CN113868963B - 基于机器学习的仿自然生态植被构建方法、系统及设备 - Google Patents

基于机器学习的仿自然生态植被构建方法、系统及设备 Download PDF

Info

Publication number
CN113868963B
CN113868963B CN202111218314.5A CN202111218314A CN113868963B CN 113868963 B CN113868963 B CN 113868963B CN 202111218314 A CN202111218314 A CN 202111218314A CN 113868963 B CN113868963 B CN 113868963B
Authority
CN
China
Prior art keywords
vegetation
characteristic information
growth
slope
condition characteristic
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.)
Active
Application number
CN202111218314.5A
Other languages
English (en)
Other versions
CN113868963A (zh
Inventor
刘广全
史婉丽
刘鎏
齐春雨
白应飞
陈永贵
张强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Institute of Water Resources and Hydropower Research
Original Assignee
China Institute of Water Resources and Hydropower Research
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Institute of Water Resources and Hydropower Research filed Critical China Institute of Water Resources and Hydropower Research
Priority to CN202111218314.5A priority Critical patent/CN113868963B/zh
Publication of CN113868963A publication Critical patent/CN113868963A/zh
Application granted granted Critical
Publication of CN113868963B publication Critical patent/CN113868963B/zh
Priority to KR1020220134476A priority patent/KR102585381B1/ko
Priority to US17/967,907 priority patent/US11694005B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/22—Improving land use; Improving water use or availability; Controlling erosion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Development Economics (AREA)

Abstract

本发明公开了一种基于机器学习的仿自然生态植被构建方法，包括获取植被群落历史生长环境数据；提取各植被的立地条件特征信息和生长条件特征信息；构建植被群落结构选择模型；利用植被群落结构选择模型，根据植被群落当前生长环境数据选择最优植被，构建仿自然生态植被群落。本发明从立地条件和生长条件综合考虑植被恢复的多种影响因素，具有操作简单、建模速度快，计算效率高，筛选准确率高等优点，能够实现准确有效的退耕还林植被恢复，有助于提升生态环境质量。

