CN115510670A - 一种基于三维仿真模型的土壤污染状况调查点位方法 - Google Patents
一种基于三维仿真模型的土壤污染状况调查点位方法 Download PDFInfo
- Publication number
- CN115510670A CN115510670A CN202211248008.0A CN202211248008A CN115510670A CN 115510670 A CN115510670 A CN 115510670A CN 202211248008 A CN202211248008 A CN 202211248008A CN 115510670 A CN115510670 A CN 115510670A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- soil pollution
- research area
- model
- value
- 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
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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/21—Indexing scheme for image data processing or generation, in general involving computational photography
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于三维仿真模型的土壤污染状况调查点位方法,用以解决对人类活动影响的研究较少,且土壤布点仍然在二维平面地图上,缺少三维空间地理要素的辅助判断的问题。首先,用雷达和无人机摄影手段采集研究区域地形数据,通过三维实景建模软件得到研究区域的空间三维场景;其次,在三维模型构建的基础上,利用地理探测器模型,判断研究区内人类活动因子与土壤污染特征的关联关系,得到关联关系强度的代表,空间分异性的值;最后,根据空间分异性的值划分研究区域调查点位的等级,优化设计土壤调查点位。
Description
技术领域
本发明涉及土壤样点设计技术领域,特别涉及一种基于三维仿真模型的土壤污染状况调查点位方法。
背景技术
土壤采样方案设计是获取土壤属性空间分布的首要工作,它直接影响土壤属性制图的准确性。合理有效的采样设计可以节省时间和金钱,然而,在土壤环境质量调查项目实施过程中,代表性样点的布设却往往被忽视,这可能导致最终调查的结果和结论出现偏差。
近年来,土壤采样研究开始挖掘土壤本身的形成、发生以及与环境协变量之间的协同变化关系,在土壤-景观模型理论的基础上利用环境因子辅助采样,如基于专家知识采样、基于环境因子分层的拉丁超立方体采样、基于环境因子相似性的多等级代表性采样、基于环境因子变化程度的方差四叉树采样和基于土壤-环境因子关系的响应表面采样等。然而,以上的研究仍然聚焦于自然因素对土壤属性的影响,人类活动影响研究较少,且土壤布点仍然在二维平面地图上,缺少三维空间地理要素的辅助判断。
发明内容
本发明提供一种一种基于三维仿真模型的土壤污染状况调查点位方法,用以解决人类活动的影响研究较少,且土壤布点仍然在二维平面地图上,缺少三维空间地理要素的辅助判断的问题。
一种基于三维仿真模型的土壤污染状况调查点位方法,所述方法包括:
步骤一:用雷达和无人机摄影手段采集研究区域地形数据,通过三维实景建模软件得到研究区域的空间三维模型;
步骤二:在三维模型构建的基础上,利用地理探测器模型,判断研究区内人类活动因子与土壤污染特征的关联关系,得到关联关系强度的代表,空间分异性的值;
步骤三:根据空间分异性的值划分研究区域调查点位的等级,优化设计土壤调查点位。
进一步的,所述用雷达和无人机摄影手段采集研究区域地形数据,通过三维实景建模软件得到研究区域的空间三维模型的内容包括:
S101:利用孔径雷达采集研究区域地形的高程数据,利用无人机拍摄研究区域地形的静物测量数据,通过高程数据和测量数据构建三维地形;
S102:通过三维实景建模软件,在三维地形上叠加高分遥感影像、无人机拍摄获得的数字正射影像和景观设计要素,还原真实三维模型。
进一步的,所述在三维模型构建的基础上,利用地理探测器模型,判断研究区内人类活动因子与土壤污染特征的关联关系,得到关联关系强度的代表,空间分异性的值的内容包括:
S201:通过卫星扫描获取的研究区域的地形图像,对地形图像提取特征要素,获得当地地形资料;
S202:从地形资料中,提取企业分布密度要素,得到人类活动因子和对应的层方差;从地形资料中,提取研究区域的地形特征要素,得到全区总方差;将层方差与全区总方差带入空间分异性获取模型,得到空间分异性q。
进一步的,所述根据空间分异性的值划分研究区域调查点位的等级,优化设计土壤调查点位的内容包括:
S301:当q值在[0.7,1]时,说明人类活动因子和土壤污染特征的关联强度高,采集位点选择适合,该调查点位予以保留;
