CN117725139A - 基于深度学习改进t因子的csle模型优化算法 - Google Patents
基于深度学习改进t因子的csle模型优化算法 Download PDFInfo
- Publication number
- CN117725139A CN117725139A CN202311292005.1A CN202311292005A CN117725139A CN 117725139 A CN117725139 A CN 117725139A CN 202311292005 A CN202311292005 A CN 202311292005A CN 117725139 A CN117725139 A CN 117725139A
- Authority
- CN
- China
- Prior art keywords
- factor
- gradient
- soil
- csle
- grading
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 239000002689 soil Substances 0.000 claims abstract description 86
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000004162 soil erosion Methods 0.000 claims abstract description 47
- 238000011160 research Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 230000006872 improvement Effects 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 10
- 235000002566 Capsicum Nutrition 0.000 claims description 9
- 239000006002 Pepper Substances 0.000 claims description 9
- 241000722363 Piper Species 0.000 claims description 9
- 235000016761 Piper aduncum Nutrition 0.000 claims description 9
- 235000017804 Piper guineense Nutrition 0.000 claims description 9
- 235000008184 Piper nigrum Nutrition 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 150000003839 salts Chemical class 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 7
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 claims 1
- 239000010959 steel Substances 0.000 claims 1
- 238000009826 distribution Methods 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract description 4
- 230000003628 erosive effect Effects 0.000 description 13
- 238000000605 extraction Methods 0.000 description 13
- 238000001556 precipitation Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 102000003712 Complement factor B Human genes 0.000 description 3
- 108090000056 Complement factor B Proteins 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000002420 orchard Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 244000269722 Thea sinensis Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 235000008216 herbs Nutrition 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 description 1