Description

基于机器学习的仿自然生态植被构建方法、系统及设备
技术领域
本发明涉及植被恢复技术领域，具体涉及一种基于机器学习的仿自然生态植被构建方法、系统及设备。
背景技术
植被恢复是遏制生态环境恶化，改善脆弱和退化生态系统的有效措施，黄土高原生态恢复与重建的关键是植被的恢复和重建，这在生态界已达成共识。长期以来，国家在水土流失严重的黄土丘陵沟壑区开展了大量的植被恢复工作，特别是1999年以来，退耕还林(草)工程的实施进一步全面推动了区域生态建设进程。一系列生态建设工程的实施和配套政策的落实，推进了农村经济的发展，遏制了该区多年来边治理边破坏和生态环境局部改善整体系化的趋势。
退耕还林工程是土地利用结构调整的具体措施，其实施可引起大尺度、转换性的地表覆被变化，从而对区域生态环境产生重大影响。退耕还林工程的生态目标是在提高森林覆盖率的基础上，构建健康森林的生态系统，实现其服务功能价值。然而，由于自然条件严酷，树种选择不当和经营管理不善，部分区域造林成活、保存率低。因林分生长不良，尚未形成有效约防护结构，不能形成稳定的森林环境，难以发挥其改良土壤，促进降水入渗，控制水土流失等功能，使得退耕的生态效益下降。
现有的退耕还林植被恢复方法大多采用人工研讨或者针对单一立地条件筛选合适的植被，必然存在人工成本消耗太大、筛选准确率不高等问题。
发明内容
针对现有技术中的上述不足，本发明提供了一种基于机器学习的仿自然生态植被构建方法、系统及设备。
为了达到上述发明目的，本发明采用的技术方案为：
第一方面，本发明提供了一种基于机器学习的仿自然生态植被构建方法，包括以下步骤：
获取植被群落历史生长环境数据；
从历史生长环境数据中提取各植被的立地条件特征信息和生长条件特征信息；
根据植被的立地条件特征信息和生长条件特征信息，构建植被群落结构选择模型；
利用植被群落结构选择模型，根据植被群落当前生长环境数据选择最优植被，构建仿自然生态植被群落。
进一步地，所述植被的立地条件特征信息包括植被所处地理环境的坡向特征信息、坡度特征信息、坡位特征信息和微地形特征信息；
其中植被所处的坡向特征信息具体为植被所处的坡向为阳坡、半阳坡、半阴坡、阴坡中的一种；
植被所处的坡度特征信息具体为植被所处的坡度为平坡、缓坡、斜坡、陡坡、急坡、险坡中的一种；
植被所处的坡位特征信息具体为植被所处的坡位为脊坡、上坡、中坡、下坡、谷坡中的一种；
植被所处的微地形特征信息具体为植被所处的微地形为缓台、塌陷、切沟、浅沟、陡坎中的一种。
进一步地，所述植被的生长条件特征信息包括植被所处气象环境的日照时数特征信息、土壤湿度特征信息、空气温度特征信息、空气压强特征信息、相对湿度特征信息。
进一步地，所述根据植被的立地条件特征信息和生长条件特征信息，构建植被群落结构选择模型具体包括以下分步骤：
获取植被所处气象环境的生长条件特征信息，选取各植被相关性最大的生长条件特征信息；
获取植被所处地理环境的立地条件特征信息，选取各植被相关性最大的立地条件特征信息；
根据选取的各植被相关性最大的生长条件特征信息和立地条件特征信息，构建一一对应关系的样本数据库；
利用样本数据库，基于机器学习方法训练植被群落结构选择模型，确定生长条件特征信息和立地条件特征信息与植被类型之间的对应关系。
进一步地，所述获取植被所处气象环境的生长条件特征信息，选取各植被相关性最大的生长条件特征信息具体包括以下分步骤：
获取植被所处气象环境的生长条件特征信息，构建生长条件特征信息矩阵；
设定生长条件阈值，构建生长条件阈值矩阵；
分别计算各种生长条件特征信息与对应的生长条件阈值的关联系数；
根据计算的关联系数，分别计算各种生长条件特征信息的关联序；
根据计算的关联序按大小进行排序，选择关联序最大的生长条件特征信息。
进一步地，所述获取植被所处地理环境的立地条件特征信息，选取各植被相关性最大的立地条件特征信息具体包括以下分步骤：
获取植被所处地理环境的立地条件特征信息，构建立地条件特征信息矩阵；
设定立地条件阈值，构建立地条件阈值矩阵；
分别计算各种立地条件特征信息与对应的立地条件阈值的关联系数；
根据计算的关联系数，分别计算各种立地条件特征信息的关联序；
根据计算的关联序按大小进行排序，选择关联序最大的立地条件特征信息。
