本技术属于一种监测方法，具体涉及一种水土流失动态监测方法及相关装置。
背景技术：
1、水土流失的原因主要包括自然因素和人为因素。其中，自然因素主要包括地形、降雨、土壤和植被四个方面。人为因素主要涉及人类对土地的不合理利用，破坏了地面植被和稳定的地形，以致造成严重的水土流失。当前水土流失已经成为一个全球性的环境问题，对全球生态平衡和可持续发展构成重大威胁。不仅会导致土壤肥力下降，还会引发一系列生态和社会经济问题，如水污染、洪水和减产等。尽管水土流失的后果在全球范围内众所周知，但对其动态变化的实时监测仍然面临重大挑战。
2、传统的水土流失监测方法包括实地调查和样地分析，这些方法通常包括土壤取样、侵蚀评估和表层土厚度测量，然后通过经验公式估计损失，例如通用土壤损失方程(usle，universal soil loss equation)或其修改版本通用土壤损失方程(rusle，reviseduniversal soil loss equation)。这些方法非常准确，但由于耗时耗力，通常只能小规模应用或作为案例研究，无法有效应对时空变异性大、监测范围广等问题。随着遥感和地理信息系统(gis，geographic information system)技术的发展以及神经网络在环境科学中的应用，为提高水土流失监测的准确性和效率创造了新的机会，已成为水土流失监测的有力工具，提供的数据覆盖范围广，更新频繁。例如，公开号为cn105701976a的中国发明专利申请提出了一种基于卫星遥感图像的水土保持监测系统，包括：无线传感网络系统；通信系统，与无线传感网络系统信息连接；数据处理中心，与通信系统信息连接；预警系统，与数据处理中心信息连接。其中，无线传感网络系统包括多个含沙量传感器节点、水位传感器节点和流速传感器节点。该方案能够综合多种灾害因素，将含沙量信息、水位信息和流速信息整合在一起，在遥感图像提供的目标区域地势情况基础上，预测水土保持的情况，以及水土流失的发生概率，对灾情分析更全面、准确及权威。然而，遥感数据量大且复杂，如何从中提取准确的水土流失信息成为研究的重点。在这种情况下，深度学习，尤其是神经网络，凭借其强大的数据处理能力，提供了处理这些复杂数据的可能性。目前，神经网络在图像识别和模式分类领域已经取得了显著的成果，在环境监测中的应用也在不断增加，但是对水土流失监测的研究仍然有限。
技术实现思路
1、本技术针对传统水土流失监测方法耗时耗力，无法有效应对时空变异性大和监测范围广的问题，基于遥感和地理信息系统技术的监测方法对水土流失监测研究有限的技术问题，提供一种水土流失动态监测方法及相关装置。
2、为了实现上述目的，本技术采用以下技术方案予以实现：
3、第一方面，本技术提出一种水土流失动态监测方法，包括：
4、采集多种地理空间数据，得到多种地理空间数据对应的特征向量；其中，多种地理空间数据包括卫星遥感图像、地理信息系统数据和地面观测数据；
5、将多种特征向量输入至训练后的水土流失预测模型，得到发生水土流失的概率值；
6、所述水土流失预测模型包括依次连接且均通过激活函数添加非线性的输入层、隐藏层和输出层；所述隐藏层包括依次连接的多个卷积层、多个递归层和全连接层；
7、所述输入层，用于接收多种特征向量；
8、所述卷积层，用于从多种特征向量中提取空间特征，得到空间特征；
9、所述递归层，用于从多种特征向量中捕获时间相关性，得到时间特征；
10、所述全连接层，用于对空间特征和时间特征进行非线性组合，得到组合特征；
11、所述输出层，用于根据组合特征输出发生水土流失的概率值。
12、进一步地，所述隐藏层还包括连接于所述递归层和所述全连接层之间的池化层或正则化层；
13、所述池化层，用于对空间特征和时间特征进行池化处理；
14、所述正则化层，用于对空间特征和时间特征进行正则化处理。
15、进一步地，所述采集多种地理空间数据之后，还包括：
16、对所有数值数据进行归一化处理；
17、纠正或删除错误数据；
18、对所有地理空间数据进行缩放处理，统一大小。
