开云优惠体育网页版入口

专利名称：一种岩堆体生长发育预测方法及系统

专利类型：发明专利

专利申请号：CN202410249396.7

专利申请（专利权）人：宁夏大学
权利人地址：宁夏回族自治区银川市西夏区贺兰山西路489号

专利发明（设计）人：柴明堂,姚常杰,高宇韬,郭子龙

专利摘要：本发明公开了一种岩堆体生长发育预测方法及系统，属于岩堆体预测技术领域，采集研究区域的岩堆体图像数据，通过用于岩堆体图像识别的识别模型，对岩堆体边缘轮廓高度进行提。竦醚芯壳虻难叶烟逋枷袷侗鸾峁，在岩石强度劣化计算方程中加入强度比例参数，对高原岩石强度数值进行修正，得到改进的岩石强度劣化曲线关系式；通过分析寒冻风化强度和海拔的关系，在寒冻风化作用曲线关系式中引入长时间温度反演序列，得到改进的寒冻风化作用曲线关系式；根据改进的岩石强度劣化曲线关系式和改进的寒冻风化作用曲线关系式，计算寒冻风化强度、岩石劣化强度和时间效应因子，通过关键算法拓长时间序列，分析寒冻风化强度—海拔随时间的变化趋势，对研究区域的岩堆体的变化趋势进行长时间尺度的预测，获得预测结果。该方法能够有效地将遥感影像中的岩堆体进行识别与提。芄蛔既芳扑悴⒃げ獬銎渖し⒂媛珊捅浠魇。

主权利要求：
1.一种岩堆体生长发育预测方法，其特征在于，包括以下步骤：
采集研究区域的岩堆体图像数据，通过用于岩堆体图像识别的识别模型，对岩堆体边缘轮廓高度进行提。竦醚芯壳虻难叶烟逋枷袷侗鸾峁
根据岩堆体图像识别结果，在岩石强度劣化计算方程中加入强度比例参数，对高原岩石强度数值进行修正，得到改进的岩石强度劣化曲线关系式；通过分析寒冻风化强度和海拔的关系，在寒冻风化作用曲线关系式中引入长时间温度反演序列，得到改进的寒冻风化作用曲线关系式；
所述得到改进的岩石强度劣化曲线关系式，包括以下步骤：
在原有的岩石强度劣化计算方程中加入了强度比例参数θ，修正高原岩石强度数值，计算公式为：式中，h为岩石深度；h0为曲线对称中心点对应的深度；b为形状函数系数；S0(t)为t时刻岩土抗剪强度参数；SH为岩石风化影响下限强度值；θ为岩石强度比例参数；
所述得到改进的寒冻风化作用曲线关系式，包括以下步骤：
通过分析寒冻风化强度和海拔的关系，随着温度的增大，在相同海拔条件下总寒冻风化强度也呈现上升的趋势；在相同总寒冻风化强度条件下海拔范围也扩大；
在岩石强度劣化曲线关系式中引入长时间温度反演序列，通过该温度反演序列，计算过去若干年以来岩石的寒冻风化作用，得到平均风化速率；
寒冻风化作用温度—深度基础曲线关系式：
式中，t为时间天数，T(z,t)为不同时间与不同深度下的温度；Tmα为年平均气温；Tα为年气温变幅的一半；α为热扩散系数；Py指气温变化的周期；
改进的寒冻风化作用曲线关系式：
式中，Fci为寒冻风化强度，指的是寒冻风化窗内温度梯度随时间的积分；D为0℃所在位*置到?5℃所在位置的距离；D为长度指数；
根据改进的岩石强度劣化曲线关系式和改进的寒冻风化作用曲线关系式，计算寒冻风化强度、岩石劣化强度和时间效应因子；
所述计算寒冻风化强度、岩石劣化强度和时间效应因子，包括以下步骤：根据寒冻风化作用温度—深度基础曲线关系式和改进的寒冻风化作用曲线关系式，通过计算气温直减率及年平均气温0℃所在的海拔高度，得到分凝冰的形成与寒冻风化强度有直接关系；
通过改进的寒冻风化作用曲线关系式模拟一年中，在一个固定Tmα下，每一天不同深度对应的温度，判断是否属于分凝冰能生长的情况；
根据寒冻风化强度、岩石劣化强度和时间效应因子，通过关键算法拓长时间序列，分析寒冻风化强度—海拔随时间的变化趋势，对研究区域的岩堆体的变化趋势进行长时间尺度的预测，获得预测结果；
所述获得预测结果，包括以下步骤：
通过计算该研究区域的寒冻风化强度及岩石劣化强度，得到影响该研究区域岩石破碎及形成不良地质现象的具体原因及其相关数据，并得到该研究区域岩堆体降维演化速率，即时间效应因子；
根据计算的寒冻风化强度、岩石劣化强度和时间效应因子，使用关键算法拓长时间序列，对研究区域的岩堆体的变化趋势进行长时间尺度的预测。