进一步地，所述利用样本数据库，基于机器学习方法训练植被群落结构选择模型，确定生长条件特征信息和立地条件特征信息与植被类型之间的对应关系具体包括以下分步骤：
获取样本数据库中的样本数据作为训练样本；
对样本数据进行归一化处理；
设定隐层数目；
初始化进化次数、种群规模、交叉概率和变异概率；
对种群进行实数编码，并将预测数据与期望数据之间的误差作为适应度函数；
循环进行选择、交叉、变异、计算适应度操作，直到达到进化次数，得到最优的初始权值和阈值；
将得到最优初始权值和阈值作为神经网络中初始神经元之间的权值和阈值，构建植被群落结构选择模型；
利用训练样本训练植被群落结构选择模型，建立生长条件特征信息和立地条件特征信息与植被类型之间的对应关系。
第二方面，本发明提供了一种基于机器学习的仿自然生态植被构建系统，包括：
数据获取模块，用于获取植被群落历史生长环境数据；
数据提取模块，用于从历史生长环境数据中提取各植被的立地条件特征信息和生长条件特征信息；
模型构建模块，用于根据植被的立地条件特征信息和生长条件特征信息，构建植被群落结构选择模型；
植被构建模块，用于利用植被群落结构选择模型，根据植被群落当前生长环境数据选择最优植被，构建仿自然生态植被群落。
第三方面，本发明提供了一种基于机器学习的仿自然生态植被构建设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述的基于机器学习的仿自然生态植被构建方法的步骤。
第四方面，本发明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上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的基于机器学习的仿自然生态植被构建方法的步骤。
本发明具有以下有益效果：
本发明本发明利用植被群落历史生长环境数据中各植被的立地条件特征信息和生长条件特征信息构建植被群落结构选择模型，并利用植被群落结构选择模型，根据植被群落当前生长环境数据选择最优植被，构建仿自然生态植被群落。该方法从立地条件和生长条件综合考虑植被恢复的多种影响因素，具有操作简单、建模速度快，计算效率高，筛选准确率高等优点，能够实现准确有效的退耕还林植被恢复，有助于提升生态环境质量。
附图说明
图1为本发明实施例提供的一种基于机器学习的仿自然生态植被构建方法的流程图。
图2为本发明实施例提供的一种基于机器学习的仿自然生态植被构建系统的结构图；
图3为本发明实施例提供的一种基于机器学习的仿自然生态植被构建设备的结构图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，本发明实施例提供的一种基于机器学习的仿自然生态植被构建方法，包括以下步骤S1至S4：
S1、获取植被群落历史生长环境数据；
在本步骤中，本发明采用实地调研和仪器观测等手段获取待分析区域的植被群落的历史生长环境数据，用于为后续植被群落结构选择模型训练提供有效的训练数据。
本发明所采用的植被群落历史生长环境数据包括植被所处地理环境的立地条件特征信息和植被所处气象环境的生长条件特征信息，从而实现从立地条件和生长条件综合考虑植被恢复的多种影响因素，显著提高植被群落结构选择模型的筛选准确率。
S2、从历史生长环境数据中提取各植被的立地条件特征信息和生长条件特征信息；
在本步骤中，本发明从步骤S1获取的植被群落历史生长环境数据中提取出各种类植被及对应的立地条件特征信息和生长条件特征信息。
本发明所采用的植被的立地条件特征信息包括植被所处地理环境的坡向特征信息、坡度特征信息、坡位特征信息和微地形特征信息；
其中植被所处的坡向特征信息具体为植被所处的坡向为阳坡、半阳坡、半阴坡、阴坡中的一种；
植被所处的坡度特征信息具体为植被所处的坡度为平坡、缓坡、斜坡、陡坡、急坡、险坡中的一种；
植被所处的坡位特征信息具体为植被所处的坡位为脊坡、上坡、中坡、下坡、谷坡中的一种；
植被所处的微地形特征信息具体为植被所处的微地形为缓台、塌陷、切沟、浅沟、陡坎中的一种。
