行高光谱测量实验,获取所述样品的光谱反射率数据;
步骤S5、对所述粘聚力的数据和光谱反射率数据进行标准化处理,得到标准化的粘聚力的数据和光谱反射率数据;
步骤S6、以标准化的粘聚力为因变量,以敏感波段区间范围内的标准化的光谱反射率为自变量,利用最小二乘多因子回归分析方法建立粘聚力预测模型;
在所述步骤S6中,所述敏感波段区间范围包括:
710nm-750nm、1578nm-1618nm、804nm-1844nm和2286nm-2363nm;
在所述步骤S6中,所述以标准化的粘聚力为因变量,以敏感波段区间范围内的标准化的光谱反射率为自变量,利用最小二乘多因子回归分析方法建立粘聚力预测模型的方法包括:
在所述敏感波段区间范围内,利用最小二乘多因子回归分析方法,并结合F检验、T检验和P值优选波长,并建立粘聚力预测模型;所述优选波长包括:750nm、1578nm、1835nm、2301nm、2305nm和2309nm;
所述粘聚力预测模型为:
y=a0+a1x1+a2x2+a3x3+a4x4+a5x5+a6x6
其中,y为标准化的粘聚力,x1为750nm的标准化的光谱反射率,x2为1578nm的标准化的光谱反射率,x3为1835nm的标准化的光谱反射率,x4为2301nm的标准化的光谱反射率,x5为2305nm的标准化的光谱反射率,x6为2309nm的标准化的光谱反射率,a0、a1、a2、a3、a4、a5和a6为粘聚力预测模型的参数。
2.根据权利要求1所述的一种泥石流沟细粒堆积物粘聚力高光谱探测方法,其特征在于,在所述步骤S1中,所述研究区域面积为130-150km2。
3.根据权利要求1所述的一种泥石流沟细粒堆积物粘聚力高光谱探测方法,其特征在于,在所述步骤S2中,所述根据所述背景资料确定泥石流沟细粒堆积物的土壤的采样点的位置的方法包括:获取高分辨率遥感数据,并利用所述高分辨率遥感数据提取沟谷堆积体的发育情况,确定泥石流沟细粒堆积物的土壤的采样点的位置。
4.根据权利要求1所述的一种泥石流沟细粒堆积物粘聚力高光谱探测方法,其特征在于,在所述步骤S3中,所述在所述采样点对土壤进行采样的方法包括:
在每处采样点采样20个样品,每个样品的体积为600ml,重1kg。
5.根据权利要求1所述的一种泥石流沟细粒堆积物粘聚力高光谱探测方法,其特征在于,在所述步骤S6中,利用最小二乘多因子回归分析方法得到所述粘聚力预测模型具体为:
y=22.7+10.36x1-37.32x2+42.57x3-30.34x4+56.15x5-40.42x6。
6.一种用于泥石流沟细粒堆积物粘聚力高光谱探测系统,其特征在于,所述系统包括:
第一处理模块,被配置为,确定泥石流沟细粒堆积物粘聚力的研究区域;
第二处理模块,被配置为,获取所述研究区域的背景资料,根据背景资料确定泥石流沟细粒堆积物的土壤的采样点的位置;
第三处理模块,被配置为,在所述采样点对土壤进行采样,对样品进行土壤参数测量实验,获得样品的粘聚力的数据;
第四处理模块,被配置为,对所述样品进行高光谱测量实验,获取所述样品的光谱反射率数据;
第五处理模块,被配置为,对所述粘聚力的数据和光谱反射率数据进行标准化处理,得到标准化的粘聚力的数据和光谱反射率数据;
第六处理模块,被配置为,以标准化的粘聚力为因变量,以敏感波段区间范围内的标准化的光谱反射率为自变量,利用最小二乘多因子回归分析方法建立粘聚力预测模型;
所述敏感波段区间范围包括:
710nm-750nm、1578nm-1618nm、804nm-1844nm和2286nm-2363nm;
所述以标准化的粘聚力为因变量,以敏感波段区间范围内的标准化的光谱反射率为自变量,利用最小二乘多因子回归分析方法建立粘聚力预测模型包括:
在所述敏感波段区间范围内,利用最小二乘多因子回归分析方法,并结合F检验、T检验和P值优选波长,并建立粘聚力预测模型;所述优选波长包括:750nm、1578nm、1835nm、2301nm、2305nm和2309nm;
所述粘聚力预测模型为:
y=a0+a1x1+a2x2+a3x3+a4x4+a5x5+a6x6
其中,y为标准化的粘聚力,x1为750nm的标准化的光谱反射率,x2为1578nm的标准化的光谱反射率,x3为1835nm的标准化的光谱反射率,x4为2301nm的标准化的光谱反射率,x5为2305nm的标准化的光谱反射率,x6为2309nm的标准化的光谱反射率,a0、a1、a2、a3、a4、a5和a6为粘聚力预测模型的参数。
7.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时,实现权利要求1至5中任一项所述的一种泥石流沟细粒堆积物粘聚力高光谱探测方法中的步骤。
8.一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上存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1至5中任一项所述的一种泥石流沟细粒堆积物粘聚力高光谱探测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210976524.9A CN115290578B (zh) | 2022-08-15 | 2022-08-15 | 一种泥石流沟细粒堆积物粘聚力高光谱探测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210976524.9A CN115290578B (zh) | 2022-08-15 | 2022-08-15 | 一种泥石流沟细粒堆积物粘聚力高光谱探测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115290578A CN115290578A (zh) | 2022-11-04 |
CN115290578B true CN115290578B (zh) | 2023-04-28 |
Family
ID=83830848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210976524.9A Active CN115290578B (zh) | 2022-08-15 | 2022-08-15 | 一种泥石流沟细粒堆积物粘聚力高光谱探测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115290578B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8301383B2 (en) * | 2008-06-02 | 2012-10-30 | Schlumberger Technology Corporation | Estimating in situ mechanical properties of sediments containing gas hydrates |
CN105352895B (zh) * | 2015-11-02 | 2018-04-06 | 北京理工大学 | 高光谱遥感数据植被信息提取方法 |
CN107330565B (zh) * | 2017-07-19 | 2020-05-19 | 四川建筑职业技术学院 | 一种饱水状态下沟道堆积体破坏角的预测方法 |
CN107180150B (zh) * | 2017-07-19 | 2020-05-19 | 四川建筑职业技术学院 | 一种震区泥石流沟道堆积物起动流深阀值的计算方法 |
CN111832430B (zh) * | 2020-06-23 | 2024-01-09 | 长江水利委员会长江科学院 | 山洪灾害高光谱遥感影像识别方法及其识别系统 |
-
2022
- 2022-08-15 CN CN202210976524.9A patent/CN115290578B/zh active Active
Non-Patent Citations (3)
Title |
---|
Daniel Aviles 等.Effect of Vegetation Removal on Soil Erosion and Bank Stability in Agricultural Drainage Ditches.《Land》.2020,第9卷(第11期),1-14. * |