Abstract
本发明公开了一种基于深度学习改进T因子的CSLE模型优化算法，其利用DEM数据生成坡度分级图，并利用中值滤波去除影像融合中邻域图斑的“椒盐噪声”，在此基础上利用处理好的坡度分级图为经过验证T因子值中的水土保持措施耕地图斑进行坡度分级，结合坡度分级结果进行赋值，得到符合研究区实际水土保持措施配置情况且精度更高的T因子值。本发明能够改进和提高利用CSLE模型计算土壤侵蚀量和土壤侵蚀空间分布的精确度，降低人工目视解译可能带来的较大误差和错误，细化T因子的计算方法，具有较高的模拟精度，且利用模拟土壤侵蚀模数与现实径流小区长时间序列的土壤侵蚀模数实测值进行线性拟合，得到R2值并进一步验证该模型的模拟精度。
Description
技术领域
本发明涉及水土保持与荒漠化防治生态环境治理技术领域，尤其涉及一种基于深度学习改进T因子的CSLE模型优化算法。
背景技术
土壤侵蚀是全球性生态环境问题，影响着自然资源、农业生产、生态环境和人类生活，因此建立合理的土壤侵蚀评价模型对高效、精准识别区域土壤侵蚀强度的空间分布格局及其演变规律，调控土壤侵蚀风险至关重要。由刘宝元等借鉴修正通用土壤流失方程(Revised Universal Soil Loss Equation,RUSLE)建立的中国土壤流失方程(ChineseSoil Loss Equation,CSLE)在水土保持规划、土地利用管理和环境保护等方面具有广泛应用价值，并成功应用于第一次全国水利普查的土壤侵蚀调查。但由于CSLE模型的理论基础建立在流域尺度土壤侵蚀的普遍规律和地区特性的基础上，需要考虑气候、地形、土壤、植被和土地利用等多种因素的综合影响，对于模型中T因子(耕作措施因子)在区域的适应性研究，多年来一直缺乏系统的、科学的研究成果。
目前，在对流域和大尺度的土壤侵蚀评价模型研究中，关于改进T因子的CSLE模型的优化算法研究相对较少，虽然一些学者对部分生态严重区的T因子进行了适应性改进，但是存在以下不足：目前国内外学者对T因子的研究主要集中在运用CSLE进行土壤侵蚀量计算、土壤侵蚀评价及土壤侵蚀强度时空变化等方面，对T因子的单独研究成果相对较少，不能满足土壤侵蚀定量研究的需要；部分学者对T因子的适应性改进主要根据地类直接进行赋值，对不同地区的水土保持耕作措施的差异性考虑较少；此外，区域土地利用和覆盖类型随时间变化，耕作措施具有年际变化性，因此其时效性还需进一步考虑。本发明提出一种技术方法以解决现有技术中存在的问题。
发明内容
本发明需要解决的技术问题是：提出一种基于深度学习改进T因子的CSLE模型的优化算法，以解决现有技术中存在的问题。
本发明解决其技术问题采用以下的技术方案：
本发明提供的基于深度学习改进T因子的CSLE模型优化算法，其利用DEM数据生成坡度分级图，并利用中值滤波去除影像融合中邻域图斑的“椒盐噪声”，在此基础上利用处理好的坡度分级图为经过验证T因子值中的水土保持措施耕地图斑进行坡度分级，结合坡度分级结果进行赋值，得到符合研究区实际水土保持措施配置情况且精度更高的T因子值。
上述方法中：可以利用研究区水土保持监测站点径流小区长时间序列的土壤侵蚀模数实测值进行线性拟合得到R2值，利用RMSE来判断真实值与模拟值之间的误差，以验证改进T因子模型的计算精度，并评估其在山丘区的适用性，为CSLE模型在山地丘陵区的模拟精度改进提供支持。
上述方法中，可以采用以下方法利用研究区水土保持监测站点径流小区长时间序列的土壤侵蚀模数实测值进行线性拟合得到决定系数R2值：
式中，pi、oi分别为第i个站点土壤侵蚀模数的预测值和实测值；n为验证站点数量；为n个土壤侵蚀模数实测值的平均值。通过比较各站点土壤侵蚀模数的实测值和利用改进CSLE模型计算的预测值进行线性拟合确定模拟精度。
上述方法中，可以采用以下方法利用DEM数据生成坡度分级图：
使用坡度分级法计算T值，具体步骤为：
坡度计算公式：
式中，分别表示x、y方向的偏导数，P为坡度；
首先，需要对3种不同类型的DEM数据进行预处理，DEM数据预处理主要是对任务区内的DEM数据进行投影转换、高程改正、局部修补替换与接边工作；然后以3次卷积算法重采样为30m水平分辨率的DEM数据；接着使用ArcGIS软件，利用DEM数据进行填洼分析和坡度计算，并按照0°、0～5°、5～8°、8～15°、15～20°、20～25°和＞25°标准进行坡度分级并生成坡度分级图。
上述方法中，为了保证不同数据源基础像元对齐方式相匹配，将1∶5万地形图生成的坡度分级图与3种利用DEM数据生成的坡度分级图进行不同坡度等级的偏差分析，选择偏差最小、精度最高的坡度分级图。