2.根据权利要求1所述的岩堆体生长发育预测方法，其特征在于，所述采集研究区域的岩堆体的图像数据包括卫星图像和遥感数据；其中，卫星图像为采用实地拍摄照片或Landsat卫星产品，遥感数据采用实地拍摄照片获取。
3.根据权利要求2所述的岩堆体生长发育预测方法，其特征在于，所述获得研究区域的岩堆体图像识别结果，包括以下步骤：根据采集的研究区域的岩堆体图像数据，构造训练集数据；
建立用于岩堆体图像识别的识别模型，即基于深度学习的卫星图像岩堆体识别模型；
其中，所述卫星图像岩堆体识别模型以语义分割网络DeepLab为骨架，在空洞卷积的卷积操作中引入空洞率；引入多尺度特征融合策略，通过采用多个并行的分支网络，结合不同大小的空洞卷积和池化操作，从多个尺度下获取图像特征；引入编码器?解码器结构，对卫星图像中的岩堆体边缘轮廓高度进行提。
具体的，以语义分割网络DeepLab为骨架，通过在空洞卷积的卷积操作中引入空洞率，分离步长为1，卷积核大小为3，用于捕捉到卫星图像中的细节信息，处理图像中的细小物体和边缘；
引入多尺度特征融合，将引入的多尺度信息作为该语义分割网络的另一个重要部分，通过采用多个并行的分支网络，结合不同大小的空洞卷积和池化操作，视野分别为512+256+128+64，从多个尺度下获取图像特征；
引入编码器?解码器结构；其中，编码器部分使用卷积神经网络ResNet作为基础模型，用于提取图像特征；解码器部分则通过上采样和融合多尺度特征来恢复分割结果的空间分辨率；
该语义分割网络通过使用条件随机场CRF后处理技术，对分割结果进行平滑化和细化。
4.根据权利要求3所述的岩堆体生长发育预测方法，其特征在于，所述构造训练集数据，包括以下步骤：对卫星图像进行图像预处理，设置网络输入图像通道大小为512×512，设置语义分割类别为2，语义分割类别包括岩堆体和普通山脉；
对处理后的卫星图像中用于训练的图像进行注入类别标签，得到原图像文件和标注图像，记录训练和测试文件名的TXT文件。
5.根据权利要求4所述的岩堆体生长发育预测方法，其特征在于，所述基于深度学习的卫星图像岩堆体识别模型的训练过程，包括以下步骤：通过自定义循环训练次数，一次训练打包数目为2，更改训练参数及训练次数，训练结束后得到最优的网络参数对应的模型，即为训练后的卫星图像岩堆体识别模型，其中，所述网络参数包括像素准确率、平均像素准确率、平均交并比和频权交并比；
使用训练后的基于深度学习的卫星图像岩堆体识别模型进行测试，得到采集的岩堆体图像中的岩堆体轮廓高度信息。
6.一种岩堆体生长发育预测系统，其特征在于，包括：
岩堆体图像信息获取模块，用于采集研究区域的岩堆体图像数据，通过用于岩堆体图像识别的识别模型，对岩堆体边缘轮廓高度进行提。竦醚芯壳虻难叶烟逋枷袷侗鸾峁
岩石强度修正模块，用于根据岩堆体图像识别结果，在岩石强度劣化计算方程中加入强度比例参数，对高原岩石强度数值进行修正，得到改进的岩石强度劣化曲线关系式；通过分析寒冻风化强度和海拔的关系，在寒冻风化作用曲线关系式中引入长时间温度反演序列，得到改进的寒冻风化作用曲线关系式；根据改进的岩石强度劣化曲线关系式和改进的寒冻风化作用曲线关系式，计算寒冻风化强度、岩石劣化强度和时间效应因子；
变化趋势预测模块，用于根据寒冻风化强度、岩石劣化强度和时间效应因子，通过关键算法拓长时间序列，分析寒冻风化强度—海拔随时间的变化趋势，对研究区域的岩堆体的变化趋势进行长时间尺度的预测，获得预测结果；
其中，所述得到改进的岩石强度劣化曲线关系式，包括以下步骤：
在原有的岩石强度劣化计算方程中加入了强度比例参数θ，修正高原岩石强度数值，计算公式为：式中，h为岩石深度；h0为曲线对称中心点对应的深度；b为形状函数系数；S0(t)为t时刻岩土抗剪强度参数；SH为岩石风化影响下限强度值；θ为岩石强度比例参数；
所述得到改进的寒冻风化作用曲线关系式，包括以下步骤：
通过分析寒冻风化强度和海拔的关系，随着温度的增大，在相同海拔条件下总寒冻风化强度也呈现上升的趋势；在相同总寒冻风化强度条件下海拔范围也扩大；
在岩石强度劣化曲线关系式中引入长时间温度反演序列，通过该温度反演序列，计算过去若干年以来岩石的寒冻风化作用，得到平均风化速率；
寒冻风化作用温度—深度基础曲线关系式：
