CN113408474A - 一种林下复合生态处理方法、装置、介质及终端设备 - Google Patents
一种林下复合生态处理方法、装置、介质及终端设备 Download PDFInfo
- Publication number
- CN113408474A CN113408474A CN202110764092.0A CN202110764092A CN113408474A CN 113408474 A CN113408474 A CN 113408474A CN 202110764092 A CN202110764092 A CN 202110764092A CN 113408474 A CN113408474 A CN 113408474A
- Authority
- CN
- China
- Prior art keywords
- forest
- data
- under
- composite ecological
- recognition model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000002131 composite material Substances 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims description 20
- 238000003672 processing method Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 16
- 235000013311 vegetables Nutrition 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 9
- 239000003814 drug Substances 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 229940079593 drug Drugs 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 241000894006 Bacteria Species 0.000 claims description 5
- 235000013305 food Nutrition 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000009313 farming Methods 0.000 abstract description 4
- 150000001875 compounds Chemical class 0.000 description 10
- 241000233866 Fungi Species 0.000 description 8
- 239000000463 material Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 238000009342 intercropping Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 235000001674 Agaricus brunnescens Nutrition 0.000 description 1
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 244000082204 Phyllostachys viridis Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 240000001462 Pleurotus ostreatus Species 0.000 description 1
- 235000001603 Pleurotus ostreatus Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 108700043460 bacteria ModE Proteins 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种林下复合生态处理方法、装置、介质及终端设备，通过无人机获取目标区域的遥感图像数据；将所述遥感图像数据输入林木识别模型进行特征识别，得到林木特征数据；其中，所述林木识别模型用于对输入数据中的林木进行特征识别，输出林木特征数据；获取目标区域的历史气候数据；根据所述历史气候数据和所述林木特征数据，确定林下复合生态模式，以解决目前依据种植人员的多年农耕作业经验确定不同的林下复合生态模式的方式缺乏准确性，无法更精准去计算出林下复合生态最优方案的技术问题，能够更加精准地确定林下复合生态模式，优化生态资源，提高能源使用效率。
Description
技术领域
本发明涉及林下复合生态领域，尤其涉及一种林下复合生态处理方法、装置、介质及终端设备。
背景技术
