CN116202575A - 一种水土保持土壤流失率监测系统及方法 - Google Patents

一种水土保持土壤流失率监测系统及方法 Download PDF

Info

Publication number
CN116202575A
CN116202575A CN202310483741.9A CN202310483741A CN116202575A CN 116202575 A CN116202575 A CN 116202575A CN 202310483741 A CN202310483741 A CN 202310483741A CN 116202575 A CN116202575 A CN 116202575A
Authority
CN
China
Prior art keywords
soil
monitoring
state change
change factor
environmental state
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.)
Granted
Application number
CN202310483741.9A
Other languages
English (en)
Other versions
CN116202575B (zh
Inventor
张贵军
齐玉杰
张大坤
刘传宁
郭玉
李�赫
王文露
宋亚伦
赵雷
张峰霖
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.)
Shandong Huijie Geographic Information Technology Co ltd
Original Assignee
Shandong Huijie Geographic Information 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 Shandong Huijie Geographic Information Technology Co ltd filed Critical Shandong Huijie Geographic Information Technology Co ltd
Priority to CN202310483741.9A priority Critical patent/CN116202575B/zh
Publication of CN116202575A publication Critical patent/CN116202575A/zh
Application granted granted Critical
Publication of CN116202575B publication Critical patent/CN116202575B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
  • Sampling And Sample Adjustment (AREA)

Abstract

本发明涉及土壤监测技术领域，尤其为一种水土保持土壤流失率监测系统及方法，包括监测模块：用于通过监测装置采集水土数据；传输模块：用于传输监测的水土数据至控制中心；处理模块：用于对接收的水土数据进行数据预处理；分析模块：用于对预处理后的水土数据进行分析；治理模块：用于根据分析模块的分析结果采取对应的治理措施。本发明通过实时监测采集和传输监测地的水土数据，提高数据的时效性，通过分析模块构建土壤流失率模型，并通过改进萤火虫算法对监测地内的土壤侵蚀模数进行寻优，优化土壤流失率模型，获得更为准确的监测系统。