S302:当q值在[0.3,0.7)时,说明人类活动因子和土壤污染特征关联强度不高,该调查点位保留或舍弃;
S303:当q值在[0,0.3)时,说明人类活动因子和土壤污染特征关联强度很低,该调查点位舍弃。
进一步的,所述通过三维实景建模软件,在三维地形上叠加高分遥感影像、无人机拍摄获得的数字正射影像和景观设计要素,还原真实三维模型的内容包括:
S10201:用无人机拍摄目标树木,得到目标树木聚集影像;
S10202:用阴影像元处理软件处理目标数目聚集影像,得到目标树木平均阴影像元;
S10203:带入数目获取模型,计算得到区域内目标树木数量。
一种基于三维仿真模型的土壤污染状况调查点位系统,所述系统包括:
三维仿真模块,用于用雷达和无人机摄影手段采集研究区域地形数据,通过三维实景建模软件得到研究区域的空间三维模型;
因子筛选模块,用于在三维模型构建的基础上,利用地理探测器模型,判断研究区内人类活动因子与土壤污染特征的关联关系,得到关联关系强度的代表,空间分异性的值;
分析处理模块,用于根据空间分异性的值划分研究区域调查点位的等级,优化设计土壤调查点位。
进一步的,所述三维仿真模块包括:
地形构建模块,用于利用孔径雷达采集研究区域地形的高程数据,利用无人机拍摄研究区域地形的静物测量数据,通过高程数据和测量数据构建三维地形;
场景还原模块,用于通过三维实景建模软件,在三维地形上叠加高分遥感影像、无人机拍摄获得的数字正射影像和景观设计要素,还原真实三维模型。
进一步的,所述因子筛选模块包括:
资料提取模块,用于通过卫星扫描获取的研究区域的地形图像,对地形图像提取特征要素,获得当地地形资料;
分异性模块,用于从地形资料中,提取企业分布密度要素,得到人类活动因子和对应的层方差;从地形资料中,提取研究区域的地形特征要素,得到全区总方差;将层方差与全区总方差带入空间分异性获取模型,得到空间分异性q。
进一步的,所述分析处理模块包括:
保留模块,用于当q值在[0.7,1]时,说明人类活动因子和土壤污染特征的关联强度高,采集位点选择适合,该调查点位予以保留;
兼容模块,用于当q值在[0.3,0.7)时,说明人类活动因子和土壤污染特征关联强度不高,该调查点位保留或舍弃;
替换模块,用于当q值在[0,0.3)时,说明人类活动因子和土壤污染特征关联强度很低,该调查点位舍弃。
进一步的,所述场景还原模块包括:
目标采集模块,用于用无人机拍摄目标树木,得到目标树木聚集影像;
影像处理模块,用于用阴影像元处理软件处理目标数目聚集影像,得到目标树木平均阴影像元;
计算模块,用于带入数目获取模型,计算得到区域内目标树木数量。
本发明的有益效果为:
本发明提供了一种基于三维仿真模型的土壤污染状况调查点位方法,通过建立研究区域的三维模型,更真实全面的还原了研究区域的地形,极大地提高了调查研究的精确度和可靠性。
同时,在此基础上结合人类活动因子,确定调查点位的空间分异性数值,依此确定调查点位是否可靠,来决定保留或者更换调查点位,从而大幅提高调查点位的可靠性,进而大幅降低误差。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例。对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制,在附图中:
图1为本发明所述调查点位方法的步骤图;
图2为本发明所诉调查点位的系统图;
图3本发明所述的地理探测器原理图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供了一种基于三维仿真模型的土壤污染状况调查点位方法,如图1,所述方法包括:
步骤一:用雷达和无人机摄影手段采集研究区域地形数据,通过三维实景建模软件得到研究区域的空间三维模型;
步骤二:在三维模型构建的基础上,利用地理探测器模型,判断研究区内人类活动因子与土壤污染特征的关联关系,得到关联关系强度的代表,空间分异性的值;
步骤三:根据空间分异性的值划分研究区域调查点位的等级,优化设计土壤调查点位。
本实施例的工作原理为:
利用卫星和无人机采集地形数据,实现高精度三维地形模型的构建;同时,在三维地形上叠加影响和景观设计要素,实现真实三维模型的还原,此部分作为后续叠加人类活动因子和地理要素的基础;
在三维模型构建的基础上,利用地理探测器模型对人类活动因子进行研究,判断研究区内人类活动因子与土壤污染特征的关联关系,即空间分异性;
在以上两部分工作的基础上,依据空间分异性的值得大小,进一步在三维模型上对研究区进行不同等级的划分,等级越高土壤污染特征和人类活动因子的关联关系越高,土壤污染特征也越相似,调查点位的代表性也越强。
本实施例的有益效果为:
本发明提供了一种基于三维仿真模型的土壤污染状况调查点位方法,通过建立研究区域的三维模型,更真实全面的还原了研究区域的地形,极大地提高了调查研究的精确度和可靠性。
同时,在此基础上结合人类活动因子,确定调查点位的空间分异性数值,依此确定调查点位是否可靠,来决定保留或者更换调查点位,从而大幅提高调查点位的可靠性,进而大幅降低误差。
