本发明属于土壤侵蚀评估方法及预警系统，具体涉及一种基于bp神经网络模型的土壤侵蚀评估方法及预警系统。
背景技术：
1、土壤侵蚀的定量评估一直是水土保持科学研究中亟需解决的核心技术问题。当前广泛使用的土壤侵蚀评估方法包括usle方程、rusle方程以及其他数学模型。然而，传统的土壤侵蚀评估方法存在一些局限性，主要表现为无法全面评估生态系统的风险状况，且传统方法主要依赖于构建经验和过程模型，模型往往是稳态的，限制了其对未来格局演变趋势的全面评估。
2、在当前背景下，bp神经网络作为一种先进的技术手段备受关注，通过学习和组织过去的经验，bp神经网络能够提取出规律性特征并储存在网络结构中，从而实现对当前和未来土壤侵蚀状况的模拟和预测。
3、本发明针对传统方法的局限性，提出了一种基于bp神经网络的土壤侵蚀评估方法及预警系统，运用科学的评估手段和网络技术，可以准确评估土壤侵蚀的风险状况，实现对土壤侵蚀系统状态的实时监测，准确地了解土壤侵蚀系统的状态，并满足实时监测和预警的需求，该技术为土壤侵蚀的保护和管理提供了更可靠的参考依据。
技术实现思路
1、为解决现有技术中存在的不足，本发明提供一种基于bp神经网络模型的土壤侵蚀评估方法及预警系统，以解决快速准确地对土壤侵蚀进行准确评估的技术问题。。
2、本发明采用如下的技术方案。本发明的第一方面提供了一种基于bp神经网络模型的土壤侵蚀评估方法，包括以下步骤：
3、s1：采集设定区域的遥感影像数据、气象数据、土地利用数据和土壤侵蚀模数；
4、s2：基于s1采集的区域的遥感影像数据、气象数据提取核心因子，以核心因子和土壤侵蚀模数构成样本集；
5、s3：构建bp神经网络模型，以s2获得的样本集训练bp神经网络模型，得到已训练好的bp神经网络模型；
6、s4：采集待监测地区的遥感影像数据、气象数据、土地利用数据，提取核心因子；代入已训练好的bp神经网络模型，得到待监测地区的土壤侵蚀模数；
7、s5：将s4获得的待监测地区的土壤侵蚀模数和核心因子作为土壤侵蚀评估结果进行图形化展示。
8、优选地，步骤s1中，遥感影像数据包括0.75m的“亚米级”吉林一号数据和空间分辨率为10m的哨兵2号数据；土地利用数据包括分辨率为12.5m的dem数据；土壤数据包括：空间分辨率为1km的hwsd数据。
9、优选地，步骤s2中，核心因子包括：降雨侵蚀力因子r、土壤可侵蚀性因子k、坡度因子l、坡长因子s、植被覆盖与管理因子c和水土保持措施因子p。
10、优选地，降雨侵蚀力因子r计算公式如下：
11、
12、式中：
13、为平均年降雨侵蚀力，单位为mj·mm·hm-2·h-1·a-1；
14、k为全年中的各个半月，即1～24；
15、为第k个半月的降雨侵蚀力，单位mj·mm·hm-2·h-1；
16、n指获取降水数据时序；
17、i值为1,2,…,n；
18、m为第i年的第k个半月内降雨日期的个数，本发明中取日降水量不小于10mm的日期个数；
19、j值为0,1,…,m；
20、pi,j,k表示第i年第k个半月第j个的侵蚀性日降雨量数据，单位为mm；
21、α为降雨季节特征参数；
22、为第k个半月的平均降雨侵蚀力与平均年降雨侵蚀力之比；
23、土壤可侵蚀因子k的计算公式为：
24、
25、式中：
26、k为土壤可侵蚀性因子，单位为((t·hm2·h)/(hm2·mj·mm))；
27、san、sil、cla和c分别为沙粒、粉粒、粘粒和有机质含量，单位均为(％)，sn1＝1-san/100；
28、坡度因子l和坡长因子s计算公式为：
29、
30、式中：
31、s为坡度因子；
32、θ为坡度(°)；
33、l为坡长因子；
34、λ为坡长(m)；
35、m为坡长指数；
36、植被覆盖与管理因子c计算公式为：
37、
38、式中：
39、fc为植被覆盖度；
40、ndvisoil和ndvimax分别为纯裸土和纯植被像元的ndvi的值；
41、水土保持措施因子p包括：耕地、草地、水域、建设用地、未利用地和林地分别赋值为0.2，0.8，0，0.1，1，1。
42、优选地，步骤s2中，在研究区内按面积大小平均分成20个区域，并在各个区域内随机提取25个12.5×12.5像元窗口，提取了共500个样本点，其中350个样本用来训练神经网络，剩下150个样本作为测试数据。
43、优选地，步骤s2中，将核心因子和土壤侵蚀模数以最大最小归一化的方式，将其数值范围转换到[-1，1]之间。
44、优选地，步骤s3具体包括：
45、s3.1：确定输入输出量：以核心因子作为bp神经网络模型的输入，以土壤侵蚀模数作为输出；
46、s3.2：以随机初始化的方式设置bp神经网络模型的初始权值；
47、s3.3，设置隐含层神经元数量；
48、s3.4，设置隐节点数；
49、s3.5：设置bp神经网络模型评估规则。
50、优选地，步骤s3.1中，输入层神经元数为6，输入向量为，pm＝(r、k、l、s、c、p)，输出量为土壤侵蚀模数；一个神经元包括输入层、隐含层和输出层三部分；
