一种基于声景观智能分析的生态用地保护方法及系统

1.本发明涉及生态保护范围监测领域，尤其涉及一种基于声景观智能分析的生态用地保护方法及系统。


背景技术：

2.生态用地具有自然属性，为区域提供生态服务和生态产品，生态用地保护是区域高质量发展的基础，也是生态文明建设的关键。生态保护红线是在生态用地基础上以生态敏感、生态脆弱、重要生态功能为重点而划定强制保护的空间边界。生态保护红线的划定事关国家生态安全，以往生态保护红线的划定多基于遥感数据、土地利用调查数据等确定；声景观作为生态景观的重要特性，能表征动物活动与人类活动现象，可以帮助更全面地反映地域实际生态状况。然而现有技术方法关注于植被覆盖、水体等静态生态要素的状况，忽略了动物活动规律与人类活动对生态环境的影响；现有技术对生态保护红线的划定所依托的数据体量较大、处理成本高，而土地调查难以大范围开展，耗时耗力，难以实现较长时序的保护监测；现有技术的流程过于冗杂、数据多为静态数据导致无法实现实时计算和预警，缺乏日常管理的技术依据；这些局限导致划定的生态保护红线无法在短时间内重复评估、长时序的动态监测。


技术实现要素：

3.为了解决上述技术问题，本发明的目的是提供一种基于声景观智能分析的生态用地保护方法及系统，能够更好地结合地域的生态环境状况对生态保护红线进行监测，有助于生态用地的保护。
4.本发明所采用的第一技术方案是：一种基于声景观智能分析的生态用地保护方法，包括以下步骤：
5.收集声景观数据并赋予对应的标签，构建样本数据集；
6.输入样本数据集至深度学习模型进行训练，得到训练后的深度学习模型；
7.获取生态保护红线并沿着生态保护红线设置音频采集设备，获取监测点数据集；
8.输入监测点数据集至训练后的深度学习模型进行分类，并根据分类结果计算达标率，实现对生态保护红线的动态监测。
9.进一步，所述收集声景观数据并赋予对应的标签，构建样本数据集这一步骤，其具体包括：
10.通过音频采集设备对待采集区域进行声景观采集，得到声景观数据；
11.按照时间段对声景观数据进行分割处理，得到具有时间序列的声景观数据；
12.根据地域声景观类型，对具有时间序列的声景观数据赋予标签处理，构建样本数据集。
13.进一步，所述输入样本数据集至深度学习模型进行训练，得到训练后的深度学习模型这一步骤，其具体包括：
14.融合串联卷积神经网络和循环神经网络，构建深度学习模型；
15.对样本数据集进行转换处理，得到三通道特征频谱图片；
16.将三通道特征频谱图片按照时间序列输入至深度学习模型，输出权重集；
17.基于权重集对深度学习模型进行调整处理，得到训练后的深度学习模型。
18.进一步，所述对样本数据集进行转换处理，得到三通道特征频谱图片这一步骤，其具体包括：
19.提取样本数据集的三通道梅尔频谱系数；
20.对三通道梅尔频谱系数进行转换处理，得到三通道梅尔频谱图；
21.对三通道梅尔频谱图进行堆叠处理，生成三通道特征频谱图片。
22.进一步，所述获取生态保护红线并沿着生态保护红线设置音频采集设备，获取监测点数据集这一步骤，其具体包括：
23.获取生态保护红线并按照预设的间隔距离设置监测点；
24.根据监测点设置音频采集设备；
25.音频采集设备将采集到的数据通过无线传输技术发送至后台服务器，得到监测点数据集。
26.进一步，所述输入监测点数据集至训练后的深度学习模型进行分类，并根据分类结果计算达标率，实现对生态保护红线的动态监测这一步骤，其具体包括：
27.对监测点数据集进行转换处理，得到监测点数据集的三通道特征频谱图片；
28.将监测点数据集的三通道特征频谱图片按照时间序列输入至训练后的深度学习模型，得到分类结果；
29.根据分类结果计算达标率对生态保护红线进行动态监测，所述达标率包括生态保护红线达标率和监测点达标率。
30.本发明所采用的第二技术方案是：一种基于声景观智能分析的生态用地保护系统，包括：
31.构建模块，用于收集声景观数据并赋予对应的标签，构建样本数据集；
32.训练模块，用于输入样本数据集至深度学习模型进行训练，得到训练后的深度学习模型；
33.获取模块，用于获取生态保护红线并沿着生态保护红线设置音频采集设备，获取监测点数据集；