本发明通过提取各种类植被所处地理环境的坡向特征信息、坡度特征信息、坡位特征信息和微地形特征信息，能够根据各种立地条件下植被生长的死亡率和更新率分析各种立地条件下植被的生长情况，筛选出各种立地条件下适合恢复的植被种类，保证构建的植被能够正常生长和自然更新。
本发明所采用的植被的生长条件特征信息包括植被所处气象环境的日照时数特征信息、土壤湿度特征信息、空气温度特征信息、空气压强特征信息、相对湿度特征信息。
本发明通过提取各种类植被所处气象环境的日照时数特征信息、土壤湿度特征信息、空气温度特征信息、空气压强特征信息、相对湿度特征信息，能够根据各种生长条件植被的茎干周常变化数据分析各种生长条件下植被的生长情况，筛选出各种生长条件下适合恢复的植被种类，保证构建的植被对所处区域环境能够有较强的适应能力。
S3、根据植被的立地条件特征信息和生长条件特征信息，构建植被群落结构选择模型；
在本步骤中，本发明根据植被的立地条件特征信息和生长条件特征信息，构建植被群落结构选择模型具体包括以下分步骤：
S3-1、获取植被所处气象环境的生长条件特征信息，选取各植被相关性最大的生长条件特征信息；
在本分步骤中，本发明获取植被所处气象环境的生长条件特征信息，选取各植被相关性最大的生长条件特征信息具体包括以下分步骤：
S3-1-1、获取植被所处气象环境的生长条件特征信息，构建生长条件特征信息矩阵，表示为
Figure BDA0003311543700000081
式中，X1,X2...,Xn表示植被所处气象环境的生长条件特征信息，x1(1),x2(2)...,xm(m)表示植被所处气象环境的生长条件特征信息X1的具体数值，n表示植被所处气象环境的生长条件特征信息的种类个数，m表示植被所处气象环境的生长条件特征信息的具体数值个数；例如，将植被所处气象环境的日照时数特征信息表示为X1，植被所处气象环境的日照时数的具体数值表示为x1(1)。S3-1-2、设定生长条件阈值，构建生长条件阈值矩阵，表示为
X0＝(x0(1),x0(2)...,x0(m))
式中，x0(1),x0(2)...,x0(m)表示生长条件阈值；例如，将植被所处气象环境的日照时数阈值表示为x0(1)。
S3-1-3、分别计算各种生长条件特征信息与对应的生长条件阈值的关联系数，计算公式表示为：
Figure BDA0003311543700000091
式中，ρ表示设定的生长条件对应的分辨系数，i表示植被所处气象环境的生长条件特征信息的种类序号，k表示植被所处气象环境的生长条件特征信息的具体数值序号；
本发明直接利用原始数据进行关联系数计算，能够使得计算更为简便，提高计算效果，并且避免了传统归一化处理造成的对特征信息作用的负面影响。
S3-1-4、根据计算的关联系数，分别计算各种生长条件特征信息的关联序，计算公式表示为：
Figure BDA0003311543700000092
式中，Wk表示植被所处气象环境的生长条件特征信息的权重；
S3-1-5、根据计算的关联序按大小进行排序，选择关联序最大的生长条件特征信息。
S3-2、获取植被所处地理环境的立地条件特征信息，选取各植被相关性最大的立地条件特征信息；
在本分步骤中，本发明获取植被所处地理环境的立地条件特征信息，选取各植被相关性最大的立地条件特征信息具体包括以下分步骤：
S3-2-1、获取植被所处地理环境的立地条件特征信息，构建立地条件特征信息矩阵，表示为
Figure BDA0003311543700000101
式中，Y1,Y2...,Yp表示植被所处气象环境的生长条件特征信息，y1(1),y1(2)...,y1(q)表示植被所处气象环境的生长条件特征信息Y1的具体数值，p表示植被所处气象环境的生长条件特征信息的种类个数，q表示植被所处气象环境的生长条件特征信息的具体数值个数；例如，将植被所处气象环境的日照时数特征信息表示为Y1，植被所处气象环境的日照时数的具体数值表示为y1(1)。；
S3-2-2、设定立地条件阈值，构建立地条件阈值矩阵，表示为
Y0＝(y0(1),y0(2)...,y0(q))
式中，y0(1),y0(2)...,y0(q)表示生长条件阈值；例如，将植被所处气象环境的日照时数阈值表示为y0(1)。；
S3-2-3、分别计算各种立地条件特征信息与对应的立地条件阈值的关联系数，计算公式表示为：