林下经济，主要是指以林地资源和森林生态环境为依托，发展起来的林下种植业、养殖业、采集业、森林旅游和康养业。林下种植业又包括林禽模式、林畜模式、林草模式、林药模式、林油模式、林菌模式、林菜模式和林粮模式。对于植物种植类，如林药模式、林菌模式、林菜模式和林粮模式等，是需要根据不同的气候环境因素和林木间距种植情况，确定不同的林下复合生态模式。
在现有技术中，确定不同的林下复合生态模式是依据种植人员的多年农耕作业经验，缺乏借助大数据、科技的力量进行智能判定。现有的这种依托人工经验的方式缺乏准确性，无法更精准去计算出林下复合生态的最优方案。
随着无人机技术的发展，通过无人机遥感技术能够实现自动化、智能化、专用化快速获取国土资源、自然环境、地震灾区等空间遥感信息，且完成遥感数据处理、建模和应用分析的应用技术；然而，现有技术中没有任一方案将无人机技术应用在林下复合生态中，这将是解决林下复合生态策略的一个强有力的推动力。
发明内容
本发明提供了一种林下复合生态处理方法，能够更加精准地确定林下复合生态模式，优化生态资源，提高能源使用效率。
为了解决上述技术问题，本发明实施例提供了一种林下复合生态处理方法，包括：
通过无人机获取目标区域的遥感图像数据；
将所述遥感图像数据输入林木识别模型进行特征识别，得到林木特征数据；其中，所述林木识别模型用于对输入数据中的林木进行特征识别，输出林木特征数据；
获取目标区域的历史气候数据；
根据所述历史气候数据和所述林木特征数据，确定林下复合生态模式。
作为优选方案，所述林木识别模型的建立步骤，包括：
获取林木图像样本，所述林木图像样本包括林木整体样本和林木局部样本；
建立初始识别模型，将所述林木整体样本输入到所述初始识别模型进行模型训练，当训练次数达到第一数值且训练准确度达到第一阈值时，结束训练，得到训练识别模型；
将所述林木局部样本输入到所述训练识别模型进行模型迭代优化，当迭代优化次数达到第二数值且迭代优化准确度达到第二阈值时，结束迭代优化，得到林木识别模型。
作为优选方案，所述将所述遥感图像数据输入林木识别模型进行特征识别，得到林木特征数据的步骤中，包括：
将所述遥感图像数据进行分类，得到林木整体图像和林木局部图像；
将所述林木整体图像输入到所述林木识别模型进行特征识别，得到第一维度数据；
将所述林木局部图像输入到所述林木识别模型进行特征识别，得到第二维度数据；
将所述第一维度数据和所述第二维度数据进行多维组合处理，得到林木特征数据。
作为优选方案，所述第一维度数据包括林木种植区域的面积数据；所述第二维度数据包括林木种类属性数据；
所述将所述第一维度数据和所述第二维度数据进行多维组合处理，得到林木特征数据的步骤中，包括：
构建多维网格空间，根据所述林木种植区域的面积数据在所述多维网格空间中生成虚拟林木群；
根据所述林木种类属性数据在所述虚拟林木群中对应生成所属种类林木；
根据所述虚拟林木群中不同种类林木所在多维网格空间的位置、高度、生长方向和数量，生成向量数据作为林木特征数据。
作为优选方案，所述获取目标区域的历史气候数据的步骤中，包括：获取目标区域的经纬度数据，根据所述经纬度数据通过气象监测平台获取目标区域的历史气候数据。
作为优选方案，所述历史气候数据包括：光照强度数据、空气湿度数据、日间温度数据、夜间温度数据和氧气浓度数据。
作为优选方案，所述林下复合生态模式包括：林粮模式、林药模式、林菌模式和林菜模式。
作为优选方案，所述根据所述历史气候数据和所述林木特征数据，确定林下复合生态模式的步骤中，包括：
建立林下复合生态规则库，其中，所述林下复合生态规则库用于储存不同种类的药材、粮食、食用菌和蔬菜适宜种植环境的数据范围；
将所述历史气候数据输入所述多维网格空间中，确定所述虚拟林木群中不同位置的气候特征；
根据所述虚拟林木群中不同位置的气候特征和所述林木特征数据，通过所述林下复合生态规则库，确定目标区域中不同位置的林下复合生态模式。
相应地，本发明另一实施例还提供了一种林下复合生态处理装置，包括：
第一获取模块，用于通过无人机获取目标区域的遥感图像数据；
特征识别模块，用于将所述遥感图像数据输入林木识别模型进行特征识别，得到林木特征数据；其中，所述林木识别模型用于对输入数据中的林木进行特征识别，输出林木特征数据；
第二获取模块，用于获取目标区域的历史气候数据；
模式确定模块，用于根据所述历史气候数据和所述林木特征数据，确定林下复合生态模式。
作为优选方案，所述林木识别模型的建立步骤，包括：
获取林木图像样本，所述林木图像样本包括林木整体样本和林木局部样本；
建立初始识别模型，将所述林木整体样本输入到所述初始识别模型进行模型训练，当训练次数达到第一数值且训练准确度达到第一阈值时，结束训练，得到训练识别模型；
将所述林木局部样本输入到所述训练识别模型进行模型迭代优化，当迭代优化次数达到第二数值且迭代优化准确度达到第二阈值时，结束迭代优化，得到林木识别模型。
作为优选方案，所述特征识别模块包括：图像分类单元、第一识别单元、第二识别单元和特征数据单元，各单元具体如下：
图像分类单元，用于将所述遥感图像数据进行分类，得到林木整体图像和林木局部图像；
第一识别单元，用于将所述林木整体图像输入到所述林木识别模型进行特征识别，得到第一维度数据；
第二识别单元，用于将所述林木局部图像输入到所述林木识别模型进行特征识别，得到第二维度数据；
