【技术实现步骤摘要】
本专利技术涉及水土保持与荒漠化防治生态环境治理，尤其涉及一种基于深度学习改进e因子的csle模型优化算法。
技术介绍
1、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e因子(工程措施因子)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。
2、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e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e因子进行了适应性改进，但仍存在以下不足：目前国内外学者对e因子的研究主要集中在运用csle模型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e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e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工程措施的差异性考虑较少；此外，区域土地利用
技术实现思路
1、本专利技术需要解决的技术问题是：提出一种基于深度学习改进e因子的csle模型的优化算法，以解决上述现有技术中存在的问题。
2、本专利技术解决其技术问题采用以下技术方案：
3、本专利技术提供的基于深度学习改进e因子的csle模型优化算法，如下：
4、方法1：基于布设不同水土保持措施的野外径流试验小区，利用高分辨率无人机倾斜拍照技术获取的高分辨率遥感影像计算出b×e值，结合公式间接推算出e值；
5、或者，
6、方法2：基于swat模型和查看文献资料的方法先计算流域减沙系数，在此基础上计算出e值；
7、然后，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，再用rmse来判断实测值与上述方法1、方法2得到的模拟值之间的误差；
8、(4)修正误差，改进e因子模型的计算精度，以提高利用csle模型计算土壤侵蚀量和土壤侵蚀空间分布的精确度。
9、本专利技术方法1可以采用包括以下步骤的方法：
10、基于试验小区野外长时序降雨、侵蚀观测资料，按下式逐一确定其对应的b、e因子
11、
12、式中：b为某种治理模式小区的生物措施因子；e为某种治理模式小区的工程措施因子；mi为某种治理模式小区第i年的侵蚀量，t/hm2；m0i为裸露对照小区第i年的侵蚀量，t/hm2；
13、在野外径流小区，布设裸露对照小区和种植狗牙根和不同工程措施的水土流失治理模式小区；
14、依据多种典型水土流失治理模式小区与裸露对照小区的逐年侵蚀量，获得不同治理模式的b、e因子乘积值，利用高分辨率无人机大疆mavic 3pro拍照获取仅种植狗牙根实验小区的高分辨率遥感影像结合深度学习算法获取仅种植狗牙根的高分辨率图斑，利用公式(1)计算出仅种植狗牙根无工程措施的b值，再依据b、e的乘积和b值计算出不同工程措施e的值。
15、本专利技术方法1可以采用以下公式计算仅种植狗牙根无工程措施的b值：
16、植被覆盖度fvc计算公式为：
17、
18、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是纯植被像元的ndvi最大值；
19、园地、林地和草地b因子计算为：
20、
21、式中，wri为前面计算的第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为第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：
22、茶园和灌木林地slri计算公式：
23、
24、果园、其它园地、有林地和其它林地slri计算为：
25、slri＝0.44468×e(-3.20096×gd)-0.04099×e(fvc-fvc×gd)+0.025 (5)
26、草地slri计算公式：
27、
28、式中，fvc是基于ndvi计算的植被覆盖度，取值范围为0-1；gd是乔木林的林下盖度，取值范围为0-1，包括除乔木林冠层以外的灌木、草本和植被凋落物构成的林下盖度，按实地调查或经验取值。
29、本专利技术方法1所述的野外径流小区为选取在鄂西北、鄂西南、鄂东北和鄂东南4个典型山地丘陵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2hm2。
30、本专利技术方法2可以采用包括以下步骤的方法：
31、仅考虑梯田工程措施：
32、
33、式中：st为梯田面积，s为土地面积；α为梯田的减沙系数，选择不同质量梯田的多年平均减沙系数作为流域减沙系数。
34、本专利技术方法2可以采用非计算方法计算流域减沙系数：
35、①从水文站实测资料获取；
36、②相关企业或单位在计算减沙效益时采用的系数数据；
37、③相关政府部门文件中是否存在赋值表。
38、本专利技术方法2所述的不同质量的梯田为在鄂西北、鄂西南、鄂东北和鄂东南4个典型山地丘陵区，坡度在25度以下，土壤吸水保水性好、肥力较高，靠近水源的梯田。
39、本专利技术方法1中，可以采用swat模型计算流域减沙系数：
40、
41、式中：s0为基准期土地利用条件下swat模型模拟的流域产沙值，单位t；si为子流域退耕还林后流域的产沙值，单位t；a耕i为基准期土地利用条件下第个子流域中退耕还林的面积，即是基准期该子流域耕地的面积，单位km2。
42、本专利技术方法1中，所述的swat模型是一款长时间序列的分布式水文模型，涉及的专业软件为arcgis、arcswat、envi。
43、本专利技术提供的上述基于深度学习改进e因子的csle模型优化算法，其用于调控土壤侵蚀风险，使之高效、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。
44、本专利技术具有以下主要的优点：
45、1.本专利技术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，本文档来自技高网...
【技术保护点】
1.一种基于深度学习改进E因子的CSLE模型优化算法，其特征在于：
2.根据权利要求1所述的基于深度学习改进E因子的CSLE模型优化算法，其特征在于，方法1采用包括以下步骤：
3.根据权利要求2所述的基于深度学习改进E因子的CSLE模型优化算法，其特征在于，采用以下公式计算仅种植狗牙根无工程措施的B值：
4.根据权利要求2所述的基于深度学习改进E因子的CSLE模型优化算法，其特征在于，所述的野外径流小区为选取在鄂西北、鄂西南、鄂东北和鄂东南4个典型山地丘陵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2hm2。
5.根据权利要求1所述的基于深度学习改进E因子的CSLE模型优化算法，其特征在于，方法2采用以下步骤：
6.根据权利要求5所述的基于深度学习改进E因子的CSLE模型优化算法，其特征在于，
7.根据权利要求5所述的基于深度学习改进E因子的CSLE模型优化算法，其特征在于，所述的不同质量的梯田为在鄂西北、鄂西南、鄂东北和鄂东南4个典型山地丘陵区，坡度在25度以下，土壤吸水保水性好、
8.根据权利要求1所述的基于深度学习改进E因子的CSLE模型优化算法，其特征在于，方法1中，采用SWAT模型计算流域减沙系数：
9.根据权利要求8所述的基于深度学习改进E因子的CSLE模型优化算法，其特征在于，所述的SWAT模型是一款长时间序列的分布式水文模型，涉及的专业软件为ArcGIS、ArcSWAT、ENVI。
10.权利要求1至9中任一所述的基于深度学习改进E因子的CSLE模型优化算法，其特征是用于调控土壤侵蚀风险，使之高效、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。
...【技术特征摘要】
1.一种基于深度学习改进e因子的csle模型优化算法，其特征在于：
2.根据权利要求1所述的基于深度学习改进e因子的csle模型优化算法，其特征在于，方法1采用包括以下步骤：
3.根据权利要求2所述的基于深度学习改进e因子的csle模型优化算法，其特征在于，采用以下公式计算仅种植狗牙根无工程措施的b值：
4.根据权利要求2所述的基于深度学习改进e因子的csle模型优化算法，其特征在于，所述的野外径流小区为选取在鄂西北、鄂西南、鄂东北和鄂东南4个典型山地丘陵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2hm2。
5.根据权利要求1所述的基于深度学习改进e因子的csle模型优化算法，其特征在于，方法2采用以下步骤：
6.根据权利要求5所述的基于深度学习改进e因子的csle模型优化算法...
【专利技术属性】
技术研发人员：田培，杨严攀，贾婷惠，任益伶，平耀东，
申请(专利权)人：华中师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。