上述方法中，可以采用以下方法利用处理好的坡度分级图为经过验证T因子值中的水土保持措施耕地图斑进行坡度分级：
将经过平滑处理的精度最高的坡度分级图由栅格数据转为矢量数据，使用矢量化的坡度分级图，为经过验证T因子值中的水土保持措施耕地图斑进行坡度分级，分级原则为耕地图斑中所占面积最大的坡度等级，该等级为该耕地图斑的坡度等级。
上述方法中，可以采用以下方法结合坡度分级结果进行赋值：
结合刘宝元等学者的研究成果、第二次全国土地调查中《利用DEM确定耕地坡度分级技术规定(试行)》要求以及湖北省典型山丘区实际的水土流失现状为耕地图斑的坡度分级结果进行赋值得到T值；
坡度分级和T因子赋值
| 坡度分级 | 0° | 0～5° | 5～8° | 8～15° | 15～20° | 20～25° | ＞25° |
| T因子值 | 1.000 | 0.100 | 0.221 | 0.305 | 0.575 | 0.705 | 0.800 |
。
上述方法中，可以采用以下方法利用中值滤波去除影像融合中邻域图斑的“椒盐噪声”：
二维情况的中值滤波为：
g(x，y)＝med{f(x-k，y-l)，(k，l∈S)} (3)，
式中：k，l为(x，y)点在邻域S内的偏移量，med函数为中值求解。
上述方法中，可以采用以下方法利用来判断真实值与模拟值之间的误差：
式中：RMSE为均方根误差，pi、oi分别为第i个站点土壤侵蚀模数的预测值和实测值，通过比较各站点土壤侵蚀模数的实测值和利用改进CSLE模型计的预测值进行线性拟合确定模拟精度。
本发明提供的算法，用于对比验证改进T因子模型的计算精度，并评估其在典型山丘区的适用性，为CSLE模型在山地丘陵区的模拟精度改进提供技术支持。
本发明具有以下主要的优点：
1.本发明算法基于深度学习提取高分辨率水土保持措施图斑，大大提高了遥感影像的空间分辨率和准确性，降低了计算误差，有利于进一步改进和提高利用CSLE模型计算土壤侵蚀量和土壤侵蚀空间分布的精确度。
2.本发明算法中的自动提取水土保持措施图斑的功能大幅度提升了遥感解译的效率，相比于传统的人工目视解译，极大程度的节省了人力和物力，且降低了人工目视解译可能带来的较大误差和错误。
3.常规的赋值计算T因子的方法没有考虑区域的适应性问题，计算精度难以保障，本发明细化了T因子的计算方法，利用坡度分级法结合经过验证T值的高分辨率水土保持措施图斑计算T因子值具有较高的模拟精度，且利用模拟土壤侵蚀模数与湖北省径流小区长时间序列的土壤侵蚀模数实测值进行线性拟合，得到R2值并进一步验证该模型的模拟精度。
附图说明
图1-1是水土保持措施(耕作措施图斑)示意图。其中，左图是含有耕作措施图斑的原始影像；右图是基于深度学习解译后的耕作措施图斑。
图1-2是水土保持措施(工程措施图斑)示意图。其中，左图是含有工程措施图斑的原始影像；右图是基于深度学习解译后的耕作措施图斑。
图2-1是遥感解译和图斑提取精度验证流程图。
图2-2是本发明的设计方法流程图。
图3是选取精度最高的DEM数据生成的坡度分级图。
具体实施方式
下面结合实施例及附图对本发明作进一步说明，但并不局限于下面所述内容。
本发明提供了基于深度学习改进T因子的CSLE模型优化算法，该方法包括以下步骤：
步骤S1，获取数字高程模型(DEM，Digital Elevation Model)数据、地形图数据、归一化植被指数(NDVI，Normalized Digital Vegetation Index)数据、土地利用数据、土壤数据、降雨数据、遥感数据，以及人工模拟降雨实验和径流小区观测数据，选取湖北省典型山丘区为研究区。
所述数字高程模型数据是：采用分辨率为30m基于ASTGTM数据加工得到的数字高程模型(DEM，Digital Elevation Model)数据用于计算L、S因子，采用分辨率为30m基于ASTGTM数据加工得到的数字高程模型(DEM)数据、30m基于SRTM1数据加工的到的DEM数据、30m基于NASADEM加工得到的DEM数据，该数据用于T因子。
所述地形图数据的比例尺为1：5万，该数据用于计算T因子。
所述归一化植被指数(NDVI，Normalized Digital Vegetation Index)数据是：采用分辨率为30m基于Landsat7加工处理得到的归一化植被指数(NDVI，Normalized DigitalVegetation Index)数据，该数据用于计算B因子
所述土地利用数据是：采用分辨率为30m的土地利用数据，该数据用于计算B因子
所述土壤数据是：采用世界土壤数据库(HWSD，Harmonized World SoilDatabase)的土壤理化性质数据，分辨率为1km，该数据用于计算K因子。