51、a.输入层的公式为：
52、
53、式中：
54、ci为输入层神经元的第i个指标，值为6；
55、b.隐含层的计算公式为：
56、
57、式中：
58、n为隐含层神经元的个数，
59、n为输出层神经元的个数，
60、a为0-10之间的常数；
61、c.输出层的计算公式为：
62、
63、式中：
64、dj为由隐含层传递至输出层的j个变量获得的土壤侵蚀模数，设置输出层的神经元个数为1，值的范围在0-1之间。
65、优选地，步骤s3.2具体包括：
66、a.选择随机初始化权值范围：权值的初始值会在区间[-1，1]内随机选取；
67、b.计算权值：对于每个连接，权值的计算通常采用随机数生成器，可以使用均匀分布或正态分布来生成随机数，通过使用[-1，1]的均匀分布来生成初始权值；
68、c.赋值初始权值：对于每个连接，从[-1，1]的均匀分布中随机抽取一个值，作为初始权值，这个过程对所有连接都重复进行，确保每个连接都有不同的初始权值。
69、优选地，步骤s3.3中，将隐含层节点数量依次设置为3至20的整数开展对比模拟测试，确定隐含层节点数为7个；
70、步骤s3.4中，隐节点数设置为25。
71、优选地，步骤s5中，将土壤侵蚀模数结果分为微度<500t/(km2·a)、轻度500～2500t/(km2·a)、中度2500～5000t/(km2·a)、强烈5000～8000t/(km2·a)、极强8000～15000t/(km2·a)和剧烈侵蚀>15000t/(km2·a)六个等级。
72、本发明的第二方面提供了一种基于bp神经网络模型的土壤侵蚀评估预警系统，运行所述的一种基于bp神经网络模型的土壤侵蚀评估方法，包括：
73、数据集成模块，用于采集遥感影像数据、气象数据、土地利用数据和土壤侵蚀模数；
74、数据预处理模块，用于根据卫星影像监测的时间和研究区的地理位置，选择该区域的遥感影像数据，并进行影像预处理；
75、指标计算模块，用于核心因子计算；
76、模型评估显示模块，用于展示模型的评估结果，将bp神经网络模型在训练集和测试集上的评估结果呈现给用户；
77、预测与预警模块，用于利用训练好的bp神经网络模型进行土壤侵蚀的实时预测和提供相应的预警信息；
78、用户界面模块，用于提供实时的土壤侵蚀数据展示，包括各个属性因子的实时数值、预测结果、侵蚀等级等信息。
79、优选地，还包括：数据更新和持续改进模块，当有新的训练数据可用时，模块支持对bp神经网络模型进行更新，包括重新训练整个模型或在原有模型基础上进行增量学习，模型更新的频率可以根据实际情况进行设置。
80、与现有技术相比，本发明的有益效果至少包括：本发明提出了一种基于bp神经网络模型的土壤侵蚀评估方法及预警系统。通过获取降雨、土壤质地、地形和植被等多维因子作为输入数据，利用bp神经网络模型对土壤侵蚀进行综合评估，此模型以卓越的多维输入处理能力著称，通过充分考虑各种影响因素并选择代表性样本数据，确保模型的准确性和适用性，通过反复学习和训练，进一步优化模型，以获得更加精确的输出结果。同时，系统具备实时监测和预警功能，通过动态监测历史和实时数据，系统能够追踪和评估土壤侵蚀评估的进展，评估结果和预警信息以直观的方式通过数据可视化和报告功能呈现，形成了一个完整的监测—预警—处理闭环。实现在无人监督条件下高效、准确地实现了对土壤侵蚀风险的评估，为生态保护和管理提供了科学、准确、实用的方法和系统，这一技术创新在理论和实践上都具有重要意义。
1.一种基于bp神经网络模型的土壤侵蚀评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于bp神经网络模型的土壤侵蚀评估方法，其特征在于：
3.根据权利要求1所述的一种基于bp神经网络模型的土壤侵蚀评估方法，其特征在于：
4.根据权利要求3所述的一种基于bp神经网络模型的土壤侵蚀评估方法，其特征在于：
5.根据权利要求4所述的一种基于bp神经网络模型的土壤侵蚀评估方法，其特征在于：
6.根据权利要求5所述的一种基于bp神经网络模型的土壤侵蚀评估方法，其特征在于：
7.根据权利要求1所述的一种基于bp神经网络模型的土壤侵蚀评估方法，其特征在于：
8.根据权利要求7所述的一种基于bp神经网络模型的土壤侵蚀评估方法，其特征在于：
9.根据权利要求7所述的一种基于bp神经网络模型的土壤侵蚀评估方法，其特征在于：
10.根据权利要求7所述的一种基于bp神经网络模型的土壤侵蚀评估方法，其特征在于：
11.根据权利要求1所述的一种基于bp神经网络模型的土壤侵蚀评估方法，其特征在于：
12.一种基于bp神经网络模型的土壤侵蚀评估预警系统，运行如权利要求1-11任一项所述的一种基于bp神经网络模型的土壤侵蚀评估方法，其特征在于，包括：
13.根据权利要求12所述的一种基于bp神经网络模型的土壤侵蚀评估系统，其特征在于：