式中，t为时间天数，T(z,t)为不同时间与不同深度下的温度；Tmα为年平均气温；Tα为年气温变幅的一半；α为热扩散系数；Py指气温变化的周期；
改进的寒冻风化作用曲线关系式：
式中，Fci为寒冻风化强度，指的是寒冻风化窗内温度梯度随时间的积分；D为0℃所在位*置到?5℃所在位置的距离；D为长度指数；
所述计算寒冻风化强度、岩石劣化强度和时间效应因子，包括以下步骤：根据寒冻风化作用温度—深度基础曲线关系式和改进的寒冻风化作用曲线关系式，通过计算气温直减率及年平均气温0℃所在的海拔高度，得到分凝冰的形成与寒冻风化强度有直接关系；
通过改进的寒冻风化作用曲线关系式模拟一年中，在一个固定Tmα下，每一天不同深度对应的温度，判断是否属于分凝冰能生长的情况；
所述获得预测结果，包括以下步骤：
通过计算该研究区域的寒冻风化强度及岩石劣化强度，得到影响该研究区域岩石破碎及形成不良地质现象的具体原因及其相关数据，并得到该研究区域岩堆体降维演化速率，即时间效应因子；
根据计算的寒冻风化强度、岩石劣化强度和时间效应因子，使用关键算法拓长时间序列，对研究区域的岩堆体的变化趋势进行长时间尺度的预测。 说明书 : 一种岩堆体生长发育预测方法及系统技术领域[0001] 本发明涉及岩堆体预测技术领域，更具体的涉及一种高寒地区岩堆体生长发育预测方法及系统。背景技术[0002] 对于高寒山区，传统方法针对岩堆体的统计主要采用传统的人工巡视方式，统计的效率和精确度较低，且只能在部分路段进行小范围的统计，难以满足大范围制图的统计需求。[0003] 随着近些年气温不断升高，气温变幅逐渐增大，导致原有岩堆体破碎范围不断扩展，增加了岩堆体统计难度，相继形成新的高风险灾害区域。目前，尚未有相关技术或方法对该过程进行关注与监测。此外，现有技术无法形成一个集岩堆体的识别提取、形成方式分析及生长发育预测为一体的系统，导致无法有效预测、控制岩堆体的生长发育，使得道路和桥梁等工程设施运营安全所面临的威胁日益加剧。[0004] 综上，现有技术中针对岩堆体的统计效率和精确度较低，难以满足大范围制图的统计需求，尚未有相关技术对该过程进行关注与监测，导致无法对岩堆体的生长发育预测过程进行及时准确的预测，对工程设施的运营安全造成严重影响。发明内容[0005] 针对上述领域中存在的问题，本发明提出了一种岩堆体生长发育预测方法及系统，能够解决现有技术中针对岩堆体的统计效率和精确度较低，难以满足大范围制图的统计需求，尚未有相关技术对该过程进行关注与监测，导致无法对岩堆体的生长发育预测过程进行及时准确的预测，对工程设施的运营安全造成严重影响的技术问题。[0006] 为解决上述技术问题，本发明公开了一种岩堆体生长发育预测方法，包括以下步骤：[0007] 采集研究区域的岩堆体图像数据，通过用于岩堆体图像识别的识别模型，对岩堆体边缘轮廓高度进行提。竦醚芯壳虻难叶烟逋枷袷侗鸾峁籟0008] 根据岩堆体图像识别结果，在岩石强度劣化计算方程中加入强度比例参数，对高原岩石强度数值进行修正，得到改进的岩石强度劣化曲线关系式；通过分析寒冻风化强度和海拔的关系，在寒冻风化作用曲线关系式中引入长时间温度反演序列，得到改进的寒冻风化作用曲线关系式；[0009] 所述得到改进的岩石强度劣化曲线关系式，包括以下步骤：[0010] 在原有的岩石强度劣化计算方程中加入了强度比例参数θ，修正高原岩石强度数值，计算公式为：[0011][0012] 式中，h为岩石深度；h0为曲线对称中心点对应的深度；b为形状函数系数；S0(t)为t时刻岩土抗剪强度参数；SH为岩石风化影响下限强度值；θ为岩石强度比例参数；[0013] 所述得到改进的寒冻风化作用曲线关系式，包括以下步骤：[0014] 通过分析寒冻风化强度和海拔的关系，随着温度的增大，在相同海拔条件下总寒冻风化强度也呈现上升的趋势；在相同总寒冻风化强度条件下海拔范围也扩大；[0015] 在岩石强度劣化曲线关系式中引入长时间温度反演序列，通过该温度反演序列，计算过去若干年以来岩石的寒冻风化作用，得到平均风化速率；[0016] 寒冻风化作用温度—深度基础曲线关系式：[0017][0018] 