一种基于深度学习模型的输电线路土壤侵蚀等级回归方法技术

本发明专利技术涉及一种基于深度学习模型的输电线路土壤侵蚀等级回归方法，包括：构建样本集，样本包括土壤侵蚀特征组，样本标签值为土壤侵蚀强度基准值；构建深度学习模型；利用样本集训练深度学习模型；获取监测区域的监测数据；监测数据包括遥感影像、土地利用类型、高程数据、降雨数据、土壤类型数据；提取监测数据的土壤侵蚀特征组；所述土壤侵蚀特征组包括：土壤可蚀性因子、年降雨量、高程数据、坡度值、山地植被指数、遥感影像中多个波段的灰度值、施工属性；输入监测数据的土壤侵蚀特征组至深度学习模型，得到土壤侵蚀强度拟合值；根据土壤侵蚀强度拟合值，确定监测区域的土壤侵蚀等级。确定监测区域的土壤侵蚀等级。确定监测区域的土壤侵蚀等级。

【技术实现步骤摘要】
一种基于深度学习模型的输电线路土壤侵蚀等级回归方法


[0001]本专利技术涉及一种基于深度学习模型的输电线路土壤侵蚀等级回归方法，属于土壤侵蚀领域。

技术介绍

[0002]输电线路工程建设过程中，塔基、变电站、施工便道和牵张场等施工，会产生局部植被破坏、表土损失和弃渣堆放等地表扰动，进而产生新增土壤侵蚀，可能威胁到经济发展和生态安全。输电线路工程建设中的土壤侵蚀已经成为国际土壤侵蚀学会研究的热点问题，与其他生产建设项目相比，输电线路土壤侵蚀具有以下特点：侵蚀周期长，空间跨度大；呈线性分布，区域土壤侵蚀不均衡，局部点状水土流失强烈；具有阶段性，土壤侵蚀集中于塔基、变电站、施工道路、牵张场等不同单元的施工期间，在山区甚至容易破坏原来稳定的地质导致岩体失稳，引发崩塌、滑坡等突发性的灾害。
[0003]现有技术中利用RUSLE方程计算年均土壤侵蚀量：A＝R
×
K
×
LS
×
C
×
P，其中，A为年均土壤侵蚀量，R为降雨和径流因子，K为土壤可蚀性因子，LS为坡长与坡度结合量，C为植被覆盖管理因子，P是水土保持措施因子。根据以上公式，土壤侵蚀量由气候(降雨)、土壤、地形、植被和土地利用/覆盖等因子共同作用。其中，降雨、土壤和地形因子受自然条件影响，不同时期变化不大。而植被覆盖和土地利用等因子受人类活动影响，是易于变化但又是具有重要作用、影响极大的因子。由于RUSLE方程中的R、K、L、S因子较为稳定，C、P因子则对地表覆盖、植被覆盖和水土保持活动十分敏感，因子结果准确性的差异会造成明显的土壤侵蚀值偏差。
[0004]因此，需要一种更稳定的土壤侵蚀等级拟合方法。