Description

一种水土保持土壤流失率监测系统及方法
技术领域
本发明涉及土壤监测技术领域，尤其是一种水土保持土壤流失率监测系统及方法。
背景技术
水土流失是严重的环境问题，容易导致水体污染、土壤退化、土地表层侵蚀、河道淤积，加剧洪涝灾害，降低土地生产力，减少耕地面积，生态系统恶化，制约着流域的经济可持续发展。河道水土流失与多种环境因素密切相关，如地形复杂、植物覆盖变化、雨水冲蚀、工程开挖等。为保持河道水土，有必要动态监测水土流失，分析水土流失变化规律和发展趋势，为水土流失防治方案提供依据，并通过水土保持措施，改善河道生态环境，促进流域经济发展。
现阶段，水土流失动态监测相关研究已取得较大进展。基于USLE原理的水土流失动态监测，构建土壤侵蚀综合因子算法，包括RS、GPS、GIS，采集样本数据和遥感影响，计算与水土流失关联较大的生态因子，模拟水土流失实际情况。文献提出基于高分遥感影像的水土流失动态监测方法，针对多时序、大尺度的水土流失，采集高分遥感影像、土地利用、地形地貌、植被覆盖等信息，建立模型因子算法，检测水土流失变化情况，利用GIS技术，编制土壤侵蚀和土地退化图。但基于遥感的精确度不高，采集分析的数据时效性较低。故本发明提出一种水土保持土壤流失率监测系统及方法，通过实时监测采集监测地的水土数据，构建土壤流失率模型，对监测地内的土壤侵蚀模数进行寻优，优化土壤流失率模型，获得更为准确的监测系统。
发明内容
本发明的目的是通过提出一种水土保持土壤流失率监测系统及方法，以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下：
提供一种水土保持土壤流失率监测系统，包括监测模块：用于通过监测装置采集水土数据；
传输模块：用于传输监测的水土数据至控制中心；
处理模块：用于对接收的水土数据进行数据预处理；
分析模块：用于对预处理后的水土数据进行分析；
治理模块：用于根据分析模块的分析结果采取对应的治理措施。
作为本发明的一种优选技术方案：所述监测模块的监测范围包括监测地的土壤、植被、风力、气温、湿度、降水量和泥沙量。
作为本发明的一种优选技术方案：所述传输模块通过无线传输方式向控制中心传输监测的水土数据。
作为本发明的一种优选技术方案：所述处理模块对传输模块上传至控制中心的水土数据进行数据缺失值补全和数据整合处理。
作为本发明的一种优选技术方案：所述分析模块建立监测地的土壤流失率模型：
Figure SMS_1
；
其中，
Figure SMS_3
为土壤流失率，/>
Figure SMS_5
为监测分区，/>
Figure SMS_9
为监测时段，/>
Figure SMS_4
为的第/>
Figure SMS_8
监测分区第/>
Figure SMS_11
监测时段的土壤监测面积， />
Figure SMS_13
为第/>
Figure SMS_2
监测分区第/>
Figure SMS_7
监测时段的土壤侵蚀模数，/>
Figure SMS_10
为第/>
Figure SMS_12
监测分区第/>
Figure SMS_6
监测时段的土壤监测时段；
其中土壤侵蚀模数
Figure SMS_14
跟随监测地的监测地点和监测地点的环境状态进行变化，通过改进萤火虫算法根据监测地环境状态变化规律进行寻优计算。
作为本发明的一种优选技术方案：所述分析模块根据计算获得的土壤流失率模型划分土壤流失等级；还通过搭建深度学习网络对寻优获得的土壤侵蚀模数进行学习预测，同时预测输出监测地的土壤流失率。
提供一种水土保持土壤流失率监测方法，包括如下步骤：
S1：通过监测装置采集水土数据；
S2：传输监测的水土数据至控制中心；
S3：对接收的水土数据进行数据预处理；
S4：对预处理后的水土数据进行分析；
S5：根据S4的分析结果采取对应的治理措施。
作为本发明的一种优选技术方案：所述S4中通过改进萤火虫算法根据监测地环境状态变化规律进行寻优计算，所述改进萤火虫算法中，任意两只萤火虫由于相互吸引而移动，亮度弱的萤火虫向亮度强的萤火虫靠近以完成位置迭代，亮度强的萤火虫不受其他萤火虫吸引，进行随机移动。
作为本发明的一种优选技术方案：所述S4中通过改进萤火虫算法根据监测地环境状态变化规律进行寻优计算具体如下：
当监测地环境状态变化因子
Figure SMS_15
比监测地环境状态变化因子/>
Figure SMS_16
更亮时，监测地环境状态变化因子/>
Figure SMS_17
向/>
Figure SMS_18
移动，位置更新公式为：
Figure SMS_19
；
其中，
Figure SMS_27
为监测地环境状态变化因子/>
Figure SMS_22
更新的位置，/>
Figure SMS_24
为权重系数，/>
Figure SMS_23
为监测地环境状态变化因子/>
Figure SMS_28
的位置，/>
Figure SMS_26
为监测地环境状态变化因子/>
Figure SMS_30
的位置，/>
Figure SMS_29
为监测地环境状态变化因子自身吸引力，/>
Figure SMS_32
为监测地环境状态变化因子/>
Figure SMS_20
和监测地环境状态变化因子/>
Figure SMS_25
的距离，/>
Figure SMS_31
为吸引力因子，/>
Figure SMS_34
为数学常量，/>
Figure SMS_33
为均匀分布在/>
Figure SMS_35
的随机数，/>
Figure SMS_21