在一个实施例中,所述用雷达和无人机摄影手段采集研究区域地形数据,通过三维实景建模软件得到研究区域的空间三维模型的内容包括:
S101:利用孔径雷达采集研究区域地形的高程数据,利用无人机拍摄研究区域地形的静物测量数据,通过高程数据和测量数据构建三维地形;
S102:通过三维实景建模软件,在三维地形上叠加高分遥感影像、无人机拍摄获得的数字正射影像和景观设计要素,还原真实三维模型。
本实施例的工作原理为:以ALOS(Advanced Land Observing Satellite)卫星相控阵型L波段合成孔径雷达(PALSAR)采集的高程数据为依托,辅助以无人机倾斜摄影测量数据为补充,实现高精度三维地形模型的构建;
同时,在三维地形上叠加高分遥感影像、无人机拍摄获得的数字正射影像(DOM)和景观设计要素,实现真实三维模型的还原,此部分作为后续叠加人类活动因子的基础;
所述景观设计要素包括研究区域的地形地貌、水文特征、气候特征、土壤类型和矿产资源开采。
本实施例的有益效果为:
构建三维地形模型时,通过ALOS(Advanced Land Observing Satellite)卫星相控阵型L波段合成孔径雷达(PALSAR)采集的高程数据为依托,辅助以无人机倾斜摄影测量数据为补充,大幅提高了三维地形模型的精确度。
同时,通过在三维地形上叠加高分遥感影像、无人机拍摄获得的数字正射影像(DOM)和景观设计要素,大幅提高了三维模型的真实性,并为之后叠加人类活动因子提供了基础,进一步提高了三维模型的适用范围。
在一个实施例中,所述在三维模型构建的基础上,利用地理探测器模型,如图3,判断研究区内人类活动因子与土壤污染特征的关联关系,得到关联关系强度的代表,空间分异性的值的内容包括:
S201:通过卫星扫描获取的研究区域的地形图像,对地形图像提取特征要素,获得当地地形资料;
S202:从地形资料中,提取企业分布密度要素,得到人类活动因子和对应的层方差;从地形资料中,提取研究区域的地形特征要素,得到全区总方差;将层方差与全区总方差带入空间分异性获取模型,得到空间分异性q。
本实施例的工作原理为:
所诉地理探测器地理探测器是探测空间分异性q,以及揭示其背后驱动力的一组统计学方法。其核心思想是基于这样的假设:如果某个自变量对某个因变量有重要影响,那么自变量和因变量的空间分布应该具有相似性。
本发明中,空间分异性q表示人类活动因子与土壤污染特征的关联关系,q的值域为[0,1],q值越接近1人类活动因子与土壤污染特征的关联关系越强,q值越接近0人类活动因子与土壤污染特征的关联关系越弱;
所述空间分异性获取模型为q值计算公式,计算q的公式如下:
本实施例的有益效果为:
通过物理探测器这个工具,以及空间分异性q这个意义明确的物理量,让人类活动因子和土壤污染特征的关联关系清晰明了并可以评价。
同时,计算q的公式运用的是层方差和全区总方差的比值,这样一来准确度高,而来将q的值域限定,让后续计算的难度大幅降低;而且公式的适用范围也因此提高,应用成本也因此下降。
在一个实施例中,所述根据空间分异性的值划分研究区域调查点位的等级,优化设计土壤调查点位的内容包括:
S301:当q值在[0.7,1]时,说明人类活动因子和土壤污染特征的关联强度高,采集位点选择适合,该调查点位予以保留;
S302:当q值在[0.3,0.7)时,说明人类活动因子和土壤污染特征关联强度不高,该调查点位保留或舍弃;
S303:当q值在[0,0.3)时,说明人类活动因子和土壤污染特征关联强度很低,该调查点位舍弃。
本实施例的工作原理为:
本发明中,空间分异性q表示人类活动因子与土壤污染特征的关联关系,q的值域为[0,1],q值越接近1人类活动因子与土壤污染特征的关联关系越强,q值越接近0人类活动因子与土壤污染特征的关联关系越弱;
判断S302中调查位点保留或舍弃的方法如下:
当q值在[0.3,1]内的调查位点总数不超过总调查位点数量的80%时,则q值在[0.3,0.7)内的调查点位全部保留;
当q值在[0.3,1]内的调查位点总数超过总调查位点数量的80%时:
若q值在[0.7,1]内的调查点位数量超过总调查点位数量的80%时,则q值在[0.3,0.7)内的调查点位全部舍弃;
若q值在[0.7,1]内的调查点位数量不足总调查点位数量的80%时,则q值在[0.3,0.7)内的调查点位依据q值从大到小依次保留,直到全部保留的调查位点数量超过总调查位点数量的80%时为止,将剩余的q值在[0.7,1]内的调查点位全部舍弃。
本实施例的有益效果为:
通过物理探测器这个工具,以及空间分异性q这个意义明确的物理量,让人类活动因子和土壤污染特征的关联关系清晰明了并可以评价。q的值越接近1,表明人类活动因子与土壤污染特征的关联程度越高;q值越接近0,表明人类活动因子与土壤污染特征的关联程度越低,关联关系清晰准确。
因此,将q的值分为三个区间,不但操作简便,同时也降低了操作难度,进而提高了本发明的适用范围。
在一个实施例中,所述通过三维实景建模软件,在三维地形上叠加高分遥感影像、无人机拍摄获得的数字正射影像和景观设计要素,还原真实三维模型的内容包括:
以研究区域内树木为例:
S10201:用无人机拍摄目标树木,得到目标树木聚集影像;
S10202:用阴影像元处理软件处理目标数目聚集影像,得到目标树木平均阴影像元;
S10203:带入数目获取模型,计算得到区域内目标树木数量。
本实施例的工作原理为:
用Arcgis软件对影像数据做预处理,通过目视解译的方法将目标树木密集区提取出来,在其中提取目标树木的阴影元,然后对于得到的目标树木阴影像元提取结果,通过计算每棵目标树木的平均阴影像元数,根据目标树木阴影像元总数求得目标树木总数,计算公式为:
α=90-arccos(sinθsinδ+cosθcosδcos(ld-l))
式中:H为目标树木的平均高度,W为目标树木的平均周长,D为影像分辨率,α为太阳高度角,θ为当地纬度;为太阳时角,ld为太阳直射点经度,l为当地经度;δ为当日太阳赤纬角:
本实施例的有益效果为:
通过Arcgis软件对无人机拍摄的目标树木影像数据做预处理,得到的目标树木的阴影元,这样筛选结果准确,避免了对目标树木的错分和漏分现象,使研究区域的三维地理模型更加还原真实场景,精准度大幅提升;
同时,通过计算每棵目标树木的平均阴影像元数,根据目标树木阴影像元总数求得目标树木总数的公式物理意义清晰,因为包含了与太阳相关的物理参数,所以计算公式的可靠性与实用性大幅提升,使得本发明的使用成本也大幅降低。
在一个实施例中,如图2,所述系统包括:
三维仿真模块,用于用雷达和无人机摄影手段采集研究区域地形数据,通过三维实景建模软件得到研究区域的空间三维模型;
因子筛选模块,用于在三维模型构建的基础上,利用地理探测器模型,判断研究区内人类活动因子与土壤污染特征的关联关系,得到关联关系强度的代表,空间分异性的值;
分析处理模块,用于根据空间分异性的值划分研究区域调查点位的等级,优化设计土壤调查点位。
本实施例的工作原理为:
首先三维仿真模块来用无人机和雷达拍摄的数据构建空间三维模型,然后因子筛选模块在构建好的三维模型上利用地理探测器得到空间分异性的值,最后分析处理模块根据空间分异性的值来优化土壤调查点位。
利用卫星和无人机采集地形数据,实现高精度三维地形模型的构建;同时,在三维地形上叠加影响和景观设计要素,实现真实三维模型的还原,此部分作为后续叠加人类活动因子和地理要素的基础;
在三维模型构建的基础上,利用地理探测器模型对人类活动因子进行研究,判断研究区内人类活动因子与土壤污染特征的关联关系,即空间分异性;
在以上两部分工作的基础上,依据空间分异性的值得大小,进一步在三维模型上对研究区进行不同等级的划分,等级越高土壤污染特征和人类活动因子的关联关系越高,土壤污染特征也越相似,调查点位的代表性也越强。
本实施例的有益效果为:
本发明提供了一种基于三维仿真模型的土壤污染状况调查点位方法,通过建立研究区域的三维模型,更真实全面的还原了研究区域的地形,极大地提高了调查研究的精确度和可靠性。
同时,在此基础上结合人类活动因子,确定调查点位的空间分异性数值,依此确定调查点位是否可靠,来决定保留或者更换调查点位,从而大幅提高调查点位的可靠性,进而大幅降低误差。
在一个实施例中,所述三维仿真模块包括:
地形构建模块,用于利用孔径雷达采集研究区域地形的高程数据,利用无人机拍摄研究区域地形的静物测量数据,通过高程数据和测量数据构建三维地形;
场景还原模块,用于通过三维实景建模软件,在三维地形上叠加高分遥感影像、无人机拍摄获得的数字正射影像和景观设计要素,还原真实三维模型。
本实施例的工作原理为:
首先地形构建模块根据雷达与无人机采集的数据构建三维地形;然后场景还原模块在三维地形的基础上叠加高分遥感影像、数字正射影像和景观设计要素,还原真实的三维模型。
以ALOS(Advanced Land Observing Satellite)卫星相控阵型L波段合成孔径雷达(PALSAR)采集的高程数据为依托,辅助以无人机倾斜摄影测量数据为补充,实现高精度三维地形模型的构建;
同时,在三维地形上叠加高分遥感影像、无人机拍摄获得的数字正射影像(DOM)和景观设计要素,实现真实三维模型的还原,此部分作为后续叠加人类活动因子的基础;
所述景观设计要素包括研究区域的地形地貌、水文特征、气候特征、土壤类型和矿产资源开采。
本实施例的有益效果为:
构建三维地形模型时,通过ALOS(Advanced Land Observing Satellite)卫星相控阵型L波段合成孔径雷达(PALSAR)采集的高程数据为依托,辅助以无人机倾斜摄影测量数据为补充,大幅提高了三维地形模型的精确度。
同时,通过在三维地形上叠加高分遥感影像、无人机拍摄获得的数字正射影像(DOM)和景观设计要素,大幅提高了三维模型的真实性,并为之后叠加人类活动因子提供了基础,进一步提高了三维模型的适用范围。
在一个实施例中,所述因子筛选模块包括:
资料提取模块,用于通过卫星扫描获取的研究区域的地形图像,对地形图像提取特征要素,获得当地地形资料;
分异性模块,用于从地形资料中,提取企业分布密度要素,得到人类活动因子和对应的层方差;从地形资料中,提取研究区域的地形特征要素,得到全区总方差;将层方差与全区总方差带入空间分异性获取模型,得到空间分异性q。