Figure BDA0003311543700000102
式中，σ表示设定的立地条件对应的分辨系数，j表示植被所处气象环境的生长条件特征信息的种类序号，l表示植被所处气象环境的生长条件特征信息的具体数值序号；
S3-2-4、根据计算的关联系数，分别计算各种立地条件特征信息的关联序，计算公式表示为：
Figure BDA0003311543700000111
式中，Wl表示植被所处气象环境的生长条件特征信息的权重；
S3-2-5、根据计算的关联序按大小进行排序，选择关联序最大的立地条件特征信息。
S3-3、根据选取的各植被相关性最大的生长条件特征信息和立地条件特征信息，构建一一对应关系的样本数据库；
在本步骤中，本发明根据步骤S3-1选取各植被相关性最大的生长条件特征信息和步骤S3-2选取各植被相关性最大的立地条件特征信息，建立各种类植被与其相关性最大的生长条件特征信息和立地条件特征信息的一一对应关系的样本数据库。
S3-4、利用样本数据库，基于机器学习方法训练植被群落结构选择模型，确定生长条件特征信息和立地条件特征信息与植被类型之间的对应关系。
在本步骤中，本发明利用样本数据库，基于机器学习方法训练植被群落结构选择模型，确定生长条件特征信息和立地条件特征信息与植被类型之间的对应关系具体包括以下分步骤：
S3-4-1、获取样本数据库中的样本数据作为训练样本；
S3-4-2、对样本数据进行归一化处理；
S3-4-3、设定隐层数目；
S3-4-4、初始化进化次数、种群规模、交叉概率和变异概率；
S3-4-5、对种群进行实数编码，并将预测数据与期望数据之间的误差作为适应度函数；
S3-4-6、循环进行选择、交叉、变异、计算适应度操作，直到达到进化次数，得到最优的初始权值和阈值；
S3-4-7、将得到最优初始权值和阈值作为神经网络中初始神经元之间的权值和阈值，构建植被群落结构选择模型；
S3-4-8、利用训练样本训练植被群落结构选择模型，建立生长条件特征信息和立地条件特征信息与植被类型之间的对应关系。
本发明利用遗传算法对神经网络构建进行优化，能够避免传统神经网络初始神经元之间权值和阈值随机选择造成的局部最小值问题，从而提高模型的鲁棒性和准确性。
S4、利用植被群落结构选择模型，根据植被群落当前生长环境数据选择最优植被，构建仿自然生态植被群落。
上文对于本发明提供的一种基于机器学习的仿自然生态植被构建方法的实施例进行了详细的描述，本发明还提供了一种与该方法对应的基于机器学习的仿自然生态植被构建系统、设备及计算机可读存储介质，由于系统、设备及计算机可读存储介质部分的实施例与方法部分的实施例相互照应，因此系统、设备及计算机可读存储介质部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
图2为本发明实施例提供的一种基于机器学习的仿自然生态植被构建系统，包括：
数据获取模块，用于获取植被群落历史生长环境数据；
数据提取模块，用于从历史生长环境数据中提取各植被的立地条件特征信息和生长条件特征信息；
模型构建模块，用于根据植被的立地条件特征信息和生长条件特征信息，构建植被群落结构选择模型；
植被构建模块，用于利用植被群落结构选择模型，根据植被群落当前生长环境数据选择最优植被，构建仿自然生态植被群落。
本发明实施例提供的基于机器学习的仿自然生态植被构建系统具有上述基于机器学习的仿自然生态植被构建方法的有益效果。
图3为本发明实施例提供的一种基于机器学习的仿自然生态植被构建设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述的基于机器学习的仿自然生态植被构建方法的步骤。
本发明实施例提供的基于机器学习的仿自然生态植被构建设备具有上述基于机器学习的仿自然生态植被构建方法的有益效果。
本发明实施例提供的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的基于机器学习的仿自然生态植被构建方法的步骤。
本发明实施例提供的计算机可读存储介质具有上述基于机器学习的仿自然生态植被构建方法的有益效果。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (9)