技术实现思路

[0005]为了克服现有技术中存在的问题，本专利技术设计了一种基于深度学习模型的输电线路土壤侵蚀等级回归方法，将施工属性作为土壤侵蚀特征能保证施工区域地类的准确性，并结合4个波段灰度、K值、年降雨量、DEM、坡度Slope、NDMVI进行土壤侵蚀强度拟合，提高深度学习模型拟合精度，得到稳定精确的土壤侵蚀值拟合结果。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]一种基于深度学习模型的输电线路土壤侵蚀等级回归方法，包括以下步骤：
[0008]构建样本集，样本包括土壤侵蚀特征组，样本标签值为土壤侵蚀强度基准值；
[0009]构建深度学习模型；利用样本集训练深度学习模型；
[0010]获取监测区域的监测数据；监测数据包括遥感影像、土地利用类型、高程数据、降雨数据、土壤类型数据；
[0011]提取监测数据的土壤侵蚀特征组；所述土壤侵蚀特征组包括：土壤可蚀性因子、年降雨量、高程数据、坡度值、山地植被指数、遥感影像中蓝、绿、红、近红外波段灰度值、施工属性；
[0012]输入监测数据的土壤侵蚀特征组至深度学习模型，得到土壤侵蚀强度基准值；根据土壤侵蚀强度基准值，确定监测区域的土壤侵蚀等级。
[0013]进一步地，所述样本标签值的计算公式：
[0014]A＝R
·
K
·
L
·
S
·
C
·
P
[0015]式中，A为年均土壤侵蚀量；R为降雨和径流因子；K为土壤可蚀性因子；L为坡长因子，S为坡度因子，C为植被覆盖管理因子，P为水土保持措施因子。
[0016]进一步地，还包括：
[0017]构建多个样区，样区分为缓冲区和施工区；分别在各样区内取若干样点；获取所述若干样点的监测数据；基于监测数据，计算土壤侵蚀强度基准值；基于监测数据，通过深度学习模型拟合得到土壤侵蚀强度拟合值；分别对得到的土壤侵蚀强度基准值和土壤侵蚀强度拟合值进行分级，得到各样点的分级结果；
[0018]将样区内占比最多的基于土壤侵蚀强度基准值的样点分级结果作为样区分级结果，并以该占比作为深度学习模型的全局精度；
[0019]计算深度学习模型的局部精度，以公式表达为：
[0020]acc
ij
＝N
ij
/M
ij
[0021]式中，acc
ij
表示第i个缓冲区/施工区中第j级侵蚀等级的拟合精度；N
ij
表示第i个缓冲区/施工区中基准侵蚀等级(即基于土壤侵蚀强度基准值得到的分级结果)与拟合侵蚀等级(即基于土壤侵蚀强度拟合值得到的分级结果)均为第j级的样点数，M
ij
表示第i个缓冲区/施工区中基准侵蚀等级为第j级的样点数，其中i＝1～I，j＝1～J，I为缓冲区/施工区个数，J为当前缓冲区/施工区中拟合的最大侵蚀等级。
[0022]进一步地，还包括：
[0023]对土壤侵蚀特征组进行数值标准化，以公式表达为：
[0024]f
′
＝(f
‑
mean_f)/std_f
[0025]式中，f、f
′
分别为标准化前后值，mean_f和std_f分别为原值f的均值和方差。
[0026]进一步地，所述深度学习模型包括全连接层模型和长短期记忆模型；全连接层模型输出土壤侵蚀强度第一拟合值；长短期记忆模型输出土壤侵蚀强度第二拟合值。
[0027]进一步地，所述全连接层模型的激活函数采取relu函数，优化器采取rmsprop算法，损失函数取均方差函数，精度评价取平均绝对误差函数。
[0028]进一步地，所述长短期记忆模型的激活函数采取tanh函数，优化器采取adam算法，损失函数取均方差函数，精度评价取平均绝对误差函数。
[0029]与现有技术相比本专利技术有以下特点和有益效果：
[0030]1、本专利技术基于输电线路的塔基施工范围和施工边界明显的特征，将施工属性作为土壤侵蚀特征能保证施工区域地类的准确性，并结合4个波段灰度、K值、年降雨量、DEM、坡度Slope、NDMVI进行土壤侵蚀强度拟合，提高深度学习模型拟合精度，得到稳定精确的土壤侵蚀值拟合结果。
[0031]2、考虑到塔基施工范围较小，深度学习模型中卷积网络的二维窗口易引入周边地物干扰，不适用于输电线路与土壤侵蚀强度关系的智能训练学习。本专利技术构建全连接层模型(Dense)和LSTM长短期记忆模型(LSTM)，从模型函数、层数、容量、标准化、正则化、迭代次数6方面优化模型，拟合土壤侵蚀强度，能有效避免周边地物干扰。同时经实践证明；对800
万个点的土壤侵蚀特征组，Dense模型仅需25分钟，LSTM模型仅需1小时即可完成土壤侵蚀等级的拟合，且两个模型的拟合精度均高于现有技术，能很大程度上提高智能识别的效率，且模型拟合精度高，关系稳定，从而实现输变电土壤侵蚀的长期动态监测，可以广泛的应用于农业、环保、水利、国土等部门。
[0032]3、考虑到土壤侵蚀过程和空间尺度紧密相关，研究单元的空间分辨率制约了土壤侵蚀强度的精度及其应用领域。本专利技术从输电线路缓冲区和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习模型的输电线路土壤侵蚀等级回归方法，其特征在于，包括以下步骤：构建样本集，样本包括土壤侵蚀特征组，样本标签值为土壤侵蚀强度基准值；构建深度学习模型；利用样本集训练深度学习模型；获取监测区域的监测数据；监测数据包括遥感影像、土地利用类型、高程数据、降雨数据、土壤类型数据；提取监测数据的土壤侵蚀特征组；所述土壤侵蚀特征组包括：土壤可蚀性因子、年降雨量、高程数据、坡度值、山地植被指数、遥感影像中多个波段的灰度值、施工属性；输入监测数据的土壤侵蚀特征组至深度学习模型，得到土壤侵蚀强度拟合值；根据土壤侵蚀强度拟合值，确定监测区域的土壤侵蚀等级。2.根据权利要求1所述的一种基于深度学习模型的输电线路土壤侵蚀等级回归方法，其特征在于，所述样本标签值的计算公式：A＝R
·
K
·
L
·
S
·
C
·
P式中，A为年均土壤侵蚀量；R为降雨和径流因子；K为土壤可蚀性因子；L为坡长因子，S为坡度因子，C为植被覆盖管理因子，P为水土保持措施因子。3.根据权利要求2所述的一种基于深度学习模型的输电线路土壤侵蚀等级回归方法，其特征在于，还包括：构建多个缓冲区和多个施工区；分别在各缓冲区、各施工区内取若干样点；获取所述若干样点的监测数据；基于监测数据，计算土壤侵蚀强度基准值；基于监测数据，通过深度学习模型拟合得到土壤侵蚀强度拟合值；分别对得到的土壤侵蚀强度基准值和土壤侵蚀强度拟合值进行分级，得到分级结果；计算深度学习模型的局部精度，以公式表达为：acc
ij
＝N
ij
/M
ij
式中，acc
ij
表示第i个缓冲区/施工区中第j级侵蚀等级的拟合精度；...

【专利技术属性】
技术研发人员：李熙，江世雄，陈垚，刘沁，王重卿，江能明，翁孙贤，方克艳，陈鸿，车艳红，罗立津，陈秉乾，
申请(专利权)人：国网福建省电力有限公司，
类型：发明
国别省市：