34.监测模块，用于输入监测点数据集至训练后的深度学习模型进行分类，并根据分类结果计算达标率，实现对生态保护红线的动态监测。
35.本发明方法及系统的有益效果是：本发明通过构建深度学习模型并引入环境声景观数据进行训练，使得构建的深度学习模型具有对长时间序列的声景观数据进行分析的能力且输出的结果能帮助现有技术更全面反映地域的生态环境状况；沿着划定的生态保护红线设置音频采集设备，获取当天的监测点数据集，并输入当天监测点数据集至训练后的深度学习模型进行分类，能够快速地对生态红线进行重评估，有助于生态保护红线的日常监管。
附图说明
36.图1是本发明一种基于声景观智能分析的生态用地保护方法的步骤流程图；
37.图2是本发明一种基于声景观智能分析的生态用地保护系统的结构框图；
38.图3是本发明对声景观数据按照时间段进行分割与赋予标签的操作示意图；
39.图4是本发明输入监测点数据集输入至训练后的深度学习模型的具体操作流程示意图；
40.图5是本发明根据当天红线达标率和当月某监测点达标率来监测生态保护红线的示意图。
具体实施方式
41.下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
42.对本发明的音频数据进行解释定义，本发明强调的音频数据是生态声景观数据，带有类型丰富的生态音频数据和非生态音频数据，并且此处的数据进行了时间序列分割，可以反映声景观的一定时间序列的变化特征。
43.参照图1，本发明提供了一种基于声景观智能分析的生态用地保护方法，该方法包括以下步骤：
44.s1、收集声景观数据并赋予对应的标签，构建样本数据集；
45.具体地，声景观数据包括生态保护声景观、非生态保护声景观两类，每一类型的声景观都包含了多个采样地点，并且，为使得声景观数据反映对应地点较完整的生态状况，每一个采样地点都采集了长时间音频数据，而相应标签是指所采集音频数据的采样地点所属的声景观类型，再通过对音频数据进行时间序列分割后，构建样本数据集。
46.s11、通过音频采集设备对待采集区域进行声景观采集，得到声景观数据；
47.具体地，设置音频设备采集指定地点一天24小时的声景观数据，采集的地点包含生态保护声景观、非生态保护声景观两种类型声景观。
48.s12、按照时间段对声景观数据进行分割处理，得到具有时间序列的声景观数据；
49.s13、根据地域声景观类型，对具有时间序列的声景观数据赋予标签处理，构建样本数据集。
50.具体地，参照图3，根据地域声景观类型，所述地域声景观类型包括生态保护的声景观和非生态保护的声景观，将每一地点的24小时音频数据，分割为长短一致的n个时间切片，每个地点按照相同时间间隔抽取时间切片，形成一组时间序列声景观数据，根据每个地点的声景观类型，为该地点的时间序列声景观数据打上标签，即是先通过人工对声景观数据进行分类，每个地点得到带标签的一组时间序列声景观数据，即为样本数据集。
51.s2、对样本数据集进行转换并输入至深度学习模型进行训练，得到训练后的深度学习模型；
52.s21、融合串联卷积神经网络和循环神经网络，构建深度学习模型；
53.具体地，参照图4，卷积神经网络作为高效的深度学习模型，具有权值共享、连接稀疏等优点，被广泛应用于音频识别领域，但无法处理长时间序列的要素，因此在生态声景观
数据中存在弊端，本发明通过融合卷积神经网络与循环神经网络，构建可以分析长时间序列的音频特征图片的深度学习模型，cnn-rnn模型。本实施例中，卷积神经网络cnn选取vgg16，循环神经网络rnn选取gru，构建了vgg16-gru模型即深度学习模型。
54.s22、对样本数据集进行转换处理，得到三通道特征频谱图片；
55.s221、提取样本数据集的三通道梅尔频谱系数；
56.s222、对三通道梅尔频谱系数进行转换处理，得到三通道梅尔频谱图；
57.s223、对三通道梅尔频谱图进行堆叠处理，生成三通道特征频谱图片。
58.具体地，提取每组时间序列声景观数据中每个时间切片的梅尔频谱系数、一阶差分梅尔频谱系数、二阶差分梅尔频谱系数，每个时间切片的梅尔频谱系数、一阶差分梅尔频谱系数、二阶差分梅尔频谱系数分别被转化为二维的梅尔频谱图、一阶差分梅尔频谱图、二阶差分梅尔频谱图，图片大小都为224
×