1.一种基于机器学习的仿自然生态植被构建方法，其特征在于，包括以下步骤：
获取植被群落历史生长环境数据；
从历史生长环境数据中提取各植被的立地条件特征信息和生长条件特征信息；
根据植被的立地条件特征信息和生长条件特征信息，构建植被群落结构选择模型，具体包括以下分步骤：
获取植被所处气象环境的生长条件特征信息，选取各植被相关性最大的生长条件特征信息；
获取植被所处地理环境的立地条件特征信息，选取各植被相关性最大的立地条件特征信息；
根据选取的各植被相关性最大的生长条件特征信息和立地条件特征信息，构建一一对应关系的样本数据库；
利用样本数据库，基于机器学习方法训练植被群落结构选择模型，确定生长条件特征信息和立地条件特征信息与植被类型之间的对应关系；
利用植被群落结构选择模型，根据植被群落当前生长环境数据选择最优植被，构建仿自然生态植被群落。
2.根据权利要求1所述的基于机器学习的仿自然生态植被构建方法，其特征在于，所述植被的立地条件特征信息包括植被所处地理环境的坡向特征信息、坡度特征信息、坡位特征信息和微地形特征信息；
其中植被所处的坡向特征信息具体为植被所处的坡向为阳坡、半阳坡、半阴坡、阴坡中的一种；
植被所处的坡度特征信息具体为植被所处的坡度为平坡、缓坡、斜坡、陡坡、急坡、险坡中的一种；
植被所处的坡位特征信息具体为植被所处的坡位为脊坡、上坡、中坡、下坡、谷坡中的一种；
植被所处的微地形特征信息具体为植被所处的微地形为缓台、塌陷、切沟、浅沟、陡坎中的一种。
3.根据权利要求2所述的基于机器学习的仿自然生态植被构建方法，其特征在于，所述植被的生长条件特征信息包括植被所处气象环境的日照时数特征信息、土壤湿度特征信息、空气温度特征信息、空气压强特征信息、相对湿度特征信息。
4.根据权利要求1所述的基于机器学习的仿自然生态植被构建方法，其特征在于，所述获取植被所处气象环境的生长条件特征信息，选取各植被相关性最大的生长条件特征信息具体包括以下分步骤：
获取植被所处气象环境的生长条件特征信息，构建生长条件特征信息矩阵；
设定生长条件阈值，构建生长条件阈值矩阵；
分别计算各种生长条件特征信息与对应的生长条件阈值的关联系数；
根据计算的关联系数，分别计算各种生长条件特征信息的关联序；
根据计算的关联序按大小进行排序，选择关联序最大的生长条件特征信息。
5.根据权利要求4所述的基于机器学习的仿自然生态植被构建方法，其特征在于，所述获取植被所处地理环境的立地条件特征信息，选取各植被相关性最大的立地条件特征信息具体包括以下分步骤：
获取植被所处地理环境的立地条件特征信息，构建立地条件特征信息矩阵；
设定立地条件阈值，构建立地条件阈值矩阵；
分别计算各种立地条件特征信息与对应的立地条件阈值的关联系数；
根据计算的关联系数，分别计算各种立地条件特征信息的关联序；
根据计算的关联序按大小进行排序，选择关联序最大的立地条件特征信息。
6.根据权利要求5所述的基于机器学习的仿自然生态植被构建方法，其特征在于，所述利用样本数据库，基于机器学习方法训练植被群落结构选择模型，确定生长条件特征信息和立地条件特征信息与植被类型之间的对应关系具体包括以下分步骤：
获取样本数据库中的样本数据作为训练样本；
对样本数据进行归一化处理；
设定隐层数目；
初始化进化次数、种群规模、交叉概率和变异概率；
对种群进行实数编码，并将预测数据与期望数据之间的误差作为适应度函数；
循环进行选择、交叉、变异、计算适应度操作，直到达到进化次数，得到最优的初始权值和阈值；
将得到最优初始权值和阈值作为神经网络中初始神经元之间的权值和阈值，构建植被群落结构选择模型；
利用训练样本训练植被群落结构选择模型，建立生长条件特征信息和立地条件特征信息与植被类型之间的对应关系。
7.一种基于机器学习的仿自然生态植被构建系统，其特征在于，包括：
数据获取模块，用于获取植被群落历史生长环境数据；
数据提取模块，用于从历史生长环境数据中提取各植被的立地条件特征信息和生长条件特征信息；
模型构建模块，用于根据植被的立地条件特征信息和生长条件特征信息，构建植被群落结构选择模型，具体为
获取植被所处气象环境的生长条件特征信息，选取各植被相关性最大的生长条件特征信息；
获取植被所处地理环境的立地条件特征信息，选取各植被相关性最大的立地条件特征信息；
根据选取的各植被相关性最大的生长条件特征信息和立地条件特征信息，构建一一对应关系的样本数据库；
利用样本数据库，基于机器学习方法训练植被群落结构选择模型，确定生长条件特征信息和立地条件特征信息与植被类型之间的对应关系；
植被构建模块，用于利用植被群落结构选择模型，根据植被群落当前生长环境数据选择最优植被，构建仿自然生态植被群落。
8.一种基于机器学习的仿自然生态植被构建设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述的基于机器学习的仿自然生态植被构建方法的步骤。
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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于机器学习的仿自然生态植被构建方法的步骤。
CN202111218314.5A 2021-10-20 2021-10-20 基于机器学习的仿自然生态植被构建方法、系统及设备 Active CN113868963B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202111218314.5A CN113868963B (zh) 2021-10-20 2021-10-20 基于机器学习的仿自然生态植被构建方法、系统及设备
KR1020220134476A KR102585381B1 (ko) 2021-10-20 2022-10-18 머신 러닝 기반의 시뮬레이션된 자연 생태 식생 구축 방법, 시스템 및 장비
US17/967,907 US11694005B2 (en) 2021-10-20 2022-10-18 Method, system and equipment for vegetation restoration or rehabilitation based on machine learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111218314.5A CN113868963B (zh) 2021-10-20 2021-10-20 基于机器学习的仿自然生态植被构建方法、系统及设备