是随机化步长参数；
其中，权重系数
Figure SMS_36
满足：
Figure SMS_37
；
其中，
Figure SMS_38
表示最大权重，/>
Figure SMS_39
表示最小权重，/>
Figure SMS_40
表示当迭代次数，/>
Figure SMS_41
表示最大迭代次数；
设有
Figure SMS_42
个监测地环境状态变化因子比监测地环境状态变化因子/>
Figure SMS_43
更亮，则监测地环境状态变化因子/>
Figure SMS_44
移动/>
Figure SMS_45
次，此时监测地环境状态变化因子更新的位置/>
Figure SMS_46
为：/>
Figure SMS_47
；
Figure SMS_48
；
其中，
Figure SMS_50
为监测地环境状态变化因子/>
Figure SMS_53
的位移移动量之和，/>
Figure SMS_55
为监测地环境状态变化因子/>
Figure SMS_51
和监测地环境状态变化因子/>
Figure SMS_54
的距离，/>
Figure SMS_56
为监测地环境状态变化因子/>
Figure SMS_57
的位置，/>
Figure SMS_49
为均匀分布在/>
Figure SMS_52
的随机数；
对全局最优监测地环境状态变化因子
Figure SMS_58
，对随机选择的一维进行单维度学习优化：
Figure SMS_59
；
其中，
Figure SMS_60
为全局最优监测地环境状态变化因子更新的位置，/>
Figure SMS_61
为全局最优监测地环境状态变化因子随机选择的一维的位置，/>
Figure SMS_62
为随机选择的第/>
Figure SMS_63
个监测地环境状态变化因子的第/>
Figure SMS_64
维位置，/>
Figure SMS_65
表示因子为1的柯西分布函数的随机数；
当迭代至最大迭代次数时停止更新，将当前萤火虫
Figure SMS_66
与优化学习后的全局最优监测地环境状态变化因子进行比较，若全局最优监测地环境状态变化因子比当前监测地环境状态变化因子/>
Figure SMS_67
更优，则根据下式将当前监测地环境状态变化因子/>
Figure SMS_68
向全局监测地环境状态变化因子移动：
Figure SMS_69
；
其中，
Figure SMS_70
为更新后的当前监测地环境状态变化因子/>
Figure SMS_71
的位置；/>
Figure SMS_72
为监测地环境状态变化因子与全局监测地环境状态变化因子的距离，/>
Figure SMS_73
为当前监测地环境状态变化因子/>
Figure SMS_74
的位置；
若当前监测地环境状态变化因子
Figure SMS_75
比全局监测地环境状态变化因子更优，则对当前监测地环境状态变化因子/>
Figure SMS_76
按照根据下式进行骨干操作变异：
Figure SMS_77
；
其中，
Figure SMS_78
表示当前监测地环境状态变化因子/>
Figure SMS_79
的位置从以/>
Figure SMS_80
为均值，以/>
Figure SMS_81
为标准差的高斯分布中抽样得到的随机数；
根据最终寻优结果获得的监测地环境状态变化因子对应变换为当前环境状态变化条件下的土壤侵蚀模数。
作为本发明的一种优选技术方案：所述S5根据所述S4中分析的监测地土壤流失率和预测的监测地土壤流失率按照划分的土壤流失等级采取对应治理措施。
本发明提供的水土保持土壤流失率监测系统，与现有技术相比，其有益效果有：
本发明通过实时监测采集和传输监测地的水土数据，提高数据的时效性，并通过分析模块根据采集的水土数据构建土壤流失率模型，对于处于不同环境而导致各监测地的土壤侵蚀模数存在差异的情况，通过改进萤火虫算法对各监测地内的土壤侵蚀模数进行寻优，对于萤火虫算法过度依赖萤火虫，不进行有导向的寻优移动且易陷入局部最优的特点，将累加的位置增量作为新的搜索方向，降低萤火虫当前位置对搜索过程的影响，具有良好的跳出局部最优的能力，搜寻获取更为精确的土壤侵蚀模数，优化土壤流失率模型，并通过搭建深度学习网络对水土流失率进行预测，以获得更为准确的监测系统。
附图说明
图1为本发明优选实施例的系统框图；
图2为本发明优选实施例的方法流程图。
图中各个标记的意义为：100、监测模块；200、传输模块；300、处理模块；400、分析模块；500、治理模块。
具体实施方式
需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，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。
参照图1，本发明优选实施例提供了一种水土保持土壤流失率监测系统，包括：
监测模块100：用于通过监测装置采集水土数据；
传输模块200：用于传输监测的水土数据至控制中心；
处理模块300：用于对接收的水土数据进行数据预处理；
分析模块400：用于对预处理后的水土数据进行分析；
治理模块500：用于根据分析模块400的分析结果采取对应的治理措施。
所述监测模块100的监测范围包括监测地的土壤、植被、风力、气温、湿度、降水量和泥沙量。
所述传输模块200通过无线传输方式向控制中心传输监测的水土数据。
所述处理模块300对传输模块200上传至控制中心的水土数据进行数据缺失值补全和数据整合处理。
