CN116415843A - 用于弱网络环境的多模态遥感辅助矿山生态环境评价方法 - Google Patents
用于弱网络环境的多模态遥感辅助矿山生态环境评价方法 Download PDFInfo
- Publication number
- CN116415843A CN116415843A CN202310190793.7A CN202310190793A CN116415843A CN 116415843 A CN116415843 A CN 116415843A CN 202310190793 A CN202310190793 A CN 202310190793A CN 116415843 A CN116415843 A CN 116415843A
- Authority
- CN
- China
- Prior art keywords
- goaf
- change
- evaluation
- mine
- remote sensing
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 162
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 49
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims description 136
- 239000002689 soil Substances 0.000 claims description 52
- 230000007246 mechanism Effects 0.000 claims description 45
- 238000011160 research Methods 0.000 claims description 29
- 238000012925 biological evaluation Methods 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 19
- 238000001556 precipitation Methods 0.000 claims description 17
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 16
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 11
- 238000012876 topography Methods 0.000 claims description 11
- 229910001385 heavy metal Inorganic materials 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004062 sedimentation Methods 0.000 claims description 8
- 239000002028 Biomass Substances 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 239000005416 organic matter Substances 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000004016 soil organic matter Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了用于弱网络环境的多模态遥感辅助矿山生态环境评价方法，属于矿山环境评价技术领域，包括采空区三维数字信息模型创建、获取多模态遥感辅助图像中植被覆盖信息以及矿山的采空区沉降数据、获取生态环境监测数据、评估矿山生态环境、目标生态环境评价图像三维标签获取以及生态环境综合评价。本发明能够在采空区弱网络环境下使用激光雷达扫描采空区三维信息时，获取多模态遥感辅助图像的全部信息，结合多模态的遥感辅助图像分析的矿山环境植被覆盖情况以及采空区沉降情况，与土地、水体、大气以及采空区三维信息之间的相关性，获取除去各个评价指标以及综合指标均达标的潜力单元体，为矿山治理的重点潜力区的指出提供分析的数据基础。
Description
技术领域
本发明涉及一种用于弱网络环境的多模态遥感辅助矿山生态环境评价方法，属于矿山环境评价技术领域。
背景技术