Publications (2)

Publication Number Publication Date
CN113868963A CN113868963A (zh) 2021-12-31
CN113868963B true CN113868963B (zh) 2022-06-28

Family

ID=79000505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111218314.5A Active CN113868963B (zh) 2021-10-20 2021-10-20 基于机器学习的仿自然生态植被构建方法、系统及设备

Country Status (3)

Country Link
US (1) US11694005B2 (zh)
KR (1) KR102585381B1 (zh)
CN (1) CN113868963B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117077235B (zh) * 2023-10-18 2024-03-08 北京林业大学 近自然森林群落设计和优化方法、装置和电子设备
CN117314021A (zh) * 2023-11-29 2023-12-29 中国科学院东北地理与农业生态研究所 基于遥感和历史数据的湿地恢复重建分析方法及系统
CN117787003B (zh) * 2023-12-29 2024-06-18 北京江河惠远科技有限公司 一种用于输电线路生态圈搭建的植被恢复方案生成方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360453A (zh) * 2011-09-28 2012-02-22 北京林业大学 一种防护林水平配置方法
CN108920674A (zh) * 2018-07-09 2018-11-30 广州地理研究所 一种生态安全格局构建方法
CN112084926A (zh) * 2020-09-03 2020-12-15 常德鑫芙蓉环保有限公司 废弃矿山生态修复植物筛选方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101022269B1 (ko) * 2008-12-29 2011-03-15 대한민국 지리정보를 이용한 식물복원 적지 선정 방법, 단말기 및 시스템
US10990875B2 (en) * 2018-11-28 2021-04-27 International Business Machines Corporation Neural network forecasting for tiered hydroponic natural farming configurations
US11436712B2 (en) * 2019-10-21 2022-09-06 International Business Machines Corporation Predicting and correcting vegetation state
KR102348442B1 (ko) * 2019-12-30 2022-01-10 서울대학교산학협력단 현존식생을 고려한 참조생태계 선정과 이를 이용한 식생복원 방법
CN113837707B (zh) * 2020-06-08 2024-04-09 杭州睿琪软件有限公司 辅助用户进行植物养护的方法和计算机系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360453A (zh) * 2011-09-28 2012-02-22 北京林业大学 一种防护林水平配置方法
CN108920674A (zh) * 2018-07-09 2018-11-30 广州地理研究所 一种生态安全格局构建方法
CN112084926A (zh) * 2020-09-03 2020-12-15 常德鑫芙蓉环保有限公司 废弃矿山生态修复植物筛选方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
人工神经网络在流域植被类型优化中的应用;胡淑萍 等;《北京林业大学学报》;20081130;第30卷;全文 *
基于改进TOPSIS法的南方岩溶区石漠化生态治理模式评价;丁新辉 等;《泥沙研究》;20210430;全文 *