式中，t为时间天数，T(z,t)为不同时间与不同深度下的温度；Tmα为年平均气温；Tα为年气温变幅的一半；α为热扩散系数；Py指气温变化的周期；[0019] 改进的寒冻风化作用曲线关系式：[0020][0021] 式中，Fci为寒冻风化强度，指的是寒冻风化窗内温度梯度随时间的积分；D为0℃所*在位置到?5℃所在位置的距离；D为长度指数；[0022] 根据改进的岩石强度劣化曲线关系式和改进的寒冻风化作用曲线关系式，计算寒冻风化强度、岩石劣化强度和时间效应因子；[0023] 所述计算寒冻风化强度、岩石劣化强度和时间效应因子，包括以下步骤：[0024] 根据寒冻风化作用温度—深度基础曲线关系式和改进的寒冻风化作用曲线关系式，通过计算气温直减率及年平均气温0℃所在的海拔高度，得到分凝冰的形成与寒冻风化强度有直接关系；[0025] 通过改进的寒冻风化作用曲线关系式模拟一年中，在一个固定Tmα下，每一天不同深度对应的温度，判断是否属于分凝冰能生长的情况；[0026] 根据寒冻风化强度、岩石劣化强度和时间效应因子，通过关键算法拓长时间序列，分析寒冻风化强度—海拔随时间的变化趋势，对研究区域的岩堆体的变化趋势进行长时间尺度的预测，获得预测结果；[0027] 所述获得预测结果，包括以下步骤：[0028] 通过计算该研究区域的寒冻风化强度及岩石劣化强度，得到影响该研究区域岩石破碎及形成不良地质现象的具体原因及其相关数据，并得到该研究区域岩堆体降维演化速率，即时间效应因子；[0029] 根据计算的寒冻风化强度、岩石劣化强度和时间效应因子，使用关键算法拓长时间序列，对研究区域的岩堆体的变化趋势进行长时间尺度的预测。[0030] 优选地，所述采集研究区域的岩堆体的图像数据包括卫星图像和遥感数据；其中，卫星图像为采用实地拍摄照片或Landsat卫星产品，遥感数据采用实地拍摄照片获取。[0031] 优选地，所述获得研究区域的岩堆体图像识别结果，包括以下步骤：[0032] 根据采集的研究区域的岩堆体图像数据，构造训练集数据；[0033] 建立用于岩堆体图像识别的识别模型，即基于深度学习的卫星图像岩堆体识别模型；其中，所述卫星图像岩堆体识别模型以语义分割网络DeepLab为骨架，在空洞卷积的卷积操作中引入空洞率；引入多尺度特征融合策略，通过采用多个并行的分支网络，结合不同大小的空洞卷积和池化操作，从多个尺度下获取图像特征；引入编码器?解码器结构，对卫星图像中的岩堆体边缘轮廓高度进行提。籟0034] 具体的，以语义分割网络DeepLab为骨架，通过在空洞卷积的卷积操作中引入空洞率，分离步长为1，卷积核大小为3，用于捕捉到卫星图像中的细节信息，处理图像中的细小物体和边缘；[0035] 引入多尺度特征融合，将引入的多尺度信息作为该语义分割网络的另一个重要部分，通过采用多个并行的分支网络，结合不同大小的空洞卷积和池化操作，视野分别为512+256+128+64，从多个尺度下获取图像特征；[0036] 引入编码器?解码器结构；其中，编码器部分使用卷积神经网络ResNet作为基础模型，用于提取图像特征；解码器部分则通过上采样和融合多尺度特征来恢复分割结果的空间分辨率；[0037] 该语义分割网络通过使用条件随机场CRF后处理技术，对分割结果进行平滑化和细化。[0038] 优选地，所述构造训练集数据，包括以下步骤：[0039] 对卫星图像进行图像预处理，设置网络输入图像通道大小为512×512，设置语义分割类别为2，语义分割类别包括岩堆体和普通山脉；[0040] 对处理后的卫星图像中用于训练的图像进行注入类别标签，得到原图像文件和标注图像，记录训练和测试文件名的TXT文件。[0041] 优选地，所述基于深度学习的卫星图像岩堆体识别模型的训练过程，包括以下步骤：[0042] 通过自定义循环训练次数，一次训练打包数目为2，更改训练参数及训练次数，训练结束后得到最优的网络参数对应的模型，即为训练后的卫星图像岩堆体识别模型，其中，所述网络参数包括像素准确率、平均像素准确率、平均交并比和频权交并比；[0043] 使用训练后的基于深度学习的卫星图像岩堆体识别模型进行测试，得到采集的岩堆体图像中的岩堆体轮廓高度信息。