所述分析模块400建立监测地的土壤流失率模型：
Figure SMS_82
；
其中，
Figure SMS_84
为土壤流失率，/>
Figure SMS_88
为监测分区，/>
Figure SMS_91
为监测时段，/>
Figure SMS_85
为的第/>
Figure SMS_87
监测分区第/>
Figure SMS_89
监测时段的土壤监测面积，/>
Figure SMS_92
为第/>
Figure SMS_86
监测分区第/>
Figure SMS_90
监测时段的土壤侵蚀模数，/>
Figure SMS_93
为第/>
Figure SMS_94
监测分区第/>
Figure SMS_83
监测时段的土壤监测时段；
其中土壤侵蚀模数
Figure SMS_95
跟随监测地的监测地点和监测地点的环境状态进行变化，通过改进萤火虫算法根据监测地环境状态变化规律进行寻优计算。
所述分析模块400根据计算获得的土壤流失率模型划分土壤流失等级；还通过搭建深度学习网络对寻优获得的土壤侵蚀模数进行学习预测，同时预测输出监测地的土壤流失率。
参照图2，提供一种水土保持土壤流失率监测方法，包括如下步骤：
S1：通过监测装置采集水土数据；
S2：传输监测的水土数据至控制中心；
S3：对接收的水土数据进行数据预处理；
S4：对预处理后的水土数据进行分析；
S5：根据S4的分析结果采取对应的治理措施。
所述S4中通过改进萤火虫算法根据监测地环境状态变化规律进行寻优计算，所述改进萤火虫算法中，任意两只萤火虫由于相互吸引而移动，亮度弱的萤火虫向亮度强的萤火虫靠近以完成位置迭代，亮度强的萤火虫不受其他萤火虫吸引，进行随机移动。
所述S4中通过改进萤火虫算法根据监测地环境状态变化规律进行寻优计算具体如下：
当监测地环境状态变化因子
Figure SMS_96
比监测地环境状态变化因子/>
Figure SMS_97
更亮时，监测地环境状态变化因子/>
Figure SMS_98
向/>
Figure SMS_99
移动，位置更新公式为：
Figure SMS_100
；
其中，
Figure SMS_109
为监测地环境状态变化因子/>
Figure SMS_102
更新的位置，/>
Figure SMS_106
为权重系数，/>
Figure SMS_103
为监测地环境状态变化因子/>
Figure SMS_105
的位置，/>
Figure SMS_108
为监测地环境状态变化因子/>
Figure SMS_112
的位置，/>
Figure SMS_111
为监测地环境状态变化因子自身吸引力，/>
Figure SMS_115
为监测地环境状态变化因子/>
Figure SMS_101
和监测地环境状态变化因子/>
Figure SMS_107
的距离，/>
Figure SMS_110
为吸引力因子，/>
Figure SMS_113
为数学常量，/>
Figure SMS_114
为均匀分布在/>
Figure SMS_116
的随机数，/>
Figure SMS_104
是随机化步长参数；
其中，权重系数
Figure SMS_117
满足：
Figure SMS_118
；
其中，
Figure SMS_119
表示最大权重，/>
Figure SMS_120
表示最小权重，/>
Figure SMS_121
表示当迭代次数，/>
Figure SMS_122
表示最大迭代次数；
设有
Figure SMS_123
个监测地环境状态变化因子比监测地环境状态变化因子/>
Figure SMS_124
更亮，则监测地环境状态变化因子/>
Figure SMS_125
移动/>
Figure SMS_126
次，此时监测地环境状态变化因子更新的位置/>
Figure SMS_127
为：
Figure SMS_128
；
Figure SMS_129
；
其中，
Figure SMS_130
为监测地环境状态变化因子/>
Figure SMS_133
的位移移动量之和，/>
Figure SMS_136
为监测地环境状态变化因子/>
Figure SMS_131
和监测地环境状态变化因子/>
Figure SMS_134
的距离，/>
Figure SMS_137
为监测地环境状态变化因子/>
Figure SMS_138
的位置，/>
Figure SMS_132
为均匀分布在/>
Figure SMS_135
的随机数；
对全局最优监测地环境状态变化因子
Figure SMS_139
，对随机选择的一维进行单维度学习优化：
Figure SMS_140
；
其中，
Figure SMS_141
为全局最优监测地环境状态变化因子更新的位置，/>
Figure SMS_142
为全局最优监测地环境状态变化因子随机选择的一维的位置，/>
Figure SMS_143
为随机选择的第/>
Figure SMS_144
个监测地环境状态变化因子的第/>
Figure SMS_145
维位置，/>
Figure SMS_146
表示因子为1的柯西分布函数的随机数；
当迭代至最大迭代次数时停止更新，将当前监测地环境状态变化因子
Figure SMS_147
与优化学习后的全局最优监测地环境状态变化因子进行比较，若全局最优监测地环境状态变化因子比当前监测地环境状态变化因子/>
Figure SMS_148
更优，则根据下式将当前监测地环境状态变化因子/>
Figure SMS_149
向全局监测地环境状态变化因子移动：
