CN115936532A - 基于bp神经网络的盐碱地稳定性评估方法及*** - Google Patents
基于bp神经网络的盐碱地稳定性评估方法及*** Download PDFInfo
- Publication number
- CN115936532A CN115936532A CN202310010866.XA CN202310010866A CN115936532A CN 115936532 A CN115936532 A CN 115936532A CN 202310010866 A CN202310010866 A CN 202310010866A CN 115936532 A CN115936532 A CN 115936532A
- Authority
- CN
- China
- Prior art keywords
- soil
- evaluation value
- saline
- evaluation
- alkali
- 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
Links
Images
Classifications
-
- 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
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了基于BP神经网络的盐碱地稳定性评估方法及***,涉及盐碱地生态稳定性技术领域,包括:电子地图单元、第一评价单元、获取第一土壤数据集,并且基于第一土壤数据集获取第一土壤评价值Po,对当前土壤盐碱性进行第一次评价;第二评价单元、获取第二土壤数据集,获取第二土壤评价值Pt;第一分析单元、拟合第二土壤评价值Pt的变化趋势,确定检测周期,计算第二土壤评价值的稳定性;第二分析单元、构建神经网络模型,模拟土壤参数的变化趋势,判断第二土壤数据集中的参数稳定性。对盐碱性的稳定性进行二次评价,区别于直接对第二土壤评价值Pt的变化趋势进行模拟,通过BP神经网络模型对原始的土壤参数进行模拟,误差更小。
Description
技术领域
本发明涉及盐碱地生态稳定性技术领域,具体为基于BP神经网络的盐碱地稳定性评估方法及***。
背景技术
所谓盐碱土也叫盐渍土,是指土壤中含有过量可溶性盐类的土地,包括盐土和碱土两种性质不同的土壤。所谓盐土,主要是指土壤内含有过量水溶性盐分的土壤,多属中性盐,呈碱性反应,pH值在7~8之间。所谓碱土,主要是指土壤中含水溶性的碱性盐,呈较强的碱性反应,pH值在8.5以上。
盐渍化土壤由于盐分多,碱性大,使土壤腐殖质遭到淋失,土壤结构受到破坏,表现为湿时黏干时硬,土表常有白色盐分积淀,通气和透水不良,严重的会造成植物萎蔫、中毒和烂根死亡,所以必须对盐碱地进行土壤改良。
在盐碱地进行土壤改良之前,需要先对盐碱地的稳定性进行评估,从而便于制定合适的土壤改良策略。现有的盐碱地稳定性评估方法通常是在盐碱地范围内采集土壤样本,基于对土壤样本进行分析后获取的多个土壤参数,然后搭建BP神经网络,基于对多个土壤参数的变化分析,判断盐碱性的稳定性。
但是如果盐碱地的范围较大,各个采样点的土壤参数会存在较大的差距,这会导致在判断盐碱性的稳定性时,存在一定的误差,而且现有的判断盐碱性的稳定性的土壤参数较多,工作量较大,分析的效率也较低。
为此,提供了基于BP神经网络的盐碱地稳定性评估方法及***。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了基于BP神经网络的盐碱地稳定性评估方法及***,通过设置电子地图单元、第一评价单元、获取第一土壤数据集,并且基于第一土壤数据集获取第一土壤评价值Po,对当前土壤盐碱性进行第一次评价;第二评价单元、获取第二土壤数据集,获取第二土壤评价值Pt;第一分析单元、拟合第二土壤评价值Pt的变化趋势,确定检测周期,计算第二土壤评价值的稳定性;第二分析单元、构建神经网络模型,模拟土壤参数的变化趋势,判断第二土壤数据集中的参数稳定性。对盐碱性的稳定性进行二次评价,区别于直接对第二土壤评价值Pt的变化趋势进行模拟,通过BP神经网络模型对原始的土壤参数进行模拟,误差更小,解决了背景技术中提出的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
基于BP神经网络的盐碱地稳定性评估方法,包括,确定当前区域内的盐碱地范围,基于机器视觉***的无人机巡检单元,建立盐碱地电子地图;包括:基于搭载机器视觉***的无人机,对盐碱地区域进行成像,依据深度相机对盐碱地进行成像并3D建模;依据盐碱地模型,判断盐碱地的底面平整度及盐碱地的凹陷区域;获取盐碱地模型及水流聚集位置,建立盐碱地电子地图;