[0044] 优选地，还包括一种岩堆体生长发育预测系统，包括：[0045] 岩堆体图像信息获取模块，用于采集研究区域的岩堆体图像数据，通过用于岩堆体图像识别的识别模型，对岩堆体边缘轮廓高度进行提。竦醚芯壳虻难叶烟逋枷袷侗鸾峁籟0046] 岩石强度修正模块，用于根据岩堆体图像识别结果，在岩石强度劣化计算方程中加入强度比例参数，对高原岩石强度数值进行修正，得到改进的岩石强度劣化曲线关系式；通过分析寒冻风化强度和海拔的关系，在寒冻风化作用曲线关系式中引入长时间温度反演序列，得到改进的寒冻风化作用曲线关系式；根据改进的岩石强度劣化曲线关系式和改进的寒冻风化作用曲线关系式，计算寒冻风化强度、岩石劣化强度和时间效应因子；[0047] 变化趋势预测模块，用于根据寒冻风化强度、岩石劣化强度和时间效应因子，通过关键算法拓长时间序列，分析寒冻风化强度—海拔随时间的变化趋势，对研究区域的岩堆体的变化趋势进行长时间尺度的预测，获得预测结果；[0048] 其中，所述得到改进的岩石强度劣化曲线关系式，包括以下步骤：[0049] 在原有的岩石强度劣化计算方程中加入了强度比例参数θ，修正高原岩石强度数值，计算公式为：[0050][0051] 式中，h为岩石深度；h0为曲线对称中心点对应的深度；b为形状函数系数；S0(t)为t时刻岩土抗剪强度参数；SH为岩石风化影响下限强度值；θ为岩石强度比例参数；[0052] 所述得到改进的寒冻风化作用曲线关系式，包括以下步骤：[0053] 通过分析寒冻风化强度和海拔的关系，随着温度的增大，在相同海拔条件下总寒冻风化强度也呈现上升的趋势；在相同总寒冻风化强度条件下海拔范围也扩大；[0054] 在岩石强度劣化曲线关系式中引入长时间温度反演序列，通过该温度反演序列，计算过去若干年以来岩石的寒冻风化作用，得到平均风化速率；[0055] 寒冻风化作用温度—深度基础曲线关系式：[0056][0057] 式中，t为时间天数，T(z,t)为不同时间与不同深度下的温度；Tmα为年平均气温；Tα为年气温变幅的一半；α为热扩散系数；Py指气温变化的周期；[0058] 改进的寒冻风化作用曲线关系式：[0059][0060] 式中，Fci为寒冻风化强度，指的是寒冻风化窗内温度梯度随时间的积分；D为0℃所*在位置到?5℃所在位置的距离；D为长度指数；[0061] 所述计算寒冻风化强度、岩石劣化强度和时间效应因子，包括以下步骤：[0062] 根据寒冻风化作用温度—深度基础曲线关系式和改进的寒冻风化作用曲线关系式，通过计算气温直减率及年平均气温0℃所在的海拔高度，得到分凝冰的形成与寒冻风化强度有直接关系；[0063] 通过改进的寒冻风化作用曲线关系式模拟一年中，在一个固定Tmα下，每一天不同深度对应的温度，判断是否属于分凝冰能生长的情况；[0064] 所述获得预测结果，包括以下步骤：[0065] 通过计算该研究区域的寒冻风化强度及岩石劣化强度，得到影响该研究区域岩石破碎及形成不良地质现象的具体原因及其相关数据，并得到该研究区域岩堆体降维演化速率，即时间效应因子；[0066] 根据计算的寒冻风化强度、岩石劣化强度和时间效应因子，使用关键算法拓长时间序列，对研究区域的岩堆体的变化趋势进行长时间尺度的预测。[0067] 与现有技术相比，本发明具有如下有益效果：[0068] 本发明突破了传统的岩堆体的统计方法统计效率和精确度低的技术缺陷。该方法通过构建基于深度学习的卫星图像岩堆体识别模型能够减小并降低人工干预及误差，提高识别提取精度及效率；通过对研究区域的岩堆体的变化趋势进行长时间尺度的预测，能够揭示岩堆体形成机理从而对其进行预防，延长工程使用年限，提高其运营稳定性。该方法在预测过程中，通过改进原有的寒冻风化模型及岩石强度模型，计算该研究区域的寒冻风化强度及岩石强度，分析寒冻风化强度—海拔随时间的变化趋势，最终得到影响该区域岩石破碎及形成不良地质现象的具体原因及其相关数据，并得到该区域岩堆体降维演化速率，有利于采取防治措施。