【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t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。
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
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。
2、本专利技术解决其技术问题采用以下的技术方案：
3、本专利技术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。
4、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。
5、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：
6、
7、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。
8、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：
9、使用坡度分级法计算t值，具体步骤为：
10、坡度计算公式：
11、
12、式中，分别表示x、y方向的偏导数，p为坡度；
13、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。
14、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。
15、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：
16、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。
17、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：
18、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；
19、坡度分级和t因子赋值
20、 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
21、。
22、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”：
23、二维情况的中值滤波为：
24、g(x，y)＝med{f(x-k，y-l)，(k，l∈s)} (3)，
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。
26、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：
27、
28、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。
29、本专利技术提供的算法，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。
本文档来自技高网...
【技术保护点】
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：
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
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：
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：
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”：
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：
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。
...【技术特征摘要】
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：
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：
5.根据权利要求4所述的基...
【专利技术属性】
技术研发人员：田培，平耀东，贾婷惠，陈妍，杨严攀，
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。