依据盐碱地电子地图,在盐碱地范围内设置若干个第一检测点,获取第一土壤数据集,并且基于第一土壤数据集获取第一土壤评价值Po,对当前土壤盐碱性进行第一次评价;并且依据第一土壤评价值的异常性,确定第二检测点;依据在第二检测点处获取的第二土壤数据集,获取第二土壤评价值Pt,对当前土壤盐碱性进行第二次评价,判断评价值Pt是否达到预期;如果达到预期,则对相应的第二检测点进行标记;
通过若干组数据,拟合第二土壤评价值Pt的变化趋势,以第二土壤评价值超出预期的时间间隔,确定检测周期;计算第二土壤评价值的稳定性,判断第二土壤评价值的稳定性是否超过阈值;在第二土壤评价值的稳定性不达预期时,构建神经网络模型,在检测周期内模拟土壤参数的变化趋势,判断第二土壤数据集中的参数稳定性。
进一步的,在避开水流聚集位置的区域,均匀设置若干个第一检测点;在深入土壤的20~30cm处采集成块的土壤,分别对土壤的土壤容重R、孔隙度K、含水量S进行检测,构建第一土壤数据集;获取土壤容重R、孔隙度K、含水量S,无量纲处理后,关联获取第一土壤评价值Po;
获取第一土壤评价值Po并与相应阈值相比,判断出若干个第一土壤评价值Po中超出阈值的部分,确定为异常点,在盐碱地电子地图上进行标记;构建分类器,将盐碱地电子地图上的多个异常点分割为若干个区域,并在盐碱地电子地图上进行区分;依据接近中心性算法,确定各个区域内的近中心点,确定为第二检测点。
进一步的,第一土壤评价值Po的获取方式如下:
其中,参数意义为:容重因子Ar,0.41≤Ar≤0.79,孔隙度因子Ak,0.27≤Ak≤0.76,含水量因子As,0.37≤As≤0.96,C为常数修正系数。
进一步的,于第二检测点深入土壤的20~30cm处,采集成块的土壤,分别对土壤的土壤酸碱度H、电导率Dl和全盐含量Qy进行采集,构建第二土壤数据集;获取土壤酸碱度H、电导率Dl和全盐含量Qy,无量纲处理后,关联获取第二土壤评价值Pt;将第二土壤评价值Pt与相应的阈值进行对比,判断是否超出相应阈值,如果超出阈值,则对相应的第二检测点进行标记。
进一步的,第二土壤评价值Pt的获取方式如下:
其中,0≤α≤1,0≤β≤1,且α+β=1,α、β为权重,其具体值由用户调整设置,D为常数修正系数。
进一步的,获取基于第二土壤数据集内的若干组数据,沿着时间轴获取若干组第二土壤评价值Pt;基于若干组第二土壤评价值Pt,建立评价值Pt拟合函数;将拟合函数经过K-S检验后,将评价值Pt拟合函数输出;
通过形成评价值Pt拟合函数,能够对第二土壤评价值Pt的变化进行拟合和表征,也能够对第二土壤评价值Pt的变化进行预测;依据评价值Pt拟合函数,获取相邻的极大值与极小值的时间间隔,确定为检测周期;基于评价值Pt拟合函数,判断下一检测周期内第二土壤评价值Pt的演变趋势,及相应的若干个第二土壤评价值Pt预测值,建立评价值Pt预测数据集。
进一步的,基于评价值Pt拟合函数及检测周期,通过建立评价值Pt预测数据集,对第二土壤评价值Pt的变化进行预测,对第二土壤评价值Pt接下来的时候稳定性进行预测,可以用于对盐碱性稳定性形成判断;对评价值Pt预测数据集内的若干个第二土壤评价值Pt预测值进行差异显著性分析,获取差异性P1,判断差异性P1是否超出阈值,如果超出阈值,则说明,第二土壤评价值Pt预测的稳定性低于预期,向外部发出预警。
进一步的,在第二土壤评价值Pt预测的稳定性低于预期时,获取当前检测周期下的第一土壤数据集及第二土壤数据集;以第一土壤数据集及第二土壤数据集中的土壤参数构建土壤模型;
基于BP神经网络算法,构建BP神经网络模型;分别从第一土壤数据集及第二土壤数据集中选择数据作为训练集及测试集,对搭建的BP神经网络模型的训练和测试,将测试后的BP神经网络模型输出;从第一土壤数据集及第二土壤数据集选择数据,基于土壤模型及BP神经网络模型,对土壤酸碱度H、电导率Dl和全盐含量Qy中的变化进行模拟
进一步的,在检测周期内,沿着时间轴,以固定的时间间隔获取若干组土壤酸碱度H、电导率Dl和全盐含量Qy;分别获取若干组第二土壤评价值Pt,对若干组第二土壤评价值Pt进行显著性分析,获取差异性P2;
获取差异性P1及差异性P2,关联后获取差异性P3,将获取的差异性P3与相应稳定性阈值进行对比,获取对比结果;差异性P3获取方式如下:
其中,0≤k1≤1,0≤k2≤1,且k1 2+k2 2=1,k2、k1为权重,由用户调整设置。