在进行矿山生态环境评测时，对于矿山内的采空区会采用激光雷达进行三维扫描，进而形成采空区的三维数字模型，而单一的采空区三维成像信息并不能对矿山环境进行很好的评估。现在的矿山生态环境评价体系中多是采用基于属性层次法、模糊综合评价法分析生态环境，对矿山改建工程带来的环境影响分析，筛选适合评价的因子，构建矿区生态环境质量的评价指标体系和分级标准，利用属性层次法确定各指标权重，运用模糊综合法评价生态环境质量，不仅综合了多个评价主体的意见，还有效解决了评价过程中出现的模糊性问题。这种评价方法只是多元、多方向分散式地分析各个指标的数值以及定性、定量等级，并无法在采空区弱网络环境下使用激光雷达扫描采空区三维信息时，获取多模态遥感辅助图像的全部信息，无法结合多模态的遥感辅助图像分析的矿山环境植被覆盖情况以及采空区沉降情况，与土地、水体、大气以及采空区三维信息之间的相关性，无法为矿山生态环境的治理提供有针对性的生态环境治理措施。因此，本发明提出一种用于弱网络环境的多模态遥感辅助矿山生态环境评价方法。
发明内容
为解决背景技术提出的问题，本发明提供一种用于弱网络环境的多模态遥感辅助矿山生态环境评价方法。
本发明的目的可以通过采用如下技术方案达到：
用于弱网络环境的多模态遥感辅助矿山生态环境评价方法，包括以下步骤：
S1.采空区三维数字信息模型创建：利用激光雷达技术对采空区进行三维信息扫描，利用扫描的三维信息创建采空区点云，利用点云数据生成采空区的三维信息数字模型，获取采空区体积信息；
S2.获取多模态遥感辅助图像中植被覆盖信息以及矿山的采空区沉降数据；
S3.获取生态环境监测数据：联合矿山采空区的生态环境监测信息管理***，获取矿山采空区研究时段内的土壤有机质水平变化量、土壤PH变化值、土壤中重金属含量变化值，将这些数据作为土壤评价的基础数据，获取矿山环境研究时段内的生物量变化以及生物总类别数变化，将这些数据作为生态环境中生物评价的基础数据，获取矿山环境研究时段内的水体质量变化、大气质量变化以及降水量的变化，将这些数据作为水文评价的基础数据，获取矿山生态环境研究时段内的水土流失强度变化以及土地利用率变化，并结S1以及S2获取的数据一起作为地形评价的基础数据；
S4.评估矿山生态环境：利用土壤评价指标的评估机制获取土壤评价指标，利用生物评价指标的评估机制获取生物评价指标，利用水文评价指标的评估机制获取水文评价指标，利用地形评价指标的评估机制结合获取地形评价指标；
S5.目标生态环境评价图像三维标签获取：利用深度学习框架训练多模态遥感辅助图像的空间信息标签，利用各个评价指标数值进行多级分类，抓取目标等级分类的图像元素标签，形成各个指标的目标等级评价图像标签数据集；
S6.生态环境综合评价：将S5获取的各个指标的目标等级评价图像标签数据集传输到采空区外的处理单元，构建各个指标的目标等级评价图像，利用各个评价指标的加权之和获取生态综合评价指标，利用多模态遥感图像与采空区三维数字信息模型搭建矿山三维模型，并根据预先设定的网格对矿山三维模型进行立体分割，抓取分割单元体中综合指标达标的单元体，并展示出除去各个评价指标以及综合指标均达标的潜力单元体，显示潜力单元体的三维坐标信息。
进一步的，所述S4中涉及的土壤评价指标评估机制为：
式中：ITR为土壤评价指标，Kyjz为研究时段内有机质水平变化量，KPH为研究时段内土壤PH变化值，Kzjs为研究时段内土壤中重金属含量变化值。
进一步的，所述S4中涉及的生物评价指标评估机制为：
式中：Isw为生物评价指标，Nsw为研究时段内生物总量的变化量，Mwz为研究时段内生物种类的变化。
进一步的，所述S4中涉及的水文评价指标评估机制为：
Iww＝0.1Sst+0.5Sdq+0.6Sjs；
式中：Iww为水文评价指标，Sst为研究时段内水体质量的变化，Sdq为研究时段内大气质量的变化，Sjs为研究时段内降水量的变化。
进一步的，所述研究时段内水体的质量变化与水的COD变化量负相关，与氨氮变化量正相关，水体质量变化的公式为：
式中：KCOD为研究时段内水的COD变化值，KAD为研究时段内水的氨氮含量变化；
研究时段内的大气质量变化与大气中的二氧化硫含量负相关，与大气中的TSP正相关，大气质量变化的公式为：
式中：RSO2为大气中的SO2含量变化，RTSP为大气中的TSP变化量。
进一步的，所述S4中涉及的地形评价指标评估机制为：
式中：Vck为采空区体积变化量，Hmin以及Hmax分别表示沉降最小值、沉降最大值，Sst表示水土流失强度变化量，Q为降水量变化值。
进一步的，所述S1采空区三维数字信息模型创建的流程为：
A1.发射激光光源：将激光雷达放置于采空区的地面，激光雷达发生激光光源；