所述降雨数据是：采用研究区内各监测站点逐日降水量监测数据，该数据用于R、B因子的计算。
所述遥感数据是：采用分辨率为1m的高分二号卫星亚米级遥感影像数据，该数据用于提取水土保持措施图斑以计算E因子。
所述人工模拟降雨实验和径流小区观测数据是：该数据用于研究改进模型的模拟精度。
本发明利用重采样工具将上述所有数据空间分辨率设为30m，将所用数据坐标系统一为WGS1984，利于结合CSLE模型计算侵蚀模数和进行空间分析。
步骤S2，数据处理。
步骤S21，数据预处理：
运用ENVI、ArcGIS、Python专业软件来完成，通过ENVI软件对下载来的遥感影像，做辐射定标、大气校正、影像融合任务；应用ArcGIS软件：先用ArcCatalog创建shp文件，对shp文件进行投影，使其与原图像投影坐标系一致，再用ArcMap进行点线面的勾画最后矢量栅格化，完成图斑勾画；利用Python软件先对原始图像和图斑文件同时进行随机裁剪为256*256大小的若干张小图，形成一个原始数据集，再对数据集进行旋转、平移的几何变换得到数据增强的数据集，至此完成数据预处理工作。
步骤S22，GDAL遥感图像读取和深度学习网络模型训练：
将步骤S21遥感影像数据预处理产生的数据集分为训练集和验证集，将GDAL遥感图像读取块分别输入U-net模型、M-U-Net模型、DeepLab V3+模型、PSPNet模型和Seg-net模型中进行训练，基于五个深度学习网络模型训练得到训练模型参数和权重结果。
步骤S23，自动提取水土保持措施图斑：
设置步骤S23中经过深度学习网络模型训练得到的训练模型参数和权重结果的测试块和投票决策块，将待提取水土保持措施图斑的影像输入测试块，可得到多个不同精度的水土保持措施图斑提取图，之后将多个结果图输入投票决策块，经过对每个像素投票表决后可输出一张精度更高的图斑提取图。利用基于PyQt图像界面开发的自动提取软件，将深度学习网络模型训练步骤处理的结果、投票决策块的输出结果和提取操作产生的代码，利用Python软件打包成可独立执行的exe文件，从而快速地实现水土保持措施图斑的自动提取。
步骤S24，GIS空间分析和图斑提取精度验证：
根据提取出的结果图选择研究区内水土保持措施类型及配置模式相对齐全的若干代表性地块，利用野外实地勘测和无人机倾斜摄影技术获取代表性地区的水土保持措施类型，对基于深度学习的高分二号影像识别提取的水土保持措施类型结果进行精度验证，选择一幅精度最高的水土保持措施提取图。见图1，具体过程包括解译标志建立、信息提取与野外验证。
步骤S25，基于深度学习改进T因子值的验证：
基于按季节分幅的高分遥感影像得到不同水土保持措施下的土壤流失率，在此基础上计算各单项及复合水土保持措施条件下的次因子值，进而得到符合研究区实际水土保持措施配置情况且精度更高的水土保持措施因子值。利用研究区野外径流小区及模拟降雨实验实测值进行线性拟合得到R2值，利用RMSE(Root Mean Square Error)来判断真实值与模拟值之间的误差，对比验证修订的T因子的计算精度。
步骤S3，根据数字高程模型数据、归一化植被指数数据、土地利用数据、土壤数据、降雨数据、经过验证T因子值的水土保持措施提取图确定土壤侵蚀模数。
具体步骤如下：
第一步，依据降雨数据、土壤数据、数字高程模型数据、归一化植被指数数据、土地利用数据和经过验证T因子值的水土保持措施提取图确定CSLE模型各参数因子的值：降雨侵蚀力因子、土壤可蚀性因子、坡长因子、坡度因子和植被覆盖和生物措施因子、工程措施因子和耕作措施因子。
所述CSLE模型为：
A＝R·K·L·S·B·E·T (5)，
式中，A为土壤侵蚀模数，单位t/(hm2·a)；R为降雨侵蚀力因子，单位MJ·mm/(hm2·h·a)，K为土壤可蚀性因子，单位t·hm2·h/(hm2·MJ·mm)；L为坡长因子，无量纲；S为坡度因子，无量纲；B为植被覆盖与生物措施因子，无量纲；E为工程措施因子，无量纲；T为耕作措施因子，无量纲。
(1)降雨侵蚀力因子(R)：
首先利用逐日降水量监测数据依据空间插值法获取逐半月降水量数据，为了减小降水量数据的误差值，同时利用IDW和克里金插值法获取逐半月降水量数据，将两种不同方式获取的逐半月降水量数据与水文监测站的实测数据进行比较，选取误差较小的用来计算R值。
式中，Z*(S0)为插值点S0的插值结果；Z(Si)为实测点Si的实测值；N为参与计算的实测点数量；λi为权重系数；di0为实测点Si与插值点S0之间的距离；p为距离的幂，一般取p＝1或p＝2。
式中，Z*(S0)为插值点S0的插值结果；Z(Si)为实测点Si的实测值；N为参与计算的实测点数量；λi为克里金权重系数，由变异函数求得，而非通过实测点与插值点之间的距离得到；为了保证不偏估计，权重之和为1，即Σλi＝1。