Figure SMS_150
；
其中，
Figure SMS_151
为更新后的当前监测地环境状态变化因子/>
Figure SMS_152
的位置；/>
Figure SMS_153
为监测地环境状态变化因子与全局监测地环境状态变化因子的距离，/>
Figure SMS_154
为当前监测地环境状态变化因子/>
Figure SMS_155
的位置；
若当前监测地环境状态变化因子
Figure SMS_156
比全局监测地环境状态变化因子更优，则对当前监测地环境状态变化因子/>
Figure SMS_157
按照根据下式进行骨干操作变异：
Figure SMS_158
；
其中，
Figure SMS_159
表示当前监测地环境状态变化因子/>
Figure SMS_160
的位置从以/>
Figure SMS_161
为均值，以/>
Figure SMS_162
为标准差的高斯分布中抽样得到的随机数；
根据最终寻优结果获得的监测地环境状态变化因子对应变换为当前环境状态变化条件下的土壤侵蚀模数。
所述S5根据所述S4中分析的监测地土壤流失率和预测的监测地土壤流失率按照划分的土壤流失等级采取对应治理措施。
本实施例中，以对一片面积为100平方米的山坡监测为例，监测模块100对该山坡各项指标进行监测，包括该山坡的土壤指标、指标情况、风力情况、气温标准、空气湿度、所在区域的降水量和泥沙量等，传输模块200将采集的各项指标数据上传至控制中心，控制中心的处理模块300对上传的指标数据进行初步预处理，包括数据清洗和数据整合等，便于后续对于指标数据的处理。分析模块400对预处理后的指标数据建立土壤流失率模型：
Figure SMS_163
；
其中，
Figure SMS_164
为土壤流失率，/>
Figure SMS_165
为监测分区，/>
Figure SMS_166
为监测时段，/>
Figure SMS_167
为第/>
Figure SMS_168
监测分区第/>
Figure SMS_169
监测时段的土壤侵蚀模数；
将该100平方米的山坡划分为100个分区，每个分区面积为1平方米，连续监测24小时，每小时监测一次，则土壤流失率模型更新如下：
Figure SMS_170
；
对每个分区的土壤侵蚀模数分别进行寻优计算获得，根据各分区的的土壤指标、植被情况、风力情况、气温标准、空气湿度、所在区域的降水量和泥沙量等指标影响进行寻优获得。
以土壤指标中的土壤湿度为某一维为例，某一平方米的土壤中，土壤表层水分含量低，则易造成表层土壤的沙化，则会造成土壤的流失，
则当土壤水分含量低时，以土壤干度为萤火虫亮度进行寻优，当土壤干度超过一定值时，则会造成土壤侵蚀，即土壤流失。
当土壤因子
Figure SMS_171
比土壤因子/>
Figure SMS_172
更干时，土壤因子/>
Figure SMS_173
向/>
Figure SMS_174
移动，位置更新公式为：
Figure SMS_175
；
其中，
Figure SMS_184
为土壤因子/>
Figure SMS_178
更新的位置，/>
Figure SMS_180
为权重系数，/>
Figure SMS_179
为土壤因子/>
Figure SMS_181
的位置，/>
Figure SMS_182
为土壤因子/>
Figure SMS_186
的位置，/>
Figure SMS_188
为土壤因子自身吸引力，/>
Figure SMS_191
为土壤因子/>
Figure SMS_176
和土壤因子/>
Figure SMS_183
的距离，/>
Figure SMS_185
为土壤水分含量因子，/>
Figure SMS_189
为数学常量，/>
Figure SMS_187
为均匀分布在/>
Figure SMS_190
的随机数，/>
Figure SMS_177
是随机化步长参数；
其中，权重系数
Figure SMS_192
满足：
Figure SMS_193
；
其中，
Figure SMS_194
表示最大权重，/>
Figure SMS_195
表示最小权重，/>
Figure SMS_196
表示当迭代次数，/>
Figure SMS_197
表示最大迭代次数；
设有
Figure SMS_198
个土壤因子比土壤因子/>
Figure SMS_199
更亮，则土壤因子/>
Figure SMS_200
移动/>
Figure SMS_201
次，此时土壤因子更新的位置/>
Figure SMS_202
为：
Figure SMS_203
；
Figure SMS_204
；
其中，
Figure SMS_206
为土壤因子/>
Figure SMS_209
的位移移动量之和，/>
Figure SMS_212
为土壤因子/>
Figure SMS_207
和土壤因子/>
Figure SMS_208
的距离，/>
Figure SMS_211
为土壤因子 />
Figure SMS_213
的位置，/>
Figure SMS_205
为均匀分布在/>
Figure SMS_210
的随机数；
对全局最优土壤因子
Figure SMS_214
，对随机选择的土壤湿度这一维进行单维度学习优化：
Figure SMS_215
；
其中，
Figure SMS_216
为全局最优土壤因子更新的位置，/>
Figure SMS_217
为全局最优土壤因子在土壤湿度这一维的位置，/>
Figure SMS_218