A2.拍摄深度图片：激光雷达获取被测物体反射的光源，连续拍摄含有深度信息的图片，并将深度图通过雷达上的传输单元传给微电脑处理模块；
A3.点云数据预处理：利用高斯滤波技术滤除数据中的高斯噪声，根据点云中的每个点相邻点的欧几里得距离将离群点和异常点除去；
A4.三维数据信息重建：利用点云图进行基于体素下采样，创建3D体素网格，每个体素都包含三个轴相同间隔的点，对于属于同一体素的点进行下采样，用其质心替换；
A5.构建三维信息数字模型：利用点云数据进行曲面平滑处理，形成采空区的三维模型，并结合每个体素和采空区高度计算体素体积；
A6.采空区历史初始三维信息数据模型构建：利用A1-A5的步骤根据采空区历史的激光雷达扫描数据获取历史初始时期的采空区历史初始三维模型，并获取采空区的体素体积信息，利用A5和A6的对应点进行体积差求值，获取研究时段的采空区体积变化。
进一步的，所述S2中获取多模态遥感辅助图像中植被覆盖信息通过将多模态遥感辅助图像经过深度学习分类器进行特征学习，再对多模态遥感辅助图像中的植被覆盖图元进行提取分类，获取矿山采空区的植被覆盖率信息，结合历史的多模态遥感辅助图像获取历史初始时期矿山采空区的植被覆盖率。
进一步的，所述S2中获取多模态遥感辅助图像中矿山采空区沉陷情况的方式为利用多模态遥感辅助图像中的深度信息获取采空区地面的曲面云图，利用曲面云图中每个网格点的高度信息与历史曲面网格云图中每个网格点的高度求差值，获取沉降高度中的沉降最小值和沉降最大值。
本发明与现有技术相比，具备以下优势：
这种评价方法在多元、多方向分散式地分析各个指标的数值以及定性、定量等级的同时，能够在采空区弱网络环境下使用激光雷达扫描采空区三维信息时，获取多模态遥感辅助图像的全部信息，结合多模态的遥感辅助图像分析的矿山环境植被覆盖情况以及采空区沉降情况，与土地、水体、大气以及采空区三维信息之间的相关性，获取除去各个评价指标以及综合指标均达标的潜力单元体，为矿山治理的重点潜力区的指出提供分析的数据基础，为矿山生态环境的治理提供有针对性的生态环境治理措施，解决了采用基于属性层次法、模糊综合评价法分析生态环境无法联合采空区三维信息对矿山生态环境实现联合分析的不足。
附图说明
图1为按照本发明的用于弱网络环境的多模态遥感辅助矿山生态环境评价方法的流程图。
具体实施方式
为使本领域技术人员更加清楚和明确本发明的技术方案，下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
如图1所示，本实施例提供的用于弱网络环境的多模态遥感辅助矿山生态环境评价方法，包括以下步骤：
S1.采空区三维数字信息模型创建：利用激光雷达技术对采空区进行三维信息扫描，利用扫描的三维信息创建采空区点云，利用点云数据生成采空区的三维信息数字模型，获取采空区体积信息；
S2.获取多模态遥感辅助图像中植被覆盖信息以及矿山的采空区沉降数据；
S3.获取生态环境监测数据：联合矿山采空区的生态环境监测信息管理***，获取矿山采空区研究时段内的土壤有机质水平变化量、土壤PH变化值、土壤中重金属含量变化值，将这些数据作为土壤评价的基础数据，获取矿山环境研究时段内的生物量变化以及生物总类别数变化，将这些数据作为生态环境中生物评价的基础数据，获取矿山环境研究时段内的水体质量变化、大气质量变化以及降水量的变化，将这些数据作为水文评价的基础数据，获取矿山生态环境研究时段内的水土流失强度变化以及土地利用率变化，并结S1以及S2获取的数据一起作为地形评价的基础数据；
S4.评估矿山生态环境：利用土壤评价指标的评估机制获取土壤评价指标，利用生物评价指标的评估机制获取生物评价指标，利用水文评价指标的评估机制获取水文评价指标，利用地形评价指标的评估机制结合获取地形评价指标；
S5.目标生态环境评价图像三维标签获取：利用深度学习框架训练多模态遥感辅助图像的空间信息标签，利用各个评价指标数值进行多级分类，抓取目标等级分类的图像元素标签，形成各个指标的目标等级评价图像标签数据集；
S6.生态环境综合评价：将S5获取的各个指标的目标等级评价图像标签数据集传输到采空区外的处理单元，构建各个指标的目标等级评价图像，利用各个评价指标的加权之和获取生态综合评价指标，利用多模态遥感图像与采空区三维数字信息模型搭建矿山三维模型，并根据预先设定的网格对矿山三维模型进行立体分割，抓取分割单元体中综合指标达标的单元体，并展示出除去各个评价指标以及综合指标均达标的潜力单元体，显示潜力单元体的三维坐标信息。
本发明与现有技术相比，具备以下优势：