基于BP神经网络的盐碱地稳定性评估***,包括:电子地图单元、确定当前区域内的盐碱地范围,基于机器视觉***的无人机巡检单元,建立盐碱地电子地图;第一评价单元、依据盐碱地电子地图,在盐碱地范围内设置若干个第一检测点,获取第一土壤数据集,并且基于第一土壤数据集获取第一土壤评价值Po,对当前土壤盐碱性进行第一次评价;并且依据第一土壤评价值的异常性,确定第二检测点;
第二评价单元、依据在第二检测点处获取的第二土壤数据集,获取第二土壤评价值Pt,对当前土壤盐碱性进行第二次评价,判断评价值Pt是否达到预期;第一分析单元、通过若干组数据,拟合第二土壤评价值Pt的变化趋势,以第二土壤评价值超出预期的时间间隔,确定检测周期,计算第二土壤评价值的稳定性;
第二分析单元、在第二土壤评价值的稳定性不达预期时,构建神经网络模型,在检测周期内模拟土壤参数的变化趋势,判断第二土壤数据集中的参数稳定性。
(三)有益效果
本发明提供了基于BP神经网络的盐碱地稳定性评估方法及***。具备以下有益效果:
以第一土壤评价值Po中超出阈值的部分作为异常点,并且以异常点的聚集程度确定盐碱地中近中心点,由于近中心点处的盐碱性通常处于聚集的状态,在近中心点设置第二检测点,从而在对盐碱地做第二次检测时,数据更加集中,更便于数据的检测和获取,提高对酸碱地稳定性评价的效率。
通过形成第二土壤评价值Pt,对当前区域的酸碱性程度进行评价,通过将其中若干个第二土壤评价值Pt较高的检测点筛选出来,从而确定土壤采样点,在评价盐碱性的稳定性时,由于土壤采样点的盐碱性的程度较高,采集到土壤数据与标准数据偏差更大,做稳定性评价时,取得的效果更加直观。
获取若干组第二土壤评价值Pt,获取差异性P2,能够对盐碱性的稳定性进行二次评价,区别于直接对第二土壤评价值Pt的变化趋势进行模拟,通过BP神经网络模型对原始的土壤参数进行模拟,与土壤实际参数的误差更小;通过将差异性P1与差异性P2关联后获取差异性P3,以差异性P3对盐碱稳定性进行评价,综合性更好。
附图说明
图1为本发明盐碱地稳定性评估方法流程示意图;
图2为本发明盐碱地稳定性评估***结构示意图;
图3为本发明盐碱性稳定性的差异性分析结构示意图。
图中:
10、电子地图单元;20、第一评价单元;30、第二评价单元;40、第一分析单元;50、第二分析单元。
具体实施方式
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。
实施例1
请参阅图1-3,本发明提供基于BP神经网络的盐碱地稳定性评估方法,包括:
步骤一、确定当前区域内的盐碱地范围,基于机器视觉***的无人机巡检单元,建立盐碱地电子地图;所述步骤一包括如下内容:
步骤101、基于搭载机器视觉***的无人机,对盐碱地区域进行成像,依据深度相机对盐碱地进行成像并3D建模;
步骤102、依据盐碱地模型,判断盐碱地的底面平整度及盐碱地的凹陷区域;在盐碱地表面存在水流时,会向凹陷区域聚集;
获取盐碱地模型及水流聚集位置,建立盐碱地电子地图;
使用时,结合步骤101至102中的内容:通过建立盐碱地电子地图,在对盐碱地进行取样和计算时,可视化程度更高,从而方便选择检测点,在判断盐碱稳定性时,效率更高。
步骤二、依据盐碱地电子地图,在盐碱地范围内设置若干个第一检测点,获取第一土壤数据集,并且基于第一土壤数据集获取第一土壤评价值Po,对当前土壤盐碱性进行第一次评价;
并且依据第一土壤评价值的异常性,确定第二检测点;
所述步骤二包括如下内容:
步骤201、在避开水流聚集位置的区域,均匀设置若干个第一检测点,各个第一检测点的间距尽量保持相同;
在深入土壤的20~30cm处采集成块的土壤,分别对土壤的土壤容重R、孔隙度K、含水量S进行检测,构建第一土壤数据集;
步骤202、获取土壤容重R、孔隙度K、含水量S,无量纲处理后,关联获取第一土壤评价值Po;其中,第一土壤评价值Po的获取方式如下:
其中,参数意义为:容重因子Ar,0.41≤Ar≤0.79,孔隙度因子Ak,0.27≤Ak≤0.76,含水量因子As,0.37≤As≤0.96,C为常数修正系数。
需要说明的是,由本领域技术人员采集多组样本数据并对每一组样本数据设定对应的预设比例系数;将设定的预设比例系数和采集的样本数据代入公式,任意三个公式构成三元一次方程组,将计算得到的系数进行筛选并取均值,得到Ar、Ak、As的取值;
系数的大小是为了将各个参数进行量化得到的一个具体的数值,便于后续比较,关于系数的大小,取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的预设比例系数;只要不影响参数与量化后数值的比例关系即可。
步骤203、获取第一土壤评价值Po并与相应阈值相比,判断出若干个第一土壤评价值Po中超出阈值的部分,确定为异常点,在盐碱地电子地图上进行标记;
构建分类器,将盐碱地电子地图上的多个异常点分割为若干个区域,并在盐碱地电子地图上进行区分。