特征数据单元，用于将所述第一维度数据和所述第二维度数据进行多维组合处理，得到林木特征数据。
作为优选方案，所述第一维度数据包括林木种植区域的面积数据；所述第二维度数据包括林木种类属性数据；
所述特征数据单元包括：
网格空间子单元，用于构建多维网格空间，根据所述林木种植区域的面积数据在所述多维网格空间中生成虚拟林木群；
种类属性子单元，用于根据所述林木种类属性数据在所述虚拟林木群中对应生成所属种类林木；
特征数据子单元，用于根据所述虚拟林木群中不同种类林木所在多维网格空间的位置、高度、生长方向和数量，生成向量数据作为林木特征数据。
作为优选方案，所述第二获取模块，具体用于：获取目标区域的经纬度数据，根据所述经纬度数据通过气象监测平台获取目标区域的历史气候数据。
作为优选方案，所述历史气候数据包括：光照强度数据、空气湿度数据、日间温度数据、夜间温度数据和氧气浓度数据。
作为优选方案，所述林下复合生态模式包括：林粮模式、林药模式、林菌模式和林菜模式。
作为优选方案，所述模式确定模块，包括：
规则建立单元，用于建立林下复合生态规则库，其中，所述林下复合生态规则库用于储存不同种类的药材、粮食、食用菌和蔬菜适宜种植环境的数据范围；
气候特征单元，用于将所述历史气候数据输入所述多维网格空间中，确定所述虚拟林木群中不同位置的气候特征；
模式确定单元，用于根据所述虚拟林木群中不同位置的气候特征和所述林木特征数据，通过所述林下复合生态规则库，确定目标区域中不同位置的林下复合生态模式。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述任一项所述的林下复合生态处理方法。
本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上述任一项所述的林下复合生态处理方法。
相比于现有技术，本发明实施例具有如下有益效果：
本发明技术方案通过无人机获取目标区域的遥感图像数据输入林木识别模型进行特征识别，得到林木特征数据，结合历史气候数据确定林下复合生态模式，以解决目前依据种植人员的多年农耕作业经验确定不同的林下复合生态模式的方式缺乏准确性，无法更精准去计算出林下复合生态最优方案的技术问题，能够更加精准地确定林下复合生态模式，优化生态资源，提高能源使用效率。
附图说明
图1：为本发明实施例提供的一种林下复合生态处理方法的步骤流程图；
图2：为本发明实施例提供的一种林下复合生态处理装置的结构示意图；
图3：为本发明实施例提供的终端设备的一种实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
请参照图1，为本发明实施例提供的一种林下复合生态处理方法的步骤流程图，包括步骤101至步骤104，各步骤具体如下：
步骤101，通过无人机获取目标区域的遥感图像数据。
具体地，通过无人机技术可以获取目标区域的遥感图像；需要说明的是，该遥感图像可以是实时获取的，也可以是某一时段获取的。通过控制无人机飞行的高度和范围可以获取到林木的整体图像和林木的局部图像，作为后续步骤中模型优化的的数据来源。
步骤102，将所述遥感图像数据输入林木识别模型进行特征识别，得到林木特征数据；其中，所述林木识别模型用于对输入数据中的林木进行特征识别，输出林木特征数据。
首先，林木特征数据是包含了林木的所属种类、该种类林木的种植范围，以及各个种类林木种植范围所形成的整片林木的范围等等。但是常规的特征识别模型往往只能够识别较为准确的图像，对于遥感图像存在清晰度不高，或者局部图像这种情况，往往不能够进行特征识别。因此，得先对识别模型进行优化。
具体地，在本实施例中，所述林木识别模型的建立步骤，包括：第一步：获取林木图像样本，所述林木图像样本包括林木整体样本和林木局部样本；第二步：建立初始识别模型，将所述林木整体样本输入到所述初始识别模型进行模型训练，当训练次数达到第一数值且训练准确度达到第一阈值时，结束训练，得到训练识别模型；第三步：将所述林木局部样本输入到所述训练识别模型进行模型迭代优化，当迭代优化次数达到第二数值且迭代优化准确度达到第二阈值时，结束迭代优化，得到林木识别模型。
通过上述模型优化的步骤，优化后的林木识别模型率先通过林木整体图像就能识别到本次输入数据源为林木遥感图像，再通过局部图像的识别就能准确识别出林木的特征数据。
因此，在本实施例的第一方面中，所述将所述遥感图像数据输入林木识别模型进行特征识别，得到林木特征数据的步骤中，包括步骤1021至步骤1024，各步骤具体如下：步骤1021，将所述遥感图像数据进行分类，得到林木整体图像和林木局部图像。步骤1022，将所述林木整体图像输入到所述林木识别模型进行特征识别，得到第一维度数据。步骤1023，将所述林木局部图像输入到所述林木识别模型进行特征识别，得到第二维度数据。步骤1024，将所述第一维度数据和所述第二维度数据进行多维组合处理，得到林木特征数据。
具体地，在本实施例中，所述第一维度数据包括林木种植区域的面积数据；所述第二维度数据包括林木种类属性数据；所述步骤1024包括：步骤10241，构建多维网格空间，根据所述林木种植区域的面积数据在所述多维网格空间中生成虚拟林木群；步骤10242，根据所述林木种类属性数据在所述虚拟林木群中对应生成所属种类林木；步骤10243，根据所述虚拟林木群中不同种类林木所在多维网格空间的位置、高度、生长方向和数量，生成向量数据作为林木特征数据。