这种评价方法在多元、多方向分散式地分析各个指标的数值以及定性、定量等级的同时，能够在采空区弱网络环境下使用激光雷达扫描采空区三维信息时，获取多模态遥感辅助图像的全部信息，结合多模态的遥感辅助图像分析的矿山环境植被覆盖情况以及采空区沉降情况，与土地、水体、大气以及采空区三维信息之间的相关性，获取除去各个评价指标以及综合指标均达标的潜力单元体，为矿山治理的重点潜力区的指出提供分析的数据基础，为矿山生态环境的治理提供有针对性的生态环境治理措施，解决了采用基于属性层次法、模糊综合评价法分析生态环境无法联合采空区三维信息对矿山生态环境实现联合分析的不足。
所述S4中涉及的土壤评价指标评估机制为：
式中：ITR为土壤评价指标，Kyjz为研究时段内有机质水平变化量，KPH为研究时段内土壤PH变化值，Kzjs为研究时段内土壤中重金属含量变化值。
通过土壤评价指标评估机制，能够将土壤评价指标与研究时段内土壤的有机质水平变化量、PH变化值以及土壤中重金属含量变化值正相关，进而使得随着各个评价因素的变大而出现增长的趋势，帮助将多个因素的变化综合反映在土壤评价指标上，以便于为寻找潜力单元体素奠定数据基础。
所述S4中涉及的生物评价指标评估机制为：
式中：Isw为生物评价指标，Nsw为研究时段内生物总量的变化量，Mwz为研究时段内生物种类的变化。
通过生物评价指标评估机制，能够将采空区内的物种数量信息进行采样采集后的估算值以及物种种类信息反映在生物评价指标上，以正相关的变化趋势表示采空区内生物多样性的变化。
所述S4中涉及的水文评价指标评估机制为：
Iww＝0.1Sst+0.5Sdq+0.6Sjs；
式中：Iww为水文评价指标，Sst为研究时段内水体质量的变化，Sdq为研究时段内大气质量的变化，Sjs为研究时段内降水量的变化。
通过水文评价机制指标的评估机制，能够将研究时段内水体质量变化、大气质量变化以及降水量变化进行线性联合，多元联合回归，便于实现多元素的综合考量。
所述研究时段内水体的质量变化与水的COD变化量负相关，与氨氮变化量正相关，水体质量变化的公式为：
式中：KCOD为研究时段内水的COD变化值，KAD为研究时段内水的氨氮含量变化；
研究时段内的大气质量变化与大气中的二氧化硫含量负相关，与大气中的TSP正相关，大气质量变化的公式为：
式中：
为大气中的SO2含量变化，RTSP为大气中的TSP变化量。
通过水体质量变化以及大气质量变化评估机制，能够将直接影响水体质量的COD以及氨氮含量、直接影响大气质量的二氧化硫含量以及TSP进行数据多样化的均衡，保持数据很好的和谐度，便于实现数值模型收敛和回归速度的提升。
所述S4中涉及的地形评价指标评估机制为：
式中：Vck为采空区体积变化量，Hmin以及Hmax分别表示沉降最小值、沉降最大值，Sst表示水土流失强度变化量，Q为降水量变化值。
通过地形评价指标评估机制，能够联合采空区三维信息、采空区地表沉降以及水土流失强度、降水量的变化形成多维度上的多元素联合分析，削弱数据数值之间的差异性，有利于均衡分析各个因素变化带来的地形评价指标数值变化，避免各个因素对地形评价指标的影响程度不同造成趋势变化不明显或者极端显著的情况。
所述S1采空区三维数字信息模型创建的流程为：
A1.发射激光光源：将激光雷达放置于采空区的地面，激光雷达发生激光光源；
A2.拍摄深度图片：激光雷达获取被测物体反射的光源，连续拍摄含有深度信息的图片，并将深度图通过雷达上的传输单元传给微电脑处理模块；
A3.点云数据预处理：利用高斯滤波技术滤除数据中的高斯噪声，根据点云中的每个点相邻点的欧几里得距离将离群点和异常点除去；
A4.三维数据信息重建：利用点云图进行基于体素下采样，创建3D体素网格，每个体素都包含三个轴相同间隔的点，对于属于同一体素的点进行下采样，用其质心替换；
A5.构建三维信息数字模型：利用点云数据进行曲面平滑处理，形成采空区的三维模型，并结合每个体素和采空区高度计算体素体积；
A6.采空区历史初始三维信息数据模型构建：利用A1-A5的步骤根据采空区历史的激光雷达扫描数据获取历史初始时期的采空区历史初始三维模型，并获取采空区的体素体积信息，利用A5和A6的对应点进行体积差求值，获取研究时段的采空区体积变化。
所述S2中获取多模态遥感辅助图像中植被覆盖信息通过将多模态遥感辅助图像经过深度学习分类器进行特征学习，再对多模态遥感辅助图像中的植被覆盖图元进行提取分类，获取矿山采空区的植被覆盖率信息，结合历史的多模态遥感辅助图像获取历史初始时期矿山采空区的植被覆盖率。
所述S2中获取多模态遥感辅助图像中矿山采空区沉陷情况的方式为利用多模态遥感辅助图像中的深度信息获取采空区地面的曲面云图，利用曲面云图中每个网格点的高度信息与历史曲面网格云图中每个网格点的高度求差值，获取沉降高度中的沉降最小值和沉降最大值。