将平均绝对误差、平均相对误差、均方根误差和皮尔逊积矩相关系数作为评价指标比较各站点半月降水量实测值和插值结果。
式中，pi、oi分别为第i个站点的插值结果和实测值；n为验证站点数量；分别为n个插值结果和实测值的平均值。通过比较各站点半月降水量实测值和插值结果确定精度更高的插值结果用来计算R和B值。
式中，为多年平均年降雨侵蚀力，MJ·mm/(hm2·h·a)；k取1,2,...,24，指将一年划分为24个半月：/>为第k个半月的降雨侵蚀力，MJ·mm/(hm2·h)；i取1,2,...,N；N指1986-2015年的时间序列；j取0,1,...,m；m为第i年第k个半月内侵蚀性降雨日的数量(侵蚀性降雨日指日雨量大于等于10mm)；Pi为第i年第k个半月第j个侵蚀性降雨量，mm；如果某年某个半月内没有侵蚀性降雨量，即j＝0，则令Pi,o,k＝0；α参数，暖季(5-9月)α取0.3937，冷季(10-12月，1-4月)α取0.3101；/>为第k个半月平均降雨侵蚀力/>占多年平均年降雨侵蚀力/>的比例。
(2)土壤可蚀性因子(K)：
式中，SIL为土壤粉粒含量(％)，CLA土壤黏粒含量(％)，SAN为土壤砂粒含量(％)，C为土壤有机碳含量(％)，SNI为常数，SNI＝1-SAN/100。
(3)坡度因子(S)：
式中，θ表示坡度(°)。
(4)坡长因子(L)：
式中，L为坡长因子；λ为坡长；m为坡长指数，θ为坡度。
(5)植被覆盖与生物措施因子(B)：
植被覆盖度FVC计算公式如下：
式中，FVC是依据NDVI数据基于像元二分法计算得到，NDVIsoil表示纯裸土像元的NDVI值，NDVImax纯植被像元的NDVI值。
园地、林地和草地B因子计算公式：
式中，WRi—前面计算的第i个半月降雨侵蚀力占全年侵蚀力比例，取值范围为0-1；SLRi—第i个半月园地、林地和草地的土壤流失比例，无量纲，取值范围为0-1，计算公式为：
茶园和灌木林地SLRi计算公式：
果园、其它园地、有林地和其它林地SLRi计算公式：
SLRi＝0.44468×e(-3.20096×GD)-0.04099×e(FVC-FVC×GD)+0.025 (22)，
草地SLRi计算公式：
式中，FVC—基于NDVI计算的植被覆盖度，取值范围为0-1；GD—乔木林的林下盖度，取值范围为0-1，包括除乔木林冠层以外的所有植被(灌木、草本和枯落物)构成的林下盖度，按实地调查或经验取值。
(5)工程措施因子(E)：
根据解译获取的土壤侵蚀地块属性表的“工程措施类型或代码”字段值，查水土保持工程措施因子赋值表(表1)，获取水土保持工程措施因子值。
表1水土保持工程措施因子赋值表
(6)耕作措施因子(T)：
使用坡度分级法计算T值，具体步骤如下：
坡度计算公式：
式中，分别表示x、y方向的偏导数，P为坡度。
首先需要对3种不同类型的DEM数据进行预处理，DEM数据预处理主要是对任务区内的DEM数据进行投影转换、高程改正、局部修补替换与接边等工作，然后以3次卷积算法重采样为30m水平分辨率的DEM数据。接着使用ArcGIS软件，利用DEM数据进行填洼分析和坡度计算，按照0°、0～5°、5～8°、8～15°、15～20°、20～25°和＞25°进行坡度分级并生成坡度分级图，在坡度分级图中，由于不同的坡度值分级处呈现锯齿状，级别与级别间的过渡极不柔和，同时由于坡度突变会产生“椒盐噪声”现象。常规的操作方法是先利用ArcGIS中的Eliminate功能，将多边形合并到周围边大的多边形当中去，从而实现对细碎图斑的融合。接着利用ArcGIS中的Focal Statistics功能，计算每个输入栅格像元周围邻域内的像元的统计数据，以实现对栅格中锯齿状的分类边缘的平滑处理。常规的操作比较耗费人力，这里计划利用某种算法直接对图斑进行坡度边界融合和平滑处理，具体参考涂嫒杰等的《分类图斑概括的一种自适应方法——以遥感图像土地利用分类为例》以减小邻域图斑“椒盐噪声”的影响，常规处理“椒盐噪声”一般采用中值滤波。
二维情况的中值滤波如下：
g(x，y)＝med{f(x-k，y-l)，(k，l∈S)} (25)，
式中k，l为(x，y)点在邻域S内的偏移量，med函数为中值求解。中值滤波既能保护边缘又能去除噪声，尤其对椒盐噪声效果非常明显。
同时为了保证不同数据源基础像元对齐方式相匹配，将1∶5万地形图生成的坡度分级图与3种利用DEM数据生成的坡度分级图进行不同坡度等级的偏差分析，选择偏差最小、精度最高的坡度分级图。
然后将经过平滑处理的精度最高的坡度分级图由栅格数据转为矢量数据，使用矢量化的坡度分级图，为经过验证T因子值中的水土保持措施图斑(耕地图斑)进行坡度分级，分级原则为耕地图斑中所占面积最大的坡度等级为该耕地图斑的坡度等级。结合刘宝元等学者的研究成果以及湖北省典型山丘区实际的水土流失现状为耕地图斑的坡度分级结果进行赋值得到T值。