具体地，步骤1022的执行中，林木识别模型基于输入源可以识别出本次输入数据源为林木遥感图像并识别到第一维度数据。第一维度数据的输出，可以借助该数据构建一个多维网格空间来虚拟目标区域内的林木范围；步骤1023的执行中，林木识别模型基于输入源可以准确识别出林木的特征数据，即林木种类属性数据，输出第二维度数据。依据识别出来的林木范围和林木范围的种类属性数据可以进行多维组合，更准确地、动态制作出该目标区域的林木模型；从而根据所述虚拟林木群中不同种类林木所在多维网格空间的位置、高度、生长方向和数量，生成向量数据作为林木特征数据。
步骤103，获取目标区域的历史气候数据。
为了进一步提高气候数据的准确性，在本实施例的第一方面中，所述获取目标区域的历史气候数据的步骤中，包括：获取目标区域的经纬度数据，根据所述经纬度数据通过气象监测平台获取目标区域的历史气候数据。
具体地，在本实施例中，所述历史气候数据包括：光照强度数据、空气湿度数据、日间温度数据、夜间温度数据和氧气浓度数据。
步骤104，根据所述历史气候数据和所述林木特征数据，确定林下复合生态模式。
具体地，在本实施例中，所述林下复合生态模式包括：林粮模式、林药模式、林菌模式和林菜模式。
在本实施例的第一方面中，所述步骤104，包括步骤1041至步骤1043，各步骤具体如下：步骤1041，建立林下复合生态规则库，其中，所述林下复合生态规则库用于储存不同种类的药材、粮食、食用菌和蔬菜适宜种植环境的数据范围。步骤1042，将所述历史气候数据输入所述多维网格空间中，确定所述虚拟林木群中不同位置的气候特征。步骤1043，根据所述虚拟林木群中不同位置的气候特征和所述林木特征数据，通过所述林下复合生态规则库，确定目标区域中不同位置的林下复合生态模式。
具体地，林粮模式是在用材林、经济林下的行间进行林粮间作，通过间作可以达到以短养长、长短结合，增加林农经济收入，改良林地土壤理化结构，促进林木良好生长的目的。林药模式是在未郁闭的用材林、经济林、竹林等林下种植较为耐阴的药材。通过间作，林木为药材提供隐蔽条件，防止夏季烈日高温伤害，同时林下间作药材采用集约化的精耕细作，有利于改良土壤、增加肥力、促进林木生长。林菌模式是林下种植食用菌的立体栽植模式，利用林分郁闭后林下空气湿度大、氧气充足、光照强度低、昼夜温差小的特点，在林下种植平菇、香菇等食用菌。林菜模式是根据林间光照程度和各种蔬菜的不同需光特性科学地选择种植不同种类、品种的模式。可以理解的是，各个模式中，具体的栽植规则可以根据实际需求进行调整或修改，本方案不在累赘陈述。
本发明技术方案通过无人机获取目标区域的遥感图像数据输入林木识别模型进行特征识别，得到林木特征数据，结合历史气候数据确定林下复合生态模式，以解决目前依据种植人员的多年农耕作业经验确定不同的林下复合生态模式的方式缺乏准确性，无法更精准去计算出林下复合生态最优方案的技术问题，能够更加精准地确定林下复合生态模式，优化生态资源，提高能源使用效率。
实施例二
相应地，请参照图2，为本发明实施例提供的一种林下复合生态处理装置的结构示意图，包括：第一获取模块、特征识别模块、第二获取模块和模式确定模块，各模块具体如下：
第一获取模块，用于通过无人机获取目标区域的遥感图像数据。
特征识别模块，用于将所述遥感图像数据输入林木识别模型进行特征识别，得到林木特征数据；其中，所述林木识别模型用于对输入数据中的林木进行特征识别，输出林木特征数据。
在本实施例中，所述林木识别模型的建立步骤，包括：获取林木图像样本，所述林木图像样本包括林木整体样本和林木局部样本；建立初始识别模型，将所述林木整体样本输入到所述初始识别模型进行模型训练，当训练次数达到第一数值且训练准确度达到第一阈值时，结束训练，得到训练识别模型；将所述林木局部样本输入到所述训练识别模型进行模型迭代优化，当迭代优化次数达到第二数值且迭代优化准确度达到第二阈值时，结束迭代优化，得到林木识别模型。
在本实施例的第一方面中，所述特征识别模块包括：图像分类单元、第一识别单元、第二识别单元和特征数据单元，各单元具体如下：
图像分类单元，用于将所述遥感图像数据进行分类，得到林木整体图像和林木局部图像；
第一识别单元，用于将所述林木整体图像输入到所述林木识别模型进行特征识别，得到第一维度数据；
第二识别单元，用于将所述林木局部图像输入到所述林木识别模型进行特征识别，得到第二维度数据；
特征数据单元，用于将所述第一维度数据和所述第二维度数据进行多维组合处理，得到林木特征数据。
具体地，在本实施例中，所述第一维度数据包括林木种植区域的面积数据；所述第二维度数据包括林木种类属性数据；
所述特征数据单元包括：网格空间子单元，用于构建多维网格空间，根据所述林木种植区域的面积数据在所述多维网格空间中生成虚拟林木群；种类属性子单元，用于根据所述林木种类属性数据在所述虚拟林木群中对应生成所属种类林木；特征数据子单元，用于根据所述虚拟林木群中不同种类林木所在多维网格空间的位置、高度、生长方向和数量，生成向量数据作为林木特征数据。
第二获取模块，用于获取目标区域的历史气候数据。