使用时,通过依据异常点的分布状态,能够对盐碱地进行分割,减少第二检测点的设置个数。
步骤204、依据接近中心性算法,确定各个区域内的近中心点,确定为第二检测点。
需要说明的是,接近中心性算法是较为常见的现有技术,在此不再做进一步的公开;由于土壤的盐碱性存在聚集和蔓延的情况,通过确定若干个异常点的近中心点,可以大致找到盐碱程度最高的区域。
使用时,结合步骤201至204中的内容,通过获取第一土壤评价值Po,以第一土壤评价值Po中超出阈值的部分作为异常点,并且以异常点的聚集程度确定盐碱地中近中心点,由于近中心点处的盐碱性通常处于聚集的状态,在近中心点设置第二检测点,从而在对盐碱地做第二次检测时,数据更加集中,更便于数据的检测和获取,提高对酸碱地稳定性评价的效率。
步骤三、依据在第二检测点处获取的第二土壤数据集,获取第二土壤评价值Pt,对当前土壤盐碱性进行第二次评价,判断评价值Pt是否达到预期;
如果达到预期,则对相应的第二检测点进行标记;
所述步骤三包括如下内容:
步骤301、于第二检测点深入土壤的20到30cm处,采集成块的土壤,分别对土壤的土壤酸碱度H、电导率Dl和全盐含量Qy进行采集,构建第二土壤数据集;
步骤302、获取土壤酸碱度H、电导率Dl和全盐含量Qy,无量纲处理后,关联获取第二土壤评价值Pt;
其中,第二土壤评价值Pt的获取方式如下:
其中,0≤α≤1,0≤β≤1,且α+β=1,α、β为权重,其具体值由用户调整设置,D为常数修正系数。
使用时,在获取了土壤酸碱度H、电导率Dl和全盐含量Qy,通过形成第二土壤评价值Pt,能够对土壤酸碱性进行第二次评价,通过判断当前区域是否存在酸碱化,来作为判断酸碱地的稳定性的基础。
步骤303、将第二土壤评价值Pt与相应的阈值进行对比,判断是否超出相应阈值,如果超出阈值,则对相应的第二检测点进行标记。
使用时,通过形成第二土壤评价值Pt,对当前区域的酸碱性程度进行评价,通过将其中若干个第二土壤评价值Pt较高的检测点筛选出来,从而确定土壤采样点,在评价盐碱性的稳定性时,由于土壤采样点的盐碱性的程度较高,采集到土壤数据与标准数据偏差更大,做稳定性评价时,取得的效果更加直观。
步骤四、通过若干组数据,拟合第二土壤评价值Pt的变化趋势,以第二土壤评价值超出预期的时间间隔,确定检测周期;
计算第二土壤评价值的稳定性,判断第二土壤评价值的稳定性是否超过阈值;
所述步骤四包括如下内容:
步骤401、获取基于第二土壤数据集内的若干组数据,沿着时间轴获取若干组第二土壤评价值Pt;基于若干组第二土壤评价值Pt,建立评价值Pt拟合函数;
将拟合函数经过K-S检验后,将评价值Pt拟合函数输出;
通过形成评价值Pt拟合函数,能够对第二土壤评价值Pt的变化进行拟合和表征,也能够对第二土壤评价值Pt的变化进行预测;
步骤402、依据评价值Pt拟合函数,获取相邻的极大值与极小值的时间间隔,确定为检测周期;
基于评价值Pt拟合函数,判断下一检测周期内第二土壤评价值Pt的演变趋势,及相应的若干个第二土壤评价值Pt预测值,建立评价值Pt预测数据集;
基于评价值Pt拟合函数及检测周期,通过建立评价值Pt预测数据集,对第二土壤评价值Pt的变化进行预测,对第二土壤评价值Pt接下来的时候稳定性进行预测,可以用于对盐碱性稳定性形成判断;
步骤403、对评价值Pt预测数据集内的若干个第二土壤评价值Pt预测值进行差异显著性分析,获取差异性P1,
判断差异性P1是否超出阈值,如果超出阈值,则说明,第二土壤评价值Pt预测的稳定性低于预期,向外部发出预警。
使用时,结合步骤401至403中的内容,通过拟合形成评价值Pt拟合函数,确定检测周期后,通过以预测的形式,获取若干个第二土壤评价值Pt,以计算若干个第二土壤评价值Pt的差异性P1的形式,对土壤的酸碱性的稳定性进行评估,对稳定性的评价更有前瞻性。
步骤五、在第二土壤评价值的稳定性不达预期时,构建神经网络模型,在检测周期内模拟土壤参数的变化趋势,判断第二土壤数据集中的参数稳定性;
步骤五包括如下内容:
步骤501、在第二土壤评价值Pt预测的稳定性低于预期时,获取当前检测周期下的第一土壤数据集及第二土壤数据集;以第一土壤数据集及第二土壤数据集中的土壤参数构建土壤模型;
通过构建土壤模型,在第二土壤评价值Pt稳定性评价时,更加直观。
步骤502、基于BP神经网络算法,构建BP神经网络模型;
分别从第一土壤数据集及第二土壤数据集中选择数据作为训练集及测试集,对搭建的BP神经网络模型的训练和测试,将测试后的BP神经网络模型输出;
步骤503、从第一土壤数据集及第二土壤数据集选择数据,基于土壤模型及BP神经网络模型,对土壤酸碱度H、电导率Dl和全盐含量Qy中的变化进行模拟;