本实施例的工作原理为:
首先资料提取模块对卫星扫描的研究区域的地形图像提取地形要素,获得地形资料,然后分异性模块根据地形资料得到人类活动因子层方差与全区总方差,并依此得到空间分异性q。
所诉地理探测器地理探测器是探测空间分异性q,以及揭示其背后驱动力的一组统计学方法。其核心思想是基于这样的假设:如果某个自变量对某个因变量有重要影响,那么自变量和因变量的空间分布应该具有相似性。
本发明中,空间分异性q表示人类活动因子与土壤污染特征的关联关系,q的值域为[0,1],q值越接近1人类活动因子与土壤污染特征的关联关系越强,q值越接近0人类活动因子与土壤污染特征的关联关系越弱;
所述空间分异性获取模型为q值计算公式,计算q的公式如下:
本实施例的有益效果为:
通过物理探测器这个工具,以及空间分异性q这个意义明确的物理量,让人类活动因子和土壤污染特征的关联关系清晰明了并可以评价。
同时,计算q的公式运用的是层方差和全区总方差的比值,这样一来准确度高,而来将q的值域限定,让后续计算的难度大幅降低;而且公式的适用范围也因此提高,应用成本也因此下降。
在一个实施例中,所述分析处理模块包括:
保留模块,用于当q值在[0.7,1]时,说明人类活动因子和土壤污染特征的关联强度高,采集位点选择适合,该调查点位予以保留;
兼容模块,用于当q值在[0.3,0.7)时,说明人类活动因子和土壤污染特征关联强度不高,该调查点位保留或舍弃;
替换模块,用于当q值在[0,0.3)时,说明人类活动因子和土壤污染特征关联强度很低,该调查点位舍弃。
判断S302中调查位点保留或舍弃的方法如下:
当q值在[0.3,1]内的调查位点总数不超过总调查位点数量的80%时,则q值在[0.3,0.7)内的调查点位全部保留;
当q值在[0.3,1]内的调查位点总数超过总调查位点数量的80%时:
若q值在[0.7,1]内的调查点位数量超过总调查点位数量的80%时,则q值在[0.3,0.7)内的调查点位全部舍弃;
若q值在[0.7,1]内的调查点位数量不足总调查点位数量的80%时,则q值在[0.3,0.7)内的调查点位依据q值从大到小依次保留,直到全部保留的调查位点数量超过总调查位点数量的80%时为止,将剩余的q值在[0.7,1]内的调查点位全部舍弃。
本实施例的工作原理为:
首先保留模块会识别q值是否在[0.7,1]区间内,若在,则判定该调查点位保留,若不在,则由兼容模块识别q值是否在[0.3,0.7)区间内,若在,则判定该调查点位待定,若不在,则由替换模块确定q值是在[0,0.3)区间内,将该调查点位舍弃。
本发明中,空间分异性q表示人类活动因子与土壤污染特征的关联关系,q的值域为[0,1],q值越接近1人类活动因子与土壤污染特征的关联关系越强,q值越接近0人类活动因子与土壤污染特征的关联关系越弱;
本实施例的有益效果为:
通过物理探测器这个工具,以及空间分异性q这个意义明确的物理量,让人类活动因子和土壤污染特征的关联关系清晰明了并可以评价。q的值越接近1,表明人类活动因子与土壤污染特征的关联程度越高;q值越接近0,表明人类活动因子与土壤污染特征的关联程度越低,关联关系清晰准确。
因此,将q的值分为三个区间,不但操作简便,同时也降低了操作难度,进而提高了本发明的适用范围。
在一个实施例中,所述场景还原模块包括:
目标采集模块,用于用无人机拍摄目标树木,得到目标树木聚集影像;
影像处理模块,用于用阴影像元处理软件处理目标数目聚集影像,得到目标树木平均阴影像元;
计算模块,用于带入数目获取模型,计算得到区域内目标树木数量。
本实施例的工作原理为:10
用Arcgis软件对影像数据做预处理,通过目视解译的方法将目标树木密集区提取出来,在其中提取目标树木的阴影元,然后对于得到的目标树木阴影像元提取结果,通过计算每棵目标树木的平均阴影像元数,根据目标树木阴影像元总数求得目标树木总数,计算公式为:
α=90-arccos(sinθsinδ+cosθcosδcos(ld-l))
式中:H为目标树木的平均高度,W为目标树木的平均周长,D为影像分辨率,α为太阳高度角,θ为当地纬度;为太阳时角,ld为太阳直射点经度,l为当地经度;δ为当日太阳赤纬角:
本实施例的有益效果为:
通过Arcgis软件对无人机拍摄的目标树木影像数据做预处理,得到的目标树木的阴影元,这样筛选结果准确,避免了对目标树木的错分和漏分现象,使研究区域的三维地理模型更加还原真实场景,精准度大幅提升;
同时,通过计算每棵目标树木的平均阴影像元数,根据目标树木阴影像元总数求得目标树木总数的公式物理意义清晰,因为包含了与太阳相关的物理参数,所以计算公式的可靠性与实用性大幅提升,使得本发明的使用成本也大幅降低。
显然,本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同的技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于三维仿真模型的土壤污染状况调查点位方法,其特征在于,所述方法包括:
步骤一:用雷达和无人机摄影手段采集研究区域地形数据,通过三维实景建模软件得到研究区域的空间三维场景;
步骤二:在三维模型构建的基础上,利用地理探测器模型,判断研究区内人类活动因子与土壤污染特征的关联关系,得到关联关系强度的代表,空间分异性的值;
步骤三:根据空间分异性的值划分研究区域调查点位的等级,优化设计土壤调查点位。
2.如权利要求1所述的一种基于三维仿真模型的土壤污染状况调查点位方法,其特征在于,所述用雷达和无人机摄影手段采集研究区域地形数据,通过三维实景建模软件得到研究区域的空间三维场景的内容包括:
S101:利用孔径雷达采集研究区域地形的高程数据,利用无人机拍摄研究区域地形的静物测量数据,通过高程数据和测量数据构建三维地形;
S102:通过三维实景建模软件,在三维地形上叠加高分遥感影像、无人机拍摄获得的数字正射影像和景观设计要素,还原真实三维场景。
3.如权利要求1所述的一种基于三维仿真模型的土壤污染状况调查点位方法,其特征在于,所述在三维模型构建的基础上,利用地理探测器模型,判断研究区内人类活动因子与土壤污染特征的关联关系,得到关联关系强度的代表,空间分异性的值的内容包括:
S201:通过卫星扫描获取的研究区域的地形图像,对地形图像提取特征要素,获得当地地形资料;
S202:从地形资料中,提取企业分布密度要素,得到人类活动因子和对应的层方差;从地形资料中,提取研究区域的地形特征要素,得到全区总方差;将层方差与全区总方差带入空间分异性获取模型,得到空间分异性q。
4.如权利要求1所述的一种基于三维仿真模型的土壤污染状况调查点位方法,其特征在于,所述根据空间分异性的值划分研究区域调查点位的等级,优化设计土壤调查点位的内容包括:
S301:当q值在[0.7,1]时,说明人类活动因子和土壤污染特征的关联强度高,采集位点选择适合,该采集点予以保留;
S302:当q值在[0.3,0.7)时,说明人类活动因子和土壤污染特征关联强度不高,该采集点保留或舍弃;
S303:当q值在[0,0.3)时,说明人类活动因子和土壤污染特征关联强度很低,该采集点舍弃。
5.如权利要求2所述的一种基于三维仿真模型的土壤污染状况调查点位方法,其特征在于,所述通过三维实景建模软件,在三维地形上叠加高分遥感影像、无人机拍摄获得的数字正射影像和景观设计要素,还原真实三维场景的内容包括:
S10201:用无人机拍摄目标树木,得到目标树木聚集影像;
S10202:用阴影像元处理软件处理目标数目聚集影像,得到目标树木平均阴影像元;
S10203:带入数目获取模型,计算得到区域内目标树木数量。
6.一种基于三维仿真模型的土壤污染状况调查点位系统,其特征在于,所述系统包括:
三维仿真模块,用于用雷达和无人机摄影手段采集研究区域地形数据,通过三维实景建模软件得到研究区域的空间三维场景;
因子筛选模块,用于在三维模型构建的基础上,利用地理探测器模型,判断研究区内人类活动因子与土壤污染特征的关联关系,得到关联关系强度的代表,空间分异性的值;
分析处理模块,用于根据空间分异性的值划分研究区域调查点位的等级,优化设计土壤调查点位。
7.如权利要求6所述的一种基于三维仿真模型的土壤污染状况调查点位系统,其特征在于,所述三维仿真模块,包括:
地形构建模块,用于利用孔径雷达采集研究区域地形的高程数据,利用无人机拍摄研究区域地形的静物测量数据,通过高程数据和测量数据构建三维地形;
场景还原模块,用于通过三维实景建模软件,在三维地形上叠加高分遥感影像、无人机拍摄获得的数字正射影像和景观设计要素,还原真实三维场景。
8.如权利要求6所述的一种基于三维仿真模型的土壤污染状况调查点位系统,其特征在于,所述因子筛选模块包括:
资料提取模块,用于通过卫星扫描获取的研究区域的地形图像,对地形图像提取特征要素,获得当地地形资料;
分异性模块,用于从地形资料中,提取企业分布密度要素,得到人类活动因子和对应的层方差;从地形资料中,提取研究区域的地形特征要素,得到全区总方差;将层方差与全区总方差带入空间分异性获取模型,得到空间分异性q。
9.如权利要求6所述的一种基于三维仿真模型的土壤污染状况调查点位系统,其特征在于,所述分析处理模块包括:
保留模块,用于当q值在[0.7,1]时,说明人类活动因子和土壤污染特征的关联强度高,采集位点选择适合,该采集点予以保留;
兼容模块,用于当q值在[0.3,0.7)时,说明人类活动因子和土壤污染特征关联强度不高,该采集点保留或舍弃;
替换模块,用于当q值在[0,0.3)时,说明人类活动因子和土壤污染特征关联强度很低,该采集点舍弃。
10.如权利要求7所述的一种基于三维仿真模型的土壤污染状况调查点位系统,其特征在于,所述场景还原模块包括:
目标采集模块,用于用无人机拍摄目标树木,得到目标树木聚集影像;
影像处理模块,用于用阴影像元处理软件处理目标数目聚集影像,得到目标树木平均阴影像元;