通过土壤评价指标评估机制，能够将土壤评价指标与研究时段内土壤的有机质水平变化量、PH变化值以及土壤中重金属含量变化值正相关，进而使得随着各个评价因素的变大而出现增长的趋势，帮助将多个因素的变化综合反映在土壤评价指标上，以便于为寻找潜力单元体素奠定数据基础。
所述S4中涉及的生物评价指标评估机制为：
式中：Isw为生物评价指标，Nsw为研究时段内生物总量的变化量，Mwz为研究时段内生物种类的变化。
通过生物评价指标评估机制，能够将采空区内的物种数量信息进行采样采集后的估算值以及物种种类信息反映在生物评价指标上，以正相关的变化趋势表示采空区内生物多样性的变化。
所述S4中涉及的水文评价指标评估机制为：
Iww＝0.1Sst+0.5Sdq+0.6Sjs；
式中：Iww为水文评价指标，Sst为研究时段内水体质量的变化，Sdq为研究时段内大气质量的变化，Sjs为研究时段内降水量的变化。
通过水文评价机制指标的评估机制，能够将研究时段内水体质量变化、大气质量变化以及降水量变化进行线性联合，多元联合回归，便于实现多元素的综合考量。
所述研究时段内水体的质量变化与水的COD变化量负相关，与氨氮变化量正相关，水体质量变化的公式为：
式中：KCOD为研究时段内水的COD变化值，KAD为研究时段内水的氨氮含量变化；
研究时段内的大气质量变化与大气中的二氧化硫含量负相关，与大气中的TSP正相关，大气质量变化的公式为：
式中：
为大气中的SO2含量变化，RTSP为大气中的TSP变化量。
通过水体质量变化以及大气质量变化评估机制，能够将直接影响水体质量的COD以及氨氮含量、直接影响大气质量的二氧化硫含量以及TSP进行数据多样化的均衡，保持数据很好的和谐度，便于实现数值模型收敛和回归速度的提升。
所述S4中涉及的地形评价指标评估机制为：
式中：Vck为采空区体积变化量，Hmin以及Hmax分别表示沉降最小值、沉降最大值，Sst表示水土流失强度变化量，Q为降水量变化值。
通过地形评价指标评估机制，能够联合采空区三维信息、采空区地表沉降以及水土流失强度、降水量的变化形成多维度上的多元素联合分析，削弱数据数值之间的差异性，有利于均衡分析各个因素变化带来的地形评价指标数值变化，避免各个因素对地形评价指标的影响程度不同造成趋势变化不明显或者极端显著的情况。
综上所述，在本实施例中，按照本实施例的用于弱网络环境的多模态遥感辅助矿山生态环境评价方法，通过土壤评价指标评估机制，能够将土壤评价指标与研究时段内土壤的有机质水平变化量、PH变化值以及土壤中重金属含量变化值正相关，进而使得随着各个评价因素的变大而出现增长的趋势，帮助将多个因素的变化综合反映在土壤评价指标上，以便于为寻找潜力单元体素奠定数据基础。通过生物评价指标评估机制，能够将采空区内的物种数量信息进行采样采集后的估算值以及物种种类信息反映在生物评价指标上，以正相关的变化趋势表示采空区内生物多样性的变化。通过水文评价机制指标的评估机制，能够将研究时段内水体质量变化、大气质量变化以及降水量变化进行线性联合，多元联合回归，便于实现多元素的综合考量。通过水体质量变化以及大气质量变化评估机制，能够将直接影响水体质量的COD以及氨氮含量、直接影响大气质量的二氧化硫含量以及TSP进行数据多样化的均衡，保持数据很好的和谐度，便于实现数值模型收敛和回归速度的提升。通过地形评价指标评估机制，能够联合采空区三维信息、采空区地表沉降以及水土流失强度、降水量的变化形成多维度上的多元素联合分析，削弱数据数值之间的差异性，有利于均衡分析各个因素变化带来的地形评价指标数值变化，避免各个因素对地形评价指标的影响程度不同造成趋势变化不明显或者极端显著的情况。
以上所述，仅为本发明进一步的实施例，但本发明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发明所公开的范围内，根据本发明的技术方案及其构思加以等同替换或改变，都属于本发明的保护范围。
Claims (9)
1.用于弱网络环境的多模态遥感辅助矿山生态环境评价方法，其特征在于，包括以下步骤：
S1.采空区三维数字信息模型创建：利用激光雷达技术对采空区进行三维信息扫描，利用扫描的三维信息创建采空区点云，利用点云数据生成采空区的三维信息数字模型，获取采空区体积信息；
S2.获取多模态遥感辅助图像中植被覆盖信息以及矿山的采空区沉降数据；