步骤504、在检测周期内,沿着时间轴,以固定的时间间隔获取若干组土壤酸碱度H、电导率Dl和全盐含量Qy;
分别获取若干组第二土壤评价值Pt,对若干组第二土壤评价值Pt进行显著性分析,获取差异性P2;
步骤505、获取差异性P1及差异性P2,关联后获取差异性P3,将获取的差异性P3与相应稳定性阈值进行对比,获取对比结果;
差异性P3获取方式如下:
其中,0≤k1≤1,0≤k2≤1,且k1 2+k2 2=1,k2、k1为权重,具体值由用户调整设置。
使用时,通过BP神经网络模型,对土壤酸碱度H、电导率Dl和全盐含量Qy中的变化进行模拟,分别获取若干组第二土壤评价值Pt,获取差异性P2,能够对盐碱性的稳定性进行二次评价,区别于直接对第二土壤评价值Pt的变化趋势进行模拟,通过BP神经网络模型对原始的土壤参数进行模拟,与土壤实际参数的误差更小。
通过将差异性P1与差异性P2关联后获取差异性P3,以差异性P3对盐碱稳定性进行评价,综合性更好。
实施例2
请参阅图1-3,本发明提供基于BP神经网络的盐碱地稳定性评估***,包括:
电子地图单元10、确定当前区域内的盐碱地范围,基于机器视觉***的无人机巡检单元,建立盐碱地电子地图;
第一评价单元20、依据盐碱地电子地图,在盐碱地范围内设置若干个第一检测点,获取第一土壤数据集,并且基于第一土壤数据集获取第一土壤评价值Po,对当前土壤盐碱性进行第一次评价;并且依据第一土壤评价值的异常性,确定第二检测点;
第二评价单元30、依据在第二检测点处获取的第二土壤数据集,获取第二土壤评价值Pt,对当前土壤盐碱性进行第二次评价,判断评价值Pt是否达到预期;
第一分析单元40、通过若干组数据,拟合第二土壤评价值Pt的变化趋势,以第二土壤评价值超出预期的时间间隔,确定检测周期,计算第二土壤评价值的稳定性;
第二分析单元50、在第二土壤评价值的稳定性不达预期时,构建神经网络模型,在检测周期内模拟土壤参数的变化趋势,判断第二土壤数据集中的参数稳定性。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一些逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-onlymemory,ROM)、随机存取存储器(randomaccessmemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于BP神经网络的盐碱地稳定性评估方法,其特征在于:包括,
确定当前区域内的盐碱地范围,基于机器视觉***的无人机巡检单元,建立盐碱地电子地图;包括:基于搭载机器视觉***的无人机,对盐碱地区域进行成像,依据深度相机对盐碱地进行成像并3D建模;依据盐碱地模型,判断盐碱地的底面平整度及盐碱地的凹陷区域;获取盐碱地模型及水流聚集位置,建立盐碱地电子地图;
依据盐碱地电子地图,在盐碱地范围内设置若干个第一检测点,获取第一土壤数据集,并且基于第一土壤数据集获取第一土壤评价值Po,对当前土壤盐碱性进行第一次评价;并且依据第一土壤评价值的异常性,确定第二检测点;
依据在第二检测点处获取的第二土壤数据集,获取第二土壤评价值Pt,对当前土壤盐碱性进行第二次评价,判断评价值Pt是否达到预期;如果达到预期,则对相应的第二检测点进行标记;
通过若干组数据,拟合第二土壤评价值Pt的变化趋势,以第二土壤评价值超出预期的时间间隔,确定检测周期;计算第二土壤评价值的稳定性,判断第二土壤评价值的稳定性是否超过阈值;
在第二土壤评价值的稳定性不达预期时,构建神经网络模型,在检测周期内模拟土壤参数的变化趋势,判断第二土壤数据集中的参数稳定性。
2.根据权利要求1所述的基于BP神经网络的盐碱地稳定性评估方法,其特征在于:
在避开水流聚集位置的区域,均匀设置若干个第一检测点;在深入土壤的20~30cm处采集成块的土壤,分别对土壤的土壤容重R、孔隙度K、含水量S进行检测,构建第一土壤数据集;
获取土壤容重R、孔隙度K、含水量S,无量纲处理后,关联获取第一土壤评价值Po;
获取第一土壤评价值Po并与相应阈值相比,判断出若干个第一土壤评价值Po中超出阈值的部分,确定为异常点,在盐碱地电子地图上进行标记;构建分类器,将盐碱地电子地图上的多个异常点分割为若干个区域,并在盐碱地电子地图上进行区分;
依据接近中心性算法,确定各个区域内的近中心点,确定为第二检测点。
3.根据权利要求1所述的基于BP神经网络的盐碱地稳定性评估方法,其特征在于:
第一土壤评价值Po的获取方式如下:
其中,参数意义为:容重因子Ar,0.41≤Ar≤0.79,孔隙度因子Ak,0.27≤Ak≤0.76,含水量因子As,0.37≤As≤0.96,C为常数修正系数。