表2坡度分级和T因子赋值
| 坡度分级 | 0° | 0～5° | 5～8° | 8～15° | 15～20° | 20～25° | ＞25° |
| T因子值 | 1.000 | 0.100 | 0.221 | 0.305 | 0.575 | 0.705 | 0.800 |
第二步，基于ArcGIS平台，利用土壤侵蚀因子计算值，运用中国土壤流失方程CSLE，对降雨侵蚀力因子R、土壤可蚀性因子K、坡长因子L、坡度因子S、植被覆盖与生物措施因子B、工程措施因子E、耕作措施因子T计算叠加得到每个栅格像元土壤侵蚀模数。
步骤S4，改进T因子的CSLE模型的优化算法验证：
利用步骤S3得到的模拟土壤侵蚀模数与湖北省径流小区长时间序列的土壤侵蚀模数实测值进行线性拟合得到R2值，利用RMSE判断真实值与模拟值之间的误差，对比分析两种计算方法的精度。
需要说明的是，R2值介于0-1之间，其实反映的是基于深度学习改进T因子的CSLE模型的模拟值与土壤侵蚀模数实测值接近程度，越靠近1，表明改进模型的模拟精度越高，而越靠近0，表示模拟精度越低，即偏离实际土壤侵蚀状况越远。因此，研究改进模型的模拟精度实际上表达了研究区域土壤侵蚀的方法和技术的进步，为调整土壤侵蚀治理措施特别是耕作措施的配置提供了重要依据。
另外，拟根据鄂西北、鄂西南、鄂东北和鄂东南4个典型山地丘陵区水土保持工程措施和耕作措施的典型配置模式和地形等条件，在这4个山丘区分别建立不同典型水土保持工程措施和耕作措施的全坡面集水区，面积拟选取约2hm2，对其所发生的侵蚀性降雨事件进行监测，从全坡面尺度研究典型水土保持措施对土壤流失的影响。定量评价优化了T因子算法的CSLE模型在湖北省山地丘陵区的模拟精度，为湖北省山丘区小流域的土壤侵蚀因子及水土流失动态监测方法提供技术支撑，并为湖北省水土保持措施合理配置及水土保持规划提供理论和技术支持。
本发明具有以下的技术创新点：
(1)基于深度学习和高分遥感影像的水土保持措施识别提取：
目视解译是获取水土保持措施准确分布信息的主要技术手段，但解译者的经验和专业知识以及影像本身的差异或限制，都会导致解译结果的不一致。该方法工作量大，周期长且解译结果易受主观影响。同时，早期的水土保持措施提取主要依赖于实地调研，但受调查方法、环境变化等因素影响，调查结果与实际规模差别较大。本发明以湖北省典型山丘区为研究对象，对研究区高分辨率遥感影像进行预处理；基于五种深度学习网络模型，提取并筛选出最优精度的水土保持措施图斑提取图；在鄂西北、鄂西南、鄂东北和鄂东南山丘区各选一个代表性小流域，结合无人机勘测与代表性地块人工实地复核获取其水土保持措施类型及配置模式等信息，进而对基于深度学习获取的水土保持措施识别结果进行精度验证，不仅提高了解译效率，而且能够获取精度最高的图斑。
(2)CSLE模型T因子计算方法的优化及其验证：
利用DEM数据生成坡度分级图，并利用中值滤波去除影像融合中邻域图斑的“椒盐噪声”，在此基础上利用处理好的坡度分级图为经过验证T因子值中的水土保持措施图斑(耕地图斑)进行坡度分级，结合刘宝元的坡度分级结果进行赋值，进而得到符合研究区实际水土保持措施配置情况且精度更高的T因子值。利用研究区水土保持监测站点径流小区长时间序列的土壤侵蚀模数实测值进行线性拟合得到R2值，利用RMSE(Root Mean SquareError)来判断真实值与模拟值之间的误差，能够对比验证改进T因子模型的计算精度，并评估其在湖北省典型山丘区的适用性，为CSLE模型在湖北省山地丘陵区的模拟精度改进提供理论与技术支持。
Claims (10)
1.一种基于深度学习改进T因子的CSLE模型优化算法，其特征在于：利用DEM数据生成坡度分级图，并利用中值滤波去除影像融合中邻域图斑的“椒盐噪声”，在此基础上利用处理好的坡度分级图为经过验证T因子值中的水土保持措施耕地图斑进行坡度分级，结合坡度分级结果进行赋值，得到符合研究区实际水土保持措施配置情况且精度更高的T因子值。
2.根据权利要求1所述的基于深度学习改进T因子的CSLE模型优化算法，其特征在于：利用研究区水土保持监测站点径流小区长时间序列的土壤侵蚀模数实测值进行线性拟合得到R2值，利用RMSE来判断真实值与模拟值之间的误差，以验证改进T因子模型的计算精度，并评估其在山丘区的适用性，为CSLE模型在山地丘陵区的模拟精度改进提供支持。
3.根据权利要求2所述的基于深度学习改进T因子的CSLE模型优化算法，其特征在于，采用以下方法利用研究区水土保持监测站点径流小区长时间序列的土壤侵蚀模数实测值进行线性拟合得到决定系数R2值：