为随机选择的第/>
Figure SMS_219
个土壤因子的土壤湿度这一维的位置，/>
Figure SMS_220
表示因子为1的柯西分布函数的随机数；
再根据其他指标数据对应的维度的因子进行迭代寻优：
当迭代至最大迭代次数时停止更新，将当前寻优因子
Figure SMS_221
与优化学习后的全局最优寻优因子进行比较，若全局最优寻优因子比当前寻优因子/>
Figure SMS_222
更优，则根据下式将当前寻优因子/>
Figure SMS_223
向全局寻优因子移动：
Figure SMS_224
；
其中，
Figure SMS_225
为更新后的当前寻优因子/>
Figure SMS_226
的位置；/>
Figure SMS_227
为寻优因子与全局寻优因子的距离，
Figure SMS_228
为当前萤火虫/>
Figure SMS_229
的位置；
若当前寻优因子
Figure SMS_230
比全局寻优因子更优，则对当前寻优因子/>
Figure SMS_231
按照根据下式进行骨干操作变异：
Figure SMS_232
；
其中，
Figure SMS_233
表示当前寻优因子/>
Figure SMS_234
的位置从以/>
Figure SMS_235
为均值，以/>
Figure SMS_236
为标准差的高斯分布中抽样得到的随机数。
根据寻优结果获得的某一平方米每一时段的土壤侵蚀模数代入土壤流失率模型中进行计算获得该山坡在24小时内的土壤流失率，并根据寻优获得的土壤侵蚀模数构建深度神经网络对未来的土壤流失进行预测，并根据该山坡的土壤流失率划分其土壤流失所属等级，治理模块500根据划分的土壤流失等级对应采取治理措施，避免该山坡水土的进一步流失。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.一种水土保持土壤流失率监测系统，其特征在于：包括：
监测模块（100）：用于通过监测装置采集水土数据；
传输模块（200）：用于传输监测的水土数据至控制中心；
处理模块（300）：用于对接收的水土数据进行数据预处理；
分析模块（400）：用于对预处理后的水土数据进行分析；
治理模块（500）：用于根据分析模块（400）的分析结果采取对应的治理措施。
2.根据权利要求1所述的水土保持土壤流失率监测系统，其特征在于：所述监测模块（100）的监测范围包括监测地的土壤、植被、风力、气温、湿度、降水量和泥沙量。
3.根据权利要求1所述的水土保持土壤流失率监测系统，其特征在于：所述传输模块（200）通过无线传输方式向控制中心传输监测的水土数据。
4.根据权利要求1所述的水土保持土壤流失率监测系统，其特征在于：所述处理模块（300）对传输模块（200）上传至控制中心的水土数据进行数据缺失值补全和数据整合处理。
5.根据权利要求1所述的水土保持土壤流失率监测系统，其特征在于：所述分析模块（400）建立监测地的土壤流失率模型：
Figure QLYQS_1
；
其中，
Figure QLYQS_3
为土壤流失率，/>
Figure QLYQS_6
为监测分区，/>
Figure QLYQS_10
为监测时段，/>
Figure QLYQS_8
为的第/>
Figure QLYQS_11
监测分区第/>
Figure QLYQS_12
监测时段的土壤监测面积，/>
Figure QLYQS_13
为第/>
Figure QLYQS_2
监测分区第/>
Figure QLYQS_4
监测时段的土壤侵蚀模数，/>
Figure QLYQS_5
为第/>
Figure QLYQS_7
监测分区第/>
Figure QLYQS_9
监测时段的土壤监测时段；
其中土壤侵蚀模数
Figure QLYQS_14
跟随监测地的监测地点和监测地点的环境状态进行变化，通过改进萤火虫算法根据监测地环境状态变化规律进行寻优计算。
6.根据权利要求5所述的水土保持土壤流失率监测系统，其特征在于：所述分析模块（400）根据计算获得的土壤流失率模型划分土壤流失等级；还通过搭建深度学习网络对寻优获得的土壤侵蚀模数进行学习预测，同时预测输出监测地的土壤流失率。
7.一种水土保持土壤流失率监测方法，基于权利要求1-6任意一项所述的水土保持土壤流失率监测系统，其特征在于，包括如下步骤：
S1：通过监测装置采集水土数据；
S2：传输监测的水土数据至控制中心；
S3：对接收的水土数据进行数据预处理；
S4：对预处理后的水土数据进行分析；
S5：根据S4的分析结果采取对应的治理措施。
8.根据权利要求7所述的水土保持土壤流失率监测方法，其特征在于：所述S4中通过改进萤火虫算法根据监测地环境状态变化规律进行寻优计算，所述改进萤火虫算法中，任意两只萤火虫由于相互吸引而移动，亮度弱的萤火虫向亮度强的萤火虫靠近以完成位置迭代，亮度强的萤火虫不受其他萤火虫吸引，进行随机移动。
9.根据权利要求8所述的水土保持土壤流失率监测方法，其特征在于：所述S4中通过改进萤火虫算法根据监测地环境状态变化规律进行寻优计算具体如下：
当监测地环境状态变化因子
Figure QLYQS_15
比监测地环境状态变化因子/>
Figure QLYQS_16
变化程度更大时，监测地环境状态变化因子/>
Figure QLYQS_17
向/>
Figure QLYQS_18
移动，位置更新公式为：
Figure QLYQS_19
；
其中，
Figure QLYQS_28
为监测地环境状态变化因子/>
Figure QLYQS_23