224像素；再将三张图片作为三个通道堆叠成为一张三通道的音频特征图片，所述堆叠的过程为利用python上的开源软件包，如cv2和numpy包，以梅尔频谱图的像数值分布为一个通道，一阶差分梅尔频谱图的像数值分布为第二个通道，二阶差分梅尔频谱图的像数值分布为第三个通道，合成三通道的图片，类似r、g、b三张灰度图合成一张彩色图片的过程，本发明能够通过构建深度学习模型并引入由环境声景观数据转换得到的三通道特征频谱图片对模型进行训练，使得构建的深度学习模型具有对长时间序列音频特征图片进行分析的能力。
59.s23、将三通道特征频谱图片按照时间序列输入至深度学习模型，输出权重集；
60.s24、基于权重集对深度学习模型进行调整处理，得到训练后的深度学习模型。
61.具体地，生态声景观具有时间动态变化规律，按照时间序列输入模型可以学习这种时间特征，本发明设计的模型是融合可以学习时间序列特征的深度学习模型cnn-rnn(以vgg16-gru为实例，vgg16是cnn的一种，gru是rnn的一种)，故一定按照时间序列输入才符合所设计模型的输入，融合串联vgg16和gru模型，构建可以分析带时间序列的三通道音频特征图片的深度学习模型，融合串联方法如下：模型的初始输入为多组时间序列的三通道音频特征图片，模型的输出为对应组时间序列的标签值；每张图片在经过vgg16模型后，再被扁平化处理为一维数组；一组时间序列的n张图片完成上述处理后，将被整合为一个序列输入gru模型进行计算，一个序列对应一个标签，将三通道音频特征图片数据按照时间序列输入vgg16-gru模型中，进行模型训练，获得相应权重集，vgg16的权重初始化采用“imagenet”比赛数据的权重集，通过对模型的其它超参数的不断调整，使得复合模型收敛，并比较收敛模型在不同超参数组合下的精度和过拟合情况，据此得到训练后的深度学习模型。
62.s3、获取国土空间规划所划定的生态保护红线，并沿着生态保护红线设置音频采集设备，获取当天监测点数据集；
63.s31、在国土空间规划工作中，根据“双评价”流程或《生态保护红线划定技术指南》划定生态保护红线；
64.s32、按照一定间隔距离设立监测点，在每个监测点设置微型的音频采集设备；
65.s33、当音频采集设备完成每天的采集工作后，利用无线传输技术传回后台工作站，获取当天监测点数据集。
66.s4、输入当天监测点数据集至训练后的深度学习模型进行分类，得到每个监测点的当天分类结果，并根据每个监测点的当天分类结果计算达标率，实现动态监测；
67.s41、对当天监测点数据集进行转换处理，得到当天监测点数据集的三通道特征频谱图片；
68.s42、将当天监测点数据集的三通道特征频谱图片按照时间序列输入至训练后的深度学习模型，得到每个监测点的当天分类结果；
69.s43、根据每个监测点的当天分类结果计算达标率；
70.具体地，达标率的计算方法如下：
71.当天红线达标率＝(当天分类结果为生态保护声景观类型的监测点数量/红线总共的监测点数量)
×
100％；
72.当月某监测点达标率＝(当月某监测点分类结果为生态保护声景观类型的天数/当月总共天数)
×
100％；
73.s44、根据当天红线达标率和当月某监测点达标率来监测生态保护红线；
74.具体地，在当天红线达标率低于80％时，找出所有当天分类结果为非生态保护声景观类型的监测点的地理坐标集(x,y)，并在地图显示平台标出这些点的地理位置；在当月某监测点达标率低于90％时，找出该监测点的地理坐标(xi,yi)，并将该点列为重点监管点在地图显示平台标出。
75.参照图2，一种基于声景观智能分析的生态用地保护系统，包括：
76.构建模块，用于收集声景观数据并赋予对应的标签，构建样本数据集；
77.训练模块，用于输入样本数据集至深度学习模型进行训练，得到训练后的深度学习模型；
78.获取模块，用于获取生态保护红线并沿着生态保护红线设置音频采集设备，获取监测点数据集；
79.监测模块，用于输入监测点数据集至训练后的深度学习模型进行分类，并根据分类结果计算达标率，实现对生态保护红线的动态监测。
80.上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
81.以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。