具体地，在本实施例中，所述第二获取模块，具体用于：获取目标区域的经纬度数据，根据所述经纬度数据通过气象监测平台获取目标区域的历史气候数据。
在本实施例的第一方面中，所述历史气候数据包括：光照强度数据、空气湿度数据、日间温度数据、夜间温度数据和氧气浓度数据。
模式确定模块，用于根据所述历史气候数据和所述林木特征数据，确定林下复合生态模式。
具体地，在本实施例中，所述林下复合生态模式包括：林粮模式、林药模式、林菌模式和林菜模式。
在本实施例的第一方面中，所述模式确定模块，包括：
规则建立单元，用于建立林下复合生态规则库，其中，所述林下复合生态规则库用于储存不同种类的药材、粮食、食用菌和蔬菜适宜种植环境的数据范围；
气候特征单元，用于将所述历史气候数据输入所述多维网格空间中，确定所述虚拟林木群中不同位置的气候特征；
模式确定单元，用于根据所述虚拟林木群中不同位置的气候特征和所述林木特征数据，通过所述林下复合生态规则库，确定目标区域中不同位置的林下复合生态模式。
实施例三
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的林下复合生态处理方法。
实施例四
请参照图3，是本发明实施例提供的终端设备的一种实施例的结构示意图，所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一实施例所述的林下复合生态处理方法。
优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序)，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(SmartMedia Card，SMC)、安全数字(Secure Digital，SD)卡和闪存卡(Flash Card)等，或所述存储器也可以是其他易失性固态存储器件。
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，上述终端设备仅仅是示例，并不构成对终端设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种林下复合生态处理方法，其特征在于，包括：
通过无人机获取目标区域的遥感图像数据；
将所述遥感图像数据输入林木识别模型进行特征识别，得到林木特征数据；其中，所述林木识别模型用于对输入数据中的林木进行特征识别，输出林木特征数据；
获取目标区域的历史气候数据；
根据所述历史气候数据和所述林木特征数据，确定林下复合生态模式。
2.如权利要求1所述的林下复合生态处理方法，其特征在于，所述林木识别模型的建立步骤，包括：
获取林木图像样本，所述林木图像样本包括林木整体样本和林木局部样本；
建立初始识别模型，将所述林木整体样本输入到所述初始识别模型进行模型训练，当训练次数达到第一数值且训练准确度达到第一阈值时，结束训练，得到训练识别模型；
将所述林木局部样本输入到所述训练识别模型进行模型迭代优化，当迭代优化次数达到第二数值且迭代优化准确度达到第二阈值时，结束迭代优化，得到林木识别模型。
3.如权利要求2所述的林下复合生态处理方法，其特征在于，所述将所述遥感图像数据输入林木识别模型进行特征识别，得到林木特征数据的步骤中，包括：
将所述遥感图像数据进行分类，得到林木整体图像和林木局部图像；
将所述林木整体图像输入到所述林木识别模型进行特征识别，得到第一维度数据；
将所述林木局部图像输入到所述林木识别模型进行特征识别，得到第二维度数据；
将所述第一维度数据和所述第二维度数据进行多维组合处理，得到林木特征数据。
4.如权利要求3所述的林下复合生态处理方法，其特征在于，所述第一维度数据包括林木种植区域的面积数据；所述第二维度数据包括林木种类属性数据；
所述将所述第一维度数据和所述第二维度数据进行多维组合处理，得到林木特征数据的步骤中，包括：
构建多维网格空间，根据所述林木种植区域的面积数据在所述多维网格空间中生成虚拟林木群；
根据所述林木种类属性数据在所述虚拟林木群中对应生成所属种类林木；
根据所述虚拟林木群中不同种类林木所在多维网格空间的位置、高度、生长方向和数量，生成向量数据作为林木特征数据。
5.如权利要求1所述的林下复合生态处理方法，其特征在于，所述获取目标区域的历史气候数据的步骤中，包括：获取目标区域的经纬度数据，根据所述经纬度数据通过气象监测平台获取目标区域的历史气候数据。
6.如权利要求5所述的林下复合生态处理方法，其特征在于，所述历史气候数据包括：光照强度数据、空气湿度数据、日间温度数据、夜间温度数据和氧气浓度数据。
7.如权利要求1所述的林下复合生态处理方法，其特征在于，所述林下复合生态模式包括：林粮模式、林药模式、林菌模式和林菜模式。
8.一种林下复合生态处理装置，其特征在于，包括：
第一获取模块，用于通过无人机获取目标区域的遥感图像数据；
特征识别模块，用于将所述遥感图像数据输入林木识别模型进行特征识别，得到林木特征数据；其中，所述林木识别模型用于对输入数据中的林木进行特征识别，输出林木特征数据；
第二获取模块，用于获取目标区域的历史气候数据；
模式确定模块，用于根据所述历史气候数据和所述林木特征数据，确定林下复合生态模式。