更新的位置，/>
Figure QLYQS_24
为权重系数，/>
Figure QLYQS_31
为监测地环境状态变化因子/>
Figure QLYQS_34
的位置，/>
Figure QLYQS_32
为监测地环境状态变化因子/>
Figure QLYQS_35
的位置，/>
Figure QLYQS_29
为监测地环境状态变化因子自身吸引力，/>
Figure QLYQS_33
为监测地环境状态变化因子/>
Figure QLYQS_20
和监测地环境状态变化因子/>
Figure QLYQS_25
的距离，/>
Figure QLYQS_22
为吸引力因子，/>
Figure QLYQS_27
为数学常量，/>
Figure QLYQS_26
为均匀分布在/>
Figure QLYQS_30
的随机数，/>
Figure QLYQS_21
是随机化步长参数；
其中，权重系数
Figure QLYQS_36
满足：
Figure QLYQS_37
；
其中，
Figure QLYQS_38
表示最大权重，/>
Figure QLYQS_39
表示最小权重，/>
Figure QLYQS_40
表示当迭代次数，/>
Figure QLYQS_41
表示最大迭代次数；
设有
Figure QLYQS_42
个监测地环境状态变化因子比监测地环境状态变化因子/>
Figure QLYQS_43
更亮，则监测地环境状态变化因子/>
Figure QLYQS_44
移动/>
Figure QLYQS_45
次，此时监测地环境状态变化因子更新的位置/>
Figure QLYQS_46
为：
Figure QLYQS_47
；
Figure QLYQS_48
；
其中，
Figure QLYQS_50
为监测地环境状态变化因子/>
Figure QLYQS_53
的位移移动量之和，/>
Figure QLYQS_54
为监测地环境状态变化因子/>
Figure QLYQS_51
和监测地环境状态变化因子/>
Figure QLYQS_55
的距离，/>
Figure QLYQS_56
为监测地环境状态变化因子/>
Figure QLYQS_57
的位置，/>
Figure QLYQS_49
为均匀分布在/>
Figure QLYQS_52
的随机数；
对全局最优监测地环境状态变化因子
Figure QLYQS_58
，对随机选择的一维进行单维度学习优化：
Figure QLYQS_59
；
其中，
Figure QLYQS_60
为全局最优监测地环境状态变化因子更新的位置，/>
Figure QLYQS_61
为全局最优监测地环境状态变化因子随机选择的一维的位置，/>
Figure QLYQS_62
为随机选择的第/>
Figure QLYQS_63
个监测地环境状态变化因子的第/>
Figure QLYQS_64
维位置，/>
Figure QLYQS_65
表示因子为1的柯西分布函数的随机数；
当迭代至最大迭代次数时停止更新，将当前监测地环境状态变化因子
Figure QLYQS_66
与优化学习后的全局最优监测地环境状态变化因子进行比较，若全局最优监测地环境状态变化因子比当前监测地环境状态变化因子/>
Figure QLYQS_67
更优，则根据下式将当前监测地环境状态变化因子/>
Figure QLYQS_68
向全局监测地环境状态变化因子移动：
Figure QLYQS_69
；
其中，
Figure QLYQS_70
为更新后的当前监测地环境状态变化因子/>
Figure QLYQS_71
的位置；/>
Figure QLYQS_72
为监测地环境状态变化因子与全局监测地环境状态变化因子的距离，/>
Figure QLYQS_73
为当前监测地环境状态变化因子/>
Figure QLYQS_74
的位置；
若当前监测地环境状态变化因子
Figure QLYQS_75
比全局监测地环境状态变化因子更优，则对当前监测地环境状态变化因子/>
Figure QLYQS_76
按照根据下式进行骨干操作变异：
Figure QLYQS_77
；
其中，
Figure QLYQS_78
表示当前监测地环境状态变化因子/>
Figure QLYQS_79
的位置从以/>
Figure QLYQS_80
为均值，以/>
Figure QLYQS_81
为标准差的高斯分布中抽样得到的随机数；
根据最终寻优结果获得的监测地环境状态变化因子对应变换为当前环境状态变化条件下的土壤侵蚀模数。
10.根据权利要求9所述的水土保持土壤流失率监测方法，其特征在于：所述S5根据所述S4中分析的监测地土壤流失率和预测的监测地土壤流失率按照划分的土壤流失等级采取对应治理措施。
CN202310483741.9A 2023-05-04 2023-05-04 一种水土保持土壤流失率监测系统及方法 Active CN116202575B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310483741.9A CN116202575B (zh) 2023-05-04 2023-05-04 一种水土保持土壤流失率监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310483741.9A CN116202575B (zh) 2023-05-04 2023-05-04 一种水土保持土壤流失率监测系统及方法