4.根据权利要求1所述的基于BP神经网络的盐碱地稳定性评估方法,其特征在于:
于第二检测点深入土壤的20~30cm处,采集成块的土壤,分别对土壤的土壤酸碱度H、电导率Dl和全盐含量Qy进行采集,构建第二土壤数据集;
获取土壤酸碱度H、电导率Dl和全盐含量Qy,无量纲处理后,关联获取第二土壤评价值Pt;将第二土壤评价值Pt与相应的阈值进行对比,判断是否超出相应阈值,如果超出阈值,则对相应的第二检测点进行标记。
5.根据权利要求4所述的基于BP神经网络的盐碱地稳定性评估方法,其特征在于:
第二土壤评价值Pt的获取方式如下:
其中,0≤α≤1,0≤β≤1,且α+β=1,α、β为权重,其具体值由用户调整设置,D为常数修正系数。
6.根据权利要求1所述的基于BP神经网络的盐碱地稳定性评估方法,其特征在于:
获取基于第二土壤数据集内的若干组数据,沿着时间轴获取若干组第二土壤评价值Pt;基于若干组第二土壤评价值Pt,建立评价值Pt拟合函数;将拟合函数经过K-S检验后,将评价值Pt拟合函数输出;
通过形成评价值Pt拟合函数,能够对第二土壤评价值Pt的变化进行拟合和表征,也能够对第二土壤评价值Pt的变化进行预测;依据评价值Pt拟合函数,获取相邻的极大值与极小值的时间间隔,确定为检测周期;
基于评价值Pt拟合函数,判断下一检测周期内第二土壤评价值Pt的演变趋势,及相应的若干个第二土壤评价值Pt预测值,建立评价值Pt预测数据集。
7.根据权利要求6所述的基于BP神经网络的盐碱地稳定性评估方法,其特征在于:
基于评价值Pt拟合函数及检测周期,通过建立评价值Pt预测数据集,对第二土壤评价值Pt的变化进行预测,对第二土壤评价值Pt接下来的时候稳定性进行预测,可以用于对盐碱性稳定性形成判断;
对评价值Pt预测数据集内的若干个第二土壤评价值Pt预测值进行差异显著性分析,获取差异性P1,判断差异性P1是否超出阈值,如果超出阈值,则说明,第二土壤评价值Pt预测的稳定性低于预期,向外部发出预警。
8.根据权利要求1所述的基于BP神经网络的盐碱地稳定性评估方法,其特征在于:
在第二土壤评价值Pt预测的稳定性低于预期时,获取当前检测周期下的第一土壤数据集及第二土壤数据集;以第一土壤数据集及第二土壤数据集中的土壤参数构建土壤模型;
基于BP神经网络算法,构建BP神经网络模型;分别从第一土壤数据集及第二土壤数据集中选择数据作为训练集及测试集,对搭建的BP神经网络模型的训练和测试,将测试后的BP神经网络模型输出;
从第一土壤数据集及第二土壤数据集选择数据,基于土壤模型及BP神经网络模型,对土壤酸碱度H、电导率Dl和全盐含量Qy中的变化进行模拟。
9.根据权利要求8所述的基于BP神经网络的盐碱地稳定性评估方法,其特征在于:
在检测周期内,沿着时间轴,以固定的时间间隔获取若干组土壤酸碱度H、电导率Dl和全盐含量Qy;分别获取若干组第二土壤评价值Pt,对若干组第二土壤评价值Pt进行显著性分析,获取差异性P2;
获取差异性P1及差异性P2,关联后获取差异性P3,将获取的差异性P3与相应稳定性阈值进行对比,获取对比结果;差异性P3获取方式如下:
其中,0≤k1≤1,0≤k2≤1,且k1 2+k2 2=1,k2、k1为权重,由用户调整设置。
10.基于BP神经网络的盐碱地稳定性评估***,其特征在于:包括,
电子地图单元(10)、确定当前区域内的盐碱地范围,基于机器视觉***的无人机巡检单元,建立盐碱地电子地图;
第一评价单元(20)、依据盐碱地电子地图,在盐碱地范围内设置若干个第一检测点,获取第一土壤数据集,并且基于第一土壤数据集获取第一土壤评价值Po,对当前土壤盐碱性进行第一次评价;并且依据第一土壤评价值的异常性,确定第二检测点;
第二评价单元(30)、依据在第二检测点处获取的第二土壤数据集,获取第二土壤评价值Pt,对当前土壤盐碱性进行第二次评价,判断评价值Pt是否达到预期;
第一分析单元(40)、通过若干组数据,拟合第二土壤评价值Pt的变化趋势,以第二土壤评价值超出预期的时间间隔,确定检测周期,计算第二土壤评价值的稳定性;
第二分析单元(50)、在第二土壤评价值的稳定性不达预期时,构建神经网络模型,在检测周期内模拟土壤参数的变化趋势,判断第二土壤数据集中的参数稳定性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310010866.XA CN115936532B (zh) | 2023-01-05 | 2023-01-05 | 基于bp神经网络的盐碱地稳定性评估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310010866.XA CN115936532B (zh) | 2023-01-05 | 2023-01-05 | 基于bp神经网络的盐碱地稳定性评估方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115936532A true CN115936532A (zh) | 2023-04-07 |