9.一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包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1-7中任一项所述的林下复合生态处理方法。
10.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1-7中任一项所述的林下复合生态处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110764092.0A CN113408474B (zh) | 2021-07-06 | 2021-07-06 | 一种林下复合生态处理方法、装置、介质及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110764092.0A CN113408474B (zh) | 2021-07-06 | 2021-07-06 | 一种林下复合生态处理方法、装置、介质及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113408474A true CN113408474A (zh) | 2021-09-17 |
| CN113408474B CN113408474B (zh) | 2022-02-22 |
Family
ID=77685256
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110764092.0A Expired - Fee Related CN113408474B (zh) | 2021-07-06 | 2021-07-06 | 一种林下复合生态处理方法、装置、介质及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113408474B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100423004B1 (ko) * | 2002-11-14 | 2004-03-18 | 정라조경 (주) | 산림표토성분 조합조성물 및 이를 이용한 식생표토층조성에 의한 생태복원 녹화방법 |
| CN106023178A (zh) * | 2016-05-16 | 2016-10-12 | 浙江工业大学 | 一种基于梯度方向聚类的遥感数据中单棵树的检测方法 |
| CN109993071A (zh) * | 2019-03-13 | 2019-07-09 | 中国科学院遥感与数字地球研究所 | 基于遥感影像的变色林木自动识别及调查的方法和系统 |
-
2021
- 2021-07-06 CN CN202110764092.0A patent/CN113408474B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100423004B1 (ko) * | 2002-11-14 | 2004-03-18 | 정라조경 (주) | 산림표토성분 조합조성물 및 이를 이용한 식생표토층조성에 의한 생태복원 녹화방법 |
| CN106023178A (zh) * | 2016-05-16 | 2016-10-12 | 浙江工业大学 | 一种基于梯度方向聚类的遥感数据中单棵树的检测方法 |
| CN109993071A (zh) * | 2019-03-13 | 2019-07-09 | 中国科学院遥感与数字地球研究所 | 基于遥感影像的变色林木自动识别及调查的方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 席桂萍: "豫东黄河故道农林复合生态模式经济效益分析", 《河南林业科技》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113408474B (zh) | 2022-02-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Tomato diseases and pests detection based on improved Yolo V3 convolutional neural network | |
| Tian et al. | Detection of apple lesions in orchards based on deep learning methods of CycleGAN and YOLOV3‐dense | |
| CN109583301B (zh) | 一种农作物生长过程最优外部种植条件预测方法及装置 | |
| Gea-Izquierdo et al. | Changes in limiting resources determine spatio-temporal variability in tree–grass interactions | |
| CN109558939B (zh) | 一种基于神经网络的作物生长模型选择方法及装置 | |