式中，pi、oi分别为第i个站点土壤侵蚀模数的预测值和实测值；n为验证站点数量；为n个土壤侵蚀模数实测值的平均值。通过比较各站点土壤侵蚀模数的实测值和利用改进CSLE模型计算的预测值进行线性拟合确定模拟精度。
4.根据权利要求1所述的基于深度学习改进T因子的CSLE模型优化算法，其特征在于，采用以下方法利用DEM数据生成坡度分级图：
使用坡度分级法计算T值，具体步骤为：
坡度计算公式：
式中，分别表示x、y方向的偏导数，P为坡度；
首先，需要对3种不同类型的DEM数据进行预处理，DEM数据预处理主要是对任务区内的DEM数据进行投影转换、高程改正、局部修补替换与接边工作；然后以3次卷积算法重采样为30m水平分辨率的DEM数据；接着使用ArcGIS软件，利用DEM数据进行填洼分析和坡度计算，并按照0°、0～5°、5～8°、8～15°、15～20°、20～25°和＞25°标准进行坡度分级并生成坡度分级图。
5.根据权利要求4所述的基于深度学习改进T因子的CSLE模型优化算法，其特征在于，为了保证不同数据源基础像元对齐方式相匹配，将1∶5万地形图生成的坡度分级图与3种利用DEM数据生成的坡度分级图进行不同坡度等级的偏差分析，选择偏差最小、精度最高的坡度分级图。
6.根据权利要求5所述的基于深度学习改进T因子的CSLE模型优化算法，其特征在于，采用以下方法利用处理好的坡度分级图为经过验证T因子值中的水土保持措施耕地图斑进行坡度分级：
将经过平滑处理的精度最高的坡度分级图由栅格数据转为矢量数据，使用矢量化的坡度分级图，为经过验证T因子值中的水土保持措施耕地图斑进行坡度分级，分级原则为耕地图斑中所占面积最大的坡度等级，该等级为该耕地图斑的坡度等级。
7.根据权利要求6所述的基于深度学习改进T因子的CSLE模型优化算法，其特征在于，采用以下方法结合坡度分级结果进行赋值：
结合刘宝元等学者的研究成果、第二次全国土地调查中《利用DEM确定耕地坡度分级技术规定(试行)》要求以及湖北省典型山丘区实际的水土流失现状为耕地图斑的坡度分级结果进行赋值得到T值；
坡度分级和T因子赋值
。
8.根据权利要求1所述的基于深度学习改进T因子的CSLE模型优化算法，其特征在于，采用以下方法利用中值滤波去除影像融合中邻域图斑的“椒盐噪声”：
二维情况的中值滤波为：
g(x,y)＝med{f(x-k,y-l),(k,l∈S)} (3)，
式中：k,l为(x,y)点在邻域S内的偏移量，med函数为中值求解。
9.根据权利要求8所述的基于深度学习改进T因子的CSLE模型优化算法，其特征在于，采用以下方法利用来判断真实值与模拟值之间的误差：
式中：RMSE为均方根误差，pi、oi分别为第i个站点土壤侵蚀模数的预测值和实测值，通过比较各站点土壤侵蚀模数的实测值和利用改进CSLE模型计的预测值进行线性拟合确定模拟精度。
10.权利要求1至9中任一所述的算法，其特征在于，用于对比验证改进T因子模型的计算精度，并评估其在典型山丘区的适用性，为CSLE模型在山地丘陵区的模拟精度改进提供技术支持。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311292005.1A CN117725139A (zh) | 2023-10-08 | 2023-10-08 | 基于深度学习改进t因子的csle模型优化算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311292005.1A CN117725139A (zh) | 2023-10-08 | 2023-10-08 | 基于深度学习改进t因子的csle模型优化算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117725139A true CN117725139A (zh) | 2024-03-19 |
Family
ID=90209502
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311292005.1A Pending CN117725139A (zh) | 2023-10-08 | 2023-10-08 | 基于深度学习改进t因子的csle模型优化算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117725139A (zh) |
-
2023
- 2023-10-08 CN CN202311292005.1A patent/CN117725139A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bechtel et al. | Generating WUDAPT Level 0 data–Current status of production and evaluation | |