附图说明[0069] 图1为本发明的整体方法流程示意图；[0070] 图2为本发明的基于深度学习的卫星图像岩堆体识别模型提取结果示意图；[0071] 图3为本发明的寒冻风化强度和海拔的关系图；[0072] 图4为本发明的时间温度反演序列图；[0073] 图5为本发明的分凝冰的形成与寒冻风化强度关系图；[0074] 图6为本发明的基于深度学习的卫星图像岩堆体识别模型网络架构；[0075] 图7为本发明的长时间序列下的寒冻风化强度变化趋势示意图；[0076] 图8为本发明的岩石劣化强度模型曲线。具体实施方式[0077] 下面将结合本发明实施例中的附图1?8，对本发明实施例中的技术方案进行清楚、完整地描述。应理解本发明中所述的术语仅仅是为描述特别的实施方式，并非用于限制本发明。[0078] 如图1所示，本发明公开一种应用于高寒山区工程建设或运营期间，对其周边岩堆体进行特征提取、形成方式分析及生长发育预测的方法，该方法包括以下步骤：[0079] S1：收集摄影图像、遥感影像；[0080] S2：对图像进行预处理，包括裁剪及标注，用于构造训练集；[0081] S3：构建基于深度学习的卫星图像岩堆体识别模型，以语义分割网络DeepLab为骨架，在空洞卷积的卷积操作中引入空洞率；引入多尺度特征融合策略，通过采用多个并行的分支网络，结合不同大小的空洞卷积和池化操作，从多个尺度下获取图像特征；引入编码器?解码器结构，对卫星图像中的岩堆体边缘轮廓高度进行提。籟0082] 使用训练集对构建的基于深度学习的卫星图像岩堆体识别模型进行训练，更改训练参数及训练次数；[0083] S4：对训练结果进行精度评定，使用训练结果最优的一次模型开展后续研究；[0084] S5：将研究区域，即需要进行提取分析的路段影像输入步骤S4的模型中自动提取图像信息；[0085] S6：计算寒冻风化强度、岩石劣化强度、时间效应因子。可以利用遥感卫星影像或者现场采集的照片，自动识别、提取出其中的岩堆体，并计算该区域的寒冻风化强度、岩石劣化强度及其降维演化速率，以达到预测、防治的目的。[0086] 具体的，在步骤S1中的图像既可以来自遥感卫星影像也可以来自现场拍摄的照片。[0087] 在步骤S2?S4中，按照程序，将输入的图像进行处理，包括裁剪和标注，形成训练集并进行多轮迭代训练后，选取训练效果最好的模型，用于后续的研究。使用训练集对卫星图像岩堆体识别模型进行训练；将研究区域的遥感影像输入训练后的卫星图像岩堆体识别模型中，提取研究区域的岩堆体的图像信息，如图2所示为卫星图像岩堆体识别模型的提取结果。[0088] 在步骤S5、S6中该方法会使用步骤S4中训练效果最优的模型进行后续提取、预测工作，会计算该研究区域的寒冻风化强度、岩石劣化强度及其降维演化速率。如果输入历年温度数据，还可以模拟长时间序列下的寒冻风化强度的变化趋势，有利于进行预测及防治。[0089] 根据岩堆体图像识别结果，在岩石强度劣化计算方程中加入强度比例参数，对高原岩石强度数值进行修正，得到改进的岩石强度劣化曲线关系式；通过分析寒冻风化强度和海拔的关系，在寒冻风化作用曲线关系式中引入长时间温度反演序列，得到改进的寒冻风化作用曲线关系式；[0090] 根据提取的研究区域的岩堆体的图像信息，结合研究区域的历年温度数据，通过改进的岩石强度劣化曲线关系式和改进的寒冻风化作用曲线关系式，计算寒冻风化强度、岩石劣化强度和时间效应因子；并使用关键算法拓长时间序列，分析寒冻风化强度—海拔随时间的变化趋势，对研究区域的岩堆体的变化趋势进行长时间尺度的预测。[0091] 寒冻风化作用温度—深度基础曲线关系式为：[0092][0093] 式中，t为时间天数，T(z,t)为不同时间与不同深度下的温度；Tmα为年平均气温；Tα为年气温变幅的一半；α为热扩散系数；Py指气温变化的周期，取值为365天。[0094] 改进的寒冻风化作用曲线关系式：[0095][0096] 式中，Fci为寒冻风化强度，指的是寒冻风化窗内温度梯度随时间的积分；D为0℃所*在位置到?5℃所在位置的距离；D为长度指数，设置为50cm。[0097] 首先计算了寒冻风化强度和海拔的关系，如图3所示，随着温度的增大，在相同海?1拔条件下总寒冻风化强度也呈现上升趋势(最高达到12℃·cm )，且具有相同总寒冻风化?1强度水平的海拔范围也扩大。根据图中灰色虚线所示(。