| Notenbaert et al. | Classifying livestock production systems for targeting agricultural research and development in a rapidly changing world | |
| Korndörfer et al. | Assessing the potential of Araucaria angustifolia (Araucariaceae) as a nurse plant in highland grasslands of south Brazil | |
| Pádua et al. | Classification of an agrosilvopastoral system using RGB Imagery from an unmanned aerial vehicle | |
| Zhang et al. | YOLO-VOLO-LS: a novel method for variety identification of early lettuce seedlings | |
| Güven et al. | Smart farming technologies for sustainable agriculture: From food to energy | |
| Zhangzhong et al. | Development of an evapotranspiration estimation method for lettuce via mobile phones using machine vision: Proof of concept | |
| CN113408474B (zh) | 一种林下复合生态处理方法、装置、介质及终端设备 | |
| US11185007B1 (en) | Methods and systems for prioritizing management of agricultural fields | |
| Zou et al. | Combining spectral and texture feature of UAV image with plant height to improve LAI estimation of winter wheat at jointing stage | |
| Delalibera et al. | Management zones in agriculture acording to the soil and landscape variables | |
| Sott et al. | Agriculture 4.0 and Smart Sensors. The Scientific Evolution of Digital Agriculture: Challenges and Opportunities | |
| Zualkernan et al. | Machine Learning for Precision Agriculture Using Imagery from Unmanned Aerial Vehicles (UAVs): A Survey. Drones 2023, 7, 382 | |
| CN115690609A (zh) | 一种作物生育期长势监测的方法 | |
| Hu et al. | Estimation of wheat tiller density using remote sensing data and machine learning methods | |
| CN113408666A (zh) | 一种用于景观的温室绿植栽培方法 | |
| Shahadha et al. | Can one‐time calibration of measured soil hydraulic input parameters yield appropriate simulations of RZWQM2? | |
| Patil et al. | Pre and Post Harvesting using Deep Learning Techniques: A comprehensive study | |
| Liu et al. | A method for estimating yield of maize inbred lines by assimilating WOFOST model with Sentinel-2 satellite data | |
| Priya et al. | IoT based agriculture robot using neural networks | |
| Sortino et al. | Agri-food: which technologies to guarantee our health? |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220222 |