计算模块,用于带入数目获取模型,计算得到区域内目标树木数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211248008.0A CN115510670A (zh) | 2022-10-12 | 2022-10-12 | 一种基于三维仿真模型的土壤污染状况调查点位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211248008.0A CN115510670A (zh) | 2022-10-12 | 2022-10-12 | 一种基于三维仿真模型的土壤污染状况调查点位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115510670A true CN115510670A (zh) | 2022-12-23 |
Family
ID=84510252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211248008.0A Pending CN115510670A (zh) | 2022-10-12 | 2022-10-12 | 一种基于三维仿真模型的土壤污染状况调查点位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115510670A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646413A (zh) * | 2013-10-30 | 2014-03-19 | 北京邮电大学 | 基于osg引擎的树木快速渲染技术 |
CN105913017A (zh) * | 2016-04-08 | 2016-08-31 | 南京林业大学 | 一种基于同期双高分辨率遥感影像的森林生物量估算方法 |
CN106990128A (zh) * | 2017-04-05 | 2017-07-28 | 北京矿冶研究总院 | 区域尾矿库环境风险评估中斑块影像和污染特征耦合方法 |
CN107527038A (zh) * | 2017-08-31 | 2017-12-29 | 复旦大学 | 一种三维地物自动提取与场景重建方法 |
CN114019139A (zh) * | 2021-10-26 | 2022-02-08 | 复旦大学 | 一种农用地土壤重金属异常数据的探测方法 |
CN114049446A (zh) * | 2021-10-08 | 2022-02-15 | 广州珠矶科技有限公司 | 无人机和bim的土壤污染物分布可视化方法、装置及介质 |
CN114510823A (zh) * | 2022-01-11 | 2022-05-17 | 南京国环科技股份有限公司 | 一种快速评估土壤重金属污染程度的方法 |
-
2022
- 2022-10-12 CN CN202211248008.0A patent/CN115510670A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646413A (zh) * | 2013-10-30 | 2014-03-19 | 北京邮电大学 | 基于osg引擎的树木快速渲染技术 |
CN105913017A (zh) * | 2016-04-08 | 2016-08-31 | 南京林业大学 | 一种基于同期双高分辨率遥感影像的森林生物量估算方法 |
CN106990128A (zh) * | 2017-04-05 | 2017-07-28 | 北京矿冶研究总院 | 区域尾矿库环境风险评估中斑块影像和污染特征耦合方法 |
CN107527038A (zh) * | 2017-08-31 | 2017-12-29 | 复旦大学 | 一种三维地物自动提取与场景重建方法 |
CN114049446A (zh) * | 2021-10-08 | 2022-02-15 | 广州珠矶科技有限公司 | 无人机和bim的土壤污染物分布可视化方法、装置及介质 |
CN114019139A (zh) * | 2021-10-26 | 2022-02-08 | 复旦大学 | 一种农用地土壤重金属异常数据的探测方法 |
CN114510823A (zh) * | 2022-01-11 | 2022-05-17 | 南京国环科技股份有限公司 | 一种快速评估土壤重金属污染程度的方法 |
Non-Patent Citations (4)
Title |
---|
于靖靖等: "湘江子流域重点污染企业影响区土壤重金属镉污染源识别" * |
冀明等: "南极企鹅数量识别及变化趋势分析——基于无人机航拍的高分辨率影像" * |
齐杏杏等: "基于地理探测器的土壤重金属污染影响因素分析" * |
龚仓等: "基于地理探测器的土壤重金属空间分异及其影响因素分析研究进展" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rathje et al. | Remote sensing for geotechnical earthquake reconnaissance | |
CN114518104B (zh) | 基于动态遥感监测技术的国土测绘方法、系统及存储介质 | |
CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
Yu et al. | Modeling of landslide topography based on micro-unmanned aerial vehicle photography and structure-from-motion | |
CN109596121B (zh) | 一种机动站自动目标检测与空间定位方法 | |
Veljanovski et al. | Object-based image analysis of VHR satellite imagery for population estimation in informal settlement Kibera-Nairobi, Kenya | |
Grohmann et al. | Dune migration and volume change from airborne LiDAR, terrestrial LiDAR and Structure from Motion-Multi View Stereo | |
CN109961510B (zh) | 一种基于三维点云重构技术的高切坡地质快速编录方法 | |
CN112100301A (zh) | 一种利用高分遥感技术实现水域岸线动态监测的方法 | |
CN110232683A (zh) | 一种基于无人机点云的滑坡检测方法 | |
Zietara | Creating Digital Elevation Model (DEM) based on ground points extracted from classified aerial images obtained from Unmanned Aerial Vehicle (UAV) | |
CN110207676A (zh) | 一种田沟塘参数的获取方法及装置 | |
CN111556157A (zh) | 农作物分布的监测方法、设备、存储介质及装置 | |
Osama et al. | A digital terrain modeling method in urban areas by the ICESat-2 (Generating precise terrain surface profiles from photon-counting technology) | |
CN112166688B (zh) | 基于小卫星的沙漠与沙漠化土地监测方法 | |
Tian et al. | A process-oriented method for rapid acquisition of canopy height model from RGB point cloud in semiarid region | |
CN114577191B (zh) | 基于地理空间信息数据的测绘数据采集方法及系统 | |
CN115510670A (zh) | 一种基于三维仿真模型的土壤污染状况调查点位方法 | |
Jakopec et al. | A novel approach to landslide monitoring based on unmanned aerial system photogrammetry | |
CN114418858A (zh) | 遥感影像的镶嵌方法、装置、设备及存储介质 | |
Du et al. | High-precision DEM extraction by region segmentation-based progressive triangulation encryption filtering | |
Piermattei et al. | Analysis of glacial and periglacial processes using structure from motion. | |
Dinkov et al. | High-resolution topographic data of river landscapes using aerial PPK-UAV photogrammetry: a case study in Ogosta River valley, Northwestern Bulgaria | |
Gao | Algorithms and software tools for extracting coastal morphological information from airborne LiDAR data | |
Yang et al. | A framework of linear sensor networks with unmanned aerial vehicle for rainfall-induced landslides detection |
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 |