CN115936532B CN115936532B (zh) | 2023-07-18 |
Family
ID=86555982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310010866.XA Active CN115936532B (zh) | 2023-01-05 | 2023-01-05 | 基于bp神经网络的盐碱地稳定性评估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115936532B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116150662A (zh) * | 2023-04-23 | 2023-05-23 | 青岛华芯晶电科技有限公司 | 一种磷化铟晶片的辅助检测装置的数据识别方法 |
CN117807549A (zh) * | 2024-02-29 | 2024-04-02 | 菏泽学院 | 一种农田土壤肥力评价方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103792340A (zh) * | 2014-03-07 | 2014-05-14 | 国家***第一海洋研究所 | 一种基于物联网的盐渍土监测预警***及方法 |
US20150347647A1 (en) * | 2014-05-30 | 2015-12-03 | Iteris, Inc. | Measurement and modeling of salinity contamination of soil and soil-water systems from oil and gas production activities |
CN109214579A (zh) * | 2018-09-20 | 2019-01-15 | 山东省林业科学研究院 | 基于bp神经网络的盐碱地稳定性预测方法及*** |
CN110110771A (zh) * | 2019-04-24 | 2019-08-09 | 中国科学院东北地理与农业生态研究所 | 基于地表图像的盐渍土含盐量估算方法 |
CN113743790A (zh) * | 2021-09-07 | 2021-12-03 | 天津市地质研究和海洋地质中心 | 一种有助于盐碱地稻米品质提升的方法、***及存储介质 |
-
2023
- 2023-01-05 CN CN202310010866.XA patent/CN115936532B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103792340A (zh) * | 2014-03-07 | 2014-05-14 | 国家***第一海洋研究所 | 一种基于物联网的盐渍土监测预警***及方法 |
US20150347647A1 (en) * | 2014-05-30 | 2015-12-03 | Iteris, Inc. | Measurement and modeling of salinity contamination of soil and soil-water systems from oil and gas production activities |
CN109214579A (zh) * | 2018-09-20 | 2019-01-15 | 山东省林业科学研究院 | 基于bp神经网络的盐碱地稳定性预测方法及*** |
CN110110771A (zh) * | 2019-04-24 | 2019-08-09 | 中国科学院东北地理与农业生态研究所 | 基于地表图像的盐渍土含盐量估算方法 |
CN113743790A (zh) * | 2021-09-07 | 2021-12-03 | 天津市地质研究和海洋地质中心 | 一种有助于盐碱地稻米品质提升的方法、***及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116150662A (zh) * | 2023-04-23 | 2023-05-23 | 青岛华芯晶电科技有限公司 | 一种磷化铟晶片的辅助检测装置的数据识别方法 |