S3.获取生态环境监测数据：联合矿山采空区的生态环境监测信息管理***，获取矿山采空区研究时段内的土壤有机质水平变化量、土壤PH变化值、土壤中重金属含量变化值，将这些数据作为土壤评价的基础数据，获取矿山环境研究时段内的生物量变化以及生物总类别数变化，将这些数据作为生态环境中生物评价的基础数据，获取矿山环境研究时段内的水体质量变化、大气质量变化以及降水量的变化，将这些数据作为水文评价的基础数据，获取矿山生态环境研究时段内的水土流失强度变化以及土地利用率变化，并结S1以及S2获取的数据一起作为地形评价的基础数据；
S4.评估矿山生态环境：利用土壤评价指标的评估机制获取土壤评价指标，利用生物评价指标的评估机制获取生物评价指标，利用水文评价指标的评估机制获取水文评价指标，利用地形评价指标的评估机制结合获取地形评价指标；
S5.目标生态环境评价图像三维标签获取：利用深度学习框架训练多模态遥感辅助图像的空间信息标签，利用各个评价指标数值进行多级分类，抓取目标等级分类的图像元素标签，形成各个指标的目标等级评价图像标签数据集；
S6.生态环境综合评价：将S5获取的各个指标的目标等级评价图像标签数据集传输到采空区外的处理单元，构建各个指标的目标等级评价图像，利用各个评价指标的加权之和获取生态综合评价指标，利用多模态遥感图像与采空区三维数字信息模型搭建矿山三维模型，并根据预先设定的网格对矿山三维模型进行立体分割，抓取分割单元体中综合指标达标的单元体，并展示出除去各个评价指标以及综合指标均达标的潜力单元体，显示潜力单元体的三维坐标信息。
2.如权利要求1所述的用于弱网络环境的多模态遥感辅助矿山生态环境评价方法，其特征在于，所述S4中涉及的土壤评价指标评估机制为：
式中：ITR为土壤评价指标，Kyjz为研究时段内有机质水平变化量，KPH为研究时段内土壤PH变化值，Kzjs为研究时段内土壤中重金属含量变化值。
3.如权利要求1所述的用于弱网络环境的多模态遥感辅助矿山生态环境评价方法，其特征在于，所述S4中涉及的生物评价指标评估机制为：
式中：Isw为生物评价指标，Nsw为研究时段内生物总量的变化量，Mwz为研究时段内生物种类的变化。
4.如权利要求1所述的用于弱网络环境的多模态遥感辅助矿山生态环境评价方法，其特征在于，所述S4中涉及的水文评价指标评估机制为：
Iww＝0.1Sst+0.5Sdq+0.6Sjs；
式中：Iww为水文评价指标，Sst为研究时段内水体质量的变化，Sdq为研究时段内大气质量的变化，Sjs为研究时段内降水量的变化。
5.如权利要求4所述的用于弱网络环境的多模态遥感辅助矿山生态环境评价方法，其特征在于，所述研究时段内水体的质量变化与水的COD变化量负相关，与氨氮变化量正相关，水体质量变化的公式为：
式中：KCOD为研究时段内水的COD变化值，KAD为研究时段内水的氨氮含量变化；
研究时段内的大气质量变化与大气中的二氧化硫含量负相关，与大气中的TSP正相关，大气质量变化的公式为：
式中：
为大气中的SO2含量变化，RTSP为大气中的TSP变化量。
6.如权利要求1所述的用于弱网络环境的多模态遥感辅助矿山生态环境评价方法，其特征在于，所述S4中涉及的地形评价指标评估机制为：
式中：Vck为采空区体积变化量，Hmin以及Hmax分别表示沉降最小值、沉降最大值，Sst表示水土流失强度变化量，Q为降水量变化值。
7.如权利要求1所述的用于弱网络环境的多模态遥感辅助矿山生态环境评价方法，其特征在于，所述S1采空区三维数字信息模型创建的流程为：
A1.发射激光光源：将激光雷达放置于采空区的地面，激光雷达发生激光光源；
A2.拍摄深度图片：激光雷达获取被测物体反射的光源，连续拍摄含有深度信息的图片，并将深度图通过雷达上的传输单元传给微电脑处理模块；
A3.点云数据预处理：利用高斯滤波技术滤除数据中的高斯噪声，根据点云中的每个点相邻点的欧几里得距离将离群点和异常点除去；
A4.三维数据信息重建：利用点云图进行基于体素下采样，创建3D体素网格，每个体素都包含三个轴相同间隔的点，对于属于同一体素的点进行下采样，用其质心替换；
A5.构建三维信息数字模型：利用点云数据进行曲面平滑处理，形成采空区的三维模型，并结合每个体素和采空区高度计算体素体积；
A6.采空区历史初始三维信息数据模型构建：利用A1-A5的步骤根据采空区历史的激光雷达扫描数据获取历史初始时期的采空区历史初始三维模型，并获取采空区的体素体积信息，利用A5和A6的对应点进行体积差求值，获取研究时段的采空区体积变化。
8.如权利要求1所述的用于弱网络环境的多模态遥感辅助矿山生态环境评价方法，其特征在于，所述S2中获取多模态遥感辅助图像中植被覆盖信息通过将多模态遥感辅助图像经过深度学习分类器进行特征学习，再对多模态遥感辅助图像中的植被覆盖图元进行提取分类，获取矿山采空区的植被覆盖率信息，结合历史的多模态遥感辅助图像获取历史初始时期矿山采空区的植被覆盖率。