Also Published As

Publication number Publication date
CN113868963A (zh) 2021-12-31
KR102585381B1 (ko) 2023-10-05
US11694005B2 (en) 2023-07-04
KR20230056606A (ko) 2023-04-27
US20230123790A1 (en) 2023-04-20

Similar Documents

Publication Publication Date Title
CN113868963B (zh) 基于机器学习的仿自然生态植被构建方法、系统及设备
CN111488902A (zh) 一种原生滨海湿地生态系统碳储量定量估算方法及系统
Zang et al. Impact of landscape patterns on ecological vulnerability and ecosystem service values: An empirical analysis of Yancheng Nature Reserve in China
Fdez-Riverola et al. CBR based system for forecasting red tides
CN109002621B (zh) 一种顾及邻域与地理差异的林分平均高与胸径计算方法
Kruse et al. Treeline dynamics in Siberia under changing climates as inferred from an individual-based model for Larix
Al-Bakri et al. Application of remote sensing and GIS for modeling and assessment of land use/cover change in Amman/Jordan
Griffin et al. An agent-based model of prehistoric settlement patterns and political consolidation in the Lake Titicaca Basin of Peru and Bolivia
CN105115883B (zh) 土壤水蚀量的检测方法和装置
CN108984995A (zh) 一种计算数值模拟的生态园林景观设计方法
CN111738494A (zh) 基于MaxEnt和ArcGIS的喜树分布预测方法
CN116699096B (zh) 一种基于深度学习的水质检测方法和系统
CN116228041A (zh) 一种废弃矿山生态修复后碳指标计算方法
CN115936490A (zh) 一种基于shap的城市暴雨内涝影响因子量化分析方法
Yang et al. The spatial distribution and expansion of subsided wetlands induced by underground coal mining in eastern China
CN112966657A (zh) 一种大尺度水体覆盖的遥感自动分类方法
CN109446577A (zh) 基于数值模拟水文分析的滨水景观设计方法
CN111192315A (zh) 一种基于多源信息的实际灌溉面积提取方法
Van Hoang et al. Climate change impact on agricultural productivity and environment influence based on simulation model
Mondal et al. Changing Pattern of Land Utilization: Using Remote Sensing and GIS Methods in Moyna Block, Purba Medinipur District, West Bengal
Conrad et al. Simulating impacts of silage maize (Zea mays) in monoculture and undersown with annual grass (Lolium perenne L.) on the soil water balance in a sandy-humic soil in Northwest Germany
CN113094972B (zh) 基于生成对抗网络和环境要素数据的基岩深度预测方法及系统
CN118397481B (zh) 一种基于时序遥感影像的碟形湖变化监测方法
Putra et al. Visualization of agroecological suitability of peatland to pineapple productivity in Kampar District with Fuzzy approach
Richter et al. Monitoring changes in the landscape development on the northeastern edge of the Hřebeny Mountains with a focus on wetlands

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