CN117807549A (zh) * | 2024-02-29 | 2024-04-02 | 菏泽学院 | 一种农田土壤肥力评价方法及*** |
CN117807549B (zh) * | 2024-02-29 | 2024-05-17 | 菏泽学院 | 一种农田土壤肥力评价方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115936532B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115936532A (zh) | 基于bp神经网络的盐碱地稳定性评估方法及*** | |
US8577611B2 (en) | System and method for analyzing trees in LiDAR data using views | |
US8897483B2 (en) | System and method for inventorying vegetal substance | |
CN107622801A (zh) | 疾病概率的检测方法和装置 | |
CN109613182A (zh) | 基于大气污染物的监测布点选址方法及装置 | |
Vermang et al. | Quantification of soil surface roughness evolution under simulated rainfall | |
CN112735094A (zh) | 基于机器学习的地质灾害预测方法、装置和电子设备 | |
Bouasria et al. | Geospatial assessment of soil organic matter variability at Sidi Bennour District in Doukkala Plain in Morocco | |
CN105913443A (zh) | 模拟人眼识别技术检测沥青路面纹理的方法 | |
CN107860722A (zh) | 一种蜜瓜内部品质在线检测方法及*** | |
CN111783516A (zh) | 一种基于深度学习的耕地质量自然等级评价方法 | |
CN104198998B (zh) | 非均匀背景下基于聚类处理的恒虚警检测方法 | |
CN115239156B (zh) | 一种城镇化指标对水系结构的影响警示方法和装置 | |
Fynn et al. | Forest fragmentation analysis from multiple imaging formats | |
CN116882625A (zh) | 一种岩溶山地乡村聚落用地空间脆弱性识别方法 | |
Bowersox et al. | Measuring the abruptness of patchy ecotones–a simulation-based comparison of landscape pattern statistics | |
Korpela et al. | Potential of aerial image-based monoscopic and multiview single-tree forest inventory: A simulation approach | |
Tesfamichael et al. | A semi-variogram approach for estimating stems per hectare in Eucalyptus grandis plantations using discrete-return lidar height data | |
CN113125383A (zh) | 基于遥感的农耕用地次生盐渍化监测和预警方法和*** | |
US20120004847A1 (en) | System and method for analyzing trees in lidar data using views | |
CN114998732A (zh) | 一种植物病害严重度评估方法及装置 | |
CN105116407A (zh) | 一种利用手持型激光测距仪测量植被覆盖度的方法 | |
CN110243773B (zh) | 一种利用土壤高光谱反射率计算土壤全盐含量的方法 | |
CN107934712A (zh) | 基于统计学模型的电梯健康度检测方法及装置 | |
CN110751398A (zh) | 一种区域生态质量评价方法及装置 |
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 |