9.如权利要求1所述的用于弱网络环境的多模态遥感辅助矿山生态环境评价方法，其特征在于，所述S2中获取多模态遥感辅助图像中矿山采空区沉陷情况的方式为利用多模态遥感辅助图像中的深度信息获取采空区地面的曲面云图，利用曲面云图中每个网格点的高度信息与历史曲面网格云图中每个网格点的高度求差值，获取沉降高度中的沉降最小值和沉降最大值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310190793.7A CN116415843A (zh) | 2023-03-02 | 2023-03-02 | 用于弱网络环境的多模态遥感辅助矿山生态环境评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310190793.7A CN116415843A (zh) | 2023-03-02 | 2023-03-02 | 用于弱网络环境的多模态遥感辅助矿山生态环境评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116415843A true CN116415843A (zh) | 2023-07-11 |
Family
ID=87058898
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310190793.7A Pending CN116415843A (zh) | 2023-03-02 | 2023-03-02 | 用于弱网络环境的多模态遥感辅助矿山生态环境评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116415843A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117113830A (zh) * | 2023-08-21 | 2023-11-24 | 山东省鲁南地质工程勘察院(山东省地质矿产勘查开发局第二地质大队) | 一种基于数据分析的山体修复评估预测*** |
| CN117474212A (zh) * | 2023-12-25 | 2024-01-30 | 中国地质科学院水文地质环境地质研究所 | 一种基于遥感技术的地下水资源评价方法 |
-
2023
- 2023-03-02 CN CN202310190793.7A patent/CN116415843A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117113830A (zh) * | 2023-08-21 | 2023-11-24 | 山东省鲁南地质工程勘察院(山东省地质矿产勘查开发局第二地质大队) | 一种基于数据分析的山体修复评估预测*** |
| CN117113830B (zh) * | 2023-08-21 | 2024-04-19 | 山东省鲁南地质工程勘察院(山东省地质矿产勘查开发局第二地质大队) | 一种基于数据分析的山体修复评估预测*** |
| CN117474212A (zh) * | 2023-12-25 | 2024-01-30 | 中国地质科学院水文地质环境地质研究所 | 一种基于遥感技术的地下水资源评价方法 |
| CN117474212B (zh) * | 2023-12-25 | 2024-04-09 | 中国地质科学院水文地质环境地质研究所 | 一种基于遥感技术的地下水资源评价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021226977A1 (zh) | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 | |
| CN116415843A (zh) | 用于弱网络环境的多模态遥感辅助矿山生态环境评价方法 | |
| CN109840553B (zh) | 耕地作物类型的提取方法及***、存储介质、电子设备 | |
| CN105809194B (zh) | 一种sar影像翻译为光学影像的方法 | |
| Liu et al. | Tree species classification of LiDAR data based on 3D deep learning | |
| CN110033002A (zh) | 基于多任务级联卷积神经网络的车牌检测方法 | |