19、进一步地，所述水土流失预测模型训练时，采用的损失函数包括：
20、
21、其中，l(y,^y)表示损失函数，n表示样本数量，yi表示实际标签，^yi表示预测标签，y表示真实值，^y表示预测值。
22、进一步地，所述损失函数中增加正则化项。
23、进一步地，所述水土流失预测模型训练时，还包括：
24、对批量大小、时期数量和学习率进行调整。
25、第二方面，本技术提出一种水土流失动态监测系统，包括：
26、采集模块，用于采集多种地理空间数据，得到多种地理空间数据对应的特征向量；其中，多种地理空间数据包括卫星遥感图像、地理信息系统数据和地面观测数据；
27、预测模块，用于将多种特征向量输入至训练后的水土流失预测模型，得到发生水土流失的概率值；
28、所述水土流失预测模型包括依次连接且均通过激活函数添加非线性的输入层、隐藏层和输出层；所述隐藏层包括依次连接的多个卷积层、多个递归层和全连接层；
29、所述输入层，用于接收多种特征向量；
30、所述卷积层，用于从多种特征向量中提取空间特征，得到空间特征；
31、所述递归层，用于从多种特征向量中捕获时间相关性，得到时间特征；
32、所述全连接层，用于对空间特征和时间特征进行非线性组合，得到组合特征；
33、所述输出层，用于根据组合特征输出发生水土流失的概率值。
34、进一步地，所述隐藏层还包括连接于所述递归层和所述全连接层之间的池化层或正则化层；
35、所述池化层，用于对空间特征和时间特征进行池化处理；
36、所述正则化层，用于对空间特征和时间特征进行正则化处理。
37、第三方面，本技术提出一种电子设备，包括：
38、存储器，用于存储计算机程序；
39、处理器，用于执行所述计算机程序时实现上述水土流失动态监测方法的步骤。
40、第三方面，本技术提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述水土流失动态监测方法的步骤。
41、与现有技术相比，本技术具有以下有益效果：
42、本技术提出一种水土流失动态监测方法，采集包括卫星遥感图像、地理信息系统数据和地面观测数据的多种地理空间数据，基于水土流失预测模型获取发生水土流失的概率值，进行预测。其中，水土流失预测模型包括输入层、隐藏层和输出层，隐藏层又包括依次连接的多个卷积层、多个递归层和全连接层，能够预测水土保持情况和水土流失的发生概率，提供权威的灾情预警。本技术基于卫星遥感图像，具有广泛的数据覆盖范围，能够提供全面的监测信息，不受地理位置和难以进入的区域限制。同时，卫星遥感数据具有高频更新的特点，能够提供实时、动态的监测信息，帮助及时掌握水土流失情况。另外，还可以综合考虑多种灾害因素，如含沙量、水位和流速等，提供更全面、准确的灾情分析。再者，水土流失预测模型作为深度学习方法，具有强大的数据处理和模式识别能力，能够处理大量复杂的遥感数据，提取准确的水土流失信息。
43、本技术还提出了一种水土流失动态监测系统、计算机存储介质和电子设备，具备上述水土流失动态监测方法的全部优势。
1.一种水土流失动态监测方法，其特征在于，包括：
2.根据权利要求1所述水土流失动态监测方法，其特征在于，所述隐藏层还包括连接于所述递归层和所述全连接层之间的池化层或正则化层；
3.根据权利要求2所述水土流失动态监测方法，其特征在于，所述采集多种地理空间数据之后，还包括：
4.根据权利要求3所述水土流失动态监测方法，其特征在于，所述水土流失预测模型训练时，采用的损失函数包括：
5.根据权利要求4所述水土流失动态监测方法，其特征在于，所述损失函数中增加正则化项。
6.根据权利要求5所述水土流失动态监测方法，其特征在于，所述水土流失预测模型训练时，还包括：
7.一种水土流失动态监测系统，其特征在于，包括：
8.根据权利要求1所述水土流失动态监测系统，其特征在于，所述隐藏层还包括连接于所述递归层和所述全连接层之间的池化层或正则化层；
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述水土流失动态监测方法的步骤。