Publications (2)

Publication Number Publication Date
CN116202575A true CN116202575A (zh) 2023-06-02
CN116202575B CN116202575B (zh) 2023-07-28

Family

ID=86509726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310483741.9A Active CN116202575B (zh) 2023-05-04 2023-05-04 一种水土保持土壤流失率监测系统及方法

Country Status (1)

Country Link
CN (1) CN116202575B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116452021A (zh) * 2023-06-19 2023-07-18 深圳市睿拓新科技有限公司 一种水土保持准实时精细化监管定量评价方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006170843A (ja) * 2004-12-16 2006-06-29 Pacific Consultants Co Ltd 侵食量測定装置
CN105911257A (zh) * 2016-06-25 2016-08-31 西安科技大学 多状态原状土柱入渗模拟系统及非饱和渗透系数测定方法
CN108827401A (zh) * 2018-09-10 2018-11-16 东北林业大学 一种新型的水土保持监测装置及方法
CN109711636A (zh) * 2019-01-09 2019-05-03 南京工业大学 一种基于混沌萤火虫与梯度提升树模型的河流水位预测方法
CN111220210A (zh) * 2020-01-15 2020-06-02 辽宁工程技术大学 一种水土保持多指标动态实时监测系统
AU2020101065A4 (en) * 2020-06-19 2020-07-23 Hubei University Of Technology Method for scheduling UAVs based on chaotic adaptive firefly algorithm
CN112116145A (zh) * 2020-09-15 2020-12-22 东北农业大学 基于遗传算法优化bp神经网络的奶牛采食量评估方法
CN112906310A (zh) * 2021-04-19 2021-06-04 中国农业科学院农业资源与农业区划研究所 考虑萤火虫算法优化bp神经网络微波遥感土壤水分反演方法
CN113538125A (zh) * 2021-06-29 2021-10-22 百维金科(上海)信息科技有限公司 一种基于萤火虫算法优化Hopfield神经网络的风险评级方法
CN113640497A (zh) * 2021-08-12 2021-11-12 北京江河中基工程咨询有限公司 一种建筑工程水土流失监测内容及方法
CN114154401A (zh) * 2021-11-16 2022-03-08 华中师范大学 基于机器学习和观测数据的土壤侵蚀模数计算方法及系统
WO2022135670A1 (de) * 2020-12-21 2022-06-30 Wilo Se Überwachung der integrität einer ultrafiltrationsmembran im filterbetrieb
CN115166211A (zh) * 2022-09-08 2022-10-11 北京江河惠远科技有限公司 输电线路全地形土壤侵蚀模数的自动计算方法及系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006170843A (ja) * 2004-12-16 2006-06-29 Pacific Consultants Co Ltd 侵食量測定装置
CN105911257A (zh) * 2016-06-25 2016-08-31 西安科技大学 多状态原状土柱入渗模拟系统及非饱和渗透系数测定方法
CN108827401A (zh) * 2018-09-10 2018-11-16 东北林业大学 一种新型的水土保持监测装置及方法
CN109711636A (zh) * 2019-01-09 2019-05-03 南京工业大学 一种基于混沌萤火虫与梯度提升树模型的河流水位预测方法
CN111220210A (zh) * 2020-01-15 2020-06-02 辽宁工程技术大学 一种水土保持多指标动态实时监测系统
AU2020101065A4 (en) * 2020-06-19 2020-07-23 Hubei University Of Technology Method for scheduling UAVs based on chaotic adaptive firefly algorithm
CN112116145A (zh) * 2020-09-15 2020-12-22 东北农业大学 基于遗传算法优化bp神经网络的奶牛采食量评估方法
WO2022135670A1 (de) * 2020-12-21 2022-06-30 Wilo Se Überwachung der integrität einer ultrafiltrationsmembran im filterbetrieb
CN112906310A (zh) * 2021-04-19 2021-06-04 中国农业科学院农业资源与农业区划研究所 考虑萤火虫算法优化bp神经网络微波遥感土壤水分反演方法
CN113538125A (zh) * 2021-06-29 2021-10-22 百维金科(上海)信息科技有限公司 一种基于萤火虫算法优化Hopfield神经网络的风险评级方法
CN113640497A (zh) * 2021-08-12 2021-11-12 北京江河中基工程咨询有限公司 一种建筑工程水土流失监测内容及方法
CN114154401A (zh) * 2021-11-16 2022-03-08 华中师范大学 基于机器学习和观测数据的土壤侵蚀模数计算方法及系统
CN115166211A (zh) * 2022-09-08 2022-10-11 北京江河惠远科技有限公司 输电线路全地形土壤侵蚀模数的自动计算方法及系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
SAEED SAMADIANFARD ET.AL: "Forecasting soil temperature at multiple-depth with a hybrid artificial neural network model coupled-hybrid firefly optimizer algorithm", INFORMATION PROCESSING IN AGRICULTURE, vol. 5, no. 4, pages 465 - 476 *
刘畅等: "改进萤火虫算法及其在全局优化问题中的应用", 哈尔滨工程大学学报, vol. 38, no. 4 *
刘翱等: "基于模拟退火的混合萤火虫Memetic算法", 计算机应用, vol. 36, no. 11 *
张毅等: "基于多子群协同进化的自适应萤火中算法", 纺织高校基础科学学报, vol. 29, no. 1 *
赵嘉;谢智峰;吕莉;王晖;孙辉;喻祥;: "深度学习萤火虫算法", 电子学报, no. 11 *
郭红山;张慧宁;: "基于萤火虫算法的农业遥感图像增强研究", 浙江农业学报, no. 06 *
马良玉;曹鹏蕊;: "几种改进的萤火虫算法性能比较及应用", 软件导刊, no. 01 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116452021A (zh) * 2023-06-19 2023-07-18 深圳市睿拓新科技有限公司 一种水土保持准实时精细化监管定量评价方法
CN116452021B (zh) * 2023-06-19 2023-09-08 深圳市睿拓新科技有限公司 一种水土保持准实时精细化监管定量评价方法

Also Published As

Publication number Publication date
CN116202575B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN109978235B (zh) 一种基于样本学习的积涝水位预测方法
WO2023016036A1 (zh) 市政道路积水多因素复合型预警预报方法
CN107169645B (zh) 一种计及暴雨灾害影响的输电线路故障概率在线评估方法
CN105760970A (zh) 空气质量指数的预测方法
CN110646867A (zh) 一种城市排水监测预警方法和系统
CN112785024A (zh) 一种基于流域水文模型的径流计算和预测方法
CN110287615B (zh) 基于遥感解译和降雨实验的雨水径流污染负荷测算方法
CN110887790A (zh) 基于fvcom和遥感反演的城市湖泊富营养化模拟方法和系统
CN116202575B (zh) 一种水土保持土壤流失率监测系统及方法
CN114186723A (zh) 一种基于时空关联的分布式光伏功率网格虚拟预测系统
CN112990739B (zh) 基于多介质污染特征识别的磷矿区水环境风险评估方法
CN115237896B (zh) 一种基于深度学习预报空气质量的数据前处理方法及系统
CN112750138B (zh) 一种黄河流域淤地坝空间分布识别方法
CN111428942A (zh) 基于变网格技术提取微地形因子的线路覆冰厚度预测方法
CN117009735A (zh) 一种结合BiLSTM与核密度估计的高强度森林火灾发生概率计算方法
CN115730684A (zh) 一种基于lstm-cnn模型的空气质量检测系统
CN112183625A (zh) 一种基于深度学习的pm2.5高精度时空预测方法
CN111199298A (zh) 基于神经网络的洪水预报方法与系统
CN116227362A (zh) 一种基于图与深度学习的市政排水管网状态预测方法
Dai et al. Predicting coastal urban floods using artificial neural network: The case study of Macau, China
Moghadam et al. Investigating the performance of data mining, lumped, and distributed models in runoff projected under climate change
CN110929952A (zh) 基于线路周边环境和敷设类型的光缆故障概率预测方法
CN117688844A (zh) 一种基于深度神经网络的城市内涝实时模拟方法及系统
CN115392128B (zh) 一种利用时空卷积lstm网络模拟流域径流量的方法
CN116128168A (zh) 基于因果扩充卷积和Autoformer的气象预测法

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