| Silvan-Cardenas et al. | Assessing fine-spatial-resolution remote sensing for small-area population estimation | |
| Münzinger et al. | Mapping the urban forest in detail: From LiDAR point clouds to 3D tree models | |
| CN103632363A (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
| Zhou et al. | Individual tree parameters estimation for plantation forests based on UAV oblique photography | |
| CN108197583A (zh) | 基于图割优化和影像结构特征的建筑物变化检测方法 | |
| Zheng et al. | Remote sensing techniques in the investigation of aeolian sand dunes: A review of recent advances | |
| CN102013015A (zh) | 一种面向对象的遥感影像海岸线提取方法 | |
| CN102354328A (zh) | 全球陆表的lai产品反演方法及*** | |
| CN116403093B (zh) | 一种面向铁路沿线潜在滑坡的多源遥感解译方法及装置 | |
| Xie et al. | Converting along-track photons into a point-region quadtree to assist with ICESat-2-based canopy cover and ground photon detection | |
| Wang et al. | Hybrid model for estimating forest canopy heights using fused multimodal spaceborne LiDAR data and optical imagery | |
| Gui et al. | Object-based crack detection and attribute extraction from laser-scanning 3D profile data | |
| Kothencz et al. | Urban vegetation extraction from VHR (tri-) stereo imagery–a comparative study in two central European cities | |
| CN114842356B (zh) | 一种高分辨率地表类型样本自动生成方法、***及设备 | |
| Matikainen | Object-based interpretation methods for mapping built-up areas | |
| Forghani et al. | Object-based classification of multi-sensor optical imagery to generate terrain surface roughness information for input to wind risk simulation | |
| Shimoni et al. | An urban expansion model for African cities using fused multi temporal optical and SAR data | |
| Turner et al. | Towards an operational lidar resource inventory process in Australian softwood plantations | |
| Morsy | Land/water discrimination and land cover classification using multispectral airborne lidar data |
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 |