8℃·cm )，总寒冻风化强度峰值出现在更广泛的海拔范围内，从最初[4300m,4700m]扩展至[3800m,5350m]，这进一步导致多年平均寒冻风化强度增加。[0098] 在寒冻风化作用曲线关系式中引入长时间温度反演序列(4.5万年前至今)，通过该温度反演序列，如图4所示，计算出过去若干年以来岩石的寒冻风化作用，能得出平均风?8 ?1化速率为(3.4～5.67)×10 a 。[0099] 改进的岩石强度劣化曲线关系式：[0100][0101] 式中，h为岩石深度；h0为曲线对称中心点对应的深度；b为形状函数系数；S0(t)为t时刻岩土抗剪强度参数；SH为岩石风化影响下限强度值；θ为强度比例参数，依据经验取θ＝0.8。[0102] 通过计算该研究区域的寒冻风化强度及岩石劣化强度，得到影响该研究区域岩石破碎及形成不良地质现象的具体原因及其相关数据，并得到该研究区域岩堆体降维演化速率，即时间效应因子。[0103] 如图5所示，为模拟一年中在一个固定Tmα下，每一天不同深度对应的温度，判断是否属于分凝冰能生长的情况，分凝冰的形成与深度的关系，当Tmα为正数时，看一年的时间周期内，当t取一个值时，且T(z，t)处于寒冻风化窗内，看是否存在正温度梯度，若存在，分凝冰生长天数加1；以此类推，当TMA为负数时，看一年的时间周期内，当t取一个值时，且T(z，t)处于寒冻风化窗内，是否存在负温度梯度，若存在，分凝冰生长天数加1(但此种情况下有一点需要注意，分凝冰生长需要液态水，所以这种情况判断时还需要加一条当t取该值时，深度z在1?1000cm范围内存在T(z，t)大于零)。例如，图中t＝91(TMA为负数)，当天在1?1000cm范围内存在T(z，t)大于零的情况，其中当z＝400时候处于寒冻风化窗内且存在负温度梯度，此时就记z＝400时分凝冰生长天数为1，因此，分凝冰的形成与寒冻风化强度有直接关系。[0104] 本发明还公开了一种岩堆体生长发育预测系统，包括：[0105] 岩堆体图像信息获取模块，用于采集研究区域的岩堆体图像数据，通过用于岩堆体图像识别的识别模型，对岩堆体边缘轮廓高度进行提。竦醚芯壳虻难叶烟逋枷袷侗鸾峁籟0106] 岩石强度修正模块，用于根据岩堆体图像识别结果，在岩石强度劣化计算方程中加入强度比例参数，对高原岩石强度数值进行修正，得到改进的岩石强度劣化曲线关系式；通过分析寒冻风化强度和海拔的关系，在寒冻风化作用曲线关系式中引入长时间温度反演序列，得到改进的寒冻风化作用曲线关系式；根据改进的岩石强度劣化曲线关系式和改进的寒冻风化作用曲线关系式，计算寒冻风化强度、岩石劣化强度和时间效应因子；[0107] 变化趋势预测模块，用于根据寒冻风化强度、岩石劣化强度和时间效应因子，通过关键算法拓长时间序列，分析寒冻风化强度—海拔随时间的变化趋势，对研究区域的岩堆体的变化趋势进行长时间尺度的预测，获得预测结果。[0108] 本申请提出的岩堆体生长发育预测方法及系统，能够有效地将遥感影像或照片中的岩堆体进行识别与提。⒓笆奔扑悴⒃げ獬銎渖し⒂媛、趋势，从而针对性的给出有效的防治方案，该方法操作便捷、精确高效、成本低廉、能有效降低人为误差且具有实时性、针对性。[0109] 实施例[0110] 本发明实施例提供一种应用于高寒山区工程建设或运营期间，对其周边岩堆体进行特征提取、形成方式分析及生长发育预测方法，包括以下步骤：[0111] 步骤一，收集摄影图像、遥感影像时采用实地拍摄照片或Landsat卫星产品。[0112] 步骤二，对采集的图片进行预处理，主要为利用计算机服务器端，将图像分割裁剪及标注，形成训练集便于训练深度学习模型。[0113] 步骤三，为训练、判别、使用深度学习模型阶段，也属于系统中的识别、提取模块。[0114] 在这一阶段中，为了便于岩堆体识别和数据收集与统计，构建基于深度学习的卫星图像岩堆体识别模型，以语义分割模型DeepLab为骨架，融合空洞卷积、多尺度特征融合和编码器?解码器结构，将卫星图像中的岩堆体边缘轮廓高度提取出来，有利于进行岩堆体分布和面积做数据统计和预测分析。