Ipsita Mishra 等.Experimental validation of the extraction of a particle-particle cohesion model (square-force) from simple bulk measurements (defluidization in a rheometer).《Chemical Engineering Science》.2022,第259卷1-12. * |
Qinjun Wang 等.A Research on Cohesion Hyperspectral Detection Model of Fine-Grained Sediments in Beichuan Debris Flow, Sichuan Province, China.《Land》.2022,第11卷(第9期),1-16. * |
Also Published As
Publication number | Publication date |
---|---|
CN115290578A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhuang et al. | Prediction of rainfall‐induced shallow landslides in the Loess Plateau, Yan'an, China, using the TRIGRS model | |
Wessels et al. | Limits to detectability of land degradation by trend analysis of vegetation index data | |
Wang et al. | Quantitative precipitation estimation in the CASA X-band dual-polarization radar network | |
Schwank et al. | Model for microwave emission of a snow-covered ground with focus on L band | |
da Silva et al. | Hydrological simulation in a tropical humid basin in the Cerrado biome using the SWAT model | |
Ching-Chuan et al. | Internal soil moisture and piezometric responses to rainfall-induced shallow slope failures | |
Harris et al. | A multi-scale remote sensing approach for monitoring northern peatland hydrology: Present possibilities and future challenges | |
Choi et al. | Spatial soil moisture scaling structure during Soil Moisture Experiment 2005 | |
Saradjian et al. | Soil moisture estimation by using multipolarization SAR image | |
Sokol et al. | Case studies demonstrating the hydrological applications of C-band multipolarized and polarimetric SAR | |
Deceuster et al. | Automated identification of changes in electrode contact properties for long-term permanent ERT monitoring experiments | |
Smith et al. | Estimating ground cover in the mixed prairie grassland of southern Alberta using vegetation indices related to physiological function | |
Ducci et al. | Effects of climate change on groundwater resources in Campania (southern Italy) | |
Moussoulis et al. | Modelling surface runoff to evaluate the effects of wildfires in multiple semi‐arid, shrubland‐dominated catchments | |
Varade et al. | Identification of snow using fully polarimetric SAR data based on entropy and anisotropy | |
CN115290578B (zh) | 一种泥石流沟细粒堆积物粘聚力高光谱探测方法和系统 | |
Zhou et al. | The backscattering contribution of soybean pods at L-band | |
Sivelle et al. | A methodology for the assessment of groundwater resource variability in karst catchments with sparse temporal measurements | |
Holloway et al. | Determining the terrain characteristics related to the surface expression of subsurface water pressurization in permafrost landscapes using susceptibility modelling | |
Egbueri et al. | Understanding the geotechnical and geomechanical characteristics of erodible soils: a study incorporating soft computational modeling techniques | |
Ahmed et al. | Data-based real-time moisture modeling in unsaturated expansive subgrade in Texas | |
Tedesco et al. | Observations and statistical analysis of combined active–passive microwave space-borne data and snow depth at large spatial scales | |
Liu et al. | Analyzing the behavior of GPR wave propagation in zinc contaminated soil combining the dielectric properties—experimental study | |
Alizadeh et al. | Post-processing of the UKMO ensemble precipitation product over various regions of Iran: integration of long short-term memory model with principal component analysis | |
Alex et al. | Laboratory evaluation of emissivity of soils |
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 |