| CN114037911B (zh) | 一种顾及生态分区的大尺度森林高度遥感反演方法 | |
| Shen et al. | Monitoring wind farms occupying grasslands based on remote-sensing data from China’s GF-2 HD satellite—A case study of Jiuquan city, Gansu province, China | |
| CN108981616B (zh) | 一种由无人机激光雷达反演人工林有效叶面积指数的方法 | |
| Valent et al. | Utilization of historical maps in the land use change impact studies: A case study from Myjava river basin | |
| Zhou et al. | Assessing the impact of urban sprawl on net primary productivity of terrestrial ecosystems using a process-based model—a case study in Nanjing, China | |
| CN110580474A (zh) | 一种基于多源数据的农田重金属高风险区遥感快速识别方法 | |
| CN113313296A (zh) | 一种基于rusle的区域土壤侵蚀定量评价方法 | |
| Qing-Ling et al. | Topographical effects of climate data and their impacts on the estimation of net primary productivity in complex terrain: A case study in Wuling mountainous area, China | |
| CN115630567A (zh) | 一种海岸带土壤有机碳储量模拟及预测方法 | |
| CN114819737B (zh) | 公路路域植被的碳储量估算方法、系统及存储介质 | |
| CN115115224A (zh) | 一种矿区植被碳汇分级及变化趋势评价分析方法 | |
| CN110175793B (zh) | 一种基于地面需求分析的人工增雨飞机航线设计方法 | |
| CN115952702A (zh) | 一种基于forcchn模型和遥感数据的森林nep的计算方法 | |
| CN114357563A (zh) | 一种江南私家园林景观的布局生成方法及应用 | |
| CN113793023A (zh) | 一种基于卫星遥感的区域绿色发展指标评价方法 | |
| CN106156756B (zh) | 建设用地效率空间分布的快速估算方法 | |
| Cheng et al. | Improving soil available nutrient estimation by integrating modified WOFOST model and time-series earth observations | |
| CN117725139A (zh) | 基于深度学习改进t因子的csle模型优化算法 | |
| Araújo et al. | An approach to simulate wind fields around an urban environment for wind energy application | |
| CN117573783A (zh) | 一种基于深度学习改进e因子的csle模型优化算法 | |
| CN111666693B (zh) | 一种山地风电场优化设计系统及方法 | |
| Usman et al. | The Dynamic of land Cover Change in Abuja City, Federal Capital Territory, Nigeria | |
| CN115860487B (zh) | 基于植被稳定性风险指数评估当地植被变化风险的方法 | |
| Watson | Analysis of urban heat island climates along the I-85/I-40 corridor in central North Carolina |
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 |