[0115] 该模型具体的网络结构如图6所示，岩堆体基于深度学习的卫星图像岩堆体识别模型的核心是采用了空洞卷积(DilatedConvolution)技术，通过在空洞卷积的卷积操作中引入空洞率，分离步长为1，卷积核大小为3，可以在保持感受野大小的同时增大卷积层的有效视野，从而更好地捕捉到卫星图像中的细节信息，能够更好地处理图像中的细小物体和边缘。[0116] 引入了多尺度信息作为网络的另一个重要部分，该语义分割网络通过采用多个并行的分支网络，结合不同大小的空洞卷积和池化操作，视野分别为：512+256+128+64，从多个尺度下获取图像特征。这种多尺度特征融合的策略有助于提高分割结果的精度和准确性，并克服了单一尺度下容易出现的信息缺失和：窒。[0117] 引入了编码器?解码器结构，其中，编码器部分使用了卷积神经网络ResNet作为基础模型，用于提取图像特征；解码器部分则通过上采样和融合多尺度特征来恢复分割结果的空间分辨率。[0118] 最后，该语义分割网络通过使用条件随机场(CRF)等后处理技术来进一步改善分割结果。CRF能够通过考虑像素之间的上下文关系，对分割结果进行平滑化和细化，从而得到更准确的分割边界。[0119] 其具体处理步骤为：[0120] 1、对卫星图像进行图像预处理，设置网络输入图像通道大小为512*512，设置语义分割类别为2(岩堆体和普通山脉)；[0121] 2、训练数据集创建：对训练图像进行注入类别标签，得到原图像文件和标注图像，以及记录训练和测试文件名的TXT文件。[0122] 3、训练语义分割网络，循环训练次数自定义，一次训练打包数目为2，训练结束得到网络参数，具体评判指标如表1所示。[0123] 表1深度学习网络提取精度评判指标[0124][0125] 4、使用训练后的基于深度学习的卫星图像岩堆体识别模型进行验证，得到的图像中的岩堆体轮廓信息便于下面的计算分析。[0126] 如表2所示，为使用该模型对G219沿线部分路段岩堆体提取及识别结果的精度评定。[0127] 表2深度学习网络提取精度测试结果[0128][0129][0130] 步骤四，根据研究区域基础气象数据等信息，自动计算气温直减率及年平均气温0℃所在的海拔高度，通过改进原有的寒冻风化模型及岩石强度模型，计算该区域的寒冻风化强度及岩石强度，图7展现了420ka至今的寒冻风化强度?海拔随时间的变化趋势，寒冻风?1化强度随海拔变化均呈现单峰特征，始终保持在8～9℃·cm 之间且最大值均出现在3800m～5200m范围内；由于16ka全球温度快速升高，并在一段时间内维持在相对高温的状态，同?1时该时期年气温变幅增大，导致该区域寒冻风化强度数值跃升到11～12.5℃·cm ，但曲线变化趋势仍与其他时间尺度的基本一致。[0131] 图8为岩石劣化强度模型曲线，用以分析单因素变化对S0(t)在时间和深度效应下的影响，其中S0(t)范围为20～320kPa，当其他因素保持不变时，随着S0(t)不断劣化，强度变化过渡区间逐渐增大且变化幅度增大，最终趋近于280kpa后保持稳定，这一现象证明风化是与时间直接相关。[0132] 最终得到影响该区域岩石破碎及形成不良地质现象的具体原因及其相关数据，并得到该区域岩堆体降维演化速率，即时间效应因子，从而利于采取防治措施。并使用关键算法拓长了时间序列，使模型可以展现420ka至今的寒冻风化强度—海拔随时间的变化趋势，从而可以研究长时间尺度下该研究区域的岩石降维演化速率，从而可以给出适合该研究区域内适合各种工程的防治措施。[0133] 以上所述，仅为本发明较佳的具体实施方式，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揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。[0134] 另外，除非另有说明，否则本发明使用的所有技术和科学术语具有本发明所属领域的常规技术人员通常理解的相同含义。本说明书中提到的所有文献通过引用并入，用以公开和描述与所述文献相关的方法。在与任何并入的文献冲突时，以本说明书的内容为准。

专利地区：宁夏

专利申请日期：2024-03-05

专利公开日期：2024-11-19

专利公告号：CN118155086B